CN111746559B - 一种前车换道意图预测方法及预测系统 - Google Patents

一种前车换道意图预测方法及预测系统 Download PDF

Info

Publication number
CN111746559B
CN111746559B CN202010627959.3A CN202010627959A CN111746559B CN 111746559 B CN111746559 B CN 111746559B CN 202010627959 A CN202010627959 A CN 202010627959A CN 111746559 B CN111746559 B CN 111746559B
Authority
CN
China
Prior art keywords
vehicle
lane change
state
hidden markov
model
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
CN202010627959.3A
Other languages
English (en)
Other versions
CN111746559A (zh
Inventor
杨正才
杨杨
蔡林
尹长城
冯樱
吕科
刘成武
杨朝阳
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.)
Hubei University of Automotive Technology
Original Assignee
Hubei University of Automotive Technology
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 Hubei University of Automotive Technology filed Critical Hubei University of Automotive Technology
Priority to CN202010627959.3A priority Critical patent/CN111746559B/zh
Publication of CN111746559A publication Critical patent/CN111746559A/zh
Application granted granted Critical
Publication of CN111746559B publication Critical patent/CN111746559B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B60W60/00272—Planning or execution of driving tasks using trajectory prediction for other traffic participants relying on extrapolation of current movement
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • 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
    • G06F18/241—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B60W2050/0031—Mathematical model of the vehicle
    • B60W2050/0034—Multiple-track, 2D vehicle model, e.g. four-wheel model
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4042—Longitudinal speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4043—Lateral speed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles
    • 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)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于自动驾驶技术领域，公开了一种前车换道意图预测方法及预测系统，前车换道意图预测方法包括：建立以自车车头中心点为零点的动态栅格地图，基于语义分割的方法获取前方车辆的轮廓特征与车道线，并检测前方障碍车辆车头中心与自车的相对距离，用栅格坐标表示前方障碍车辆实时位置，进行前车的位置信息的描述，并根据前车的横纵向速度，分析前方障碍车辆的相关运动状态信息，将动态栅格地图与混合高斯隐马尔科夫模型相结合，进行前车换道行为的预测。本发明提出的基于动态栅格地图与混合高斯隐马尔科夫模型的前车换道意图预测方法可以达到较好的预测效果。本发明可利用可观测到的前车的行驶状态，预测其隐藏的换道行为状态，为自车安全行驶提供相关信息。

Description

一种前车换道意图预测方法及预测系统
技术领域
本发明属于自动驾驶技术领域，尤其涉及一种前车换道意图预测方法及预测系统。具体涉及一种基于动态栅格地图与混合高斯隐马尔科夫模型的前车换道意图预测方法。
背景技术
目前：智能化是汽车的发展趋势之一，为了保证自动驾驶汽车行驶过程的安全性，研究自动驾驶技术具有特殊的意义。自动驾驶技术主要包括环境感知、决策规划、控制执行等模块，智能化的自动驾驶汽车通过获取周围的环境信息，规划行车路线，控制车辆的速度与转向，从而保证汽车行驶的安全性。
环境感知在自动驾驶中占据着非常重要的地位，它是决策规划与控制执行的不可缺少的前提。由于实际的行车环境的不断变化，环境感知的难度也随之增加，并且周围车辆的驾驶行为复杂多变，其中换道行为是最普遍的驾驶行为之一。然而，在车辆行驶过程中，由于换道问题而产生了大量的交通事故。因此，感知预测前方车辆的换道行为可以提高自车的行驶安全，减少交通事故的发生，保证交通参与者的生命财产安全。
现有车辆换道意图预测问题的解决办法，大都采用隐马尔可夫模型相关算算法实现，但车辆运动是连续的过程，普通的隐马尔可夫模型的适用性较低；有的将观测参数进行了离散化分割，得到有限个分割区间，但是区间长度对预测结果的影响很大；有的选择的观测参数过多，其中某些参数的必要性较低，增加了计算量。
通过上述分析，现有技术存在的问题及缺陷为：虽然目前有采用隐马尔科夫模型及其变种模型进行换道意图预测的案例，但是部分案例忽视了车辆运动信息的连续性，并且选择的观测参数过多，导致计算量较大。此外，没有考虑动态量化输出与相应的技术应用问题。
解决以上问题及缺陷的难度为：观测参数的变化是连续的，需要改变隐马尔科夫模型中的观测输出概率矩阵的表达形式；为了量化显示结果，需选择合适的环境表达方法，并将选择相关的环境信息与隐马尔科夫模型结合。
解决以上问题及缺陷的意义为：基于动态栅格地图，选用合适的观测状态参数可以降低计算的复杂度，并且能够达到良好的换道预测准确率，预测结果可通过栅格化的数据结果，实现量化显示，并可直接应用于高级驾驶员辅助系统，使自车了解前方车辆的驾驶换道意图，为自车的换道选择提供安全保障。
在复杂的交通环境中，人类是比较优秀的驾驶员，驾驶员通过不断观察从而推断出周围车辆行驶意图，并预测其运动趋势以规划自车的行车方案，但是人类可能会因为自身的原因导致交通事故的发生。为了减少交通事故的发生，自动驾驶汽车也需要具备行为预测的能力，尤其是换道预测。虽然其无法直接识别出周围车辆的行驶换道意图，但是可通过获取周围车辆相关信息进行换道概率推测，从而对换道行为进行合理的预测，并且根据不同的交通道路场景，使自动驾驶汽车做出相应的驾驶行为反应，提高车辆的行驶效率。
发明内容
针对现有技术存在的问题，本发明提供了一种前车换道意图预测方法及预测系统。
本发明是这样实现的，一种前车换道意图预测方法，包括：
建立以自车车头中心点为零点的动态栅格地图，基于语义分割的方法获取前方车辆的轮廓特征与车道线，并检测前方障碍车辆车头中心与自车的相对距离，用栅格坐标表示前方障碍车辆实时位置，进行前车的位置信息的描述，并根据前车的横纵向速度，分析前方障碍车辆的相关运动状态信息，将动态栅格地图与混合高斯隐马尔科夫模型相结合，进行前车换道行为的预测。
进一步，所述前车换道意图预测方法包括：
步骤一，建立动态栅格地图，并将前方障碍车辆在建立的动态栅格地图上进行表示；
步骤二，采用基于语义分割的方法通过将图像分为多个区域并提取每个区域特征实现物体分类，得到前方车辆的轮廓特征；利用VGG16基础网络为预训练网络，构建SegNet分割网络模型，基于MATLAB与含有对象类语义标签的CamVid数据集进行迁移学习训练；
步骤三，建立基于混合高斯隐马尔科夫的换道预测模型；
步骤四，利用建立的基于混合高斯隐马尔科夫的换道预测模型进行前车换道行为的预测。
进一步，步骤一中，所述栅格地图建立方法包括：将车辆坐标系下的前方车辆信息转换到局部坐标系下，以自车车头中心所在位置为零点，选取周围一定范围的区域，设置栅格单元的分辨率，并将该区域划分为一定数量栅格的地图。
进一步，步骤一中，所述前方障碍车辆在建立的动态栅格地图上的表示方法包括：通过获取前方障碍车辆车头中心相对于自车车头中心的相对横向距离dh与相对纵向距离dz，计算前方障碍车辆车头中心所落在的栅格单元(i,j)，采用(i,j)表示该车车头中心的实时位置，并根据检测到的前车尺寸测算出其所占用的栅格坐标。
进一步，步骤三中，所述基于混合高斯隐马尔科夫的换道预测模型建立方法包括：
1)设置观测状态参数：进行前方障碍车辆的横向速度vh、前方障碍车辆的纵向速度vz、前方障碍车辆车头中心位于的栅格单元横坐标i与纵坐标j四种观测状态参数的设置；
2)建立混合高斯隐马尔科夫模型：
λ＝{A,B,π,S,O}；
λ＝{A,π,ciq,μiq,Σiq}；
式中：λ表示混合高斯隐马尔科夫模型；A表示状态转移概率矩阵，A＝[aij]＝P(qt+1＝sj|qt＝si)，aij表示t时刻状态为si时t+1时刻转移为状态sj的概率，且
Figure BDA0002567237880000041
B表示状态观测输出概率矩阵，B＝[bi(Ok)]，bi(k)表示前车状态为si时，输出变量为Ok的概率，
Figure BDA0002567237880000042
且
Figure BDA0002567237880000043
其中Q表示高斯混合数目，ciq表示前车状态为si第q个混合函数的混合权重，μiq与Σiq分别表示混合函数的均值矩阵与协方差矩阵；π表示初始状态概率向量，且∑πi＝1；S表示隐藏状态的数量；O表示观测变量的数量；
3)训练获取混合高斯隐马尔科夫模型参数：使用MATLAB的HMM工具箱对训练样本进行学习训练，得到换道意图的混合高斯隐马尔科夫模型，采用Baum-Welch算法获得前方障碍车辆换道模型参数A、π、ciq、μiq、Σiq，获得完整的混合高斯隐马尔科夫模型λ；
4)验证换道预测模型的准确性：将验证样本输入到混合高斯隐马尔科夫模型中，采用Viterbi算法解码换道状态，获得三种换道状态中最大概率值对应的状态，表示此刻预测的前方障碍车辆的换道行为。
进一步，所述混合高斯隐马尔科夫模型参数设置如下：
S表示隐藏状态的数量，前方障碍车辆隐藏状态设置为三种：左换道、保持车道与右换道，即S＝3；
O表示观测变量的数量，观测状态参数共计4种，即O＝4；
状态转移概率矩阵A由由左换道、保持车道与右换道三种状态相互转换概率组成；
获取状态观测输出概率矩阵B等同于获取ciq、μiq、Σiq三个参数；
初始状态概率向量π随机设置为π＝[0 1 0]T。
本发明的另一目的在于提供一种实施前车换道意图预测系统包括：
动态栅格地图构建模块，用于建立动态栅格地图，并将前方障碍车辆在建立的动态栅格地图上进行表示；
分割网络模型构建与迁移学习训练模块，用于采用基于语义分割的方法通过将图像分为多个区域并提取每个区域特征实现物体分类，得到前方车辆的轮廓特征；利用VGG16基础网络为预训练网络，构建SegNet分割网络模型，基于MATLAB与含有对象类语义标签的CamVid数据集进行迁移学习训练；
换道预测模型构建模块，用于建立基于混合高斯隐马尔科夫的换道预测模型；
前车换道行为预测模块，利用建立的基于混合高斯隐马尔科夫的换道预测模型进行前车换道行为的预测。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
建立以自车车头中心点为零点的动态栅格地图，并检测前方障碍车辆车头中心与自车的相对距离；
利用栅格坐标表示前方障碍车辆实时位置，获取前车的位置信息，并根据前车的横纵向速度，分析前方障碍车辆的相关运动状态信息；
将动态栅格地图与混合高斯隐马尔科夫模型相结合，进行前车换道行为的预测。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
建立以自车车头中心点为零点的动态栅格地图，并检测前方障碍车辆车头中心与自车的相对距离；
利用栅格坐标表示前方障碍车辆实时位置，获取前车的位置信息，并根据前车的横纵向速度，分析前方障碍车辆的相关运动状态信息；
将动态栅格地图与混合高斯隐马尔科夫模型相结合，进行前车换道行为的预测。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明利用可观测的前车行驶信息推测出其隐藏的换道行为，选取数量适中的观测参数变量，并提取NGSIM部分数据集的相关观测参数，基于MATLAB中HMM工具箱训练验证预测模型。最终，本发明提出的前车换道意图预测方法可以达到较好的预测效果。
本发明基于动态栅格地图与混合高斯隐马尔科夫模型的方法，对前方车辆进行换道意图的预测，通过划分动态栅格表示前方车辆，利用可观测到的前车的行驶状态，预测其隐藏的换道行为状态，为自车安全行驶提供相关信息。
对比的技术效果或者实验效果。基于前车横纵向速度，采用一般的混合高斯隐马尔可夫模型进行换道预测，虽然其左换道准确率稍高，但是剩余两种情况的准确率在不同程度上均低于本专利方法。综合比较，除将观测变量设置为前车横纵向速度外，本专利加入了前车的栅格坐标，在保证左换道准确率较高的情况下，可以提高保持车道与右换道的预测准确率。
Figure BDA0002567237880000061
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的前车换道意图预测方法原理图。
图2是本发明实施例提供的前车换道意图预测方法流程图。
图3是本发明实施例提供的动态栅格车辆表示方法示意图。
图4是本发明实施例提供的占用栅格单元示意图。
图5是本发明实施例提供的数据集车辆行驶轨迹图。
图6是本发明实施例提供的相对横向距离变化图(车辆ID：572与580)。
图7是本发明实施例提供的相对纵向距离变化图(车辆ID：572与580)。
图8是本发明实施例提供的车辆横向速度变化图(车辆ID：572)。
图9是本发明实施例提供的车辆纵向速度变化图(车辆ID：572)。
图10是本发明实施例提供的换道显示效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种前车换道意图预测方法及预测系统，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的前车换道意图预测方法包括：建立以自车车头中心点为零点的动态栅格地图，基于语义分割的方法获取前方车辆的轮廓特征与车道线，并检测前方障碍车辆车头中心与自车的相对距离，用栅格坐标表示前方障碍车辆实时位置，进行前车的位置信息的描述，并根据前车的横纵向速度，分析前方障碍车辆的相关运动状态信息，将动态栅格地图与混合高斯隐马尔科夫模型相结合，进行前车换道行为的预测。
如图2所示，本发明实施例提供的前车换道意图预测方法包括：
S101，建立动态栅格地图，并将前方障碍车辆在建立的动态栅格地图上进行表示；
S102，采用基于语义分割的方法通过将图像分为多个区域并提取每个区域特征实现物体分类，得到前方车辆的轮廓特征；利用VGG16基础网络为预训练网络，构建SegNet分割网络模型，基于MATLAB与含有对象类语义标签的CamVid数据集进行迁移学习训练；
S103，建立基于混合高斯隐马尔科夫的换道预测模型；
S104，利用建立的基于混合高斯隐马尔科夫的换道预测模型进行前车换道行为的预测。
步骤S101中，本发明实施例提供的栅格地图建立方法包括：将车辆坐标系下的前方车辆信息转换到局部坐标系下，以自车车头中心所在位置为零点，选取周围一定范围的区域，设置栅格单元的分辨率，并将该区域划分为一定数量栅格的地图。
步骤S101中，本发明实施例提供的前方障碍车辆在建立的动态栅格地图上的表示方法包括：通过获取前方障碍车辆车头中心相对于自车车头中心的相对横向距离dh与相对纵向距离dz，计算前方障碍车辆车头中心所落在的栅格单元(i,j)，采用(i,j)表示该车车头中心的实时位置，并根据检测到的前车尺寸测算出其所占用的栅格坐标。
步骤S103中，本发明实施例提供的基于混合高斯隐马尔科夫的换道预测模型建立方法包括：
1)设置观测状态参数：进行前方障碍车辆的横向速度vh、前方障碍车辆的纵向速度vz、前方障碍车辆车头中心位于的栅格单元横坐标i与纵坐标j四种观测状态参数的设置；
2)建立混合高斯隐马尔科夫模型：
λ＝{A,B,π,S,O}；
λ＝{A,π,ciq,μiq,Σiq}；
式中：λ表示混合高斯隐马尔科夫模型；A表示状态转移概率矩阵，A＝[aij]＝P(qt+1＝sj|qt＝si)，aij表示t时刻状态为si时t+1时刻转移为状态sj的概率，且
Figure BDA0002567237880000081
B表示状态观测输出概率矩阵，B＝[bi(Ok)]，bi(k)表示前车状态为si时，输出变量为Ok的概率，
Figure BDA0002567237880000082
且
Figure BDA0002567237880000083
其中Q表示高斯混合数目，ciq表示前车状态为si第q个混合函数的混合权重，μiq与Σiq分别表示混合函数的均值矩阵与协方差矩阵；π表示初始状态概率向量，且∑πi＝1；S表示隐藏状态的数量；O表示观测变量的数量；
3)训练获取混合高斯隐马尔科夫模型参数：使用MATLAB的HMM工具箱对训练样本进行学习训练，得到换道意图的混合高斯隐马尔科夫模型，采用Baum-Welch算法获得前方障碍车辆换道模型参数A、π、ciq、μiq、Σiq，获得完整的混合高斯隐马尔科夫模型λ；
4)验证换道预测模型的准确性：将验证样本输入到混合高斯隐马尔科夫模型中，采用Viterbi算法解码换道状态，获得三种换道状态中最大概率值对应的状态，表示此刻预测的前方障碍车辆的换道行为。
本发明实施例提供的混合高斯隐马尔科夫模型参数设置如下：
S表示隐藏状态的数量，前方障碍车辆隐藏状态设置为三种：左换道、保持车道与右换道，即S＝3；
O表示观测变量的数量，观测状态参数共计4种，即O＝4；
状态转移概率矩阵A由由左换道、保持车道与右换道三种状态相互转换概率组成；
获取状态观测输出概率矩阵B等同于获取ciq、μiq、Σiq三个参数；
初始状态概率向量π随机设置为π＝[0 1 0]T。
本发明的另一目的在于提供一种实施前车换道意图预测系统包括：
动态栅格地图构建模块，用于建立动态栅格地图，并将前方障碍车辆在建立的动态栅格地图上进行表示。
分割网络模型构建与迁移学习训练模块，用于采用基于语义分割的方法通过将图像分为多个区域并提取每个区域特征实现物体分类，得到前方车辆的轮廓特征；利用VGG16基础网络为预训练网络，构建SegNet分割网络模型，基于MATLAB与含有对象类语义标签的CamVid数据集进行迁移学习训练。
换道预测模型构建模块，用于建立基于混合高斯隐马尔科夫的换道预测模型。
前车换道行为预测模块，利用建立的基于混合高斯隐马尔科夫的换道预测模型进行前车换道行为的预测。
下面结合具体实施例对本发明的技术方案作进一步说明。
实施例：
1、前方障碍车辆在动态栅格地图上的表示
1)建立动态栅格地图
动态占用栅格概率模型的构建，首先需要通过占用栅格的阵列组成，对车辆周围环境信息进行重新定义，这些栅格包含车辆尺寸、最大转向角、交通规则、障碍物信息等一系列信息。
结合车道线信息对动态栅格进行笛卡尔平面直角坐标系中的几何建模，首先搭建车道线二维图像坐标系模型，在此基础上完成可行驶区域的占用栅格建模，限定有效行车区域。
为了更好地建立动态栅格地图，车辆应具备激光雷达与摄像头传感器，将激光雷达安装在车顶中心处，摄像头安装在前挡风玻璃中间顶部，并且需要对其进行标定，将两种传感器的横纵向坐标标定为与车头中心横纵向坐标。
在对动态环境栅格化的过程中，首先通过车载传感器(激光雷达、摄像头)获取周围的障碍物位置信息，如车辆、行人等，但是由于车载传感器获取的障碍物信息是基于车辆坐标系，所以需要将基于车辆坐标系的障碍物信息转换为局部坐标系的信息，转换计算公式如式(1)所示，其中，(x*,y*)为局部坐标系下的车辆坐标、
Figure BDA0002567237880000101
为自车的航向角、
Figure BDA0002567237880000102
为车载传感器获取障碍物的极坐标，(x，y)为局部坐标系下障碍物的坐标。然后，根据障碍物在局部坐标系上的位置计算出其在动态栅格中的位置坐标。
Figure BDA0002567237880000103
根据双向多车道中单车道的标准宽度为3.75米，故将栅格单元的横向宽度设置为0.15米，纵向长度设置为0.24米，车道线也为动态栅格地图中部分边界线。尽管在此设置下，对于某一辆车会存在占用多个栅格的情况，但是在车辆换道过程中，只需要关注其车头中心点所在的栅格坐标，根据检测到的车辆尺寸即可测算车辆占用的栅格坐标，故以自车车头中心所在位置为零点，即自车车头中心始终处于网格矩阵(0,0)处。对车辆行驶区域按如下设定原则进行等分：横向范围为-5.625～5.625米，纵向范围为0～48米，将该区域划分为75×200的栅格地图。
2)获取前车信息
通过将激光雷达、摄像头等传感器信息计算得到车辆及环境信息，如数据点相对自车的横纵向位置、数据点横纵向速度、障碍物类型与结构参数等，并将其嵌入到占用栅格属性，如图4所示。同时，针对两次更新之间的栅格进行估计，然后应用于模型。
为了获取前车的实时位置，根据动态栅格地图，检测前车车头中心与自车的相对横向距离dh和相对纵向距离dz，以自车车头中心为零点，计算表示前车车头中心在动态栅格上的坐标(i,j)。同时，利用激光雷达与摄像头传感器获取前车的横纵向速度。
2、目标车辆检测
为了使自车能够像人类驾驶员一样获取前方车辆的信息，可以采用视觉技术识别检测前方车辆的边界特征。基于语义分割的方法通过将图像分为多个区域并提取每个区域特征实现物体分类，得到前方车辆的轮廓特征。
以VGG16基础网络为预训练网络，构建SegNet分割网络模型，并且基于MATLAB软件进行迁移学习训练。训练网络的数据集为含有对象类语义标签CamVid数据集。该数据集所有图片都是经车载摄像头在英国真实的街道拍摄的，包含有白天和夜晚拍摄的车道线图片，整体环境条件变化较大。选用Lane和Car两个标签用于识别车道线与车辆信息。
3、建立混合高斯隐马尔科夫模型换道预测算法
为了预测前车的换道行为状态，根据车辆换道期间的相关行驶信息变化，将模型中的观测参数设置为以下四个变量：前方障碍车辆的横向速度vh、前方障碍车辆的纵向速度vz、前方障碍车辆车头中心位于的栅格单元横坐标i、纵坐标j，并且根据这四个观测参数，获取前车的隐藏换道状态，从而建立混合高斯隐马尔科夫模型的换道预测算法。
1)换道数据的处理筛选
使用的车辆数据集为美国交通部联邦公路管理局于2002年启动的NGSIM(NextGeneration Simulation)项目所采集的数据，选取I-80路段车辆轨迹数据训练混合高斯隐马尔科夫模型。但是，所选的数据集中存在小部分数据影响预测模型的准确度，所以需要对数据进行筛选。
首先，由于在此时间段内检测到的车辆共有三类，分别为：摩托车、小汽车、卡车，其中小汽车的数据量约占数据集的95％，故提取小汽车的相关数据进行换道预测。为了提高预测模型的准确性，选择初始Lane_ID为1、2、3、4、5的小汽车，并根据其Lane_ID的变化进行换道行为分类，获得左换道、保持车道、右换道的样本数据。然后，将提取后的每一个车辆ID设置为前车，选择其Following中第一个非零的ID作为自车，以自车车头中心为零点划分动态栅格地图，根据横坐标Local_X与纵坐标Local_Y计算出每个时刻前车车头中心与自车的相对横纵向距离，从而得到前车车头中心位于的栅格位置的横纵坐标。同时，根据前车Local_X变化率获得前车的横向速度，前车Local_Y变化率获得前车的纵向速度。最后，使用MATLAB编写脚本文件得到前车的换道行驶轨迹图，如图5所示。此外，采用卡尔曼滤波对前车横纵向速度及前车车头中心与自车的相对横纵向距离做了进一步数据处理，从而计算得到最终的观测状态参数数据。选取前车ID为572、自车ID为580的一组数据为例，得到观测相对横向距离变化如图6所示，相对纵向距离变化如图7所示，前车横向速度变化如图8所示，前车纵向速度变化如图9所示。
2)混合高斯隐马尔科夫模型
隐马尔科夫模型是一种关于时序的概率模型，是包含隐藏状态与观测状态的双变量随机过程，从可观察的观测状态推测出其隐藏状态。
混合高斯隐马尔科夫模型λ可表示为λ＝{A,B,π,S,O}，其中：A＝[aij]＝P(qt+1＝sj|qt＝si)，aij表示t时刻状态为si时t+1时刻转移为状态sj的概率，且
Figure BDA0002567237880000131
B＝[bi(Ok)]，bi(k)表示隐藏状态为si时，输出变量为Ok的概率，对于混合高斯隐马尔科夫，其表达的方式为连续概率密度函数，即
Figure BDA0002567237880000132
且
Figure BDA0002567237880000133
其中Q表示高斯混合数目，ciq表示前车状态为si第q个混合函数的混合权重，μiq与Σiq分别表示混合函数的均值矩阵与协方差矩阵；π表示初始状态概率向量，且∑πi＝1；S表示隐藏状态的数量；O表示观测变量的数量。
在对前车换道行为预测的过程中，自车不能直接获取到前车下一时刻的换道行为，但是可以通过自车的车载传感器测出前车所表现出来的相关运动状态信息，从而进行判断预测，这种情况符合混合高斯隐马尔科夫模型的基本思想。
前方障碍车辆的换道行为是混合高斯隐马尔科夫模型中的隐藏状态，将其设置为三种：左换道、保持车道与右换道，即S＝3。为了表征换道行为，观测参数设置为动态栅格中四种属性，分别是：前车的横向速度vh、纵向速度vz、前车车头中心位于的动态栅格横坐标i与纵坐标j，故O＝4。状态转移概率矩阵A是由左换道、保持车道与右换道三种状态相互转换概率组成的,随机设置初始状态转移概率矩阵如式(2)所示。获取状态观测输出概率矩阵B等同于获取ciq、μiq、Σiq三个参数，由于采用单高斯分布描述数据分布情况具有较好的效果，故设置c为1，即三个隐含状态的混合权重c均为1，μiq、Σiq根据观测变量可计算得到，初始均值与协方差矩阵可通过任选一组样本数据计算得到。随机将初始状态概率向量π设置为π＝[0 1 0]T。
Figure BDA0002567237880000134
3)训练模型参数
参数估计是混合高斯隐马尔科夫模型中的关键一步，通常使用Baum-Welch算法迭代进行计算，直到估计的参数小于误差的容忍度。MATLAB软件自带的HMM工具箱可对训练样本进行学习训练，使用Baum-Welch算法获得前方障碍车辆换道模型参数A、π、ciq、μiq、Σiq，从而获得完整的混合高斯隐马尔科夫模型。编写MATLAB脚本文件将训练样本分批导入训练脚本文件中，得到的前车换道模型参数A、π、ciq、μiq、Σiq如下：
Figure BDA0002567237880000141
π＝[0 1 0]T
c＝[1 1 1]T
Figure BDA0002567237880000142
Figure BDA0002567237880000143
Figure BDA0002567237880000144
Figure BDA0002567237880000145
4、验证前车换道预测方法
为了测试验证的准确性，将验证样本输入到混合高斯隐马尔科夫模型中，采用Viterbi算法解码换道状态，获得三种换道状态中最大概率值对应的状态，表示此刻预测的前车换道行为。
从验证样本中随机选取了111个左换道样本，105个保持车道样本，27个右换道样本，并将其逐一输入到Viterbi验证算法脚本文件中，得到左换道的预测结果为99个，预测准确率约为89.1892％，保持车道的预测结果为93个，预测准确率约为88.5714％，右换道的预测结果为25个，预测准确率约为92.5926％。基于动态栅格地图与混合高斯隐马尔科夫模型的前车换道意图预测方法，根据观测的前车横纵向速度和前车车头中心位于的栅格位置横纵坐标，可以达到较好的预测效果。
本发明可应用于车辆换道辅助系统中，其预测结果可通过车内HMI进行实时显示，具有提示警示功能，以避免因驾驶员依据自身经验判断做出的错误变道决策引发的各类交通隐患，效果如图10所示。
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种前车换道意图预测方法，其特征在于，所述前车换道意图预测方法包括：
建立以自车车头中心点为零点的动态栅格地图，基于语义分割的方法获取前方车辆的轮廓特征与车道线，并检测前方障碍车辆车头中心与自车的相对距离；
利用栅格坐标表示前方障碍车辆实时位置，获取前车的位置信息，并根据前车的横纵向速度，分析前方障碍车辆的相关运动状态信息；
将动态栅格地图与混合高斯隐马尔科夫模型相结合，进行前车换道行为的预测；
所述前车换道意图预测方法包括：
步骤一，建立动态栅格地图，并将前方障碍车辆在建立的动态栅格地图上进行表示；
步骤二，采用基于语义分割的方法通过将图像分为多个区域并提取每个区域特征实现物体分类，得到前方车辆的轮廓特征；利用VGG16基础网络为预训练网络，构建SegNet分割网络模型，基于MATLAB与含有对象类语义标签的CamVid数据集进行迁移学习训练；
步骤三，建立基于混合高斯隐马尔科夫的换道预测模型；
步骤四，利用建立的基于混合高斯隐马尔科夫的换道预测模型进行前车换道行为的预测；
步骤三中，所述基于混合高斯隐马尔科夫的换道预测模型建立方法包括：
1)设置观测状态参数：进行前方障碍车辆的横向速度vh、前方障碍车辆的纵向速度vz、前方障碍车辆车头中心位于的栅格单元横坐标i与纵坐标j四种观测状态参数的设置；
2)建立混合高斯隐马尔科夫模型：
λ＝{A，B，π，S，O}；
λ＝{A，π，ciq，μiq，∑iq}；
式中：λ表示混合高斯隐马尔科夫模型；A表示状态转移概率矩阵，A＝[aij]＝P(qt+1＝sj|qt＝si)，aij表示t时刻状态为si时t+1时刻转移为状态sj的概率，且
Figure QLYQS_1
B表示状态观测输出概率矩阵，B＝[bi(Ok)]，bi(k)表示前车状态为si时，输出变量为Ok的概率，
Figure QLYQS_2
且
Figure QLYQS_3
其中Q表示高斯混合数目，ciq表示前车状态为si第q个混合函数的混合权重，μiq与∑iq分别表示混合函数的均值矩阵与协方差矩阵；π表示初始状态概率向量，且∑πi＝1；S表示隐藏状态的数量；O表示观测变量的数量；
3)训练获取混合高斯隐马尔科夫模型参数：使用MATLAB的HMM工具箱对训练样本进行学习训练，得到换道意图的混合高斯隐马尔科夫模型，采用Baum-Welch算法获得前方障碍车辆换道模型参数A、π、ciq、μiq、∑iq，获得完整的混合高斯隐马尔科夫模型λ；
4)验证换道预测模型的准确性：将验证样本输入到混合高斯隐马尔科夫模型中，采用Viterbi算法解码换道状态，获得三种换道状态中最大概率值对应的状态，表示此刻预测的前方障碍车辆的换道行为。
2.如权利要求1所述前车换道意图预测方法，其特征在于，步骤一中，所述栅格地图建立方法包括：将车辆坐标系下的前方车辆信息转换到局部坐标系下，以自车车头中心所在位置为零点，选取周围一定范围的区域，设置栅格单元的分辨率，并将该区域划分为一定数量栅格的地图。
3.如权利要求1所述前车换道意图预测方法，其特征在于，步骤一中，所述前方障碍车辆在建立的动态栅格地图上的表示方法包括：通过获取前方障碍车辆车头中心相对于自车车头中心的相对横向距离dh与相对纵向距离dz，计算前方障碍车辆车头中心所落在的栅格单元(i，j)，采用(i，j)表示该车车头中心的实时位置，并根据检测到的前车尺寸测算出其所占用的栅格坐标。
4.如权利要求1所述前车换道意图预测方法，其特征在于，所述混合高斯隐马尔科夫模型参数设置如下：
S表示隐藏状态的数量，前方障碍车辆隐藏状态设置为三种：左换道、保持车道与右换道，即S＝3；
O表示观测变量的数量，观测状态参数共计4种，即O＝4；
状态转移概率矩阵A由左换道、保持车道与右换道三种状态相互转换概率组成；
获取状态观测输出概率矩阵B等同于获取ciq、μiq、Σiq三个参数；
初始状态概率向量π随机设置为π[0 1 0]T。
5.一种实施权利要求1～4任意一项所述前车换道意图预测方法的前车换道意图预测系统，其特征在于，所述前车换道意图预测系统包括：
动态栅格地图构建模块，用于建立动态栅格地图，并将前方障碍车辆在建立的动态栅格地图上进行表示；
分割网络模型构建与迁移学习训练模块，用于采用基于语义分割的方法通过将图像分为多个区域并提取每个区域特征实现物体分类，得到前方车辆的轮廓特征；利用VGG16基础网络为预训练网络，构建SegNet分割网络模型，基于MATLAB与含有对象类语义标签的CamVid数据集进行迁移学习训练；
换道预测模型构建模块，用于建立基于混合高斯隐马尔科夫的换道预测模型；
前车换道行为预测模块，利用建立的基于混合高斯隐马尔科夫的换道预测模型进行前车换道行为的预测。
6.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
建立以自车车头中心点为零点的动态栅格地图，并检测前方障碍车辆车头中心与自车的相对距离；
利用栅格坐标表示前方障碍车辆实时位置，获取前车的位置信息，并根据前车的横纵向速度，分析前方障碍车辆的相关运动状态信息；
将动态栅格地图与混合高斯隐马尔科夫模型相结合，进行前车换道行为的预测；
步骤一，建立动态栅格地图，并将前方障碍车辆在建立的动态栅格地图上进行表示；
步骤二，采用基于语义分割的方法通过将图像分为多个区域并提取每个区域特征实现物体分类，得到前方车辆的轮廓特征；利用VGG16基础网络为预训练网络，构建SegNet分割网络模型，基于MATLAB与含有对象类语义标签的CamVid数据集进行迁移学习训练；
步骤三，建立基于混合高斯隐马尔科夫的换道预测模型；
步骤四，利用建立的基于混合高斯隐马尔科夫的换道预测模型进行前车换道行为的预测；
步骤三中，所述基于混合高斯隐马尔科夫的换道预测模型建立方法包括：
1)设置观测状态参数：进行前方障碍车辆的横向速度vh、前方障碍车辆的纵向速度vz、前方障碍车辆车头中心位于的栅格单元横坐标i与纵坐标j四种观测状态参数的设置；
2)建立混合高斯隐马尔科夫模型：
λ＝{A，B，π，S，O}；
λ＝{A，π，ciq，μiq，∑iq}；
式中：λ表示混合高斯隐马尔科夫模型；A表示状态转移概率矩阵，A＝[aij]＝P(qt+1＝sj|qt＝si)，aij表示t时刻状态为si时t+1时刻转移为状态sj的概率，且
Figure QLYQS_4
B表示状态观测输出概率矩阵，B＝[bi(Ok)]，bi(k)表示前车状态为si时，输出变量为Ok的概率，
Figure QLYQS_5
且
Figure QLYQS_6
其中Q表示高斯混合数目，ciq表示前车状态为si第q个混合函数的混合权重，μiq与∑iq分别表示混合函数的均值矩阵与协方差矩阵；π表示初始状态概率向量，且∑πi＝1；S表示隐藏状态的数量；O表示观测变量的数量；
3)训练获取混合高斯隐马尔科夫模型参数：使用MATLAB的HMM工具箱对训练样本进行学习训练，得到换道意图的混合高斯隐马尔科夫模型，采用Baum-Welch算法获得前方障碍车辆换道模型参数A、π、ciq、μiq、∑iq，获得完整的混合高斯隐马尔科夫模型λ；
4)验证换道预测模型的准确性：将验证样本输入到混合高斯隐马尔科夫模型中，采用Viterbi算法解码换道状态，获得三种换道状态中最大概率值对应的状态，表示此刻预测的前方障碍车辆的换道行为。
7.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
建立以自车车头中心点为零点的动态栅格地图，并检测前方障碍车辆车头中心与自车的相对距离；
利用栅格坐标表示前方障碍车辆实时位置，获取前车的位置信息，并根据前车的横纵向速度，分析前方障碍车辆的相关运动状态信息；
将动态栅格地图与混合高斯隐马尔科夫模型相结合，进行前车换道行为的预测；
步骤一，建立动态栅格地图，并将前方障碍车辆在建立的动态栅格地图上进行表示；
步骤二，采用基于语义分割的方法通过将图像分为多个区域并提取每个区域特征实现物体分类，得到前方车辆的轮廓特征；利用VGG16基础网络为预训练网络，构建SegNet分割网络模型，基于MATLAB与含有对象类语义标签的CamVid数据集进行迁移学习训练；
步骤三，建立基于混合高斯隐马尔科夫的换道预测模型；
步骤四，利用建立的基于混合高斯隐马尔科夫的换道预测模型进行前车换道行为的预测；
步骤三中，所述基于混合高斯隐马尔科夫的换道预测模型建立方法包括：
1)设置观测状态参数：进行前方障碍车辆的横向速度vh、前方障碍车辆的纵向速度vz、前方障碍车辆车头中心位于的栅格单元横坐标i与纵坐标j四种观测状态参数的设置；
2)建立混合高斯隐马尔科夫模型：
λ＝{A，B，π，S，O}；
λ＝{A，π，ciq，μiq，∑iq}；
式中：λ表示混合高斯隐马尔科夫模型；A表示状态转移概率矩阵，A＝[aij]＝P(qt+1＝sj|qt＝si)，aij表示t时刻状态为si时t+1时刻转移为状态sj的概率，且
Figure QLYQS_7
B表示状态观测输出概率矩阵，B[bi(Ok)]，bi(k)表示前车状态为si时，输出变量为Ok的概率，
Figure QLYQS_8
且
Figure QLYQS_9
其中Q表示高斯混合数目，ciq表示前车状态为si第q个混合函数的混合权重，μiq与∑iq分别表示混合函数的均值矩阵与协方差矩阵；π表示初始状态概率向量，且∑πi＝1；S表示隐藏状态的数量；O表示观测变量的数量；
3)训练获取混合高斯隐马尔科夫模型参数：使用MATLAB的HMM工具箱对训练样本进行学习训练，得到换道意图的混合高斯隐马尔科夫模型，采用Baum-Welch算法获得前方障碍车辆换道模型参数A、π、ciq、μiq、∑iq，获得完整的混合高斯隐马尔科夫模型λ；
4)验证换道预测模型的准确性：将验证样本输入到混合高斯隐马尔科夫模型中，采用Viterbi算法解码换道状态，获得三种换道状态中最大概率值对应的状态，表示此刻预测的前方障碍车辆的换道行为。
CN202010627959.3A 2020-07-02 2020-07-02 一种前车换道意图预测方法及预测系统 Active CN111746559B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010627959.3A CN111746559B (zh) 2020-07-02 2020-07-02 一种前车换道意图预测方法及预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010627959.3A CN111746559B (zh) 2020-07-02 2020-07-02 一种前车换道意图预测方法及预测系统

Publications (2)

Publication Number Publication Date
CN111746559A CN111746559A (zh) 2020-10-09
CN111746559B true CN111746559B (zh) 2023-04-07

Family

ID=72678775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010627959.3A Active CN111746559B (zh) 2020-07-02 2020-07-02 一种前车换道意图预测方法及预测系统

Country Status (1)

Country Link
CN (1) CN111746559B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418237A (zh) * 2020-12-07 2021-02-26 苏州挚途科技有限公司 车辆驾驶决策方法、装置及电子设备
CN112572472B (zh) * 2020-12-08 2021-12-14 重庆大学 一种基于Frenet坐标系的自动驾驶碰撞预测方法
CN112668779B (zh) * 2020-12-28 2024-07-12 重庆大学 基于自适应高斯过程的前车运动状态预测方法
CN113895434B (zh) * 2021-09-29 2023-01-24 岚图汽车科技有限公司 一种基于车对外界信息交互通信技术的路障预测方法
CN113771883A (zh) * 2021-10-21 2021-12-10 中国第一汽车股份有限公司 一种可行驶区域确定方法、装置、设备及存储介质
CN114148350B (zh) * 2021-12-21 2024-07-23 北京三快在线科技有限公司 一种无人设备的控制方法及装置
CN114771575A (zh) * 2022-05-16 2022-07-22 天津大学 基于双通道高斯混合隐马尔可夫模型的车辆行为预测方法
CN115320631B (zh) * 2022-07-05 2024-04-09 西安航空学院 一种智能驾驶汽车相邻车道前车驾驶意图辨识方法
CN115171389B (zh) * 2022-07-22 2023-10-31 吉林大学 基于gmm-hmm的高速公路他车超车换道意图识别方法
CN115782926B (zh) * 2022-12-29 2023-12-22 苏州市欧冶半导体有限公司 一种基于道路信息的车辆运动预测方法及装置
CN116767218B (zh) * 2023-08-18 2023-11-17 北京理工大学 一种无人驾驶车辆强制换道决策方法、计算机设备及介质
CN117555333A (zh) * 2023-11-21 2024-02-13 深圳云程科技有限公司 一种动态行进轨迹的处理系统及方法
CN118015589B (zh) * 2024-01-19 2024-08-30 元橡科技（北京）有限公司 全局障碍物识别方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11321690A (ja) * 1998-03-10 1999-11-24 Nissan Motor Co Ltd レーンキープシステム
CN109471436A (zh) * 2018-11-09 2019-03-15 上海理工大学 基于混合高斯-隐马尔科夫模型的换道模型参数优化方法
CN109582993A (zh) * 2018-06-20 2019-04-05 长安大学 城市交通场景图像理解与多视角群智优化方法
CN109991605A (zh) * 2019-04-03 2019-07-09 吉林大学 一种智能网联汽车环境感知系统的多雷达数据融合方法
CN110136254A (zh) * 2019-06-13 2019-08-16 吉林大学 基于动态概率驾驶地图的驾驶辅助信息显示方法
CN110852281A (zh) * 2019-11-13 2020-02-28 吉林大学 基于高斯混合隐马尔科夫模型的驾驶员换道意图识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5206752B2 (ja) * 2010-08-30 2013-06-12 株式会社デンソー 走行環境認識装置
US11104334B2 (en) * 2018-05-31 2021-08-31 Tusimple, Inc. System and method for proximate vehicle intention prediction for autonomous vehicles

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11321690A (ja) * 1998-03-10 1999-11-24 Nissan Motor Co Ltd レーンキープシステム
CN109582993A (zh) * 2018-06-20 2019-04-05 长安大学 城市交通场景图像理解与多视角群智优化方法
CN109471436A (zh) * 2018-11-09 2019-03-15 上海理工大学 基于混合高斯-隐马尔科夫模型的换道模型参数优化方法
CN109991605A (zh) * 2019-04-03 2019-07-09 吉林大学 一种智能网联汽车环境感知系统的多雷达数据融合方法
CN110136254A (zh) * 2019-06-13 2019-08-16 吉林大学 基于动态概率驾驶地图的驾驶辅助信息显示方法
CN110852281A (zh) * 2019-11-13 2020-02-28 吉林大学 基于高斯混合隐马尔科夫模型的驾驶员换道意图识别方法

Also Published As

Publication number Publication date
CN111746559A (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
CN111746559B (zh) 一种前车换道意图预测方法及预测系统
CN113165652B (zh) 使用基于网格的方法检验预测轨迹
CN110562258B (zh) 一种车辆自动换道决策的方法、车载设备和存储介质
CN106114507B (zh) 用于智能车辆的局部轨迹规划方法和装置
CN112789481A (zh) 对自上而下场景的轨迹预测
Yao et al. Learning lane change trajectories from on-road driving data
US11628850B2 (en) System for generating generalized simulation scenarios
CN112203916A (zh) 用于确定目标车辆变道相关信息的方法和设备、用于确定车辆舒适性度量用以预测目标车辆的驾驶机动操纵的方法和设备以及计算机程序
CN112258841B (zh) 一种基于它车辆轨迹预测的智能车辆风险评估方法
CN113895464B (zh) 融合个性化驾驶风格的智能车驾驶地图生成方法及系统
CN107310550A (zh) 道路交通工具行驶控制方法和装置
Zhang et al. A framework for turning behavior classification at intersections using 3D LIDAR
CN114446049A (zh) 基于社会价值取向的交通流预测方法、系统、终端及介质
CN112614373A (zh) 一种基于BiLSTM周车换道意图预测方法
Benterki et al. Long-term prediction of vehicle trajectory using recurrent neural networks
CN115523934A (zh) 一种基于深度学习的车辆轨迹预测方法及系统
CN113424209A (zh) 使用深度学习多预测器融合和贝叶斯优化的轨迹预测
CN115743179A (zh) 一种车辆概率多模态预期轨迹预测方法
CN115451987A (zh) 一种自动驾驶汽车的路径规划学习方法
Gao et al. Discretionary cut-in driving behavior risk assessment based on naturalistic driving data
Peng Connected and automated vehicles: The roles of dynamics and control
JP2019214320A (ja) 認識処理装置、車両制御装置、認識制御方法、およびプログラム
Zyner Naturalistic driver intention and path prediction using machine learning
CN114217601B (zh) 自驾车的混合决策方法及其系统
CN114862158B (zh) 一种基于可通行区域的自动驾驶汽车场景风险评估方法

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