面向消除通信时延的车辆轨迹多步预测方法

齐战硕，高彦东

(长安大学信息工程学院，陕西 西安 710064)

0 引 言

伴随着物联网和车路协同系统应用的不断发展，越来越多的车联网和自动驾驶测试逐渐成为现阶段的研究热点[1]，而在这些领域的关键技术中，通常会通过智能车载设备(On Board Unit, OBU)、路侧设备(Road Side Unit, RSU)[2]以及边缘计算[3]设备构建车辆与外界之间的车用无线通信技术 (Vehicle to Everything, V2X)[4]环境，这一过程往往会通过搭建计算机控制系统和传感器数据传输的网络和通信环境来实现[5]。常见的网络传输方式包括以太网、WLAN、EUHT[6]等，现阶段车联网领域常用的通信技术包括5G、DSRC、LTE-V[7]等；在所有这些网络和通信系统传输数据的过程中，几乎都会因为天气、遮挡和干扰等因素导致通信环境不佳，产生延时的问题，延时过高会导致数据无法及时传输，从而影响系统的计算效率和计算结果的准确性，容易造成交通阻塞甚至安全问题[8]。

车辆轨迹预测是一种结合车辆的历史行驶轨迹以及当前的位置信息，动态预测出未来行驶轨迹的过程[9]，常用的轨迹预测算法包括传统的基于时序模型的跟踪算法，如卡尔曼滤波(Kalman Filter)[10]、隐式马尔可夫(Hidden Markov Model, HMM)[11]模型，以及一些基于神经网络的预测算法，最常见的有循环神经网络(Recurrent Neural Network, RNN)[12]、长短期记忆网络(Long Short-Term Memory Networks，LSTM)[13]等。实际研究表明[14]，这些传统算法适合处理一些常规情况下的预测问题，而对于复杂情形下的预测则会因为运算效率低下而难以适用；使用机器学习的方法进行轨迹预测从算法效率和准确性上都比传统方法更有优势，因此也是现阶段轨迹预测的主流方法。

本文针对现阶段构建车路协同系统的测试环境过程中容易出现的通信时延问题，提出一种面向消除通信时延的车辆轨迹多步预测方法，通过LSTM神经网络模型构建车辆的单步轨迹预测过程；在此基础上通过对高频采样序列的拆分和重组，构建一种多步预测方法，在单位步长内可以预测未来不同距离的行驶轨迹，在降低误差的同时，提高消除通信时延的效率。

1 相关工作

现阶段的车辆轨迹预测相关研究中，利用车辆之间的交互特性[15-17]，研究出多车交互的车辆轨迹预测方法，适用于多类型车辆轨迹预测的场景；Houenou等人[18]分别提出了基于横摆角速度和加速度运动模型的轨迹预测方法和基于机动识别的轨迹预测方法并建立短期和长期预测模型，结果表明机动识别模块具有较高的成功率，并且能够实现车辆轨迹的准确预测；Woo等人[19]提出了一种用于检测周围车辆的车道变化的车辆轨迹预测方法，通过对目标车辆变道时的轨迹预测，考虑了与相邻车辆发生碰撞的可能性，结果证实了该方法可以显著提高检测性能。

在消除通信延时的相关研究中，毕波[20]结合LTE通信系统的延时缩减需求，提出4种车联网典型用例的时延要求，进而提出通过功能增强、算法优化的时延优化方法；Feng等人[21]针对具有不确定车辆动力学和均匀通信延迟的异质车辆群，提出了一种测量了字符串的稳定性、鲁棒性和跟踪性能的要求，并将其转化为线性分数变换格式来明确满足的系统控制方法，并且验证了该方法在随机参数和外界干扰下的有效性；Rastegarnia等人[22]针对增量自适应网络的采样速度要求，提出了一种改进的增量最小均方算法来解决增量算法在大量节点和非平稳环境下的性能不足导致的延时问题，结果表明所提出的算法与原来的算法相比具有更好的性能。

综上所述，现阶段的车辆轨迹预测方法比较丰富[23]，并且通过基于各种特征的轨迹预测结果也相对精确；在应用方面，目前通过车辆轨迹预测方法消除实时系统通信时延的研究处于比较空缺的地位，根据车辆轨迹预测结果的精确性和时序性特征，以及满足实时系统时延特征和误差控制的需求，研究车辆轨迹预测消除通信时延能够在有效控制结果误差的同时消除通信时延。

2 LSTM神经网络模型

数据采集的延时效应普遍存在于运用网络的数据传输以及通信过程中，并且在一定程度上影响真实车辆在实时系统中的数据传输。针对这一问题本文采用LSTM对车辆行驶轨迹进行预测[24]，LSTM长短期记忆网络是一种特殊的循环神经网络模型，其特殊的结构旨在解决循环神经网络长时间序列下误差梯度呈指数级消失而导致难以处理有效信息的问题[25]。LSTM的关键是神经网络的单元状态，它能对输入的信息进行选择性移除或添加。在LSTM的神经网络结构中包含3个门，分别是遗忘门、输入门和输出门，如图1所示。

图1 LSTM神经网络结构图

图1中，“×”为乘法器，“+”为加法器。

第一步通过遗忘门筛选出输入信息中需要丢弃的部分，状态Ct-1经过输入的ht-1和xt计算后输出0到1之间的数值，0表示丢弃，而1表示保留。

ft=σ(Wf[ht-1,xt]+bf)

(1)

其中，σ(X)为sigmoid激活函数，W代表权重系数矩阵(如Wf为遗忘门的权重系数矩阵)，b代表偏置向量(如bf为遗忘门的偏置向量)。

it=σ(Wf[ht-1,xt]+bi)

(2)

(3)

(4)

其中，f为激活函数(如tanh函数)，下标t表示时刻。

最后一步是决定模型的输出，首先通过sigmoid激活函数得到筛选后的初始输出，再利用激活函数tanh将输出值缩放到-1到1之间，最后2个激活函数的输出结果逐对相乘得到当前状态Ct的输出结果。

ot=σ(Wo[ht-1,xt]+bo)

(5)

ht=ot×tanh(Ct)

(6)

以上公式中，ot和Ct分别表示输出门和当前时刻的细胞状态。xt和ht-1分别表示当前时刻的LSTM状态单元的输入向量和上一时刻LSTM状态单元的输出向量。

3 多步轨迹预测

本文针对车路协同仿真测试环境下存在的数据传输和通信时延特征，在LSTM车辆轨迹预测方法的基础上，提出一种多步轨迹预测方法，对采样环境下获取的一段时间序列按照不同的时间间隔重组为多个差分序列，分别实现在不同差分序列下的轨迹点预测并形成预测轨迹，提高结果的精确性。具体方法如下：

(7)

图2 多点轨迹预测过程

在与时延长度等同的未来时间T内，车辆行驶的预测轨迹如图3所示。

图3 多点轨迹预测结果

本文通过OBU智能车载终端进行数据采集，数据格式为时间戳、经纬度、速度、航向角。在长安大学交通运输部认定的自动驾驶封闭场地测试基地[26]实际道路行驶过程中，取不同采样频率下采集到的总计6519条GPS位置数据作为训练样本数据集，分别通过实验比较和分析单步和多步轨迹预测的结果，如图4所示。

(a) 单步轨迹预测结果

(b) 多步轨迹预测结果图4 单步与多步轨迹预测结果

4 实验结果分析

本文的训练集样本数据采集环境为长安大学交通运输部认定的自动驾驶封闭场地测试基地，该测试基地包含2.4 km高速环道，1.1 km长直道，13000 m2的操纵稳定性试验广场，2.6 km的模拟城市道路、交叉口等基础设施，以及5种可靠性强化典型试验道路。覆盖了我国典型道路环境、道路类型、天气及光照条件和交通流环境[27]。并测试了WLAN环境下的通信时延，结果如图5所示。

图5 WLAN下的车载设备通信时延

图5的结果表明，车载设备在测试通信时延的过程中，平均最短时延1 ms，最高时延7 ms，平均时延为2.21 ms，平均丢包数为0。

此外，本文经过比较不同采样间隔下智能车载设备的系统时延，得出如表1所示的结果。

表1 各采样间隔的平均时延

通过车辆单步轨迹预测方法和本文的多步轨迹预测方法解决系统时延的结果如图6所示。在比较预测过程中同一轨迹点位置分别出现在真实世界和虚拟场景的时间结果的过程中，测试过程已经将系统的通信时延包含在其中。

图6 2种预测方法减少的时延

图6结果显示，单步轨迹预测减少的时延平均值为189.22 ms，消除了93.9%的时延成分；多步轨迹预测方法减少的时延平均值为189.3 ms，消除了93.94%的时延成分；并且系统的平均时延随着采样间隔的增大逐渐增高，基本处于可控范围内，通过2种车辆轨迹预测方法均可消除绝大部分的时延，并且不会影响实际的测试结果。

表2是单步轨迹预测与多步轨迹预测的均方误差(MSE)结果[28]。

表2 系统均方误差(MSE)

表2结果表明，2种轨迹预测方法的结果平均误差相差不大，但相比于单步轨迹预测，多步轨迹预测的平均MSE增长率减少了7.47个百分点，表明多步预测方法在中远距离下对预测过程中产生的结果误差控制能力更强。

5 结束语

本文提出了一种面向消除通信时延的车辆轨迹多步预测方法，通过构建LSTM神经网络模型，将高频采样环境下输出的序列进行拆分和重组后对新序列中的轨迹点进行逐序列输入，实现多点预测并形成轨迹的多步预测。通过实验分别统计了WLAN下的测试环境通信时延以及3种采样频率下的系统平均时延，并根据本文方法，对比分析了单步和多步预测方法减少的时延，对不同预测距离下2种方法的平均MSE和MSE增长率进行了比较，得出了单步和多步轨迹预测均能很好地消除绝大部分的通信和系统时延，以及多步轨迹预测方法在中远距离下对预测结果误差的控制能力更强的结论。下一步将考虑具有行为特征输入的车辆轨迹预测，解决不同行驶状态下的特征时延，从而进一步提高车辆轨迹预测的可靠性。