张峻峰

（重庆交通大学机电与车辆工程学院，重庆400074）

主题词：智能车 轨迹预测算法 十字路口 换道

缩略语

CNN Convolutional Neural Networks

DNN Deep Neural Networks

LSTM Long Short-Term Memory

RNN Recurrent Neural Network

MDN Mixture Density Networks

POMDP Partially Observable Markov Ddecision Processes

UKF Unscented Kalman Filter

IaKNN Interactive apperceive Kalman Neural Network

VBIN Vehicle Behavior Interaction Network

GISNet Graph Information Sharing Network

STLSTM Space Time Long Short-Term Memory Model

V-LSTM Very Long Short-Term Memory

CS-LSTM Cuckoo Search Long Short-Term Memory

MATF Multi Agent Tensor Fusion

NMP Neural Motion Planner

1 前言

自上世纪80年代中期以来，自动驾驶技术一直是汽车制造商、大学和研究机构的研发工作重点，许多公司已经在不同类型的汽车上开发了自动驾驶汽车技术。完整的无人驾驶系统仍处于高级测试阶段，但部分自动驾驶系统在过去几年已经出现在汽车行业[1]，这些部分自动驾驶系统提高了安全性、舒适性、运输时间和能源消耗，目标是SAE级别达到L4级或更高。

IEEE通信协会的研究表明，超过90%的交通紧急情况是由人为失误造成的[2]。随着车辆未来轨迹预测技术的发展，自我车辆可以及时了解附近的车辆和交通状况，从而有足够的时间做出适当的决策，准确可靠的未来车辆轨迹预测算法可以提前发现潜在的碰撞，降低车辆碰撞风险[3]。预测周围车辆的运动尤其困难，因为在一个场景中通常有多个交互主体[4]，驾驶行为是多模态的，例如：从一个共同的历史轨迹，可能会出现几个不同的未来轨迹。自动驾驶汽车还必须在涉及人员(自身乘客、其他司机或行人)的安全与选择到达目的地的有效速度之间找到平衡，同时不干扰现有交通。

本文收集了当前最新的主要研究机构对智能车轨迹预测方面的研究成果，并根据应用场景对算法进行分类，总结算法的优缺点，提出了未来的发展方向。第2章分为3个部分，第1部分总结并分析基于十字路口场景的轨迹预测算法，第2部分总结并分析基于换道场景的轨迹预测算法，第3部分总结并分析基于其他场景的轨迹预测算法；……