智能车辆场景理解与行为预测技术

\\\"场景理解与行为预测是智能车辆在城市道路环境中确保安全行驶的重要技术手段。本书从该领域的方法、技术和应用等方面出发，结合真实科研实践，系统性地介绍了相关领域的技术与方法。全书共6章，第1章介绍了智能车辆场景理解与行为预测的基础知识以及基本分类；第2章详细描述了智能车辆数据采集系统的搭建、数据处理与静态场景的构建过程；第3至5章从个体交通参与者的角度，系统介绍了如何基于采集到的数据对车辆、行人、骑行者等多种交通参与者的行为进行分析、识别和预测；第6章则从整个场景的角度出发，分析了多种交通参与者并存的复杂场景构成，阐述了动态场景的建模方法，以及场景风险程度的识别与分类方法。 书中涉及的所有模型和数据均经过作者团队科研实践的检验，通过本书的阅读，读者能够对实车数据采集、预测模型构建与模型测试的流程有系统性的了解，有助于快速入门相关领域。 本书可作为智能交通系统、智能车辆、地面无人车辆及移动机器人等相关专业高年级本科生和研究生的教学资料，也可以作为从事场景理解与行为预测技术等领域研究的科研技术人员的参考资料。\\\"

\"吕超，北京理工大学智能车辆研究所副教授，2009年于北京理工大学获工学学士学位，2015年于英国利兹大学获工学博士学位，CAA平行智能专业委员会委员，世界交通大会（WTC）技术委员会委员，主持或参与自然基金青年项目、面上项目、联合基金项目、重点项目，国家重点研发计划项目等多个国家级项目，发表包括Transportation Research Part C、IEEE TITS、IEEE TVT 等SCI/EI检索论文70余篇，出版专著多部。 李子睿，北京理工大学智能车辆研究所博士研究生，2015年于北京理工大学获工学学士学位。2021-2024年于荷兰代尔夫特理工大学、德国德累斯顿工业大学开展访问研究。多次担任IEEE IVs、IEEE ITSC等国际会议分论坛主席，主持IEEE标准委员会《自动驾驶风险评估标准》项目，获得IEEE ITSS Young Professionals Fellowship奖励。发表包括 IEEE TITS、IEEE TVT 等SCI/EI检索论文30余篇，出版专著一部。\"

第1章 智能车辆场景理解与行为预测概述 1.1 智能车辆模块组成 1.1.1 感知模块 1.1.2 行为决策模块 1.1.3 路径规划模块 1.1.4 运动控制模块与车辆平台 1.2 数据采集与处理 1.3 交通参与者行为识别与预测 1.4 基于风险评估的场景理解 第2章 数据采集系统与场景建模 2.1 数据采集系统构成 2.1.1 基于仿真传感器的系统 2.1.2 基于车载传感器的系统 2.1.3 基于路基传感器的系统 2.2 数据分析与处理 2.2.1 车载传感器数据解析与处理 2.2.2 路基传感器数据解析与处理 2.3 动静态场景构建 第3章 车辆行为识别与预测 3.1 基于机器学习的车辆行为识别 3.1.1 车辆行为识别问题描述 3.1.2 基于逻辑回归的车辆行为识别模型 3.1.3 基于支持向量机的车辆行为识别模型 3.2 基于机器学习的车辆行为预测 3.2.1 车辆行为预测问题描述 3.2.2 基于高斯混合模型-高斯混合回归的主车操作轨迹预测模型 3.2.3 基于图神经网络的异质交通参与者交互行为预测分层框架 3.3 面向连续场景的车辆轨迹预测持续学习方法 3.3.1 连续场景中车辆轨迹预测问题 3.3.2 连续场景中车辆轨迹预测持续学习方法 第4章 行人行为识别与预测 4.1 基于骨架数据的行人行为类别标注 4.1.1 基于骨架节点的行人姿态表征 4.1.2 基于行人姿态表征的行为类别聚类 4.1.3 行人行为类别聚类结果分析 4.2 基于图表示的行人行为识别 4.2.1 基于图表示的行人行为特征建模 4.2.2 行人时空图模型特征序列构建 4.2.3 行人行为识别实验与结果分析 4.3 行人轨迹预测模型 4.3.1 行人数据特征提取 4.3.2 行人轨迹预测模型构建 4.3.3 行人轨迹预测实验结果分析 4.4 行人风险等级预测模型 4.4.1 行人数据风险等级标签聚类 4.4.2 基于轨迹预测的行人风险等级评估 第5章 骑行者行为识别与预测 5.1 骑行者行为特征构建与时空特征提取 5.1.1 基于图表示的骑行者行为特征提取 5.1.2 基于碰撞风险分析的骑行者时空特征提取