日本无码免费高清在线|成人日本在线观看高清|A级片免费视频操逼欧美|全裸美女搞黄色大片网站|免费成人a片视频|久久无码福利成人激情久久|国产视频一二国产在线v|av女主播在线观看|五月激情影音先锋|亚洲一区天堂av

  • 手機站
  • 小程序

    汽車測試網(wǎng)

  • 公眾號

    • 汽車測試網(wǎng)

    • 在線課堂

    • 電車測試

基于交叉幾何和實測速度的轉(zhuǎn)向車輛軌跡預(yù)測

2018-11-01 19:57:27·  來源：IEEE IV 2018論文集，智車科技（IV_Techno  
　
B.使用EKF的速度使用EKF
我們使用EKF預(yù)測未來許多時間內(nèi)的車輛位置。預(yù)測車輛位置不僅需要期望的速度，還需要期望的橫擺角速度。我們基于[ 5 ]實現(xiàn)了期望的橫擺角速度模型。他們的模型輸出橫擺角速度，以便沿著軌跡圖順利通過。我們將車輛狀態(tài)定義為XP =；其中每個狀態(tài)是一個縱向位置，橫向位置，角度，速度，偏航率，加速度，和偏航加速度。
EKF是卡爾曼濾波器的擴展，它估計動態(tài)系統(tǒng)的狀態(tài)：
其中fp顯示均勻加速運動模型。其中fp顯示勻加速運動模型。用期望的速度vdes和期望的偏航速率γdes作為EKF的虛擬測量。期望速度vdes由方程(1)和(2)組成。如果t<tmin，則vdes等于vin(t)，否則等于vout(t)。假設(shè)過程噪聲wp和測量噪聲vp具有正態(tài)分布。關(guān)于噪聲Vγ和WP，請參閱[5]。期望速度VV中的噪聲是觀測到的當(dāng)前速度與當(dāng)前時間對應(yīng)的預(yù)測過去速度之間的方差。我們將VV定義如下：
其中Vi是時間步長i之前的預(yù)測速度。在我們的實現(xiàn)中，Vi，N的數(shù)量被設(shè)置為10。預(yù)測時間步長的差異通過乘以10 / i來歸一化。最小值和最大值是通過實驗獲得的常數(shù)值，分別設(shè)置為1.0和15.0

V.實驗
本節(jié)介紹了對日本神奈川交叉口實際數(shù)據(jù)進行預(yù)測評估的一些結(jié)果。數(shù)據(jù)集來自10個不同的交叉口，由65輛左轉(zhuǎn)車輛組成。交通參與者的地面真實位置是從點云數(shù)據(jù)手工教授的。觀察到的一些交通情況中，有行人在人行橫道上橫過。我們的算法沒有使用行人位置，而是從點云數(shù)據(jù)中學(xué)習(xí)。
圖4.并與其它方法的預(yù)測誤差和速度誤差進行了比較。橙色和藍(lán)色分別顯示了我們的方法的觀測誤差和無觀測誤差。
圖5.速度控制點位置預(yù)測誤差的比較。

A.評估預(yù)測性能
對預(yù)測精度進行了定性和定量評價。預(yù)測結(jié)果的代表性場景如圖6所示。
第一列顯示了從安裝在實驗飛行器上的照相機上拍攝的照片；
第二列顯示預(yù)測的軌跡。橙色和藍(lán)色分別表示預(yù)測結(jié)果和真實軌跡。黑點序列表示軌跡圖；
第三列表示預(yù)測誤差，定義為每個預(yù)測時間步的真實位置與預(yù)測位置之間的歐氏距離；
最后一列表示由期望速度(橙色)、觀察到的過去速度(紅色)、擬合后的過去速度(綠色)和真速度(藍(lán)色)組成的速度圖。
真速度是根據(jù)當(dāng)前時間的真實位置與前一步和兩步的真實位置之間的差值來計算的。從彈道結(jié)果和速度圖中，我們發(fā)現(xiàn)預(yù)測的軌跡接近真實軌跡，考慮到觀測到的過去的速度，期望的速度形成了一條光滑的曲線。預(yù)測的軌跡沿軌跡圖彎曲，以期望的偏航速率。從圖6(A)和(B)中我們發(fā)現(xiàn)，我們的方法可以從任何位置預(yù)測跡。圖6(C)是一種涉及車輛和行人的互動情景。
由于期望的速度在人行橫道上變得最小，當(dāng)有行人時，觀測到的過去的速度很低，所以預(yù)測的最小速度接近于零。另一方面，圖6(D)顯示了發(fā)生最嚴(yán)重錯誤的場景。造成較大誤差的原因是車輛與行人的相互作用。如上所述，當(dāng)行人通過人行橫道時，我們的方法可以將最小速度降到接近于零的水平。然而，由于我們的方法沒有使用行人信息，另一名司機發(fā)動車輛的意圖是不可知的。我們認(rèn)為，預(yù)測起步時間需要更多的周邊信息，例如行人的位置。
圖6.每行顯示典型場景的結(jié)果。第一列顯示攝像機圖像，第二列顯示軌跡結(jié)果。紅色和橙色矩形分別表示自我車輛和其他車輛。橙色和藍(lán)色軌跡分別顯示預(yù)測軌跡和真軌跡。紫色圓圈顯示行人。第三列為帶觀測誤差的預(yù)測誤差，第四列為由期望速度(橙色)、觀察到的過去速度(紅色)、擬合后的過去速度(綠色)和真速度(藍(lán)色)組成的速度圖。
 
其次，我們將我們的方法與其他速度模型進行了定量比較。用四種方法進行了比較：我們的方法，常加速運動模型，和之前的兩項工作[5]，[14]。[5]的方法是基于縱向加速度隨時間常數(shù)減小到零的假設(shè)。[14]方法基于軌跡圖的曲率生成所需的速度模型。為了使兩種方法進行公平的比較，除了速度模型外，其它方法的實現(xiàn)都是相同的。圖4示出了預(yù)測誤差和速度誤差的平均值，達(dá)到了4.0秒。我們發(fā)現(xiàn)，該方法的預(yù)測誤差和速度誤差最小。本文提出的常加速運動模型和[5]提出的方法不能再現(xiàn)速度的變化，如減速和加速。文[14]提出的方法可以再現(xiàn)速度的變化，但該方法只考慮了曲率，表現(xiàn)得不夠。

另外，我們只對預(yù)測部分的精度進行了評估。上述預(yù)測誤差包括由于車輛檢測和跟蹤而產(chǎn)生的觀測誤差。利用當(dāng)前時間的真實位置作為預(yù)測算法的輸入，重新計算預(yù)測誤差和速度誤差。每個錯誤都在圖4(藍(lán)線)中繪制。4.0s預(yù)測層末有無觀測誤差的平均預(yù)報誤差分別為4.7m和4.3m。
 
B.評估速度控制點的位置
在我們的方法中，速度控制點被設(shè)置為最接近人行橫道的路徑點，因為在車輛通過人行橫道之前，速度被認(rèn)為是最小的。在這一部分中，我們定量地描述了速度控制點是最佳位置的位置。以速度控制點的三個位置進行比較，一個是最近的人行橫道，另一個是范圍的中心，包括曲率等于或超過閾值的路徑點，第三個是上述范圍的最后一點。
 
圖5顯示了速度控制點的每個位置和數(shù)據(jù)集的每個序列的預(yù)測誤差的平均值。最右邊的圖表示所有序列的平均值，并表明速度控制點的最佳位置是最接近人行橫道的路徑點。當(dāng)行人不存在時(seq 6，7)，在速度控制點設(shè)置到中心的情況下，精度略高。另一方面，當(dāng)行人存在時，速度控制點最接近人行橫道的情況下，速度控制點的精度較高。根據(jù)行人是否存在，可以改變速度控制點的位置。然而，在速度控制點設(shè)置到人行橫道的情況下，電動汽車的安全性更高，因為有時由于其他車輛的障礙物而無法檢測到行人。
 
Ⅵ結(jié)論
                 
本文提出了一種城市交叉路口轉(zhuǎn)彎車輛軌跡預(yù)測方法。該方法提出了一種新的軌道預(yù)測速度模型，該模型考慮了所觀察到的速度和交叉口幾何形狀，如交叉角、拐角半徑、人行道的橫向距離和人行橫道的位置等。我們的方法的優(yōu)點是能夠預(yù)測在任何交點和任何位置的軌跡，我們的方法比其他預(yù)測方法具有更好的預(yù)測性能。
 
在今后的工作中，我們需要解決的問題是，當(dāng)車輛和行人之間發(fā)生相互作用時，預(yù)測誤差會變大。我們將根據(jù)車輛和行人的多重狀態(tài)，改進產(chǎn)生期望速度的方法。
 
REFERENCES
[1] A. Wolfermann, W. K. Alhajyaseen, andH. Nakamura, Modeling speed profiles of turning vehicles at signalized intersections.International Conference on Road Safety and Simulation (RSS2011), 17 pp, 2011.
[2] S. Lefevre, D. Vasquez, and C. Laugier,A survey on motion prediction and risk assessment for intellgient vehicles,ROBOMECH Journal, vol. 1, no. 1, pp. 1-14, 2014.
[3] A. Houenou, P. Bonnifait, V. Cherfaoui,and W. Yao, Vehicle trajectory prediction based on motion model and maneuverrecognition, IEEE/RSJ International Conference on Intelligent Robots andSystems (IROS2013), pp. 4363-4369, 2013.
[4] J. H. Kim and D. S. Kum, Threatprediction algorithm based on local path candidates and surrounding vehicletrajectory predictions for automated driving vehicles, IEEE InternationalConference on Intelligent Vehicles Symposium (IV2015), pp. 1220-1225, 2015.
[5] B. Kim, and K. Yi, Probabilistic andholistic prediction of vehicle states using sensor fusion for application tointegrated vehicle safety systems, IEEE Transactions on IntelligentTransportation Systems, vol. 15, pp. 2178-2190, 2014.
[6] D. Petrich, T. Dang, D. Kasper, G. Breuel,and C. Stiller, Mapbased long term motion prediction for vehicles in trafficenvironments, IEEE International Conference on Intelligent TransportationSystems (ITSC2013), pp. 2166-2172, 2013.
[7] J. Wiest, M. Hoffken, U. Krebel, and K.Dietmayer, Probabilistic trajectory prediction with gaussian mixture models,IEEE International Conference on Intelligent Vehicles Symposium (IV2012), pp.141-146, 2012.
[8] M. Schreier, V. Willert, and J. Adamy,An Integrated Approach to Maneuver-based Trajectory Prediction and CriticalityAssessment in Arbitrary Road Environments, IEEE Transactions on Intelligent TransportationSystems, vol. 17, pp. 2751-2766, 2016.
[9] Q. Tran and J. Firl, Modelling oftraffic situations at urban intersections with probabilistic non-parametricregression, IEEE International Conference on Intelligent Vehicles Symposium(IV2013), pp. 334-339, 2013.
[10] T. Gindele, S. Brechtel, and R. Dillmann,R, Learning driver behavior models from traffic observations for decisionmaking and planning, IEEE Intelligent Transportation Systems Magazine, vol, 7,pp. 69-79, 2015.
[11] M. Brand, N. Oliver, and A. Pentland,Coupled hidden Markov models for complex action recognition, IEEE InternationalConference on Computer Vision and Pattern Recognition(CVPR1997), pp. 994-999, 1997.
[12] S. Hoermann, M. Bach, and KlausDietmayer, Dynamic Occupancy Grid Prediction for Urban Autonomous Driving: ADeep Learning Approach with Fully Automatic Labeling, arXiv preprint arXiv:1705.08781,2017.
[13] B. Kim, C. M. Kang, S. Lee, H. Chae,J. Kim, C. C. Chung, and J. W. Choi, Probabilistic Vehicle TrajectoryPrediction over Occupancy Grid Map via Recurrent Neural Network, arXiv preprintarXiv:1704.07049, 2017.
[14] M. Liebner, F. Klanner, M. Baumann, C.Ruhhammer, and C. Stiller, Velocity-based driver intent inference at urbanintersections in the presence of preceding vehicles, IEEE IntelligentTransportation Systems Magazine, vol. 5, pp. 10-21, 2013.
[15] T. D. Vu and O. Aycard, Laser-baseddetection and tracking moving objects using data-driven markov chain montecarlo, IEEE International Conference on Robotics and Automation(ICRA2009), pp.3800-3806, 2009
作者情況：
1Atsushi Kawasaki is with the Corporate R&D Center, Toshiba Corporation, Japan. atsushi1.kawasaki@toshiba.co.jp
2Tsuyoshi Tasaki was with the Corporate R&D Center, Toshiba Corporation, Japan. He is now with Meijo University, Japan. tasaki@meijo-u.ac.jp 
分享到：
 
反對 0 舉報 0 收藏 0 評論 0
廣告
滬ICP備11026917號-25