CN113642682A - 一种多车交互环境下的轨迹基元提取与分析方法和系统 - Google Patents

一种多车交互环境下的轨迹基元提取与分析方法和系统 Download PDF

Info

Publication number
CN113642682A
CN113642682A CN202111194805.0A CN202111194805A CN113642682A CN 113642682 A CN113642682 A CN 113642682A CN 202111194805 A CN202111194805 A CN 202111194805A CN 113642682 A CN113642682 A CN 113642682A
Authority
CN
China
Prior art keywords
vehicle
primitive
trajectory
information
track
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
CN202111194805.0A
Other languages
English (en)
Other versions
CN113642682B (zh
Inventor
龚建伟
王浩闻
李子睿
赵春青
臧政
吕超
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.)
Beili Huidong Beijing Technology Co ltd
Beijing Institute of Technology BIT
Original Assignee
Beili Huidong Beijing Technology Co ltd
Beijing Institute of Technology BIT
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 Beili Huidong Beijing Technology Co ltd, Beijing Institute of Technology BIT filed Critical Beili Huidong Beijing Technology Co ltd
Priority to CN202111194805.0A priority Critical patent/CN113642682B/zh
Publication of CN113642682A publication Critical patent/CN113642682A/zh
Application granted granted Critical
Publication of CN113642682B publication Critical patent/CN113642682B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种多车交互环境下的轨迹基元提取与分析方法和系统。该多车交互环境下的轨迹基元提取与分析方法，在采集车辆行驶信息并对行驶信息进行预处理得到交互组数据后，根据交互组数据并基于粘性层次狄利克雷过程和隐马尔可夫模型将车辆行驶过程划分为不同原始轨迹基元的组合，然后，利用动态时间规整算法存储驾驶信息并利用图像归一化方法处理原始轨迹基元得到轨迹基元图像，最后，根据轨迹基元图像聚类处理得到一般轨迹基元，进而实现了对多车交互环境中驾驶过程的模块化理解，更加贴合真实驾驶情况，具有很高的实用性。

Description

一种多车交互环境下的轨迹基元提取与分析方法和系统
技术领域
本发明涉及汽车智能交互技术领域，特别是涉及一种多车交互环境下的轨迹基元提取与分析方法和系统。
背景技术
目前，随着交通参与者数目的不断增加，路况信息日趋复杂。研究复杂和动态交通环境中的驾驶行为，对发展高级驾驶辅助系统、智能交通系统和自动驾驶有重要作用。轨迹基元则是驾驶行为的定性表述，可以反映出具有某种特征的驾驶行为，一段完整的驾驶过程可被看作是由一种或多种轨迹基元组合而成，例如：超车驾驶过程可以被看作是由向左变道、加速超越和向右变道这三种轨迹基元组合而成。轨迹基元的引入为研究多车复杂交互环境下的驾驶行为提供了一种简便可行的方案，这对理解驾驶员决策、刻画交通参与者间的影响程度等方面有极其重要的意义。
现阶段，对于轨迹基元的理解手段主要有：高斯混合模型、隐马尔可夫模型、动态贝叶斯网络等。上述方法的主要问题为：忽视历史时刻信息对基元划分结果的影响，同时需要预先对轨迹基元种类进行设定。由于驾驶过程为连续且动态的交互行为，因此历史时刻的驾驶操作势必会影响后续驾驶过程；同时，在多车复杂交互环境中，交通参与者的行为具有极大的不确定性，因此无法提前预知组成某一驾驶过程的基元种类。当前对轨迹基元的理解方法无法关注多车交互环境，具有适应性差、精确度低等问题。
发明内容
为解决现有技术中存在的上述问题，本发明提供了一种多车交互环境下的轨迹基元提取与分析方法和系统。
为实现上述目的，本发明提供了如下方案：
一种多车交互环境下的轨迹基元提取与分析方法，包括：
获取车辆行驶信息；所述车辆行驶信息包括：中心车辆位置及运动信息、周围车辆位置及运动信息和周围环境信息；周围车辆为以中心车辆为中心，设定范围内的车辆；
对所述车辆行驶信息进行预处理得到交互组数据；
根据所述交互组数据基于粘性层次狄利克雷过程和隐马尔可夫模型将车辆行驶过程进行划分得到原始轨迹基元；
利用动态时间规整算法存储驾驶信息；
利用图像归一化方法处理所述原始轨迹基元得到轨迹基元图像；
对所述轨迹基元图像进行聚类处理得到轨迹基元。
优选地，所述对所述车辆行驶信息进行预处理得到交互组数据，具体包括：
获取目标交互环境的预设限定条件；
将满足所述预设限定条件的车辆行驶信息保存为交互组数据。
优选地，所述根据所述交互组数据基于粘性层次狄利克雷过程和隐马尔可夫模型将车辆行驶过程进行划分得到原始轨迹基元，具体包括：
根据多车交互环境的差异性划分所述交互组数据得到子数据集；
获取预设的训练超参数；
基于所述预设的训练超参数，利用粘性层次狄利克雷过程和隐马尔可夫模型对所述子数据集中的交互组数据进行分组训练得到所述原始轨迹基元。
优选地，利用粘性层次狄利克雷过程和隐马尔可夫模型对所述子数据集中的交互组数据进行分组训练得到所述原始轨迹基元，具体包括：
基于层次狄利克雷过程定义轨迹基元集合元素的先验分布；
根据各子数据集中的交互组数据，基于隐马尔可夫模型和所述先验分布解析车辆行驶过程中各时刻对应的隐性状态；
根据各时刻对应的所述隐性状态得到连续的原始轨迹基元。
优选地，所述利用动态时间规整算法存储驾驶信息，具体包括：
获取索引对；所述索引对为中心车辆在i时刻的行驶信息与周围车辆在j时刻的行驶信息间对应关系的索引；
确定中心车辆与各周围车辆间的广义距离，并基于所述广义距离形成损失矩阵；
根据所述损失矩阵确定车辆行驶过程中各所述索引对间的最小累加距离；
根据所述最小累加距离得到最优索引序列；
基于所述最优索引序列确定中心车辆与周围车辆的数据对应点；
基于所述数据对应点利用代价矩阵保存驾驶信息。
优选地，所述对所述轨迹基元图像进行聚类处理得到轨迹基元，具体包括：
基于预训练模型提取所述轨迹基元图像中的信息；
采用聚类算法对提取的所述轨迹基元图像中的信息进行聚类得到轨迹基元。
优选地，所述基于预训练模型提取所述轨迹基元图像中的信息，具体包括：
基于所述轨迹基元图像中各像素点的RGB信息生成特征矩阵；
基于所述特征矩阵利用卷积神经网络得到特征向量；所述特征向量即为提取得到的所述轨迹基元图像中的信息。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的多车交互环境下的轨迹基元提取与分析方法，基于包括有中心车辆位置及运动信息、周围车辆位置及运动信息和周围环境信息的车辆行驶信息，利用机器学习的手段自动地将驾驶过程划分为不同轨迹基元的组合，并采用聚类的方法获得道路驾驶过程中的轨迹基元，最终实现对连续驾驶过程的模块化理解，具有适用性强的特点，更加符合真实的驾驶过程，具有很好的实用性。
对应于上述提供的多车交互环境下的轨迹基元提取与分析方法，本发明还提供了以下实施系统：
一种多车交互环境下的轨迹基元提取与分析系统，包括：
车辆行驶信息获取模块，用于获取车辆行驶信息；所述车辆行驶信息包括：中心车辆位置及运动信息、周围车辆位置及运动信息和周围环境信息；周围车辆为以中心车辆为中心，设定范围内的车辆；
预处理模块，用于对所述车辆行驶信息进行预处理得到交互组数据；
原始轨迹基元确定模块，用于根据所述交互组数据基于粘性层次狄利克雷过程和隐马尔可夫模型将车辆行驶过程进行划分得到原始轨迹基元；
驾驶信息存储模块，用于利用动态时间规整算法存储驾驶信息；
轨迹基元图像确定模块，用于利用图像归一化方法处理所述原始轨迹基元得到轨迹基元图像；
轨迹基元确定模块，用于对所述轨迹基元图像进行聚类处理得到轨迹基元。
因本发明提供的多车交互环境下的轨迹基元提取与分析系统达到的技术效果与上述提供的多车交互环境下的轨迹基元提取与分析方法达到的技术效果相同，故在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的多车交互环境下的轨迹基元提取与分析方法的流程图；
图2为本发明实施例提供的轨迹基元提取与聚类分析的流程图；
图3为本发明实施例提供的中心车辆与某一周围车辆间最优索引序列路径图；
图4为本发明提供的多车交互环境下的轨迹基元提取与分析系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的目的是提供一种多车交互环境下的轨迹基元提取与分析方法和系统，以解决现有技术存在的无法关注多车交互环境，具有适应性差、精确度低等问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的多车交互环境下的轨迹基元提取与分析方法，包括：
S1：获取车辆行驶信息。车辆行驶信息包括但不限于：中心车辆的位置p (Hv)、速度v (Hv)、加速度a (Hv)和行驶车道L (Hv)。周围车辆位置及运动信息包括但不限于：周围车辆类型，周围车辆的位置
Figure 82180DEST_PATH_IMAGE001
、速度
Figure 592796DEST_PATH_IMAGE002
、加速度
Figure 261281DEST_PATH_IMAGE003
和行驶车道
Figure 249966DEST_PATH_IMAGE004
，其中SV i 表示中心车辆周围第i辆车。周围环境信息包括但不限于：交互路段几何构型、道路宽度、单向车道数目、交通标志和交通灯状态。
S2：对车辆行驶信息进行预处理得到交互组数据。该步骤的实施过程可以为：
步骤20：确定目标交互环境的限定条件。该限定条件包括但不限于：选定中心车辆，限定中心车辆周围前、后、左、右四个方位的空间范围[例如，限定中心车辆周围纵向范围为前后90英尺，横向范围为中心车辆所处车道及其左、右两车道（如有）]，约束空间范围内中心车辆周围的周围车辆数目及参与实体。
步骤21：依次将满足限定条件的车辆行驶信息保存为交互组数据。也就是说，将交互环境内的每辆车依次作为中心车辆，根据限定条件所确定的空间范围及参与实体，将连续的车辆行驶信息截取为满足条件的多段交互组数据，在每段交互组数据中，目标交互环境内各车辆的编号及车辆总数都保持不变。
S3：根据交互组数据基于粘性层次狄利克雷过程和隐马尔可夫模型将车辆行驶过程进行划分得到原始轨迹基元。该步骤的实施过程可以为：
步骤30：根据多车交互环境的差异性划分交互组数据得到子数据集。
步骤31：获取预设的训练超参数。基于实际问题设定训练超参数，设定的超参数包括但不限于：基元的最短持续时间、各子数据集中交互组数据的最短持续时间、轨迹基元类别组合的容纳数目上限、模型迭代训练次数和模型结构超参数。例如，轨迹基元的最短持续时间设定为0.3秒、各子数据集中交互组数据的最短持续时间设定为3秒、轨迹基元类别组合的容纳数目上限设定为10个、模型迭代训练次数设定为200次、模型结构超参数设定为默认值。
步骤32：基于预设的训练超参数，利用粘性层次狄利克雷过程和隐马尔可夫模型对子数据集中的交互组数据进行分组训练得到原始轨迹基元。该步骤的实施过程可以为：
步骤320：基于层次狄利克雷过程定义轨迹基元集合元素先验分布。例如：
将模型输入数据中某一时刻t的车辆行驶信息组成矢量Xt，将某一交互组S中的数据描述为上述矢量的集合，即S={X1,...,Xt,...XT}，T为S中各车信息取样点的数量。
定义轨迹基元类别集合P，利用层次狄利克雷过程确定集合中元素{p1,...,pm}的先验分布，利用截棍构造将在狄利克雷过程中随机采样得到的概率测度及轨迹基元类别转移概率可用如下公式表示：
Figure 424858DEST_PATH_IMAGE005
Figure 463964DEST_PATH_IMAGE006
Figure 58894DEST_PATH_IMAGE007
Figure 585690DEST_PATH_IMAGE008
其中，γ和α为离散参数，
Figure 349509DEST_PATH_IMAGE009
和
Figure 936348DEST_PATH_IMAGE010
为服从Beta分布的随机数，
Figure 18574DEST_PATH_IMAGE011
为由截棍构造取样得到的第k个权重参数，
Figure 847596DEST_PATH_IMAGE012
为轨迹基元类别集合p中与
Figure 698877DEST_PATH_IMAGE011
对应的概率分布参数，
Figure 456618DEST_PATH_IMAGE013
为在
Figure 262025DEST_PATH_IMAGE014
处的单位质量参数，H为
Figure 865045DEST_PATH_IMAGE014
服从的分布，
Figure 836412DEST_PATH_IMAGE015
为第i组中第j个轨迹基元的类别转移概率，
Figure 818184DEST_PATH_IMAGE016
为轨迹基元类别集合p中与
Figure 734057DEST_PATH_IMAGE015
对应的概率分布参数，m为轨迹基元数目，
Figure 642232DEST_PATH_IMAGE017
为自转移参数，G 0为先验随机概率测度，G i 为第i组随机概率测度。
步骤321：根据各子数据集中的交互组数据并基于隐马尔可夫模型和先验分布解析各时刻驾驶信息所对应的隐性状态。例如：
定义
Figure 468106DEST_PATH_IMAGE018
为交互组中第一个时刻的轨迹基元p 1取P i 后又生成X1的概率，公式如下：
Figure 567649DEST_PATH_IMAGE019
其中，a i 为p t 取P i 的概率，
Figure 610298DEST_PATH_IMAGE020
为发射函数，
Figure 555120DEST_PATH_IMAGE021
为发射参数，则利用维特比算法及上述初始条件可确定每一个时刻的生成概率
Figure 501079DEST_PATH_IMAGE022
，公式如下：
Figure 7409DEST_PATH_IMAGE023
其中
Figure 773240DEST_PATH_IMAGE024
为p t 取P j 后的生成概率。定义bpt(j)为记录每时刻参数信息的指针，公式如下：
Figure 521753DEST_PATH_IMAGE025
利用上述bpt(j)可回溯每个时刻所属的轨迹基元类别，公式如下：
Figure 86333DEST_PATH_IMAGE026
Figure 262100DEST_PATH_IMAGE027
步骤322：处理上述离散隐性状态以获得连续的原始轨迹基元，同时将各交互组数据中从属于不同类别原始轨迹基元的驾驶信息分离。也即，连续且类别相同的隐形状态将被划分为同一种原始轨迹基元，若某原始轨迹基元持续时间不满足训练超参数的设定，则自动被归为上一种或下一种原始轨迹基元。
S4：利用动态时间规整算法存储驾驶信息。该步骤的实施过程可以为：
步骤40：获取索引对。索引对为中心车辆在i时刻的行驶信息与周围车辆在j时刻的行驶信息间对应关系的索引。例如，将某一原始轨迹基元所对应的交互组数据组成矢量p，中心车辆在时刻i的行驶信息为
Figure 515226DEST_PATH_IMAGE028
，周围车辆在时刻j的行驶信息为
Figure 67430DEST_PATH_IMAGE029
，其中SVk表示周围第k辆车，若
Figure 958288DEST_PATH_IMAGE028
与
Figure 304956DEST_PATH_IMAGE030
构成对应关系，则将其索引组成一个索引对w ij =(i,j)。
步骤41：确定中心车辆与各周围车辆间的广义距离，并基于广义距离形成损失矩阵。例如，计算中心车辆与周围各车的广义距离为：
Figure 45379DEST_PATH_IMAGE031
，其中，x为受行驶信息维度影响的范数维数。
将中心车辆与各周围车辆对应点计算得到的广义距离组成损失矩阵组为：
CM={CM1,...,CM k ,...,CM m }，其中m为周围车辆数目。
损失矩阵组中的损失矩阵形式如下：
Figure 165388DEST_PATH_IMAGE032
步骤42：根据损失矩阵确定车辆行驶过程中各索引对间的最小累加距离。例如，根据损失矩阵求解由w 11至w TT间的最小累加距离为：
Figure 409288DEST_PATH_IMAGE033
步骤43：根据最小累加距离得到最优索引序列。基于上述步骤1032实例中确定的最小累加距离得到的最优索引序列为：
Figure 192436DEST_PATH_IMAGE034
，
其中
Figure 921620DEST_PATH_IMAGE035
为最优索引序列中的第l个索引对，d l 为最优索引序列中的第l组距离，L为最优索引序列的长度。
根据损失矩阵求解由w 11至w TT间的最小累加距离进而得到最优索引序列中各对应点位置递推公式如下：
Figure 81206DEST_PATH_IMAGE036
其中，
Figure 241929DEST_PATH_IMAGE037
为递推后得到的最佳索引序列中的第l个索引对位置。
需要说明的是，在多车交互场景中，需要对中心车辆与每一辆周围车辆分别应用动态时间规整算法，以获得所有周围车辆相对于中心车辆行驶过程的最优索引序列。在实际应用动态时间规整算法时，首先确定最优索引序列中的最后一点w L ，并根据上述最优化问题及约束条件，在周围候选点中寻找最优点作为w L-1，直到找到最初一点w 1 ，得到的最优索引序列如图3所示，黑线表示两段驾驶过程中实际对应的时间点。
步骤44：基于最优索引序列确定中心车辆与周围车辆的数据对应点。数据对应点满足以下三个约束条件：
连续条件：w l+1-w l ∈{(1,0),(0,1),(1,1)}。
边界条件：序列中元素满足如下条件：w 1=w 11，w L =w TT ，w l =w ij ，其中
Figure 163355DEST_PATH_IMAGE038
，T为原始轨迹基元中所包含的时间采样点数目。
单调性条件：w l =(i,j)，
Figure 878370DEST_PATH_IMAGE039
，若
Figure 310488DEST_PATH_IMAGE040
则
Figure 30445DEST_PATH_IMAGE041
且
Figure 155396DEST_PATH_IMAGE042
。
步骤45：基于数据对应点利用代价矩阵保存驾驶信息。同时，能够得到反映行驶过程之间的时空联系。
S5：利用图像归一化方法处理原始轨迹基元得到轨迹基元图像。该步骤具体实施过程可以为：
步骤50：根据处理得到的原始轨迹基元数据绘制车辆行驶图像。
步骤51：统一车辆行驶图像尺寸及坐标尺度。
步骤52：对重点信息进行特殊处理。
例如：根据处理得到的原始轨迹基元数据绘制车辆行驶轨迹图像，横坐标正方向为起始时刻中心车辆行驶方向，纵坐标正方向与中心车辆行驶方向垂直并指向车身左侧，例如可以将车辆的轨迹图像长宽比设定为2：1。将中心车辆起始时刻位置坐标设定为(0,0)，周围车辆坐标根据相对于中心车辆的相对位置进行平移变换。将交互环境内各车辆间的横向距离扩大设定倍数（例如1.5倍），并将中心车辆轨迹用红色粗实线表示，周围车辆轨迹用黑色粗实线表示。需要说明的是，对于重点信息的特殊处理步骤可根据实际情况进行调整，采用上述特殊处理的原因是：车辆横向的位置变换对交互环境的影响更大。图像信息对RGB色彩敏感。
S6：对轨迹基元图像进行聚类处理得到轨迹基元。该步骤的实施过程可以为：
步骤60：基于预训练模型提取轨迹基元图像中的信息。具体包括：
步骤601：基于轨迹基元图像中各像素点的RGB信息生成特征矩阵。例如：读取轨迹基元图像的全部信息，将各像素点的RGB信息保存在特征矩阵
Figure 92128DEST_PATH_IMAGE043
中，其中
Figure 92052DEST_PATH_IMAGE044
和
Figure 430629DEST_PATH_IMAGE045
分别表示图片长度和宽度方向上像素点的个数，
Figure 992060DEST_PATH_IMAGE046
。
步骤602：基于特征矩阵利用卷积神经网络得到特征向量。特征向量即为提取得到的轨迹基元图像中的信息。例如，利用ResNet50卷积神经网络处理特征矩阵得到特征向量
Figure 183132DEST_PATH_IMAGE047
，进而得到特征向量组为：
Figure 753791DEST_PATH_IMAGE048
其中L为特征向量的长度，N p 为轨迹基元图像总数。
步骤61：采用聚类算法对提取的轨迹基元图像中的信息进行聚类得到轨迹基元。该步骤实施过程可以为：
步骤610：选择一种表征聚类效果的评价方式。
步骤611：基于实际问题选择聚类算法，并根据所选聚类算法特点，决定是否需要预先设定聚类数目。
步骤612：利用所选聚类算法对轨迹基元图像信息进行聚类。
步骤613：根据聚类结果将各类驾驶图像信息还原为轨迹基元图像。
例如：如图2所示，利用K均值聚类算法在所选聚类类别数下对轨迹基元图像信息进行聚类，具体包括：
a)任意选取k个聚类中心C={c 1,c 2,...,c k}，其中k为利用轮廓系数所确定的聚类类别数。
b)对于特征向量组
Figure 681296DEST_PATH_IMAGE049
，若特征向量
Figure 646584DEST_PATH_IMAGE050
到某个聚类中心
Figure 557909DEST_PATH_IMAGE051
的距离小于到所有其他聚类中心的距离，则将
Figure 401100DEST_PATH_IMAGE052
分类到
Figure 950155DEST_PATH_IMAGE053
所定义的类别中。
c)将分到同一类的特征向量求平均，找到同一类特征向量的中心，定义为新的
Figure 322230DEST_PATH_IMAGE053
。
d)重复上述步骤b)和c)直至聚类中心的位置不再变动。
选择轮廓系数
Figure 455272DEST_PATH_IMAGE054
表征聚类效果，其中a i 为特征向量
Figure 570995DEST_PATH_IMAGE055
到本组其他特征向量的平均距离，b i 为特征向量
Figure 237206DEST_PATH_IMAGE056
到其他组各特征向量的平均距离。
当聚类数目由2增长至20时，计算每种聚类数目下的轮廓系数s i ，选择轮廓系数最高的聚类数目为最终的聚类类别数。利用K均值聚类算法在所选聚类类别数下对轨迹基元图像信息进行聚类。根据聚类结果将各类驾驶图像信息还原为轨迹基元图像。
此外，对应于上述提供的多车交互环境下的轨迹基元提取与分析方法，本发明还提供了一种多车交互环境下的轨迹基元提取与分析系统，如图4所示，该系统包括：车辆行驶信息获取模块400、预处理模块401、原始轨迹基元确定模块402、驾驶信息存储模块403、轨迹基元图像确定模块404和轨迹基元确定模块405。
其中，车辆行驶信息获取模块400用于获取车辆行驶信息。车辆行驶信息包括：中心车辆位置及运动信息、周围车辆位置及运动信息和周围环境信息。周围车辆为以中心车辆为中心，设定范围内的车辆。
预处理模块401用于对车辆行驶信息进行预处理得到交互组数据。
原始轨迹基元确定模块402用于根据交互组数据基于粘性层次狄利克雷过程和隐马尔可夫模型将车辆行驶过程进行划分得到原始轨迹基元。
驾驶信息存储模块403用于利用动态时间规整算法存储驾驶信息。
轨迹基元图像确定模块404用于利用图像归一化方法处理原始轨迹基元得到轨迹基元图像。
轨迹基元确定模块405用于对轨迹基元图像进行聚类处理得到轨迹基元。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种多车交互环境下的轨迹基元提取与分析方法，其特征在于，包括：
获取车辆行驶信息；所述车辆行驶信息包括：中心车辆位置及运动信息、周围车辆位置及运动信息和周围环境信息；周围车辆为以中心车辆为中心，设定范围内的车辆；
对所述车辆行驶信息进行预处理得到交互组数据；
根据所述交互组数据基于粘性层次狄利克雷过程和隐马尔可夫模型将车辆行驶过程进行划分得到原始轨迹基元；
利用动态时间规整算法存储驾驶信息；
利用图像归一化方法处理所述原始轨迹基元得到轨迹基元图像；
对所述轨迹基元图像进行聚类处理得到轨迹基元。
2.根据权利要求1所述的多车交互环境下的轨迹基元提取与分析方法，其特征在于，所述对所述车辆行驶信息进行预处理得到交互组数据，具体包括：
获取目标交互环境的预设限定条件；
将满足所述预设限定条件的车辆行驶信息保存为交互组数据。
3.根据权利要求1所述的多车交互环境下的轨迹基元提取与分析方法，其特征在于，所述根据所述交互组数据基于粘性层次狄利克雷过程和隐马尔可夫模型将车辆行驶过程进行划分得到原始轨迹基元，具体包括：
根据多车交互环境的差异性划分所述交互组数据得到子数据集；
获取预设的训练超参数；
基于所述预设的训练超参数，利用粘性层次狄利克雷过程和隐马尔可夫模型对所述子数据集中的交互组数据进行分组训练得到所述原始轨迹基元。
4.根据权利要求3所述的多车交互环境下的轨迹基元提取与分析方法，其特征在于，利用粘性层次狄利克雷过程和隐马尔可夫模型对所述子数据集中的交互组数据进行分组训练得到所述原始轨迹基元，具体包括：
基于层次狄利克雷过程定义轨迹基元集合元素的先验分布；
根据各子数据集中的交互组数据，基于隐马尔可夫模型和所述先验分布解析车辆行驶过程中各时刻对应的隐性状态；
根据各时刻对应的所述隐性状态得到连续的原始轨迹基元。
5.根据权利要求1所述的多车交互环境下的轨迹基元提取与分析方法，其特征在于，所述利用动态时间规整算法存储驾驶信息，具体包括：
获取索引对；所述索引对为中心车辆在i时刻的行驶信息与周围车辆在j时刻的行驶信息间对应关系的索引；
确定中心车辆与各周围车辆间的广义距离，并基于所述广义距离形成损失矩阵；
根据所述损失矩阵确定车辆行驶过程中各所述索引对间的最小累加距离；
根据所述最小累加距离得到最优索引序列；
基于所述最优索引序列确定中心车辆与周围车辆的数据对应点；
基于所述数据对应点利用代价矩阵保存驾驶信息。
6.根据权利要求1所述的多车交互环境下的轨迹基元提取与分析方法，其特征在于，所述对所述轨迹基元图像进行聚类处理得到轨迹基元，具体包括：
基于预训练模型提取所述轨迹基元图像中的信息；
采用聚类算法对提取的所述轨迹基元图像中的信息进行聚类得到轨迹基元。
7.根据权利要求6所述的多车交互环境下的轨迹基元提取与分析方法，其特征在于，所述基于预训练模型提取所述轨迹基元图像中的信息，具体包括：
基于所述轨迹基元图像中各像素点的RGB信息生成特征矩阵；
基于所述特征矩阵利用卷积神经网络得到特征向量；所述特征向量即为提取得到的所述轨迹基元图像中的信息。
8.一种多车交互环境下的轨迹基元提取与分析系统，其特征在于，包括：
车辆行驶信息获取模块，用于获取车辆行驶信息；所述车辆行驶信息包括：中心车辆位置及运动信息、周围车辆位置及运动信息和周围环境信息；周围车辆为以中心车辆为中心，设定范围内的车辆；
预处理模块，用于对所述车辆行驶信息进行预处理得到交互组数据；
原始轨迹基元确定模块，用于根据所述交互组数据基于粘性层次狄利克雷过程和隐马尔可夫模型将车辆行驶过程进行划分得到原始轨迹基元；
驾驶信息存储模块，用于利用动态时间规整算法存储驾驶信息；
轨迹基元图像确定模块，用于利用图像归一化方法处理所述原始轨迹基元得到轨迹基元图像；
轨迹基元确定模块，用于对所述轨迹基元图像进行聚类处理得到轨迹基元。
CN202111194805.0A 2021-10-14 2021-10-14 一种多车交互环境下的轨迹基元提取与分析方法和系统 Active CN113642682B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111194805.0A CN113642682B (zh) 2021-10-14 2021-10-14 一种多车交互环境下的轨迹基元提取与分析方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111194805.0A CN113642682B (zh) 2021-10-14 2021-10-14 一种多车交互环境下的轨迹基元提取与分析方法和系统

Publications (2)

Publication Number Publication Date
CN113642682A true CN113642682A (zh) 2021-11-12
CN113642682B CN113642682B (zh) 2021-12-31

Family

ID=78426698

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111194805.0A Active CN113642682B (zh) 2021-10-14 2021-10-14 一种多车交互环境下的轨迹基元提取与分析方法和系统

Country Status (1)

Country Link
CN (1) CN113642682B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114493191A (zh) * 2022-01-07 2022-05-13 东南大学 一种基于网约车数据的驾驶行为建模分析方法
CN115294546A (zh) * 2022-07-22 2022-11-04 中兵智能创新研究院有限公司 一种基于换道基元的换道决策行为方法及系统

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103392187A (zh) * 2010-12-30 2013-11-13 派尔高公司 利用从物体轨迹数据获取的统计和语义特征的场景活动分析
CN105205145A (zh) * 2015-09-18 2015-12-30 中国科学院自动化研究所 一种轨迹建模与检索方法
CN105320937A (zh) * 2015-09-25 2016-02-10 北京理工大学 基于Kinect的交警手势识别方法
CN108462708A (zh) * 2018-03-16 2018-08-28 西安电子科技大学 一种基于hdp-hmm的行为序列的建模和检测方法
CN110490275A (zh) * 2019-06-28 2019-11-22 北京理工大学 一种基于迁移学习的驾驶行为预测方法
CN110610271A (zh) * 2019-09-17 2019-12-24 北京理工大学 一种基于长短记忆网络的多重车辆轨迹预测方法
CN111079834A (zh) * 2019-12-16 2020-04-28 清华大学 一种考虑多车交互的智能车辆安全态势评估方法
CN111402588A (zh) * 2020-04-10 2020-07-10 河北德冠隆电子科技有限公司 基于时空轨迹重构异常道路高精地图快速生成系统与方法
CN111738305A (zh) * 2020-05-29 2020-10-02 浙江大学 一种基于dba-dtw-knn的机械通气人机不同步快速识别方法
CN111914664A (zh) * 2020-07-06 2020-11-10 同济大学 基于重识别的车辆多目标检测和轨迹跟踪方法
CN111986235A (zh) * 2020-08-25 2020-11-24 浙江工业大学 一种提取车辆轨迹特征运动模式的方法
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
US20210125078A1 (en) * 2019-10-28 2021-04-29 Denso International America, Inc. System And Method For Predicting And Interpreting Driving Behavior
CN112785077A (zh) * 2021-02-01 2021-05-11 南京航空航天大学 基于时空数据的出行需求预测方法及系统
CN113128569A (zh) * 2021-03-26 2021-07-16 浙江理工大学 基于词袋模型及度量学习的车辆轨迹聚类方法
CN113435356A (zh) * 2021-06-30 2021-09-24 吉林大学 一种克服观察噪声与感知不确定性的轨迹预测方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103392187A (zh) * 2010-12-30 2013-11-13 派尔高公司 利用从物体轨迹数据获取的统计和语义特征的场景活动分析
CN105205145A (zh) * 2015-09-18 2015-12-30 中国科学院自动化研究所 一种轨迹建模与检索方法
CN105320937A (zh) * 2015-09-25 2016-02-10 北京理工大学 基于Kinect的交警手势识别方法
CN108462708A (zh) * 2018-03-16 2018-08-28 西安电子科技大学 一种基于hdp-hmm的行为序列的建模和检测方法
CN110490275A (zh) * 2019-06-28 2019-11-22 北京理工大学 一种基于迁移学习的驾驶行为预测方法
CN110610271A (zh) * 2019-09-17 2019-12-24 北京理工大学 一种基于长短记忆网络的多重车辆轨迹预测方法
US20210125078A1 (en) * 2019-10-28 2021-04-29 Denso International America, Inc. System And Method For Predicting And Interpreting Driving Behavior
CN111079834A (zh) * 2019-12-16 2020-04-28 清华大学 一种考虑多车交互的智能车辆安全态势评估方法
CN111402588A (zh) * 2020-04-10 2020-07-10 河北德冠隆电子科技有限公司 基于时空轨迹重构异常道路高精地图快速生成系统与方法
CN111738305A (zh) * 2020-05-29 2020-10-02 浙江大学 一种基于dba-dtw-knn的机械通气人机不同步快速识别方法
CN111914664A (zh) * 2020-07-06 2020-11-10 同济大学 基于重识别的车辆多目标检测和轨迹跟踪方法
CN111986235A (zh) * 2020-08-25 2020-11-24 浙江工业大学 一种提取车辆轨迹特征运动模式的方法
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
CN112785077A (zh) * 2021-02-01 2021-05-11 南京航空航天大学 基于时空数据的出行需求预测方法及系统
CN113128569A (zh) * 2021-03-26 2021-07-16 浙江理工大学 基于词袋模型及度量学习的车辆轨迹聚类方法
CN113435356A (zh) * 2021-06-30 2021-09-24 吉林大学 一种克服观察噪声与感知不确定性的轨迹预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
J. TAYLOR 等: "Method for investigating intradriver heterogeneity using vehicle trajectory data: A dynamic time warping approach", 《TRANSPORTATION RESEARCH PART B: METHODOLOGICAL》 *
RUI CHEN 等: "How to Evaluate Proving Grounds for Self-Driving? A Quantitative Approach", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 *
WEIMING HU 等: "Dual Sticky Hierarchical Dirichlet Process Hidden Markov Model and Its Application to Natural Language Description of Motions", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
WENSHUO WANG 等: "A Probabilistic Approach to Measuring Driving Behavior Similarity With Driving Primitives", 《IEEE TRANSACTIONS ON INTELLIGENT VEHICLES》 *
吴鸿敏 等: "基于多模态时间序列建模的机器人安全监控", 《哈尔滨工业大学学报》 *
王博洋 等: "有级转向履带车辆的驾驶员操控行为模型", 《兵工学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114493191A (zh) * 2022-01-07 2022-05-13 东南大学 一种基于网约车数据的驾驶行为建模分析方法
CN114493191B (zh) * 2022-01-07 2024-04-30 东南大学 一种基于网约车数据的驾驶行为建模分析方法
CN115294546A (zh) * 2022-07-22 2022-11-04 中兵智能创新研究院有限公司 一种基于换道基元的换道决策行为方法及系统

Also Published As

Publication number Publication date
CN113642682B (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
CN111061277B (zh) 一种无人车全局路径规划方法和装置
CN110007675B (zh) 一种基于行车态势图的车辆自动驾驶决策系统及基于无人机的训练集制备方法
CN112347993B (zh) 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法
CN113642682B (zh) 一种多车交互环境下的轨迹基元提取与分析方法和系统
CN112734808B (zh) 一种车辆行驶环境下易受伤害道路使用者的轨迹预测方法
CN111310574A (zh) 一种车载视觉实时多目标多任务联合感知方法和装置
CN112731925B (zh) 用于无人驾驶方程式赛车锥桶识别和路径规划及控制方法
CN112487954B (zh) 一种面向平面交叉口的行人过街行为预测方法
Wang et al. A learning-based personalized driver model using bounded generalized Gaussian mixture models
CN110781262A (zh) 基于视觉slam的语义地图的构建方法
CN115071762B (zh) 面向城市场景下行人轨迹预测方法、模型及存储介质
CN111860269A (zh) 一种多特征融合的串联rnn结构及行人预测方法
CN114170789A (zh) 基于时空图神经网络的智能网联车换道决策建模方法
CN115691134B (zh) 一种基于对抗生成网络的智能汽车测试场景库构建方法
CN115690153A (zh) 一种智能体轨迹预测方法及系统
CN110281949A (zh) 一种自动驾驶统一分层决策方法
US20230245554A1 (en) Method and computer program for characterizing future trajectories of traffic participants
CN111126327B (zh) 车道线检测方法、系统、车载系统及车辆
CN116630702A (zh) 一种基于语义分割网络的路面附着系数预测方法
Kawasaki et al. Multimodal trajectory predictions for autonomous driving without a detailed prior map
CN117765524A (zh) 一种基于多视图的三维目标检测方法
Chen et al. An interactive semantic video mining and retrieval platform--application in transportation surveillance video for incident detection
CN112193245B (zh) 一种考虑驾驶员模糊感知的深度学习跟驰预测方法
CN114119749A (zh) 一种基于密集关联的单目3d车辆检测方法
CN112559968A (zh) 一种基于多情境数据的驾驶风格表征学习方法

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
GR01 Patent grant
GR01 Patent grant