CN113561974B - 基于车辆行为交互与道路结构耦合的碰撞风险预测方法 - Google Patents
基于车辆行为交互与道路结构耦合的碰撞风险预测方法 Download PDFInfo
- Publication number
- CN113561974B CN113561974B CN202110983185.2A CN202110983185A CN113561974B CN 113561974 B CN113561974 B CN 113561974B CN 202110983185 A CN202110983185 A CN 202110983185A CN 113561974 B CN113561974 B CN 113561974B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- vehicles
- intention
- collision
- behavior
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 96
- 230000003993 interaction Effects 0.000 title claims abstract description 55
- 230000008878 coupling Effects 0.000 title claims abstract description 25
- 238000010168 coupling process Methods 0.000 title claims abstract description 25
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 230000002452 interceptive effect Effects 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000006399 behavior Effects 0.000 claims description 150
- 230000007613 environmental effect Effects 0.000 claims description 73
- 238000012502 risk assessment Methods 0.000 claims description 10
- 230000008676 import Effects 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4042—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/20—Ambient conditions, e.g. wind or rain
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Traffic Control Systems (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Mathematical Analysis (AREA)
Abstract
本申请公开了一种基于车辆行为交互与道路结构耦合的碰撞风险预测方法及装置,基于道路结构分类与潜在双车冲突辨识,并投影至两类基本交互式冲突场景模型;针对车‑车冲突,建立基于动态贝叶斯网络的意图辨识模型,描述车辆通行意图与环境态势、驾驶行为的条件概率关系;基于可观测信息,对环境态势和行为语义进行概率推断;采用EM算法,基于自然驾驶数据训练和优化动态贝叶斯网络的模型参数。基于通行意图辨识结果,使用高斯过程回归算法对车辆运行轨迹及其时空分布进行预测,并评估两车碰撞风险。由此实现匝道汇入、路口通行等复杂交通场景下,考虑多车行为交互耦合的碰撞风险预测,并能够泛化应用于种冲突场景,提升智能车辆的驾驶安全性。
Description
技术领域
本申请涉及智能驾驶车辆环境认知技术领域,特别涉及一种基于车辆行为交互与道路结构耦合的碰撞风险预测方法及装置。
背景技术
智能驾驶技术是实现未来更安全、更高效的智慧交通***的基础技术,属于各国重点关注的热点研究领域。风险评估是智能驾驶的关键技术,其功能是基于传感器反馈的环境感知信息分析行车风险,以提供后续驾驶决策的决策依据。
碰撞风险是行车风险的重要构成。在实际交通***中,车辆间存在着大量潜在冲突,例如交叉路口、汇入汇出等场景中,冲突车辆的行为彼此交互影响,且其行为意图具有时变、不确定、难以直接观测的特点。现有碰撞风险预测方法常以单一车辆为分析对象,或无法对车辆交互过程给出可解释的分析,因而难以对车-车冲突场景下的碰撞风险进行有效预测。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的一个目的在于提出一种基于车辆行为交互与道路结构耦合的碰撞风险预测方法,该方法能够以车辆历史轨迹和道路结构信息为输入,辨识车辆潜在冲突关系并预测其碰撞风险,为智能车进一步进行行为决策提供依据。
本申请的另一个目的在于提出一种基于车辆行为交互与道路结构耦合的碰撞风险预测装置。
为达到上述目的,本申请一方面实施例提出了一种基于车辆行为交互与道路结构耦合的碰撞风险预测方法,该方法包括以下步骤:
基于道路结构辨识潜在的双车冲突,将所述双车冲突投影至基本交互式冲突场景模型;
根据所述双车冲突建立基于动态贝叶斯网络的意图辨识模型,以描述车辆通行意图与环境态势、驾驶行为的条件概率关系;
根据环境态势和语义行为分别建立概率图模型,以分别利用可观测的场景物理信息与两车运动信息,对环境态势和语义行为进行概率推断;
基于经验对所述意图辨识模型参数进行参数预标定,并基于EM算法和自然驾驶数据进行参数学习;
基于所述意图辨识模型输出两车通行意图识别结果,利用高斯过程回归算法进行两车运动轨迹预测,并基于其各时刻位置的高斯分布重叠度,输出碰撞风险评估结果。
为达到上述目的,本申请另一方面实施例提出了一种基于车辆行为交互与道路结构耦合的碰撞风险预测装置,包括:
投影模块,用于基于道路结构辨识潜在的双车冲突,将所述双车冲突投影至基本交互式冲突场景模型;
建模模块,用于根据所述双车冲突建立基于动态贝叶斯网络的意图辨识模型,以描述车辆通行意图与环境态势、驾驶行为的条件概率关系;
推断模块,用于根据环境态势和语义行为分别建立概率图模型,以分别利用可观测的场景物理信息与两车运动信息,对环境态势和语义行为进行概率推断,以环境态势和语义行为作为观测输入,基于动态贝叶斯网络对冲突车辆的通行意图进行概率推断;
训练模块,用于基于经验对所述意图辨识模型参数进行参数预标定,并基于EM算法和自然驾驶数据进行参数学习,基于意图等指标对自然驾驶数据集进行分类,并分别训练对应的高斯过程回归模型,用于后续的轨迹预测;
预测模块,用于基于所述意图辨识模型输出两车通行意图识别结果,利用高斯过程回归算法进行两车运动轨迹预测,并基于其各时刻位置的高斯分布重叠度,输出碰撞风险评估结果。
本申请实施例的基于车辆行为交互与道路结构耦合的碰撞风险预测方法及装置,提出一种耦合考虑车辆行为交互与道路结构的车辆意图识别与轨迹预测框架,用于定量预测车辆冲突场景下的碰撞风险。该框架融合考量了环境态势与车辆行为对驾驶人意图的影响,进而基于预测两车轨迹的时空分布及其重合度定量地评估碰撞风险,为智能车辆的后续决策过程提供依据。基于对人类交互过程的模拟与自然驾驶数据的训练,能够实现复杂冲突场景下的车辆运动预测,并通过与道路结构的耦合,进一步增强模型的描述能力与不同场景迁移应用的泛化能力。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请一个实施例的基于车辆行为交互与道路结构耦合的碰撞风险预测方法流程图;
图2为根据本申请一个实施例的基于车辆行为交互与道路结构耦合的碰撞风险预测方法逻辑框图;
图3为根据本申请一个实施例的真实冲突场景向两类基本冲突场景的投影过程与输出信息示意图;
图4为根据本申请一个实施例的用于车辆意图推断的动态贝叶斯网络示意图;
图5为根据本申请一个实施例的用于环境态势推断与行为语义推断的概率图示意图;
图6为根据本申请一个实施例的两类基本冲突场景中涉及环境态势的示意图;
图7为根据本申请一个实施例的两类基本冲突场景中涉及行为语义的表格;
图8为根据本申请一个实施例的基于车辆行为交互与道路结构耦合的碰撞风险预测装置结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
在智能驾驶领域,面向车-车碰撞风险已开展了较多研究。针对车辆运动的建模,主要包含基于固定运动模型与基于行为意图的两类。其中,固定运动模型假设车辆具有恒速、恒加速度或恒转向角与纵向加速度等固定模式的运动模型,并基于此类模型产生了TTC(Time To Collision)、THW(Time Headway)等碰撞风险预测指标。与之相比,基于行为意图的方法进一步结合交通环境中的道路结构对车辆行为意图进行判断,并进一步预测其未来运动、分析碰撞风险。基于行为意图的运动模型预测精确性更高、更符合人对于碰撞风险的认知。然而,目前此类方法大多仅考虑了独立车辆的行为,而对车-车之间的行为交互影响缺乏分析。从交通事故的成因分析,当车辆间存在潜在冲突(例如匝道汇入、无信号灯路口等场景),碰撞事故产生的一种常见原因是交互过程发生失效(如未观测到对方,或同时产生过度激进的策略)。反之,基于有效车-车交互形成协作,能够通过决定通过冲突区域的先后顺序而避免碰撞。因此,基于行为意图的运动模型应进一步考虑车-车交互过程,从而更有效地预测碰撞风险。为更好定义本申请所研究交通场景,参考国内外相关论著,本申请将“交互式冲突场景”定义为“当两车面临潜在的时空行驶冲突,需要双方以协调产生通过冲突点(或区域)的先-后顺序的方式,避免碰撞发生的交通场景”。而类似追尾等场景中前-后车存在明确的主动-被动关系,不构成交互场景。非交互场景中车辆行为不确定性更小,现有碰撞风险方法已能较好地实现功能。因而,本申请主要面向汇入式冲突与交叉式冲突两类交互场景。
此外,对于碰撞风险的评价指标,除前述TTC、THW代表的时间指标,也有安全距离、势能场、碰撞概率等安全指标。其中,碰撞概率指标更贴合车辆意图本身具有的不确定性特征,及未来位置预测算法所带有的不确定性,适合于碰撞风险的定量描述。
下面参照附图描述根据本申请实施例提出的基于车辆行为交互与道路结构耦合的碰撞风险预测方法及装置。
首先将参照附图描述根据本申请实施例提出的基于车辆行为交互与道路结构耦合的碰撞风险预测方法。
图1为根据本申请一个实施例的基于车辆行为交互与道路结构耦合的碰撞风险预测方法流程图。
图2为根据本申请一个实施例的基于车辆行为交互与道路结构耦合的碰撞风险预测方法逻辑框图。
如图1和图2所示,该基于车辆行为交互与道路结构耦合的碰撞风险预测方法包括以下步骤:
步骤S1,基于道路结构辨识潜在的双车冲突,将双车冲突投影至基本交互式冲突场景模型。
可选地,在本申请的实施例中,基于道路结构辨识潜在的双车冲突,将双车冲突投影至基本交互式冲突场景模型,包括:基于道路结构,以车道中线为参考线建立Frenet坐标系上的投影,构成汇入式冲突场景模型与交叉式冲突场景模型之一的交互式冲突场景模型;辨识构成交互式冲突场景的车辆配对;以两冲突车优先通行意图置信度,初始化意图辨识模型。
可选地,在本申请的实施例中,辨识构成交互式冲突场景的车辆配对,包括:构建概率图,以目标车辆和其周边车辆的状态、环境信息为输入,输出其与周边车辆的冲突强度,并与冲突强度最高的车辆构成双车冲突场景。
在本申请的实施例中,基于道路结构辨识潜在的双车冲突,并将其投影至如图3所示的汇入冲突与交叉冲突两类基本冲突模型中。
如图3所示,本申请主要涉及汇入式冲突与交叉式冲突两类基本场景。首先,基于道路结构定义的车辆参考轨迹建立Frenet坐标系,并将实际冲突场景向两类基本冲突模型投影。Frenet坐标转化过程会丢失真实道路所具有的几何信息,为保存道路曲率特征,建立参考轨迹与其上道路曲率的投影函数。然后,对场景中存在的车辆冲突关系进行两两配对,配对过程以冲突强度为判据。
进一步地,在步骤S1中,以下述方式建模双车冲突关系:
步骤S11,基于道路结构,以车道中线为参考线建立Frenet坐标系上的投影,构成汇入或交叉之一的基本冲突模型。保存真实道路中沿参考轨迹的曲率,用于后续环境态势与行为语义的概率推断。
步骤S12,辨识构成交互式冲突场景的车辆配对。构建概率图,以目标车辆和其周边车辆的状态、环境信息为输入,输出其与周边车辆的冲突强度,并与冲突强度最高的车辆构成双车冲突场景。其中,概率图以目标车-环境车的速度v1,v2,距离参考冲突点的距离l1,l2为输入,输出两车具有优先通行意图Pr0的置信度s1,s2,且sm=P(Pr0|v1,v2,l1,l2),m=1,2。冲突强度可表示为两车优先通行的意图乘积C=s1×s2。
步骤S13,基于辨识的目标车主要冲突对象,使用概率图输出两车的前-后通行意图s1,(1-s1),s2,(1-s2),作为后续两车意图推断的初值。
步骤S13,以两冲突车优先通行意图置信度s1,s2,初始化后续面向交互过程的意图推断网络。
步骤S2,根据双车冲突建立基于动态贝叶斯网络的意图辨识模型,以描述车辆通行意图与环境态势、驾驶行为的条件概率关系。
可选地,在本申请的实施例中,根据双车冲突建立基于动态贝叶斯网络的意图辨识模型,以描述车辆通行意图与环境态势、驾驶行为的条件概率关系包括:模拟人类行为交互过程,构建动态贝叶斯网络,动态贝叶斯网络包括环境态势、驾驶人意图与车辆行为,动态贝叶斯网络的推断目标为驾驶人意图;建立动态贝叶斯网络中各个变量的有向连接关系,构成有向无环图;基于经验常识对动态贝叶斯网络参数进行预标定;基于时间序列上所有可测量的观测信息,进行动态贝叶斯网络中隐变量概率推断,并输出两冲突车的优先通行意图置信度。
具体地,针对研究的车-车冲突,建立基于动态贝叶斯网络的意图辨识模型。该模型基于车辆行驶过程中的环境态势与行为语义,推断两车对于自身优先(或滞后)通过冲突区域的置信度(即两车通行意图)。该动态贝叶斯网络主要包含三方面要素:环境态势、驾驶人意图与车辆行为,其中驾驶人意图是该网络的推断目标。
通行意图的影响因素包含两类:环境态势与双方历史行为。其中,环境态势与道路结构、两车运动状态耦合,用于描述场景中是否具备车辆执行某行为的条件,例如汇入车与后方车辆间的时距是否满足汇入需要;车辆的行为语义对应于具有特定含义的语义化行为,例如“减速让行”等。
进一步地,在步骤S2中,以下述方式估计交互过程中两车先-后通行意图置信度。
步骤S21,模拟人类行为交互过程,建立如图4所示的动态贝叶斯网络。动态贝叶斯网络中的隐式变量可分为三层:第一层为环境态势,作为两车行为决策的环境依据;第二层为先-后通行意图置信度,描述该场景中车辆先-后通行意愿的强弱;第三层为车辆采取的交互行为,包含行为(Motion Action,MA)与请求(Motion Request,MR)两类,并可进一步分为横向行为纵向行为两类。显式变量为可观测的场景物理信息,如道路结构、车辆相对运动状态等。显式变量用于推断环境态势与行为语义两类信息,并分别具有对应的推断模型。
步骤S22,建立动态贝叶斯网络中各个变量的有向连接关系,构成有向无环图(Directed Acyclic Graph,DAG)。当变量A指向变量B时,代表A节点是B节点父节点,且具有条件概率参数P(B|A)。
如图4所示,在本申请建立的有向无环图DAG中,包含了观测信息Ot、环境态势Pt l(l=1,2,3,…代表各项环境态势)与行为语义At l(l=1,2,3,…代表各项语义行为),以及两车的通行意图。在本申请中,隐变量之间的逻辑关系可以表示为:本时刻的行为由本时刻的环境态势、通行意图与上一时刻的行为决定,而本时刻的通行意图则由本时刻的环境态势、上一时刻的双方行为与上一时刻意图所决定。本时刻的环境态势,由上一时刻的环境态势与双方行为决定。
步骤S23,基于经验常识对网络参数进行初始标定。标定逻辑为基于因果关系,初始化基于父节点状态{fn}推断子节点状态的条件概率P(C=cm|{fn})。以切入场景为例,当两车间距较大,则切入车实施切入的可能性较高(例如,可预标定参数P(行为=切入|{fn})=0.7)。
步骤S24,基于30个时刻的输入信息,对环境态势、行为语义进行推断,并进一步对两车意图进行精确推断。意图推断过程可表达为:
sm k=P(Pr0|Et-29~Et,At-29~At),m=1,2;k=(t-29)~t.
推断过程采取前向-后向算法(Forward-Backward Algorithm),该算法能够融合抵达目标时刻的前向、后向概率推断,给出目标时刻的精确推断结果。
步骤S3,根据环境态势和语义行为分别建立概率图模型,以分别利用可观测的场景物理信息与两车运动信息,对环境态势和语义行为进行概率推断。
可选地,在本申请的实施例中,根据环境态势和语义行为分别建立概率图模型,以分别利用可观测的场景物理信息与两车运动信息,对环境态势和语义行为进行概率推断,包括:建立辨识环境态势的第一概率图模型,第一概率图模型以道路结构信息、两车位置与速度为输入,以车辆是否具有满足行为条件的环境态势为输出;建立辨识冲突车行为语义的第二概率图模型,第二概率图模型分别以两车运动状态、所在位置对应的道路曲率,以及本时刻环境态势结果为输入,以行为语义辨识结果为输出。
可选地,在本申请的实施例中,概率图模型采用联结树算法进行概率推断。
具体地,构建环境态势和行为语义辨识模型。辨识模型基于概率图模型构建,分别利用可观测的场景信息与两车运动信息,对环境态势和语义行为两类信息进行概率推断。由于两类信息具有对应的可观测信息,可基于对可观测信息的统计分析进行概率图模型的参数标定。
进一步地,在步骤S3中,以下述方式辨识环境态势与语义行为:
步骤S31,建立如图5的(a)所示的概率图模型,用于辨识环境态势Pn。该模型分别以道路结构信息、两车位置与速度为输入,以车辆是否具有满足行为条件的环境态势为输出。汇入冲突与交叉冲突中分别具有不同的环境态势,其定义如图所示,包含安全车距、动态空隙等。
步骤S32,建立如图5的(b)所示的概率图模型,用于辨识车辆语义行为An。该模型分别以两车运动状态、所在位置对应的道路曲率,以及本时刻环境态势结果为输入,以行为语义辨识结果为输出。
交互过程中,车辆行为语义可基于以下维度进行分类:执行动作的车辆维度(如切入冲突中,切入车行为-后车行为);从动作的方向维度,可分为横向行为-纵向行为(特别是对于汇入冲突,两车不具有固定冲突点,因而其横向、纵向行为都可能具有特定语义);从动机维度,包含行为达成(MotionAchievement,MA)与行为请求(Motion Request,MR)两类。其中行为MA指本车将采取某种驾驶行为(如实行切入)而无需对方更改通行意图;请求MR指本车通过采取某种行为,请求对方变更其通行意图(如切入车通过卡位请求后车让行)。
在步骤S31和S32中,均采取联结树算法(Junction Tree Algorithm)进行精确推断。环境态势与行为语义推断过程可以表达为:
P(Et l=a)=P(Et l=a|Ot)
P(At l=b)=P(At l=b|Ot,Et l)
上述推断输出的结果为各类环境态势与行为语义的置信度。以该置信度作为动态贝叶斯网络的输入信息,用于后续的意图推断过程。
步骤S4,基于经验对意图辨识模型参数进行参数预标定,并基于EM算法和自然驾驶数据进行参数学习。
对于用于意图推断的动态贝叶斯网络,其过程包含两步,首先基于经验进行参数预标定,并基于EM算法和自然驾驶数据进行参数学习。
具体地,使用EM算法对动态贝叶斯网络参数进行训练。EM算法的优势是在数据缺失的情况下(部分隐变量缺少真值标签),基于变量推断与参数优化两个过程的不断迭代,获得针对于数据集的最优概率网络参数,并优化实现基于语义观测信息的两车意图有效辨识,
步骤S5,基于意图辨识模型输出两车通行意图识别结果,利用高斯过程回归算法进行两车运动轨迹预测,并基于其各时刻位置的高斯分布重叠度,输出碰撞风险评估结果。
可选地,在本申请的实施例中,基于意图辨识模型输出两车通行意图识别结果,利用高斯过程回归算法进行两车运动轨迹预测,并基于其各时刻位置的高斯分布重叠度,输出碰撞风险评估结果,包括:基于意图识别结果,对自然驾驶数据中的车辆轨迹进行分类构建训练集;基于训练集分类的高斯过程回归算法模型训练;根据意图识别结果与高斯过程回归算法模型,预测车辆未来轨迹;根据预测车辆未来轨迹,通过车辆位置高斯分布的重叠度辨识两车未来碰撞风险。
具体地,基于辨识的行为意图,使用高斯回归算法(Gaussian ProcessRegression,GPR)算法对车辆运行轨迹及其时空分布进行预测,并最终输出两车碰撞风险。
具体来说,以下述方法预测两车轨迹与碰撞风险。
步骤S51,为实现以意图为条件的轨迹预测,首先需要对训练集进行划分。训练集划分依据包含:最终通行顺序,以及基于两车通行次序的交互强度分类(弱-中-强)。其中,通行次序可以直接基于轨迹数据中两车的最终通行次序标注,交互强度基于态势、意图两类指标进行数据分类,采用K-Means算法实现最优分类。分类后的数据中,交互强度越弱,交互过程中安全态势更高、两车意图变化更小;反之交互强度更高,交互过程中安全态势更低,两车可能存在较多的意图变化。
步骤S52,基于训练集分类的GPR模型训练。GPR模型可表示为:
f~GP(u,K)
u={m(ti),ti=1:T}
K={k(ti,tj),i,j=1:N}
式中,u是均值向量(代表各时刻的预测位置),K为协方差矩阵,用于描述预测位置的分布。本申请中,u和K分别使用多项式模型和平方指数核模型。基于各类别的训练集数据,使用极大似然估计算法(Maximum Likelihood Estimate,MLE)训练对应的GPR模型。
步骤S53,基于历史轨迹输入预测时域内的未来轨迹。首先,基于输入的历史数据,应用前述概率图模型辨识两车行为意图,并基于历史轨迹判别交互强弱属性。基于该判别结果,选择对应的GPR模型对轨迹进行预测。
考虑到预测初期,两车建立交互时间短、输入信息较少,基于GPR的预测准确性较低,因此在预测的前1s采取GPR预测结果与恒加速度模型(Constant Acceleration,CA)融合的方法,即预测位置取两个模型的均值。
步骤S54,基于两车未来轨迹的重合度对碰撞风险进行预测。
首先,对两辆车的潜在碰撞位置进行辨识。潜在碰撞点包括:正前、正后、正左、正右、左前、左后、右前、右后共8个点。基于两车预测位置,以相距最近点为潜在碰撞点,并计算潜在碰撞点位置的高斯分布重合度(Overlap Rate,OLR),在预测时刻t的重合度记为OLRt。
此后,碰撞风险预测结果由预测时刻t(表示为预测的步数)与对应的OLRt耦合给出。预测时刻t越小、位置重合度OLRt越高,则对应的碰撞风险越高。由此,碰撞风险Rcolli表示为:
式中T为预测总步长,ct为小于或等于1的衰减系数。ct越小,则Rcolli越关注近期碰撞风险,反之则增加对长期风险的关注。
通过上述实施例的方法,能够实现匝道汇入、路口通行等复杂交通场景下,考虑多车行为交互耦合的碰撞风险预测,并能够泛化应用于多种冲突场景,有助于提升智能车辆的驾驶安全性。
为进一步分析两辆车在潜在冲突中发生碰撞的概率并输出碰撞风险,下面结合一个具体实施例对本申请的基于车辆行为交互与道路结构耦合的碰撞风险预测方法进行说明。
1):基于道路结构辨识潜在的双车冲突,并将其投影至如图3所示的汇入冲突与交叉冲突两类基本冲突模型中。
具体而言,1)中,以下述方式建模双车冲突关系:
1-1),基于道路结构,以车道中线为参考线建立交通场景在Frenet坐标系下的投影,构成如图3所示的两类基本冲突之一。笛卡尔坐标系下点的坐标向Frenet坐标系投影包含两步:(1)计算待求点在参考线上的最短距离投影点;(2)以参考线上的原点出发,计算从原点到投影点的参考线长度(纵向距离D1),以及从投影点到所求点的距离(横向距离D2)。此时,所求点在Frenet坐标系下坐标为(D1,D2)。
投影完成后,需将原道路的曲率信息保存,记为以Frenet坐标系纵向距离为自变量的函数C(D1)。
1-2),辨识构成交互式冲突场景的车辆配对。配对过程中,可以先选定一个研究对象,再寻找与该对象冲突强度C最大的车辆为冲突对象。
本申请中,冲突强度C定义为两车优先通行冲突区域的意图乘积(即当两车都倾向认为自车将比对方优先通过冲突区域,则冲突强度较大)。构建以目标车-环境车的速度v1,v2,距离参考冲突点的距离l1,l2为输入的概率图,并分别输出两车具有优先通行意图Pr0的置信度s1,s2(即sm=P(Pr0|v1,v2,l1,l2),m=1,2)。此时,冲突强度表达为C=s1×s2。
为标定概率图参数,可采用监督式学习方法,即以最终实际构成冲突的车辆作为真值,使用最大似然估计算法(MLE)进行参数标定。
1-3),以两冲突车优先通行意图置信度s1,s2,初始化后续面向交互过程的意图推断网络。
2):针对所研究的双车冲突,建立动态贝叶斯网络用于辨识两车驾驶者分别对于自身优先通过冲突区域的置信度。其中,该动态贝叶斯网络主要包含三方面要素:环境态势、驾驶人意图与车辆行为,其中驾驶人意图是该网络的推断目标。
在2)中,以下述方式估计交互过程中两车先-后通行意图置信度:
2-1),模拟人类行为交互过程,构建图4所示的动态贝叶斯网络。在节点信息定义方面,该网络主要包含三层节点:(1)环境态势节点,代表冲突车辆是否具备执行优先通行的条件。例如在切入场景中,切入车只有在具备安全车距等条件下才能够实行并道。如图6所示,在汇入式冲突中,态势信息包含四类:P1,切入车纵向行驶空间;P2,切入车与前方环境车的纵向行驶空间;P3,冲突车之间纵向行驶空间;P4,直行冲突车与前方环境车动态间隙。在交叉式冲突中,态势信息包含三类:P1,两辆冲突车到冲突点的时间差;P2,左侧冲突车纵向行驶空间;P3:下方冲突车纵向行驶空间。态势信息均为离散的隐变量,包含“具备条件”和“不具备条件”两种取值。(2)意图节点,代表冲突车分别具有优先通过冲突区域的置信度。意图信息为离散隐变量,包含“优先通行”与“让行”两种取值。(3)行为节点,描述冲突车辆行驶轨迹所具有的含义。基于冲突车,横向-纵向,请求-执行,抢行-让行等分类维度,行为语义如表所示。其中,每一种行为语义构成一个离散隐变量,并包含“具有该行为”和“不具有该行为”两种取值。
三层节点中,环境态势、行为语义能够基于车辆位置、速度等可观测的物理信息进行推断,观测与推断过程将在步骤S3中进行介绍。意图不直接对应可观测信息,其基于环境、行为两类隐变量进行推断,为步骤S2中动态贝叶斯网络最终输出的推断结果。
2-2),基于三层节点构成有向无环图。如图4所示,t时刻中环境态势表示为Et l(l=1,2,3,…代表各项环境态势),行为语义表示为At l(l=1,2,3,…代表各项语义行为),所有可测量的观测信息表示为Ot。当变量A指向变量B时,代表A节点是B节点父节点,且具有条件概率参数P(B|A)。
2-3),对动态贝叶斯网络参数进行预标定。标定过程基于经验进行,标定参数含义基于父节点状态{fn}推断子节点状态{C=cm}的条件概率P(C=cm|{fn})。以切入场景为例,当两车间距较大,则基于经验可判断切入车实施切入的态势安全性较高(P(态势=安全|{fn})=0.8);当切入车的先通行的置信度高、被切入车后通行的置信度高,且态势安全性高,则本车采取切入行为的概率较高(P(行为=切入|{fn})=0.7))。
2-4),基于时间序列上所有可测量的观测信息,实现动态贝叶斯网络中隐变量概率推断,并最终输出两冲突车的优先通行意图置信度。
基于动态贝叶斯网络,环境态势、行为语义两类隐变量可表示为:
P(Et l=a)=P(Et l=a|Ot)
P(At l=b)=P(At l=b|Ot,s1 t-1,s2 t-1)
本申请假设输入30个周期的观测信息,则最终输出30个周期中两车分别的优先通行意图置信度:
sm k=P(Pr0|Et-29~Et,At-29~At),m=1,2;k=(t-29)~t.
在本申请实施与测试过程中,采用了基于前向-后向算法的推断算法。其它常见的动态贝叶斯网络推断算法也可以用于求解本申请的推断问题。
3):针对2)中的环境态势与车辆行为,分别建立基于概率图模型的观测器。该观测器基于可测量的场景物理信息(如两车相对位置、车速等),输出离散的态势评估与行为语义。
在3)中,以下述方式辨识环境态势与行为的语义:
3-1),建立如图5的(a)所示概率图模型,用于辨识各类环境态势。其中,输入信息包含投影到Frenet坐标系后的场景静态物理参数(如匝道汇入区域结束位置、道路曲率等)和动态物理信息(包括各个冲突车、环境车的各时刻位置、速度、加速度等),输出的推断结果为所研究环境态势是否具有车辆执行优先通行的条件(如切入场景中,直行冲突车与前方环境车之间是否具有足够大的间隙)。
为标定该概率图模型参数,可基于对真实自然驾驶数据中的车-车冲突过程的研究,例如统计汇入过程中的相对距离、相对车速等信息的分布,优化设计概率图的模型参数。
3-2),建立如图5的(b)所示的概率图模型,辨识冲突车行为语义An。该模型分别以两车相对运动信息,以及推断的环境态势为输入,辨识对应的行为语义。行为语义分类如图7所示。
行为语义的分类方式包含冲突车、横向-纵向、抢行-让行、行为请求-行为实现。本申请行为请求(Motion Request,MR)与行为实现(Motion Achievement,MA)的差异体现在:MR行为中,车辆不具备执行通行意图的条件,该行为目的是请求对方改变意图,为己方行为创造条件。MA行为中,条件已具备,车辆执行行为不涉及对方意图的改变。例如在汇入过程中,假设汇入车在不具有安全汇入的条件下横向切入,其行为语义应解释为试探、请求后方的直行车让行。反之在具备安全汇入条件下的横向切入行为,则应解释为其执行其“优先通行”意图。
基于上述行为语义分类方法,建立概率图模型并预定义模型参数。进一步地,可以基于对真实自然驾驶数据中的车-车冲突过程的研究和统计,对模型参数进行优化。
4):对动态贝叶斯网络参数进行标定,其过程包含两步,首先基于经验进行参数预标定,并基于EM算法和自然驾驶数据进行参数学习。
基于EM算法训练动态贝叶斯网络中的模型参数,不同于3)中的两类概率图观测模型,面向意图推断的动态贝叶斯模型难以取得直接的可观测数据统计,因此难以直接标定。EM算法的优势是在数据缺失的情况下(隐变量没有真值标签),基于变量推断与参数优化两个过程的不断迭代,获得针对于数据集的最优概率网络参数。
5):基于意图辨识结果,使用高斯过程回归算法(Gaussian Process Regression,GPR)预测两车未来轨迹,并评估其碰撞风险。
5-1),为训练所需的轨迹预测模型,首先需要对自然驾驶数据中的车辆轨迹进行分类。基于意图识别模型的输出,两冲突车的意图组合包括先行-先行,先行-让行,让行-先行,让行-让行四类。其中,每一类的概率对应为两车对应意图的置信度乘积,即分别为P1=(s1×s2),P2=((1-s1)×s2),P3=(s1×(1-s2)),P4=((1-s1)×(1-s2)),取概率最大的组合作为该时刻的分类结果,即Pm=max(P1,P2,P3,P4)。
5-2),基于训练集分类的GPR模型训练。GPR模型可表示为:
f~GP(u,K)
u={m(ti),ti=1:T}
K={κ(ti,tj),i,j=1:N}
式中,u是均值向量(代表各时刻的预测位置),K为协方差矩阵,用于描述预测位置的分布。在本申请的测试和验证中,u和K分别使用五次多项式模型和平方指数核模型。
训练过程中,将输入轨迹基于Pm进行分段,并分别用于训练与该意图组合相对应的GPR模型。
5-3),基于意图辨识结果与GPR模型,预测车辆未来轨迹。预测过程中,以车辆历史轨迹和意图辨识结果为输入,分别基于每种意图组合及对应的GPR模型进行轨迹预测。预测模型的输出,为两车在每种意图组合下的未来各时刻位置分布,及每种意图组合的概率。
此外,考虑到预测初期,两车建立交互时间短、输入信息较少,基于GPR的预测准确性较低,因此在预测的前1s采取GPR预测结果与恒加速度模型(Constant Acceleration,CA)融合的方法,即预测位置取两个模型的均值。
5-4),基于轨迹预测,辨识两车未来碰撞风险。潜在碰撞点包括:正前、正后、正左、正右、左前、左后、右前、右后共8个点。基于两车预测位置,以相距最近点为潜在碰撞点,并计算潜在碰撞点位置的高斯分布重合度(Overlap Rate,OLR),在预测时刻t的重合度记为OLRt。
由于预测输出包含基于四种意图组合的轨迹预测,则最终输出的重合度计算表达为:
此后,碰撞风险预测结果由预测时刻t(表示为预测的步数)与对应的OLRt耦合给出。预测时刻t越小、位置重合度OLRt越高,则对应的碰撞风险越高。由此,碰撞风险Rcolli表示为:
式中T为预测总步长,ct为小于或等于1的衰减系数。ct越小,则Rcolli越关注近期碰撞风险,反之则增加对长期风险的关注。
根据本申请实施例提出的基于车辆行为交互与道路结构耦合的碰撞风险预测方法,提出一种耦合考虑车辆行为交互与道路结构的车辆意图识别与轨迹预测框架,用于定量预测车辆冲突场景下的碰撞风险。该框架融合考量了环境态势与车辆行为对驾驶人意图的影响,进而基于两车轨迹的时空分布及其重合度定量地评估碰撞风险,为智能车辆的后续决策过程提供依据。该方法基于对人类交互过程的模拟与自然驾驶数据的训练,能够实现复杂冲突场景下的车辆运动预测,并通过与道路结构的耦合,进一步增强模型的描述能力与不同场景迁移应用的泛化能力。
其次参照附图描述根据本申请实施例提出的基于车辆行为交互与道路结构耦合的碰撞风险预测装置。
图8为根据本申请一个实施例的基于车辆行为交互与道路结构耦合的碰撞风险预测装置结构示意图。
如图8所示,该基于车辆行为交互与道路结构耦合的碰撞风险预测装置包括:投影模块100、建模模块200、推断模块300、训练模块400和预测模块500。
投影模块100,用于基于道路结构辨识潜在的双车冲突,将双车冲突投影至基本交互式冲突场景模型。
建模模块200,用于根据双车冲突建立基于动态贝叶斯网络的意图辨识模型,以描述车辆通行意图与环境态势、驾驶行为的条件概率关系。
推断模块300,用于根据环境态势和语义行为分别建立概率图模型,以分别利用可观测的场景物理信息与两车运动信息,对环境态势和语义行为进行概率推断,以环境态势和语义行为作为观测输入,基于动态贝叶斯网络对冲突车辆的通行意图进行概率推断。
训练模块400,用于基于经验对意图辨识模型参数进行参数预标定,并基于EM算法和自然驾驶数据进行参数学习,基于意图等指标对自然驾驶数据集进行分类,并分别训练对应的高斯过程回归模型,用于后续的轨迹预测。
预测模块500,用于基于意图辨识模型输出两车通行意图识别结果,利用高斯过程回归算法进行两车运动轨迹预测,并基于其各时刻位置的高斯分布重叠度,输出碰撞风险评估结果。
可选地,在本申请的一个实施例中,投影模块,进一步用于,基于道路结构,以车道中线为参考线建立Frenet坐标系上的投影,构成汇入式冲突场景模型与交叉式冲突场景模型之一的交互式冲突场景模型;辨识构成交互式冲突场景的车辆配对;以两冲突车优先通行意图置信度,初始化意图辨识模型。
可选地,在本申请的一个实施例中,辨识构成交互式冲突场景的车辆配对,包括:构建概率图,以目标车辆和其周边车辆的状态、环境信息为输入,输出其与周边车辆的冲突强度,并与冲突强度最高的车辆构成双车冲突场景。
需要说明的是,前述对方法实施例的解释说明也适用于该实施例的装置,此处不再赘述。
根据本申请实施例提出的基于车辆行为交互与道路结构耦合的碰撞风险预测装置,提出一种耦合考虑车辆行为交互与道路结构的车辆意图识别与轨迹预测框架,用于定量预测车辆冲突场景下的碰撞风险。该框架融合考量了环境态势与车辆行为对驾驶人意图的影响,进而基于两车轨迹的时空分布及其重合度定量地评估碰撞风险,为智能车辆的后续决策过程提供依据。基于对人类交互过程的模拟与自然驾驶数据的训练,能够实现复杂冲突场景下的车辆运动预测,并通过与道路结构的耦合,进一步增强模型的描述能力与不同场景迁移应用的泛化能力。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
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申请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必须针对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一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种基于车辆行为交互与道路结构耦合的碰撞风险预测方法,其特征在于,包括以下步骤:
基于道路结构辨识潜在的双车冲突,将所述双车冲突投影至基本交互式冲突场景模型,其中,所述基于道路结构辨识潜在的双车冲突,将所述双车冲突投影至基本交互式冲突场景模型,包括:基于道路结构,以车道中线为参考线建立Frenet坐标系上的投影,构成汇入式冲突场景模型与交叉式冲突场景模型之一的交互式冲突场景模型,辨识构成交互式冲突场景的车辆配对,以两冲突车优先通行意图置信度,初始化意图辨识模型;
根据所述双车冲突建立基于动态贝叶斯网络的意图辨识模型,以描述车辆通行意图与环境态势、驾驶行为的条件概率关系,其中,所述根据所述双车冲突建立基于动态贝叶斯网络的意图辨识模型,以描述车辆通行意图与环境态势、驾驶行为的条件概率关系包括:模拟人类行为交互过程,构建动态贝叶斯网络,所述动态贝叶斯网络的参数包括环境态势、驾驶人意图与车辆行为,所述动态贝叶斯网络的推断目标为所述驾驶人意图,建立所述动态贝叶斯网络中各个变量的有向连接关系,构成有向无环图;基于经验常识对所述动态贝叶斯网络参数进行预标定,并基于真实驾驶数据,对网络参数进行训练优化,基于时间序列上所有可测量的观测信息,进行所述动态贝叶斯网络中隐变量概率推断,并输出两冲突车的优先通行意图置信度;
根据环境态势和驾驶行为分别建立概率图模型,以分别利用可观测的场景物理信息与两车运动信息,以所述环境态势和所述驾驶行为作为观测输入,基于动态贝叶斯网络对冲突车辆的通行意图进行概率推断,其中,所述根据环境态势和驾驶行为分别建立概率图模型,以分别利用可观测的场景物理信息与两车运动信息,以所述环境态势和所述驾驶行为作为观测输入,基于动态贝叶斯网络对冲突车辆的通行意图进行概率推断,包括:建立辨识环境态势的第一概率图模型,所述第一概率图模型以道路结构信息、两车位置与速度为输入,以车辆是否具有满足行为条件的环境态势为输出;建立辨识冲突车行为语义的第二概率图模型,所述第二概率图模型分别以两车运动状态、所在位置对应的道路曲率,以及本时刻环境态势结果为输入,以行为语义辨识结果为输出;
基于经验对所述意图辨识模型参数进行参数预标定,并基于EM算法和自然驾驶数据进行参数学习;
基于所述意图辨识模型输出两车通行意图识别结果,利用高斯过程回归算法进行两车运动轨迹预测,并基于两车各时刻位置的高斯分布重叠度,输出碰撞风险评估结果。
2.根据权利要求1所述的方法,其特征在于,所述辨识构成交互式冲突场景的车辆配对,包括:
构建概率图,以目标车辆和其周边车辆的状态、环境信息为输入,输出所述目标车辆与周边车辆的冲突强度,并与冲突强度最高的车辆构成双车冲突场景。
3.根据权利要求1所述的方法,其特征在于,所述基于意图辨识模型输出两车通行意图识别结果,利用高斯过程回归算法进行两车运动轨迹预测,并基于两车各时刻位置的高斯分布重叠度,输出碰撞风险评估结果,包括:
基于意图识别结果,对自然驾驶数据中的车辆轨迹进行分类构建训练集;
基于所述分类的训练集训练高斯过程回归算法模型;
根据所述意图识别结果与所述高斯过程回归算法模型,预测车辆未来轨迹;
根据所述预测车辆未来轨迹,通过车辆高斯分布的重叠度辨识两车未来碰撞风险。
4.根据权利要求1所述的方法,其特征在于,所述概率图模型采用联结树算法进行概率推断;动态贝叶斯网络采用前向-后向算法进行推断。
5.一种基于车辆行为交互与道路结构耦合的碰撞风险预测装置,其特征在于,包括:
投影模块,用于基于道路结构辨识潜在的双车冲突,将所述双车冲突投影至基本交互式冲突场景模型,其中,所述基于道路结构辨识潜在的双车冲突,将所述双车冲突投影至基本交互式冲突场景模型,包括:基于道路结构,以车道中线为参考线建立Frenet坐标系上的投影,构成汇入式冲突场景模型与交叉式冲突场景模型之一的交互式冲突场景模型,辨识构成交互式冲突场景的车辆配对,以两冲突车优先通行意图置信度,初始化意图辨识模型;
建模模块,用于根据所述双车冲突建立基于动态贝叶斯网络的意图辨识模型,以描述车辆通行意图与环境态势、驾驶行为的条件概率关系,其中,所述根据所述双车冲突建立基于动态贝叶斯网络的意图辨识模型,以描述车辆通行意图与环境态势、驾驶行为的条件概率关系包括:模拟人类行为交互过程,构建动态贝叶斯网络,所述动态贝叶斯网络的参数包括环境态势、驾驶人意图与车辆行为,所述动态贝叶斯网络的推断目标为所述驾驶人意图,建立所述动态贝叶斯网络中各个变量的有向连接关系,构成有向无环图;基于经验常识对所述动态贝叶斯网络参数进行预标定,并基于真实驾驶数据,对网络参数进行训练优化,基于时间序列上所有可测量的观测信息,进行所述动态贝叶斯网络中隐变量概率推断,并输出两冲突车的优先通行意图置信度;
推断模块,用于根据环境态势和驾驶行为分别建立概率图模型,以分别利用可观测的场景物理信息与两车运动信息,以所述环境态势和所述驾驶行为作为观测输入,基于动态贝叶斯网络对冲突车辆的通行意图进行概率推断,其中,所述根据环境态势和驾驶行为分别建立概率图模型,以分别利用可观测的场景物理信息与两车运动信息,以所述环境态势和所述驾驶行为作为观测输入,基于动态贝叶斯网络对冲突车辆的通行意图进行概率推断,包括:建立辨识环境态势的第一概率图模型,所述第一概率图模型以道路结构信息、两车位置与速度为输入,以车辆是否具有满足行为条件的环境态势为输出;建立辨识冲突车行为语义的第二概率图模型,所述第二概率图模型分别以两车运动状态、所在位置对应的道路曲率,以及本时刻环境态势结果为输入,以行为语义辨识结果为输出;
训练模块,用于基于经验对所述意图辨识模型参数进行参数预标定,并基于EM算法和自然驾驶数据进行参数学习,基于意图指标对自然驾驶数据集进行分类,并分别训练对应的高斯过程回归模型,用于后续的轨迹预测;
预测模块,用于基于所述意图辨识模型输出两车通行意图识别结果,利用高斯过程回归算法进行两车运动轨迹预测,并基于两车各时刻位置的高斯分布重叠度,输出碰撞风险评估结果。
6.根据权利要求5所述的装置,其特征在于,所述辨识构成交互式冲突场景的车辆配对,包括:
构建概率图,以目标车辆和其周边车辆的状态、环境信息为输入,输出所述目标车辆与周边车辆的冲突强度,并与冲突强度最高的车辆构成双车冲突场景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110983185.2A CN113561974B (zh) | 2021-08-25 | 2021-08-25 | 基于车辆行为交互与道路结构耦合的碰撞风险预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110983185.2A CN113561974B (zh) | 2021-08-25 | 2021-08-25 | 基于车辆行为交互与道路结构耦合的碰撞风险预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113561974A CN113561974A (zh) | 2021-10-29 |
CN113561974B true CN113561974B (zh) | 2023-11-24 |
Family
ID=78172664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110983185.2A Active CN113561974B (zh) | 2021-08-25 | 2021-08-25 | 基于车辆行为交互与道路结构耦合的碰撞风险预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113561974B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989782A (zh) * | 2021-11-08 | 2022-01-28 | 北京理工大学 | 一种多交通参与者交互行为识别方法、***、设备及介质 |
CN114162133B (zh) * | 2021-11-10 | 2024-06-04 | 上海人工智能创新中心 | 驾驶场景的风险评估方法、装置和计算机可读存储介质 |
CN114064656B (zh) * | 2021-11-19 | 2024-05-14 | 重庆大学 | 一种基于路端感知***的自动驾驶场景识别与转化方法 |
CN114212105B (zh) * | 2021-12-16 | 2024-03-05 | 中国人民解放军国防科技大学 | 一种高泛化能力的交互车辆驾驶意图预测方法和装置 |
CN114492544B (zh) * | 2022-04-15 | 2022-07-26 | 腾讯科技(深圳)有限公司 | 模型训练方法及装置、交通事件发生概率评估方法及装置 |
CN116776204B (zh) * | 2023-06-26 | 2024-02-23 | 清华大学 | 驾驶人风险敏感度差异化表征方法、装置、设备及介质 |
CN117033562B (zh) * | 2023-10-09 | 2024-02-23 | 北京中机车辆司法鉴定中心 | 基于场景要素匹配的危险预测方法以及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106428000A (zh) * | 2016-09-07 | 2017-02-22 | 清华大学 | 一种车辆速度控制装置和方法 |
CN108447308A (zh) * | 2018-05-17 | 2018-08-24 | 中交信息技术国家工程实验室有限公司 | 一种基于车路协同的交叉口车辆碰撞风险预测方法及*** |
CN108437986A (zh) * | 2017-02-16 | 2018-08-24 | 上海汽车集团股份有限公司 | 车辆驾驶辅助***及辅助方法 |
JP2019106049A (ja) * | 2017-12-13 | 2019-06-27 | 株式会社豊田中央研究所 | 車両制御装置、リスクマップ生成装置、及びプログラム |
CN110298122A (zh) * | 2019-07-03 | 2019-10-01 | 北京理工大学 | 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法 |
-
2021
- 2021-08-25 CN CN202110983185.2A patent/CN113561974B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106428000A (zh) * | 2016-09-07 | 2017-02-22 | 清华大学 | 一种车辆速度控制装置和方法 |
CN108437986A (zh) * | 2017-02-16 | 2018-08-24 | 上海汽车集团股份有限公司 | 车辆驾驶辅助***及辅助方法 |
JP2019106049A (ja) * | 2017-12-13 | 2019-06-27 | 株式会社豊田中央研究所 | 車両制御装置、リスクマップ生成装置、及びプログラム |
CN108447308A (zh) * | 2018-05-17 | 2018-08-24 | 中交信息技术国家工程实验室有限公司 | 一种基于车路协同的交叉口车辆碰撞风险预测方法及*** |
CN110298122A (zh) * | 2019-07-03 | 2019-10-01 | 北京理工大学 | 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法 |
Non-Patent Citations (1)
Title |
---|
驾驶人换道决策分析及意图识别算法设计;王建强等;《清华大学学报》;第55卷(第7期);769-774 * |
Also Published As
Publication number | Publication date |
---|---|
CN113561974A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113561974B (zh) | 基于车辆行为交互与道路结构耦合的碰撞风险预测方法 | |
Bhattacharyya et al. | Modeling human driving behavior through generative adversarial imitation learning | |
Zheng et al. | Behavioral decision‐making model of the intelligent vehicle based on driving risk assessment | |
Brown et al. | A taxonomy and review of algorithms for modeling and predicting human driver behavior | |
Makantasis et al. | Deep reinforcement‐learning‐based driving policy for autonomous road vehicles | |
Mavrogiannis et al. | B-gap: Behavior-guided action prediction for autonomous navigation | |
Yan et al. | A multi-vehicle game-theoretic framework for decision making and planning of autonomous vehicles in mixed traffic | |
Coskun | Autonomous overtaking in highways: A receding horizon trajectory generator with embedded safety feature | |
Sun et al. | Human-like highway trajectory modeling based on inverse reinforcement learning | |
Sharma et al. | Highway lane-changing prediction using a hierarchical software architecture based on support vector machine and continuous hidden markov model | |
Lodhi et al. | Autonomous vehicular overtaking maneuver: A survey and taxonomy | |
Hu et al. | A roadside decision-making methodology based on deep reinforcement learning to simultaneously improve the safety and efficiency of merging zone | |
Kou et al. | Dual-objective intelligent vehicle lane changing trajectory planning based on polynomial optimization | |
Katrakazas | Developing an advanced collision risk model for autonomous vehicles | |
Villagra et al. | Motion prediction and risk assessment | |
Scheel et al. | Recurrent models for lane change prediction and situation assessment | |
Islam et al. | Enhancing Longitudinal Velocity Control With Attention Mechanism-Based Deep Deterministic Policy Gradient (DDPG) for Safety and Comfort | |
Chen et al. | Attention-based highway safety planner for autonomous driving via deep reinforcement learning | |
CN115981302A (zh) | 车辆跟驰换道行为决策方法、装置及电子设备 | |
Ma et al. | Legal Decision-making for Highway Automated Driving | |
Mavrogiannis et al. | B-GAP: Behavior-guided action prediction and navigation for autonomous driving | |
Pang et al. | A Survey of Decision-Making Safety Assessment Methods for Autonomous Vehicles | |
Wu et al. | A humanlike lane change decision strategy for mixed traffics with multi-objects | |
Bhattacharyya | Modeling Human Driving from Demonstrations | |
Lv et al. | A Lane‐Changing Decision‐Making Model of Bus Entering considering Bus Priority Based on GRU Neural Network |
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 |