使用双卷积Transformer学习周围车辆交互以实现变道意图预测
《Physica A: Statistical Mechanics and its Applications》:Learning surrounding-vehicle interactions for lane-change intention prediction with a Dual Convolutional Transformer
【字体:
大
中
小
】
时间:2026年09月22日
来源:Physica A: Statistical Mechanics and its Applications 3.1
编辑推荐:
摘要
准确的变道意图预测对于碰撞避免、轨迹规划和协同驾驶至关重要。现有方法通常仅关注目标车辆的时序演化或其与周边车辆的局部交互,因此在联合建模稀疏多车时空上下文和紧凑的全局交互依赖方面仍存在局限性。为克服这一不足,本文提出了一种双卷积Transformer网络(DCTN)用
摘要
准确的变道意图预测对于碰撞避免、轨迹规划和协同驾驶至关重要。现有方法通常仅关注目标车辆的时序演化或其与周边车辆的局部交互,因此在联合建模稀疏多车时空上下文和紧凑的全局交互依赖方面仍存在局限性。为克服这一不足,本文提出了一种双卷积Transformer网络(DCTN)用于变道意图预测。首先将原始轨迹转换为以自车为中心的时空网格,编码目标车辆及其邻近车辆的相对位置、速度和加速度信息;随后通过三维卷积神经网络(3D CNN)提取紧凑的时空模式,二维卷积神经网络(2D CNN)进一步聚合局部上下文结构,Transformer编码器则捕获编码后的空间上下文标记之间的全局依赖关系。在NGSIM US-101数据集上的实验表明,所提模型取得了0.8675的精确率、0.8597的召回率和0.8599的F1分数,优于包括KNN、SVM、原始Transformer、Residual-MBi-LSTM和GCN在内的代表性基线方法。消融实验、采样比例分析、超参数分析和影响因素分析进一步验证了两个卷积阶段的互补作用,并阐明了类别不平衡、架构设置、输入变量和空间交互范围的影响。结果表明,双阶段卷积编码与自注意力机制的结合为高速公路交通中的变道意图预测提供了一种精确且计算高效的解决方案。
引言
高级驾驶辅助系统(ADAS)是实现从手动驾驶向高度自动驾驶过渡的关键使能技术,因为它提供了持续的感知、决策支持和运动控制辅助。在此背景下,提前预测变道意图尤为重要,因为变道行为与碰撞风险、交通扰动和下游规划决策密切相关。可靠的意图预测可以改善驾驶安全性,减少不必要的干预,并提高智能交通系统的运行效率[1], [2], [3]。
变道意图预测旨在从短观察窗口中判断目标车辆将保持当前车道、向左变道还是向右变道[4], [5]。尽管该任务通常被表述为三分类问题,但底层决策过程由目标车辆、邻近车辆和周围交通环境之间的动态交互驱动。在实际中,变道很少由单一瞬时线索触发,而是从相对位置、速度、加速度和局部间隙条件随时间联合演化中产生。因此,该任务更适合被视为多智能体时空预测问题。
早期研究主要依赖物理、概率或统计模型,如隐马尔可夫模型(HMM)和高斯混合模型(GMM),来描述变道行为[5], [6]。这些模型提供了可解释的表述形式,但在表示密集动态交通中产生的非线性交互方面存在局限。随着轨迹感知数据和数据驱动建模的不断普及,深度学习日益占据主导地位。LSTM和GRU等循环架构在时序建模方面有效,卷积模型能够捕获局部时空结构,图模型显式编码车辆之间的交互,基于Transformer的模型则具备强大的长程依赖建模能力[7], [8], [9], [10]。尽管取得了这些进展,仍有一些实际挑战尚未得到充分解决。
- 耦合的多车时空交互:变道决策不仅依赖于目标车辆的历史,还取决于前车、后车和相邻车辆的演变状态。因此,模型必须同时捕获纵向和横向方向上的耦合交互,而非独立处理每条轨迹。
- 稀疏观测与类别不平衡:在高速公路交通数据中,保持车道样本远多于变道样本,且在给定时间步中,以自车为中心的空间邻域中许多格子为空。这种稀疏性和不平衡可能导致学习偏向多数类,并削弱对相对罕见的变道行为的预测。在本研究中,稀疏性通过显式表示空格子并在自注意力之前压缩所得张量来处理,类别不平衡则通过受控类别比例采样和逐类评估来处理。
- 异构特征的高效融合:变道意图同时受多帧中观测到的多个运动学变量影响。直接对完整时空张量应用全局依赖模型可能产生巨大的计算开销,而过度的手动压缩可能移除具有行为意义的信息。
为解决上述问题,本文提出了一种双卷积Transformer网络(DCTN)用于变道意图预测。核心理念是在统一架构中结合局部时空编码与全局依赖建模。具体而言,三维CNN首先从多车输入张量中提取紧凑的时空特征,二维CNN进一步聚合局部上下文结构,Transformer编码器则在所得空间上下文标记序列上建模全局依赖关系。通过这种方式,所提框架在保留多车交互模式信息的同时,避免了直接对高维稀疏输入张量应用自注意力所带来的计算负担。
基于此设计,本文的主要贡献总结如下:
- 开发了一种面向任务的变道意图预测框架DCTN,集成了三维CNN、二维CNN和Transformer编码器。双阶段卷积前端作为紧凑的时空编码器,而Transformer则从编码后的空间上下文表示中捕获全局交互依赖。因此,其贡献在于架构设计和实证研究,而非发明一种新的神经算子。
- 基于NGSIM US-101数据集构建了以自车为中心的时空网格表示,描述目标车辆及其邻近车辆的联合状态。在此基础上,系统研究了不同输入变量的影响以及前车和后车的空间影响范围。
- 开展了大量实验,包括与机器学习和深度学习基线的比较、消融实验、采样比例分析、超参数分析、影响因素分析、计算开销分析,以及面向可重复性的样本构建和实现设置报告。结果表明,所提模型在保持精度与效率之间良好平衡的同时,取得了更优的整体性能。
所提框架由标准网络组件构建,而非基于新设计的注意力机制。因此,本研究的贡献不在于引入根本性的新神经算子,而在于证明一种问题导向的双阶段卷积编码与基于Transformer的依赖建模的组合非常适合变道意图预测,并通过系统的实证分析量化了每项设计选择的作用。
本文其余部分组织如下:第2节综述相关研究;第3节公式化变道意图预测问题;第4节介绍所提DCTN架构;第5节描述数据提取和预处理;第6节实验设计和第7节结果与讨论报告实验设计与结果;第8节总结全文并展望未来研究方向。
文献综述片段
现有变道意图预测研究可大致分为四类:传统机器学习方法、循环序列模型、交互感知时空模型,以及基于注意力或Transformer的模型。
早期研究主要依赖概率和统计学习框架,如隐马尔可夫模型(HMM)、高斯混合模型(GMM)、支持向量机(SVM)和朴素贝叶斯模型,来刻画变道行为[11]。
问题公式化
变道意图预测在此被公式化为从多车状态短历史到离散意图标签的映射[36], [37]。设i表示目标车辆,t表示离散时间步。车辆i在时间t的运动学状态定义为si(t)=[xi(t), yi(t), vi(t), ai(t), ?i(t)],其中xi(t)和yi(t)为局部坐标下的纵向和横向位置,vi(t)和ai(t)为速度和加速度,?i(t)∈{1,…,L}为具有L条车道道路上车辆的车道索引。
所提模型
所提双卷积Transformer网络(DCTN)如图1所示,是一种用于从以自车为中心的高速公路轨迹网格进行变道意图预测的混合卷积-注意力架构。
数据提取与预处理
使用NGSIM US-101数据集构建变道意图预测样本。该数据集记录了640米路段上五条主线车道45分钟的高速公路交通数据(上午7:50–8:35),如图2所示。从原始轨迹文件中,仅保留第1–5车道的小轿车记录。本研究所使用的变量包括Vehicle_ID、Frame_ID、Total_Frames、Local_X、Local_Y、v_length、v_Class和Lane_ID。
为获得时间一致且行为可靠的样本,对原始数据进行筛选处理。
评估指标
由于变道意图预测受类别不平衡影响,模型性能使用精确率、召回率和F1分数进行评估,而非仅依赖总体准确率。这些指标定义为P=TP/(TP+FP),R=TP/(TP+FN),F1=2PR/(P+R),其中TP、FP和FN分别表示真阳性数、假阳性数和假阴性数。以下报告主比较的总精确率、召回率和F1分数,同时额外报告逐类的精确率和召回率。
整体比较与消融研究
表1将所提DCTN与基线模型及三个消融变体进行比较。DCTN在报告的US-101实验中取得了最佳整体性能,精确率为0.8675,召回率为0.8597,F1分数为0.8599。相较于最强的外部基线GCN,所提模型将F1分数提高了0.0199。由于这一差距较为温和,且提交的实验记录中没有重复随机种子实验,我们对此结果的解释为……
结论与未来工作
本文提出了一种双卷积Transformer网络(DCTN)用于从高速公路轨迹数据进行变道意图预测。该方法将多车运动历史转换为以自车为中心的时空张量,并结合三维CNN、二维CNN和Transformer编码器,联合建模局部时空交互结构和编码后的空间上下文标记之间的全局依赖关系。在NGSIM US-101数据集上的实验表明,所提模型取得了优异的……
CRediT作者贡献声明
李林超:撰写——初稿,方法论,调查研究,数据管理,概念构思。廖子怡:撰写——审阅与编辑,可视化,方法论,调查研究。
利益冲突声明
作者声明不存在已知的竞争经济利益或个人关系,这些利益或关系可能影响本文所述工作的报告。
致谢
本工作得到了深圳市科技计划(项目编号:JCYJ20230808104700002)的支持。
李林超 | 廖子怡
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号