CN107330356A - 一种基于学习的在线车道变线预测方法及*** - Google Patents
一种基于学习的在线车道变线预测方法及*** Download PDFInfo
- Publication number
- CN107330356A CN107330356A CN201710339930.3A CN201710339930A CN107330356A CN 107330356 A CN107330356 A CN 107330356A CN 201710339930 A CN201710339930 A CN 201710339930A CN 107330356 A CN107330356 A CN 107330356A
- Authority
- CN
- China
- Prior art keywords
- mrow
- probability
- msub
- lane
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于学习的在线车道变线预测方法及***,方法包括:通过IMU惯性测量单元中的车道线***采集车道线信息,并采用粒子滤波器估计所述车道线信息的特征向量,在上述特征向量中采集与车辆相关的基础特征作为车辆状态特征信息,对所述车辆状态特征信息进行特征处理,得到在一时间跨度内连续的信息作为固定长度特征向量,对所述固定长度特征向量通过SVM分类器进行多类别分类,得到的概率权重值作为分类结果,根据分类结果采用贝叶斯滤波器预测意图概率,通过所述意图概率得到车道变道意图预测的结果。本发明基于贝叶斯滤波器,对SVM的多分类结果进行概率估计,弥补了噪声对分类器的影响,进而提高了变车道意图预测的精度。
Description
技术领域
本发明涉及一种高级驾驶辅助***中的计算机视觉技术,特别涉及一种基于学习的在线车道变线预测方法及***,通过融合支持向量机和贝叶斯滤波器的方法,实现对车道变线意图进行预测。
背景技术
对交通事故原因的研究表明,57%的事故是由司机的原因引起的。高级驾驶辅助***(ADAS)可以帮助司机更好地理解交通状况,采取更加舒服的驾驶行为,提高交通流畅度,并减轻事故后果。在十字路口预测其他司机的意图或者在高速公路上预测其他司机的变线意图,可以帮助司机更好地理解道路环境,从而避免交通事故。将上述意图预测问题定义为:预测司机是否会变车道,以及预测车辆是否在红灯时停止。
文献Mccall J C,Wipf D,Trivedi M M,et al.Lane Change Intent AnalysisUsing Robust Operators and Sparse Bayesian Learning[J].IEEE Transactions onIntelligent Transportation Systems,2007,8(3):431-440.中利用一种稀疏贝叶斯滤波器的方法进行变道意图分析。它的思想是利用描述车辆外界环境、司机头部动作和车辆内部状态的时间序列数据来创建用于分类的特征向量。结果表明,包含司机头部动作的特征向量使得***能够提高预测水平。文献Morris B,Doshi A,Trivedi M.Lane changeintent prediction for driver assistance:On-road design and evaluation[C]//Intelligent Vehicles Symposium(IV),2011IEEE.IEEE,2011:895-901.中提出了一种对于上述文献方法的扩展方法。该方法利用相关向量机(Relevance Vector Machine),即一种融合贝叶斯方法的支持向量机方法(support vector machine,SVM)。它依赖于从Adaptive Cruise Control(ACC)雷达、(Lane Departure Warning(LDW)相机、SideWarning Assist(SWA)雷达和头部跟踪相机获得的信息。这种方法能够提前3秒预测车辆变道意图。另一个工作Aoude G S,Desaraju V R,Stephens L H,et al.Behaviorclassification algorithms at intersections and validation using naturalisticdata[C]//Intelligent Vehicles Symposium(IV),2011IEEE.IEEE,2011:601-606.针对十字路口的预警,考虑两种路况:汇入与离开情况。该工作比较了两种方法:第一种方法使用基于SVM的二值分类(binary classification)以及贝叶斯滤波(Bayesian Filtering,BF),第二种方法使用隐马尔科夫模型(Hidden Markov Model,HMM)。实验结果表明,基于SVM和BF的方法表现更好。文献Oliver N,Pentland A P.Graphical models for driverbehavior recognition in a smartcar[C]//Intelligent Vehicles Symposium,2000.IV2000.Proceedings of the IEEE.IEEE,2000:7-12.中的方法是训练成对的HMM模型,从而创建七个不同的机动驾驶模型。结果表明,在实际应用中,该方法的机动动作预测可以提前平均1秒。文献Meyer-Delius D,Plagemann C,Burgard W.Probabilistic situationrecognition for vehicular traffic scenarios[C]//Robotics and Automation,2009.ICRA'09.IEEE International Conference on.IEEE,2009:459-464.中将HMM模型应用于情境建模和识别。这里的情境定义为:具有可解释的状态序列分布,和用于表征各种情况的HMM模型。类似于前者的方法,文献Christopher T.Analysis of dynamic scenes:Application to driving assistance[D].Institut National Polytechnique deGrenoble-INPG,2009.使用分层HMM用于行为识别。该方法在两个层次上进行建模。其中高层行为包括直行、左转、右转和超车等。这些行为被视为HMM的上层隐藏状态。对于每个高层行为,在低层中存在一个HMM来表示从低层行为到高层行为的转换序列(The Sequence ofTransitions)。在文献Hülnhagen T,Dengler I,Tamke A,et al.Maneuver recognitionusing probabilistic finite-state machines and fuzzy logic[C]//IntelligentVehicles Symposium(IV),2010IEEE.IEEE,2010:65-70.中,概率有限状态机(Probabilistic Finite State Machine,PFSM)和模糊逻辑用于机动动作的识别。输入变量(速度和转向角等)被模糊化,以便估计构成机动动作的基本元素(制动、停止和启动等)。最后,利用贝叶斯滤波器来计算PFSM中的各个基本元素的概率值,并根据概率值实现机动行为的识别。
上述讨论中,一些文献所采用的SVM方法在分类识别上具有很好的效果,但是局限性在于不能很好地应用于多类别的检测识别,例如左转、右转和超车等多种情况。而另一些文献中,HMM可以应对多类别的问题,但是在检测效果上不如SVM。
发明内容
本发明要解决的技术问题是,提供能够保证预测精度的基于学习的在线车道变线预测方法,且能够弥补以往算法只依赖分类器进而导致分类精度较低的缺点。具体地,本发明利用车道、速度和转向角等信息,融合SVM以及贝叶斯滤波器方法来预测高速公路/市内道路上的变道意图。
在本发明中通过将车道变道问题看成一种多类别分类问题,这里的类别包括但不限于:左车道变线、右车道变线和不变线。其他的情况可以看成这三类的组合。利用最大边缘分类器,例如SVM等,来解决多类别分类问题。然后使用一个广义的Bradley-Terry模型T.K.Huang,R.C.Weng,C.J.Lin,and G.Ridgeway,“Generalized bradley-terry modelsand multi-class probability estimates,”Journal of Machine Learning Research,vol.7,pp.85–115,2006.,以获得SVM的概率输出。基于SVM输出的各机动动作的先验概率,利用贝叶斯滤波器即可计算每个动作的最大后验概率,从而判断车辆的变线意图。
解决上述技术问题,本发明提供了一种基于学习的在线车道变线预测方法,包括如下步骤:
通过IMU惯性测量单元中的车道线***采集车道线信息,并采用粒子滤波器估计所述车道线信息的特征向量,在上述特征向量中采集与车辆相关的基础特征作为车辆状态特征信息,
对所述车辆状态特征信息进行特征处理,得到在一时间跨度内连续的信息作为固定长度特征向量,
对所述固定长度特征向量通过SVM分类器进行多类别分类,得到的概率权重值作为分类结果,
根据分类结果采用贝叶斯滤波器预测意图概率,通过所述意图概率得到车道变道意图预测的结果。
更进一步,粒子滤波器估计所述车道线信息的特征向量的方法如下:
2-1)定义对于车辆的参数方程,用以描述车道线位置以及几何形状,并假定车道线具有类似于回旋曲线的形状,同时利用所述回旋曲线来近似拟合车道线方程;
2-2)使用过去状态向量和里程计信息递归地估计用于描述车道线位置和几何形状的参数所组成的状态向量;
2-3)捕获车辆采集的原始图像,并使用脊滤波器得到粒子滤波器的更新阶段中所使用的低级特征;
2-4)通过每个粒子权重的更新,根据上述粒子滤波器的输出,得到与实际脊特征的匹配程度。
更进一步,与车辆相关的基础特征至少包括如下向量:
车辆与车道线的横向位置(l)、车辆相对于公路的转向角(φ)、l的一阶导数以及φ的一阶导数。
更进一步,上述步骤中得到在一时间跨度内连续的信息方法为:滑动窗口处理,将该信息作为固定长度特征向量。
更进一步,所述SVM分类器中使用边缘最大化实现多类别分类。
更进一步,分类的类别至少包括:
{左车道变线、右车道变线、不变线或者三类的组合}。
更进一步,通过广义的Bradley-Terry模型得到概率权重值。
更进一步,根据分类结果,采用贝叶斯滤波器预测意图概率的方法具体为:
通过状态转移的先验概率以及当前机动行为下的状态向量的似然概率,计算出当前机动行为Mt的后验概率,即:
其中,Zt对应时刻t的观察值,L,R,N分别代表左变道、右变道和不变道的机动行为,似然项P(Zt|Mt)被视为SVM的概率输出,即在机动行为Mt下状态Zt的概率,状态转移概率P(Mt|Mt-1)利用采集到的数据集进行离线学习得到,
针对机动行为得到一状态转移矩阵,基于该转移矩阵对状态出现个数进行统计,然后进行归一化即可得到:
其中,S(i,j)表示训练数据集中从机动动作i转换到机动动作j的转移数量,SML(i,j)表示i→j转移的最大似然概率,根据SML(i,j)即可得到状态转移矩阵,进而得到后验概率P(Mt|Z0:t)。
基于上述,本发明还提供了一种基于学习的在线车道变线预测***,包括:
采集单元,用以通过IMU惯性测量单元中的车道线***采集车道线信息,并采用粒子滤波器估计所述车道线信息的特征向量,在上述特征向量中采集与车辆相关的基础特征作为车辆状态特征信息,
特征处理单元,用以对所述车辆状态特征信息进行特征处理,得到在一时间跨度内连续的信息,并将其作为固定长度特征向量,
以及,对所述固定长度特征向量通过SVM分类器进行多类别分类,得到的概率权重值作为分类结果,
预测单元,用以根据分类结果采用贝叶斯滤波器预测意图概率,通过所述意图概率得到车道变道意图预测的结果
本发明的有益效果:
本发明的方法通过结合SVM的分类特性以及贝叶斯滤波器的后验概率估计特性,并引入多分类的思想,因此可以保证预测的精度,弥补了以往算法只依赖分类器进而导致分类精度较低的缺点。
附图说明
图1是本发明一实施例中的方法流程示意图;
图2是本发明一实施例中的***结构示意图;
图3是本发明的具体流程示意图。
具体实施方式
现在将参考一些示例实施例描述本公开的原理。可以理解,这些实施例仅出于说明并且帮助本领域的技术人员理解和实施例本公开的目的而描述,而非建议对本公开的范围的任何限制。在此描述的本公开的内容可以以下文描述的方式之外的各种方式实施。
如本文中所述,术语“包括”及其各种变体可以被理解为开放式术语,其意味着“包括但不限于”。术语“基于”可以被理解为“至少部分地基于”。术语“一个实施例”可以被理解为“至少一个实施例”。术语“另一实施例”可以被理解为“至少一个其它实施例”。
图1是本发明一实施例中的方法流程示意图,一种基于学习的在线车道变线预测方法,其特征在于,包括如下步骤:
步骤S100通过IMU惯性测量单元中的车道线***采集车道线信息,并采用粒子滤波器估计所述车道线信息的特征向量,在上述特征向量中采集与车辆相关的基础特征作为车辆状态特征信息,为了使车辆状态特征独立于定位装置以及数字地图,本方案采用基于视觉和基于惯性测量单元(Inertial Measurement Unit,IMU)的车道***来获取车辆自己相对于道路的位置信息,并采用粒子滤波器来估计车道线的信息特征向量。
步骤S101对所述车辆状态特征信息进行特征处理,得到在一时间跨度内连续的信息作为固定长度特征向量,考虑到任何分类器,其分类的好坏,有很大程度上取决于数据的特征。因此本申请中结合车道线***的跟踪结果,来计算车辆的横向位置信息以及转向角,并将其作为车辆状态特征信息。因为车道变化是连续的,所以当前特征应具有时间连续性。因此,本专申请中采用滑动窗口的方法来使得采集的特征具有连续性。
步骤S102对所述固定长度特征向量通过SVM分类器进行多类别分类,得到的概率权重值作为分类结果,采用的SVM分类器利用边缘最大化的概念来进行分类。对上一步得到的多类特征基于一对多的方法进行SVM多类分类,进而产生当前状态在每一种类别下的概率权重值。
步骤S103根据分类结果采用贝叶斯滤波器预测意图概率,通过所述意图概率得到车道变道意图预测的结果。将SVM分类结果作为先验知识,并对状态转移概率进行统计,利用贝叶斯滤波器来计算当前状态下的三种机动行为的最大后验概率,从而实现变道意图预测。这三种机动行为包括:左车道变线、右车道变线和不变线。
作为本实施例中的优选,粒子滤波器估计所述车道线信息的特征向量的方法如下:
定义对于车辆的参数方程,用以描述车道线位置以及几何形状,并假定车道线具有类似于回旋曲线的形状,同时利用所述回旋曲线来近似拟合车道线方程;
使用过去状态向量和里程计信息递归地估计用于描述车道线位置和几何形状的参数所组成的状态向量;
捕获车辆采集的原始图像,并使用脊滤波器得到粒子滤波器的更新阶段中所使用的低级特征;
通过每个粒子权重的更新,根据上述粒子滤波器的输出,得到与实际脊特征的匹配程度。
作为本实施例中的优选,与车辆相关的基础特征至少包括如下向量:
车辆与车道线的横向位置(l)、车辆相对于公路的转向角(φ)、l的一阶导数以及φ的一阶导数。优选地,上述步骤中得到在一时间跨度内连续的信息的方法为:滑动窗口处理,,将该信息作为固定长度特征向量。
作为本实施例中的优选,分类的类别至少包括:{左车道变线、右车道变线、不变线或者三类的组合}。
作为本实施例中的优选,通过广义的Bradley-Terry模型得到概率权重值。
作为本实施例中的优选,根据分类结果采用贝叶斯滤波器预测意图概率的方法具体为:
通过状态转移的先验概率以及当前机动行为下的状态向量的似然概率,计算出当前机动行为Mt的后验概率,即:
其中,Zt对应时刻t的观察值,L,R,N分别代表左变道、右变道和不变道的机动行为,似然项P(Zt|Mt)被视为SVM的概率输出,即在机动行为Mt下状态Zt的概率,状态转移概率P(Mt|Mt-1)利用采集到的数据集进行离线学习得到,
针对机动行为得到一状态转移矩阵,基于该转移矩阵对状态出现个数进行统计,然后进行归一化即可得到:
其中,S(i,j)表示训练数据集中从机动动作i转换到机动动作j的转移数量,SML(i,j)表示i→j转移的最大似然概率,根据SML(i,j)即可得到状态转移矩阵,进而得到后验概率P(Mt|Z0:t)。
图2是本发明一实施例中的***结构示意图,本实施例中的一种基于学习的在线车道变线预测***,包括:
采集单元1,用以通过IMU惯性测量单元中的车道线***采集车道线信息,并采用粒子滤波器估计所述车道线信息的特征向量,在上述特征向量中采集与车辆相关的基础特征作为车辆状态特征信息,
特征处理单元2,用以对所述车辆状态特征信息进行特征处理,得到在一时间跨度内连续的信息,并将其作为固定长度特征向量,
以及,对所述固定长度特征向量通过SVM分类器进行多类别分类,得到的概率权重值作为分类结果,
预测单元3,用以根据分类结果采用贝叶斯滤波器预测意图概率,通过所述意图概率得到车道变道意图预测的结果。
基于上述的***进行实验,在实验过程中,通过在高速公路上用两个不同的车辆采集具有139个车道变化的数据集。车辆配备了一个TYZX立体摄像机,相机参数为:22厘米基线、62°视野、512×320像素分辨率和410像素焦距。数据集包含两部分:训练集和测试集。训练集包括22个从左车道变线的轨迹数据、24个从右车道变线的轨迹数据和24个不变线的轨迹数据。对于训练过程,以32fps速率来采集所有数据,原因在于较高fps的数据能更好地近似车道改变过程。测试数据集包括共69个(左+右)车道变线的轨迹数据。SVM分类器的最终分类率为5分类/秒,基本满足使用要求。
图3是本发明的具体流程示意图,基于学习的在线车道变线预测方法主要包含以下几个流程:
Step1车道线***
车道线***主要是为了检测并跟踪车道线。为了使整个方法独立于定位装置(如GPS等)和数字地图(如GIS等),本发明使用基于视觉和基于IMU的车道***来捕获自主车辆相对于道路的位置信息。一般来说,车道跟踪问题可以看作是一个状态估计问题,其中状态向量由定义道路几何的车道参数组成。这里本申请中使用粒子滤波器,并按照以下步骤:
定义关于车辆的参数方程来描述车道线位置以及几何形状,并假定车道线具有类似于回旋曲线的形状。因此可以利用回旋曲线来近似拟合车道线方程,这里使用的是三阶方程。
基于粒子滤波器的预测步骤:使用过去状态向量和里程计信息递归地估计用于描述车道线位置和几何形状的参数所组成的状态向量。
图像捕获和脊检测(ridge detection):捕获车辆采集的原始图像,并使用脊滤波器(ridge filter)得到粒子滤波器的更新阶段中所使用的低级特征。
粒子滤波器的更新步骤:每个粒子权重的更新根据粒子滤波器的输出与实际脊特征的匹配程度。
Step2特征处理
结合步骤1)得到的车道线信息,提取和车辆相关的信息特征。由于分类器的判别能力极大地取决于特征向量xi的选择,因此本申请中使用由以下基本特征组成的特征向量:
·车辆与车道线的横向位置(l)
·车辆相对于公路的转向角(φ)
·l的一阶导数
·φ的一阶导数
选择这些特征是因为它们的模式对于本申请中感兴趣的三个类别(右车道变线,左车道变线以及不变线)中的每一个都显著不同。由于车道变化是连续的过程,并且可以持续几秒钟,特征向量xi必须包含时间跨度内连续的信息,以便尝试捕获连续性。为此,本发明使用滑动窗口方法。当窗口滑动到某位置,该位置的车辆靠近变道车道线附近,则选取该窗口。该窗口内的所有基本特征被标记为表示相应车道变道的基准数据点。此窗口应足够大,以完全捕获车道更改过程。在该窗口内创建子窗口,并且子窗口在不同时刻内会形成不同的基本特征,将这些特征级联起来,最终得到固定长度的特征向量。该子窗口在大窗口内移动,以便生成表示车道变化的不同特征向量。数学上,如果(t1+t2)表示窗口大小,f表示子窗口大小,fps表示每秒收集的数据帧,则时间i处的特征向量可以表示为:
其中:
n=4×f
Ii=[li-f×t,li-(f-1)×t,...,li-t,li]
Φi=[φi-f×t,φi-(f-1)×t,...,φi]
此处本申请中使用核函数κ(xi,xj)=exp(-gxi-xj 2),其中g为核函数参数。
Step3利用SVM进行多类概率估计
经过特征处理之后,得到与车辆相关的特征信息,利用这些信息,经过SVM分类,实现对当前状态的判断。支持向量机(SVM)是一种有监督学***面。它使用核函数将数据从低维度投影到更高维度,从而将低维度的非线性问题转换为更高维度的线性问题。给定数据集S={(x1,y1),...,(xm,ym)}∈(χ×γ)m,其中且γ={-1,1},二值SVM的优化模型定义为
针对二值SVM进行多类扩展的一个简单方法是使用一对多方法来学习k个不同的ws。
Step4贝叶斯滤波器
将SVM分类结果作为先验知识,结合对状态转移概率的统计,利用贝叶斯滤波器来计算当前状态下的三种机动行为的最大后验概率,从而实现变道意图预测。贝叶斯滤波算法给出了后验概率、先验概率和似然之间的反比关系。对于车道变换意图预测问题,贝叶斯滤波算法可以通过状态转移的先验概率以及当前机动行为下的状态向量的似然概率,计算出当前机动行为Mt的后验概率,即:
其中,Zt对应时刻t的观察值,L,R,N分别代表左变道、右变道和不变道。在本申请中的方法中,上述方程中的似然项P(Zt|Mt)被视为SVM的概率输出,即在机动行为Mt下状态Zt的概率。而状态转移概率P(Mt|Mt-1)可以利用采集到的数据集进行离线学习得到。对于所有的三个机动行为(右变线,左变线和不变线),得到一个3×3的状态转移矩阵,转移矩阵包含九个未知的状态转移概率。本专利所采用训练数据中的所有操作Mt都可以被标记,所以状态转移矩阵只是对状态出现个数进行统计,然后进行归一化即可得到:
其中,S(i,j)表示训练数据集中从机动动作i转换到机动动作j的转移数量,SML(i,j)表示i→j转移的最大似然概率。根据SML(i,j)即可得到状态转移矩阵,进而得到后验概率P(Mt|Z0:t),以用于最后车道变道意图预测。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
总体而言,本公开的各种实施例可以以硬件或专用电路、软件、逻辑或其任意组合实施。一些方面可以以硬件实施,而其它一些方面可以以固件或软件实施,该固件或软件可以由控制器、微处理器或其它计算设备执行。虽然本公开的各种方面被示出和描述为框图、流程图或使用其它一些绘图表示,但是可以理解本文描述的框、设备、***、技术或方法可以以非限制性的方式以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其它计算设备或其一些组合实施。
此外,虽然操作以特定顺序描述,但是这不应被理解为要求这类操作以所示的顺序执行或是以顺序序列执行,或是要求所有所示的操作被执行以实现期望结果。在一些情形下,多任务或并行处理可以是有利的。类似地,虽然若干具体实现方式的细节在上面的讨论中被包含,但是这些不应被解释为对本公开的范围的任何限制,而是特征的描述仅是针对具体实施例。在分离的一些实施例中描述的某些特征也可以在单个实施例中组合地执行。相反对,在单个实施例中描述的各种特征也可以在多个实施例中分离地实施或是以任何合适的子组合的方式实施。
Claims (9)
1.一种基于学习的在线车道变线预测方法,其特征在于,包括如下步骤:
通过IMU惯性测量单元中的车道线***采集车道线信息,并采用粒子滤波器估计所述车道线信息的特征向量,在上述特征向量中采集与车辆相关的基础特征作为车辆状态特征信息,
对所述车辆状态特征信息进行特征处理,得到在一时间跨度内连续的信息作为固定长度特征向量,
对所述固定长度特征向量通过SVM分类器进行多类别分类,得到的概率权重值作为分类结果,
根据分类结果采用贝叶斯滤波器预测意图概率,通过所述意图概率得到车道变道意图预测的结果。
2.根据权利要求1所述的在线车道变线预测方法,其特征在于,粒子滤波器估计所述车道线信息的特征向量的方法如下:
2-1)定义对于车辆的参数方程,用以描述车道线位置以及几何形状,并假定车道线具有类似于回旋曲线的形状,同时利用所述回旋曲线来近似拟合车道线方程;
2-2)使用过去状态向量和里程计信息递归地估计用于描述车道线位置和几何形状的参数所组成的状态向量;
2-3)捕获车辆采集的原始图像,并使用脊滤波器得到粒子滤波器的更新阶段中所使用的低级特征;
2-4)通过每个粒子权重的更新,根据上述粒子滤波器的输出,得到与实际脊特征的匹配程度。
3.根据权利要求1所述的在线车道变线预测方法,其特征在于,与车辆相关的基础特征至少包括如下向量:
车辆与车道线的横向位置(l)、车辆相对于公路的转向角(φ)、l的一阶导数以及φ的一阶导数。
4.根据权利要求1所述的在线车道变线预测方法,其特征在于,上述步骤中得到在一时间跨度内连续的信息的方法为:滑动窗口处理,将该信息作为固定长度特征向量。
5.根据权利要求1所述的在线车道变线预测方法,其特征在于,所述SVM分类器中使用边缘最大化实现多类别分类。
6.根据权利要求5所述的在线车道变线预测方法,其特征在于,分类的类别至少包括:
{左车道变线、右车道变线、不变线或者三类的组合}。
7.根据权利要求5所述的在线车道变线预测方法,其特征在于,通过广义的Bradley-Terry模型得到概率权重值。
8.根据权利要求1所述的在线车道变线预测方法,其特征在于,根据分类结果,采用贝叶斯滤波器预测意图概率的方法具体为:
通过状态转移的先验概率以及当前机动行为下的状态向量的似然概率,计算出当前机动行为Mt的后验概率,即:
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>M</mi>
<mi>t</mi>
</msub>
<mo>|</mo>
<msub>
<mi>Z</mi>
<mrow>
<mn>0</mn>
<mo>:</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&Proportional;</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>Z</mi>
<mi>t</mi>
</msub>
<mo>|</mo>
<msub>
<mi>M</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mo>&lsqb;</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<msub>
<mi>M</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mi>L</mi>
<mo>,</mo>
<mi>R</mi>
<mo>,</mo>
<mi>N</mi>
</mrow>
</munder>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>M</mi>
<mi>t</mi>
</msub>
<mo>|</mo>
<msub>
<mi>M</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>M</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>|</mo>
<msub>
<mi>Z</mi>
<mrow>
<mn>0</mn>
<mo>:</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
1
其中,Zt对应时刻t的观察值,L,R,N分别代表左变道、右变道和不变道的机动行为,似然项P(Zt|Mt)被视为SVM的概率输出,即在机动行为Mt下状态Zt的概率,状态转移概率P(Mt|Mt-1)利用采集到的数据集进行离线学习得到,
针对机动行为得到一状态转移矩阵,基于该转移矩阵对状态出现个数进行统计,然后进行归一化即可得到:
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>M</mi>
<mi>L</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mi>k</mi>
</msub>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中,S(i,j)表示训练数据集中从机动动作i转换到机动动作j的转移数量,SML(i,j)表示i→j转移的最大似然概率,根据SML(i,j)即可得到状态转移矩阵,进而得到后验概率P(Mt|Z0:t)。
9.一种基于学习的在线车道变线预测***,其特征在于,包括:
采集单元,用以通过IMU惯性测量单元中的车道线***采集车道线信息,并采用粒子滤波器估计所述车道线信息的特征向量,在上述特征向量中采集与车辆相关的基础特征作为车辆状态特征信息,
特征处理单元,用以对所述车辆状态特征信息进行特征处理,得到在一时间跨度内连续的信息,并将其作为固定长度特征向量,
以及,对所述固定长度特征向量通过SVM分类器进行多类别分类,得到的概率权重值作为分类结果,
预测单元,用以根据分类结果采用贝叶斯滤波器预测意图概率,通过所述意图概率得到车道变道意图预测的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710339930.3A CN107330356A (zh) | 2017-05-15 | 2017-05-15 | 一种基于学习的在线车道变线预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710339930.3A CN107330356A (zh) | 2017-05-15 | 2017-05-15 | 一种基于学习的在线车道变线预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107330356A true CN107330356A (zh) | 2017-11-07 |
Family
ID=60193575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710339930.3A Pending CN107330356A (zh) | 2017-05-15 | 2017-05-15 | 一种基于学习的在线车道变线预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107330356A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110556012A (zh) * | 2019-09-16 | 2019-12-10 | 北京百度网讯科技有限公司 | 车道定位方法及车辆定位*** |
CN111209838A (zh) * | 2019-12-31 | 2020-05-29 | 清华大学 | 一种基于驾驶意图的周车换道行为动态识别方法 |
CN112373482A (zh) * | 2020-11-23 | 2021-02-19 | 浙江天行健智能科技有限公司 | 一种基于驾驶模拟器的驾驶习惯建模方法 |
CN113165678A (zh) * | 2018-11-30 | 2021-07-23 | 泰雷兹控股英国有限公司 | 用于确定载运工具的位置的方法和装置 |
CN113460042A (zh) * | 2020-03-31 | 2021-10-01 | 华为技术有限公司 | 车辆驾驶行为的识别方法以及识别装置 |
WO2021217485A1 (zh) * | 2020-04-29 | 2021-11-04 | 华为技术有限公司 | 一种车辆变道行为识别方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104802737A (zh) * | 2015-03-25 | 2015-07-29 | 清华大学 | 一种基于手机的车辆异常驾驶行为检测方法 |
CN105460009A (zh) * | 2015-11-30 | 2016-04-06 | 奇瑞汽车股份有限公司 | 汽车控制方法及装置 |
-
2017
- 2017-05-15 CN CN201710339930.3A patent/CN107330356A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104802737A (zh) * | 2015-03-25 | 2015-07-29 | 清华大学 | 一种基于手机的车辆异常驾驶行为检测方法 |
CN105460009A (zh) * | 2015-11-30 | 2016-04-06 | 奇瑞汽车股份有限公司 | 汽车控制方法及装置 |
Non-Patent Citations (2)
Title |
---|
JULIAN SCHLECHTRIEMEN: ""A Lane Change Detection Approach using Feature Ranking with Maximized Predictive Power"", 《2014 IEEE INTELLIGENT VEHICLES SYMPOSIUM》 * |
PUNEET KUMAR ETC,: ""Learning-Based Approach for Online Lane Change Intention Prediction"", 《2013 IEEE INTELLIGENT VEHICLE SYMPOSIUM》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113165678A (zh) * | 2018-11-30 | 2021-07-23 | 泰雷兹控股英国有限公司 | 用于确定载运工具的位置的方法和装置 |
CN110556012A (zh) * | 2019-09-16 | 2019-12-10 | 北京百度网讯科技有限公司 | 车道定位方法及车辆定位*** |
CN110556012B (zh) * | 2019-09-16 | 2022-03-08 | 北京百度网讯科技有限公司 | 车道定位方法及车辆定位*** |
CN111209838A (zh) * | 2019-12-31 | 2020-05-29 | 清华大学 | 一种基于驾驶意图的周车换道行为动态识别方法 |
CN111209838B (zh) * | 2019-12-31 | 2022-11-18 | 清华大学 | 一种基于驾驶意图的周车换道行为动态识别方法 |
CN113460042A (zh) * | 2020-03-31 | 2021-10-01 | 华为技术有限公司 | 车辆驾驶行为的识别方法以及识别装置 |
CN113460042B (zh) * | 2020-03-31 | 2022-12-30 | 华为技术有限公司 | 车辆驾驶行为的识别方法以及识别装置 |
WO2021217485A1 (zh) * | 2020-04-29 | 2021-11-04 | 华为技术有限公司 | 一种车辆变道行为识别方法及装置 |
CN112373482A (zh) * | 2020-11-23 | 2021-02-19 | 浙江天行健智能科技有限公司 | 一种基于驾驶模拟器的驾驶习惯建模方法 |
CN112373482B (zh) * | 2020-11-23 | 2021-11-05 | 浙江天行健智能科技有限公司 | 一种基于驾驶模拟器的驾驶习惯建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mozaffari et al. | Deep learning-based vehicle behavior prediction for autonomous driving applications: A review | |
CN107330356A (zh) | 一种基于学习的在线车道变线预测方法及*** | |
US11899411B2 (en) | Hybrid reinforcement learning for autonomous driving | |
Kumar et al. | Learning-based approach for online lane change intention prediction | |
Cui et al. | Deep kinematic models for kinematically feasible vehicle trajectory predictions | |
Khosroshahi et al. | Surround vehicles trajectory analysis with recurrent neural networks | |
Choi et al. | Looking to relations for future trajectory forecast | |
Yi et al. | Trajectory clustering aided personalized driver intention prediction for intelligent vehicles | |
Agamennoni et al. | Estimation of multivehicle dynamics by considering contextual information | |
Itkina et al. | Dynamic environment prediction in urban scenes using recurrent representation learning | |
Wu et al. | Probabilistic map-based pedestrian motion prediction taking traffic participants into consideration | |
Kuhnt et al. | Understanding interactions between traffic participants based on learned behaviors | |
Dai et al. | A flexible and explainable vehicle motion prediction and inference framework combining semi-supervised AOG and ST-LSTM | |
Chen et al. | Reactive motion planning with probabilisticsafety guarantees | |
US11537819B1 (en) | Learned state covariances | |
Li et al. | Modeling vehicle merging position selection behaviors based on a finite mixture of linear regression models | |
Sun et al. | Interactive prediction for multiple, heterogeneous traffic participants with multi-agent hybrid dynamic bayesian network | |
Bharilya et al. | Machine learning for autonomous vehicle's trajectory prediction: A comprehensive survey, challenges, and future research directions | |
Gao et al. | Discretionary cut-in driving behavior risk assessment based on naturalistic driving data | |
Wang et al. | Deep understanding of big geospatial data for self-driving: Data, technologies, and systems | |
Han et al. | A novel end-to-end model for steering behavior prediction of autonomous ego-vehicles using spatial and temporal attention mechanism | |
Quinn et al. | Traffic flow monitoring in crowded cities | |
Oza et al. | Traffic sign detection and recognition using deep learning | |
Scheel et al. | Recurrent models for lane change prediction and situation assessment | |
Senanayake et al. | Directional primitives for uncertainty-aware motion estimation in urban environments |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171107 |
|
RJ01 | Rejection of invention patent application after publication |