CN109460023A - 基于隐马尔科夫模型的驾驶人换道意图识别方法 - Google Patents
基于隐马尔科夫模型的驾驶人换道意图识别方法 Download PDFInfo
- Publication number
- CN109460023A CN109460023A CN201811330358.5A CN201811330358A CN109460023A CN 109460023 A CN109460023 A CN 109460023A CN 201811330358 A CN201811330358 A CN 201811330358A CN 109460023 A CN109460023 A CN 109460023A
- Authority
- CN
- China
- Prior art keywords
- lane
- change
- vehicle
- hidden markov
- state
- 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 32
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000006399 behavior Effects 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000007704 transition Effects 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 7
- 238000013499 data model Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000012512 characterization method Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 4
- 230000019771 cognition Effects 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Radar, Positioning & Navigation (AREA)
- Computational Mathematics (AREA)
- Remote Sensing (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Aviation & Aerospace Engineering (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于隐马尔科夫模型的驾驶人换道意图识别方法,基于隐马尔科夫模型的驾驶人换道意图识别方法,通过对本车和周围车辆运行状态的分析,建立了基于隐马尔可夫模型的驾驶换道意图识别方法,即用可观测的换道表征参数观测状态来实现隐含的驾驶员换道意图的预测。并以NGSIM数据集中的高速公路车辆数据库为基础,提取换道表征参数样本,并应用MATLAB中HMM工具箱编写算法进行对隐马尔科夫模型的训练和验证,最终对驾驶员换道意图的预测结果取得到了较好的准确率。
Description
技术领域
本发明涉及一种无人驾驶技术,特别涉及一种基于隐马尔科夫模型的驾驶人换道意图识别方法。
背景技术
无人驾驶是未来汽车的主要发展方向之一,无人驾驶车辆研究对于保证道路交通安全,提高道路通行能力,保护人民财产安全具有重要意义。
无人驾驶是集环境感知与认知、动态规划与决策、行为控制与执行等多项功能于一体的综合技术,其中感知和认知是无人驾驶中最关键的环节之一,是进行正确规划与决策的前提。然而在实际应用中很难通过建立准确的驾驶员认知行为模型,特别是换道行为模型,它属于常用的但很难提前识别的驾驶行为,尤其是在高速公路环境中,如果驾驶人操作失误更容易引发严重的交通事故。所以提前识别驾驶员的换道意图行为,且并可能的提高识别的准确率变得尤为重要。
统计资料显示,车辆不恰当的换道行为是道路交通事故和交通拥堵的主要因素,尤其在复杂动态的交通环境下,车辆的换道空间具有明显的差异性。同时,无人驾驶是当前汽车的主要研究方向,在无人驾驶中面临着,最为重要的研究问题是在什么样的交通场景下应该进行换道操作?在未来无人驾驶必然面临如何进行智能换道决策的问题。如果换道不合理,或者换道策略与人的换道思维差异较大,那么会让人对无人驾驶机器产生不信任感。因此,在何种情况下,进行换道,使其换道行为具有拟人化,能够满足人的信任,同时对于保证车辆行驶安全、提高道路通行能力、改善绿色生态驾驶环境具有重要意义。
发明内容
本发明是针对无人驾驶中提前预知驾驶人换道行为意图的问题,提出了一种基于隐马尔科夫模型的驾驶人换道意图识别方法,站在宏观交通的方向上,综合考虑周边车辆运动状态的影响,通过整理分析真实道路车辆的换道数据,分析驾驶员行为,然后再此基础上,通过对有人驾驶行为的分析总结,依据有人驾驶认知和行为决策的规则,建立一个符合人类驾驶习惯,具有人工智能的无人驾驶换道意图识别模型,将其意图识别模型运用到无人驾驶感知模块中去,可以更好地为无人驾驶换道规划与决策服务,对无人驾驶的研究具有重要意义。
本发明的技术方案为:一种基于隐马尔科夫模型的驾驶人换道意图识别方法,具体包括如下步骤:
1)换道意图识别模型的建立:
1.1)设定观测状态参数:换道车辆速度v、换道车辆与换道车辆前方车辆之间的直线距离Gfo、换道车辆与换道车辆后方车辆之间的直线距离Gro、目标车道上换道车辆S前方车辆与换道车辆之间的直线距离Gft、为目标车道上换道车辆后方车辆与换道车辆的直线距离Grt、换道车辆前方车辆与换道车辆的速度差vfo、换道车辆后方车辆与换道车辆的速度差vro、为目标车道上换道车辆前方车辆与换道车辆的速度差vft、为目标车道上换道车辆后方车辆与换道车辆的速度差vrt共9个量作为观测状态参数;
1.2)换道数据的提取及处理:从公开数据库提取车辆轨迹数据,然后采用对称指数移动平均法对轨迹数据进行平滑处理,最后设定筛选规则,筛选出满足要求的换道轨迹数据,将其分为两组,一组用于训练,一组用于验证;
2)基于隐马尔科夫模型算法的建立:
2.1)隐马尔科夫模型及参数:
隐马尔科夫模型包含两组状态集合和三组概率集合,表示为λ={N,M,A,B,π},其中,N代表HMM的隐含状态数目,S={s1,s2,...,sN}为状态集合;M表示可观察值的数目,观察值组合的集合V={v1,v2,...,vm};A=[aij],aij=p(qt+1=sj/qt=si)表示状态转移概率,aij表示由状态si转移到状态sj的概率,且满足aij>0,B=[bik],bik表示在状态si下出现观察值vk的概率;π=[πi],πi=p0(qt=si)表示初始状态分布概率并且满足∑πi=1;
参数:
行驶状态有换道和直行两种,故N=2;
通过观测信息来推断驾驶状态,用参数表示可观察状态的数目,故M=9;
A表示换道和直行这2个隐状态相互间的转移概率组成的矩阵,即状态转移概率矩阵;
B表示由车间距离Gfo,Gro,Grt,Gft,换道车辆速度v,速度差vfo,vro,vrt,vft组成的观测值概率矩阵,即输出概率转移矩阵;
初始某个驾驶状态的概率矩阵,在满足马尔可夫链的条件下采用随机或均匀取值对其始化,因此采用均值法得到π=[1/2 1/2],即初始状态分布概率矩阵;
2.2)隐马尔科夫采用前-后向算法迭代求解的方法来进行模型的训练:将隐马尔科夫工具箱添加到MATLAB中,利用MATLAB编程实现批量导入学习训练样本进行步骤2.1)模型的训练,进而学习训练得到的训练后换道数据模型参数A、B、π,代入模型得到最终的换道意图识别模型用于换道意图识别;
3)用验证换道轨迹数据,对步骤2.2)训练后隐马尔科夫模型,利用Viterbi算法进行隐藏状态的解码识别,解码2个驾驶行为对应的概率值中最大值代表此时预测出来的驾驶行为,并得到训练后隐马尔科夫模型的换道数据和非换道数据识别正确率。
本发明的有益效果在于:本发明基于隐马尔科夫模型的驾驶人换道意图识别方法,,通过对本车和周围车辆运行状态的分析,建立了基于隐马尔可夫模型的驾驶换道意图识别方法,即用可观测的换道表征参数观测状态来实现隐含的驾驶员换道意图的预测。并以NGSIM数据集中的高速公路车辆数据库为基础,提取换道表征参数样本,并应用MATLAB中HMM工具箱编写算法进行对隐马尔科夫模型的训练和验证,最终对驾驶员换道意图的预测结果取得到了较好的准确率。
附图说明
图1为本发明换道车辆示意图;
图2为I-80检测路段示意图图;
图3为US-101检测路段示意图;
图4为所有换道车辆轨迹图;
图5为本发明换道车辆行驶轨迹图;
图6为本发明换道车辆速度图;
图7为本发明换道车辆周围车辆的轨迹图;
图8为本发明换道车辆的周围车辆的速度信息图。
具体实施方式
1、换道意图识别模型的建立
为了识别当前驾驶行为,通过分析车辆在换道阶段的特征与规律,选择换道车辆速度,换道车辆与原始车道前后方车辆,与目标车辆前后方车辆的车间距离及速度差9个量作为观测状态参数,并选取换道和直行作为隐含的状态参数,由此建立了用观测状态来获取隐含状态即驾驶员换道意图识别模型。如下图1所示换道车辆示意图。其中Gfo为换道车辆S与换道车辆前方车辆之间的直线距离;Gro为换道车辆S与换道车辆后方车辆之间的直线距离;Gft为目标车道上换道车辆S前方车辆与换道车辆S之间的直线距离;Grt为目标车道上换道车辆S后方车辆与换道车辆的直线距离;vfo为换道车辆前方车辆与换道车辆S的速度差;vro为换道车辆后方车辆与换道车辆S的速度差;vft为目标车道上换道车辆S前方车辆与换道车辆S的速度差;vrt为目标车道上换道车辆S后方车辆与换道车辆S的速度差。
1)换道数据的提取及处理
用于训练及验证HMM的车辆轨迹数据来源于美国公开数据库—NGSIM(nextgeneration simulation)中两个高速公路数据集,分别为美国加利福利亚州洛杉矶101号公路(US-101)和埃默里维尔80号州际高速公路(I-80)由南向北行驶路段的车辆轨迹数据。将提取的NGSIM数据库数据分为两部分,一部分用来训练隐马尔科夫模型,一部分用来验证模型的有效性。
2)NGSIM数据库的介绍
NGSIM数据库是由美国联邦公路局于2005年4月13日通过使用多台高空照相机以每秒10帧的频率对交通路况进行拍摄,再通过图像处理技术获得车辆位置、速度、加速度等数据的公开数据库。选取I-80和US-101路段车辆轨迹数据集为研究数据,数据采集的时间间隔为0.1s。每一个采集样本含有13个属性,包括车辆编号,所属车道,纵向坐标,横向坐标,速度,加速度,时间,车辆类型,车身长度,前车编号,与前车车头间距,与前车车头时距。2路段均由5条主路车道、1条集散车道、1条入口匝道和1条出口匝道构成。如下图2,3所示I-80和US-101检测路段示意图:
3)数据的筛选
由于NGSIM数据库中的车辆轨迹数据并不全部满足要求,所以为明确研究对象,筛选出满足要求的换道轨迹数据,筛选规则如下:
1、仅考虑原始车道为2,3,4,5的主体车辆,因为发生在1,6车道的变道行为可能属于强制性换道,会对模型的建立产生干扰;
2、在检测时段内,小汽车占比约97%,卡车、摩托车由于样本较小且换道行为方式与乘用车不同,故不做考虑,选取小汽车为研究对象,即滤除车长小于3米或大于7米的数据;
3、过滤掉间距小于6m(表明车辆处于过度拥挤状态)或大于30m(表明车辆处于自由流动状态)的所有轨迹,因为过度拥塞或自由流动中的车道变化可能不遵循普遍模式;
4、为获取完整的单次换道行为,增加时间约束和横向位置约束对错误类型进行剔除,例如车辆正在尝试到达目标车道,刚越过车道线,但被周围的车辆阻挡,又折回原车道。
在MATLAB中,对换道规则进行算法的编写,从I-80和US-101数据中提取了符合要求的543个车道变换场景,所有换道车辆的轨迹图如图4所示。其中以一辆车为例,换道车辆的轨迹如下图5,换道车辆的速度变化趋势如图6所示,换道车辆与周围车辆之间可观测的观测参数信息如下图7(换道车辆周围车辆的轨迹),图8(换道车辆的周围车辆的速度)所示。
2、基于隐马尔科夫模型算法的建立
为了获得模拟换道驾驶意图的HMM模型,需要基于NGSIM数据库中提取的换道数据,并利用MATLAB中HMM工具箱编写算法对HMM模型进行训练,以获得模型参数状态概率分布,状态概率转移矩阵以及输出概率转移矩阵。
1)HMM模型及参数
隐马尔可夫模型(Hidden Markov Model)是一种统计模型,主要用来描述一个含有隐含的状态未知参数的马尔科夫过程。其过程是一个双重随机过程,其中一重随机过程不能直接观察到,通过状态转移概率矩阵描述。另一重随机过程输出可以观察到的观察符号,这由输出概率来定义。其应用是从外在观察序列辨识内在不可见状态,即从可观察的参数中确定该过程的隐含参数。
驾驶过程中驾驶人下一状态的驾驶行为是不可观测的,但换道车辆和周围车辆的行驶状态信息是可观测的,即换道行为预测本质就是利用可观测的换道表征参数信息预测不可见的即将实施的驾驶行为,同时隐马尔可夫模型的双重随机过程特性也非常符合驾驶过程中驾驶人驾驶行为形成特点。因此,采用隐马尔可夫模型来构建驾驶人换道意图预测模型是不错的选择。
隐马尔科夫模型包含两组状态集合和三组概率集合,可以表示为λ={N,M,A,B,π},其中,N代表HMM的隐含状态数目,S={s1,s2,...,sN}为状态集合。M表示可观察值的数目,观察值组合的集合V={v1,v2,...,vm},A=[aij],aij=p(qt+1=sj/qt=si)表示状态转移概率,aij表示由状态si转移到状态sj的概率,且满足aij>0,B=[bik],bik表示在状态si下出现观察值vk的概率。π=[πi],πi=p0(qt=si)表示初始状态分布概率并且满足∑πi=1。
HMM模型设计如下:
(1)驾驶员的驾驶状态不能直接被观察到,即为HMM中所说的隐含状态,用参数N来表示隐含状态数目,本文为识别换道驾驶意图,行驶状态有换道和直行两种,故N=2;
(2)虽然驾驶状态是不可观测的,但可以通过观测信息来推断,用参数表示可观察状态的数目,因用到9个换道表征参数,故M=9;
(3)A表示换道和直行这2个隐状态相互间的转移概率组成的矩阵;
(4)B表示由车间距离Gfo,Gro,Grt,Gft,换道车辆速度v,速度差vfo,vro,vrt,vft组成的观测值概率矩阵;
(5)为初始某个驾驶状态的概率矩阵,由于初始值选取对HMM模型训练最后的收敛结果影响较小,因此可在满足马尔可夫链的条件下采用随机或均匀取值对其始化,因此采用均值法得到π=[1/2 1/2]。
2)模型参数的获取
对于隐马尔可夫模型的训练,需要用到隐马尔可夫模型中的参数学习问题中的无指导的学习方法,对于隐马尔可夫模型而言,采用无指导的学习方法,没有解析方法。通常要首先给定一组不准确的参数,再通过反复迭代逐步求精的方式调整模型参数,最终使参数稳定在一个可以接受的精度。即HMM采用前-后向算法(Forward-Backward Algorithm)迭代求解的方法来进行模型的训练。将HMM工具箱添加到MATLAB中,利用MATLAB编程实现批量导入300组学习训练样本进行设计后HMM模型的训练,进而学习训练得到的换道数据模型参数:
状态转移概率矩阵A:
初始状态分布概率矩阵π:
输出概率转移矩阵B:
学习训练得到的非换道数据模型参数:
状态转移概率矩阵A1:
初始状态分布概率矩阵π1:
输出概率转移矩阵B1:
3、HMM模型的验证
HMM预测驾驶行为属于HMM的解码应用,为了验证模型训练的有效性,利用Viterbi算法进行隐藏状态的解码识别,解码2个驾驶行为对应的概率值中最大值代表此时预测出来的驾驶行为,为了验证本文提出的算法的正确性,分别利用83组换道数据和120组非换道数据进行了测试验证。测试结果如下所示表1:表1
对驾驶员换道意图的识别行为进行了研究,采用了基于隐马尔可夫模型理论建立了换道意图识别模型,根据本车与周围车辆的车间距离、位置、速度等交通信息进行驾驶行为预测,取得到了较好的识别结果。
Claims (1)
1.一种基于隐马尔科夫模型的驾驶人换道意图识别方法,其特征在于,具体包括如下步骤:
1)换道意图识别模型的建立:
1.1)设定观测状态参数:换道车辆速度v、换道车辆与换道车辆前方车辆之间的直线距离Gfo、换道车辆与换道车辆后方车辆之间的直线距离Gro、目标车道上换道车辆S前方车辆与换道车辆之间的直线距离Gft、为目标车道上换道车辆后方车辆与换道车辆的直线距离Grt、换道车辆前方车辆与换道车辆的速度差vfo、换道车辆后方车辆与换道车辆的速度差vro、为目标车道上换道车辆前方车辆与换道车辆的速度差vft、为目标车道上换道车辆后方车辆与换道车辆的速度差vrt共9个量作为观测状态参数;
1.2)换道数据的提取及处理:从公开数据库提取车辆轨迹数据,然后采用对称指数移动平均法对轨迹数据进行平滑处理,最后设定筛选规则,筛选出满足要求的换道轨迹数据,将其分为两组,一组用于训练,一组用于验证;
2)基于隐马尔科夫模型算法的建立:
2.1)隐马尔科夫模型及参数:
隐马尔科夫模型包含两组状态集合和三组概率集合,表示为λ={N,M,A,B,π},其中,N代表HMM的隐含状态数目,S={s1,s2,...,sN}为状态集合;M表示可观察值的数目,观察值组合的集合V={v1,v2,...,vm};A=[aij],aij=p(qt+1=sj/qt=si)表示状态转移概率,aij表示由状态si转移到状态sj的概率,且满足aij>0,B=[bik],bik表示在状态si下出现观察值vk的概率;π=[πi],πi=p0(qt=si)表示初始状态分布概率并且满足∑πi=1;
参数:
行驶状态有换道和直行两种,故N=2;
通过观测信息来推断驾驶状态,用参数表示可观察状态的数目,故M=9;
A表示换道和直行这2个隐状态相互间的转移概率组成的矩阵,即状态转移概率矩阵;
B表示由车间距离Gfo,Gro,Grt,Gft,换道车辆速度v,速度差vfo,vro,vrt,vft组成的观测值概率矩阵,即输出概率转移矩阵;
初始某个驾驶状态的概率矩阵,在满足马尔可夫链的条件下采用随机或均匀取值对其始化,因此采用均值法得到π=[1/2 1/2],即初始状态分布概率矩阵;
2.2)隐马尔科夫采用前-后向算法迭代求解的方法来进行模型的训练:将隐马尔科夫工具箱添加到MATLAB中,利用MATLAB编程实现批量导入学习训练样本进行步骤2.1)模型的训练,进而学习训练得到的训练后换道数据模型参数A、B、π,代入模型得到最终的换道意图识别模型用于换道意图识别;
3)用验证换道轨迹数据,对步骤2.2)训练后隐马尔科夫模型,利用Viterbi算法进行隐藏状态的解码识别,解码2个驾驶行为对应的概率值中最大值代表此时预测出来的驾驶行为,并得到训练后隐马尔科夫模型的换道数据和非换道数据识别正确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811330358.5A CN109460023A (zh) | 2018-11-09 | 2018-11-09 | 基于隐马尔科夫模型的驾驶人换道意图识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811330358.5A CN109460023A (zh) | 2018-11-09 | 2018-11-09 | 基于隐马尔科夫模型的驾驶人换道意图识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109460023A true CN109460023A (zh) | 2019-03-12 |
Family
ID=65609857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811330358.5A Pending CN109460023A (zh) | 2018-11-09 | 2018-11-09 | 基于隐马尔科夫模型的驾驶人换道意图识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109460023A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109979200A (zh) * | 2019-03-29 | 2019-07-05 | 武汉理工大学 | 一种全时共享公交专用道社会车辆换道引导系统及方法 |
CN110070108A (zh) * | 2019-03-28 | 2019-07-30 | 南京航空航天大学 | 一种基于ds证据理论的车辆换道行为预测方法 |
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 |
CN110555476A (zh) * | 2019-08-29 | 2019-12-10 | 华南理工大学 | 一种适用于人机混驾环境下智能车辆换道轨迹预测方法 |
CN110852281A (zh) * | 2019-11-13 | 2020-02-28 | 吉林大学 | 基于高斯混合隐马尔科夫模型的驾驶员换道意图识别方法 |
CN111114556A (zh) * | 2019-12-24 | 2020-05-08 | 北京工业大学 | 基于多源指数加权损失下lstm的换道意图识别方法 |
CN111483468A (zh) * | 2020-04-24 | 2020-08-04 | 广州大学 | 基于对抗模仿学习的无人驾驶车辆换道决策方法和系统 |
CN111882923A (zh) * | 2020-07-15 | 2020-11-03 | 山东省网联智能车辆产业技术研究院有限公司 | 一种智能网联汽车行为辨识方法 |
CN112347567A (zh) * | 2020-11-27 | 2021-02-09 | 青岛莱吉传动系统科技有限公司 | 一种车辆意图和轨迹预测的方法 |
CN112396120A (zh) * | 2020-11-25 | 2021-02-23 | 浙江天行健智能科技有限公司 | 一种基于svm算法的车辆换道意图识别建模方法 |
CN112560782A (zh) * | 2020-12-26 | 2021-03-26 | 浙江天行健智能科技有限公司 | 一种基于随机森林算法的车辆换道行为识别方法 |
CN112614373A (zh) * | 2020-12-29 | 2021-04-06 | 厦门大学 | 一种基于BiLSTM周车换道意图预测方法 |
CN113096379A (zh) * | 2021-03-03 | 2021-07-09 | 东南大学 | 基于交通冲突的驾驶风格识别方法 |
CN113516846A (zh) * | 2021-06-24 | 2021-10-19 | 长安大学 | 车辆换道行为预测模型构建、预测预警方法及系统 |
CN113762644A (zh) * | 2021-09-26 | 2021-12-07 | 中国联合网络通信集团有限公司 | 一种基于马尔科夫链的拥挤状态预测方法及装置 |
CN113911129A (zh) * | 2021-11-23 | 2022-01-11 | 吉林大学 | 一种基于驾驶行为生成机制的交通车意图识别方法 |
CN114666403A (zh) * | 2022-02-18 | 2022-06-24 | 国政通科技有限公司 | 一种基于目标轨迹的警务信息推送系统及方法 |
CN114852099A (zh) * | 2021-02-03 | 2022-08-05 | 郑州宇通客车股份有限公司 | 机动车换道行为的预测方法 |
CN116198520A (zh) * | 2023-02-24 | 2023-06-02 | 江西省交通科学研究院有限公司 | 一种匝道处驾驶行为短时预测方法、系统及可存储介质 |
CN116680519A (zh) * | 2023-04-18 | 2023-09-01 | 同济大学 | 一种基于gm-hmm模型的车辆换道意图识别方法 |
US11798407B1 (en) | 2022-08-03 | 2023-10-24 | Soochow University | Method and system for identifying lane changing intention of manually driven vehicle |
WO2024027027A1 (zh) * | 2022-08-03 | 2024-02-08 | 苏州大学 | 一种人工驾驶车辆换道意图识别方法和系统 |
CN117922576A (zh) * | 2024-03-22 | 2024-04-26 | 山东科技大学 | 一种基于数据和知识双驱动的自动驾驶车辆换道决策方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130089351A (ko) * | 2012-02-02 | 2013-08-12 | 자동차부품연구원 | 운전자 차선변경 의도 판단 시스템 |
CN104835319A (zh) * | 2015-04-07 | 2015-08-12 | 同济大学 | 一种高等级道路瓶颈区入匝道车辆汇入行为估计方法 |
CN106740864A (zh) * | 2017-01-12 | 2017-05-31 | 北京交通大学 | 一种驾驶行为意图判断与预测方法 |
CN106971194A (zh) * | 2017-02-16 | 2017-07-21 | 江苏大学 | 一种基于改进hmm和svm双层算法的驾驶意图识别方法 |
-
2018
- 2018-11-09 CN CN201811330358.5A patent/CN109460023A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130089351A (ko) * | 2012-02-02 | 2013-08-12 | 자동차부품연구원 | 운전자 차선변경 의도 판단 시스템 |
CN104835319A (zh) * | 2015-04-07 | 2015-08-12 | 同济大学 | 一种高等级道路瓶颈区入匝道车辆汇入行为估计方法 |
CN106740864A (zh) * | 2017-01-12 | 2017-05-31 | 北京交通大学 | 一种驾驶行为意图判断与预测方法 |
CN106971194A (zh) * | 2017-02-16 | 2017-07-21 | 江苏大学 | 一种基于改进hmm和svm双层算法的驾驶意图识别方法 |
Non-Patent Citations (5)
Title |
---|
FAN WANG,ETC: "Hidden Markov model-based approach for multimode process monitoring", 《CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS》 * |
宋晓琳,等: "基于HMM-SVM的驾驶员换道意图辨识研究", 《电子测量与仪器学报》 * |
李洁,等: "基于隐马尔可夫模型的驾驶员跟车意图研究", 《农业装备与车辆工程》 * |
熊晓夏,等: "危险换道驾驶行为预测方法研究", 《汽车工程》 * |
肖献强,等: "基于隐马尔可夫模型的驾驶行为预测方法研究", 《中国机械工程》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070108A (zh) * | 2019-03-28 | 2019-07-30 | 南京航空航天大学 | 一种基于ds证据理论的车辆换道行为预测方法 |
CN109979200A (zh) * | 2019-03-29 | 2019-07-05 | 武汉理工大学 | 一种全时共享公交专用道社会车辆换道引导系统及方法 |
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 |
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 |
CN110555476B (zh) * | 2019-08-29 | 2023-09-26 | 华南理工大学 | 一种适用于人机混驾环境下智能车辆换道轨迹预测方法 |
CN110555476A (zh) * | 2019-08-29 | 2019-12-10 | 华南理工大学 | 一种适用于人机混驾环境下智能车辆换道轨迹预测方法 |
CN110852281A (zh) * | 2019-11-13 | 2020-02-28 | 吉林大学 | 基于高斯混合隐马尔科夫模型的驾驶员换道意图识别方法 |
CN110852281B (zh) * | 2019-11-13 | 2022-05-17 | 吉林大学 | 基于高斯混合隐马尔科夫模型的驾驶员换道意图识别方法 |
CN111114556A (zh) * | 2019-12-24 | 2020-05-08 | 北京工业大学 | 基于多源指数加权损失下lstm的换道意图识别方法 |
CN111483468A (zh) * | 2020-04-24 | 2020-08-04 | 广州大学 | 基于对抗模仿学习的无人驾驶车辆换道决策方法和系统 |
CN111882923A (zh) * | 2020-07-15 | 2020-11-03 | 山东省网联智能车辆产业技术研究院有限公司 | 一种智能网联汽车行为辨识方法 |
CN112396120A (zh) * | 2020-11-25 | 2021-02-23 | 浙江天行健智能科技有限公司 | 一种基于svm算法的车辆换道意图识别建模方法 |
CN112347567A (zh) * | 2020-11-27 | 2021-02-09 | 青岛莱吉传动系统科技有限公司 | 一种车辆意图和轨迹预测的方法 |
CN112347567B (zh) * | 2020-11-27 | 2022-04-01 | 青岛莱吉传动系统科技有限公司 | 一种车辆意图和轨迹预测的方法 |
CN112560782A (zh) * | 2020-12-26 | 2021-03-26 | 浙江天行健智能科技有限公司 | 一种基于随机森林算法的车辆换道行为识别方法 |
CN112614373A (zh) * | 2020-12-29 | 2021-04-06 | 厦门大学 | 一种基于BiLSTM周车换道意图预测方法 |
CN114852099A (zh) * | 2021-02-03 | 2022-08-05 | 郑州宇通客车股份有限公司 | 机动车换道行为的预测方法 |
CN113096379A (zh) * | 2021-03-03 | 2021-07-09 | 东南大学 | 基于交通冲突的驾驶风格识别方法 |
CN113516846A (zh) * | 2021-06-24 | 2021-10-19 | 长安大学 | 车辆换道行为预测模型构建、预测预警方法及系统 |
CN113516846B (zh) * | 2021-06-24 | 2022-12-13 | 长安大学 | 车辆换道行为预测模型构建、预测预警方法及系统 |
CN113762644A (zh) * | 2021-09-26 | 2021-12-07 | 中国联合网络通信集团有限公司 | 一种基于马尔科夫链的拥挤状态预测方法及装置 |
CN113762644B (zh) * | 2021-09-26 | 2023-11-24 | 中国联合网络通信集团有限公司 | 一种基于马尔科夫链的拥挤状态预测方法及装置 |
CN113911129A (zh) * | 2021-11-23 | 2022-01-11 | 吉林大学 | 一种基于驾驶行为生成机制的交通车意图识别方法 |
CN113911129B (zh) * | 2021-11-23 | 2023-02-24 | 吉林大学 | 一种基于驾驶行为生成机制的交通车意图识别方法 |
CN114666403A (zh) * | 2022-02-18 | 2022-06-24 | 国政通科技有限公司 | 一种基于目标轨迹的警务信息推送系统及方法 |
US11798407B1 (en) | 2022-08-03 | 2023-10-24 | Soochow University | Method and system for identifying lane changing intention of manually driven vehicle |
WO2024027027A1 (zh) * | 2022-08-03 | 2024-02-08 | 苏州大学 | 一种人工驾驶车辆换道意图识别方法和系统 |
CN116198520A (zh) * | 2023-02-24 | 2023-06-02 | 江西省交通科学研究院有限公司 | 一种匝道处驾驶行为短时预测方法、系统及可存储介质 |
CN116198520B (zh) * | 2023-02-24 | 2023-09-22 | 江西省交通科学研究院有限公司 | 一种匝道处驾驶行为短时预测方法、系统及可存储介质 |
CN116680519A (zh) * | 2023-04-18 | 2023-09-01 | 同济大学 | 一种基于gm-hmm模型的车辆换道意图识别方法 |
CN117922576A (zh) * | 2024-03-22 | 2024-04-26 | 山东科技大学 | 一种基于数据和知识双驱动的自动驾驶车辆换道决策方法 |
CN117922576B (zh) * | 2024-03-22 | 2024-05-17 | 山东科技大学 | 一种基于数据和知识双驱动的自动驾驶车辆换道决策方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460023A (zh) | 基于隐马尔科夫模型的驾驶人换道意图识别方法 | |
CN109471436A (zh) | 基于混合高斯-隐马尔科夫模型的换道模型参数优化方法 | |
CN107492251A (zh) | 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法 | |
CN106971194A (zh) | 一种基于改进hmm和svm双层算法的驾驶意图识别方法 | |
CN110751847B (zh) | 一种自动驾驶车辆行为决策方法及系统 | |
CN113486822B (zh) | 一种基于驾驶意图的周围车辆轨迹预测方法及系统 | |
CN107239762A (zh) | 一种基于视觉的公交车内乘客人数统计方法 | |
CN103235933A (zh) | 一种基于隐马尔科夫模型的车辆异常行为检测方法 | |
CN112613225B (zh) | 一种基于神经网络元胞传输模型的交叉口交通状态预测方法 | |
CN114970321A (zh) | 一种基于动态轨迹流的场景流数字孪生方法及系统 | |
CN109727490A (zh) | 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 | |
CN111114556A (zh) | 基于多源指数加权损失下lstm的换道意图识别方法 | |
CN110288835A (zh) | 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 | |
CN102054176A (zh) | 用计算机对运动目标的场景图像建立语义场景模型的方法 | |
CN110182217A (zh) | 一种面向复杂超车场景的行驶任务复杂度量化评估方法 | |
CN115523934A (zh) | 一种基于深度学习的车辆轨迹预测方法及系统 | |
Chen et al. | Advanced driver assistance strategies for a single-vehicle overtaking a platoon on the two-lane two-way road | |
CN102945602B (zh) | 一种用于交通事件检测的车辆轨迹分类方法 | |
CN114091581A (zh) | 一种基于稀疏轨迹的车辆运营行为类型识别方法 | |
CN112559968A (zh) | 一种基于多情境数据的驾驶风格表征学习方法 | |
CN114516336B (zh) | 一种考虑道路约束条件的车辆轨迹预测方法 | |
CN115451987A (zh) | 一种自动驾驶汽车的路径规划学习方法 | |
Chen et al. | Platoon separation strategy optimization method based on deep cognition of a driver’s behavior at signalized intersections | |
CN114670867A (zh) | 基于分层学习和潜在风险模型的多车轨迹预测系统 | |
CN114495486A (zh) | 一种基于层次强化学习的微观交通流预测系统及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190312 |