CN107967486A - 一种基于v2v通信与hmm-gbdt混合模型的周边车辆行为识别方法 - Google Patents
一种基于v2v通信与hmm-gbdt混合模型的周边车辆行为识别方法 Download PDFInfo
- Publication number
- CN107967486A CN107967486A CN201711142034.4A CN201711142034A CN107967486A CN 107967486 A CN107967486 A CN 107967486A CN 201711142034 A CN201711142034 A CN 201711142034A CN 107967486 A CN107967486 A CN 107967486A
- Authority
- CN
- China
- Prior art keywords
- hmm
- vehicle
- gbdt
- car
- msub
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于V2V通信与HMM‑GBDT混合模型的周边车辆行为识别方法,属于车辆智能驾驶领域,包括:a.离线训练环节:归纳并划分典型的周边车辆行为,针对每种典型行为,基于实车平台采集真实交通场景下的周边车辆的行驶信息,提取轨迹特征数据,对HMM‑GBDT混合模型进行参数学习。b.在线检测环节:被跟踪目标车辆将采集到的自车行驶信息实时传输给主车,主车结合两车轨迹特征数据构成新的特征观测序列,利用训练好的HMM‑GBDT混合模型辨别被跟踪车辆所属行为模式。本发明以被动接收信息的方式获取车辆历史轨迹特征,避免主动探测受交通状况、环境因素的影响;不依赖于一般车联网系统中的固定基站,保证信息传递即时,对目标车辆行为作出准确识别。
Description
技术领域
本发明属于车辆智能驾驶领域,特别是涉及一种基于V2V通信与HMM-GBDT混合模型的周边车辆行为识别方法。
背景技术
近年来,通过分析车辆历史轨迹特征来进行车辆行为识别已成为研究人员关注的热点问题之一。行为识别的关键是学习车辆的行为模式,建立行为识别模型,然后通过训练好的车辆行为识别模型进行车辆行为识别,甚至能对车辆行为进行预测。
为了给周边车辆行为识别模型提供训练样本,首先要利用V2V技术交换彼此的状态信息,以此提取车辆轨迹特征数据。V2V技术最开始由一些美国车企提出,通过安装在车辆上的无线通信模块,使得车辆间能够实现信息互通,可以交换彼此的状态信息,对车辆的行为作出识别,以提前预知可能出现的危险情况,为智能车辆的路径规划提供参考依据。国外学者Raja Sengupta等通过道路试验证明V2V技术在小范围低速情况下,能够有效预警,避免车辆发生碰撞。V2V同时也必须克服复杂的通信环境,由高速移动引发的多普勒效应以及复杂的通信环境将导致严重的无线损耗,车辆间通信的相互干扰也将扮演重要角色。
TE-A即将结束D2D(device-to-device,设备到设备)Release 13的标准化研究,在D2D模式下,地理位置很近的终端可以不经过基站,直接进行通信。D2D将成为支持本地数据交换的V2V业务的有利解决方案。
针对周边车辆行为识别实时性、可靠性的要求,研究人员一般采用基于HMM的车辆轨迹建模方法对车辆行为作出识别,现有的技术方案一般采用雷达或摄像头获取周边车辆的行驶轨迹,这种主动获取数据的方式对如光照、雾霾等自然环境、遮挡等交通状况较为敏感,这对在动态障碍物中识别出车辆会造成困难,进而影响到所获取周边车辆轨迹数据的完整性、精确性;而通过V2V通信的方式能有效避免上述缺陷,车与车在信息交换时会告知对方车辆自车的独立IP,表明车辆身份;交换的轨迹数据都由自车实时获取,无论是作为HMM模型参数学习的输入,还是在线检测的输入,都能保证信息的完整可靠;同时V2V通信不依赖于一般车联网系统中大量的固定基站,而是以周边车辆建立端到端的通讯族群,在族群内建立良好的信号覆盖,使信息传输具备高速率、低延时的特点;在观测特征的选取上,现有的方法一般只选择周边车辆相对位置信息,以相邻采样时刻被跟踪车辆行驶方向角的改变作为轨迹特征,采用此单一特征的形式只能获取被跟踪车辆在行驶过程中方向的变化,而采用被跟踪车辆与主车相对位置、相对速度联合特征的形式可以在稍许增加观测特征复杂度的同时,极大丰富被跟踪车辆与主车的相对属性;现有的技术方案中,HMM车辆轨迹建模方法对属于本类型车辆轨迹具有较高的识别率,但是并没有考虑其他类型车辆轨迹负样本的负面影响,导致在多种车辆行为识别上,分类能力并不理想,而GBDT对连续特征具有极强的划分能力,利用HMM优良的车辆轨迹建模能力和GBDT极强的分类能力形成的HMM-GBDT混合模型,可以突破纯HMM在分类能力上的限制,提高车辆行为识别的准确率。
发明内容
本发明提出了一种车辆行为识别方法,能够准确地对周边车辆的行为作出识别,为智能车辆的轨迹规划提供参考依据。
本发明的目的可以通过以下技术方案来实现:
一种基于V2V通信与HMM-GBDT混合模型的周边车辆行为识别方法,包括:
a:离线训练环节:归纳并划分典型的周边车辆行为,针对每种典型行为,基于实车平台采集真实交通场景下的周边车辆的行驶信息,提取轨迹特征数据,对HMM-GBDT混合模型进行参数学习。具体包括:HMM初始化,将同一类别周边车辆行为的轨迹特征数据作为HMM参数学习的输入,更新模型参数,获取各个车辆行为类别的HMM,以特征数据作为完成参数学习后的对应HMM的输入,所得概率输出作为初始化后的GBDT的输入矢量,对GBDT进行参数学习,最终确定HMM-GBDT混合模型;
b:在线检测环节:被跟踪目标车辆将采集到的自车行驶信息通过V2V通信实时传输给主车,主车结合两车轨迹特征数据构成新的特征观测序列,利用训练好的HMM-GBDT混合模型辨别被跟踪车辆所属行为模式。
所述步骤a中归纳并划分典型的周边车辆行为具体为:将典型的周边车辆行为划分为:跟驰、换道、切出(从与主车同车道切至旁边车道)、切入(从旁边车道切至与主车同车道)。
所述步骤a中针对每种典型行为,基于实车平台采集真实交通场景下的周边车辆的行驶信息,提取轨迹特征数据具体包括以下步骤:
(1)针对每种典型行为,被跟踪车辆和主车在各个车辆行为模式下利用车辆定位系统获取自车位置信息和速度信息,定义t时刻被跟踪车辆和主车轨迹点坐标分别为(xpt,ypt)、(xht,yht),t时刻被跟踪车辆和主车速度分别为upt、uht;其中,坐标系由GPS和惯性导航器构成的组合导航器确定,该导航系统为被跟踪目标车辆和主车建立统一的导航坐标系。
(2)提取t时刻两车轨迹点相对位置特征Δθ:
对相对位置特征在8个方向进行均匀量化编码,沿逆时针方向每隔π/4划分一个特征区域,划分的8个区域依次从0~7编码,如图2所示;
(3)提取t时刻两车相对速度特征Δu:
Δu=|upt-uht| (2)
将相对速度划分为[0,5],(5,+∞)两个区域,单位为km/h,依次编码为I,II;
(4)相对位置、相对速度特征联合编码:将相对位置特征和相对速度特征结合,形成在t时刻同时包含两个轨迹特征的特征值,构成新的码字:I0,II0,I1,…,II6,I7,II7,即可能的观测数M为16;在一次试验中针对特定目标车辆依时间顺序获得的所有联合特征观测值构成该车的轨迹特征值序列其中l取决于试验的时常、通信的时常等,取值范围可以为零到正无穷。
所述步骤a中的HMM具体为:
HMM可简单表示为λ=(A,B,π),是关于时序的概率模型,描述一个隐藏的马尔可夫链随机生成的不可观测的状态随机序列,再由各个状态生成一个观测而产生观测随机序列的过程;S={s1,s2,...,sN}是所有可能的状态的集合,V={v1,v2,...,vM}是所有可能的观测的集合,其中N是可能的状态数,M是可能的观测数;Q={q1,q2,...,qT}是HMM中长度为T的状态序列,是HMM中长度为T的观测序列;
A是状态转移概率矩阵:
A=[αij]N×N (3)
其中aij=P(qt+1=sj|qt=si),i=1,2,...,N;j=1,2,...,N,是在时刻t处于状态si的条件下在t+1时刻转移到sj的概率;
B是观测概率矩阵:
其中是在时刻t处于状态si的条件下取得观测值vk的概率;
π是初始状态概率分布向量:
π=(π1,π2,...,πN) (5)
其中πi=P(q1=si),i=1,2,...,N,是在初始时刻处于状态si的概率;
所述步骤a中的GBDT具体为:GBDT(Gradient Boosting Decision Tree),梯度提升决策树,是一种迭代的决策树算法,该算法由多棵决策树组成,所有树的结论累加起来作最终答案。
所述步骤a中的对HMM-GBDT混合模型进行参数学习具体为:
(1)确定每一个车辆行为识别模型的初始参数N,M,A,B,π,完成对每一个独立的HMM车辆行为识别模型的初始化;
(2)将同一类别周边车辆行为的轨迹特征数据作为HMM参数学习的输入,采用Baum-Welch算法调整模型λ=(A,B,π)的参数;依据模型初始化后的初始参数,经过Baum-Welch迭代算法使概率函数最大化,更新模型参数,获取各个车辆行为类别的HMM;
(3)以特征数据作为完成参数学习后的对应HMM的输入,所得概率输出作为初始化后的GBDT的输入矢量,对GBDT进行参数学习,最终确定HMM-GBDT混合模型。属于此类HMM的轨迹经过该模型后的概率输出较大,而不属于此类HMM的轨迹经过该模型后的输出概率较小,由此可以提高分类能力。
所述步骤b中的在线检测环节具体包括以下步骤:
(1)被跟踪车辆和主车利用车辆定位系统实时获取自车位置信息和速度信息;
(2)被跟踪目标车辆通过V2V通信将自车信息实时传输给主车;
(3)主车结合自车信息和被跟踪目标车辆信息,提取轨迹特征数据,统一观测序列维数为T,构成新的特征观测序列;
(4)以新的特征观测序列作为训练好的HMM(跟驰、换道、切出、切入)的输入,得到各自的T维输出概率,将所有HMM的T维输出概率输入到GBDT中,比较所有树的预测概率,确定车辆轨迹类型。
所述步骤(2)中的V2V通信具体为车载终端到车载终端的信息互通,周边车辆的地理位置接近,可以不经过基站,直接进行通信,通信模块采用LTE通信标准,LTE为Long TermEvolution,长期演进,为新一代移动通信标准,具有网络高峰值数据速率,低延时和增强的网络覆盖等优点。
本发明的有益效果:
(1)以被动接收信息的方式获取车辆历史轨迹特征,避免主动探测受交通状况、环境因素的影响;
(2)以周边车辆建立端到端的通讯族群不依赖于一般车联网系统中的固定基站,保证信息传递即时性;
(3)采用被跟踪车辆与主车相对位置、相对速度联合特征的形式,在稍许增加观测特征复杂度的同时,极大丰富被跟踪车辆与主车的相对属性;
(4)利用HMM优良的车辆轨迹建模能力和GBDT极强的分类能力形成的HMM-GBDT混合模型,可以突破纯HMM在分类能力上的限制,提高车辆行为识别的准确率。
附图说明
图1是本发明的流程图;
图2是本发明的相对位置量化编码示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施。给出了详细的实施方式和具体操作过程,本发明的保护范围不限于下述的实施例。
设定所有参与到车辆行为识别的车辆个体都装备了GPS定位系统和无线通信模块,GPS搜集自车的位置、加速度信息,V2V通信采用LTE随机接入算法;每一辆车都具有一个独立的ID,在V2V通信中通过发送自车ID告知对方车辆自车身份;每一辆车既可以作为被跟踪目标车辆,又可以作为主车;一旦设定完主车,该车前后左右周围相邻的车辆被设定为被跟踪目标车辆;由于相邻车辆的距离较近,设定无线通信模块的最大通信距离为300m。
一种基于V2V通信与HMM-GBDT混合模型的周边车辆行为识别方法,包括:
步骤a:离线训练环节:归纳并划分典型的周边车辆行为,针对每种典型行为,基于实车平台采集真实交通场景下的周边车辆的行驶信息,提取轨迹特征数据,对HMM-GBDT混合模型进行参数学习。具体包括:HMM初始化,将同一类别周边车辆行为的轨迹特征数据作为HMM参数学习的输入,更新模型参数,获取各个车辆行为类别的HMM,以特征数据作为完成参数学习后的对应HMM的输入,所得概率输出作为初始化后的GBDT的输入矢量,对GBDT进行参数学习,最终确定HMM-GBDT混合模型;
步骤b:在线检测环节:被跟踪目标车辆将采集到的自车行驶信息通过V2V通信实时传输给主车,主车结合两车轨迹特征数据构成新的特征观测序列,利用训练好的HMM-GBDT混合模型辨别被跟踪车辆所属行为模式。
所述步骤a中归纳并划分典型的周边车辆行为具体为:将典型的周边车辆行为划分为:跟驰、换道、切出(从与主车同车道切至旁边车道)、切入(从旁边车道切至与主车同车道)。
所述步骤a中针对每种典型行为,基于实车平台采集真实交通场景下的周边车辆的行驶信息,提取轨迹特征数据具体包括以下步骤:
(1)确定一辆实验车辆为主车,将其周围的实验车辆确定为被跟踪目标车辆,被跟踪目标车辆模拟在真实场景下周边车辆会作出的行为,如跟驰、换道、切出、切入,针对每种典型行为,被跟踪车辆和主车在各个车辆行为模式下利用车辆定位系统获取自车位置信息和速度信息,定义t时刻被跟踪车辆和主车轨迹点坐标分别为(xpt,ypt)、(xht,yht),t时刻被跟踪车辆和主车速度分别为upt、uht;其中,坐标系由GPS和惯性导航器构成的组合导航器确定,该导航系统为被跟踪目标车辆和主车建立统一的导航坐标系。
(2)提取t时刻两车轨迹点相对位置特征Δθ:
对相对位置特征在8个方向进行均匀量化编码,沿逆时针方向每隔π/4划分一个特征区域,划分的8个区域依次从0~7编码,如图2所示;
(3)提取t时刻两车相对速度特征Δu:
Δu=|upt-uht| (2)
将相对速度划分为[0,5],(5,+∞)两个区域,单位为km/h,依次编码为I,II;
(4)相对位置、相对速度特征联合编码:将相对位置特征和相对速度特征结合,形成在t时刻同时包含两个轨迹特征的特征值,构成新的码字:I0,II0,I1,…,II6,I7,II7,即可能的观测数M为16;在一次试验中针对特定目标车辆依时间顺序获得的所有联合特征观测值构成该车的轨迹特征值序列
由于步骤a采集的数据作为训练样本使用,所以为避免V2V通信可能引起数据丢失,主车和被跟踪车辆在采集工作结束后,再交换彼此数据,使获取的训练样本完整可靠.
所述步骤a中的HMM具体为:
HMM可简单表示为λ=(A,B,π),是关于时序的概率模型,描述一个隐藏的马尔可夫链随机生成的不可观测的状态随机序列,再由各个状态生成一个观测而产生观测随机序列的过程;S={s1,s2,...,sN}是所有可能的状态的集合,V={v1,v2,...,vM}是所有可能的观测的集合,其中N是可能的状态数,M是可能的观测数;Q={q1,q2,...,qT}是HMM中长度为T的状态序列,是HMM中长度为T的观测序列;
A是状态转移概率矩阵:
A=[aij]N×N (3)
其中αij=P(qt+1=sj|qt=si),i=1,2,...,N;j=1,2,...,N,是在时刻t处于状态si的条件下在t+1时刻转移到sj的概率;
B是观测概率矩阵:
其中是在时刻t处于状态si的条件下取得观测值vk的概率;
π是初始状态概率分布向量:
π=(π1,π2,...,πN) (5)
其中πi=P(q1=si),i=1,2,...,N,是在初始时刻处于状态si的概率;
所述步骤a中的GBDT具体为:GBDT(Gradient Boosting Decision Tree),梯度提升决策树,是一种迭代的决策树算法,该算法由多棵决策树组成,所有树的结论累加起来作最终答案。
所述步骤a中的对HMM-GBDT混合模型进行参数学习具体为:
(1)确定每一个车辆行为识别模型的初始参数N,M,A,B,π,完成对每一个独立的HMM车辆行为识别模型的初始化;
(2)将同一类别周边车辆行为的轨迹特征数据作为HMM参数学习的输入,采用Baum-Welch算法调整模型λ=(A,B,π)的参数;依据模型初始化后的初始参数,经过Baum-Welch迭代算法使概率函数最大化,更新模型参数,获取各个车辆行为类别的HMM;
(3)以特征数据作为完成参数学习后的对应HMM的输入,所得概率输出作为初始化后的GBDT的输入矢量,对GBDT进行参数学习,最终确定HMM-GBDT混合模型。显然,属于此类HMM的轨迹经过该模型后的概率输出较大,而不属于此类HMM的轨迹经过该模型后的输出概率较小,由此可以提高分类能力。
所述步骤b中的在线检测环节具体包括以下步骤:
(1)被跟踪车辆和主车利用车辆定位系统实时获取自车位置信息和速度信息;
(2)被跟踪目标车辆通过V2V通信将自车信息实时传输给主车;
(3)主车结合自车信息和被跟踪目标车辆信息,提取轨迹特征数据,统一观测序列维数为T,为了兼顾识别准确率以及实时性需求,取观测序列维数T为35,构成新的特征观测序列;
(4)以新的特征观测序列作为训练好的HMM(跟驰、换道、切出、切入)的输入,得到各自的35维输出概率,将所有HMM的35维输出概率输入到GBDT中,比较所有树的预测概率,确定车辆轨迹类型。
所述步骤(2)中的V2V通信具体为车载终端到车载终端的信息互通,周边车辆的地理位置接近,可以不经过基站,直接进行通信,通信模块采用LTE通信标准,LTE为Long TermEvolution,长期演进,为新一代移动通信标准,具有网络高峰值数据速率,低延时和增强的网络覆盖等优点。
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,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于V2V通信与HMM-GBDT混合模型的周边车辆行为识别方法,其特征在于,包括:
步骤1,离线训练环节:归纳并划分典型的周边车辆行为,针对每种典型行为,基于实车平台采集真实交通场景下的周边车辆的行驶信息,提取轨迹特征数据,对HMM-GBDT混合模型进行参数学习;具体包括:HMM初始化,将同一类别周边车辆行为的轨迹特征数据作为HMM参数学习的输入,更新模型参数,获取各个车辆行为类别的HMM,以特征数据作为完成参数学习后的对应HMM的输入,所得概率输出作为初始化后的GBDT的输入矢量,对GBDT进行参数学习,最终确定HMM-GBDT混合模型;
步骤2,在线检测环节:被跟踪目标车辆将采集到的自车行驶信息通过V2V通信实时传输给主车,主车结合两车轨迹特征数据构成新的特征观测序列,利用训练好的HMM-GBDT混合模型辨别被跟踪车辆所属行为模式。
2.根据权利要求1所述的一种基于V2V通信与HMM-GBDT混合模型的周边车辆行为识别方法,其特征在于,所述步骤1中归纳并划分典型的周边车辆行为具体为:将典型的周边车辆行为划分为:跟驰、换道、切出(从与主车同车道切至旁边车道)、切入(从旁边车道切至与主车同车道)。
3.根据权利要求1所述的一种基于V2V通信与HMM-GBDT混合模型的周边车辆行为识别方法,其特征在于,所述步骤1中针对每种典型行为,基于实车平台采集真实交通场景下的周边车辆的行驶信息,提取轨迹特征数据的具体过程包括以下步骤:
步骤1.1,针对每种典型行为,被跟踪车辆和主车在各个车辆行为模式下利用车辆定位系统获取自车位置信息和速度信息,定义t时刻被跟踪车辆和主车轨迹点坐标分别为(xpt,ypt)、(xht,yht),t时刻被跟踪车辆和主车速度分别为upt、uht;其中,坐标系由GPS和惯性导航器构成的组合导航器确定,该导航系统为被跟踪目标车辆和主车建立统一的导航坐标系。
步骤1.2,提取t时刻两车轨迹点相对位置特征Δθ:
<mrow>
<mi>&Delta;</mi>
<mi>&theta;</mi>
<mo>=</mo>
<mi>arctan</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>yp</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<msub>
<mi>yh</mi>
<mi>t</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>xp</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<msub>
<mi>xh</mi>
<mi>t</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
对相对位置特征在8个方向进行均匀量化编码,沿逆时针方向每隔π/4划分一个特征区域,划分的8个区域依次从0~7编码;
步骤1.3,提取t时刻两车相对速度特征Δu:
Δu=|upt-uht|
将相对速度划分为[0,5],(5,+∞)两个区域,单位为km/h,依次编码为I,II;
步骤1.4,相对位置、相对速度特征联合编码:将相对位置特征和相对速度特征结合,形成在t时刻同时包含两个轨迹特征的特征值,构成新的码字:I0,II0,I1,…,II6,I7,II7,即可能的观测数M为16;在一次试验中针对特定目标车辆依时间顺序获得的所有联合特征观测值构成该车的轨迹特征值序列
4.根据权利要求1所述的一种基于V2V通信与HMM-GBDT混合模型的周边车辆行为识别方法,其特征在于,所述步骤1中的HMM具体为:
HMM表示为λ=(A,B,π),是关于时序的概率模型,描述一个隐藏的马尔可夫链随机生成的不可观测的状态随机序列,再由各个状态生成一个观测而产生观测随机序列的过程;S={s1,s2,...,sN}是所有可能的状态的集合,V={v1,v2,...,vM}是所有可能的观测值的集合,其中N是可能的状态数,M是可能的观测数;Q={q1,q2,...,qT}是HMM中长度为T的状态序列,是HMM中长度为T的观测序列;
A是状态转移概率矩阵:
A=[aij]N×N
其中aij=P(qt+1=sj|qt=si),i=1,2,...,N;j=1,2,...,N,是在时刻t处于状态si的条件下在t+1时刻转移到sj的概率;
B是观测概率矩阵:
<mrow>
<mi>B</mi>
<mo>=</mo>
<msub>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>b</mi>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mi>N</mi>
<mo>&times;</mo>
<mi>M</mi>
</mrow>
</msub>
</mrow>
其中是在时刻t处于状态si的条件下取得观测值vk的概率;
π是初始状态概率分布向量:
π=(π1,π2,...,πN)
其中πi=P(q1=si),i=1,2,...,N,是在初始时刻处于状态si的概率。
5.根据权利要求1所述的一种基于V2V通信与HMM-GBDT混合模型的周边车辆行为识别方法,其特征在于,所述步骤1中的GBDT具体采用一种迭代的决策树算法,该算法由若干棵决策树组成,所有树的结论累加起来作最终答案。
6.根据权利要求1所述的一种基于V2V通信与HMM-GBDT混合模型的周边车辆行为识别方法,其特征在于,所述步骤1中的对HMM-GBDT混合模型进行参数学习的具体过程包括:
步骤1.5,确定每一个车辆行为识别模型的初始参数N,M,A,B,π,完成对每一个独立的HMM车辆行为识别模型的初始化;
步骤1.6,将同一类别周边车辆行为的轨迹特征数据作为HMM参数学习的输入,采用Baum-Welch算法调整模型λ=(A,B,π)的参数;依据模型初始化后的初始参数,经过Baum-Welch迭代算法使概率函数最大化,更新模型参数,获取各个车辆行为类别的HMM;
步骤1.7,以特征数据作为完成参数学习后的对应HMM的输入,所得概率输出作为初始化后的GBDT的输入矢量,对GBDT进行参数学习,最终确定HMM-GBDT混合模型。
7.根据权利要求1所述的一种基于V2V通信与HMM-GBDT混合模型的周边车辆行为识别方法,其特征在于,所述步骤2的具体过程包括如下步骤:
步骤2.1,被跟踪车辆和主车利用车辆定位系统实时获取自车位置信息和速度信息;
步骤2.2,被跟踪目标车辆通过V2V通信将自车信息实时传输给主车;
步骤2.3,主车结合自车信息和被跟踪目标车辆信息,提取轨迹特征数据,统一观测序列维数为T,构成新的特征观测序列;
步骤2.4,以新的特征观测序列作为训练好的HMM(跟驰、换道、切出、切入)的输入,得到各自的T维输出概率,将所有HMM的T维输出概率输入到GBDT中,比较所有树的预测概率,确定车辆轨迹类型。
8.根据权利要求7所述的一种基于V2V通信与HMM-GBDT混合模型的周边车辆行为识别方法,其特征在于,所述步骤2.2中的V2V通信具体为车载终端到车载终端的信息互通,通信模块采用LTE通信标准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711142034.4A CN107967486B (zh) | 2017-11-17 | 2017-11-17 | 一种周边车辆行为识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711142034.4A CN107967486B (zh) | 2017-11-17 | 2017-11-17 | 一种周边车辆行为识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107967486A true CN107967486A (zh) | 2018-04-27 |
CN107967486B CN107967486B (zh) | 2020-08-28 |
Family
ID=62000242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711142034.4A Active CN107967486B (zh) | 2017-11-17 | 2017-11-17 | 一种周边车辆行为识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107967486B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359169A (zh) * | 2018-10-30 | 2019-02-19 | 西南交通大学 | 一种基于概率图模型的共享单车逆行行为实时识别方法 |
CN109686125A (zh) * | 2019-01-11 | 2019-04-26 | 重庆邮电大学 | 一种基于hmm的v2x车联网车辆防撞预警系统 |
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 |
CN109849903A (zh) * | 2019-01-15 | 2019-06-07 | 北京百度网讯科技有限公司 | 车体周围物体行为识别方法、装置、设备和可读存储介质 |
CN109886304A (zh) * | 2019-01-22 | 2019-06-14 | 江苏大学 | 一种基于hmm-svm双层改进模型的复杂路况下周边车辆行为识别方法 |
CN109979194A (zh) * | 2019-03-07 | 2019-07-05 | 长安大学 | 基于马尔可夫链的重型车辆坡道爬行行为识别方法 |
CN110176153A (zh) * | 2019-05-20 | 2019-08-27 | 重庆大学 | 一种基于边缘计算的盲区车辆碰撞预警方法 |
CN110288835A (zh) * | 2019-06-28 | 2019-09-27 | 江苏大学 | 一种基于运动学预测补偿机制的周边车辆行为实时识别方法 |
CN111002980A (zh) * | 2019-12-10 | 2020-04-14 | 苏州智加科技有限公司 | 基于深度学习的道路障碍物轨迹预测方法和系统 |
CN111027841A (zh) * | 2019-12-04 | 2020-04-17 | 广西大学 | 一种基于梯度提升决策树的低压台区线损计算方法 |
CN111717217A (zh) * | 2020-06-30 | 2020-09-29 | 重庆大学 | 一种基于概率修正的驾驶员意图识别方法 |
CN111797000A (zh) * | 2020-05-27 | 2020-10-20 | 中汽数据有限公司 | 一种基于梯度提升决策树模型的场景复杂度评估方法 |
CN112712729A (zh) * | 2019-10-26 | 2021-04-27 | 华为技术有限公司 | 预测运动轨迹的方法和系统 |
WO2021093335A1 (en) * | 2019-11-14 | 2021-05-20 | Suzhou Zhijia Science & Technologies Co., Ltd. | Method for automatically labeling lane changing intention based on high-noise trajectory data of vehicle |
CN114331063A (zh) * | 2021-12-17 | 2022-04-12 | 江苏中智系统集成工程有限公司 | 应用于智慧水务的大数据可视化处理方法及系统 |
CN116776158A (zh) * | 2023-08-22 | 2023-09-19 | 长沙隼眼软件科技有限公司 | 目标分类模型训练方法及目标分类方法、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101633359A (zh) * | 2008-07-24 | 2010-01-27 | 通用汽车环球科技运作公司 | 具有驾驶风格识别的自适应车辆控制系统 |
CN103996287A (zh) * | 2014-05-26 | 2014-08-20 | 江苏大学 | 一种基于决策树模型的车辆强制换道决策方法 |
CN103996312A (zh) * | 2014-05-23 | 2014-08-20 | 北京理工大学 | 具有社会行为交互的无人驾驶汽车控制系统 |
CN105956625A (zh) * | 2016-05-11 | 2016-09-21 | 清华大学深圳研究生院 | 一种基于给定物理模型的汽车运动状态识别方法及系统 |
US20160381596A1 (en) * | 2015-06-25 | 2016-12-29 | The Board Of Trustees Of The University Of Alabama | Intelligent multi-beam medium access control in ku-band for mission-oriented mobile mesh networks |
-
2017
- 2017-11-17 CN CN201711142034.4A patent/CN107967486B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101633359A (zh) * | 2008-07-24 | 2010-01-27 | 通用汽车环球科技运作公司 | 具有驾驶风格识别的自适应车辆控制系统 |
CN103996312A (zh) * | 2014-05-23 | 2014-08-20 | 北京理工大学 | 具有社会行为交互的无人驾驶汽车控制系统 |
CN103996287A (zh) * | 2014-05-26 | 2014-08-20 | 江苏大学 | 一种基于决策树模型的车辆强制换道决策方法 |
US20160381596A1 (en) * | 2015-06-25 | 2016-12-29 | The Board Of Trustees Of The University Of Alabama | Intelligent multi-beam medium access control in ku-band for mission-oriented mobile mesh networks |
CN105956625A (zh) * | 2016-05-11 | 2016-09-21 | 清华大学深圳研究生院 | 一种基于给定物理模型的汽车运动状态识别方法及系统 |
Non-Patent Citations (2)
Title |
---|
王诗源: "与匝道车辆交互的无人驾驶汽车避撞系统研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
罗特飞: "基于HMM与决策树的多字体阿拉伯文的字符识别", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359169A (zh) * | 2018-10-30 | 2019-02-19 | 西南交通大学 | 一种基于概率图模型的共享单车逆行行为实时识别方法 |
CN109686125A (zh) * | 2019-01-11 | 2019-04-26 | 重庆邮电大学 | 一种基于hmm的v2x车联网车辆防撞预警系统 |
CN109686125B (zh) * | 2019-01-11 | 2021-05-18 | 重庆邮电大学 | 一种基于hmm的v2x车联网车辆防撞预警系统 |
CN109849903B (zh) * | 2019-01-15 | 2020-10-16 | 北京百度网讯科技有限公司 | 车体周围物体行为识别方法、装置、设备和可读存储介质 |
CN109849903A (zh) * | 2019-01-15 | 2019-06-07 | 北京百度网讯科技有限公司 | 车体周围物体行为识别方法、装置、设备和可读存储介质 |
CN109886304A (zh) * | 2019-01-22 | 2019-06-14 | 江苏大学 | 一种基于hmm-svm双层改进模型的复杂路况下周边车辆行为识别方法 |
CN109886304B (zh) * | 2019-01-22 | 2023-09-29 | 江苏大学 | 一种基于hmm-svm双层改进模型的复杂路况下周边车辆行为识别方法 |
WO2020151059A1 (zh) * | 2019-01-22 | 2020-07-30 | 江苏大学 | 一种基于hmm-svm双层改进模型的复杂路况下周边车辆行为识别方法 |
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 |
CN109727490B (zh) * | 2019-01-25 | 2021-10-12 | 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 |
CN109979194A (zh) * | 2019-03-07 | 2019-07-05 | 长安大学 | 基于马尔可夫链的重型车辆坡道爬行行为识别方法 |
CN109979194B (zh) * | 2019-03-07 | 2020-07-10 | 长安大学 | 基于马尔可夫链的重型车辆坡道爬行行为识别方法 |
CN110176153B (zh) * | 2019-05-20 | 2021-08-03 | 重庆大学 | 一种基于边缘计算的盲区车辆碰撞预警方法 |
CN110176153A (zh) * | 2019-05-20 | 2019-08-27 | 重庆大学 | 一种基于边缘计算的盲区车辆碰撞预警方法 |
CN110288835B (zh) * | 2019-06-28 | 2021-08-17 | 江苏大学 | 一种基于运动学预测补偿机制的周边车辆行为实时识别方法 |
CN110288835A (zh) * | 2019-06-28 | 2019-09-27 | 江苏大学 | 一种基于运动学预测补偿机制的周边车辆行为实时识别方法 |
CN112712729A (zh) * | 2019-10-26 | 2021-04-27 | 华为技术有限公司 | 预测运动轨迹的方法和系统 |
WO2021093335A1 (en) * | 2019-11-14 | 2021-05-20 | Suzhou Zhijia Science & Technologies Co., Ltd. | Method for automatically labeling lane changing intention based on high-noise trajectory data of vehicle |
CN111027841A (zh) * | 2019-12-04 | 2020-04-17 | 广西大学 | 一种基于梯度提升决策树的低压台区线损计算方法 |
CN111002980A (zh) * | 2019-12-10 | 2020-04-14 | 苏州智加科技有限公司 | 基于深度学习的道路障碍物轨迹预测方法和系统 |
CN111797000A (zh) * | 2020-05-27 | 2020-10-20 | 中汽数据有限公司 | 一种基于梯度提升决策树模型的场景复杂度评估方法 |
CN111717217A (zh) * | 2020-06-30 | 2020-09-29 | 重庆大学 | 一种基于概率修正的驾驶员意图识别方法 |
CN111717217B (zh) * | 2020-06-30 | 2022-11-08 | 重庆大学 | 一种基于概率修正的驾驶员意图识别方法 |
CN114331063A (zh) * | 2021-12-17 | 2022-04-12 | 江苏中智系统集成工程有限公司 | 应用于智慧水务的大数据可视化处理方法及系统 |
CN114331063B (zh) * | 2021-12-17 | 2022-12-13 | 江苏中智系统集成工程有限公司 | 应用于智慧水务的大数据可视化处理方法及系统 |
CN116776158A (zh) * | 2023-08-22 | 2023-09-19 | 长沙隼眼软件科技有限公司 | 目标分类模型训练方法及目标分类方法、装置及存储介质 |
CN116776158B (zh) * | 2023-08-22 | 2023-11-14 | 长沙隼眼软件科技有限公司 | 目标分类方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107967486B (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107967486A (zh) | 一种基于v2v通信与hmm-gbdt混合模型的周边车辆行为识别方法 | |
CN112307566B (zh) | 车辆仿真测试方法、装置、设备及存储介质 | |
US20220227394A1 (en) | Autonomous Vehicle Operational Management | |
US11120688B2 (en) | Orientation-adjust actions for autonomous vehicle operational management | |
Alam et al. | A DSRC Doppler-based cooperative positioning enhancement for vehicular networks with GPS availability | |
CA3052953C (en) | Autonomous vehicle operational management blocking monitoring | |
RU2756439C1 (ru) | Определение локализации для работы транспортного средства | |
CA3052952C (en) | Autonomous vehicle operational management control | |
CN105206108B (zh) | 一种基于电子地图的车辆碰撞预警方法 | |
CA3083719C (en) | Autonomous vehicle operational management scenarios | |
CN103760904B (zh) | 一种语音播报式智能车辆路径规划装置与实施方法 | |
CN108528458A (zh) | 用于车辆尺寸预测的系统和方法 | |
US11702070B2 (en) | Autonomous vehicle operation with explicit occlusion reasoning | |
CN109808700A (zh) | 用于在自主车辆中映射道路干扰物体的系统和方法 | |
CN109814520A (zh) | 用于确定自主车辆的安全事件的系统和方法 | |
CN110376594A (zh) | 一种基于拓扑图的智能导航的方法和系统 | |
CN108693876A (zh) | 目标跟踪 | |
CN107316487A (zh) | 车联网智能车载信息终端及信息交互方法 | |
CN105682222A (zh) | 一种基于车辆自组织网络的车辆位置定位信息融合方法 | |
CN110264721A (zh) | 一种城市交叉口周边车辆轨迹预测方法 | |
US10901417B2 (en) | Autonomous vehicle operational management with visual saliency perception control | |
CN105718750A (zh) | 一种车辆行驶轨迹的预测方法及系统 | |
Suryadithia et al. | Technological developments in the intelligent transportation system (ITS) | |
US10836405B2 (en) | Continual planning and metareasoning for controlling an autonomous vehicle | |
CN109410567A (zh) | 一种基于车联网的易发事故道路智慧分析系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |