CN112530202A - 一种车辆变道的预测方法、装置、设备及车辆 - Google Patents

一种车辆变道的预测方法、装置、设备及车辆 Download PDF

Info

Publication number
CN112530202A
CN112530202A CN202011324594.3A CN202011324594A CN112530202A CN 112530202 A CN112530202 A CN 112530202A CN 202011324594 A CN202011324594 A CN 202011324594A CN 112530202 A CN112530202 A CN 112530202A
Authority
CN
China
Prior art keywords
lane change
target vehicle
vehicle
state information
determining
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
CN202011324594.3A
Other languages
English (en)
Other versions
CN112530202B (zh
Inventor
魏源伯
王祎男
关瀛洲
付仁涛
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.)
FAW Group Corp
Original Assignee
FAW Group Corp
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 FAW Group Corp filed Critical FAW Group Corp
Priority to CN202011324594.3A priority Critical patent/CN112530202B/zh
Publication of CN112530202A publication Critical patent/CN112530202A/zh
Application granted granted Critical
Publication of CN112530202B publication Critical patent/CN112530202B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例公开了一种车辆变道的预测方法，包括：根据目标车辆的运动状态信息确定目标车辆是否存在变道意图；若存在变道意图，则根据目标车辆当前时刻和上一时刻的运动状态信息确定真实变道类别；若真实变道类别为设定类别，则确定目标车辆和周边车辆的运动轨迹；根据运动轨迹确定目标车辆的变道结果。本发明实施例提供的车辆变道的预测方法，利用目标车辆当前时刻与上一时刻的运动状态信息预测其变道意图，并利用目标车辆与周边车辆的运动状态信息预测能否变道成功，可以实现对目标车辆更准确可靠的变道预测，提升自动驾驶的安全性。

Description

一种车辆变道的预测方法、装置、设备及车辆
技术领域
本发明实施例涉及车辆自动驾驶技术领域，尤其涉及一种车辆变道的预测方法、装置、设备及车辆。
背景技术
目前，自动驾驶技术发展快速，国内外中高端车型都在加载自动驾驶功能。在装有ADAS功能的量产车上，除了应具备对周边障碍物等目标信号的感知判断外，还需要具有对周边车辆运动趋势的预测能力。
目前，大多数做法为传统的机器学习方式，将给定的车辆实时状态信息作为输入，车辆的变道意图作为输出，这些方法通过推断映射函数，来获得最佳预测结果。该类方法只利用了某时刻的信息，无法处理时序信息与车辆间的复杂交互信息。
发明内容
本发明实施例提供一种车辆变道的预测方法、装置、设备及车辆，可以对目标车辆进行更准确可靠的变道预测，提升自动驾驶的安全性。
第一方面，本发明实施例提供了一种车辆变道的预测方法，包括：
根据目标车辆的运动状态信息确定所述目标车辆是否存在变道意图；
若存在变道意图，则根据所述目标车辆当前时刻和上一时刻的运动状态信息确定真实变道类别；
若所述真实变道类别为设定类别，则确定所述目标车辆和周边车辆的运动轨迹；
根据所述运动轨迹确定所述目标车辆的变道结果。
进一步地，所述运动状态信息包括横向速度和车道线信息；根据目标车辆的运动状态信息确定所述目标车辆是否存在变道意图，包括：
若所述目标车辆的横向速度方向与所述目标车辆与车道中心线的相对位置方向相同，且所述目标车辆的横向速度大于速度阈值，则所述目标车辆存在变道意图。
进一步地，根据目标车辆的运动状态信息确定所述目标车辆是否存在变道意图，包括：
若所述目标车辆的横向速度方向与所述目标车辆与车道中心线的相对位置方向均为左，且所述目标车辆的横向速度大于速度阈值，则所述目标车辆存在向左变道意图；
若所述目标车辆的横向速度方向与所述目标车辆与车道中心线的相对位置方向均为右，且所述目标车辆的横向速度大于速度阈值，则所述目标车辆存在向右变道意图。
进一步地，所述设定类别包括向左变道或者向右变道；根据所述目标车辆当前时刻和上一时刻的运动状态信息确定真实变道类别，包括：
将所述目标车辆当前时刻和上一时刻的运动状态信息输入训练好的第一神经网络，获得所述目标车辆的真实变道类别；所述真实变道类别包括向左变道、向右变道和不变道。
进一步地，将所述目标车辆当前时刻和上一时刻的运动状态信息输入训练好的第一神经网络，获得所述目标车辆的真实变道类别，包括：
将所述目标车辆当前时刻和上一时刻的运动状态信息输入训练好的第一神经网络，获得各变道类别的置信度；
将置信度最大的变道类别确定为所述目标车辆的真实变道类别。
进一步地，确定所述目标车辆和周边车辆的运动轨迹，包括：
将所述目标车辆和周边车辆的运动状态信息输入训练好的第二神经网络，获得所述目标车辆和周边车辆的运动轨迹。
进一步地，根据所述运动轨迹确定所述目标车辆的变道结果，包括：
将所述目标车辆和所述周边车辆的运动轨迹输入训练好的第三神经网络，获得所述目标车辆的变道结果；所述变道结果包括向左变道、向右变道和无法变道。
第二方面，本发明实施例还提供了一种车辆变道的预测装置，该装置包括：
变道意图确定模块，用于根据目标车辆的运动状态信息确定所述目标车辆是否存在变道意图；
真实变道类别确定模块，用于若存在变道意图，则根据所述目标车辆当前时刻和上一时刻的运动状态信息确定真实变道类别；
运动轨迹确定模块，用于若所述真实变道类别为设定类别，则确定所述目标车辆和周边车辆的运动轨迹；
变道结果确定模块，用于根据所述运动轨迹确定所述目标车辆的变道结果。
可选的，变道意图确定模块还用于：
若所述目标车辆的横向速度方向与所述目标车辆与车道中心线的相对位置方向相同，且所述目标车辆的横向速度大于速度阈值，则所述目标车辆存在变道意图。
可选的，变道意图确定模块还用于：
若所述目标车辆的横向速度方向与所述目标车辆与车道中心线的相对位置方向均为左，且所述目标车辆的横向速度大于速度阈值，则所述目标车辆存在向左变道意图；
若所述目标车辆的横向速度方向与所述目标车辆与车道中心线的相对位置方向均为右，且所述目标车辆的横向速度大于速度阈值，则所述目标车辆存在向右变道意图。
可选的，真实变道类别确定模块还用于：
将所述目标车辆当前时刻和上一时刻的运动状态信息输入训练好的第一神经网络，获得所述目标车辆的真实变道类别；所述真实变道类别包括向左变道、向右变道和不变道。
可选的，真实变道类别确定模块还用于：
将所述目标车辆当前时刻和上一时刻的运动状态信息输入训练好的第一神经网络，获得各变道类别的置信度；
将置信度最大的变道类别确定为所述目标车辆的真实变道类别。
可选的，运动轨迹确定模块还用于：
将所述目标车辆和周边车辆的运动状态信息输入训练好的第二神经网络，获得所述目标车辆和周边车辆的运动轨迹。
可选的，变道结果确定模块还用于：
将所述目标车辆和所述周边车辆的运动轨迹输入训练好的第三神经网络，获得所述目标车辆的变道结果；所述变道结果包括向左变道、向右变道和无法变道。
第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例所述的车辆变道的预测方法。
第四方面，本发明实施例还提供了一种车辆，包括本发明实施例所述的车辆变道的预测装置，所述车辆变道的预测装置用于本实施例所述的车辆变道的预测方法。
本发明实施例首先根据目标车辆的运动状态信息确定目标车辆是否存在变道意图；若存在变道意图，则根据目标车辆当前时刻和上一时刻的运动状态信息确定真实变道类别；若真实变道类别为设定类别，则确定目标车辆和周边车辆的运动轨迹；最后根据运动轨迹确定目标车辆的变道结果。本发明实施例提供的车辆变道的预测方法，利用目标车辆当前时刻与上一时刻的运动状态信息预测其变道意图，并利用目标车辆与周边车辆的运动状态信息预测能否变道成功，可以实现对目标车辆更准确可靠的变道预测，提升自动驾驶的安全性。
附图说明
图1是本发明实施例一中的一种车辆变道的预测方法的流程图；
图2是本发明实施例一中的一种GRU神经网络的结构图；
图3是本发明实施例一中的一种车辆变道的预测过程的步骤图；
图4是本发明实施例二中的一种车辆变道的预测装置的结构示意图；
图5是本发明实施例三中的一种计算机设备的结构示意图；
图6是本发明实施例四中的一种车辆的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种车辆变道的预测方法的流程图，本实施例可适用于对目标车辆变道情况进行预测的情况，该方法可以由车辆变道的预测装置来执行，如图1所示，该方法具体包括如下步骤：
步骤110、根据目标车辆的运动状态信息确定目标车辆是否存在变道意图。
其中，运动状态信息包括横向速度和车道线信息。此外，运动状态信息还可以包括但不限于横向坐标、纵向坐标、纵向速度、纵向加速度和横向加速度。具体的，可以通过一个或多个传感器获取目标车辆及其周边车辆的运动状态信号，将获取到的运动状态信号进行融合处理后得到运动状态信息。
其中，变道意图可以理解为驾驶员将要变道或者驾驶员不会变道。具体的，可以根据运动状态信息中的横向速度和车道线信息来判断车辆是否存在变道意图。
在本实施例中，根据目标车辆的运动状态信息确定目标车辆是否存在变道意图的方式可以是：若目标车辆的横向速度方向与目标车辆与车道中心线的相对位置方向相同，且目标车辆的横向速度大于速度阈值，则目标车辆存在变道意图。
进一步地，若目标车辆的横向速度方向与目标车辆与车道中心线的相对位置方向均为左，且目标车辆的横向速度大于速度阈值，则目标车辆存在向左变道意图；若目标车辆的横向速度方向与目标车辆与车道中心线的相对位置方向均为右，且目标车辆的横向速度大于速度阈值，则目标车辆存在向右变道意图。
具体的，获取到车辆运动状态信息后，若检测到目标车辆在某时刻t的横向速度方向与目标车辆的纵向轴线在车道中心线的相对位置方向相同，则触发流程向下进行，将此时目标车辆的横向速度vx设定速度阈值vth进行比较，若某时刻vx大小大于vth，则将此时刻的信息判定为存在变道意图，否则流程不向下进行。例如，若目标车辆的纵向轴线在车道中心线右侧，且横向速度方向也向右，则判断目标车辆的横向速度是否大于阈值，若某时刻目标车辆的横向速度大于设定阈值，则目标车辆存在向右变道意图。
步骤120、若存在变道意图，则根据目标车辆当前时刻和上一时刻的运动状态信息确定真实变道类别。
其中，真实变道类别可以包括向左变道、向右变道和不变道。具体的，若目标车辆存在变道意图，则可以对其真实变道类别进行预测，可以对当前时刻和上一时刻的运动状态信息进行融合分析以确定车辆的真实变道类别。其中，真实变道类别可以理解为对目标车辆变道意图的进一步预测，判断驾驶员将要向左变道、向右变道或者不变道。
在本实施例中，根据目标车辆当前时刻和上一时刻的运动状态信息确定真实变道类别的方式可以是：将目标车辆当前时刻和上一时刻的运动状态信息输入训练好的第一神经网络，获得目标车辆的真实变道类别。进一步地，将目标车辆当前时刻和上一时刻的运动状态信息输入训练好的第一神经网络，获得目标车辆的真实变道类别的方式可以是：将目标车辆当前时刻和上一时刻的运动状态信息输入训练好的第一神经网络，获得各变道类别的置信度；将置信度最大的变道类别确定为目标车辆的真实变道类别。
具体的，若目标车辆存在变道意图，可以利用神经网络对真实变道类别进行预测。优选地，可以使用GRU分类神经网络预测目标车辆的真实变道类别。GRU神经网络为门控循环单元网络(Gated Recurrent Unit，GRU)，它是长短期记忆网络(Long Short-TermMemory，LSTM)的一种效果很好的变体，在继承了循环神经网络(Recurrent NeuralNetwork，RNN)处理时序问题优势的同时，既解决了RNN的对长依赖问题的劣势与梯度消失问题，又在保持了LSTM效果的同时简化了结构，训练速度更快。图2为GRU神经网络的一个单元体的结构，如图2所示，它有两个门，分别为更新门和重置门，即图中的zt和rt。更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多；重置门用于控制忽略前一时刻的状态信息的程度，重置门的值越小说明忽略得越多。其计算过程的公式如下：
Figure BDA0002793922500000081
式中，σ为激活函数，Wz、Wr和Wh为需要训练的权重，bz、br和bh为需要训练的偏置项，xt为当前时刻输入的运动状态信息，ht-1为上一时刻的运动状态信息，ht为当前时刻输出的运动状态信息。激活函数tanh用于帮助调节流经网络的值，将数值始终限制在-1和1之间，
Figure BDA0002793922500000082
即将当前输入信息与上时刻状态信息合并并且经过调节后的状态信息。
进一步地，可以在GRU神经网络中使用Softmax层，用于将神经网络经全连接层后的输出结果转化为概率，同时保证它们之和为1。其公式如下：
Figure BDA0002793922500000091
式中，yi为全连接层的输出，yi＝ht。
优选地，在对神经网络进行训练时可以使用交叉熵作为损失函数，其公式如下：
Figure BDA0002793922500000092
式中，p和q分别代表真实概率分布和预测概率分布。交叉熵刻画了两个概率分布之间的距离，它的值越小表明两个概率分布越接近，即预测结果越精准。
在神经网络的训练过程中，将训练集输入神经网络，根据输出的预测概率分布和真实概率分布计算交叉熵，调整神经网络中的参数Wz、Wr、Wh、bz、br和bh使得交叉熵的值满足精度要求，记录此时的参数值。
具体的，对目标车辆的真实变道类别进行预测时，从下一时刻t开始，对于时间域(t,t+T)内的每个时间采样点，利用GRU分类神经网络单元体获取目标车辆的当前时刻输出的运动状态信息ht和上一时刻的状态信息ht-1，将输出结果通过Softmax层计算出目标车辆在未来短时间内每种变道意图的概率分布，取神经网络输出的最大概率的变道类别确定为目标车辆的真实变道类别，获得各变道类别的置信度，将置信度最大的变道类别确定为目标车辆的真实变道类别。其中，真实变道类别包括向左变道、向右变道和不变道。
步骤130、若真实变道类别为设定类别，则确定目标车辆和周边车辆的运动轨迹。
其中，设定类别包括向左变道或者向右变道。
具体的，若确定目标车辆的真实变道类别为向左变道或向右变道，则确定目标车辆和周边车辆的运动轨迹，预测的轨迹信息主要包括空间位置信息与横纵速度信息。
在本实施例中，确定目标车辆和周边车辆的运动轨迹的方式可以是：将目标车辆和周边车辆的运动状态信息输入训练好的第二神经网络，获得目标车辆和周边车辆的运动轨迹。
优选地，第二神经网络可以是GRU回归神经网络，与步骤120中的GRU分类神经网络类似，为了判定周边车辆的运动趋势是否可以使目标车辆变道成功，可以将时刻t的目标车辆运动信号向量I与周边车辆运动信号向量I′输入到GRU回归神经网络，预测出在未来时间域(t，t+T+T′)内目标车辆的轨迹信息dt与周边车辆的轨迹信息d′t。
优选地，对GRU回归神经网络使用均方误差MSE作为损失函数进行训练，其公式如下：
Figure BDA0002793922500000101
式中，y和y′分别是预测值和真实值。
步骤140、根据运动轨迹确定目标车辆的变道结果。
在本实施例中，根据运动轨迹确定目标车辆的变道结果的方式可以是：将目标车辆和周边车辆的运动轨迹输入训练好的第三神经网络，获得目标车辆的变道结果。其中，变道结果包括向左变道、向右变道和无法变道。
优选的，第三神经网络可以是GRU分类神经网络，将预测的目标车辆与周边车辆轨迹信息dt与d′t输入到GRU分类神经网络，与步骤120类似，使用交叉熵作为损失函数对神经网络进行训练，通过Softmax层得到输出的各变道结果的概率，将最大概率的结果作为目标车辆是否会变道成功的最终结果，分为向左变道，向右变道，无法变道。
图3为本发明实施例一中的一种车辆变道的预测过程的步骤图，如图3所示，获取车辆的运动状态信息，然后依次通过三个神经网络对目标车辆的变道情况进行预测，并根据预测的车辆轨迹判断目标车辆能否变道成功。
本发明实施例中的技术方案首先根据目标车辆的运动状态信息确定目标车辆是否存在变道意图；若存在变道意图，则根据目标车辆当前时刻和上一时刻的运动状态信息确定真实变道类别；若真实变道类别为设定类别，则确定目标车辆和周边车辆的运动轨迹；最后根据运动轨迹确定目标车辆的变道结果。本发明实施例提供的车辆变道的预测方法，利用目标车辆当前时刻与上一时刻的运动状态信息预测其变道意图，并利用目标车辆与周边车辆的运动状态信息预测能否变道成功，可以实现对目标车辆更准确可靠的变道预测，提升自动驾驶的安全性。
实施例二
图4为本发明实施例二提供的一种车辆变道的预测装置的结构示意图。如图4所示，该装置包括：变道意图确定模块210，真实变道类别确定模块220，运动轨迹确定模块230，变道结果确定模块240。
变道意图确定模块210，用于根据目标车辆的运动状态信息确定目标车辆是否存在变道意图。
可选的，变道意图确定模块210还用于：
若目标车辆的横向速度方向与目标车辆与车道中心线的相对位置方向相同，且目标车辆的横向速度大于速度阈值，则目标车辆存在变道意图。
可选的，变道意图确定模块210还用于：
若目标车辆的横向速度方向与目标车辆与车道中心线的相对位置方向均为左，且目标车辆的横向速度大于速度阈值，则目标车辆存在向左变道意图；若目标车辆的横向速度方向与目标车辆与车道中心线的相对位置方向均为右，且目标车辆的横向速度大于速度阈值，则目标车辆存在向右变道意图。
真实变道类别确定模块220，用于若存在变道意图，则根据目标车辆当前时刻和上一时刻的运动状态信息确定真实变道类别。
可选的，真实变道类别确定模块220还用于：
将目标车辆当前时刻和上一时刻的运动状态信息输入训练好的第一神经网络，获得目标车辆的真实变道类别；真实变道类别包括向左变道、向右变道和不变道。
可选的，真实变道类别确定模块220还用于：
将目标车辆当前时刻和上一时刻的运动状态信息输入训练好的第一神经网络，获得各变道类别的置信度；将置信度最大的变道类别确定为目标车辆的真实变道类别。
运动轨迹确定模块230，用于若真实变道类别为设定类别，则确定目标车辆和周边车辆的运动轨迹。
可选的，运动轨迹确定模块230还用于：
将目标车辆和周边车辆的运动状态信息输入训练好的第二神经网络，获得所述目标车辆和周边车辆的运动轨迹。
变道结果确定模块240，用于根据运动轨迹确定目标车辆的变道结果。
可选的，变道结果确定模块240还用于：
将目标车辆和周边车辆的运动轨迹输入训练好的第三神经网络，获得目标车辆的变道结果；变道结果包括向左变道、向右变道和无法变道。
上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。
实施例三
图5为本发明实施例三提供的一种计算机设备的结构示意图。图5示出了适于用来实现本发明实施方式的计算机设备312的框图。图5显示的计算机设备312仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。设备312是典型的车辆变道的预测功能的计算设备。
如图5所示，计算机设备312以通用计算设备的形式表现。计算机设备312的组件可以包括但不限于：一个或者多个处理器316，存储装置328，连接不同系统组件(包括存储装置328和处理器316)的总线318。
总线318表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
计算机设备312典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备312访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置328可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)330和/或高速缓存存储器332。计算机设备312可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统334可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory，CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线318相连。存储装置328可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块326的程序336，可以存储在例如存储装置328中，这样的程序模块326包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块326通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备312也可以与一个或多个外部设备314(例如键盘、指向设备、摄像头、显示器324等)通信，还可与一个或者多个使得用户能与该计算机设备312交互的设备通信，和/或与使得该计算机设备312能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口322进行。并且，计算机设备312还可以通过网络适配器320与一个或者多个网络(例如局域网(Local AreaNetwork，LAN)，广域网Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器320通过总线318与计算机设备312的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备312使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of IndependentDisks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器316通过运行存储在存储装置328中的程序，从而执行各种功能应用以及数据处理，例如实现本发明上述实施例所提供的车辆变道的预测方法。
实施例四
图6是本发明实施例四提供的一种车辆的结构示意图，如图6所示，该车辆包括本发明实施例的车辆变道的预测装置，该装置包括：变道意图确定模块210，用于根据目标车辆的运动状态信息确定目标车辆是否存在变道意图；真实变道类别确定模块220，用于若存在变道意图，则根据目标车辆当前时刻和上一时刻的运动状态信息确定真实变道类别；运动轨迹确定模块230，用于若真实变道类别为设定类别，则确定目标车辆和周边车辆的运动轨迹；变道结果确定模块240，用于根据运动轨迹确定目标车辆的变道结果。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种车辆变道的预测方法，其特征在于，包括：
根据目标车辆的运动状态信息确定所述目标车辆是否存在变道意图；
若存在变道意图，则根据所述目标车辆当前时刻和上一时刻的运动状态信息确定真实变道类别；
若所述真实变道类别为设定类别，则确定所述目标车辆和周边车辆的运动轨迹；
根据所述运动轨迹确定所述目标车辆的变道结果。
2.根据权利要求1所述的方法，其特征在于，所述运动状态信息包括横向速度和车道线信息；根据目标车辆的运动状态信息确定所述目标车辆是否存在变道意图，包括：
若所述目标车辆的横向速度方向与所述目标车辆与车道中心线的相对位置方向相同，且所述目标车辆的横向速度大于速度阈值，则所述目标车辆存在变道意图。
3.根据权利要求2所述的方法，其特征在于，根据目标车辆的运动状态信息确定所述目标车辆是否存在变道意图，包括：
若所述目标车辆的横向速度方向与所述目标车辆与车道中心线的相对位置方向均为左，且所述目标车辆的横向速度大于速度阈值，则所述目标车辆存在向左变道意图；
若所述目标车辆的横向速度方向与所述目标车辆与车道中心线的相对位置方向均为右，且所述目标车辆的横向速度大于速度阈值，则所述目标车辆存在向右变道意图。
4.根据权利要求1所述的方法，其特征在于，所述设定类别包括向左变道或者向右变道；根据所述目标车辆当前时刻和上一时刻的运动状态信息确定真实变道类别，包括：
将所述目标车辆当前时刻和上一时刻的运动状态信息输入训练好的第一神经网络，获得所述目标车辆的真实变道类别；所述真实变道类别包括向左变道、向右变道和不变道。
5.根据权利要求4所述的方法，其特征在于，将所述目标车辆当前时刻和上一时刻的运动状态信息输入训练好的第一神经网络，获得所述目标车辆的真实变道类别，包括：
将所述目标车辆当前时刻和上一时刻的运动状态信息输入训练好的第一神经网络，获得各变道类别的置信度；
将置信度最大的变道类别确定为所述目标车辆的真实变道类别。
6.根据权利要求1所述的方法，其特征在于，确定所述目标车辆和周边车辆的运动轨迹，包括：
将所述目标车辆和周边车辆的运动状态信息输入训练好的第二神经网络，获得所述目标车辆和周边车辆的运动轨迹。
7.根据权利要求1所述的方法，其特征在于，根据所述运动轨迹确定所述目标车辆的变道结果，包括：
将所述目标车辆和所述周边车辆的运动轨迹输入训练好的第三神经网络，获得所述目标车辆的变道结果；所述变道结果包括向左变道、向右变道和无法变道。
8.一种车辆变道的预测装置，其特征在于，包括：
变道意图确定模块，用于根据目标车辆的运动状态信息确定所述目标车辆是否存在变道意图；
真实变道类别确定模块，用于若存在变道意图，则根据所述目标车辆当前时刻和上一时刻的运动状态信息确定真实变道类别；
运动轨迹确定模块，用于若所述真实变道类别为设定类别，则确定所述目标车辆和周边车辆的运动轨迹；
变道结果确定模块，用于根据所述运动轨迹确定所述目标车辆的变道结果。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一所述的车辆变道的预测方法。
10.一种车辆，其特征在于，包括：车辆变道的预测装置，所述车辆变道的预测装置用于实现如权利要求1-7任一所述的车辆变道的预测方法。
CN202011324594.3A 2020-11-23 2020-11-23 一种车辆变道的预测方法、装置、设备及车辆 Active CN112530202B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011324594.3A CN112530202B (zh) 2020-11-23 2020-11-23 一种车辆变道的预测方法、装置、设备及车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011324594.3A CN112530202B (zh) 2020-11-23 2020-11-23 一种车辆变道的预测方法、装置、设备及车辆

Publications (2)

Publication Number Publication Date
CN112530202A true CN112530202A (zh) 2021-03-19
CN112530202B CN112530202B (zh) 2022-01-04

Family

ID=74992875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011324594.3A Active CN112530202B (zh) 2020-11-23 2020-11-23 一种车辆变道的预测方法、装置、设备及车辆

Country Status (1)

Country Link
CN (1) CN112530202B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113157846A (zh) * 2021-04-27 2021-07-23 商汤集团有限公司 意图及轨迹预测方法、装置、计算设备和存储介质
CN113408047A (zh) * 2021-08-05 2021-09-17 江苏大学 一种基于时滞反馈神经网络的车辆动力学预测模型、及训练数据获取方法、训练方法
CN113548054A (zh) * 2021-07-07 2021-10-26 东风汽车集团股份有限公司 基于时序的车辆变道意图预测方法及系统
CN114022855A (zh) * 2021-10-26 2022-02-08 东风商用车有限公司 一种车辆行驶行为识别方法及装置
CN114141009A (zh) * 2021-10-31 2022-03-04 际络科技(上海)有限公司 基于多时序网络的仿真交通流变道方法和系统
CN116110216A (zh) * 2022-10-21 2023-05-12 中国第一汽车股份有限公司 车辆跨线时间确定方法、装置、存储介质及电子装置
CN116935350A (zh) * 2023-09-18 2023-10-24 常州星宇车灯股份有限公司 基于机器学习的识别目标车辆变道的方法

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106926779A (zh) * 2017-03-09 2017-07-07 吉利汽车研究院（宁波）有限公司 一种车辆变道辅助系统
US20190072973A1 (en) * 2017-09-07 2019-03-07 TuSimple Data-driven prediction-based system and method for trajectory planning of autonomous vehicles
KR20190083317A (ko) * 2019-06-20 2019-07-11 엘지전자 주식회사 차량의 차선 변경에 관련된 알림을 제공하는 인공 지능 장치 및 그 방법
CN110103968A (zh) * 2019-05-16 2019-08-09 北方工业大学 一种基于三维激光雷达的无人车自主超车轨迹规划系统
CN110146100A (zh) * 2018-02-13 2019-08-20 华为技术有限公司 轨迹预测方法、装置及存储介质
CN110406532A (zh) * 2019-06-21 2019-11-05 重庆长安汽车股份有限公司 一种识别目标车辆可能变道的方法、系统及汽车
CN110667583A (zh) * 2018-06-15 2020-01-10 本田技研工业株式会社 车辆控制装置、车辆控制方法及存储介质
CN110758382A (zh) * 2019-10-21 2020-02-07 南京航空航天大学 一种基于驾驶意图的周围车辆运动状态预测系统及方法
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
CN110908375A (zh) * 2019-11-14 2020-03-24 北京三快在线科技有限公司 获取变道决策信息的方法、装置、存储介质和车辆
US20200114910A1 (en) * 2018-10-10 2020-04-16 Hyundai Motor Company Apparatus and method for predicting concurrent lane change vehicle and vehicle including the same
CN111104969A (zh) * 2019-12-04 2020-05-05 东北大学 一种无人驾驶车辆与周边车辆的碰撞可能性预判方法
CN111137288A (zh) * 2020-01-19 2020-05-12 江苏大学 一种网联条件下多车协同换道方法
CN111338353A (zh) * 2020-03-26 2020-06-26 吉林大学 一种动态驾驶环境下智能车辆变道轨迹规划方法
CN111383464A (zh) * 2018-12-28 2020-07-07 沈阳美行科技有限公司 车辆变道识别方法、装置、电子设备和介质
CN111583715A (zh) * 2020-04-29 2020-08-25 宁波吉利汽车研究开发有限公司 一种车辆轨迹预测方法、车辆碰撞预警方法、装置及存储介质
CN111703424A (zh) * 2020-05-26 2020-09-25 武汉理工大学 一种智能网联汽车多传感器融合辅助变道方法及系统
CN111923910A (zh) * 2020-09-14 2020-11-13 福瑞泰克智能系统有限公司 车辆变道规划的方法、自动驾驶车辆和存储介质

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106926779A (zh) * 2017-03-09 2017-07-07 吉利汽车研究院（宁波）有限公司 一种车辆变道辅助系统
US20190072973A1 (en) * 2017-09-07 2019-03-07 TuSimple Data-driven prediction-based system and method for trajectory planning of autonomous vehicles
CN110146100A (zh) * 2018-02-13 2019-08-20 华为技术有限公司 轨迹预测方法、装置及存储介质
CN110667583A (zh) * 2018-06-15 2020-01-10 本田技研工业株式会社 车辆控制装置、车辆控制方法及存储介质
US20200114910A1 (en) * 2018-10-10 2020-04-16 Hyundai Motor Company Apparatus and method for predicting concurrent lane change vehicle and vehicle including the same
CN111383464A (zh) * 2018-12-28 2020-07-07 沈阳美行科技有限公司 车辆变道识别方法、装置、电子设备和介质
CN110103968A (zh) * 2019-05-16 2019-08-09 北方工业大学 一种基于三维激光雷达的无人车自主超车轨迹规划系统
KR20190083317A (ko) * 2019-06-20 2019-07-11 엘지전자 주식회사 차량의 차선 변경에 관련된 알림을 제공하는 인공 지능 장치 및 그 방법
CN110406532A (zh) * 2019-06-21 2019-11-05 重庆长安汽车股份有限公司 一种识别目标车辆可能变道的方法、系统及汽车
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
CN110758382A (zh) * 2019-10-21 2020-02-07 南京航空航天大学 一种基于驾驶意图的周围车辆运动状态预测系统及方法
CN110908375A (zh) * 2019-11-14 2020-03-24 北京三快在线科技有限公司 获取变道决策信息的方法、装置、存储介质和车辆
CN111104969A (zh) * 2019-12-04 2020-05-05 东北大学 一种无人驾驶车辆与周边车辆的碰撞可能性预判方法
CN111137288A (zh) * 2020-01-19 2020-05-12 江苏大学 一种网联条件下多车协同换道方法
CN111338353A (zh) * 2020-03-26 2020-06-26 吉林大学 一种动态驾驶环境下智能车辆变道轨迹规划方法
CN111583715A (zh) * 2020-04-29 2020-08-25 宁波吉利汽车研究开发有限公司 一种车辆轨迹预测方法、车辆碰撞预警方法、装置及存储介质
CN111703424A (zh) * 2020-05-26 2020-09-25 武汉理工大学 一种智能网联汽车多传感器融合辅助变道方法及系统
CN111923910A (zh) * 2020-09-14 2020-11-13 福瑞泰克智能系统有限公司 车辆变道规划的方法、自动驾驶车辆和存储介质

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113157846A (zh) * 2021-04-27 2021-07-23 商汤集团有限公司 意图及轨迹预测方法、装置、计算设备和存储介质
CN113548054A (zh) * 2021-07-07 2021-10-26 东风汽车集团股份有限公司 基于时序的车辆变道意图预测方法及系统
CN113548054B (zh) * 2021-07-07 2022-10-14 东风汽车集团股份有限公司 基于时序的车辆变道意图预测方法及系统
CN113408047A (zh) * 2021-08-05 2021-09-17 江苏大学 一种基于时滞反馈神经网络的车辆动力学预测模型、及训练数据获取方法、训练方法
CN113408047B (zh) * 2021-08-05 2024-03-22 江苏大学 一种基于时滞反馈神经网络的车辆动力学预测模型、及训练数据获取方法、训练方法
CN114022855A (zh) * 2021-10-26 2022-02-08 东风商用车有限公司 一种车辆行驶行为识别方法及装置
CN114141009A (zh) * 2021-10-31 2022-03-04 际络科技(上海)有限公司 基于多时序网络的仿真交通流变道方法和系统
CN114141009B (zh) * 2021-10-31 2023-01-31 际络科技(上海)有限公司 基于多时序网络的仿真交通流变道方法和系统
CN116110216A (zh) * 2022-10-21 2023-05-12 中国第一汽车股份有限公司 车辆跨线时间确定方法、装置、存储介质及电子装置
CN116110216B (zh) * 2022-10-21 2024-04-12 中国第一汽车股份有限公司 车辆跨线时间确定方法、装置、存储介质及电子装置
CN116935350A (zh) * 2023-09-18 2023-10-24 常州星宇车灯股份有限公司 基于机器学习的识别目标车辆变道的方法

Also Published As

Publication number Publication date
CN112530202B (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
CN112530202B (zh) 一种车辆变道的预测方法、装置、设备及车辆
JP7086111B2 (ja) 自動運転車のｌｉｄａｒ測位に用いられるディープラーニングに基づく特徴抽出方法
CN111008999B (zh) 用包含跟踪网络的cnn跟踪对象的方法和使用该方法的装置
JP7060625B2 (ja) 自動運転車において３ｄｃｎｎネットワークを用いてソリューション推断を行うｌｉｄａｒ測位
CN114080634B (zh) 使用锚定轨迹的代理轨迹预测
US20210276547A1 (en) Multi-agent trajectory prediction
CN108573496B (zh) 基于lstm网络和深度增强学习的多目标跟踪方法
JP2021515178A (ja) 自動運転車両においてｒｎｎとｌｓｔｍを用いて時間平滑化を行うｌｉｄａｒ測位
CN112085165A (zh) 一种决策信息生成方法、装置、设备及存储介质
CN114090718B (zh) 基于Bi-LSTM预测与模糊分析的中断航迹关联方法
EP3776125A1 (en) System and method for estimating uncertainty of the decisions made by a supervised machine learner
Zec et al. Recurrent conditional gans for time series sensor modelling
Masmoudi et al. Autonomous car-following approach based on real-time video frames processing
CN111895990A (zh) 一种基于多指标绑架检测及移动机器人重定位的方法
CN109188419B (zh) 障碍物速度的检测方法、装置、计算机设备及存储介质
US20230082079A1 (en) Training agent trajectory prediction neural networks using distillation
KR20200018183A (ko) 고신뢰 자율주행 시스템 아키텍처
CN115115084A (zh) 使用占用流场预测代理在环境中的未来移动
CN114758270A (zh) 一种基于深度学习的跟随车驾驶辅助系统
Wang et al. Lane-Change Intention Prediction of Surrounding Vehicles Using BiLSTM-CRF Models with Rule Embedding
CN114817765A (zh) 基于地图的目标航向消歧
CN111985379A (zh) 基于车载雷达的目标追踪方法、装置、设备及车辆
EP4145242B1 (en) Perception field based driving related operations
EP4145242A1 (en) Perception field based driving related operations
WO2024004113A1 (ja) 目標追尾装置、目標追尾方法、および目標追尾プログラム

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