基于LSTM--CNN的驾驶员换道意图预测研究的任务书.docx

基于LSTM--CNN的驾驶员换道意图预测研究的任务书
一、任务背景
随着人类社会的不断发展，交通运输在我们日常生活中扮演着越来越重要的角色。在道路交通中，驾驶员的驾驶行为对行车安全具有重要的影响，如驾驶员的换道意图预测。随着汽车智能化技术的发展，许多新一代的汽车都配备了智能化驾驶辅助系统。换道决策属于驾驶员行为预测，因此换道意图预测技术也是智能化驾驶辅助系统的重要组成部分。
当前，对于驾驶员换道意图预测，已经有多种方法被提出。其中，基于机器学习的方法可以利用大量真实场景数据，通过构建模型进行训练，为换道意图预测提供更加准确的结果。而深度学习在机器学习领域中也越来越受到重视。LSTM-CNN模型作为深度学习中应用较广泛的模型之一，已经在物体检测、图像分类等各种领域中取得了显著的成就。那么，如何将LSTM-CNN模型应用到驾驶员换道意图预测中，也成为了当前研究的热点问题。
因此，本文将基于LSTM-CNN模型，研究驾驶员换道意图预测的任务，利用真实场景数据进行训练，提高预测的准确性。
二、任务目标
1.掌握LSTM-CNN模型的设计方法和实现技术，了解深度学习在驾驶员行为预测中的应用；
2.能够提取并分析真实场景数据中的驾驶员道路行驶行为特征，为模型训练提供基础；
3.基于真实场景数据，构建LSTM-CNN模型，进行驾驶员换道意图预测实验，实现对驾驶员换道意图进行准确预测；
4.验证所构建模型的准确性，并对实验结果进行分析。
三、任务内容及实施方案
1.数据采集和预处理
采用已公开的NAWI数据集，包含16个驾驶员行驶过程。使用CAN总线数据、GPS数据、动作控制信号和行驶视频作为实验数据。对于CAN数据包，选择速度、转速、方向盘转角和测量油门位置信号作为模型预测参数。预处理包括数据挑选、数据标注和数据预处理。
2.特征提取
运用LSTM-CNN模型，将输入数据转化为所需的特征向量，输入到模型中进行训练。特征工程是影响模型准确性的重要因素，因此需要对数据进行合理特征提取，反映驾驶员行为的物理特征。
3.LSTM-CNN模型设计
LSTM-CNN模型是一种结合了时序数据处理和卷积神经网络的深度学习模型。在模型设计中，需结合数据特征采用合适的网络结构，即LSTM和CNN两层结构相结合，以提高模型的准确度。模型的输入为预处理完成特征向量，通过LSTM层提取时序信息和CNN层提取空间信息，最后通过全连接层输出结果。
4.模型实验和评估
模型实验主要目的是验证所构建的LSTM-CNN模型的准确性。利用预处理的数据进行模型训练，在测试集上验证模型的预测能力。具体评估指标包括准确率、精确率、召回率、F1值等。
5.实验结果分析和总结
根据实验结果，结合所构建模型的特点对实验结果进行分析，总结实验结果，对LSTM-CNN模型在驾驶员行为预测中的应用进行评估。最终输出实验研究报告。
四、预期成果
本文将应用LSTM-CNN模型，研究驾驶员换道意图预测的任务，以NAWI数据集为数据来源，所得到的结果可以为智能化驾驶辅助系统提供更加准确的换道意图预测，为提高交通安全性能做出重要贡献。
五、参考文献
1.Yazidetal.TrafficSignDetectionSystemBasedonDeepLearningApproaches.InternationalJournalofAdvancedComputerScienceandApplications(IJACSA),2016,7(12):474-483.
2.Zhangetal.ANovelDistributedFrameworkforReal-TimeTrafficLightRecognitionandAdaptiveControl.IEEETransactionsonIntelligentTransportationSystems,2018,19(4):1077-1091.
3.Cuietal.DeepLearninginAutomatedDrivingScenarios:ASurvey.IEEETransactionsonIntelligentTransportationSystems,2019,20(6):2228-2250.