[论文解读] Long-Term Prediction of Lane Change Maneuver Through a Multilayer Perceptron

Zhenyu Shou, Ziran Wang+4 more|arXiv (Cornell University)|Jun 23, 2020

Autonomous Vehicle Technology and Safety参考文献 20被引用 4

一句话总结

本文提出一种基于多层感知机（MLP）的模型，仅使用纵向车辆轨迹数据进行长期变道预测（5–10秒），无需依赖横向或角度信息。该模型在平均8.05秒的预测提前量下实现了75%的真实变道检测率，优于逻辑回归和RNN基线模型，其优势源于一种新颖的时间窗口标注方案与预测平滑技术。

ABSTRACT

Behavior prediction plays an essential role in both autonomous driving systems and Advanced Driver Assistance Systems (ADAS), since it enhances vehicle's awareness of the imminent hazards in the surrounding environment. Many existing lane change prediction models take as input lateral or angle information and make short-term (< 5 seconds) maneuver predictions. In this study, we propose a longer-term (5~10 seconds) prediction model without any lateral or angle information. Three prediction models are introduced, including a logistic regression model, a multilayer perceptron (MLP) model, and a recurrent neural network (RNN) model, and their performances are compared by using the real-world NGSIM dataset. To properly label the trajectory data, this study proposes a new time-window labeling scheme by adding a time gap between positive and negative samples. Two approaches are also proposed to address the unstable prediction issue, where the aggressive approach propagates each positive prediction for certain seconds, while the conservative approach adopts a roll-window average to smooth the prediction. Evaluation results show that the developed prediction model is able to capture 75% of real lane change maneuvers with an average advanced prediction time of 8.05 seconds.

研究动机与目标

• 实现仅依赖纵向车辆轨迹数据的长期（5–10秒）变道预测。
• 通过稳健的标注与平滑策略，解决长期行为预测中预测结果不稳定的问题。
• 在真实世界NGSIM轨迹数据上，评估并比较MLP、逻辑回归与RNN模型的性能。
• 开发一种时间窗口标注方案，通过在正样本与负样本之间引入时间间隔，提升预测可靠性。

提出的方法

• 提出一种时间窗口标注方案，在正样本与负样本之间插入时间间隔，以减少轨迹标注中的模糊性。
• 仅使用纵向轨迹数据（x, y, v）作为输入，排除横向或角度特征，以简化输入并提升泛化能力。
• 采用多层感知机（MLP）模型，学习车辆轨迹中的复杂时间模式，实现长期预测。
• 应用两种平滑技术：一种激进方法，将正向预测在时间上进行传播；一种保守的滑动窗口平均法，以稳定输出结果。
• 基于NGSIM数据集，将MLP模型与逻辑回归和RNN基线模型进行公平的性能对比。
• 采用标准指标评估模型性能，包括检测率、预测提前时间与F1分数。

实验结果

研究问题

• RQ1 深度学习模型能否仅使用纵向轨迹数据，实现长达10秒的变道预测？
• RQ2 与标准标注方法相比，所提出的时序窗口标注方案在多大程度上提升了预测可靠性？
• RQ3 在长期变道预测中，MLP相较于逻辑回归与RNN模型的性能增益如何？
• RQ4 激进与保守的平滑策略在降低预测不稳定性方面效果如何？
• RQ5 在长期变道预测中，预测准确率与提前时间之间存在何种最优平衡？

主要发现

• MLP模型实现了75%的真实变道行为检测率，显著优于逻辑回归与RNN基线模型。
• 平均预测提前时间为8.05秒，证明了其强大的长期预测能力。
• 所提出的时序窗口标注方案通过减少因轨迹过渡模糊导致的误报，提升了模型泛化能力。
• 保守的滑动窗口平均法有效降低了预测不稳定性，同时保持了高检测准确率。
• 与逻辑回归和RNN相比，MLP模型在捕捉车辆轨迹中的长期时间依赖关系方面表现更优。
• 该模型在无需横向或角度车辆数据的前提下实现了可靠预测，简化了真实场景部署的输入需求。