CN113401143A - 一种基于驾驶风格和意图的个性化自适应轨迹预测方法 - Google Patents

Abstract

本发明公开了一种基于驾驶风格和意图的个性化自适应轨迹预测方法，包括以下步骤：S1、进行驾驶风格分类；S2、进行驾驶意图识别：在三个维度上划分为9种驾驶意图，分别是减速左变道、匀速左变道、加速左变道、减速直行、匀速直行、加速直行、减速右变道、匀速右变道和加速右变道；S3、缺失数据填补：采用LSTM网络来对缺失数据进行估测；S4、轨迹预测：采用LSTM来进行轨迹预测。本发明通过判定驾驶风格与识别驾驶意图来考虑不同驾驶人的个性化驾驶行为，通过缺失数据预估与预测的方法来实现不完备数据情况下的预测精准度保障，从而实现个性化自适应的轨迹预测，提高轨迹预测的精准度，提高自动驾驶车辆的安全性。

Description

一种基于驾驶风格和意图的个性化自适应轨迹预测方法

技术领域

本发明属于智能交通技术领域，特别涉及一种基于驾驶风格和意图的个性化自适应轨迹预测方法。

背景技术

近年来，全球定位技术快速发展并在智能交通系统中得到了广泛的应用。同时，高级驾驶辅助系统中对周围车辆未来轨迹的预测是当前研究的重点方向之一。因为在实际道路行驶中，自动驾驶汽车不可避免地会与其他交通参与者进行频繁的交互，因此自动驾驶车辆的行车策略规划与周围车辆的驾驶行为有着密切的关系。为了保证在动态变化的交通环境中安全地驾驶，自动驾驶车辆需要具备预测未来交通状况演变的能力，尤其是对周围车辆未来的轨迹预测。配备全球定位系统(Global Positioning System，GPS)的车辆可以实时定位自身的位置，同时能够通过传感器感知周围车辆，并通过车联网技术进行通信并交换车辆行驶数据。同时，由于数据量和计算机算力的不断增长，使得以数据为驱动的轨迹预测算法变为可能。由此，自动驾驶车辆可以根据感知和通信得到的数据来对周围车辆未来一段时间内的行驶轨迹进行预测。

在当前的研究与应用中，轨迹预测技术还面临着以下的挑战：

首先，由于驾驶经验、年龄、性格等特征的不同，驾驶员的驾驶风格会不同，不同的驾驶风格则会表现出不同的驾驶行为。例如，突进型的驾驶员可能会频繁超车，于是车辆轨迹较为弯曲，同时容易产生快加速又急减速等车速变化较大的驾驶行为；稳定型的驾驶员的行驶轨迹相对平缓，车速会相对均匀一些。若是以单一的轨迹预测模型对所有的行驶车辆进行轨迹预测，难免会导致精准度不高的问题。

其次，道路地理特征、交通规则与交通信号会约束驾驶员的驾驶意图，例如，保持直行、左转、右转、左换道和右换道。驾驶意图表征了驾驶员随后的驾驶趋势，这样的驾驶趋势对于未来行驶轨迹预测有着重要的作用。

最后，在基于5G(5th Generation Mobile Communication Technology，5G)的车与车(Vehicle to Vehicle，V2V)通信技术下密集的车辆通信网络中，由于城市障碍物遮挡、极端天气、频率复用等因素的影响，会使得自动驾驶车辆可能在指定时间内无法及时的获取或感知到周围车辆所有的行驶数据。因此，对于不完备数据下的轨迹预测精准度需要额外的措施来保障。

因此，针对当前车辆轨迹预测的问题，设计一种基于驾驶风格和意图的个性化自适应轨迹预测方法，一方面通过驾驶风格、驾驶意图来个性化预测周围车辆在未来一段时间内的行驶轨迹，另一方面实现对缺失数据进行估测和填补，以提高轨迹预测的精准度，从而提高自动驾驶车辆自身的安全性，具有重要意义。

发明内容

本发明的目的在于克服现有技术的不足，提供一种通过判定驾驶风格与识别驾驶意图来考虑不同驾驶人的个性化驾驶行为，通过缺失数据预估与预测的方法来实现不完备数据情况下的预测精准度保障，从而实现个性化自适应的轨迹预测，提高轨迹预测的精准度的基于驾驶风格和意图的个性化自适应轨迹预测方法。

本发明的目的是通过以下技术方案来实现的：一种基于驾驶风格和意图的个性化自适应轨迹预测方法，包括以下步骤：

S1、进行驾驶风格分类；

S2、进行驾驶意图识别：基于纵向速度变化、横向变道方向和变道动作，在三个维度上划分为9种驾驶意图，分别是减速左变道、匀速左变道、加速左变道、减速直行、匀速直行、加速直行、减速右变道、匀速右变道和加速右变道；

S3、缺失数据填补：采用LSTM网络来对缺失数据进行估测；

S4、轨迹预测：采用LSTM网络进行轨迹预测。

进一步地，所述步骤S1包括以下步骤：

S11、选取驾驶风格评估的特征参数：将车辆在时间窗口中的平均行进系数

和平均制动系数

作为特征参数，用于驾驶风格的分类；

S12、确定驾驶风格分类数：利用K-means算法对训练样本x进行聚类分析，将训练样本分为K个簇，即为K种驾驶风格，x为二维向量

选择轮廓系数S作为评估指标：

其中，a为样本与其自身所在的簇中的其他样本的相似度，等于样本与同一簇中所有其样本之间的平均距离；b为样本与其他簇中样本的相似度，等于样本与最近的簇中的所有点之间的平均距离；分别计算不同K值下的轮廓系数，最终选取使轮廓系数S达到最大值对应的值作为驾驶风格的分类数；

S13、为数据集标定驾驶风格标签：根据最佳K值对训练样本进行聚类分析，利用聚类的结果，对训练样本中的车辆进行驾驶风格的标定；

S14、训练并获得驾驶风格分类模型：用带有驾驶风格标签的训练样本去训练SVM分类器，获得驾驶风格分类模型。

进一步地，所述步骤S2具体实现方法为：

S21、标定数据集的驾驶意图：遍历收集的数据集，寻找车道发生变化的车辆，并记录车道发生变化的时间戳；根据车辆横向速度和车道偏移量变化情况来确定车道发生变化的车辆的意图切换的起始点和终点之间的阶段：并在数据集中标定这些驾驶意图数据；

S22、选取驾驶意图识别的特征参数：选择车辆的横向速度变化率、纵向速度变化率和车道横向偏移量来作为驾驶意图识别的特征参数；

S23、将车辆的横向速度变化率、纵向速度变化率和车道横向偏移量作为输入数据，训练随机森林最终获得驾驶意图识别模型。

进一步地，所述步骤S4具体实现方法为：LSTM网络的输入为驾驶风格、驾驶意图和周围车辆上一个轨迹预测周期T内的位置信息的时间序列表；在LSTM层与全连接层之间，引入注意力机制，将LSTM层的所有时刻隐藏层输出输入到Attention层中，通过对其分配不同的权重，加权求和得到新的输出向量，然后再通过全连接层转换输出形状；LSTM最终会输出预测周围车辆下一个轨迹预测周期的位置信息时间序列表，如果下一个轨迹预测周期内没有及时收到周围车辆的行驶数据，则这一个轨迹预测周期的位置信息时间序列会按照时间点对应填补，驾驶风格和驾驶意图则采用上个轨迹预测周期的数据值；

采用约束最优化方法来确定轨迹预测周期T：

首先，目标函数是为了追求更大的预测精准度和更少的算力需求，用

表示车辆v_i对关注集V_i任一车辆v_j算力需求量，

表示v_i在周期T内对周围车辆关注集的计算总需求量，M为车辆自身的算力极限；

则表示轨迹预测周期T内的计算资源使用占比，A为轨迹预测的精准度；同时，使用α和β作为权重来控制对算力需求量和预测精准度的关注程度，其中α∈[0，1]，β∈[0，1]，α+β＝1；

在约束条件中，Q为预测精准度的最低限度，轨迹预测精准度需要大于等于Q，同时在周期时间T内v_i对周围车辆关注集的计算总需求量需要小于车辆的自身算力极限M；

最终的目标函数为计算资源使用占比乘以计算资源权重α与轨迹预测精准度乘以精准度权重β的比值，最终在可行域中沿某方向作一维搜索，寻求最优解T：

s.t.A≥Q，A∈[0，1]，Q∈[0，1]

本发明的有益效果是：本发明的方法，一方面通过判定驾驶风格与识别驾驶意图来考虑不同驾驶人的个性化驾驶行为，另一方面，通过缺失数据预估与预测的方法来实现不完备数据情况下的预测精准度保障，且能高效地辅助自动驾驶车辆行进，因而也扩展了本发明的应用领域。

本发明针对在车联网背景下的自动驾驶车辆对其周围联网车辆未来行驶轨迹进行预测时，忽略了驾驶人个性化驾驶行为和通信数据由于频率复用干扰而不完备的问题，设计了一种基于驾驶风格和意图的个性化自适应轨迹预测方法。能够在行驶过程中，通过和周围车辆与路边单元的通信，将获取的数据信息进行分析与处理，一方面通过判定驾驶风格与识别驾驶意图来考虑不同驾驶人的个性化驾驶行为；另一方面，通过缺失数据预估与预测的方法来实现不完备数据情况下的预测精准度保障，从而实现个性化自适应的轨迹预测，提高轨迹预测的精准度，提高自动驾驶车辆的安全性。

附图说明

图1为城市车联网交通网络架构示意图；

图2为本发明的个性化自适应轨迹预测方法的流程图；

图3为本发明的驾驶风格滑动评估分类示意图；

图4为本发明的驾驶意图切换方式示意图；

图5为本发明的基于驾驶风格和意图的个性化自适应轨迹预测框图；

图6为本发明的注意力机制与LSTM的结合结构图。

具体实施方式

如图1所示，在未来城市智能交通系统中，搭载5G车对外界(Vehicle toEverything，V2X)技术的路侧单元(Road Side Unit，RSU)与车载单元(On Board Unit，OBU)共同构建车路网协同体系，通过5G-V2X通信协议实现V2V、车与路(Vehicle to RSU，V2R)之间的直连通信。同时RSU还可以通过核心网络(Core Network，CN)向远处服务器发送查询请求(RSU to CN，R2C)。结合路测感知和车载感知，多种传感器共同完成收集车辆、道路、环境等交通信息，使得车辆和基础设施之间智能协同与配合，在应对恶劣天气、同频干扰等情况的同时，还能够实现车路协同的安全可靠的自动驾驶。

假定系统中车辆总数为N，某个自动驾驶车辆

可由其车牌号唯一标识，其车牌号可由摄像头识别等模式为系统获知、并告知其周围车辆。为表示方便，本发明即使用v_i等价于其车牌号作为该车的唯一标识。v_i可以通过车载的传感器感知周边车辆，并且选取关注的周围车辆，构成v_i的关注集V_i＝{v_j|j∈{1，…，N}，j≠i}。关注集的选取可根据实际应用环境选择合理的设定方式，如以通信半径为依据，在通信范围内的车辆即属于其关注集。v_i要与其关注集中的任一车辆v_j之间达成通信规约，通过V2V的通信方式，周期性交换其行驶数据。

本发明利用城市智能交通系统针对行驶车辆所收集的各种驾驶数据，并将其作为实验数据集。使用主成分分析法分析后选择数据集中的速度、加速度、跟车时距等驾驶指标作为特征参数，利用K-means聚类方法将数据集中的驾驶人聚类为K种风格，分别表示为g₀，…，g_K。如在某应用场景中，聚类结果K＝3，且g₁＝冒进型，g₀＝g₂＝平稳型，g₃＝保守型，其中g₀为默认驾驶风格。根据聚类的结果为数据集中的车辆贴上驾驶风格的标签。接着，使用带标签的数据集训练支持向量机(Support Vector Machine，SVM)，由此得出驾驶风格的分类模型。驾驶意图p_m表示驾驶人驾驶需求的驾驶意图，结合实际城市交通情况，并基于速度变化、变道方向和变道动作，将驾驶意图分为9类，分别是p₀＝减速左变道、p₁＝匀速左变道、p₂＝加速左变道、p₃＝减速直行、p₄＝匀速直行、p₅＝加速直行、p₆＝减速右变道、p₇＝匀速右变道和p₈＝加速右变道，根据车辆的横向速度和车道偏移量变化标定车辆的驾驶意图，再采用随机森林算法对带有驾驶意图的数据集进行学习，最终获得驾驶意图识别模型。

最后，使用长短期记忆网络(Long Short-Term Memory，LSTM)网络来对周围车辆未来行驶轨迹预测，其中预测结果可作为缺失数据的填补候选，结合注意力机制，将更多的注意力即权重放在真实的获取值上，更少的注意力放在用于填补的预测值上，可以保证下一轨迹预测周期输入数据的完整性，同时完成对周围车辆的轨迹预测。下面结合附图进一步说明本发明的技术方案。

如图2所示，本发明的一种基于驾驶风格和意图的个性化自适应轨迹预测方法，包括以下步骤：

S1、进行驾驶风格分类；

对驾驶风格的探索与判定，在前期主要集中于基于问卷调查的研究方法。随着汽车智能化的发展，研究人员提出了基于实车实验数据的客观度量法。实际上，对于驾驶风格的分类并没有准确的标准，许多学者通过客观车辆参数构建驾驶风格分类机制，从而实现更加客观、严谨地判定驾驶人的驾驶风格。驾驶风格对驾驶安全性和稳定性有很大的影响，在本方法中用驾驶风格来评估一个驾驶员的驾驶激进度，即反映驾驶员在速度上的冲击度，在智能交通和车辆中发挥着重要作用。从行驶数据中提取驾驶行为特征来客观地描述驾驶激进度，不同驾驶激进度的驾驶人在速度和加速度上有较大的差别，因此速度和加速度是表征驾驶风格的特征指标。由于采集到的行驶参数特征量是一系列连续的时间序列数据，因此需要将这些数据转化成多个特征变量。许多研究是根据它们的标准偏差、平均值、最大值等的统计值来离散化它们的，在本方法中定义行进系数

和制动系数

行进系数中a为大于0的任意常数，制动系数中a为小于0的任意常数，v为车辆速度。最终采用平均行进系数和平均制动系数作为驾驶风格分类的特征变量。

驾驶风格并不是瞬时的运动特性，而是一段时间内累积体现，因此采用时间窗口来对驾驶风格进行分类。首先，当自动驾驶车辆v_i的关注集V_i中的某关注车辆v_j第一次出现在该区域的时候，v_j的驾驶风格为默认g₀。随后在累计时间窗口W中进行驾驶风格的评估与分类，并且随着时间的推移时间窗口会移动观测评估，以应对由于天气、交通状况、驾驶人切换等原因所导致的驾驶风格改变。具体驾驶风格滑动评估分类示意图如图3所示。

K-means算法是常用的一种聚类算法，该算法采用距离来衡量样本之间的相似性，能将样本集划分成K个簇，簇C_i的均值向量

其中x为二维向量

为该簇的质心。K-means算法的目的就是寻找到K个质心来最小化平方误差。

平方误差E越小表示簇内样本的相似度越高。

本发明中驾驶风格分类具体包括以下步骤：

S11、选取驾驶风格评估的特征参数：将车辆在时间窗口中的平均行进系数

和平均制动系数

作为特征参数，用于驾驶风格的分类；

S12、确定驾驶风格分类数：利用K-means算法对训练样本x进行聚类分析，将训练样本分为K个簇，即为K种驾驶风格，x为二维向量

K-Means算法是无监督的聚类算法，是一种常见的聚类方法。在聚类过程中将簇C_i的均值向量μ_i作为该簇的质心：

其中x为二维向量

进行聚类；

选择轮廓系数S(Silhouette Score)作为评估指标：

其中，a为样本与其自身所在的簇中的其他样本的相似度，等于样本与同一簇中所有其样本之间的平均距离；b为样本与其他簇中样本的相似度，等于样本与最近的簇中的所有点之间的平均距离；分别计算不同K值下的轮廓系数，最终选取使轮廓系数S达到最大值对应的值作为驾驶风格的分类数；例如，取K从1到10分别进行聚类，然后分别计算轮廓系数，最终选取使轮廓系数达到最大值时对应的K值作为驾驶风格的分类数，因为随着K的增加轮廓系数会先增再减，若K＝10轮廓系数还未减少可再次线性增加K直至找到使轮廓系数达到K值；

S13、为数据集标定驾驶风格标签：根据最佳K值对训练样本进行聚类分析，利用聚类的结果，对训练样本中的车辆进行驾驶风格的标定；

S14、训练并获得驾驶风格分类模型：用带有驾驶风格标签的训练样本去训练SVM分类器，获得驾驶风格分类模型。

S2、进行驾驶意图识别：识别驾驶人的变道意图，可以为未来的行驶轨迹预测提供重要的行驶趋势信息。通常，车道变更意图识别方法可以分为两种：基于预测的驾驶员行为数据和基于车辆轨迹数据的预测。在驾驶员层面，我们主要通过安装在驾驶员前方的摄像头测试驾驶员的面部表情信息和身体动作，然后在换道过程之前分析驾驶员的特征，这适合于预测自我车辆的意图。实际上，变道过程是具有时间特征的连续过程，这意味着车辆的行驶状态具有连续性的特征。因此，在本发明中我们可以分析周围车辆的行驶轨迹数据以预测车道变更意图。

车辆变道是指车辆从当前车道行驶到相邻车道时不发生碰撞，其中会导致所在横向位置偏移量和横向速度变化率发生变化。基于纵向速度变化、横向变道方向和变道动作，在三个维度上划分为9种驾驶意图，分别是减速左变道、匀速左变道、加速左变道、减速直行、匀速直行、加速直行、减速右变道、匀速右变道和加速右变道，具体驾驶风格切换方式示意图如图4所示；为了建立变道训练数据集和测试数据集，我们需要选择具有变道行为的车辆并确定其相应的变道起点和终点。

随机森林算法是一种基于传统决策树的统计学习理论，其基本思路为：(1)利用重采样抽样法从初始样本集中选取k组数据，每组数据的容量都与初始样本集相同；(2)分别对k组数据建立k个决策树模型，并计算相应的分类结果；(3)根据k个分类结果来投票决定其最终分类。由于在对车辆变道意图划分时是基于速度变化、变道方向和变道动作这三个维度，因此采用随机森林算法来识别车辆变道意图有更高准确度的分类效果。随机森林是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树。每颗决策树会随机抽样得到数据集进行训练，由于每棵树针对的特征不同，则可以从多个维度上对问题进行分类。在决策树中从根节点开始不断地构造整棵树，最开始构建根节点，将所有训练数据都放在根节点，选择一个最优特征，按着这一特征将训练集分割成子集，当子集已经能被正确分类时，则构建叶子节点。其中特征分割子集过程中是按照信息增益的准则，在划分柱聚集之前之后信息发生的变化称为信息增益，即父节点的信息熵减去所有子节点的信息熵。熵定义为信息的期望值，信息熵的表达式为

其中p(i|t)表示了节点t分类为i的概率。因此信息增益表示为

其中D是父节点，D_i是子节点，Gain(D，a)中的a作为D节点的属性选择。

在本发明中，驾驶意图识别具体实现方法为：

S21、标定数据集的驾驶意图：遍历收集的数据集，寻找车道发生变化的车辆，并记录车道发生变化的时间戳；根据车辆横向速度和车道偏移量变化情况来确定车道发生变化的车辆的意图切换的起始点和终点之间的阶段：并在数据集中标定这些驾驶意图数据；

S22、选取驾驶意图识别的特征参数：车辆的横向速度变化率、纵向速度变化率和车道横向偏移量分别表示了纵向速度变化、横向变道动作和变道方向，能够直观地表示出驾驶人员驾驶意图动态变化的过程。因此选择车辆的横向速度变化率、纵向速度变化率和车道横向偏移量来作为驾驶意图识别的特征参数；

S23、将车辆的横向速度变化率、纵向速度变化率和车道横向偏移量作为输入数据，训练随机森林最终获得驾驶意图识别模型。

S3、缺失数据填补：采用LSTM网络来对缺失数据进行估测；由于城市障碍物遮挡、极端天气、频率复用等因素的影响，自动驾驶车辆不能及时通过自身感知和无线通信得到周围车辆的完整数据。因此，需要采取措施来实现不完备数据下的轨迹预测精准度的保障。

对于数据缺失方式主要包括：单变量缺失和多变量缺失。而在本专利的场景中，由于一个数据包中包含某车辆在该时刻的所有行驶数据，因此当发生数据丢失时，该时刻的行驶参数数据会全部丢失，并且丢失具有随机性。在实际应用中，对于缺失数据的填补方式，一种是分析缺失数据邻域数据的统计特征，然后采用这种特征的数据进行填补。使用均值、众数和聚类进行填补的算法都是采用了这种缺失数据填补的思想。另一种缺失数据的填补方式是分析数据的整体变化特征，例如使用LSTM网络来对缺失数据进行填补，使用这种填补方案的数据大多具有时序特征。由于本方法中的缺失数据均为车辆的行驶数据，因此具有很强的时序特征，因此采用LSTM网络来对缺失数据进行估测。

负责轨迹预测的LSTM网络会在本次轨迹预测周期内对行驶车辆下一个轨迹预测周期的行驶位置数据进行预测。当下一个轨迹预测周期的行驶位置数据缺失的时候，则可用该预测结果对缺失数据进行填补。但是预测数据始终存在误差，因此，在轨迹预测的LSTM中结合注意力机制，将更多的权重放在真实值上，更少的权重放在填补的预测值上，则可以实现轨迹预测模型输入数据的完整性。同时，假设驾驶风格和驾驶意图在短时间(一个轨迹预测周期)内不会改变，因此如果由于数据缺失而不足以用来判断驾驶风格和驾驶意图的时候，就采用上个轨迹预测周期的驾驶风格和驾驶意图。

S4、轨迹预测：轨迹预测技术基于以上驾驶风格分类、驾驶意图识别和缺失数据填补。具体的结构框图如图5所示。

LSTM是一种循环神经网络(Recurent Neural Network，RNN)的变体。为了解决RNN梯度消失的问题，RNN的隐藏层单元被包含3个门(输入门、遗忘门和输出门)的LSTM存储单元取代，这些块通过增加输入门限、遗忘门限和输出门限，使得自循环的权重变化，在模型参数固定的情况下，不同时刻的积分尺度可以动态改变。由于其隐含层加入反馈结构，即本时刻的输出不仅与本时刻的输入有关，还与上一时刻的输出有关，相当于在时间序列上展开的深度神经网络，使其比较适合处理时间序列数据。因此，本发明采用LSTM网络对轨迹时间序列进行预测。

在本发明中，LSTM网络的输入为驾驶风格、驾驶意图和周围车辆上一个轨迹预测周期内的位置信息的时间序列表。为了使真实值所占的权重更大，而预测值所占的权重更小，在LSTM的基础上引入了注意力机制，具体的结合结构如图6所示。在传统的LSTM4网络中，通常只将最后一个时刻的隐藏层输出传递给全连接层，由于数据缺失的情况会导致输入数据的准确度的不稳定性，这种方法会导致输出传递给全连接层的信息不精准。改进算法在LSTM层与全连接层之间，通过引入注意力机制，充分使用每个时刻输出信息。将LSTM层的所有时刻隐藏层输出输入到Attention层中，通过对其分配不同的权重，加权求和得到新的输出向量，然后再通过全连接层(Dense)转换输出形状，从而提高模型的预测性能。LSTM最终会输出预测周围车辆下一个轨迹预测周期的位置信息时间序列表。如果下一个轨迹预测周期内没有及时收到周围车辆的行驶数据，则这一个轨迹预测周期的位置信息时间序列会按照时间点对应填补，驾驶风格和驾驶意图则采用上个轨迹预测周期的数据值，由此实现数据的完备性。

轨迹预测的周期长度会影响预测精准度和算力需求量，例如：轨迹预测周期越短，预测精准度更高，但是计算频繁，需要的算力更多。因此需要确定一个合理的轨迹预测周期来平衡轨迹预测精准度和算力需求量。

本发明采用约束最优化方法来确定轨迹预测周期T：

首先，目标函数是为了追求更大的预测精准度和更少的算力需求，用

表示车辆v_i对关注集V_i任一车辆v_j算力需求量，

表示v_i在周期T内对周围车辆关注集的计算总需求量，M为车辆自身的算力极限；

则表示周期T内的计算资源使用占比，A为轨迹预测的精准度；同时，使用α和β作为权重来控制对算力需求量和预测精准度的关注程度，其中α∈[0，1]，β∈[0，1]，α+β＝1；

在约束条件中，Q为预测精准度的最低限度，在实际应用中可以根据需求确定，因此轨迹预测精准度需要大于等于Q，同时在周期时间T内v_i对周围车辆关注集的计算总需求量需要小于车辆的自身算力极限M；

最终的目标函数为计算资源使用占比乘以计算资源权重α与轨迹预测精准度乘以精准度权重β的比值，最终在可行域中沿某方向作一维搜索，寻求最优解T：

s.t.A≥Q，A∈[0，1]，Q∈[0，1]

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (4)

1.一种基于驾驶风格和意图的个性化自适应轨迹预测方法，其特征在于，包括以下步骤：

S1、进行驾驶风格分类；

S2、进行驾驶意图识别：基于纵向速度变化、横向变道方向和变道动作，在三个维度上划分为9种驾驶意图，分别是减速左变道、匀速左变道、加速左变道、减速直行、匀速直行、加速直行、减速右变道、匀速右变道和加速右变道；

S3、缺失数据填补：采用LSTM网络来对缺失数据进行估测；

S4、轨迹预测：采用LSTM网络进行轨迹预测。

2.根据权利要求1所述的一种基于驾驶风格和意图的个性化自适应轨迹预测方法，其特征在于，所述步骤S1包括以下步骤：

S11、选取驾驶风格评估的特征参数：将车辆在时间窗口中的平均行进系数

和平均制动系数

作为特征参数，用于驾驶风格的分类；

S12、确定驾驶风格分类数：利用K-means算法对训练样本x进行聚类分析，将训练样本分为K个簇，即为K种驾驶风格，x为二维向量

选择轮廓系数S作为评估指标：

其中，a为样本与其自身所在的簇中的其他样本的相似度，等于样本与同一簇中所有其样本之间的平均距离；b为样本与其他簇中样本的相似度，等于样本与最近的簇中的所有点之间的平均距离；分别计算不同K值下的轮廓系数，最终选取使轮廓系数S达到最大值对应的K值作为驾驶风格的分类数；

S13、为数据集标定驾驶风格标签：根据最佳K值对训练样本进行聚类分析，利用聚类的结果，对训练样本中的车辆进行驾驶风格的标定；

S14、训练并获得驾驶风格分类模型：用带有驾驶风格标签的训练样本去训练SVM分类器，获得驾驶风格分类模型。

3.根据权利要求1所述的一种基于驾驶风格和意图的个性化自适应轨迹预测方法，其特征在于，所述步骤S2具体实现方法为：

S21、标定数据集的驾驶意图：遍历收集的数据集，寻找车道发生变化的车辆，并记录车道发生变化的时间戳；根据车辆横向速度和车道偏移量变化情况来确定车道发生变化的车辆的意图切换的起始点和终点之间的阶段：并在数据集中标定这些驾驶意图数据；

S22、选取驾驶意图识别的特征参数：选择车辆的横向速度变化率、纵向速度变化率和车道横向偏移量来作为驾驶意图识别的特征参数；

S23、将车辆的横向速度变化率、纵向速度变化率和车道横向偏移量作为输入数据，训练随机森林最终获得驾驶意图识别模型。

4.根据权利要求1所述的一种基于驾驶风格和意图的个性化自适应轨迹预测方法，其特征在于，所述步骤S4具体实现方法为：LSTM网络的输入为驾驶风格、驾驶意图和周围车辆上一个轨迹预测周期T内的位置信息的时间序列表；在LSTM层与全连接层之间，引入注意力机制，将LSTM层的所有时刻隐藏层输出输入到Attention层中，通过对其分配不同的权重，加权求和得到新的输出向量，然后再通过全连接层转换输出形状；LSTM最终会输出预测周围车辆下一个轨迹预测周期的位置信息时间序列表，如果下一个轨迹预测周期内没有及时收到周围车辆的行驶数据，则这一个轨迹预测周期的位置信息时间序列会按照时间点对应填补，驾驶风格和驾驶意图则采用上个轨迹预测周期的数据值；

采用约束最优化方法来确定轨迹预测周期T：用

表示车辆v_i对关注集V_i任一车辆v_j算力需求量，

表示v_i在周期T内对周围车辆关注集的计算总需求量，M为车辆自身的算力极限；

则表示轨迹预测周期T内的计算资源使用占比，A为轨迹预测的精准度；同时，使用α和β作为权重来控制对算力需求量和预测精准度的关注程度，其中α∈[0，1]，β∈[0，1]，α+β＝1；

在约束条件中，Q为预测精准度的最低限度，轨迹预测精准度需要大于等于Q，同时在周期时间T内v_i对周围车辆关注集的计算总需求量需要小于车辆的自身算力极限M；

最终的目标函数为计算资源使用占比乘以计算资源权重α与轨迹预测精准度乘以精准度权重β的比值，最终在可行域中沿某方向作一维搜索，寻求最优解T：

s.t.A≥Q，A∈[0，1]，Q∈[0，1]

Images