同济大学学报(自然科学版)

作者：刘晗，孙剑

单位：同济大学 道路与交通工程教育部重点实验室，上海 201804

关键词：交通工程,轨迹预测,混合交通流,深度学习模型,知识

基金：国家自然科学基金（52125208），国家重点研发计划（2019YFB1600200）

自动驾驶车辆需具备预测周围车辆轨迹的能力。诸多发展中国家普遍存在弱规则、强交互的混合交通流道路，高密度混合交通流的车辆轨迹预测是极具挑战性的任务。为了兼顾混合交通流道路环境下轨迹预测的高精度和可解释性，设计一个融合领域知识和经验的深度学习模型（DK-Conv-LSTM）实现车辆的长、短时轨迹预测。该模型采用卷积结构（Conv）提取交互特征，并将融合车辆历史信息的特征向量送入长短时记忆网络（LSTM）模型实现轨迹预测。知识经验通过嵌入损失函数的方式引导深度学习模型的训练。与基础的LSTM相比，仅添加卷积层结构的Conv-LSTM模型可提升终点轨迹误差（FDE）约30.46 %，提升平均轨迹误差（ADE）约34.78 %；而DK-Conv-LSTM模型可分别提升FDE 46.81 %和ADE 49.08 %；同时DK-Conv-LSTM模型可还原多前车跟驰、超车行为的驾驶轨迹。

来源：2024年第7期

《同济大学学报(自然科学版)》期刊编辑部

查看同济大学学报(自然科学版)杂志2024年第7期