多交互车辆轨迹预测研究

摘要：

现有的车辆轨迹预测大多是单目标轨迹预测,无双向交互和关系推理,不能实现混合实体的交互建模.针对上述问题,结合强化学习的Q-learning算法和深度学习的LSTM网络,设计一个完全可扩展的轨迹预测模型Q-LSTM.该模型中,LSTM网络捕获了车辆轨迹的时间特性,而Q-learning算法则表示了多车辆的交互过程,因此Q-LSTM模型可以实现随机数量车辆多交互建模,并且在长期交互车辆轨迹预测中保证精确度.另外模型中考虑了车辆长宽与坐标之间的关系,避免出现异常的碰撞现象,适合用于多类型车辆轨迹预测的场景.在公开数据集HighD上进行了模型的性能分析实验,实验结果证明Q-LSTM模型在较长期交互车辆轨迹预测精度和减少碰撞现象等方面具有一定优势.

关键词：智慧交通、轨迹预测、长短记忆模型、强化学习

所属期刊栏目：57

分类号：U461.91;TP391(汽车工程)

资助基金：广西壮族自治区高等学校项目;广西壮族自治区哲学社会科学规划研究项目

在线出版日期：2021-06-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：232-238