基于TCN-LSTM和多任务学习模型的变道意图识别和驾驶状态预测的统一方法

摘要

本文介绍了基于TCN-LSTM和多任务学习模型的变道意图识别和驾驶状态预测的统一方法。变道（LC）是一个连续且复杂的操作过程。精确检测和预测变道过程可以帮助交通参与者更好地理解他们周围的环境、识别潜在的变道安全隐患并且提高交通安全。本文着重于变道过程，开发了变道意图识别（LC-IR）模型和变道状态预测（LC-SP）模型。本文首次提出一种新型的具有长短期记忆单元的集成时间卷积网络（TCN-LSTM），用于捕获序列数据中的长距离依赖关系。然后，开发了三种多任务模型（MTL-LSTM、MTL-TCN、MTL-TCN-LSTM）以捕获输出指标之间的内在关系。此外，还开发了一个用于变道意图识别和驾驶状态预测的统一建模框架（LC-IR-SP）。为了验证本文所提出模型的性能，从CitySim数据集中提取了总共1023条车辆轨迹。采用Pearson系数来确定相关指标。结果表明，使用150帧作为输入长度，TCN-LSTM模型在变道意图分类方面具有96.67%的准确率，超过了TCN和LSTM模型，并且为每个类别提供了更平衡的数据。与相应的单任务模型相比，本文所提出的三种多任务学习模型显著地提高了性能，其平均绝对误差（MAE）和均方根误差（RMSE）分别降低了24.24%和22.86%。所开发的LC-IR-SP模型对于自动驾驶汽车识别变道行为、计算实时交通冲突和改进车辆控制策略方面具有很好的应用前景。

主要贡献

本文的贡献为如下三方面：

1）首先，为了克服LSTM和TCN网络的局限性，本文提出一种新型的具有长短期记忆单元的集成时间卷积网络（TCN-LSTM）以捕获序列数据中的长距离依赖关系；

2）其次，本文构建并且比较了三种多任务学习模型（MLT-LSTM、MLT-TCN、MLT-LSTM-TCN）以预测驾驶状态变量。据我们所知，没有任何研究同时考虑结果因素之间的内在联系来预测驾驶状态指标；

3）最后，本文提出一种新型的基于车辆轨迹数据的变道意图识别和状态预测（LC-IR-SP）的统一建模框架。采用一个新的车辆轨迹数据集（CitySim Dataset）来开发LC-IR-SP建模框架。据我们所知，这是首次将变道意图识别和变道状态预测相结合的研究。

论文图片和表格

总结

变道行为是一种基本的驾驶行为，在很大程度上影响了交通效率和安全性。本文使用车辆轨迹数据来开发一种变道意图识别（LC-IR）模型和变道状态预测（LC-SP）模型。为了改进分类和预测性能，开发一种新型的具有长短期记忆单元的集成时间卷积网络和三种多任务模型（MLT-LSTM、MLT-TCN和MLT-LSTM-TCN）。此外，本文还提出一种用于变道意图识别和变道状态预测（LC-IR-SP）的统一建模框架。为了验证所提出建模框架的可靠性，首先从CitySim数据集中提取总共1023条车辆轨迹。然后，进行数据处理、指标计算和归一化处理。Pearson系数用于研究输出变量之间的联系。

在LC-IR模块中比较了具有变化输入持续时间的LSTM、TCN和TCN-LSTM模型的分类性能。从结果中明显看出，在任何输入时间序列长度下，所提出的TCN-LSTM模型在驾驶意图识别方面都优于其它模型。以150帧作为输入长度，所有三种模型都实现了最佳的分类精度。具体而言，使用TCN-LSTM模型的整体分类性能为96.67%，与使用TCN和LSTM模型相比，分别提高了0.27%和1.34%。三种分类的准确率和召回率都超过94%，这表明TCN-LSTM模型在驾驶意图识别方面是非常有效的。因此，所提出的TCN-LSTM模型为驾驶意图分类任务提供了一个很有前景的解决方案，因为它在分类精度方面优于其它模型，并且提供了更平衡的结果。因此可以在LC-IR模块中选择它，以使用150帧长的输入时间序列对驾驶意图进行分类。

对于变道驾驶状态预测，本项研究开发了三种多任务模型：MLT-LSTM、MLT-TCN和MLT-LSTM-TCN。结果表明，所提出的MLT模型优于对应的单任务学习模型。此外，MLT-LSTM网络对于

、和具有更好的预测性能，而MLT-TCN-LSTM模型对和具有更高的预测精度。因此，为了获得良好的预测结果，在LC-SP模块中选择MTL-LSTM和MTL-TCN-LSTM模型。仅使用MTL-LSTM模型中、和的预测结果，以及MTL-TCN-LSTM模型中和的预测结果。三种单一输出预测模型（LSTM、TCN、LSTM-TCN）的比较表明，TCN模型的指标具有最低的MAE和RMSE值。因此，选择TCN模型来预测指标。

研究表明，所提出的TCN-LSTM在变道意图识别方面优于LSTM和TCN模型。考虑到相关指标的相关性可以提高模型的预测精度。本文所提出的模型框架是基于车辆轨迹数据的，这可以识别车辆变道行为，并且还可以预测变道车辆的状态。根据获取的指标

可以计算实时的交通冲突指标。根据指标可以决定驾驶员是否采取避让行为。这项研究也有一些研究局限性。在多任务学习模型中，我们对每个任务的损失函数使用相同的权重。为了消除对预测结果的影响，对所有输入和输出向量进行归一化。在未来，通过使用自适应损失函数可以进一步提高预测精度。例如，如果所有任务中存在一个主任务，则增加主任务的损失权重可以提高模型的性能。

文章转载自公众号：自动驾驶专栏