推广和普及无人驾驶现代有轨电车作为城市公共交通的重要方式,已成为政府和国内外学者解决城市交通问题的共识,而安全性是无人驾驶技术的核心内容,也是无人驾驶有轨电车应用推广的先决条件。目前,有轨电车的体积、重量、编组、制动减速度等参数与汽车存在较大差异,无法直接使用汽车数据进行研究。深度学习方法如何具体应用于有轨电车安全性评测,仍待研究验证。现有的基于轨迹预测的安全评测方法,存在对天气、路况等环境因素适应性较差,难以反映跟车、超车等车辆间关联性的不足。针对目前国内外尚无有轨电车开源数据集的现状,本文根据有轨电车的车身特征和行驶特点,构建了有轨电车交通场景的仿真数据集。并将深度学习和神经网络方法应用于有轨电车的轨迹预测与安全性评测。在此基础上,为解决目前基于轨迹预测的安全评测方法存在的不足,将深度神经网络技术与运动学公式相结合,重点探究了一种基于交互式分析的有轨电车安全评测方法。主要研究工作如下:1.基于有轨电车的车身特征和行驶特点,以真实道路信息为拓扑,建立道路仿真环境。通过增加车辆和行人作为目标物体,丰富交通场景;并通过设置行驶速度区间和随机加速度区间等方式加大仿真数据的随机性,构建了有轨电车交通场景仿真数据集。2.根据运动轨迹的时序特性,将深度学习和神经网络应用于有轨电车安全性评测,验证了基于长短期记忆网络(Long Short-Term Memory,LSTM)的轨迹预测方法。研究并分析了LSTM模型的学习参数和模型结构对预测精确度和训练过程收敛速度的影响。3.综合考虑实际交通场景中环境因素和车辆之间关联性对有轨电车安全性的影响,采用了基于点域的碰撞检测方法,将LSTM深度神经网络与车辆安全距离公式相结合,探究了一种基于交互式分析的有轨电车安全评测方法,并实验验证了方法可行性。实验表明,基于LSTM的交互式安全评测模型有较好的预测精确度和模型收敛速度,验证了方法的可行性,并得出了不同参数设置对模型性能的影响关系,找到了最优模型。