摘要：自動駕駛汽車需具備預測周圍車輛軌跡的能力,以便做出合理的決策規劃,提高行駛安全性和乘坐舒適性。運用深度學習方法,設計了一種基于長短時記憶(LSTM)網絡的駕駛意圖識別及車輛軌跡預測模型,該模型由意圖識別模塊和軌跡輸出模塊組成。意圖識別模塊負責識別駕駛意圖,其利用Softmax函數計算出駕駛意圖分別為向左換道、直線行駛、向右換道的概率;軌跡輸出模塊由編碼器-解碼器結構和混合密度網絡(MDN)層組成,其中的編碼器將歷史軌跡信息編碼為上下文向量,解碼器結合上下文向量和已識別的駕駛意圖信息預測未來軌跡;引入MDN層的目的是利用概率分布來表示車輛未來位置,而非僅僅預測一條確定的軌跡,以提高預測結果的可靠性和模型的魯棒性。此外,將被預測車輛及其周圍車輛組成的整體視為研究對象,使模型能夠理解車-車間的交互式行為,響應交通環境的變化,動態地預測車輛位置。使用基于真實路況信息的NGSIM(Next Generation SIMulation)數據集對模型進行訓練、驗證與測試。研究結果表明:與傳統的基于模型的方法相比,基于LSTM網絡的軌跡預測方法在預測長時域軌跡上具有明顯的優勢,考慮交互式信息的意圖識別模塊具備更高的預判性和準確率,且基于意圖識別的軌跡預測能降低預測軌跡與真實軌跡間的均方根誤差,顯著提高軌跡預測精度。