基于改进极限学习机和深度神经网络融合的车辆轨迹长期预测
谭紫阳 高忠文 邓宇 (
………………………………………………
针对轨迹预测中基于物理的运动模型长期预测(超过 不可靠、深度学习预测模型易产生梯度消失或梯度爆炸的问题,提出了一种将改进极限学习机( 和深度神经网络进行信息融合的预测模型。改进的极限学习机以模拟退火粒子群优化( 算法为基础,改进的深度神经网络使用修正线性单元( 函数替换激活函数,并使用均方根反向传播( 算法来优化深度神经网络,试验结果表明,提出的预测算法具有较高的预测精度。
率图模型[5]、支持向量机模型[6]、神经网络模型等机器学习模型进行改进,挖掘移动对象历史轨迹的行为特征,
Long
实现移动对象轨迹预测。特别地,长期短期记忆(
Short- Term Memory,LSTM)
网络已成功应用于分析数据中的时间结构[7]以及横向位置预测[8]和驾驶员意图预
Byeoungdo Kim LSTM
测[9]等领域。 直接将 网络应用于
Florent Altché预测车辆在网格上的轨迹[10]。 提出了一
LSTM
种用于公路轨迹预测的 网络,该网络利用了目标车辆周围车辆的信息[11]。分析现有的机器学习模型可以发现:高斯和马尔科夫等模型的训练需要耗费大量时间[12- 14],预测的时空复杂度高,不能满足实时预测的要求;时间序列法易受外界条件影响,预测精度较低。此外,因为前期模型的训练不足,对于不同类型的道路会无法适应。
针对上述问题,为了更加可靠地预测车辆轨迹,
Deep Neural
本文提出一种基于深度神经网络(
Networks,DNN)
的多元信息融合方法来解决回归问
1s 2s 3s
题,以期在 、 、 的预测中得到较好的效果。
2 2.1融合的神经网络模型模型结构
为了更加可靠地预测车辆轨迹,本文提出了一种基
DNN
于深度神经网络的多元信息融合方法,利用 、极限
Extreme Learning Machine,ELM)
学习机( 建立模型,该模型将车辆速度、加速度、偏航角速度、转向角和道路曲率作为输入。深度神经网络可以通过输入数据、模型建立训练和测试网络进行预测[15- 16]。极限学习机的优势有[17]:需要手动设置的参数只有隐含层结点个数,算法执行过程中不需要人工调整参数;避免了传统训练算法反复迭代的过程,快速收敛,极大地缩短了训练时间;所得解是唯一最优解,保证了网络的泛化性能。将相同数
2 DNN ELM),
据分别输入到 个性能不同的神经网络( 、
2
将 个神经网络融合,可获得不同神经网络的优点。因此,多信息融合系统将比使用单个网络具有更好的性
3
能。其中,融合系统分为 个部分:数据处理、信息收集和结果信息融合。采用基于深度神经网络的信息融合预测方法可以构建无需设计且具有复杂方程的系统模型。此外,通过扩展当前的仿真场景,该方法可以很容易地扩展到在各种驾驶场景中预测车辆的轨迹。
[- 1,1]
将输入数据归一化到 范围内,主要方法是将
2
信息反映到共同的描述空间,然后单独输入 个神经网
DNN ELM
络,其中 和 的隐藏层分别为hDNN、hELM,然后通
1 2
过 个完全连接(融合)层融合 个神经网络的隐含层输1
出,模型结构如图 所示。将来自融合层的输出传递到1s 2s 3s
输出层进行预测,输出层分别计算 、 、 预测的横向和纵向位置。融合层执行的计算为:
= tanh( Wf[hDNN ; hELM]+ bf) 1) e (式中, Wf、bf为学习到的模型参数;为融合层的输出。e训练过程的损失函数采用预测轨迹与地面真实轨
Mean Square Error,MSE):
迹之间的均方误差(
TΣ 2) =1 -
2
MSE y p (
=1
式中, yt为t时刻的实际位置; pt为t时刻位置的预测值; T
为总体时间。此时,神经网络结果的融合已经生成,信息融合已经完成。
2.2 DNN网络设计
DNN
用于轨迹预测时,可以对各种驾驶条件和驾驶模式进行训练,在离线阶段的训练过程中计算连接的权重。为了提高车辆轨迹预测的准确性,进行了离线训练,其中包括各种道路曲率的各种驾驶场景。输入的数据经过输入层和多个隐藏层到达输出层,每个层由几个节点组成。数据在层间传输时需要乘以权重,隐藏层需
Sigmoid
要通过激活函数将数据传送到下一层。 和双曲正切函数是常用的激活函数,但是,这两种激活函数可能产生梯度消失的问题,因为当存在许多隐藏层时,数据不会正确地传播到输入层,这影响了网络的成功训
Rectified
练。此问题可以通过使用修正线性单元(
Linear Unit,ReLU) ReLU
函数替换激活函数来解决, 函
ReLU
数在输入数据大于零时输出与输入相同。然而,
DNN
函数不适合在本模型中使用,因为 模型的最终输出包括预测未来的横向运动。这里使用带泄露修正线
Leaky ReLU) Leaky ReLU
性单元( 激活函数, 激活函数
假设隐藏层激活函数为1,
为 网络输出 为:
其中:
真环境。从车辆驾驶模拟中获得了用于学习和验证的必要数据集,从模拟试验收集了车辆状态信息,同时在
Lankershim Boulevard Dataset
真实数据集 上进行了验证。车辆状态信息包括车速、加速度、偏航角速度、车轮转向角和道路曲率。为评估本文提出的车辆轨迹预测方法的可靠性,针
Mean Square Error,MSE)
对每个预测项计算均方误差(
Standard Deviation,Std Dev) 70%
和标准偏差( 。使用 的
20% 10%
模拟数据进行训练,另外 用于验证,其余 用于
2
测试。用于测试的数据集是在 条弯曲道路组成的单
2
独模拟驾驶场景中收集的。仿真场景如图 所示,车速
72 km/h
设定为 。
4结束语
本文提出了一种基于改进极限学习机和深度神经网络融合的车辆轨迹预测方法,改进的极限学习机以模拟退火粒子群优化算法为基础,改进的深度神经网络使用修正线性单元函数替换激活函数,并使用均方根反向传播算法来优化深度神经网络。模拟结果验证了该方法在道路曲率变化工况下的可行性。在未来的工作中,该方法将扩展到基于周围环境中其他车辆进行轨迹预测,以及碰撞检测和警告算法的研究。
参考文献