基于轨迹预测和极限梯度提升的驾驶意图识别

摘要

为实现智能网联车对周围车辆驾驶意图的准确辨识，提出了一种基于轨迹预测与极限梯度提升算法（XGBoost）的驾驶意图识别框架。首先，通过标注车辆历史轨迹的驾驶意图来建立离线训练数据集。其次，构建驾驶意图识别框架，通过混合示教的长短时记忆网络（LSTM）模块预测目标车辆的未来轨迹，XGBoost模块融合历史轨迹和未来轨迹来识别出驾驶意图。最后，采用实际道路数据集NGSIM(Next Generation SIMulation)US101和I-80路段来验证模型框架。实验结果表明：该方法在4 s历史轨迹预测3 s未来轨迹处识别准确率可达97.7%，表现出较强的驾驶意图识别能力。实现代码见网站：https：∥gitee.com/fanghz-colin/lstm-xgboost.git。

关键词

交通工程 / 长短时记忆网络 / 极限梯度提升 / 智能网联车 / 驾驶意图识别