CN110288835A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110288835A CN110288835A CN201910574602.0A CN201910574602A CN110288835A CN 110288835 A CN110288835 A CN 110288835A CN 201910574602 A CN201910574602 A CN 201910574602A CN 110288835 A CN110288835 A CN 110288835A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- model
- vehicle behavior
- identification
- dhmm
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
Abstract
本发明公开了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,包括:周车典型行为和热区定义:对周边车辆典型行为进行机动行为分类,结合车道线和路肩位置,对道路划分成5个热点区域;隐马尔可夫车辆行为识别模型离线训练:对每个机动类分别建立离散隐马尔可夫模型DHMM,并使用EM算法对各DHMM模型训练,获得最佳DHMM模型组;建立车辆轨迹预测运动学模型:车辆轨迹预测运动学模型能够预测轨迹,产生车辆未来3个时步的位置序列信息;在线实时识别:将获取的车辆历史5时步位置序列和预测的车辆未来3时步的位置序列转化为8时步的热区序列,并输入到训练好的隐马尔可夫车辆行为识别模型,前向计算识别得出周边目标车辆行为。
Description
技术领域
本发明属于智能驾驶技术领域,具体涉及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。
背景技术
现如今无论是先进的驾驶员辅助系统,还是完全自动驾驶车辆都引发了各领域学者广泛的研究兴趣,毫无疑问,汽车智能化已经成为汽车产业发展最重要的潮流和趋势之一。此外,5G通信时代即将来临,并且我国是引领这个时代的领军者之一。5G车联网基于D2D技术实现的V2X通信,其空口时延在1ms左右,端到端时延控制在毫秒级,能够满足车联网通信的低时延和高可靠要求,使得主车能够在真实交通场景下实时准确获得周围车辆的状态信息。现阶段我们做自动驾驶最大的挑战并不是目标识别,而是行为理解,这是因为车辆的行为是无法直接观测的,需要通过可观测的变量进行概率推理。对周边车辆行为做出识别,可以为决策系统提供完备信息,减少事故发生的概率,增强智能驾驶主动安全性,其中实时性与准确性是至关重要的。
对于周边车辆的历史行驶轨迹是有迹可循的,即对于同一种典型的周边车辆行为,其行驶轨迹具有一定的相似性。以自车为中心视角,可以将周边车辆的每条行驶路径表示为区域内和区域间过渡的动态过程,同时对路径之间的过渡进行联合建模。现有的热区特征转换方法仅仅使用周车的历史位置信息,并且识别往往是在该行为已经基本完成,此时的识别的结果对智能车辆的实际意义不大,缺乏识别实时性与应用性。此外,在某一周边车辆行为执行初期,由于观测序列中该行为的历史信息不够完备同时又受到上一车辆行为的信息干扰,造成识别准确性普遍低。因此,为充分利用好周车历史与未来位置观测信息,同时考虑到识别结果的实时性与准确性,以符合真实交通环境下的实际要求,本发明提出一种基于预测补偿机制的周边车辆行为实时识别方法,预测周车的未来信息以补偿观测序列,从而提高周边车辆行为系统在真实交通环境中的识别能力。
发明内容
针对周边车辆行为识别实时性与准确性的要求,本发明提出了一种基于预测补偿机制的周边车辆行为实时识别方法,综合周边车辆的历史和未来状态信息,能够实时准确地对周边目标车辆的行为作出概率性推理,为智能车辆自身的决策规划提供参考依据。本发明的目的可以通过以下技术方案来实现。
一种基于预测补偿机制的周边车辆行为实时识别方法,具体包括:
Step1:周车典型行为和热区定义
对周边车辆典型行为进行机动分类,分别为左换道、右换道、保持车道。我国高速公路为双向三车道类型,以此为例,结合车道线和路肩位置,对道路划分成5个热点区域,每个区域都有对应的热区值。
Step2:隐马尔可夫车辆行为识别模型离线训练
对德国HighD轨迹数据集处理,将车辆轨迹信息转化为热区信息,根据机动分类对打车辆行为标签。对每个机动类分别建立离散隐马尔可夫(DHMM)模型,并使用EM期望最大化算法对各DHMM模型训练,获得最佳DHMM模型组。
Step3:建立车辆轨迹预测运动学模型
对目标车辆建立CTRA运动学模型,以对目标车辆未来轨迹位置进行预测。其中,设偏航速率和加速度为恒定值。运动学模型的输入量为x,y,θ,v,a,w一一对应的表示为纵向位置、横向位置、横摆角、行车速度、行车加速度以及横摆角速度。
速度预测方程为
v(t)=a0·Δt+v0
其中,a0为当前行车加速度,Δt为预测时步周期,v0为当前车速;
速度横纵向分量预测方程为
vx(t)=v(t)·cos(w0·t+θ0)
vy(t)=v(t)·sin(w0·t+θ0)
其中,w0为当前衡摆角速度,θ0为当前横摆角;
当w0≠0时位置预测方程为
其中,cx,cy为偏移量
当w0=0时位置预测方程为
根据上述位置预测方程,预测目标车辆未来3个时步的位置信息。
Step4:在线实时识别测试
周边目标车辆使用车载的GPS与IMU联合定位系统实时获取每个时刻自车的状态信息,主车通过该通信模块构建的5G通信网实时获取目标车辆自采的数据信息。采用动态8时步时窗方法,提取将获得的历史和预测的未来位置序列,并转化为组成一个8个时步热区序列并以此作为观测序列输入到各个训练好的DHMM行为分类模型。应用前向算法
其中αt(i)为前向中间变量,表示在时间t,DHMM输出了序列O1O2…Ot,并且位于状态si的概率。
计算得出各个DHMM的似然概率值取最大者为目标车辆识别结果。
本发明的有益效果:
(1)引入预测补偿机制,通过运动学模型补全周边目标车辆的未来信息,与历史信息组成观测序列,在车辆行为尚未结束前识别出目标车辆当前行为,增强周边车辆行为识别系统的应用性与准确性。
(2)车车通信之间采用当今最先进5G通信技术,主车不需要通过雷达或视觉复杂即能就能得到准确的周边车辆状态数据。
(3)将车辆轨迹信息转化为区域值序列,模型更简单,概率推测计算时间更短,增强系统识别实时性。
附图说明
图1一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整体框架;
图2道路热区的划分;
图3车辆CTRA运动模型;
图4隐马尔可夫模型。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1所示,本发明的实施包括如下:
Step1:周车典型行为和热区定义
对周边车辆典型行为进行机动分类,分别为左换道、右换道、保持车道。在对车辆我国高速公路为双向三车道类型,以此为例,结合车道线和路肩位置,对道路划分成5个热点区域,每个区域都有对应的热区值,分别为A、B、C、D、E。其中,设车道宽为L。设左路肩与左车道中心线右侧L/4处之间为区域A,左车道中心线右侧L/4处与中车道中心线左侧L/4处之间为区域B,中车道中心线左右侧L/4之间为区域C,中车道中心线右侧L/4处与右车道中心线左侧L/4处之间为区域D,右车道中心线右侧L/4处与右路肩之间为区域E,如图2所示。
Step2:隐马尔可夫模型离线训练
离散隐马尔科夫模型(Discrete Hidden Markov Model,DHMM)是关于时序的概率模型,通过可观测到的变量去研究不可观测的变量。如图4所示,对每个周边车辆行为分别建立DHMM模型,每个DHMM模型由一个五元组μ=(Q,V,A,B,π)组成,则有μLK,μLCL,μLCR,分别表示周车的维持车道、左换道、右换道行为识别模型。隐藏状态Q={Q1,Q2,…,QN}为完成每个车辆行为中的各项分解步骤,N为隐藏状态的数,其中NLK为1,NLCL和NLCR为3。可观察状态V={V1,V2,…,VM}为车辆所处的区域值,M为观察状态的数目,M为5。隐藏状态转移概率矩阵A=[aij]N×N的元素表示HMM模型中各个隐藏状态之间的转移概率,aij是在t时刻隐藏状态为Qi、在t+1时刻隐藏状态为Qj的概率,aij=P(It+1=Qj∣∣It=Qi),i=1,2…,N;j=1,2…,N,I是长度为T的状态序列,且I={I1,I2,…,IT};混淆矩阵B=[bj(k)]N×M的元素表示HMM模型中各个隐藏状态和观察状态之间的转移概率,bj(k)表示在t时刻,隐藏状态为Qj、观察状态为Ot的概率,bj(k)=P(Ot=Vk∣∣It=Qj),k=1,2…,M;j=1,2…,N,O是对应的观测序列;初始状态概率矩阵π=(πi),其中πi=P(I1=Qi),i=1,2,…,N,表示初始时刻t=1各个隐藏状态Qi的概率。
以德国HighD数据集作为车辆行为识别模型训练数据集,该数据集为德国亚琛工业大学汽车工程研究所采用无人机对德国高速公路自然车辆轨迹数据进行采集,相比于美国NGSIM数据集,不仅收集的车辆特征信息更多,而且收集的道路类型与中国高速公路一样(都为双向三车道)。对数据集进行去噪、平顺处理,并将车辆轨迹数据转化为热区值,根据机动分类对打车辆行为标签,每个标签由一个8时步的区域值序列对应一个行为类别,每个时步长0.2s。
首先对每一个车辆行为识别DHMM模型初始化,随机的给参数πi,aij,bj(k)赋值,使其满足约束:由此得到模型μ0。
将同一类别周边车辆行为(保持车道、左换道、右换道)的观测序列作为对应的DHMM分类模型的输入,依据模型初始化后的参数,采用EM期望最大化算法调整模型μ的参数,使概率函数最大化即逐步更新模型参数,最终获取各个车辆行为类别对应的最优HMM机动分类模型。
Step3:建立车辆轨迹预测运动学模型
如图3所示,对目标车辆建立CTRA运动学模型(Constant Turn Rate andAcceleration),其中设偏航速率和加速度为恒定值。运动学模型的输入量为x,y,θ,v,a,w一一对应的表示为纵向位置、横向位置、横摆角、行车速度、行车加速度以及横摆角速度。
速度预测方程为
v(t)=a0·Δt+v0
其中,a0为当前行车加速度,Δt为预测时步周期,v0为当前车速;
速度横向和纵向分量预测方程为
vx(t)=v(t)·cos(w0·t+θ0)
vy(t)=v(t)·sin(w0·t+θ0)
其中,w0为当前衡摆角速度,θ0为当前横摆角;
当w0≠0时位置预测方程为
其中,cx,cy为偏移量
当w0=0时位置预测方程为
根据上述位置预测方程,迭代预测目标车辆未来3个时步的位置信息。
Step4:在线实时识别测试
周边目标车辆使用车载的GPS与IMU联合定位系统实时获取每个时刻自车的纵向位置、横向位置、横摆角、行车速度、行车加速度以及横摆角速度。设定每辆交通车具备华为公司推出的5G车载集成通信模块MH5000,主车通过该通信模块构建的5G通信网实时获取目标车辆自采的数据信息,通讯频率为10Hz。根据step1,将获得的历史5个时步和step3中运动学预测的3个时步未来位置转化为8时步的热区值,并以此作为观测序列输入到step2各个训练好的HMM机动分类模型。
使用前向算法依次计算各个DHMM的似然概率值
α1(i)=πibi(O1),1≤i≤N
其中αt(i)为前向中间变量,表示在时间t,HMM输出了序列O1O2…Ot,并且位于状态si的概率。
最终取值最大者为周边目标车辆行为识别结果。
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 (10)
1.一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,其特征在于,包括如下:
周车典型行为和热区定义:对周边车辆典型行为进行机动分类,结合车道线和路肩位置,对道路划分成5个热点区域,每个区域都有对应的热区值;
隐马尔可夫车辆行为识别模型离线训练:对每个机动类分别建立离散隐马尔可夫模型DHMM,并使用EM期望最大化算法对各DHMM模型训练,获得最佳DHMM模型组;
建立车辆轨迹预测运动学模型:所述车辆轨迹预测运动学模型能够预测轨迹,产生车辆未来3个时步的位置序列预测信息;
在线实时识别:将获取的车辆历史信息序列和车辆轨迹预测运动学模型预测的车辆未来信息序列转化为热区序列,并输入训练好的隐马尔可夫车辆行为识别模型,计算预测出周边目标车辆行为。
2.根据权利要求1所述的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,其特征在于,所述周车典型行为是指对周边车辆典型行为进行机动分类,分别为左换道、右换道、保持车道。
3.根据权利要求1所述的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,其特征在于,所述热区定义是指结合车道线和路肩位置,对道路划分成5个热点区域,每个区域都有对应的热区值;其中,设车道宽为L,设左路肩与左车道中心线右侧L/4处之间为区域A,左车道中心线右侧L/4处与中车道中心线左侧L/4处之间为区域B,中车道中心线左右侧L/4之间为区域C,中车道中心线右侧L/4处与右车道中心线左侧L/4处之间为区域D,右车道中心线右侧L/4处与右路肩之间为区域E。
4.根据权利要求1所述的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,其特征在于,所述隐马尔可夫车辆行为识别模型采用离散隐马尔科夫模型,即DHMM模型,所述DHMM模型是针对每个周边车辆行为建立的。
5.根据权利要求4所述的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,其特征在于,所述DHMM模型的建模方法如下:
DHMM模型由一个五元组μ=(Q,V,A,B,π)组成,则有μLK,μLCL,μLCR,隐藏状态Q={Q1,Q2,…,QN}为完成每个车辆行为中的各项分解步骤,N为隐藏状态的数,其中NLK为1,NLCL和NLCR为3;可观察状态V={V1,V2,…,VM}为车辆所处的区域值,M为观察状态的数目,M为5;隐藏状态转移概率矩阵A=[aij]N×N的元素表示HMM模型中各个隐藏状态之间的转移概率,aij是在t时刻隐藏状态为Qi、在t+1时刻隐藏状态为Qj的概率,aij=P(It+1=Qj∣∣It=Qi),i=1,2…,N;j=1,2…,N,I是长度为T的状态序列,且I={I1,I2,…,IT};混淆矩阵B=[bj(k)]N×M的元素表示HMM模型中各个隐藏状态和观察状态之间的转移概率,bj(k)表示在t时刻,隐藏状态为Qj、观察状态为Ot的概率,bj(k)=P(Ot=Vk∣∣It=Qj),k=1,2…,M;j=1,2…,N,O是对应的观测序列;初始状态概率矩阵π=(πi),其中πi=P(I1=Qi),i=1,2,…,N,表示初始时刻t=1各个隐藏状态Qi的概率。
6.根据权利要求5所述的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,其特征在于,所述DHMM模型采用HighD数据集作为车辆行为识别模型训练数据集。
7.根据权利要求6所述的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,其特征在于,所述DHMM模型的训练方法包括如下:
对数据集进行去噪、平顺处理,并将车辆轨迹数据转化为热区值,根据机动分类对打车辆行为标签,每个标签由一个8时步的区域值序列对应一个行为类别,每个时步长0.2s;
首先对每一个车辆行为识别DHMM模型初始化,随机的给参数πi,aij,bj(k)赋值,使其满足约束:由此得到模型μ0;
将同一类别周边车辆行为的观测序列作为对应的DHMM分类模型的输入,依据模型初始化后的参数,采用EM期望最大化算法调整模型μ的参数,使概率函数最大化即逐步更新模型参数,最终获取各个车辆行为类别对应的最优HMM。
8.根据权利要求1所述的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,其特征在于,所述建立车辆轨迹预测运动学模型的方法包括如下:
对目标车辆建立CTRA运动学模型,其中设偏航速率和加速度为恒定值;
运动学模型的输入量为x,y,θ,v,a,w一一对应的表示为纵向位置、横向位置、横摆角、行车速度、行车加速度以及横摆角速度;
速度预测方程为
v(t)=a0·Δt+v0
其中,a0为当前行车加速度,Δt为预测时步周期,v0为当前车速;
速度横向和纵向分量预测方程为
vx(t)=v(t)·cos(w0·t+θ0)
vy(t)=v(t)·sin(w0·t+θ0)
其中,w0为当前衡摆角速度,θ0为当前横摆角;
当w0≠0时位置预测方程为
其中,cx,cy为偏移量
当w0=0时位置预测方程为
根据上述位置预测方程,迭代预测目标车辆未来3个时步的位置信息。
9.根据权利要求1所述的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,其特征在于,所述在线实时识别时,所述获取的车辆历史信息序列包括纵向位置、横向位置、横摆角、行车速度、行车加速度以及横摆角速度。
10.根据权利要求1所述的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,其特征在于,所述热区序列输入隐马尔可夫车辆行为识别模型后,采用前向算法依次计算各个DHMM的似然概率值
α1(i)=πibi(O1),1≤i≤N
其中αt(i)为前向中间变量,表示在时间t,HMM输出了序列O1O2…Ot,并且位于状态si的概率;
最终取值最大者为周边目标车辆行为识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910574602.0A CN110288835B (zh) | 2019-06-28 | 2019-06-28 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910574602.0A CN110288835B (zh) | 2019-06-28 | 2019-06-28 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110288835A true CN110288835A (zh) | 2019-09-27 |
CN110288835B CN110288835B (zh) | 2021-08-17 |
Family
ID=68019493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910574602.0A Active CN110288835B (zh) | 2019-06-28 | 2019-06-28 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288835B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111681335A (zh) * | 2020-03-18 | 2020-09-18 | 桂林电子科技大学 | 一种基于lstm技术的汽车轨迹预测系统及其预测方法 |
CN111738323A (zh) * | 2020-06-12 | 2020-10-02 | 上海应用技术大学 | 基于灰色马尔科夫模型的混合增强智能轨迹预测方法和装置 |
CN113301533A (zh) * | 2021-07-28 | 2021-08-24 | 武汉理工大学 | 一种基于车车通讯的感知信息补偿系统与方法 |
CN113879211A (zh) * | 2021-11-01 | 2022-01-04 | 深圳智慧车联科技有限公司 | 预防渣土车右转过程与非机动车发生冲突的提醒方法及系统 |
WO2022063537A1 (de) * | 2020-09-25 | 2022-03-31 | Volkswagen Aktiengesellschaft | Verfahren und vorrichtung zum unterstützen einer manöverplanung für ein zumindest teilautomatisiert fahrendes fahrzeug oder einen roboter |
CN114265411A (zh) * | 2021-12-28 | 2022-04-01 | 上汽大众汽车有限公司 | 一种解决车辆预测模型性能受限于感知数据性能的方法 |
CN114332437A (zh) * | 2021-12-28 | 2022-04-12 | 埃洛克航空科技(北京)有限公司 | 车辆区域修复方法、装置、设备和存储介质 |
US11312373B2 (en) | 2020-03-05 | 2022-04-26 | Ford Global Technologies, Llc | Vehicle detection and response |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096531A (zh) * | 2016-05-31 | 2016-11-09 | 安徽省云力信息技术有限公司 | 一种基于深度学习的交通图像多类型车辆检测方法 |
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 |
US20170169709A1 (en) * | 2015-12-15 | 2017-06-15 | Denso Corporation | Drive support apparatus |
CN107958269A (zh) * | 2017-11-28 | 2018-04-24 | 江苏大学 | 一种基于隐马尔可夫模型的行车危险度预测方法 |
CN107967486A (zh) * | 2017-11-17 | 2018-04-27 | 江苏大学 | 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 |
US20180374360A1 (en) * | 2017-06-22 | 2018-12-27 | Bakhi.com Times Technology (Beijing) Co., Ltd. | Traffic prediction based on map images for autonomous driving |
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 |
EP3491581A1 (en) * | 2016-08-01 | 2019-06-05 | Connaught Electronics Ltd. | Method for capturing an object in an environmental region of a motor vehicle with prediction of the movement of the object, camera system as well as motor vehicle |
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 |
-
2019
- 2019-06-28 CN CN201910574602.0A patent/CN110288835B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170169709A1 (en) * | 2015-12-15 | 2017-06-15 | Denso Corporation | Drive support apparatus |
CN106096531A (zh) * | 2016-05-31 | 2016-11-09 | 安徽省云力信息技术有限公司 | 一种基于深度学习的交通图像多类型车辆检测方法 |
EP3491581A1 (en) * | 2016-08-01 | 2019-06-05 | Connaught Electronics Ltd. | Method for capturing an object in an environmental region of a motor vehicle with prediction of the movement of the object, camera system as well as motor vehicle |
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 |
US20180374360A1 (en) * | 2017-06-22 | 2018-12-27 | Bakhi.com Times Technology (Beijing) Co., Ltd. | Traffic prediction based on map images for autonomous driving |
CN107967486A (zh) * | 2017-11-17 | 2018-04-27 | 江苏大学 | 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 |
CN107958269A (zh) * | 2017-11-28 | 2018-04-24 | 江苏大学 | 一种基于隐马尔可夫模型的行车危险度预测方法 |
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 |
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 |
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 |
Non-Patent Citations (2)
Title |
---|
DENG Q等: "Prediction of human driver behaviors based on an improved HMM approach", 《IEEE INTELLIGENT VEHICLES SYMPOSIUM》 * |
刘志强等: "基于HMM和SVM级联算法的驾驶意图识别", 《汽车工程》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11312373B2 (en) | 2020-03-05 | 2022-04-26 | Ford Global Technologies, Llc | Vehicle detection and response |
CN111681335A (zh) * | 2020-03-18 | 2020-09-18 | 桂林电子科技大学 | 一种基于lstm技术的汽车轨迹预测系统及其预测方法 |
CN111738323A (zh) * | 2020-06-12 | 2020-10-02 | 上海应用技术大学 | 基于灰色马尔科夫模型的混合增强智能轨迹预测方法和装置 |
CN111738323B (zh) * | 2020-06-12 | 2024-04-16 | 上海应用技术大学 | 基于灰色马尔科夫模型的混合增强智能轨迹预测方法和装置 |
WO2022063537A1 (de) * | 2020-09-25 | 2022-03-31 | Volkswagen Aktiengesellschaft | Verfahren und vorrichtung zum unterstützen einer manöverplanung für ein zumindest teilautomatisiert fahrendes fahrzeug oder einen roboter |
CN113301533A (zh) * | 2021-07-28 | 2021-08-24 | 武汉理工大学 | 一种基于车车通讯的感知信息补偿系统与方法 |
CN113301533B (zh) * | 2021-07-28 | 2021-11-23 | 武汉理工大学 | 一种基于车车通讯的感知信息补偿系统与方法 |
CN113879211A (zh) * | 2021-11-01 | 2022-01-04 | 深圳智慧车联科技有限公司 | 预防渣土车右转过程与非机动车发生冲突的提醒方法及系统 |
CN114265411A (zh) * | 2021-12-28 | 2022-04-01 | 上汽大众汽车有限公司 | 一种解决车辆预测模型性能受限于感知数据性能的方法 |
CN114332437A (zh) * | 2021-12-28 | 2022-04-12 | 埃洛克航空科技(北京)有限公司 | 车辆区域修复方法、装置、设备和存储介质 |
CN114332437B (zh) * | 2021-12-28 | 2022-10-18 | 埃洛克航空科技(北京)有限公司 | 车辆区域修复方法、装置、设备和存储介质 |
CN114265411B (zh) * | 2021-12-28 | 2023-10-03 | 上汽大众汽车有限公司 | 一种解决车辆预测模型性能受限于感知数据性能的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110288835B (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110298122B (zh) | 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法 | |
CN111079590B (zh) | 一种无人驾驶车辆的周边车辆行为预判方法 | |
CN110007675B (zh) | 一种基于行车态势图的车辆自动驾驶决策系统及基于无人机的训练集制备方法 | |
CN109727490B (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 | |
CN107085938B (zh) | 基于车道线与gps跟随的智能驾驶局部轨迹容错规划方法 | |
CN111145552B (zh) | 基于5g网络的车辆动态换道轨迹的规划方法 | |
CN104835319B (zh) | 一种高等级道路瓶颈区入匝道车辆汇入行为估计方法 | |
CN112577506B (zh) | 一种自动驾驶局部路径规划方法和系统 | |
CN113720346B (zh) | 基于势能场和隐马尔可夫模型的车辆路径规划方法及系统 | |
CN112249008B (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
CN112644486B (zh) | 一种基于驾驶安全场的智能车避障轨迹规划方法 | |
CN103085815A (zh) | 一种识别驾驶员换道意图的方法 | |
Zhang et al. | A framework for turning behavior classification at intersections using 3D LIDAR | |
CN112116100A (zh) | 一种考虑驾驶员类型的博弈论决策方法 | |
US20230111354A1 (en) | Method and system for determining a mover model for motion forecasting in autonomous vehicle control | |
CN113255998A (zh) | 基于多智能体强化学习的高速道路无人驾驶车辆编队方法 | |
CN108470460A (zh) | 一种基于智能手机与rnn的周边车辆行为识别方法 | |
Ren et al. | Self-learned intelligence for integrated decision and control of automated vehicles at signalized intersections | |
Liu et al. | A deep learning-based approach to line crossing prediction for lane change maneuver of adjacent target vehicles | |
Gao et al. | Discretionary cut-in driving behavior risk assessment based on naturalistic driving data | |
CN114442630A (zh) | 一种基于强化学习和模型预测的智能车规划控制方法 | |
Lee et al. | Probabilistic inference of traffic participants' lane change intention for enhancing adaptive cruise control | |
Tariq et al. | Autonomous vehicle overtaking in a bidirectional mixed-traffic setting | |
Eiermann et al. | Driver Assistance for Safe and Comfortable On-Ramp Merging Using Environment Models Extended through V2X Communication and Role-Based Behavior Predictions |
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 |