目的在智能驾驶领域,准确预测行人穿越行为对于确保车辆和行人安全至关重要。方法设计了一种结合多种计算机视觉技术的行人穿越行为预测模型,该模型通过分析行人的位置、姿态、动作及环境特征来准确判断行人意图。为了增强模型对不同距...目的在智能驾驶领域,准确预测行人穿越行为对于确保车辆和行人安全至关重要。方法设计了一种结合多种计算机视觉技术的行人穿越行为预测模型,该模型通过分析行人的位置、姿态、动作及环境特征来准确判断行人意图。为了增强模型对不同距离行人的感知能力,采用了不同尺度放大的预处理和数据滤波平滑的后处理技术。提出了先条件后预测(Predict after Condition,PAC)两阶段方法,以实现更为有效的行人穿越预测。结果基于JAAD数据集的测试结果表明:所提模型平均精度达89.31%,相较于传统单阶段方法提升了8.76%。结论特征重要度分析进一步表明:加入路面面积特征后,预测准确率从68.43%显著提升至85.06%,强调了行人位置与路面轮廓关系在行人穿越行为研究中的重要性。对降低人车碰撞事故,提高智能驾驶车辆的安全性具有重要意义。展开更多
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
文摘目的在智能驾驶领域,准确预测行人穿越行为对于确保车辆和行人安全至关重要。方法设计了一种结合多种计算机视觉技术的行人穿越行为预测模型,该模型通过分析行人的位置、姿态、动作及环境特征来准确判断行人意图。为了增强模型对不同距离行人的感知能力,采用了不同尺度放大的预处理和数据滤波平滑的后处理技术。提出了先条件后预测(Predict after Condition,PAC)两阶段方法,以实现更为有效的行人穿越预测。结果基于JAAD数据集的测试结果表明:所提模型平均精度达89.31%,相较于传统单阶段方法提升了8.76%。结论特征重要度分析进一步表明:加入路面面积特征后,预测准确率从68.43%显著提升至85.06%,强调了行人位置与路面轮廓关系在行人穿越行为研究中的重要性。对降低人车碰撞事故,提高智能驾驶车辆的安全性具有重要意义。
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。
