基于端到端學(xué)習(xí)機(jī)制的高速公路行駛軌跡曲率預(yù)測(cè)*

焦新宇，楊殿閣，江 昆，曹 重，謝詩(shī)超，王思佳

（汽車安全與節(jié)能國(guó)家重點(diǎn)實(shí)驗(yàn)室，智能新能源汽車協(xié)同創(chuàng)新中心，清華大學(xué)汽車工程系，北京 100084）

前言

智能汽車駕駛決策是無人駕駛實(shí)現(xiàn)的關(guān)鍵技術(shù)。經(jīng)典的決策方法是基于人工控制邏輯，結(jié)合環(huán)境感知和車輛動(dòng)力學(xué)模型生成車輛行駛軌跡［1-2］。這種明確的控制邏輯最大優(yōu)勢(shì)就是可靠性高，但卻因?yàn)閳?chǎng)景和環(huán)境動(dòng)態(tài)的高度復(fù)雜性和多變性，需要人工針對(duì)性設(shè)定各種復(fù)雜的控制邏輯，這就需要人類知識(shí)的積累可以覆蓋車輛行駛時(shí)的各種場(chǎng)景和意外情況。

人工智能技術(shù)特別是深度學(xué)習(xí)等端到端學(xué)習(xí)技術(shù)的發(fā)展為車輛行駛軌跡的決策提供了全新的思路［3-4］，可以實(shí)現(xiàn)從傳感信息到行駛軌跡或行駛控制指令的端到端預(yù)測(cè)，就可以避免復(fù)雜的車輛動(dòng)力學(xué)控制模型和人工邏輯。NVIDIA公司使用深度神經(jīng)網(wǎng)絡(luò)［5］，實(shí)現(xiàn)了較精確的從圖像到轉(zhuǎn)向盤轉(zhuǎn)角的端到端車輛控制，COMMA.AI公司也進(jìn)行了類似的研究［6］。百度公司也致力基于深度學(xué)習(xí)的端到端自動(dòng)駕駛，公布了阿波羅計(jì)劃，并公布了Roadhackers數(shù)據(jù)庫(kù)，含有10 000km的攝像頭行駛數(shù)據(jù)等，對(duì)無人駕駛研究進(jìn)行支持。

基于百度Roadhackers數(shù)據(jù)庫(kù)與端到端學(xué)習(xí)機(jī)制，可以對(duì)智能車無人駕駛控制邏輯進(jìn)行探索，實(shí)現(xiàn)從圖像到行駛軌跡曲率的預(yù)測(cè)，進(jìn)而可以支持行駛方向和轉(zhuǎn)向盤的直接控制。但由于數(shù)據(jù)庫(kù)中訓(xùn)練數(shù)據(jù)有限，原始數(shù)據(jù)中存在駕駛員行為決策不定性的因素，基于該數(shù)據(jù)實(shí)現(xiàn)行駛軌跡曲率的準(zhǔn)確預(yù)測(cè)存在很大困難。為此，本文中對(duì)行駛軌跡進(jìn)行量化，建立行駛軌跡曲率預(yù)測(cè)模型，并提出合理的評(píng)價(jià)體系。此后，采用端到端學(xué)習(xí)機(jī)制研究直接從圖像到行駛軌跡曲率的預(yù)測(cè)，針對(duì)其性能不佳的問題，采用場(chǎng)景切分和特征預(yù)提取進(jìn)行優(yōu)化，并對(duì)其進(jìn)行試驗(yàn)驗(yàn)證。

1 行駛軌跡曲率預(yù)測(cè)模型與評(píng)價(jià)體系

建立行駛軌跡曲率預(yù)測(cè)模型，給出行駛軌跡曲率和軌跡位置坐標(biāo)以及轉(zhuǎn)向盤轉(zhuǎn)角的關(guān)系。在此基礎(chǔ)上，考慮曲率的波動(dòng)量，建立行駛軌跡曲率的評(píng)價(jià)體系。

1.1 行駛軌跡及轉(zhuǎn)向盤轉(zhuǎn)角與行駛軌跡曲率換算模型

行駛軌跡曲率可以定量地反映行駛軌跡的彎曲程度。實(shí)際數(shù)據(jù)采集中，可以由GPS信息計(jì)算曲率。為計(jì)算給定點(diǎn)軌跡曲率，取其前后各10個(gè)點(diǎn)，共21個(gè)點(diǎn)，擬合三次方程并計(jì)算曲率。

通過車輛建模，即可實(shí)現(xiàn)轉(zhuǎn)向盤轉(zhuǎn)角和曲率的換算。以線性2自由度車輛模型為例：

式中：δ為轉(zhuǎn)向盤轉(zhuǎn)角；k為曲率；u為速度；K為穩(wěn)定性因數(shù)；L為軸距；n為轉(zhuǎn)向系角傳動(dòng)比。使用更精確的車輛模型，可以實(shí)現(xiàn)轉(zhuǎn)向盤轉(zhuǎn)角和行駛軌跡曲率更精確的對(duì)應(yīng)。

由上述分析可知，行駛軌跡曲率可以對(duì)行駛軌跡的彎曲程度進(jìn)行反映，且可以和轉(zhuǎn)向盤轉(zhuǎn)角相互換算。因此，實(shí)現(xiàn)圖片到行駛軌跡曲率的預(yù)測(cè)，即可化為對(duì)行駛軌跡和轉(zhuǎn)向盤轉(zhuǎn)角的預(yù)測(cè)。

1.2 行駛軌跡曲率預(yù)測(cè)評(píng)價(jià)體系

在軌跡規(guī)劃或軌跡預(yù)測(cè)中，均需對(duì)所得軌跡的優(yōu)劣進(jìn)行量化評(píng)價(jià)?，F(xiàn)有軌跡規(guī)劃或預(yù)測(cè)中，一般只能通過直觀顯示［1］或車道中心線偏移距［2，5］來評(píng)價(jià)。但是，以車道中心線為標(biāo)準(zhǔn)僅適用于車道保持，且不能反映轉(zhuǎn)彎方向的預(yù)測(cè)性能。

針對(duì)上述問題，本文中提出一種更為全面合理的軌跡預(yù)測(cè)評(píng)價(jià)體系。以行駛軌跡曲率預(yù)測(cè)模型進(jìn)行量化，以均方根誤差和相關(guān)系數(shù)對(duì)預(yù)測(cè)軌跡曲率的數(shù)值進(jìn)行評(píng)價(jià)，并基于允許誤差的思想，對(duì)預(yù)測(cè)正確率進(jìn)行評(píng)價(jià)。由于轉(zhuǎn)彎方向?qū)Π踩兄匾饬x，單獨(dú)對(duì)方向預(yù)測(cè)提出一個(gè)評(píng)價(jià)指標(biāo)。

行駛軌跡曲率預(yù)測(cè)評(píng)價(jià)體系由4個(gè)評(píng)價(jià)指標(biāo)組成，如圖1所示。

圖1 行駛軌跡曲率預(yù)測(cè)評(píng)價(jià)體系

1.2.1 均方根誤差與相關(guān)系數(shù)

回歸分析中，常用均方根誤差RMSE與相關(guān)系數(shù)r進(jìn)行評(píng)價(jià)：

1.2.2 預(yù)測(cè)正確率與方向正確率

在實(shí)際的交通場(chǎng)景中，不同人類駕駛員的駕駛軌跡曲率是不同的，轉(zhuǎn)向盤抖動(dòng)也導(dǎo)致駕駛軌跡曲率的波動(dòng)。因此，計(jì)算預(yù)測(cè)正確率時(shí)，應(yīng)在數(shù)據(jù)庫(kù)人類駕駛員數(shù)據(jù)基礎(chǔ)上允許一定的誤差。

據(jù)牛清寧［7］的研究，在正常駕駛情況下，時(shí)間窗為20s時(shí)，轉(zhuǎn)向盤轉(zhuǎn)角標(biāo)準(zhǔn)差約為0.973°。采用線性2自由度車輛模型將其換算為曲率波動(dòng)，車輛模型參數(shù)選為：穩(wěn)定性因數(shù)K=0.0015s2／m2，軸距L=3m，轉(zhuǎn)向系角傳動(dòng)比n=15。高速公路場(chǎng)景下，取車速為30m／s，代入式（1）得

額外考慮到不同駕駛員的駕駛軌跡曲率的差異，計(jì)算預(yù)測(cè)正確率時(shí)，取2.5×10-4m-1作為允許誤差。

方向正確率計(jì)算中，考慮到安全性的要求，允許誤差應(yīng)取較小值，取曲率絕對(duì)值小于1×10-4m-1為直行。取曲率左轉(zhuǎn)為正，右轉(zhuǎn)為負(fù)，預(yù)測(cè)曲率和實(shí)際曲率符號(hào)相同則視為方向預(yù)測(cè)正確。

2 基于端到端學(xué)習(xí)機(jī)制的行駛軌跡曲率預(yù)測(cè)

卷積神經(jīng)網(wǎng)絡(luò)是一種典型的端到端學(xué)習(xí)模型，適于組織圖像中的特征，被用于NVIDIA和COMMA.AI公司從圖像到轉(zhuǎn)向盤轉(zhuǎn)角的端到端預(yù)測(cè)。使用百度Roadhackers數(shù)據(jù)庫(kù)，卷積神經(jīng)網(wǎng)絡(luò)輸入端為圖片像素值，輸出端為軌跡曲率數(shù)值，原理框圖見圖2。

圖2 圖片 -軌跡曲率預(yù)測(cè)原理框圖

軌跡曲率預(yù)測(cè)基于COMMA.AI公司的卷積神經(jīng)網(wǎng)絡(luò)模型，如圖3所示。

圖3 卷積神經(jīng)網(wǎng)絡(luò)端到端學(xué)習(xí)模型

神經(jīng)網(wǎng)絡(luò)輸入為3×320×160的RGB圖像矩陣，綜合使用卷積層、Dropout層和全連接層，輸出層含有1個(gè)節(jié)點(diǎn)，與曲率標(biāo)簽對(duì)應(yīng)。

訓(xùn)練集為百度Roadhackers數(shù)據(jù)庫(kù)中的81 484張行駛圖片及對(duì)應(yīng)曲率，測(cè)試集為12 760張。每次訓(xùn)練采樣500張圖片，共訓(xùn)練50次。

測(cè)試結(jié)果曲率 時(shí)間曲線如圖4所示。

評(píng)價(jià)結(jié)果：均方根誤差 RMSE=2.9773×10-4m-1，相關(guān)系數(shù)r=0.3326，預(yù)測(cè)正確率64.4%，方向正確率61.1%。

可以看出，端到端預(yù)測(cè)結(jié)果的預(yù)測(cè)正確率和方向正確率均較低，且均方根誤差較大，相關(guān)系數(shù)也較低，預(yù)測(cè)結(jié)果存在大量不符合實(shí)際的波動(dòng)。

圖4 卷積神經(jīng)網(wǎng)絡(luò)端到端行駛軌跡曲率預(yù)測(cè)

以端到端學(xué)習(xí)機(jī)制為基礎(chǔ)的智能汽車自主決策，當(dāng)相同環(huán)境信息輸入網(wǎng)絡(luò)時(shí)，其輸出結(jié)果必然一致。而真實(shí)駕駛中，人類駕駛員針對(duì)同樣的環(huán)境輸入，可能由于不同的駕駛?cè)蝿?wù)和自身個(gè)性而進(jìn)行不同的行為決策。面向經(jīng)典監(jiān)督學(xué)習(xí)的數(shù)據(jù)庫(kù)圖片-標(biāo)簽形式下，行為決策的不定性在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中難以體現(xiàn)，加深網(wǎng)絡(luò)或結(jié)合強(qiáng)化學(xué)習(xí)進(jìn)行決策，也難以解決這一問題。

進(jìn)行場(chǎng)景劃分，預(yù)先進(jìn)行行為決策，包含駕駛員的主觀因素，在駕駛模式固定的前提下，利用神經(jīng)網(wǎng)絡(luò)進(jìn)行軌跡決策或車輛控制，則可以避免上述的神經(jīng)網(wǎng)絡(luò)行為決策困難的問題。

另外，圖片中含有大量無關(guān)信息，如天空、樹木、建筑物等，神經(jīng)網(wǎng)絡(luò)難以提取周圍車輛、車道線等有效信息。經(jīng)過上述討論，以場(chǎng)景切分實(shí)現(xiàn)決策固化，以特征預(yù)提取降低神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)難度，能夠?qū)崿F(xiàn)對(duì)端到端的預(yù)測(cè)結(jié)果的優(yōu)化。

3 場(chǎng)景切分與特征預(yù)提取

3.1 高速公路行駛場(chǎng)景切分

國(guó)內(nèi)外主流研究將高速公路行駛場(chǎng)景切分為跟馳和變道兩種［8-9］?？紤]無前車的自由流，將高速公路行駛分為車道保持和變道兩種場(chǎng)景。

3.2 變道場(chǎng)景特征預(yù)提取

變道場(chǎng)景下，車輛行駛方向的快速變化，引起圖片中車道線位置的快速變化，因此，車道線信息是變道場(chǎng)景行駛軌跡曲率預(yù)測(cè)中的有效信息，將其進(jìn)行預(yù)提取，可以進(jìn)一步提高預(yù)測(cè)性能。

車道線識(shí)別的任務(wù)可以由機(jī)器視覺或手動(dòng)標(biāo)注的方法來實(shí)現(xiàn)，如圖5所示。

為提高神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能，必須保證其訓(xùn)練集和測(cè)試集的準(zhǔn)確性。圖5（b）為基于LIM等［10］的車道線識(shí)別方法進(jìn)行優(yōu)化后的結(jié)果，出現(xiàn)一些漏判和錯(cuò)判。而圖5（a）的手動(dòng)提取結(jié)果，將原始車道和目標(biāo)車道的3條車道線標(biāo)注出來，保證了神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集的準(zhǔn)確性。

圖5 車道線識(shí)別方法對(duì)比

車道線原始數(shù)據(jù)為6個(gè)坐標(biāo)點(diǎn)，將坐標(biāo)點(diǎn)數(shù)據(jù)處理為直線解析式y(tǒng)=kx＋b，經(jīng)過預(yù)處理后，即可將3條車道線信息以6個(gè)數(shù)據(jù)的形式儲(chǔ)存。

4 基于場(chǎng)景切分和特征預(yù)提取的行駛軌跡曲率預(yù)測(cè)

以變道場(chǎng)景為例，以端到端學(xué)習(xí)機(jī)制為基礎(chǔ)，說明基于場(chǎng)景切分和特征預(yù)提取的行駛軌跡曲率預(yù)測(cè)優(yōu)化方法的有效性。

將車道線畫在圖片上突出表達(dá)，即可輸入卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。此外，將圖片中車道線的數(shù)學(xué)特征輸入BP神經(jīng)網(wǎng)絡(luò)，還可實(shí)現(xiàn)車道線- 軌跡曲率的預(yù)測(cè)，并進(jìn)行連續(xù)圖片數(shù)據(jù)輸入優(yōu)化。系統(tǒng)方案如圖6所示。

圖6 變道場(chǎng)景行駛軌跡曲率預(yù)測(cè)方案

4.1 卷積神經(jīng)網(wǎng)絡(luò)變道場(chǎng)景行駛軌跡曲率預(yù)測(cè)

使用與端到端曲率預(yù)測(cè)中相同的卷積神經(jīng)網(wǎng)絡(luò)端到端學(xué)習(xí)模型，以1 700張圖片及對(duì)應(yīng)曲率為訓(xùn)練集，測(cè)試集為500張。采用場(chǎng)景切分和特征預(yù)提取的方法，針對(duì)變道場(chǎng)景，將車道線畫在圖片上，再輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

預(yù)測(cè)結(jié)果如圖7所示，圖中正負(fù)交替的峰反映了測(cè)試集左右交替的變道行為。

將場(chǎng)景切分和特征預(yù)提取優(yōu)化結(jié)果與端到端的預(yù)測(cè)結(jié)果對(duì)比，如表1所示。

圖7 基于車道線提取的變道場(chǎng)景軌跡曲率預(yù)測(cè)

表1 卷積神經(jīng)網(wǎng)絡(luò)端到端與優(yōu)化結(jié)果對(duì)比

由表1看出，場(chǎng)景切分和特征預(yù)提取使4項(xiàng)評(píng)價(jià)指標(biāo)均有大幅改善。由圖7可知，曲線趨勢(shì)可以較好地反映出來。

通過實(shí)車試驗(yàn)對(duì)上述優(yōu)化方法進(jìn)行驗(yàn)證。以地基增強(qiáng)的差分GPS采集車輛位置坐標(biāo)，以攝像頭同步采集行駛圖片，試驗(yàn)設(shè)備如圖8所示。

圖8 試驗(yàn)設(shè)備與安裝

進(jìn)行場(chǎng)景切分和特征預(yù)提取優(yōu)化后，基于車道線提取的變道場(chǎng)景曲率預(yù)測(cè)的試驗(yàn)結(jié)果見圖9。

與使用百度數(shù)據(jù)訓(xùn)練的優(yōu)化結(jié)果進(jìn)行對(duì)比，如表2所示。

圖9 基于車道線提取的變道場(chǎng)景曲率預(yù)測(cè)試驗(yàn)驗(yàn)證

表2 卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化結(jié)果試驗(yàn)驗(yàn)證

由表2可知，試驗(yàn)數(shù)據(jù)訓(xùn)練結(jié)果相關(guān)系數(shù)略低于百度數(shù)據(jù)訓(xùn)練結(jié)果，而均方根誤差、預(yù)測(cè)正確率和方向正確率則略好。4項(xiàng)指標(biāo)數(shù)值上都較為接近，試驗(yàn)結(jié)果證明了基于車道線提取的卷積神經(jīng)網(wǎng)絡(luò)變道場(chǎng)景曲率預(yù)測(cè)方法的有效性。

可見，經(jīng)過場(chǎng)景切分和特征預(yù)提取后，在相同的行為決策模式內(nèi)，端到端學(xué)習(xí)對(duì)人類駕駛員的駕駛模式的模仿和預(yù)測(cè)性能有了大幅提高。

4.2 BP神經(jīng)網(wǎng)絡(luò)變道場(chǎng)景行駛軌跡曲率預(yù)測(cè)

在場(chǎng)景切分和特征預(yù)提取的系統(tǒng)方案中，已做出變道行為決策之后，前方車輛、障礙物等引發(fā)變道決策的因素可以不必繼續(xù)考慮，僅用車道線信息作為輸入，即可完成變道動(dòng)作。為此，可以使用神經(jīng)網(wǎng)絡(luò)直接實(shí)現(xiàn)車道線- 軌跡曲率的預(yù)測(cè)。變道場(chǎng)景下，本車道和目標(biāo)車道的車道線斜率和截距特征只需6個(gè)數(shù)據(jù)表達(dá)，可以使用節(jié)點(diǎn)數(shù)量較少的BP神經(jīng)網(wǎng)絡(luò)，結(jié)構(gòu)如圖10所示。

圖10 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

訓(xùn)練集為與卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)中相同的1 700張變道場(chǎng)景圖片車道線數(shù)據(jù)及對(duì)應(yīng)曲率，測(cè)試集為500張。訓(xùn)練結(jié)果見圖11。

將均經(jīng)過場(chǎng)景切分和特征預(yù)提取優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)的車道線- 軌跡曲率預(yù)測(cè)與卷積神經(jīng)網(wǎng)絡(luò)端到端學(xué)習(xí)預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，如表3所示。

由表3可以看出，車道線- 軌跡曲率的預(yù)測(cè)結(jié)果在4項(xiàng)指標(biāo)上均優(yōu)于卷積神經(jīng)網(wǎng)絡(luò)的結(jié)果。這是因?yàn)锽P神經(jīng)網(wǎng)絡(luò)輸入的是純車道線信息，而卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)中，雖然突出顯示了車道線，但是圖片中仍有天空、樹木等其它信息。同時(shí)，這也體現(xiàn)了端到端學(xué)習(xí)的潛力，在數(shù)據(jù)量較大時(shí)，可能學(xué)習(xí)到更多的有效特征。

圖11 變道場(chǎng)景車道線- 軌跡曲率預(yù)測(cè)

表3 車道線- 軌跡曲率與端到端學(xué)習(xí)預(yù)測(cè)對(duì)比

由于實(shí)際駕駛的時(shí)空連續(xù)性，每一時(shí)刻的駕駛決策不僅與當(dāng)前時(shí)刻的環(huán)境輸入有關(guān)，還與此前一段時(shí)間的環(huán)境輸入有關(guān)。據(jù)此進(jìn)行連續(xù)輸入優(yōu)化，將連續(xù)5張圖片所提取的車道線特征數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，訓(xùn)練結(jié)果如圖12所示。

圖12 連續(xù)輸入車道線- 軌跡曲率預(yù)測(cè)結(jié)果

將車道線 軌跡曲率預(yù)測(cè)的5張連續(xù)圖片預(yù)測(cè)結(jié)果和單張輸入預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，如表4所示。

表4 車道線- 軌跡曲率預(yù)測(cè)連續(xù)輸入優(yōu)化

由表4看出，連續(xù)5張圖片輸入下，各項(xiàng)指標(biāo)全面優(yōu)于單張圖片，說明考慮行駛的時(shí)空連續(xù)性使預(yù)測(cè)更為準(zhǔn)確。

對(duì)上述性能最佳的BP神經(jīng)網(wǎng)絡(luò)連續(xù)輸入曲率預(yù)測(cè)結(jié)果，通過行駛軌跡 曲率換算模型計(jì)算行駛軌跡，并投影到道路平面進(jìn)行可視化，如圖13所示。白色實(shí)線為實(shí)際軌跡，黑色點(diǎn)為預(yù)測(cè)軌跡。

圖13 連續(xù)輸入車道線- 軌跡曲率預(yù)測(cè)結(jié)果可視化

由圖13可見，預(yù)測(cè)軌跡和實(shí)際軌跡較為接近，實(shí)現(xiàn)了較為準(zhǔn)確的軌跡預(yù)測(cè)。

對(duì)連續(xù)輸入車道線- 軌跡曲率預(yù)測(cè)進(jìn)行試驗(yàn)驗(yàn)證，訓(xùn)練集取1 000張圖片數(shù)據(jù)，測(cè)試集為470張，預(yù)測(cè)效果見圖14。

圖14 連續(xù)輸入車道線- 軌跡曲率預(yù)測(cè)試驗(yàn)驗(yàn)證

評(píng)價(jià)結(jié)果：均方根誤差 RMSE=1.5645×10-4m-1，相關(guān)系數(shù)r=0.9141，預(yù)測(cè)正確率96.0%，方向正確率98.7%。

可以看出，試驗(yàn)驗(yàn)證結(jié)果的評(píng)價(jià)指標(biāo)反映出的性能較好，均方根誤差很小，相關(guān)系數(shù)、預(yù)測(cè)正確率和方向正確率均較高，說明在實(shí)際應(yīng)用中，在變道場(chǎng)景的固定決策模式下，僅用車道線信息進(jìn)行軌跡預(yù)測(cè)的方法是合理的。

5 結(jié)論

基于端到端學(xué)習(xí)機(jī)制，直接從圖像實(shí)現(xiàn)行駛軌跡曲率的準(zhǔn)確預(yù)測(cè)，從而為實(shí)現(xiàn)車輛方向的直接控制提供依據(jù)。

（1）建立了行駛軌跡曲率預(yù)測(cè)模型，實(shí)現(xiàn)了對(duì)行駛軌跡的量化表達(dá)。在此基礎(chǔ)上，建立了合理的行駛軌跡曲率預(yù)測(cè)評(píng)價(jià)體系。

（2）使用卷積神經(jīng)網(wǎng)絡(luò)端到端學(xué)習(xí)模型，利用百度Roadhackers數(shù)據(jù)庫(kù)，進(jìn)行了行駛軌跡曲率預(yù)測(cè)，并指出行為決策的不定性帶來的困難，提出通過場(chǎng)景切分預(yù)先進(jìn)行行為決策，以實(shí)現(xiàn)預(yù)測(cè)性能優(yōu)化的思想。

（3）以變道場(chǎng)景為例，通過車道線特征預(yù)提取實(shí)現(xiàn)了端到端學(xué)習(xí)預(yù)測(cè)性能優(yōu)化。此外，利用BP神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了從車道線特征到行駛軌跡曲率的預(yù)測(cè)，并進(jìn)行了連續(xù)圖片數(shù)據(jù)輸入優(yōu)化。利用場(chǎng)景切分和特征預(yù)提取方法在變道場(chǎng)景下實(shí)現(xiàn)了較為準(zhǔn)確的軌跡預(yù)測(cè)，并得到了試驗(yàn)驗(yàn)證。