CN113460042B - 车辆驾驶行为的识别方法以及识别装置 - Google Patents

车辆驾驶行为的识别方法以及识别装置 Download PDF

Info

Publication number
CN113460042B
CN113460042B CN202010246907.1A CN202010246907A CN113460042B CN 113460042 B CN113460042 B CN 113460042B CN 202010246907 A CN202010246907 A CN 202010246907A CN 113460042 B CN113460042 B CN 113460042B
Authority
CN
China
Prior art keywords
target vehicle
vehicle
target
probability value
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
Application number
CN202010246907.1A
Other languages
English (en)
Other versions
CN113460042A (zh
Inventor
李飞
陈鹏真
李向旭
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies 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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN202010246907.1A priority Critical patent/CN113460042B/zh
Priority to PCT/CN2021/075057 priority patent/WO2021196879A1/zh
Priority to EP21780229.7A priority patent/EP4129789A4/en
Publication of CN113460042A publication Critical patent/CN113460042A/zh
Application granted granted Critical
Publication of CN113460042B publication Critical patent/CN113460042B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/04—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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/801—Lateral distance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/802—Longitudinal distance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/803—Relative lateral speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/804—Relative longitudinal speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及人工智能，提供了一种车辆驾驶行为的识别方法以及识别装置。识别方法包括：获取高精地图信息以及传感器采集的目标车辆的反馈数据；根据反馈数据与高精地图信息获取目标车辆的目标特征；根据目标特征和贝叶斯网络得到目标车辆的概率值，目标车辆的概率值用于表示该目标车辆的行为状态发生的概率，行为状态包括目标车辆的换道切入驾驶行为，换道切入驾驶行为是指目标车辆换道并切入自动驾驶车辆所在车道的驾驶行为；根据目标车辆的概率值识别目标车辆的行为意图，行为意图包括目标车辆换道并切入自动驾驶车辆所在车道的驾驶行为的意图。本申请的技术方案能够使得自动驾驶车辆准确地识别其它车辆的行为意图。

Description

车辆驾驶行为的识别方法以及识别装置
技术领域
本申请涉及自动驾驶领域，特别涉及一种车辆驾驶行为的识别方法以及识别装置。
背景技术
人工智能(artificial intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能领域的研究包括机器人，自然语言处理，计算机视觉，决策与推理，人机交互，推荐与搜索，AI基础理论等。
自动驾驶是人工智能领域的一种主流应用，自动驾驶技术依靠计算机视觉、雷达、监控装置和全球定位系统等协同合作，让机动车辆可以在不需要人工主动操作下，实现自动驾驶。自动驾驶的车辆使用各种计算系统来帮助将乘客从一个位置运输到另一位置。一些自动驾驶车辆可能要求来自操作者(诸如，领航员、驾驶员、或者乘客)的一些初始输入或者连续输入。自动驾驶车辆准许操作者从手动模操作式切换到自东驾驶模式或者介于两者之间的模式。由于自动驾驶技术无需人工来驾驶机动车辆，所以理论上能够有效避免人工的驾驶失误，减少交通事故的发生，且能够提高公路的运输效率。因此，自动驾驶技术越来越受到重视。
目前，对于人工驾驶车辆而言，由于驾驶员具有充足的先验知识以及推理能力，因此可以准确地识别道路上其它车辆的危险驾驶行为；比如，其它车辆的换道并且汇入车辆所在车道的驾驶行为。但是，对于自动驾驶车辆而言，如何准确地识别其它车辆的危险驾驶行为，从而有效地提高自动驾驶车辆的安全性成为一个亟需解决的问题。
发明内容
本申请提供一种车辆驾驶行为的识别方法以及识别装置，能够使自动驾驶车辆能够准确地识别其它车辆的驾驶行为，有效地提高自动驾驶车辆的安全性。
第一方面，提供了一种车辆驾驶行为的识别方法，包括：获取高精地图信息以及传感器采集的目标车辆的反馈数据，其中，所述目标车辆是指与自动驾驶车辆具有碰撞风险的其它车辆；根据所述反馈数据与所述高精地图信息获取所述目标车辆的目标特征，其中，所述目标特征用于表示所述目标车辆的驾驶参数信息以及所述目标车辆位于车道中的位置信息；根据所述目标特征和贝叶斯网络得到所述目标车辆的概率值，其中，所述目标车辆的概率值用于表示所述目标车辆的行为状态发生的概率，所述行为状态包括所述目标车辆的换道切入驾驶行为，所述换道切入驾驶行为是指所述目标车辆换道并切入所述自动驾驶车辆所在车道的驾驶行为；根据所述目标车辆的概率值识别所述目标车辆的行为意图，其中，所述行为意图包括所述目标车辆换道并切入所述自动驾驶车辆所在车道的驾驶行为的意图。
其中，目标车辆可以是指与自动驾驶车辆具有碰撞风险的其它车辆；比如，目标车辆可以是指具备危险驾驶行为的其它车辆，车辆危险驾驶行为包括换道切入驾驶行为，换道切入驾驶行为是指距离自动驾驶车辆一定范围内的其它车辆换道并切入自动驾驶车辆所在车道的行为；或者，其它车辆对自动驾驶车辆进行超车并换道切入自动驾驶车辆所在车道的行为，该驾驶行为又可以称为车辆Cut in行为。
需要说明的是，在本申请的实施例中目标车辆的概率值又可以称为目标车辆的行为状态发生的概率值，即通过该概率值可以表示目标车辆发生某种驾驶行为的概率，其中，目标车辆的行为状态可以包括目标车辆的换道切入驾驶行为，换道切入驾驶行为是指目标车辆换道并切入自动驾驶车辆所在车道的驾驶行为。
应理解，上述根据所述目标车辆的概率值识别所述目标车辆的行为意图可以是指根据所述目标车辆的概率值可以确定所述目标车辆将在当前时刻或者未来时刻具有所述换道切入驾驶行为的行为意图；即识别所述目标车辆的换道切入驾驶行为的行为意图是指在目标车辆将要进行或者正在进行换道切入驾驶行为时，自动驾驶车辆根据目标车辆的行为状态的概率值可以具有类似于驾驶员的先验知识以及推理能力，识别目标车辆的换道切入驾驶行为；从而确保规划的行驶路径不会与目标车辆发生碰撞。
在一种可能的实现方式中，目标车辆的反馈数据可以是指自动驾驶车辆的一个或者多个传感器(例如，借助激光雷达、摄像头、毫米波雷达等传感器设备)采集的目标车辆的相关数据；比如，反馈数据可以包括目标车辆的位置信息、速度信息、朝向角信息等。
基于上述技术方案，可以通过自动驾驶车辆的传感器采集道路中与自动驾驶车辆具有碰撞风险的目标车辆的反馈数据，根据目标车辆的反馈数据以及高精地图信息可以准确地获取目标车辆的目标特征；进而通过目标特征与贝叶斯网络得到目标车辆的概率值，该目标车辆的概率值可以用于表示目标车辆的行为状态发生的概率，该行为状态可以包括换道切入驾驶行为，换道切入驾驶行为是指目标车辆换道并切入自动驾驶车辆所在车道的驾驶行为；通过目标车辆的概率值使得自动驾驶车辆能够准确地识别目标车辆的换道切入驾驶行为的行为意图，从而确保自动驾驶车辆驾驶的安全性。
在一种可能的实现方式中，若存在与自动驾驶车辆具有碰撞风险的多个目标车辆，则可以根据车道约束以及距离约束对多个目标车辆进行优先级划分，对于优先级高的目标车辆可以优先进行行为意图的推理。
在一种可能的实现方式中，可以根据目标车辆的概率值可以预测目标车辆的驾驶行为；比如，当目标车辆的概率值等于1或者接近于1时，说明目标车辆具有换道切入驾驶行为的行为意图；当目标车辆的概率值概率等于0或者接近于0时，说明目标车辆无换道切入驾驶行为的行为意图。在目标车辆具有换道切入驾驶行为的行为意图时，自动驾驶车辆可以为了避免与目标车辆发生碰撞重新规划自动驾驶车辆的行驶路径。
结合第一方面，在第一方面的某些实现方式中，所述目标特征包括车道边界距离信息，所述车道边界距离信息是指所述目标车辆与相邻的所述自动驾驶车辆所在车道边界的横向距离信息，所述根据所述反馈数据与所述高精地图信息获取所述目标车辆的目标特征，包括：
根据所述反馈数据获取所述目标车辆的可见边信息，其中，所述反馈数据包括所述目标车辆的轮廓信息；根据所述高精地图信息获取所述自动驾驶车辆所在车道的横向边界线信息；根据所述可见边信息与所述横向边界线信息得到所述车道边界距离信息。
基于上述技术方案，在根据传感器采集的目标车辆的反馈数据与高精地图信息获取目标车辆的目标特征时，可以将目标车辆看作是非质点；即可以通过获取目标车辆的轮廓信息，通过目标车辆的轮廓信息与高精地图信息从而确定目标车辆的车道边界距离信息；从而能够精确地描述目标车辆与自动驾驶车辆所在车道边界的距离，提高获取目标特征的精度。
在一种可能的实现方式中，目标特征可以包括目标车辆的物理特征、静态交互特征以及动态交互特征。其中，物理特征可以是指感知系统获取的关于目标车辆的驾驶信息，比如，物理特征可以包括目标车辆的朝向角(例如，航向角)以及横向速度。静态交互特征可以是指获取的目标车辆的与道路的相对信息，比如，静态交互特征可以包括车道边界距离；动态交互特征可以是指获取的目标车辆与自动驾驶车辆之间的相对特征，比如，动态交互特征可以包括目标车辆与自动驾驶车辆之间的相对速度以及相对距离。
结合第一方面，在第一方面的某些实现方式中，还包括：根据预警时间对所述目标特征进行离散化处理，得到离散处理后的目标特征，其中，所述预警时间是根据所述自动驾驶车辆的运动状态确定的；所述根据所述目标特征和贝叶斯网络得到所述目标车辆的概率值，包括：根据所述离散处理后的目标特征和贝叶斯网络得到所述目标车辆的概率值。
需要说明的是，上述自动驾驶车辆的运动状态可以通过自动驾驶车辆的速度参数，或者，自动驾驶车辆的加速度来表示的。
在一种可能的实现方式中，自动驾驶车辆的速度越大，或者自动驾驶车辆的加速度越大，则预警时间可以设置的相对较长，从而确保自动驾驶车辆有足够的时间识别其它车辆的行为意图并根据其它车辆的行为意图及时调整规划路径。
应理解，在本申请的实施例中，需要对获取的目标车辆的目标特征输入至贝叶斯网络，从而对目标车辆的行为状态进行预测，得到目标车辆的概率值；而贝叶斯网络中输入的参数量为离散化的参量，因此，需要对获取的目标车辆的目标特征进行离散化处理。
基于上述技术方案，可以采用非固定门限，即可以通过根据自动驾驶车辆的运动状态确定的预警时间对获取的目标车辆的目标特征进行离散化处理，从而得到离散处理后的目标特征，提高目标特征的离散化描述的精度。
结合第一方面，在第一方面的某些实现方式中，通过所述贝叶斯网络得到的任意两个时刻所述目标车辆的概率值是相对独立的。
基于上述技术方案，为了能够满足贝叶斯网络进行在线的目标车辆的行为状态的后验概率计算的实时性，即确保自动驾驶车辆能够及时准确的识别目标车辆的行为状态进而调整规划路径，使得自动驾驶车辆安全的驾驶则可以采用简单的贝叶斯网络，即各个时刻的目标车辆的行为状态的后验概率相对独立计算的贝叶斯网络结构，从而能够有效提高贝叶斯网络的计算效率。
在一种可能的实现方式中，贝叶斯网络可以是指动态贝叶斯网络，即各个时刻的目标车辆的概率值可以是相互关联的。
结合第一方面，在第一方面的某些实现方式中，所述目标车辆的概率值是指融合后的目标车辆的概率值，所述根据所述目标车辆的概率值识别所述目标车辆的行为意图，包括：
将当前时刻的所述目标车辆的概率值与历史时刻的所述目标车辆的概率值进行融合，得到所述融合后的目标车辆的概率值，所述历史时刻包括所述当前时刻之前的任意至少一个时刻；根据所述融合后的目标车辆的概率值，识别所述目标车辆的行为意图。
基于上述技术方案，可以对多个不同时刻的目标车辆的概率值进行融合，抑制噪声等引起的目标车辆的行为状态的随机变化，从而提高自动驾驶车辆识别的稳健性。
在一种可能的实现方式中，历史时刻可以是指当前时刻之前的上一时刻。
在另一种可能的实现方式中，历史时刻也可以是指当前时刻之前的连续的几个时刻，或者，当前时刻之前的所有时刻；比如，当前时刻可以是指第5时刻，则历史时刻可以是指第5时刻之前的几个连续时刻，如第1时刻至第4时刻；或者，第2时刻至第4时刻。
结合第一方面，在第一方面的某些实现方式中，所述将当前时刻的所述目标车辆的概率值与历史时刻的所述目标车辆的概率值进行融合，得到所述融合后的目标车辆的概率值，包括：
通过采用DS证据理论对所述当前时刻的所述目标车辆的概率值与所述历史时刻的所述目标车辆的概率值进行融合，得到所述融合后的目标车辆的概率值。
应理解，上述DS证据理论是指登普斯特/沙弗尔(Dempster/Shafer)证据理论又可以称为信念函数理论或者证据理论。
其中，在DS证据理论中由互不相容的基本命题(假定)组成的完备集合称为识别框架，表示对某一问题的所有可能答案，但其中只有一个答案是正确的；该框架的子集称为命题。分配给各命题的信任程度称为基本概率分配(BPA，也称m函数)，m(A)为基本可信数，反映着对A的信度大小。信任函数BeI(A)表示对命题A的信任程度，似然函数PI(A)表示对命题A非假的信任程度，也即对A似乎可能成立的不确定性度量，实际上，[BeI(A),PI(A)]表示A的不确定区间，[0,BeI(A)]表示命题A支持证据区间，[0,PI(A)]表示命题A的拟信区间，[PI(A),1]表示命题A的拒绝证据区间。假设m1和m2是由两个独立的证据源(传感器)导出的基本概率分配函数，则Dempster组合规则可以计算这两个证据共同作用产生的反映融合信息的新的基本概率分配函数。
结合第一方面，在第一方面的某些实现方式中，所述将当前时刻的所述目标车辆的概率值与历史时刻的所述目标车辆的概率值进行融合，得到所述融合后的目标车辆的概率值，包括：根据预设的时间窗口确定所述历史时刻；将所述当前时刻的所述目标车辆的概率值与所述历史时刻的所述目标车辆的概率值进行融合，得到所述融合后的目标车辆的概率值。
第二方面，提供了一种车辆驾驶行为的识别装置，包括：获取模块，用于获取高精地图信息以及传感器采集的目标车辆的反馈数据，其中，所述目标车辆是指与自动驾驶车辆具有碰撞风险的其它车辆；处理模块，用于根据所述反馈数据与所述高精地图信息获取所述目标车辆的目标特征，其中，所述目标特征用于表示所述目标车辆的驾驶参数信息以及所述目标车辆位于车道中的位置信息；根据所述目标特征和贝叶斯网络得到所述目标车辆的概率值，其中，所述目标车辆的概率值用于表示所述目标车辆的行为状态发生的概率，所述行为状态包括所述目标车辆的换道切入驾驶行为，所述换道切入驾驶行为是指所述目标车辆换道并切入所述自动驾驶车辆所在车道的驾驶行为；根据所述目标车辆的概率值识别所述目标车辆的行为意图，其中，所述行为意图包括所述目标车辆换道并切入所述自动驾驶车辆所在车道的驾驶行为的意图。
其中，目标车辆可以是指与自动驾驶车辆具有碰撞风险的其它车辆；比如，目标车辆可以是指具备危险驾驶行为的其它车辆，车辆危险驾驶行为包括换道切入驾驶行为，换道切入驾驶行为是指距离自动驾驶车辆一定范围内的其它车辆换道并切入自动驾驶车辆所在车道的行为；或者，其它车辆对自动驾驶车辆进行超车并换道切入自动驾驶车辆所在车道的行为该驾驶行为又可以称为车辆Cut in行为。
需要说明的是，在本申请的实施例中目标车辆的概率值又可以称为目标车辆的行为状态发生的概率值，即通过该概率值可以表示目标车辆发生某种驾驶行为的概率，其中，目标车辆的行为状态可以包括目标车辆的换道切入驾驶行为，换道切入驾驶行为是指目标车辆换道并切入自动驾驶车辆所在车道的驾驶行为。
应理解，上述根据所述目标车辆的概率值识别所述目标车辆的行为意图可以是指根据所述目标车辆的概率值可以确定所述目标车辆将在当前时刻或者未来时刻具有所述换道切入驾驶行为的行为意图；即识别所述目标车辆的换道切入驾驶行为的行为意图是指在目标车辆将要进行或者正在进行换道切入驾驶行为时，自动驾驶车辆根据目标车辆的行为状态的概率值可以具有类似于驾驶员的先验知识以及推理能力，识别目标车辆的换道切入驾驶行为；从而确保规划的行驶路径不会与目标车辆发生碰撞。
在一种可能的实现方式中，目标车辆的反馈数据可以是指自动驾驶车辆的一个或者多个传感器(例如，借助激光雷达、摄像头、毫米波雷达等传感器设备)采集的目标车辆的相关数据；比如，反馈数据可以包括目标车辆的位置信息、速度信息、朝向角信息等。
基于上述技术方案，可以通过自动驾驶车辆的传感器采集道路中与自动驾驶车辆具有碰撞风险的目标车辆的反馈数据，根据目标车辆的反馈数据以及高精地图信息可以准确地获取目标车辆的目标特征；进而通过目标特征与贝叶斯网络得到目标车辆的概率值，该行为状态可以包括换道切入驾驶行为，换道切入驾驶行为是指目标车辆换道并切入自动驾驶车辆所在车道的驾驶行为；通过目标车辆的概率值使得自动驾驶车辆能够准确地识别目标车辆的换道切入驾驶行为的行为意图，从而确保自动驾驶车辆驾驶的安全性。
在一种可能的实现方式中，若存在与自动驾驶车辆具有碰撞风险的多个目标车辆，则可以根据车道约束以及距离约束对多个目标车辆进行优先级划分，对于优先级高的目标车辆可以优先进行行为意图的推理。
在一种可能的实现方式中，可以根据目标车辆的概率值可以预测目标车辆的驾驶行为；比如，当目标车辆的概率值等于1或者接近于1时，说明目标车辆具有换道切入驾驶行为的行为意图；当目标车辆的概率值概率等于0或者接近于0时，说明目标车辆无换道切入驾驶行为的行为意图。在目标车辆具有换道切入驾驶行为的行为意图时，自动驾驶车辆可以为了避免与目标车辆发生碰撞重新规划自动驾驶车辆的行驶路径。
结合第二方面，在第二方面的某些实现方式中，所述目标特征包括车道边界距离信息，所述车道边界距离信息是指所述目标车辆与相邻的所述自动驾驶车辆所在车道边界的横向距离信息，所述处理模块具体用于：
根据所述反馈数据获取所述目标车辆的可见边信息，其中，所述反馈数据包括所述目标车辆的轮廓信息；根据所述高精地图信息获取所述自动驾驶车辆所在车道的横向边界线信息；根据所述可见边信息与所述横向边界线信息得到所述车道边界距离信息。
基于上述技术方案，在根据传感器采集的目标车辆的反馈数据与高精地图信息获取目标车辆的目标特征时，可以将目标车辆看作是非质点；即可以通过获取目标车辆的轮廓信息，通过目标车辆的轮廓信息与高精地图信息从而确定目标车辆的车道边界距离信息；从而能够精确地描述目标车辆与自动驾驶车辆所在车道边界的距离，提高获取目标特征的精度。
在一种可能的实现方式中，目标特征可以包括目标车辆的物理特征、静态交互特征以及动态交互特征。其中，物理特征可以是指感知系统获取的关于目标车辆的驾驶信息，比如，物理特征可以包括目标车辆的朝向角(例如，航向角)以及横向速度。静态交互特征可以是指获取的目标车辆的与道路的相对信息，比如，静态交互特征可以包括车道边界距离；动态交互特征可以是指获取的目标车辆与自动驾驶车辆之间的相对特征，比如，动态交互特征可以包括目标车辆与自动驾驶车辆之间的相对速度以及相对距离。
结合第二方面，在第二方面的某些实现方式中，所述处理模块还用于：根据预警时间对所述目标特征进行离散化处理，得到离散处理后的目标特征，其中，所述预警时间是根据所述自动驾驶车辆的运动状态确定的；
所述处理模块具体用于：根据所述离散处理后的目标特征和贝叶斯网络得到所述目标车辆的概率值。
需要说明的是，上述自动驾驶车辆的运动状态可以通过自动驾驶车辆的速度参数，或者，自动驾驶车辆的加速度来表示的。
在一种可能的实现方式中，自动驾驶车辆的速度越大，或者自动驾驶车辆的加速度越大，则预警时间可以设置的相对较长，从而确保自动驾驶车辆有足够的时间识别其它车辆的行为意图并根据其它车辆的行为意图及时调整规划路径。
应理解，在本申请的实施例中，需要对获取的目标车辆的目标特征输入至贝叶斯网络，从而对目标车辆的行为状态进行预测，得到目标车辆的概率值；而贝叶斯网络中输入的参数量为离散化的参量，因此，需要对获取的目标车辆的目标特征进行离散化处理。
基于上述技术方案，可以采用非固定门限，即可以通过根据自动驾驶车辆的运动状态确定的预警时间对获取的目标车辆的目标特征进行离散化处理，从而得到离散处理后的目标特征，提高目标特征的离散化描述的精度。
结合第二方面，在第二方面的某些实现方式中，通过所述贝叶斯网络得到的任意两个时刻所述目标车辆的概率值是相对独立的。
基于上述技术方案，为了能够满足贝叶斯网络进行在线的目标车辆的行为状态的后验概率计算的实时性，即确保自动驾驶车辆能够及时准确的识别目标车辆的行为状态进而调整规划路径，使得自动驾驶车辆安全的驾驶则可以采用简单的贝叶斯网络，即各个时刻的行为状态的后验概率相对独立计算的贝叶斯网络结构，从而能够有效提高贝叶斯网络的计算效率。
在一种可能的实现方式中，贝叶斯网络可以是指动态贝叶斯网络，即各个时刻的目标车辆的概率值可以是相互关联的。
结合第二方面，在第二方面的某些实现方式中，所述目标车辆的概率值是指融合后的目标车辆的概率值，所述处理模块具体用于：将当前时刻的所述目标车辆的概率值与历史时刻的所述目标车辆的概率值进行融合，得到所述融合后的目标车辆的概率值，所述历史时刻包括所述当前时刻之前的任意至少一个时刻；根据所述融合后的目标车辆的概率值，识别所述目标车辆的行为意图。
在一种可能的实现方式中，历史时刻可以是指当前时刻之前的上一时刻。
在另一种可能的实现方式中，历史时刻也可以是指当前时刻之前的连续的几个时刻，或者，当前时刻之前的所有时刻；比如，当前时刻可以是指第5时刻，则历史时刻可以是指第5时刻之前的几个连续时刻，如第1时刻至第4时刻；或者，第2时刻至第4时刻。
基于上述技术方案，可以对多个不同时刻的目标车辆的概率值进行融合，抑制噪声等引起的目标车辆的行为状态的随机变化，从而提高自动驾驶车辆识别的稳健性。
结合第二方面，在第二方面的某些实现方式中，所述处理模块具体用于：
通过采用DS证据理论对所述当前时刻的所述目标车辆的概率值与所述历史时刻的所述目标车辆的概率值进行融合，得到所述融合后的目标车辆的概率值。
应理解，上述DS证据理论是指登普斯特/沙弗尔(Dempster/Shafer)证据理论又可以称为信念函数理论或者证据理论。
其中，在DS证据理论中由互不相容的基本命题(假定)组成的完备集合称为识别框架，表示对某一问题的所有可能答案，但其中只有一个答案是正确的；该框架的子集称为命题。分配给各命题的信任程度称为基本概率分配(BPA，也称m函数)，m(A)为基本可信数，反映着对A的信度大小。信任函数BeI(A)表示对命题A的信任程度，似然函数PI(A)表示对命题A非假的信任程度，也即对A似乎可能成立的不确定性度量，实际上，[BeI(A),PI(A)]表示A的不确定区间，[0,BeI(A)]表示命题A支持证据区间，[0,PI(A)]表示命题A的拟信区间，[PI(A),1]表示命题A的拒绝证据区间。假设m1和m2是由两个独立的证据源(传感器)导出的基本概率分配函数，则Dempster组合规则可以计算这两个证据共同作用产生的反映融合信息的新的基本概率分配函数。
结合第二方面，在第二方面的某些实现方式中，所述处理模块具体用于：
根据预设的时间窗口确定所述历史时刻；将所述当前时刻的所述目标车辆的概率值与所述历史时刻的所述目标车辆的概率值进行融合，得到所述融合后的目标车辆的概率值。
第三方面，提供了一种车辆驾驶行为的识别装置，包括：存储器，用于存储程序；处理器，用于执行所述存储器存储的程序，当所述存储器存储的程序被执行时，所述处理器用于执行以下过程：获取高精地图信息以及传感器采集的目标车辆的反馈数据，其中，所述目标车辆是指与自动驾驶车辆具有碰撞风险的其它车辆；根据所述反馈数据与所述高精地图信息获取所述目标车辆的目标特征，其中，所述目标特征用于表示所述目标车辆的驾驶参数信息以及所述目标车辆位于车道中的位置信息；根据所述目标特征和贝叶斯网络得到所述目标车辆的概率值，其中，所述目标车辆的概率值用于表示所述目标车辆的行为状态发生的概率，所述行为状态包括所述目标车辆的换道切入驾驶行为，所述换道切入驾驶行为是指所述目标车辆换道并切入所述自动驾驶车辆所在车道的驾驶行为；根据所述目标车辆的概率值识别所述目标车辆的行为意图，其中，所述行为意图包括所述目标车辆换道并切入所述自动驾驶车辆所在车道的驾驶行为的意图。
在一种可能的实现方式中，上述检测装置中包括的处理器还用于执行第一方面及第一方面中的任意一种实现方式中的车辆驾驶行为的识别方法。
应理解，在上述第一方面中对相关内容的扩展、限定、解释和说明也适用于第三方面中相同的内容。
第四方面，提供了一种自动驾驶车辆，所述自动驾驶车辆包括上述第一方面或者第二方面及第一方面或者第二方面中的任意一种实现方式中的车辆驾驶行为的识别装置。
第五方面，提供了一种计算机可读存储介质，所述计算机可读介质存储介质用于存储程序代码，当所述程序代码被计算机执行时，所述计算机用于执行上述第一方面及第一方面中的任意一种实现方式中的车辆驾驶行为的识别方法。
第六方面，提供了一种芯片，所述芯片包括处理器，所述处理器用于执行上述第一方面及第一方面中的任意一种实现方式中的车辆驾驶行为的识别方法。
在一种可能的实现方式中，上述第五方面的芯片可以位于自动驾驶车辆的车载终端中。
第七方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序代码，当所述计算机程序代码在计算机上运行时，使得计算机执行上述第一方面及第一方面中的任意一种实现方式中的车辆驾驶行为的识别方法。
需要说明的是，上述计算机程序代码可以全部或者部分存储在第一存储介质上，其中，第一存储介质可以与处理器封装在一起的，也可以与处理器单独封装，本申请实施例对此不作具体限定。
附图说明
图1是本申请实施例提供的一种车辆的结构示意图；
图2是本申请实施例提供的一种计算机系统的结构示意图；
图3是本申请实施例提供的一种云侧指令自动驾驶车辆的应用示意图；
图4是本申请实施例提供的车辆驾驶行为的识别方法的应用场景的示意图；
图5是本申请实施例提供的适用于车辆驾驶行为的识别方法的系统架构的示意图；
图6是本申请实施例提供的一种车辆驾驶行为的识别方法的示意性流程图；
图7是本申请实施例提供的另一种车辆驾驶行为的识别方法的示意性流程图；
图8是本申请实施例提供的一种车道约束的示意图；
图9是本申请实施例提供的一种的静态交互特征的示意图；
图10是本申请实施例提供的贝叶斯网络的示意图；
图11是本申请实施例提供的一种车辆驾驶行为的识别装置的结构示意图；
图12是是本申请实施例提供的另一种车辆驾驶行为的识别装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例仅仅是本申请一部分实施例，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。
图1是本申请实施例提供的车辆100的功能框图。
其中，车辆100可以是人工驾驶车辆，或者可以将车辆100配置可以为完全或部分地自动驾驶模式。
在一个示例中，车辆100可以在处于自动驾驶模式中的同时控制自车，并且可通过人为操作来确定车辆及其周边环境的当前状态，确定周边环境中的至少一个其他车辆的可能行为，并确定其他车辆执行可能行为的可能性相对应的置信水平，基于所确定的信息来控制车辆100。在车辆100处于自动驾驶模式中时，可以将车辆100置为在没有和人交互的情况下操作。
车辆100中可以包括各种子系统，例如，行进系统110、传感系统120、控制系统130、一个或多个外围设备140以及电源160、计算机系统150和用户接口170。
可选地，车辆100可以包括更多或更少的子系统，并且每个子系统可包括多个元件。另外，车辆100的每个子系统和元件可以通过有线或者无线互连。
示例性地，行进系统110可以包括用于向车辆100提供动力运动的组件。在一个实施例中，行进系统110可以包括引擎111、传动装置112、能量源113和车轮114/轮胎。其中，引擎111可以是内燃引擎、电动机、空气压缩引擎或其他类型的引擎组合；例如，汽油发动机和电动机组成的混动引擎，内燃引擎和空气压缩引擎组成的混动引擎。引擎111可以将能量源113转换成机械能量。
示例性地，能量源113可以包括汽油、柴油、其他基于石油的燃料、丙烷、其他基于压缩气体的燃料、乙醇、太阳能电池板、电池和其他电力来源。能量源113也可以为车辆100的其他系统提供能量。
示例性地，传动装置112可以包括变速箱、差速器和驱动轴；其中，传动装置112可以将来自引擎111的机械动力传送到车轮114。
在一个实施例中，传动装置112还可以包括其他器件，比如离合器。其中，驱动轴可以包括可耦合到一个或多个车轮114的一个或多个轴。
示例性地，传感系统120可以包括感测关于车辆100周边的环境的信息的若干个传感器。
例如，传感系统120可以包括定位系统121(例如，GPS系统、北斗系统或者其他定位系统)、惯性测量单元122(inertial measurement unit，IMU)、雷达123、激光测距仪124以及相机125。传感系统120还可以包括被监视车辆100的内部系统的传感器(例如，车内空气质量监测器、燃油量表、机油温度表等)。来自这些传感器中的一个或多个的传感器数据可用于检测对象及其相应特性(位置、形状、方向、速度等)。这种检测和识别是自主车辆100的安全操作的关键功能。
其中，定位系统121可以用于估计车辆100的地理位置。IMU122可以用于基于惯性加速度来感测车辆100的位置和朝向变化。在一个实施例中，IMU 122可以是加速度计和陀螺仪的组合。
示例性地，雷达123可以利用无线电信号来感测车辆100的周边环境内的物体。在一些实施例中，除了感测物体以外，雷达123还可用于感测物体的速度和/或前进方向。
示例性地，激光测距仪124可以利用激光来感测车辆100所位于的环境中的物体。在一些实施例中，激光测距仪124可以包括一个或多个激光源、激光扫描器以及一个或多个检测器，以及其他系统组件。
示例性地，相机125可以用于捕捉车辆100的周边环境的多个图像。例如，相机125可以是静态相机或视频相机。
如图1所示，控制系统130为控制车辆100及其组件的操作。控制系统130可以包括各种元件，比如可以包括转向系统131、油门132、制动单元133、计算机视觉系统134、路线控制系统135以及障碍规避系统136。
示例性地，转向系统131可以操作来调整车辆100的前进方向。例如，在一个实施例中可以为方向盘系统。油门132可以用于控制引擎111的操作速度并进而控制车辆100的速度。
示例性地，制动单元133可以用于控制车辆100减速；制动单元133可以使用摩擦力来减慢车轮114。在其他实施例中，制动单元133可以将车轮114的动能转换为电流。制动单元133也可以采取其他形式来减慢车轮114转速从而控制车辆100的速度。
如图1所示，计算机视觉系统134可以操作来处理和分析由相机125捕捉的图像以便识别车辆100周边环境中的物体和/或特征。上述物体和/或特征可以包括交通信号、道路边界和障碍物。计算机视觉系统134可以使用物体识别算法、运动中恢复结构(Structurefrom motion，SFM)算法、视频跟踪和其他计算机视觉技术。在一些实施例中，计算机视觉系统134可以用于为环境绘制地图、跟踪物体、估计物体的速度等等。
示例性地，路线控制系统135可以用于确定车辆100的行驶路线。在一些实施例中，路线控制系统135可结合来自传感器、GPS和一个或多个预定地图的数据以为车辆100确定行驶路线。
如图1所示，障碍规避系统136可以用于识别、评估和避免或者以其他方式越过车辆100的环境中的潜在障碍物。
在一个实例中，控制系统130可以增加或替换地包括除了所示出和描述的那些以外的组件。或者也可以减少一部分上述示出的组件。
如图1所示，车辆100可以通过外围设备140与外部传感器、其他车辆、其他计算机系统或用户之间进行交互；其中，外围设备140可包括无线通信系统141、车载电脑142、麦克风143和/或扬声器144。
在一些实施例中，外围设备140可以提供车辆100与用户接口170交互的手段。例如，车载电脑142可以向车辆100的用户提供信息。用户接口116还可操作车载电脑142来接收用户的输入；车载电脑142可以通过触摸屏进行操作。在其他情况中，外围设备140可以提供用于车辆100与位于车内的其它设备通信的手段。例如，麦克风143可以从车辆100的用户接收音频(例如，语音命令或其他音频输入)。类似地，扬声器144可以向车辆100的用户输出音频。
如图1所述，无线通信系统141可以直接地或者经由通信网络来与一个或多个设备无线通信。例如，无线通信系统141可以使用3G蜂窝通信；例如，码分多址(code divisionmultiple access，CDMA))、EVD0、全球移动通信系统(global system for mobilecommunications，GSM)/通用分组无线服务(general packet radio service，GPRS)，或者4G蜂窝通信，例如长期演进(long term evolution，LTE)；或者，5G蜂窝通信。无线通信系统141可以利用无线上网(WiFi)与无线局域网(wireless local area network，WLAN)通信。
在一些实施例中，无线通信系统141可以利用红外链路、蓝牙或者紫蜂协议(ZigBee)与设备直接通信；其他无线协议，例如各种车辆通信系统，例如，无线通信系统141可以包括一个或多个专用短程通信(dedicated short range communications，DSRC)设备，这些设备可包括车辆和/或路边台站之间的公共和/或私有数据通信。
如图1所示，电源160可以向车辆100的各种组件提供电力。在一个实施例中，电源160可以为可再充电锂离子或铅酸电池。这种电池的一个或多个电池组可被配置为电源为车辆100的各种组件提供电力。在一些实施例中，电源160和能量源113可一起实现，例如一些全电动车中那样。
示例性地，车辆100的部分或所有功能可以受计算机系统150控制，其中，计算机系统150可以包括至少一个处理器151，处理器151执行存储在例如存储器152中的非暂态计算机可读介质中的指令153。计算机系统150还可以是采用分布式方式控制车辆100的个体组件或子系统的多个计算设备。
例如，处理器151可以是任何常规的处理器，诸如商业可获得的CPU。
可选地，该处理器可以是诸如ASIC或其它基于硬件的处理器的专用设备。尽管图1功能性地图示了处理器、存储器、和在相同块中的计算机的其它元件，但是本领域的普通技术人员应该理解该处理器、计算机、或存储器实际上可以包括可以或者可以不存储在相同的物理外壳内的多个处理器、计算机或存储器。例如，存储器可以是硬盘驱动器或位于不同于计算机的外壳内的其它存储介质。因此，对处理器或计算机的引用将被理解为包括对可以或者可以不并行操作的处理器或计算机或存储器的集合的引用。不同于使用单一的处理器来执行此处所描述的步骤，诸如转向组件和减速组件的一些组件每个都可以具有其自己的处理器，所述处理器只执行与特定于组件的功能相关的计算。
在此处所描述的各个方面中，处理器可以位于远离该车辆并且与该车辆进行无线通信。在其它方面中，此处所描述的过程中的一些在布置于车辆内的处理器上执行而其它则由远程处理器执行，包括采取执行单一操纵的必要步骤。
在一些实施例中，存储器152可包含指令153(例如，程序逻辑)，指令153可以被处理器151执行来执行车辆100的各种功能，包括以上描述的那些功能。存储器152也可包含额外的指令，比如包括向行进系统110、传感系统120、控制系统130和外围设备140中的一个或多个发送数据、从其接收数据、与其交互和/或对其进行控制的指令。
示例性地，除了指令153以外，存储器152还可存储数据，例如，道路地图、路线信息，车辆的位置、方向、速度以及其它这样的车辆数据，以及其他信息。这种信息可在车辆100在自主、半自主和/或手动模式中操作期间被车辆100和计算机系统150使用。
如图1所示，用户接口170可以用于向车辆100的用户提供信息或从其接收信息。可选地，用户接口170可以包括在外围设备140的集合内的一个或多个输入/输出设备，例如，无线通信系统141、车载电脑142、麦克风143和扬声器144。
在本申请的实施例中，计算机系统150可以基于从各种子系统(例如，行进系统110、传感系统120和控制系统130)以及从用户接口170接收的输入来控制车辆100的功能。例如，计算机系统150可以利用来自控制系统130的输入以便控制制动单元133来避免由传感系统120和障碍规避系统136检测到的障碍物。在一些实施例中，计算机系统150可操作来对车辆100及其子系统的许多方面提供控制。
可选地，上述这些组件中的一个或多个可与车辆100分开安装或关联。例如，存储器152可以部分或完全地与车辆100分开存在。上述组件可以按有线和/或无线方式来通信地耦合在一起。
可选地，上述组件只是一个示例，实际应用中，上述各个模块中的组件有可能根据实际需要增添或者删除，图1不应理解为对本申请实施例的限制。
可选地，车辆100可以是在道路行进的自动驾驶汽车，可以识别其周围环境内的物体以确定对当前速度的调整。物体可以是其它车辆、交通控制设备、或者其它类型的物体。在一些示例中，可以独立地考虑每个识别的物体，并且基于物体的各自的特性，诸如它的当前速度、加速度、与车辆的间距等，可以用来确定自动驾驶汽车所要调整的速度。
可选地，车辆100或者与车辆100相关联的计算设备(如图1的计算机系统150、计算机视觉系统134、存储器152)可以基于所识别的物体的特性和周围环境的状态(例如，交通、雨、道路上的冰等等)来预测所述识别的物体的行为。
可选地，每一个所识别的物体都依赖于彼此的行为，因此，还可以将所识别的所有物体全部一起考虑来预测单个识别的物体的行为。车辆100能够基于预测的所述识别的物体的行为来调整它的速度。换句话说，自动驾驶汽车能够基于所预测的物体的行为来确定车辆将需要调整到(例如，加速、减速、或者停止)稳定状态。在这个过程中，也可以考虑其它因素来确定车辆100的速度，诸如，车辆100在行驶的道路中的横向位置、道路的曲率、静态和动态物体的接近度等等。
除了提供调整自动驾驶汽车的速度的指令之外，计算设备还可以提供修改车辆100的转向角的指令，以使得自动驾驶汽车遵循给定的轨迹和/或维持与自动驾驶汽车附近的物体(例如，道路上的相邻车道中的轿车)的安全横向和纵向距离。
上述车辆100可以为轿车、卡车、摩托车、公共汽车、船、飞机、直升飞机、割草机、娱乐车、游乐场车辆、施工设备、电车、高尔夫球车、火车、和手推车等，本申请实施例不做特别的限定。
在一种可能的实现方式中，上述图1所示的车辆100可以是自动驾驶车辆，下面对自动驾驶系统进行详细描述。
图2是本申请实施例提供的自动驾驶系统的示意图。
如图2所示的自动驾驶系统包括计算机系统201，其中，计算机系统201包括处理器203，处理器203和系统总线205耦合。处理器203可以是一个或者多个处理器，其中，每个处理器都可以包括一个或多个处理器核。显示适配器207(video adapter)，显示适配器可以驱动显示器209，显示器209和系统总线205耦合。系统总线205可以通过总线桥211和输入输出(I/O)总线213耦合，I/O接口215和I/O总线耦合。I/O接口215和多种I/O设备进行通信，比如，输入设备217(如：键盘，鼠标，触摸屏等)，媒体盘221(media tray),(例如，CD-ROM，多媒体接口等)。收发器223可以发送和/或接受无线电通信信号，摄像头255可以捕捉景田和动态数字视频图像。其中，和I/O接口215相连接的接口可以是USB端口225。
其中，处理器203可以是任何传统处理器，比如，精简指令集计算(reducedinstruction set computer，RISC)处理器、复杂指令集计算(complex instruction setcomputer，CISC)处理器或上述的组合。
可选地，处理器203可以是诸如专用集成电路(application specificintegrated circuit，ASIC)的专用装置；处理器203可以是神经网络处理器或者是神经网络处理器和上述传统处理器的组合。
可选地，在本文所述的各种实施例中，计算机系统201可位于远离自动驾驶车辆的地方，并且可与自动驾驶车辆无线通信。在其它方面，本文所述的一些过程在设置在自动驾驶车辆内的处理器上执行，其它由远程处理器执行，包括采取执行单个操纵所需的动作。
计算机系统201可以通过网络接口229和软件部署服务器249通信。网络接口229可以是硬件网络接口，比如，网卡。网络227可以是外部网络，比如，因特网，也可以是内部网络，比如以太网或者虚拟私人网络(virtual private network，VPN)。可选地，网络227还可以是无线网络，比如，wifi网络，蜂窝网络等。
如图2所示，硬盘驱动接口和系统总线205耦合，硬件驱动器接口231可以与硬盘驱动器233相连接，系统内存235和系统总线205耦合。运行在系统内存235的数据可以包括操作系统237和应用程序243。其中，操作系统237可以包括解析器239(shell)和内核241(kernel)。shell 239是介于使用者和操作系统之内核(kernel)间的一个接口。Shell可以是操作系统最外面的一层；shell可以管理使用者与操作系统之间的交互，比如，等待使用者的输入，向操作系统解释使用者的输入，并且处理各种各样的操作系统的输出结果。内核241可以由操作系统中用于管理存储器、文件、外设和系统资源的那些部分组成。直接与硬件交互，操作系统内核通常运行进程，并提供进程间的通信，提供CPU时间片管理、中断、内存管理、IO管理等等。应用程序243包括控制汽车自动驾驶相关的程序，比如，管理自动驾驶的汽车和路上障碍物交互的程序，控制自动驾驶汽车路线或者速度的程序，控制自动驾驶汽车和路上其他自动驾驶汽车交互的程序。应用程序243也存在于软件部署服务器249的系统上。在一个实施例中，在需要执行自动驾驶相关程序247时，计算机系统201可以从软件部署服务器249下载应用程序。
例如，应用程序243还可以是用于执行自动驾驶对道路中其它车辆的驾驶行为进行识别的应用程序。
示例性地，传感器253可以与计算机系统201关联，传感器253可以用于探测计算机201周围的环境。
举例来说，传感器253可以探测动物，汽车，障碍物和人行横道等，进一步传感器还可以探测上述动物，汽车，障碍物和人行横道等物体周围的环境，比如：动物周围的环境，例如，动物周围出现的其他动物，天气条件，周围环境的光亮度等。
可选地，如果计算机201位于自动驾驶的汽车上，传感器可以是摄像头，红外线感应器，化学检测器，麦克风等。
示例性地，在驾驶场景中，传感器253可以用于探测车辆周围的障碍物的尺寸或者位置，防止车辆与障碍物发生碰撞。
在一个示例中，图1所示的计算机系统150还可以从其它计算机系统接收信息或转移信息到其它计算机系统。或者，从车辆100的传感系统120收集的传感器数据可以被转移到另一个计算机对此数据进行处理。
例如，如图3所示，来自计算机系统312的数据可以经由网络被传送到云侧的服务器320用于进一步的处理。网络以及中间节点可以包括各种配置和协议，包括因特网、万维网、内联网、虚拟专用网络、广域网、局域网、使用一个或多个公司的专有通信协议的专用网络、以太网、WiFi和HTTP、以及前述的各种组合；这种通信可以由能够传送数据到其它计算机和从其它计算机传送数据的任何设备，诸如调制解调器和无线接口。
在一个示例中，服务器320可以包括具有多个计算机的服务器，例如负载均衡服务器群，为了从计算机系统312接收、处理并传送数据的目的，其与网络的不同节点交换信息。该服务器可以被类似于计算机系统312配置，具有处理器330、存储器340、指令350、和数据360。
示例性地，服务器320的数据360可以包括车辆周围道路情况的相关信息。例如，服务器320可以接收、检测、存储、更新、以及传送与车辆道路情况的相关信息。
例如，车辆周围道路情况的相关信息包括与车辆周围的其它车辆信息以及障碍物信息。
图4是本申请实施例提供的车辆驾驶行为的识别方法的应用场景的示意图。
如图4所示，目标车辆可以是指具备车辆危险驾驶行为的其它车辆，例如，车辆危险驾驶行为包括换道切入驾驶行为，换道切入驾驶行为是指距离自动驾驶车辆一定范围内的其它车辆换道并切入自动驾驶车辆所在车道的行为；或者，距离自动驾驶车辆一定范围内的其它车辆对自动驾驶车辆进行超车并换道切入自动驾驶车辆所在车道的行为，该驾驶行为又可以称为车辆Cut in行为。由于距离近、反应时间短，因此需要自动驾驶车辆能够提前判断并识别这种危险驾驶行为，从而规划出更安全的驾驶路径，从而满足自动驾驶车辆的驾驶安全性。
示例性地，目标车辆是指与自动驾驶车辆具有碰撞风险的其它车辆，比如，目标车辆还可以是指位于自动驾车车辆所在车道的左侧车道或者右侧车道中将要对自动驾驶车辆进行超车并且换道切入自动驾驶车辆所在车道的其它车辆。
应理解，换道切入驾驶行为不限于超车后切入自动驾驶车辆所在车道的驾驶行为；还包括在自动驾驶车辆所在车道的两侧车道的其它车辆的突然切入自动驾驶车辆所在车道的驾驶行为；距离自动驾驶车辆较近，且从换道切入自动驾驶车辆所在车道的驾驶行为均属于上述换道切入驾驶行为。
示例性地，上述道路可以是指高速道路环境，或者也可以是指城市道路环境，或者还可以是指其他道路环境，本申请对此不做任何限定。
目前，其他车辆Cut in行为是典型的车辆危险驾驶行为，该驾驶行为是指距离自动驾驶车辆一定范围内的其他车辆超车并且在超车后切入自动驾驶车辆所在车道的行为，由于距离近、反应时间短，这种行为是最常见的一种危险驾驶行为。对于人工驾驶车辆而言，由于驾驶员具有充足的先验知识以及推理能力，因此可以准确的识别道路上其它车辆的危险驾驶行为。但是，对于自动驾驶车辆而言，如何准确地识别其它车辆的危险驾驶行为，从而有效提高自动驾驶车辆的安全性成为一个亟需解决的问题。
有鉴于此，本申请实施例提供了一种车辆驾驶行为的识别方法以及识别装置，通过自动驾驶车辆的传感器采集道路中与自动驾驶车辆具有碰撞风险的目标车辆的反馈数据，根据目标车辆的反馈数据以及高精地图信息可以准确地获取目标车辆的目标特征；进而通过目标特征与贝叶斯网络得到目标车辆的概率值，该目标车辆的概率值可以用于表示目标车辆的行为状态发生的概率，该行为状态可以包括换道切入驾驶行为，换道切入驾驶行为是指目标车辆换道并切入自动驾驶车辆所在车道的驾驶行为；通过目标车辆的概率值使得自动驾驶车辆能够准确地识别目标车辆的换道切入驾驶行为的行为意图，从而确保自动驾驶车辆驾驶的安全性。
下面结合图5至图10对本申请的实施例进行详细的说明。
图5是本申请实施例提供的适用于车辆驾驶行为的识别方法的系统架构的示意图。如图5所示，系统400中可以包括感知系统410、预测系统420、规划控制系统430以及高精地图服务系统440。
其中，感知系统410可以用于感知自动驾驶车辆行驶时路面以及周围环境的信息。例如，感知系统410感知系统通过借助激光雷达、摄像头、毫米波雷达等传感器设备以及复杂的处理算法，能够较准确地感知自动驾驶车辆的周围环境。
预测系统420中可以包括行为识别以及轨迹预测，其中，行为识别可以是指自动驾驶车辆对道路中行驶的其它车辆的驾驶行为的识别；轨迹预测可以是指自动驾驶车辆可以识别或者预测其它车辆未来可能的轨迹。
规划控制系统430用于根据预测系统420中的其它驾驶车辆的预测行驶轨迹以及基于感知系统410输出的感知数据规划出一条无碰撞的安全路径，并控制自动驾驶车辆按照指定路线行驶。
高精地图服务系统440可以用于向预测系统420提供道路的地图信息，使得预测系统420能够根据环境感知信息以及高精地图信息识别其它车辆的在道路上的驾驶行为。
应理解，图5所示的感知系统410可以是如图1所示的传感系统120；预测系统420可以是指如图1所示的车辆的相关联的计算设备(如图1的计算机系统150、计算机视觉系统134、存储器152)，可以基于所识别的物体的特性和周围环境的状态(例如，交通、雨、道路上的冰等等)来预测所述识别的物体的行为；规划控制系统430可以是如图1所示的控制系统130。
下面结合图6对本申请实施例的车辆驾驶行为的识别方法进行详细的介绍。图6所示的方法可以由图1所示自动驾驶车辆，或者，图2所示的自动驾驶系统来执行。图6所示的方法包括步骤510至步骤540，下面分别对这些步骤进行详细的描述。
步骤510、获取高精地图信息以及传感器采集的目标车辆的反馈数据。
其中，目标车辆是指与自动驾驶车辆具有碰撞风险的其它车辆。例如，目标车辆可以是指具有车辆Cut in行为的车辆。
示例性地，目标车辆的反馈数据可以是指自动驾驶车辆的一个或者多个传感器(例如，借助激光雷达、摄像头、毫米波雷达等传感器设备)采集的目标车辆的相关数据；比如，反馈数据可以包括目标车辆的位置信息、速度信息、朝向角信息等。
步骤520、根据反馈数据与高精地图信息获取目标车辆的目标特征。
其中，目标特征可以用于表示目标车辆的驾驶参数信息以及目标车辆位于车道中的位置信息。
示例性地，上述根据反馈数据与高精地图信息获取目标车辆的目标特征的具体过程可以参见后续图7所示的步骤620。
例如，目标特征可以包括目标车辆的物理特征、静态交互特征以及动态交互特征。其中，物理特征可以是指感知系统获取的关于目标车辆的驾驶信息，比如，物理特征可以包括目标车辆的朝向角(例如，航向角)以及横向速度。静态交互特征可以是指获取的目标车辆的与道路的相对信息，比如，静态交互特征可以包括车道边界距离；动态交互特征可以是指获取的目标车辆与自动驾驶车辆之间的相对特征，比如，动态交互特征可以包括目标车辆与自动驾驶车辆之间的相对速度以及相对距离。
进一步地，在本申请的实施例中可以根据传感器采集的目标车辆的反馈数据与高精地图信息获取目标车辆的目标特征时，可以将目标车辆看作是非质点；即可以通过获取目标车辆的轮廓信息，通过目标车辆的轮廓信息与高精地图信息从而确定目标车辆的车道边界距离信息；从而能够精确地描述目标车辆与自动驾驶车辆所在车道边界的距离，提高获取目标特征的精度。
可选地，在一种可能的实现方式中，目标特征可以包括车道边界距离信息，车道边界距离信息是指目标车辆与相邻的自动驾驶车辆所在车道边界的横向距离信息，根据反馈数据与高精地图信息获取目标车辆的目标特征，可以包括：根据反馈数据获取目标车辆的可见边信息，其中，反馈数据包括目标车辆的轮廓信息；根据高精地图信息获取自动驾驶车辆所在车道的横向边界线信息；根据可见边信息与横向边界线信息得到车道边界距离信息。
步骤530、根据目标特征和贝叶斯网络得到目标车辆的概率值。
其中，上述目标车辆的概率值可以用于表示目标车辆的行为状态发生的概率，行为状态包括目标车辆的换道切入驾驶行为，换道切入驾驶行为可以是指目标车辆换道并切入自动驾驶车辆所在车道的驾驶行为。
需要说明的是，在本申请的实施例中目标车辆的概率值又可以称为目标车辆的行为状态发生的概率值，即通过该概率值可以表示目标车辆发生某种驾驶行为的概率，其中，目标车辆的行为状态可以包括目标车辆的换道切入驾驶行为，换道切入驾驶行为是指目标车辆换道并切入自动驾驶车辆所在车道的驾驶行为。
应理解，换道切入驾驶行为不限于超车后切入自动驾驶车辆所在车道的驾驶行为；还包括在自动驾驶车辆所在车道的两侧车道的其它车辆的突然切入自动驾驶车辆所在车道的驾驶行为；距离自动驾驶车辆较近，且从换道切入自动驾驶车辆所在车道的驾驶行为均属于上述换道切入驾驶行为。
示例性地，上述根据目标特征和贝叶斯网络得到目标车辆的行为状态发生的概率值的具体过程可以参见后续图7所示的步骤630以及步骤640。
应理解，贝叶斯网络可以进行对目标车辆的行为状态进行后验估计，即根据贝叶斯网络可以计算目标车辆的行为状态发生的后验概率。其中，一个随机事件或者一个不确定事件的后验概率是指在考虑和给出相关证据或数据后所得到的随机事件或者不确定事件发生的条件概率。
还应理解，在本申请的实施例中，需要对获取的目标车辆的目标特征输入至贝叶斯网络，从而对目标车辆的行为状态进行预测，得到目标车辆的概率值；而贝叶斯网络中输入的参数量为离散化的参量，因此，需要对获取的目标车辆的目标特征进行离散化处理。
进一步地，在本申请的实施例中可以采用非固定门限，即可以通过根据自动驾驶车辆的运动状态确定的预警时间对获取的目标车辆的目标特征进行离散化处理，从而得到离散处理后的目标特征，提高目标特征的离散化描述的精度。
可选地，在一种可能的实现方式中，上述识别方法还包括：根据预警时间对目标特征进行离散化处理，得到离散处理后的目标特征，其中，预警时间是根据自动驾驶车辆的运动状态确定的；根据所述目标特征和贝叶斯网络得到目标车辆的概率值，可以包括：根据离散处理后的目标特征和贝叶斯网络得到目标车辆的概率值。
需要说明的是，上述自动驾驶车辆的运动状态可以通过自动驾驶车辆的速度参数，或者，自动驾驶车辆的加速度来表示的。
举例来说，在动驾驶车辆的速度越大，或者自动驾驶车辆的加速度越大的情况下，则预警时间可以设置的相对较长，从而确保自动驾驶车辆有足够的时间识别其它车辆的行为意图并根据其它车辆的行为意图及时调整规划路径。
可选地，在本申请的实施例中，贝叶斯网络可以是指动态贝叶斯网络，即各个时刻的目标车辆的概率值可以是相互关联的。
进一步地，在本申请的实施例中为了能够满足贝叶斯网络进行在线的目标车辆的行为状态的后验概率计算的实时性，即确保自动驾驶车辆能够及时准确的识别目标车辆的行为状态进而调整规划路径，使得自动驾驶车辆安全的驾驶则可以采用简单的贝叶斯网络，即各个时刻的目标车辆的行为状态的后验概率相对独立计算的贝叶斯网络结构，从而能够有效提高贝叶斯网络的计算效率。
可选地，在一种可能的实现方式中，通过贝叶斯网络得到的任意两个时刻的目标车辆的概率值是相对独立的。
示例性地，本申请实施例提供的贝叶斯网络的结构可以参见图10所示，该贝叶斯信念网络第一层为动态交互特征层，第二层为目标车辆的行为状态层，第三层为物理特征与静态交互特征层；在贝叶斯信念网络中每个特征是一个网络节点。
步骤540、根据目标车辆的概率值识别目标车辆的行为意图。
其中，目标车辆的行为意图包括目标车辆换道并切入自动驾驶车辆所在车道的驾驶行为的意图。
应理解，上述根据所述目标车辆的概率值识别所述目标车辆的行为意图可以是指根据所述目标车辆的概率值可以确定所述目标车辆将在当前时刻或者未来时刻具有所述换道切入驾驶行为的行为意图；即识别所述目标车辆的换道切入驾驶行为的行为意图是指在目标车辆将要进行或者正在进行换道切入驾驶行为时，自动驾驶车辆根据目标车辆的行为状态的概率值可以具有类似于驾驶员的先验知识以及推理能力，识别目标车辆的换道切入驾驶行为；从而确保规划的行驶路径不会与目标车辆发生碰撞。
示例性地，根据目标车辆的行为状态发生的概率值可以预测目标车辆的驾驶行为；比如，当概率值等于1或者接近于1时，说明目标车辆具有换道切入驾驶行为的行为意图；当概率值等于0或者接近于0时，说明目标车辆无换道切入驾驶行为的行为意图。
进一步地，在本申请的实施例中，为了抑制噪声等引起的目标车辆的行为状态的随机变化，从而提高自动驾驶车辆识别的稳健性，则可以对多个不同时刻的目标车辆的概率值进行融合。
可选地，在一种可能的实现方式中，目标车辆的概率值可以是指融合后的目标车辆的概率值，根据目标车辆的概率值识别目标车辆的行为意图可以包括：将当前时刻的目标车辆的概率值与历史时刻的目标车辆的概率值进行融合，得到的融合后的目标车辆的概率值，历史时刻是指当前时刻之前的任意至少一个时刻；根据融合后的目标车辆的概率值，识别目标车辆的行为意图。
在一个示例中，历史时刻可以是指当前时刻之前的上一时刻。
在另一个示例中，历史时刻也可以是指当前时刻之前的连续的几个时刻，或者，当前时刻之前的所有时刻；比如，当前时刻可以是指第5时刻，则历史时刻可以是指第5时刻之前的几个连续时刻，如第1时刻至第4时刻；或者，第2时刻至第4时刻。
示例性地，上述进行融合可以采用DS证据理论或者预设的时间窗口，具体过程可以参见后续图7所示的步骤640。
在一个示例中，可以通过采用DS证据理论对当前时刻的目标车辆的概率值与历史时刻的目标车辆的概率值进行融合，得到融合后的目标车辆的概率值。
在另一个示例中，根据可以预设的时间窗口确定历史时刻；将当前时刻的目标车辆的概率值与历史时刻的目标车辆的概率值进行融合，得到融合后的目标车辆的概率值。
有鉴于此，本申请实施例提供了一种驾驶行为的识别方法以及车辆驾驶行为的识别装置，通过自动驾驶车辆的传感器采集道路中与自动驾驶车辆具有碰撞风险的目标车辆的反馈数据，根据目标车辆的反馈数据以及高精地图信息可以准确地获取目标车辆的目标特征；进而通过目标特征与贝叶斯网络得到目标车辆的概率值，该目标车辆的概率值可以用于表示目标车辆的行为状态发生的概率，该行为状态可以包括换道切入驾驶行为，换道切入驾驶行为是指目标车辆换道并切入自动驾驶车辆所在车道的驾驶行为；通过目标车辆的概率值使得自动驾驶车辆能够准确地识别目标车辆的换道切入驾驶行为的行为意图，从而确保自动驾驶车辆驾驶的安全性。
图7示出了本申请实施例提供的车辆驾驶行为的识别方法的示意性流程图，该方法可以由图1所示自动驾驶车辆，或者，图2所示的自动驾驶系统来执行。图7所示的方法包括步骤610至步骤650，下面分别对这些步骤进行详细的描述。
步骤610、目标车辆的优先级划分。
例如，自动驾驶车辆可以根据获取的环境感知信息以及高精地图信息对目标车辆集合中的其它车辆划分优先级进行车辆行为识别，其中，目标车辆集合中包括的其它车辆是指对自动驾驶车辆而言，具备危险驾驶行为的车辆；比如，目标车辆集合中的其它车辆可以是指距离自动驾驶车辆一定范围内，即将换道并切入自动驾驶车辆所在车道的其它车辆；或者，对自动驾驶车辆进行超车并换道切入自动驾驶车辆所在车道的其它车辆。
示例性地，可以根据一定规则将目标车辆集合中包括的目标车辆划分为高优先级目标以及低优先级目标，优先对高优先级目标进行车辆行为识别。
在一个示例性中，可以通过车道约束以及距离约束对目标车辆集合中的目标车辆进行优先级划分。
示例性地，车道约束可以是指目标车辆集合中的目标车辆是否位于与自动驾驶车辆相邻的车道中或者临近的车道中。举例说明，如图8所示，车道约束可以是指目标车辆是否位于自动驾驶车辆所在车道的左侧车道内或者右侧车道内。
例如，若自动驾驶车辆所在车道的相邻左车侧车道或者右侧车道具有其他车辆，则通过车道约束该自动驾驶车辆所在车道的相邻左侧车道或者右侧车道的其它车辆的优先级最高；优先对该车道上的其它车辆的行为意图进行推理；若自动驾驶车辆所在车道的相邻车道中不存在其它车辆，则通过车道约束可以将距离自动驾驶车辆所在车道距离较近的车道中的其它车辆的优先级最高，优先对该车道上的其它车辆的行为意图进行推理。
例如，距离约束可以是指目标车辆距离自动驾驶车辆的纵向距离是否小于预设门限thrR，可以根据公式(1)得到纵向距离的预设门限：
thrR＝V·Δt (1)
其中，thrR表示预设门限；V表示自动驾驶车辆的行驶速度；Δt表示预警时间，即可以是指自动驾驶车辆用于识别其它车辆的车辆行为的时间。
需要说明的是，上述纵向距离的门限可以是根据自动驾驶车辆的速度V以及设定的预警时间Δt得到的，其中，预警时间可以是通过自动驾驶车辆的运动状态或者运动速度确定的；比如，自动驾驶车辆的运动速度越大，则预警时间可以设置的越长，从而使得自动驾驶车辆具有充足的时间去识别其它车辆的驾驶行为，使得自动驾驶车辆能够安全驾驶。
步骤620、特征提取。
其中，上述特征提取可以是指获取目标车辆驾驶过程中的特征。
例如，提取目标车辆的特征可以包括目标车辆的物理特征、静态交互特征以及动态交互特征。其中，物理特征可以是指感知系统获取的关于目标车辆的驾驶信息，比如，物理特征可以包括目标车辆的朝向角α(例如，航向角)以及横向速度VL。静态交互特征可以是指获取的目标车辆的与道路的相对信息，比如，静态交互特征可以包括目标车辆与车道边界之间的距离dbd；动态交互特征可以是指获取的目标车辆与自动驾驶车辆之间的相对特征，比如，动态交互特征可以包括目标车辆与自动驾驶车辆之间的相对速度ΔV以及相对距离ΔR。
示例性地，目标车辆与车道边界之间的距离dbd可以是指目标车辆的可见边到车道边界的最小距离。
例如，如图9所示，假设位于中间车道的为自动驾驶车辆，左侧车道的为目标车辆；对于自动驾驶车辆而言，可以检测到左侧车道中的目标车辆的后侧以及后侧两个可见边，则可以得到目标车辆的右侧可见边前车等至中间车道的横向距离，目标车辆的后侧可见边的右后车灯至中间车道的横向距离以及目标车辆的后侧可见边的左后车灯至中间车道的横向距离，则车道边界距离信息即目标车辆与车道边界之间的距离可以是指上述三个横向距离中的最小距离。
具体地计算步骤如下：
根据目标车辆的外包络顶点集合计算目标车辆的视场角(Field of view，FOV)，即目标车辆相对于自动驾驶车辆的激光雷达的最大方位角与最小方位角，以及最大方位角与最小方位角对应的外包络顶点，将这两个外包络顶点分别表示为
Figure BDA0002434202740000191
Figure BDA0002434202740000192
imax＝arg max(atan2(yi,xi))，imin＝arg min(atan2(yi,xi))；其中，Vmax表示最大方位角对应的外包络顶点；Vmin表示最小方位角对应的外包络顶点；imax、imin分别为Vmax与Vmin在顶点集合Q中对应的索引；arg max()表示求最大值对应的索引操作。根据目标车辆的FOV对应的两端的顶点Vmax与Vmin确定目标车辆的可见边与非可见边的分割线，Vmax与Vmin在分割线上，分割线方程如公式(2)所示。
y＝kx+b (2)
其中，k、b分别表示直线方程的斜率与截距，可以由分割线的两个顶点Vmax与Vmin得到。根据分割线方程可以判断目标车辆的外包络中的可见边，可见边的端点满足式(3)。
(yi-kxi-b)(-b)≥0 (3)
其中xi、yi可以表示第i个顶点Qi的坐标。将满足公式(3)的可见边顶点记为Qi，其中，i＝m1,m2,...ml,l表示可见边顶点的个数。
可以根据公式(4)计算可见边到车道边界距离的最小值，该值即为目标车辆到车道边界的距离BD。
Figure BDA0002434202740000193
其中，d(Pi,L)表示点Pi到曲线L的垂直距离，L表示自动驾驶车辆所在车道的边界线，可以由高精地图服务系统提供。
通过上述步骤可以得到目标车辆与车道边界之间的距离dbd。
在本申请实施例中，在计算目标车辆与车道边界之间的距离时，并非将目标车辆看作一个质点而是通过获取目标车辆的外包络顶点，从而依据分布式目标车辆在激光点云的轮廓信息提取目标车辆的可见边，利用可见边计算目标车辆与车道边界的距离，更精确的描述分布式目标车辆与车道边界距离，能够提高获取特征的精度以及准确性。
示例性地，动态交互特征可以包括目标车辆与自动驾驶车辆之间的相对速度ΔV以及相对距离ΔR；其中，相对速度与相对距离可以是指在车道坐标系下的纵向速度与纵向距离。
例如，可以通过公式(5)与公式(6)得到动态交互特征。
ΔV＝Vslx-Vslx_ego (5)
ΔR＝xsl-xsl_ego (6)
其中，Vslx与Vslx_ego分别表示目标车辆与自动驾驶车辆在车道坐标系下的纵向速度；xsl与xsl_ego分别表示目标车辆与自动驾驶车辆在车道坐标系下的纵向坐标。
通过上述步骤可以提取特征，即可以获取目标车辆的物理特征、静态交互特征以及动态交互特征。上述获取的目标车辆的特征均为连续特征，下面将对获取的连续特征进行自适应离散化。
需要说明的是，下面对目标特征的离散化处理为举例说明，本申请对目标特征离散化后的取值个数不进行限定。
应理解，在本申请的实施例中，后续需要将获取的目标车辆的特征输入至贝叶斯信念网络，从而对目标车辆的驾驶状态进行预测，而贝叶斯信念网络中输入的参数量为离散化的参量，因此，需要对获取的目标车辆的特征进行离散化处理。
例如，可以根据目标车辆的横向加速度以及预警时间，对车道坐标系下的目标车辆的横向速度分量VL进行离散化；参见公式(7)至公式(9)所示。
Figure BDA0002434202740000201
VL1＝aL·Tw1 (8)
VL2＝aL·Tw2 (9)
其中，V可以表示目标车辆离散化后的横向速度特征；VL1，VL2可以分别可以表示对应不同预警时间的横向速度门限；aL可以表示目标车辆的横向加速度；Tw1，Tw2可以分别表示两个不同等级的预警时间。
需要说明的是，上述预警时间可以是动态值，即预警时间可以是通过自动驾驶车辆的运动状态或者运动速度确定的。
例如，可以根据目标车辆的朝向角速度以及预警时间，对目标车辆的朝向角α进行离散化；参见公式(10)至公式(12)所示。
其中，如图9所示，可以假设对于左侧车道车辆，车辆朝向相对车道朝向向右为正，向左为负；对于右侧车道车辆，车辆朝向相对车道朝向向左为正，向右为负。
Figure BDA0002434202740000202
α1＝ω·(T-Tω1) (11)
α2＝ω·(T-Tω2) (12)
其中，OR可以表示目标车辆离散化后的朝向特征；ω可以表示角速度；α1，α2可以分别可以表示对应不同预警时间的朝向门限；T可以表示换道所需时长；Tw1，Tw2可以分别表示两个不同等级的预警时间。
需要说明的是，上述预警时间可以是动态值，即预警时间可以是通过自动驾驶车辆的运动状态或者运动速度确定的。
例如，可以根据目标车辆的横向速度以及提前预警时间，对目标车辆与车道边界之间的距离dbd进行离散化；参见公式(13)至公式(15)所示。
Figure BDA0002434202740000211
d1＝VL·T-W/2 (14)
d2＝VL·Tw-W/2 (15)
其中，BD可以表示目标车辆离散化后的车道边界距离特征；VL可以表示横向速度；T可以表示换道所需时长；Tw可以表示提前预警时间；W可以表示车道宽度；d1，d2可以分别表示不同的车道边界距离门限。
例如，可以根据目标车辆与自动驾驶车辆的相对纵向距离以及预警时间对纵向相对速度进行离散化；参见公式(16)至公式(18)所示。
Figure BDA0002434202740000212
Figure BDA0002434202740000213
Figure BDA0002434202740000214
其中，RV可以表示目标车辆离散化后的纵向相对速度特征；V1，V2可以分别表示对应不同预警时间的相对速度门限；Δd可以表示当前时刻目标车辆与自动驾驶车辆的相对距离；T可以表示换道所需时长；Tw1，Tw2可以分别表示两个不同等级的预警时间。
需要说明的是，上述预警时间可以是动态值，即预警时间可以是通过自动驾驶车辆的运动状态或者运动速度确定的。
例如，可以根据目标车辆与自动驾驶车辆的相对速度ΔV以及预警时间对纵向相对距ΔR进行离散化；参见公式(19)与公式(20)所示。
Figure BDA0002434202740000215
Δdi＝ΔV·Twi,i＝1,2,3 (20)
其中，RD可以表示目标车辆离散化后的纵向相对距离特征；Δdi可以表示预警时间为Twi时的相对距离门限。
通过上述步骤可以将获取的目标车辆的连续特征进行离散化处理，得到离散化后的目标车辆的特征；将离散化后的目标车辆的特征输入至贝叶斯信念网络中预测目标车辆的驾驶行为，即可以预测目标车辆进行换道或者不换道的概率。
步骤630、目标车辆的行为状态推理。
例如，可以将离散化后的特征输入至贝叶斯信念网络进行目标车辆的行为状态推理。
示例性地，本申请实施例提供的贝叶斯信念网络的结构如图10所示；该贝叶斯信念网络第一层为动态交互特征层，第二层为目标车辆的行为状态层，第三层为物理特征与静态交互特征层；在贝叶斯信念网络中每个特征是一个网络节点；其中，RV表示离散化后的目标车辆与自动驾驶车辆之间的相对速度特征；RD表示离散化后的目标车辆与自动驾驶车辆之间的相对距离特征；M表示目标车辆的行为状态的概率值；V表示目标车辆的速度特征；OR表示目标车辆的朝向；BD表示离散化后的车道边界距离特征，即离散化后的目标车辆与自动驾驶车辆所在车道边界的距离特征。根据如图10所示的贝叶斯信念网络，参见公式(21)至公式(23)可以得到目标车辆的行为状态后验概率。
Figure BDA0002434202740000221
P(Mt,Ct,Dt)＝P(RVt)P(RDt)P(Mt|RVt,RDt)P(Vt|Mt)P(BDt|Mt)P(ORt|M) (22)
Figure BDA0002434202740000222
其中，t可以表示时刻；Ct可以表示t时刻动态交互特征向量；Dt可以表示t时刻物理特征与静态交互特征向量；Mt可以表示t时刻目标车辆的行为状态，该行为状态可以包括目标车辆换道的驾驶行为，或者目标车辆不换道的驾驶行为。
应理解，上述目标车辆的行为状态后验概率即图6所示的目标车辆的概率值。
例如，当Mt＝1时，可以表示目标车辆具有切入自动驾驶车辆所在车道的行为；当Mt＝0时，可以表示目标车辆无切入自动驾驶车辆所在车道的行为。
其中，上述P(RVt)可以表示纵向相对速度特征的先验概率，即在纵向相对速度为RVt的情况下，目标车辆具有切入自动驾驶车辆所在车道的行为的概率以及目标车辆无切入自动驾驶车辆所在车道的行为的概率；同理，P(RDt)可以表示纵向相对距离特征的先验概率，即在纵向相对距离为RDt的情况下，目标车辆具有切入自动驾驶车辆所在车道的行为的概率以及目标车辆无切入自动驾驶车辆所在车道的行为的概率。
其中，上述P(Mt|RVt,RDt)，P(Vt|Mt)，P(BDt|Mt)，P(ORt|Mt)表示条件概率，这些概率分别可以通过离线方式的参数学习得到。
示例性地，参数学习是指已知网络结构，确定网络参数的问题。当网络输入特征为离散化特征时，网络中的节点对应的概率分布可以服从二项式分布或者多项式分布。在完整数据集的条件下，通常采用极大似然估计，或者贝叶斯估计方法进行参数学习，得到每个节点的条件概率表或者先验概率。
例如，可以根据公式(24)至公式(26)得到每个节点的条件概率表或者先验概率。
Figure BDA0002434202740000223
Figure BDA0002434202740000224
Figure BDA0002434202740000225
其中，x表示特征随机变量；N表示样本总个数；P(x＝j|y＝i)表示特征随机变量x在特征随机变量y＝i条件下的概率分布。
在本申请的实施例中，用于推理目标车辆的行为状态的后验概率的贝叶斯信念网络是基于当前某一时刻的目标车辆的特征对目标车辆的当前时刻的行为状态进行推理；即对于不同时刻本申请实施例提供的贝叶斯信念网络是相对独立的，避免采用各个时刻相互关联的动态贝叶斯信念网络，从而能够高效计算目标车辆的行为状态后验概率，提高贝叶斯信念网络的计算效率。
步骤640、行为状态跟踪。
例如，在本申请的实施例中，可以通过采用DS证据理论(Dempster-Shaferenvidence theory，DSET)将不同时刻的目标车辆的行为状态概率进行融合，可以有效去除噪声引起目标车辆的行为状态的抖动和变化，提高自动驾驶车辆的系统的稳健性。
示例性地，可以参见公式(27)至公式(30)对t-1时刻与t时刻的目标车辆的行为状态进行融合。
Figure BDA0002434202740000231
Figure BDA0002434202740000232
1-K＝P(Mt＝1)·Pf(Mt-1＝1)+P(Mt＝0)·Pf(Mt-1＝0) (29)
其中，Pf(Mt＝1)，Pf(Mt＝0)分别表示DS证据理论输出的目标车辆的行为状态为Mt＝1以及Mt＝0的概率；1-K表示归一化因子；Pf()表示DS证据理论输出的融合概率；P()表示贝叶斯信念网络输出的目标车辆的行为状态的概率。
例如，在采用DS证据理论时，本申请可以设定目标车辆的行为状态的最大概率(例如0.9)以及最小概率(例如0.1)。
Figure BDA0002434202740000233
上述通过采用DS证据理论对目标车辆的行为状态概率进行不同时刻的融合，从而可以有效去除噪声引起目标车辆的行为状态的抖动和变化，提高自动驾驶车辆的系统的稳健性。
需要说明的是，目标车辆的行为状态概率即图6所示的目标车辆的概率值。
可选地，在一种可能的实现方式中，也可以通过采用一定的时间窗口计算目标车辆的行为状态的概率，从而确定当前时刻的融合概率(例如，加权平均)。
Figure BDA0002434202740000234
Figure BDA0002434202740000235
其中，wi表示t-i时刻的概率对应的权重；M表示时间窗口。
示例性地，上述权重可以采用平均加权，或者指数递减权重，本申请对此不做任何限定。
在本申请的实施例中，可以采用一定的时间窗口对目标车辆在不同时刻的行为状态的概率进行融合，从而可以有效去除噪声引起目标车辆的行为状态的抖动和变化，提高自动驾驶车辆的系统的稳健性。
步骤S650、预测目标车辆的行为意图。
例如，自动驾驶车辆可以根据步骤640得到的融合概率预测目标车辆的驾驶行为；比如，当融合概率等于1或者接近于1时，说明目标车辆具有切入自动驾驶车辆所在车道的行为意图；当融合概率等于0或者接近于0时，说明目标车辆无切入自动驾驶车辆所在车道的行为意图。
进一步，自动驾驶车辆可以根据目标车辆的驾驶行为自动车辆可以及时调整规划路径，从而避免自动驾驶车辆与目标车辆发生碰撞，确保自动驾驶车辆驾驶的安全性。
在本申请的实施例中，根据传感器采集的目标车辆的反馈数据以及获取高精地图信息可以对目标车辆进行优先级划分，然后提取高优先级的目标车辆的目标特征，引入预警时间对目标车辆的目标特征进行自适应离散化；根据各个节点与目标车辆的行为状态的因果关系设计了简单的三层贝叶斯信念网络；利用贝叶斯网络实现了对目标车辆的行为状态的精确推理，最后可以通过不同时刻的目标车辆的行为状态的概率值进行融合从而对目标车辆行为状态的跟踪，提高自动驾驶车辆识别的稳健性。
应理解，上述举例说明是为了帮助本领域技术人员理解本申请实施例，而非要将本申请实施例限于所例示的具体数值或具体场景。本领域技术人员根据所给出的上述举例说明，显然可以进行各种等价的修改或变化，这样的修改或变化也落入本申请实施例的范围内。
上文结合图1至图10，详细描述了本申请实施例提供的车辆驾驶行为的识别方法，下面将结合图11至图12，详细描述本申请的装置实施例。应理解，本申请实施例中的车辆驾驶行为的识别装置可以执行前述本申请实施例的各种方法，即以下各种产品的具体工作过程，可以参考前述方法实施例中的对应过程。
图11是本申请一个实施例提供的车辆驾驶行为的识别装置的示意性框图。
应理解，图11示出的识别装置700仅是示例，本申请实施例的装置还可包括其他模块或单元。应理解，识别装置700能够执行图6或图7的识别方法中的各个步骤，为了避免重复，此处不再详述。
如图11所示，识别装置700可以包括获取模块710和处理模块720，其中，获取模块710用于获取高精地图信息以及传感器采集的目标车辆的反馈数据，其中，所述目标车辆是指与自动驾驶车辆具有碰撞风险的其它车辆；处理模块720，用于根据所述反馈数据与所述高精地图信息获取所述目标车辆的目标特征，其中，所述目标特征用于表示所述目标车辆的驾驶参数信息以及所述目标车辆位于车道中的位置信息；根据所述目标特征和贝叶斯网络得到所述目标车辆的概率值，其中，所述目标车辆的概率值用于表示所述目标车辆的行为状态发生的概率，所述行为状态包括所述目标车辆的换道切入驾驶行为，所述换道切入驾驶行为是指所述目标车辆换道并切入所述自动驾驶车辆所在车道的驾驶行为；根据所述目标车辆的概率值识别所述目标车辆的行为意图，其中，所述行为意图包括所述目标车辆换道并切入所述自动驾驶车辆所在车道的驾驶行为的意图。
可选地，在一种可能的实现方式中，所述目标特征包括车道边界距离信息，所述车道边界距离信息是指所述目标车辆与相邻的所述自动驾驶车辆所在车道边界的横向距离信息，所述处理模块720具有用于：
根据所述反馈数据获取所述目标车辆的可见边信息，其中，所述反馈数据包括所述目标车辆的轮廓信息；根据所述高精地图信息获取所述自动驾驶车辆所在车道的横向边界线信息；根据所述可见边信息与所述横向边界线信息得到所述车道边界距离信息。
可选地，在一种可能的实现方式中，所述处理模块720还用于：
根据预警时间对所述目标特征进行离散化处理，得到离散处理后的目标特征，其中，所述预警时间是根据所述自动驾驶车辆的运动状态确定的；
所述处理模块720具体用于：
根据所述离散处理后的目标特征和贝叶斯网络得到所述目标车辆的概率值。
可选地，在一种可能的实现方式中，通过所述贝叶斯网络得到的任意两个时刻的所述目标车辆的概率值是相对独立的。
可选地，在一种可能的实现方式中，所述目标车辆的概率值是指融合后的目标车辆的概率值，所述处理模块720具体用于：
将当前时刻的所述目标车辆的概率值与历史时刻的所述目标车辆的概率值进行融合，得到所述融合后的目标车辆的概率值，所述历史时刻是指所述当前时刻之前的任意至少一个时刻；
根据所述融合后的目标车辆的概率值，识别所述目标车辆的行为意图。
可选地，在一种可能的实现方式中，所述处理模块720具体用于：
通过采用DS证据理论对所述当前时刻的所述目标车辆的概率值与所述历史时刻的所述目标车辆的概率值进行融合，得到所述融合后的目标车辆的概率值。
可选地，在一种可能的实现方式中，所述处理模块720具体用于：
根据预设的时间窗口确定所述历史时刻；
将所述当前时刻的所述目标车辆的概率值与所述历史时刻的所述目标车辆的概率值进行融合，得到所述融合后的目标车辆的概率值。
应理解，这里的识别装置700以功能单元的形式体现。这里的术语“模块”可以通过软件和/或硬件形式实现，对此不作具体限定。
例如，“模块”可以是实现上述功能的软件程序、硬件电路或二者结合。所述硬件电路可能包括应用特有集成电路(application specific integrated circuit，ASIC)、电子电路、用于执行一个或多个软件或固件程序的处理器(例如共享处理器、专有处理器或组处理器等)和存储器、合并逻辑电路和/或其它支持所描述的功能的合适组件。
因此，在本申请的实施例中描述的各示例的单元，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。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，但是这种实现不应认为超出本申请的范围。
图12是本申请一个实施例的车辆驾驶行为的识别装置的示意性框图。
图12所示的识别装置800包括存储器801、处理器802、通信接口803以及总线804。其中，存储器801、处理器802、通信接口803通过总线804实现彼此之间的通信连接。
存储器801可以是只读存储器(read only memory，ROM)，静态存储设备，动态存储设备或者随机存取存储器(random access memory，RAM)。存储器801可以存储程序，当存储器801中存储的程序被处理器802执行时，处理器802用于执行本申请实施例的车辆驾驶行为的识别方法的各个步骤，例如，可以执行图6或图7所示实施例的各个步骤。
处理器802可以采用通用的中央处理器(central processing unit，CPU)，微处理器，应用专用集成电路(application specific integrated circuit，ASIC)，或者一个或多个集成电路，用于执行相关程序，以实现本申请方法实施例的车辆驾驶行为的识别方法。
处理器802还可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，本申请实施例的车辆驾驶行为的识别方法的各个步骤可以通过处理器802中的硬件的集成逻辑电路或者软件形式的指令完成。
上述处理器802还可以是通用处理器、数字信号处理器(digital signalprocessing，DSP)、专用集成电路(ASIC)、现成可编程门阵列(field programmable gatearray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器801，处理器802读取存储器801中的信息，结合其硬件完成本申请实施例中自动驾驶车辆的行为规划装置包括的单元所需执行的功能，或者，执行本申请方法实施例的车辆驾驶行为的识别方法，例如，可以执行图6或图7所示实施例的各个步骤/功能。
通信接口803可以使用但不限于收发器一类的收发装置，来实现识别装置800与其他设备或通信网络之间的通信。
总线804可以包括在识别装置800各个部件(例如，存储器801、处理器802、通信接口803)之间传送信息的通路。
应注意，尽管上述识别装置800仅仅示出了存储器、处理器、通信接口，但是在具体实现过程中，本领域的技术人员应当理解，识别装置800还可以包括实现正常运行所必须的其他器件。同时，根据具体需要，本领域的技术人员应当理解，上述识别装置800还可包括实现其他附加功能的硬件器件。此外，本领域的技术人员应当理解，上述识别装置800也可仅仅包括实现本申请实施例所必须的器件，而不必包括图12中所示的全部器件。
应理解，本申请实施例所示的识别装置可以是自动驾驶车辆中的车载设备，或者，也可以是配置于车载设备中的芯片。
本申请实施例还提供一种自动驾驶车辆，该自动驾驶车辆包括执行上述方法实施例中的车辆驾驶行为的识别装置。
本申请实施例还提供一种芯片，该芯片包括收发单元和处理单元。其中，收发单元可以是输入输出电路、通信接口；处理单元为该芯片上集成的处理器或者微处理器或者集成电路；该芯片可以执行上述方法实施例中的车辆驾驶行为的识别方法。
本申请实施例还提供一种计算机可读存储介质，其上存储有指令，该指令被执行时执行上述方法实施例中的车辆驾驶行为的识别方法。
本申请实施例还提供一种包含指令的计算机程序产品，该指令被执行时执行上述方法实施例中的车辆驾驶行为的识别方法。
应理解，本申请实施例中的处理器可以为中央处理单元(central processingunit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(random accessmemory，RAM)可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，DR RAM)。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中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、或者计算机软件和电子硬件的结合来实现。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，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，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，所述单元的划分，仅仅为一种逻辑功能划分，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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (16)

1.一种车辆驾驶行为的识别方法，其特征在于，包括：
获取高精地图信息以及传感器采集的目标车辆的反馈数据，其中，所述目标车辆是指与自动驾驶车辆具有碰撞风险的其它车辆；
根据所述反馈数据与所述高精地图信息获取所述目标车辆的目标特征，其中，所述目标特征用于表示所述目标车辆的驾驶参数信息以及所述目标车辆位于车道中的位置信息；
根据所述目标特征和贝叶斯网络得到所述目标车辆的概率值，其中，所述目标车辆的概率值用于表示所述目标车辆的行为状态发生的概率，所述行为状态包括所述目标车辆的换道切入驾驶行为，所述换道切入驾驶行为是指所述目标车辆换道并切入所述自动驾驶车辆所在车道的驾驶行为；
根据所述目标车辆的概率值识别所述目标车辆的行为意图，其中，所述行为意图包括所述目标车辆换道并切入所述自动驾驶车辆所在车道的驾驶行为的意图；
其中，所述目标车辆的概率值是指融合后的目标车辆的概率值，所述根据所述目标车辆的概率值识别所述目标车辆的行为意图，包括：
将当前时刻的所述目标车辆的概率值与历史时刻的所述目标车辆的概率值进行融合，得到所述融合后的目标车辆的概率值，所述历史时刻包括所述当前时刻之前的任意至少一个时刻；
根据所述融合后的目标车辆的概率值，识别所述目标车辆的行为意图。
2.如权利要求1所述的识别方法，其特征在于，所述目标特征包括车道边界距离信息，所述车道边界距离信息是指所述目标车辆与相邻的所述自动驾驶车辆所在车道边界的横向距离信息，所述根据所述反馈数据与所述高精地图信息获取所述目标车辆的目标特征，包括：
根据所述反馈数据获取所述目标车辆的可见边信息，其中，所述反馈数据包括所述目标车辆的轮廓信息；
根据所述高精地图信息获取所述自动驾驶车辆所在车道的横向边界线信息；
根据所述可见边信息与所述横向边界线信息得到所述车道边界距离信息。
3.如权利要求1所述的识别方法，其特征在于，还包括：
根据预警时间对所述目标特征进行离散化处理，得到离散处理后的目标特征，其中，所述预警时间是根据所述自动驾驶车辆的运动状态确定的；
所述根据所述目标特征和贝叶斯网络得到所述目标车辆的概率值，包括：
根据所述离散处理后的目标特征和所述贝叶斯网络得到所述目标车辆的概率值。
4.如权利要求1或2所述的识别方法，其特征在于，通过所述贝叶斯网络得到的任意两个时刻的所述目标车辆的概率值是相对独立的。
5.如权利要求1所述的识别方法，其特征在于，所述将当前时刻的所述目标车辆的概率值与历史时刻的所述目标车辆的概率值进行融合，得到所述融合后的目标车辆的概率值，包括：
通过采用DS证据理论对所述当前时刻的所述目标车辆的概率值与所述历史时刻的所述目标车辆的概率值进行融合，得到所述融合后的目标车辆的概率值。
6.如权利要求5所述的识别方法，其特征在于，所述将当前时刻的所述目标车辆的概率值与历史时刻的所述目标车辆的概率值进行融合，得到所述融合后的目标车辆概率值，包括：
根据预设的时间窗口确定所述历史时刻；
将所述当前时刻的所述目标车辆的概率值与所述历史时刻的所述目标车辆的概率值进行融合，得到所述融合后的目标车辆的概率值。
7.一种车辆驾驶行为的识别装置，其特征在于，包括：
获取模块，用于获取高精地图信息以及传感器采集的目标车辆的反馈数据，其中，所述目标车辆是指与自动驾驶车辆具有碰撞风险的其它车辆；
处理模块，用于根据所述反馈数据与所述高精地图信息获取所述目标车辆的目标特征，其中，所述目标特征用于表示所述目标车辆的驾驶参数信息以及所述目标车辆位于车道中的位置信息；根据所述目标特征和贝叶斯网络得到所述目标车辆的概率值，其中，所述目标车辆的概率值用于表示所述目标车辆的行为状态发生的概率，所述行为状态包括所述目标车辆的换道切入驾驶行为，所述换道切入驾驶行为是指所述目标车辆换道并切入所述自动驾驶车辆所在车道的驾驶行为；根据所述目标车辆的概率值识别所述目标车辆的行为意图，其中，所述行为意图包括所述目标车辆换道并切入所述自动驾驶车辆所在车道的驾驶行为的意图；
其中，所述目标车辆的概率值是指融合后的目标车辆的概率值，所述处理模块具体用于：
将当前时刻的所述目标车辆的概率值与历史时刻的所述目标车辆的概率值进行融合，得到所述融合后的目标车辆的概率值，所述历史时刻包括所述当前时刻之前的任意至少一个时刻；
根据所述融合后的目标车辆的概率值，识别所述目标车辆的行为意图。
8.如权利要求7所述的识别装置，其特征在于，所述处理模块具体用于：
根据所述反馈数据获取所述目标车辆的可见边信息，其中，所述反馈数据包括所述目标车辆的轮廓信息；
根据所述高精地图信息获取所述自动驾驶车辆所在车道的横向边界线信息；
根据所述可见边信息与所述横向边界线信息得到所述车道边界距离信息。
9.如权利要求7所述的识别装置，其特征在于，所述处理模块还用于：
根据预警时间对所述目标特征进行离散化处理，得到离散处理后的目标特征，其中，所述预警时间是根据所述自动驾驶车辆的运动状态确定的；
所述处理模块具体用于：
根据所述离散处理后的目标特征和贝叶斯网络得到所述目标车辆的概率值。
10.如权利要求7或8所述的识别装置，其特征在于，通过所述贝叶斯网络得到的任意两个时刻的所述目标车辆的概率值是相对独立的。
11.如权利要求7所述的识别装置，其特征在于，所述处理模块具体用于：
通过采用DS证据理论对所述当前时刻的所述目标车辆的概率值与所述历史时刻的所述目标车辆的概率值进行融合，得到所述融合后的目标车辆的概率值。
12.如权利要求11所述的识别装置，其特征在于，所述处理模块具体用于：
根据预设的时间窗口确定所述历史时刻；
将所述当前时刻的所述目标车辆的概率值与所述历史时刻的所述目标车辆的概率值进行融合，得到所述融合后的目标车辆的概率值。
13.一种车辆驾驶行为的识别装置，其特征在于，包括处理器和存储器，所述存储器用于存储程序指令，所述处理器用于调用所述程序指令来执行权利要求1至6中任一项所述的识别方法。
14.一种自动驾驶车辆，其特征在于，包括权利要求7至12任一项所述的识别装置。
15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序指令，当所述程序指令由处理器运行时，实现权利要求1至6中任一项所述的识别方法。
16.一种芯片，其特征在于，所述芯片包括处理器与数据接口，所述处理器通过所述数据接口读取存储器上存储的指令，以执行如权利要求1至6中任一项所述的识别方法。
CN202010246907.1A 2020-03-31 2020-03-31 车辆驾驶行为的识别方法以及识别装置 Active CN113460042B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010246907.1A CN113460042B (zh) 2020-03-31 2020-03-31 车辆驾驶行为的识别方法以及识别装置
PCT/CN2021/075057 WO2021196879A1 (zh) 2020-03-31 2021-02-03 车辆驾驶行为的识别方法以及识别装置
EP21780229.7A EP4129789A4 (en) 2020-03-31 2021-02-03 METHOD AND DEVICE FOR RECOGNIZING VEHICLE DRIVING BEHAVIOR

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010246907.1A CN113460042B (zh) 2020-03-31 2020-03-31 车辆驾驶行为的识别方法以及识别装置

Publications (2)

Publication Number Publication Date
CN113460042A CN113460042A (zh) 2021-10-01
CN113460042B true CN113460042B (zh) 2022-12-30

Family

ID=77866073

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010246907.1A Active CN113460042B (zh) 2020-03-31 2020-03-31 车辆驾驶行为的识别方法以及识别装置

Country Status (3)

Country Link
EP (1) EP4129789A4 (zh)
CN (1) CN113460042B (zh)
WO (1) WO2021196879A1 (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12065170B2 (en) * 2021-09-28 2024-08-20 GM Global Technology Operations LLC Automated driving systems and control logic for lane localization of target objects in mapped environments
CN114115247B (zh) * 2021-11-10 2024-03-26 北京三快在线科技有限公司 一种无人设备控制方法、装置、存储介质及电子设备
CN114475650B (zh) * 2021-12-01 2022-11-01 中铁十九局集团矿业投资有限公司 一种车辆行驶行为确定方法、装置、设备及介质
CN114274975A (zh) * 2021-12-16 2022-04-05 武汉路特斯汽车有限公司 端对端自动驾驶控制方法、装置、电子设备及存储介质
CN114543828A (zh) * 2022-02-21 2022-05-27 中国第一汽车股份有限公司 车辆切入场景生成方法、装置、电子设备及存储介质
CN114312813B (zh) * 2022-03-04 2022-07-29 苏州挚途科技有限公司 切入自车道的车辆确认方法、装置和电子设备
CN114537441A (zh) * 2022-03-17 2022-05-27 福思(杭州)智能科技有限公司 一种车辆行驶意图预测方法、装置、系统及车辆
CN114954523B (zh) * 2022-04-29 2024-07-23 重庆长安汽车股份有限公司 自动驾驶车辆周边目标切入概率预测方法及存储介质
CN115366921B (zh) * 2022-09-26 2024-09-24 重庆长安汽车股份有限公司 自动驾驶车辆的行为决策方法、装置、车辆及存储介质
CN115503756A (zh) * 2022-09-30 2022-12-23 华为技术有限公司 一种智能驾驶决策方法、决策装置以及车辆
CN115326079B (zh) * 2022-10-11 2023-01-13 禾多科技（北京）有限公司 车辆车道级定位方法、装置、设备和计算机可读介质
CN115909813B (zh) * 2022-12-06 2024-10-18 中国第一汽车股份有限公司 一种车辆碰撞预警方法、装置、设备及存储介质
CN117315938B (zh) * 2023-10-19 2024-08-20 广州市城市规划勘测设计研究院有限公司 一种高速公路车辆换道风险估算方法、介质及设备
CN118013234B (zh) * 2024-04-08 2024-06-14 浙江吴霞科技有限公司 基于多源异构大数据的重点车辆驾驶员画像智能生成系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105589880A (zh) * 2014-10-23 2016-05-18 标致·雪铁龙汽车公司 从长期人类历史驾驶数据中分割车道变换行为数据的自动方法
CN107330356A (zh) * 2017-05-15 2017-11-07 开易（北京）科技有限公司 一种基于学习的在线车道变线预测方法及系统
US10414395B1 (en) * 2018-04-06 2019-09-17 Zoox, Inc. Feature-based prediction
CN110834644A (zh) * 2019-10-30 2020-02-25 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

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102012008659A1 (de) * 2012-05-03 2012-11-29 Daimler Ag Verhahren zur Situationsanalyse von Einscher,-Ausscher-, Einfädel- und/oder Ausfädelvorgängen von Fahrzeugen
KR102452553B1 (ko) * 2017-12-07 2022-10-07 현대자동차주식회사 자율 주행 제어 장치 및 그의 타겟 전환 방법
CN110146100B (zh) * 2018-02-13 2021-08-13 华为技术有限公司 轨迹预测方法、装置及存储介质
CN110487288B (zh) * 2018-05-14 2024-03-01 华为技术有限公司 一种行车道路的估计方法以及行车道路估计系统
US11104334B2 (en) * 2018-05-31 2021-08-31 Tusimple, Inc. System and method for proximate vehicle intention prediction for autonomous vehicles
CN109727490B (zh) * 2019-01-25 2021-10-12 江苏大学 一种基于行车预测场的周边车辆行为自适应矫正预测方法
CN109866776A (zh) * 2019-01-29 2019-06-11 青岛科技大学 适用于三车道复杂环境的驾驶偏好辨识方法、设备和介质
CN110164183A (zh) * 2019-05-17 2019-08-23 武汉理工大学 一种在车车通信条件下考虑他车驾驶意图的安全辅助驾驶预警方法
CN110597245B (zh) * 2019-08-12 2020-11-20 北京交通大学 基于二次型规划和神经网络的自动驾驶换道轨迹规划方法
CN110884490B (zh) * 2019-10-28 2021-12-07 广州小鹏汽车科技有限公司 一种车辆侵入判断及辅助行驶的方法、系统、车辆及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105589880A (zh) * 2014-10-23 2016-05-18 标致·雪铁龙汽车公司 从长期人类历史驾驶数据中分割车道变换行为数据的自动方法
CN107330356A (zh) * 2017-05-15 2017-11-07 开易（北京）科技有限公司 一种基于学习的在线车道变线预测方法及系统
US10414395B1 (en) * 2018-04-06 2019-09-17 Zoox, Inc. Feature-based prediction
CN110834644A (zh) * 2019-10-30 2020-02-25 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

Also Published As

Publication number Publication date
EP4129789A4 (en) 2023-08-30
WO2021196879A1 (zh) 2021-10-07
CN113460042A (zh) 2021-10-01
EP4129789A1 (en) 2023-02-08

Similar Documents

Publication Publication Date Title
CN113460042B (zh) 车辆驾驶行为的识别方法以及识别装置
CN110379193B (zh) 自动驾驶车辆的行为规划方法及行为规划装置
CN109901574B (zh) 自动驾驶方法及装置
JP7540641B2 (ja) 自動運転方法、関連装置及びコンピュータ読み取り可能記憶媒体
CN112230642B (zh) 道路可行驶区域推理方法及装置
WO2021102955A1 (zh) 车辆的路径规划方法以及车辆的路径规划装置
WO2022016457A1 (zh) 控制车辆驾驶模式切换的方法和装置
EP4086875A1 (en) Self-driving method and related device
CN112429016B (zh) 一种自动驾驶控制方法及装置
CN113156927A (zh) 自动驾驶车辆的安全控制方法及安全控制装置
EP4316935A1 (en) Method and apparatus for obtaining lane change area
CN114440908B (zh) 一种规划车辆驾驶路径的方法、装置、智能车以及存储介质
WO2022062825A1 (zh) 车辆的控制方法、装置及车辆
CN113968242B (zh) 自动驾驶场景生成方法、装置及系统
US20230211809A1 (en) Autonomous driving method and apparatus
CN114261404A (zh) 一种自动驾驶方法及相关装置
CN113859265A (zh) 一种驾驶过程中的提醒方法及设备
CN113022573B (zh) 道路结构检测方法及装置
WO2022127502A1 (zh) 控制方法和装置
WO2021254000A1 (zh) 车辆纵向运动参数的规划方法和装置
CN112654547A (zh) 驾驶提醒的方法、装置及系统
CN114981138A (zh) 车辆可行驶区域的检测方法以及检测装置
CN117944671A (zh) 一种目标行为预测方法、智能设备及车辆
CN116802580A (zh) 一种路径约束方法及装置
WO2022061725A1 (zh) 交通元素的观测方法和装置

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