基于可解释软掩码注意力机制与异构信息编码器的车辆变道预测

《Scientific Reports》：Vehicle lane change prediction with explainable soft mask attention mechanism and heterogeneous information encoder

　　

摘要

对于智能车辆而言，变道意图预测至关重要，而驾驶员的决策则依赖于对驾驶环境信息的感知与处理。尽管该领域在深度学习方面取得了进展，但对驾驶环境处理的进一步研究依然十分必要。本研究提出了一种软掩码注意力机制，用于自适应地增强或抑制来自目标车辆及周围车辆的输入特征。之后，通过异构信息编码器提取经过掩码处理的特征，从而实现目标车辆与周围车辆信息处理的区分。接着，利用多头注意力机制整合这些编码后的特征，最终通过卷积运算和解码器层输出变道概率。实验结果表明：（1）所提出的SMILE-LC（基于车道编码的软掩码信息变道预测方法）在所有感知范围内均展现出优异的预测性能，且效率与泛化能力较强。（2）软掩码注意力机制直观地揭示了预测模型中的信息处理模式，其中目标车辆的横向加速度是最为关键的特征，而周围车辆的位置信息比其速度和加速度更为重要。（3）异构信息编码器显著提升了变道预测的性能，而且所提出的基于车道的编码策略优于其他编码架构。这些成果有望推动高级驾驶辅助系统（ADAS）的发展，提升变道安全性。