基于遷移學(xué)習(xí)的高速公路交織區(qū)車輛軌跡預(yù)測

殷子健， 徐良杰， 劉偉， 馬宇康， 林海

1）武漢理工大學(xué)交通與物流工程學(xué)院，湖北武漢 430063；2）武漢大學(xué)國家網(wǎng)絡(luò)安全學(xué)院，湖北武漢 430072

交織區(qū)具有道路幾何形狀復(fù)雜、車流密度高及事故風(fēng)險高的特點，是高速公路上交通流運行最復(fù)雜的區(qū)域之一.自動駕駛車輛通過感知周圍車輛狀態(tài)，預(yù)測其行駛軌跡以提高駕駛行為決策、路徑規(guī)劃與運動控制的準(zhǔn)確性，確保交通安全.高速公路交織區(qū)軌跡預(yù)測的準(zhǔn)確性對于提升道路安全、優(yōu)化交通流量與自動駕駛性能至關(guān)重要.

軌跡預(yù)測旨在根據(jù)交通參與者在給定場景中的過去狀態(tài)估計其未來狀態(tài).傳統(tǒng)的軌跡預(yù)測模型包括基于物理的方法，如單軌跡法［1］、卡爾曼濾波法［2］及蒙特卡洛法［3］等，其局限性在于僅能進(jìn)行不超過1 s 的短時預(yù)測，且沒有考慮到相互作用等相關(guān)因素，導(dǎo)致預(yù)測準(zhǔn)確率不高.另一類基于機器學(xué)習(xí)的軌跡預(yù)測方法包括支持向量機［4］、隱馬爾可夫模型［5］和動態(tài)貝葉斯網(wǎng)絡(luò)［6］等.這類模型通過挖掘數(shù)據(jù)特征來確定概率分布，其局限性在于對策略制定依賴強，以及泛化能力弱.因此，上述方法在軌跡預(yù)測中尚無法取得理想的預(yù)測性能.

基于深度學(xué)習(xí)的軌跡預(yù)測方法可以考慮物理、道路及交互相關(guān)因素，對復(fù)雜場景的適應(yīng)度更高.ALAHI 等［7］首次提出利用長短時記憶（long shortterm memory， LSTM）神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)行人一般運動，并預(yù)測其未來軌跡.受行人軌跡預(yù)測的啟發(fā)，DEO 等［8］使用LSTM 編碼器提取周圍車輛的時間信息，并將其傳入社交池化層，提出經(jīng)典的卷積社交池化軌跡預(yù)測方法.隨后眾多學(xué)者運用社交池化層，通過改變神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)或增加多模態(tài)輸入數(shù)據(jù)，獲得了更優(yōu)秀的軌跡預(yù)測模型.GUPTA等［9］基于改進(jìn)的社交池化對抗生成網(wǎng)絡(luò)模型，提出避撞概念并提升了模型準(zhǔn)確性.SONG 等［10］提出一種規(guī)劃知情軌跡預(yù)測（planning-informed trajectory prediction， PiP）方法，將車輛軌跡規(guī)劃和預(yù)測軌跡耦合，在車輛交互場景獲得更優(yōu)的預(yù)測效果.李立等［11］在原始社交池化模型基礎(chǔ)上引入速度差，提高了預(yù)測精度.CHEN 等［12］提出一種新型時空動態(tài)注意網(wǎng)絡(luò)，能夠綜合捕捉時間和社會交互特征，并降低誤差.CHEN等［13］提出一種基于多損失函數(shù)的混合條件自動編碼器生成對抗網(wǎng)絡(luò)（convolutional autoencoder - generative adversarial network，CAE-GAN）模型，提升了預(yù)測精度.韓皓等［14］在交織區(qū)車輛軌跡預(yù)測中加入注意力機制，并引入碰撞時間和避免碰撞減速度用于預(yù)測交織區(qū)換道車輛軌跡.

盡管上述改進(jìn)模型已能夠取得較優(yōu)性能，但隨著模型的不斷改進(jìn)，模型復(fù)雜程度和計算量均顯著增大，為智能車實時決策的計算能力帶來挑戰(zhàn).針對交織區(qū)復(fù)雜場景，遷移學(xué)習(xí)能夠快速準(zhǔn)確預(yù)測車輛未來軌跡，大幅提高預(yù)測計算效率.因此，本研究采用經(jīng)典的社交卷積池化神經(jīng)網(wǎng)絡(luò)模型驗證遷移學(xué)習(xí)［15］在高速公路交織區(qū)軌跡預(yù)測中的有效性.

1 交織區(qū)交通流運行狀態(tài)分析

高速公路交織區(qū)通常包括入口匝道、出口匝道、主線車道和集散車道等，車輛在此區(qū)域需要進(jìn)行換道、合流、分流、加速及減速等復(fù)雜操作，以確保順利進(jìn)入或離開高速公路，如圖1.其中，車道7 為進(jìn)口匝道，車道8 為出口匝道.由于交織區(qū)內(nèi)車流的復(fù)雜性和不確定性，分析其交通流運行狀態(tài)具有重要意義.NGSIM（next generation simulation）數(shù)據(jù)集［16］是一組高度詳細(xì)的交通微觀數(shù)據(jù)，用于研究交通流特征和建立交通模型.本研究采用高速公路直線路段I-80 和高速公路交織區(qū)US-101 詳細(xì)車輛軌跡數(shù)據(jù)集對模型進(jìn)行遷移訓(xùn)練與驗證.

圖1 交織區(qū)US-101車道示意Fig.1 Schematic diagram of weaving area US-101 lane.

1.1 交通流量及速度分析

交織區(qū)內(nèi)各車道的交通流量是評估交通流運行狀態(tài)的關(guān)鍵指標(biāo).通過統(tǒng)計不同時間段內(nèi)的交通流量，可以獲取交織區(qū)的擁堵情況、交通需求變化等信息.車輛在交織區(qū)內(nèi)的速度分布與行駛安全和通行效率密切相關(guān).由于NGSIM 數(shù)據(jù)集在采集過程中受到傳感器誤差與環(huán)境干擾等因素影響存在噪音，為提高數(shù)據(jù)質(zhì)量，采用Savitzky-Golay濾波法對速度與坐標(biāo)等關(guān)鍵信息進(jìn)行平滑處理.基于高速公路交織區(qū)US-101 路段的45 min 數(shù)據(jù)，以5 min 為1 個時間窗口描述空間平均速度和流量關(guān)系，如圖2.依據(jù)最大流量Qm和臨界速度Vm將交通流狀況分為擁擠或不擁擠，所研究路段從08∶00開始處于擁擠狀態(tài).

圖2 空間平均速度與流率關(guān)系Fig.2 Relationship of space-mean speed and flow.

1.2 交織區(qū)車輛軌跡穩(wěn)定性分析

在匝道與主線交匯的合流區(qū)和分流區(qū)，車輛需要完成合流與分流行為，這將對主線上直行的車輛產(chǎn)生干擾.由于合流區(qū)和分流區(qū)的交通特征復(fù)雜，因此，重點關(guān)注這些區(qū)域的車輛軌跡.由濾波處理過的車輛軌跡數(shù)據(jù)得到圖3.可見，匝道影響區(qū)包括車道4～8.交織區(qū)影響區(qū)的縱坐標(biāo)范圍為180～400 m.在進(jìn)入交織區(qū)前，車道4和車道5的車輛速度較低.在影響區(qū)的中間路段，車輛有明顯減速行為，車道5受交織合流影響更為顯著，車輛會加速離開交織區(qū)影響區(qū).從車道6、7和8的時空軌跡速度圖中可見，其整體速度相對于直線行駛路段更低；進(jìn)入匝道的車輛在進(jìn)入集散車道6后，會有更急劇的減速行為.部分車輛選擇在進(jìn)入集散車道6后立即換道至車道5，從而導(dǎo)致車道6 中的軌跡出現(xiàn)中斷，這種行為對交織區(qū)影響區(qū)內(nèi)的車輛軌跡決策造成顯著影響，從而破壞了車輛軌跡穩(wěn)定性.

圖3 （a）車道4、 （b）車道5及（c）車道6 ～ 8的時空軌跡速度分布Fig.3 Spatio-temporal trajectory speed map for (a) lane 4, (b)lane 5, and (c) lanes 6-8 .

2 軌跡數(shù)據(jù)預(yù)處理及特征提取

2.1 軌跡數(shù)據(jù)預(yù)處理

以目標(biāo)車輛為原點，行駛方向為縱向，垂直行駛方向為橫向，建立平面直角坐標(biāo)系，如圖4中編碼器部分.研究時間范圍為8 s，車輛軌跡采樣率為10 Hz，每幀時間為0.1 s，將車輛的前3 s 和后5 s作為縱向軌跡研究范圍，前4 s和后4 s作為橫向軌跡研究范圍.對于縱向軌跡行為，若目標(biāo)車輛在研究時間范圍內(nèi)減速至原車速的80%以下，則視為直行制動；否則為保持直行.橫向軌跡行為包括保持車道、向左換道及向右換道.進(jìn)一步將縱向行為和橫向行為編碼為獨熱張量（one-hot vector）.在研究空間范圍上，考慮預(yù)測車輛在縱向±27.432 m 和兩個相鄰車道內(nèi)的所有車輛.為此，建立3 × 13的單元網(wǎng)格，用于描述同幀時刻研究空間范圍內(nèi)的所有車輛位置.在考慮鄰車空間位置時，將空間劃分為3 × 39的網(wǎng)格單元，左側(cè)車道的車輛信息對應(yīng)前13 列，當(dāng)前車道的車輛信息對應(yīng)中間13 列，右側(cè)車道的車輛信息對應(yīng)后13 列.每個單元格使用車輛標(biāo)號進(jìn)行存儲，包含每個數(shù)據(jù)樣本的編號，車輛身份標(biāo)識（identity document， ID）及其所有幀的軌跡信息，通過這種劃分方式，可以描述各車道中的車輛分布和相互關(guān)系.由于模型使用3 s 的軌跡歷史進(jìn)行預(yù)測，因此，每個軌跡的最初3 s 不用于訓(xùn)練或測試，以確保模型的準(zhǔn)確性.將數(shù)據(jù)按照7∶1∶2劃分為訓(xùn)練集、驗證集及測試集.其中，驗證集用于檢驗過擬合和調(diào)整超參數(shù)；測試集用于評估性能和繪制預(yù)測軌跡圖.

圖4 卷積社交池化LSTM軌跡預(yù)測模型Fig.4 Convolutional social pooling LSTM trajectory prediction model.

2.2 軌跡關(guān)鍵特征提取

對智能駕駛系統(tǒng)而言，周圍駕駛環(huán)境中存在許多無法直接獲取的信息，如其他車輛駕駛員的意圖及車輛的運動特性等.為能做出有效決策，智能駕駛系統(tǒng)需要利用可觀察變量（如位置、所在車道及鄰車信息等），提取車輛運動信息時間序列，來對這些難以獲取的信息進(jìn)行概率推斷.

目標(biāo)車輛及其附近車輛在特定歷史時段中的運動軌跡序列H為

其中，t為當(dāng)前時刻；Th為t時刻之前的歷史時段長度；hp為t時刻之前的p時刻群體中所有車輛的位置；（xi，p，yi，p）為p時刻車輛i的位置；N為群體中車輛總數(shù).

p時刻目標(biāo)車輛的位置h0，p為

目標(biāo)車輛在預(yù)測長度Tf內(nèi)的軌跡序列F定義為

通過監(jiān)督學(xué)習(xí)得到目標(biāo)車輛在未來一段時間內(nèi)所有時刻的位置概率分布P( )F|H為

其中，mk為目標(biāo)車輛將來采取的第k個行為類型；u為行為類型的總數(shù)；Pθ(F|mk，H)是在已知行為類型mk和已知歷史信息H的條件下，目標(biāo)車輛未來出現(xiàn)軌跡序列的概率；P(mk|H)是已知歷史信息H下選擇行為類型mk的概率；θ為目標(biāo)車輛在未來Tf時間段內(nèi)所有時刻的位置參數(shù)；θq是q時刻目標(biāo)車輛的位置參數(shù)；μx，q和μy，q分別表示q時刻車輛在橫向和縱向位置的期望；σx，q和σy，q是q時刻車輛在橫向和縱向位置的標(biāo)準(zhǔn)差；ρq是車輛橫向和縱向位置之間的相關(guān)系數(shù).

3 軌跡預(yù)測模型建立及遷移學(xué)習(xí)

3.1 神經(jīng)網(wǎng)絡(luò)模型的搭建

圖4 為卷積社交池化LSTM 軌跡預(yù)測模型，由編碼器、社交卷積池化模塊及解碼器組成.模型采用LSTM的序列到序列（seq2seq）網(wǎng)絡(luò)，用于預(yù)測道路上其他車輛的軌跡.為了學(xué)習(xí)道路上車輛的動態(tài)和相互作用，使用兩種不同的編碼策略，分別為車輛動態(tài)編碼和卷積社交池化編碼.網(wǎng)絡(luò)還能選擇性地對車輛的橫向和縱向運動模式進(jìn)行分類，以便預(yù)測基于不同運動模式的車輛軌跡.表1為預(yù)測模型的主要網(wǎng)絡(luò)結(jié)構(gòu).

表1 神經(jīng)網(wǎng)絡(luò)模型的主要網(wǎng)絡(luò)結(jié)構(gòu)Table 1 Main network structure of neural network model

在模型前向傳播過程中，首先將輸入的歷史軌跡和周圍車輛信息分別通過輸入嵌入層和編碼器LSTM 進(jìn)行編碼；利用卷積社交池化層處理周圍車輛的編碼，以捕捉車輛間的相互作用；將車輛動態(tài)嵌入和社交嵌入連接在一起，并將組合后的編碼傳遞給解碼器LSTM；根據(jù)解碼器LSTM 的輸出預(yù)測未來軌跡，并對橫向和縱向行為模式進(jìn)行分類.

3.2 訓(xùn)練及預(yù)測指標(biāo)選取

均方根誤差（root mean squared error，RMSE）衡量預(yù)測值與實際值之間的偏差，用以評估預(yù)測結(jié)果的準(zhǔn)確性.RMSE計算為

其中，Rq為q時刻的RMSE；xj，q和yj，q分別表示第j輛目標(biāo)車輛在q時刻的橫向和縱向?qū)嶋H位置；xˉj，q和yˉj，q分別表示第j輛目標(biāo)車輛在q時刻橫向和縱向的預(yù)測位置；n為所分析目標(biāo)車輛的總數(shù).

在車輛軌跡預(yù)測中，RMSE 是衡量模型性能的重要指標(biāo).在訓(xùn)練階段，RMSE 損失用于調(diào)整模型參數(shù)，目標(biāo)是縮小預(yù)測軌跡和實際軌跡之間的差距；在測試階段，RMSE 則被用來評估模型對未見過數(shù)據(jù)的預(yù)測能力.RMSE 較低意味著模型能準(zhǔn)確預(yù)測車輛的未來行駛路徑，具有優(yōu)良的泛化性能.

負(fù)對數(shù)似然（negative log-likelihood， NLL）是一種常用的損失函數(shù)，用于衡量模型預(yù)測概率分布與真實概率分布之間的差異，NLL計算為

其中，Lq為q時刻的NLL 值；mture為模型預(yù)測出現(xiàn)概率最高的動作類型.

在訓(xùn)練過程中，通過最小化預(yù)測概率分布與真實概率分布之間的負(fù)對數(shù)似然來優(yōu)化模型參數(shù)，使模型預(yù)測結(jié)果更接近實際行駛軌跡的概率分布.在測試過程中，NLL可以作為評估指標(biāo)，用于衡量模型在測試數(shù)據(jù)上的性能.

雙變量高斯分布是高斯分布在二維空間的推廣，可以表示兩個隨機變量之間的關(guān)聯(lián).雙變量高斯分布的概率密度函數(shù)由均值向量和協(xié)方差矩陣決定，計算為

其中，x和y為隨機變量；μx和μy是x和y的均值；σx和σy是x和y的標(biāo)準(zhǔn)差；ρ是x和y之間的相關(guān)系數(shù)，-1 ≤ρ≤1.Z計算為

在目標(biāo)車輛行為預(yù)測中，采用雙變量高斯分布概率密度函數(shù)估計不同行為組合的概率.關(guān)注2種橫向行為和3 種縱向行為，即6 種不同行為組合，如圖5.通過目標(biāo)車輛的歷史軌跡數(shù)據(jù)擬合雙變量高斯分布，獲取其均值向量和協(xié)方差矩陣，從而捕捉橫向和縱向行為之間的相關(guān)性.利用擬合得到的雙變量高斯分布計算概率密度函數(shù)，用于估計未來軌跡上各個行為組合的概率.雙變量高斯分布概率密度函數(shù)提供了一種直觀且易于計算的方法，以量化不同行為組合的可能性.

圖5 橫向與縱向行為組合Fig.5 Lateral and longitudinal maneuver combinations.

對所有可能的行為組合進(jìn)行概率評估，并選取具有最大概率的組合作為預(yù)測點.能夠在橫向和縱向行為之間找到最有可能發(fā)生的行為組合，從而更準(zhǔn)確預(yù)測未來軌跡.預(yù)測軌跡包含多個潛在的軌跡，每個軌跡預(yù)測對應(yīng)1 個縱向和橫向的行駛狀態(tài).根據(jù)橫向和縱向行為的預(yù)測概率選擇最可能的行為，最終從這6個行為類別的預(yù)測結(jié)果中選擇最大概率的軌跡作為最終預(yù)測結(jié)果.

3.3 模型訓(xùn)練及遷移學(xué)習(xí)

本研究使用NGSIM 數(shù)據(jù)集中的I-80 和US-101軌跡數(shù)據(jù)進(jìn)行遷移訓(xùn)練和軌跡預(yù)測.硬件配置包括i5-12400 CPU 和RTX 3060 GPU，利用基于Python語言的PyTorch框架構(gòu)建神經(jīng)網(wǎng)絡(luò)模型.采用Adam（adaptive moment estimation）梯度下降優(yōu)化算法，設(shè)置學(xué)習(xí)率為0.001，樣本批量為128.訓(xùn)練過程選用RMSE和NLL作為損失函數(shù)，遷移學(xué)習(xí)過程采用NLL 作為損失函數(shù).本研究設(shè)計了4組實驗以驗證所提出方法的有效性和可行性，包括直線路段的訓(xùn)練與測試、交織區(qū)路段的訓(xùn)練與測試、交織區(qū)的遷移學(xué)習(xí)與測試，以及改進(jìn)交織區(qū)模型的遷移學(xué)習(xí)與測試.

預(yù)訓(xùn)練可以改進(jìn)性能、加速收斂、防止過擬合，為新任務(wù)提供較優(yōu)的初始參數(shù)設(shè)置.在高速公路直線路段I-80 車輛軌跡預(yù)測項目中，采用RMSE作為深度學(xué)習(xí)的預(yù)訓(xùn)練指標(biāo)，用以衡量模型預(yù)測軌跡與實際軌跡之間的差距，為模型提供一個較好的初始狀態(tài).在正式訓(xùn)練階段，使用NLL作為深度學(xué)習(xí)訓(xùn)練的指標(biāo)，以衡量模型預(yù)測概率分布與真實概率分布之間的差異，可以進(jìn)一步提升模型在預(yù)測概率分布方面的性能.

圖6 為模型損失變化.可見，每100 次訓(xùn)練為1 個訓(xùn)練周期，共有8 個訓(xùn)練輪次，模型在I-80 高速公路直線路段有較好的訓(xùn)練參數(shù).訓(xùn)練損失是在訓(xùn)練集上計算的損失，用于衡量模型在訓(xùn)練數(shù)據(jù)上的擬合程度.模型在正確學(xué)習(xí)過程中不斷調(diào)整參數(shù)使訓(xùn)練損失不斷減小.驗證損失是在驗證集上計算的損失，驗證損失用于評估模型在未見過數(shù)據(jù)上的性能.在訓(xùn)練過程中，驗證損失不斷減小證明模型沒有發(fā)生過擬合.

圖6 直線路段訓(xùn)練損失及驗證損失 （a）平均訓(xùn)練損失隨訓(xùn)練周期變化； （b）平均驗證損失隨訓(xùn)練輪次變化Fig.6 Training and validation loss for straight-line segment.(a) Average training loss over training epochs and (b) average validation loss over training iterations.

遷移學(xué)習(xí)是一種高效的深度學(xué)習(xí)方法，適用于新的、與原任務(wù)相似但難度更高且更復(fù)雜的目標(biāo)任務(wù)上.本研究預(yù)訓(xùn)練的模型參數(shù)（權(quán)值和偏置）從I-80 高速公路的直線路段遷移至復(fù)雜度更高的US-101高速公路交織區(qū)任務(wù)中，這種策略稱為預(yù)訓(xùn)練策略.此外，模型在新任務(wù)上還進(jìn)行了微調(diào)，以適應(yīng)US-101 高速公路交織區(qū)的特性，這種策略稱為微調(diào)策略.通過使用NLL指標(biāo)引導(dǎo)微調(diào)過程，提升計算速度與效率.遷移學(xué)習(xí)提升了模型的泛化能力，使其在US-101 交織區(qū)車輛軌跡預(yù)測任務(wù)中表現(xiàn)優(yōu)異.

將US-101高速公路交織區(qū)3個時間段共45 min的軌跡數(shù)據(jù)用于遷移學(xué)習(xí)，其中，將入口匝道、出口匝道和集散車道視為同一車道.表2為直接訓(xùn)練和遷移學(xué)習(xí)的指標(biāo)對比.可見，在US-101 交織區(qū)數(shù)據(jù)上訓(xùn)練同樣的神經(jīng)網(wǎng)絡(luò)模型，使用遷移學(xué)習(xí)能減少61.1%的訓(xùn)練時間.同時，遷移學(xué)習(xí)模型在預(yù)測橫向和縱向行為的準(zhǔn)確率上均有提升，其訓(xùn)練損失和驗證損失也低于直接訓(xùn)練.隨著訓(xùn)練次數(shù)的增加，損失逐漸減小并趨于穩(wěn)定，驗證損失降低了5%，預(yù)測準(zhǔn)確率提高了0.3%，表明遷移學(xué)習(xí)能在節(jié)省計算資源的同時，提升模型的準(zhǔn)確率和泛化能力.

表2 直接訓(xùn)練和遷移學(xué)習(xí)指標(biāo)對比Table 2 Comparison of direct training and transfer learning metrics

然而，在將模型從直線路段遷移到交織區(qū)路段時，未考慮入口匝道和出口匝道在跟馳換道時與直線路段的交互問題.因此，在數(shù)據(jù)處理階段，本研究將入口匝道7 和出口匝道8 視為獨立車道，提出了改進(jìn)后的遷移預(yù)測模型.此模型能夠正確提取交織區(qū)匝道的幾何形狀，其遷移訓(xùn)練結(jié)果如圖7.可見，訓(xùn)練時長、平均驗證損失以及預(yù)測準(zhǔn)確率等性能指標(biāo)均得到進(jìn)一步提升.

圖7 平均訓(xùn)練損失隨訓(xùn)練周期變化Fig.7 Average training loss varies with the training period.

4 模型評估及軌跡滾動預(yù)測

根據(jù)上述4種實驗方案，引入測試集來計算未來5 s 軌跡預(yù)測位置，利用RMSE 和NLL 指標(biāo)評估預(yù)測偏差，結(jié)果見圖8.可見，由于交織區(qū)路段相較直線路段交通流運行狀態(tài)更復(fù)雜，4 s 后交織區(qū)路段直接訓(xùn)練方案相較于直線路段直接訓(xùn)練方案的預(yù)測誤差更大，但短時間內(nèi)基于遷移學(xué)習(xí)的交織區(qū)軌跡預(yù)測誤差更小.基于遷移學(xué)習(xí)訓(xùn)練的交織區(qū)坐標(biāo)預(yù)測誤差顯著降低，車輛行為預(yù)測準(zhǔn)確率得到提升.表明遷移學(xué)習(xí)訓(xùn)練不僅能大幅縮短訓(xùn)練時間，還能提高模型預(yù)測準(zhǔn)確率與泛化能力.

圖8 采用（a）RMSE指標(biāo)與（b）NLL指標(biāo)對于未來5 s的軌跡預(yù)測結(jié)果對比. 插圖為局部放大細(xì)節(jié)Fig.8 Comparison of future 5 s trajectory prediction results using (a) RMSE metric and (b) NLL metric across different training schemes. The figure includes a zoomed-in detail. Blue line with circle represents direct line segment I80, orange line with square represents direct training US101, green line with spindle shape represents transfer learning US101, and red line with triangle represents improved transfer learning US101.

采用圖9 的滾動預(yù)測法（rolling prediction）實時更新車輛軌跡預(yù)測，以應(yīng)對動態(tài)變化的交通場景，并提供較為準(zhǔn)確的預(yù)測結(jié)果.模型根據(jù)前3 s 的歷史軌跡、鄰車位置信息、掩碼信息、橫向及縱向行為數(shù)據(jù)，預(yù)測未來5 s 內(nèi)的車輛軌跡.模型選取前0.1 s 軌跡位置的最大概率點作為預(yù)測軌跡開始，以0.1 s為步長，逐步進(jìn)行滾動預(yù)測.0.1 s對應(yīng)于NGSIM 的數(shù)據(jù)采樣率，確保預(yù)測和實際情況同步.通過這種方式，模型能夠逐步繪制出車輛在一段時間內(nèi)的預(yù)測軌跡，從而實現(xiàn)實時預(yù)測.

圖9 滾動預(yù)測的原理及方法Fig.9 Principle and method of rolling prediction.

以歷史軌跡最后一幀的坐標(biāo)為原點，將縱向相對位置設(shè)為橫坐標(biāo)，橫向相對位置設(shè)為縱坐標(biāo)，構(gòu)建車輛軌跡坐標(biāo)圖，可以直觀對比車輛在一段時間內(nèi)預(yù)測軌跡與真實軌跡之間的擬合程度.圖10 為交織區(qū)換道的兩條不同車輛的真實軌跡與預(yù)測軌跡，使用LSTM 神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)預(yù)測模型與滾動預(yù)測法，交織區(qū)換道車輛的軌跡預(yù)測值與真實值的RMSE 為2.04 cm，表明遷移學(xué)習(xí)結(jié)合滾動預(yù)測法在高速公路交織區(qū)的預(yù)測可靠性，進(jìn)一步證實在復(fù)雜交織區(qū)場景下，遷移學(xué)習(xí)能夠在大幅減少計算時間，并精準(zhǔn)預(yù)測車輛軌跡.

圖10 （a）交織區(qū)匯入車輛與（b）匯出車輛的真實軌跡與預(yù)測軌跡對比Fig.10 Comparison of real and predicted trajectories for (a) vehicles on-ramp and (b) off-ramp the weaving area. The blue line with circle and the red line with triangle are for the real trace and predicted trace, respectively.

5 結(jié) 論

本研究所取得的結(jié)論如下：

1）相較于直接使用交織區(qū)車輛軌跡數(shù)據(jù)進(jìn)行訓(xùn)練，遷移學(xué)習(xí)在計算效率、穩(wěn)定性等多方面展現(xiàn)出顯著優(yōu)勢.首先，遷移學(xué)習(xí)能夠減少61.10%的訓(xùn)練時間，降低計算機運算負(fù)擔(dān)；其次，遷移學(xué)習(xí)有助于增強模型的泛化能力，使其在不同場景中具有更好的適應(yīng)性和魯棒性.遷移學(xué)習(xí)能夠在有效降低計算成本的同時，進(jìn)行更精準(zhǔn)的軌跡預(yù)測，橫向和縱向行為預(yù)測準(zhǔn)確率可提升至98.35% 和93.00%.在未來復(fù)雜交織區(qū)場景中，采用遷移學(xué)習(xí)的方法可以顯著提高智能車的決策效率.

2）滾動預(yù)測法能夠?qū)崿F(xiàn)精準(zhǔn)的車輛軌跡預(yù)測，但由于其預(yù)測滾動步長較小，計算量隨之顯著增加.在實時算力有限的情況下，遷移學(xué)習(xí)能夠有效降低計算成本，結(jié)合滾動預(yù)測法可以實現(xiàn)快速高效且精準(zhǔn)的軌跡預(yù)測，其每個滾動步長的RMSE 為2.04 cm.遷移學(xué)習(xí)軌跡預(yù)測可為智能車在復(fù)雜交織區(qū)場景中的行為決策提供可靠依據(jù)，有助于提高智能車在復(fù)雜交織區(qū)場景中的軌跡預(yù)測效率，值得在類似場景中廣泛應(yīng)用.