CN114852099A - 机动车换道行为的预测方法 - Google Patents
机动车换道行为的预测方法 Download PDFInfo
- Publication number
- CN114852099A CN114852099A CN202110151796.0A CN202110151796A CN114852099A CN 114852099 A CN114852099 A CN 114852099A CN 202110151796 A CN202110151796 A CN 202110151796A CN 114852099 A CN114852099 A CN 114852099A
- Authority
- CN
- China
- Prior art keywords
- lane
- vehicle
- target vehicle
- probability
- expected utility
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000008859 change Effects 0.000 claims abstract description 93
- 241001127637 Plantago Species 0.000 claims abstract description 6
- 230000001133 acceleration Effects 0.000 claims description 68
- 238000004364 calculation method Methods 0.000 claims description 14
- 239000000126 substance Substances 0.000 claims description 9
- 230000006399 behavior Effects 0.000 abstract description 83
- 230000009471 action Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 16
- 238000011160 research Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 230000003631 expected effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004936 stimulating effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
Description
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:
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:
进一步的,碰撞危险指数的计算过程为:
进一步的,舒适性指数的计算过程为:
其中,c为舒适性指数;ax为目标车辆的纵向加速度;ay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;
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:
进一步的,碰撞危险指数的计算过程为:
进一步的,舒适性指数的计算过程为:
其中,c为舒适性指数;ax为目标车辆的纵向加速度;ay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:
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;vx为车辆坐标系下车辆的纵向速度;vy为车辆坐标系下车辆的侧向速度;ω为车辆的横摆角速度;ax为车辆的纵向加速度;ay为车辆的侧向加速度;wω为车辆横摆角加速度的导数的干扰值;wax为车辆的纵向加速度的导数的干扰值;way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(xD,yD)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vx,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vx和横摆角速度ω不变,在车辆的车速vx和横摆角速度ω一定的情况下,换道轨迹可由换道目标点(xD,yD)的横坐标xD唯一确定。
轨迹预测时,首先根据一组离散的xD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:
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xD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:
碰撞危险指数的计算过程为:
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vo的长和宽分别为Lo、Do、其他周围车辆vt的长和宽分别为Lt、Dt,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:
舒适性指数的计算过程为:
其中,c为舒适性指数;ax为目标车辆的纵向加速度;ay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vo,它的某种行为mo,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vo的行为mo,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,mo,i为目标车辆vo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,vx为车辆的纵向速度,vy为车辆的侧向速度,ax为车辆的纵向加速度,ay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:
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=[aij],aij=p(qt+1=sj|qt=si);
B=[bi(Ot)],bi(Ot)=p(Ot|qt=si);
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;aij为由状态si转移到状态sj的概率;qt+1为t+1时刻的状态;qt为t时刻的状态;B为输出观测概率;bi(Ot)为在隐含状态为si时输出观测状态Ot的概率;π'为初始状态概率;πi为初始时刻时处于si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,μi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aij、μi、∑i、ωi。
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aij、μi、∑i、ωi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aij、μi、∑i、ωi初值,导入样本数据集,采用Baum-Welch算法迭代得到aij、μi、∑i、ωi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bi(Ot),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)
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;
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110151796.0A CN114852099A (zh) | 2021-02-03 | 2021-02-03 | 机动车换道行为的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110151796.0A CN114852099A (zh) | 2021-02-03 | 2021-02-03 | 机动车换道行为的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114852099A true CN114852099A (zh) | 2022-08-05 |
Family
ID=82623703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110151796.0A Pending CN114852099A (zh) | 2021-02-03 | 2021-02-03 | 机动车换道行为的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114852099A (zh) |
Citations (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5521579A (en) * | 1993-04-26 | 1996-05-28 | Mercedes-Benz Ag | Method for providing guiding assistance for a vehicle in changing lane |
US20130090825A1 (en) * | 2011-10-10 | 2013-04-11 | Mando Corporation | Lane-change assistance system of vehicle and lane-change assistance method thereof |
CN103754224A (zh) * | 2014-01-24 | 2014-04-30 | 清华大学 | 一种车辆多目标协调换道辅助自适应巡航控制方法 |
KR101399026B1 (ko) * | 2012-11-23 | 2014-05-27 | 현대엠엔소프트 주식회사 | 차선 변경 시 위험 알림 시스템 및 그 방법 |
US20140207325A1 (en) * | 2013-01-21 | 2014-07-24 | GM Global Technology Operations LLC | Efficient data flow algorithms for autonomous lane changing, passing and overtaking behaviors |
US20140309889A1 (en) * | 2013-04-11 | 2014-10-16 | Hyundai Motor Company | Method and system for controlling change of lane |
CN104442812A (zh) * | 2013-10-16 | 2015-03-25 | 陈武强 | 一种汽车变道辅助探测装置及探测办法 |
CN105480229A (zh) * | 2015-11-24 | 2016-04-13 | 大连楼兰科技股份有限公司 | 一种基于信息融合的智能变道辅助***及其方法 |
CN107672592A (zh) * | 2017-08-22 | 2018-02-09 | 吉利汽车研究院(宁波)有限公司 | 一种基于车辆主动变道或转向的车道保持辅助*** |
CN107702716A (zh) * | 2017-08-31 | 2018-02-16 | 广州小鹏汽车科技有限公司 | 一种无人驾驶路径规划方法、***和装置 |
CN108313054A (zh) * | 2018-01-05 | 2018-07-24 | 北京智行者科技有限公司 | 自动驾驶自主换道决策方法和装置及自动驾驶车辆 |
JP2018177179A (ja) * | 2017-04-12 | 2018-11-15 | トヨタ自動車株式会社 | 車線変更支援装置 |
CN109398355A (zh) * | 2017-08-18 | 2019-03-01 | 郑州宇通客车股份有限公司 | 一种用于基于分布式电机驱动车辆的车道保持方法及车辆 |
CN109460023A (zh) * | 2018-11-09 | 2019-03-12 | 上海理工大学 | 基于隐马尔科夫模型的驾驶人换道意图识别方法 |
US20190100211A1 (en) * | 2017-09-29 | 2019-04-04 | Neusoft Corporation | Vehicle lane-changing control method, vehicle lanechanging control device and related equipment |
CN109727490A (zh) * | 2019-01-25 | 2019-05-07 | 江苏大学 | 一种基于行车预测场的周边车辆行为自适应矫正预测方法 |
CN109835339A (zh) * | 2019-03-21 | 2019-06-04 | 北京经纬恒润科技有限公司 | 一种换道决策方法及装置 |
CN109949611A (zh) * | 2019-03-28 | 2019-06-28 | 百度在线网络技术(北京)有限公司 | 无人车的变道方法、装置及存储介质 |
CN110525436A (zh) * | 2019-08-27 | 2019-12-03 | 中国第一汽车股份有限公司 | 车辆换道控制方法、装置、车辆和存储介质 |
CN110949391A (zh) * | 2019-11-04 | 2020-04-03 | 广州小鹏汽车科技有限公司 | 一种车辆变道控制方法及***、车辆、存储介质 |
CN111209838A (zh) * | 2019-12-31 | 2020-05-29 | 清华大学 | 一种基于驾驶意图的周车换道行为动态识别方法 |
CN111238520A (zh) * | 2020-02-06 | 2020-06-05 | 北京百度网讯科技有限公司 | 变道路径规划方法、装置、电子设备和计算机可读介质 |
CN111267846A (zh) * | 2020-02-11 | 2020-06-12 | 南京航空航天大学 | 一种基于博弈论的周围车辆交互行为预测方法 |
CN111361564A (zh) * | 2020-04-29 | 2020-07-03 | 吉林大学 | 一种考虑效益最大化的车道变更***及综合决策方法 |
US20200262448A1 (en) * | 2019-02-19 | 2020-08-20 | Baidu Online Network Technology (Beijing) Co., Ltd. | Decision method, device, equipment in a lane changing process and storage medium |
CN111559388A (zh) * | 2020-03-26 | 2020-08-21 | 吉利汽车研究院(宁波)有限公司 | 一种目标车辆筛选方法、装置、设备及存储介质 |
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 |
CN111994089A (zh) * | 2020-09-02 | 2020-11-27 | 中国科学技术大学 | 基于混合策略博弈的驾驶人换道意图识别方法及*** |
CN111994088A (zh) * | 2020-09-02 | 2020-11-27 | 中国科学技术大学 | 基于混合策略博弈的驾驶人换道意图识别方法及*** |
CN112053589A (zh) * | 2020-08-18 | 2020-12-08 | 北京航空航天大学 | 一种目标车辆换道行为自适应识别模型构建方法 |
CN112124313A (zh) * | 2020-09-29 | 2020-12-25 | 重庆长安汽车股份有限公司 | 基于自动驾驶换道的目标车辆选择方法、车辆及存储介质 |
CN112203916A (zh) * | 2018-11-08 | 2021-01-08 | 宝马股份公司 | 用于确定目标车辆变道相关信息的方法和设备、用于确定车辆舒适性度量用以预测目标车辆的驾驶机动操纵的方法和设备以及计算机程序 |
CN112258893A (zh) * | 2020-09-01 | 2021-01-22 | 华南理工大学 | 一种基于轨道预测的智能车辆换道碰撞概率评估方法 |
-
2021
- 2021-02-03 CN CN202110151796.0A patent/CN114852099A/zh active Pending
Patent Citations (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5521579A (en) * | 1993-04-26 | 1996-05-28 | Mercedes-Benz Ag | Method for providing guiding assistance for a vehicle in changing lane |
US20130090825A1 (en) * | 2011-10-10 | 2013-04-11 | Mando Corporation | Lane-change assistance system of vehicle and lane-change assistance method thereof |
KR101399026B1 (ko) * | 2012-11-23 | 2014-05-27 | 현대엠엔소프트 주식회사 | 차선 변경 시 위험 알림 시스템 및 그 방법 |
US20140207325A1 (en) * | 2013-01-21 | 2014-07-24 | GM Global Technology Operations LLC | Efficient data flow algorithms for autonomous lane changing, passing and overtaking behaviors |
US20140309889A1 (en) * | 2013-04-11 | 2014-10-16 | Hyundai Motor Company | Method and system for controlling change of lane |
CN104442812A (zh) * | 2013-10-16 | 2015-03-25 | 陈武强 | 一种汽车变道辅助探测装置及探测办法 |
CN103754224A (zh) * | 2014-01-24 | 2014-04-30 | 清华大学 | 一种车辆多目标协调换道辅助自适应巡航控制方法 |
CN105480229A (zh) * | 2015-11-24 | 2016-04-13 | 大连楼兰科技股份有限公司 | 一种基于信息融合的智能变道辅助***及其方法 |
JP2018177179A (ja) * | 2017-04-12 | 2018-11-15 | トヨタ自動車株式会社 | 車線変更支援装置 |
CN109398355A (zh) * | 2017-08-18 | 2019-03-01 | 郑州宇通客车股份有限公司 | 一种用于基于分布式电机驱动车辆的车道保持方法及车辆 |
CN107672592A (zh) * | 2017-08-22 | 2018-02-09 | 吉利汽车研究院(宁波)有限公司 | 一种基于车辆主动变道或转向的车道保持辅助*** |
CN107702716A (zh) * | 2017-08-31 | 2018-02-16 | 广州小鹏汽车科技有限公司 | 一种无人驾驶路径规划方法、***和装置 |
US20190100211A1 (en) * | 2017-09-29 | 2019-04-04 | Neusoft Corporation | Vehicle lane-changing control method, vehicle lanechanging control device and related equipment |
CN108313054A (zh) * | 2018-01-05 | 2018-07-24 | 北京智行者科技有限公司 | 自动驾驶自主换道决策方法和装置及自动驾驶车辆 |
CN112203916A (zh) * | 2018-11-08 | 2021-01-08 | 宝马股份公司 | 用于确定目标车辆变道相关信息的方法和设备、用于确定车辆舒适性度量用以预测目标车辆的驾驶机动操纵的方法和设备以及计算机程序 |
CN109460023A (zh) * | 2018-11-09 | 2019-03-12 | 上海理工大学 | 基于隐马尔科夫模型的驾驶人换道意图识别方法 |
CN109727490A (zh) * | 2019-01-25 | 2019-05-07 | 江苏大学 | 一种基于行车预测场的周边车辆行为自适应矫正预测方法 |
US20200262448A1 (en) * | 2019-02-19 | 2020-08-20 | Baidu Online Network Technology (Beijing) Co., Ltd. | Decision method, device, equipment in a lane changing process and storage medium |
CN109835339A (zh) * | 2019-03-21 | 2019-06-04 | 北京经纬恒润科技有限公司 | 一种换道决策方法及装置 |
CN109949611A (zh) * | 2019-03-28 | 2019-06-28 | 百度在线网络技术(北京)有限公司 | 无人车的变道方法、装置及存储介质 |
CN110525436A (zh) * | 2019-08-27 | 2019-12-03 | 中国第一汽车股份有限公司 | 车辆换道控制方法、装置、车辆和存储介质 |
CN110949391A (zh) * | 2019-11-04 | 2020-04-03 | 广州小鹏汽车科技有限公司 | 一种车辆变道控制方法及***、车辆、存储介质 |
CN111209838A (zh) * | 2019-12-31 | 2020-05-29 | 清华大学 | 一种基于驾驶意图的周车换道行为动态识别方法 |
CN111238520A (zh) * | 2020-02-06 | 2020-06-05 | 北京百度网讯科技有限公司 | 变道路径规划方法、装置、电子设备和计算机可读介质 |
CN111267846A (zh) * | 2020-02-11 | 2020-06-12 | 南京航空航天大学 | 一种基于博弈论的周围车辆交互行为预测方法 |
CN111559388A (zh) * | 2020-03-26 | 2020-08-21 | 吉利汽车研究院(宁波)有限公司 | 一种目标车辆筛选方法、装置、设备及存储介质 |
CN111361564A (zh) * | 2020-04-29 | 2020-07-03 | 吉林大学 | 一种考虑效益最大化的车道变更***及综合决策方法 |
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 |
CN112053589A (zh) * | 2020-08-18 | 2020-12-08 | 北京航空航天大学 | 一种目标车辆换道行为自适应识别模型构建方法 |
CN112258893A (zh) * | 2020-09-01 | 2021-01-22 | 华南理工大学 | 一种基于轨道预测的智能车辆换道碰撞概率评估方法 |
CN111994089A (zh) * | 2020-09-02 | 2020-11-27 | 中国科学技术大学 | 基于混合策略博弈的驾驶人换道意图识别方法及*** |
CN111994088A (zh) * | 2020-09-02 | 2020-11-27 | 中国科学技术大学 | 基于混合策略博弈的驾驶人换道意图识别方法及*** |
CN112124313A (zh) * | 2020-09-29 | 2020-12-25 | 重庆长安汽车股份有限公司 | 基于自动驾驶换道的目标车辆选择方法、车辆及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112347567B (zh) | 一种车辆意图和轨迹预测的方法 | |
US11794757B2 (en) | Systems and methods for prediction windows for optimal powertrain control | |
EP3745158B1 (en) | Methods and systems for computer-based determining of presence of dynamic objects | |
CN111144432B (zh) | 在传感器融合***中消除模糊检测的方法 | |
Althoff et al. | Comparison of Markov chain abstraction and Monte Carlo simulation for the safety assessment of autonomous cars | |
CN111746559B (zh) | 一种前车换道意图预测方法及预测*** | |
CN109572694A (zh) | 一种考虑不确定性的自动驾驶风险评估方法 | |
CN111079590A (zh) | 一种无人驾驶车辆的周边车辆行为预判方法 | |
CN111667512B (zh) | 基于改进卡尔曼滤波的多目标车辆轨迹预测方法 | |
CN114312830B (zh) | 一种考虑危险驾驶工况的智能车耦合决策模型及方法 | |
CN114462667A (zh) | 一种基于sfm-lstm神经网络模型的过街行人轨迹预测方法 | |
Chae et al. | Design and vehicle implementation of autonomous lane change algorithm based on probabilistic prediction | |
Jeong | Predictive lane change decision making using bidirectional long shot-term memory for autonomous driving on highways | |
CN108733042B (zh) | 自动驾驶车辆的目标跟踪方法及装置 | |
CN117325865A (zh) | 一种lstm轨迹预测的智能车辆换道决策方法及*** | |
CN115056776A (zh) | 综合考虑感知过程与驾驶员行为的自适应驾驶人跟驰方法 | |
Guo et al. | A fusion estimation of the peak tire–road friction coefficient based on road images and dynamic information | |
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 | |
CN110843767A (zh) | 一种基于样条理论的自动入库泊车方法及*** | |
Lee et al. | Probabilistic inference of traffic participants' lane change intention for enhancing adaptive cruise control | |
EP3845981B1 (en) | Methods and processors for controlling steering of self-driving car | |
US20220126826A1 (en) | Enhanced vehicle operation | |
CN117376920A (zh) | 智能网联汽车网络攻击检测、安全状态估计及控制方法 | |
CN114620059A (zh) | 一种自动驾驶方法及其***、计算机可读存储介质 | |
CN114852099A (zh) | 机动车换道行为的预测方法 |
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 | ||
CB02 | Change of applicant information |
Country or region after: China Address after: No. 6, Yutong Road, Guancheng Hui District, Zhengzhou, Henan 450061 Applicant after: Yutong Bus Co.,Ltd. Address before: No.1, Shibali Heyu Road, Guancheng Hui District, Zhengzhou City, Henan Province Applicant before: ZHENGZHOU YUTONG BUS Co.,Ltd. Country or region before: China |