基于SSL-GCN-LSTM的换道意图识别方法OA

针对传统模型在网联环境下识别能力不足与换道场景复杂多变的问题,提出了一种网联环境下基于图卷积网络(Graph Convolutional Network,GCN)与双向长短期记忆网络(Bidirectional Long Short-Term Memory Network,Bi-LSTM)的半监督学习(Semi-Supervised Learning,SSL)模型SSL-GCN-LSTM。该模型以驾驶模拟器与眼动仪采集的多源行为数据为基础,采用GCN实现空间特征建模,并引入多头注意力机制以提取不同子空间中的图结构特征与节点属性;采用Bi-LSTM进行时间特征建模,以捕捉驾驶行为的时序动态特征;将空间特征与时间特征进行融合,构建基于有标签数据的换道意图识别模型。基于该模型计算无标签数据的置信度,获得伪标签损失和一致性正则化损失,通过反向传播更新模型权重。实验结果表明,所提SSL-GCN-LSTM模型使用50%标注数据的准确率为90.7%,使用100%标注数据的准确率为91.5%,优于GCN(86.3%)与LSTM(90.0%)等基线模型。