CN113486822A - 一种基于驾驶意图的周围车辆轨迹预测方法及*** - Google Patents
一种基于驾驶意图的周围车辆轨迹预测方法及*** Download PDFInfo
- Publication number
- CN113486822A CN113486822A CN202110782921.8A CN202110782921A CN113486822A CN 113486822 A CN113486822 A CN 113486822A CN 202110782921 A CN202110782921 A CN 202110782921A CN 113486822 A CN113486822 A CN 113486822A
- Authority
- CN
- China
- Prior art keywords
- track
- lane
- vehicle
- changing
- lane change
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于驾驶意图的周围车辆轨迹预测方法,包括:获取自车、换道车与周围车辆行驶数据并预处理;获取换道结束点T3及由换道准备阶段开始点T1和换道执行阶段开始点T2界定的换道准备阶段;获取不同换道持续时间的换道轨迹样本及换道原型轨迹;获取他车驾驶意图辨识的表征参数组并建立他车驾驶意图辨识模型;建立包含换道持续时间变量的换道轨迹预测模型;根据他车驾驶意图辨识模型判断他车是否换道,如果是则基于他车对应换道持续时间的换道原型轨迹下的换道轨迹预测模型预测他车未来轨迹。本发明辨识他车驾驶意图时考虑自车换道车与周围车辆,预测换道轨迹时考虑换道持续时间多样性,可准确辨识他车换道意图且准确预测他车换道轨迹。
Description
技术领域
本发明涉及自动驾驶技术领域,具体而言,涉及一种基于驾驶意图的周围车辆轨迹预测方法及***。
背景技术
在复杂的城市道路中,车辆换道频发,对于自动驾驶车辆来说,需具备辨识周围车辆换道意图及换道轨迹预测的能力,以便做出合理的决策规划,提高行驶安全性和乘坐舒适性。
一方面,目前对于换道意图辨识的研究多是站在完善ADAS***的角度,进行的自车换道意图辨识,很少涉及自车周围的他车换道意图的辨识。在现有技术对他车换道意图的辨识研究中,受到信息获取方式的限制,可用于有效表征他车换道意图的参数较少,大多只有换道车自身的行驶状态参数,较少考虑换道车周围的环境,且较少考虑周围车辆,导致对他车换道意图的辨识准确性低,换道车附近的自车行驶安全性和乘坐舒适性低。
另一方面,受环境及驾驶风格等因素影响,换道行为的随机性导致换道轨迹的多样化,这体现在不同的换道样本具有不同的换道轨迹长度,而现在常见的换道轨迹预测模型大多利用深度学习算法进行换道轨迹预测,在训练换道轨迹预测模型时,大多都采用固定长度的换道历史数据去训练模型,并未考虑到换道过程中,换道持续时间上的多样性与不确定性,忽略了由于换道持续时间不同所造成的换道轨迹的不确定性,这将导致所训练的是一个通用的理想化的轨迹预测模型,则所得到的未来轨迹将是同一个分布下的轨迹,并不能体现换道轨迹在时间上的多样性,导致对他车换道轨迹的预测准确性低,换道车附近的自车行驶安全性和乘坐舒适性低。
基于以上问题,本领域亟需一种能够准确辨识自动驾驶车辆周围的他车换道意图且能准确预测他车换道轨迹的方法,以满足自动驾驶车辆对行驶安全性和乘坐舒适性等的需求。
发明内容
本发明提供了一种基于驾驶意图的周围车辆轨迹预测方法及***,可以准确辨识自车周围的他车换道意图且准确预测他车换道轨迹,进而满足自车对行驶安全性和乘坐舒适性等的需求。
一方面,本发明提供了一种基于驾驶意图的周围车辆轨迹预测方法,包括以下步骤:获取行驶路段自车、换道车与周围车辆的行驶数据并进行预处理;基于预处理后的行驶数据,获取换道结束点T3以及由换道准备阶段开始点T1和换道执行阶段开始点T2界定的换道准备阶段;以换道准备阶段开始点T1和换道结束点T3间的换道持续时间为特征,获取不同换道持续时间的换道轨迹样本及换道原型轨迹;基于换道准备阶段对应的预处理后的行驶数据,获取他车驾驶意图辨识的表征参数组,并基于表征参数组,建立他车驾驶意图辨识模型;基于不同换道持续时间的换道轨迹样本,建立包含换道持续时间变量的换道轨迹预测模型;根据他车驾驶意图辨识模型判断他车是否换道,如果是,则基于他车对应换道持续时间的换道原型轨迹下的换道轨迹预测模型预测他车未来轨迹。
与现有技术相比,本发明具有以下有益效果:本发明获取的行驶数据涵盖自车、换道车与周围车辆,获取他车驾驶意图辨识的表征参数组时考虑了自车、换道车与周围车辆,与现有技术仅考虑换道车自身的行驶状态参数相比,本发明基于表征参数组建立的他车驾驶意图辨识模型能够更准确的辨识自车周围的他车的换道意图;本发明根据行驶数据对换道过程进行换道关键点及换道阶段划分,以各个换道样本换道时换道持续时间为特征,获取不同换道持续时间的换道轨迹样本及换道原型轨迹,进而建立的换道轨迹预测模型考虑了换道持续时间的多样性,可以准确的预测他车换道轨迹;本发明通过他车驾驶意图辨识模型准确辨识自车周围的他车换道意图,通过换道轨迹预测模型准确预测他车换道轨迹,使自车在行驶时可做出合理的决策规划,进而满足自车对行驶安全性和乘坐舒适性等的需求。
在本发明的一些实施方式中,获取的所述行驶数据包括自车、换道车与周围车辆的位置(x,y)、速度V和加速度a;对所述行驶数据进行的预处理包括异常值去除和滤波处理。
采用上述进一步技术方案的有益效果在于,本发明使用的行驶数据涵盖自车、换道车与周围车辆,与现有技术仅考虑换道车自身的行驶状态参数相比,本发明考虑的影响因素更广,使他车驾驶意图辨识模型对他车换道意图的辨识以及换道轨迹预测模型对他车换道轨迹的预测更准确;另外,本发明使用的行驶数据为位置、速度和加速度,容易获取,降低获取难度;本发明对获取的行驶数据进行异常值去除和滤波处理等预处理,降低行驶数据的粗糙度,使后续建立的他车驾驶意图辨识模型对他车换道意图的辨识以及换道轨迹预测模型对他车换道轨迹的预测更准确。
在本发明的一些实施方式中,基于预处理后的行驶数据获取换道执行阶段开始点T2;基于航向角阈值θs获取换道准备阶段开始点T1和换道结束点T3,其中,θs通过行驶路段上直行车辆的航向角的变化范围确定,航向角通过以下公式计算:其中,x表示行驶路段上直行车辆的横向位置,y表示行驶路段上直行车辆的纵向位置,t表示行驶时间。
采用上述进一步技术方案的有益效果在于,换道执行阶段开始点T2可从预处理后的行驶数据中依据车辆越线点获取,获取方式简单直接;换道准备阶段开始点T1和换道结束点T3通过预处理后的行驶数据中直行车辆的行驶数据经过简单的计算得到直行车辆航向角,进而通过直行车辆航向角的变化范围得到航向角阈值θs即可获取,获取方式相对简单,无需大量复杂的计算,计算所用时间成本低;另外,由预处理后的行驶数据中车辆越线点获取T2以及由航向角阈值θs获取T1和T3的方式,获取的T2、T1、T3更接近实际数据,误差小。
在本发明的一些实施方式中,换道准备阶段开始点T1的获取方法为:根据从换道执行阶段开始点T2处沿时间轴反方向遍历每个换道执行阶段开始点T2之前的预处理后的行驶数据所对应的采样点的航向角θ,若|θ|≤θs,则该位置为换道准备阶段开始点T1;换道结束点T3的获取方法为:根据从换道执行阶段开始点T2处沿时间轴正向遍历每个换道执行阶段开始点T2之后的预处理后的行驶数据所对应的采样点的航向角θ,若|θ|≤θs,则该位置为换道结束点T3。
采用上述进一步技术方案的有益效果在于,本发明利用获取的换道执行阶段开始点T2之前的预处理后的行驶数据中换道车的航向角与航向角阈值θs进行比较确定T1,利用获取的换道执行阶段开始点T2之后的预处理后的行驶数据中换道车的航向角与航向角阈值θs进行比较确定T3,方法简单,且能准确的判定出T1和T3,不会出现判定错误的问题。
在本发明的一些实施方式中,获取不同换道持续时间的换道轨迹样本及换道原型轨迹的步骤如下:根据换道准备阶段开始点T1和换道结束点T3界定的换道阶段,获取所有换道样本的换道持续时间分布;以换道持续时间为特征,对所有换道样本的换道阶段进行无监督聚类,得到多类不同换道持续时间的换道轨迹样本;对每一类换道持续时间的换道轨迹样本进行原型轨迹拟合,得到多类不同换道持续时间的换道原型轨迹。
采用上述进一步技术方案的有益效果在于,行驶路段换道过程中自车周围会出现多个换道车,即有多个换道样本,受环境及驾驶风格等因素影响,不同的换道样本具有不同的换道轨迹长度,本发明根据换道阶段获取所有换道样本的换道持续时间分布,并以换道持续时间为特征,进行无监督聚类,得到多类不同换道持续时间的换道轨迹样本,经过拟合得到多类不同换道持续时间的换道原型轨迹。因此,本发明的换道轨迹样本与换道原型轨迹考虑了各个换道样本的不同的换道持续时间,在应用时,可以将符合相应换道持续时间的换道轨迹样本与换道原型轨迹加以使用,提高后续换道轨迹预测的准确性。
在本发明的一些实施方式中,基于换道准备阶段对应的预处理后的行驶数据,获取他车驾驶意图辨识的表征参数组的步骤如下:S1、基于预处理后的行驶数据,构造行驶路段参数组,所述行驶路段参数组包括换道车行驶状态参数、换道车与目标车道后车的相对行驶状态参数、换道车和目标车道前车的距离与换道车和换道车所在车道前车的距离之比、换道车和目标车道前车的相对速度与换道车和换道车所在车道前车的相对速度之比;S2、根据换道准备阶段的预处理后的行驶数据中的行驶路段参数的时间序列,基于S1构造的所述行驶路段参数组,利用信息增益率对换道意图与车道保持意图的参数表征重要度进行分析,得到可显著区分换道意图与车道保持意图参数的表征重要度排序,并根据表征重要度排序对行驶路段参数组的参数进行筛选;S3、利用SPSS分析S2筛选后的参数组内剩余各参数的相关性,并去除具有显著相关性的参数,得到能显著区分换道与车道保持两种驾驶意图的他车驾驶意图辨识的表征参数组。
采用上述进一步技术方案的有益效果在于,本发明选用自车、换道车及周围车辆的行驶数据作为行驶路段参数组获取区分换道与车道保持(直行)两种驾驶意图的他车驾驶意图辨识的表征参数组,表征参数组考虑了自车、换道车及周围车辆,可以表征周围车辆对换道车的影响,同时反映换道车的期望行驶状态,对换道与车道保持两种驾驶意图的区分更准确。
在本发明的一些实施方式中,基于表征参数组,建立他车驾驶意图辨识模型的步骤如下:基于表征参数组,分别提取他车车道保持行为数据集LK和他车换道行为数据集LC;通过隐马尔可夫方法分别搭建他车车道保持和他车换道意图辨识原始模型;将他车车道保持行为数据集LK和他车换道行为数据集LC均按照7:2:1的比例分为训练集、验证集及测试集;基于对应的训练集分别训练他车车道保持和他车换道意图辨识原始模型,基于对应的验证集分别验证训练后的模型,得到包括他车车道保持和他车换道意图辨识的他车驾驶意图辨识模型;基于测试集测试他车驾驶意图辨识模型对他车车道保持和他车换道意图的辨识效果。
采用上述进一步技术方案的有益效果在于,本发明基于考虑自车、换道车及周围车辆的表征参数组提取他车车道保持行为数据集LK和他车换道行为数据集LC,通过隐马尔可夫方法搭建他车车道保持和他车换道意图辨识原始模型,通过LK与LC中的训练集和验证集分别进行训练、验证得到他车驾驶意图辨识模型,经测试集测试,他车驾驶意图辨识模型能够准确的辨识他车换道或车道保持的意图,进而使自车做出合理的决策规划,提高行驶安全性和乘坐舒适性。
在本发明的一些实施方式中,基于不同换道持续时间的换道轨迹样本,建立包含换道持续时间变量的换道轨迹预测模型包括以下步骤:基于LSTM搭建换道轨迹预测原始模型;基于所述不同换道持续时间的换道轨迹样本将所述换道轨迹预测原始模型训练出多类换道轨迹预测模型;计算多类换道轨迹预测模型所得未来轨迹与真实换道轨迹的均方根误差及最终位移误差以进行换道轨迹预测模型验证,得到包含换道持续时间变量的换道轨迹预测模型。
采用上述进一步技术方案的有益效果在于,本发明的换道轨迹预测原始模型基于不同换道持续时间的换道轨迹样本进行训练,训练后得到的换道轨迹预测模型考虑了各换道车轨迹样本的换道持续时间不确定性,在他车被辨识为具备换道意图时可以更准确的预测他车未来轨迹。
在本发明的一些实施方式中,基于他车对应换道持续时间的换道原型轨迹下的换道轨迹预测模型预测他车未来轨迹的步骤如下:基于他车行驶数据,通过他车驾驶意图辨识模型判断他车是否换道,如果是,则将他车行驶历史片段与不同换道持续时间的换道原型轨迹进行相似度对比,得到相似度最大的换道原型轨迹;基于相似度最大的换道原型轨迹下的换道轨迹预测模型进行换道轨迹预测,得到对应的换道持续时间下的未来轨迹。
采用上述进一步技术方案的有益效果在于,本发明将行驶状态的自车周围的他车行驶数据输入他车驾驶意图辨识模型获取他车车道保持意图和他车换道意图的概率,当他车换道意图所占概率高时判定为他车换道,并将他车之前的行驶历史片段与考虑不同换道持续时间的换道原型轨迹进行相似度对比,获取相似度最大的换道原型轨迹,用该换道原型轨迹下的换道轨迹预测模型进行换道轨迹预测以得到未来轨迹。本发明在对他车驾驶意图具备更准确的辨识性下,从换道原型轨迹中选取适合该他车的换道原型轨迹,并通过适合该他车的换道原型轨迹下的换道轨迹预测模型进行换道轨迹预测,得到他车未来轨迹,考虑了换道持续时间不确定性的影响,对自车周围他车换道的未来轨迹预测更准确。
另一方面,本发明还提供了一种基于驾驶意图的周围车辆轨迹预测***,所述***包括:数据处理单元,用于获取车辆行驶数据并进行预处理;换道划分单元,用于获取换道结束点T3以及由换道准备阶段开始点T1和换道执行阶段开始点T2界定的换道准备阶段;换道原型轨迹构建单元,用于构建基于不同换道持续时间的换道轨迹样本及换道原型轨迹;他车驾驶意图辨识单元,用于获取他车驾驶意图辨识的表征参数组,并基于表征参数组建立他车驾驶意图辨识模型,可通过他车驾驶意图辨识模型判断他车是否换道;换道轨迹预测单元,用于基于不同换道持续时间的换道轨迹样本,建立包含换道持续时间变量的换道轨迹预测模型,可基于他车驾驶意图辨识模型判定的换道的他车对应的换道持续时间的换道原型轨迹下的换道轨迹预测模型预测他车未来轨迹;控制模块,用于发出指令以控制***的各个单元的执行。
与现有技术相比,本发明具有以下有益效果:本发明的基于驾驶意图的周围车辆轨迹预测***与本发明的基于驾驶意图的周围车辆轨迹预测方法相对应,他车驾驶意图辨识单元考虑了自车、换道车与周围车辆,与现有技术仅考虑换道车自身的行驶状态参数相比,本发明的他车驾驶意图辨识单元能够更准确的辨识自车周围的他车的换道意图;本发明换道轨迹预测单元考虑了换道持续时间的多样性,可以准确的预测他车换道轨迹;本发明通过他车驾驶意图辨识单元准确辨识自车周围的他车换道意图,通过换道轨迹预测单元准确预测他车换道轨迹,使自车在行驶时可做出合理的决策规划,进而满足自车对行驶安全性和乘坐舒适性等的需求。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对本发明实施例中所需要使用的附图进行说明。
图1为本发明一种实施例的行驶路段换道过程划分示意图;
图2为本发明一种实施例的行驶路段换道样本的换道持续时间示意图;
图3为本发明一种实施例的行驶路段换道样本的换道持续时间分布直方图;
图4为本发明一种实施例的行驶路段换道样本的换道持续时间无监督聚类结果示意图;
图5为本发明一种实施例的不同换道持续时间的换道原型轨迹示意图;
图6为本发明一种实施例的区分换道意图与车道保持意图的参数的表征重要度排序的箱线图;
图7为本发明一种实施例的他车驾驶意图辨识模型的驾驶意图辨识结果示意图;
图8为本发明一种实施例的不同换道持续时间的换道轨迹样本换道准备阶段长度统计图;
图9为本发明一种实施例的考虑换道持续时间的换道轨迹预测模型,以及现有不考虑换道持续时间的经典(原始)LSTM模型的横向位置轨迹预测误差示例图;
图10为本发明一种实施例的考虑换道持续时间的换道轨迹预测模型,以及现有不考虑换道持续时间的经典(原始)LSTM模型的纵向位置轨迹预测误差示例图;
图11为本发明一种实施例的包含换道持续时间变量的换道轨迹预测流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下将结合具体实施例对本发明涉及的各个方面进行详细说明,但这些具体实施例仅用于举例说明本发明,并不对本发明的保护范围和实质内容构成任何限定。
本实施例提供一种基于驾驶意图的周围车辆轨迹预测方法。图1示出了本实施例的行驶路段换道过程划分示意图,图2示出了本实施例的行驶路段换道样本的换道持续时间示意图,图3示出了本实施例的行驶路段换道样本的换道持续时间分布直方图,图4示出了本实施例的行驶路段换道样本的换道持续时间无监督聚类结果示意图,图5示出了本实施例的不同换道持续时间的换道原型轨迹示意图,图6示出了本实施例的区分换道意图与车道保持意图的参数的表征重要度排序的箱线图,图7示出了本实施例的他车驾驶意图辨识模型的驾驶意图辨识结果示意图,图8示出了本实施例的不同换道持续时间的换道轨迹样本换道准备阶段长度统计图,图9示出了本实施例的考虑换道持续时间的换道轨迹预测模型以及现有不考虑换道持续时间的经典(原始)LSTM模型的横向位置轨迹预测误差示例图,图10示出了本实施例的考虑换道持续时间的换道轨迹预测模型以及现有不考虑换道持续时间的经典(原始)LSTM模型的纵向位置轨迹预测误差示例图,图11示出了本实施例的包含换道持续时间变量的换道轨迹预测流程图。
本实施例的基于驾驶意图的周围车辆轨迹预测方法,包括以下步骤:
S1、获取行驶路段自车、换道车与周围车辆的行驶数据并进行预处理;
S2、基于预处理后的行驶数据,获取换道结束点T3以及由换道准备阶段开始点T1和换道执行阶段开始点T2界定的换道准备阶段;
S3、以换道准备阶段开始点T1和换道结束点T3间的换道持续时间为特征,获取不同换道持续时间的换道轨迹样本及换道原型轨迹;
S4、基于换道准备阶段对应的预处理后的行驶数据,获取他车驾驶意图辨识的表征参数组,并基于表征参数组,建立他车驾驶意图辨识模型;
S5、基于不同换道持续时间的换道轨迹样本,建立包含换道持续时间变量的换道轨迹预测模型;
S6、根据他车驾驶意图辨识模型判断他车是否换道,如果是,则基于他车对应换道持续时间的换道原型轨迹下的换道轨迹预测模型预测他车未来轨迹。
在本实施例中,S1步骤行驶路段自车、换道车与周围车辆的行驶数据的获取方式不受限制,本领域技术人员可以根据需要进行选择,例如,可以是通过无人机等定点拍摄换道多发城市路段的交通流视频,从所拍摄的交通流视频中提取换道过程中自车、换道车与周围车辆的行驶数据;也可以是不进行数据采集而是通过一些公开的数据集获取自车、换道车与周围车辆的行驶数据,例如可以使用NGSIM(高速+城市)或Argoverse数据集(城市)等,需要注意的是,虽然NGSIM数据集介绍的是高速公路,但是其交通流状态类似一个城市道路交通流,且在换道时的车速及车间距,都类似城市道路中的交通流状态,因此NGSIM数据集可以用于研究高速公路及城市道路下的换道轨迹预测。本实施例优选采用NGSIM数据集获取自车、换道车与周围车辆的行驶数据,另外,受样本数量影响,本实施例仅以左换道行为的辨识及轨迹预测为例进行说明,本领域技术人员应当知道,本实施例不限于左换道行为,技术人员可以根据实际需要选择右换道行为或左右换道行为等。
在本实施例中,S1步骤获取的行驶数据包括自车、换道车与周围车辆的位置(x,y)、速度V和加速度a等;对行驶数据进行的预处理包括异常值去除和滤波处理等。在本实施例中,预处理的具体方法不受限制,本领域技术人员可根据实际需要进行选择。
在本实施例中,S2步骤基于预处理后的行驶数据获取换道执行阶段开始点T2,具体地,认定车辆的最前端与车道线的交点为换道阶段开始点,本实例采用NGSIM数据集,其车辆横纵位置是以车辆前保险杠中心为质点获得的,故换道执行阶段开始点T2以车辆越线点往车道内侧平移一段距离d得到。另外,当采用无人机等定点拍摄交通流视频获取行驶数据时,换道执行阶段开始点T2可以直接从交通流视频中观察确定。在本实施例中,基于航向角阈值θs获取换道准备阶段开始点T1和换道结束点T3,其中,θs通过行驶路段上直行车辆的航向角的变化范围确定,航向角通过以下公式计算:其中,x表示行驶路段上直行车辆的横向位置,y表示行驶路段上直行车辆的纵向位置,t表示行驶时间。换道准备阶段开始点T1的具体获取方法为:根据从换道执行阶段开始点T2处沿时间轴反方向遍历每个换道执行阶段开始点T2之前的预处理后的行驶数据所对应的采样点的航向角θ,若|θ|≤θs,则该位置为换道准备阶段开始点T1;换道结束点T3的具体获取方法为:根据从换道执行阶段开始点T2处沿时间轴正向遍历每个换道执行阶段开始点T2之后的预处理后的行驶数据所对应的采样点的航向角θ,若|θ|≤θs,则该位置为换道结束点T3。
在本实例中,参见图1,重点示出了S2步骤中行驶路段换道过程中换道关键点和换道阶段的划分。如图1所示,通过换道关键点(换道准备阶段开始点T1、换道执行阶段开始点T2和换道结束点T3)将整个换道阶段(T1-T3)分为换道准备阶段(T1-T2)、换道执行和调整阶段(T2-T3)。图1中车辆分别为换道车、目标车道后车、目标车道前车和换道车所在车道前车,假设目标车道后车为未来的自动驾驶车(自车),在其感知范围内,在考虑周围车辆的情况下,研究换道车在其换道准备阶段的行驶状态参数的规律以辨识驾驶意图及隐含的换道意图。
在本实施例中,S3步骤获取不同换道持续时间的换道轨迹样本及换道原型轨迹的步骤如下:根据换道准备阶段开始点T1和换道结束点T3界定的换道阶段,获取所有换道样本的换道持续时间分布(如图2-3);以换道持续时间为特征,对所有换道样本的换道阶段进行无监督聚类,得到多类不同换道持续时间的换道轨迹样本,如表1;对每一类换道持续时间的换道轨迹样本进行原型轨迹拟合,得到多类不同换道持续时间的换道原型轨迹。在本实施例中,采用NGSIM数据集获取的行驶数据,按照换道持续时间将所有的换道样本的换道阶段进行无监督聚类时可聚类为三类(聚类效果评价指标轮廓系数值为0.7103,证明聚成三类是合理的),得到三类不同换道持续时间的换道轨迹样本LC1、LC2、LC3(如图4),拟合后得到三条不同换道持续时间的换道原型轨迹(如图5)。需要注意的是,本实施例的无监督聚类方法不受限制,本领域技术人员可以根据实际需要进行合理选择,例如本实施例可以采用模糊C均值FCM(fuzzy c means)的方法。另外,当采用其他方法获取行驶数据时,在无监督聚类时得到的不同换道持续时间的换道轨迹样本不限于三类,具体数量根据实际获取的行驶数据确定,进而拟合后得到的不同换道持续时间的换道原型轨迹的数量与不同换道持续时间的换道轨迹样本一致。
表1三类不同换道持续时间的换道轨迹样本
在本实施例中,S4步骤基于换道准备阶段对应的预处理后的行驶数据,获取他车驾驶意图辨识的表征参数组的步骤如下:
(1)基于预处理后的行驶数据,构造行驶路段参数组,见表2,行驶路段参数组包括换道车行驶状态参数、换道车与目标车道后车的相对行驶状态参数、换道车和目标车道前车的距离与换道车和换道车所在车道前车的距离之比、换道车和目标车道前车的相对速度与换道车和换道车所在车道前车的相对速度之比。本实施例构建的该类行驶路段参数组可以表征周围车辆对换道车的影响,同时反映换道车的期望行驶状态。
表2行驶路段参数组
表2中换道车(S)的航向角通过如下公式计算:换道车(S)的航向角变化率通过如下公式计算:其中,x表示行驶路段上换道车(S)的横向位置,y表示行驶路段上换道车(S)的纵向位置,t表示行驶时间,△t表示时间步长。
(2)根据换道准备阶段的预处理后的行驶数据中的行驶路段参数的时间序列,基于步骤(1)构造的行驶路段参数组,利用信息增益率(在本实施例中,信息增益率的计算方法不受限制,本领域技术人员可根据现有方法进行计算获取)对换道意图与车道保持意图(直行意图)的参数表征重要度进行分析,得到可显著区分换道意图与车道保持意图参数的表征重要度排序,结果参见图6,并根据表征重要度排序对行驶路段参数组的参数进行筛选,初步筛选前9个参数{laneoffsets,Vxs,Vys,axs,ays,HeadAangles,HeadAangleRates,△xS_TF,△yS_TF};
(3)利用SPSS分析步骤(2)筛选后的参数组内剩余各参数的相关性,分析结果见表3,并去除具有显著相关性的参数{HeadAangles,HeadAangleRates},最终得到能显著区分换道与车道保持两种驾驶意图的他车驾驶意图辨识的表征参数组{laneoffsets,Vxs,Vys,axs,ays,△xS_TF,△yS_TF};
表3参数间皮尔逊相关性系数
在本实施例中,S4步骤基于表征参数组,建立他车驾驶意图辨识模型的步骤如下:
1)基于表征参数组,分别提取他车车道保持行为数据集LK和他车换道行为数据集LC;在本实施例中,LC表示的是他车左换道行为数据集,本领域技术人员应当知道,LC不限于他车左换道行为数据集,技术人员可以根据实际需要选择他车右换道行为数据集或他车左右换道行为数据集等。
2)通过隐马尔可夫(CHMM)方法分别搭建他车车道保持和他车换道意图辨识原始模型;一个完整的CHMM模型可用一个7元组λc={N,M,π,A,Cjm,μjm,∑jm}表示,本实施例中,取隐状态数N为2,高斯概率密度函数的个数M为2,其中π和A随机赋初始值,高斯概率密度函数的参数Cjm,μjm,∑jm由k-means聚类赋初值。
3)将他车车道保持行为数据集LK和他车换道行为数据集LC均按照约7:2:1的比例分为训练集、验证集及测试集;如表4所示。
表4 LK、LC及测试集包含数据样本数量
序号 | 模型名称 | 训练集 | 验证集 | 测试集 |
1 | 换道意图辨识模型 | 703 | 200 | 100 |
2 | 车道保持意图辨识模型 | 609 | 174 | 87 |
4)基于对应的训练集分别训练他车车道保持和他车换道意图辨识原始模型,基于对应的验证集分别离线验证训练后的模型,得到包括他车车道保持和他车换道意图辨识模型的他车驾驶意图辨识模型。
5)基于测试集测试他车驾驶意图辨识模型对他车车道保持和他车换道意图的辨识效果。具体地,在本实施例中,基于测试集,利用滑窗法进行他车驾驶意图辨识模型的测试,滑窗长度为2,滑动步长为1,结果示例如图7。从图7可以看出,经过测试,本实施例的他车驾驶意图辨识模型对他车车道保持和他车换道意图的的辨识效果好,可以明显的区分出换道或车道保持意图,换道与车道保持曲线的跳跃点为换道开始点。
在本实施例中,S5步骤基于不同换道持续时间的换道轨迹样本,建立包含换道持续时间变量的换道轨迹预测模型包括以下步骤:
①基于LSTM搭建换道轨迹预测原始模型。具体地,基于编码器-解码器框架,利用LSTM神经元结构将换道车的历史轨迹编码为上下文向量,传递给解码器,解码器与编码器的LSTM神经元结构一致,负责从上下文向量中提取重要信息,预测车辆未来位置。本实施例中的轨迹预测原始模型,采用单层LSTM单元体,隐藏单元个数为15,构建循环神经网络结构,采用Adam优化器,学习率为0.001,衰减率为0.9。
②基于不同换道持续时间的换道轨迹样本将换道轨迹预测原始模型训练出多类换道轨迹预测模型。具体地,在本实施例中,采用NGSIM数据集获取行驶数据时,按照换道持续时间将所有的换道样本进行无监督聚类可聚类为三类,得到三类不同换道持续时间的换道轨迹样本LC1、LC2、LC3,将每类换道轨迹样本,采用滑动时窗的方法,提取指定长度的序列片段,如表5所示。其中滑窗长度为Tp+Tf,滑动步长为1,得到序列片段,将所得序列片段取其中80%作为训练集,20%作为测试集,对步骤①得到的换道轨迹预测原始模型进行训练,得到三类换道轨迹预测模型LSTM-LC1,LSTM-LC2,LSTM-LC3。需要注意的是,换道轨迹预测模型的类数不限于三类,其与不同换道持续时间的换道轨迹样本的类数相同,即,当按照换道持续时间将所有的换道样本进行无监督聚类可聚类为多类时,得到多类不同换道持续时间的换道轨迹样本LC1、LC2、LC3…,对应的经训练后可得到多类换道轨迹预测模型LSTM-LC1,LSTM-LC2,LSTM-LC3…。
表5
表5中,考虑换道持续时间的LSTM模型中每个换道轨迹样本对应的LSTM模型,其输入历史片段的长度均不相同,具体数值是根据每类样本中的换道准备时间确定的,即每个模型对应的输入历史片段长度为不同换道轨迹样本类型的换道准备阶段长度,如图8所示,为三类换道轨迹样本对应的换道准备阶段长度。表5中,经典(原始)LSTM模型表示的是按照步骤①的方式搭建换道轨迹预测原始模型后,不以换道持续时间为特征,不对所有换道样本的换道阶段进行无监督聚类,而是仅从所有换道样本中随机抽取所有换道样本的1/3作为训练集,对换道轨迹预测原始模型进行训练,得到的经典(原始)LSTM模型。原始LSTM模型不考虑换道持续时间,其作为对照组,用于比较本实施例考虑换道持续时间的三类换道轨迹预测模型LSTM-LC1,LSTM-LC2,LSTM-LC3与不考虑换道持续时间的经典(原始)LSTM模型的轨道预测误差。
③计算多类换道轨迹预测模型所得未来轨迹与真实换道轨迹的均方根误差及最终位移误差以进行换道轨迹预测模型离线验证,得到包含换道持续时间变量的换道轨迹预测模型。
在步骤②中,对依据所得三类不同换道持续时间的换道轨迹样本LC1、LC2、LC3分别训练换道轨迹预测原始模型得到的三类换道轨迹预测模型LSTM-LC1、LSTM-LC2、LSTM-LC3,及不考虑换道持续时间的经典(原始)LSTM模型,利用测试集进行验证,并采用均方根误差及最终位移误差作为轨迹预测结果的评价指标,得到的轨迹预测误差如表6-9及图9-10。
表6横向位置预测均方根误差对比
表7横向位置预测最终位移误差对比
表8纵向位置预测均方根误差对比
表9纵向位置预测最终位移误差对比
由表6-9及图9-10可知,本实施例依据所得三类不同换道持续时间的换道轨迹样本LC1、LC2、LC3分别训练换道轨迹预测原始模型得到的三类换道轨迹预测模型LSTM-LC1、LSTM-LC2、LSTM-LC3对轨迹的预测误差明显小于不考虑换道持续时间的经典(原始)LSTM模型,本实施例考虑换道持续时间的换道轨迹预测模型对轨迹的预测能力明显比不考虑换道持续时间的经典(原始)LSTM模型准确。
在本实施例中,如图11所示,S6步骤基于他车对应换道持续时间的换道原型轨迹下的换道轨迹预测模型预测他车未来轨迹的步骤如下:基于他车行驶数据,通过他车驾驶意图辨识模型判断他车是否换道,如果是,则将他车行驶历史片段与不同换道持续时间的换道原型轨迹(在本实施例中,可以为三类不同换道持续时间的换道原型轨迹)进行相似度对比,得到相似度最大的换道原型轨迹;基于相似度最大的换道原型轨迹下的换道轨迹预测模型进行换道轨迹预测,得到所对应的换道持续时间下的未来轨迹。
在本实施例中,通过他车驾驶意图辨识模型判断他车是否换道时,将行驶状态的自车周围的他车行驶数据输入他车驾驶意图辨识模型分别获取他车车道保持意图和他车换道意图的概率,当他车换道意图所占概率高时判定为他车换道。在本实施例中,相似度对比方法不受限制,本实施例中可以采用历史片段与换道原型轨迹的斜率对比进行相似度度量,还可以采用常见的时间序列的相似性对比方法,如基于距离的相似性度量。
本实施例还提供一种基于驾驶意图的周围车辆轨迹预测***,该***包括:数据处理单元,用于获取车辆行驶数据并进行预处理;换道划分单元,用于获取换道结束点T3以及由换道准备阶段开始点T1和换道执行阶段开始点T2界定的换道准备阶段;换道原型轨迹构建单元,用于构建基于不同换道持续时间的换道轨迹样本及换道原型轨迹;他车驾驶意图辨识单元,用于获取他车驾驶意图辨识的表征参数组,并基于表征参数组建立他车驾驶意图辨识模型,可通过他车驾驶意图辨识模型判断他车是否换道;换道轨迹预测单元,用于基于不同换道持续时间的换道轨迹样本,建立包含换道持续时间变量的换道轨迹预测模型,可基于他车驾驶意图辨识模型判定的换道的他车对应的换道持续时间的换道原型轨迹下的换道轨迹预测模型预测他车未来轨迹;控制模块,用于发出指令以控制***的各个单元的执行。
以上结合具体实施方式对本发明进行了说明,这些具体实施方式仅仅是示例性的,不能以此限定本发明的保护范围,本领域技术人员在不脱离本发明实质的前提下可以进行各种修改、变化或替换。因此,根据本发明所作的各种等同变化,仍属于本发明所涵盖的范围。
Claims (10)
1.一种基于驾驶意图的周围车辆轨迹预测方法,其特征在于,包括以下步骤:
获取行驶路段自车、换道车与周围车辆的行驶数据并进行预处理;
基于预处理后的行驶数据,获取换道结束点T3以及由换道准备阶段开始点T1和换道执行阶段开始点T2界定的换道准备阶段;
以换道准备阶段开始点T1和换道结束点T3间的换道持续时间为特征,获取不同换道持续时间的换道轨迹样本及换道原型轨迹;
基于换道准备阶段对应的预处理后的行驶数据,获取他车驾驶意图辨识的表征参数组,并基于表征参数组,建立他车驾驶意图辨识模型;
基于不同换道持续时间的换道轨迹样本,建立包含换道持续时间变量的换道轨迹预测模型;
根据他车驾驶意图辨识模型判断他车是否换道,如果是,则基于他车对应换道持续时间的换道原型轨迹下的换道轨迹预测模型预测他车未来轨迹。
2.如权利要求1所述的方法,其特征在于,获取的所述行驶数据包括自车、换道车与周围车辆的位置(x,y)、速度V和加速度a;对所述行驶数据进行的预处理包括异常值去除和滤波处理。
4.如权利要求3所述的方法,其特征在于,换道准备阶段开始点T1的获取方法为:根据从换道执行阶段开始点T2处沿时间轴反方向遍历每个换道执行阶段开始点T2之前的预处理后的行驶数据所对应的采样点的航向角θ,若|θ|≤θs,则该位置为换道准备阶段开始点T1;
换道结束点T3的获取方法为:根据从换道执行阶段开始点T2处沿时间轴正向遍历每个换道执行阶段开始点T2之后的预处理后的行驶数据所对应的采样点的航向角θ,若|θ|≤θs,则该位置为换道结束点T3。
5.如权利要求1所述的方法,其特征在于,获取不同换道持续时间的换道轨迹样本及换道原型轨迹的步骤如下:
根据换道准备阶段开始点T1和换道结束点T3界定的换道阶段,获取所有换道样本的换道持续时间分布;
以换道持续时间为特征,对所有换道样本的换道阶段进行无监督聚类,得到多类不同换道持续时间的换道轨迹样本;
对每一类换道持续时间的换道轨迹样本进行原型轨迹拟合,得到多类不同换道持续时间的换道原型轨迹。
6.如权利要求1所述的方法,其特征在于,基于换道准备阶段对应的预处理后的行驶数据,获取他车驾驶意图辨识的表征参数组的步骤如下:
S1、基于预处理后的行驶数据,构造行驶路段参数组,所述行驶路段参数组包括换道车行驶状态参数、换道车与目标车道后车的相对行驶状态参数、换道车和目标车道前车的距离与换道车和换道车所在车道前车的距离之比、换道车和目标车道前车的相对速度与换道车和换道车所在车道前车的相对速度之比;
S2、根据换道准备阶段的预处理后的行驶数据中的行驶路段参数的时间序列,基于S1构造的所述行驶路段参数组,利用信息增益率对换道意图与车道保持意图的参数表征重要度进行分析,得到可显著区分换道意图与车道保持意图参数的表征重要度排序,并根据表征重要度排序对行驶路段参数组的参数进行筛选;
S3、利用SPSS分析S2筛选后的参数组内剩余各参数的相关性,并去除具有显著相关性的参数,得到能显著区分换道与车道保持两种驾驶意图的他车驾驶意图辨识的表征参数组。
7.如权利要求6所述的方法,其特征在于,基于表征参数组,建立他车驾驶意图辨识模型的步骤如下:
基于表征参数组,分别提取他车车道保持行为数据集LK和他车换道行为数据集LC;
通过隐马尔可夫方法分别搭建他车车道保持和他车换道意图辨识原始模型;
将他车车道保持行为数据集LK和他车换道行为数据集LC均按照7:2:1的比例分为训练集、验证集及测试集;
基于对应的训练集分别训练他车车道保持和他车换道意图辨识原始模型,基于对应的验证集分别验证训练后的模型,得到包括他车车道保持和他车换道意图辨识的他车驾驶意图辨识模型;
基于测试集测试他车驾驶意图辨识模型对他车车道保持和他车换道意图的辨识效果。
8.如权利要求1所述的方法,其特征在于,基于不同换道持续时间的换道轨迹样本,建立包含换道持续时间变量的换道轨迹预测模型包括以下步骤:
基于LSTM搭建换道轨迹预测原始模型;
基于所述不同换道持续时间的换道轨迹样本将所述换道轨迹预测原始模型训练出多类换道轨迹预测模型;
计算多类换道轨迹预测模型所得未来轨迹与真实换道轨迹的均方根误差及最终位移误差以进行换道轨迹预测模型验证,得到包含换道持续时间变量的换道轨迹预测模型。
9.如权利要求1所述的方法,其特征在于,基于他车对应换道持续时间的换道原型轨迹下的换道轨迹预测模型预测他车未来轨迹的步骤如下:
基于他车行驶数据,通过他车驾驶意图辨识模型判断他车是否换道,如果是,则将他车行驶历史片段与不同换道持续时间的换道原型轨迹进行相似度对比,得到相似度最大的换道原型轨迹;
基于相似度最大的换道原型轨迹下的换道轨迹预测模型进行换道轨迹预测,得到对应的换道持续时间下的未来轨迹。
10.一种基于驾驶意图的周围车辆轨迹预测***,其特征在于,所述***包括:
数据处理单元,用于获取车辆行驶数据并进行预处理;
换道划分单元,用于获取换道结束点T3以及由换道准备阶段开始点T1和换道执行阶段开始点T2界定的换道准备阶段;
换道原型轨迹构建单元,用于构建基于不同换道持续时间的换道轨迹样本及换道原型轨迹;
他车驾驶意图辨识单元,用于获取他车驾驶意图辨识的表征参数组,并基于表征参数组建立他车驾驶意图辨识模型,可通过他车驾驶意图辨识模型判断他车是否换道;
换道轨迹预测单元,用于基于不同换道持续时间的换道轨迹样本,建立包含换道持续时间变量的换道轨迹预测模型,可基于他车驾驶意图辨识模型判定的换道的他车对应的换道持续时间的换道原型轨迹下的换道轨迹预测模型预测他车未来轨迹;
控制模块,用于发出指令以控制***的各个单元的执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110782921.8A CN113486822B (zh) | 2021-07-12 | 2021-07-12 | 一种基于驾驶意图的周围车辆轨迹预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110782921.8A CN113486822B (zh) | 2021-07-12 | 2021-07-12 | 一种基于驾驶意图的周围车辆轨迹预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113486822A true CN113486822A (zh) | 2021-10-08 |
CN113486822B CN113486822B (zh) | 2022-04-29 |
Family
ID=77937944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110782921.8A Active CN113486822B (zh) | 2021-07-12 | 2021-07-12 | 一种基于驾驶意图的周围车辆轨迹预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486822B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113901582A (zh) * | 2021-10-09 | 2022-01-07 | 燕山大学 | 一种车辆换道纵向位移计算方法及其优化方法 |
CN114005280A (zh) * | 2021-11-17 | 2022-02-01 | 同济大学 | 一种基于不确定性估计的车辆轨迹预测方法 |
CN114291116A (zh) * | 2022-01-24 | 2022-04-08 | 广州小鹏自动驾驶科技有限公司 | 周围车辆轨迹预测方法、装置、车辆及存储介质 |
CN114418093A (zh) * | 2022-01-19 | 2022-04-29 | 北京百度网讯科技有限公司 | 训练路径表征模型、输出信息的方法和装置 |
CN114926802A (zh) * | 2022-06-24 | 2022-08-19 | 重庆长安汽车股份有限公司 | 基于双层lstm网络的车辆轨迹预测方法 |
CN115320631A (zh) * | 2022-07-05 | 2022-11-11 | 西安航空学院 | 一种智能驾驶汽车相邻车道前车驾驶意图辨识方法 |
CN115805947A (zh) * | 2022-11-21 | 2023-03-17 | 清华大学 | 一种个性化车辆轨迹预测方法、***、设备和存储介质 |
CN115830886A (zh) * | 2023-02-09 | 2023-03-21 | 西南交通大学 | 智能网联车辆协同换道时序计算方法、装置、设备及介质 |
CN117313426A (zh) * | 2023-11-27 | 2023-12-29 | 中汽智联技术有限公司 | 一种车辆数据的生成方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507408A (zh) * | 2017-07-24 | 2017-12-22 | 重庆大学 | 一种考虑前车换道汇入过程的跟驰加速度及跟驰行为建模方法 |
EP3579211A1 (en) * | 2018-06-06 | 2019-12-11 | Honda Research Institute Europe GmbH | Method and system for assisting an operator of an ego-vehicle in controlling the ego-vehicle by determining a future behavior and an associated trajectory for the ego-vehicle |
US20200182633A1 (en) * | 2018-12-10 | 2020-06-11 | Aptiv Technologies Limited | Motion graph construction and lane level route planning |
CN111422197A (zh) * | 2020-05-18 | 2020-07-17 | 吉林大学 | 一种考虑智能车群流量的智能驾驶车辆主动换道*** |
CN111497864A (zh) * | 2019-01-31 | 2020-08-07 | 斯特拉德视觉公司 | 利用v2x应用程序向人传递当前驾驶意图信号的方法及装置 |
CN111845787A (zh) * | 2020-08-03 | 2020-10-30 | 北京理工大学 | 一种基于lstm的换道意图预测方法 |
CN112071059A (zh) * | 2020-08-20 | 2020-12-11 | 华南理工大学 | 一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法 |
US20210174668A1 (en) * | 2019-12-10 | 2021-06-10 | Samsung Electronics Co., Ltd. | Systems and methods for trajectory prediction |
-
2021
- 2021-07-12 CN CN202110782921.8A patent/CN113486822B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107507408A (zh) * | 2017-07-24 | 2017-12-22 | 重庆大学 | 一种考虑前车换道汇入过程的跟驰加速度及跟驰行为建模方法 |
EP3579211A1 (en) * | 2018-06-06 | 2019-12-11 | Honda Research Institute Europe GmbH | Method and system for assisting an operator of an ego-vehicle in controlling the ego-vehicle by determining a future behavior and an associated trajectory for the ego-vehicle |
US20200182633A1 (en) * | 2018-12-10 | 2020-06-11 | Aptiv Technologies Limited | Motion graph construction and lane level route planning |
CN111497864A (zh) * | 2019-01-31 | 2020-08-07 | 斯特拉德视觉公司 | 利用v2x应用程序向人传递当前驾驶意图信号的方法及装置 |
US20210174668A1 (en) * | 2019-12-10 | 2021-06-10 | Samsung Electronics Co., Ltd. | Systems and methods for trajectory prediction |
CN111422197A (zh) * | 2020-05-18 | 2020-07-17 | 吉林大学 | 一种考虑智能车群流量的智能驾驶车辆主动换道*** |
CN111845787A (zh) * | 2020-08-03 | 2020-10-30 | 北京理工大学 | 一种基于lstm的换道意图预测方法 |
CN112071059A (zh) * | 2020-08-20 | 2020-12-11 | 华南理工大学 | 一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法 |
Non-Patent Citations (6)
Title |
---|
ABBAS SADAT等: "Jointly Learnable Behavior and Trajectory Planning for Self-Driving Vehicles", 《2019 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS (IROS)》 * |
刘思源: "基于深度学习的车辆换道轨迹模型研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
张一恒: "基于驾驶风格辨识和运动预测的换道风险评估及决策方法", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
王斌: "智能汽车避障风险评估及轨迹规划", 《汽车技术》 * |
贾小龙等: "基于相关向量机的换道安全性评估", 《交通信息与安全》 * |
郑楚清: "车辆换道预警***的越线时间预测方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113901582A (zh) * | 2021-10-09 | 2022-01-07 | 燕山大学 | 一种车辆换道纵向位移计算方法及其优化方法 |
CN114005280A (zh) * | 2021-11-17 | 2022-02-01 | 同济大学 | 一种基于不确定性估计的车辆轨迹预测方法 |
CN114418093A (zh) * | 2022-01-19 | 2022-04-29 | 北京百度网讯科技有限公司 | 训练路径表征模型、输出信息的方法和装置 |
CN114418093B (zh) * | 2022-01-19 | 2023-08-25 | 北京百度网讯科技有限公司 | 训练路径表征模型、输出信息的方法和装置 |
CN114291116A (zh) * | 2022-01-24 | 2022-04-08 | 广州小鹏自动驾驶科技有限公司 | 周围车辆轨迹预测方法、装置、车辆及存储介质 |
CN114926802A (zh) * | 2022-06-24 | 2022-08-19 | 重庆长安汽车股份有限公司 | 基于双层lstm网络的车辆轨迹预测方法 |
CN115320631A (zh) * | 2022-07-05 | 2022-11-11 | 西安航空学院 | 一种智能驾驶汽车相邻车道前车驾驶意图辨识方法 |
CN115320631B (zh) * | 2022-07-05 | 2024-04-09 | 西安航空学院 | 一种智能驾驶汽车相邻车道前车驾驶意图辨识方法 |
CN115805947A (zh) * | 2022-11-21 | 2023-03-17 | 清华大学 | 一种个性化车辆轨迹预测方法、***、设备和存储介质 |
CN115805947B (zh) * | 2022-11-21 | 2023-06-30 | 清华大学 | 一种个性化车辆轨迹预测方法、***、设备和存储介质 |
CN115830886A (zh) * | 2023-02-09 | 2023-03-21 | 西南交通大学 | 智能网联车辆协同换道时序计算方法、装置、设备及介质 |
CN117313426A (zh) * | 2023-11-27 | 2023-12-29 | 中汽智联技术有限公司 | 一种车辆数据的生成方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113486822B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113486822B (zh) | 一种基于驾驶意图的周围车辆轨迹预测方法及*** | |
CN110569783B (zh) | 一种驾驶人换道意图识别方法及*** | |
CN111079590B (zh) | 一种无人驾驶车辆的周边车辆行为预判方法 | |
CN110949398B (zh) | 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法 | |
Tang et al. | Driver lane change intention recognition of intelligent vehicle based on long short-term memory network | |
CN112793576B (zh) | 一种基于规则与机器学习融合的换道决策方法及*** | |
CN104951764A (zh) | 基于二次谱聚类和hmm-rf混合模型的高速车辆行为识别方法 | |
CN111114556A (zh) | 基于多源指数加权损失下lstm的换道意图识别方法 | |
CN112863245B (zh) | 基于深度神经网络的车辆换道轨迹实时预测方法 | |
CN111599182B (zh) | 一种基于自然驾驶数据的换道行为自动提取方法 | |
CN111627132B (zh) | 一种基于驾驶倾性的汽车行驶特征评价及预警方法 | |
CN114655227A (zh) | 驾驶风格识别方法、辅助驾驶方法及装置 | |
CN113761715B (zh) | 一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法 | |
CN115630569A (zh) | 一种应用于自动驾驶的毫米波雷达传感器建模方法 | |
CN114822044B (zh) | 一种基于隧道的行车安全预警方法及设备 | |
CN113306558B (zh) | 一种基于换道交互意图的换道决策方法及*** | |
CN114707573A (zh) | 一种基于基本驾驶操作事件的无监督驾驶风格分析方法 | |
CN116997890A (zh) | 生成未知不安全场景、改进自动交通工具、计算机*** | |
CN113954844A (zh) | 一种智能汽车人机驾驶模式切换*** | |
Li et al. | Driving feature extraction from high and low skilled drivers in curve sections based on machine learning | |
CN116432108B (zh) | 一种跟驰场景下驾驶行为评价及驾驶风格在线识别方法 | |
CN117077042B (zh) | 一种农村平交路口安全预警方法及*** | |
Wang et al. | A Study of Lane-Changing Behavior Evaluation Methods Based on Machine Learning | |
CN116680519A (zh) | 一种基于gm-hmm模型的车辆换道意图识别方法 | |
CN117237689A (zh) | 一种基于机器学习的车辆换道意图识别方法和*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |