CN114852099A - 机动车换道行为的预测方法 - Google Patents

Abstract

本发明涉及一种机动车换道行为的预测方法，属于自动驾驶技术领域。方法包括：根据收益函数

计算目标车辆左换道的期望效用值、保持车道的期望效用值、右换道的期望效用值；其中，u为期望效用值；

为车前可行使空间指数；

为碰撞危险指数；c为舒适性指数；ω₁，ω₂，ω₃为对应的系数；比较左换道的期望效用值、保持车道的期望效用值、右换道的期望效用值的大小，期望效用值最大的对应的换道行为即为所预测的换道行为。本发明在目标车辆换道行为预测时，考虑了目标车辆与周围车辆的关系，实现了目标车辆在复杂的交通场景下换道行为预测，提高了目标车辆换道行为预测的准确性。

Description

机动车换道行为的预测方法

技术领域

本发明涉及一种机动车换道行为的预测方法，属于自动驾驶技术领域。

背景技术

随着传感器技术、计算机和汽车电子技术的发展，自动驾驶应用越来越广泛。自动驾驶过程中，自动驾驶车辆通过安装在车上的各类传感器、雷达和摄像头等设备实施检测行驶车辆周边的行车情况，以保证车辆安全行驶。

为了进一步的保证行驶安全，自动驾驶车辆还需要对其他车辆的换道行为进行预测，进而确定本车的运动状态。目前，百度Apollo使用递归神经网络(深度学习)来预测车辆的行为，其是通过大量的历史数据来对预测模型进行训练以实现对目标车辆的预测，但该方法只适用于已训练过的场景，在新的交通场景中会失效，且该方法不能很好的解释目标车辆的行为，根据预测结果不能逆向分析。

为此，有人提出对目标车辆的单车状态进行研究以实现其换道行为的预测，然而大多数的研究并未考虑复杂交通场景中车辆之间的交互影响或者对车辆交互的研究不够深入，仅仅适用于简单的交通场景，导致预测的换道行为与实际的换道行为存在较大的偏差。

发明内容

本申请的目的在于提供机动车换道行为的预测方法，用以解决现有换道行为预测准确性低的问题。

为实现上述目的，本申请提出了第一种机动车换道行为的预测方法的技术方案，方法包括以下步骤：

1)根据收益函数

计算目标车辆左换道的期望效用值、保持车道的期望效用值、右换道的期望效用值；

其中，u为期望效用值；

为车前可行使空间指数；

为碰撞危险指数；c为舒适性指数；ω₁，ω₂，ω₃为对应的系数；

2)比较左换道的期望效用值、保持车道的期望效用值、右换道的期望效用值的大小，期望效用值最大的对应的换道行为即为所预测的换道行为；

所述车前可行使空间指数根据目标车辆与前方车辆的距离得到；所述碰撞危险指数根据目标车辆与其他车辆的距离得到；所述舒适性指数根据目标车辆的纵向加速度和侧向加速度得到。

本发明的第一种机动车换道行为的预测方法的技术方案的有益效果是：本发明通过计算目标车辆在不同换道行为下的期望效用值，进而实现对换道行为的预测，其中期望效用值的构成由车前可行使空间指数、碰撞危险指数、以及舒适性指数构成，车前可行使空间指数和碰撞危险指数均代表着目标车辆和周围车辆的距离关系，因此，本发明在目标车辆换道行为预测时，考虑了目标车辆与周围车辆的关系，实现了目标车辆在复杂的交通场景下换道行为预测，提高了目标车辆换道行为预测的准确性。

进一步的，车前可行驶空间指数的计算过程为：

其中，

为车前可行驶空间指数；D_r为目标车辆与前方车辆的距离；D_v为可视距离。

进一步的，碰撞危险指数的计算过程为：

其中，

为碰撞危险指数；

表示目标车辆和其他车辆距离的最小值。

进一步的，舒适性指数的计算过程为：

其中，c为舒适性指数；a_x为目标车辆的纵向加速度；a_y为目标车辆的侧向加速度；T为预测时间周期。

进一步的，通过对目标车辆左换道以及周围车辆保持车道的轨迹预测，得到左换道的期望效用值；通过对目标车辆保持车道以及周围车辆保持车道的轨迹预测，得到保持车道的期望效用值；通过对目标车辆右换道以及周围车辆保持车道的轨迹预测，得到右换道的期望效用值。

另外，本申请还提出了第二种机动车换道行为的预测方法的技术方案，方法包括以下步骤：

获取目标车辆的运动轨迹；根据目标车辆的运动轨迹得到目标车辆相对于车道中心线的侧向偏移量和侧向偏移速度；将侧向偏移量和侧向偏移速度输入预先建立的行为识别概率模型中，得到目标车辆的第一左换道概率、第一保持车道概率、以及第一右换道概率；所述行为识别概率模型为连续隐马尔科夫模型；

根据收益函数

计算目标车辆左换道的期望效用值、保持车道的期望效用值、右换道的期望效用值；将各期望效用值归一化后得到对应的左换道意图概率、保持车道意图概率、右换道意图概率；

其中，u为期望效用值；

为车前可行使空间指数；

为碰撞危险指数；c为舒适性指数；ω₁，ω₂，ω₃为对应的系数；

将第一左换道概率和左换道意图概率进行加权叠加得到第二左换道概率；将第一保持车道概率和保持车道意图概率进行加权叠加得到第二保持车道概率；将第一右换道概率和右换道意图概率进行加权叠加得到第二右换道概率；

比较第二左换道概率、第二保持车道概率、第二右换道概率的大小，概率最大的对应的换道行为即为所预测的换道行为。

本发明的第二种机动车换道行为的预测方法的技术方案的有益效果是：本发明通过计算目标车辆在不同换道行为下的期望效用值，进而实现对换道行为的预测，其中期望效用值的构成由车前可行使空间指数、碰撞危险指数、以及舒适性指数构成，车前可行使空间指数和碰撞危险指数均代表着目标车辆和周围车辆的距离关系；本发明在目标车辆换道行为预测时，考虑了目标车辆与周围车辆的关系，实现了目标车辆在复杂的交通场景下换道行为预测，提高了目标车辆换道行为预测的准确性。同时本发明在复杂的交通场景下，还基于连续隐马尔科夫模型的行为识别概率模型对目标车辆的换道概率进行预测，将换道概率与复杂交通场景下的行为预测进行加权叠加，得到最终的换道概率。本发明综合考虑复杂交通和历史数据的影响，进一步提高了换道行为预测的准确性。

进一步的，所述连续隐马尔科夫模型中观测概率为高斯分布的概率密度函数。

进一步的，车前可行驶空间指数的计算过程为：

其中，

为车前可行驶空间指数；D_r为目标车辆与前方车辆的距离；D_v为可视距离。

进一步的，碰撞危险指数的计算过程为：

其中，

为碰撞危险指数；

表示目标车辆和其他车辆距离的最小值。

进一步的，舒适性指数的计算过程为：

其中，c为舒适性指数；a_x为目标车辆的纵向加速度；a_y为目标车辆的侧向加速度；T为预测时间周期。

附图说明

图1是本发明机动车换道行为的预测方法实施例1的流程图；

图2是本发明机动车换道行为的预测方法实施例2的流程图；

图3是本发明I80路段研究区域的示意图；

图4是本发明意图概率的权重系数与保持车道意图概率的对应曲线。

具体实施方式

机动车换道行为的预测方法实施例1：

本发明的主要构思在于，基于实际交通复杂的情况，通过预测目标车辆左换道、保持车道、右换道以及周围车辆的行驶轨迹，确定了目标车辆与周围车辆之间的距离、以及目标车辆的纵向加速度和侧向加速度，进而结合期望效用理论分别得到左换道后的第一期望效用值、保持车道后的第二期望效用值、右换道后的第三期望效用值，通过比较不同情况下的期望效用值的大小确定所预测的换道行为。

本发明使用期望效用理论来计算目标车辆的驾驶意图，期望效用为所有可能的场景带来的收益和发生概率之间乘积的和。根据期望效用理论，车辆所选择做出的行为即能产生最高期望效用的那个行为。目标车辆某种行为所产生的期望效用与其周围车辆的行为概率分布、每个场景的收益函数有关，这符合一个理性的驾驶员进行行为决策时的思考过程：先对周围其它车辆正在进行的行为进行判断，然后对可能发生的场景所带来的收益进行评估，最后选择期望效用最高的行为来做出最终的决策。

对于被预测的目标车辆而言，它的每种行为所产生的期望效用值其实就代表了在意图层面上未来一段时间内该车驾驶员选择这种行为的概率大小。因此，本发明假设所有驾驶员都是理性驾驶员的情况下，将期望效用值进行归一化即可得到未来一段时间内驾驶员产生行为的意图概率。因此需要计算所有可能出现的场景下目标车辆的收益，定义收益函数包括三部分：车前可行驶空间指数、碰撞危险指数和舒适性指数，其中车前可行驶空间指数属于正收益，碰撞危险指数和舒适性指数属于负收益。

因此，设计收益函数来建模驾驶员的意图，利用期望效用来表达交通车辆产生每种行为意图的概率。基于这样的一个假设：正常理性的驾驶员在驾驶时的行为决策可以抽象为一个不断追求受益最大化的过程。所设计的收益函数如下：

其中，u为期望效用值；

为车前可行使空间指数；

为碰撞危险指数；c为舒适性指数；ω₁，ω₂，ω₃为对应的概率系数。

具体的，机动车换道行为的预测方法如图1所示，包括以下步骤：

1)通过对目标车辆左换道以及周围车辆保持车道的轨迹预测，得到左换道后，目标车辆与周围车辆的距离、以及目标车辆的纵向加速度、侧向加速度；通过对目标车辆保持车道以及周围车辆保持车道的轨迹预测，得到保持车道后，目标车辆与周围车辆的距离、以及目标车辆的纵向加速度、侧向加速度；通过对目标车辆右换道以及周围车辆保持车道的轨迹预测，得到右换道后，目标车辆与周围车辆的距离、以及目标车辆的纵向加速度、侧向加速度。

不管是目标车辆还是周围车辆，保持车道的轨迹预测方法如下：

通过恒角速度加速度模型对车辆未来的轨迹进行预测，恒角速度加速度模型为：

其中，X为车辆在全局坐标系中X方向的大小；Y为车辆在全局坐标系中Y方向的大小；

为车辆的航向角；v_x为车辆坐标系下车辆的纵向速度；v_y为车辆坐标系下车辆的侧向速度；ω为车辆的横摆角速度；a_x为车辆的纵向加速度；a_y为车辆的侧向加速度；w_ω为车辆横摆角加速度的导数的干扰值；w_ax为车辆的纵向加速度的导数的干扰值；w_ay为车辆的侧向加速度的导数的干扰值。在通过车辆本身的车载传感器测到车辆运动状态后，通过车辆网技术传输给本车，进而本车可使用上式对其他车辆保持车道的运动轨迹进行预测。并且在障碍物有遮挡的情况下，还可以根据路测设备得到其他障碍物的位置信息等。

保持车道的轨迹预测中，为了简化计算过程，车辆的运动参数保持不变。

目标车辆的换车道的轨迹预测方法如下：

执行换道动作的目标车辆，使用五次多项式来拟合车辆的换道轨迹。以目标车辆换道起始点的方向和位置建立坐标系(x，y)，对于中心线方程为y＝ax²+bx+c的目标车道，其中，a、b、c为系数，假设(x_D，y_D)为目标车辆换道的目标点，则目标车辆的换道轨迹可以表达为：

y＝a₅x⁵+a₄x⁴+a₃x³+a₂x²+a₁x+a₀；

假设车辆在当前时刻的车速为v_x，横摆角速度为ω，则五次多项式的系数a₅、a₄、a₃、a₂、a₁、a₀为：

其中：

为了简化计算过程，假设车辆的车速v_x和横摆角速度ω不变，在车辆的车速v_x和横摆角速度ω一定的情况下，换道轨迹可由换道目标点(x_D，y_D)的横坐标x_D唯一确定。

轨迹预测时，首先根据一组离散的x_D生成一组轨迹，然后通过定义的评价函数对这组预测轨迹进行评价，选择出最优的预测轨迹。

本发明的预测轨迹的评价函数J为：

其中，a_ymax为车辆沿每条预测轨迹行驶时所产生的最大侧向加速度；T为耗费的时间；

为所有预测轨迹中的最大侧向加速度；T_max为所有预测轨迹中的最大耗费的时间；

和

为权重系数，本发明选取

评价函数反映了轨迹在舒适性和行驶效率方面的代价，因此将各个车速下评价函数值最小的x_D作为该车速下的纵向换道距离，再通过该距离计算出轨迹五次多项式的系数，就可选择出最优的预测行驶轨迹。

为了简化计算模型，对于目标车辆的纵向加速度和侧向加速度，不管是左换道、保持车道、还是右换道，均为当前时刻获取的纵向加速度和侧向加速度，以假设纵向加速度和侧向加速度不变的基础上进行计算。

上述保持车道的轨迹预测以及换轨道的轨迹预测均是在本车中进行计算得出的，由本车对目标车辆的换道行为进行预测。

2)根据目标车辆左换道后，目标车辆与前方车辆(这里的前方并不是绝对意义上的正前方，是目标车辆前方一定范围内的车辆)的距离得到第一车前可行驶空间指数、目标车辆与其他车辆(这里的其他车辆为除前方车辆的其他周围车辆)的距离得到第一碰撞危险指数、目标车辆的纵向加速度和侧向加速度得到第一舒适性指数；根据目标车辆保持车道后，目标车辆与前方车辆的距离得到第二车前可行驶空间指数、目标车辆与其他车辆的距离得到第二碰撞危险指数、目标车辆的纵向加速度和侧向加速度得到第二舒适性指数；根据目标车辆右换道后，目标车辆与前方车辆的距离得到第三车前可行驶空间指数、目标车辆与其他车辆的距离得到第三碰撞危险指数、目标车辆的纵向加速度和侧向加速度得到第三舒适性指数。

车前可行驶空间指数的计算过程为：

其中，

为车前可行驶空间指数；D_r为目标车辆与前方车辆的距离；D_v为可视距离；可视距离在这里是指一个与可视距离有关的量，年轻驾驶员的可视范围在70m-200m左右，在此设定D_v＝150m。

碰撞危险指数的计算过程为：

其中，

为碰撞危险指数；

表示目标车辆和其他车辆距离的最小值。

满足安全条件是指目标车辆与其他车辆在预测时间周期T内的侧向距离或者纵向距离在安全距离范围内。假设目标车辆v_o的长和宽分别为L_o、D_o、其他周围车辆v_t的长和宽分别为L_t、D_t，在某一时刻t两辆车的坐标和航向角为

和

两车航向角之差

通过两车中心点在x和y方向的距离即可得到两车之间不发生碰撞的条件为在预测时间周期内的任何时刻t都满足：

其中，ΔS为纵向的安全距离；ΔW为侧向的安全距离，ΔS＝2Δv，ΔW＝0.3m；

表示目标车辆v_o和其他周围车辆v_t在预测时间周期T内的最近距离，即

舒适性指数的计算过程为：

其中，c为舒适性指数；a_x为目标车辆的纵向加速度；a_y为目标车辆的侧向加速度；T为预测时间周期。舒适性指数可以理解为目标车辆的纵向加速度和侧向加速度的平方在预测时间周期T内的积分的负数。

根据轨迹预测可以得到目标车辆以及周围车辆在预测时间周期内的位置，同时根据上述的公式分别计算出第一车前可行驶空间指数、第一碰撞危险指数、第一舒适性指数；第二车前可行驶空间指数、第二碰撞危险指数、第二舒适性指数；第三车前可行驶空间指数、第三碰撞危险指数、第三舒适性指数。

关于上述碰撞危险指数和舒适性指数均为过程量，过程为在预测时间周期内，而车前可行驶空间指数为状态量，直接为目标车辆以及其他周围车辆达到预测轨迹终点的位置的状态。

3)根据第一车前可行驶空间指数、第一碰撞危险指数、第一舒适性指数，结合期望效用理论得到左换道后，目标车辆的第一期望效用值；根据第二车前可行驶空间指数、第二碰撞危险指数、第二舒适性指数，结合期望效用理论得到保持车道后，目标车辆的第二期望效用值；根据第三车前可行驶空间指数、第三碰撞危险指数、第三舒适性指数，结合期望效用理论得到左换道后，目标车辆的第三期望效用值。

将第一车前可行驶空间指数、第一碰撞危险指数、第一舒适性指数代入

得到第一期望效用值；将第二车前可行驶空间指数、第二碰撞危险指数、第二舒适性指数代入

得到第二期望效用值；将第三车前可行驶空间指数、第三碰撞危险指数、第三舒适性指数代入

得到第三期望效用值。

收益函数中需要进行标定的参数记为θ＝{ω₁，ω₂，ω₃}，本发明通过最大似然估计来对参数进行标定，标定过程如下：

对于目标车辆v_o，它的某种行为m_o，i所产生的期望效用为

同时计算收益函数和车辆的意图概率时均需要车辆(包括目标车辆和周围车辆)的状态信息

和参数θ，因此为了使参数标定方法更便于理解，将车辆v_o的行为m_o，i的期望效用记为

给定

和θ时，意图概率p_意图可以写为

其中，m_o，i为目标车辆v_o的行为，i＝1、2、3，分别表示左换道、保持车道、右换道的行为；

为目标车辆及周围车辆从t-h时刻到t时刻的状态信息，

(x，y)为车辆的全局坐标，v_x为车辆的纵向速度，v_y为车辆的侧向速度，a_x为车辆的纵向加速度，a_y为车辆的侧向加速度，δ为车辆的航向角；θ＝{ω₁，ω₂，ω₃}，为收益函数中需要标定的参数；

为车辆的集合，共有

台车。

上式中满足：

本发明通过最大似然估计来对参数进行标定，似然函数为：

L(θ)表达了参数θ对于样本集的似然程度，假设θ的估计值为

则

可通过最大似然方法得到：

似然函数L(θ)是一个关于参数θ＝{ω₁，ω₂，ω₃}的多元非线性方程，通过成熟的共轭梯度法即可估计出

的值。

4)将第一期望效用值、第二期望效用值、第三期望效用值进行归一化后得到对应的左换道意图概率、保持车道意图概率、右换道意图概率，比较左换道意图概率、保持车道意图概率、右换道意图概率的大小，意图概率最大的对应的换道行为即为所预测的换道行为。

上述实施例中，为了更加直观的得到预测的换道行为，将各期望效用值进行归一化后比较，作为其他实施方式，也可以直接比较期望效用值的大小，期望效用值最大的对应的换道行为为所预测的换道行为。

为了简化计算模型，目标车辆的周围车辆的轨迹均预测为保持车道，作为其他实施方式，通过车辆网技术获取周围车辆的信息后，如何计算出周围车辆有明显的换道行为，也可以对周围车辆进行换道轨迹的预测。

本发明通过对目标车辆和周围车辆进行轨迹预测，结合期望效用理论得到目标车辆的左换道意图概率、保持车道意图概率、右换道意图概率，进而预测目标车辆的换道行为。本发明通过对复杂的交通场景进行预测，减小预测的换道行为与实际的换道行为的误差，提高预测的准确性。

机动车换道行为的预测方法实施例2：

本实施例的机动车换道行为的预测方法与实施例1的机动车换道行为的预测方法的不同之处在于，在实施例1的基础上，通过行为识别概率模型识别目标车辆的换道概率，进而将换道概率与意图概率加权后得到最终的换道概率，也即综合考虑了复杂的交通场景和历史轨迹的影响，准确的进行目标车辆的换道预测。

具体的，机动车换道行为的预测方法如图2所示，包括以下步骤：

1)获取左换道后，目标车辆与周围车辆的距离、以及目标车辆的纵向加速度、侧向加速度；保持车道后，目标车辆与周围车辆的距离、以及目标车辆的纵向加速度、侧向加速度；右换道后，目标车辆与周围车辆的距离、以及目标车辆的纵向加速度、侧向加速度；同时获取目标车辆的运动轨迹。

关于左换道后，目标车辆与周围车辆的距离、以及目标车辆的纵向加速度、侧向加速度；保持车道后，目标车辆与周围车辆的距离、以及目标车辆的纵向加速度、侧向加速度；右换道后，目标车辆与周围车辆的距离、以及目标车辆的纵向加速度、侧向加速度的获取方式与实施例1相同，这里不做赘述。

目标车辆的运动轨迹可以通过本车的传感器来感知获取，例如：本车的毫米波雷达等设备。本车可以获取到目标车辆以及周围车辆的数据包括：位置、航向角、速度、以及加速度。将所获得的位置进行叠加即可获得目标车辆的运动轨迹。

2)根据左换道后，目标车辆与前方车辆的距离得到第一车前可行驶空间指数、目标车辆与其他车辆的距离得到第一碰撞危险指数、目标车辆的纵向加速度和侧向加速度得到第一舒适性指数；根据保持车道后，目标车辆与前方车辆的距离得到第二车前可行驶空间指数、目标车辆与其他车辆的距离得到第二碰撞危险指数、目标车辆的纵向加速度和侧向加速度得到第二舒适性指数；根据右换道后，目标车辆与前方车辆的距离得到第三车前可行驶空间指数、目标车辆与其他车辆的距离得到第三碰撞危险指数、目标车辆的纵向加速度和侧向加速度得到第三舒适性指数；根据目标车辆的运动轨迹得到目标车辆相对于车道中心线的侧向偏移量和侧向偏移速度。

关于车前可行驶空间指数、碰撞危险指数、舒适性指数的计算过程在实施例1中已经介绍，这里不做赘述。

3)根据第一车前可行驶空间指数、第一碰撞危险指数、第一舒适性指数，结合期望效用理论得到左换道后，目标车辆的第一期望效用值；根据第二车前可行驶空间指数、第二碰撞危险指数、第二舒适性指数，结合期望效用理论得到保持车道后，目标车辆的第二期望效用值；根据第三车前可行驶空间指数、第三碰撞危险指数、第三舒适性指数，结合期望效用理论得到左换道后，目标车辆的第三期望效用值；将第一期望效用值、第二期望效用值、第三期望效用值归一化后得到对应的左换道意图概率、保持车道意图概率、右换道意图概率；同时将侧向偏移量和侧向偏移速度输入预先建立的行为识别概率模型中，得到目标车辆的第一左换道概率、第一保持车道概率、以及第一右换道概率。

行为识别概率模型反映了通过历史轨迹对目标车辆换道行为的判断，是通过目标车辆单车的运动状态来判断其可能的行为。行为识别概率模型是基于隐马尔科夫模型对目标车辆车辆的行为进行建模，由于车辆的运动状态是连续的变量，因此采用连续隐马尔科夫模型，连续隐马尔科夫模型的参数包含2个状态集合和3个概率矩阵，表示如下：

λ＝{S，O，A，B，π}；

S＝{s₁，s₂，s₃}；

A＝[a_ij]，a_ij＝p(q_t+1＝s_j|q_t＝s_i)；

B＝[b_i(O_t)]，b_i(O_t)＝p(O_t|q_t＝s_i)；

π′＝{π₁，π₂，π₃}；

其中，S为隐含状态，即换道状态；s₁为左换道；s₂为保持车道；s₃为右换道；O为可观测状态；d为侧向偏移量；

为侧向偏移速度；A为状态转移概率；a_ij为由状态s_i转移到状态s_j的概率；q_t+1为t+1时刻的状态；q_t为t时刻的状态；B为输出观测概率；b_i(O_t)为在隐含状态为s_i时输出观测状态O_t的概率；π＇为初始状态概率；π_i为初始时刻时处于s_i状态的概率。

上述输出观测概率B使用高斯分布的概率密度函数表示：

其中，μ_i为高斯分布的均值向量；∑_i为高斯分布的协方差矩阵；T为观测的时间序列的长度。

上述连续隐马尔科夫模型中，S和O是根据实际的交通场景已进行定义，因此只需求出{A，B，ω}即可得到完整的连续隐马尔科夫模型，即求a_ij、μ_i、∑_i、ω_i。

通过NGSIM交通数据集，采用Baum-Welch算法对连续隐马尔科夫模型进行训练，迭代求解出a_ij、μ_i、∑_i、ω_i的最优解，具体训练过程如下：

a.将NGSIM交通数据集中的数据进行滤波处理后，对换道、直行的数据进行提取，得到样本数据集。

选取NGSIM数据集中的I80路段作为研究对象，该路段如图3所示，位于加利福尼亚州旧金山爱莫利维尔市，研究区域为由南向北的路段，主线长503米，包含6条车道，入口匝道与主线汇合处位于主线128米处，加速车道长约94米，匝道总长200米，出入口匝道间距大于375米，出口匝道位于研究区域之外，车道编号从左至右、从1至7依次递增，其中6车道为辅助车道，7车道为入口匝道。

NGSIM数据中车辆的轨迹信息是通过图像识别技术得到，数据存在一定的误差和噪声，导致车辆坐标、加速度和车速等出现非正常的数据。为了降低数据的测量噪声，采用对数指数移动平均滤波算法来对数据进行预处理。之后，提取出左换道、保持车道、右换道三种行为下的样本轨迹数据作为样本数据集。因为NGSIM的数据并不全部满足要求，因此在提取数据之前，明确提取的规则：①仅考虑初始车道为2、3、4、5的车辆；②NGSIM数据包含小汽车、摩托车、卡车三种车辆的数据，其中小汽车数据占比约97％，因此只提取小汽车的数据作为研究对象；③因提取换道数据时需提取50帧换道数据，所以车辆换道点的前、后数据量要多于25帧。

b.设定a_ij、μ_i、∑_i、ω_i初值，导入样本数据集，采用Baum-Welch算法迭代得到a_ij、μ_i、∑_i、ω_i的最优值，得到行为识别概率模型。

将计算得到的侧向偏移量和侧向偏移速度输入行为识别概率模型中的b_i(O_t)，得到目标车辆在t时刻识别概率p_识别，包括第一左换道概率p₁、第一保持车道概率p₂、以及第一右换道概率p₃，也即目标车辆在t时刻处于左换道的概率、处于保持车道的概率、以及处于右换道的概率。

关于期望效用值的计算过程已经在实施例1中介绍，这里不做赘述。将左换道意图概率、保持车道意图概率、右换道意图概率写成向量的形式为p_意图。

4)将p_识别和p_意图进行加权叠加，得到最终的预测概率p_预测。

加权叠加形式如下：

p_预测＝τ₁p_识别+τ₂p_意图；

其中，τ₁为识别概率的权重系数；τ₂为意图概率的权重系数。

τ₁和τ₂的关系满足τ₁+τ₂＝1，τ₁和τ₂的不同取值反映了在进行目标车辆换道行为预测时，是更相信意图的推测结果还是更相信对历史轨迹的识别结果。对于占大多数的保持车道的车辆来说，如果没有刺激驾驶员产生换道行为的因素，或因为安全问题不满足换道的条件时，更相信意图推测的结果，这样能够有效避免因为车辆轨迹的波动所导致的行为识别结果误差；而当有刺激车辆进行换道的因素，且满足换道的安全条件时，更相信行为识别的结果。因此参数τ₂的值可通过保持车道的意图概率来确定，两者的关系如图4所示的三次样条曲线来确定。

具体的，p_识别包括第一左换道概率p₁、第一保持车道概率p₂、以及第一右换道概率p₃；p_意图包括左换道意图概率、保持车道意图概率、右换道意图概率；p_预测包括第二左换道概率、第二保持车道概率、第二右换道概率。将目标车辆的第一左换道概率和左换道意图概率进行加权叠加得到目标车辆的第二左换道概率；将目标车辆的第一保持车道概率和保持车道意图概率进行加权叠加得到目标车辆的第二保持车道概率；将目标车辆的第一右换道概率和右换道意图概率进行加权叠加得到目标车辆的第二右换道概率。

5)比较第二左换道概率、第二保持车道概率、第二右换道概率的大小，概率最大的对应的换道行为即为所预测的换道行为。

本发明的目标车辆换道行为的预测方法，在研究目标车辆单车状态的基础上，考虑了交通场景中车辆之间的交互、博弈等复杂交通场景，并对目标车辆驾驶员的意图进行了建模，因此本发明的方法在预测提前程度、反映交互和鲁棒性方面具有很好的性能，预测成功概率更高。

Claims (10)

1.一种机动车换道行为的预测方法，其特征在于，包括以下步骤：

1)根据收益函数

计算目标车辆左换道的期望效用值、保持车道的期望效用值、右换道的期望效用值；

其中，u为期望效用值；

为车前可行使空间指数；

为碰撞危险指数；c为舒适性指数；ω₁，ω₂，ω₃为对应的系数；

2)比较左换道的期望效用值、保持车道的期望效用值、右换道的期望效用值的大小，期望效用值最大的对应的换道行为即为所预测的换道行为；

所述车前可行使空间指数根据目标车辆与前方车辆的距离得到；所述碰撞危险指数根据目标车辆与其他车辆的距离得到；所述舒适性指数根据目标车辆的纵向加速度和侧向加速度得到。

2.根据权利要求1所述的机动车换道行为的预测方法，其特征在于，车前可行驶空间指数的计算过程为：

其中，

为车前可行驶空间指数；D_r为目标车辆与前方车辆的距离；D_v为可视距离。

3.根据权利要求1所述的机动车换道行为的预测方法，其特征在于，碰撞危险指数的计算过程为：

其中，

为碰撞危险指数；

表示目标车辆和其他车辆距离的最小值。

4.根据权利要求1所述的机动车换道行为的预测方法，其特征在于，舒适性指数的计算过程为：

其中，c为舒适性指数；a_x为目标车辆的纵向加速度；a_y为目标车辆的侧向加速度；T为预测时间周期。

5.根据权利要求1所述的机动车换道行为的预测方法，其特征在于，通过对目标车辆左换道以及周围车辆保持车道的轨迹预测，得到左换道的期望效用值；通过对目标车辆保持车道以及周围车辆保持车道的轨迹预测，得到保持车道的期望效用值；通过对目标车辆右换道以及周围车辆保持车道的轨迹预测，得到右换道的期望效用值。

6.一种机动车换道行为的预测方法，其特征在于，包括以下步骤：

获取目标车辆的运动轨迹；根据目标车辆的运动轨迹得到目标车辆相对于车道中心线的侧向偏移量和侧向偏移速度；将侧向偏移量和侧向偏移速度输入预先建立的行为识别概率模型中，得到目标车辆的第一左换道概率、第一保持车道概率、以及第一右换道概率；所述行为识别概率模型为连续隐马尔科夫模型；

根据收益函数

计算目标车辆左换道的期望效用值、保持车道的期望效用值、右换道的期望效用值；将各期望效用值归一化后得到对应的左换道意图概率、保持车道意图概率、右换道意图概率；

其中，u为期望效用值；

为车前可行使空间指数；

为碰撞危险指数；c为舒适性指数；ω₁，ω₂，ω₃为对应的系数；

将第一左换道概率和左换道意图概率进行加权叠加得到第二左换道概率；将第一保持车道概率和保持车道意图概率进行加权叠加得到第二保持车道概率；将第一右换道概率和右换道意图概率进行加权叠加得到第二右换道概率；

比较第二左换道概率、第二保持车道概率、第二右换道概率的大小，概率最大的对应的换道行为即为所预测的换道行为。

7.根据权利要求6所述的机动车换道行为的预测方法，其特征在于，所述连续隐马尔科夫模型中观测概率为高斯分布的概率密度函数。

8.根据权利要求6所述的机动车换道行为的预测方法，其特征在于，车前可行驶空间指数的计算过程为：

其中，

为车前可行驶空间指数；D_r为目标车辆与前方车辆的距离；D_v为可视距离。

9.根据权利要求6所述的机动车换道行为的预测方法，其特征在于，碰撞危险指数的计算过程为：

其中，

为碰撞危险指数；

表示目标车辆和其他车辆距离的最小值。

10.根据权利要求6所述的机动车换道行为的预测方法，其特征在于，舒适性指数的计算过程为：

其中，c为舒适性指数；a_x为目标车辆的纵向加速度；a_y为目标车辆的侧向加速度；T为预测时间周期。

Images