文档名：一种基于长短时记忆的换道决策模型
汽车换道是自动驾驶中的一类重要场景,不合理的换道往往是产生交通拥堵,造成交通事故的重要原因.为了探明各特征变量对换道决策的重要程度,使用极致梯度提升(ExtremeGradientBoosting,XGBoost)算法对各特征变量在换道决策中的重要性进行了量化分析,并设计算法进行换道决策特征的提取,构造换道决策数据集.基于长短时记忆神经网络(Long-ShortTermMemory,LSTM)构造换道决策模型,并与反向传播神经网络(BackPropagation,BP)、支持向量机(SupportVectorMachine,SVM)及随机森林(RandomForest,RF)构造的换道决策模型进行对比.考虑到基于机器学习模型的性能受超参数影响大,且机器学习调参过程复杂、繁琐,提出基于顺序模型优化(SequentialModel-basedOptimization,SMBO)算法进行超参数调优.结果表明,基于LSTM的换道决策模型决策精确度最高,可达到97.71％,综合表现最为优异.
作者：刘永刚 周波波 陈智航 陈峥
作者单位：重庆大学机械传动国家重点实验室,重庆,中国,400044昆明理工大学交通工程学院,云南昆明,中国,650500
母体文献：第22届中国系统仿真技术及其应用学术年会(CCSSTA2021)论文集
会议名称：第22届中国系统仿真技术及其应用学术年会(CCSSTA2021)
会议时间：2021年7月1日
会议地点：合肥
主办单位：中国自动化学会,中国系统仿真学会
语种：chi
分类号：
关键词：汽车自动驾驶系统 换道决策 长短时记忆网络 精确度
在线出版日期：2022年8月26日
基金项目：
相似文献
相关博文
- 文件大小:
- 3.6 MB
- 下载次数:
- 60
-
高速下载
|
|
