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

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

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

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

v_x(t)＝v(t)·cos(w₀·t+θ₀)

v_y(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，c_x，c_y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α_t(i)为前向中间变量，表示在时间t，DHMM输出了序列O₁O₂…O_t，并且位于状态s_i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μ_LK,μ_LCL,μ_LCR，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,…,Q_N}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N_LK为1，N_LCL和N_LCR为3。可观察状态V＝{V₁,V₂,…,V_M}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＝[a_ij]_N×N的元素表示HMM模型中各个隐藏状态之间的转移概率，a_ij是在t时刻隐藏状态为Q_i、在t+1时刻隐藏状态为Q_j的概率，a_ij＝P(I_t+1＝Q_j∣∣I_t＝Q_i),i＝1,2…,N；j＝1,2…,N，I是长度为T的状态序列，且I＝{I₁,I₂,…,I_T}；混淆矩阵B＝[b_j(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,b_j(k)表示在t时刻，隐藏状态为Q_j、观察状态为O_t的概率，b_j(k)＝P(O_t＝V_k∣∣I_t＝Q_j),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＝(π_i)，其中π_i＝P(I₁＝Q_i)，i＝1，2，…，N，表示初始时刻t＝1各个隐藏状态Q_i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π_i,a_ij,b_j(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

v_x(t)＝v(t)·cos(w₀·t+θ₀)

v_y(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，c_x，c_y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)＝π_ib_i(O₁),1≤i≤N

其中α_t(i)为前向中间变量，表示在时间t，HMM输出了序列O₁O₂…O_t，并且位于状态s_i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μ_LK,μ_LCL,μ_LCR，隐藏状态Q＝{Q₁,Q₂,…,Q_N}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N_LK为1，N_LCL和N_LCR为3；可观察状态V＝{V₁,V₂,…,V_M}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＝[a_ij]_N×N的元素表示HMM模型中各个隐藏状态之间的转移概率，a_ij是在t时刻隐藏状态为Q_i、在t+1时刻隐藏状态为Q_j的概率，a_ij＝P(I_t+1＝Q_j∣∣I_t＝Q_i),i＝1,2…,N；j＝1,2…,N，I是长度为T的状态序列，且I＝{I₁,I₂,…,I_T}；混淆矩阵B＝[b_j(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,b_j(k)表示在t时刻，隐藏状态为Q_j、观察状态为O_t的概率，b_j(k)＝P(O_t＝V_k∣∣I_t＝Q_j),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＝(π_i)，其中π_i＝P(I₁＝Q_i)，i＝1，2，…，N，表示初始时刻t＝1各个隐藏状态Q_i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π_i,a_ij,b_j(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

v_x(t)＝v(t)·cos(w₀·t+θ₀)

v_y(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，c_x，c_y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)＝π_ib_i(O₁),1≤i≤N

其中α_t(i)为前向中间变量，表示在时间t，HMM输出了序列O₁O₂…O_t，并且位于状态s_i的概率；

最终取值最大者为周边目标车辆行为识别结果。