基于Bi-GLSTM网络的车辆驾驶意图分析与识别

作     者：李琳 赵万忠 王春燕 LI Lin;ZHAO Wanzhong;WANG Chunyan

作者机构：南京航空航天大学能源与动力学院南京210016 

出 版 物：《机械工程学报》 (Journal of Mechanical Engineering)

年 卷 期：2024年第60卷第10期

页      面：51-63页

核心收录：

学科分类：080503[工学-材料加工工程] 08[工学] 0805[工学-材料科学与工程（可授工学、理学学位）] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：国家自然科学基金(52072175) 江苏省杰出青年基金(BK20220078) 江苏省重点研发计划(BE2022053)资助项目 

主　　题：驾驶意图辨识 智能网联汽车 图神经网络 

摘      要：驾驶意图识别能有效提高自车对其他交通参与者的轨迹预测能力,是实现智能车自主决策和规划的基础。然而动态复杂交通环境下周围车辆的交互是实现准确可靠驾驶意图识别亟待解决的挑战之一。为提高在动态复杂交通场景下驾驶意图识别的准确率,提出基于双向图长短时记忆网络(Bidirectional graph long short term memory,Bi-GLSTM)网络的驾驶意图时序识别模型。首先基于局部加权回归散点平滑法对原始数据集中的位置、速度和加速度进行平滑处理,并联合纵横向运动参数为数据标注驾驶意图;然后建立图注意力神经网络,分析和提取周围车辆与目标车辆之间的交互特征,嵌入注意力机制,分析周围车辆对目标驾驶意图的重要性,增强模型对相关性较大的车辆运动状态关注程度;融合周围车辆交互特征和目标车辆历史运动特征,为提高模型在动态复杂交通环境下的鲁棒性和可靠性,基于双向长短时记忆网络提取特征之间的时序特征;最后在公开数据集HighD上训练并验证模型的有效性,结果表明相比于图神经网络、循环神经网络等模型,识别准确率分别提高了11.33%、55.31%;通过可视化注意力权重,说明所提出的模型也一定程度上解决了可解释性问题。