包 智 鹏， 支 永 帅， 张 素 民， 何 睿

( 吉林大学 汽车仿真与控制国家重点实验室， 吉林 长春 130025 )

0 引 言

高速公路场景下由于车辆的行驶速度较快，发生交通事故的风险也大大增加，若要保证智能汽车在高速公路上安全行驶，需要智能汽车具备预测周围车辆的驾驶行为和轨迹的能力．然而在实际高速公路场景中，由于存在车辆交互、多模态驾驶行为以及驾驶员驾驶风格的多样性等诸多影响因素，对车辆的驾驶行为和轨迹进行预测成为了一项极具挑战的任务．

在基于学习的方法被应用之前，最早使用卡尔曼滤波(Kalman filtering，KF)进行轨迹预测．该方法在短期预测方面具有良好的表现[1-2]．但该方法没有考虑驾驶员的驾驶行为，使其不适用于长期预测．为了提升长期预测的准确率，研究人员使用了高斯混合模型(Gaussian mixture models，GMMs)[3]、隐马尔可夫模型(hidden Markov models，HMMs)[4-7]和动态贝叶斯网络(dynamic Bayesian network，DBN)[8-9]．这些预测模型将车辆视作一个单独的个体，使车辆与周围环境分割开来，忽略了道路环境及车辆交互的影响，使得模型在动态环境下的预测准确率降低．

为解决这一问题，研究人员将道路环境和车辆交互设计为轨迹预测中的代价函数，根据代价函数对未来轨迹做出最优预测．Bahram等[10]、Deo等[11]采用手动定义的代价函数(hand crafted cost function)对未来行为做出最优预测．Käfer等[12]采用上述方法进行十字路口场景下的车辆轨迹预测．这些代价函数不依赖于训练数据，可以根据需求灵活设置．但是模型预测结果的质量直接取决于设计的代……