郭景华，肖宝平，王靖瑶，罗禹贡，陈 涛，李克强

（1.厦门大学航空航天学院，厦门 361005；2.清华大学，汽车安全与节能国家重点实验室，北京 100084；3.中国汽车工程研究院股份有限公司，重庆 401122）

前言

据统计有90%以上的交通事故都是由于人为操作失误造成的，其中有18%的交通事故发生在换道的过程中［1］，且在未来的很长一段时期内，自动驾驶车辆将长期在人工驾驶车辆与自动驾驶车辆混合的环境下运行。针对实际交通环境的复杂性和人工驾驶风格的多变性，预测车辆的切入意图有利于自动驾驶车辆理解周围的复杂交通场景，可以提高自动驾驶车辆的决策能力和安全性能。

目前针对换道意图预测已有不少研究。尤其从机器学习的角度研究换道意图预测越来越受关注［2］。文献［3］中提出一种基于Bayesian Networks的驾驶行为预测方法，包括车辆切入在内的27种驾驶行为预测。文献［4］中采用Binary Logistic Regres⁃sion的方法建立车辆换道模型，并进一步分析了影响车辆换道的因素。文献［5］中采用HMM和SVM级联的算法对驾驶意图进行辨识，结合HMM和SVM算法的优势，提高了驾驶意图识别率。文献［6］中设计并训练了PSO算法优化的BP Neural Net⁃works换道模型，以识别驾驶员意图。然而传统机器学习没有充分利用驾驶数据，且在长时域范围内的预测精度低，难以有效预测目标车辆的换道意图。

随着计算机计算能力的提升和大数据技术的发展，深度学习网络取得了突破性进展。深度学习网络在换道行为模型的构建精度上高于传统机器学习［7］，且深度学习能更灵活和准确地描述人类复杂的驾驶行为［8］。……