【摘要】为了可以确保自动驾驶车辆在处于复杂交通场景环境中的安全性和稳定性，自动驾驶车辆务必需要对行驶线路周边环境中不确定状况进行精确研判预测。一般情况下，针对复杂状况下的测试主体可以界定成车辆轨迹以及行人轨迹预测两种类型，本文并以此为基础将现有的预测方法做出相应分类探讨，相关成果已被广泛应用。
主题词：自动驾驶；行为预测；车辆轨迹预测
1前言
从近期的发展趋势来看，自动驾驶技术呈现出显著进步，并且进一步推动了感知技术领域的进展，相应的识别追踪等算法也逐步趋向成熟。但是，伴随着自动驾驶步入L5的研发阶段，怎样完成全场景任一速度工况下工作成为目前分析的关键所在。
本次分析是以复杂交通环境中自动驾驶车辆轨迹预测研究作为对象，阐述并归纳近期相关成果，本文基于下述两个层面进行开展：
首先是归纳复杂交通场景下行驶车辆在可观测以及受到阻碍状态下轨迹预测有关才研究成果；其次是归纳了基于行人在可观测以及受到阻碍状态下的轨迹预测成果。
2复杂交通场景分析简述
复杂交通场景最具代表性的就是交叉口类型，主要是在实际驾驶中会存在复杂且数量较多的冲突点，于此同时参与的类型和主体呈现出多样化特征。
中国汽车模型网其次，高速路段场景也可以归纳至复杂交通场景的范畴内，即便在该路段下自身交通参与方较为简单，然而考虑到该路段环境下车辆车速高，对于自动驾驶而言，应当提升信息采集与数据图像处理的高效性和可靠性。图1是日常生活中较为常见的复杂路口示意图。
图1 常见复杂路口示意图
3 预测对象分类以及算法
3.1 车辆轨迹预测方法
从概念上而言，车辆轨迹预测就是借助于自动驾驶车辆本身所内嵌的多样化传感器来精确测定附近车辆所处的位置信息、车速参量等数据，基于此来实现后续轨迹或者线路的有效规划和安全性拟定。由近期的发展来看，该方法基本可界定成如下两种类型，一是基于强化学习模型方法，而是基于神经网络和社会感知方法。
Shu等研究学者以交叉口交通场景作为分析对象，将车辆左转问题定义为研究主题，并以此提出图2所示的交通模型架构图。同时借助于可观测马尔科夫研究模型对道路重点轨迹方略界定成高、低两种层次的分析。
图2 基于ECT标准交叉分层次预测规划示意图
Kim等学者在其所发表的文章中创设了一种新的轨迹预测研究模型，详见图3所示。且该方法同传统的光栅图像导入方法有较为明显差异性，即借助于语义地图来采集并检索分析轨迹，之后基于无监督学习分析模型来筛选与之配合的权重系数，增强线路预测精准度和安全性。
图3 Lapred预测分析模型
不仅如此，智能网联车辆的传感器信号采集捕捉性能同周边的环境有直接关联，通常会出现受到车辆附近场景遮蔽问题、间距问题、行驶气候条件等因素的制约，不能精准地对目标实现高效探测和捕获，最终引起误触发或者遗漏目标体的问题。基于此，Ren等研究人员搭建出具备安全意识的神经网络分析模型架构，可参见图4所示。该模型能够按照车辆路线附近大部分同本体相类似的活动行为来转化控制自身车辆的驾驶状态，极大降低交通事故发生概率。
图4 U-net网络架构示意图
3.2 行人轨迹预测方法
考虑到行人运动特征表现为高度随机性以及多模态属性，相应自动驾驶系统不能在短时间的求解时间限定内做出反馈动作。假如只是按照现有的行人状态来拟定策划车辆驾驶路径，那么则不会符合时效性要求和动态特征条件。
Yang等研究人员提出一种融合社会力模型以及行人决策模型的新预测方式，模型架构参见图5所示。该模型旨在有效预测并研判车辆行驶过程中，道路行人在后续两秒内的线路轨迹终止位置，然而此模型应当以大规模数据作为分析导入，否则获得的计算结果偏差程度较高。
图5 Trajectory++轨迹预测架构图示
Zhou等研究人员基于单行人的运动轨迹和附近行人的交互状态，借助于循环神经网络来仿真
预测模型架构，如图6所示。所搭建模型会综合注意力分析机制来分析并辨识不同场景的重要数据源；Liu等学者搭建出一种依托图卷积的行人模型，将横穿马路作为判定主体，仅强调道路行人运动、肢体活动和附近的环境来判定下一个周期内的行人线路轨迹。
图6 SGCN架构模型
Lian等学者创建了一种复杂交通场景环境下行人预测技术，该模型是以LSTM作为核心，搭建出以人-车辆交互的轨迹预测分析方法，主要的分析基础或者先验条件是行人速度以及位置间隔等，最终获取的信息会基于LSTM模型来计算出轨迹结果。
1.结论
伴随着自动驾驶技术的逐步演化和发展，现存的传统分析与预测方法不能有效符合智能网联
车辆对于复杂场景下的道路预测条件和安全性要求。本次分析主要是针对近期自动驾驶新技术进行归纳总结，着重针对其中的算法做出详细阐述。
现阶段条件下，在智能网联与线路预测领域使用率较高且处理较为稳定的技术依旧是神经网络模型，实际的测试和应用表现中也取得较为优异的结果。然而此模型在投入使用之前，需要导入大规模分析数据和信息，基于此来获取准确度较高的训练结果。不仅如此，现有的预测系统覆盖较多硬件设备，例如激光雷达等硬件单元。后续的分析可将研究重点放在创新或者优化算法领域，在强化预测结果的前提下降低设备的整体投入。
参考文献
[1]NHTS A. Fatality Analysis Reporting System [EB/OL]. [2018](2022-09-21). www-fars.v/.
[2]LI S, LI N, GIRARD A, et al. Decision making in dynamic and interactive environments based on cognitive hierarchy theory, Bayesian inference, and predictive control[C]// 2019 IEEE 58th Conference on Decision and Control (CDC). IEEE, 2019：2181-2187.
[3]CHANDRA R, MANOCHA D. GamePlan: Game- Theoretic
发布评论