为识别自动驾驶条件下驾驶员的细分行为意图,通过搭建驾驶模拟器以及虚拟场景,并采用角传感器、踏板位移、力传感器等,进行加速、制动、转弯、巡航及驻车制动等多种工况的驾驶员在环实验。利用所得车辆运行以及驾驶员驾驶数据,进行数据...为识别自动驾驶条件下驾驶员的细分行为意图,通过搭建驾驶模拟器以及虚拟场景,并采用角传感器、踏板位移、力传感器等,进行加速、制动、转弯、巡航及驻车制动等多种工况的驾驶员在环实验。利用所得车辆运行以及驾驶员驾驶数据,进行数据归一化处理,并提出一种基于融合多头注意力机制(Multi-Head Attention)和门控循环单元(gatere current unit,GRU)的驾驶员意图识别模型,将处理数据作为模型输入,识别驾驶者多种细分驾驶意图。研究结果表明:相较于长短期记忆神经网络、单一GRU等方法,融合多头注意力机制和GRU网络模型,其精准率、模型收敛速度更优;利用多头注意力机制进行输入权重分配有助于提高驾驶意图识别模型的分类性能。本研究有助于识别多种细分驾驶意图,进而为智能驾驶辅助系统决策、控制提供参考。展开更多
文摘为识别自动驾驶条件下驾驶员的细分行为意图,通过搭建驾驶模拟器以及虚拟场景,并采用角传感器、踏板位移、力传感器等,进行加速、制动、转弯、巡航及驻车制动等多种工况的驾驶员在环实验。利用所得车辆运行以及驾驶员驾驶数据,进行数据归一化处理,并提出一种基于融合多头注意力机制(Multi-Head Attention)和门控循环单元(gatere current unit,GRU)的驾驶员意图识别模型,将处理数据作为模型输入,识别驾驶者多种细分驾驶意图。研究结果表明:相较于长短期记忆神经网络、单一GRU等方法,融合多头注意力机制和GRU网络模型,其精准率、模型收敛速度更优;利用多头注意力机制进行输入权重分配有助于提高驾驶意图识别模型的分类性能。本研究有助于识别多种细分驾驶意图,进而为智能驾驶辅助系统决策、控制提供参考。
