CN111104969A - 一种无人驾驶车辆与周边车辆的碰撞可能性预判方法 - Google Patents

一种无人驾驶车辆与周边车辆的碰撞可能性预判方法 Download PDF

Info

Publication number
CN111104969A
CN111104969A CN201911226442.7A CN201911226442A CN111104969A CN 111104969 A CN111104969 A CN 111104969A CN 201911226442 A CN201911226442 A CN 201911226442A CN 111104969 A CN111104969 A CN 111104969A
Authority
CN
China
Prior art keywords
data
time
lane change
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.)
Granted
Application number
CN201911226442.7A
Other languages
English (en)
Other versions
CN111104969B (zh
Inventor
李贞妮
牟童
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 CN201911226442.7A priority Critical patent/CN111104969B/zh
Publication of CN111104969A publication Critical patent/CN111104969A/zh
Application granted granted Critical
Publication of CN111104969B publication Critical patent/CN111104969B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/161—Decentralised systems, e.g. inter-vehicle communication

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及无人驾驶技术领域，提供一种无人驾驶车辆与周边车辆的碰撞可能性预判方法。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，提取并标注变道、直行轨迹数据，构造第kLSTM数据集；接着对环境数据进行数据清洗，提取并标注变道、直行环境数据，构造Adaboost数据集；再构建并训练第kAttention‑LSTM深度神经网络模型及Adaboost机器学习模型，并结合三个模型对目标车辆进行行为预判；在预测出变道行为后，进行碰撞可能性预判，并在判断处于危险驾驶状态时采取避撞措施。本发明能够提高无人驾驶车辆与周边车辆的碰撞可能性预判的准确性、实时性和效率。

Description

一种无人驾驶车辆与周边车辆的碰撞可能性预判方法
技术领域
本发明涉及无人驾驶技术领域，特别是涉及一种无人驾驶车辆与周边车辆的碰撞可能性预判方法。
背景技术
随着全球交通事故发生率的不断增长以及汽车保有量的不断增加，交通拥堵与交通安全问题日趋严峻，逐渐引起人们的广泛关注。据统计数字表明，自2005到2018年之间，全球每年约有超过125万人因道路交通事故而死亡，且中国排名第一，是全球道路交通事故死亡人数最高的国家。并且，随着中国经济的稳定发展和人民生活水平的不断提高，我国的汽车保有量不断攀升。据公安交管部门公布的数据统计，截至2018年9月底，全国机动车保有量达3.22亿辆，机动车驾驶人达4.03亿。汽车保有量的迅速增加，使得交通事故、交通拥堵和污染等问题日益严重。在该背景下，人们对汽车的主动安全和智能化需求不断提高，无人驾驶技术在世界各地引起了人们的普遍关注，也成为了国内外研究的热点问题。
无人驾驶车辆即可以自主行驶的车辆，能够综合周围环境及自车信息，实现类似人类的驾驶行为。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。而与跟驰行为相比，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。据统计，2018年我国因车道变换引发的交通事故约占总事故数的6％，由此造成的交通延误占到总延误的10％。在轻微交通事故中，因随意变道、强行“加塞”引发的事故占比约3成。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。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。车辆的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。
现有对车辆变道行为的预测方法主要是基于规则的方法，如通过计算车辆前进方向和车道线方向的曲率差的阈值判断是否变道，不过这种方法过于依赖车辆的运动状态，虽然能判断出变道行为但实时性较差。还有基于机器学习模型的分类方法如SVM、贝叶斯和BP神经网络等，这类方法虽然能把预测转换成一个分类进行解决，但相应的对输入数据有很强的依赖性并且准确程度相对不高。常见的还有基于概率图模型的HMM方法，把车辆行为作为隐藏状态，根据当前车辆的显示表现进行驾驶行为预测，但HMM模型并不能保存距当前行为较长时间的历史信息，而且使用动态规划算法的时间复杂度为O(|S|2)，保存两个相邻时间的状态之间转移概率的转移表的大小为|S|2，当可能的隐藏状态节点过多时，HMM算法就变得不再可行。
发明内容
针对现有技术存在的准确性低、实时性差、方法过于复杂、效率低的问题，本发明提供一种无人驾驶车辆与周边车辆的碰撞可能性预判方法，能够提高无人驾驶车辆与周边车辆的碰撞可能性预判的准确性、实时性和效率。
本发明的技术方案为：
一种无人驾驶车辆与周边车辆的碰撞可能性预判方法，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 BDA0002302354960000021
纵向速度
Figure BDA0002302354960000022
横向加速度
Figure BDA0002302354960000023
纵向加速度
Figure BDA0002302354960000024
航向角
Figure BDA0002302354960000025
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 BDA0002302354960000032
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 BDA0002302354960000031
的类别标签；
步骤3：构造Adaboost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Adaboost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kAttention-LSTM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：在第kLSTM深度神经网络模型后加入self-attention机制，得到加入self-attention机制的第kLSTM深度神经网络模型；
步骤4.3：将加入self-attention机制的第kLSTM深度神经网络模型依次接入全连接层、softmax分类器，得到第kAttention-LSTM深度神经网络模型，利用第kLSTM数据集对第kAttention-LSTM深度神经网络模型进行训练；
步骤5：以第l个时间点处的环境数据Bl为输入、类别标签cl为输出，利用数据集B构建周边车辆行为预判的Adaboost机器学习模型；
步骤6：结合Adaboost机器学习模型和第1、2Attention-LSTM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Adaboost机器学习模型，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1Attention-LSTM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2Attention-LSTM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：进行无人驾驶车辆的避撞决策：
步骤7.1：进行变道时间预测：选取当前时刻对应的点作为变道开始点，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 BDA0002302354960000042
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7.2：计算两车之间的变道过程阈值时间为
Figure BDA0002302354960000041
其中，trea为驾驶员反应时间，λ为预测修正系数，λ>1，S为公路两车距离阈值，vr0为变道开始点处目标车辆A与无人驾驶车辆A*之间的相对纵向速度；
步骤7.3：计算变道开始点后第t个时间点目标车辆A与无人驾驶车辆A*之间的可能碰撞时间为
Figure BDA0002302354960000051
其中，t≥0，变道开始点后第0个时间点为变道开始点；art、vrt、yrt分别为变道开始点后第t个时间点目标车辆A与无人驾驶车辆A*之间的相对纵向加速度、相对纵向速度、相对纵向距离，
Figure BDA0002302354960000052
aAt、
Figure BDA0002302354960000053
分别为变道开始点后第t个时间点目标车辆A、无人驾驶车辆A*的纵向加速度，vAt、
Figure BDA0002302354960000054
分别为变道开始点后第t个时间点目标车辆A、无人驾驶车辆A*的纵向速度，yAt、
Figure BDA0002302354960000055
分别为变道开始点后第t个时间点目标车辆A、无人驾驶车辆A*的纵向位置；
步骤7.4：若TTCt＞T*，则目标车辆A与无人驾驶车辆A*在变道开始点后第t个时间点不会发生碰撞，第t个时间点的碰撞概率Pt＝0；若0＜TTC t＜T*，则目标车辆A与无人驾驶车辆A*在变道开始点后第t个时间点可能发生碰撞，第t个时间点的碰撞概率
Figure BDA0002302354960000056
步骤7.5：若碰撞概率Pt＜β，则无人驾驶车辆A*在变道开始点后第t个时间点处于安全状态；若碰撞概率Pt＞β，则无人驾驶车辆A*在变道开始点后第t个时间点处于可能与目标车辆A碰撞的危险驾驶状态，统计从第t个时间点开始持续处于危险驾驶状态的时间tdur，当tdur≥tdur *时无人驾驶车辆A*采取减速制动措施，若从第t个时间点开始到下一个安全状态的时间小于tdur *，则将从第t个时间点开始到下一个安全状态的时间内的碰撞概率置为0；其中，β为碰撞概率阈值，tdur *为危险驾驶状态持续时间阈值，tdur *＝|γTTC0|，γ为时间长度参数。
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 BDA0002302354960000061
其中，
Figure BDA0002302354960000062
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 BDA0002302354960000063
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 BDA0002302354960000064
步骤4.1.2：构建4层LSTM网络，形成第kLSTM深度神经网络模型。
进一步地，所述步骤4.2包括下述步骤：
步骤4.2.1：计算第t个时间点及之前所有时间点的隐藏状态得分为
et＝WTht
其中，WT＝(h1,h2,...,ht,...,hNT)T，t∈{1,2,...,NT}，NT为时间点总数；
步骤4.2.2：利用softmax函数，对et进行归一化，得到第t个时间点的隐藏状态对第s个时间点的隐藏状态分配的注意力值为
Figure BDA0002302354960000065
其中，ets为et中的第s个元素，s∈{1,2,...,NT}；
步骤4.2.3：计算self-attention机制下第t个时间点的输出为
Figure BDA0002302354960000071
进一步地，所述步骤4.2包括下述步骤：
步骤4.2.1：计算第t个时间点及之前所有时间点的隐藏状态得分为
et＝tanh(WTht+b)
其中，WT＝(h1,h2,...,ht,...,hNT)T，t∈{1,2,...,NT}，NT为时间点总数，b为偏置；
步骤4.2.2：利用softmax函数，对et进行归一化，得到第t个时间点的隐藏状态对第s个时间点的隐藏状态分配的注意力值为
Figure BDA0002302354960000072
其中，ets为et中的第s个元素，s∈{1,2,...,NT}；
步骤4.2.3：计算self-attention机制下第t个时间点的输出为
Figure BDA0002302354960000073
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kAttention-LSTM深度神经网络模型进行训练采用的优化器为Adam优化器。
进一步地，所述步骤5包括下述步骤：
步骤5.1：将Adaboost数据集B＝{(B1,c1),(B2,c2),...,(Bl,cl),...,(BL,cL)}作为训练样本集，(Bl,cl)为第l个训练样本；
步骤5.2：初始化迭代次数K＝1，设置最大迭代次数为Kmax，初始化训练样本集B的权值分布为WK＝(wK1,wK2,...,wKl,...,wKL)；其中，wKl为第K次迭代中第l个训练样本的权值，
Figure BDA0002302354960000074
步骤5.3：以第l个时间点处的环境数据Bl为输入、类别标签cl为输出，使用具有权值分布WK的训练样本集B进行学习，得到第K个弱分类器GK(x)；其中，x为输入弱分类器的环境数据；
步骤5.4：计算GK(x)在训练样本集B上的分类误差率为
Figure BDA0002302354960000081
其中，I()为判断函数，若GK(Bl)≠cl为真则I(GK(Bl)≠cl)＝1，若GK(Bl)≠cl为假则I(GK(Bl)≠cl)＝0；
步骤5.5：计算GK(x)在强分类器中所占的权重为
Figure BDA0002302354960000082
步骤5.6：更新训练样本集B的权值分布为WK+1＝(wK+1,1,wK+1,2,...,wK+1,l,...,wK+1,L)；其中，
Figure BDA0002302354960000083
αK为预设的参数，ZK为归一化因子，
Figure BDA0002302354960000084
步骤5.7：若K＜Kmax，则令K＝K+1，返回步骤5.3；若K≥Kmax，则得到强分类器为
Figure BDA0002302354960000085
其中，sign*()为符号函数，
Figure BDA0002302354960000086
时
Figure BDA0002302354960000087
时，
Figure BDA0002302354960000088
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以构建LSTM数据集及Adaboost数据集，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。本发明分别训练了周边车辆行为预判的不同时间长度下的引入了注意力机制的LSTM深度神经网络模型及Adaboost机器学习模型，在Adaboost机器学习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Attention-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，相比于现有的HMM方法，LSTM网络更能关注到车辆行进过程的历史信息，避免了数据信息由于时间的流动而失效的问题；在原有的LSTM基础上增加NLP机器翻译中常用的Attention机制，让模型做出判断的点不只取决于最后一个隐藏层或是统一编码后的层级状态，而是给车辆行进过程中每个状态分配一个权值，把最终的决定权交于全部隐藏单元的手中，在一定程度上提高了模型的准确率，并有效去除了异常值的影响，增加了模型的鲁棒性。本发明在预测车辆变道时快速进行碰撞可能性预判、在判断处于危险驾驶状态时采取避撞措施，提高了无人驾驶车辆与周边车辆的碰撞可能性预判的准确性、实时性和效率。
附图说明
图1为本发明的无人驾驶车辆与周边车辆的碰撞可能性预判方法的总流程图。
图2为具体实施方式中本发明的无人驾驶车辆与周边车辆的碰撞可能性预判方法中Adaboost机器学习模型的预测流程图。
图3为具体实施方式中本发明的无人驾驶车辆与周边车辆的碰撞可能性预判方法中Attention-LSTM深度神经网络模型的预测流程图。
图4为具体实施方式中本发明的无人驾驶车辆与周边车辆的碰撞可能性预判方法中避撞决策的流程图。
图5为具体实施方式中变道车辆的纵向位移曲线图。
图6为具体实施方式中变道车辆的纵向速度曲线图。
图7为具体实施方式中变道车辆的纵向加速度曲线图。
图8为具体实施方式中目标车道后方跟随车辆的纵向位移曲线图。
图9为具体实施方式中目标车道后方跟随车辆的纵向速度曲线图。
图10为具体实施方式中目标车道后方跟随车辆的纵向加速度曲线图。
图11为具体实施方式中变道车辆与目标车道后方跟随车辆的相对纵向位移曲线图。
图12为具体实施方式中变道车辆与目标车道后方跟随车辆的相对纵向速度曲线图。
图13为具体实施方式中变道车辆与目标车道后方跟随车辆的相对纵向加速度曲线图。
图14为具体实施方式中以0.1s为一帧的碰撞概率离散图。
图15为具体实施方式中对图14进行插值和平滑后得到的碰撞概率连续图。
图16为具体实施方式中利用碰撞概率阈值对车辆行驶状态进行判断的示意图。
图17为具体实施方式中对图16中的行驶状态进行筛选后得到的行驶状态示意图。
图18为具体实施方式中利用危险驾驶状态持续时间阈值对异常点进行清除后得到的车辆状态判断结果示意图。
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与周边车辆的碰撞可能性预判方法，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＝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 BDA0002302354960000101
纵向速度
Figure BDA0002302354960000102
横向加速度
Figure BDA0002302354960000103
纵向加速度
Figure BDA0002302354960000104
航向角
Figure BDA0002302354960000105
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 BDA0002302354960000106
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 BDA0002302354960000111
的类别标签。
步骤3：构造Adaboost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Adaboost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kAttention-LSTM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：在第kLSTM深度神经网络模型后加入self-attention机制，得到加入self-attention机制的第kLSTM深度神经网络模型；
步骤4.3：将加入self-attention机制的第kLSTM深度神经网络模型依次接入全连接层、softmax分类器，得到第kAttention-LSTM深度神经网络模型，利用第kLSTM数据集对第kAttention-LSTM深度神经网络模型进行训练。
本实施例中，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 BDA0002302354960000121
其中，
Figure BDA0002302354960000122
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 BDA0002302354960000123
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 BDA0002302354960000124
步骤4.1.2：构建4层LSTM网络，形成第kLSTM深度神经网络模型。
本实施例中，所述步骤4.2包括下述步骤：
步骤4.2.1：计算第t个时间点及之前所有时间点的隐藏状态得分为
et＝WTht
其中，WT＝(h1,h2,...,ht,...,hNT)T，t∈{1,2,...,NT}，NT为时间点总数；
步骤4.2.2：利用softmax函数，对et进行归一化，得到第t个时间点的隐藏状态对第s个时间点的隐藏状态分配的注意力值为
Figure BDA0002302354960000125
其中，ets为et中的第s个元素，s∈{1,2,...,NT}；
步骤4.2.3：计算self-attention机制下第t个时间点的输出为
Figure BDA0002302354960000126
其中，步骤4.2.1还可以为：计算第t个时间点及之前所有时间点的隐藏状态得分为
et＝tanh(WTht+b)
其中，WT＝(h1,h2,...,ht,...,hNT)T，t∈{1,2,...,NT}，NT为时间点总数，b为偏置。
其中，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kAttention-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：以第l个时间点处的环境数据Bl为输入、类别标签cl为输出，利用数据集B构建周边车辆行为预判的Adaboost机器学习模型：
步骤5.1：将Adaboost数据集B＝{(B1,c1),(B2,c2),...,(Bl,cl),…,(BL,cL)}作为训练样本集，(Bl,cl)为第l个训练样本；
步骤5.2：初始化迭代次数K＝1，设置最大迭代次数为Kmax，初始化训练样本集B的权值分布为WK＝(wK1,wK2,…,wKl,...,wKL)；其中，wKl为第K次迭代中第l个训练样本的权值，
Figure BDA0002302354960000131
步骤5.3：以第l个时间点处的环境数据Bl为输入、类别标签cl为输出，使用具有权值分布WK的训练样本集B进行学习，得到第K个弱分类器GK(x)；其中，x为输入弱分类器的环境数据；
步骤5.4：计算GK(x)在训练样本集B上的分类误差率为
Figure BDA0002302354960000132
其中，I()为判断函数，若GK(Bl)≠cl为真则I(GK(Bl)≠cl)＝1，若GK(Bl)≠cl为假则I(GK(Bl)≠cl)＝0；
步骤5.5：计算GK(x)在强分类器中所占的权重为
Figure BDA0002302354960000133
步骤5.6：更新训练样本集B的权值分布为WK+1＝(wK+1,1,wK+1,2,...,wK+1,l,...,wK+1,L)；其中，
Figure BDA0002302354960000134
αK为预设的参数，ZK为归一化因子，
Figure BDA0002302354960000135
步骤5.7：若K＜Kmax，则令K＝K+1，返回步骤5.3；若K≥Kmax，则得到强分类器为
Figure BDA0002302354960000141
其中，sign*()为符号函数，
Figure BDA0002302354960000142
时
Figure BDA0002302354960000143
时，
Figure BDA0002302354960000144
步骤6：结合Adaboost机器学习模型和第1、2Attention-LSTM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2所示，将当前时刻的数据清洗后的环境数据输入Adaboost机器学习模型，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3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1Attention-LSTM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3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2Attention-LSTM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4所示，进行无人驾驶车辆的避撞决策：
步骤7.1：进行变道时间预测：选取当前时刻对应的点作为变道开始点，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 BDA0002302354960000157
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7.2：计算两车之间的变道过程阈值时间为
Figure BDA0002302354960000158
其中，trea为驾驶员反应时间，λ为预测修正系数，为保证安全驾驶，取λ>1，S为公路两车距离阈值，vr0为变道开始点处目标车辆A与无人驾驶车辆A*之间的相对纵向速度；其中，S主要跟车辆当前的相对速度及驾驶员反应时间和制动距离有关；
步骤7.3：计算变道开始点后第t个时间点目标车辆A与无人驾驶车辆A*之间的可能碰撞时间为
Figure BDA0002302354960000151
其中，t≥0，变道开始点后第0个时间点为变道开始点；art、vrt、yrt分别为变道开始点后第t个时间点目标车辆A与无人驾驶车辆A*之间的相对纵向加速度、相对纵向速度、相对纵向距离，
Figure BDA0002302354960000152
aAt、
Figure BDA0002302354960000153
分别为变道开始点后第t个时间点目标车辆A、无人驾驶车辆A*的纵向加速度，vAt、
Figure BDA0002302354960000154
分别为变道开始点后第t个时间点目标车辆A、无人驾驶车辆A*的纵向速度，yAt、
Figure BDA0002302354960000155
分别为变道开始点后第t个时间点目标车辆A、无人驾驶车辆A*的纵向位置；
步骤7.4：若TTCt＞T*，则目标车辆A与无人驾驶车辆A*在变道开始点后第t个时间点不会发生碰撞，第t个时间点的碰撞概率Pt＝0；若0＜TTC t＜T*，则目标车辆A与无人驾驶车辆A*在变道开始点后第t个时间点可能发生碰撞，第t个时间点的碰撞概率
Figure BDA0002302354960000156
步骤7.5：若碰撞概率Pt＜β，则无人驾驶车辆A*在变道开始点后第t个时间点处于安全状态；若碰撞概率Pt＞β，则无人驾驶车辆A*在变道开始点后第t个时间点处于可能与目标车辆A碰撞的危险驾驶状态，统计从第t个时间点开始持续处于危险驾驶状态的时间tdur，当tdur≥tdur *时无人驾驶车辆A*采取减速制动措施，若从第t个时间点开始到下一个安全状态的时间小于tdur *，则将从第t个时间点开始到下一个安全状态的时间内的碰撞概率置为0；其中，β为碰撞概率阈值，tdur *为危险驾驶状态持续时间阈值，tdur *＝|γTTC0|，γ为时间长度参数。本实施例中，γ＝0.1。其中，由于相对加速度的变化造成某些数据帧的TTC变化幅度很大，而这些TTC又在短时间内回到正常状态，而在此阶段的车辆行驶过程是安全的。为了消除此部分异常值的影响，引入了时间长度参数γ对异常状态加以排除，其基本思路为对于碰撞概率由0跳变为异常值的时刻，取连续tdur *秒对异常状态进行验证。
本实施例中，取NGSIM数据集中I-80号公路5:15-5:30的拥堵路况变道数据，对本发明的方法进行仿真分析。
其中，提取车辆ID为595的变道车辆(目标车辆A)及车辆ID为582的目标车道后方的跟随车辆(无人驾驶车辆A*)共8s的数据对变道过程中的碰撞可能性进行预判。
变道车辆(以后称之为前车)的纵向位移、纵向速度、纵向加速度曲线分别如图5、图6、图7所示。
对于目标车道后方跟随车辆(以后称之为后车)，同样提取其纵向位移、纵向速度、纵向加速度，其运动参数如图8、图9、图10所示。
计算得到前车和后车的相对运动状态参数结果可视化后如图11、图12、图13所示。
根据步骤7中的碰撞可能估计方法，首先根据两车相对运动状态计算可能碰撞时间TTCt并估计保持安全行驶的变道时间T*，本条车辆变道轨迹经过计算可得T*为6s。此时画出碰撞概率图像，得到以0.1s为一帧并逐帧判断的离散图像如图14所示，将图14经过插值和平滑后得到如图15所示的连续图像。
为了尽可能减少由于相对加速度跳变而引起的危险状态误判，本实施例中，首先取碰撞概率阈值β＝40％，对行驶过程中的车辆状态进行判断，如图16所示。图16中，阈值与曲线交点处的碰撞时间TTCt为(1-0.4)*T*＝3.6s，安全状态TTCt均大于3.6s，可能碰撞状态TTCt均小于3.6s。经筛选后行驶状态如图17所示。
利用危险驾驶状态持续时间阈值对异常点进行清除，最终得到的车辆状态判断结果如图18所示。由最终的车辆行驶状态判断图像可以看出，异常点排除之后的判别结果为在1s到2s的时间内，根据当前的车辆运动状态和危险驾驶状态持续时间判断为危险驾驶状态，车辆需要在接下来的行驶过程中采取相应措施避免碰撞。相对于原始数据，前车在3s时刻采取加速行驶速度增大，而后车减速制动速度减小，两车之间的相对速度增大，从而避免了碰撞发生。
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 (6)

1.一种无人驾驶车辆与周边车辆的碰撞可能性预判方法，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ds，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 FDA0002302354950000011
纵向速度
Figure FDA0002302354950000012
横向加速度
Figure FDA0002302354950000013
纵向加速度
Figure FDA0002302354950000014
航向角
Figure FDA0002302354950000015
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 FDA0002302354950000016
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 FDA0002302354950000021
的类别标签；
步骤3：构造Adaboost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Adaboost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kAttention-LSTM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：在第kLSTM深度神经网络模型后加入self-attention机制，得到加入self-attention机制的第kLSTM深度神经网络模型；
步骤4.3：将加入self-attention机制的第kLSTM深度神经网络模型依次接入全连接层、softmax分类器，得到第kAttention-LSTM深度神经网络模型，利用第kLSTM数据集对第kAttention-LSTM深度神经网络模型进行训练；
步骤5：以第l个时间点处的环境数据Bl为输入、类别标签cl为输出，利用数据集B构建周边车辆行为预判的Adaboost机器学习模型；
步骤6：结合Adaboost机器学习模型和第1、2Attention-LSTM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Adaboost机器学习模型，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1Attention-LSTM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2Attention-LSTM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：进行无人驾驶车辆的避撞决策：
步骤7.1：进行变道时间预测：选取当前时刻对应的点作为变道开始点，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 FDA0002302354950000033
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7.2：计算两车之间的变道过程阈值时间为
Figure FDA0002302354950000031
其中，trea为驾驶员反应时间，λ为预测修正系数，λ>1，S为公路两车距离阈值，vr0为变道开始点处目标车辆A与无人驾驶车辆A*之间的相对纵向速度；
步骤7.3：计算变道开始点后第t个时间点目标车辆A与无人驾驶车辆A*之间的可能碰撞时间为
Figure FDA0002302354950000032
其中，t≥0，变道开始点后第0个时间点为变道开始点；art、vrt、yrt分别为变道开始点后第t个时间点目标车辆A与无人驾驶车辆A*之间的相对纵向加速度、相对纵向速度、相对纵向距离，
Figure FDA0002302354950000041
aAt、
Figure FDA0002302354950000042
分别为变道开始点后第t个时间点目标车辆A、无人驾驶车辆A*的纵向加速度，vAt、
Figure FDA0002302354950000043
分别为变道开始点后第t个时间点目标车辆A、无人驾驶车辆A*的纵向速度，yAt、
Figure FDA0002302354950000044
分别为变道开始点后第t个时间点目标车辆A、无人驾驶车辆A*的纵向位置；
步骤7.4：若TTCt＞T*，则目标车辆A与无人驾驶车辆A*在变道开始点后第t个时间点不会发生碰撞，第t个时间点的碰撞概率Pt＝0；若0＜TTCt＜T*，则目标车辆A与无人驾驶车辆A*在变道开始点后第t个时间点可能发生碰撞，第t个时间点的碰撞概率
Figure FDA0002302354950000045
步骤7.5：若碰撞概率Pt＜β，则无人驾驶车辆A*在变道开始点后第t个时间点处于安全状态；若碰撞概率Pt＞β，则无人驾驶车辆A*在变道开始点后第t个时间点处于可能与目标车辆A碰撞的危险驾驶状态，统计从第t个时间点开始持续处于危险驾驶状态的时间tdur，当tdur≥tdur *时无人驾驶车辆A*采取减速制动措施，若从第t个时间点开始到下一个安全状态的时间小于tdur *，则将从第t个时间点开始到下一个安全状态的时间内的碰撞概率置为0；其中，β为碰撞概率阈值，tdur *为危险驾驶状态持续时间阈值，tdur *＝|γTTC0|，γ为时间长度参数。
2.根据权利要求1所述的无人驾驶车辆与周边车辆的碰撞可能性预判方法，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 FDA0002302354950000051
其中，
Figure FDA0002302354950000052
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 FDA0002302354950000053
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 FDA0002302354950000054
步骤4.1.2：构建4层LSTM网络，形成第kLSTM深度神经网络模型。
3.根据权利要求1所述的无人驾驶车辆与周边车辆的碰撞可能性预判方法，其特征在于，所述步骤4.2包括下述步骤：
步骤4.2.1：计算第t个时间点及之前所有时间点的隐藏状态得分为
et＝WTht
其中，WT＝(h1,h2,...,ht,...,hNT)T，t∈{1,2,...,NT}，NT为时间点总数；
步骤4.2.2：利用softmax函数，对et进行归一化，得到第t个时间点的隐藏状态对第s个时间点的隐藏状态分配的注意力值为
Figure FDA0002302354950000055
其中，ets为et中的第s个元素，s∈{1,2,...,NT}；
步骤4.2.3：计算self-attention机制下第t个时间点的输出为
Figure FDA0002302354950000056
4.根据权利要求1所述的无人驾驶车辆与周边车辆的碰撞可能性预判方法，其特征在于，所述步骤4.2包括下述步骤：
步骤4.2.1：计算第t个时间点及之前所有时间点的隐藏状态得分为
et＝tanh(WTht+b)
其中，WT＝(h1,h2,...,ht,...,hNT)T，t∈{1,2,...,NT}，NT为时间点总数，b为偏置；
步骤4.2.2：利用softmax函数，对et进行归一化，得到第t个时间点的隐藏状态对第s个时间点的隐藏状态分配的注意力值为
Figure FDA0002302354950000061
其中，ets为et中的第s个元素，s∈{1,2,...,NT}；
步骤4.2.3：计算self-attention机制下第t个时间点的输出为
Figure FDA0002302354950000062
5.根据权利要求2至4中任一项所述的无人驾驶车辆与周边车辆的碰撞可能性预判方法，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kAttention-LSTM深度神经网络模型进行训练采用的优化器为Adam优化器。
6.根据权利要求1所述的无人驾驶车辆与周边车辆的碰撞可能性预判方法，其特征在于，所述步骤5包括下述步骤：
步骤5.1：将Adaboost数据集B＝{(B1,c1),(B2,c2),...,(Bl,cl),...,(BL,cL)}作为训练样本集，(Bl,cl)为第l个训练样本；
步骤5.2：初始化迭代次数K＝1，设置最大迭代次数为Kmax，初始化训练样本集B的权值分布为WK＝(wK1,wK2,...,wKl,...,wKL)；其中，wKl为第K次迭代中第l个训练样本的权值，
Figure FDA0002302354950000063
步骤5.3：以第l个时间点处的环境数据Bl为输入、类别标签cl为输出，使用具有权值分布WK的训练样本集B进行学习，得到第K个弱分类器GK(x)；其中，x为输入弱分类器的环境数据；
步骤5.4：计算GK(x)在训练样本集B上的分类误差率为
Figure FDA0002302354950000071
其中，I()为判断函数，若GK(Bl)≠cl为真则I(GK(Bl)≠cl)＝1，若GK(Bl)≠cl为假则I(GK(Bl)≠cl)＝0；
步骤5.5：计算GK(x)在强分类器中所占的权重为
Figure FDA0002302354950000072
步骤5.6：更新训练样本集B的权值分布为WK+1＝(wK+1,1,wK+1,2,...,wK+1,l,...,wK+1,L)；其中，
Figure FDA0002302354950000073
αK为预设的参数，ZK为归一化因子，
Figure FDA0002302354950000074
步骤5.7：若K＜Kmax，则令K＝K+1，返回步骤5.3；若K≥Kmax，则得到强分类器为
Figure FDA0002302354950000075
其中，sign*()为符号函数，
Figure FDA0002302354950000076
时
Figure FDA0002302354950000077
时，
Figure FDA0002302354950000078
CN201911226442.7A 2019-12-04 2019-12-04 一种无人驾驶车辆与周边车辆的碰撞可能性预判方法 Active CN111104969B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911226442.7A CN111104969B (zh) 2019-12-04 2019-12-04 一种无人驾驶车辆与周边车辆的碰撞可能性预判方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911226442.7A CN111104969B (zh) 2019-12-04 2019-12-04 一种无人驾驶车辆与周边车辆的碰撞可能性预判方法

Publications (2)

Publication Number Publication Date
CN111104969A true CN111104969A (zh) 2020-05-05
CN111104969B CN111104969B (zh) 2023-09-19

Family

ID=70421940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911226442.7A Active CN111104969B (zh) 2019-12-04 2019-12-04 一种无人驾驶车辆与周边车辆的碰撞可能性预判方法

Country Status (1)

Country Link
CN (1) CN111104969B (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111754816A (zh) * 2020-06-04 2020-10-09 纵目科技（上海）股份有限公司 一种移动物体意图识别方法、系统、终端和存储介质
CN111783738A (zh) * 2020-07-29 2020-10-16 中国人民解放军国防科技大学 一种通信辐射源异常运动轨迹检测方法
CN112053557A (zh) * 2020-08-19 2020-12-08 西安理工大学 一种基于多车行进环境下的有轨电车冲突区域评估方法
CN112085077A (zh) * 2020-08-28 2020-12-15 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
CN112319477A (zh) * 2020-11-02 2021-02-05 天津大学 一种用于无人驾驶的决策规划方法
CN112382115A (zh) * 2020-10-29 2021-02-19 杭州电子科技大学 基于视觉感知的驾驶风险预警装置及方法
CN112396093A (zh) * 2020-10-29 2021-02-23 中国汽车技术研究中心有限公司 驾驶场景分类方法、装置、设备及可读存储介质
CN112389436A (zh) * 2020-11-25 2021-02-23 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
CN112487905A (zh) * 2020-11-23 2021-03-12 北京理工大学 一种车辆周边行人危险等级预测方法及系统
CN112498351A (zh) * 2020-11-20 2021-03-16 东风汽车集团有限公司 一种基于v2v的自动驾驶优化系统及方法
CN112530202A (zh) * 2020-11-23 2021-03-19 中国第一汽车股份有限公司 一种车辆变道的预测方法、装置、设备及车辆
CN112597922A (zh) * 2020-12-28 2021-04-02 深圳市普汇智联科技有限公司 一种基于无碰撞lstm的多目标轨迹预测方法
CN112698660A (zh) * 2020-12-31 2021-04-23 杭州电子科技大学 基于9轴传感器的驾驶行为视觉感知装置及方法
CN113920780A (zh) * 2021-09-01 2022-01-11 同济大学 基于联邦学习的云雾协同个性化前向碰撞风险预警方法
WO2022006777A1 (zh) * 2020-07-08 2022-01-13 深圳元戎启行科技有限公司 对周围移动物体进行变道分类的方法、系统、计算机设备及存储介质
CN114228637A (zh) * 2021-12-02 2022-03-25 科大讯飞股份有限公司 一种车辆断电保护方法、装置、存储介质及设备
CN114374953A (zh) * 2022-01-06 2022-04-19 西安交通大学 基于Hadoop和RAPIDS的多源特征转换基站下APP使用预测方法及系统
CN114495551A (zh) * 2021-12-31 2022-05-13 上海人工智能创新中心 轨迹规划方法、装置、设备和计算机可读存储介质
CN116246492A (zh) * 2023-03-16 2023-06-09 东南大学 一种基于时空注意力lstm和超阈值模型的车辆换道碰撞风险预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006043149A1 (de) * 2006-09-14 2008-03-27 Bayerische Motoren Werke Ag Integrierter Quer- und Längsführungsassistent zur Unterstützung des Fahrers beim Fahrspurwechsel
KR20150002038A (ko) * 2013-06-28 2015-01-07 (주) 세인 하라이크 특징과 아다브스트에 기반한 칼만 필터와 클러스터링 알고리즘을 이용하여 실시간으로 차량을 인식 및 추적하는 방법
CN108550279A (zh) * 2018-04-03 2018-09-18 同济大学 基于机器学习的车辆驾驶行为预测方法
CN110248861A (zh) * 2018-01-07 2019-09-17 辉达公司 在车辆操纵过程中使用机器学习模型来引导车辆
CN110293968A (zh) * 2019-06-18 2019-10-01 百度在线网络技术（北京）有限公司 自动驾驶车辆的控制方法、装置、设备及可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006043149A1 (de) * 2006-09-14 2008-03-27 Bayerische Motoren Werke Ag Integrierter Quer- und Längsführungsassistent zur Unterstützung des Fahrers beim Fahrspurwechsel
KR20150002038A (ko) * 2013-06-28 2015-01-07 (주) 세인 하라이크 특징과 아다브스트에 기반한 칼만 필터와 클러스터링 알고리즘을 이용하여 실시간으로 차량을 인식 및 추적하는 방법
CN110248861A (zh) * 2018-01-07 2019-09-17 辉达公司 在车辆操纵过程中使用机器学习模型来引导车辆
CN108550279A (zh) * 2018-04-03 2018-09-18 同济大学 基于机器学习的车辆驾驶行为预测方法
CN110293968A (zh) * 2019-06-18 2019-10-01 百度在线网络技术（北京）有限公司 自动驾驶车辆的控制方法、装置、设备及可读存储介质

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" *

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111754816A (zh) * 2020-06-04 2020-10-09 纵目科技（上海）股份有限公司 一种移动物体意图识别方法、系统、终端和存储介质
CN115053277A (zh) * 2020-07-08 2022-09-13 深圳元戎启行科技有限公司 对周围移动物体进行变道分类的方法、系统、计算机设备及存储介质
WO2022006777A1 (zh) * 2020-07-08 2022-01-13 深圳元戎启行科技有限公司 对周围移动物体进行变道分类的方法、系统、计算机设备及存储介质
CN115053277B (zh) * 2020-07-08 2024-04-16 深圳元戎启行科技有限公司 对周围移动物体进行变道分类的方法、系统、计算机设备及存储介质
CN111783738A (zh) * 2020-07-29 2020-10-16 中国人民解放军国防科技大学 一种通信辐射源异常运动轨迹检测方法
CN112053557A (zh) * 2020-08-19 2020-12-08 西安理工大学 一种基于多车行进环境下的有轨电车冲突区域评估方法
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
CN112085077A (zh) * 2020-08-28 2020-12-15 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
CN112382115A (zh) * 2020-10-29 2021-02-19 杭州电子科技大学 基于视觉感知的驾驶风险预警装置及方法
CN112396093A (zh) * 2020-10-29 2021-02-23 中国汽车技术研究中心有限公司 驾驶场景分类方法、装置、设备及可读存储介质
CN112396093B (zh) * 2020-10-29 2022-10-14 中国汽车技术研究中心有限公司 驾驶场景分类方法、装置、设备及可读存储介质
CN112382115B (zh) * 2020-10-29 2021-09-14 杭州电子科技大学 基于视觉感知的驾驶风险预警装置及方法
CN112319477A (zh) * 2020-11-02 2021-02-05 天津大学 一种用于无人驾驶的决策规划方法
CN112498351B (zh) * 2020-11-20 2021-11-23 东风汽车集团有限公司 一种基于v2v的自动驾驶优化系统及方法
CN112498351A (zh) * 2020-11-20 2021-03-16 东风汽车集团有限公司 一种基于v2v的自动驾驶优化系统及方法
CN112530202A (zh) * 2020-11-23 2021-03-19 中国第一汽车股份有限公司 一种车辆变道的预测方法、装置、设备及车辆
CN112487905A (zh) * 2020-11-23 2021-03-12 北京理工大学 一种车辆周边行人危险等级预测方法及系统
CN112487905B (zh) * 2020-11-23 2022-02-11 北京理工大学 一种车辆周边行人危险等级预测方法及系统
CN112389436A (zh) * 2020-11-25 2021-02-23 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
CN112597922B (zh) * 2020-12-28 2024-03-26 深圳市普汇智联科技有限公司 一种基于无碰撞lstm的多目标轨迹预测方法
CN112597922A (zh) * 2020-12-28 2021-04-02 深圳市普汇智联科技有限公司 一种基于无碰撞lstm的多目标轨迹预测方法
CN112698660B (zh) * 2020-12-31 2022-05-27 杭州电子科技大学 基于9轴传感器的驾驶行为视觉感知装置及方法
CN112698660A (zh) * 2020-12-31 2021-04-23 杭州电子科技大学 基于9轴传感器的驾驶行为视觉感知装置及方法
CN113920780A (zh) * 2021-09-01 2022-01-11 同济大学 基于联邦学习的云雾协同个性化前向碰撞风险预警方法
CN114228637A (zh) * 2021-12-02 2022-03-25 科大讯飞股份有限公司 一种车辆断电保护方法、装置、存储介质及设备
CN114228637B (zh) * 2021-12-02 2024-02-20 科大讯飞股份有限公司 一种车辆断电保护方法、装置、存储介质及设备
CN114495551A (zh) * 2021-12-31 2022-05-13 上海人工智能创新中心 轨迹规划方法、装置、设备和计算机可读存储介质
CN114374953A (zh) * 2022-01-06 2022-04-19 西安交通大学 基于Hadoop和RAPIDS的多源特征转换基站下APP使用预测方法及系统
CN114374953B (zh) * 2022-01-06 2023-09-05 西安交通大学 基于Hadoop和RAPIDS的多源特征转换基站下APP使用预测方法及系统
CN116246492A (zh) * 2023-03-16 2023-06-09 东南大学 一种基于时空注意力lstm和超阈值模型的车辆换道碰撞风险预测方法
CN116246492B (zh) * 2023-03-16 2024-01-16 东南大学 一种基于时空注意力lstm和超阈值模型的车辆换道碰撞风险预测方法

Also Published As

Publication number Publication date
CN111104969B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN111104969A (zh) 一种无人驾驶车辆与周边车辆的碰撞可能性预判方法
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
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
CN109572550B (zh) 一种行车轨迹预测方法、系统、计算机设备及存储介质
CN113291308B (zh) 一种考虑驾驶行为特性的车辆自学习换道决策系统及方法
Tang et al. Driver lane change intention recognition of intelligent vehicle based on long short-term memory network
Kumagai et al. Prediction of driving behavior through probabilistic inference
CN110077398B (zh) 一种用于智能驾驶的危险处理方法
CN112435503B (zh) 一种辨识高危行人意图的智能汽车主动避撞方法
Xue et al. An integrated lane change prediction model incorporating traffic context based on trajectory data
CN114655227A (zh) 驾驶风格识别方法、辅助驾驶方法及装置
Ambarak et al. A neural network for predicting unintentional lane departures
Azadani et al. Toward driver intention prediction for intelligent vehicles: A deep learning approach
Ji et al. Hierarchical and game-theoretic decision-making for connected and automated vehicles in overtaking scenarios
CN114179830B (zh) 一种自动驾驶车辆的自主超车方法和系统
CN114446046A (zh) 一种基于lstm模型的弱势交通参与者轨迹预测方法
Liu et al. A deep learning-based approach to line crossing prediction for lane change maneuver of adjacent target vehicles
Xu et al. Driver behavior analysis based on Bayesian network and multiple classifiers
Zhang et al. Interaction-aware cut-in behavior prediction and risk assessment for autonomous driving
US20230162539A1 (en) Driving decision-making method and apparatus and chip
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
Nezhadalinaei et al. Motion object detection and tracking optimization in autonomous vehicles in specific range with optimized deep neural network
Jawed et al. Data-driven vehicle trajectory forecasting
Li et al. Crash injury severity prediction considering data imbalance: A Wasserstein generative adversarial network with gradient penalty approach

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