2017年11月28日(星期二)下午17时30分,TOPS课题组第39期组会在通达馆436顺利召开,本期组会由16级硕士研究生齐骁就《混合交通流交叉口转向车二维运动规划建模》有关问题进行汇报并讨论。与会成员有孙剑教授、倪颖副教授以及课题组全体成员。
汇报人齐骁从背景介绍、模型建立、数据获取及建立vissim场景和结果评价四个方面进行展开。研究存在混合交通流(机动车、非机动车、行人)的交叉口,采用深度学习(deep learning)的方法,从二维运动的层面对左转机动车的转向运动进行行为规划。交叉口行驶环境复杂,一直以来都是规划建模的难点,组内成员马子安针对这类问题潜心研究多时,先后提出过两种三层规划模型。齐骁在其研究的基础上,考虑到长时间链和多对象的影响,创新性地提出将深度学习的方法应用于行为规划。深度学习采用卷积神经网络,经过卷积滤波器,池化,预测展平、预测全连接层和优化目标的流程,对已有数据进行自主学习并输出决策结果,通过对深度学习模型和交通规划模型的匹配,齐骁提出非完整约束的循环卷积神经网络模型,将T时刻的预测结果用于修正T+1时刻的输入,将规划决策从时间层面联系起来,形成一个连续预测模型,还考虑到加速度和转角的约束,从运动学领域和动力学领域对模型加以约束,从而得到一个高精度的仿真结果。模型提取vissim仿真结果的大量数据进行学习,确定参数,最终输出预测结果。模型将深度学习结果和vissim输出结果进行对比,从加速度、转角、轨迹吻合等多个方面,肯定了该模型的准确性和高效性。
汇报结束后,课题组成员对此问题表现出浓厚的兴趣,纷纷踊跃发言。组内致力于研究深度学习问题的叶颖俊对深度学习的训练集、测试集、验证集的拟合问题提出疑问,并就预测过程的细节予以沟通,从技术层面肯定了齐骁的研究,并对齐骁进一步的研究提出建议;李旭红对仿真设定的头车和非头车的区别设定提出疑问,并结合以往经验,提出异常值检测问题的相关建议,齐骁积极回应,并表示感谢;就仿真的评价指标问题,黄秀玲认为位置空间图应考虑时间的维度,对误差是否进行归一化处理影响误差的精度,以及评价指标的多元化描述有利于模型的真实评价和改善;倪颖副教授对于vissim路径学习的意义提出疑问,认为vissim路径过于简单,模型结果的高精度能否代表深度学习在其他情景下的精度和适用性;孙剑教授给予总结和展望,首先肯定了齐骁在该领域的开创性研究,成功地为课题组其他同学在深度学习领域的进一步研究开辟了一条光明的道路,他认为采用vissim模型进行仿真的模型是人为开发的,并没有采用原有默认模型,vissim模型只是提供了一个仿真的平台,虽然仿真过程比较简单,但是对于其应用推广是有意义的;评价指标的设置相对简单,可以参考跟驰模型的相关描述参数对该仿真结果进行进一步地评价;最后,他认为深度学习方法的未来有可能会取缔一直以来对于换道和跟驰模型的割裂研究,建立一个大一统的规划模型,进一步地推动模型仿真走向行为仿真。
最近更新:2018年3月11日 16:56:35