CN112562328B - 一种车辆行为预测方法及装置 - Google Patents

一种车辆行为预测方法及装置 Download PDF

Info

Publication number
CN112562328B
CN112562328B CN202011357968.1A CN202011357968A CN112562328B CN 112562328 B CN112562328 B CN 112562328B CN 202011357968 A CN202011357968 A CN 202011357968A CN 112562328 B CN112562328 B CN 112562328B
Authority
CN
China
Prior art keywords
vehicle
time period
lane
predicted
analyzed
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
CN202011357968.1A
Other languages
English (en)
Other versions
CN112562328A (zh
Inventor
姜英杰
钱祥隽
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202011357968.1A priority Critical patent/CN112562328B/zh
Publication of CN112562328A publication Critical patent/CN112562328A/zh
Application granted granted Critical
Publication of CN112562328B publication Critical patent/CN112562328B/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
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • 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

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种车辆行为预测方法及装置，所述车辆行为预测方法包括：获取第一时间段内每个采集帧节点处的待预测车辆以及所述待预测车辆的关联车辆的行驶信息，得到所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息；将所述状态特征信息输入到车辆变道意图预测模型，得到与所述第一时间段对应的预测变道意图；基于所述与所述第一时间段对应的预测变道意图，得到所述待预测车辆在所述第二时间段内的预测变道意图；将所述状态特征信息，以及所述待预测车辆在所述第二时间段内的预测变道意图输入到车辆位移预测模型，得到所述待预测车辆在所述第二时间段内的预测位移。本申请能够提高车辆行为预测效率，减少系统资源的消耗。

Description

一种车辆行为预测方法及装置
技术领域
本申请涉及机器学习技术领域，尤其涉及一种车辆行为预测方法及装置。
背景技术
自动驾驶功能是指在自动驾驶车辆上，不需要驾驶员执行物理性驾驶操作的情况下，能够对车辆行驶任务进行指导和决策，并代替测试驾驶员操控行为使车辆完成安全行驶的功能。在自动驾驶语境下，轨迹预测是对周围车辆未来数秒内行驶趋势的判断，由于车辆在路上可以采取的驾驶行为不唯一，从而可以预测车辆的多种不同行为。
现有技术中一般采用基于深度学习的方法来进行车辆行为预测，例如通过采集大量的车辆行驶路径的样本，训练神经网络模型，然后使用训练好的神经网络模型来对车辆未来的行驶路径进行预测；但是采用基于深度学习算法的神经网络进行车辆行为预测的方法需要消耗较多的系统资源，运算速度慢，因此需要提出一种更高效的方案来实现对车辆行为的预测。
发明内容
本申请所要解决的技术问题在于，提供一种车辆行为预测方法及装置，能够提高对车辆行为进行预测的效率，减少系统资源的消耗，运行速度快，有较强的实用性。
为了解决上述技术问题，一方面，本申请实施例提供了一种车辆行为预测方法，所述方法包括：
确定当前时刻之前的第一时间段，和当前时刻之后的第二时间段；
获取所述第一时间段内每个采集帧节点处的待预测车辆以及所述待预测车辆的关联车辆的行驶信息；
基于每个采集帧节点处的所述待预测车辆以及所述关联车辆的行驶信息，得到所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息；
将所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息输入到车辆变道意图预测模型，得到与所述第一时间段对应的预测变道意图；
基于所述与所述第一时间段对应的预测变道意图，得到所述待预测车辆在所述第二时间段内的预测变道意图；
将所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息，以及所述待预测车辆在所述第二时间段内的预测变道意图输入到车辆位移预测模型，得到所述待预测车辆在所述第二时间段内的预测位移。
另一方面，本申请实施例提供了一种车辆行为预测装置，所述装置包括：
时间段确定模块，用于确定当前时刻之前的第一时间段，和当前时刻之后的第二时间段；
行驶信息获取模块，用于获取所述第一时间段内每个采集帧节点处的待预测车辆以及所述待预测车辆的关联车辆的行驶信息；
状态特征信息生成模块，用于基于每个采集帧节点处的所述待预测车辆以及所述关联车辆的行驶信息，得到所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息；
第一预测模块，用于将所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息输入到车辆变道意图预测模型，得到与所述第一时间段对应的预测变道意图；
预测变道意图确定模块，用于基于所述与所述第一时间段对应的预测变道意图，得到所述待预测车辆在所述第二时间段内的预测变道意图；
第二预测模块，用于将所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息，以及所述待预测车辆在所述第二时间段内的预测变道意图输入到车辆位移预测模型，得到所述待预测车辆在所述第二时间段内的预测位移。
另一方面，本申请提供了一种设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的车辆行为预测方法。
另一方面，本申请提供了一种计算机存储介质，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行如上述的车辆行为预测方法。
实施本申请实施例，具有如下有益效果：
本申请在进行车辆行为预测时，根据待预测车辆以及关联车辆在第一时间段的行驶信息，生成相应的状态特征信息，将状态特征信息输入到车辆变道意图预测模型；基于与第一时间段对应的预测变道意图得到待预测车辆在第二时间段内的预测变道意图；将待预测车辆和关联车辆的在第一时间段的状态特征信息，以及待预测车辆在第二时间段内的预测变道意图，得到待预测车辆在第二时间段内的预测位移。相对于基于深度学习算法的神经网络模型来讲，基于本申请中的车辆行为预测模型进行车辆行为预测时，计算速度快，系统资源消耗少，从而提高对车辆行为进行预测的效率；且不需要采用GPU(GraphicsProcessing Unit，图形处理器)，不会抢占车辆感知系统的资源，可以支持普通的处理器，从而可以降低硬件成本，进而提高适应性和实用性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中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它附图。
图1是本申请实施例提供的实施环境示意图；
图2是本申请实施例提供的一种车辆行为预测模型训练方法流程图；
图3是本申请实施例提供的一种滑动时间窗口采样方法流程图；
图4是本申请实施例提供的对历史时间窗口内采样信息进行处理的方法流程图；
图5是本申请实施例提供的对未来时间窗口内采样信息进行处理的方法流程图；
图6是本申请实施例提供的一种多模型训练方法流程图；
图7是本申请实施例提供的一种样本重平衡方法流程图；
图8是本申请实施例提供的一种车辆行为预测方法流程图；
图9是本申请实施例提供的一种多项预测变道意图生成方法流程图；
图10是本申请实施例提供的一种车辆变道意图确定方法流程图；
图11是本申请实施例提供的车辆与车道示意图；
图12是本申请实施例提供的离线模型训练系统示意图；
图13是本申请实施例提供的车辆轨迹示意图；
图14是本申请实施例提供的车辆行为在线预测系统示意图；
图15是本申请实施例提供的车辆行为预测结果示意图；
图16是本申请实施例提供的一种车辆行为预测模型训练装置示意图；
图17是本申请实施例提供的一种基于车辆行为预测模型的车辆行为预测装置示意图；
图18是本申请实施例提供的一种设备结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通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，都属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
自动驾驶技术通常包括高精地图、环境感知、行为决策、路径规划、运动控制等技术，自定驾驶技术有着广泛的应用前景。
首先对本说明书实施例中涉及的相关名词做以下解释：
L3自动驾驶：自动驾驶的一个分级，指的是在限定场景(高速及城市快速路)，自动驾驶汽车能够实时检测，实现0-120km/h全速域脱手、脱脚自动驾驶。开启L3级自动驾驶功能后，绝大部分驾驶操作均由系统本身控制，但依旧需要人类驾驶员在特定情况下进行接管，以应对紧急危险情况。
多模态轨迹预测：在自动驾驶语境下，预测是对周围车辆未来数秒内行驶趋势的判断。L3下的预测主要分为变道行为预测，和纵向位置预测。由于车辆在路上可以采取的驾驶行为不唯一，多模态预测指的是能够预测车辆的多种不同行为，并给出采取每种行为对应的概率。
目标车辆：要预测其行为的车辆。
障碍车辆：目标车辆周围的车，视为目标车辆在驾驶时的障碍车。
TTC：Time To Collision的缩写，指目标车辆与障碍车辆在保持当前速度下碰撞所需的时间。
请参阅图1，其示出了本申请实施例提供的实施环境示意图，该实施环境可包括：第一终端110和第二终端120，所述第一终端110和所述第二终端120可通过网络进行数据通信。
具体地，第一终端110可用于采集周围的车辆信息以及道路信息，并将采集的车辆信息以及道路信息上传到第二终端120；第二终端120可基于采集的车辆信息以及道路信息对预设的机器学习模型进行训练，得到车辆行为预测模型。当需要对待预测车辆进行行为预测时，可通过第一终端110采集待预测车辆的行驶信息和待预测车辆的关联车辆的行驶信息，并将采集到的信息上传到第二终端120，第二终端120对上传的信息进行处理，并将处理之后的信息输入到车辆行为预测模型，从而得到待预测车辆在未来时间段内的行为预测。
第一终端110可以为信息采集设备，信息采集设备具体可包括相关传感器以及处理设备；第一终端110也可以为配备有信息采集设备的终端设备，例如第一终端110具体可以为车载终端等。本申请实施例中的第一终端110上运行的操作系统可以包括但不限于安卓系统、IOS系统、linux、windows等。
第二终端120与第一终端110可以通过有线或者无线建立通信连接，所述第二终端120可以包括一个独立运行的服务器，或者分布式服务器，或者由多个服务器组成的服务器集群，其中服务器可以是云端服务器。
为了解决现有技术中基于神经网络进行车辆行为预测的方法资源消耗多、运算速度慢的问题，本申请实施例中提出了一种基于车辆行为预测模型的车辆行为预测方法，其中首先提供了一种车辆行为预测模型训练方法，其执行主体可以为上述的第二终端，请参阅图2，该方法具体可包括：
S210.获取预设时间段内采集的多辆目标车辆的行驶信息和道路信息。
第一终端可以将按照预设周期采集的车辆信息和道路信息上传到第二终端，车辆信息中可包括周围环境中包含的车辆以及各车辆的行驶信息，道路信息可包括车道信息和车道线信息等；本申请实施例中，对于每个预设周期可以将其分为多个等长的预设时间段，从而在第一终端上传了各预设周期内的采集数据之后，可从中获取到各预设时间段内车辆的行驶信息和道路信息，将预设时间段内涉及的车辆均确定为目标车辆。
另外，在一段时间内所采集的信息中可能涉及到多辆车，具体对于每辆车的识别可通过追踪技术tracking来实现，例如在前一采集帧节点和后一采集帧节点，同一车辆的位置不会发生太大的变化，从而可将在前后采集帧节点位置变化满足预设条件的车辆确定为同一辆车；进而在进行信息采集的过程中，可以分别对不同的车辆进行标识，确定每辆车的标识信息，并进而采集相应车辆的行驶信息。
S220.分别将每辆目标车辆作为待分析车辆，将所述待分析车辆周围的目标车辆确定为关联车辆。
对于预设时间段内所涉及的每辆目标车辆均可进行单独分析，对于每一辆待分析车辆，其关联车辆是指该待分析车辆周围的目标车辆，例如确定待分析车辆所在的车辆为当前车道，处于当前车道且位于待分析车辆前面的目标车辆、处于当前车道且位于待分析车辆后面的目标车辆、处于当前车道的左侧车道且位于待分析车辆左前方的目标车辆、处于当前车道的左侧车道且位于待分析车辆左后方的目标车辆、处于当前车道右侧车道且位于待分析车辆右前方的目标车辆，以及处于当前车道右侧车道且位于待分析车辆右后方的目标车辆均可被确定为待分析车辆的关联车辆。
S230.基于所述待分析车辆的行驶信息和所述道路信息，生成所述待分析车辆在所述预设时间段内的行驶轨迹。
待分析车辆的行驶信息可包括车辆的位置、速度、运动方向、加速度、角速度等，道路信息可包括车道信息和车道线信息等，从而根据待分析车辆在预设时间段内采集的信息可确定出待分析车辆的行驶轨迹。
S240.对所述预设时间段包含的每个单位时间段内的所述待分析车辆的行驶信息、所述关联车辆的行驶信息，以及所述待分析车辆的行驶轨迹进行采样，基于采样结果确定每个单位时间段内所述待分析车辆的状态特征信息、所述关联车辆的状态特征信息，以及所述待分析车辆的变道意图和所述待分析车辆的位移。
本申请实施例中的每个单位时间段对应一个滑动时间窗口，滑动时间窗口可包括历史时间窗口和未来时间窗口，滑动时间窗口可以预设时间间隔进行窗口滑动以实现不同样本的采集，在每个滑动时间窗口内所采样的数据可作为一个样本，从而在对预设时间段的数据进行采样时，可得到多个样本。
具体请参阅图3，其示出了一种滑动时间窗口采样方法，可包括：
S310.在所述历史时间窗口内对所述待分析车辆的行驶信息，以及所述关联车辆的行驶信息进行采样。
S320.基于对所述待分析车辆的行驶信息和所述关联车辆的行驶信息的采样结果，生成所述待分析车辆的状态特征信息和所述关联车辆的状态特征信息。
S330.在所述未来时间窗口内对所述待分析车辆的行驶轨迹进行采样。
S340.基于对所述待分析车辆的行驶轨迹的采样结果，确定所述待分析车辆的变道意图和所述待分析车辆的位移。
在滑动时间窗口内进行信息采样时，滑动时间窗口可对应于信息采集的时间轴，滑动时间窗口可在时间轴上以预设的时间间隔进行滑动，例如对于当前滑动时间窗口，可对应确定滑动时间窗口起始时间点对应的信息采样时刻以及滑动时间窗口终止时间点对应的信息采样时刻。例如滑动时间窗口起始时间点对应时间轴上的T0，滑动时间窗口终止时间点对应时间轴上的T1，从而历史时间窗口可以为T0～T’，未来时间窗口可以为T’～T1；通过对T0～T’时间段内的待分析车辆和关联车辆的行驶信息进行采样，并根据采样信息生成相应的状态特征信息；通过对待分析车辆在T’～T1时间段内的行驶轨迹的采样结果，确定待分析车辆的变道意图和位移。
通过滑动时间窗口进行采样能够将整个时间段划分为单独的时间窗口，仅对时间窗口内的数据信息进行分析，分析结果不受时间窗口外的数据信息的影响。
对历史时间窗口内所采样得到的信息进行处理的方法可参阅图4，具体可包括：
S410.确定所述历史时间窗口包含的多个采集帧节点。
S420.获取所述待分析车辆在每个采集帧节点的行驶信息，以及所述关联车辆在每个采集帧节点的行驶信息。
S430.根据所述待分析车辆在每个采集帧节点的行驶信息，计算所述待分析车辆的状态特征信息。
S440.根据所述关联车辆在每个采集帧节点的行驶信息，计算所述关联车辆的状态特征信息。
本申请实施例中具体可以每0.1s作为一个采集帧，即每隔0.1s进行一次数据采集，从而对于历史时间窗口所对应的时间段，每隔0.1s即可确定一个采集帧节点。第一终端在进行信息采集时，在每个采集帧节点均进行一次信息采集，从而可获取到每个采集帧节点处所采集的待分析车辆的行驶信息和关联车辆的行驶信息。通过历史时间窗口进行采样得到的行驶信息可作为后续进行未来轨迹预测的基础。
车辆的状态特征信息可通过车辆的行驶信息进行计算得到，对于待分析车辆的状态特征信息可包括空间特征和运动特征，空间特征包括车身长度、宽度、与车道边线的距离等；运动特征包括平均速度、平均偏向角、速度与偏向角的变化率、速度与偏向角的导数的变化率、纵向位移、横向位移、纵向位移与横向位移的变化率、采集的数据最后三帧的位移与平均位移的差等。关联车辆的状态特征信息可包括纵向位置以及其第一预设时间段内的变化、横向位置以及其第一预设时间段内的变化、速度以及其第一预设时间段内的变化、TTC以及其第一预设时间段内的变化等。这里通过计算得到的状态特征信息是指车辆在历史时间窗口所对应的时间段内的状态特征信息。
对未来时间窗口内采样得到的行驶轨迹进行分析的方法具体可参阅图5，具体可包括：
S510.根据所述未来时间窗口内所述待分析车辆的行驶轨迹，确定在所述滑动时间窗口的当前时间节点处所述待分析车辆所处的第一车道，确定在所述滑动时间窗口的终止时间节点处所述待分析车辆所处的第二车道。
S520.基于所述第一车道和所述第二车道确定所述待分析车辆的变道意图。
S530.将所述待分析车辆在所述第二车道中的位置相对于所述第一车道中心线的偏移确定为所述待分析车辆的位移。
从待分析车辆的行驶轨迹中可以看出在每个时刻待分析车辆所处的位置，结合车道信息可以确定待分析车辆在每个时间节点处所处的车道信息，从而可确定在滑动时间窗口的当前时间节点处所处的第一车道以及在滑动时间窗口的终止时间节点处所处的第二车道，例如对于每个滑动时间窗口的时长为5s，其中历史时间窗口为-2s～0s，未来时间窗口为0s～3s，从而可确定滑动时间窗口中当前时间节点为0s，终止时间节点为3s，根据第一车道以及第二车道可确定车辆在未来3s内的变道意图以及相应的位移。通过未来时间窗口采集得到的行驶轨迹能够直观且便捷地确定待分析车辆的变道意图以及位移。
S250.根据每个单位时间段内所述待分析车辆的状态特征信息、所述关联车辆的状态特征信息、所述待分析车辆的变道意图以及所述待分析车辆的位移，生成与所述待分析车辆对应的训练样本集合。
对于训练样本集合中的每个样本，均包含待分析车辆状态特征信息、关联车辆状态特征信息、待分析车辆的变道意图以及待分析车辆的位移四项信息；其中待分析车辆状态特征信息以及关联车辆状态特征信息可作为模型训练的输入特征，待分析车辆的变道意图以及待分析车辆的位移可作为模型训练的预测标签；由于本申请实施例中可以通过训练分别生成两个模型，待分析车辆的变道意图既可以被作为模型训练的输入特征，也可以被作为模型训练的预测标签。
S260.基于与多个待分析车辆对应的训练样本集合，分别对待训练的分类模型以及待训练的回归模型进行训练，生成车辆变道意图预测模型和车辆位移预测模型。
具体地，请参阅图6，其示出了一种多模型训练方法，具体可包括：
S610.对所述训练样本集合进行样本重平衡处理。
S620.对于经过样本重平衡处理后的训练样本集合中的每个样本，将每个样本中所述待分析车辆的状态特征信息、所述关联车辆的状态特征信息作为第一输入特征，将所述待分析车辆的变道意图作为第一预测标签，对所述待训练的分类模型进行训练，得到所述车辆变道意图预测模型。
S630.将每个样本中所述待分析车辆的状态特征信息、所述关联车辆的状态特征信息以及所述待分析车辆的变道意图作为第二输入特征，将所述待分析车辆的位移作为第二预测标签，对所述待训练的回归模型进行训练，得到所述车辆位移预测模型。
这里的待训练的分类模型和待训练的回归模型可为机器学习模型，其中对于不同的模型训练所输入的特征不同，相应的预测标签也不同。在训练车辆变道意图预测模型时，将待分析车辆与关联车辆的状态特征信息，以及待分析车辆的变道意图作为训练数据，也就是用状态特征信息+{待分析车辆的变道意图}作为训练数据，此机器学习问题为分类问题。在训练车辆位移预测模型时，将待分析车辆与关联车辆的状态特征信息、待分析车辆的变道意图，以及待分析车辆的位移作为训练数据，也就是用{状态特征信息，待分析车辆的变道意图}+{待分析车辆的位移}作为训练数据，具体是将待分析车辆的变道意图也作为特征并与状态特征信息进行合并，来预测车辆的位移，此机器学习问题为回归问题。对于本申请实施例中涉及的两个待训练模型，可具体采用XGBoost模型来实现，也可采用逻辑回归等，本申请实施例不做具体限定。
通过上述方法采样得到的训练样本集合中包括车辆变道意图为向左变道的样本、车辆变道意图为向右变道的样本，以及车辆变道意图为保持车道的样本，其中车辆变道意图为保持车道的样本的数量较多，根据经验可知，保持车道的样本一般占95％以上，为了对减少样本数量，需要筛去一批保持车道样本，具体请参阅图7，其示出了一种样本重平衡方法，该方法可包括：
S710.将车辆变道意图为保持车道的样本从所述训练样本集合中取出，生成保持车道样本集合。
S720.从所述保持车道样本集合中随机取出预设比例的保持车道样本，加入到所述训练样本集合中。
S730.基于所述预设比例的保持车道样本，对预设的分类模型进行训练，得到待训练的分类模型。
S740.采用所述待训练的分类模型对所述保持车道样本集合中剩余的保持车道样本进行变道意图预测，将预测结果满足预设条件的保持车道样本加入到所述训练样本集合中，得到经过样本重平衡处理后的训练样本集合。
例如，从保持车道样本集合中随机选取10％的样本加入到训练样本集合中，并且采用这10％的保持车道样本对预设的分类模型进行训练，得到待训练的分类模型。对于保持车道样本集合中剩余的90％的保持车道样本，将保持车道样本中的车辆状态特征信息分别输入到待训练的分类模型，对相应的车辆变道意图进行预测；对于一个保持车道样本，与其对应的变道意图预测结果可能为向左变道、保持车道和向右变道，当与保持车道样本对应的预测结果不为保持车道时，将该保持车道样本加入到训练样本集合中，即将预测结果有误的保持车道样本加入到训练样本集合中。
通过上述的样本重平衡方法，可以去除掉简单的保持车道样本，同时又将容易和变道混淆的保持车道样本放入到最终的训练样本集合中，让模型能够更好地学习复杂的问题，提升模型的学习能力和识别能力。
通过上述的方法生成了车辆行为预测模型，具体可包括车辆变道意图预测模型和车辆位移预测模型，从而可采用相关模型进行车辆的行为的预测；请参阅图8，其示出了一种车辆行为预测方法，其可用于基于历史时间段内的车辆行驶信息来预测未来时间段内的车辆行为信息，该方法具体可包括：
S810.确定当前时刻之前的第一时间段，和当前时刻之后的第二时间段。
以当前时刻为分界点，第一时间段即可为历史时间段，第二时间段即可为未来时间段，第一时间段和第二时间段是两个相邻的时间段。
S820.获取所述第一时间段内每个采集帧节点处的待预测车辆以及所述待预测车辆的关联车辆的行驶信息。
S830.基于每个采集帧节点处的所述待预测车辆以及所述关联车辆的行驶信息，得到所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息。
这里的车辆状态特征信息也是基于车辆的行驶信息进行计算得到的，在此不再赘述。
S840.将所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息输入到车辆变道意图预测模型，得到与所述第一时间段对应的预测变道意图。
S850.基于所述与所述第一时间段对应的预测变道意图，得到所述待预测车辆在所述第二时间段内的预测变道意图。
在确定未来第二时间段的预测变道意图时，可直接将与其相邻的第一时间段对应的预测变道意图确定为在第二时间段内的预测变道意图。这里第二时间段内的预测变道意图根据第一时间段内的车辆状态信息即可预测，能够提升变道意图预测的速度和效率。
S860.将所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息，以及所述待预测车辆在所述第二时间段内的预测变道意图输入到车辆位移预测模型，得到所述待预测车辆在所述第二时间段内的预测位移。
在通过车辆变道意图预测模型得到了第二时间段内的预测变道意图，可将第二时间段内的预测变道意图，结合待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息作为特征输入到车辆位移预测模型中，得到待预测车辆在第二时间段内的预测位移。
上述在确定第二时间段内的预测变道意图时，是根据与第二时间段相邻的第一时间段对应的预测结果进行预测确定的；进一步地，还可通过多个历史时间段对应的预测结果来确定未来第二时间段内的车辆变道意图。
首先，请参阅图9，其示出了一种多项预测变道意图生成方法，该方法可包括：
S910.确定所述第一时间段对应的时长为目标时长。
S920.以所述第一时间段内除当前时刻的每个采集帧节点为目标节点，确定与每个目标节点对应的目标时间段；所述目标时间段为以所述目标节点为终止时间节点，时长为所述目标时长的时间段。
根据上述内容可知，本实施例中每0.1s作为一个采集帧，从而第一时间段内可包括多个采集帧节点，以每个采集帧节点作为终止时间节点并向前推目标时长的时间段，即可得到与每个采集帧节点对应的目标时间段。这里之所以要去除当前时刻是因为在上述方法中，第一时间段即为与当前时刻对应的目标时间段，从而为了避免重复，此处不再需要计算与当前时刻对应的目标时间段。另外，对于第一时间段的起始时间节点也可以不考虑在此处的目标节点内。例如，当前时刻为0s，当第一时间段的时长为1s时，从而第一时间段为-1s～0s，其中包括10个采集帧，确定其中的采集帧节点分别为-0.9s，-0.8s，-0.7s，-0.6s，-0.5s，-0.4s，-0.3s，-0.2s，-0.1s，0s，与采集帧节点0s对应的目标时间段为-1s～0s，与采集帧节点-0.1s对应的目标时间段为-1.1s～-0.1s，以此类推，可得到与每个采集帧节点对应的目标时间段。
S930.将所述待预测车辆和所述关联车辆在每个目标时间段内的状态特征信息分别输入到所述车辆变道意图预测模型，得到与每个目标时间段对应的预测变道意图。
对于每个目标时间段，分别获取在该目标时间段内待分析车辆和关联车辆的行驶信息，并相应计算车辆的状态特征信息，根据车辆变道意图预测模型，可得到与每个目标时间段对应的预测变道意图。
在得到了与各目标时间段对应的预测变道意图之后，可进一步来确定未来第二时间段内的车辆变道意图，具体请参阅图10，其示出了一种车辆变道意图确定方法，该方法可包括：
S1010.分别计算与所述第一时间段对应的预测变道意图，以及与每个目标时间段对应的预测变道意图中的向左变道的概率，保持车道的概率以及向右变道的概率的平均值，得到所述待预测车辆在所述第二时间段内向左变道的概率，保持车道的概率以及向右变道的概率。
基于每个时间段所确定的预测变道意图均可包括向左变道的概率，保持车道的概率以及向右变道的概率这三项概率，在得到与第一时间段对应的预测变道意图以及与每个目标时间段对应的预测变道意图后，可分别对各项预测变道意图中向左变道的概率求平均，对各项预测变道意图中保持车道的概率求平均，对各项预测变道意图中向右变道的概率求平均，从而可将求得的三项平均值作为第二时间段内向左变道的概率，保持车道的概率以及向右变道的概率。
S1020.基于所述待预测车辆在所述第二时间段内向左变道的概率，保持车道的概率以及向右变道的概率，确定所述待预测车辆在所述第二时间段内的预测变道意图。
具体将概率值最大的变道意图确定为主预测，将概率值次大的最为副预测，并根据主预测和副预测分别预测相应的位移；然后将预测结果提供给决策系统进行决策。
这里通过对多个时间段对应的预测变道意图概率进行概率平滑，可以使得预测的变道意图的概率不会发生剧烈的跳变，从而保证了预测结果的稳定性，降低了车辆变道意图预测模型的误判率。
下面以一示例来说明本申请的具体实施过程，请参阅图11，其示出了车辆与车道示意图，其中以目标车辆所在当前车道的中心线为基准，建立道路坐标系，y轴沿道路方向，x轴垂直于道路方向，将当前车道左侧车道作为左车道，将当前车道右侧车道作为右车道。
图11中，对于自车来讲，其周围的车辆即可为自车的关联车辆，也可称作自车的障碍车辆，预测目标即为预测障碍车辆在未来时间段内的行为信息。车辆在道路上行驶时，可认为有三种互斥的意图，常见的是保持车道，其次是向左变道和向右变道，每种意图所对应的轨迹亦不同。对于预测系统来说，可提供三种意图的可能性来协助自动驾驶车辆进行决策，更好地保障安全。因此，车辆行为预测模型的输出可包括两部分：障碍车的变道意图(向左变道、向右变道、保持车道)，以及与每种意图分别对应的位移，以未来时间段为3s为例，这里的位移具体可以是障碍车在当前时刻的3s之后所处的位置相对于当前时刻所处的位置的纵向位移。
为了能够在自动驾驶过程中预测出周围障碍车辆的行为信息，首先可根据采集的样本信息对预设的模型进行训练，以生成车辆行为预测模型，然后在自动驾驶过程中采用车辆行为预测模型对周围障碍车辆的行为信息进行实时预测。
请参阅图12，其示出了离线模型训练系统，可采用配备有相关传感器和处理设备的车辆作为数据采集车，数据采集车在高速路或者城市快速路运行期间，采集其周围的交通状况，此交通状况包括周围车辆的标识信息、周围车辆的位置、速度、运动方向、加速度、角速度等；以及周围道路拓扑信息(车道、车道线等)。采集车一般采样频率为10Hz，也即是每隔0.1秒采集一次数据。采集车连续采集，生成的数据即为从采集开始时间t_0到采集结束时间t_1，每0.1秒周围所有车辆的信息。
将数据采集车所采集的数据上传至云端场景数据库，在云端会定时自动触发运行，运行流程如下：
1.场景分析
从云端场景数据库中提取出最新上传尚未处理的数据，对数据进行初步处理，并按照障碍车标识id进行分别处理，如图13，考虑一个障碍车的完整轨迹记录，它在行进过程中两次穿过了车道线，模块记录此障碍车t0时刻向左变道，t1时刻向右变道。
2.滑动时间窗口样本生成
场景分析完毕后，采用滑动窗口法(如图13)，选取总长5s的窗口，其中2s作为过去历史，3s作为未来轨迹预测，从障碍车出现时间开始以固定的dt(一般设置为0.2s)作为间隔进行滑动窗口采样获取样本，分成三种情况：
(1)若在滑动窗口内的未来3s内并未发生变道，那记录此样本意图为保持车道，纵向偏移为滑动窗口终点(未来3s处)相对于滑动窗口0s处车道中心线的偏移；
(2)若在滑动窗口内的未来3s内向左变道(例如t0落在滑动窗口未来3s内)，那记录此样本意图为左变道，纵向偏移为滑动窗口终点(未来3s处)相对于滑动窗口0s处车道中心线的偏移；
(3)若在滑动窗口内的未来3s内向右变道(例如t1落在滑动窗口未来3s内)，那记录此样本意图为右变道，纵向偏移为滑动窗口终点(未来3s处)相对于滑动窗口0s处车道中心线的偏移。
对于每个滑动时间窗口样本，需要根据障碍车本身信息以及在此窗口的周围车辆信息，计算出所需的特征作为样本特征。
样本特征可以包括两类：
目标车辆的特征：又分为目标车的空间特征与运动特征，空间特征包括其车身长宽，与车道边线的距离；运动特征包括其平均速度、平均偏向角、速度与偏向角的变化率、速度与偏向角的导数的变化率、纵向位移、横向位移，纵向与横向位移的变化率，采集的数据最后三帧的位移与平均位移的差等。
障碍车辆的特征：每辆目标车周围关注六辆障碍车的信息，对于每辆障碍车的特征分为纵向位置以及其2s内的变化，横向位置以及其2s内的变化，速度以及其2s内的变化，TTC以及其2s内的变化等。
另外，这里并不限制具体特征的选取，添加或删除部分特征仍然为本申请的一部分。
3.样本重平衡
对于样本重平衡的具体实现过程可参阅本实施例上述图7所示的方法，在此不再赘述。
样本库也会定期清理一些时间较久远的样本，保证样本的新鲜程度。经过上述流程，收集到的样本数据为如下格式：样本特征+{变道意图，纵向位移}，基于样本数据分别训练车辆意图预测模型和位移预测模型。离线训练完成后，能够获取两个模型，这两个模型将在后面用于在线预测部分。上述离线模型训练系统将会定期触发，通过对新采集的车辆信息和道路信息进行处理来更新模型。
请参阅图14，其示出了车辆行为在线预测系统，可应用于无人驾驶系统场景中，通过该在线预测系统能够对无人驾驶汽车在路上行驶时所感知到的障碍车辆信息进行分析判断，最终预测出这些车辆未来的行驶意图和轨迹。此行驶轨迹后续会给到自动驾驶决策规划系统，以供本车作出正确的决策，轨迹预测的准确性对本车最终路上的表现有重要影响。
车辆感知系统在获取周围障碍车信息和环境信息(车道等)后，对于每一个障碍车进行预测，过程可包括：
(1)首先对于每个障碍车，进入单帧预测模块，在特征抽取模块获取相应维度的特征，然后进入意图预测模块获取对于未来意图的概率预测(保持车道概率、左变道概率、右变道概率)，并将此概率预测存入历史意图预测数据库。
(2)同时，根据障碍车标识信息id，查询历史预测数据库，获取最长过去10帧的意图的概率预测。
(3)进入概率平滑模块，将当前预测的概率和历史预测的概率进行平均，取连续十帧的预测结果的平均值作为最终的预测结果。获取平均后的保持车道概率，左变道概率和右变道概率。通过此处的概率平滑，可以保证预测的意图概率不会发生剧烈的跳变，保证预测的稳定性，平滑之后的模型的误判率会显著降低。
(4)概率平滑后，将概率>0.3的意图取出，并将概率大的意图作为主预测。例如，如果平滑后的保持车道概率为0.6，向左变道0.3，向右变道为0.1，那么主预测为保持车道，副预测为向左变道。
(5)对主预测和副预测分别进行纵向偏移模型预测，预测出其对应的纵向偏移，最后将主预测和副预测提供给决策规划系统。
如图15所示的车辆行为预测结果，其采用的是XGBoost分类模型和XGBoost回归模型，对车辆的变道意图预测结果为向左变道为0.7364，保持车道为0.2617，向右变道为0.0019，将向左变道作为主预测，将保持车道作为副预测，再通过XGBoost回归模型预测相应的纵向偏移。
本申请提供了一种能够对车辆的多种行为进行预测的多模态车辆轨迹预测方法，包括离线训练系统和在线预测系统全流程，可应用于L3级别的无人驾驶汽车上，能够对周围车辆的变道行为以及未来时间段内的纵向位置进行预测，具体可以输出三个不同的模态，分别对应车辆的左变道，右变道，和车道保持三种行为，输出每种行为的概率和纵向位置偏移。通过将模型整合到机器学习算法内，并对模型输出的结果进行平滑处理，去除噪声的影响，使预测结果更加稳定；相比基于深度学习的算法，本发明消耗的资源更少，执行速度快，可解释性更强。在无人驾驶预测场景中，预测的耗时至关重要，如果预测耗时较长，则会导致车辆反应不及时，可能影响行驶安全，本申请所提出的预测方法运行速度快，能够适用于需要快速预测的场景中，从而提高了行车安全。
本实施例还提供了一种车辆行为预测模型训练装置，请参阅图16，该装置具体可包括：
第一信息获取模块1610，用于获取预设时间段内采集的多辆目标车辆的行驶信息和道路信息；
车辆类型确定模块1620，用于分别将每辆目标车辆作为待分析车辆，将所述待分析车辆周围的目标车辆确定为关联车辆；
行驶轨迹生成模块1630，用于基于所述待分析车辆的行驶信息和所述道路信息，生成所述待分析车辆在所述预设时间段内的行驶轨迹；
滑动采样模块1640，用于对所述预设时间段包含的每个单位时间段内的所述待分析车辆的行驶信息、所述关联车辆的行驶信息，以及所述待分析车辆的行驶轨迹进行采样，基于采样结果确定所述每个单位时间段内所述待分析车辆的状态特征信息、所述关联车辆的状态特征信息，以及所述待分析车辆的变道意图和所述待分析车辆的位移；
训练样本集合生成模块1650，用于根据每个单位时间段内所述待分析车辆的状态特征信息、所述关联车辆的状态特征信息、所述待分析车辆的变道意图以及所述待分析车辆的位移，生成与所述待分析车辆对应的训练样本集合；
模型训练模块1660，用于基于与多个待分析车辆对应的训练样本集合，分别对待训练的分类模型以及待训练的回归模型进行训练，生成车辆变道意图预测模型和车辆位移预测模型。
进一步地，每个单位时间段对应一个滑动时间窗口，滑动时间窗口包括历史时间窗口和未来时间窗口；相应地，滑动采样模块1640包括：
第一采样模块，用于在所述历史时间窗口内对所述待分析车辆的行驶信息，以及所述关联车辆的行驶信息进行采样；
状态特征信息生成模块，用于基于对所述待分析车辆的行驶信息和所述关联车辆的行驶信息的采样结果，生成所述待分析车辆的状态特征信息和所述关联车辆的状态特征信息；
第二采样模块，用于在所述未来时间窗口内对所述待分析车辆的行驶轨迹进行采样；
第一确定模块，用于基于对所述待分析车辆的行驶轨迹的采样结果，确定所述待分析车辆的变道意图和所述待分析车辆的位移。
进一步地，状态特征信息生成模块包括：
采集帧节点确定模块，用于确定所述历史时间窗口包含的多个采集帧节点；
第一获取模块，用于获取所述待分析车辆在每个采集帧节点的行驶信息，以及所述关联车辆在每个采集帧节点的行驶信息；
第一计算模块，用于根据所述待分析车辆在每个采集帧节点的行驶信息，计算所述待分析车辆的状态特征信息；
第二计算模块，用于根据所述关联车辆在每个采集帧节点的行驶信息，计算所述关联车辆的状态特征信息。
进一步地，道路信息包括车道信息和车道线信息；相应地，第一确定模块包括：
车道确定模块，用于根据所述未来时间窗口内所述待分析车辆的行驶轨迹，确定在所述滑动时间窗口的当前时间节点处所述待分析车辆所处的第一车道，确定在所述滑动时间窗口的终止时间节点处所述待分析车辆所处的第二车道；
第二确定模块，用于基于所述第一车道和所述第二车道确定所述待分析车辆的变道意图；
位移确定模块，用于将所述待分析车辆在所述第二车道中的位置相对于所述第一车道中心线的偏移确定为所述待分析车辆的位移。
进一步地，模型训练模块1660包括：
样本重平衡模块，用于对所述训练样本集合进行样本重平衡处理；
第一训练模块，用于对于经过样本重平衡处理后的训练样本集合中的每个样本，将每个样本中所述待分析车辆的状态特征信息、所述关联车辆的状态特征信息作为第一输入特征，将所述待分析车辆的变道意图作为第一预测标签，对所述待训练的分类模型进行训练，得到所述车辆变道意图预测模型；
第二训练模块，用于将每个样本中所述待分析车辆的状态特征信息、所述关联车辆的状态特征信息以及所述待分析车辆的变道意图作为第二输入特征，将所述待分析车辆的位移作为第二预测标签，对所述待训练的回归模型进行训练，得到所述车辆位移预测模型。
进一步地，训练样本集合中包括车辆变道意图为保持车道的样本；相应地，样本重平衡模块包括：
保持车道样本集合生成模块，用于将车辆变道意图为保持车道的样本从所述训练样本集合中取出，生成保持车道样本集合；
随机抽取模块，用于从所述保持车道样本集合中随机取出预设比例的保持车道样本，加入到所述训练样本集合中；
分类模型训练模块，用于基于所述预设比例的保持车道样本，对预设的分类模型进行训练，得到待训练的分类模型；
重平衡处理模块，用于采用所述待训练的分类模型对所述保持车道样本集合中剩余的保持车道样本进行变道意图预测，将预测结果满足预设条件的保持车道样本加入到所述训练样本集合中，得到经过样本重平衡处理后的训练样本集合。
请参阅图17，本实施例还提供了一种基于车辆行为预测模型的车辆行为预测装置，所述车辆行为预测模型包括车辆变道意图预测模型和车辆位移预测模型；所述装置包括：
时间段确定模块1710，用于确定当前时刻之前的第一时间段，和当前时刻之后的第二时间段；
行驶信息获取模块1720，用于获取所述第一时间段内每个采集帧节点处的待预测车辆以及所述待预测车辆的关联车辆的行驶信息；
状态特征信息生成模块1730，用于基于每个采集帧节点处的所述待预测车辆以及所述关联车辆的行驶信息，得到所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息；
第一预测模块1740，用于将所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息输入到车辆变道意图预测模型，得到与所述第一时间段对应的预测变道意图；
预测变道意图确定模块1750，用于基于所述与所述第一时间段对应的预测变道意图，得到所述待预测车辆在所述第二时间段内的预测变道意图；
第二预测模块1760，用于将所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息，以及所述待预测车辆在所述第二时间段内的预测变道意图输入到车辆位移预测模型，得到所述待预测车辆在所述第二时间段内的预测位移。
进一步地，车辆行为预测装置还可包括：
目标时长确定模块，用于确定所述第一时间段对应的时长为目标时长；
目标时间段确定模块，用于以所述第一时间段内除当前时刻的每个采集帧节点为目标节点，确定与每个目标节点对应的目标时间段；所述目标时间段为以所述目标节点为终止时间节点，时长为所述目标时长的时间段；
第三预测模块，用于将所述待预测车辆和所述关联车辆在每个目标时间段内的状态特征信息分别输入到所述车辆变道意图预测模型，得到与每个目标时间段对应的预测变道意图。
所述预测变道意图包括向左变道的概率，保持车道的概率以及向右变道的概率；相应地，预测变道意图确定模块1750包括：
概率平均模块，用于分别计算与所述第一时间段对应的预测变道意图，以及与每个目标时间段对应的预测变道意图中的向左变道的概率，保持车道的概率以及向右变道的概率的平均值，得到所述待预测车辆在所述第二时间段内向左变道的概率，保持车道的概率以及向右变道的概率；
第三确定模块，用于基于所述待预测车辆在所述第二时间段内向左变道的概率，保持车道的概率以及向右变道的概率，确定所述待预测车辆在所述第二时间段内的预测变道意图。
上述实施例中提供的装置可执行本申请任意实施例所提供方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的方法。
本实施例还提供了一种计算机存储介质，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行如本实施例上述任一方法。
本实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行如本实施例上述任一方法。
本实施例还提供了一种设备，其结构图请参见图18，该设备1800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processingunits，CPU)1822(例如，一个或一个以上处理器)和存储器1832，一个或一个以上存储应用程序1842或数据1844的存储媒体1830(例如一个或一个以上海量存储设备)。其中，存储器1832和存储媒体1830可以是短暂存储或持久存储。存储在存储媒体1830的程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对设备中的一系列指令操作。更进一步地，中央处理器1822可以设置为与存储媒体1830通信，在设备1800上执行存储媒体1830中的一系列指令操作。设备1800还可以包括一个或一个以上电源1826，一个或一个以上有线或无线网络接口1850，一个或一个以上输入输出接口1858，和/或，一个或一个以上操作系统1841，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM等等。本实施例上述的任一方法均可基于图18所示的设备进行实施。
本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤和顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或中断产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
本实施例中所示出的结构，仅仅是与本申请方案相关的部分结构，并不构成对本申请方案所应用于其上的设备的限定，具体的设备可以包括比示出的更多或更少的部件，或者组合某些部件，或者具有不同的部件的布置。应当理解到，本实施例中所揭露的方法、装置等，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分仅仅为一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元模块的间接耦合或通信连接。
基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员还可以进一步意识到，结合本说明书所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但这种实现不应认为超出本申请的范围。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种车辆行为预测方法，其特征在于，包括：
确定当前时刻之前的第一时间段，和当前时刻之后的第二时间段；
获取所述第一时间段内每个采集帧节点处的待预测车辆以及所述待预测车辆的关联车辆的行驶信息；
基于每个采集帧节点处的所述待预测车辆以及所述关联车辆的行驶信息，得到所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息；
将所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息输入到车辆变道意图预测模型，得到与所述第一时间段对应的预测变道意图；
确定所述第一时间段对应的时长为目标时长；
以所述第一时间段内除当前时刻的每个采集帧节点为目标节点，确定与每个目标节点对应的目标时间段；所述目标时间段为以所述目标节点为终止时间节点，时长为所述目标时长的时间段；
将所述待预测车辆和所述关联车辆在每个目标时间段内的状态特征信息分别输入到所述车辆变道意图预测模型，得到与每个目标时间段对应的预测变道意图；
基于所述与所述第一时间段对应的预测变道意图，以及多个目标时间段对应的预测变道意图，得到所述待预测车辆在所述第二时间段内的预测变道意图；
将所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息，以及所述待预测车辆在所述第二时间段内的预测变道意图输入到车辆位移预测模型，得到所述待预测车辆在所述第二时间段内的预测位移。
2.根据权利要求1所述的车辆行为预测方法，其特征在于，所述预测变道意图包括向左变道的概率，保持车道的概率以及向右变道的概率；
所述基于所述与所述第一时间段对应的预测变道意图，得到所述待预测车辆在所述第二时间段内的预测变道意图包括：
分别计算与所述第一时间段对应的预测变道意图，以及与每个目标时间段对应的预测变道意图中的向左变道的概率，保持车道的概率以及向右变道的概率的平均值，得到所述待预测车辆在所述第二时间段内向左变道的概率，保持车道的概率以及向右变道的概率；
基于所述待预测车辆在所述第二时间段内向左变道的概率，保持车道的概率以及向右变道的概率，确定所述待预测车辆在所述第二时间段内的预测变道意图。
3.根据权利要求1所述的车辆行为预测方法，其特征在于，所述车辆变道意图预测模型和所述车辆位移预测模型的生成方法包括：
获取预设时间段内采集的多辆目标车辆的行驶信息和道路信息；
分别将每辆目标车辆作为待分析车辆，将所述待分析车辆周围的目标车辆确定为关联车辆；
基于所述待分析车辆的行驶信息和所述道路信息，生成所述待分析车辆在所述预设时间段内的行驶轨迹；
对所述预设时间段包含的每个单位时间段内的所述待分析车辆的行驶信息、所述关联车辆的行驶信息，以及所述待分析车辆的行驶轨迹进行采样，基于采样结果确定每个单位时间段内所述待分析车辆的状态特征信息、所述关联车辆的状态特征信息，以及所述待分析车辆的变道意图和所述待分析车辆的位移；
根据每个单位时间段内所述待分析车辆的状态特征信息、所述关联车辆的状态特征信息、所述待分析车辆的变道意图以及所述待分析车辆的位移，生成与所述待分析车辆对应的训练样本集合；
基于与多个待分析车辆对应的训练样本集合，分别对待训练的分类模型以及待训练的回归模型进行训练，生成所述车辆变道意图预测模型和所述车辆位移预测模型。
4.根据权利要求3所述的车辆行为预测方法，其特征在于，所述每个单位时间段对应一个滑动时间窗口，所述滑动时间窗口包括历史时间窗口和未来时间窗口；
所述对所述预设时间段包含的每个单位时间段内的所述待分析车辆的行驶信息、所述关联车辆的行驶信息，以及所述待分析车辆的行驶轨迹进行采样，基于采样结果确定每个单位时间段内所述待分析车辆的状态特征信息、所述关联车辆的状态特征信息，以及所述待分析车辆的变道意图和所述待分析车辆的位移包括：
在所述历史时间窗口内对所述待分析车辆的行驶信息，以及所述关联车辆的行驶信息进行采样；
基于对所述待分析车辆的行驶信息和所述关联车辆的行驶信息的采样结果，生成所述待分析车辆的状态特征信息和所述关联车辆的状态特征信息；
在所述未来时间窗口内对所述待分析车辆的行驶轨迹进行采样；
基于对所述待分析车辆的行驶轨迹的采样结果，确定所述待分析车辆的变道意图和所述待分析车辆的位移。
5.根据权利要求4所述的车辆行为预测方法，其特征在于，所述基于对所述待分析车辆的行驶信息和所述关联车辆的行驶信息的采样结果，生成所述待分析车辆的状态特征信息和所述关联车辆的状态特征信息包括：
确定所述历史时间窗口包含的多个采集帧节点；
获取所述待分析车辆在每个采集帧节点的行驶信息，以及所述关联车辆在每个采集帧节点的行驶信息；
根据所述待分析车辆在每个采集帧节点的行驶信息，计算所述待分析车辆的状态特征信息；
根据所述关联车辆在每个采集帧节点的行驶信息，计算所述关联车辆的状态特征信息。
6.根据权利要求4所述的车辆行为预测方法，其特征在于，所述道路信息包括车道信息和车道线信息；
所述基于对所述待分析车辆的行驶轨迹的采样结果，确定所述待分析车辆的变道意图和所述待分析车辆的位移包括：
根据所述未来时间窗口内所述待分析车辆的行驶轨迹，确定在所述滑动时间窗口的当前时间节点处所述待分析车辆所处的第一车道，确定在所述滑动时间窗口的终止时间节点处所述待分析车辆所处的第二车道；
基于所述第一车道和所述第二车道确定所述待分析车辆的变道意图；
将所述待分析车辆在所述第二车道中的位置相对于所述第一车道中心线的偏移确定为所述待分析车辆的位移。
7.根据权利要求3所述的车辆行为预测方法，其特征在于，所述基于与多个待分析车辆对应的训练样本集合，分别对待训练的分类模型以及待训练的回归模型进行训练，生成所述车辆变道意图预测模型和所述车辆位移预测模型包括：
对所述训练样本集合进行样本重平衡处理；
对于经过样本重平衡处理后的训练样本集合中的每个样本，将每个样本中所述待分析车辆的状态特征信息、所述关联车辆的状态特征信息作为第一输入特征，将所述待分析车辆的变道意图作为第一预测标签，对所述待训练的分类模型进行训练，得到所述车辆变道意图预测模型；
将每个样本中所述待分析车辆的状态特征信息、所述关联车辆的状态特征信息以及所述待分析车辆的变道意图作为第二输入特征，将所述待分析车辆的位移作为第二预测标签，对所述待训练的回归模型进行训练，得到所述车辆位移预测模型。
8.根据权利要求7所述的车辆行为预测方法，其特征在于，所述训练样本集合中包括车辆变道意图为保持车道的样本；
所述对所述训练样本集合进行样本重平衡处理包括：
将车辆变道意图为保持车道的样本从所述训练样本集合中取出，生成保持车道样本集合；
从所述保持车道样本集合中随机取出预设比例的保持车道样本，加入到所述训练样本集合中；
基于所述预设比例的保持车道样本，对预设的分类模型进行训练，得到待训练的分类模型；
采用所述待训练的分类模型对所述保持车道样本集合中剩余的保持车道样本进行变道意图预测，将预测结果满足预设条件的保持车道样本加入到所述训练样本集合中，得到经过样本重平衡处理后的训练样本集合。
9.一种车辆行为预测装置，其特征在于，所述装置包括：
时间段确定模块，用于确定当前时刻之前的第一时间段，和当前时刻之后的第二时间段；
行驶信息获取模块，用于获取所述第一时间段内每个采集帧节点处的待预测车辆以及所述待预测车辆的关联车辆的行驶信息；
状态特征信息生成模块，用于基于每个采集帧节点处的所述待预测车辆以及所述关联车辆的行驶信息，得到所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息；
第一预测模块，用于将所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息输入到车辆变道意图预测模型，得到与所述第一时间段对应的预测变道意图；
目标时长确定模块，用于确定所述第一时间段对应的时长为目标时长；
目标时间段确定模块，用于以所述第一时间段内除当前时刻的每个采集帧节点为目标节点，确定与每个目标节点对应的目标时间段；所述目标时间段为以所述目标节点为终止时间节点，时长为所述目标时长的时间段；
第三预测模块，用于将所述待预测车辆和所述关联车辆在每个目标时间段内的状态特征信息分别输入到所述车辆变道意图预测模型，得到与每个目标时间段对应的预测变道意图；
预测变道意图确定模块，用于基于所述与所述第一时间段对应的预测变道意图，以及多个目标时间段对应的预测变道意图，得到所述待预测车辆在所述第二时间段内的预测变道意图；
第二预测模块，用于将所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息，以及所述待预测车辆在所述第二时间段内的预测变道意图输入到车辆位移预测模型，得到所述待预测车辆在所述第二时间段内的预测位移。
10.一种计算机存储介质，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行如权利要求1-8 任一项所述的车辆行为预测方法。
CN202011357968.1A 2020-11-27 2020-11-27 一种车辆行为预测方法及装置 Active CN112562328B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011357968.1A CN112562328B (zh) 2020-11-27 2020-11-27 一种车辆行为预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011357968.1A CN112562328B (zh) 2020-11-27 2020-11-27 一种车辆行为预测方法及装置

Publications (2)

Publication Number Publication Date
CN112562328A CN112562328A (zh) 2021-03-26
CN112562328B true CN112562328B (zh) 2022-02-18

Family

ID=75046421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011357968.1A Active CN112562328B (zh) 2020-11-27 2020-11-27 一种车辆行为预测方法及装置

Country Status (1)

Country Link
CN (1) CN112562328B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516846B (zh) * 2021-06-24 2022-12-13 长安大学 车辆换道行为预测模型构建、预测预警方法及系统
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
CN113788015B (zh) * 2021-08-04 2023-04-18 杭州飞步科技有限公司 车辆轨迹的确定方法、装置、设备以及存储介质
CN113997954B (zh) * 2021-11-29 2023-11-21 广州文远知行科技有限公司 一种车辆行驶意图预测方法、装置、设备及可读存储介质
CN114387799B (zh) * 2021-12-27 2022-12-23 山东浪潮工业互联网产业股份有限公司 一种路口红绿灯控制方法及设备
CN115116249B (zh) * 2022-06-06 2023-08-01 苏州科技大学 一种自动驾驶车辆不同渗透率与道路通行能力的估计方法
CN116052417A (zh) * 2022-12-21 2023-05-02 浙江零跑科技股份有限公司 一种行驶预测方法、装置、设备和可读存储介质
CN117261920A (zh) * 2023-09-19 2023-12-22 广州市城市规划勘测设计研究院 一种车辆换道识别方法、装置、终端及介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106740864B (zh) * 2017-01-12 2019-03-19 北京交通大学 一种驾驶行为意图判断与预测方法
CN110147709A (zh) * 2018-11-02 2019-08-20 腾讯科技（深圳）有限公司 车辆属性模型的训练方法、装置、终端及存储介质
CN111651410B (zh) * 2019-03-08 2023-04-18 上海铼锶信息技术有限公司 一种样本数据的动态平衡方法及系统
CN110400490B (zh) * 2019-08-08 2022-02-25 腾讯科技（深圳）有限公司 轨迹预测方法和装置
CN110796856B (zh) * 2019-10-16 2022-03-25 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
CN110834644B (zh) * 2019-10-30 2021-01-19 中国第一汽车股份有限公司 一种车辆控制方法、装置、待控制车辆及存储介质
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
CN111080442A (zh) * 2019-12-21 2020-04-28 湖南大学 信用评分模型的构建方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN112562328A (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN112562328B (zh) 一种车辆行为预测方法及装置
CN112099496B (zh) 一种自动驾驶训练方法、装置、设备及介质
US20220374712A1 (en) Decision making for motion control
Dong et al. Characterizing driving styles with deep learning
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
Agamennoni et al. Estimation of multivehicle dynamics by considering contextual information
CN113401143B (zh) 一种基于驾驶风格和意图的个性化自适应轨迹预测方法
US20210114604A1 (en) Method and Apparatus for Determining Information Related to a Lane Change of Target Vehicle, Method and Apparatus for Determining a Vehicle Comfort Metric for a Prediction of a Driving Maneuver of a Target Vehicle and Computer Program
CN112347993B (zh) 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法
US11577750B2 (en) Method and apparatus for determining a vehicle comfort metric for a prediction of a driving maneuver of a target vehicle
WO2012004553A1 (en) Assisting vehicle guidance over terrain
Camara et al. Predicting pedestrian road-crossing assertiveness for autonomous vehicle control
Gadepally et al. Driver/vehicle state estimation and detection
CN113568416B (zh) 无人车轨迹规划方法、装置和计算机可读存储介质
WO2022133242A1 (en) Method and system for dynamically updating an environmental representation of an autonomous agent
CN115923833A (zh) 车辆的拟人化决策控制方法、装置、车辆及存储介质
Toledo-Moreo et al. Maneuver prediction for road vehicles based on a neuro-fuzzy architecture with a low-cost navigation unit
Wheeler et al. A probabilistic framework for microscopic traffic propagation
CN115062202A (zh) 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质
CN117406756B (zh) 一种运动轨迹参数的确定方法、装置、设备和存储介质
CN117585017A (zh) 一种自动驾驶车辆换道决策方法、装置、设备及存储介质
Shen et al. Analysis of driving behavior in unprotected left turns for autonomous vehicles using ensemble deep clustering
Selvaraj et al. Edge learning of vehicular trajectories at regulated intersections
CN116972860A (zh) 偏航识别方法、装置、电子设备及存储介质
CN113501007B (zh) 一种基于自动驾驶的路径轨迹规划方法、装置及终端

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40040677

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant