针对智能驾驶系统在驾驶风险预警中存在的动态交互特征捕捉不足、多模态轨迹预测精度有限以及碰撞风险量化物理指标过度单一等问题,研究了基于多模态轨迹预测与概率量化耦合的预见性碰撞风险评估模型。在轨迹预测部分,研究了分层图注意...针对智能驾驶系统在驾驶风险预警中存在的动态交互特征捕捉不足、多模态轨迹预测精度有限以及碰撞风险量化物理指标过度单一等问题,研究了基于多模态轨迹预测与概率量化耦合的预见性碰撞风险评估模型。在轨迹预测部分,研究了分层图注意力网络,通过图注意力机制融合高精地图、车道线以及车辆历史轨迹特征,能够有效捕捉车辆行驶环境中的动态变化;针对传统模型中先预测再细化的两阶段解码结构,引入滑动窗口优化解码器,能够准确预测临近车辆的未来轨迹。在碰撞风险评估部分,研究了1种基于概率量化的碰撞风险评估方法,通过结合预测的未来轨迹与碰撞风险,估算自车与周边车辆发生碰撞的概率,实现对车辆危险行为的提前预警。实验结果表明:在Argoverse数据集上最小终点位移误差、最小平均位移误差和漏检率分别为0.785、1.157和0.126,与HiVT与LaneGCN相比,在终点预测方面误差分别减少了1%和15.1%。在城市交通能力仿真软件(simulation of urban mobility,SUMO)上验证预测风险与实际风险的偏差约为5%,从数据波动性上看,危险程度波动幅度为0.3,与碰撞时间(time to collision,TTC)方法和动态安全指数(dynamic safety index,DSI)方法相比,波动幅度分别减少33.3%和18.75%,在持续驾驶场景中展现出更优秀的风险评估水准;证明了基于障碍车辆轨迹预测的驾驶碰撞风险模型在预测未来潜在驾驶风险的准确性。展开更多
驾驶人行为识别对提高驾驶安全性和发展智能交通至关重要。由于不同驾驶环境和驾驶人特征存在较大差异,基于端到端深度学习的驾驶行为识别模型很难在不同数据集下保持较高的泛化性能。针对上述问题,提出基于人体特征点提取和多维时间序...驾驶人行为识别对提高驾驶安全性和发展智能交通至关重要。由于不同驾驶环境和驾驶人特征存在较大差异,基于端到端深度学习的驾驶行为识别模型很难在不同数据集下保持较高的泛化性能。针对上述问题,提出基于人体特征点提取和多维时间序列分类的驾驶人行为识别方法。使用YOLOv8和人体姿态估计器蒸馏(Distillation for whole-body pose estimators,DWPose)跟踪驾驶人区域并提取驾驶人人体特征点矩阵。对特征点矩阵进行归一化、平滑和维度转换。分别建立了基于Transformer、Informer、时间卷积神经网络(Temporal convolutional network,TCN)和注意力机制-长短期记忆网络(Attention based long short-term memory,LSTM-Attention)的多维时间序列分类模型。结果表明,Informer模型的识别准确性最高,TCN模型的运行效率最高。当使用Driver-100-Day进行训练时,Informer在Driver-100-Day、Driver-100-Night和State Farm Driver 2数据集上的测试准确度分别为90.82%、88.77%和80.67%,相比于CNN-Transformer提高了24.56%、72.02%和67.57%。所提方法相比于基于单帧图像输入的模型在泛化性能方面有较大的改善,且能够达到较高的识别效率和准确度。展开更多
文摘针对智能驾驶系统在驾驶风险预警中存在的动态交互特征捕捉不足、多模态轨迹预测精度有限以及碰撞风险量化物理指标过度单一等问题,研究了基于多模态轨迹预测与概率量化耦合的预见性碰撞风险评估模型。在轨迹预测部分,研究了分层图注意力网络,通过图注意力机制融合高精地图、车道线以及车辆历史轨迹特征,能够有效捕捉车辆行驶环境中的动态变化;针对传统模型中先预测再细化的两阶段解码结构,引入滑动窗口优化解码器,能够准确预测临近车辆的未来轨迹。在碰撞风险评估部分,研究了1种基于概率量化的碰撞风险评估方法,通过结合预测的未来轨迹与碰撞风险,估算自车与周边车辆发生碰撞的概率,实现对车辆危险行为的提前预警。实验结果表明:在Argoverse数据集上最小终点位移误差、最小平均位移误差和漏检率分别为0.785、1.157和0.126,与HiVT与LaneGCN相比,在终点预测方面误差分别减少了1%和15.1%。在城市交通能力仿真软件(simulation of urban mobility,SUMO)上验证预测风险与实际风险的偏差约为5%,从数据波动性上看,危险程度波动幅度为0.3,与碰撞时间(time to collision,TTC)方法和动态安全指数(dynamic safety index,DSI)方法相比,波动幅度分别减少33.3%和18.75%,在持续驾驶场景中展现出更优秀的风险评估水准;证明了基于障碍车辆轨迹预测的驾驶碰撞风险模型在预测未来潜在驾驶风险的准确性。
文摘驾驶人行为识别对提高驾驶安全性和发展智能交通至关重要。由于不同驾驶环境和驾驶人特征存在较大差异,基于端到端深度学习的驾驶行为识别模型很难在不同数据集下保持较高的泛化性能。针对上述问题,提出基于人体特征点提取和多维时间序列分类的驾驶人行为识别方法。使用YOLOv8和人体姿态估计器蒸馏(Distillation for whole-body pose estimators,DWPose)跟踪驾驶人区域并提取驾驶人人体特征点矩阵。对特征点矩阵进行归一化、平滑和维度转换。分别建立了基于Transformer、Informer、时间卷积神经网络(Temporal convolutional network,TCN)和注意力机制-长短期记忆网络(Attention based long short-term memory,LSTM-Attention)的多维时间序列分类模型。结果表明,Informer模型的识别准确性最高,TCN模型的运行效率最高。当使用Driver-100-Day进行训练时,Informer在Driver-100-Day、Driver-100-Night和State Farm Driver 2数据集上的测试准确度分别为90.82%、88.77%和80.67%,相比于CNN-Transformer提高了24.56%、72.02%和67.57%。所提方法相比于基于单帧图像输入的模型在泛化性能方面有较大的改善,且能够达到较高的识别效率和准确度。
