64、数字孪生环境下可解释的在线车道变更预测

数字孪生环境下可解释的在线车道变更预测

1. 背景与动机

在当今交通领域，车辆和基础设施都在经历现代化变革。车辆本身不断发展，道路和高速公路等基础设施也能实时将自身“状态”反馈给运营商。例如，Providentia++ 数字孪生系统覆盖了慕尼黑和慕尼黑机场之间的一段高速公路，该团队通过沿道路定期设置摄像头并结合视觉识别技术，能够高精度且高频次地实时反馈轨道上每辆车的位置。

本文旨在结合 Providentia++ 数字孪生的数据与可解释的机器学习模型，实现实时的车道变更预测。

2. 方法介绍

2.1 基于层归一化 LSTM 的车道变更预测

车道变更预测由 Patel 等人在 2018 年提出的层归一化长短期记忆网络（Layer Normalized LSTM）计算得出。

在每个时间步 t，层归一化 LSTM 会考虑一个一维的车辆数组 $[v_i^t| ∀i ∈[0, 1, 2, 3, 4, 5, q]]$，其中 $i ∈[0, 1, 2, 3, 4, 5]$ 的车辆 $v_i$ 是车辆 $v_q$ 最近的邻居。每辆车 $v_i$ 在时间 $k$ 由以下特征数组表示：
$v_i^k = [v_{i_x}^k, v_{i_y}^k, ψ_i^k, x_i^k, y_i^k, n_{i_l}, n_{i_r}]$
其中，$x_i^k$ 和 $y_i^k$ 是车辆在世界坐标系中的绝对位置（单位：米），$v_{i_x}^k$ 和 $v_{i_y}^k$ 分别是车辆在 $x$ 和 $y$ 方向的速度（单位：米/秒），$ψ_i^k$ 是车辆的航向角（单位：弧度），$n_{i_l}$ 和 $n_{i_r}$