CN112053589B - 一种目标车辆换道行为自适应识别模型构建方法 - Google Patents
一种目标车辆换道行为自适应识别模型构建方法 Download PDFInfo
- Publication number
- CN112053589B CN112053589B CN202010831985.8A CN202010831985A CN112053589B CN 112053589 B CN112053589 B CN 112053589B CN 202010831985 A CN202010831985 A CN 202010831985A CN 112053589 B CN112053589 B CN 112053589B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- model
- target vehicle
- data
- behavior
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 11
- 238000010276 construction Methods 0.000 title claims description 4
- 230000006399 behavior Effects 0.000 claims abstract description 67
- 230000008859 change Effects 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 239000004576 sand Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 230000004886 head movement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种目标车辆换道行为自适应识别模型构建方法，包括如下步骤：步骤1，建立换道行为影响参数集，划分样本得到模型输入；步骤2，基于大规模车辆轨迹数据集，训练得到左侧及右侧目标换道行为识别的通用模型；步骤3，基于贝叶斯推断建立自适应换道行为识别模型。本发明的目标车辆换道行为自适应识别模型构建方法，通过步骤1至步骤3的设置，便可有效的对行车时周围目标车辆的换道行为进行识别，为车辆的驾驶行为决策提供信息支持，从而提高行车的安全性。
Description
技术领域
本发明涉及自动驾驶研究领域，具体涉及到一种目标车辆换道行为自适应识别模型构建方法。
背景技术
我国的汽车保有量不断增加，交通安全问题不容忽视。车辆在路段上的行驶过程中，换道行为与跟驰行为相比会产生更多的交通冲突且驾驶员需要处理的信息更为复杂，而周围车辆普遍存在转向灯使用不规范的现象，使得换道行为极易引起交通事故，造成人员伤亡和财产损失。目前换道辅助系统、碰撞预警系统等先进驾驶辅助系统已经在量产车中大量使用，但这类系统主要对自车换道行为进行识别并判断侧向、前方安全性，其均无法对周围车辆运动行为的改变进行实时识别并做出反应。因此对周围目标车辆换道行为进行识别，并将其应用于自动驾驶技术中，能够有效减少驾驶员对周围车辆运动行为的判断失误，从而减少事故，提高道路的安全性。
目前，换道行为识别模型主要基于判别模型、生成模型和深度学习三类模型建立，应用较广的方法有逻辑回归、SVM、贝叶斯网络、HMM、LSTM等。在已有的换道行为识别模型中，车内摄像头收集的驾驶员眼动、头部运动等生理信息，OBD等设备收集的方向盘转角等车辆状态信息对自车驾驶行为的识别有较大作用，而在目前网联车还未普及的情况下，其无法对周围车辆驾驶员的生理特征等关键信息进行检测。同时，已有研究多利用大规模数据集对换道行为进行监督学习，其学习时间较长，在复杂多变的道路环境中适用性较弱。因此本发明仅通过车辆外部检测器(如雷达、摄像头等)得到的轨迹数据对周围目标车辆的换道行为进行检测，并将LSTM模型与贝叶斯推断相结合，提出了一种面向自动驾驶的能够对目标车辆换道行为进行实时识别的自适应模型。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种目标车辆换道行为自适应识别模型构建方法。
为实现上述目的，本发明提供了如下技术方案：一种目标车辆换道行为自适应识别模型构建方法，其基于如下假设：驾驶员的换道决策模式相似，在不同的道路交通环境下其决策阈值存在差异，在相似的道路交通环境下驾驶决策阈值具有相似性，且包括如下步骤：
步骤1，建立换道行为影响参数集，划分样本得到模型输入；
步骤2，基于大规模车辆轨迹数据集，训练得到左侧及右侧目标换道行为识别的通用模型；
步骤3，基于贝叶斯推断建立自适应换道行为识别模型。
作为本发明的进一步改进，所述步骤1中建立换道行为影响参数集，划分样本得到模型输入的具体步骤如下：
步骤11，基于车辆检测数据，利用目标车辆的横向速度(vx)、纵向速度(vy)、横向加速度(ax)、纵向加速度(ay)、目标车辆距检测车辆车道中心线距离(Δy)、目标车辆与其前车间距(Δxf)、目标车辆与检测车间距(Δxd)、目标车辆与检测车前车间距(Δxs)八个参数建立换道行为的影响参数集。
步骤12，按照检测车辆和目标车辆的车辆编号进行样本划分，并确定模型的输入和输出。
作为本发明的进一步改进，所述步骤2中基于大规模车辆轨迹数据集，训练得到左侧及右侧目标换道行为识别的通用模型的具体步骤如下：
步骤21，建立LSTM模型并基于向左换道和向右换道模型的输入进行训练，建立的模型使用尺寸为256的小批量数据进行训练，输入通过全连接层与LSTM 层相连，其激活函数为ReLU，模型共包括3个LSTM层的堆叠，不同LSTM 层之间的Dropout比率为0.2，隐藏单元个数为64，采用Adam优化器，学习率为0.005，最大梯度范数设置为5，输出概率通过softmax层进行计算。
作为本发明的进一步改进，所述步骤3中基于贝叶斯推断建立自适应换道行为识别模型的具体步骤如下：
步骤31，基于时间范围选择数据样本，设置两个参数α,β～N(μ,σ2)用来修正softmax层的输出概率，两参数通过贝叶斯推断进行实时修正，利用蒙特卡洛模拟，随机抽取α和β，不断迭代得到更符合数据样本的α和β参数，依据参数期望计算得到α和β值。进而修正车辆换道概率。
本发明的有益效果，(1)对行车时周围目标车辆的换道行为进行识别，为车辆的驾驶行为决策提供信息支持，从而提高行车的安全性；
(2)仅利用车辆传感器能够测得的轨迹数据进行建模，使模型能够在辅助驾驶系统中较为方便的应用，具有较强的可移植性；
(3)模型具有实时性的特点，能够利用实时采集到的车辆轨迹数据，对模型参数进行调整，适用于多变的道路交通环境。
附图说明
图1为本发明的技术路线图；
图2换道行为影响参数示意图。
具体实施方式
下面将结合附图所给出的实施例对本发明做进一步的详述。
参照图1至2所示，本实施例的一种目标车辆换道行为自适应识别模型构建方法，包括如下步骤：步骤1：车辆轨迹数据的预处理。由于数据检测误差及速度、加速度计算时检测误差的放大，检测数据输入模型前需利用对指数移动平均法分别对车辆横纵向坐标、横纵向速度和横纵向加速度进行数据滤波，其计算如下：
其中，
为样本n在时刻t目标车辆换道行为影响参数Xn(t)第m个变量的滤波值，Xm,n(t)为数据检测值，P为滤波范围，Δ为中间数据的滤波范围，Tn为样本n检测车辆行驶的最大时刻。
利用滤波后的数据计算得到车辆换道行为的剩余影响参数Δy、Δxf、Δxd和Δxs，并对数据进行归一化处理，其计算公式如下：
其中，
为
的归一化值，
为第m个影响参数Xm滤波后的所有数据；
步骤2：划分换道行为，对大规模训练数据集的标签(Yn(t))进行标注。车辆不换道时，车辆的横向位置坐标会在道路中心线附近波动，以保证车辆的安全和平稳。而车辆在换道时，其横向位置坐标将会持续同一方向移动，以实现车道的变换。因此，将目标车辆向同一横向方向移动并跨过车道线，且同方向移动起点与终点的目标车辆车身均在某一车道内的时段判定为换道时段，该时段内的目标车辆标签Yn(t)被标注为换道。目标车辆向左换道和向右换道的判定需分别满足公式(3)和(4)的条件。
其中，yn(t)为样本n的目标车辆在时刻t的横向坐标值；tstart和tend分别为目标车辆向同一横向方向移动的起点和终点时刻；LCn(t)为样本n的检测车辆在时刻t所在车道中心线的横向坐标值；LWn(t)为样本n在时刻t目标车辆所在车道的车道宽度；CWn为样本n目标车辆的车辆宽度；Ln(t)为样本n在时刻t目标车辆所在车道的车道编号。
将处理后的数据进行缺失值填补，得到预处理后的数据集；
步骤3：建立换道行为影响参数集，划分样本得到模型输入。对于行驶车辆而言，右侧车道的车辆向左换道插入行驶车辆前的行为以及左侧车辆向右换道插入行驶车辆前的行为，均会对车辆的安全状态产生影响，因此本模型的目标车辆为行驶车辆检测器范围内可能换道到行驶车辆前方的车辆。针对左侧车辆和右侧车辆，需分别建立左侧目标车辆换道行为识别模型和右侧目标车辆换道行为识别模型。为综合考虑目标车辆的运动状态以及周围交通环境信息，本模型基于车载雷达、摄像头等检测器的检测数据，选择车载检测器检测范围内目标车辆的横向速度(vx)、纵向速度(vy)、横向加速度(ax)、纵向加速度(ay)、目标车辆距检测车辆车道中心线距离(Δy)、目标车辆与其前车间距(Δxf)、目标车辆与检测车间距(Δxd)、目标车辆与检测车前车间距(Δxs)，作为换道行为的影响参数，即：
X(t)＝(vx(t),vy(t),ax(t),ay(t),Δy(t),Δxf(t),Δxd(t),Δxs(t)) (5)
其中，t为车辆当前时刻。
本模型按照检测车辆和目标车辆的车辆编号进行样本划分，即对某一样本而言，其包括一辆检测车辆和一辆目标车辆，该样本的数据集包括影响目标车辆换道到检测车辆前方的所有影响参数X(t)和实际换道结果Y(t)。基于目标车辆换道行为的影响参数集，模型的输入与输出分别为：
其中，I为输入参数集，Z为输出参数集，Xn(t)为样本n在时刻t目标车辆换道行为的影响参数，Yn(t)为样本n的目标车辆在时刻t的实际换道行为(0为不换道，1为换道)，Tn为样本n目标车辆的行驶时长，N为样本个数，P(0)和P(1)分别为模型计算得到的不换道概率和换道概率，P(0)+P(1)＝1。
步骤4：基于大规模车辆轨迹数据集，训练得到左侧及右侧目标换道行为识别的通用模型。换道行为识别通用模型基于LSTM模型训练得到。所建立的模型使用尺寸为256的小批量数据进行训练，输入通过全连接层与LSTM层相连，其激活函数为ReLU，模型共包括3个LSTM层的堆叠，不同LSTM层之间的 Dropout比率为0.2，隐藏单元个数为64，采用Adam优化器，学习率为0.005，最大梯度范数设置为5。
模型的输出概率通过softmax层进行计算，如公式(8)所示。
分别将左侧目标车辆训练数据集和右侧目标车辆训练数据集输入到所建立的LSTM模型中，对模型参数进行设置与调整，利用大规模数据集训练得到通用的左侧目标车辆换道行为识别模型和右侧目标车辆换道行为识别模型，得到通用模型的输出Z，其将作为贝叶斯模型的输入进行下一步计算。
步骤5：基于贝叶斯推断建立自适应换道行为识别模型。基于模型假设，车辆在不同的道路交通环境下，换道决策具有不同的阈值，即基于LSTM模型得到的输出结果在进行概率计算时，softmax函数具有不同的参数。本模型设置了α和β两个参数，且α,β～N(μ,σ2)。因此目标车辆换道行为概率计算公式如下：
同时，车辆在行驶的过程中，在较短的时间内道路、交通环境相似，因此在时刻t，选择{t-min(Tmax,T0),t-Cmax}时段内的车辆检测范围内所有车辆的数据作为样本D，进行参数的贝叶斯推断。由于换道行为仅包括换道和不换道两种决策结果，因此，换道行为Dn～B(1,P(1)),n＝1,…,N。其中，T0为车辆进入新的道路环境的时长(如车辆进入不同等级道路后的时长)；Tmax为交通环境相似的最大时长，在该时长范围内，车辆的交通环境(如交通流密度、平均车速等)近似相同；Cmax为换道过程最大时长，其通过对大规模数据集换道时间的统计得到；N为样本个数。
本模型在每一时刻t，利用马尔科夫链蒙特卡洛模拟(MCMC)对α和β的分布进行贝叶斯推断。针对某一时刻，参数推断的具体计算步骤如下：
(1)选择参数分布初始值μα＝0，μβ＝1，并选择合适的σα和σβ值，依据α～N(μα，σα 2)，β～N(μβ，σβ 2)随机抽取α1和β1的值，并基于修正后的概率计算公式(9)分别计算α1和β1的先验概率；
(2)依据α～N(μα，σα 2)，β～N(μβ，σβ 2)随机抽取α2和β2的值，并基于修正后的概率计算公式(9)分别计算α2和β2的先验概率；
(3)利用选取的观测样本集D，依据贝叶斯定理判断更新后的参数α2和β2较α1和β1相比是否更符合观测样本集的观测结果，
其中，θ为判断条件，P(αi，βi|D)为在抽取样本集为D的情况下αi和βi的后验概率，P(αi，βi)为αi和βi的先验概率，其基于α和β参数的概率分布计算得到， P(D|αi，βi)为在αi和βi成立的条件下，抽取样本集为D的似然函数，其基于公式(9) 进行计算，N为样本数量，Dn为样本集D的第n个样本；
(4)若θ＞1，则参数αi，βi较αi-1，βi-1更符合实际观测结果，因此接受此次参数更新，否则，拒绝此次参数更新，参数仍为αi-1，βi-1，重复第2，3，4 步；
(5)当迭代次数达到迭代要求时，返回所有采纳的点，依据正态分布计算参数的期望，作为参数值，即
其中I为抽样次数。
在计算得到α和β的参数值后，依据公式(9)计算目标车辆的换道概率和不换道概率。
在车辆的行驶过程中，车辆在每一时刻t，基于所定义规则选出与检测车辆此时行驶的道路交通环境相似的检测数据，作为推断样本。设置贝叶斯推断模型的迭代次数，左侧目标车辆换道模型和右侧目标车辆换道模型的参数α和β基于车载检测器实时检测到的样本数据分别进行不断地更新，计算车辆的换道概率，从而实现目标车辆换道行为的自适应识别，从而为行驶车辆周围危险情况的检测提供支持。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种目标车辆换道行为自适应识别模型构建方法，其特征在于：包括如下步骤：
步骤1，先进行车辆轨迹数据的预处理，然后划分换道行为，对大规模训练数据集的标签(Yn(t))进行标注，之后建立换道行为影响参数集，划分样本得到模型输入；
步骤2，基于大规模车辆轨迹数据集，训练得到左侧及右侧目标换道行为识别的通用模型；
步骤3，基于贝叶斯推断建立自适应换道行为识别模型；
其中，车辆轨迹数据预处理的方式为对指数移动平均法分别对车辆横纵向坐标、横纵向速度和横纵向加速度进行数据滤波，其计算如下：
其中，
为样本n在时刻t目标车辆换道行为影响参数Xn(t)第m个变量的滤波值，Xm，n(t)为数据检测值，P为滤波范围，Δ为中间数据的滤波范围，Tn为样本n检测车辆行驶的最大时刻；
利用滤波后的数据计算得到车辆换道行为的剩余影响参数Δy、Δxf、Δxd和Δxs，并对数据进行归一化处理，其计算公式如下：
其中，
为
的归一化值，
为第m个影响参数Xm滤波后的所有数据；所述步骤1中建立换道行为影响参数集，划分样本得到模型输入的具体步骤如下：
步骤11，基于车辆检测数据，利用目标车辆的横向速度vx、纵向速度vy、横向加速度ax、纵向加速度ay、目标车辆距检测车辆车道中心线距离Δy、目标车辆与其前车间距Δxf、目标车辆与检测车间距Δxd、目标车辆与检测车前车间距Δxs八个参数建立换道行为的影响参数集；
步骤12，按照检测车辆和目标车辆的车辆编号进行样本划分，并确定模型的输入和输出；所述步骤2中基于大规模车辆轨迹数据集，训练得到左侧及右侧目标换道行为识别的通用模型的具体步骤如下：
建立LSTM模型并基于向左换道和向右换道模型的输入进行训练，建立的模型使用尺寸为256的小批量数据进行训练，输入通过全连接层与LSTM层相连，其激活函数为ReLU，模型共包括3个LSTM层的堆叠，不同LSTM层之间的Dropout比率为0.2，隐藏单元个数为64，采用Adam优化器，学习率为0.005，最大梯度范数设置为5，输出概率通过softmax层进行计算；所述步骤3中基于贝叶斯推断建立自适应换道行为识别模型的具体步骤如下：
基于时间范围选择数据样本，设置两个参数α，β～N(μ，σ2)用来修正softmax层的输出概率，两参数通过贝叶斯推断进行实时修正，利用蒙特卡洛模拟，随机抽取α和β，不断迭代得到更符合数据样本的α和β参数，依据参数期望计算得到α和β值，进而修正车辆换道概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010831985.8A CN112053589B (zh) | 2020-08-18 | 2020-08-18 | 一种目标车辆换道行为自适应识别模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010831985.8A CN112053589B (zh) | 2020-08-18 | 2020-08-18 | 一种目标车辆换道行为自适应识别模型构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112053589A CN112053589A (zh) | 2020-12-08 |
| CN112053589B true CN112053589B (zh) | 2022-05-24 |
Family
ID=73600263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010831985.8A Active CN112053589B (zh) | 2020-08-18 | 2020-08-18 | 一种目标车辆换道行为自适应识别模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112053589B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114852099B (zh) * | 2021-02-03 | 2024-08-02 | 宇通客车股份有限公司 | 机动车换道行为的预测方法 |
| CN113111502B (zh) * | 2021-04-01 | 2022-07-05 | 同济大学 | 基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法 |
| CN113147766A (zh) * | 2021-05-21 | 2021-07-23 | 蔚来汽车科技(安徽)有限公司 | 目标车辆的换道预测方法及设备 |
| CN113313941B (zh) * | 2021-05-25 | 2022-06-24 | 北京航空航天大学 | 基于记忆网络和编码器-解码器模型的车辆轨迹预测方法 |
| CN113665574B (zh) * | 2021-10-22 | 2022-01-11 | 清华大学 | 智能汽车换道时长预测及拟人化轨迹规划方法 |
| CN115512540A (zh) * | 2022-09-20 | 2022-12-23 | 中国第一汽车股份有限公司 | 车辆的信息处理方法、装置、存储介质和处理器 |
| CN115731708B (zh) * | 2022-11-15 | 2023-10-17 | 东南大学 | 一种基于贝叶斯理论的实时车辆轨迹换道点监测方法 |
| 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 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9710925B2 (en) * | 2014-06-08 | 2017-07-18 | The Board Of Trustees Of The Leland Stanford Junior University | Robust anytime tracking combining 3D shape, color, and motion with annealed dynamic histograms |
| CN107085729B (zh) * | 2017-03-13 | 2021-06-22 | 西安电子科技大学 | 一种基于贝叶斯推断的人员检测结果修正方法 |
| US10611371B2 (en) * | 2017-09-14 | 2020-04-07 | Toyota Motor Engineering & Manufacturing North America, Inc. | System and method for vehicle lane change prediction using structural recurrent neural networks |
| CN110569783B (zh) * | 2019-09-05 | 2022-03-25 | 吉林大学 | 一种驾驶人换道意图识别方法及系统 |
| CN110852281B (zh) * | 2019-11-13 | 2022-05-17 | 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 |
| CN111046919B (zh) * | 2019-11-21 | 2023-05-12 | 南京航空航天大学 | 一种融合行为意图的周围动态车辆轨迹预测系统及方法 |
| CN111209838B (zh) * | 2019-12-31 | 2022-11-18 | 清华大学 | 一种基于驾驶意图的周车换道行为动态识别方法 |
-
2020
- 2020-08-18 CN CN202010831985.8A patent/CN112053589B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112053589A (zh) | 2020-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112053589B (zh) | 一种目标车辆换道行为自适应识别模型构建方法 | |
| CN111079590B (zh) | 一种无人驾驶车辆的周边车辆行为预判方法 | |
| CN108919795B (zh) | 一种自动驾驶汽车换道决策方法及装置 | |
| CN110596694A (zh) | 一种复杂环境雷达多目标跟踪和道路行驶环境预测方法 | |
| CN110077398B (zh) | 一种用于智能驾驶的危险处理方法 | |
| CN112249008B (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
| CN105922990A (zh) | 一种基于云端机器学习的车辆环境感知和控制方法 | |
| CN103552560A (zh) | 基于司机驾驶状态识别的车道偏离报警方法 | |
| CN110989568B (zh) | 一种基于模糊控制器的自动驾驶车辆安全通行方法及系统 | |
| CN112116100B (zh) | 一种考虑驾驶员类型的博弈论决策方法 | |
| CN109878530B (zh) | 识别车辆侧向行驶工况的方法和系统 | |
| CN112863245B (zh) | 基于深度神经网络的车辆换道轨迹实时预测方法 | |
| US20220073070A1 (en) | Vehicle draft mode | |
| CN106569214A (zh) | 结合导航信息的自适应巡航车载雷达数据处理方法及系统 | |
| CN112810619A (zh) | 基于雷达的辅助驾驶系统前方目标车辆识别方法 | |
| CN112668779A (zh) | 基于自适应高斯过程的前车运动状态预测方法 | |
| CN113682299A (zh) | 一种车辆前向碰撞预警方法及装置 | |
| CN112150816B (zh) | 一种多车交互风险评估系统 | |
| CN115588310A (zh) | 一种基于轨迹数据的车辆碰撞风险预测方法 | |
| CN113761715A (zh) | 一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法 | |
| CN115214649B (zh) | 一种用于驾驶控制的自适应预警方法及系统 | |
| CN113313941B (zh) | 基于记忆网络和编码器-解码器模型的车辆轨迹预测方法 | |
| CN112590791B (zh) | 一种基于博弈论的智能车换道间隙选择方法及装置 | |
| CN107358678B (zh) | 一种驾驶事件检测和识别方法 | |
| 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 |
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 |