摘要：自動駕駛汽車需具備預(yù)測周圍車輛軌跡的能力,以便做出合理的決策規(guī)劃,提高行駛安全性和乘坐舒適性。運(yùn)用深度學(xué)習(xí)方法,設(shè)計了一種基于長短時記憶(LSTM)網(wǎng)絡(luò)的駕駛意圖識別及車輛軌跡預(yù)測模型,該模型由意圖識別模塊和軌跡輸出模塊組成。意圖識別模塊負(fù)責(zé)識別駕駛意圖,其利用Softmax函數(shù)計算出駕駛意圖分別為向左換道、直線行駛、向右換道的概率;軌跡輸出模塊由編碼器-解碼器結(jié)構(gòu)和混合密度網(wǎng)絡(luò)(MDN)層組成,其中的編碼器將歷史軌跡信息編碼為上下文向量,解碼器結(jié)合上下文向量和已識別的駕駛意圖信息預(yù)測未來軌跡;引入MDN層的目的是利用概率分布來表示車輛未來位置,而非僅僅預(yù)測一條確定的軌跡,以提高預(yù)測結(jié)果的可靠性和模型的魯棒性。此外,將被預(yù)測車輛及其周圍車輛組成的整體視為研究對象,使模型能夠理解車-車間的交互式行為,響應(yīng)交通環(huán)境的變化,動態(tài)地預(yù)測車輛位置。使用基于真實路況信息的NGSIM(Next Generation SIMulation)數(shù)據(jù)集對模型進(jìn)行訓(xùn)練、驗證與測試。研究結(jié)果表明:與傳統(tǒng)的基于模型的方法相比,基于LSTM網(wǎng)絡(luò)的軌跡預(yù)測方法在預(yù)測長時域軌跡上具有明顯的優(yōu)勢,考慮交互式信息的意圖識別模塊具備更高的預(yù)判性和準(zhǔn)確率,且基于意圖識別的軌跡預(yù)測能降低預(yù)測軌跡與真實軌跡間的均方根誤差,顯著提高軌跡預(yù)測精度。