基于观测数据潜在特征与双向长短期记忆网络的车辆轨迹预测

摘要

针对传统算法无法满足复杂交通场景下无人驾驶车辆对周围运动车辆轨迹预测需求的问题,提出一种基于观测数据潜在特征与双向长短期记忆(BiLSTM)网络的车辆轨迹预测方法。首先利用一维卷积神经网络(1DCNN)提取由传感器所获取的车辆运行状态观测数据的潜在特征,然后将以序列方式构造的具有时空关系的特征向量作为BiLSTM网络的输入数据,最后利用车辆运行数据对所构建的1DCNN-BiLSTM模型进行训练,形成期望的输入输出映射关系,从而预测车辆的行驶轨迹。试验结果表明,1DCNN-BiLSTM相比传统方法能更加准确有效地处理序列数据,对车辆运行轨迹预测的效果也具有较高的鲁棒性。