روش پیش‌بینی حرکت خودروی سبک وزن درازمدت با استفاده از پایگاه داده فضایی و داده‌های مسیر حرکتی

خلاصه

پیش‌بینی بلندمدت حرکت وسیله نقلیه یک عملکرد بسیار مهم برای رانندگی خودکار و سیستم‌های پیشرفته دستیار راننده است. با این حال، به دلیل عدم قطعیت دینامیک وسیله نقلیه و پیچیدگی های محیط، پیش بینی حرکت طولانی مدت هرگز کار بی اهمیتی نیست. همانطور که آنها اثرات انسان، وسایل نقلیه و محیط را ترکیب می کنند، داده های مسیر حرکتی چندین جنبه از رفتارهای فضایی وسایل نقلیه را منعکس می کنند. در این مقاله، ما یک روش جدید را پیشنهاد می‌کنیم که از پایگاه داده فضایی و داده‌های مسیر حرکتی برای دستیابی به پیش‌بینی بلندمدت حرکت خودرو به روشی سبک استفاده می‌کند. در سیستم ما، یک سیستم پایگاه داده فضایی در ابتدا در یک چارچوب فیلتر کالمن (EKF) توسعه یافته تعبیه شده است. داده های مسیر حرکتی فضایی از طریق پایگاه داده مدیریت می شوند و به طور مستقیم در پیش بینی حرکت استفاده می شوند. برای مثال، میانگین های وزنی از داده های سینماتیکی بازیابی شده به دست می آیند و برای به روز رسانی پیش بینی های EKF استفاده می شوند. روش پیشنهادی در دنیای واقعی تایید شده است. آزمایش‌ها نشان می‌دهند که روش‌های مختلف وزن‌دهی تفاوت جزئی در دقت ایجاد می‌کنند. روش ما داده و محاسبات مصرف نمی شود. عملکرد آن در شرایط داده محدود قابل قبول است و دقت پیش بینی آن با افزایش اندازه مجموعه داده های استفاده شده بهبود می یابد. روش ما می تواند در زمان واقعی پیش بینی کند. کارایی فیلتر کالمن بدون بو (UKF) با EKF مقایسه می شود. نتایج نشان می دهد که UKF به سختی می تواند الزامات زمان واقعی را برآورده کند. آزمایش‌ها نشان می‌دهند که روش‌های مختلف وزن‌دهی تفاوت جزئی در دقت ایجاد می‌کنند. روش ما داده و محاسبات مصرف نمی شود. عملکرد آن در شرایط داده محدود قابل قبول است و دقت پیش بینی آن با افزایش اندازه مجموعه داده های استفاده شده بهبود می یابد. روش ما می تواند در زمان واقعی پیش بینی کند. کارایی فیلتر کالمن بدون بو (UKF) با EKF مقایسه می شود. نتایج نشان می دهد که UKF به سختی می تواند الزامات زمان واقعی را برآورده کند. آزمایش‌ها نشان می‌دهند که روش‌های مختلف وزن‌دهی تفاوت جزئی در دقت ایجاد می‌کنند. روش ما داده و محاسبات مصرف نمی شود. عملکرد آن در شرایط داده محدود قابل قبول است و دقت پیش بینی آن با افزایش اندازه مجموعه داده های استفاده شده بهبود می یابد. روش ما می تواند در زمان واقعی پیش بینی کند. کارایی فیلتر کالمن بدون بو (UKF) با EKF مقایسه می شود. نتایج نشان می دهد که UKF به سختی می تواند الزامات زمان واقعی را برآورده کند.

کلید واژه ها:

پایگاه داده فضایی ; پیش بینی حرکت ؛ فیلتر کالمن ; داده های مسیر حرکتی ; شخصی شده

۱٫ معرفی

سیستم دستیار راننده پیشرفته (ADAS) و رانندگی خودکار (AD) اجزای مهم یک جامعه ترافیکی ایمن هستند. ADAS از فن‌آوری‌های حسگر مختلف برای ارائه اطلاعات، هشدارها و کمک به راننده برای بهبود توانایی او در واکنش به خطرات جاده از طریق رابط انسان و ماشین استفاده می‌کند. علاوه بر این، AD به وسایل نقلیه اجازه می دهد تا بدون هیچ گونه مداخله انسانی بر اساس سیستم های ادراک، برنامه ریزی، تصمیم گیری و کنترل اساسی رانندگی کنند. در میان مناطق ADAS و AD یک هدف مشترک و اساسی وجود دارد: رانندگی ایمن. پیش بینی حرکت طولانی مدت وسیله نقلیه (LVMP) یک فناوری مهم برای رانندگی ایمن است. ۱] به دلیل توانایی آن در پیش بینی وضعیت خودرو از قبل؛ بنابراین می توان خطر آتی را شناسایی کرد. با این حال، LVMP به دلیل عدم قطعیت های مربوط به دینامیک خودرو و پیچیدگی های محیط، هرگز کار بی اهمیتی نیست.

برای دهه‌ها، روش‌های مختلفی برای توضیح تکامل حرکت وسیله نقلیه در بازه زمانی طولانی پیشنهاد شده است [ ۲ ]. پنج ژانر اصلی در مطالعات LVMP وجود دارد: (۱) روش‌های مبتنی بر مدل فیزیکی که از عبارات ریاضی صریح برای توصیف تکامل حرکت وسیله نقلیه استفاده می‌کنند، مانند [ ۳ ، ۴ ]. (۲) روش‌های مبتنی بر تطبیق مسیر که مسیرهای وسایل نقلیه را به الگوهای حرکتی معمولی برای دستیابی به پیش‌بینی حرکت درازمدت ترسیم می‌کنند، مانند [ ۵ ]. (۳) روش‌های مبتنی بر یادگیری ماشینی که مدل‌های پیش‌بینی را از داده‌های تاریخی یاد می‌گیرند، مانند [ ۶ ، ۷ ، ۸ ، ۹]؛ (۴) روش‌های به کمک نقشه که از داده‌های نقشه، به‌ویژه هندسه‌های نقشه‌های با وضوح بالا (HD)، برای تحقق پیش‌بینی حرکت درازمدت استفاده می‌کنند، مانند [ ۱۰ ]. (۵) روش های ترکیبی که حداقل از دو روش فوق استفاده می کنند، مانند [ ۱۱ ].

این روش ها سعی می کنند با عدم قطعیت ها و پیچیدگی های موجود در LVMP از دیدگاه های مختلف کنار بیایند. با این حال، هر نوع روش دارای مزایا و معایب است و برخی از چالش ها باقی می ماند. روش های مبتنی بر مدل فیزیکی ساده و کارآمد هستند. با این حال، یک وسیله نقلیه نه تنها توسط قوانین فیزیکی، بلکه یک انسان و محیط های ترافیکی، به عنوان مثال، شرایط جاده و علائم ترافیکی نیز کنترل می شود. کار قبلی ما نشان داد که یک مدل فیزیکی منفرد قادر به پیش‌بینی بلندمدت قابل اعتماد نیست [ ۱۲]. روش‌های مبتنی بر تطبیق مسیر و یادگیری ماشینی به دلیل استفاده از حجم عظیمی از داده‌های تاریخی از پیش آماده شده، پیش‌بینی‌های معقولی دریافت می‌کنند. بنابراین آنها از نظر محاسباتی گران هستند و داده مصرف می شوند. دقت پیش‌بینی به شدت به غنای داده‌های تاریخی جمع‌آوری‌شده وابسته است. روش‌های به کمک نقشه هم کارایی و هم کارایی را در نظر می‌گیرند. با تولید انبوه نقشه های HD، برخی از روش های معمولی به کمک نقشه در سال های اخیر پیشنهاد شده اند، مانند [ ۱۰ ، ۱۱ ، ۱۳ ].]. با این حال، اینها فاقد پایه های معقول برای ترکیب داده های نقشه ایستا هستند که توسط سازندگان نقشه با حرکت پویا وسیله نقلیه تعریف شده است. ترکیب اجباری آنها باعث می شود پیش بینی به داده ها/ویژگی های نقشه ایستا همگرا شود و دینامیک وسیله نقلیه مطمئناً از بین می رود، به عنوان مثال، پیش بینی مسیر آنها به خط مرکزی خط و سرعت پیش بینی شده به سرعت ثابت همگرا می شود. ویژگی ها در نقشه ها

یک مسیر خاص را می توان به عنوان نتیجه تعامل بین یک وسیله نقلیه خاص و راننده در محیط های خاص در نظر گرفت. به عنوان سوابق حرکات دینامیکی وسیله نقلیه، داده های مسیر حرکتی فضایی وسایل نقلیه، مانند موقعیت، سرعت، انحراف، سرعت انحراف و شتاب، در واقع رفتارهای فضایی وسایل نقلیه را از چندین جنبه منعکس می کنند. به عنوان مثال، موقعیت نزدیک به سمت راست یک خط نشان می دهد که وسیله نقلیه به راست خواهد پیچید. سرعت ها و شتاب ها در امتداد بخش های مختلف جاده بازتابی از سبک های رانندگی در فضاهای مختلف بود. در پیش‌بینی‌های حرکت خودرو که پر از عدم قطعیت هستند، این اطلاعات برای اصلاح پیش‌بینی‌های مدل‌های ریاضی بسیار مهم است. به منظور غلبه بر معایب ژانرهای ذکر شده در LVMP، این مقاله در اقدامی بدیع،

مشارکت های اصلی این مقاله در زیر خلاصه می شود:

یک روش LVMP شخصی جدید مبتنی بر پایگاه داده فضایی و داده های مسیر حرکتی پیشنهاد شده است. متفاوت از روش‌های مبتنی بر داده‌های تاریخی موجود که دانش را از حجم عظیمی از داده‌ها یاد می‌گیرند، روش ما اطلاعات مربوطه را بر اساس روابط فضایی از طریق یک پایگاه داده فضایی سازمان‌یافته بازیابی می‌کند. علاوه بر این، عوامل شخصی نادیده گرفته شده در روش های حاضر، مانند اطلاعات راننده و خودرو، در این مقاله در نظر گرفته شده است.
یک سیستم پایگاه داده فضایی در ابتدا در یک چارچوب کلاسیک KF تعبیه شده است. این ترکیب سیستم ما را سبک وزن می کند و استفاده از جستجوی فضایی باعث می شود که الگوریتم ما بتواند به سرعت بیشترین داده های مرتبط با فضایی را پیدا کند.
در این مقاله دقت و کارایی الگوریتم ها مورد بحث قرار گرفته است.

ادامه این مقاله به شرح زیر سازماندهی شده است. برخی از کارهای مرتبط در بخش ۲ بررسی شده است . سپس یک نمای کلی از سیستم ما در بخش ۳ ارائه شده است و روش شناسی این مقاله به طور مفصل در بخش ۴ ارائه شده است . آزمایش ها در بخش ۵ مورد بحث قرار می گیرند . کار آینده در بخش ۶ خلاصه شده و مقاله در بخش ۷ نتیجه گیری شده است .

۲٫ کارهای مرتبط

پیش‌بینی بلندمدت حرکت وسیله نقلیه یک حوزه تحقیقاتی مهم در میان AD و ADAS است. در [ ۱۲ ]، مدل‌های نرخ و سرعت چرخش ثابت (CTRV) و سرعت چرخش و شتاب ثابت (CTRA) مستقیماً برای پیش‌بینی حرکت خودرو در چارچوب KF حلقه باز بدون هیچ گونه اصلاح اطلاعات خارجی استفاده شدند. نتایج نشان می دهد که یک مدل ریاضی تنها برای LVMP مناسب نیست. اگرچه یک مدل حرکت خودروی فیزیکی مستقل نمی‌تواند به طور قابل اعتماد پیش‌بینی کند، تغییر بین مدل‌های حرکتی مختلف در صحنه‌های مختلف با استفاده از سیستم استدلال Dempster-Shafer می‌تواند یک پیش‌بینی کامل ایجاد کند [ ۴ ]]. با این حال، تا به امروز، مطالعات کمی تنها از مدل‌های فیزیکی برای انجام LVMP استفاده کرده‌اند، زیرا برخی از فرضیه‌های ثابت اجتناب‌ناپذیر مدل‌های حرکتی در بازه زمانی طولانی غیرمنطقی هستند. یک جبران، در نظر گرفتن کامل عدم قطعیت ها در پیش بینی ها، مانند [ ۱۴ ، ۱۵ ، ۱۶ ] است.

استفاده از داده های تاریخی برای پیش بینی حرکت وسیله نقلیه در محدوده زمانی طولانی یک روش رایج و غالب است. یک مطالعه اولیه را می توان به سال ۲۰۰۹ برمی گرداند [ ۵ ]. نویسندگان یک روش حرکت طولانی مدت را پیشنهاد کردند که طبقه بندی مسیر و یک چارچوب فیلتر ذرات را ترکیب می کرد. این یک روش به اصطلاح مبتنی بر تطبیق مسیر بود. آنها از یک متریک متداول متوالی متداول و طولانی‌ترین متداول چرخشی مبتنی بر کواترنیون برای اندازه‌گیری شباهت مسیر استفاده کردند. پروفیل های سرعت و زمان به عنوان ارائه محیط های اطراف در [ ۱۷ ] معرفی شدند]، که در آن از فیلتر ذرات برای ترکیب اطلاعات محیط ها و مدل های حرکت استفاده شده است. با این حال، الگوریتم فقط موقعیت های یک بعدی را در طول مسیرها پیش بینی می کرد. هوش مصنوعی (AI) یک پارادایم قدرتمند برای پیش بینی ترافیک است [ ۱۸ ]. فرآیند گاوسی برای یادگیری پارامترهای مسیرهای خودرو در [ ۱۹ ] استفاده شد. علاوه بر این، برای در نظر گرفتن تعاملات وسایل نقلیه، یک شبکه بیزی پویا در [ ۲۰ ] استفاده شد. در [ ۲۱ ، ۲۲ ، ۲۳ ]، شبکه های عصبی نموداری برای مدل سازی تعاملات پیچیده بین وسایل نقلیه و زیرساخت های کنار جاده استفاده شد. شبکه‌های عصبی عمیق نیز برای پیش‌بینی مسیرهای خود-خودرو با استفاده از مشاهده محیط در [.۲۴ ]. شبکه‌های حافظه کوتاه‌مدت بلند مدت (LSTM) به‌طور گسترده در کارهای توالی مانند پیش‌بینی ترافیک و مسیر استفاده می‌شوند. در [ ۷ ]، یک شبکه LSTM برای پیش بینی مسیر وسایل نقلیه در بزرگراه ها استفاده شد. مکانیسم‌های توجه مکانی و زمانی به شبکه‌های LSTM در [ ۸ و ۹ ] معرفی شدند]. یک اشکال رایج روش های فوق این است که آنها باید مقادیر زیادی از داده های تاریخی را برای آموزش از قبل جمع آوری کنند و هزینه محاسبات آنها بسیار بالاتر است. در این مقاله، ما آن را داده و محاسبات مصرفی (DCC) می نامیم. علاوه بر این، این روش ها داده های مسیر از رانندگان و وسایل نقلیه مختلف را یکسان در نظر می گیرند که غیر منطقی است. به عنوان مثال، استفاده از داده های مسیر رانندگان قدیمی برای پیش بینی حرکت وسیله نقلیه یک راننده جوان قابل اجرا نیست. همچنین استفاده از مشخصات سرعت خودروهای اسپرت برای پیش‌بینی سرعت اتوبوس مدرسه نادرست است. ویژگی های شخصی، مانند اطلاعات راننده و وسیله نقلیه وی، باید در نظر گرفته شود.

تجاری سازی نقشه های HD راه حل جدیدی برای LVMP ارائه می دهد و امکان سنجی آن در برخی مطالعات تایید شده است. در [ ۱۰ ]، یک فیلتر کالمن توسعه یافته (EKF) برای به روز رسانی پیش بینی انجام شده توسط یک مدل دوچرخه سینماتیکی با استفاده از اطلاعات به دست آمده از نقشه های HD، مانند موقعیت، عنوان، و سرعت به کار گرفته شد. در این مقاله، مجذور فاصله ماهالانوبیس برای تعیین خط ترافیک به عنوان دسترسی به داده های نقشه استفاده شد. به طور مشابه، در [ ۱۳ ]، یک EKF برای ترکیب یک مدل حرکت شتاب یکنواخت و مدل سرعت که بر اساس نقشه HD و سرعت های مشاهده شده ساخته شده بود، استفاده شد. در [ ۱۱]، نویسندگان یک روش دوخت آگاه از عدم قطعیت را پیشنهاد کردند که مسیرهای کوتاه‌مدت پیش‌بینی‌شده توسط مدل‌های آموخته‌شده را با اهداف بازیگر بلندمدت مشتق شده از خطوط مرتبط ترکیب می‌کرد. روش‌های به کمک نقشه ترکیبی از حرکات پویا وسیله نقلیه با داده‌های نقشه استاتیک را مجبور می‌کنند، که باعث از بین رفتن دینامیک در LVMP می‌شود.

در این مقاله، یک روش LVMP جدید پیشنهاد شده است. مقایسه بین روش پیشنهادی و برخی مطالعات معمولی که از پنج ژانر فوق انتخاب شده اند در جدول ۱ ارائه شده است.. از جدول می‌توان دریافت که: (۱) روش ما به پنج ژانر تعلق ندارد. به طور جدید، آن را در یک چارچوب KF شامل یک پایگاه داده فضایی پیاده سازی شده است. متفاوت از روش‌های قبلی که نیاز به جمع‌آوری حجم عظیمی از داده‌های آموزشی و یادگیری مدل‌های پیش‌بینی بر اساس داده‌ها دارند، که DCC است، روش ما مستقیماً اطلاعات را بر اساس روابط فضایی در فرآیند پیش‌بینی بازیابی می‌کند. فرآیند آموزش مورد نیاز نیست. (۲) در مقایسه با روش‌های به کمک نقشه که دینامیک وسیله نقلیه را در پیش‌بینی‌ها از دست می‌دهند، روش ما از داده‌های مسیر حرکتی فضایی راننده برای پیش‌بینی حرکات وسیله نقلیه استفاده می‌کند. پیش‌بینی‌های ما با سبک‌های رانندگی شخصی راننده در فضاهای مختلف همگرا می‌شوند و پویایی حفظ می‌شود. (۳) علاوه بر این، پیش بینی ما شخصی است.

۳٫ نمای کلی سیستم

الهام‌بخش روش پیشنهادی اولین قانون جغرافیایی توبلر است: همه چیز با هر چیز دیگری مرتبط است، اما چیزهای نزدیک بیشتر به یکدیگر مرتبط هستند [ ۲۵ ]. در زمینه ما، ما فرض می کنیم که در بیشتر موارد رفتارهای وسیله نقلیه از نظر فضایی همبستگی دارند. به عنوان مثال، در یک بخش خاص، وسایل نقلیه همیشه سرعت های مشابهی از خود نشان می دهند و هنگامی که به یک تقاطع یا پیچ نزدیک می شوند، باید سرعت خود را کاهش دهند. بر اساس این شهودها، ما بیشتر فرض می‌کنیم که در بیشتر موارد، به‌عنوان بازنمایی رفتارهای وسیله نقلیه، حالت‌های خودرو از نظر فضایی همبستگی دارند. این باعث می شود LVMP در جایی و زمانی که داده های مسیر حرکتی فضایی در دسترس باشد امکان پذیر باشد. سیستم ما در شکل ۱ نشان داده شده است .

اجزای اصلی سیستم ما در زیر فهرست شده است:

یک برآوردگر ایالت UKF. در مطالعات دنیای واقعی، قبل از پیش‌بینی حرکت، یک برآوردگر وضعیت خودرو در زمان واقعی برای کاهش صداهای حسگر ضروری است. در سیستم ما، یک فیلتر کالمن بدون بو (UKF) که با یک مدل CTRA همکاری می کند، استفاده شده است. UKF اطلاعات مدل CTRA و حسگرهای داخلی را برای برآورد وضعیت خودرو در زمان واقعی در ۱۰ هرتز ترکیب می کند.
پایگاه داده فضایی برای مدیریت داده های مسیر حرکتی پایگاه داده فضایی که داده‌های مسیر حرکتی و نقشه‌های HD را حفظ می‌کند یک جزء حیاتی است. داده‌های مسیر حرکتی، که حاوی اطلاعات مکانی هستند، در پایگاه داده فضایی ذخیره می‌شوند تا از یک جستجوی فضایی سریع برای تحقق LVMP در زمان واقعی استفاده کنند. داده‌های سینماتیکی به نقشه‌های HD پیوند داده می‌شوند تا پرس و جوی فضایی را تسهیل کنند.
الگوریتم سبک وزن LVMP. استفاده از پایگاه داده فضایی و EKF روش ما را سبک می کند. توابع جستجوی سریع فضایی پایگاه داده، مرتبط ترین اطلاعات مکانی را به الگوریتم ما ارائه می دهد و بنابراین ما نیازی به یادگیری دانش از حجم عظیمی از داده ها نداریم. EKF کارآمد پردازش داده ها را در زمان واقعی تضمین می کند.

همانطور که در شکل نشان داده شده است، یک برآورد وضعیت فعلی خودرو که توسط UKF انجام شده است به عنوان حالت اولیه به الگوریتم LVMP ارسال می شود. سپس وضعیت طبق یک مدل CTRV به لحظه بعدی تبدیل می شود. در موقعیت پیش‌بینی‌شده، نقاط مسیر حرکتی اطراف از پایگاه داده فضایی پرس و جو شده و اندازه‌گیری‌های مجازی محاسبه می‌شوند. در نهایت، پیش‌بینی‌ها توسط EKF با استفاده از اندازه‌گیری‌های مجازی تصحیح می‌شوند. این فرآیند ۵۰ بار برای رسیدن به LVMP 5 ثانیه تکرار می شود.

۴٫ روش شناسی

۴٫۱٫ برآورد وضعیت خودرو

برای پیش‌بینی حرکت وسیله نقلیه، لازم است که وضعیت یک وسیله نقلیه در زمان فعلی، مانند تخمین‌های دقیق موقعیت و سرعت، استخراج شود. در این مقاله، یک UKF [ ۲۶ ] در برآورد وضعیت خودرو در زمان واقعی اتخاذ شده است.

برای اختصار، ما در این بخش تنها دو تابع کلیدی در تخمین حالت ارائه می دهیم. یعنی فرآیند و توابع مشاهده. مدل CTRA زیر به عنوان مدل فرآیند در سیستم ما انتخاب شده است:

ایکسک=افجتیrآ(ایکسک-۱)=ایکسک-۱+(vک-۱+آک-۱تی)گناه(θک-۱+ωک-۱تی)-vک-۱گناه(θک-۱)ωک-۱+آک-۱[cos(θک-۱+ωک-۱تی)-cos(θک-۱)]ωک-۱۲yک-۱-(vک-۱+آکتی)cos(θک-۱+ωک-۱تی)-vک-۱cos(θک-۱)ωک-۱+آک-۱[گناه(θک-۱+ωک-۱تی)-گناه(θک-۱)]ωک-۱۲θک-۱+ωک-۱تیvک-۱+آک-۱تیآک-۱ωک-۱

(۱)

در این مدل، ایکسک=[ایکس،y،θ،v،آ،ω]تیوضعیت خودرو در لحظه k است. (ایکس،y)مختصات موقعیت را نشان می دهد. v و a سرعت و شتاب هستند. θو ωهستند و نرخ انحراف. T فاصله زمانی بین k-1 فوری و k است .

توابع مشاهده در معادله ( ۲ ) آورده شده است. قابل توجه است که این توابع وابسته به حسگر و سیستم هستند.

ایکسy=ایکسایکسyy=yایکسθy=θایکسωy=ωایکسvyایکس=vایکسcosθایکسvyy=vایکسگناهθایکسآyایکس=آایکسcosθایکسآyy=آایکسگناهθایکس

(۲)

جایی که پررنگ ها زیرنویس می شوند ایکسو yبه ترتیب، وضعیت سیستم و بردار مشاهده را نشان می دهد. حروف فوق x و y اجزاء را در جهت x و y نشان می دهند. جزئیات تنظیمات الگوریتم UKF در [ ۱۲ ] موجود است. برآورد وضعیت خودرو ایکس^کجتیrآخروجی UKF در پیش‌بینی حرکت خودرو زیر استفاده می‌شود.

۴٫۲٫ پیش بینی حرکت خودرو

۴٫۲٫۱٫ پایگاه داده مسیر حرکتی فضایی

مجموعه داده مسیر حرکتی فضایی کتی={پمن}من=۰مبه عنوان دنباله ای از نقاط مسیر حرکتی تعریف می شود پمن=ایکسyθvآω، که در آن نویزها تا حد امکان از طریق فناوری های فیلتر یا صاف کردن کاهش یافته است. M عدد نقطه است. علاوه بر داده‌های سینماتیکی، که حاوی اطلاعات فضایی نقطه هستند، انواع دیگری از ویژگی‌ها به نقاط مسیر حرکتی ما متصل/پیوند می‌شوند:

ویژگی های معنایی: مانند اطلاعات مربوط به راننده و وسیله نقلیه.
ویژگی های توپولوژیکی: مانند جاده یک نقطه واقع در. نکته قبلی/ بعدی

PostGIS [ ۲۷ ] برای توسعه سیستم پایگاه داده ما انتخاب شده است، که در آن سه جدول: جدول نقطه مسیر حرکتی (ktp)، جدول مسیر حرکتی (kt) و جدول جاده نقشه های HD عمدتاً استفاده می شود، همانطور که در شکل ۲ استفاده می شود.نشان می دهد. جدول ktp اطلاعات سینماتیکی کلیدی این نقاط را ذخیره می کند. اطلاعات توپولوژیکی نقاط سینماتیکی نیز در این جدول حفظ شده است. به عنوان مثال، شناسه جاده ای که یک نقطه سینماتیکی در آن قرار دارد را می توان به راحتی از جدول ktp شناخت. مشخصه id_ro برای بررسی نقاط نامرتبط در جستجوی فضایی زمانی که وسیله نقلیه در جاده در حال رانندگی است استفاده می شود. این امر به درخواست های ما سرعت می بخشد. علاوه بر این، نمایه‌های درخت جستجوی تعمیم‌یافته بر روی جدول ktp برای تسریع بیشتر پرس‌و‌جوها ساخته می‌شوند. از id_kt برای پیوند جدول ktp به جدول kt استفاده می کنیم که در آن آمار مسیرها و اطلاعات معنایی نقاط سینماتیک ذخیره می شود. جدول راننده و وسیله نقلیه اطلاعات شخصی/خصوصی رانندگان و وسایل نقلیه ثبت شده را حفظ می کند.

در این مقاله، ما فرض می کنیم که یک مسیر جهانی از قبل برنامه ریزی شده است. بنابراین تمام جاده هایی که یک وسیله نقلیه از آنها عبور خواهد کرد را می توان شناخت. در یک پرس و جو، فقط داده های مرتبط با جاده ها اسکن می شوند.

۴٫۲٫۲٫ الگوریتم بازیابی فضایی تطبیقی (ASRA)

نقاط مسیر حرکتی به طور یکنواخت در فضا توزیع نشده اند. بنابراین، استفاده از آستانه فاصله ثابت در جستجوهای فضایی نامناسب است. یک الگوریتم بازیابی فضایی بازگشتی پیشنهاد شده است. الگوریتم به طور تطبیقی فاصله جستجو را تنظیم می کند تا اطمینان حاصل شود که حداقل دو نقطه مسیر حرکتی مرتبط را می توان یافت. شبه کدهای آن در شکل ۳ نشان داده شده است.

بر اساس قانون اول جغرافیای توبلر، ASRA سعی می کند نزدیک ترین نقاط سینماتیک مرتبط را بیابد. یعنی، در اطراف یک موقعیت مشخص (ps. x ، ps. y )، نقاط مسیر حرکتی مرتبط باید با قوانین زیر مطابقت داشته باشند:

قوانین فضایی: نقاط باید در فاصله معینی ۰٫۵ m * k قرار داشته باشند، جایی که k < 5، و اختلاف عنوان باید کمتر از π/۲; در غیر این صورت، امتیازات حذف می شوند. اگر k ≥ ۵ باشد و عدد نقطه کمتر از ۲ باشد، جستجو با شکست مواجه می شود.
قوانین توپولوژیکی: نقاط باید در جاده ای قرار داشته باشند که وسیله نقلیه در آن حرکت می کند. در غیر این صورت، امتیازات حذف می شوند.
قواعد معنایی: نقاط باید توسط همان وسیله نقلیه ای تولید شوند که توسط همان شخص هدایت می شود. در غیر این صورت، امتیازات حذف می شوند.

قوانین توپولوژیکی بسیاری از نقاط غیرمرتبط را برای سرعت بخشیدن به جستجو حذف می کند. قوانین فضایی تمام نقاط اطراف را که دارای زاویه سمت نزدیک در یک فاصله مشخص هستند انتخاب می کند. قوانین معنایی تضمین می کند که فقط داده های خصوصی انتخاب می شوند. از یک طرف، این از حریم خصوصی رانندگان محافظت می کند. از سوی دیگر، کلید پیش بینی های شخصی است. عملیات نقاط سینماتیک جستجو شده برای محاسبه اندازه‌گیری‌های مجازی در الگوریتم پیش‌بینی زیر استفاده می‌شود. جزئیات را می توان در بخش “(فرآیند ۲) جستجوی فضایی و محاسبه اندازه گیری مجازی” یافت.

۴٫۲٫۳٫ چارچوب EKF برای یکپارچه سازی داده های مسیر حرکتی

همانطور که در کار قبلی ما گزارش شد [ ۱۲ ]، عملکرد دقت EKF و UKF تقریباً یکسان است. با این حال، EKF سریعتر است. پیش بینی حرکت محاسباتی مصرف می شود. کارایی یک الگوریتم باید به طور جدی مورد بررسی قرار گیرد. بنابراین، یک EKF که با مدل CTRV همکاری می کند در پیش بینی حرکت خودرو استفاده می شود.

در مدل CTRV، یک حالت تخمینی خودرو در لحظه k به صورت تعریف شده است ایکس^ک=ایکسyθvωتی. در سیستم ما، برآورد وضعیت فعلی خودرو ایکس^کجتیrآ، که توسط UKF خروجی می شود، به ایکس^کجتیrvبه عنوان حالت اولیه پیش بینی کننده EKF ما از طریق:

ایکس^کجتیrv=من۰۰۰۰۰۱۵×۶×ایکس^کجتیrآ

(۳)

از این پس، اشاره می کنیم ایکس^کجتیrvمانند ایکس^کبرای اختصار

(فرآیند ۱) پیش بینی

اول، حالت اولیه ایکس^کو کوواریانس مربوطه پکبه حالت لحظه بعدی تکامل یافته اند ایکس^ک+۱-و کوواریانس پک+۱-از طریق معادلات ( ۴ )–( ۶ ).

ایکس^ک+۱-=افجتیrv(ایکس^ک)+wک

(۴)

افجتیrv(ایکس^ک)=ایکسک+vکωکگناه(θک+ωکتی)-vکωکگناه(θک)yک-vکωکcos(θک+ωکتی)+vکωکcos(θک)θک+ωکتیvکωک

(۵)

پک+۱-=جیافپکجیافتی+سک

(۶)

wکنویز فرآیند است. جیافو سکماتریس ژاکوبین تابع را نشان می دهد افجتیrvو به ترتیب ماتریس کوواریانس نویز فرآیند. برای جزئیات بیشتر در مورد ماتریس های ژاکوبین و کوواریانس، [ ۱۲ ] را ببینید.

(فرآیند ۲) جستجوی فضایی و محاسبه اندازه گیری مجازی

در مرحله دوم، ما سعی می کنیم نقاط سینماتیک مرتبط را در اطراف موقعیت پیش بینی شده پیدا کنیم و از این نقاط برای محاسبه یک اندازه گیری مجازی استفاده کنیم.

ASRA در اطراف راه اندازی می شود ایکس^ک+۱-و نقاط مسیر حرکتی مرتبط با عملیات ASRA بازیابی می شوند. سپس از op برای ساخت ماتریس زیر استفاده می شود:

op=ایکس۱y1θ۱v1ω۱⋮⋮⋮⋮⋮ایکسnynθnvnωnتی

(۷)

که در آن n عدد عنصر op است و ما از آن استفاده می کنیم (op)منبرای نشان دادن ستون i از op . هر ستون مربوط به یک نقطه سینماتیک مرتبط است. سه تابع وزنی زیر برای وزن های محاسبه شده برای هر نقطه سیر سینماتیکی پیشنهاد شده است.

wمنj=wمن(دj)=1-دj∑jnدj،من=۱۱،من=۲ه-کدj،من=۳

(۸)

جایی که دjفاصله اقلیدسی بین است ایکس^ک+۱-و (op)j، در معادله ( ۹ ) تعریف شده است.

دj=ED(ایکس^ک+۱-،(op)j)=(ایکسایکس-ایکسop)2+(yایکس-yop)2

(۹)

سه تابع وزن دهی در شکل ۴ نشان داده شده است . ما می توانیم آن را ببینیم w2یک روش وزن دهی متوسط (AW) است. هر دو w1و w3روشهای وزن دهی معکوس فاصله (IDW) هستند، در حالی که w1خطی است و در عین حال w3غیر خطی است سپس وزن ها از طریق رابطه ( ۱۰ ) نرمال می شوند.

wمنj=wمنj∑j=1nwمنj،جایی کهمن∈{۱،۲،۳}

(۱۰)

با استفاده از وزن های محاسبه شده wمنj، میانگین وزنی نقاط مسیر حرکتی مرتبط مورد بررسی به عنوان یک اندازه گیری مجازی در نظر گرفته می شود. zک+۱vمنrتیتوآل، همانطور که در معادله ( ۱۱ ) بیان شده است.

zک+۱vمنrتیتوآل=op×wمن۱wمن۲⋯wمنnتی،جایی کهمن∈{۱،۲،۳}وj∈{۱،۲،⋯،n}

(۱۱)

بدیهی است که تابع اندازه گیری ما این است:

zک+۱=ایکسک+۱+هک+۱

(۱۲)

جایی که هک+۱نویز اندازه گیری است.

(فرآیند ۳) به روز رسانی

در نهایت، اندازه گیری مجازی به دست آمده از فرآیند ۲ برای به روز رسانی پیش بینی انجام شده توسط فرآیند ۱ در این فرآیند استفاده می شود. اول از همه، سود نزدیک به بهینه کالمن جیک+۱محاسبه می شود:

جیک+۱=پک+۱-جیاچتی(جیاچپک+۱-جیاچتی+آرک+۱)-۱

(۱۳)

جایی که جیاچ=منو آرک+۱ماتریس کوواریانس است هک+۱٫ سپس، پیش‌بینی حالت توسط اندازه‌گیری مجازی از طریق:

ایکس^ک+۱=ایکس^ک+۱-+جیک+۱(zک+۱vمنrتیتوآل-ایکس^ک+۱-)

(۱۴)

و ماتریس کوواریانس تخمین پسینی به وسیله:

پک+۱=(من-جیک+۱جیاچ)پک+۱-

(۱۵)

فرآیند فوق، از معادله ( ۴ ) تا معادله ( ۱۵ )، ۵۰ بار برای پیش‌بینی حرکت خودرو در ۵ ثانیه در آینده تکرار می‌شود.

۵٫ آزمایشات

۵٫۱٫ تنظیمات آزمایشی

آزمایش های دنیای واقعی در محوطه دانشگاه ناگویا با استفاده از Toyata PRIUS PHV نشان داده شده در شکل ۵ انجام شد. LiDAR (Velodyne HDL-64ES3) و IMU (واحد اندازه گیری اینرسی، Xsens MTi-300) نصب شده بر روی خودرو در آزمایشات ما استفاده شد. سنسورها به پلتفرم Autoware [ ۲۸ ، ۲۹ ، ۳۰ ] وصل شدند و سیستم ما مشترک پیام‌های ROS (سیستم عامل روبات) [ ۳۱ ] شد که توسط گره‌های حسگر برای تخمین وضعیت خودرو و پیش‌بینی حرکت خودرو منتشر شد.

قابل توجه است که آزمایشات ما در یک فضای عمومی انجام شد که در آن جاده ها منحنی و شیب دار بودند و عابران پیاده، دوچرخه و سایر وسایل نقلیه همزیستی داشتند. این رفتارهای رانندگی ما را پیچیده کرد. برای مثال، زمانی که عابران پیاده از جاده عبور می‌کردند، مجبور می‌شدیم خودروی خود را متوقف کنیم و هنگامی که خودرویی در کنار جاده پارک می‌شد، از خط برنامه‌ریزی شده خارج می‌شدیم. در آزمایش‌های ما، داده‌های سینماتیکی سه درایو، در مجموع ۱۲۱۱۲ نقطه، در پایگاه داده ذخیره شد و دیگری برای کپی کردن رانندگی واقعی، همانطور که در [ ۱۴ ] انجام داده بودیم، دوباره پخش شد.

سیستم ما بر اساس C++ و ROS پیاده سازی شد. جزئیات پیکربندی خودروهای آزمایشی، حسگرها و KFها را می توان در [ ۱۲ ] یافت.

۵٫۲٫ دقت ارزیابی عملکرد

دو عاملی که ممکن است بر عملکرد دقت الگوریتم ما تأثیر بگذارد – تابع وزن استفاده شده و اندازه مجموعه داده ها – در این بخش بررسی می شوند.

۵٫۲٫۱٫ متریک های مورد استفاده

عملکرد دقت روش ما به صورت کمی با استفاده از میانگین خطای اقلیدسی (AEE) و معیارهای خطا حداکثر ارزیابی می‌شود. AEE برای تجزیه و تحلیل عملکرد کلی پیش بینی الگوریتم ما استفاده می شود و به صورت زیر تعریف می شود:

آEE(تیمن)=۱ن∑j=1ن(ایکستیمنj-ایکستیمنr)2+(yتیمنj-yتیمنr)2

(۱۶)

جایی که (ایکستیمنj،yتیمنj)موقعیت پیش بینی شده در زمان است تیمندر طول jتیساعتمسیر پیش بینی شده (ایکستیمنr،yتیمنr)موقعیت واقعی مربوطه است. N تعداد کل مسیرهای پیش بینی شده است. خطاهای پیش‌بینی سرعت نیز با روش AEE محاسبه می‌شوند. اما تک بعدی است:

vهلoجمنتیyهrror(تیمن)=۱ن∑j=1ن|vتیمنj-vتیمنr|

(۱۷)

به همین ترتیب، vتیمنjو vتیمنrسرعت واقعی و پیش بینی شده در زمان هستند تیمندر طول jتیساعتمسیر پیش بینی شده، به ترتیب.

حداکثر خطا، حداکثر خطای پیش بینی در طول یک مسیر پیش بینی شده است. حداکثر خطا منعکس کننده بدترین عملکرد در یک پیش بینی مسیر است. بنابراین، می‌تواند برخی از عوامل تحت پوشش مقادیر میانگین را که از پیش‌بینی‌های کلی مشتق شده‌اند، آشکار کند. بیش از ۱۰۰۰۰ مسیر در هر یک از آزمایش‌های بعدی پیش‌بینی شد و خطاهای پیش‌بینی آنها به تفصیل مورد بحث قرار گرفت.

۵٫۲٫۲٫ استفاده از توابع مختلف وزن دهی

به منظور بررسی تأثیر توابع وزن‌دهی مختلف، عملکرد دقت پیش‌بینی سه پیش‌بینی‌کننده که از توابع وزن متفاوت استفاده می‌کردند، w1، w2و w3، مقایسه شدند. در این آزمایش، از تمام داده های مسیر حرکتی جمع آوری شده در پایگاه داده ما استفاده شد. نتایج تجربی در شکل ۶ و شکل ۷ نشان داده شده است.

یک روند آشکار را می توان یافت – سه تابع وزن دهی تفاوت مشخصی در جنبه دقت، هم برای پیش بینی موقعیت و هم برای سرعت ایجاد نکرده اند. با این حال، روش های IDW ( w1و w3) کمی بهتر از روش AW هستند ( w2) در پیش بینی موقعیت یا سرعت. این به این دلیل است که شعاع جستجوی ما کوچک است (شعاع اولیه ۰٫۵ متر و حداکثر شعاع جستجو بیش از ۲ متر نیست). بنابراین، تفاوت‌های فضایی بین نقاط سیر سینماتیکی جستجو شده اندک است. بنابراین، توابع وزن دهی مختلف نمی توانند منجر به تفاوت های آشکار از نقطه نظر آماری شوند. در مقایسه با روش پیشرفته در [ ۱۳ ] که خطاهای پیش‌بینی موقعیت و سرعت آن به ترتیب بیش از ۴ متر و ۱٫۵ متر بر ثانیه در ۴ ثانیه است، عملکرد روش ما قابل قبول است.

برای بررسی بیشتر و دقیق خطاهای پیش‌بینی، حداکثر خطای پیش‌بینی آن‌ها تحلیل می‌شود. توابع توزیع تجمعی حداکثر خطاها (CDF) زمانی که از سه تابع وزنی مختلف استفاده می شود در گوشه سمت چپ بالا در شکل ۶ ترسیم شده است. حداکثر خطاهای پیش‌بینی را به چهار گروه تقسیم می‌کنیم: برجسته (حداکثر خطا ≤ ۲ متر)، خوب (۲ متر < حداکثر خطا ≤ ۴ متر)، نه بد (۴ متر < حداکثر خطا ≤ ۷ متر) و بد (حداکثر خطا > 7). متر). حداکثر توزیع فضایی چهار گروه خطا را می توان در شکل ۸ یافت .

از CDFها در شکل ۶ ، می‌توان دریافت که پیش‌بینی‌های خوب، از جمله پیش‌بینی‌های برجسته، بیش از ۶۰% را با استفاده از هر یک از تابع‌های وزنی تشکیل می‌دهند، همانطور که فلش سیاه نشان می‌دهد. این بدان معناست که نرخ پیش‌بینی خوب روش ما در فضای پیچیده آزمایشی ما بیش از ۶۰ درصد است. همچنین قابل توجه است، جایی که فلش قرمز نشان می دهد، که w3(قرمز) نرخ بالاتری (تقریباً ۳۴ درصد) از پیش بینی های برجسته را به همراه دارد. بنابراین، برای به دست آوردن پیش بینی های برجسته تر، w3توصیه می شود.

۵٫۲٫۳٫ استفاده از مجموعه داده های مختلف

همانطور که قبلا ذکر شد، روش‌های مبتنی بر یادگیری، داده‌های تاریخی زیادی را مصرف می‌کنند. عملکرد مدل با اندازه HDT تعیین می شود. آزمایش‌های زیر برای پاسخ به دو سؤال طراحی شده‌اند: (۱) وقتی داده‌های تاریخی قابل استفاده محدود هستند، روش ما چگونه عمل می‌کند؟ به عنوان مثال، در شرایطی که فقط یک مسیر در دسترس است. (۲) وقتی اندازه داده های تاریخی افزایش می یابد، روش ما چگونه عمل می کند؟ سوال اول نشان دهنده بدترین عملکرد روش ما در شرایط بد است. سوال دوم پتانسیل عملکرد روش ما را در شرایط خوب ارزیابی می کند.

ما سه مجموعه داده مسیر حرکتی را جمع آوری کرده بودیم {کتی۱،کتی۲،کتی۳}در پایگاه داده ما هر مجموعه داده مسیر با یک درایو در مسیر در شکل ۸ در محوطه دانشگاه ما مطابقت دارد. برخی از اطلاعات در مورد مسیرها در جدول ۲ فهرست شده است. استفاده کردن w3، روش ما بر روی مجموعه داده های مختلف از جمله یک مجموعه داده آزمایش شد {{کتی۱}،{کتی۲}،{کتی۳}}که شامل سه آزمایش، دو مجموعه داده است {{کتی۱،کتی۲}،{کتی۱،کتی۳}{کتی۲،کتی۳}}که شامل سه آزمایش و سه مجموعه داده است {{کتی۱،کتی۲،کتی۳}}که شامل یک آزمایش است. میانگین خطاهای پیش بینی آنها در شکل ۹ خلاصه شده است.

برای سوال دوم، شکل ۹ به وضوح نشان می دهد که با افزایش اندازه مجموعه داده های استفاده شده، دقت پیش بینی موقعیت و سرعت بهبود می یابد. این شکل کاربرد امیدوارکننده روش ما را در آینده نشان می‌دهد که داده‌های مسیر جمع‌آوری شده به طور قابل‌توجهی افزایش می‌یابد. می توان استنباط کرد که در صورت استفاده از مجموعه داده های بیشتر، عملکرد دقت می تواند بیشتر بهبود یابد. از این گذشته، برای دستیابی به آن عملکرد دقت قابل توجه، حداکثر تنها از سه مجموعه داده استفاده شد.

برای سوال اول، در شکل ۹ ، نکته مهمی که باید به آن توجه داشت این است که در بدترین مواردی که فقط از یک مجموعه داده استفاده شده است، عملکرد پیش‌بینی روش ما (منحنی‌های آبی) در مقایسه با دقت گزارش‌شده قابل قبول بود. [ ۱۳ ]. این همچنین ثابت می کند که روش ما از داده مصرف نمی شود. هرچه مجموعه داده های بیشتری استفاده شود، رویکرد ما بهتر عمل می کند.

۵٫۳٫ ارزیابی عملکرد کارایی

در بیشتر مطالعات ارائه شده، کارایی الگوریتم‌ها به ندرت مورد بحث قرار گرفت، زیرا اکثر روش‌های LVMP مبتنی بر یادگیری سبک وزن نیستند. در کار قبلی ما، پیش‌بینی شد که با افزایش مقدار محاسبات، EKF که تقریباً همان دقت UKF را دارد، ممکن است به طرز قابل‌توجهی از UKF در کارایی بهتر عمل کند [ ۱۲ ]. این آزمایش برای بررسی کارایی روش ما طراحی شده است. از سوی دیگر، ما می خواهیم پیش بینی قبلی خود را تأیید کنیم. در آزمایش‌های زیر، هر دو پیش‌بینی‌کننده EKF و UKF اجرا شدند. آنها با همان مدل CTRV همکاری کردند و w3تابع وزن دهی و بر روی همان سه مجموعه داده آزمایش شدند. هر آزمایش سه بار تکرار شد و آمار زمان محاسبه در شکل ۱۰ ارائه شده است.

همانطور که شکل ها نشان می دهد، پیش بینی کننده EKF (میانگین زمان محاسبه: ۸۵ میلی ثانیه) آشکارا سریعتر از پیش بینی کننده UKF (میانگین زمان محاسبه: ۱۲۷ میلی ثانیه) است. از آنجایی که برآوردگر وضعیت خودروی ما در فرکانس ۱۰ هرتز کار می‌کند، از روی شکل‌ها، تقریباً می‌توان فهمید که ۷۰٪ پیش‌بینی‌های EKF در زمان انجام می‌شوند (CDF (100 ms) = 70٪، در حالی که فقط ۳۴٪ پیش‌بینی‌های UKF در زمان انجام می‌شوند. CDF (100 ms) = 34٪.

در عمل، پیش‌بینی‌کننده UKF بسیاری از پیش‌بینی‌ها را در چرخه‌های تخمین-پیش‌بینی از دست می‌دهد، و برای برخی از برنامه‌های کاربردی ADAS حیاتی، مانند تشخیص برخورد، نبود داده‌های پیش‌بینی یک نقص مهم است. بنابراین UKF در سیستم ما توصیه نمی شود.

۶٫ کار آینده

این مقاله مقدماتی برای پیاده سازی سیستم پیشنهادی است. چندین کار باقی مانده برای مطالعه آینده.

در مرحله اول، همانطور که آزمایش های بالا نشان می دهد، دقت پیش بینی با افزایش اندازه مجموعه داده های استفاده شده بهبود می یابد. بنابراین، دقت فوق العاده روش ما باید با افزایش قابل ملاحظه مجموعه داده های ما بررسی شود. علاوه بر این، قابلیت همکاری مجموعه داده ها بین وسایل نقلیه مختلف و رانندگان نیز باید مورد بررسی قرار گیرد.

در مرحله دوم، توزیع فضایی چهار گروه خطا حداکثر در شکل ۸ نشان داده شده است. متأسفانه تاکنون الگوی توزیع فضایی مشخصی پیدا نکرده ایم. به منظور بهبود عملکرد روش ما، الگوهای توزیع فضایی و مسائلی که بر عملکرد روش ما تأثیر می‌گذارند باید مورد مطالعه قرار گیرند.

در نهایت، با افزایش چشمگیر اندازه داده های جمع آوری شده در آینده، یک چارچوب محاسباتی جدید مورد نیاز است، همانطور که در [ ۱۴ ] انجام دادیم.

۷٫ نتیجه گیری

یک روش جدید LVMP سبک وزن در این مقاله پیشنهاد شد. داده های مسیر حرکتی نتیجه تعامل بین انسان، وسایل نقلیه و محیط بود. داده های مسیر حرکتی به طور مستقیم در روش LVMP ما استفاده شد و آنها توسط یک پایگاه داده فضایی مدیریت شدند. یک چارچوب جدید KF که با سیستم پایگاه داده فضایی همکاری می کرد برای دستیابی به LVMP در زمان واقعی پیشنهاد شد. روش ما در دنیای واقعی تایید شد. روش‌های IDW پیشنهادی در مقایسه با روش AW مزیت جزئی در دقت نشان دادند. اندازه مجموعه داده های استفاده شده بر عملکرد دقت روش ما تأثیر می گذارد. آزمایش‌ها نشان داد که با افزایش مجموعه داده‌های مورد استفاده، دقت پیش‌بینی بهبود یافته است و روش ما از داده‌ها استفاده نمی‌کند. با توجه به جنبه کارایی، روش ما می تواند الزامات پیش بینی بلادرنگ را برآورده کند.

منابع

پیهرت، ج. Šimánek، P. پیش بینی فضایی-زمانی حرکت وسیله نقلیه با استفاده از شبکه های عصبی مصنوعی. در مجموعه مقالات سمپوزیوم وسایل نقلیه هوشمند IEEE 2022 (IV)، آخن، آلمان، ۴ تا ۹ ژوئن ۲۰۲۲؛ صص ۷۳۴-۷۳۹٫ [ Google Scholar ] [ CrossRef ]
لفور، اس. واسکز، دی. Laugier, C. نظرسنجی در مورد پیش‌بینی حرکت و ارزیابی ریسک برای وسایل نقلیه هوشمند. Robomech J. ۲۰۱۴ , ۱ , ۱٫ [ Google Scholar ]
قهوهای مایل به زرد، HS; هشدار برخورد تعاونی خودرو به وسیله نقلیه مبتنی بر DGPS: دیدگاه‌های امکان‌سنجی مهندسی. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۰۶ ، ۷ ، ۴۱۵-۴۲۸٫ [ Google Scholar ]
لیتریویس، پی. تومیدیس، جی. سوگاس، م. Amditis، A. یک الگوریتم پیش‌بینی مسیر تعاونی پیشرفته برای کاربردهای ایمنی در شبکه‌های خودرو. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۱ ، ۱۲ ، ۶۶۹-۶۷۹٫ [ Google Scholar ]
هرمس، سی. وولر، سی. شنک، ک. کومرت، اف. پیش بینی حرکت خودرو درازمدت. در مجموعه مقالات سمپوزیوم وسایل نقلیه هوشمند، شیان، چین، ۳ تا ۵ ژوئن ۲۰۰۹٫ [ Google Scholar ]
جئونگ، دی. بایک، ام. Lee, SS پیش بینی بلند مدت مسیر وسیله نقلیه بر اساس یک شبکه عصبی عمیق. در مجموعه مقالات کنفرانس بین المللی همگرایی فناوری اطلاعات و ارتباطات، ججو، کره، ۱۸ تا ۲۰ اکتبر ۲۰۱۷٫ [ Google Scholar ]
آلچه، اف. de La Fortelle، A. یک شبکه LSTM برای پیش‌بینی مسیر بزرگراه. در مجموعه مقالات بیستمین کنفرانس بین المللی IEEE 2017 در مورد سیستم های حمل و نقل هوشمند (ITSC)، یوکوهاما، ژاپن، ۱۶ تا ۱۹ اکتبر ۲۰۱۷؛ صص ۳۵۳-۳۵۹٫ [ Google Scholar ] [ CrossRef ]
جیانگ، آر. خو، اچ. گونگ، جی. کوانگ، ی. لیو، زی. LSTM توجه مکانی-زمانی برای پیش‌بینی مسیر خودرو. ISPRS Int. J. Geo-Inf. ۲۰۲۲ ، ۱۱ ، ۳۵۴٫ [ Google Scholar ] [ CrossRef ]
لین، ال. لی، دبلیو. بی، اچ. Qin, L. پیش‌بینی مسیر وسیله نقلیه با استفاده از LSTM با مکانیسم‌های توجه مکانی-زمانی. IEEE Intell. ترانسپ سیستم Mag. ۲۰۲۲ ، ۱۴ ، ۱۹۷-۲۰۸٫ [ Google Scholar ] [ CrossRef ]
پتریچ، دی. دانگ، تی. کاسپر، دی. بروئل، جی. استیلر، سی. پیش‌بینی حرکت بلندمدت مبتنی بر نقشه برای وسایل نقلیه در محیط‌های ترافیکی. در مجموعه مقالات شانزدهمین کنفرانس بین المللی IEEE در مورد سیستم های حمل و نقل هوشمند (ITSC 2013)، لاهه، هلند، ۶ تا ۹ اکتبر ۲۰۱۳٫ [ Google Scholar ]
یالمانچی، س. هوانگ، TK; هاینز، جی سی. Djuric، N. پیش‌بینی بلندمدت رفتار خودرو با استفاده از مسیرهای کوتاه‌مدت آگاه از عدم قطعیت و نقشه‌های با وضوح بالا. در مجموعه مقالات بیست و سومین کنفرانس بین المللی IEEE 2020 در مورد سیستم های حمل و نقل هوشمند (ITSC)، رودس، یونان، ۲۰ تا ۲۳ سپتامبر ۲۰۲۰؛ صص ۱-۶٫ [ Google Scholar ]
لو، تی. واتانابه، ی. یامادا، س. تاکادا، اچ. ارزیابی مقایسه ای فیلترهای کالمن و مدل های حرکتی در تخمین حالت خودرو و پیش بینی مسیر. جی. ناویگ. ۲۰۲۱ ، ۷۴ ، ۱۱۴۲-۱۱۶۰٫ [ Google Scholar ]
کاوازاکی، آ. تاساکی، تی. پیش بینی مسیر چرخش وسایل نقلیه بر اساس هندسه تقاطع و سرعت های مشاهده شده. در مجموعه مقالات سمپوزیوم وسایل نقلیه هوشمند IEEE، چانگشو، چین، ۲۶ تا ۳۰ ژوئن ۲۰۱۸؛ صص ۵۱۱-۵۱۶٫ [ Google Scholar ]
تائو، ال. واتانابه، ی. لی، ی. یامادا، س. Takada، H. خدمات ارزیابی خطر برخورد برای وسایل نقلیه متصل: استفاده از عدم قطعیت های وضعیت و حرکت خودرو. IEEE Internet Things J. ۲۰۲۱ , ۸ , ۱۱۵۴۸–۱۱۵۶۰٫ [ Google Scholar ] [ CrossRef ]
هافنر، MR; کانینگهام، دی. کامینیتی، ال. Vecchio، DD Cooperative Cooperative Avoidance در تقاطع ها: الگوریتم ها و آزمایش ها. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۳ ، ۱۴ ، ۱۱۶۲-۱۱۷۵٫ [ Google Scholar ] [ CrossRef ]
جورر، اس. سگتا، م. بلوسل، بی. Cigno، RL; سامر، سی. Dressler, F. A Vehicular Networking Perspective on Evitating Vehicle Collision Probability در تقاطع ها. IEEE Trans. وه تکنولوژی ۲۰۱۴ ، ۶۳ ، ۱۸۰۲-۱۸۱۲٫ [ Google Scholar ] [ CrossRef ]
شان، ام. ورال، اس. Nebot، E. پیش‌بینی حرکت و ردیابی بلندمدت خودرو در محیط‌های بزرگ. در مجموعه مقالات کنفرانس بین المللی IEEE در مورد سیستم های حمل و نقل هوشمند (ITSC’11)، واشنگتن، دی سی، ایالات متحده آمریکا، ۵ تا ۷ اکتبر ۲۰۱۱٫ [ Google Scholar ]
خو، ی. لیو، ایکس. کائو، ایکس. هوانگ، سی. لیو، ای. کیان، س. لیو، ایکس. وو، ی. دونگ، اف. کیو، CW; و همکاران هوش مصنوعی: پارادایم قدرتمندی برای تحقیقات علمی Innovation ۲۰۲۱ , ۲ , ۱۰۰۱۷۹٫ [ Google Scholar ] [ CrossRef ]
کوان، تی. Firl, J. مدل‌سازی موقعیت‌های ترافیکی در تقاطع‌های شهری با رگرسیون ناپارامتریک احتمالی. در مجموعه مقالات سمپوزیوم وسایل نقلیه هوشمند، ساحل طلایی، QLD، استرالیا، ۲۳ تا ۲۶ ژوئن ۲۰۱۳٫ [ Google Scholar ]
گیندل، تی. برشتل، اس. Dillmann, R. یادگیری مدل های رفتار راننده از مشاهدات ترافیک برای تصمیم گیری و برنامه ریزی. هوشمند ترانسپ سیستم Mag. IEEE ۲۰۱۵ ، ۷ ، ۶۹-۷۹٫ [ Google Scholar ] [ CrossRef ]
ژانگ، ک. فنگ، ایکس. وو، ال. او، Z. پیش بینی مسیر برای رانندگی خودمختار با استفاده از ترانسفورماتور توجه نمودار مکانی-زمانی. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۲۲ ، ۱-۱۱٫ [ Google Scholar ] [ CrossRef ]
لو، ی. وانگ، دبلیو. هو، ایکس. خو، پی. ژو، اس. Cai، M. پیش‌بینی مسیر وسیله نقلیه در محیط‌های متصل از طریق شبکه‌های کانولوشنال گراف آگاه از زمینه ناهمگن. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۲۲ ، ۱-۱۳٫ [ Google Scholar ] [ CrossRef ]
اشمیت، جی. جردن، جی. گریتشندر، اف. Dietmayer، K. CRAT-Pred: پیش‌بینی مسیر وسیله نقلیه با شبکه‌های عصبی کانولوشنال گراف کریستالی و خودتوجهی چند سر. در مجموعه مقالات کنفرانس بین المللی رباتیک و اتوماسیون ۲۰۲۲ (ICRA)، فیلادلفیا، PA، ایالات متحده آمریکا، ۲۳ تا ۲۷ مه ۲۰۲۲؛ صفحات ۷۷۹۹-۷۸۰۵٫ [ Google Scholar ] [ CrossRef ]
باومن، یو. گایزر، سی. هرمان، م. Zollner، JM پیش بینی مسیرهای Ego-Vehicle از مشاهدات محیطی با یک شبکه عصبی عمیق. در مجموعه مقالات کنفرانس بین المللی IEEE در مورد رباتیک و اتوماسیون (ICRA)، بریزبن، QLD، استرالیا، ۲۱ تا ۲۵ مه ۲۰۱۸٫ [ Google Scholar ]
Tobler, WR یک فیلم کامپیوتری شبیه سازی رشد شهری در منطقه دیترویت. اقتصاد Geogr. ۱۹۷۰ ، ۴۶ ، ۲۳۴-۲۴۰٫ [ Google Scholar ] [ CrossRef ]
وان، EA; Merwe, R. فیلتر کالمن بدون بو برای تخمین غیرخطی. در مجموعه مقالات سیستم‌های تطبیقی برای پردازش سیگنال، ارتباطات، و سمپوزیوم کنترل، لیک لوئیز، AB، کانادا، ۴ اکتبر ۲۰۰۰٫ [ Google Scholar ]
PostGIS. در دسترس آنلاین: http://www.postgis.org (در ۲۳ ژوئن ۲۰۲۲ قابل دسترسی است).
کاتو، اس. تاکوچی، ای. ایشی گورو، ی. نینومیا، ی. تاکدا، ک. Hamada، T. یک رویکرد باز به وسایل نقلیه خودمختار. IEEE Micro ۲۰۱۵ ، ۴۸ ، ۶۰-۶۸٫ [ Google Scholar ] [ CrossRef ]
کاتو، اس. توکوناگا، اس. مارویاما، ی. مائده، س. هیرابایاشی، م. کیتسکاوا، ی. مونروی، آ. آندو، تی. فوجی، ی. Azumi، T. Autoware on Board: Enableing Autonomous Vehicles with Embedded Systems. در مجموعه مقالات نهمین کنفرانس بین المللی ACM/IEEE 2018 در مورد سیستم های فیزیکی-سایبری (ICCPS)، پورتو، پرتغال، ۱۱ تا ۱۳ آوریل ۲۰۱۸٫ [ Google Scholar ]
Autoware. در دسترس آنلاین: https://github.com/autowarefoundation/autoware (در ۷ اوت ۲۰۲۲ قابل دسترسی است).
سیستم عامل ربات در دسترس آنلاین: http://www.ros.org (دسترسی در ۲۳ ژوئن ۲۰۲۲).

شکل ۱٫ نمای کلی سیستم. ایده این مقاله از قانون اول جغرافیا الهام گرفته شده است که همه چیز با هر چیز دیگری مرتبط است، اما چیزهای نزدیک بیشتر به یکدیگر مرتبط هستند.

شکل ۲٫ مدل داده های فیزیکی پایگاه داده مسیر حرکتی فضایی، که در آن * توضیح ستون ها را نشان می دهد.

شکل ۳٫ الگوریتم بازیابی فضایی تطبیقی پیشنهادی.

شکل ۴٫ توابع وزن پیشنهادی. w1یک روش IDW خطی است. w2یک روش AW است. w3یک روش IDW غیر خطی است.

شکل ۵٫ وسیله نقلیه آزمایشی. برای اطلاعات بیشتر در مورد خودرو، لطفاً به [ ۲۸ ، ۲۹ ، ۳۰ ] مراجعه کنید.

شکل ۶٫ آمار خطاهای پیش بینی موقعیت. خطوط توپر و نقطه چین به ترتیب AEE ها و انحرافات استاندارد (std) خطاهای پیش بینی موقعیت هستند. رنگ قرمز مربوط به روش غیرخطی IDW است w3; رنگ سبز با روش AW مطابقت دارد w2; رنگ آبی مربوط به روش خطی IDW است w1. روش IDW (قرمز و آبی) کمی بهتر از روش AW (سبز) است. CDFهای حداکثر خطای پیش بینی زمانی که w3،w2،w1استفاده شده در کادر بالا سمت چپ رسم شده است. فلش قرمز نشان دهنده آن است w3پیش بینی های برجسته تری را ارائه می دهد. فلش سیاه نشان دهنده نرخ پیش بینی خوب هر یک از تابع های وزنی در الگوریتم ما بیش از ۶۰٪ است.

شکل ۷٫ آمار خطاهای پیش بینی سرعت. خطوط توپر و نقطه چین به ترتیب میانگین و انحراف استاندارد (std) خطاهای پیش‌بینی سرعت هستند. رنگ قرمز مربوط به روش غیرخطی IDW است w3; رنگ سبز با روش AW مطابقت دارد w2; رنگ آبی مربوط به روش خطی IDW است w1. روش IDW (قرمز و آبی) کمی بهتر از روش AW (سبز) است.

شکل ۸٫ توزیع فضایی حداکثر خطاهای پیش بینی در طول مسیر رانندگی.

شکل ۹٫ خطاهای پیش بینی با استفاده از مجموعه داده های مختلف. یک روند آشکار را می توان یافت – با افزایش اندازه مجموعه داده های استفاده شده، دقت پیش بینی موقعیت و سرعت بهبود می یابد. ( الف ) خطای پیش‌بینی موقعیت. منحنی قرمز، سبز و آبی به ترتیب با خطاهای پیش بینی موقعیت با استفاده از مجموعه داده های ۳، ۲ و ۱ مطابقت دارد. ( ب ) خطاهای پیش‌بینی سرعت. منحنی قرمز، سبز و آبی به ترتیب با خطاهای پیش بینی سرعت با استفاده از مجموعه داده های ۳، ۲ و ۱ مطابقت دارد.

شکل ۱۰٫ مقایسه زمان محاسباتی. هیستوگرام ها و منحنی های توزیع نرمال متناسب زمان محاسبه با استفاده از EKF و UKF داده شده است. μمقدار متوسط است و σانحراف معیار است در کادر بالا سمت راست، CDFهای زمان محاسبه داده شده است. مقدار CDF(100) نرخی است که پیش‌بینی در زمان واقعی تکمیل می‌شود. ( الف ) پیش بینی کننده EKF. ( ب ) پیش بینی کننده UKF.