CN116946183A - 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备 - Google Patents
一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备 Download PDFInfo
- Publication number
- CN116946183A CN116946183A CN202310873567.9A CN202310873567A CN116946183A CN 116946183 A CN116946183 A CN 116946183A CN 202310873567 A CN202310873567 A CN 202310873567A CN 116946183 A CN116946183 A CN 116946183A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driving
- model
- driver
- track
- 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 41
- 230000006870 function Effects 0.000 claims description 54
- 230000006399 behavior Effects 0.000 claims description 40
- 238000006073 displacement reaction Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000002474 experimental method Methods 0.000 claims description 12
- 230000003068 static effect Effects 0.000 claims description 11
- 230000000875 corresponding effect Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000035484 reaction time Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 206010039203 Road traffic accident Diseases 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 claims 1
- 238000000513 principal component analysis Methods 0.000 claims 1
- 230000009466 transformation Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000015429 Mirabilis expansa Nutrition 0.000 description 1
- 244000294411 Mirabilis expansa Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 235000013536 miso Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备,本发明对驾驶员的驾驶能力进行定义,对不同的驾驶员进行分类建模然后识别,并将其纳入驾驶行为预测中,可以更准确地估计复杂交通状况下的驾驶行为,提高城市交通高效性和整个闭环车联网的安全性。本发明方法理论性和可操作性强,不仅能辅助驾驶员进行车辆决策避免事故发生,而且可以提高城市交通高效性和整个闭环车联网安全性。在辅助驾驶***告警以及混合交通流条件下的自动驾驶车辆的预测和判断方面都具备一定的应用前景。
Description
技术领域
本发明属于智能驾驶辅助***技术领域,涉及一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备。
背景技术
近年来随着第四次工业革命的发展,高级驾驶辅助***(ADAS)得到了高速发展。其中对于车辆驾驶行为预测的研究也取得了一定的进展,实际交通状况的复杂性与人类视觉的局限性使得驾驶员难以实现对周围交通状况的完全感知和对车辆行为的准确判断。驾驶行为预测是自动驾驶技术中的一个重要研究领域,其目标是通过分析周围环境和车辆状态等信息,对未来一段时间内可能发生的交通事件进行预测。这项技术在提高道路安全性、优化交通流量、增强自动驾驶***可靠性等方面有着广泛应用。
商用车驾驶行为预测的任务是通过获取本车和周围车辆当前的驾驶信息以及历史轨迹数据对周围车辆的未来驾驶行为进行预测。目前已有的驾驶行为预测***在自动驾驶领域取得良好的成果,但未考虑到人类驾驶能力差异驱动的车辆行为。考虑驾驶能力的驾驶行为预测是指在进行交通事件预测时,不仅考虑到当前车辆状态和周围环境等因素,还要结合司机的个体差异性、心理特征以及对各种道路情况的认知程度等因素来进行综合分析和判断。因此,基于驾驶能力研究车辆的行为预测更为科学和实用。对于驾驶辅助***来说,准确分析周围车驾驶员的驾驶能力并预测其未来一段时间内的驾驶行为有利于准确提示和告警,本发明就是在这种背景下提出来的。
发明内容
针对现有技术中存在不足,本发明公开一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备,通过对周围车辆驾驶员的驾驶能力分类建模和驾驶行为预测。
为实现上述目的,本发明提出的一种考虑驾驶能力的商用车驾驶行为预测方法采用以下技术方案,包括如下步骤:
步骤1:首先邀请驾龄、性别不同的驾驶员参加驾驶能力测试,得到每位驾驶员的测试结果。然后基于六自由度(6DoF)驾驶模拟器设计一个驾驶员在环(DIL)实验,设定相应的规则对原始数据进行处理并筛选,得到符合条件的商用车行驶数据。驾驶能力测试一共有三项,分别为:
(1)测量驾驶员应对紧急交通事故的反应时间;
(2)测试驾驶员在雨雪等恶劣天气下的行车表现;
(3)测量驾驶员在长时间跟车情况下注意力的集中时间。
然后设计驾驶员在环(DIL)商用车实验,在模拟软件TASS Prescan中建立三车道公路驾驶场景,自车和周围车辆在位置允许的范围内随机生成,将70名驾驶员按照测试结果初步均分为10组,每组7人,分别在60km/h、80km/h和100km/h的三个不同限速路段上行驶,得到30组不同的实验数据。
进一步的,所述步骤1中的DIL实验原始数据的处理操作如下:
速度误差超过5km/h、车速等于0、邻车与自车距离超过150m的驾驶数据均视为无效。
进一步的,所述步骤1中的DIL实验设置如下:
车辆类型选择大型车,车辆数量为7,车道数量为3,自车在当前车道和相邻两车道的前后均有两辆车。
步骤2:以紧急状况下驾驶员反应时间、驾驶过程中注意力集中时间、面对恶劣驾驶环境的适应性表征驾驶员的驾驶能力,采用驾驶能力公式F定量分析驾驶员的驾驶能力,实现驾驶能力的客观分类。公式如下:
F=k1t紧急+k2t注意+k3S
其中,k1、k2、k3分别为驾驶员反应灵敏度、注意力集中程度和环境指标的权重,分别取定值10,1和0.1,t紧急和t注意分别为驾驶员在紧急状态下的反应时间和驾驶员驾驶过程中的注意力集中时间。S为驾驶员在恶劣环境下的适应性评价函数,是一个自变量为时间和环境恶劣程度的非线性二元函数,表示在雨雪、强风、雾霾等恶劣天气下驾驶员综合能力的评价函数,且函数是正相关的。使用神经网络来拟合S函数,输入层有三个神经元,分别表示雨雪、强风、雾霾,隐藏层应用了relu激活函数,输出层应用了sigmoid激活函数。
进一步的,所述步骤2中的驾驶能力定义如下:
驾驶员适应外界环境负荷变化以及自身素质水平而对车辆渐变的把控能力,是驾驶员应对紧急交通状况、适应驾驶环境以及注意力集中程度等内在因素和外在因素的综合体,具有时变、非线性及动态特性。
步骤3:选择Hammerstein辨识过程搭建商用车驾驶员的驾驶能力辨识模型,得到驾驶员驾驶能力的辨识结果。Hammerstein辨识过程是一种用于建立非线性动态模型的方法,其主要思想是将输入输出映射关系分解为两个部分:静态非线性函数和线性动态***。在驾驶行为预测领域中,使用Hammerstein辨识过程搭建商用车驾驶员的驾驶能力辨识模型,则可以通过对驾驶员操作及车辆反馈数据进行采集和处理,得到该驾驶员在不同情况下的行为特征,并最终推断出该驾驶员的整体行为习惯、风险意识等方面信息;然后采用主成分分析法对驾驶能力辨识模型参数进行解耦与降维处理。
步骤4:基于门控循环单元(GRU)将本车运动状态信息、周围车运动状态信息进行编码,建立驾驶意图识别模型框架,利用softmax函数计算出驾驶意图分别为直线行驶、向左换道、向右换道的概率;
进一步的,所述步骤4的具体操作如下:
步骤4.1:先构建由GRU单元和注意力机制层组成的编码器模块。
步骤4.2:使用GRU单元搭建意图识别模块。
预测模型的输入包含周围车的历史驾驶数据、本车的运动信息,预测目标为周围车辆的下一时段的驾驶行为;且为了充分考虑周围车辆的运动状态对自我车辆的运动特征的影响,采用注意力机制对周围车辆的运动状态进行更新。
意图识别模块由GRU单元搭建,以编码器模块的输出结果作为输入,使用softmax函数对所得数值特征进行归一化处理,输出驾驶意图的概率矩阵。
步骤5:在步骤4的基础上加入轨迹解码器构建轨迹输出模块,从而预测车辆未来轨迹的概率分布。
进一步的,所述步骤5的具体操作如下:
轨迹解码器主要由两个多层感知机组成,且通过混合密度网络(MDN)层将概率分布中的参数作为全连接网络的输出,通过训练确定二元高斯分布的参数,从而预测车辆未来轨迹的概率分布。
步骤6:完成上述步骤之后,为了验证模型的预测能力,采用步骤1采集的数据进行大量的实验,预测任务是根据车辆过去3秒的历史轨迹结合高精度地图来预测车辆接下来5秒的行驶轨迹,选取最小平均位移误差、最小最终位移误差和漏检率三个指标来评价预测结果的准确性。指标具体含义如下:
平均位移误差(ADE)是指在预测范围内,每个预测位置坐标与真实位置坐标之间的平均欧几里得距离。
最小平均位移误差(MinADE)是指最小最终位移误差所在预测轨迹的平均位移误差。
最终位移误差(FDE)是指在预测的最后一步中,预测终点位置坐标与真实终点位置坐标之间的欧几里得距离。
最小最终位移误差(MinFDE)指k条预测轨迹中,最终位移误差的最小值。
漏检率(MissRate),若预测轨迹与地面实际轨迹之间的最大距离大于2米,将其定义为漏检,对于目标车辆,根据其预测出的k条轨迹来判断是否存在漏检现象,漏检率为漏检所占的比率。
本发明还提出一种车用设备,该设备包含所述步骤3中的驾驶能力辨识模型或步骤4的驾驶意图识别模型。
本发明基于6自由度驾驶模拟器设计商用车在环实验,首先对驾驶数据进行筛选,得到符合条件的驾驶数据;对数据进行统计分析,为接下来的研究提供数据支撑。
首先选用紧急状况下驾驶员反应时间、驾驶过程中注意力集中时间、面对恶劣驾驶环境的适应性表征驾驶员的驾驶能力,采用客观的方式对纵向驾驶能力进行分类,把驾驶能力分为较强、一般和较弱三类。其次,基于Hammerstein辨识过程搭建商用车驾驶能力辨识模型。然后,基于门控循环单元(GRU)将本车运动状态信息、周围车运动状态信息和得到的驾驶员驾驶能力的辨识结果进行编码,建立驾驶意图识别模块框架,利用softmax函数计算出驾驶意图分别为直线行驶、向左换道、向右换道的概率,并在此基础上加入轨迹解码器构建轨迹输出模块,预测车辆未来轨迹的概率分布。最后,使用训练数据对驾驶行为预测模型进行训练,得到不同驾驶能力的深度学习驾驶行为预测模型,选取3个指标来评价预测结果的准确性。
本发明的有益效果:
本发明与现有技术相比,其显著优点是:本发明对驾驶员的驾驶能力进行定义,对不同的驾驶员进行分类建模然后识别,并将其纳入驾驶行为预测中,可以更准确地估计复杂交通状况下的驾驶行为,提高城市交通高效性和整个闭环车联网的安全性。本发明方法理论性和可操作性强,在辅助驾驶***告警以及混合交通流条件下的自动驾驶车辆的预测和判断方面都具备一定的应用前景。
附图说明
图1是本发明所述考虑驾驶能力的商用车驾驶行为预测方法流程图;
图2是本发明模拟交通环境的场景简化图;
图3是本发明驾驶员在恶劣环境下的适应性评价函数神经网络结构;
图4是本发明商用车行为预测模型的整体框架图。
具体实施方式
下面结合附图对本发明作进一步说明。
一种考虑驾驶能力的商用车驾驶行为预测方法,具体流程如图1所示:
步骤1:首先邀请70名驾龄、性别不同的驾驶员参加实验前的模拟测试,一共有三项测试,分别为:
(1)测量驾驶员应对紧急交通事故的反应时间;
(2)测试驾驶员在雨雪等恶劣天气下的行车表现;
(3)测量驾驶员在长时间跟车情况下注意力的集中时间。
测试结束之后得到每位驾驶员的测试结果。设计驾驶员在环(DIL)商用车实验,在模拟软件TASS Prescan中建立三车道公路驾驶场景,自车和周围车辆在位置允许的范围内随机生成,将70名驾驶员按照测试结果初步均分为10组,每组7人,分别在60km/h、80km/h和100km/h的三个不同限速路段上行驶,得到30组不同的实验数据,模拟交通环境的场景模型简化图如图2所示。驾驶员通过输入真实的方向盘转角、油门和刹车控制车辆。包括行驶中车辆的速度、位置和驾驶员的输入。
步骤2:以紧急状况下驾驶员反应时间、驾驶过程中注意力集中时间、面对恶劣驾驶环境的适应性表征驾驶员的驾驶能力,具体地:
采用驾驶能力公式F定量分析驾驶员的驾驶能力,实现驾驶能力的客观分类,将驾驶能力分为较强、一般和较弱三类。公式如下:
F=k1t紧急+k2t注意+k3S
其中,k1、k2、k3分别为驾驶员反应灵敏度、注意力集中程度和环境指标的权重,分别取定值10,1和10,t紧急和t注意分别为驾驶员在紧急状态下的反应时间和驾驶员驾驶过程中的注意力集中时间。S为驾驶员在恶劣环境下的适应性评价函数,是一个自变量为时间和环境恶劣程度的非线性二元函数,表示在雨雪、强风、雾霾等恶劣天气下驾驶员综合能力的评价函数,且函数是正相关的。使用神经网络来拟合S函数,输入层有三个神经元,分别表示雨雪、强风、雾霾,隐藏层应用了relu激活函数,输出层有一个神经元,应用了sigmoid激活函数,输出驾驶员在恶劣环境下的适应性评价函数S,对应神经网络的结构如图3所示。t紧急和t注意按照优秀、一般、较差三个等级划分的标准如下:
1.t紧急(s) | <1 | 1~2 | >2 |
2.t注意(s) | >60 | 30~60 | <30 |
3.综合评分(分) | >80 | 60~80 | <60 |
4.等级 | 优秀 | 一般 | 较差 |
步骤3:鉴于驾驶能力的时变、高阶非线性及动态特性,选择Hammerstein辨识过程搭建商用车驾驶员驾驶能力辨识模型。在周围交通车的横纵向激励下,本车状态与周围交通车的相对状态(本车纵向位置、本车横向位置、本车速度以及本车与周围车的相对纵向位置、相对横向位置和相对速度)组成模型输入,驾驶能力辨识模型根据模型输入经过静态非线性环节得出相应的驾驶能力等级,然后经过动态线性环节输出踏板信号或转向盘转角信号合成本车状态形成一个闭环的驾驶能力辨识模型,故商用车驾驶员驾驶能力辨识模型为MISO***(Multiple Input Single Output)。辨识模型中的静态非线性环节可以选用诸如死区函数、S型函数或饱和函数等多种函数。静态非线性环节表示模型中的非线性部分,它描述了输入和输出之间的非线性关系。这些函数可以将输入变量映射到输出变量,并引入非线性效应。静态非线性环节的参数为下式的输出集合N(k);动态线性环节表示模型中的线性部分,用于描述***的动态特性。动态线性环节通常采用传递函数的形式,表示输入和输出之间的线性关系。传递函数描述了***对输入信号的响应和输出的时域特性。辨识模型中的动态线性环节如下式:
A(z-1)Op(k)=B(z-1)z-dN(k)
A(z-1)=1+a1z-1+…+aqz-q
B(z-1)=b1z-1+…+bnz-n
式中,A(z-1)、B(z-1)均为辨识模型中的动态线性环节中传递函数的z变换;Op(k)为制动及油门踏板合成的踏板信号与转向盘转角信号的集合;N(k)为纵向跟车能力辨识模型中静态非线性环节的输出集合;(a1,...aq)、(b1,...bn)为动态线性环节的各项系数;q和n为动态线性环节的阶次;d为输入延迟阶次且定义为采样时间的整数倍。
在纵向和横向驾驶能力辨识模型中,静态非线性环节和动态线性环节的模型参数是表征内在属性的关键数据。这些参数通过大量训练后,可以作为评价驾驶能力的数据样本。然而,由于这些参数之间可能存在信息重叠,会导致回归过程无法得到计算结果。为了避免这一问题,并提高计算效率,在保证相同模型特征表达的前提下,采用主成分分析法对关键参数进行解耦和降维处理。
设集合H={Hlon,Hlat}表示纵侧向驾驶能力辨识模型中动静态环节内参的总维度,其中Hlon和Hlat分别表示纵、侧向模型参数维度。设集合E={Elon,Elat}表示驾驶能力各循环试验中单次测试的数目,其中Elon和Elat分别表示纵、侧向激励工况下的循环试验数目。可得到由H维模型参数及E个观测变量组成的驾驶能力模型参数数据集X,如下式。
式中,xi为各组循环试验中基于单次测试采集数据训练得到的辨识模型内参向量。PCA算法的输入为数据集X,输出为主成分贡献率,算法的具体实现步骤如下:
(1)数据集X的L2范数归一化;
(2)计算数据集X的均值向量μ;
(3)数据集X的中心化Xz=X-μ;
(4)构造协方差矩阵
(5)求解V的特征值λi和特征向量wi,并降序排列特征值λi;
(6)根据贡献率,提取前m个特征值和对应的m个特征向量Wm=[w1,w2,…,wm],得到主成分矩阵
将前m个主成分的特征值之和与全部特征值之和所占百分比定义为主成分贡献率,对应的主成分累积贡献率Mm如下式。考虑PCA算法中Mm取值范围的一般要求,同时保证其对驾驶能力主成分矩阵L的降维效果,取Mm≥85%对应的m值作为算法计算得到的模型独立参数维度,最终得到m×E维矩阵L,如式:
步骤4:基于门控循环单元(GRU)将本车运动状态信息、周围车运动状态信息进行编码,建立驾驶意图识别模型框架,利用softmax函数计算出驾驶意图分别为直线行驶、向左换道、向右换道的概率。GRU单元的主要作用是对输入的车辆运动信息进行处理的过程,主要是将车辆运动信息编译为上下文向量,为之后进行意图识别和轨迹预测做好准备。
步骤4.1:预测模型的输入分别为本车运动信息、周围车的历史运动状态信息,编码器模块由两个GRU单元和注意力机制层组成,编码器输出的向量捕获了输入历史轨迹数据的关键信息,包含关于车辆速度、方向、过去的位置等信息,以及可能的环境因素,如其他车辆的位置、交通信号等。设I为模型的输入量,如下式:
It=[Se (t),E(t)] t=(T-TP,…,T-1,T)
式中,Se (t)为被本车的运动状态;E(t)为周围车辆的历史运动状态;TP为历史时域;T为采样周期。
具体而言,本车的运动状态信息包括:
Se (t)=(x(t),y(t),ve (t))
其中x(t)为本车侧向坐标,y(t)为本车的纵向坐标;ve (t)为本车的绝对速度。
周围车辆的历史运动状态由本车左前、正前、右前、左后、正后、右后邻近车辆的历史轨迹信息组成,如下所示:
周车状态信息又包括其位置和速度信息如下所示:
其中,Δxi (t)为i位置车辆与本车的侧向相对距离;Δyi (t)为i位置车辆与本车的纵向相对距离;vi (t)为i位置车辆的绝对速度。
GRU单元通过对预测模型的输入信息进行编译处理,为之后的意图识别和轨迹预测做好准备并且引入时间维度和空间维度的注意力机制获取对本车轨迹影响比较大的周边车辆信息。
步骤4.2:意图识别模块以编码器模块的输出结果本车车辆的运动编码以及周围车的运动编码为输入,GRU通过学习获得车辆未来一段时间内直行、向左变道和向右变道的参数,并用softmax激活函数对所得的数值特征进行归一化处理,输出概率矩阵如下所示:
Yi=[yi1,yi2,yi3]
其中Yi表示输出概率矩阵;yi1,yi2,yi3分别表示车辆i驾驶意图分别为直行、左变道和右变道的概率。在每一时刻t,由GRU单元读取前一时刻的输入I(t)和上一时刻以前历史轨迹信息的隐藏状态h(t),即:
h(t)=f(h(t-1),I(t))
GRU单元通过这种方式学习历史轨迹序列中的规律,然后经过softmax层输出驾驶意图的概率矩阵。为了解决模块始终输出3种类别概率的问题,规定向左或向右换道的确信阈值为85%,直行的确信阈值为80%,当某一类型的假设意图大于对应的确信阈值,则认定这就是正确的类型,故将该类别的概率调整为100%,其余两类别的概率为0。
步骤5:在步骤4的基础上加入轨迹解码器构建轨迹输出模块,解码器与MDN层相连,使模型在基于意图识别的基础上,预测车辆未来轨迹的概率分布,如下式所示:
P(O|I)=∑Pπ,μ,σ(Oi|ci,I)P(ci|I)
C=(c1,c2,c3)
O=[X,Y]
式中,I为模型输入量,O为模型输出量,X与Y分别表示侧向和纵向坐标序列,C为意图识别模块输出的意图类别向量,ci,i=1,2,3,分别代表向左换道、直线行驶、向右换道3种意图类别,P(O|I)为解码器输出的基于意图识别的轨迹预测,Pπ,μ,σ(Oi|ci,I)为解码器输出的轨迹预测信息,P(ci|I)为驾驶意图分别为直线行驶、向左换道、向右换道的概率。
选择K个高斯函数的组合作为MDN的核函数,则MDN层输出的轨迹分布概率为:
ρk∈[-1,1]
式中:πk为分配系数,Φ为二元高斯函数,μk为均值,∑k为协方差矩阵,σk为标准差,ρk为相关系数,混合密度网络中的πk(z),μk(z),∑k(z)为输入z的函数,k为第k个高斯函数混合,K为高斯函数的个数,Pπ,μ,ρ(Oi|z)为输入为z的轨迹分布概率,Oμk(z)为第k个z的模型输出量,μkx、μky分别为第k个纵向和侧向坐标的均值,σkx,σky分别为第k个纵向和侧向坐标的标准差。
经由MDN层处理后,得到的基于不同驾驶意图的轨迹概率分布。商用车行为预测模型的整体框架图如图4所示。
步骤6:完成上述步骤之后,为了验证模型的预测能力,采用步骤1采集的数据进行大量的实验,预测任务是根据车辆过去3秒的历史轨迹结合高精度地图来预测车辆接下来5秒的行驶轨迹,选取最小平均位移误差、最小最终位移误差和漏检率三个指标来评价预测结果的准确性。评价指标额具体含义如下:
平均位移误差(ADE)是指在预测范围内,每个预测位置坐标与真实位置坐标之间的平均欧几里得距离。
最小平均位移误差(MinADE)是指最小最终位移误差所在预测轨迹的平均位移误差。
最终位移误差(FDE)是指在预测的最后一步中,预测终点位置坐标与真实终点位置坐标之间的欧几里得距离。
最小最终位移误差(MinFDE)指k条预测轨迹中,最终位移误差的最小值。
漏检率(MissRate),若预测轨迹与地面实际轨迹之间的最大距离大于2米,将其定义为漏检,对于目标车辆,根据其预测出的k条轨迹来判断是否存在漏检现象,漏检率为漏检所占的比率。
本发明通过对驾驶员的驾驶能力进行定义,并将驾驶能力纳入车辆的行为预测,使得驾驶辅助***能够准确分析周围车驾驶员的驾驶能力并预测其未来一段时间内的驾驶行为,有利于提高城市交通高效性和整个闭环车联网的安全性。这种方法相比于传统的基于数据或者物理模型建立预测模型,更加符合实际交通场景中复杂多变且高度个性化的特点。通过考虑司机主观意识和行为习惯等方面信息,可以更准确地反映出现实中发生事故或者违规行为可能存在的原因,并给予针对性引导和监管。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技术所创的等效方式或变更均应包含在本发明的保护范围之内。
Claims (10)
1.一种考虑驾驶能力的商用车驾驶行为预测方法,其特征在于,包括如下步骤:
步骤1:安排驾龄、性别不同的驾驶员参加驾驶能力测试,得到每位驾驶员的测试结果,然后基于六自由度驾驶模拟器设计驾驶员在环实验,对原始数据进行处理并筛选,得到符合条件的商用车行驶数据;
步骤2:以驾驶能力测试结果表征驾驶员的驾驶能力,对驾驶能力进行分类,采用驾驶能力公式F定量分析驾驶员的驾驶能力,实现驾驶能力的客观分类;
步骤3:采用Hammerstein辨识过程搭建商用车驾驶员的驾驶能力辨识模型,得到驾驶员驾驶能力的辨识结果。
步骤4:基于门控循环单元(GRU)将本车运动状态信息、周围车运动状态信息和步骤3得到的驾驶员驾驶能力的辨识结果进行编码,建立驾驶意图识别模型框架,利用softmax函数计算出驾驶意图分别为直线行驶、向左换道、向右换道的概率。
2.根据权利要求1所述的一种考虑驾驶能力的商用车驾驶行为预测方法,其特征在于,所述步骤1中驾驶能力测试包括三项,分别为:
(1)测量驾驶员应对紧急交通事故的反应时间;
(2)测试驾驶员在雨雪等恶劣天气下的行车表现;
(3)测量驾驶员在长时间跟车情况下注意力的集中时间。
3.根据权利要求1所述的一种考虑驾驶能力的商用车驾驶行为预测方法,其特征在于,所述步骤1中的DIL实验原始数据的处理操作如下:
速度误差超过5km/h、车速等于0、邻车与自车距离超过150m的驾驶数据均视为无效;
所述步骤1中的DIL实验设置如下:
车辆类型选择大型车,车辆数量为7,车道数量为3,自车在当前车道和相邻两车道的前后均有两辆车。
4.根据权利要求1所述的一种考虑驾驶能力的商用车驾驶行为预测方法,其特征在于,所述步骤2中驾驶能力公式为:F=k1t紧急+k2t注意+k3S
其中,k1、k2、k3分别为驾驶员反应灵敏度、注意力集中程度和环境指标的权重,分别取定值10,1和0.1,t紧急和t注意分别为驾驶员在紧急状态下的反应时间和驾驶员驾驶过程中的注意力集中时间,S为驾驶员在恶劣环境下的适应性评价函数,表示在恶劣天气下驾驶员综合能力的评价函数,且函数是正相关的;使用神经网络来拟合S函数,输入层有三个神经元,分别表示雨雪、强风、雾霾,隐藏层应用了relu激活函数,输出层应用了sigmoid激活函数。
5.根据权利要求1所述的一种考虑驾驶能力的商用车驾驶行为预测方法,其特征在于,所述步骤3中的驾驶能力辨识模型将本车状态与周围交通车的相对状态组成模型输入,驾驶能力辨识模型根据模型输入及模型自身属性,输出踏板信号或转向盘转角信号,辨识模型中的静态非线性环节可以选用诸如死区函数、S型函数或饱和函数等多种函数,辨识模型中的动态线性环节设计如下式:
A(z-1)Op(k)=B(z-1)z-dN(k)
A(z-1)=1+a1z-1+…+aqz-q
B(z-1)=b1z-1+…+bnz-n
式中,A(z-1)、B(z-1)均为辨识模型中的动态线性环节中传递函数的z变换;Op(k)为制动及油门踏板合成的踏板信号与转向盘转角信号的集合;N(k)为纵向跟车能力辨识模型中静态非线性环节的输出集合;(a1,...aq)、(b1,...bn)为动态线性环节的各项系数;q和n为动态线性环节的阶次;d为输入延迟阶次且定义为采样时间的整数倍。
6.根据权利要求5所述的一种考虑驾驶能力的商用车驾驶行为预测方法,其特征在于,采用主成分分析法对模型参数进行解耦和降维处理:
设集合H={Hlon,Hlat}表示纵侧向驾驶能力辨识模型中动静态环节内参的总维度,其中Hlon和Hlat分别表示纵侧向模型参数维度;设集合E={Elon,Elat}表示驾驶能力各循环试验中单次测试的数目,其中Elon和Elat分别表示纵侧向激励工况下的循环试验数目;得到由H维模型参数及E个观测变量组成的驾驶能力模型参数数据集X,如下式:
式中,xi为各组循环试验中基于单次测试采集数据训练得到的辨识模型内参向量,PCA算法的输入为数据集X,输出为主成分贡献率,算法的具体实现步骤如下:
(1)数据集X的L2范数归一化;
(2)计算数据集X的均值向量μ;
(3)数据集X的中心化Xz=X-μ;
(4)构造协方差矩阵
(5)求解V的特征值λi和特征向量wi,并降序排列特征值λi;
(6)根据贡献率,提取前m个特征值和对应的m个特征向量Wm=[w1,w2,…,wm],得到主成分矩阵
将前m个主成分的特征值之和与全部特征值之和所占百分比定义为主成分贡献率,对应的主成分累积贡献率Mm如下式,考虑PCA算法中Mm取值范围的一般要求,同时保证其对驾驶能力主成分矩阵L的降维效果,取Mm≥85%对应的m值作为算法计算得到的模型独立参数维度,最终得到m×E维矩阵L,如式:
7.根据权利要求1所述的一种考虑驾驶能力的商用车驾驶行为预测方法,其特征在于,所述步骤4的具体过程如下:
步骤4.1:预测模型的输入分别为本车运动信息、周围车的历史运动状态信息,其中编码器模块由两个GRU单元和注意力机制层组成,GRU单元通过对预测模型的输入信息进行编译处理,为之后的意图识别和轨迹预测做好准备并且引入时间维度和空间维度的注意力机制获取对本车轨迹影响较大的周边车辆信息;
设I为模型的输入量,如下式:
It=[Se (t),E(t)] t=(T-TP,…,T-1,T)
式中,Se (t)为被本车的运动状态;E(t)为周围车辆的历史运动状态;TP为历史时域;
具体而言,本车的运动状态信息包括:
Se (t)=(x(t),y(t),ve (t))
其中x(t)为本车侧向坐标,y(t)为本车的纵向坐标;ve (t)为本车的绝对速度;
周围车辆的历史运动状态由本车左前、正前、右前、左后、正后、右后邻近车辆的历史轨迹信息组成,如下所示:
周车状态信息又包括其位置和速度信息如下所示:
其中,Δxi (t)为i位置车辆与本车的侧向相对距离;Δyi (t)为i位置车辆与本车的纵向相对距离;vi (t)为i位置车辆的绝对速度;
步骤4.2:以编码器模块的输出结果本车车辆的运动编码以及周围车的驾驶能力编码为输入,通过学习获得车辆未来一段时间内直行、向左变道和向右变道的参数,并用softmax激活函数对所得的数值特征进行归一化处理,输出概率矩阵如下所示:
Yi=[yi1,yi2,yi3]
其中yi1,yi2,yi3分别表示车辆i驾驶意图分别为直行、左变道和右变道的概率,在每一时刻t,GRU单元读取前一时刻的输入I(t)和上一时刻以前历史轨迹信息的隐藏状态h(t),即:
h(t)=f(h(t-1),I(t))。
8.根据权利要求1所述的一种考虑驾驶能力的商用车驾驶行为预测方法,其特征在于,还包括步骤5:加入轨迹解码器构建轨迹输出模块,从而预测车辆未来轨迹的概率分布,具体过程如下:
轨迹解码器包括两个多层感知机组成,且通过混合密度网络(MDN)层将概率分布中的参数作为全连接网络的输出,通过训练确定二元高斯分布的参数,从而预测车辆未来轨迹的概率分布,如下式所示:
P(O|I)=∑Pπ,μ,σ(Oi|ci,I)P(ci|I)
C=(c1,c2,c3)
O=[X,Y]
式中,I为模型输入量,O为模型输出量,X与Y分别表示侧向和纵向坐标序列,C为意图识别模块输出的意图类别向量,ci,i=1,2,3,分别代表向左换道、直线行驶、向右换道3种意图类别,P(O|I)为解码器输出的基于意图识别的轨迹预测,Pπ,μ,σ(Oi|ci,I)为解码器输出的轨迹预测信息,P(ci|I)为驾驶意图分别为直线行驶、向左换道、向右换道的概率。
选择K个高斯函数的组合作为MDN的核函数,则MDN层输出的轨迹分布概率为:
ρk∈[-1,1]
式中:πk为分配系数,Φ为二元高斯函数,μk为均值,∑k为协方差矩阵,σk为标准差,ρk为相关系数,混合密度网络中的πk(z),μk(z),∑k(z)为输入z的函数,k为第k个高斯函数混合,K为高斯函数的个数,Pπ,μ,ρ(Oi|z)为输入为z的轨迹分布概率,Oμk(z)为第k个z的模型输出量,μkx、μky分别为第k个纵向和侧向坐标的均值,σkx,σky分别为第k个纵向和侧向坐标的标准差。
9.根据权利要求1所述的一种考虑驾驶能力的商用车驾驶行为预测方法,其特征在于,还包括步骤6:验证模型的预测能力,采用步骤1采集的数据进行大量的实验,预测任务是根据车辆过去3秒的历史轨迹结合高精度地图来预测车辆接下来5秒的行驶轨迹,选取最小平均位移误差、最小最终位移误差和漏检率三个指标来评价预测结果的准确性,指标具体含义如下:
平均位移误差(ADE)是指在预测范围内,每个预测位置坐标与真实位置坐标之间的平均欧几里得距离;
最小平均位移误差(MinADE)是指最小最终位移误差所在预测轨迹的平均位移误差;
最终位移误差(FDE):是指在预测的最后一步中,预测终点位置坐标与真实终点位置坐标之间的欧几里得距离;
最小最终位移误差(MinFDE):指k条预测轨迹中,最终位移误差的最小值;
漏检率(MissRate):若预测轨迹与地面实际轨迹之间的最大距离大于2米,将其定义为漏检,对于目标车辆,根据其预测出的k条轨迹来判断是否存在漏检现象,漏检率为漏检所占的比率。
10.一种车用设备,其特征在于,该设备包含权利要求1-9任一项所述的步骤3中的驾驶能力辨识模型或步骤4的驾驶意图识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310873567.9A CN116946183A (zh) | 2023-07-17 | 2023-07-17 | 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310873567.9A CN116946183A (zh) | 2023-07-17 | 2023-07-17 | 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116946183A true CN116946183A (zh) | 2023-10-27 |
Family
ID=88457713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310873567.9A Pending CN116946183A (zh) | 2023-07-17 | 2023-07-17 | 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116946183A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117275240A (zh) * | 2023-11-21 | 2023-12-22 | 之江实验室 | 考虑多类型驾驶风格的交通信号强化学习控制方法和装置 |
-
2023
- 2023-07-17 CN CN202310873567.9A patent/CN116946183A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117275240A (zh) * | 2023-11-21 | 2023-12-22 | 之江实验室 | 考虑多类型驾驶风格的交通信号强化学习控制方法和装置 |
CN117275240B (zh) * | 2023-11-21 | 2024-02-20 | 之江实验室 | 考虑多类型驾驶风格的交通信号强化学习控制方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111841012A (zh) | 一种自动驾驶模拟仿真***及其测试资源库建设方法 | |
CN107133974A (zh) | 高斯背景建模与循环神经网络相结合的车型分类方法 | |
CN111114556A (zh) | 基于多源指数加权损失下lstm的换道意图识别方法 | |
CN111738337B (zh) | 一种混行交通环境下的驾驶人分心状态检测识别方法 | |
CN106570516A (zh) | 一种利用卷积神经网络cnn的障碍物识别方法 | |
CN112215487A (zh) | 一种基于神经网络模型的车辆行驶风险预测方法 | |
CN116946183A (zh) | 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备 | |
CN116631186B (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、*** | |
CN114926825A (zh) | 一种基于时空特征融合的车辆驾驶行为检测方法 | |
CN111907523B (zh) | 一种基于模糊推理的车辆跟驰寻优控制方法 | |
CN111391831A (zh) | 一种基于前车速度预测的汽车跟驰速度控制方法及*** | |
CN113378479A (zh) | 基于自动驾驶测试智能平台车的智能化标准方法和*** | |
CN111967308A (zh) | 一种在线路面不平度辨识方法及*** | |
CN110619340A (zh) | 一种自动驾驶汽车换道规则的生成方法 | |
CN113642114B (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
CN112308136B (zh) | 一种基于SVM-Adaboost的驾驶分心检测方法 | |
CN117648352A (zh) | 基于个性化交互跟驰模型的智能汽车关键场景生成方法 | |
CN112819087A (zh) | 一种基于模块化神经网络的出水bod传感器异常检测方法 | |
Hao et al. | Aggressive lane-change analysis closing to intersection based on UAV video and deep learning | |
Sun et al. | Vision-based traffic conflict detection using trajectory learning and prediction | |
CN114862159A (zh) | 一种自动驾驶测试场景的评价方法 | |
Ma et al. | Lane change analysis and prediction using mean impact value method and logistic regression model | |
Wang et al. | Driver modeling based on vehicular sensing data | |
CN113255725B (zh) | 基于两阶段lstm的汽车传感器攻击检测与修复方法 | |
CN112874510B (zh) | 一种基于半监督学习的自动编码器在自动泊车中车位探测的方法 |
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 |