CN113859257B - 基于灰色熵权和侧向椭圆阈的周围车辆驾驶意图识别方法 - Google Patents

Abstract

本发明公开了一种基于灰色熵权和侧向椭圆阈的周围车辆驾驶意图识别方法和装置，包括：步骤S1，接收本车的周围车辆的多源传感器信息；步骤S2，获取目标周围车辆的多源传感器信息的时间序列及其相应的残差矩阵；步骤S3，计算信息熵；步骤S4，建立信息熵的熵阶次方与熵权之间的非线性映射函数；步骤S5，给定熵阶次，利用非线性映射函数计算多源传感器信息融合的给定熵权；步骤S6，获取求给定熵权下融合结果与多源传感器信息的时间序列之间的平均灰色关联度；步骤S7，判断平均灰色关联度是否最大，若是，进入步骤S8，否则返回步骤S4；步骤S8，将平均灰色关联度最大对应的权重作为最优融合权重，计算最优的融合结果；步骤S9，判断周围车辆的驾驶意图。

Description

基于灰色熵权和侧向椭圆阈的周围车辆驾驶意图识别方法

技术领域

本发明涉及智能车驾驶技术领域，特别是关于一种基于灰色熵权和侧向椭圆阈的周围车辆驾驶意图识别方法和装置。

背景技术

目标周围车辆驾驶意图识别对于智能车的安全可靠决策具有重要的意义。为提高周围车辆驾驶意图识别的准确性和效率，需从信息来源和意图识别算法两个层面的技术进行深入探索。

在周围车辆信息来源方面，主要通过智能车的感知系统和路侧设备获取环境信息。现有多源传感器融合技术需要传感器噪声的先验概率分布，而传感器在复杂驾驶环境下，其噪声由于不确定环境和老化引起的性能衰退等因素影响，存在时变和随机性，使得给定的噪声先验概率分布存在先天弊端，无法保证多源传感器信息融合结果的最优性和环境适应性。

现有驾驶意图识别技术存在如下缺点：

(1)计算量大，在目前车载计算资源极为有限的条件下，无法在高速公路行驶环境中实时获得准确的驾驶意图；

(2)可解释性差，无法从物理上和几何上对模型及驾驶意图识别结果的合理性进行解释，所获得的驾驶意图识别结果仅是数学上的预测；

(3)场景迁移性不足，现有技术方案依赖于特定场景下的训练数据集的学习，由于无法穷举各场景，故训练获得的模型在其它场景下缺乏自学习能力，导致模型的扩展性和泛化能力不足；

(4)欠缺对车辆动力学约束边界的考虑，导致意图识别结果可能不符合车辆动力学约束边界要求，产生不合理的意图识别结果。

发明内容

本发明的目的在于提供一种基于灰色熵权和侧向椭圆阈的周围车辆驾驶意图识别方法和装置，其能够在传感器存在复杂随机时变噪声的前提下，提出一种鲁棒可靠的多传感器融合方案，保证算法能够自适应的调节信息融合权重，以实时准确的输出周围车辆的运动信息，为下一步的驾驶意图判断提供准确的信息输入。

为实现上述目的，本发明提供一种基于灰色熵权和侧向椭圆阈的周围车辆驾驶意图识别方法，该方法包括：

步骤S1，通过本车上的传感器j接收来自于本车的周围车辆的多源传感器信息，j＝1,2,3,…,m为传感器编号；

步骤S2，处理所述多源传感器信息，并获取目标周围车辆的多源传感器信息的时间序列及其相应的残差矩阵；

步骤S3，计算传感器j的信息熵E_j；

步骤S4，建立信息熵E_j的熵阶次k次方

与熵权w_j之间的非线性映射函数，并调整熵阶次k；

步骤S5，给定熵阶次k，利用所述非线性映射函数计算多源传感器信息融合的给定熵权w_j；

步骤S6，获取给定熵权下融合结果x_opt与所述多源传感器信息的时间序列之间的平均灰色关联度；其中，所述融合结果x_opt被描述为式(8b)：

式中,x_j为所述多源传感器信息中的传感器j的信息测量值；

步骤S7，判断平均灰色关联度是否最大，若是，则进入步骤S8，否则返回步骤S4；

步骤S8，将平均灰色关联度最大对应的权重作为最优融合权重

再利用式(8b)计算最优的融合结果

步骤S9，根据所述最优的融合结果

判断周围车辆的驾驶意图。

进一步地，所述非线性映射函数被描述为式(8a)；

进一步地，步骤S9将驾驶意图分为车道保持和车道变换两种，所述

包括目标车周围的一车辆的侧向速度v_y和侧向加速度a_y，将目标周围车辆的驾驶状态划分为第一区域(A)、第二区域(B)内和第三区域(C)，其中，所述第一区域(A)为长轴不大于车道保持时临界侧向加速度a₁、短轴不大于车道保持时的临界侧向速度b₁的椭圆形区域，被描述为式(9)，对应的所述驾驶意图为车道保持；所述第二区域(B)为长轴不大于由车辆动力学约束的临界侧向加速度a₂、短轴不大于由车辆动力学约束的临界侧向速度b₂、且所述第一区域(A)之外的椭圆形区域，被描述为式(10)，对应的所述驾驶意图为车道变换；所述第三区域(C)为所述第一区域(A)和第二区域(B)之外的区域，对应车辆状态为危险失稳状态；

进一步地，步骤S9具体包括：

步骤S91，根据v_y和a_y，判断该周围车辆的侧向运动学特性是否满足式(9)，若是，则判定该周围车辆处于车道保持阶段，若否，则进入步骤S92；

步骤S92，判断周围车辆侧向运动学参数处于式(10)所述的椭圆阈边界范围以及车辆动力学约束内，若是，则判定该周围车辆的驾驶状态为车道变换工况，若否，则判定周围车辆属于危险失稳状态。

进一步地，所述车辆动力学约束包括下式：

a_y≤0.4g＝a₂ (11)

v_y≤0.02μgv_x＝b₂ (13)。

进一步地，所述步骤S2中“处理所述多源传感器信息”的方法具体包括：

步骤S21，提取并跟踪目标周围车辆，并进行坐标系统一和时间对齐；

步骤S22，提取目标周围车辆的需求信息，形成多源传感器信息的时间序列；

步骤S23，选取拟合阶次，分别对所述多源传感器信息的时间序列进行多项式拟合，并将拟合结果与实测结果之差，作为拟合残差；

步骤S24，根据所述拟合残差，构造多源信息残差矩阵；

步骤S25，对所述多源信息残差矩阵进行归一化和标准化。

本发明还提供一种基于灰色熵权和侧向椭圆阈的周围车辆驾驶意图识别装置，该装置包括：

感知模块，其用于通过本车上的传感器j接收、处理来自于本车的周围车辆的多源传感器信息，再获取目标周围车辆的多源传感器信息的时间序列及其相应的残差矩阵，然后计算传感器j的信息熵E_j，再者建立信息熵E_j的熵阶次k次方

与熵权w_j之间的非线性映射函数，并调整熵阶次k，通过熵阶次k，利用所述非线性映射函数计算多源传感器信息融合的给定熵权w_j，最后，获取求给定熵权下融合结果x_opt与所述多源传感器信息的时间序列之间的平均灰色关联度，并将平均灰色关联度最大对应的权重作为最优融合权重

再利用式(8b)计算最优的融合结果

所述融合结果x_opt被描述为式(8b)：

式中,x_j为所述多源传感器信息中的传感器j的信息测量值，j＝1,2,3,…,m为传感器编号；

判断模块，其用于根据所述最优的融合结果

判断周围车辆的驾驶意图。

进一步地，所述非线性映射函数被描述为式(8a)；

进一步地，将驾驶意图分为车道保持和车道变换两种，所述

包括目标车周围的一车辆的侧向速度v_y和侧向加速度a_y，将目标周围车辆的驾驶状态划分为第一区域(A)、第二区域(B)内和第三区域(C)，其中，所述第一区域(A)为长轴不大于车道保持时临界侧向加速度a₁、短轴不大于车道保持时的临界侧向速度b₁的椭圆形区域，被描述为式(9)，对应的所述驾驶意图为车道保持；所述第二区域(B)为长轴不大于由车辆动力学约束的临界侧向加速度a₂、短轴不大于由车辆动力学约束的临界侧向速度b₂、且所述第一区域(A)之外的椭圆形区域，被描述为式(10)，对应的所述驾驶意图为车道变换；所述第三区域(C)为所述第一区域(A)和第二区域(B)之外的区域，对应车辆状态为危险失稳状态；

进一步地，所述车辆动力学约束包括下式：

a_y≤0.4g＝a₂ (11)

v_y≤0.02μgv_x＝b₂ (13)。

本发明由于采取以上技术方案，其具有以下优点：

1、本发明充分利用了网联环境下路侧传感器和车载传感器的多源传感器信息，并提出灰色熵权法的信息融合权重选优方案，保证时变随机噪声环境下多源传感器信息融合结果的可靠性和准确性。

2、本发明是从车辆动力学约束边界出发，针对车辆侧向运动学参数，提出椭圆阈的周围车辆驾驶意图识别方法，不依赖于大量自然驾驶数据的训练，可直接运用现有车载芯片的算力在高速公路驾驶环境下进行周围车辆意图准确判别，具备较好的场景迁移性，且模型可解释性强。

附图说明

图1为本发明实施例提供的基于灰色熵权信息融合和侧向椭圆阈的智能汽车周围车辆驾驶意图识别的框架结构示意图。

图2为本发明实施例提供的感知模块多源传感器信息融合的流程示意图。

图3为本发明实施例根据车辆侧向运动学椭圆阈划分得到的车辆驾驶状态区域示意图。

图4为图3中的椭圆阈简化为菱形阈划分得到的车辆驾驶状态区域示意图。

图5为图3中的椭圆阈简化为长方形阈划分得到的车辆驾驶状态区域示意图。

具体实施方式

在附图中，使用相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面结合附图对本发明的实施例进行详细说明。

如图2所示，本发明实施例提供的基于灰色熵权和侧向椭圆阈的周围车辆驾驶意图识别方法包括：

步骤S1，通过本车上的传感器j接收来自于本车的周围车辆的多源传感器信息，j＝1,2,3,…,m为传感器编号。具体地，本车接收路侧传感器、V2X通信设备和车载传感器获得的周围车辆感知到的信息，即多源传感器信息。其中，多源传感器信息包括图片信息、激光点云数据和雷达数据。周围车辆可能为存在于本车当前车道的前车和后车、左车道前车和后车、右车道前车和后车，最多可为6辆车。

步骤S2，处理所述多源传感器信息，并获取目标周围车辆的多源传感器信息的时间序列及其相应的残差矩阵。在高速公路场景下，目标周围车辆即为周围车辆；在城市工况下，目标周围车辆可能为摩托车、三轮车和工程车辆等。

步骤S2中“处理所述多源传感器信息”的方法例如可以包括：

步骤S21，提取并跟踪目标周围车辆，并进行坐标系统一和时间对齐。该步骤通过跟踪目标，获取不同传感器坐标系下周围车辆横纵向位置、速度和加速度信息，并将多源传感器信息转换到智能车自车坐标系中，采用插值方法或拟合方法等对多源信号进行时间对齐。其中，插值方法可为线性插值、样条插值、反距离加权插值、克里金插值等方法。拟合方法可以是多项式拟合、神经网络拟合、支持向量机拟合和随机森林拟合等方法。

步骤S22，根据步骤S21得到的时间对齐后的多源传感器信息，提取目标周围车辆的需求信息，比如：目标周围车辆侧向速度和侧向加速度信息，形成相应的多源传感器信息的时间序列。

步骤S23，选取拟合阶次，分别对所述多源传感器信息的时间序列进行多项式拟合，并将拟合结果与实测结果之差，作为拟合残差，以实现传感器信息噪声的剔除。

例如，式(1)所示是拟合残差的表达式，其中，j＝1,2,3,…,m为传感器编号，传感器数量为m，x_j为传感器j的信息测量值，

为传感器j的拟合值。

步骤S24，根据所述拟合残差，构造多源信息残差矩阵，为下一步信息熵的计算提供数据。

在一个实施例中，式(2)所示为多源信息残差矩阵，n为传感器数据采样点的个数。

式中，Δx_ji表示传感器j的第i个采样点，i＝1,2,3,…,n为采样点个数。

步骤S25，对所述多源信息残差矩阵进行归一化和标准化，便于下一步信息熵的计算。

具体地，标准化的公式如式(3)所示，归一化的公式如式(4)所示。

式中，max{}为求最大值函数，min{}为求最小值函数。

步骤S3，计算传感器j的信息熵E_j，信息熵E_j反映的是传感器信息中所含噪声的无序程度，是对传感器信号随机不确定性误差的客观量化描述。

在一个实施例中，通过式(5)计算获得概率，通过式(6)和式(7)计算获得信息熵E_j。

E_j＝1-e_j (7)

式中，p_ji为归一化和标准化后信息矩阵各元素的概率，e_j为信息熵效用值。

步骤S4，建立信息熵E_j的k次方

与熵权w_j之间的非线性映射函数，并调整熵阶次k。

在本实施例中，非线性映射函数可以通过下式(8a)进行描述：

可以将式(8a)进行适当变形，比如下式或其它，其中的a、b为常数：

在本实施例中，采用试凑法确定阶次k的数值。通常，选定阶次k的范围为0.1至10，将0.1到10的区间分为100份，分别按计算权重，并选取最合适的阶次k。除了试凑法，还可为优化方法，如遗传算法、粒子群算法、差分进化算法、蚁群算法、蜂群算法、萤火虫算法、海鸥算法、和弦算法、引力搜索算法和模拟退火算法等。

步骤S5，给定熵阶次k，利用式(8a)计算多源传感器信息融合的给定熵权w_j。

步骤S6，获取求给定熵权下融合结果x_opt与所述多源传感器信息的时间序列之间的平均灰色关联度。其中，所述融合结果x_opt被描述为式(8b)：

式中,x_j为所述多源传感器信息中的传感器j的信息测量值；

在本实施例中，灰色关联方法是华中科技大学的邓聚龙教授提出的灰色理论中的一个重要方法。引入平均灰色关联度的目的是对融合结果的准确性进行评价，使得融合结果在最大程度剔除无关噪声的前提下，能够保证融合信号与原始信号的几何相似度最大。当然，也可以采用相关系数最大法、分散系数最小法、均方误差最小法和方差最小法。

步骤S7，判断平均灰色关联度是否最大，若是，则进入步骤S8，否则返回步骤S4。

步骤S8，将平均灰色关联度最大对应的权重作为最优融合权重

再利用式(8b)计算最优的融合结果

步骤S9，根据所述最优的融合结果

判断周围车辆的驾驶意图。

本发明实施例所提出的联合熵值法和灰色关联系数法确定多传感器融合最优权重的方法，其理论依据是由于传感器测量存在一定误差，误差越大，传感器数据拟合残差的无序程度越大，即熵越大，通过拟合残差的熵就可以建立其与最优权重之间的映射。为了便于获得熵的阶次与最优权重之间的联系，引入灰色关联度方法，获得由最优融合权重融合的信息与原始信息之间的灰色关联度，筛选出与原始数据几何相似程度最大的权重作为最优权重，从而准确的建立起最优权重与拟合残差熵之间的非线性映射函数关系。

在一个实施例中，本实施例根据实际驾驶人的驾驶习性，其边界可进行个性化标定，获取在不同驾驶场景(如高速公路、城市公路和郊区公路等)时不同国家和不同地区驾驶人习性偏好约束下的椭圆阈。

鉴于此，如图3所示，步骤S9将驾驶意图分为车道保持和车道变换两种，所述

包括目标车周围的一车辆的侧向速度v_y和侧向加速度a_y，将目标周围车辆的驾驶状态划分为第一区域A、第二区域B内和第三区域C，其中，所述第一区域A为长轴不大于车道保持时临界侧向加速度a₁、短轴不大于车道保持时的临界侧向速度b₁的椭圆形区域，被描述为式(9)，对应的所述驾驶意图为车道保持；所述第二区域B为长轴不大于由车辆动力学约束的临界侧向加速度a₂、短轴不大于由车辆动力学约束的临界侧向速度b₂、且所述第一区域A之外的椭圆形区域，被描述为式(10)，对应的所述驾驶意图为车道变换；所述第三区域C为所述第一区域A和第二区域B之外的区域，对应车辆状态为危险失稳状态；

具体地，步骤S9具体包括：

步骤S91，根据v_y和a_y，判断该周围车辆的侧向运动学特性是否满足式(9)，若是，则判定该周围车辆处于车道保持阶段，若否，则进入步骤S92；

步骤S92，判断周围车辆侧向运动学参数处于式(10)所述的椭圆阈边界范围以及车辆动力学约束内，若是，则判定该周围车辆的驾驶状态为车道变换工况，若否，则判定周围车辆属于危险失稳状态。

可以将所述车辆动力学约束设置为：

a_y≤0.4g＝a₂ (11)

v_y≤0.02μgv_x＝b₂ (13)。

当然，也可以跟及实际需求，选择其它形式的所述车辆动力学约束。

需要说明的是，在其它的实施例中，

还可以选择横/纵向位移、横/纵速度和横/纵加速度等参数。

上述实施例所提到的椭圆阈，可根据侧向运动学特性的不同，拓展为心型曲线阈和圆锥曲线阈；为计算的方便，椭圆阈可简化为菱形阈(如图4所示)和长方形阈(如图5所示)。

如图1所示，本发明实施例提供的基于灰色熵权信息融合和侧向椭圆阈的目标周围车辆驾驶意图识别装置包括感知模块、判断模块和输出模块。

(1)感知模块

感知模块充分利用网联环境下车辆信息获取的便利，在车载传感器、路侧传感器和V2X通信设备获得的其它传感器信息的基础上，充分利用多源传感器信息互补的优势，对传感器信息进行预处理，获得目标周围车辆的位置、速度和加速度等运动状态信息随时间的变化曲线后，对多源传感器信息进行滤波去噪，并采用灰色熵权信息融合，对滤波去噪后的数据赋予最优融合权重，以获得周围车辆准确的侧向速度和侧向加速度信息。

(2)判断模块

在本发明中，将驾驶意图分为车道保持和车道变换两种。根据多传感器融合获得的某一周围车辆准确侧向速度v_y和侧向加速度a_y后，由式(9)可判断出该周围车辆是否处于车道保持阶段。

式(9)中，a₁和b₁为车道保持时临界侧向加速度和临界侧向速度，可根据大量的自然驾驶数据进行标定。通常，a₁和b₁与驾驶员的驾驶风格密切相关，因此不同国家和地区的驾驶员由于文化习惯、法律法规和心理生理因素的差异，a₁和b₁可能存在一定的差异，应根据实际情况进行调校。

若判断得到周围车辆的侧向运动学特性不满足式(9)，则进行式(10)的判断。

式(10)中，a₂和b₂为由车辆动力学约束获得的侧向运动学参数边界条件。

为了避免车辆侧滑、侧倾和甩尾，通常对车辆的侧向加速度a_y进行如式(11)所示的约束，即侧向加速度不大于0.4倍的重力加速度。

a_y≤0.4g＝a₂ (11)

为了保证轮胎处于线性的工作区间，车辆的质心侧偏角β应满足式(12)所述的约束。

由式(12)可进一步推导获得侧向速度v_y的约束如式(13)所示。其中，μ为路面附着系数，v_x为车辆纵向速度，g为重力加速度。

v_y≤0.02μgv_x＝b₂ (13)

结合式(11)和式(13)，可获得图3所示周围车辆侧向运动学椭圆阈的外边界，若获得的周围车辆侧向运动学参数处于式(10)所述的椭圆阈边界范围内，则认为该周围车辆的驾驶状态为车道变换工况。若周围车辆的侧向运动学参数超过式(11)和式(13)所述的椭圆阈边界，则可判断周围车辆属于侧滑、侧倾或甩尾的危险失稳状态，此时智能车应采取紧急避险操作。

根据上述车辆侧向运动学椭圆阈的划分，可将车辆驾驶状态划分为图3所示的A、B和C三个区域。若车辆侧向运动学参数属于第一区域(A)内，则车辆属于车道保持阶段；若车辆侧向运动学参数属于第二区域(B)内，则车辆属于车道变换阶段；若车辆侧向运动学参数属于第三区域(C)内，则车辆属于危险失稳阶段。

(3)输出模块

根据上述周围车辆运动信息的多传感器融合和周围车辆侧向运动参数的驾驶意图识别，可获得智能车周围所有车辆实时的驾驶意图，将所有周围车辆驾驶意图输出，可为智能车进一步的行驶决策提供科学准确的环境认知信息，保证智能车在复杂行驶工况下的安全性。

本发明所提出的基于灰色熵权信息融合和侧向椭圆阈的目标周围车辆驾驶意图识别方法，在流程和方法上明显区别于现有技术方案，可充分利用网联环境为智能车感知信息获取带来的便利，提出的灰色熵权法进行多源传感器信息融合，可实时准确的获得目标周围车辆运动状态信息，提出的以车辆动力学约束边界构建的椭圆阈驾驶意图判别方法，可解决现有方法依赖于训练场景，模型扩展性、解释性和泛化能力差的弊端，且算法占用计算资源下，能够在现有车载芯片上实现实时准确的驾驶意图识别，为智能车更为科学合理的决策提供支撑。

本发明的目的是解决网联环境下目标周围车辆驾驶意图识别问题。为充分利用网联环境下多源传感器信息获取的便利，提出灰色熵权法的多源传感器信息融合技术方案，解决现有方案未能充分考虑环境时变随机因素对传感器融合结果可能造成的不利影响，提高信息融合结果的可信度；为提升驾驶意图识别算法的工程适用性，提出了满足车辆动力学约束的椭圆阈用于周围车辆驾驶意图的判别，解决现有方案对车载芯片算力要求高、可解释性差和场景迁移性不足等弊端。

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种基于灰色熵权和侧向椭圆阈的周围车辆驾驶意图识别方法，其特征在于，包括：

步骤S1，通过本车上的传感器j接收来自于本车的周围车辆的多源传感器信息，j＝1，2，3，…，m为传感器编号；

步骤S2，处理所述多源传感器信息，并获取目标周围车辆的多源传感器信息的时间序列及其相应的残差矩阵；所述步骤S2中“处理所述多源传感器信息”的方法具体包括：

步骤S21，提取并跟踪目标周围车辆，并进行坐标系统一和时间对齐；

步骤S22，提取目标周围车辆的需求信息，形成多源传感器信息的时间序列；

步骤S23，选取拟合阶次，分别对所述多源传感器信息的时间序列进行多项式拟合，并将拟合结果与实测结果之差，作为拟合残差；

步骤S24，根据所述拟合残差，构造多源信息残差矩阵；

步骤S25，对所述多源信息残差矩阵进行归一化和标准化，标准化的公式如式(3)所示，归一化的公式如式(4)所示；

步骤S3，计算传感器j的信息熵E_j；通过式(5)计算获得概率，通过式(6)和式(7)计算获得信息熵E_j；

E_j＝1-e_j (7)式中，Δx_ji表示传感器j的第i个采样点，i＝1，2，3，…，n为采样点个数，max{}为求最大值函数，min{}为求最小值函数，p_ji为归一化和标准化后信息矩阵各元素的概率，e_j为信息熵效用值；

步骤S4，建立信息熵E_j的熵阶次k次方

与熵权w_j之间的非线性映射函数，并调整熵阶次k；

步骤S5，给定熵阶次k，利用所述非线性映射函数计算多源传感器信息融合的给定熵权w_j；所述非线性映射函数被描述为下式之一；

式中，a、b为常数；

步骤S6，获取给定熵权下融合结果x_opt与所述多源传感器信息的时间序列之间的平均灰色关联度；其中，所述融合结果x_opt被描述为式(8b)：

式中，x_j为所述多源传感器信息中的传感器j的信息测量值；

步骤S7，判断平均灰色关联度是否最大，若是，则进入步骤S8，否则返回步骤S4；

步骤S8，将平均灰色关联度最大对应的权重作为最优融合权重

再利用式(8b)计算最优的融合结果

步骤S9，根据所述最优的融合结果

判断周围车辆的驾驶意图，步骤S9将驾驶意图分为车道保持和车道变换两种，所述最优的融合结果

包括目标车周围的一车辆的侧向速度v_y和侧向加速度a_y，步骤S9具体包括：

步骤S91，根据v_y和a_y，判断该周围车辆的侧向运动学特性是否满足车道保持的驾驶意图对应的椭圆形区域内，若是，则判定该周围车辆处于车道保持阶段，若否，则进入步骤S92；

步骤S92，判断周围车辆侧向运动学参数是否处于车道变换的驾驶意图对应的椭圆阈边界范围以及车辆动力学约束内，若是，则判定该周围车辆的驾驶状态为车道变换工况，若否，则判定周围车辆属于危险失稳状态。

2.如权利要求1所述的基于灰色熵权和侧向椭圆阈的周围车辆驾驶意图识别方法，其特征在于，所述步骤S9还包括：

将目标周围车辆的驾驶状态划分为第一区域(A)、第二区域(B)和第三区域(C)，其中，所述第一区域(A)为长轴不大于车道保持时临界侧向加速度a₁、短轴不大于车道保持时的临界侧向速度b₁的椭圆形区域，被描述为式(9)，对应的所述驾驶意图为车道保持；所述第二区域(B)为长轴不大于由车辆动力学约束的临界侧向加速度a₂、短轴不大于由车辆动力学约束的临界侧向速度b₂、且所述第一区域(A)之外的椭圆形区域，被描述为式(10)，对应的所述驾驶意图为车道变换；所述第三区域(C)为所述第一区域(A)和第二区域(B)之外的区域，对应车辆状态为危险失稳状态；

3.如权利要求1或2所述的基于灰色熵权和侧向椭圆阈的周围车辆驾驶意图识别方法，其特征在于，所述车辆动力学约束包括下式：

a_y≤0.4g＝a₂ (11)

v_y≤0.02μgv_x＝b₂ (13)。

4.一种基于灰色熵权和侧向椭圆阈的周围车辆驾驶意图识别装置，其特征在于，包括：

感知模块，其用于通过本车上的传感器j接收、处理来自于本车的周围车辆的多源传感器信息，再获取目标周围车辆的多源传感器信息的时间序列及其相应的残差矩阵，然后计算传感器j的信息熵E_j，再者建立信息熵E_j的熵阶次k 次力

与熵权w_j之间的非线性映射函数，并调整熵阶次k，通过熵阶次k，利用所述非线性映射函数计算多源传感器信息融合的给定熵权w_j，最后，获取给定熵权下融合结果x_opt与所述多源传感器信息的时间序列之间的平均灰色关联度，并将平均灰色关联度最大对应的权重作为最优融合权重

再利用式(8b)计算最优的融合结果

所述融合结果x_opt被描述为式(8b)：

式中，x_j为所述多源传感器信息中的传感器j的信息测量值，j＝1，2，3，…，m为传感器编号；

判断模块，其用于根据所述最优的融合结果

判断周围车辆的驾驶意图，将驾驶意图分为车道保持和车道变换两种，所述最优的融合结果

包括目标车周围的一车辆的侧向速度v_y和侧向加速度a_y，判断方法具体包括：

首先，根据v_y和a_y，判断该周围车辆的侧向运动学特性是否处于车道保持的驾驶意图对应的椭圆形区域内，若是，则判定该周围车辆处于车道保持阶段，若否，则判断周围车辆侧向运动学参数是否处于车道变换的驾驶意图对应的椭圆阈边界范围以及车辆动力学约束内，若是，则判定该周围车辆的驾驶状态为车道变换工况，若否，则判定周围车辆属于危险失稳状态；

“处理所述多源传感器信息”的方法具体包括：

步骤S21，提取并跟踪目标周围车辆，并进行坐标系统一和时间对齐；

步骤S22，提取目标周围车辆的需求信息，形成多源传感器信息的时间序列；

步骤S23，选取拟合阶次，分别对所述多源传感器信息的时间序列进行多项式拟合，并将拟合结果与实测结果之差，作为拟合残差；

步骤S24，根据所述拟合残差，构造多源信息残差矩阵；

步骤S25，对所述多源信息残差矩阵进行归一化和标准化，标准化的公式如式(3)所示，归一化的公式如式(4)所示；

通过式(5)计算获得概率，通过式(6)和式(7)计算获得信息熵E_j；

E_j＝1-e_j (7)

式中，Δx_ji表示传感器j的第i个采样点，i＝1，2，3，…，n为采样点个数，max{}为求最大值函数，min{}为求最小值函数，p_ji为归一化和标准化后信息矩阵各元素的概率，e_j为信息熵效用值；

所述非线性映射函数被描述为下式之一；

式中，a、b为常数。

5.如权利要求4所述的基于灰色熵权和侧向椭圆阈的周围车辆驾驶意图识别装置，其特征在于，所述判断模块还用于将目标周围车辆的驾驶状态划分为第一区域(A)、第二区域(B)和第三区域(C)，其中，所述第一区域(A)为长轴不大于车道保持时临界侧向加速度a₁、短轴不大于车道保持时的临界侧向速度b₁的椭圆形区域，被描述为式(9)，对应的所述驾驶意图为车道保持；所述第二区域(B)为长轴不大于由车辆动力学约束的临界侧向加速度a₂、短轴不大于由车辆动力学约束的临界侧向速度b₂、且所述第一区域(A)之外的椭圆形区域，被描述为式(10)，对应的所述驾驶意图为车道变换；所述第三区域(C)为所述第一区域(A)和第二区域(B)之外的区域，对应车辆状态为危险失稳状态；

6.如权利要求4或5所述的基于灰色熵权和侧向椭圆阈的周围车辆驾驶意图识别装置，其特征在于，所述车辆动力学约束包括下式：

a_y≤0.4g＝a₂ (11)

v_y≤0.02μgv_x＝b₂ (13)。

Images