CN111079590B - 一种无人驾驶车辆的周边车辆行为预判方法 - Google Patents

一种无人驾驶车辆的周边车辆行为预判方法 Download PDF

Info

Publication number
CN111079590B
CN111079590B CN201911226415.XA CN201911226415A CN111079590B CN 111079590 B CN111079590 B CN 111079590B CN 201911226415 A CN201911226415 A CN 201911226415A CN 111079590 B CN111079590 B CN 111079590B
Authority
CN
China
Prior art keywords
data
track
time
vehicle
target vehicle
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
Application number
CN201911226415.XA
Other languages
English (en)
Other versions
CN111079590A (zh
Inventor
牟童
李贞妮
王骄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University China
Original Assignee
Northeastern University China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeastern University China filed Critical Northeastern University China
Priority to CN201911226415.XA priority Critical patent/CN111079590B/zh
Publication of CN111079590A publication Critical patent/CN111079590A/zh
Application granted granted Critical
Publication of CN111079590B publication Critical patent/CN111079590B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (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)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及无人驾驶车辆他车行为预测技术领域，提供一种无人驾驶车辆的周边车辆行为预判方法。首先获取目标车辆的轨迹数据和环境数据；然后对轨迹数据进行特征值添加及标准化处理，提取变道、直行轨迹数据并进行类别标注，随机提取长度为dk的时间段内的数据，构成第kLSTM数据集；接着对环境数据进行数据清洗，提取变道、直行环境数据，并进行类别标注，得到RF数据集；再构建并训练周边车辆行为预判的第kLSTM深度神经网络模型及随机森林模型，并结合随机森林模型和第1、2LSTM深度神经网络模型，对目标车辆进行行为预判；在预测出变道行为后，进行车辆轨迹预测。本发明能够提高无人驾驶车辆行为及轨迹预测的准确性及实时性。

Description

一种无人驾驶车辆的周边车辆行为预判方法
技术领域
本发明涉及无人驾驶车辆他车行为预测技术领域，特别是涉及一种无人驾驶车辆的周边车辆行为预判方法。
背景技术
无人驾驶汽车近年来进入了高速发展的阶段，随着人工智能研究的深入，越来越多的方法被应用于无人驾驶和智能汽车(辅助驾驶)的领域，同时也取得了丰硕的成果。而无论是智能汽车还是无人车，安全问题一直以来都是被研究的关键课题。
车辆跟驰和变道行为共同构成机动车驾驶人的基本驾驶行为。与跟驰行为相比，车辆变道对驾驶人的判断能力和操作能力有着更高的要求。不当的变道行为易引起交通流中其他车辆的联动反应，引发交通事故和交通拥堵。近年来，对变道行为的研究己成为交通流领域研究的热点问题之一。所以，在无人驾驶车辆中，对于周边车辆驾驶行为的变化应保持时刻关注，尽早发现周边车辆的变道意图有助于无人驾驶汽车对可能出现的驾驶情况提前做出决策。车辆轨迹常被用于车辆防碰撞预警，若能实时预测无人车周边车辆的变道行为和行进轨迹，则对于当前变道车辆的状态评估、危险警告以及车辆自主干预驾驶行为来实现无人驾驶车辆的避撞有很大的辅助意义。
常见的对于运动对象的行为及轨迹预测方法有对大量历史轨迹进行模式匹配的基于模式预测的方法，将车辆动力学约束、道路结构以及周边环境信息相结合的动态路径规划方法。一方面，基于模式匹配的方法存在一定的局限性，首先需要收集大量的驾驶员实际驾驶过程中的车辆行驶轨迹数据构建轨迹库，从已有观测轨迹中选取最为接近的一条作为预测轨迹；但车辆的行为决策和轨迹选择是在当前道路环境下进行的，其行驶速度、偏移方向以及横向纵向加速度都要受到特定的道路条件制约，若历史轨迹不包含实际路况结构(如车道曲率、宽度不同等)则预测结果会和实际相差较大。另一方面，动态路径规划方法是根据目标车辆周围的环境信息、道路结构和车辆动力学与运动学约束，通过路径规划算法为目标车辆规划出一条可行驶轨迹，虽然不受道路条件约束但相应的实时性较差。
发明内容
针对现有技术存在的未考虑当前环境信息、很难构建相对完全的轨迹库从而预测准确性差以及预测实时性差的问题，本发明提供一种无人驾驶车辆的周边车辆行为预判方法，能够提高无人驾驶车辆行为及轨迹预测的准确性及实时性。
本发明的技术方案为：
一种无人驾驶车辆的周边车辆行为预判方法，其特征在于，包括下述步骤：
步骤1：获取无人驾驶车辆在行驶过程中的轨迹数据和环境数据：实时获取目标车辆A的轨迹数据集为P＝{P1,P2,...,Pi,...,PI}、环境数据集为E＝{E1,E2,...,Ei,...,EI}；其中，所述目标车辆A为无人驾驶车辆A*的相邻车道中距离无人驾驶车辆A*最近的前方车辆；Pi为目标车辆A在第i个时间点的轨迹数据，相邻两个时间点的时间间隔为d s，I为轨迹中时间点总数，轨迹数据Pi包括4个轨迹特征，4个轨迹特征分别为横向位置xi、纵向位置yi、速度vi、加速度ai；Ei为目标车辆A在第i个时间点的环境数据，环境数据Ei包括6个环境特征，6个环境特征分别为目标车辆A与目标车辆A的前方车辆、无人驾驶车辆A*、无人驾驶车辆A*的前方车辆的相对纵向距离、相对纵向速度；
步骤2：构造LSTM数据集；
步骤2.1：对轨迹数据进行特征值添加，添加的特征值包括目标车辆A在第i个时间点的横向速度
Figure BDA0002302353910000021
纵向速度/>
Figure BDA0002302353910000022
横向加速度/>
Figure BDA0002302353910000023
纵向加速度
Figure BDA0002302353910000024
航向角/>
Figure BDA0002302353910000025
得到特征值添加后第i个时间点的轨迹数据为Pi'＝(xi,yi,vi,ai,vix,viy,aix,aiy,Anglei)；
步骤2.2：基于最大最小值归一化方法，对特征值添加后的轨迹数据中的每个轨迹特征进行标准化处理，将特征值映射到[0,1]区间；
步骤2.3：将轨迹中车头经过车道线处的点作为变道点，提取标准化处理后的轨迹数据中每个变道点前4s的轨迹数据作为变道轨迹数据、除变道轨迹数据之外的轨迹数据作为直行轨迹数据，并对变道轨迹数据和直行轨迹数据分别进行类别标注；其中，直行轨迹数据、左变道的变道轨迹数据、右变道的变道轨迹数据的类别标签分别为0、1、2；
步骤2.4：从变道轨迹数据和直行轨迹数据中均随机提取长度为dk的时间段内的数据，构成第kLSTM数据集为Ak＝{Ak1,Ak2,...,Akn,...,AkN}；其中，k＝1,2，d1<d2；n∈{1,2,...,N}，N为时间段总数；
Figure BDA0002302353910000026
j∈{1,2,...,Nk}，Nk为时间长度dk对应的时间点总数，Nk＝dk/d；Aknj＝{Aknj1,Aknj2,...,Aknjm,...,AknjM}，Aknjm为第kLSTM数据集中第n个时间段内第j个时间点处第m个轨迹特征的标准化处理后的值，m∈{1,2,...,M}，M为轨迹特征总数，M＝9，ckn为第kLSTM数据集中第n个时间段内的标准化处理后的轨迹数据/>
Figure BDA0002302353910000031
的类别标签；
步骤3：构造RF数据集；
步骤3.1：对环境数据进行数据清洗：对环境数据中缺失的数据利用高斯分布进行拟合，对环境数据中产生跳变的数据进行删除；
步骤3.2：提取数据清洗后的环境数据中每个变道点前4s的环境数据作为变道环境数据、除变道环境数据之外的环境数据作为直行环境数据，并对变道环境数据和直行环境数据分别进行类别标注，得到RF数据集为B＝{(B1,c1),(B2,c2),...,(Bl,cl),...,(BL,cL)}；其中，Bl为RF数据集中第l个时间点处的环境数据，cl为环境数据Bl的类别标签，直行环境数据、变道环境数据的类别标签分别为0、1；
步骤4：构建周边车辆行为预判的第kLSTM深度神经网络模型；
步骤4.1：以第t个时间点前长度为dk的时间段内的标准化处理后的轨迹数据int为输入、轨迹数据int的类别标签ht为输出，构建周边车辆行为预判的第kLSTM深度神经网络模型；
步骤4.2：利用第kLSTM数据集对第kLSTM深度神经网络模型进行训练；
步骤5：构建周边车辆行为预判的随机森林模型；
步骤5.1：对RF数据集B进行有放回地随机抽样R次，形成训练样本集；每个训练样本包括对应时间点的环境数据和对应时间点的环境数据的类别标签；
步骤5.2：从6个环境特征中随机选取S个环境特征；
步骤5.3：利用训练样本集和S个环境特征构建CART决策树；
步骤5.4：重复上述步骤5.1至5.3，直至构建K个CART决策树，由K个CART决策树构成随机森林模型；
步骤6：结合随机森林模型和第1、2LSTM深度神经网络模型，对目标车辆进行行为预判；
步骤6.1：实时采集目标车辆的轨迹数据和环境数据，并采用步骤2.1、步骤2.2中相同的方法对实时采集的轨迹数据进行特征值添加、标准化处理，采用步骤3.1中相同的方法对实时采集的环境数据进行数据清洗；
步骤6.2：将当前时刻的数据清洗后的环境数据输入随机森林模型，输出当前时刻环境数据的类别标签，若类别标签为1，则目标车辆可能进行变道，进入步骤6.3；若类别标签为0，则目标车辆可能进行直行，进入步骤6.4；
步骤6.3：将当前时刻前长度为d1的时间段内的标准化处理后的轨迹数据输入第1LSTM深度神经网络模型，输出当前时刻轨迹数据的类别标签，若类别标签为0，则目标车辆直行；若类别标签为1，则目标车辆进行左变道，进入步骤7；若类别标签为2，则目标车辆进行右变道，进入步骤7；
步骤6.4：将当前时刻前长度为d2的时间段内的标准化处理后的轨迹数据输入第2LSTM深度神经网络模型，输出当前时刻轨迹数据的类别标签，若类别标签为0，则目标车辆直行；若类别标签为1，则目标车辆进行左变道，进入步骤7；若类别标签为2，则目标车辆进行右变道，进入步骤7；
步骤7：进行车辆轨迹预测：
步骤7.1：进行变道点选取：选取当前时刻对应的点作为变道开始点；
步骤7.2：进行变道时间预测：以目标车辆在变道点的速度、横向速度、横向位移、航向角的tan值为输入、变道时间为输出，构建基于BP神经网络的变道时间预测模型；步骤2.3中的变道轨迹数据和每次变道对应的变道时间构成训练集，利用训练集中每次变道时目标车辆在变道点的速度、横向速度、横向位移、航向角的tan值和变道时间训练变道时间预测模型；将目标车辆在变道开始点的速度、横向速度、横向位移、航向角的tan值输入训练后的变道时间预测模型，输出目标车辆的变道时间估计值
Figure BDA0002302353910000041
目标车辆A的变道时间为目标车辆A从变道点到达无人驾驶车辆A*所在车道的中心线的时间；
步骤7.3：进行车辆纵向位移预测；
步骤7.3.1：提取训练集中每次变道时目标车辆在变道点的纵向速度、纵向位移、变道时间；
步骤7.3.2：计算平均变道时间，并对训练集中所有变道点的纵向位移按照变道时间和平均变道时间的比值进行等比例缩放，得到变道点纵向速度不同、纵向位移不同但变道时间相同的一组数据，进行以变道点纵向速度为自变量、缩放后的纵向位移为因变量的RANSAC回归，得到车辆纵向位移的RANSAC回归模型；
步骤7.3.3：将目标车辆在变道开始点的纵向速度输入RANSAC回归模型，输出纵向位移的回归值，按照平均变道时间和变道时间估计值
Figure BDA0002302353910000042
的比值对纵向位移的回归值进行缩放，得到目标车辆的纵向位移估计值/>
Figure BDA0002302353910000043
步骤7.4：进行车辆行驶轨迹预测：根据目标车辆的变道开始点、变道时间估计值
Figure BDA0002302353910000055
纵向位移估计值/>
Figure BDA0002302353910000056
采用三阶贝塞尔曲线绘制方法，选取最优曲线作为目标车辆的预测轨迹。
进一步地，所述步骤4.1包括下述步骤：
步骤4.1.1：构建LSTM单元：
构建遗忘门模型为
ft＝σ(Wf[ht-1,int]+bf)
其中，ft为遗忘门的输出，ht-1为上一时刻LSTM单元的输出，Wf为遗忘门的权重，bf为遗忘门的偏置；
构建输入门模型为
it＝σ(Wi[ht-1,int]+bi)
其中，it为输入门的输出，Wi为输入门的权重，bi为输入门的偏置；
构建候选门模型为
Figure BDA0002302353910000051
其中，
Figure BDA0002302353910000052
为候选向量，WC为候选门的权重，bC为候选门的偏置；
构建记忆单元函数为
Figure BDA0002302353910000053
构建输出门模型为
ot＝σ(Wo[ht-1,int]+bo)
其中，ot为输出门的输出，Wo为输出门的权重，bo为输出门的偏置；
利用tanh激活函数控制记忆单元，LSTM单元的输出为
Figure BDA0002302353910000054
步骤4.1.2：构建4层LSTM网络，LSTM网络接入全连接层、softmax分类器。
进一步地，所述步骤4中，4层LSTM网络的神经元个数分别为32、64、128、256，softmax分类器的损失函数为分类交叉熵损失函数，对第kLSTM深度神经网络模型进行训练采用的优化器为Adam优化器。
本发明的有益效果为：
本发明前期对轨迹数据和环境数据进行清洗，修正异常值以及对数据的特征选择降低了维度过高对分类精度造成的影响，构建了LSTM数据集及RF数据集，并分别训练了周边车辆行为预判的不同时间长度下的LSTM深度神经网络模型及随机森林模型，在随机森林模型的预测结果是变道、直行时分别选择低时间长度、高时间长度下的LSTM深度神经网络模型对车辆变道行为进行进一步的精确预测，并在预测车辆变道时快速生成车辆轨迹，考虑了当前环境信息，不需构建轨迹库，提高了无人驾驶车辆行为及轨迹预测的准确性及实时性。
附图说明
图1为本发明的无人驾驶车辆的周边车辆行为预判方法的总流程图。
图2为LSTM单元的结构示意图。
图3为具体实施方式中本发明的无人驾驶车辆的周边车辆行为预判方法中随机森林模型的预测流程图。
图4为具体实施方式中本发明的无人驾驶车辆的周边车辆行为预判方法中LSTM深度神经网络模型的预测流程图。
图5为具体实施方式中本发明的无人驾驶车辆的周边车辆行为预判方法中车辆轨迹预测的流程图。
具体实施方式
下面将结合附图和具体实施方式，对本发明作进一步描述。
如图1所示，本发明的无人驾驶车辆的周边车辆行为预判方法，包括下述步骤：
步骤1：获取无人驾驶车辆在行驶过程中的轨迹数据和环境数据：实时获取目标车辆A的轨迹数据集为P＝{P1,P2,...,Pi,...,PI}、环境数据集为E＝{E1,E2,...,Ei,...,EI}；其中，所述目标车辆A为无人驾驶车辆A*的相邻车道中距离无人驾驶车辆A*最近的前方车辆；Pi为目标车辆A在第i个时间点的轨迹数据，相邻两个时间点的时间间隔为d＝0.1s，I为轨迹中时间点总数，轨迹数据Pi包括4个轨迹特征，4个轨迹特征分别为横向位置xi、纵向位置yi、速度vi、加速度ai；Ei为目标车辆A在第i个时间点的环境数据，环境数据Ei包括6个环境特征，6个环境特征分别为目标车辆A与目标车辆A的前方车辆、无人驾驶车辆A*、无人驾驶车辆A*的前方车辆的相对纵向距离、相对纵向速度。
步骤2：构造LSTM数据集；
步骤2.1：对轨迹数据进行特征值添加，添加的特征值包括目标车辆A在第i个时间点的横向速度
Figure BDA0002302353910000061
纵向速度/>
Figure BDA0002302353910000062
横向加速度/>
Figure BDA0002302353910000063
纵向加速度/>
Figure BDA0002302353910000071
航向角/>
Figure BDA0002302353910000072
得到特征值添加后第i个时间点的轨迹数据为Pi'＝(xi,yi,vi,ai,vix,viy,aix,aiy,Anglei)；
步骤2.2：基于最大最小值归一化方法，对特征值添加后的轨迹数据中的每个轨迹特征进行标准化处理，将特征值映射到[0,1]区间；
步骤2.3：将轨迹中车头经过车道线处的点作为变道点，提取标准化处理后的轨迹数据中每个变道点前4s(40帧，每0.1s一帧)的轨迹数据作为变道轨迹数据、除变道轨迹数据之外的轨迹数据作为直行轨迹数据，并对变道轨迹数据和直行轨迹数据分别进行类别标注；其中，直行轨迹数据、左变道的变道轨迹数据、右变道的变道轨迹数据的类别标签分别为0、1、2；
步骤2.4：从变道轨迹数据和直行轨迹数据中均随机提取长度为dk的时间段内的数据，构成第kLSTM数据集为Ak＝{Ak1,Ak2,...,Akn,...,AkN}；其中，k＝1,2，d1<d2，d1＝0.5s，d2＝1s；n∈{1,2,...,N}，N为时间段总数；
Figure BDA0002302353910000073
j∈{1,2,...,Nk}，Nk为时间长度dk对应的时间点总数，Nk＝dk/d，N1＝5，N2＝10；Aknj＝{Aknj1,Aknj2,...,Aknjm,...,AknjM}，Aknjm为第kLSTM数据集中第n个时间段内第j个时间点处第m个轨迹特征的标准化处理后的值，m∈{1,2,...,M}，M为轨迹特征总数，M＝9，ckn为第kLSTM数据集中第n个时间段内的标准化处理后的轨迹数据/>
Figure BDA0002302353910000074
的类别标签。
步骤3：构造RF数据集；
步骤3.1：对环境数据进行数据清洗：对环境数据中缺失的数据利用高斯分布进行拟合，对环境数据中产生跳变的数据进行删除；
步骤3.2：提取数据清洗后的环境数据中每个变道点前4s的环境数据作为变道环境数据、除变道环境数据之外的环境数据作为直行环境数据，并对变道环境数据和直行环境数据分别进行类别标注，得到RF数据集为B＝{(B1,c1),(B2,c2),...,(Bl,cl),...,(BL,cL)}；其中，Bl为RF数据集中第l个时间点处的环境数据，cl为环境数据Bl的类别标签，直行环境数据、变道环境数据的类别标签分别为0、1。
步骤4：构建周边车辆行为预判的第kLSTM深度神经网络模型；
步骤4.1：以第t个时间点前长度为dk的时间段内的标准化处理后的轨迹数据int为输入、轨迹数据int的类别标签ht为输出，构建周边车辆行为预判的第kLSTM深度神经网络模型；
步骤4.2：利用第kLSTM数据集对第kLSTM深度神经网络模型进行训练。
本实施例中，如图2所示，所述步骤4.1包括下述步骤：
步骤4.1.1：构建LSTM单元：
构建遗忘门模型为
ft＝σ(Wf[ht-1,int]+bf)
其中，ft为遗忘门的输出，ht-1为上一时刻LSTM单元的输出，Wf为遗忘门的权重，bf为遗忘门的偏置；
构建输入门模型为
it＝σ(Wi[ht-1,int]+bi)
其中，it为输入门的输出，Wi为输入门的权重，bi为输入门的偏置；
构建候选门模型为
Figure BDA0002302353910000081
其中，
Figure BDA0002302353910000082
为候选向量，WC为候选门的权重，bC为候选门的偏置；
构建记忆单元函数为
Figure BDA0002302353910000083
构建输出门模型为
ot＝σ(Wo[ht-1,int]+bo)
其中，ot为输出门的输出，Wo为输出门的权重，bo为输出门的偏置；
利用tanh激活函数控制记忆单元，LSTM单元的输出为
Figure BDA0002302353910000084
步骤4.1.2：构建4层LSTM网络，LSTM网络接入全连接层、softmax分类器。
其中，4层LSTM网络的神经元个数分别为32、64、128、256，softmax分类器的损失函数为分类交叉熵损失函数，对第k LSTM深度神经网络模型进行训练采用的优化器为Adam优化器。softmax分类器的分类结果有三类——直行、左变道、右变道。
步骤5：构建周边车辆行为预判的随机森林模型；
步骤5.1：对RF数据集B进行有放回地随机抽样R次，形成训练样本集；每个训练样本包括对应时间点的环境数据和对应时间点的环境数据的类别标签；
步骤5.2：从6个环境特征中随机选取S个环境特征；
步骤5.3：利用训练样本集和S个环境特征构建CART决策树；
步骤5.4：重复上述步骤5.1至5.3，直至构建K个CART决策树，由K个CART决策树构成随机森林模型。
步骤6：结合随机森林模型和第1、2LSTM深度神经网络模型，对目标车辆进行行为预判；
步骤6.1：实时采集目标车辆的轨迹数据和环境数据，并采用步骤2.1、步骤2.2中相同的方法对实时采集的轨迹数据进行特征值添加、标准化处理，采用步骤3.1中相同的方法对实时采集的环境数据进行数据清洗；
步骤6.2：如图3所示，将当前时刻的数据清洗后的环境数据输入随机森林模型，输出当前时刻环境数据的类别标签，若类别标签为1，则目标车辆可能进行变道，进入步骤6.3；若类别标签为0，则目标车辆可能进行直行，进入步骤6.4；
步骤6.3：如图4所示，将当前时刻前长度为d1的时间段内的标准化处理后的轨迹数据输入第1LSTM深度神经网络模型，输出当前时刻轨迹数据的类别标签，若类别标签为0，则目标车辆直行；若类别标签为1，则目标车辆进行左变道，进入步骤7；若类别标签为2，则目标车辆进行右变道，进入步骤7；
步骤6.4：如图4所示，将当前时刻前长度为d2的时间段内的标准化处理后的轨迹数据输入第2LSTM深度神经网络模型，输出当前时刻轨迹数据的类别标签，若类别标签为0，则目标车辆直行；若类别标签为1，则目标车辆进行左变道，进入步骤7；若类别标签为2，则目标车辆进行右变道，进入步骤7。
其中，d1的取值除了本实施例中的0.5s外，也可根据实际情况选择0.3s、0.6s等，时间越短越会降低模型的准确率，但是能够提高模型的实时性。d2的取值除了本实施例中的1s外，也可根据实际情况选择1.5s等。
步骤7：如图5所示，进行车辆轨迹预测：
步骤7.1：进行变道点选取：选取当前时刻对应的点作为变道开始点；
步骤7.2：进行变道时间预测：以目标车辆在变道点的速度、横向速度、横向位移、航向角的tan值为输入、变道时间为输出，构建基于BP神经网络的变道时间预测模型；步骤2.3中的变道轨迹数据和每次变道对应的变道时间构成训练集，利用训练集中每次变道时目标车辆在变道点的速度、横向速度、横向位移、航向角的tan值和变道时间训练变道时间预测模型；将目标车辆在变道开始点的速度、横向速度、横向位移、航向角的tan值输入训练后的变道时间预测模型，输出目标车辆的变道时间估计值
Figure BDA0002302353910000101
目标车辆A的变道时间为目标车辆A从变道点到达无人驾驶车辆A*所在车道的中心线的时间；
步骤7.3：进行车辆纵向位移预测；
步骤7.3.1：提取训练集中每次变道时目标车辆在变道点的纵向速度、纵向位移、变道时间；
步骤7.3.2：计算平均变道时间，并对训练集中所有变道点的纵向位移按照变道时间和平均变道时间的比值进行等比例缩放，得到变道点纵向速度不同、纵向位移不同但变道时间相同的一组数据，进行以变道点纵向速度为自变量、缩放后的纵向位移为因变量的RANSAC回归，得到车辆纵向位移的RANSAC回归模型；
步骤7.3.3：将目标车辆在变道开始点的纵向速度输入RANSAC回归模型，输出纵向位移的回归值，按照平均变道时间和变道时间估计值
Figure BDA0002302353910000102
的比值对纵向位移的回归值进行缩放，得到目标车辆的纵向位移估计值/>
Figure BDA0002302353910000103
步骤7.4：进行车辆行驶轨迹预测：根据目标车辆的变道开始点、变道时间估计值
Figure BDA0002302353910000104
纵向位移估计值/>
Figure BDA0002302353910000105
采用三阶贝塞尔曲线绘制方法，选取最优曲线作为目标车辆的预测轨迹。
显然，上述实施例仅仅是本发明的一部分实施例，而不是全部的实施例。上述实施例仅用于解释本发明，并不构成对本发明保护范围的限定。基于上述实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，也即凡在本申请的精神和原理之内所作的所有修改、等同替换和改进等，均落在本发明要求的保护范围内。

Claims (3)

1.一种无人驾驶车辆的周边车辆行为预判方法，其特征在于，包括下述步骤：
步骤1：获取无人驾驶车辆在行驶过程中的轨迹数据和环境数据：实时获取目标车辆A的轨迹数据集为P＝{P1,P2,...,Pi,...,PI}、环境数据集为E＝{E1,E2,...,Ei,...,EI}；其中，所述目标车辆A为无人驾驶车辆A*的相邻车道中距离无人驾驶车辆A*最近的前方车辆；Pi为目标车辆A在第i个时间点的轨迹数据，相邻两个时间点的时间间隔为d s，I为轨迹中时间点总数，轨迹数据Pi包括4个轨迹特征，4个轨迹特征分别为横向位置xi、纵向位置yi、速度vi、加速度ai；Ei为目标车辆A在第i个时间点的环境数据，环境数据Ei包括6个环境特征，6个环境特征分别为目标车辆A与目标车辆A的前方车辆、无人驾驶车辆A*、无人驾驶车辆A*的前方车辆的相对纵向距离、相对纵向速度；
步骤2：构造LSTM数据集；
步骤2.1：对轨迹数据进行特征值添加，添加的特征值包括目标车辆A在第i个时间点的横向速度
Figure FDA0002302353900000011
纵向速度/>
Figure FDA0002302353900000012
横向加速度/>
Figure FDA0002302353900000013
纵向加速度
Figure FDA0002302353900000014
航向角/>
Figure FDA0002302353900000015
得到特征值添加后第i个时间点的轨迹数据为Pi'＝(xi,yi,vi,ai,vix,viy,aix,aiy,Anglei)；
步骤2.2：基于最大最小值归一化方法，对特征值添加后的轨迹数据中的每个轨迹特征进行标准化处理，将特征值映射到[0,1]区间；
步骤2.3：将轨迹中车头经过车道线处的点作为变道点，提取标准化处理后的轨迹数据中每个变道点前4s的轨迹数据作为变道轨迹数据、除变道轨迹数据之外的轨迹数据作为直行轨迹数据，并对变道轨迹数据和直行轨迹数据分别进行类别标注；其中，直行轨迹数据、左变道的变道轨迹数据、右变道的变道轨迹数据的类别标签分别为0、1、2；
步骤2.4：从变道轨迹数据和直行轨迹数据中均随机提取长度为dk的时间段内的数据，构成第kLSTM数据集为Ak＝{Ak1,Ak2,...,Akn,...,AkN}；其中，k＝1,2，d1<d2；n∈{1,2,...,N}，N为时间段总数；
Figure FDA0002302353900000016
Nk为时间长度dk对应的时间点总数，Nk＝dk/d；Aknj＝{Aknj1,Aknj2,...,Aknjm,...,AknjM}，Aknjm为第kLSTM数据集中第n个时间段内第j个时间点处第m个轨迹特征的标准化处理后的值，m∈{1,2,...,M}，M为轨迹特征总数，M＝9，ckn为第kLSTM数据集中第n个时间段内的标准化处理后的轨迹数据
Figure FDA0002302353900000021
的类别标签；
步骤3：构造RF数据集；
步骤3.1：对环境数据进行数据清洗：对环境数据中缺失的数据利用高斯分布进行拟合，对环境数据中产生跳变的数据进行删除；
步骤3.2：提取数据清洗后的环境数据中每个变道点前4s的环境数据作为变道环境数据、除变道环境数据之外的环境数据作为直行环境数据，并对变道环境数据和直行环境数据分别进行类别标注，得到RF数据集为B＝{(B1,c1),(B2,c2),...,(Bl,cl),...,(BL,cL)}；其中，Bl为RF数据集中第l个时间点处的环境数据，cl为环境数据Bl的类别标签，直行环境数据、变道环境数据的类别标签分别为0、1；
步骤4：构建周边车辆行为预判的第kLSTM深度神经网络模型；
步骤4.1：以第t个时间点前长度为dk的时间段内的标准化处理后的轨迹数据int为输入、轨迹数据int的类别标签ht为输出，构建周边车辆行为预判的第kLSTM深度神经网络模型；
步骤4.2：利用第kLSTM数据集对第kLSTM深度神经网络模型进行训练；
步骤5：构建周边车辆行为预判的随机森林模型；
步骤5.1：对RF数据集B进行有放回地随机抽样R次，形成训练样本集；每个训练样本包括对应时间点的环境数据和对应时间点的环境数据的类别标签；
步骤5.2：从6个环境特征中随机选取S个环境特征；
步骤5.3：利用训练样本集和S个环境特征构建CART决策树；
步骤5.4：重复上述步骤5.1至5.3，直至构建K个CART决策树，由K个CART决策树构成随机森林模型；
步骤6：结合随机森林模型和第1、2LSTM深度神经网络模型，对目标车辆进行行为预判；
步骤6.1：实时采集目标车辆的轨迹数据和环境数据，并采用步骤2.1、步骤2.2中相同的方法对实时采集的轨迹数据进行特征值添加、标准化处理，采用步骤3.1中相同的方法对实时采集的环境数据进行数据清洗；
步骤6.2：将当前时刻的数据清洗后的环境数据输入随机森林模型，输出当前时刻环境数据的类别标签，若类别标签为1，则目标车辆可能进行变道，进入步骤6.3；若类别标签为0，则目标车辆可能进行直行，进入步骤6.4；
步骤6.3：将当前时刻前长度为d1的时间段内的标准化处理后的轨迹数据输入第1LSTM深度神经网络模型，输出当前时刻轨迹数据的类别标签，若类别标签为0，则目标车辆直行；若类别标签为1，则目标车辆进行左变道，进入步骤7；若类别标签为2，则目标车辆进行右变道，进入步骤7；
步骤6.4：将当前时刻前长度为d2的时间段内的标准化处理后的轨迹数据输入第2LSTM深度神经网络模型，输出当前时刻轨迹数据的类别标签，若类别标签为0，则目标车辆直行；若类别标签为1，则目标车辆进行左变道，进入步骤7；若类别标签为2，则目标车辆进行右变道，进入步骤7；
步骤7：进行车辆轨迹预测：
步骤7.1：进行变道点选取：选取当前时刻对应的点作为变道开始点；
步骤7.2：进行变道时间预测：以目标车辆在变道点的速度、横向速度、横向位移、航向角的tan值为输入、变道时间为输出，构建基于BP神经网络的变道时间预测模型；步骤2.3中的变道轨迹数据和每次变道对应的变道时间构成训练集，利用训练集中每次变道时目标车辆在变道点的速度、横向速度、横向位移、航向角的tan值和变道时间训练变道时间预测模型；将目标车辆在变道开始点的速度、横向速度、横向位移、航向角的tan值输入训练后的变道时间预测模型，输出目标车辆的变道时间估计值
Figure FDA0002302353900000031
目标车辆A的变道时间为目标车辆A从变道点到达无人驾驶车辆A*所在车道的中心线的时间；
步骤7.3：进行车辆纵向位移预测；
步骤7.3.1：提取训练集中每次变道时目标车辆在变道点的纵向速度、纵向位移、变道时间；
步骤7.3.2：计算平均变道时间，并对训练集中所有变道点的纵向位移按照变道时间和平均变道时间的比值进行等比例缩放，得到变道点纵向速度不同、纵向位移不同但变道时间相同的一组数据，进行以变道点纵向速度为自变量、缩放后的纵向位移为因变量的RANSAC回归，得到车辆纵向位移的RANSAC回归模型；
步骤7.3.3：将目标车辆在变道开始点的纵向速度输入RANSAC回归模型，输出纵向位移的回归值，按照平均变道时间和变道时间估计值
Figure FDA0002302353900000032
的比值对纵向位移的回归值进行缩放，得到目标车辆的纵向位移估计值/>
Figure FDA0002302353900000033
步骤7.4：进行车辆行驶轨迹预测：根据目标车辆的变道开始点、变道时间估计值
Figure FDA0002302353900000034
纵向位移估计值/>
Figure FDA0002302353900000041
采用三阶贝塞尔曲线绘制方法，选取最优曲线作为目标车辆的预测轨迹。
2.根据权利要求1所述的无人驾驶车辆的周边车辆行为预判方法，其特征在于，所述步骤4.1包括下述步骤：
步骤4.1.1：构建LSTM单元：
构建遗忘门模型为
ft＝σ(Wf[ht-1,int]+bf)
其中，ft为遗忘门的输出，ht-1为上一时刻LSTM单元的输出，Wf为遗忘门的权重，bf为遗忘门的偏置；
构建输入门模型为
it＝σ(Wi[ht-1,int]+bi)
其中，it为输入门的输出，Wi为输入门的权重，bi为输入门的偏置；
构建候选门模型为
Figure FDA0002302353900000042
其中，
Figure FDA0002302353900000043
为候选向量，WC为候选门的权重，bC为候选门的偏置；
构建记忆单元函数为
Figure FDA0002302353900000044
构建输出门模型为
ot＝σ(Wo[ht-1,int]+bo)
其中，ot为输出门的输出，Wo为输出门的权重，bo为输出门的偏置；
利用tanh激活函数控制记忆单元，LSTM单元的输出为
Figure FDA0002302353900000045
步骤4.1.2：构建4层LSTM网络，LSTM网络接入全连接层、softmax分类器。
3.根据权利要求2所述的无人驾驶车辆的周边车辆行为预判方法，其特征在于，所述步骤4中，4层LSTM网络的神经元个数分别为32、64、128、256，softmax分类器的损失函数为分类交叉熵损失函数，对第k LSTM深度神经网络模型进行训练采用的优化器为Adam优化器。
CN201911226415.XA 2019-12-04 2019-12-04 一种无人驾驶车辆的周边车辆行为预判方法 Active CN111079590B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911226415.XA CN111079590B (zh) 2019-12-04 2019-12-04 一种无人驾驶车辆的周边车辆行为预判方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911226415.XA CN111079590B (zh) 2019-12-04 2019-12-04 一种无人驾驶车辆的周边车辆行为预判方法

Publications (2)

Publication Number Publication Date
CN111079590A CN111079590A (zh) 2020-04-28
CN111079590B true CN111079590B (zh) 2023-05-26

Family

ID=70312743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911226415.XA Active CN111079590B (zh) 2019-12-04 2019-12-04 一种无人驾驶车辆的周边车辆行为预判方法

Country Status (1)

Country Link
CN (1) CN111079590B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111754816B (zh) * 2020-06-04 2023-04-28 纵目科技（上海）股份有限公司 一种移动物体意图识别装置、方法、系统、终端和介质
US11814075B2 (en) * 2020-08-26 2023-11-14 Motional Ad Llc Conditional motion predictions
CN112085077B (zh) * 2020-08-28 2023-10-31 东软集团股份有限公司 车辆变道的确定方法、装置、存储介质和电子设备
CN112232161B (zh) * 2020-09-30 2023-04-07 华中科技大学 一种基于肌电映射模型切换的复杂运动连续估计方法
WO2022099526A1 (zh) * 2020-11-12 2022-05-19 深圳元戎启行科技有限公司 变道预测回归模型训练方法、变道预测方法和装置
CN112389436B (zh) * 2020-11-25 2022-11-15 中汽院智能网联科技有限公司 基于改进lstm神经网络的安全性自动驾驶换道轨迹规划方法
FR3117079A1 (fr) 2020-12-07 2022-06-10 Psa Automobiles Sa Procédé et dispositif de prédiction de changement de voie de circulation d’un véhicule circulant sur une route
CN112749210B (zh) * 2021-01-18 2024-03-12 优必爱信息技术（北京）有限公司 基于深度学习的车辆碰撞识别方法和系统
CN113033899B (zh) * 2021-03-29 2023-03-17 同济大学 无人驾驶邻近车辆轨迹预测方法
CN113239025B (zh) * 2021-04-23 2022-08-19 四川大学 基于特征选择和超参数优化的船舶轨迹分类方法
CN113401143B (zh) * 2021-07-19 2022-04-12 电子科技大学长三角研究院(衢州) 一种基于驾驶风格和意图的个性化自适应轨迹预测方法
CN113592184B (zh) * 2021-08-05 2022-03-08 中国科学院地理科学与资源研究所 一种预测适宜运动空间的方法和系统
CN113673412B (zh) * 2021-08-17 2023-09-26 驭势（上海）汽车科技有限公司 关键目标物的识别方法、装置、计算机设备及存储介质
CN114926802B (zh) * 2022-06-24 2024-06-28 重庆长安汽车股份有限公司 基于双层lstm网络的车辆轨迹预测方法
CN115482662B (zh) * 2022-09-09 2024-05-28 湖南大学 一种危险工况下驾驶员避撞行为预测方法及系统
CN115359662B (zh) * 2022-10-18 2023-01-10 智道网联科技(北京)有限公司 车道拥堵预测方法及装置
CN116729381A (zh) * 2023-06-02 2023-09-12 吉林省艾优数字科技有限公司 一种无人驾驶方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107368890A (zh) * 2016-05-11 2017-11-21 Tcl集团股份有限公司 一种以视觉为中心的基于深度学习的路况分析方法及系统
JP2018097763A (ja) * 2016-12-16 2018-06-21 本田技研工業株式会社 車両制御装置
CN109285348A (zh) * 2018-10-26 2019-01-29 深圳大学 一种基于双向长短时记忆网络的车辆行为识别方法及系统
CN110223515A (zh) * 2019-06-17 2019-09-10 北京航空航天大学 一种车辆轨迹生成方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10417906B2 (en) * 2016-12-23 2019-09-17 Here Global B.V. Lane level traffic information and navigation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107368890A (zh) * 2016-05-11 2017-11-21 Tcl集团股份有限公司 一种以视觉为中心的基于深度学习的路况分析方法及系统
JP2018097763A (ja) * 2016-12-16 2018-06-21 本田技研工業株式会社 車両制御装置
CN109285348A (zh) * 2018-10-26 2019-01-29 深圳大学 一种基于双向长短时记忆网络的车辆行为识别方法及系统
CN110223515A (zh) * 2019-06-17 2019-09-10 北京航空航天大学 一种车辆轨迹生成方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
季学武 等.基于LSTM网络的驾驶意图识别及车辆轨迹预测.中国公路学报.2019,第32卷(第6期),第34-42页. *

Also Published As

Publication number Publication date
CN111079590A (zh) 2020-04-28

Similar Documents

Publication Publication Date Title
CN111079590B (zh) 一种无人驾驶车辆的周边车辆行为预判方法
CN112347567B (zh) 一种车辆意图和轨迹预测的方法
CN111104969B (zh) 一种无人驾驶车辆与周边车辆的碰撞可能性预判方法
CN110949398B (zh) 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法
CN107492251B (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
Tang et al. Driver lane change intention recognition of intelligent vehicle based on long short-term memory network
CN113486822B (zh) 一种基于驾驶意图的周围车辆轨迹预测方法及系统
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
CN110288835B (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
CN112249008B (zh) 针对复杂动态环境的无人驾驶汽车预警方法
CN111930110A (zh) 一种结合社会生成对抗网络的意图轨迹预测方法
CN112116100B (zh) 一种考虑驾驶员类型的博弈论决策方法
CN112053589A (zh) 一种目标车辆换道行为自适应识别模型构建方法
DE112021001181T5 (de) Iterativer Optimierungsalgorithmus zur Fusionsvorhersage mit Multiskalen von Fahrzeuggeschwindigkeit für intelligente vernetzte Fahrzeuge
Li et al. Modeling vehicle merging position selection behaviors based on a finite mixture of linear regression models
Zhang et al. A framework for turning behavior classification at intersections using 3D LIDAR
Okuda et al. Design of automated merging control by minimizing decision entropy of drivers on main lane
CN115923833A (zh) 车辆的拟人化决策控制方法、装置、车辆及存储介质
CN115062202A (zh) 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质
Liu et al. A deep learning-based approach to line crossing prediction for lane change maneuver of adjacent target vehicles
CN117585017A (zh) 一种自动驾驶车辆换道决策方法、装置、设备及存储介质
CN113361613B (zh) 基于轨迹数据的上匝道车辆换道仿真模型分类方法及装置
Deng et al. Modeling and prediction of human behaviors based on driving data using multi-layer HMMs
CN111469852B (zh) 用于机动车的驾驶员辅助系统的主对象选择的方法和驾驶辅助系统
Raj et al. Lane Prediction by Autonomous Vehicle in Highway Traffic using Artificial Neural Networks

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