CN115805947B - 一种个性化车辆轨迹预测方法、***、设备和存储介质 - Google Patents
一种个性化车辆轨迹预测方法、***、设备和存储介质 Download PDFInfo
- Publication number
- CN115805947B CN115805947B CN202211453098.7A CN202211453098A CN115805947B CN 115805947 B CN115805947 B CN 115805947B CN 202211453098 A CN202211453098 A CN 202211453098A CN 115805947 B CN115805947 B CN 115805947B
- Authority
- CN
- China
- Prior art keywords
- track
- data
- vehicle
- personalized
- driving style
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种个性化车辆轨迹预测方法、***、设备和存储介质,包括以下步骤:基于驾驶模拟实验,获取原始驾驶数据;基于获取的原始驾驶数据进行驾驶风格辨识和工作负荷辨识,并基于驾驶风格辨识结果和工作负荷辨识结果,进行个性化系数计算;将历史轨迹数据以及计算得到的个性化系数输入到轨迹预测网络模型中,实现考虑驾驶风格和工作负荷的个性化车辆轨迹预测。本发明所提出的个性化系数综合了驾驶风格辨识结果和工作负荷辨识结果,可以比较全面地表征驾驶员的个性驾驶特征,可以广泛应用于车辆安全领域。
Description
技术领域
本发明涉及车辆安全领域,特别涉及一种考虑驾驶风格和工作负荷的个性化车辆轨迹预测方法、***、设备和存储介质。
背景技术
车辆轨迹预测是降低车道偏离等交通事故的重要手段。所预测的车辆轨迹可以用于评估车辆未来一段时间的事故风险,从而在危险情况下为驾驶员提供及时的预警和辅助措施,提高车辆行驶安全性。
现有研究中,Liu等人采用隐马尔可夫模型(HMM),根据车辆状态估计驾驶员风格,使用“危险”或“正常”的驾驶风格预测车辆轨迹。Yang等人在驾驶模拟实验中收集了驾驶员的眼动特征,利用卷积神经网络(CNN)建立了考虑驾驶风格的换道轨迹预测模型。Gillmeier等人根据车辆数据、驾驶员视觉数据和驾驶员操纵数据估计驾驶风格的可能性,使用贝叶斯网络预测轨迹,驾驶风格包括运动型和舒适型。
然而,车辆轨迹不仅受驾驶员驾驶风格的影响,还与驾驶员工作负荷有关。研究表明,驾驶员对自身工作负荷的估计和驾驶员对当前风险的感知会显著影响其驾驶表现。但目前,还没有兼顾驾驶风格和工作负荷的车辆轨迹预测的研究。
发明内容
针对上述问题,本发明的目的是提供一种考虑驾驶风格和工作负荷的个性化车辆轨迹预测方法、***、设备和存储介质,同时使用轨迹数据、车辆数据和驾驶员眼动数据进行个性化车辆轨迹预测,轨迹预测结果可以用于智能交通***的车辆风险评估和车道偏离预警中。
为实现上述目的,本发明采取以下技术方案:
第一方面,本发明提供一种个性化车辆轨迹预测方法,包括以下步骤:
基于驾驶模拟实验,获取与个性化车辆轨迹预测相关的原始驾驶数据;
基于获取的原始驾驶数据进行驾驶风格辨识和工作负荷辨识,并基于驾驶风格辨识结果和工作负荷辨识结果,进行个性化系数计算;
将历史轨迹数据以及计算得到的个性化系数输入到预先构建的轨迹预测网络模型中,得到考虑驾驶风格和工作负荷的个性化车辆轨迹预测结果。
进一步,所述原始驾驶数据包括轨迹数据、车辆数据以及驾驶员眼动数据,所述轨迹数据包括轨迹点的x坐标和y坐标,且x坐标,y坐标的原点为驾驶模拟实验中道路的起始点;所述车辆数据包括方向盘转角和纵向车速数据;所述驾驶员眼动数据包括左眼水平注视位置、右眼水平注视位置、左眼垂直注视位置、右眼垂直注视位置、眼球转动角速度、左眼瞳孔直径、右眼瞳孔直径和眼睛状态。
进一步,所述基于获取的原始驾驶数据进行驾驶风格辨识和工作负荷辨识,并基于驾驶风格辨识结果和工作负荷辨识结果,进行个性化系数计算的方法,包括:
进行基于轨迹数据的驾驶风格辨识;
进行基于车辆特征和驾驶员眼动特征的工作负荷辨识;
基于驾驶风格辨识结果和工作负荷辨识结果,进行个性化系数计算。
进一步,所述进行基于轨迹数据的驾驶风格辨识的方法,包括:
将所研究工况的起始时刻设置为t0,对[t0,t0+4s]的轨迹数据进行聚类,从而得到用于训练驾驶风格辨识模型的轨迹数据标签;
利用轨迹数据标签对驾驶风格辨识模型进行训练;
将车辆在[t0,t0+4s]的轨迹数据输入到驾驶风格辨识模型,得到驾驶风格为保守型和激进型的概率向量。
进一步,所述驾驶风格辨识模型采用循环神经网络。
进一步,所述进行基于车辆特征和驾驶员眼动特征的工作负荷辨识的方法,包括:
基于车辆数据和驾驶员眼动数据进行特征提取,得到车辆特征和驾驶员眼动特征;
将提取的车辆特征和驾驶员眼动特征输入到工作负荷辨识模型中,得到工作负荷辨识结果。
进一步,所述轨迹预测网络模型包括轨迹编码器、cat连接层和轨迹解码器;所述轨迹编码器的输入为从历史轨迹数据中得到的n个采样步长的车辆轨迹数据phistory:
phistory=[p1,p2,...,pn]=[(x1,y1),(x2,y2),...,(xn,yn)]
所述轨迹编码器的输出为语义向量,其中包含了历史轨迹信息;
所述cat连接层的输入为语义向量和个性化系数,输出为包含个性化信息的语义向量;
所述轨迹解码器的输入为包含个性化信息的语义向量,输出为未来m个采样步长的车辆轨迹pfuture:
pfuture=[pn+1,pn+2,...,pn+m]=[(xn+1,yn+1),(xn+2,yn+2),...,(xn+m,yn+m)]。
第二方面,本发明提供一种个性化车辆轨迹预测***,包括:
数据获取模块,用于基于驾驶模拟实验,获取与个性化车辆轨迹预测相关的原始驾驶数据;
个性化系数计算模块,用于基于获取的原始驾驶数据进行驾驶风格辨识和工作负荷辨识,并基于驾驶风格辨识结果和工作负荷辨识结果,进行个性化系数计算;
轨迹预测模块,用于将轨迹数据以及计算得到的个性化系数输入到轨迹预测网络模型中,实现考虑驾驶风格和工作负荷的个性化车辆轨迹预测。
第三方面,本发明提供一种处理设备,所述处理设备至少包括处理器和存储器,所述存储器上存储有计算机程序,所述处理器运行所述计算机程序时执行以实现所述个性化车辆轨迹预测方法的步骤。
第四方面,本发明提供一种计算机存储介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现根据所述个性化车辆轨迹预测方法的步骤。
本发明由于采取以上技术方案,具有以下优点:
1、本发明利用轨迹数据进行驾驶风格辨识,利用车辆特征和驾驶员眼动特征进行工作负荷辨识。所提出的个性化系数综合了驾驶风格辨识结果和工作负荷辨识结果,可以比较全面地表征驾驶员的个性驾驶特征。
2、本发明在车辆轨迹预测问题中,开创性地同时加入了驾驶员的驾驶风格和工作负荷信息,充分考虑了驾驶员的个性驾驶特征,实现了考虑驾驶风格和工作负荷的个性化车辆轨迹预测,有效提高了车辆轨迹预测的准确率。
因此,本发明可以广泛应用于车辆安全领域。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。在整个附图中,用相同的附图标记表示相同的部件。在附图中:
图1是本发明实施例提供的个性化车辆轨迹预测方法的流程示意图。
图2是本发明实施例提供的轨迹编码器和轨迹解码器结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整的描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明的一些实施例中,提供一种个性化车辆轨迹预测方法,首先利用轨迹数据进行驾驶风格辨识,然后利用车辆特征和驾驶员眼动特征进行工作负荷辨识,最后通过个性化系数将驾驶风格辨识和工作负荷辨识结果进行融合,用于车辆轨迹预测,可以比较全面地表征驾驶员的个性驾驶特征。
与之相对应地,本发明的另一些实施例中,提供一种个性化车辆轨迹预测***、设备和存储介质。
实施例1
如图1所示,本实施例提供一种个性化车辆轨迹预测方法,包括以下步骤:
1)基于驾驶模拟实验,获取原始驾驶数据。
优选地,上述原始驾驶数据包括轨迹数据、车辆数据以及驾驶员眼动数据,轨迹数据包括轨迹点的x坐标和y坐标;车辆数据包括方向盘转角和纵向车速数据;驾驶员眼动数据包括左眼水平注视位置、右眼水平注视位置、左眼垂直注视位置、右眼垂直注视位置、眼球转动角速度、左眼瞳孔直径、右眼瞳孔直径和眼睛状态等。
驾驶模拟实验获得的原始驾驶数据如表1所示。其中,轨迹数据中,x坐标,y坐标的原点为驾驶模拟实验中道路的起始点。驾驶员眼动数据中注视位置的原点为屏幕的左上角。
表1.驾驶模拟实验获得的原始驾驶数据
优选地,为便于对工作负荷进行辨识,在驾驶模拟实验中,存在两组实验。在第一组实验中,不对驾驶员施加认知分心干扰,认为第一组实验对应的数据为正常工作负荷;在第二组实验中,通过打电话提问题的方式对驾驶员施加认知分心干扰,认为第二组实验对应的数据为高工作负荷。
2)基于获取的原始驾驶数据进行驾驶风格辨识和工作负荷辨识,并基于驾驶风格辨识结果和工作负荷辨识结果,进行个性化系数计算。
具体地,包括以下步骤:
2.1)进行基于轨迹数据的驾驶风格辨识。
上述步骤2.1)包括以下步骤:
2.1.1)将所研究工况的起始时刻设置为t0。使用k-means算法对[t0,t0+4s]的轨迹数据进行聚类,从而得到用于训练驾驶风格辨识模型的轨迹数据标签。将轨迹数据的驾驶风格分为2类,分别为保守型和激进型。
k-means算法是基于欧式距离的聚类算法。首先,在轨迹数据集中选择k条轨迹作为每个簇的初始中心,然后观察剩余轨迹数据,将剩余轨迹划分到距离这k条轨迹最近的簇中,也就是将所有轨迹数据划分成k个簇,完成一次划分。然后,在生成的新轨迹簇中,重新计算每个轨迹簇的中心轨迹,重新进行划分,直到达到最大迭代次数。取k=2,将轨迹数据分为2类,认为这两类轨迹对应的驾驶风格分别为保守型和激进型。
2.1.2)驾驶风格辨识模型的输入为车辆在[t0,t0+4s]的轨迹数据,输出为驾驶风格为保守型和激进型的概率向量。本实施例认为,驾驶员的驾驶风格在所研究的工况下保持不变。
优选地,本实施例中,驾驶风格辨识模型采用循环神经网络(GRU)。GRU是RNN的一种变体,包含更新门和重置门。GRU单元内部各个参数的计算公式为:
rt=σ(WirXt+bir+WhrHt-1+bhr) (1)
zt=σ(WizXt+biz+WhzHt-1+bhz) (2)
nt=tanh(WinXt+bin+rt*(WhnHt-1+bhn)) (3)
Ht=zt*Ht-1+(1-zt)*nt (4)
其中,Xt为t时刻当前单元的输入,即车辆在[t0,t0+4s]的轨迹数据;Ht为t时刻的隐藏状态;Ht-1为t-1时刻的隐藏状态;rt为重置门;zt为更新门;nt为新的门;σ表示sigmoid函数,Wir,Whr,Wiz,Whz,Win和Whn为线性组合的权重;bir,bhr,biz,bhz,bin和bhn为线性组合的偏差,*表示按元素相乘。
2.2)进行基于车辆特征和驾驶员眼动特征的工作负荷辨识。
具体地,包括以下步骤:
2.2.1)基于车辆数据和驾驶员眼动数据进行特征提取,得到车辆特征和眼动特征。
具体地,所提取的车辆特征和眼动特征如表2所示。特征的计算周期为2s.需要对特征进行Min-max标准化处理,使各个特征的范围在0-1之间。
表2.用于工作负荷辨识的特征
2.2.2)将提取的车辆特征和眼动特征输入到工作负荷辨识模型中,得到工作负荷辨识结果,即当前工况所对应工作负荷为正常工作负荷和高工作负荷的概率向量。
优选地,本实施例采用Light Gradient Boosting Machine(LightGBM)算法进行工作负荷辨识。工作负荷辨识模型的输入为车辆在[t0+2s,t0+4s](t0为所研究工况的起始时刻)的车辆特征和眼动特征,输出为工作负荷为正常工作负荷和高工作负荷的概率向量。认为驾驶员的工作负荷在所研究的工况下保持不变。
2.3)基于驾驶风格辨识结果和工作负荷辨识结果,进行个性化系数计算。
具体地,个性化系数计算可以有效融合驾驶风格辨识结果和工作负荷辨识结果,将个性化系数记为Ω,Ω的计算公式如公式(1)所示。
其中,Ωs为驾驶风格辨识模型输出的驾驶风格概率,Ωw为工作负荷辨识模型输出的工作负荷概率,ω1为驾驶风格为保守型的概率,ω2为驾驶风格为激进型的概率,ωn为工作负荷为正常工作负荷的概率,ωh为工作负荷为高工作负荷的概率。
3)将轨迹数据以及计算得到的个性化系数输入到轨迹预测网络模型中,实现考虑驾驶风格和工作负荷的个性化车辆轨迹预测。
具体地,包括以下步骤:
3.1)将过去n个采样步长的车辆轨迹数据,与个性化系数一同输入轨迹预测网络模型。
优选地,本实施例中构建的轨迹预测网络模型包括轨迹编码器、cat连接层和轨迹解码器。其中,轨迹编码器的输入为过去n个采样步长的车辆轨迹数据phistory。
phistory=[p1,p2,...,pn]=[(x1,y1),(x2,y2),...,(xn,yn)]
轨迹编码器的输出为语义向量,其中包含了历史轨迹信息;cat连接层的输入为语义向量和个性化系数,输出为包含个性化信息的语义向量;轨迹解码器的输入为包含个性化信息的语义向量,输出为未来m个采样步长的车辆轨迹pfuture。
pfuture=[pn+1,pn+2,...,pn+m]=[(xn+1,yn+1),(xn+2,yn+2),...,(xn+m,yn+m)]
优选地,上述轨迹编码器和轨迹解码器由多个长短时记忆网络(LSTM)连接而成,如图2所示。轨迹预测的范围包括从t0+4s到所研究工况终止点的整个过程。
LSTM主要通过三个门控逻辑(输入门、遗忘门、输出门)实现去除或者增加信息到细胞状态的功能,LSTM内部各个参数的计算公式为:
ft=σ(Wifxt+bif+Whfht-1+bhf) (6)
it=σ(Wiixt+bii+Whiht-1+bhi) (7)
gt=tanh(Wigxt+big+Whght-1+bhg) (8)
ct=ft*ct-1+it*gt (9)
ot=σ(Wioxt+bio+Whoht-1+bho) (10)
ht=ot*tanh(ct) (11)
其中,xt为当前LSTM单元的输入,ht为t时刻的隐藏状态,ct为t时刻的单元状态,ht-1为t-1时刻的隐藏状态,ct-1为t-1时刻的单元状态。it为输入门,ft遗忘门,ot为输出门。gt为状态更新向量,表示需要增加的信息。σ表示sigmoid函数,Wif,Whf,Wii,Whi,Wig,Whg,Wio和Who为线性组合的权重,bif,bhf,bii,bhi,big,bhg,bio和bho为线性组合的偏差,*表示按元素相乘。
3.2)解码器输出未来m个采样步长的车辆轨迹预测结果,从而实现了考虑驾驶风格和工作负荷的个性化车辆轨迹预测。
实施例2
上述实施例1提供了一种个性化车辆轨迹预测方法,与之相对应地,本实施例提供一种个性化车辆轨迹预测***。本实施例提供的***可以实现实施例1的一种个性化车辆轨迹预测方法,该***可以通过使用软件、硬件或软硬件结合的方式来实现。例如,该***可以包括集成的或分开的功能模块或功能单元来执行实施例1各方法中的对应步骤。由于本实施例的***基本相似于方法实施例,所以本实施例描述过程比较简单,相关之处可以参见实施例1的部分说明,本实施例提供的***的实施例仅仅是示意性的。
本实施例提供的一种个性化车辆轨迹预测***,包括:
数据获取模块,用于基于驾驶模拟实验,获取与个性化车辆轨迹预测相关的原始驾驶数据;
个性化系数计算模块,用于基于获取的原始驾驶数据进行驾驶风格辨识和工作负荷辨识,并基于驾驶风格辨识结果和工作负荷辨识结果,进行个性化系数计算;
轨迹预测模块,用于将轨迹数据以及计算得到的个性化系数输入到轨迹预测网络模型中,实现考虑驾驶风格和工作负荷的个性化车辆轨迹预测。
实施例3
本实施例提供一种与本实施例1所提供的一种个性化车辆轨迹预测方法对应的处理设备,处理设备可以是用于客户端的处理设备,例如手机、笔记本电脑、平板电脑、台式机电脑等,以执行实施例1的方法。
所述处理设备包括处理器、存储器、通信接口和总线,处理器、存储器和通信接口通过总线连接,以完成相互间的通信。存储器中存储有可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行本实施例1所提供的一种个性化车辆轨迹预测方法。
在一些实施例中,存储器可以是高速随机存取存储器(RAM:Random AccessMemory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
在另一些实施例中,处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器,在此不做限定。
实施例4
本实施例1的一种个性化车辆轨迹预测方法可被具体实现为一种计算机程序产品,计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本实施例1所述的一种个性化车辆轨迹预测方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种个性化车辆轨迹预测方法,其特征在于,包括以下步骤:
基于驾驶模拟实验,获取与个性化车辆轨迹预测相关的原始驾驶数据;所述原始驾驶数据包括轨迹数据、车辆数据以及驾驶员眼动数据,所述轨迹数据包括轨迹点的x坐标和y坐标,且x坐标,y坐标的原点为驾驶模拟实验中道路的起始点;所述车辆数据包括方向盘转角和纵向车速数据;所述驾驶员眼动数据包括左眼水平注视位置、右眼水平注视位置、左眼垂直注视位置、右眼垂直注视位置、眼球转动角速度、左眼瞳孔直径、右眼瞳孔直径和眼睛状态;
基于获取的原始驾驶数据进行驾驶风格辨识和工作负荷辨识,并基于驾驶风格辨识结果和工作负荷辨识结果,进行个性化系数计算,包括:
进行基于轨迹数据的驾驶风格辨识;
进行基于车辆特征和驾驶员眼动特征的工作负荷辨识;
基于驾驶风格辨识结果和工作负荷辨识结果,进行个性化系数计算;
所述进行基于轨迹数据的驾驶风格辨识,包括:
将所研究工况的起始时刻设置为t0,对[t0,t0+4s]的轨迹数据进行聚类,得到用于训练驾驶风格辨识模型的轨迹数据标签;
利用轨迹数据标签对驾驶风格辨识模型进行训练;
将车辆在[t0,t0+4s]的轨迹数据输入到驾驶风格辨识模型,得到驾驶风格为保守型和激进型的概率向量;
将历史轨迹数据以及计算得到的个性化系数输入到预先构建的轨迹预测网络模型中,得到考虑驾驶风格和工作负荷的个性化车辆轨迹预测结果。
2.如权利要求1所述的一种个性化车辆轨迹预测方法,其特征在于,所述驾驶风格辨识模型采用循环神经网络。
3.如权利要求1所述的一种个性化车辆轨迹预测方法,其特征在于,所述进行基于车辆特征和驾驶员眼动特征的工作负荷辨识的方法,包括:
基于车辆数据和驾驶员眼动数据进行特征提取,得到车辆特征和驾驶员眼动特征;
将提取的车辆特征和驾驶员眼动特征输入到工作负荷辨识模型中,得到工作负荷辨识结果。
4.如权利要求1所述的一种个性化车辆轨迹预测方法,其特征在于,所述轨迹预测网络模型包括轨迹编码器、cat连接层和轨迹解码器;所述轨迹编码器的输入为从历史轨迹数据中得到的n个采样步长的车辆轨迹数据phistory:
phistory=[p1,p2,...,pn]=[(x1,y1),(x2,y2),...,(xn,yn)]
所述轨迹编码器的输出为语义向量,其中包含了历史轨迹信息;
所述cat连接层的输入为语义向量和个性化系数,输出为包含个性化信息的语义向量;
所述轨迹解码器的输入为包含个性化信息的语义向量,输出为未来m个采样步长的车辆轨迹pfuture:
pfuture=[pn+1,pn+2,...,pn+m]=[(xn+1,yn+1),(xn+2,yn+2),...,(xn+m,yn+m)]。
5.一种个性化车辆轨迹预测***,其特征在于,包括:
数据获取模块,用于基于驾驶模拟实验,获取与个性化车辆轨迹预测相关的原始驾驶数据;所述原始驾驶数据包括轨迹数据、车辆数据以及驾驶员眼动数据,所述轨迹数据包括轨迹点的x坐标和y坐标,且x坐标,y坐标的原点为驾驶模拟实验中道路的起始点;所述车辆数据包括方向盘转角和纵向车速数据;所述驾驶员眼动数据包括左眼水平注视位置、右眼水平注视位置、左眼垂直注视位置、右眼垂直注视位置、眼球转动角速度、左眼瞳孔直径、右眼瞳孔直径和眼睛状态;
个性化系数计算模块,用于基于获取的原始驾驶数据进行驾驶风格辨识和工作负荷辨识,并基于驾驶风格辨识结果和工作负荷辨识结果,进行个性化系数计算,包括:
进行基于轨迹数据的驾驶风格辨识;
进行基于车辆特征和驾驶员眼动特征的工作负荷辨识;
基于驾驶风格辨识结果和工作负荷辨识结果,进行个性化系数计算;
所述进行基于轨迹数据的驾驶风格辨识,包括:
将所研究工况的起始时刻设置为t0,对[t0,t0+4s]的轨迹数据进行聚类,得到用于训练驾驶风格辨识模型的轨迹数据标签;
利用轨迹数据标签对驾驶风格辨识模型进行训练;
将车辆在[t0,t0+4s]的轨迹数据输入到驾驶风格辨识模型,得到驾驶风格为保守型和激进型的概率向量;
轨迹预测模块,用于将轨迹数据以及计算得到的个性化系数输入到预先构建的轨迹预测网络模型中,得到考虑驾驶风格和工作负荷的个性化车辆轨迹预测结果。
6.一种处理设备,所述处理设备至少包括处理器和存储器,所述存储器上存储有计算机程序,其特征在于,所述处理器运行所述计算机程序时执行以实现权利要求1到4任一项所述个性化车辆轨迹预测方法的步骤。
7.一种计算机存储介质,其特征在于,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现根据权利要求1到4任一项所述个性化车辆轨迹预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211453098.7A CN115805947B (zh) | 2022-11-21 | 2022-11-21 | 一种个性化车辆轨迹预测方法、***、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211453098.7A CN115805947B (zh) | 2022-11-21 | 2022-11-21 | 一种个性化车辆轨迹预测方法、***、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115805947A CN115805947A (zh) | 2023-03-17 |
CN115805947B true CN115805947B (zh) | 2023-06-30 |
Family
ID=85483628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211453098.7A Active CN115805947B (zh) | 2022-11-21 | 2022-11-21 | 一种个性化车辆轨迹预测方法、***、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115805947B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116923458B (zh) * | 2023-09-18 | 2023-12-01 | 宁波均联智行科技股份有限公司 | 一种车辆驾驶控制方法、装置及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021134172A1 (zh) * | 2019-12-30 | 2021-07-08 | 华为技术有限公司 | 一种轨迹预测方法及相关设备 |
CN113486822A (zh) * | 2021-07-12 | 2021-10-08 | 吉林大学 | 一种基于驾驶意图的周围车辆轨迹预测方法及*** |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7383154B2 (en) * | 2005-12-14 | 2008-06-03 | Gm Global Technology Operations, Inc. | Method for assessing models of vehicle driving style or vehicle usage model detector |
DE102014201650A1 (de) * | 2013-12-19 | 2015-06-25 | Robert Bosch Gmbh | Verfahren zum Ermitteln des Belastungszustands des Fahrers |
CN110015306B (zh) * | 2018-01-10 | 2020-12-04 | 华为技术有限公司 | 驾驶轨迹获取方法及装置 |
CN108256233B (zh) * | 2018-01-18 | 2021-10-01 | 中国第一汽车股份有限公司 | 基于驾驶员风格的智能车轨迹规划及跟踪方法和*** |
CN109572550B (zh) * | 2018-12-28 | 2020-08-14 | 西安航空学院 | 一种行车轨迹预测方法、***、计算机设备及存储介质 |
CN110889444B (zh) * | 2019-11-22 | 2022-08-09 | 南京邮电大学 | 一种基于卷积神经网络的驾驶轨迹特征分类方法 |
CN112109725B (zh) * | 2020-08-07 | 2021-10-22 | 吉林大学 | 考虑疲劳特性的驾驶员转向控制模型的建模***及方法 |
CN113401143B (zh) * | 2021-07-19 | 2022-04-12 | 电子科技大学长三角研究院(衢州) | 一种基于驾驶风格和意图的个性化自适应轨迹预测方法 |
-
2022
- 2022-11-21 CN CN202211453098.7A patent/CN115805947B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021134172A1 (zh) * | 2019-12-30 | 2021-07-08 | 华为技术有限公司 | 一种轨迹预测方法及相关设备 |
CN113486822A (zh) * | 2021-07-12 | 2021-10-08 | 吉林大学 | 一种基于驾驶意图的周围车辆轨迹预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115805947A (zh) | 2023-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113261035B (zh) | 一种轨迹预测方法及相关设备 | |
Alkinani et al. | Detecting human driver inattentive and aggressive driving behavior using deep learning: Recent advances, requirements and open challenges | |
Gao et al. | Multivariate time series prediction of lane changing behavior using deep neural network | |
Omerustaoglu et al. | Distracted driver detection by combining in-vehicle and image data using deep learning | |
Agamennoni et al. | Estimation of multivehicle dynamics by considering contextual information | |
CN111310562B (zh) | 基于人工智能的车辆驾驶风险管控方法及其相关设备 | |
CN113112525B (zh) | 目标跟踪方法、网络模型及其训练方法、设备和介质 | |
CN106557173A (zh) | 动态手势识别方法及装置 | |
CN115805947B (zh) | 一种个性化车辆轨迹预测方法、***、设备和存储介质 | |
Wang et al. | A learning-based personalized driver model using bounded generalized Gaussian mixture models | |
Chen et al. | Vehicles driving behavior recognition based on transfer learning | |
CN115465296A (zh) | 一种基于长短时运动轨迹融合的周边车辆轨迹预测方法及*** | |
JP2009096365A (ja) | リスク認識システム | |
Chu et al. | A review of driving style recognition methods from short-term and long-term perspectives | |
Ramah et al. | One step further towards real-time driving maneuver recognition using phone sensors | |
Karaduman et al. | Smart driving in smart city | |
Huang et al. | Real-time driver behavior detection based on deep deformable inverted residual network with an attention mechanism for human-vehicle co-driving system | |
Gao et al. | A personalized model for driver lane-changing behavior prediction using deep neural network | |
CN115447617B (zh) | 一种车辆控制方法、装置、设备及介质 | |
EP4401000A1 (en) | Model training method and related device | |
CN115909296A (zh) | 一种基于深度学习神经元网络的驾驶员状态分析判断方法 | |
CN113119996B (zh) | 一种轨迹预测方法、装置、电子设备及存储介质 | |
CN115257801A (zh) | 轨迹规划方法及装置、服务器、计算机可读存储介质 | |
Ho et al. | An HMM-based temporal difference learning with model-updating capability for visual tracking of human communicational behaviors | |
CN114254724A (zh) | 一种数据处理方法、神经网络的训练方法以及相关设备 |
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 |