چکیده

پیش‌بینی حرکت وسایل نقلیه اطراف برای یک سیستم رانندگی مستقل که در ترافیک پیچیده اعمال می‌شود، ضروری است. پیش‌بینی مسیر به وسایل نقلیه کمک می‌کند تا تصمیمات معقول‌تری بگیرند، که آینده نگری را برای وسایل نقلیه فراهم می‌کند. با این حال، مدل‌های سنتی پیش‌بینی مسیر را به عنوان یک کار پیش‌بینی توالی ساده در نظر می‌گیرند. ناآگاهی از تعامل بین خودرو و تأثیر محیط، این مدل‌ها را در مجموعه داده‌های دنیای واقعی تنزل می‌دهد. برای پرداختن به این موضوع، ما یک شبکه توجه آگاه از زمینه پویا و استاتیک به نام DSCAN در این مقاله پیشنهاد می‌کنیم. DSCAN از مکانیزم توجه برای تصمیم گیری پویا استفاده می کند که کدام خودروهای اطراف در حال حاضر مهم تر هستند. ما همچنین DSCAN را به یک شبکه محدودیت برای در نظر گرفتن اطلاعات محیط ثابت مجهز می کنیم. ما مجموعه‌ای از آزمایش‌ها را روی مجموعه داده‌های دنیای واقعی انجام دادیم و نتایج تجربی اثربخشی مدل ما را نشان داد. علاوه بر این، مطالعه حاضر نشان می‌دهد که مکانیسم توجه و محدودیت‌های استاتیکی نتایج پیش‌بینی را افزایش می‌دهند.

کلید واژه ها: 

پیش بینی مسیر ; مکانیسم توجه ؛ LSTM ; رانندگی مستقل

1. مقدمه

پیش بینی مسیر یکی از مشکلات اصلی است که باید در رانندگی خودران حل شود. رانندگان انسانی اغلب با مشاهده شرایط رانندگی وسایل نقلیه اطراف و محیط های جاده بر اساس تجربه خود، مسیر وسایل نقلیه اطراف را پیش بینی می کنند. با این حال، وسایل نقلیه خودران، که قادر به حرکت بدون راننده هستند، نمی توانند از این قانون پیروی کنند. وسایل نقلیه در حال حرکت با شرایط جاده های مختلف و شرکت کنندگان در ترافیک پویا مواجه می شوند که ممکن است خطرات بالقوه ای برای رانندگی ایمن ایجاد کند. در سناریوهای رانندگی خودمختار، درک وضعیت اطراف و پیش‌بینی روند آن، توانایی‌های حیاتی برای اطمینان از ایمنی وسایل نقلیه است. بر اساس داده‌های جمع‌آوری‌شده، روش‌های پیش‌بینی مسیر می‌توانند به سیستم کمک کنند تا تصمیمات قوی‌تر و پایدارتری بگیرد.
برای دستیابی به رانندگی مستقل در ترافیک پیچیده، لازم است وسایل نقلیه حرکت آینده وسایل نقلیه اطراف را استنباط کنند. در مقایسه با مسائل دینامیکی عمومی، پیش‌بینی مسیر وسیله نقلیه معمولاً در یک محیط تصادفی باز اتفاق می‌افتد که دشواری و پیچیدگی مدل‌سازی را افزایش می‌دهد. از یک طرف، وسیله نقلیه در معرض محدودیت های زیادی مانند شرایط جاده و اهداف متحرک اطراف است. از سوی دیگر، تحت تأثیر قصد و سبک رانندگی راننده [ 1 ]، مسیر در طول زمان به شدت غیرخطی است. این چالش ها باعث تخریب مدل های پویا سنتی و مدل های یادگیری ماشین شده است
بنابراین، روش‌های پیش‌بینی مسیر مبتنی بر یادگیری عمیق به یک کانون تحقیقاتی کنونی تبدیل شده‌اند. شبکه عصبی بازگشتی (RNN)، به‌ویژه مدل حافظه کوتاه‌مدت بلند مدت (LSTM)، به دلیل عملکرد عالی آن در تجزیه و تحلیل داده‌های سری زمانی، به طور گسترده مورد علاقه است. برخی از مطالعات [ 2 ، 3 ] نشان می دهد که شبکه Sequence to Sequence (Encoder-Decoder) که معمولاً در ترجمه ماشینی استفاده می شود، عملکرد خوبی در سناریوهای پیش بینی مسیر چند مرحله ای دارد. تحقیقات فزاینده بر مدل سازی آگاهانه از تعامل، مانند LSTM اجتماعی کانولوشن (CS-LSTM) [ 4 ] تأکید دارد.]، با استفاده از شبکه عصبی کانولوشن (CNN) برای مدل‌سازی وضعیت حرکت وسایل نقلیه اطراف برای معرفی عوامل تعامل چند وسیله نقلیه برای بهینه‌سازی پیش‌بینی مسیر پیشنهاد شد. به دلیل دقت و امکان سنجی بالا، CS-LSTM به طور گسترده مورد توجه محققان قرار گرفته است. با این حال، CS-LSTM فاقد در نظر گرفتن تغییرات تعامل و محدودیت های محیطی است. در این مقاله، ما یک شبکه توجه آگاه از زمینه پویا و ایستا (DSCAN) برای پیش‌بینی مسیر خودرو پیشنهاد می‌کنیم. مدل ما از مکانیسم توجه برای مدل‌سازی اطلاعات تعامل بین خودرو به صورت پویا استفاده می‌کند و از یادگیری تعبیه‌کننده ویژگی برای تقویت اثر محدودیت یک محیط استاتیک استفاده می‌کند. به طور خاص، مدل ما را می توان با موارد زیر مشخص کرد:
(1) رمزگشای توجه: ما از یک LSTM مبتنی بر توجه برای تولید بردارهای میانی در مراحل زمانی مختلف پیش‌بینی استفاده می‌کنیم تا مشکلی را حل کنیم که ادغام اجتماعی [ 5 ] منجر به وزن یکسان وسایل نقلیه اطراف می‌شود. رمزگشای ما می‌تواند وزن‌های معقولی را به وسایل نقلیه اطراف اختصاص دهد و به طور تطبیقی ​​قابل توجه‌ترین وسایل نقلیه را در هر مرحله زمانی انتخاب کند.
(2) شبکه محدودیت: ما یک شبکه عصبی کم عمق، یک شبکه محدودیت، برای استخراج و مدل‌سازی محدودیت‌های محیطی اطراف پیشنهاد می‌کنیم. از مزایای محاسبات راحت و مقیاس پذیری بالا برخوردار است. همراه با نمایش مسیرهای وسایل نقلیه، نتایج پیش‌بینی مسیر را به واقعیت نزدیک‌تر می‌کند.

2. بررسی ادبیات

با توجه به حرکت وسایل نقلیه، روش‌های پیش‌بینی مسیر را به طور کلی می‌توان به چهار نوع روش‌های مبتنی بر فیزیکی، مبتنی بر مانور، متقابل آگاه و محیط‌زیست تقسیم کرد.
مدل حرکتی مبتنی بر فیزیک: این مدل‌ها فقط داده‌های کنترل وسیله نقلیه (به عنوان مثال، فرمان و شتاب) و ویژگی‌ها (مثلاً وزن) را دریافت می‌کنند [ 6 ]. ساده ترین مدل ها، مدل های سرعت ثابت (CV) و شتاب ثابت (CA) هستند [ 7 ، 8 ]. مراجع [ 9 ، 10 ] از توزیع نرمال برای رسیدگی به عدم قطعیت در وضعیت خودرو استفاده کردند. علاوه بر این، مرجع [ 11] از شبیه سازی مونت کارلو برای حذف مسیرهای تولید شده که بیش از محدودیت های فیزیکی هستند استفاده کرد. این مدل‌های اصلی به نمایش دینامیک و سینماتیک یک وسیله نقلیه بستگی دارد که در آن نتایج به قوانین فیزیک بستگی دارد. بنابراین، آنها را فقط می توان برای پیش بینی کوتاه مدت (کمتر از 1 ثانیه) مسیر خودرو اعمال کرد.
مدل حرکت مبتنی بر مانور: آنها با تشخیص از قبل مانورهایی که رانندگان قصد انجام آنها را دارند، مسیر را پیش بینی می کنند. این روش ها فرض می کنند که حرکت وسیله نقلیه با مانور قبلی آن مطابقت دارد. آتیو و همکاران [ 12 ] فاصله هاسدورف بین دو مسیر را برای اندازه گیری شباهت آنها محاسبه کرد. بر اساس ماشین بردار پشتیبان (SVM) و فیلتر بیزی، کومار و همکاران. [ 13 ] پیش‌بینی قصد تغییر خط آنلاین را اجرا کرد. کیائو و همکاران [ 14 ] مسیر را به عنوان یک سری از حرکات گسسته انتزاع کرد و از مدل مارکوف پنهان (HMM) برای پیش بینی مسیر حرکت اجسام متحرک استفاده کرد. علاوه بر این، طبقه‌بندی‌کننده‌های مبتنی بر اکتشاف [ 15 ]، طبقه‌بندی‌کننده‌های تصادفی جنگل [ 16 ]] و RNN ها برای تشخیص مانور پذیرفته شده اند. این روش‌ها پیشرفته‌تر و قابل اطمینان‌تر هستند، اما همچنان وسایل نقلیه را به عنوان موجودیت‌های مستقل در نظر می‌گیرند و تاثیر وسایل نقلیه را نادیده می‌گیرند.
مدل حرکت آگاه از تعامل: شی تحقیق و وسایل نقلیه اطراف آن موجودیت های حرکتی تعاملی هستند. در مقایسه با دو روش قبلی، این روش ها بیشتر با سناریوهای ترافیک واقعی مطابقت دارند و پیچیده تر هستند. الهی و همکاران [ 5 ] ترکیب اجتماعی را برای پیش‌بینی مسیر عابر پیاده در فضاهای عمومی شلوغ پیشنهاد کرد. آنها فضا را مشبک کردند و اطلاعات مکانی را از طریق ادغام شبکه ای حفظ کردند. به عنوان ادامه، دیو و همکاران. [ 4 ] CS-LSTM را پیشنهاد کرد. نویسندگان از ادغام اجتماعی [ 5 ] برای پیش بینی مسیر وسیله نقلیه استفاده کردند و تأثیر وسایل نقلیه اطراف را در نظر گرفتند. تحقیقات اخیر [ 17] نشان داد که علاوه بر پیش‌بینی رفتار، موضوع مهم در نظر گرفتن تعامل بین خودرویی است. با این حال، روش‌های ادغام اجتماعی منجر به وزن تأثیر یکسانی برای هر موجود در اطراف موضوع تحقیق شد. بنابراین، خو و همکاران. [ 18 ] یک معادله حذف را برای محاسبه تأثیر عابران پیاده در فواصل مختلف بر روی شی تحقیقاتی پیشنهاد کرد و بر این اساس نتایج رمزگذاری مسیر تاریخی را وزن کرد. شبکه های متخاصم مولد (GAN) نیز در پیش بینی مسیر استفاده می شوند. مرجع [ 19] Social-GAN را با یک ژنراتور متشکل از یک رمزگذار مبتنی بر LSTM، ماژول ادغام متن و یک رمزگشا مبتنی بر LSTM پیشنهاد کرد. متمایز کننده آن نیز از LSTM استفاده می کرد. با این حال، GAN ها یک نقص دارند. آنها برای رسیدن به تعادل نش چالش برانگیز هستند و زمان زیادی را صرف می کنند.
با توجه به تعامل بین وسایل نقلیه، مدل‌های حرکت آگاه از تعامل به سناریوی رانندگی واقعی نزدیک‌تر هستند و نتایج پیش‌بینی آنها قابل اعتمادتر است. حرکت یک وسیله نقلیه تحت تأثیر وسایل نقلیه اطراف در جاده قرار می گیرد و ضربه دائماً تغییر می کند. برخی از مدل‌های موجود بر روی تاریخچه مسیر خودروها تمرکز می‌کنند تا اطلاعات دینامیکی اطراف را بیاموزند، اما تأثیر محدودیت‌های محیط ساکن در جاده را نادیده می‌گیرند. با توجه به این موضوع، برخی از مطالعات در مورد محدودیت های جاده ای شروع شد.
مدل آگاه از محیط: این روش ها اطلاعات محیطی را به مدل های ذکر شده در بالا اضافه می کنند و توانایی تعمیم را قوی تر می کنند. آزمایش در [ 20 ]، که خطوط و علائم را در نظر گرفت، از حالت متشکل از وضعیت خودرو و اطلاعات محیط استفاده کرد. برای هر مسیر خبره، آنها یک مسیر را بر اساس محیط مرتبط سنتز کردند. مرجع [ 21 ] یک MRN محدود (شبکه تشخیص مانور) را متوجه شد که در آن خروجی رمزگذار GRU با بردار محدودیت‌های ساختاری جاده الحاق شده بود. با این حال، این کارها فقط ساختار محیطی خاص یا انواع داده های محدود را در نظر می گیرند که گسترش آنها دشوار است.
هر دو عامل زمینه پویا و استاتیک بر دقت پیش‌بینی نهایی تأثیر می‌گذارند و باید در رانندگی در نظر گرفته شوند.

3. روش شناسی

یک مسیر رانندگی قابل اعتماد باید توسط عوامل متعددی مانند وسایل نقلیه اطراف و محدودیت های محیطی ایجاد شود. بنابراین، یک مدل پیش‌بینی مسیر خودروی قوی باید این عوامل را در نظر بگیرد. شکل 1 معماری مدل پیشنهادی ما، DSCAN را نشان می دهد. عمدتاً از یک رمزگذار LSTM، یک شبکه محدودیت و یک رمزگشای توجه تشکیل شده است. DSCAN مسیرهای تاریخی وسایل نقلیه و محدودیت های محیطی را به عنوان ورودی می گیرد. رمزگذار LSTM و شبکه محدودیت به ترتیب آنها را مدل می کنند. رمزگشای توجه پیشنهادی ما سپس نمایش‌های مرحله قبل را به هم می‌پیوندد تا نتیجه پیش‌بینی مسیر نهایی را به دست آورد.

3.1. رمزگذار

LSTM یک شبکه عصبی است که وابستگی بین مشاهدات را در یک سری زمانی محاسبه می کند. توسط سه دروازه کنترل می شود که دروازه فراموشی مهمترین آنهاست. دروازه فراموشی از نرخ فروپاشی استفاده می کند �تیبرای ساخت LSTM با حافظه بلند مدت [ 22 ، 23 ] و بستگی به خروجی قبلی دارد ساعتتی–1و ورودی فعلی ایکستی. این مرحله را می توان با معادله ( 1 ) بیان کرد.

�تی=�دبلیو�·ساعتتی–1،ایکستی+ب�
به این ترتیب، آنها معمولا برای اهداف پیش بینی استفاده می شوند. ما LSTM را به عنوان رمزگذار خود برای عملکرد برتر آن در مسائل سری زمانی پذیرفته ایم. از آنجایی که همه مسیرهای تاریخی از توزیع داده های یکسانی تبعیت می کنند، ما مسیرهای وسایل نقلیه را برای تسریع بهینه سازی شبکه رمزگذاری می کنیم.

همن=�استیمتی�آ�من،من∈{0،1،2…،متر}،

جایی که همن∈آرده�جنشان دهنده نمایش رمزگذاری از �هساعتمنجلهمنمسیر تاریخی تی�آ�من. همانطور که در شکل 1 نشان داده شده است ، رمزگذار LSTM مسیر تاریخی خودروی مورد نظر را مدل می کند

تی�آ�0=ایکس1،�1،ایکس2،�2،…،ایکستی،�تی

و مسیر تاریخی وسیله نقلیه اطراف تی�آ�1،تی�آ�2،…،تی�آ�متربرای یادگیری دینامیک حرکت وسیله نقلیه

همانطور که در [ 4 ] انجام شد، ما همچنین یک شبکه اشغال را بر اساس خطوط برای تنظیم تانسور اجتماعی خود تعریف می کنیم. با استفاده از این تانسور اجتماعی و وضعیت LSTM وسیله نقلیه، دقت پیش‌بینی بهبود یافته است [ 5 ، 24 ]. مرجع [ 4 ] اشاره کرد که لایه کانولوشن می تواند میدان گیرنده شبکه را گسترش دهد و می تواند ترکیب اطلاعات شبکه را افزایش دهد. ما نمایندگی هر وسیله نقلیه اطراف را ضمیمه می کنیم (همن،من∈1،2،…،متر)درون یک 3×13شبکه برای حفظ همبستگی های فضایی و اضافه کردن یک لایه کانولوشن با هسته 3×3. از آنجایی که شبکه عصبی کانولوشن نگاشت هویت را حفظ می کند، توانایی مدل را برای یادگیری و بیان نیز تقویت می کند. در نهایت، رمزگذار نمایش وسیله نقلیه مورد نظر را می گیرد ه0∈آرده�جو نمایش‌های وسایل نقلیه اطراف آن با پردازش پیچشی سی∈آر3×13×دج���به عنوان خروجی برای رمزگشایی بیشتر

3.2. شبکه محدودیت

حتی اگر حرکت وسایل نقلیه اطراف و قصد رانندگی مشابه باشد، مسیر آینده وسیله نقلیه ممکن است همچنان تحت تأثیر عوامل محیطی (مانند خطوط، آب و هوا، و سیاست های ترافیکی) باشد. به عنوان مثال، وسایل نقلیه رانندگی در باران تمایل دارند به آرامی حرکت کنند و از سبقت اجتناب کنند [ 25 ، 26 ]. علاوه بر این، همانطور که فناوری V2I (خودرو به زیرساخت) تکامل می‌یابد [ 27 ، 28 ]، زیرساخت می‌تواند اطلاعات محیطی بیشتری را برای خودرو فراهم کند که برای پردازش به شبکه نیاز دارد. با اشاره به Wide&Deep [ 29 ] و DeepFM [ 30 ]، ما یک شبکه عصبی کم عمق (Constraint Net) را برای مدل‌سازی محدودیت‌های محیطی پیشنهاد می‌کنیم. همانطور که در شکل 2 نشان داده شده است، ابتدا اطلاعات محیطی خام را در گروهی از ویژگی های دسته جمع آوری و گسسته می کنیم (به عنوان مثال، “آفتابی” به عنوان 0 و “بارانی” به عنوان 1)، سپس شبکه محدودیت پیشنهادی این ویژگی های محیطی استخراج شده را به عنوان ورودی می گیرد و یک نمایش متمرکز را به عنوان خروجی محاسبه می کند. .
با توجه به گروهی از ویژگی های محیطی �1،�2،…،�من، جایی که I تعداد فیلدهای ویژگی است، لایه جاسازی هر یک از آنها را به یک نمایش برداری پیوسته متراکم تبدیل می کند. �من˜با بعد دج���. برای دستیابی به کاهش ابعاد، شبکه محدودیت یک شبکه عصبی تک لایه را بر روی غلظت بردارها و خروجی های جاسازی شده با اطلاعات محیطی متمرکز اعمال می کند. این فرآیند را می توان به صورت زیر بیان کرد:

س=دبلیوس�هآک�̲آره���˜1;�˜2;…،�˜من+بس،

جایی که س،بس∈آردتبدیل،دبلیوس∈آردج���×(من·دج���).

همانطور که در بالا توضیح داده شد، شبکه محدودیت قادر است تعداد متغیری از ویژگی ها را تبدیل کند �1،�2،…،�مندر یک بردار طول ثابت s ، که به این معنی است که ارائه ویژگی جدید محیطی بدون تغییر سایر اجزای شبکه مدل کامل راحت است. علاوه بر این، پیچیدگی محاسباتی شبکه محدودیت است �(مندج���2). در مقایسه با اجزای دیگر مانند رمزگذار LSTM، پیچیدگی محاسباتی شبکه محدودیت ناچیز است و به صورت خطی با تعداد فیلدهای ویژگی رشد می کند.
با این حال، محدود به مجموعه ویژگی‌های مجموعه داده عمومی، ما عمدتاً ویژگی‌های محیطی مربوط به خط را در آزمایش خود استخراج می‌کنیم، از جمله سه جنبه زیر: خط وسیله نقلیه هدف، چه در حال رانندگی در خط چپ یا راست باشد. ما کاوش سایر ویژگی های محیطی را به عنوان کار آینده خود واگذار می کنیم. ما همچنین اثربخشی شبکه محدودیت را در بخش 4 نشان می‌دهیم .

3.3. رسیور توجه

ما یک رمزگشای توجه را پیشنهاد می‌کنیم که اطلاعات مرحله قبل را برای تولید توزیع پیش‌بینی برای مسیر آینده مدیریت می‌کند. مشابه رمزگذار، ما از یک شبکه LSTM به عنوان رمزگشای اولیه برای دستیابی به پیش بینی مسیر چند مرحله ای استفاده می کنیم. مکانیسم توجه به طور گسترده در پیش‌بینی سری برای عملکرد خوب آن استفاده می‌شود، مانند ترجمه ماشینی [ 31 ]، حاشیه‌نویسی تصویر [ 32 ]، تشخیص گفتار [ 33 ]، خلاصه‌سازی متن [ 34 ]، و پیش‌بینی مسیر [ 35 ]]. برای حل کارآمد نمایش رمزگذاری با ابعاد بالا C و توجه پویا به حرکت وسایل نقلیه اطراف، ما همچنین مکانیسم توجه را به رمزگشا اعمال می کنیم تا رمزگشا ما بتواند به طور تطبیقی ​​قابل توجه ترین وسایل نقلیه اطراف را در هر مرحله انتخاب کند.
دقیقاً طبق حالت پنهان قبلی ساعتتی–1، رمزگشا وزن توجه هر شبکه را محاسبه می کند سیمن،�∈آردج���در C در مرحله زمانی t و سپس آنها را وزن کنید (همانطور که در معادلات ( 5 )–(7) نشان داده شده است):

سج��همن،�تی=�تیtanhدبلیوساعتساعتتی–1+دبلیوجسیمن،�،
�من،�تی=انقضاسج��همن،�تی∑پ،�انقضاسج��هپ،�تی،
سیتی˜=∑من،��من،�تیسیمن،�،

جایی که من∈1،2،3،�∈1،2،…،13مختصات شبکه هستند و سیتی˜∈آردج���نمایش توجه وزنی است. سج��همن،�تیو �من،�تیمتغیر میانی و وزن توجه برای سیمن،�به ترتیب در مرحله زمانی t .

پس از محاسبه توزیع توجه و الحاق آن با نمایش های وسیله نقلیه هدف و محدودیت ها ه0،سیتی˜،سرمزگشا آنها را به عنوان ورودی می گیرد و این تانسور با ابعاد بالا را در این مرحله زمانی استنتاج می کند. در نهایت، دنباله پیش بینی مسیر آینده را به عنوان خروجی تولید می کند.

4. ارزیابی تجربی

4.1. مجموعه داده

آزمایش ما از داده های I-80 و US-101 شبیه سازی نسل بعدی (NGSIM) استفاده کرد (داده ها از وب سایت رسمی اداره بزرگراه فدرال، وزارت حمل و نقل ایالات متحده ( https://ops.fhwa.dot.gov/trafficanalysistools ) به دست آمده است. /ngsim.htm ، قابل دسترسی در 5 فوریه 2019)). مسیرها به بخش های 8 ثانیه ای تقسیم شدند، جایی که ما از 3 ثانیه تاریخچه مسیر و یک افق پیش بینی 5 ثانیه استفاده کردیم. علاوه بر این، مراحل حذف نقاط پرت و خطاهای مشاهده مجموعه داده خام NGSIM به شرح زیر است:
(من)
نقاط دورافتاده حذف شده که شتاب آنها از خواص فیزیکی خودرو یا حد استقامت انسانی بیشتر است. [–8متر/س2،5متر/س2][ 36 ].
(II)
از یک چند جمله‌ای لاگرانژ پنج‌جمله‌ای (معادلات ( 8 ) و (9)) برای درون‌یابی مختصات پرت استفاده کرد.

لک(ایکس)=∏�=0،�≠من�ایکس–ایکس�ایکسک–ایکس�،
��(ایکس)=∑ک=0�لک(ایکس)�(ک)،

جایی که ایکس�،ایکسکمفاصل درون یابی هستند، �(ایکس)تابع درون یابی است، لک(ایکس)چند جمله ای درجه n و است ��(ایکس)نتیجه درونیابی چند جمله ای لاگرانژ است.

(iii)
از فیلتر کالمن برای حذف خطاهای ناشی از مشاهده و درونیابی استفاده می شود. شکل 3 تغییرات داده های پردازش شده را نشان می دهد. پس از پیش پردازش، این داده ها پایدارتر و کاربردی تر هستند.

4.2. تنظیمات پارامتر

(1)
معیارهای ارزیابی
ما نتایج را بر حسب ریشه میانگین مربعات خطا (RMSE) مسیرهای پیش‌بینی‌شده با توجه به مسیرهای واقعی آینده در یک افق پیش‌بینی 5 ثانیه ارزیابی می‌کنیم. یک مقدار RMSE کوچکتر نشان دهنده دقت پیش بینی بالاتر مدل است. به طور خاص، خطای پیش‌بینی در مرحله زمانی t آینده به شرح زیر است:

آرماس�تی=∑پ=1مترایکسپتی^–ایکسپتی2+�پتی^–�پتی2متر،

که در آن m تعداد نمونه های آزمایشی و ایکسپتی^–�پتی^و ایکسپتی–�پتیمختصات پیش‌بینی‌شده و واقعی خودرو p را به ترتیب در مرحله زمانی t نشان می‌دهد.

(2)
پارامترهای اصلی
مدل‌های درگیر در آزمایش ما همگی با فراپارامترهای یکسان برای اطمینان از قابلیت اطمینان تنظیم شده‌اند. رمزگذار و رمزگشا هر دو حالت 128 بعدی دارند، در حالی که اندازه لایه کانولوشن و نمایش محدودیت هر دو 32 است. �هآک�̲آره��فعال سازی با �=0.1برای همه لایه ها در آموزش، همه مدل ها از بهینه ساز Adam با استفاده می کنند �=0.001،�1=0.9،و �2=0.999. را هپ�جساعتو بآتیجساعت̲سمن�هبه ترتیب 128 و 8 تنظیم می شوند.

4.3. مدل های مقایسه شده

ما مدل ها و تنظیمات سیستم زیر را با هم مقایسه می کنیم:
  • Vanilla LSTM (V-LSTM): V-LSTM بر روی ساختار seq2seq با یک رمزگذار LSTM و یک رمزگشا LSTM ساخته شده است. به عنوان یک مدل پایه، فقط مسیر تاریخی وسیله نقلیه هدف را بدون در نظر گرفتن سایر عوامل ورودی می گیرد.
  • LSTM با ادغام اجتماعی کاملاً متصل (S-LSTM): ما این خط پایه را مطابق [ 5 ] پیاده سازی می کنیم. متفاوت از V-LSTM، S-LSTM همچنین دارای مسیرهای تاریخی وسایل نقلیه اطراف است. نمایش رمزگذاری شده خودروی هدف و وسایل نقلیه اطراف قبل از ارسال به رمزگشا با یک لایه کاملاً متصل ترکیب می شود.
  • LSTM با ادغام اجتماعی کانولوشن (CS-LSTM): مشابه S-LSTM، CS-LSTM همچنین دارای مسیرهای تاریخی وسیله نقلیه هدف و وسایل نقلیه اطراف است. با این حال، CS-LSTM از شبکه عصبی کانولوشن برای یادگیری تعامل بین وسیله نقلیه هدف و وسایل نقلیه اطراف استفاده می کند. جزئیات بیشتر در مورد CS-LSTM را می توان در [ 4 ] یافت.
  • شبکه توجه آگاه از زمینه پویا (DCAN): DCAN با یک رمزگذار LSTM و یک رمزگشای توجهی که در بخش 3 توضیح داده شده است، پیاده سازی می شود که همان DSCAN پیشنهادی ما است. مکانیزم توجه را برای اختصاص وزن های مختلف به وسایل نقلیه اطراف اضافه می کند. ما این مدل پایه را برای نشان دادن اثربخشی شبکه محدودیت تنظیم کردیم.
  • DSCAN: این مدل کامل توصیف شده در این مقاله است که از رمزگذار LSTM، شبکه محدودیت و رمزگشای توجه تشکیل شده است. متفاوت از DCAN، DSCAN نه تنها مسیرهای تاریخی وسیله نقلیه هدف و وسایل نقلیه اطراف، بلکه اطلاعات محیطی را نیز در نظر می گیرد.

4.4. نتایج

جدول 1 مقادیر RMSE را برای مدل های مقایسه شده نشان می دهد. در افق پیش‌بینی 5 ثانیه، DSCAN از سایر مدل‌ها از نظر مقادیر RMSE بهتر عمل می‌کند و کارایی مدل پیشنهادی ما را نشان می‌دهد.
ما توجه می کنیم که مدل V-LSTM مقادیر RMSE بالاتری نسبت به مدل های دیگر در هر مرحله زمانی تولید می کند. این مدل به سادگی از تاریخچه مسیر خودروی ego استفاده می کند، در حالی که S-LSTM و CS-LSTM از اطلاعات حرکت وسایل نقلیه اطراف استفاده می کنند. این نشان می دهد که فعل و انفعالات بین وسیله نقلیه تاثیر قابل توجهی بر پیش بینی مسیر دارند.
همچنین توجه می کنیم که مقدار RMSE مدل DCAN در مقایسه با S-LSTM و CS-LSTM در هر مرحله زمانی به طور قابل توجهی کاهش می یابد. در پیش‌بینی طولانی مدت (5 ثانیه)، DCAN دقت پیش‌بینی را تا 7 درصد در مقایسه با CS-LSTM بهبود می‌بخشد. این نشان می دهد که توجه به تغییر تعامل در طول زمان مفید است. مکانیسم توجه، بردارهای میانی مختلفی را در طول دوره پیش‌بینی به جای بردارهای مشابه در CS-LSTM ارائه می‌کند، که از دست دادن اطلاعات را کاهش می‌دهد و منجر به بهبود دقت پیش‌بینی مسیر می‌شود.
در نهایت، DSCAN که از اطلاعات زمینه پویا و استاتیک استفاده می کند، مقدار RMSE را بیشتر کاهش می دهد. به طور خاص، دقت پیش‌بینی DSCAN 1٪ بالاتر از DCAN در 5 ثانیه بهبود می‌یابد. این نشان می دهد که اطلاعات زمینه ایستا معرفی شده از طریق شبکه محدودیت نیز یک نشانه ارزشمند برای پیش بینی مسیر است. وسایل نقلیه در بزرگراه می توانند خط را در همان جهت تغییر دهند اما نمی توانند از مرز جاده عبور کنند. بنابراین، مسیر پیش‌بینی‌شده باید توسط مرزهای خطوط محدود شود، به‌ویژه زمانی که وسیله نقلیه در هر دو طرف خطوط حرکت می‌کند. شبکه محدودیت باعث می‌شود که پیش‌بینی به جای عبور از مرز به سمت داخل جاده گرایش پیدا کند تا به نتیجه DSCAN کمک کند به مسیر واقعی خودرو نزدیک‌تر شود.

5. بحث

یکی از مزایای مکانیسم توجه این است که وزن های تولید شده قابل تفسیر هستند. در این بخش، ما نتایج پیش‌بینی‌های انجام شده توسط مدل خود را برای درک بیشتر رفتار آن تجزیه و تحلیل می‌کنیم.

5.1. تجزیه و تحلیل توزیع توجه

وزن های محاسبه شده در هر مرحله زمانی را می توان به عنوان عادی سازی همبستگی تعامل بین خودرو در نظر گرفت. در هر افق پیش‌بینی‌شده t (t ≤ 5 ثانیه)، هر چه وزن شبکه بیشتر باشد، تأثیر وسیله نقلیه بر حرکت شی تحقیقاتی مهم‌تر است. ما وزن توجه را در فرآیند استدلال برای تجزیه و تحلیل بیشتر مکانیسم مدل خود تجسم می کنیم ( شکل 4 ). یافته ها به شرح زیر است:
(1) ارزش وزن با فاصله کاهش می یابد: به طور کلی، وزن وسایل نقلیه اطراف با افزایش فاصله تا وسیله نقلیه تحقیقاتی کاهش می یابد ( شکل 4 a). این ویژگی در قسمت عقب خودرو بیشتر به چشم می خورد، اما توزیع وزن موضعی در جلو با آن مطابقت ندارد. ممکن است توضیح داده شود که هنگام رانندگی به جلو، فاصله ایمن از جلو در نظر گرفته شده است، و برخی از وسایل نقلیه دورتر در محدوده جلو تأثیر بیشتری بر هدف تحقیق دارند. فراتر از این محدوده، توزیع وزن دوباره با قانون مطابقت دارد. همچنین توجه می‌کنیم که وزن‌های همسایگی موضوع تحقیق ناچیز است. این توزیع احتمال کم نیز ناشی از مسافت ایمن رانندگی است.
(2) توزیع وزن جهت دار است: برجسته ترین یافته ای که از تجزیه و تحلیل به دست می آید این است که وزن شبکه های جلو بیشتر از وزن شبکه های عقب است. این با سناریوهای واقعی سازگار است. رانندگان معمولاً روی جلو تمرکز می کنند تا خود را با توجه به حرکت وسایل نقلیه جلو تنظیم کنند.
(3) مقدار وزن همان خط بیشتر است: یافته دیگر این است که وزن شبکه همان خط همیشه بیشتر از وزن خطوط مجاور در همان فاصله است. یک توضیح احتمالی برای این ممکن است این باشد که یک وسیله نقلیه معمولاً به جای تغییر خط مکرر، مستقیم می راند. از آنجایی که مقادیر را در اینجا میانگین می کنیم، برخی از نمونه های با وزن زیاد خطوط مجاور نمایش داده نمی شوند.
(4) با افزایش زمان، مقدار وزن اطراف به سمت میانگین گرایش پیدا می‌کند: در افق پیش‌بینی‌شده، مهم‌ترین یافته این است که مقادیر وزن شبکه‌های با وزن زیاد با زمان کاهش می‌یابد در حالی که شبکه‌های با وزن کوچک برعکس هستند ( شکل 4 ب). . این نتیجه ممکن است با این واقعیت توضیح داده شود که حرکت وسایل نقلیه اطراف در آینده نامشخص است و این عدم قطعیت در طول زمان انباشته می شود. برای کاهش تأثیر تجمعی این عدم قطعیت در پیش‌بینی طولانی‌مدت، رمزگشای توجه به دید بزرگ‌تری توجه می‌کند. این امر منجر به کاهش وزن نسبتاً در محدوده کوچک و افزایش نسبتاً وزن در محدوده بزرگ می شود.

5.2. تحلیل سناریو

شکل 5توزیع وزن توجه را با زمان پیش بینی شده در سناریوهای مختلف، از جمله تغییر خطوط چپ و راست و رانندگی مستقیم نشان می دهد. واضح است که وزن توجه عمدتاً در شبکه های وسایل نقلیه توزیع می شود. در فرآیند پیش‌بینی، DSCAN توزیع را با توجه به حرکت خودرو تنظیم می‌کند. توجه داریم که مکانیسم توجه دائماً تنظیم می شود تا با تغییر موقعیت جانبی، وزن بیشتری به خط هدف اختصاص دهد. به ویژه، هنگام تغییر به لاین سمت راست (سناریوی 2)، وزن وسیله نقلیه در جلو سمت راست بیشتر می شود. این ناهماهنگی به دلیل رمزگشای توجه است که معتقد است خودروی دورتر باید پس از چند ثانیه مورد توجه قرار گیرد. مدل ما با توجه به تعامل آگاه است و می تواند بردارهای میانی مختلف مربوطه را ایجاد کند.

6. نتیجه گیری

با در نظر گرفتن اطلاعات پویا و استاتیکی که توسط وسایل نقلیه در حال حرکت مواجه می‌شوند، این مقاله یک شبکه توجه آگاه از زمینه پویا و ایستا (DSCAN) را برای پیش‌بینی مسیر پیشنهاد می‌کند. ما مکانیسم توجه را برای تنظیم توزیع وزن تعامل بین خودرو در طول دوره پیش‌بینی معرفی می‌کنیم. علاوه بر این، ما یک شبکه محدودیت توسعه‌پذیر برای استخراج ساختارهای جاده‌ای متعدد پیشنهاد می‌کنیم. DSCAN یک شبکه ترکیبی چند اطلاعاتی است که در آن نتایج پیش‌بینی‌شده نزدیک به سناریوهای رانندگی واقعی است. از طریق آزمایش‌ها روی مجموعه داده‌های دنیای واقعی، نشان می‌دهیم که DSCAN از برخی روش‌های پیش‌بینی مسیر مبتنی بر LSTM بهتر عمل می‌کند. مدل پیشنهادی ما بینش‌هایی را برای پیش‌بینی مسیر وسیله نقلیه ارائه می‌کند و ممکن است در سیستم رانندگی خودمختار اعمال شود.
تعمیم پذیری نتایج ما منوط به محدودیت های خاصی است. به عنوان مثال، مجموعه داده فقط از بخش های بزرگراه تشکیل شده است در حالی که ساختار و مشارکت کنندگان ترافیک جاده های مشترک پیچیده تر از ما هستند. کار بیشتر باید انجام شود تا این نشانه ها در مدل گنجانده شود. ما معتقدیم که مدل DSCAN با اطلاعات بیشتر عملکرد بهتری خواهد داشت.

منابع

  1. لیو، ی. وانگ، ایکس. تفاوت در انتقال قصد رانندگی ناشی از تحولات احساس راننده. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2020 , 17 , 6962. [ Google Scholar ] [ CrossRef ]
  2. پارک، SH; کیم، بی. کانگ، سی ام. چانگ، سی سی; Choi، JW پیش بینی ترتیب به دنباله مسیر وسیله نقلیه از طریق معماری رمزگذار-رمزگشا LSTM. در مجموعه مقالات سمپوزیوم وسایل نقلیه هوشمند IEEE 2018 (IV)، چانگشو، چین، 26 تا 30 ژوئن 2018؛ صفحات 1672-1678. [ Google Scholar ]
  3. ساکاتا، ن. کینوشیتا، ی. Kato, Y. پیش‌بینی مسیر عابر پیاده با استفاده از seq2seq برای ناوبری ربات متحرک. در مجموعه مقالات کنفرانس سالانه IECON 2018-44 انجمن الکترونیک صنعتی IEEE، واشنگتن دی سی، ایالات متحده آمریکا، 21 تا 23 اکتبر 2018؛ صص 4300–4305. [ Google Scholar ]
  4. دیو، ن. Trivedi، MM گردآوری اجتماعی کانولوشن برای پیش‌بینی مسیر خودرو. در مجموعه مقالات کنفرانس IEEE در کارگاه های آموزشی بینایی کامپیوتری و تشخیص الگو، سالت لیک سیتی، UT، ایالات متحده آمریکا، 18 تا 22 ژوئن 2018؛ ص 1468-1476. [ Google Scholar ]
  5. الهی، ع. گوئل، ک. راماناتان، وی. Robicquet، A. فی فی، ال. Savarese, S. Social lstm: پیش بینی مسیر انسان در فضاهای شلوغ. در مجموعه مقالات کنفرانس IEEE در مورد بینایی کامپیوتری و تشخیص الگو، لاس وگاس، NV، ایالات متحده، 26 ژوئن تا 1 ژوئیه 2016. ص 961-971. [ Google Scholar ]
  6. لفور، اس. واسکز، دی. Laugier, C. نظرسنجی در مورد پیش‌بینی حرکت و ارزیابی ریسک برای وسایل نقلیه هوشمند. Robomech J. 2014 ، 1 ، 1-14. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. هیلنبراند، جی. اسپایکر، AM; Kroschel، K. رویکرد کاهش برخورد چند سطحی – ارزیابی وضعیت، تصمیم‌گیری و معاوضه عملکرد. IEEE Trans. هوشمند ترانسپ سیستم 2006 ، 7 ، 528-540. [ Google Scholar ] [ CrossRef ]
  8. پلی کرونوپولوس، آ. سوگاس، م. Amditis، AJ; Andreone، L. همجوشی حسگر برای پیش‌بینی مسیر وسایل نقلیه برای سیستم‌های اجتناب از برخورد. IEEE Trans. هوشمند ترانسپ سیستم 2007 ، 8 ، 549-562. [ Google Scholar ] [ CrossRef ]
  9. باتز، تی. واتسون، ک. Beyerer, J. شناخت موقعیت های خطرناک در یک گروه تعاونی از وسایل نقلیه. در مجموعه مقالات سمپوزیوم وسایل نقلیه هوشمند IEEE 2009، شیان، چین، 3 تا 5 ژوئن 2009. ص 907-912. [ Google Scholar ]
  10. عمون، س. نشاشیبی، ف. پیش‌بینی مسیر زمان واقعی برای تخمین خطر برخورد بین وسایل نقلیه. در مجموعه مقالات پنجمین کنفرانس بین المللی IEEE در سال 2009 در زمینه ارتباطات و پردازش کامپیوتری هوشمند، کلوژ-ناپوکا، رومانی، 27-29 اوت 2009. صص 417-422. [ Google Scholar ]
  11. آلتوف، ام. Mergel, A. مقایسه انتزاع زنجیره مارکوف و شبیه سازی مونت کارلو برای ارزیابی ایمنی خودروهای خودران. IEEE Trans. هوشمند ترانسپ سیستم 2011 ، 12 ، 1237-1247. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. آتیو، اس. میلر، جی. پاپانیکولوپولوس، NP خوشه بندی مسیرهای خودرو. IEEE Trans. هوشمند ترانسپ سیستم 2010 ، 11 ، 647-657. [ Google Scholar ] [ CrossRef ]
  13. کومار، پی. پرولاز، م. لوفور، اس. Laugier, C. رویکرد مبتنی بر یادگیری برای پیش‌بینی قصد تغییر خط آنلاین. در مجموعه مقالات سمپوزیوم وسایل نقلیه هوشمند IEEE 2013 (IV)، ساحل طلایی، QLD، استرالیا، 23 تا 26 ژوئن 2013. صص 797-802. [ Google Scholar ]
  14. کیائو، اس. شن، دی. وانگ، ایکس. هان، ن. Zhu، W. یک رویکرد پیش‌بینی مسیر انتخاب پارامتر از طریق مدل‌های پنهان مارکوف. IEEE Trans. هوشمند ترانسپ سیستم 2014 ، 16 ، 284-296. [ Google Scholar ] [ CrossRef ]
  15. هوئنو، ا. بونیفیت، پ. شرفاوی، وی. Yao, W. پیش‌بینی مسیر وسیله نقلیه بر اساس مدل حرکت و تشخیص مانور. در مجموعه مقالات کنفرانس بین المللی IEEE/RSJ 2013 در مورد ربات ها و سیستم های هوشمند، توکیو، ژاپن، 3 تا 7 نوامبر 2013. صص 4363-4369. [ Google Scholar ]
  16. شلختریمن، جی. ویرتمولر، اف. ودل، ا. بروئل، جی. Kuhnert، KD چه زمانی خط را تغییر می دهد؟ یک رویکرد رگرسیون احتمالی برای رویدادهای نادر. در مجموعه مقالات سمپوزیوم وسایل نقلیه هوشمند IEEE 2015 (IV)، سئول، کره، 28 ژوئن تا 1 ژوئیه 2015؛ صص 1373–1379. [ Google Scholar ]
  17. لئون، اف. Gavrilescu، M. مروری بر روش‌های ردیابی و پیش‌بینی مسیر برای رانندگی خودمختار. Mathematics 2021 , 9 , 660. [ Google Scholar ] [ CrossRef ]
  18. خو، ک. Qin، Z. وانگ، جی. هوانگ، ک. آره.؛ Zhang، H. lstm بدون برخورد برای پیش‌بینی مسیر انسان. در کنفرانس بین المللی مدل سازی چند رسانه ای ; Springer: Cham, Switzerland, 2018; صص 106-116. [ Google Scholar ]
  19. گوپتا، ا. جانسون، جی. فی فی، ال. ساوارس، اس. الهی، ع. گان اجتماعی: مسیرهای قابل قبول اجتماعی با شبکه های متخاصم مولد. در مجموعه مقالات کنفرانس IEEE در مورد بینایی کامپیوتری و تشخیص الگو، سالت لیک سیتی، UT، ایالات متحده آمریکا، 18 تا 22 ژوئن 2018؛ ص 2255-2264. [ Google Scholar ]
  20. خو، ی. ژائو، تی. بیکر، سی. ژائو، ی. Wu، YN پیش‌بینی مسیر یادگیری با کنترل بهینه معکوس پیوسته از طریق نمونه‌برداری Langevin از مدل‌های مبتنی بر انرژی. arXiv 2019 ، arXiv:1904.05453. [ Google Scholar ]
  21. یون، ی. کیم، تی. لی، اچ. پارک، جی. پیش‌بینی مسیر آگاه از جاده برای رانندگی خودکار در بزرگراه‌ها. Sensors 2020 , 20 , 4703. [ Google Scholar ] [ CrossRef ]
  22. Staudemeyer، RC; Morris, ER Understanding LSTM – آموزش شبکه های عصبی بازگشتی با حافظه کوتاه مدت. arXiv 2019 ، arXiv:1909.09586. [ Google Scholar ]
  23. چوی، دی. ییم، جی. بایک، ام. Lee, S. پیش‌بینی مسیر خودرو مبتنی بر یادگیری ماشین با استفاده از ارتباطات V2V و حسگرهای روی برد. Electronics 2021 , 10 , 420. [ Google Scholar ] [ CrossRef ]
  24. لی، ن. چوی، دبلیو. ورنازا، پ. چوی، CB; Torr، PH; Chandraker، M. Desire: پیش بینی آینده دور در صحنه های پویا با عوامل تعاملی. در مجموعه مقالات کنفرانس IEEE در مورد دید رایانه و تشخیص الگو، هونولولو، HI، ایالات متحده آمریکا، 21 تا 26 ژوئیه 2017؛ صص 336-345. [ Google Scholar ]
  25. داس، اس. دوتا، ا. Sun، X. الگوهای تصادفات هوای بارانی: اعمال قوانین استخراج. J. Transp. ساف امن 2020 ، 12 ، 1083-1105. [ Google Scholar ] [ CrossRef ]
  26. زو، دی. شن، جی. لیو، دی. چن، جی. Zhang، Y. FCG-aspredictor: رویکردی برای پیش‌بینی سرعت متوسط ​​بخش‌های جاده با داده‌های GPS شناور خودرو. Sensors 2019 , 19 , 4967. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. دی، KC; رایاماجی، ع. چاودری، ام. بهاوسار، پ. مارتین، جی. ارتباط خودرو به خودرو (V2V) و وسیله نقلیه به زیرساخت (V2I) در یک شبکه بی‌سیم ناهمگن – ارزیابی عملکرد. ترانسپ Res. قسمت C 2016 ، 68 ، 168-184. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. میلانز، وی. ویلگرا، جی. گودوی، جی. سیمو، جی. پرز، جی. Onieva، E. یک سیستم مدیریت ترافیک هوشمند مبتنی بر V2I. IEEE Trans. هوشمند ترانسپ سیستم 2012 ، 13 ، 49-58. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. چنگ، اچ تی. کوک، ال. هارمسن، جی. تکان خورده، تی. چاندرا، تی. آرادیه، ح. شاه، اچ. یادگیری گسترده و عمیق برای سیستم های توصیه گر. در مجموعه مقالات اولین کارگاه یادگیری عمیق برای سیستم‌های توصیه‌کننده، بوستون، MA، ایالات متحده آمریکا، 15 سپتامبر 2016. صص 7-10. [ Google Scholar ]
  30. گوا، اچ. تانگ، آر. بله، ی. لی، ز. He, X. DeepFM: یک شبکه عصبی مبتنی بر ماشین فاکتورسازی برای پیش‌بینی CTR. arXiv 2017 , arXiv:1703.04247. [ Google Scholar ]
  31. بهداناو، د. چو، ک. Bengio، Y. ترجمه ماشینی عصبی با یادگیری مشترک تراز و ترجمه. arXiv 2014 ، arXiv:1409.0473. [ Google Scholar ]
  32. خو، ک. با، ج. کیروس، آر. چو، ک. کورویل، آ. سالاخودینوف، ر. زمل، آر. Bengio، Y. نشان دهید، حضور پیدا کنید و بگویید: تولید شرح تصویر عصبی با توجه بصری. در مجموعه مقالات سی و دومین کنفرانس بین المللی یادگیری ماشین، لیل، فرانسه، 6 تا 11 ژوئیه 2015؛ صفحات 2048–2057. [ Google Scholar ]
  33. چوروفسکی، جی. بهداناو، د. سردیوک، دی. چو، ک. Bengio، Y. مدل‌های مبتنی بر توجه برای تشخیص گفتار. arXiv 2015 ، arXiv:1506.07503. [ Google Scholar ]
  34. راش، AM؛ چوپرا، اس. وستون، جی. یک مدل توجه عصبی برای خلاصه کردن جمله انتزاعی. arXiv 2015 ، arXiv:1509.00685. [ Google Scholar ]
  35. لین، ال. گونگ، اس. پیتا، اس. Wu, X. پیش‌بینی مسیر طولی وسیله نقلیه مبتنی بر حافظه کوتاه‌مدت انسان محور در یک محیط خودروی متصل و خودمختار. ترانسپ Res. ضبط 2021 . [ Google Scholar ] [ CrossRef ]
  36. مونتانینو، ام. Punzo، V. ساختن داده های NGSIM قابل استفاده برای مطالعات بر روی نظریه جریان ترافیک: روش چند مرحله ای برای بازسازی مسیر خودرو. ترانسپ Res. ضبط 2013 ، 2390 ، 99-111. [ Google Scholar ] [ CrossRef ]
Ijgi 10 00336 g001 550
شکل 1. معماری شبکه توجه آگاه از زمینه پویا و استاتیک پیشنهادی (DSCAN). تاریخچه مسیر و محدودیت های محیطی توسط ماژول ها در نظر گرفته می شود و رمزگشای توجه از نمایش پیوسته برای پیش بینی مسیر خودرو استفاده می کند.
Ijgi 10 00336 g002 550
شکل 2. فرآیند شبکه محدودیت: این شبکه برای استخراج محدودیت های محیطی طراحی شده است. ویژگی های تعبیه شده به هم پیوسته و فعال می شوند تا یک تانسور برای مرحله زمانی بعدی تشکیل دهند.
Ijgi 10 00336 g003 550
شکل 3. مقایسه قبل و بعد از پیش پردازش داده ها: ( الف ) مقایسه سرعت لحظه ای وسیله نقلیه شماره 1882 در I-80 و ( ب ) مقایسه شتاب لحظه ای وسیله نقلیه شماره 1882 در I-80.
Ijgi 10 00336 g004 550
شکل 4. نتایج تجسم میانگین وزن نمونه های آزمایشی: ( الف ) توزیع توجه زمانی که زمان پیش بینی 1 ثانیه، 3 ثانیه و 5 ثانیه است (شبکه تیره تر نشان دهنده وزن بیشتر است). ( ب ) وزن توجه (خط وسط) در افق 5 ثانیه (خط نقطه چین سیاه موقعیت شیء تحقیق است).
Ijgi 10 00336 g005 550
شکل 5. توزیع وزن توجه تحت سناریوهای مختلف. ردیف های 1، 2 و 3 با سه سناریو مختلف رانندگی مطابقت دارند. ستون “a” مسیرهای حقیقت پایه را نشان می دهد، در حالی که ستون های “b”، “c” و “d” به ترتیب، توزیع توجه 1s، 3s، و 5s را در آینده به تصویر می کشند.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید