CN111845787A - 一种基于lstm的换道意图预测方法 - Google Patents

一种基于lstm的换道意图预测方法 Download PDF

Info

Publication number
CN111845787A
CN111845787A CN202010765063.1A CN202010765063A CN111845787A CN 111845787 A CN111845787 A CN 111845787A CN 202010765063 A CN202010765063 A CN 202010765063A CN 111845787 A CN111845787 A CN 111845787A
Authority
CN
China
Prior art keywords
vehicle
lane
lstm
lane change
training
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.)
Pending
Application number
CN202010765063.1A
Other languages
English (en)
Inventor
王伟达
杨超
郄天琪
刘文婕
张宇航
马正
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202010765063.1A priority Critical patent/CN111845787A/zh
Publication of CN111845787A publication Critical patent/CN111845787A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明一种基于LSTM的换道意图预测方法包括，训练数据集的采集和LSTM模型训练、车辆行驶过程中的换道预测；训练数据集的采集和LSTM模型训练，在具有代表性的典型路段上方架设摄像头，获取数据，通过大量的数据训练，得到换道意图预测模型；车辆行驶过程中的换道预测，用于行驶过程中的换道预测。本发明适用于用于自动驾驶车辆行驶过程中预测周围其他车辆(目标车辆)的换道意图；采用LSTM方法进行换道意图的预测，先行对判断信息是否有用并对信息进行处理，为换道意图预测提供了更加准确的数据。

Description

一种基于LSTM的换道意图预测方法
技术领域
本发明属于车辆技术领域，尤其是涉及一种基于LSTM的换道意图预测方法。
背景技术
自动驾驶车辆在行驶过程面对的交通环境复杂，为了避免碰撞，保证行车安全，需要预测其他车辆的换道意图。准确预测换道意图可以提高车辆行驶的安全性，并为自动驾驶车辆的路径规划提供信息。
当前道路上行驶的车辆大多数为人类驾驶车辆，预测车辆换道意图需要对人类驾驶员的驾驶习惯进行学习。神经网络具有强大的学习能力，可以学习人类驾驶员习惯。同时换道意图预测是一个时间序列的问题，现有用于时间序列的神经网络方法有RNN和LSTM，但RNN方法存在梯度弥散和梯度爆炸情况，不适宜应用于较长的时间序列中。
发明内容
本申请的目的在于提供一种基于LSTM的换道意图预测方法，以提高车辆行驶的安全性。
为实现上述目的，本申请采用的技术方案是：
一种基于LSTM的换道意图预测方法包括，训练数据集的采集和LSTM模型训练、车辆行驶过程中的换道预测；训练数据集的采集和LSTM模型训练，在具有代表性的典型路段上方架设摄像头，获取数据，通过大量的数据训练，得到换道意图预测模型；车辆行驶过程中的换道预测，用于行驶过程中的换道预测。
所述的训练数据集的采集和LSTM模型训练，包括以下步骤：
首先通过在道路上方架设摄像机，获取车辆行驶信息；对车辆行驶信息进行处理，获取包括车辆编号、车辆位置、车辆速度、车辆加速度、车辆当前车道；应用提取的数据，组成训练数据集；
其次，构建长短时记忆神经网络即LSTM模型，将训练数据集输入长LSTM中，对神经网络的参数进行训练，使其学习人类驾驶员的驾驶习惯；所述LSTM模型的输出为换道意图，换道意图分为三类，即保持当前车道行驶、向左换道、向右换道；将输出的换道意图与车辆的实际行为进行对比，计算输出的准确率，如果准确率达到要求，则输出当前的LSTM模型。
所述的车辆行驶过程中的换道预测，通过车辆传感器获取拟预测车辆的信息，包括车辆位置、速度、加速度以及所在车道；将上述信息输入到已训练的LSTM模型中，即可输出车辆的换道意图。
本发明适用于用于自动驾驶车辆行驶过程中预测周围其他车辆(目标车辆)的换道意图；采用LSTM方法进行换道意图的预测，先行判断信息是否有用并对信息进行处理，为换道意图预测提供了更加准确的数据。
附图说明
图1是本发明的方法示意图；
图2是本发明训练数据集的采集和LSTM模型训练流程图；
图3是本发明车辆行驶过程中的换道预测流程图。
具体实施方式
结合实施例说明本发明的具体技术方案。
如图1所示，本方案的实施过程包括两个阶段，第一阶段为训练数据集的采集和LSTM模型训练，第二阶段为车辆行驶过程中的换道预测。
训练数据集的采集和LSTM模型训练，在具有代表性的典型路段上方架设摄像头，获取数据，通过大量的数据训练，得到换道意图预测模型；
换道意图预测，用于行驶过程中的换道预测。
如图2所示，所述的训练数据集的采集和LSTM模型训练，包括以下步骤：
首先通过在道路上方架设摄像机，获取车辆行驶的视频信息，通过该方式可以获得摄像机所在路段的车辆信息，与通过安装在车上传感器获取的信息相比，该数据的时间跨度广，能获取的车辆信息范围大；对车辆行驶信息进行处理，对视频中出现的车辆进行编号并提取车辆位置、车辆速度、车辆加速度、车辆当前车道等信息；应用提取的数据，组成训练数据集；
其次，构建长短时记忆神经网络即LSTM模型，将训练数据集输入长LSTM中，其中车辆行驶信息作为输入，车辆换道意图作为输出，对神经网络的参数进行训练，使其学习人类驾驶员的驾驶习惯，该方法采用深度学习方法，能够充分理解并学习人类的换道行为；所述LSTM模型的输出为换道意图，换道意图分为三类，即保持当前车道行驶、向左换道、向右换道；将输出的换道意图与车辆的实际行为进行对比，计算输出的准确率，如果准确率达到要求，则输出当前的LSTM模型。
如图3所示，所述的车辆行驶过程中的换道预测，通过车辆传感器(激光雷达、摄像头、毫米波雷达、组合导航等)获取拟预测车辆的信息，通过毫米波雷达获得与目标车辆的相对距离，通过摄像头获得目标车辆的图像，通过激光雷达获得目标车辆的点云信息，通过惯性导航获取目标车辆的速度、加速度信息，将上述数据进行信息融合，得到目标车辆的位置、速度、加速度以及所在车道，通过卫星导航系统得到自动驾驶车辆自身位置；将上述信息输入到已训练的LSTM模型中，即可输出车辆的换道意图。

Claims (4)

1.一种基于LSTM的换道意图预测方法，其特征在于，包括，训练数据集的采集和LSTM模型训练、车辆行驶过程中的换道预测；
所述训练数据集的采集和LSTM模型训练，在具有代表性的典型路段上方架设摄像头，获取数据，通过大量的数据训练，得到换道意图预测模型；
所述车辆行驶过程中的换道预测，用于行驶过程中的换道预测。
2.根据权利要求1所述的一种基于LSTM的换道意图预测方法，其特征在于，所述的训练数据集的采集和LSTM模型训练，包括以下步骤：
首先通过在道路上方架设摄像机，获取车辆行驶信息；对车辆行驶信息进行处理，获取包括车辆编号、车辆位置、车辆速度、车辆加速度、车辆当前车道；应用提取的数据，组成训练数据集；
其次，构建长短时记忆神经网络即LSTM模型，将训练数据集输入长LSTM中，对神经网络的参数进行训练，使其学习人类驾驶员的驾驶习惯；所述LSTM模型的输出为换道意图，将输出的换道意图与车辆的实际行为进行对比，计算输出的准确率，如果准确率达到要求，则输出当前的LSTM模型。
3.根据权利要求2所述的一种基于LSTM的换道意图预测方法，其特征在于，所述换道意图分为三类，即保持当前车道行驶、向左换道、向右换道。
4.根据权利要求1到3任一项所述的一种基于LSTM的换道意图预测方法，其特征在于，所述的车辆行驶过程中的换道预测，通过车辆传感器获取拟预测车辆的信息，包括车辆位置、速度、加速度以及所在车道；将上述信息输入到已训练的LSTM模型中，即可输出车辆的换道意图。
CN202010765063.1A 2020-08-03 2020-08-03 一种基于lstm的换道意图预测方法 Pending CN111845787A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010765063.1A CN111845787A (zh) 2020-08-03 2020-08-03 一种基于lstm的换道意图预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010765063.1A CN111845787A (zh) 2020-08-03 2020-08-03 一种基于lstm的换道意图预测方法

Publications (1)

Publication Number Publication Date
CN111845787A true CN111845787A (zh) 2020-10-30

Family

ID=72954302

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010765063.1A Pending CN111845787A (zh) 2020-08-03 2020-08-03 一种基于lstm的换道意图预测方法

Country Status (1)

Country Link
CN (1) CN111845787A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112614373A (zh) * 2020-12-29 2021-04-06 厦门大学 一种基于BiLSTM周车换道意图预测方法
CN113306558A (zh) * 2021-07-30 2021-08-27 北京理工大学 一种基于换道交互意图的换道决策方法及系统
CN113486822A (zh) * 2021-07-12 2021-10-08 吉林大学 一种基于驾驶意图的周围车辆轨迹预测方法及系统
CN114852099A (zh) * 2021-02-03 2022-08-05 郑州宇通客车股份有限公司 机动车换道行为的预测方法
CN114913711A (zh) * 2021-02-10 2022-08-16 奥迪股份公司 一种基于预测车辆切入可能性的辅助驾驶系统和方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107813820A (zh) * 2017-10-13 2018-03-20 江苏大学 一种仿优秀驾驶员的无人车换道路径规划方法
US20190077398A1 (en) * 2017-09-14 2019-03-14 Toyota Motor Engineering & Manufacturing North America, Inc. System and method for vehicle lane change prediction using structural recurrent neural networks
CN110796856A (zh) * 2019-10-16 2020-02-14 腾讯科技（深圳）有限公司 车辆变道意图预测方法及变道意图预测网络的训练方法
CN111114556A (zh) * 2019-12-24 2020-05-08 北京工业大学 基于多源指数加权损失下lstm的换道意图识别方法
CN111310735A (zh) * 2020-03-18 2020-06-19 桂林电子科技大学 一种基于lstm技术的汽车轨迹预测方法
CN111413973A (zh) * 2020-03-26 2020-07-14 北京汽车集团有限公司 车辆的换道决策方法及装置、电子设备、存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190077398A1 (en) * 2017-09-14 2019-03-14 Toyota Motor Engineering & Manufacturing North America, Inc. System and method for vehicle lane change prediction using structural recurrent neural networks
CN107813820A (zh) * 2017-10-13 2018-03-20 江苏大学 一种仿优秀驾驶员的无人车换道路径规划方法
CN110796856A (zh) * 2019-10-16 2020-02-14 腾讯科技（深圳）有限公司 车辆变道意图预测方法及变道意图预测网络的训练方法
CN111114556A (zh) * 2019-12-24 2020-05-08 北京工业大学 基于多源指数加权损失下lstm的换道意图识别方法
CN111310735A (zh) * 2020-03-18 2020-06-19 桂林电子科技大学 一种基于lstm技术的汽车轨迹预测方法
CN111413973A (zh) * 2020-03-26 2020-07-14 北京汽车集团有限公司 车辆的换道决策方法及装置、电子设备、存储介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112614373A (zh) * 2020-12-29 2021-04-06 厦门大学 一种基于BiLSTM周车换道意图预测方法
CN114852099A (zh) * 2021-02-03 2022-08-05 郑州宇通客车股份有限公司 机动车换道行为的预测方法
CN114913711A (zh) * 2021-02-10 2022-08-16 奥迪股份公司 一种基于预测车辆切入可能性的辅助驾驶系统和方法
CN113486822A (zh) * 2021-07-12 2021-10-08 吉林大学 一种基于驾驶意图的周围车辆轨迹预测方法及系统
CN113486822B (zh) * 2021-07-12 2022-04-29 吉林大学 一种基于驾驶意图的周围车辆轨迹预测方法及系统
CN113306558A (zh) * 2021-07-30 2021-08-27 北京理工大学 一种基于换道交互意图的换道决策方法及系统

Similar Documents

Publication Publication Date Title
CN109829386B (zh) 基于多源信息融合的智能车辆可通行区域检测方法
CN111845787A (zh) 一种基于lstm的换道意图预测方法
CN113272830B (zh) 行为预测系统中的轨迹表示
US11164016B2 (en) Object detection and property determination for autonomous vehicles
US11915492B2 (en) Traffic light recognition method and apparatus
CN112700470B (zh) 一种基于交通视频流的目标检测和轨迹提取方法
CN105892471B (zh) 汽车自动驾驶方法和装置
CN110007675B (zh) 一种基于行车态势图的车辆自动驾驶决策系统及基于无人机的训练集制备方法
CN108334055B (zh) 车辆自动驾驶算法的检验方法、装置、设备及存储介质
EP3588226B1 (en) Method and arrangement for generating control commands for an autonomous road vehicle
CN110843789B (zh) 一种基于时序卷积网络的车辆换道意图预测方法
Rawashdeh et al. Collaborative automated driving: A machine learning-based method to enhance the accuracy of shared information
WO2022141538A1 (zh) 一种轨迹预测方法与装置
US11912286B2 (en) Driving risk identification model calibration method and system
Biparva et al. Video action recognition for lane-change classification and prediction of surrounding vehicles
CN110871811B (zh) 学习装置、模拟系统、学习方法及存储介质
CN113252022B (zh) 一种地图数据处理方法及装置
CN112810619A (zh) 基于雷达的辅助驾驶系统前方目标车辆识别方法
CN112373483B (zh) 一种基于前向神经网络的车辆速度和转向预测方法
WO2021062594A1 (en) Systems and methods for jointly predicting trajectories of multiple moving objects
CN111240224A (zh) 一种车辆自动驾驶技术的多功能仿真模拟系统
CN115523934A (zh) 一种基于深度学习的车辆轨迹预测方法及系统
CN114475656B (zh) 行驶轨迹预测方法、装置、电子设备以及存储介质
CN110472508A (zh) 基于深度学习和双目视觉的车道线测距方法
Zhang et al. Aerial dataset for china congested highway & expressway and its potential applications in automated driving systems development

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201030