CN113548054B - 基于时序的车辆变道意图预测方法及系统 - Google Patents
基于时序的车辆变道意图预测方法及系统 Download PDFInfo
- Publication number
- CN113548054B CN113548054B CN202110767078.6A CN202110767078A CN113548054B CN 113548054 B CN113548054 B CN 113548054B CN 202110767078 A CN202110767078 A CN 202110767078A CN 113548054 B CN113548054 B CN 113548054B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane
- probability
- time sequence
- cut
- 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
Links
- 230000008859 change Effects 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000001133 acceleration Effects 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000010365 information processing Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 18
- 239000013598 vector Substances 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000031427 Foetal heart rate deceleration Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- 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
-
- 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
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18163—Lane change; Overtaking manoeuvres
-
- 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
- G08G1/16—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
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
-
- 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
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4042—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
- B60W2720/00—Output or target parameters relating to overall vehicle dynamics
- B60W2720/10—Longitudinal speed
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于时序的车辆变道意图预测方法及系统,涉及智能驾驶技术领域。本发明提供了的基于时序的车辆变道意图预测方法,包括以下步骤:获取临车道车辆轨迹时序信息,轨迹时序信息包括临车道的每个车辆的实时位置、实时车速、实时加速度、实时车速方差和实时车速协方差;根据获取的车辆轨迹时序信息,获取临车道车辆的预测轨迹信息;根据获取的临车道车辆的预测轨迹信息,获取临车道车辆的变道意图。本发明提供的基于时序的车辆变道意图预测方法,通过获取车辆的轨迹时序信息,获取临车道车辆的预测轨迹信息,从而获取临车道车辆的变道意图,提供了一种准确的临车道变道意图预测方法,便于本车道车辆及时作出变道对策,保障行车安全。
Description
技术领域
本发明涉及搭载智能辅助驾驶技术领域,具体是涉及一种基于时序的车辆变道意图预测方法及系统。
背景技术
随着汽车驾车人员类型越来越丰富,驾驶的安全性、便利性也受到广大用户的重视。级高级辅助驾驶功能近年来逐渐成为一种主流的安全配置。
目前市面上主流的搭载智能辅助驾驶系统的车辆,只有在临车道车辆切入,满足一定重合率的情况下才会进行减速,在重合率未达到一定阈值时不会产生动作。而在临车道车辆有切入意图时,富有经验的人类驾驶员会进行加速或者减速避让。这会造成使用智能驾驶系统时,遇到临车道车辆的突然加塞,智能辅助驾驶汽车会产生较大的减速度,而不是在临车道车辆完成加塞前,产生加塞意图时就产生一定的反应动作。为了使智能驾驶辅助系统更加智能,我们提出一种基于时序信息的车辆变道意图预测方法。这种方法能够对车辆轨迹持续进行观测,当车辆具备切入本车道的意图时,本车即可进行响应,如鸣笛警示,减速避让等。
现有技术提供的一种自动驾驶车辆及其变道控制方法和系统,公开一种自动驾驶车辆及其变道控制方法和系统,其解决现有技术中无法为车辆规划出一条安全可靠的变道路径,实现车辆自动、安全可靠的变道控制的问题。该方法包括根据主车和至少一个邻近车辆的当前车辆状态和目标车辆状态,确定主车变道到相邻车道上的一个目标点为第一目标点,并确定主车所在车道上执行变道操作的一个点为第二目标点,确定主车从当前位置行驶到第二目标点的轨迹为第一轨迹、以及从第二目标点行驶到第一目标点的轨迹为第二轨迹,控制车辆对第一轨迹和第二轨迹进行追踪,从当前位置行驶到相邻车道上的第一目标点。但是该方法未使用大量的数据对轨迹进行训练,因此缺少对目标轨迹特点的详细描述,并且使用基于规则的方法对轨迹进行预测,实际应用性较差,因此不具备对大规模场景的泛化能力。
现有技术公开了一种基于机器学习的车辆驾驶行为预测方法,该主要提供一种基于机器学习的车辆驾驶行为预测方法,涉及车联网领域,意在利用机器学习技术,挖掘车辆属性、道路信息以及行驶环境信息与车辆驾驶行为之间的关系,提高车辆驾驶行为预测的准确性。具体步骤包括:步骤1,定义特征集:车辆特征定义,道路特征定义,车辆行驶环境定义;步骤2,车辆位移预测模型:特征提取与数据预处理:车辆与前方路口距离特征提取,路口允许转向动作特征提取,标签提取;车辆位移预测模型:训练样本集定义,车辆位移预测模型训练;步骤3,车辆驾驶行为预测模型:高斯分量定义;步骤4,车辆驾驶行为预测。该方法使用全连接网络预测位移,未使用时序神经网络,对时序信息的利用不足;未结合车辆变道信息,主要预测了车辆的原地不动信息,即车辆直行,左转,右转,调头,对智能驾驶辅助系统中的痛点:针对临车道车辆加塞缺乏对策方案。
发明内容
本发明的目的是为了克服上述背景技术的不足,提供一种基于时序的车辆变道意图预测方法及系统。
第一方面,本发明提供了一种基于时序的车辆变道意图预测方法,包括以下步骤:
获取临车道车辆轨迹时序信息,所述轨迹时序信息包括临车道的每个车辆的实时位置、实时车速、实时加速度、实时车速方差和实时车速协方差;
根据获取的车辆轨迹时序信息,获取临车道车辆的预测轨迹信息;
根据获取的临车道车辆的预测轨迹信息,获取临车道车辆的变道意图。
根据第一方面,在第一方面第一种可能的实现方式中,所述“根据获取的临车道车辆的预测轨迹信息,获取临车道车辆的变道意图”步骤,具体包括以下步骤:
获取预设的车辆轨迹时序信息和切入概率的关系模型;
根据获取的车辆轨迹时序信息以及车辆轨迹时序信息和切入概率的关系模型,获取临车道车辆的切入概率;
根据获取临车道车辆的切入概率,获取临车道车辆的变道意图。
根据第一方面第一种可能的实现方式,在第一方面第二种可能的实现方式中,所述“根据获取临车道车辆的切入概率,获取临车道车辆的变道意图”步骤,具体包括以下步骤:
比对获取的临车道车辆的切入概率和变道概率阈值,获取比对结果;
根据获取的比对结果,获取临车道车辆的变道意图。
根据第一方面第二种可能的实现方式,在第一方面第三种可能的实现方式中,所述“根据获取的比对结果,获取临车道车辆的变道意图”步骤,具体包括以下步骤:
当临车道车辆的切入概率大于所述变道概率阈值时,判定该临车道车辆存在变道意图;
当临车道车辆的切入概率不大于所述变道概率阈值时,判定该临车道车辆不存在变道意图。
根据第一方面第三种可能的实现方式,在第一方面第四种可能的实现方式中,所述“根据获取的比对结果,获取临车道车辆的变道意图”步骤之后,还包括以下步骤:
获取临车道车辆的行驶工况和本车道车辆的行驶工况;
根据获取的临车道车辆的行驶工况和本车道车辆的行驶工况,控制本车道车辆执行针对临车道车辆的变道对策。
根据第一方面第四种可能的实现方式,在第一方面第五种可能的实现方式中,所述“根据获取的临车道车辆的行驶工况和本车道车辆的行驶工况,控制本车道车辆执行针对临车道车辆的变道对策”步骤,具体包括以下步骤:
当临车道车辆的切入概率大于所述变道概率阈值并且临车道车辆的车速相对于本车道车辆车速较低,控制本车道车辆减速。
根据第一方面第五种可能的实现方式,在第一方面第六种可能的实现方式中,所述“根据获取的临车道车辆的行驶工况和本车道车辆的行驶工况,控制本车道车辆执行针对临车道车辆的变道对策”步骤之后,还包括以下步骤:
当临车道车辆的切入概率不大于所述变道概率阈值并且临车道车辆的单轮压线,控制本车道车辆正常行驶车速跟车行驶并且执行鸣笛警示指令。
根据第一方面第一种可能的实现方式,在第一方面第七种可能的实现方式中,所述“获取预设的车辆轨迹时序信息和切入概率的关系模型”步骤,具体包括以下步骤:
获取车辆轨迹时序信息;
根据获取的车辆轨迹时序信息和车辆各轨迹时序信息的权重值字母代号,加权建立车辆各轨迹时序信息和理论切入概率的关系模型;
将获取的车辆轨迹时序信息进行实车试验,获取实际切入工况;
比对理论切入概率和实际切入工况,对车辆各轨迹时序信息的权重值进行调节,直至经加权计算得到的理论切入概率符合实际切入工况;
将最终的车辆各轨迹时序信息的权重值和车辆各轨迹时序信息建立预设的车辆轨迹时序信息和切入概率的关系模型。
第二方面,本发明提供了一种基于时序的车辆变道意图预测系统,包括:
轨迹时序信息获取模块,用于获取临车道车辆轨迹时序信息,所述轨迹时序信息包括临车道的每个车辆的实时位置、实时车速、实时加速度、实时车速方差和实时车速协方差;
预测轨迹信息获取模块,与所述轨迹时序信息获取模块通信连接,用于根据获取的车辆轨迹时序信息,获取临车道车辆的预测轨迹信息;
变道意图获取模块,与所述预测轨迹信息获取模块通信连接,用于根据获取的临车道车辆的预测轨迹信息,获取临车道车辆的变道意图。
根据第二方面第一种可能的实现方式,在第二方面第一种可能的实现方式中,所述变道意图获取模块进一步包括:
关系模型获取单元,用于获取预设的车辆轨迹时序信息和切入概率的关系模型;
切入概率获取单元,与所述关系模型获取单元通信连接,用于根据获取的车辆轨迹时序信息以及车辆轨迹时序信息和切入概率的关系模型,获取临车道车辆的切入概率;
变道意图获取单元,与所述切入概率获取单元通信连接,用于根据获取的临车道车辆的切入概率,获取临车道车辆的变道意图。
与现有技术相比,本发明的优点如下:
本发明提供的基于时序的车辆变道意图预测方法,通过获取车辆的轨迹时序信息,获取临车道车辆的预测轨迹信息,从而获取临车道车辆的变道意图,提供了一种准确的临车道变道意图预测方法,便于本车道车辆及时作出变道对策,保障行车安全。
附图说明
图1是本发明实施例提供的基于时序的车辆变道意图预测方法的方法流程图;
图2是本发明实施例提供的基于时序的车辆变道意图预测方法的另一方法流程图;
图3是本发明实施例提供的基于时序的车辆变道意图预测方法的时序神经网络训练流程示意图;
图4是本发明实施例提供的基于时序的车辆变道意图预测方法的特性向量及分类器训练流程示意图;
图5是本发明实施例提供的基于时序的车辆变道意图预测系统的功能模块框图;
图6是本发明实施例提供的基于时序的车辆变道意图预测系统的另一功能模块框图。
图中,100、轨迹时序信息获取模块;200、预测轨迹信息获取模块;300、变道意图获取模块;310、关系模型获取单元;320、切入概率获取单元;330、变道意图获取单元。
具体实施方式
现在将详细参照本发明的具体实施例,在附图中例示了本发明的例子。尽管将结合具体实施例描述本发明,但将理解,不是想要将本发明限于所述的实施例。相反,想要覆盖由所附权利要求限定的在本发明的精神和范围内包括的变更、修改和等价物。应注意,这里描述的方法步骤都可以由任何功能块或功能布置来实现,且任何功能块或功能布置可被实现为物理实体或逻辑实体、或者两者的组合。
为了使本领域技术人员更好地理解本发明,下面结合附图和具体实施方式对本发明作进一步详细说明。
注意:接下来要介绍的示例仅是一个具体的例子,而不作为限制本发明的实施例必须为如下具体的步骤、数值、条件、数据、顺序等等。本领域技术人员可以通过阅读本说明书来运用本发明的构思来构造本说明书中未提到的更多实施例。
参见图1所示,本发明实施例提供一种基于时序的车辆变道意图预测方法及系统,包括以下步骤:
S100、获取临车道车辆轨迹时序信息,所述轨迹时序信息包括临车道的每个车辆的实时位置、实时车速、实时加速度、实时车速方差和实时车速协方差;
S200、根据获取的车辆轨迹时序信息,获取临车道车辆的预测轨迹信息;
S300、根据获取的临车道车辆的预测轨迹信息,获取临车道车辆的变道意图。
本发明提供的基于时序的车辆变道意图预测方法,通过获取车辆的轨迹时序信息,获取临车道车辆的预测轨迹信息,从而获取临车道车辆的变道意图,提供了一种准确的临车道变道意图预测方法,便于本车道车辆及时作出变道对策,保障行车安全。
在一实施例中,请参考图2所示,所述“根据获取的临车道车辆的预测轨迹信息,获取临车道车辆的变道意图”步骤,具体包括以下步骤:
S310、获取预设的车辆轨迹时序信息和切入概率的关系模型;
S320、根据获取的车辆轨迹时序信息以及车辆轨迹时序信息和切入概率的关系模型,获取临车道车辆的切入概率;
S330、根据获取临车道车辆的切入概率,获取临车道车辆的变道意图。
在一实施例中,所述“获取预设的车辆轨迹时序信息和切入概率的关系模型”步骤,具体包括以下步骤:
获取车辆轨迹时序信息;
根据获取的车辆轨迹时序信息和车辆各轨迹时序信息的权重值字母代号,加权建立车辆各轨迹时序信息和理论切入概率的关系模型;
将获取的车辆轨迹时序信息进行实车试验,获取实际切入工况;
比对理论切入概率和实际切入工况,对车辆各轨迹时序信息的权重值进行调节,直至经加权计算得到的理论切入概率符合实际切入工况;
将最终的车辆各轨迹时序信息的权重值和车辆各轨迹时序信息建立预设的车辆轨迹时序信息和切入概率的关系模型。
在一实施例中,所述车辆各轨迹时序信息的权重值经时序神经网络训练得到调整后的权重值。
在一实施例中,时序神经网络的处理流程如图3所示:
给定车辆的初始状态,时序神经网络从左往右依次传播,w1的状态只和初始状态和该时刻的输入t1有关,预测输出为p1状态,输出p1为车辆实时位置、实时车速、实时加速度、实时车速方差和实时车速协方差等组成特征向量。w2状态只和前一时刻的状态w1和该时刻的输入t2有关,而w1又和前一时刻的状态有关。如此循环下去组成了时序神经网络。对于当前状态,通过过去一段时间的输出特征向量(如图4中的特征向量(tn-tm)是由pm到pn的一系列输出向量组成),循环预测出未来一段时间的输出特征向量。时序神经网络的训练过程,就是训练过去时间的输出作为当前输入的权重值、当前输入特征向量的权重值以及当前输出特征向量的权重值。
在一实施例中,特征向量特性向量及分类器训练流程如图4所示:
训练过程为,对于多源传感器采集到的数据,由一段时间的实际输出组成特征向量,特征向量包括车辆实时位置、实时车速、实时加速度、实时车速方差和实时车速协方差等,并结合行车记录仪信息,判断经过这段输出后的一段时间内车辆有没有变道到当前车辆前方,构建出由输出向量pm到pn组成的特征向量和是否变道目标相对应的训练集,训练出特征向量分类器。分类器通过对时序神经网络预测的未来一段时间内的输出的特征向量进行分类,判断出车辆未来是否变道目标的概率,以实现提前预测的功能。
本发明提取车辆各轨迹时序信息,使用深度学习算法,在积累大量驾驶里程和驾驶场景数据的基础上,使用时序神经网络进行轨迹预测,并将预测的轨迹形成特征向量,结合车辆是否存在切入动作,进行分类器训练;完成训练后,将此分类器部署于智能驾驶控制器内,针对临车道可能切入的目标车辆,积累其历史轨迹信息,并送入时序神经网络获取预测轨迹信息,形成特征向量,送入训练好的分类器,获得临车道车辆切入的概率。当概率达到一定阈值时,将此目标认定为关键控制目标或危险目标,车辆规划控制模块产生提前减速避让、鸣笛或灯光提醒等请求,增强智能驾驶辅助系统的舒适性和安全性。
在一实施例中,所述“根据获取临车道车辆的切入概率,获取临车道车辆的变道意图”步骤,具体包括以下步骤:
比对获取的临车道车辆的切入概率和变道概率阈值,获取比对结果;
根据获取的比对结果,获取临车道车辆的变道意图。
在一实施例中,所述“根据获取的比对结果,获取临车道车辆的变道意图”步骤,具体包括以下步骤:
当临车道车辆的切入概率大于所述变道概率阈值时,判定该临车道车辆存在变道意图;
当临车道车辆的切入概率不大于所述变道概率阈值时,判定该临车道车辆不存在变道意图。
在一实施例中,所述“根据获取的比对结果,获取临车道车辆的变道意图”步骤之后,还包括以下步骤:
获取临车道车辆的行驶工况和本车道车辆的行驶工况;
根据获取的临车道车辆的行驶工况和本车道车辆的行驶工况,控制本车道车辆执行针对临车道车辆的变道对策。
在一实施例中,所述“根据获取的临车道车辆的行驶工况和本车道车辆的行驶工况,控制本车道车辆执行针对临车道车辆的变道对策”步骤,具体包括以下步骤:
当临车道车辆的切入概率大于所述变道概率阈值并且临车道车辆的车速相对于本车道车辆车速较低,且存在碰撞风险,则自车提前减速避让,使减速度较为平缓,减少本车车辆行驶顿挫感,更加智能舒适。
在一实施例中,所述“根据获取的临车道车辆的行驶工况和本车道车辆的行驶工况,控制本车道车辆执行针对临车道车辆的变道对策”步骤之后,还包括以下步骤:
当临车道车辆的切入概率不大于所述变道概率阈值并且临车道车辆的单轮压线,控制本车道车辆正常行驶车速跟车行驶并且执行鸣笛警示指令,避免由临车道车辆引起的本车误减速动作,不易引起驾驶员抱怨。
基于同一发明构思,请参考图5,本发明提供了一种基于时序的车辆变道意图预测系统,包括:
轨迹时序信息获取模块100,用于获取临车道车辆轨迹时序信息,所述轨迹时序信息包括临车道的每个车辆的实时位置、实时车速、实时加速度、实时车速方差和实时车速协方差;
预测轨迹信息获取模块200,与所述轨迹时序信息获取模块100通信连接,用于根据获取的车辆轨迹时序信息,获取临车道车辆的预测轨迹信息;
变道意图获取模块300,与所述预测轨迹信息获取模块200通信连接,用于根据获取的临车道车辆的预测轨迹信息,获取临车道车辆的变道意图。
如上所述,所述轨迹时序信息获取模块实现为多源传感器,包括雷达、相机和惯性导航等。
在一实施例中,请参考图6,所述变道意图获取模块进一步包括:
关系模型获取单元310,用于获取预设的车辆轨迹时序信息和切入概率的关系模型;
切入概率获取单元320,与所述关系模型获取单元310通信连接,用于根据获取的车辆轨迹时序信息以及车辆轨迹时序信息和切入概率的关系模型,获取临车道车辆的切入概率;
变道意图获取单元330,与所述切入概率获取单元320通信连接,用于根据获取的临车道车辆的切入概率,获取临车道车辆的变道意图。
基于同一发明构思,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法的所有方法步骤或部分方法步骤。
本发明实现上述方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Ra ndomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
基于同一发明构思,本申请实施例还提供一种电子设备,包括存储器和处理器,存储器上储存有在处理器上运行的计算机程序,处理器执行计算机程序时实现上述方法中的所有方法步骤或部分方法步骤。
所称处理器可以是中央处理单元(Central Processing Unit,CP U),还可以是其他通用处理器、数字信号处理器(Digital Signal Pr ocessor,DSP)、专用集成电路(Application Specific Integrated Circ uit,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,处理器是计算机装置的控制中心,利用各种接口和线路连接整个计算机装置的各个部分。
存储器可用于存储计算机程序和/或模块,处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(例如声音播放功能、图像播放功能等);存储数据区可存储根据手机的使用所创建的数据(例如音频数据、视频数据等)。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Fl ash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、服务器或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、服务器和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于时序的车辆变道意图预测方法,其特征在于,包括以下步骤:
获取临车道车辆轨迹时序信息,所述轨迹时序信息包括临车道的每个车辆的实时位置、实时车速、实时加速度、实时车速方差和实时车速协方差;
根据获取的车辆轨迹时序信息,获取临车道车辆的预测轨迹信息;
根据获取的临车道车辆的预测轨迹信息,获取临车道车辆的变道意图;
所述“根据获取的临车道车辆的预测轨迹信息,获取临车道车辆的变道意图”步骤,具体包括以下步骤:
获取预设的车辆轨迹时序信息和切入概率的关系模型;
根据获取的车辆轨迹时序信息以及车辆轨迹时序信息和切入概率的关系模型,获取临车道车辆的切入概率;
根据获取临车道车辆的切入概率,获取临车道车辆的变道意图;
所述“根据获取临车道车辆的切入概率,获取临车道车辆的变道意图”步骤,具体包括以下步骤:
比对获取的临车道车辆的切入概率和变道概率阈值,获取比对结果;
根据获取的比对结果,获取临车道车辆的变道意图;
所述“根据获取的比对结果,获取临车道车辆的变道意图”步骤,具体包括以下步骤:
当临车道车辆的切入概率大于所述变道概率阈值时,判定该临车道车辆存在变道意图;
当临车道车辆的切入概率不大于所述变道概率阈值时,判定该临车道车辆不存在变道意图。
2.如权利要求1所述的基于时序的车辆变道意图预测方法,其特征在于,所述“根据获取的比对结果,获取临车道车辆的变道意图”步骤之后,还包括以下步骤:
获取临车道车辆的行驶工况和本车道车辆的行驶工况;
根据获取的临车道车辆的行驶工况和本车道车辆的行驶工况,控制本车道车辆执行针对临车道车辆的变道对策。
3.如权利要求2所述的基于时序的车辆变道意图预测方法,其特征在于,所述“根据获取的临车道车辆的行驶工况和本车道车辆的行驶工况,控制本车道车辆执行针对临车道车辆的变道对策”步骤,具体包括以下步骤:
当临车道车辆的切入概率大于所述变道概率阈值并且临车道车辆的车速相对于本车道车辆车速较低,控制本车道车辆减速。
4.如权利要求3所述的基于时序的车辆变道意图预测方法,其特征在于,所述“根据获取的临车道车辆的行驶工况和本车道车辆的行驶工况,控制本车道车辆执行针对临车道车辆的变道对策”步骤之后,还包括以下步骤:
当临车道车辆的切入概率不大于所述变道概率阈值并且临车道车辆的单轮压线,控制本车道车辆正常行驶车速跟车行驶并且执行鸣笛警示指令。
5.如权利要求1所述的基于时序的车辆变道意图预测方法,其特征在于,所述“获取预设的车辆轨迹时序信息和切入概率的关系模型”步骤,具体包括以下步骤:
获取车辆轨迹时序信息;
根据获取的车辆轨迹时序信息和车辆各轨迹时序信息的权重值字母代号,加权建立车辆各轨迹时序信息和理论切入概率的关系模型;
将获取的车辆轨迹时序信息进行实车试验,获取实际切入工况;
比对理论切入概率和实际切入工况,对车辆各轨迹时序信息的权重值进行调节,直至经加权计算得到的理论切入概率符合实际切入工况;
将最终的车辆各轨迹时序信息的权重值和车辆各轨迹时序信息建立预设的车辆轨迹时序信息和切入概率的关系模型。
6.一种基于时序的车辆变道意图预测系统,其特征在于,包括:
轨迹时序信息获取模块,用于获取临车道车辆轨迹时序信息,所述轨迹时序信息包括临车道的每个车辆的实时位置、实时车速、实时加速度、实时车速方差和实时车速协方差;
预测轨迹信息获取模块,与所述轨迹时序信息获取模块通信连接,用于根据获取的车辆轨迹时序信息,获取临车道车辆的预测轨迹信息;
变道意图获取模块,与所述预测轨迹信息获取模块通信连接,用于根据获取的临车道车辆的预测轨迹信息,获取临车道车辆的变道意图;
所述变道意图获取模块进一步包括:
关系模型获取单元,用于获取预设的车辆轨迹时序信息和切入概率的关系模型;
切入概率获取单元,与所述关系模型获取单元通信连接,用于根据获取的车辆轨迹时序信息以及车辆轨迹时序信息和切入概率的关系模型,获取临车道车辆的切入概率;
变道意图获取单元,与所述切入概率获取单元通信连接,用于根据获取的临车道车辆的切入概率,获取临车道车辆的变道意图;
所述“根据获取临车道车辆的切入概率,获取临车道车辆的变道意图”步骤,具体包括以下步骤:
比对获取的临车道车辆的切入概率和变道概率阈值,获取比对结果;
根据获取的比对结果,获取临车道车辆的变道意图;
所述“根据获取的比对结果,获取临车道车辆的变道意图”步骤,具体包括以下步骤:
当临车道车辆的切入概率大于所述变道概率阈值时,判定该临车道车辆存在变道意图;
当临车道车辆的切入概率不大于所述变道概率阈值时,判定该临车道车辆不存在变道意图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110767078.6A CN113548054B (zh) | 2021-07-07 | 2021-07-07 | 基于时序的车辆变道意图预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110767078.6A CN113548054B (zh) | 2021-07-07 | 2021-07-07 | 基于时序的车辆变道意图预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113548054A CN113548054A (zh) | 2021-10-26 |
CN113548054B true CN113548054B (zh) | 2022-10-14 |
Family
ID=78102948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110767078.6A Active CN113548054B (zh) | 2021-07-07 | 2021-07-07 | 基于时序的车辆变道意图预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113548054B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114267171A (zh) * | 2021-11-08 | 2022-04-01 | 南宁小欧技术开发有限公司 | 一种基于车辆轨迹预测的车辆控制的方法及系统 |
CN114323054B (zh) * | 2022-01-12 | 2024-04-19 | 苏州挚途科技有限公司 | 自动驾驶车辆行驶轨迹的确定方法、装置及电子设备 |
CN114506346B (zh) * | 2022-03-24 | 2023-11-21 | 重庆长安汽车股份有限公司 | 一种用于自动驾驶的速度控制方法及存储介质 |
CN114771539B (zh) * | 2022-06-16 | 2023-02-28 | 小米汽车科技有限公司 | 车辆变道决策方法、装置、存储介质及车辆 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109739246A (zh) * | 2019-02-19 | 2019-05-10 | 百度在线网络技术(北京)有限公司 | 一种变换车道过程中的决策方法、装置、设备及存储介质 |
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 |
CN110796856A (zh) * | 2019-10-16 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 车辆变道意图预测方法及变道意图预测网络的训练方法 |
CN111428943A (zh) * | 2020-04-23 | 2020-07-17 | 福瑞泰克智能系统有限公司 | 障碍物车辆轨迹预测的方法、设备和计算机设备 |
CN111942389A (zh) * | 2019-05-17 | 2020-11-17 | 罗伯特·博世有限公司 | 驾驶辅助系统及其变道确定单元和方法 |
CN112133089A (zh) * | 2020-07-21 | 2020-12-25 | 西安交通大学 | 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置 |
CN112258841A (zh) * | 2020-10-26 | 2021-01-22 | 大连大学 | 一种基于它车辆轨迹预测的智能车辆风险评估方法 |
CN112347567A (zh) * | 2020-11-27 | 2021-02-09 | 青岛莱吉传动系统科技有限公司 | 一种车辆意图和轨迹预测的方法 |
CN112530202A (zh) * | 2020-11-23 | 2021-03-19 | 中国第一汽车股份有限公司 | 一种车辆变道的预测方法、装置、设备及车辆 |
CN112562328A (zh) * | 2020-11-27 | 2021-03-26 | 腾讯科技(深圳)有限公司 | 一种车辆行为预测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11104334B2 (en) * | 2018-05-31 | 2021-08-31 | Tusimple, Inc. | System and method for proximate vehicle intention prediction for autonomous vehicles |
-
2021
- 2021-07-07 CN CN202110767078.6A patent/CN113548054B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109739246A (zh) * | 2019-02-19 | 2019-05-10 | 百度在线网络技术(北京)有限公司 | 一种变换车道过程中的决策方法、装置、设备及存储介质 |
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 |
CN111942389A (zh) * | 2019-05-17 | 2020-11-17 | 罗伯特·博世有限公司 | 驾驶辅助系统及其变道确定单元和方法 |
CN110796856A (zh) * | 2019-10-16 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 车辆变道意图预测方法及变道意图预测网络的训练方法 |
WO2021073389A1 (zh) * | 2019-10-16 | 2021-04-22 | 腾讯科技(深圳)有限公司 | 车辆自动控制方法及变道意图预测网络的训练方法 |
CN111428943A (zh) * | 2020-04-23 | 2020-07-17 | 福瑞泰克智能系统有限公司 | 障碍物车辆轨迹预测的方法、设备和计算机设备 |
CN112133089A (zh) * | 2020-07-21 | 2020-12-25 | 西安交通大学 | 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置 |
CN112258841A (zh) * | 2020-10-26 | 2021-01-22 | 大连大学 | 一种基于它车辆轨迹预测的智能车辆风险评估方法 |
CN112530202A (zh) * | 2020-11-23 | 2021-03-19 | 中国第一汽车股份有限公司 | 一种车辆变道的预测方法、装置、设备及车辆 |
CN112347567A (zh) * | 2020-11-27 | 2021-02-09 | 青岛莱吉传动系统科技有限公司 | 一种车辆意图和轨迹预测的方法 |
CN112562328A (zh) * | 2020-11-27 | 2021-03-26 | 腾讯科技(深圳)有限公司 | 一种车辆行为预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113548054A (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113548054B (zh) | 基于时序的车辆变道意图预测方法及系统 | |
US20230037367A1 (en) | Autonomous-driving-based control method and apparatus, vehicle, and related device | |
CN111427369B (zh) | 一种无人车控制方法及装置 | |
CN110843789B (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
CN113071487B (zh) | 自动驾驶车辆控制方法、装置及云端设备 | |
CN113085873B (zh) | 驾驶策略的获取方法、装置、计算机设备和存储介质 | |
CN108657176A (zh) | 车辆控制方法、装置及相关计算机程序产品 | |
CN114067569B (zh) | V2x车联网环境下车辆左转辅助预警方法 | |
US11325589B2 (en) | Vehicle control device | |
CN112631276A (zh) | 一种无人车动态障碍决策方法、系统、介质及设备 | |
CN111634293A (zh) | 一种基于交通间隙的自动驾驶车辆的自动变道方法 | |
WO2023087157A1 (zh) | 一种智能驾驶方法及应用该方法的车辆 | |
CN111967163A (zh) | 车辆仿真控制方法、装置、计算机设备及存储介质 | |
CN113306558A (zh) | 一种基于换道交互意图的换道决策方法及系统 | |
CN112896166A (zh) | 车辆换道方法、装置和电子设备 | |
CN117261903A (zh) | 一种自动驾驶车辆的变道方法及装置 | |
CN115092181A (zh) | 车辆的控制方法、装置、存储介质和处理器 | |
EP4209854A1 (en) | Overtaking planning method and apparatus, and electronic device and storage medium | |
CN114371015B (zh) | 自动驾驶测试方法、装置、计算机设备、存储介质 | |
CN113788029B (zh) | 车辆控制方法、装置及计算机程序产品 | |
JP2019164812A (ja) | 車両制御システム及び方法、並びに走行支援サーバ | |
CN111483463B (zh) | 基于车载单元和路侧单元的预判超车方法、存储介质 | |
CN112904843B (zh) | 一种自动驾驶场景确定方法、装置、电子设备及存储介质 | |
CN118238847B (zh) | 一种自适应不同驾驶风格和路面环境的自主换道决策规划方法和系统 | |
CN117208019B (zh) | 基于值分布强化学习的感知遮挡下纵向决策方法及系统 |
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 |