CN112863245A - 基于深度神经网络的车辆换道轨迹实时预测方法 - Google Patents

基于深度神经网络的车辆换道轨迹实时预测方法 Download PDF

Info

Publication number
CN112863245A
CN112863245A CN201911195156.9A CN201911195156A CN112863245A CN 112863245 A CN112863245 A CN 112863245A CN 201911195156 A CN201911195156 A CN 201911195156A CN 112863245 A CN112863245 A CN 112863245A
Authority
CN
China
Prior art keywords
vehicle
lane
time
neural network
lane change
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
CN201911195156.9A
Other languages
English (en)
Other versions
CN112863245B (zh
Inventor
郭玉洁
郭唐仪
吴军
丁俊杰
周钰汀
朱永璇
李智意
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and 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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201911195156.9A priority Critical patent/CN112863245B/zh
Publication of CN112863245A publication Critical patent/CN112863245A/zh
Application granted granted Critical
Publication of CN112863245B publication Critical patent/CN112863245B/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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度神经网络的换道过程轨迹预测方法获取换道车辆和跟驰车辆运行参数和车辆轨迹；建立HMM换道决策模型，进行驾驶员换道决策阶段的训练；建立换道执行模型，进行驾驶员换道执行阶段的训练；对采集到的车辆实时数据，运用训练好的HMM模型判断驾驶员是否处于换道状态；如果识别出车辆状态为换道状态，用训练好的深度神经网络进行换道车辆轨迹预测。本发明提高了车辆换道轨迹的预测精度，有利于分析碰撞危险，提高行车安全性。

Description

基于深度神经网络的车辆换道轨迹实时预测方法
技术领域
本发明属于车辆轨迹预测领域，具体是一种基于深度神经网络的车辆换道轨迹实时预测方法。
背景技术
换道轨迹模型以预测车辆换道轨迹或为车辆换道提供最优轨迹为目的，常常被用在车辆碰撞预警与智能车研究当中。对车辆行驶轨迹进行准确的预测，是为危险驾驶行为的提前识别做准备。若下一时刻的车辆运动能够提前被准确地预测出来，危险驾驶行为的识别效果会得到很大的提升，驾驶员也会及时获得提醒，以及时采取有效的碰撞预防措施。
现有的轨迹预测方法多基于定点线圈等固定检测设备数据，检测车辆通过某个或几个点的速度等信息，基于车辆速度不变的假设进行轨迹预测。这种方法计算简单，但与实际情况相差甚远。而对于换道过程中，换道车辆是否与前后车及目标车道的前后车发生碰撞则无法进行预测和判断。
发明内容
本发明的目的在于提供一种基于深度神经网络的车辆换道轨迹实时预测方法。
本发明目的的技术解决方案如下：一种基于深度神经网络的车辆换道轨迹实时预测方法，具体步骤为：
步骤1、获取换道车辆和跟驰车辆运行参数和车辆轨迹；
步骤2、建立HMM换道决策模型，进行驾驶员换道决策阶段的训练；
步骤3、建立换道执行模型，进行驾驶员换道执行阶段的训练；
步骤4、对采集到的车辆实时数据，运用训练好的HMM模型判断驾驶员是否处于换道状态，若是，进行下一步；
步骤5、如果识别出车辆状态为换道状态，用训练好的深度神经网络进行换道车辆轨迹预测。
优选地，建立HMM换道决策模型，进行驾驶员换道决策阶段的训练，具体步骤为：
步骤2-1、确定HMM换道决策模型的观测值和状态值，其中，观测序列为：
O(t)＝{x(t),v(t),s(t)}
其中，x(t)表示上一时刻与本时刻中X坐标的变化量；v(t)表示当前时刻车辆速度；s(t)表示当前时刻车辆与本车道前方车辆间的相对位置；状态值包括跟驰状态、换道状态和自由驾驶状态；
步骤2-2、对建立的HMM换道决策模型进行训练，具体为：
根据步骤1获取的换道车辆的车辆运行参数，提取观测序列数据x(t),v(t),s(t)作为训练集，利用训练集对建立的HMM换道决策模型进行训练；根据步骤1获取的稳定跟驰车辆的车辆运行参数，提取观测序列所需参数x(t),v(t),s(t)作为训练集，利用训练集对建立的HMM换道决策模型进行训练。
优选地，所述换道执行模型为LSTM深度神经网络。
优选地，建立换道执行模型，进行驾驶员换道执行阶段的训练的具体步骤为：
步骤3-1、确定LSTM神经网络的输入输出数据；
为表征在时刻t辆执行的动作，将下一时刻t+T到达的位置作为执行的动作，即在t时刻执行的动作使车辆在t+T到达位置X(t+T)和Y(t+T)；
设定LSTM神经网络的输入数据为X，则：
X＝{x1,x2,x3,...,x7,X(t),Y(t))
其中，{x1,x2,x3,...,x7}＝{vn(t),vn-1(t),vn-2(t),vn+2(t),hn-1,hn-2,hn+2}
vn(t)表示换道车辆速度；vn-1(t)表示换道车辆前车速度；vn-2(t)表示换道车辆目标车道前车速度；vn+2(t)表示换道车辆目标车道后车速度；hn-1表示换道车辆与目标车道前车之间的车头时距；hn-2表示换道车辆与目标车道后车之间的车头时距；X(t)表示t时刻执行结束终点的纵向距离，Y(t)表示t时刻执行结束终点的横向距离；
设定LSTM神经网络的输出数据为Y，则：
Y＝{X(t+T),Y(t+T)}
式中，X(t+T)表示t时刻纵向的执行动作，即t+T时刻与换道执行结束时刻之间的纵向距离；Y(t+T)表示t时刻横向的执行动作，即t+T时刻与换道执行结束时刻之间的横向距离；
步骤3-2、确定LSTM神经网络的结构，所述LSTM神经网络包括输入层、2个隐藏层、输出层，输入样本数据共包括9个输入变量，设置输入层神经元的数量为9；输出样本数据包括当前时刻执行的横向和纵向的位置移动，输出层包含2个神经元，设置两个隐藏层，2个隐藏层神经元数量分别为7和3；
步骤3-4、根据步骤1获取的换道车辆的车辆运行参数，提取观测序列x(t),v(t),s(t)组成训练集，用训练集对LSTM神经网络进行训练。
优选地，所述车辆运行参数包括车辆ID、速度、加速度、位置坐标、车头时距。
本发明与现有技术相比，其显著优点：
(1)本发明采用基于深度学习的换道模型能够更加准确的描述换道行为，提高换道决策和换道轨迹的预测精度；
(2)本发明建立了一套基于换道决策识别模型与换道轨迹模型的实时车辆换道轨迹预测方法，实时性强，在实时换道预警方面具有较强的应用性；
(3)本发明轨迹预测结果的精度和准确度足以再现车辆的危险换道行为，可进一步用于危险换道行为识别，从而进行危险换道的预警和主动防控等。
附图说明
图1是本发明的车辆换道轨迹实时预测流程图。
图2是本发明的HMM换道决策识别模型原理图。
具体实施方式
如图1所示，一种基于深度神经网络的车辆换道轨迹实时预测方法，利用微波雷达和摄像头对路段进行交通流数据及视频采集。获取换道车辆位置、速度、车头时距等信息，并对车辆轨迹进行提取，提取数据用于换道决策模型和换道轨迹预测模型的训练。构建隐马尔可夫(HMM)模型进行驾驶员换道决策识别，构建LSTM深度神经网络进行轨迹预测训练，从而对换道过程进行轨迹预测。具体步骤为：
步骤1、获取换道车辆和跟驰车辆运行参数和车辆轨迹；
利用微波雷达和摄像头对路段进行交通流数据及视频采集，经图像处理后，选取500个换道车辆和500个稳定跟驰车辆，提取车辆参数，所述车辆运行参数包括车辆ID、速度、加速度、位置坐标、车头时距等，并对车辆轨迹进行提取，提取数据用于换道决策模型和换道轨迹预测模型的训练。
步骤2、建立HMM换道决策模型，进行驾驶员换道决策阶段的训练，具体步骤为：
步骤2-1、确定HMM换道决策模型的观测值和状态值，其中，观测序列为：
O(t)＝{x(t),v(t),s(t)}
其中，x(t)表示上一时刻与本时刻中X坐标的变化量；v(t)表示当前时刻车辆速度；s(t)表示当前时刻车辆与本车道前方车辆间的相对位置。状态值包括跟驰状态、换道状态和自由驾驶状态。HMM模型如图2所示。
步骤2-2、对建立的HMM换道决策模型进行训练，具体为：
HMM换道决策模型包括换道HMM模型和跟驰HMM模型两个模型。根据步骤1获取的换道车辆的车辆运行参数，提取观测序列所需参数x(t),v(t),s(t)，90％数据为训练集，10％为测试集，对换道HMM模型进行训练。同样地，根据步骤1获取的稳定跟驰车辆的车辆运行参数，提取观测序列所需参数x(t),v(t),s(t)，对跟驰HMM模型进行训练。
用测试集检验换道意图识别效果：
分别检测测试集数据与换道HMM模型和跟驰HMM模型的契合程度，判断车辆处于换道状态还是跟驰状态，并验证判断效果。
步骤3、建立换道执行模型，进行驾驶员换道执行阶段的训练。选择基于LSTM深度神经网络的换道执行模型。
步骤3-1、确定于LSTM神经网络的输入输出数据；
为表征在时刻t辆执行的动作，将下一时刻t+T到达的位置作为执行的动作，即在t时刻执行的动作使车辆在t+T到达位置X(t+T)和Y(t+T)。
设定LSTM神经网络的输入数据为X，则：
X＝{x1,x2,x3,...,x7,X(t),Y(t))
其中：{x1,x2,x3,...,x7}＝{vn(t),vn-1(t),vn-2(t),vn+2(t),hn-1,hn-2,hn+2}
其中：vn(t)表示换道车辆速度；vn-1(t)表示换道车辆前车速度；vn-2(t)表示换道车辆目标车道前车速度；vn+2(t)表示换道车辆目标车道后车速度；hn-1表示换道车辆与目标车道前车之间的车头时距；hn-2表示换道车辆与目标车道后车之间的车头时距；X(t)表示t时刻执行结束终点的纵向距离；Y(t)表示t时刻执行结束终点的横向距离。
设定LSTM神经网络的输出数据为Y，则：
Y＝{X(t+T),Y(t+T)}
X(t+T)表示t时刻纵向的执行动作，即t+T时刻与换道执行结束时刻之间的纵向距离；Y(t+T)表示t时刻横向的执行动作，即t+T时刻与换道执行结束时刻之间的横向距离。
步骤3-2、确定好输入输出之后，定义神经网络的结构。其结构主要包括神经网络的层数和每一层神经元的数量。该神经网络包括4层，分别为输入层、隐藏层、隐藏层、输出层。输入样本数据共包括9个输入变量，故设置输入层神经元的数量为9；输出样本数据包括当前时刻执行的横向和纵向的位置移动，所以输出层包含2个神经元。设置两个隐藏层，2个隐藏层神经元数量分别为7和3。故最终选择神经网络的结构为9-7-3-2(即输入层的神经元数量为9；2个隐藏层神经元数量分别为7和3；输出层神经元数量为2).
步骤3-4、确定神经网络的结构之后，用训练集对该模型进行训练；
样本数据为根据步骤1中试验选取的500个换道车辆运行参数和车辆轨迹，对其进行预处理后，采用样本数据集中的90％作为训练样本，剩下的10％作为测试样本。
选择的训练参数如下：学习率设置为0.001；批量大小设置为40；时间步设置为20；迭代次数为50次。
LSTM神经网络训练完成后，用测试集检验神经网络的最终预测效果。
步骤4、对采集到的车辆实时数据，运用训练好的HMM模型判断驾驶员是否处于换道状态；
考虑到换道持续时间平均约为4秒，所以选择采样周期为0.1秒。每辆车每隔0.1秒从数据库中读取数据，进行换道状态识别。
步骤5、如果识别出车辆状态为换道状态，运用训练好的深度神经网络进行换道车辆轨迹预测。

Claims (5)

1.一种基于深度神经网络的车辆换道轨迹实时预测方法，其特征在于，具体步骤为：
步骤1、获取换道车辆和跟驰车辆运行参数和车辆轨迹；
步骤2、建立HMM换道决策模型，进行驾驶员换道决策阶段的训练；
步骤3、建立换道执行模型，进行驾驶员换道执行阶段的训练；
步骤4、对采集到的车辆实时数据，运用训练好的HMM模型判断驾驶员是否处于换道状态，若是，进行下一步；
步骤5、如果识别出车辆状态为换道状态，用训练好的深度神经网络进行换道车辆轨迹预测。
2.根据权利要求1所述的基于深度神经网络的车辆换道轨迹实时预测方法，其特征在于，建立HMM换道决策模型，进行驾驶员换道决策阶段的训练，具体步骤为：
步骤2-1、确定HMM换道决策模型的观测值和状态值，其中，观测序列为：
O(t)＝{x(t),v(t),s(t)}
其中，x(t)表示上一时刻与本时刻中X坐标的变化量；v(t)表示当前时刻车辆速度；s(t)表示当前时刻车辆与本车道前方车辆间的相对位置；状态值包括跟驰状态、换道状态和自由驾驶状态；
步骤2-2、对建立的HMM换道决策模型进行训练，具体为：
根据步骤1获取的换道车辆的车辆运行参数，提取观测序列数据x(t),v(t),s(t)作为训练集，利用训练集对建立的HMM换道决策模型进行训练；根据步骤1获取的稳定跟驰车辆的车辆运行参数，提取观测序列所需参数x(t),v(t),s(t)作为训练集，利用训练集对建立的HMM换道决策模型进行训练。
3.根据权利要求1所述的基于深度神经网络的车辆换道轨迹实时预测方法，其特征在于，所述换道执行模型为LSTM深度神经网络。
4.根据权利要求1所述的基于深度神经网络的车辆换道轨迹实时预测方法，其特征在于，建立换道执行模型，进行驾驶员换道执行阶段的训练的具体步骤为：
步骤3-1、确定LSTM神经网络的输入输出数据；
为表征在时刻t辆执行的动作，将下一时刻t+T到达的位置作为执行的动作，即在t时刻执行的动作使车辆在t+T到达位置X(t+T)和Y(t+T)；
设定LSTM神经网络的输入数据为X，则：
X＝{x1,x2,x3,...,x7,X(t),Y(t))
其中，{x1,x2,x3,...,x7}＝{vn(t),vn-1(t),vn-2(t),vn+2(t),hn-1,hn-2,hn+2}
vn(t)表示换道车辆速度；vn-1(t)表示换道车辆前车速度；vn-2(t)表示换道车辆目标车道前车速度；vn+2(t)表示换道车辆目标车道后车速度；hn-1表示换道车辆与目标车道前车之间的车头时距；hn-2表示换道车辆与目标车道后车之间的车头时距；X(t)表示t时刻执行结束终点的纵向距离，Y(t)表示t时刻执行结束终点的横向距离；
设定LSTM神经网络的输出数据为Y，则：
Y＝{X(t+T),Y(t+T)}
式中，X(t+T)表示t时刻纵向的执行动作，即t+T时刻与换道执行结束时刻之间的纵向距离；Y(t+T)表示t时刻横向的执行动作，即t+T时刻与换道执行结束时刻之间的横向距离；
步骤3-2、确定LSTM神经网络的结构，所述LSTM神经网络包括输入层、2个隐藏层、输出层，输入样本数据共包括9个输入变量，设置输入层神经元的数量为9；输出样本数据包括当前时刻执行的横向和纵向的位置移动，输出层包含2个神经元，设置两个隐藏层，2个隐藏层神经元数量分别为7和3；
步骤3-4、根据步骤1获取的换道车辆的车辆运行参数，提取观测序列x(t),v(t),s(t)组成训练集，用训练集对LSTM神经网络进行训练。
5.根据权利要求1所述的基于深度神经网络的车辆换道轨迹实时预测方法，其特征在于，所述车辆运行参数包括车辆ID、速度、加速度、位置坐标、车头时距。
CN201911195156.9A 2019-11-28 2019-11-28 基于深度神经网络的车辆换道轨迹实时预测方法 Active CN112863245B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911195156.9A CN112863245B (zh) 2019-11-28 2019-11-28 基于深度神经网络的车辆换道轨迹实时预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911195156.9A CN112863245B (zh) 2019-11-28 2019-11-28 基于深度神经网络的车辆换道轨迹实时预测方法

Publications (2)

Publication Number Publication Date
CN112863245A true CN112863245A (zh) 2021-05-28
CN112863245B CN112863245B (zh) 2022-07-05

Family

ID=75995951

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911195156.9A Active CN112863245B (zh) 2019-11-28 2019-11-28 基于深度神经网络的车辆换道轨迹实时预测方法

Country Status (1)

Country Link
CN (1) CN112863245B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113428141A (zh) * 2021-07-15 2021-09-24 东风汽车集团股份有限公司 一种前车紧急切入及时响应的智能检测方法及系统
CN113627239A (zh) * 2021-06-28 2021-11-09 上海交通大学 一种结合驾驶员换道意图的远程驾驶车辆轨迹预测方法
CN113723815A (zh) * 2021-08-31 2021-11-30 东南大学 一种换道轨迹的分段评价方法
CN115083156A (zh) * 2022-06-14 2022-09-20 北京航空航天大学 一种基于Newell跟驰模型的车辆轨迹预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102795225A (zh) * 2012-09-10 2012-11-28 北京理工大学 利用驾驶员侧纵向控制模型检测驾驶员干扰状态的方法
CN108313054A (zh) * 2018-01-05 2018-07-24 北京智行者科技有限公司 自动驾驶自主换道决策方法和装置及自动驾驶车辆
CN108944930A (zh) * 2018-07-05 2018-12-07 合肥工业大学 一种基于lstm的模拟驾驶员特性的自动跟车方法及系统
WO2019056498A1 (zh) * 2017-09-19 2019-03-28 平安科技（深圳）有限公司 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质
CN110304045A (zh) * 2019-06-25 2019-10-08 中国科学院自动化研究所 智能驾驶横向换道决策方法、系统和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102795225A (zh) * 2012-09-10 2012-11-28 北京理工大学 利用驾驶员侧纵向控制模型检测驾驶员干扰状态的方法
WO2019056498A1 (zh) * 2017-09-19 2019-03-28 平安科技（深圳）有限公司 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质
CN108313054A (zh) * 2018-01-05 2018-07-24 北京智行者科技有限公司 自动驾驶自主换道决策方法和装置及自动驾驶车辆
CN108944930A (zh) * 2018-07-05 2018-12-07 合肥工业大学 一种基于lstm的模拟驾驶员特性的自动跟车方法及系统
CN110304045A (zh) * 2019-06-25 2019-10-08 中国科学院自动化研究所 智能驾驶横向换道决策方法、系统和装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627239A (zh) * 2021-06-28 2021-11-09 上海交通大学 一种结合驾驶员换道意图的远程驾驶车辆轨迹预测方法
CN113428141A (zh) * 2021-07-15 2021-09-24 东风汽车集团股份有限公司 一种前车紧急切入及时响应的智能检测方法及系统
CN113723815A (zh) * 2021-08-31 2021-11-30 东南大学 一种换道轨迹的分段评价方法
CN113723815B (zh) * 2021-08-31 2024-05-24 东南大学 一种换道轨迹的分段评价方法
CN115083156A (zh) * 2022-06-14 2022-09-20 北京航空航天大学 一种基于Newell跟驰模型的车辆轨迹预测方法
CN115083156B (zh) * 2022-06-14 2022-12-27 北京航空航天大学 一种基于Newell跟驰模型的车辆轨迹预测方法

Also Published As

Publication number Publication date
CN112863245B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN112863245B (zh) 基于深度神经网络的车辆换道轨迹实时预测方法
CN107492251B (zh) 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法
CN113486822B (zh) 一种基于驾驶意图的周围车辆轨迹预测方法及系统
Berndt et al. Continuous driver intention recognition with hidden markov models
CN109800658B (zh) 基于神经网络的泊车位类型在线识别与定位系统及方法
Tang et al. Driver lane change intention recognition of intelligent vehicle based on long short-term memory network
Hou et al. Driver intention recognition method using continuous hidden Markov model
CN105620480B (zh) 智能车辆自主性换道时机决策方法
CN111079590A (zh) 一种无人驾驶车辆的周边车辆行为预判方法
CN110077398B (zh) 一种用于智能驾驶的危险处理方法
CN112793576B (zh) 一种基于规则与机器学习融合的换道决策方法及系统
CN114446049B (zh) 基于社会价值取向的交通流预测方法、系统、终端及介质
CN108877213A (zh) 交通事故的识别方法及系统
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
CN112053589A (zh) 一种目标车辆换道行为自适应识别模型构建方法
CN112258841A (zh) 一种基于它车辆轨迹预测的智能车辆风险评估方法
CN111845787A (zh) 一种基于lstm的换道意图预测方法
CN112990563B (zh) 一种高速公路追尾事故风险实时预测方法
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
Miani et al. Young drivers’ pedestrian anti-collision braking operation data modelling for ADAS development
CN116946183A (zh) 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备
Sun et al. Vision-based traffic conflict detection using trajectory learning and prediction
CN116997890A (zh) 生成未知不安全场景、改进自动交通工具、计算机系统
Ma et al. Lane change analysis and prediction using mean impact value method and logistic regression model
CN113723529B (zh) 一种基于速度预测算法的交通信息可信辨识方法

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
CB03 Change of inventor or designer information

Inventor after: Guo Tangyi

Inventor after: Guo Yujie

Inventor after: Wu Jun

Inventor after: Ding Junjie

Inventor after: Zhou Yuting

Inventor after: Zhu Yongxuan

Inventor after: Li Zhiyi

Inventor before: Guo Yujie

Inventor before: Guo Tangyi

Inventor before: Wu Jun

Inventor before: Ding Junjie

Inventor before: Zhou Yuting

Inventor before: Zhu Yongxuan

Inventor before: Li Zhiyi

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant