融合逻辑判断机制的CNN-GRU换道意图识别方法

摘要

为了提升驾驶辅助系统的可靠性，进而确保行车安全，准确地识别车辆的换道意图是一个关键策略.为此提出一种基于卷积神经网络（convolutional neural network, CNN）和门控循环单元（gated recurrent unit, GRU）并融合逻辑判断机制的换道意图识别方法，能够对车辆换道意图进行有效识别.首先，基于驾驶模拟器记录了20名志愿者的驾驶行为信息，涵盖了左换道、右换道和直行3类数据，用于构建换道意图样本集.其次，采用车辆行驶特征和驾驶员行为数据构建CNN-GRU模型，通过CNN层提取特征并作为GRU层的输入.最后，在意图识别网络中融合了逻辑判断层，通过设置概率阈值的方式，解决换道意图在时间序列上的前后依赖问题.为了验证所提方法的有效性，与融合了CNN的长短期记忆（long short-term memory, LSTM）网络和GRU进行对比分析.研究结果显示，提出的模型在识别左换道、右换道和直行行为时，准确率分别达到了98.5%、96.7%和95.2%，相比其他模型展现出更高的识别精度.

关键词

汽车工程 / 汽车安全 / 主动安全系统 / 深度学习 / 卷积神经网络

基金资助

国家自然科学基金资助项目（51405050）; 汽车噪声振动和安全技术国家重点实验室开放基金资助项目（NVHSKL-202004）; 重庆市技术创新与应用发展专项面上项目（cstc2019jscx-msxmX0412）; 重庆理工大学研究生教育高质量发展行动计划资助成果（gzlcx20222119）