CN113643542A - 基于集成学习的多车交互环境下车辆轨迹预测方法及*** - Google Patents

基于集成学习的多车交互环境下车辆轨迹预测方法及*** Download PDF

Info

Publication number
CN113643542A
CN113643542A CN202111189571.0A CN202111189571A CN113643542A CN 113643542 A CN113643542 A CN 113643542A CN 202111189571 A CN202111189571 A CN 202111189571A CN 113643542 A CN113643542 A CN 113643542A
Authority
CN
China
Prior art keywords
vehicle
information
driving mode
driving
lane
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
Application number
CN202111189571.0A
Other languages
English (en)
Inventor
龚建伟
林云龙
李子睿
龚乘
臧政
吕超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beili Huidong Beijing Technology Co ltd
Beijing Institute of Technology BIT
Original Assignee
Beili Huidong Beijing Technology Co ltd
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beili Huidong Beijing Technology Co ltd, Beijing Institute of Technology BIT filed Critical Beili Huidong Beijing Technology Co ltd
Priority to CN202111189571.0A priority Critical patent/CN113643542A/zh
Publication of CN113643542A publication Critical patent/CN113643542A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开了基于集成学习的多车交互环境下车辆轨迹预测方法及***。该方法包括：采集车辆的行驶信息；对行驶信息进行预处理，得到空间网格信息和车辆驾驶模式信息；对训练集进行多次随机抽样得到多组含不同数据的训练集；通过多组含不同数据的训练集分别对LSTM编码‑解码器模型进行训练，得到多个基学习器；采用集成学习方法，对多个基学习器进行集成，得到集成学习器，对车辆的未来轨迹进行预测。本发明利用机器学习与深度学习的手段，实现对车辆交互信息的有效利用，并应用集成学习的方法实现对车辆轨迹的预测。且通过集成学习能够将多个模型进行结合，可获得比单一模型显著优越的泛化性能，解决了单一模型对训练数据敏感、精确度低等问题。

Description

基于集成学习的多车交互环境下车辆轨迹预测方法及***
技术领域
本发明涉及车辆自动驾驶技术领域，特别是涉及基于集成学习的多车交互环境下车辆轨迹预测方法及***。
背景技术
目前，随着交通参与者数目的不断增加，路况信息日趋复杂。在复杂和动态交通环境中，使自动驾驶车辆有主动的行为决策能力，如依据所处交通环境对车道切换、加速超车、制动减速等驾驶行为进行决策对建立安全且高效的智能交通***有重要的作用。在车辆所处的交通环境中，周边车辆的动态驾驶行为是影响自动驾驶车辆行为决策的一个重要因素，因此，在多车交互环境下，预测周边车辆的动态轨迹对发展高级驾驶辅助***、智能交通***和自动驾驶有重要作用。
现阶段，车辆轨迹的预测方法，主要是利用采集到的交通信息数据，对机器学习、深度学习的一些学习算法模型进行模型的训练，并以训练完成的模型所作预测输出作为车辆轨迹预测的结果。在此过程中，如何有效地利用、准确地处理交通信息中的车辆交互信息成为一个研究难点。
且目前的车辆轨迹预测方法中，多采用单一模型进行预测，而单一的算法模型常常存在对训练数据敏感、预测精度低等问题。
发明内容
本发明的目的是提供基于集成学习的多车交互环境下车辆轨迹预测方法及***，用以解决现有技术中无法有效利用多车交互信息、模型对训练数据敏感、精确度低等问题。
为实现上述目的，本发明提供了如下方案：
一种基于集成学习的多车交互环境下车辆轨迹预测方法，包括：
采集车辆的行驶信息；所述车辆包括中心车辆和周围车辆；
对所述行驶信息进行预处理，得到空间网格信息和车辆驾驶模式信息；
构建训练集；所述训练集包括：所述行驶信息、所述空间网格信息和所述车辆驾驶模式信息；
对所述训练集进行多次随机抽样，得到多组含不同数据的训练集；
通过多组含不同数据的训练集分别对LSTM编码-解码器模型进行训练，得到多个基学习器；
采用集成学习方法，对多个基学习器进行集成，得到集成学习器，对车辆的未来轨迹进行预测。
进一步地，对所述行驶信息进行预处理，具体包括：
根据所述行驶信息确定车辆驾驶模式信息；所述行驶信息包括中心车辆位置及运动信息、周围车辆位置及运动信息和包含车道信息在内的周围环境信息；所述车辆驾驶模式信息包括横向驾驶模式和纵向驾驶模式；所述横向驾驶模式包括左侧换道驾驶模式、右侧换道驾驶模式以及车道保持驾驶模式；所述纵向驾驶模式包括刹车驾驶模式和正常驾驶驾驶模式；
基于中心车辆的位置确定待划分的空间范围；
对所述待划分的空间范围进行网格划分，得到空间网格信息。
进一步地，根据所述行驶信息确定车辆驾驶模式信息，具体包括：
确定中心车辆的换道稳定化阶段；所述稳定化为在一次换道完成后，预设时间内中心车辆趋于不再换道的状态；
判断稳定化阶段前后预设时间范围内，车道信息是否发生变化；
若车道信息发生变化，根据车道信息变化情况确定左侧换道驾驶模式或右侧换道驾驶模式；
若车道信息未发生变化，则确定车辆为车道保持驾驶模式；
判断稳定化阶段前后预设时间范围内，车辆的平均行驶速度是否超过速度阈值；
若是，则确定车辆为正常行驶驾驶模式；
若否，则确定车辆为刹车驾驶模式。
进一步地，LSTM编码-解码器模型包括：用于处理车辆行驶信息的LSTM-编码器，与空间网格连接并用于处理车辆交互信息的两个卷积层和一个池化层以及一个预测输出的LSTM-解码器。
进一步地，所述LSTM-解码器基于六种驾驶模式对车辆轨迹进行预测；六种驾驶模式基于所述车辆驾驶模式信息确定；所述六种驾驶模式包括：纵向正常行驶且横向左侧换道驾驶模式、纵向正常行驶且横向右侧换道驾驶模式、纵向正常行驶且横向车道保持驾驶模式、纵向刹车且横向左侧换道驾驶模式、纵向刹车且横向右侧换道驾驶模式以及纵向刹车且横向车道保持驾驶模式。
进一步地，所述采用集成学习方法，对多个基学习器进行集成，具体包括：
对于六种驾驶模式分类预测任务，采取多数投票法的结合策略进行集成；
对于车辆轨迹预测的回归任务，采取简单平均法的结合策略进行集成。
进一步地，对于六种驾驶模式分类预测任务，采取多数投票法的结合策略进行集成，具体包括：
对所有基学习器的驾驶模式分类预测结果进行投票，统计被预测次数最多的一种驾驶模式作为集成学习器的预测类别。
进一步地，对于车辆轨迹预测的回归任务，采取简单平均法的结合策略进行集成，具体包括：
每个基学***均值作为集成学习器的预测输出。
本发明还提供了一种基于集成学习的多车交互环境下车辆轨迹预测***，包括：
采集模块，用于采集车辆的行驶信息；所述车辆包括中心车辆和周围车辆；
预处理模块，用于对所述行驶信息进行预处理，得到空间网格信息和车辆驾驶模式信息；
训练集构建模块，用于构建训练集；所述训练集包括：所述行驶信息、所述空间网格信息和所述车辆驾驶模式信息；
随机抽样模块，用于对所述训练集进行多次随机抽样，得到多组含不同数据的训练集；
训练模块，用于通过多组含不同数据的训练集分别对LSTM编码-解码器模型进行训练，得到多个基学习器；
集成模块，用于采用集成学习方法，对多个基学习器进行集成，得到集成学习器，对车辆的未来轨迹进行预测。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种基于集成学习的多车交互环境下车辆轨迹预测方法及***，该方法包括：采集车辆的行驶信息；所述车辆包括中心车辆和周围车辆；对所述行驶信息进行预处理，得到空间网格信息和车辆驾驶模式信息；构建训练集；所述训练集包括：所述行驶信息、所述空间网格信息和所述车辆驾驶模式信息；对所述训练集进行多次随机抽样，得到多组含不同数据的训练集；通过多组含不同数据的训练集分别对LSTM编码-解码器模型进行训练，得到多个基学习器；采用集成学习方法，对多个基学习器进行集成，得到集成学习器，对车辆的未来轨迹进行预测。与现有技术相比，本发明通过充足的中心车辆及周围车辆驾驶数据，利用机器学习与深度学习的手段，实现对车辆交互信息的有效利用，并应用集成学习的方法最终实现对车辆轨迹的预测；这种车辆轨迹预测方法实现了对多车交互环境的理解，通用性强，更加符合真实的驾驶过程，并具有很好的实用性。且通过集成学习能够将多个模型进行结合，可获得比单一模型显著优越的泛化性能，解决了单一模型对训练数据敏感、精确度低等问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例基于集成学习的多车交互环境下车辆轨迹预测方法的流程图；
图2为本发明实施例基于集成学习的多车交互环境下车辆轨迹预测方法的原理图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于集成学习的多车交互环境下车辆轨迹预测方法及***，用以解决现有技术中无法有效利用多车交互信息、模型对训练数据敏感、精确度低等问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1-2所示，本发明提供的一种基于集成学习的多车交互环境下车辆轨迹预测方法，包括以下步骤：
步骤101：采集车辆的行驶信息；所述车辆包括中心车辆和周围车辆。所述行驶信息包括中心车辆位置及运动信息、周围车辆位置及运动信息和包含车道信息在内的周围环境信息。
步骤102：对所述行驶信息进行预处理，得到空间网格信息和车辆驾驶模式信息。包括：
步骤1021：根据所述行驶信息确定车辆驾驶模式信息；所述行驶信息包括中心车辆位置及运动信息、周围车辆位置及运动信息和包含车道信息在内的周围环境信息；所述车辆驾驶模式信息包括横向驾驶模式和纵向驾驶模式；所述横向驾驶模式包括左侧换道驾驶模式、右侧换道驾驶模式以及车道保持驾驶模式；所述纵向驾驶模式包括刹车驾驶模式和正常驾驶驾驶模式。
步骤1022：基于中心车辆的位置确定待划分的空间范围。
步骤1023：对所述待划分的空间范围进行网格划分，得到空间网格信息。
其中，步骤1021具体包括：
步骤10211：确定中心车辆的换道稳定化阶段；所述稳定化为在一次换道完成后，预设时间内中心车辆趋于不再换道的状态。
步骤10212：判断稳定化阶段前后预设时间范围内，车道信息是否发生变化。
步骤10213：若车道信息发生变化，根据车道信息变化情况确定左侧换道驾驶模式或右侧换道驾驶模式。
步骤10214：若车道信息未发生变化，则确定车辆为车道保持驾驶模式；
步骤10215：判断稳定化阶段前后预设时间范围内，车辆的平均行驶速度是否超过速度阈值；若是，则确定车辆为正常行驶驾驶模式；若否，则确定车辆为刹车驾驶模式。
步骤103：构建训练集；所述训练集包括：所述行驶信息、所述空间网格信息和所述车辆驾驶模式信息。
步骤104：对所述训练集进行多次随机抽样，得到多组含不同数据的训练集。
应用有放回的随机抽样方法对所述训练集进行多次随机抽样。
步骤105：通过多组含不同数据的训练集分别对LSTM编码-解码器模型进行训练，得到多个基学习器。
长短期记忆人工神经网络(LSTM, Long Short-Term Memory)编码-解码器模型，具体包含：用于处理车辆行驶信息的LSTM-编码器，与空间网格连接并用于处理车辆交互信息的两个卷积层与一个池化层以及一个基于车辆驾驶模式以概率分布作为预测输出的LSTM-解码器。
所述LSTM-解码器基于六种驾驶模式对车辆轨迹进行预测；六种驾驶模式基于所述车辆驾驶模式信息确定；所述六种驾驶模式包括：纵向正常行驶且横向左侧换道驾驶模式、纵向正常行驶且横向右侧换道驾驶模式、纵向正常行驶且横向车道保持驾驶模式、纵向刹车且横向左侧换道驾驶模式、纵向刹车且横向右侧换道驾驶模式以及纵向刹车且横向车道保持驾驶模式。
用于处理车辆运动信息的LSTM编码器，关于其输入数据，具体内容包括：经过预处理的数据中，某一时刻t的车辆信息（包含车辆行驶轨迹信息、空间网格信息和驾驶模式信息）由矢量
Figure DEST_PATH_IMAGE001
描述，
Figure 268246DEST_PATH_IMAGE002
，其中，坐标
Figure DEST_PATH_IMAGE003
用于描述中心车辆位置信息；
Figure 887184DEST_PATH_IMAGE004
用于描述中心车辆在t时刻的驾驶模式，更具体地，
Figure DEST_PATH_IMAGE005
与
Figure 588292DEST_PATH_IMAGE006
分别描述中心车辆在t时刻的横向驾驶模式与纵向驾驶模式；
Figure DEST_PATH_IMAGE007
用于描述中心车辆在t时刻的空间网格信息；坐标
Figure 390026DEST_PATH_IMAGE008
用于描述第n辆周边车辆位置信息，N为周边车辆总数；将t时刻所对数据点的历史轨迹信息描述为上述矢量的集合
Figure DEST_PATH_IMAGE009
，t h 为选取的历史时间跨度阈值，则矢量集合X为所述LSTM编码器的输入。
基于车辆驾驶模式以概率分布作为预测输出的LSTM-解码器，其输出具体包含：定义矢量
Figure 735557DEST_PATH_IMAGE010
用于描述中心车辆位置信息，用上述矢量的集合
Figure DEST_PATH_IMAGE011
描述t时刻所对数据点的未来轨迹信息，其中t f 为设定的预测时间范围上限阈值；以历史轨迹信息X与上述中心车辆未来轨迹信息Y作为随机变量，并基于给定驾驶模式λ i 的条件，LSTM解码器将输出以概率分布形式呈现的中心车辆轨迹预测结果，此概率分布可用如下公式描述：
Figure 672201DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE013
，
Figure 345759DEST_PATH_IMAGE014
为t时刻对应的概率分布参数。
所述的驾驶模式λ i 具体包含：对数据预处理中所定义的三种横向驾驶模式与两种纵向驾驶模式进行两两组合，将得到“纵向正常行驶，横向左侧换道”、“纵向正常行驶，横向右侧换道”、“纵向正常行驶，横向车道保持”、“纵向刹车，横向左侧换道”、“纵向刹车，横向右侧换道”以及“纵向刹车，横向车道保持”合计六种驾驶模式，分别用
Figure DEST_PATH_IMAGE015
表示。
所述的t时刻对应概率分布参数θ t ，具体内容包括：θ t 为二元高斯分布的参数，为五个具体参数的集合，可以表示为
Figure 325085DEST_PATH_IMAGE016
，其中，
Figure DEST_PATH_IMAGE017
与
Figure 400489DEST_PATH_IMAGE018
分别为t时刻时，随机变量X的期望值与随机变量Y的期望值；
Figure DEST_PATH_IMAGE019
与
Figure 925011DEST_PATH_IMAGE020
分别为关于随机变量X的标准差与关于随机变量Y的标准差；
Figure DEST_PATH_IMAGE021
为二元高斯分布的相关系数。
步骤106：采用集成学习方法，对多个基学习器进行集成，得到集成学习器，对车辆的未来轨迹进行预测。
对于六种驾驶模式分类预测任务，采取多数投票法的结合策略进行集成；对所有基学习器的驾驶模式分类预测结果进行投票，统计被预测次数最多的一种驾驶模式作为集成学习器的预测类别。
对于车辆轨迹预测的回归任务，采取简单平均法的结合策略进行集成；每个基学***均值作为集成学习器的预测输出。用公式描述如下：
每个基学***均，即：
Figure 868882DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE025
为集成学习器的最终预测结果。
具体实施例如下：
S1，采集车辆行驶信息并对所述行驶信息进行预处理，得到包含有本发明所定义的空间网格信息与车辆驾驶模式信息的数据集。
S2，应用有放回的随机抽样方法，对S1中所述数据集进行若干次随机抽样，得到若干组含不同数据的训练集。
S3，对一种长短期记忆人工神经网络(LSTM, Long Short-Term Memory)编码-解码器模型，分别用S2中所述的若干组训练集进行训练，对应地，得到若干个含不同模型参数的LSTM编码-解码器模型。
S4，通过一种应用引导聚集算法的集成学习方法，将S3中得到的若干模型进行集成，得到一个预测精度高、泛化能力强的集成学习器，对车辆的未来轨迹进行预测。
作为一个具体实施例，步骤S1中车辆行驶信息包括中心车辆位置及运动信息、周围车辆位置及运动信息和包含车道信息在内的周围环境信息；具体地，中心车辆位置及运动信息包括但不限于：中心车辆的位置
Figure 297327DEST_PATH_IMAGE026
、速度
Figure DEST_PATH_IMAGE027
、加速度
Figure 258330DEST_PATH_IMAGE028
和行驶车道
Figure DEST_PATH_IMAGE029
，其中HV表示中心车辆；周围车辆位置及运动信息包括但不限于：周围车辆类型，周围车辆的位置
Figure 906480DEST_PATH_IMAGE030
、速度
Figure DEST_PATH_IMAGE031
、加速度
Figure 956170DEST_PATH_IMAGE032
和行驶车道
Figure DEST_PATH_IMAGE033
，其中
Figure 6166DEST_PATH_IMAGE034
表示中心车辆周围第i辆车。
作为一个具体实施例，所述预处理具体包括以下两个步骤：基于车辆的车道信息与车辆行驶速度信息，设置一定的阈值，定义“左侧换道”、“右侧换道”、“车道保持”三种横向驾驶模式以及“刹车”、“正常行驶”两种纵向驾驶模式；以中心车辆位置为中心，限定中心周围一定范围，定义用于处理多车交互信息的空间网格。具体地，所述数据预处理步骤中关于横向、纵向驾驶模式的定义，具体内容包括：以车辆车道信息为参考，定义“左侧换道”、“右侧换道”以及“车道保持”三种横向驾驶模式，由于车辆换道动作包括换道准备阶段与换道完成的稳定阶段，因此以数据点所对时刻前后4秒时间范围内，车道信息是否发生变化为依据，定义三种横向驾驶模式，若发生变化，即中心车辆的车道序号在该数据点对应时刻的前后4秒内，小于或者大于该数据点对应时刻下的车道序号，根据车道变化情况分别定义“左侧换道”驾驶模式或“右侧换道”驾驶模式，而“车道保持”驾驶模式则定义为在考虑的时间范围内车道序号不发生改变的情形；以车辆行驶速度信息为参考，定义“刹车”与“正常行驶”两种纵向驾驶模式，具体地，考虑数据点所对时刻前3秒内的平均行驶速度与数据点所对时刻后5秒内平均速度，若后5秒内的平均速度小于前3秒平均速度的0.8倍则定义“刹车”驾驶模式，否则定义为“正常行驶”驾驶模式。
作为一个具体实施例，步骤S2中数据预处理部分关于用于处理车辆交互信息的空间网格定义，具体包括：确定目标交互环境的限定条件，包括但不限于：限定中心车辆；限定中心车辆纵向范围前后27.4米（90英尺），横向范围为中心车辆所处车道及其左、右两车道（如有）；约束所述空间范围内中心车辆周围的周围车辆数目及参与实体，为空间网格定义做准备；以中心车辆为基准，在约束所述空间范围内，定义13行3列的二维网格，其中每个单元网格的横向长度即每一列的尺寸定义为两相邻车道线间的距离；每个网格的纵向长度即每一行的尺寸定义为4.2米，约为普通汽车的车身长度。中心车辆位于中心网格处，具体的，即位于第7行第2列网格处。
作为一个具体实施例，步骤S3中的一种长短期记忆人工神经网络(LSTM, LongShort-Term Memory)编码-解码器模型，具体包含：用于处理车辆运动信息的LSTM-编码器，该编码器的隐藏状态设置为64维；与空间网格连接并用于处理车辆交互信息的两个尺寸不同的卷积层，其中，第一个卷积层的尺寸为3x3，卷积层深度设置为64，第二个卷积层尺寸为3x1，卷积层深度设置为16；与第二个卷积层相联系的是一个2x1的池化层；最后，一个128维隐藏状态的LSTM-解码器将基于由所定义的三种横向驾驶模式与两种纵向驾驶模式组合得到的共六种驾驶模式，给出以概率分布形式呈现的车辆轨迹预测输出。
作为一个具体实施例，LSTM编码-解码器模型的输入与输出，具体包含：经过预处理的数据中，某一时刻t的车辆信息（包含车辆行驶轨迹信息、空间网格信息和驾驶模式信息）由矢量
Figure DEST_PATH_IMAGE035
描述，
Figure 449654DEST_PATH_IMAGE002
，其中，坐标
Figure 912997DEST_PATH_IMAGE036
用于描述中心车辆位置信息；
Figure DEST_PATH_IMAGE037
用于描述中心车辆在t时刻的驾驶模式，更具体地，
Figure 867177DEST_PATH_IMAGE038
与
Figure DEST_PATH_IMAGE039
分别描述中心车辆在t时刻的横向驾驶模式与纵向驾驶模式；
Figure 270214DEST_PATH_IMAGE040
用于描述中心车辆在t时刻的空间网格信息；坐标
Figure DEST_PATH_IMAGE041
用于描述第n辆周边车辆位置信息，N为周边车辆总数；将t时刻所对数据点的历史轨迹信息描述为上述矢量的集合
Figure 573020DEST_PATH_IMAGE042
，选取的历史时间跨度阈值
Figure DEST_PATH_IMAGE043
为3秒，模型将以X作为输入。将t时刻的中心车辆位置信息描述为矢量
Figure 133445DEST_PATH_IMAGE044
，将t时刻所对数据点的未来轨迹信息描述为上述矢量的集合
Figure DEST_PATH_IMAGE045
，预测时间范围阈值t f 选取为5秒；以上述矢量集合X与Y作为随机变量，并基于驾驶模式λ i 的条件，给出以概率形式呈现的中心车辆轨迹预测输出，此输出概率可用如下公式描述：
Figure 186590DEST_PATH_IMAGE046
其中，
Figure DEST_PATH_IMAGE047
，θ t 为二元高斯分布的参数，为五个具体参数的集合，可以表示为
Figure 555385DEST_PATH_IMAGE048
；具体地，包括t时刻时，随机变量X的期望
Figure DEST_PATH_IMAGE049
、随机变量Y的期望
Figure 408853DEST_PATH_IMAGE050
、关于随机变量X的标准差
Figure DEST_PATH_IMAGE051
、关于随机变量Y的标准差
Figure 377946DEST_PATH_IMAGE052
以及相关系数
Figure DEST_PATH_IMAGE053
；公式中的
Figure 470667DEST_PATH_IMAGE054
分别表示由三种横向驾驶模式与两种纵向驾驶模式两两组合后，得到的“纵向正常行驶，横向左侧换道”、“纵向正常行驶，横向右侧换道”、“纵向正常行驶，横向车道保持”、“纵向刹车，横向左侧换道”、“纵向刹车，横向右侧换道”以及“纵向刹车，横向车道保持”，共计六种车辆驾驶模式。
作为一个具体实施例，所述步骤S4中的一种合适的集成学***均法的结合策略对基学习器进行集成。具体地，从原始训练集中以有放回的随机抽样的方式获得20个训练集，分别用得到的20个训练集训练20个单模型作为用于集成学习的基学习器。
作为一个具体实施例，对于集成学***均法。具体地，一种合适的集成学***均法用作轨迹预测问题的结合策略，用简单平均法对于n(n=1,2,3,…,20)个基学***均运算，具体地，每个基学***均，即：
Figure DEST_PATH_IMAGE057
其中，
Figure 243636DEST_PATH_IMAGE058
为集成学习器的最终预测结果。
本发明通过充足的中心车辆及周围车辆驾驶数据，利用机器学习与深度学习的手段，实现对车辆交互信息的有效利用，并应用集成学习的方法最终实现对车辆轨迹的预测；这种车辆轨迹预测方法实现了对多车交互环境的理解，通用性强，更加符合真实的驾驶过程，并具有很好的实用性。
本发明还提供了一种基于集成学习的多车交互环境下车辆轨迹预测***，包括：
采集模块，用于采集车辆的行驶信息；所述车辆包括中心车辆和周围车辆；
预处理模块，用于对所述行驶信息进行预处理，得到空间网格信息和车辆驾驶模式信息；
训练集构建模块，用于构建训练集；所述训练集包括：所述行驶信息、所述空间网格信息和所述车辆驾驶模式信息；
随机抽样模块，用于对所述训练集进行多次随机抽样，得到多组含不同数据的训练集；
训练模块，用于通过多组含不同数据的训练集分别对LSTM编码-解码器模型进行训练，得到多个基学习器；
集成模块，用于采用集成学习方法，对多个基学习器进行集成，得到集成学习器，对车辆的未来轨迹进行预测。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种基于集成学习的多车交互环境下车辆轨迹预测方法，其特征在于，包括：
采集车辆的行驶信息；所述车辆包括中心车辆和周围车辆；
对所述行驶信息进行预处理，得到空间网格信息和车辆驾驶模式信息；
构建训练集；所述训练集包括：所述行驶信息、所述空间网格信息和所述车辆驾驶模式信息；
对所述训练集进行多次随机抽样，得到多组含不同数据的训练集；
通过多组含不同数据的训练集分别对LSTM编码-解码器模型进行训练，得到多个基学习器；
采用集成学习方法，对多个基学习器进行集成，得到集成学习器，对车辆的未来轨迹进行预测。
2.根据权利要求1所述的基于集成学习的多车交互环境下车辆轨迹预测方法，其特征在于，对所述行驶信息进行预处理，具体包括：
根据所述行驶信息确定车辆驾驶模式信息；所述行驶信息包括中心车辆位置及运动信息、周围车辆位置及运动信息和包含车道信息在内的周围环境信息；所述车辆驾驶模式信息包括横向驾驶模式和纵向驾驶模式；所述横向驾驶模式包括左侧换道驾驶模式、右侧换道驾驶模式以及车道保持驾驶模式；所述纵向驾驶模式包括刹车驾驶模式和正常驾驶驾驶模式；
基于中心车辆的位置确定待划分的空间范围；
对所述待划分的空间范围进行网格划分，得到空间网格信息。
3.根据权利要求2所述的基于集成学习的多车交互环境下车辆轨迹预测方法，其特征在于，根据所述行驶信息确定车辆驾驶模式信息，具体包括：
确定中心车辆的换道稳定化阶段；所述稳定化为在一次换道完成后，预设时间内中心车辆趋于不再换道的状态；
判断稳定化阶段前后预设时间范围内，车道信息是否发生变化；
若车道信息发生变化，根据车道信息变化情况确定左侧换道驾驶模式或右侧换道驾驶模式；
若车道信息未发生变化，则确定车辆为车道保持驾驶模式；
判断稳定化阶段前后预设时间范围内，车辆的平均行驶速度是否超过速度阈值；
若是，则确定车辆为正常行驶驾驶模式；
若否，则确定车辆为刹车驾驶模式。
4.根据权利要求1所述的基于集成学习的多车交互环境下车辆轨迹预测方法，其特征在于，LSTM编码-解码器模型包括：用于处理车辆行驶信息的LSTM-编码器，与空间网格连接并用于处理车辆交互信息的两个卷积层和一个池化层以及一个预测输出的LSTM-解码器。
5.根据权利要求4所述的基于集成学习的多车交互环境下车辆轨迹预测方法，其特征在于，所述LSTM-解码器基于六种驾驶模式对车辆轨迹进行预测；六种驾驶模式基于所述车辆驾驶模式信息确定；所述六种驾驶模式包括：纵向正常行驶且横向左侧换道驾驶模式、纵向正常行驶且横向右侧换道驾驶模式、纵向正常行驶且横向车道保持驾驶模式、纵向刹车且横向左侧换道驾驶模式、纵向刹车且横向右侧换道驾驶模式以及纵向刹车且横向车道保持驾驶模式。
6.根据权利要求5所述的基于集成学习的多车交互环境下车辆轨迹预测方法，其特征在于，所述采用集成学习方法，对多个基学习器进行集成，具体包括：
对于六种驾驶模式分类预测任务，采取多数投票法的结合策略进行集成；
对于车辆轨迹预测的回归任务，采取简单平均法的结合策略进行集成。
7.根据权利要求6所述的基于集成学习的多车交互环境下车辆轨迹预测方法，其特征在于，对于六种驾驶模式分类预测任务，采取多数投票法的结合策略进行集成，具体包括：
对所有基学习器的驾驶模式分类预测结果进行投票，统计被预测次数最多的一种驾驶模式作为集成学习器的预测类别。
8.根据权利要求6所述的基于集成学***均法的结合策略进行集成，具体包括：
每个基学***均值作为集成学习器的预测输出。
9.一种基于集成学习的多车交互环境下车辆轨迹预测***，其特征在于，包括：
采集模块，用于采集车辆的行驶信息；所述车辆包括中心车辆和周围车辆；
预处理模块，用于对所述行驶信息进行预处理，得到空间网格信息和车辆驾驶模式信息；
训练集构建模块，用于构建训练集；所述训练集包括：所述行驶信息、所述空间网格信息和所述车辆驾驶模式信息；
随机抽样模块，用于对所述训练集进行多次随机抽样，得到多组含不同数据的训练集；
训练模块，用于通过多组含不同数据的训练集分别对LSTM编码-解码器模型进行训练，得到多个基学习器；
集成模块，用于采用集成学习方法，对多个基学习器进行集成，得到集成学习器，对车辆的未来轨迹进行预测。
CN202111189571.0A 2021-10-13 2021-10-13 基于集成学习的多车交互环境下车辆轨迹预测方法及*** Pending CN113643542A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111189571.0A CN113643542A (zh) 2021-10-13 2021-10-13 基于集成学习的多车交互环境下车辆轨迹预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111189571.0A CN113643542A (zh) 2021-10-13 2021-10-13 基于集成学习的多车交互环境下车辆轨迹预测方法及***

Publications (1)

Publication Number Publication Date
CN113643542A true CN113643542A (zh) 2021-11-12

Family

ID=78426408

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111189571.0A Pending CN113643542A (zh) 2021-10-13 2021-10-13 基于集成学习的多车交互环境下车辆轨迹预测方法及***

Country Status (1)

Country Link
CN (1) CN113643542A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114724121A (zh) * 2022-03-23 2022-07-08 中交信息技术国家工程实验室有限公司 一种驾驶行为预测方法
CN115081186A (zh) * 2022-05-17 2022-09-20 同济大学 一种支持数据驱动的驾驶行为仿真***及其仿真方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109747638A (zh) * 2018-12-25 2019-05-14 东软睿驰汽车技术（沈阳）有限公司 一种车辆行驶意图识别方法及装置
CN110304075A (zh) * 2019-07-04 2019-10-08 清华大学 基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法
CN110414732A (zh) * 2019-07-23 2019-11-05 中国科学院地理科学与资源研究所 一种出行未来轨迹预测方法、装置、储存介质及电子设备
CN110415266A (zh) * 2019-07-19 2019-11-05 东南大学 一种基于本车周围车辆轨迹预测安全行驶的方法
CN110834644A (zh) * 2019-10-30 2020-02-25 中国第一汽车股份有限公司 一种车辆控制方法、装置、待控制车辆及存储介质
CN111046919A (zh) * 2019-11-21 2020-04-21 南京航空航天大学 一种融合行为意图的周围动态车辆轨迹预测***及方法
CN111079834A (zh) * 2019-12-16 2020-04-28 清华大学 一种考虑多车交互的智能车辆安全态势评估方法
CN112004197A (zh) * 2020-08-06 2020-11-27 重庆邮电大学 一种基于车辆轨迹预测的异构车联网切换方法
WO2021107380A1 (ko) * 2019-11-26 2021-06-03 한양대학교 산학협력단 차량의 주변 지도 이미지를 활용하는 딥러닝 기반 차량 경로 예측 방법 및 장치
CN113056749A (zh) * 2018-09-11 2021-06-29 辉达公司 用于自主机器应用的未来对象轨迹预测

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113056749A (zh) * 2018-09-11 2021-06-29 辉达公司 用于自主机器应用的未来对象轨迹预测
CN109747638A (zh) * 2018-12-25 2019-05-14 东软睿驰汽车技术（沈阳）有限公司 一种车辆行驶意图识别方法及装置
CN110304075A (zh) * 2019-07-04 2019-10-08 清华大学 基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法
CN110415266A (zh) * 2019-07-19 2019-11-05 东南大学 一种基于本车周围车辆轨迹预测安全行驶的方法
CN110414732A (zh) * 2019-07-23 2019-11-05 中国科学院地理科学与资源研究所 一种出行未来轨迹预测方法、装置、储存介质及电子设备
CN110834644A (zh) * 2019-10-30 2020-02-25 中国第一汽车股份有限公司 一种车辆控制方法、装置、待控制车辆及存储介质
CN111046919A (zh) * 2019-11-21 2020-04-21 南京航空航天大学 一种融合行为意图的周围动态车辆轨迹预测***及方法
WO2021107380A1 (ko) * 2019-11-26 2021-06-03 한양대학교 산학협력단 차량의 주변 지도 이미지를 활용하는 딥러닝 기반 차량 경로 예측 방법 및 장치
CN111079834A (zh) * 2019-12-16 2020-04-28 清华大学 一种考虑多车交互的智能车辆安全态势评估方法
CN112004197A (zh) * 2020-08-06 2020-11-27 重庆邮电大学 一种基于车辆轨迹预测的异构车联网切换方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱萌钢: "基于集成学习的多车交互环境下车辆轨迹预测方法", 《中国优秀硕士学位论文全文数据库》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114724121A (zh) * 2022-03-23 2022-07-08 中交信息技术国家工程实验室有限公司 一种驾驶行为预测方法
CN115081186A (zh) * 2022-05-17 2022-09-20 同济大学 一种支持数据驱动的驾驶行为仿真***及其仿真方法
CN115081186B (zh) * 2022-05-17 2023-09-26 同济大学 一种支持数据驱动的驾驶行为仿真***及其仿真方法

Similar Documents

Publication Publication Date Title
Xing et al. Personalized vehicle trajectory prediction based on joint time-series modeling for connected vehicles
Dogan et al. Autonomous driving: A comparison of machine learning techniques by means of the prediction of lane change behavior
US11555706B1 (en) Processing graph representations of tactical maps using neural networks
CN112133089B (zh) 一种基于周围环境与行为意图的车辆轨迹预测方法、***及装置
CN110843789B (zh) 一种基于时序卷积网络的车辆换道意图预测方法
CN110992695B (zh) 基于冲突消解的车辆城市交叉口通行决策多目标优化方法
CN112347993B (zh) 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法
Karim et al. A dynamic spatial-temporal attention network for early anticipation of traffic accidents
US20210004966A1 (en) Method for the Assessment of Possible Trajectories
CN113643542A (zh) 基于集成学习的多车交互环境下车辆轨迹预测方法及***
Kruber et al. Unsupervised and supervised learning with the random forest algorithm for traffic scenario clustering and classification
Jeon et al. Traffic scene prediction via deep learning: Introduction of multi-channel occupancy grid map as a scene representation
CN114446049B (zh) 基于社会价值取向的交通流预测方法、***、终端及介质
CN111199284A (zh) 有人与无人驾驶混行条件下的车-车交互模型
CN110182217A (zh) 一种面向复杂超车场景的行驶任务复杂度量化评估方法
CN113238970B (zh) 自动驾驶模型的训练方法、评测方法、控制方法及装置
CN114881339A (zh) 车辆轨迹预测方法、***、计算机设备及存储介质
Gruner et al. Spatiotemporal representation of driving scenarios and classification using neural networks
Nadarajan et al. Machine learning architectures for the estimation of predicted occupancy grids in road traffic
Weidl et al. Early and accurate recognition of highway traffic maneuvers considering real world application: A novel framework using Bayesian networks
CN115062202A (zh) 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质
Yan et al. A game-theoretical approach to driving decision making in highway scenarios
Nadarajan et al. Predicted-occupancy grids for vehicle safety applications based on autoencoders and the random forest algorithm
Miani et al. Young drivers’ pedestrian anti-collision braking operation data modelling for ADAS development
Georgiou et al. Predicting car states through learned models of vehicle dynamics and user behaviours

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: 20211112

RJ01 Rejection of invention patent application after publication