CN111046919B - 一种融合行为意图的周围动态车辆轨迹预测系统及方法 - Google Patents
一种融合行为意图的周围动态车辆轨迹预测系统及方法 Download PDFInfo
- Publication number
- CN111046919B CN111046919B CN201911147198.5A CN201911147198A CN111046919B CN 111046919 B CN111046919 B CN 111046919B CN 201911147198 A CN201911147198 A CN 201911147198A CN 111046919 B CN111046919 B CN 111046919B
- Authority
- CN
- China
- Prior art keywords
- track
- vehicle
- lstm
- behavior
- prediction
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开了一种融合行为意图的周围动态车辆轨迹预测系统及方法,包括轨迹预测模块和行为意图的预测模块,轨迹预测模块是基于需要预测轨迹的目标车辆以及它周围车辆的历史轨迹的信息,作为长短时记忆回归神经网络的输入,由网络预测得到未来时域的预测轨迹;行为意图预测模块,是考虑不同车辆之间的行为交互,利用LSTM分类神经网络来得到基于目标车辆和周围车辆预测轨迹得到的行为意图的概率分布;将上述两个模块结果融合后输入多模态的LSTM轨迹预测神经网络,得到最终的预测轨迹的位置信息。该方法充分利用了车辆的运动信息和周围交通环境的信息,考虑了交通环境的动态变化和不确定性,提高了轨迹预测的准确性,适用于更复杂的驾驶场景。
Description
技术领域
本发明属于智能驾驶技术领域,具体指代一种融合行为意图的周围动态车辆轨迹预测系统及方法。
背景技术
随着汽车保有量的日益增加,道路交通逐渐趋于密集化和复杂化,进而导致驾驶压力的增大,使得驾驶员在正常交通场景下的驾驶能力下降,大大增加了交通事故的发生几率。在智能驾驶决策过程中,能对周围车辆的运动轨迹进行正确的预测,是智能车辆做出合适决策的基础。
目前,智能车辆可以通过先进的技术,根据目标车辆的运动状态来对未来的状态进行预测,据此信息来规划自车的行驶路线,但根据自车的运动状态往往有时间的滞后性,不能及时地反映目标车辆未来的运动趋势;目前技术所采用的方法大多依靠某一时刻的信息来预测下一时刻的信息,不能反映出目标车辆的运动特性是动态变化的。
本发明提出一种基于目标车辆运动信息和车车交互信息的LSTM网络的轨迹预测方法,该方法在基于目标车辆运动信息的基础上,考虑目标车辆周围的交通环境信息,通过分析目标车辆的周围交通信息状态来预测车辆的行为意图,能够提前感知到目标车辆的行为改变,从而提高轨迹预测的及时性和准确性,能保证自动驾驶车辆在复杂动态的具有高度不确定性的交通环境中能够安全的行驶。
发明内容
针对于上述现有技术的不足,本发明的目的在于提供一种融合行为意图的周围动态车辆轨迹预测系统及方法,以解决现有技术中忽略动态的交通环境对车辆轨迹预测的影响的问题。
为达到上述目的,本发明采用的技术方案如下:
本发明的一种融合行为意图的周围动态车辆轨迹预测系统,包括:轨迹预测模块、行为意图预测模块及基于多模态的LSTM轨迹预测模块;
所述轨迹预测模块,基于需要预测的目标车辆以及该车周围车辆的历史轨迹信息,作为长短时记忆(Long Short-Term Memory,LSTM)回归神经网络的输入,预测得到相关车辆未来时域内的轨迹信息Ypred;
所述行为意图预测模块,考虑周围车辆轨迹对目标车辆轨迹的影响,基于目标车辆和周围车辆的预测轨迹,通过LSTM分类神经网络,预测得到目标车辆的行为意图的概率P(mi|Ypred);
所述基于多模态的LSTM轨迹预测模块,基于不同的行为意图的概率P(mi|Ypred)和基于运动信息的预测轨迹Ypred为网络输入,通过多模态LSTM网络的计算,得到最终预测轨迹信息的概率分布参数θ,由此最终输出预测轨迹位置的分布P(Y|Xobs)。
优选地,所述历史轨迹信息Xobs包括:历史时域[-Tobs,0]内纵向位置x、侧向位置y、车速v、加速度a;所述预测得到的轨迹信息Ypred包括:未来时域[0,Tpred]内的纵向位置x、侧向位置y以及车速v。
所述长短时记忆(Long Short-Term Memory,LSTM)神经网络是一种基于循环神经网络(Recurrent Neural Network,RNN)的一种变体,在能实现上一时刻信息传递到下一时刻的同时,能有效解决训练过程中出现的梯度消失和梯度爆炸问题,所述长短时记忆神经网络的计算过程如下:
上述公式为某一时刻t一个LSTM单元的计算过程,一个LSTM单元包括三个门控单元(输入门it,遗忘门ft和输出门ot)和一个记忆单元ct,ht为网络的输出状态;Wxi,Whi,Wci,Wxf,Whf,Wcf,Wxc,Whc,Wxo,Who,Wco为权重矩阵,bi,bf,bc,bo为偏置向量;网络的权重矩阵和偏置向量由训练数据学习得到。
优选地,所述行为意图分为纵向及侧向运动两个维度,纵向行为意图分为加速A,减速D及正常行驶N;侧向行为意图分为左换道L,车道保持K和右换道R,故得到行为意图mi∈{AL,AK,AR,DL,DK,DR,NL,NK,NR}。
其中,Wy为回归向量的权重系数,by为回归向量的偏置。
优选地,对于LSTM分类神经网络,将softmax函数作用于网络的输出状态ht,得到不同行为意图mi的概率,softmax函数如下所示:
其中,M为行为意图类别的总个数,e为指数函数。
本发明的一种融合行为意图的周围动态车辆轨迹预测方法,步骤如下:
1)基于传感器信息,获取目标车辆和周围车辆的历史时域[-Tobs,0]内纵向位置x、侧向位置y、车速v、加速度a信号,即历史轨迹信息Xobs;
2)根据步骤1)中获取的历史轨迹信息Xobs作为输入信号建立LSTM回归神经网络模型,来预测目标车辆和周围车辆的轨迹,定义所需要预测的轨迹信息Ypred为未来时域[0,Tpred]内的纵向位置x、侧向位置y以及车速v信息;
3)根据步骤2)中所述得到的目标车辆和周围车辆的预测轨迹信息,建立LSTM分类神经网络模型,预测得到目标车辆的行为意图的概率分布P(mi|Ypred);
4)根据步骤3)中所述得到行为意图分布概率分布P(mi|Ypred)和步骤2)中得到的目标车辆的预测轨迹信息中的Y0 pred,建立多模态LSTM轨迹预测神经网络,输出最终预测轨迹多元高斯分布的参数θ,融合行为意图的预测轨迹的分布由下式得到:
优选地,所述步骤2)、3)、4)中LSTM神经网络的计算过程如下:
上述公式为某一时刻t一个LSTM单元的计算过程,一个LSTM单元包括三个门控单元(输入门it,遗忘门ft和输出门ot)和一个记忆单元ct,ht为网络的输出状态;Wxi,Whi,Wci,Wxf,Whf,Wcf,Wxc,Whc,Wxo,Who,Wco为权重矩阵,bi,bf,bc,bo为偏置向量;网络的权重矩阵和偏置向量由训练数据学习得到。
其中,Wy为回归向量的权重系数,by为回归向量的偏置。
优选地,所述步骤3)中采用的LSTM分类神经网络,将softmax函数作用于网络的输出状态ht,得到不同行为意图mi的概率,softmax函数如下所示:
其中,M为行为意图类别的总个数,e为指数函数。
本发明的有益效果:
本发明在智能车辆对周围车辆轨迹预测的过程中,除了考虑需要被预测车辆运动信息以为,还考虑了周围交通环境的信息,以及周围其他车辆对目标车辆驾驶意图的影响,能提高对周围车辆轨迹预测的准确性和及时性,从而服务于智能驾驶车辆的决策,使之在动态变化复杂的交通环境中更安全高效地行驶。
附图说明
图1为本发明系统原理框图。
图2为本发明中所采用的LSTM一个单元的计算框图。
具体实施方式
为了便于本领域技术人员的理解,下面结合实施例与附图对本发明作进一步的说明,实施方式提及的内容并非对本发明的限定。
参照图1所示,本发明的一种融合行为意图的周围动态车辆轨迹预测系统,包括:轨迹预测模块、行为意图预测模块及基于多模态的LSTM轨迹预测模块;
所述轨迹预测模块,基于需要预测的目标车辆以及该车周围车辆的历史轨迹信息,作为长短时记忆(Long Short-Term Memory,LSTM)回归神经网络的输入,预测得到相关车辆未来时域内的轨迹信息Ypred;
其中,所述历史轨迹信息Xobs包括:历史时域[-Tobs,0]内纵向位置x、侧向位置y、车速v、加速度a;所述预测得到的轨迹信息Ypred包括:未来时域[0,Tpred]内的纵向位置x、侧向位置y以及车速v。
所述长短时记忆(Long Short-Term Memory,LSTM)神经网络是一种基于循环神经网络(Recurrent Neural Network,RNN)的一种变体,在能实现上一时刻信息传递到下一时刻的同时,能有效解决训练过程中出现的梯度消失和梯度爆炸问题,所述长短时记忆神经网络的计算过程如下:
上述公式为某一时刻t一个LSTM单元的计算过程;参照图2所示,一个LSTM单元包括三个门控单元(输入门it,遗忘门ft和输出门ot)和一个记忆单元ct,ht为网络的输出状态;Wxi,Whi,Wci,Wxf,Whf,Wcf,Wxc,Whc,Wxo,Who,Wco为权重矩阵,bi,bf,bc,bo为偏置向量;网络的权重矩阵和偏置向量由训练数据学习得到。
所述行为意图预测模块,考虑周围车辆轨迹对目标车辆轨迹的影响,基于目标车辆和周围车辆的预测轨迹,通过LSTM分类神经网络,预测得到目标车辆的行为意图的概率P(mi|Ypred);
所述行为意图分为纵向及侧向运动两个维度,纵向行为意图分为加速A,减速D及正常行驶N;侧向行为意图分为左换道L,车道保持K和右换道R,故得到行为意图mi∈{AL,AK,AR,DL,DK,DR,NL,NK,NR}。
其中,Wy为回归向量的权重系数,by为回归向量的偏置。
对于LSTM分类神经网络,将softmax函数作用于网络的输出状态ht,得到不同行为意图mi的概率,softmax函数如下所示:
其中,M为行为意图类别的总个数,e为指数函数。
所述基于多模态的LSTM轨迹预测模块,基于不同的行为意图的概率P(mi|Ypred)和基于运动信息的预测轨迹Ypred为网络输入,通过多模态LSTM网络的计算,得到最终预测轨迹信息的概率分布参数θ,由此最终输出预测轨迹位置的分布P(Y|Xobs)。
一种融合行为意图的周围动态车辆轨迹预测方法,步骤如下:
1)基于传感器信息,获取目标车辆和周围车辆的历史时域[-Tobs,0]内纵向位置x、侧向位置y、车速v、加速度a信号,即历史轨迹信息Xobs;
2)根据步骤1)中获取的历史轨迹信息Xobs作为输入信号建立LSTM回归神经网络模型,来预测目标车辆和周围车辆的轨迹,定义所需要预测的轨迹信息Ypred为未来时域[0,Tpred]内的纵向位置x、侧向位置y以及车速v信息;
3)根据步骤2)中所述得到的目标车辆和周围车辆的预测轨迹信息,建立LSTM分类神经网络模型,预测得到目标车辆的行为意图的概率分布P(mi|Ypred);
4)根据步骤3)中所述得到行为意图分布概率分布P(mi|Ypred)和步骤2)中得到的目标车辆的预测轨迹信息中的Y0 pred,建立多模态LSTM轨迹预测神经网络,输出最终预测轨迹多元高斯分布的参数θ,融合行为意图的预测轨迹的分布由下式得到:
所述步骤2)、3)、4)中LSTM神经网络的计算过程如下:
上述公式为某一时刻t一个LSTM单元的计算过程,一个LSTM单元包括三个门控单元(输入门it,遗忘门ft和输出门ot)和一个记忆单元ct,ht为网络的输出状态;Wxi,Whi,Wci,Wxf,Whf,Wcf,Wxc,Whc,Wxo,Who,Wco为权重矩阵,bi,bf,bc,bo为偏置向量;网络的权重矩阵和偏置向量由训练数据学习得到。
其中,Wy为回归向量的权重系数,by为回归向量的偏置。
所述步骤3)中采用的LSTM分类神经网络,将softmax函数作用于网络的输出状态ht,得到不同行为意图mi的概率,softmax函数如下所示:
其中,M为行为意图类别的总个数,e为指数函数。
本发明具体应用途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (6)
1.一种融合行为意图的周围动态车辆轨迹预测系统,其特征在于,包括:轨迹预测模块、行为意图预测模块及基于多模态的LSTM轨迹预测模块;
所述轨迹预测模块,基于需要预测的目标车辆以及该车辆周围车辆的历史轨迹信息,作为长短时记忆回归神经网络的输入,预测得到相关车辆未来时域内的轨迹信息Ypred;
所述行为意图预测模块,考虑周围车辆轨迹对目标车辆轨迹的影响,基于目标车辆和周围车辆的预测轨迹,通过LSTM分类神经网络,预测得到目标车辆的行为意图的概率P(mi|Ypred);
所述基于多模态的LSTM轨迹预测模块,基于不同的行为意图的概率P(mi|Ypred)和基于运动信息的预测轨迹Ypred为网络输入,通过多模态LSTM网络的计算,得到最终预测轨迹信息的概率分布参数θ,由此最终输出预测轨迹位置的分布P(Y|Xobs);
对于LSTM回归神经网络,选取网络输出状态ht的线性组合为轨迹的回归向量
其中,Wy为回归向量的权重系数,by为回归向量的偏置。
2.根据权利要求1所述的融合行为意图的周围动态车辆轨迹预测系统,其特征在于,所述历史轨迹信息Xobs包括:历史时域[-Tobs,0]内纵向位置x、侧向位置y、车速v、加速度a;所述预测得到的轨迹信息Ypred包括:未来时域[0,Tpred]内的纵向位置x、侧向位置y以及车速v。
3.根据权利要求1所述的融合行为意图的周围动态车辆轨迹预测系统,其特征在于,所述行为意图分为纵向及侧向运动两个维度,纵向行为意图分为加速A,减速D及正常行驶N;侧向行为意图分为左换道L,车道保持K和右换道R,故得到行为意图mi∈{AL,AK,AR,DL,DK,DR,NL,NK,NR}。
4.根据权利要求1所述的融合行为意图的周围动态车辆轨迹预测系统,其特征在于,对于LSTM分类神经网络,将softmax函数作用于网络的输出状态ht,得到不同行为意图mi的概率,softmax函数如下所示:
其中,M为行为意图类别的总个数,e为指数函数。
5.一种融合行为意图的周围动态车辆轨迹预测方法,其特征在于,步骤如下:
1)基于传感器信息,获取目标车辆和周围车辆的历史时域[-Tobs,0]内纵向位置x、侧向位置y、车速v、加速度a信号,即历史轨迹信息Xobs;
2)根据步骤1)中获取的历史轨迹信息Xobs作为输入信号建立LSTM回归神经网络模型,来预测目标车辆和周围车辆的轨迹,定义所需要预测的轨迹信息Ypred为未来时域[0,Tpred]内的纵向位置x、侧向位置y以及车速v信息;
3)根据步骤2)中得到的目标车辆和周围车辆的预测轨迹信息,建立LSTM分类神经网络模型,预测得到目标车辆的行为意图的概率分布P(mi|Ypred);
4)根据步骤3)中所述得到行为意图分布概率分布P(mi|Ypred)和步骤2)中得到的目标车辆的预测轨迹信息中的Y0 pred,建立多模态LSTM轨迹预测神经网络,输出最终预测轨迹多元高斯分布的参数θ,融合行为意图的预测轨迹的分布由下式得到:
所述步骤2)中采用的LSTM回归神经网络,选取网络输出状态ht的线性组合为轨迹的回归向量
其中,Wy为回归向量的权重系数,by为回归向量的偏置。
6.根据权利要求5所述的融合行为意图的周围动态车辆轨迹预测方法,其特征在于,所述步骤3)中采用的LSTM分类神经网络,将softmax函数作用于网络的输出状态ht,得到不同行为意图mi的概率,softmax函数如下所示:
其中,M为行为意图类别的总个数,e为指数函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911147198.5A CN111046919B (zh) | 2019-11-21 | 2019-11-21 | 一种融合行为意图的周围动态车辆轨迹预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911147198.5A CN111046919B (zh) | 2019-11-21 | 2019-11-21 | 一种融合行为意图的周围动态车辆轨迹预测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111046919A CN111046919A (zh) | 2020-04-21 |
CN111046919B true CN111046919B (zh) | 2023-05-12 |
Family
ID=70232558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911147198.5A Active CN111046919B (zh) | 2019-11-21 | 2019-11-21 | 一种融合行为意图的周围动态车辆轨迹预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111046919B (zh) |
Families Citing this family (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111459168B (zh) * | 2020-04-23 | 2021-12-10 | 上海交通大学 | 一种融合的自动驾驶汽车过街行人轨迹预测方法及系统 |
CN111583715B (zh) * | 2020-04-29 | 2022-06-03 | 宁波吉利汽车研究开发有限公司 | 一种车辆轨迹预测方法、车辆碰撞预警方法、装置及存储介质 |
CN111783943B (zh) * | 2020-06-09 | 2024-04-16 | 南京航空航天大学 | 一种基于lstm神经网络的驾驶员制动强度预测方法 |
CN111695737B (zh) * | 2020-06-15 | 2023-08-11 | 中国电子科技集团公司第二十八研究所 | 一种基于lstm神经网络的群目标行进趋势预测方法 |
CN111746544B (zh) * | 2020-07-13 | 2021-05-25 | 吉林大学 | 一种体现驾驶员个性化行为的车道变换方法 |
CN112133089B (zh) * | 2020-07-21 | 2021-11-19 | 西安交通大学 | 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置 |
CN112053589B (zh) * | 2020-08-18 | 2022-05-24 | 北京航空航天大学 | 一种目标车辆换道行为自适应识别模型构建方法 |
CN114283576B (zh) * | 2020-09-28 | 2023-03-31 | 华为技术有限公司 | 一种车辆意图预测方法及相关装置 |
CN112215337B (zh) * | 2020-09-30 | 2024-05-14 | 江苏大学 | 一种基于环境注意力神经网络模型的车辆轨迹预测方法 |
CN112258841B (zh) * | 2020-10-26 | 2022-08-02 | 大连大学 | 一种基于它车辆轨迹预测的智能车辆风险评估方法 |
CN112364997B (zh) * | 2020-12-08 | 2021-06-04 | 北京三快在线科技有限公司 | 一种障碍物的轨迹预测方法及装置 |
CN112665590B (zh) * | 2020-12-11 | 2023-04-21 | 国汽(北京)智能网联汽车研究院有限公司 | 车辆的轨迹确定方法、装置、电子设备及计算机存储介质 |
CN112766310B (zh) * | 2020-12-30 | 2022-09-23 | 嬴彻星创智能科技(上海)有限公司 | 一种节油换道决策方法和系统 |
CN112650064B (zh) * | 2021-01-05 | 2022-01-18 | 南京航空航天大学 | 一种适应于混杂道路的智能汽车汇入控制系统及方法 |
CN112721948A (zh) * | 2021-01-11 | 2021-04-30 | 成都语动未来科技有限公司 | 基于预测和搜索框架的自动驾驶汽车变道调度的实现方法 |
CN112885079B (zh) * | 2021-01-11 | 2022-11-29 | 成都语动未来科技有限公司 | 一种基于全局注意力和状态共享的车辆轨迹预测方法 |
CN113096411A (zh) * | 2021-03-17 | 2021-07-09 | 武汉大学 | 一种基于车联网环境系统的交叉路口处车辆碰撞预警方法 |
CN112949597B (zh) * | 2021-04-06 | 2022-11-04 | 吉林大学 | 一种基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法 |
CN113128766A (zh) * | 2021-04-21 | 2021-07-16 | 科大讯飞股份有限公司 | 目的地预判方法、装置、电子设备和存储介质 |
CN113313941B (zh) * | 2021-05-25 | 2022-06-24 | 北京航空航天大学 | 基于记忆网络和编码器-解码器模型的车辆轨迹预测方法 |
CN113657433B (zh) * | 2021-07-01 | 2023-07-21 | 华南理工大学 | 一种车辆轨迹多模态预测方法 |
CN114120439A (zh) * | 2021-10-12 | 2022-03-01 | 江苏大学 | 一种智能汽车自车视角下的行人意图多任务识别及轨迹预测方法 |
CN113643542A (zh) * | 2021-10-13 | 2021-11-12 | 北京理工大学 | 基于集成学习的多车交互环境下车辆轨迹预测方法及系统 |
CN114005280B (zh) * | 2021-11-17 | 2023-03-28 | 同济大学 | 一种基于不确定性估计的车辆轨迹预测方法 |
CN114153207B (zh) * | 2021-11-29 | 2024-02-27 | 北京三快在线科技有限公司 | 一种无人驾驶设备的控制方法及控制装置 |
CN114312769B (zh) * | 2022-02-11 | 2023-11-10 | 清华大学 | 考虑周车横纵向运动意图的智能车辆紧急制动方法及系统 |
CN114379595B (zh) * | 2022-02-22 | 2023-04-07 | 无锡物联网创新中心有限公司 | 基于车辆行为特征与环境交互信息的车辆轨迹预测方法 |
CN114881339A (zh) * | 2022-05-19 | 2022-08-09 | 长安大学 | 车辆轨迹预测方法、系统、计算机设备及存储介质 |
CN114898558A (zh) * | 2022-05-23 | 2022-08-12 | 东风悦享科技有限公司 | 车辆协作通行的方法、系统、电子设备和存储介质 |
CN114997297B (zh) * | 2022-05-26 | 2024-05-03 | 哈尔滨工业大学 | 一种基于多级区域划分的目标运动意图推理方法及系统 |
CN117409566A (zh) * | 2022-07-06 | 2024-01-16 | 华为技术有限公司 | 轨迹预测方法及其装置、介质、程序产品和电子设备 |
CN115009275B (zh) * | 2022-08-08 | 2022-12-16 | 北京理工大学前沿技术研究院 | 面向城市场景下车辆轨迹预测方法、系统及存储介质 |
CN118067142A (zh) * | 2022-11-22 | 2024-05-24 | 华为技术有限公司 | 一种预测方法、装置和移动载体 |
CN115879294B (zh) * | 2022-11-30 | 2024-04-26 | 西部科学城智能网联汽车创新中心(重庆)有限公司 | 一种基于多车环境感知的全样车流轨迹生成方法及系统 |
CN117351712A (zh) * | 2023-10-11 | 2024-01-05 | 江苏大学 | 基于Cro-IntentFormer的融合车辆驾驶意图的周车轨迹预测方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109910909A (zh) * | 2019-02-25 | 2019-06-21 | 清华大学 | 一种多车运动状态的汽车轨迹网联交互式预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110304075B (zh) * | 2019-07-04 | 2020-06-26 | 清华大学 | 基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法 |
-
2019
- 2019-11-21 CN CN201911147198.5A patent/CN111046919B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109910909A (zh) * | 2019-02-25 | 2019-06-21 | 清华大学 | 一种多车运动状态的汽车轨迹网联交互式预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111046919A (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046919B (zh) | 一种融合行为意图的周围动态车辆轨迹预测系统及方法 | |
US11480972B2 (en) | Hybrid reinforcement learning for autonomous driving | |
WO2021077725A1 (zh) | 一种基于驾驶意图的周围车辆运动状态预测系统及方法 | |
CN110834644B (zh) | 一种车辆控制方法、装置、待控制车辆及存储介质 | |
CN112242059B (zh) | 基于动机与风险评估的无人驾驶车辆智能决策方法 | |
CN110843789B (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
CN110850861A (zh) | 基于注意的分层变道深度强化学习 | |
CN110850854A (zh) | 自动驾驶员代理和为自动驾驶员代理提供策略的策略服务器 | |
CN110356412B (zh) | 用于自主驾驶的自动规则学习的方法和设备 | |
CN111930110A (zh) | 一种结合社会生成对抗网络的意图轨迹预测方法 | |
CN112614373B (zh) | 一种基于BiLSTM周车换道意图预测方法 | |
CN110194156B (zh) | 智能网联混合动力汽车主动避撞增强学习控制系统和方法 | |
US11934957B2 (en) | Methods, systems, and apparatuses for user-understandable explainable learning models | |
EP4257443A1 (en) | Method and system for automatic driving data collection and closed-loop management | |
CN111830962A (zh) | 强化学习代理控制器的解释数据 | |
Wu et al. | Driver lane change intention recognition based on Attention Enhanced Residual-MBi-LSTM network | |
Yang et al. | Leveraging human driving preferences to predict vehicle speed | |
CN115523934A (zh) | 一种基于深度学习的车辆轨迹预测方法及系统 | |
Cheng et al. | Spatio-temporal image representation and deep-learning-based decision framework for automated vehicles | |
CN114446046A (zh) | 一种基于lstm模型的弱势交通参与者轨迹预测方法 | |
Benterki et al. | Driving intention prediction and state recognition on highway | |
CN111160089B (zh) | 一种基于不同车辆类型的轨迹预测系统及方法 | |
Gao et al. | Deep learning‐based hybrid model for the behaviour prediction of surrounding vehicles over long‐time periods | |
US20230029993A1 (en) | Systems and methods for behavior cloning with structured world models | |
Zhai et al. | Model for the cooperative obstacle‐avoidance of the automated vehicle swarm in a connected vehicles environment |
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 |