摘要:在智能驾驶环境的车辆轨迹预测环节，为更好地获取环境车辆的轨迹时序特征，在长短期记忆神经网络（LSTM）基础上，嵌入Dropout层以增强网络泛化性，引入注意力机制予以预测效果影响较大的时序数据更大权重从而提高预测结果的可靠性，且将改进的LSTM模型与门控循环单元GRU模型结合，构建LSTM-GRU预测模型以进一步提升环境车辆轨迹预测的准确性.在此基础上，使用NGSIM公开数据集对模型进行训练、验证和测试.研究结果表明，融合了Dropout和注意力机制的LSTM-GRU神经网络轨迹预测模型相较标准的LSTM长短期记忆网络以及GRU门控循环单元，在预测较长时序的车辆轨迹上具有优势，提高了轨迹预测的准确性，降低了实际轨迹和预测轨迹之间的均方根误差和平均绝对误差.

摘要:针对已有的车辆碰撞预警系统中车辆轨迹预测的误差较大问题，提出了一种基于DGPS和车载传感器的车辆轨迹预测方法,并采用扩展卡尔曼滤波，实现车辆位置的实时估计；提出了基于等加速度变化率、等横摆角加速度模型的车辆位置预测改进模型和基于V2X技术的协同碰撞预警系统（CCWS）；在此基础上，采用模糊理论，实现纵向控制仿真试验，以验证预测模型的有效性.结果表明，基于等加速度变化率、等横摆角加速度模型的车辆位置预测模型误差更小，碰撞预警系统能更早的预警或主动制动.