CN113859266B - 一种非结构化道路目标车辆换道轨迹预测方法及系统 - Google Patents

Abstract

本发明公开了一种非结构化道路目标车辆换道轨迹预测方法及系统。该方法包括：确定非结构化道路的虚拟车道和车辆换道行为；获取非结构化道路上行车数据；根据行车数据提取车辆轨迹数据；基于虚拟车道、车辆换道行为和车辆轨迹数据，确定换道数据；通过换道数据训练高斯混合‑隐马尔科夫模型，得到驾驶意图识别模型；驾驶意图识别模型的输出为车辆的换道意图；根据车辆的换道意图和车辆历史轨迹确定可能换道终点；根据车辆的当前位置和可能换道终点，基于车辆运动约束和多项式曲线模型，确定可能车辆换道轨迹集合；将可能车辆换道轨迹集合与实际轨迹进行匹配，得到车辆预测轨迹。本发明能够预测非结构化道路下，横纵向位移都不确定的换道轨迹。

Description

一种非结构化道路目标车辆换道轨迹预测方法及系统

技术领域

本发明涉及车辆轨迹预测技术领域，特别是涉及一种非结构化道路目标车辆换道轨迹预测方法及系统。

背景技术

无人驾驶系统主要由环境感知模块、行为决策模块、运动规划模块以及运动控制模块组成。随着相关技术的不断发展，各个模块的功能也在不断增加和完善。在环境感知模块中，一类研究的关注点是基于环境传感器或是车—车交互系统得到的信息，对于影响无人车行驶的目标车辆进行轨迹预测，以保证无人车能够进行合理的行为决策并规划出无碰撞的运动路径。

现有的轨迹预测方法一般是基于物理模型或是基于驾驶意图预测的。基于物理模型的轨迹预测假设车辆的运动仅受物理定律影响，通常会考虑车辆的物理状态（例如转向角与加速度），车辆本身的物理特性以及一些环境因素（如轮胎与道路之间的摩擦系数）。在标准的结构化道路下，由于其所用的模型相对简单，计算实时性高，该方法依然是最常用的轨迹预测方法。基于机动意图的轨迹预测方法首先识别驾驶员的操纵意图（例如，换道、转向等），然后基于识别得到的机动意图进行运动预测。驾驶意图识别一般采用机器学习模型进行，而后续的轨迹预测则采用高斯过程或是快速随机树等算法完成。另外，最近广为应用的深度学习方法可以直接根据历史轨迹信息回归未来车辆的位置，但需要大量的采集数据。

经过国内外学者的不断努力，车辆轨迹预测以及车辆换道行为的研究已经相对成熟。但以往的研究专注于解决城市结构化道路场景下的换道轨迹预测问题。在本课题研究的非结构化场景下的虚拟换道行为与城市场景下的换道行为存在诸多不同。对于这种驾驶行为进行轨迹预测，主要的问题有：

（1）非结构化道路中，车辆会产生类似于结构化道路场景下的换道行为，且对于这种驾驶行为的研究相对较少。该驾驶行为出现较为频繁，且对于无人车安全行驶影响较大。因此，需要相应的方法来分析、识别这样的驾驶行为，以保证无人车能够进行合理的行为决策与路径规划。

（2）在非结构化道路条件下，由于缺乏交通规则的约束与交通标志参考，导致车辆实际的换道轨迹相比城市场景具有更大的不确定性。在城市结构化道路场景下，由于交通规则的约束，换道行为的横向的运动距离约为一个车道宽度。但在非结构化道路场景下，由于道路上没有车道线，换道行为的横向位移难以确定，受道路环境状态以及驾驶员个人习惯的影响。轨迹的不确定性给轨预测方法带来了新的挑战。另外，目前大多数的轨迹预测方法都是基于历史轨迹数据进行预测，难以在预测中考虑环境与车辆运动学对于车辆行驶的约束。

发明内容

本发明的目的是提供一种非结构化道路目标车辆换道轨迹预测方法及系统，预测非结构化道路下，横纵向位移都不确定的换道轨迹，且能够在预测时考虑到车辆运动学与环境对于轨迹的约束。

为实现上述目的，本发明提供了如下方案：

一种非结构化道路目标车辆换道轨迹预测方法，包括：

确定非结构化道路的虚拟车道和车辆换道行为；非结构化道路是指的是存在道路行驶边界，但是没有交通标志的道路；

获取非结构化道路上行车数据；

根据所述行车数据提取车辆轨迹数据；

基于所述虚拟车道、所述车辆换道行为和所述车辆轨迹数据，确定换道数据；所述换道数据包括做左换道数据、右换道数据和直行数据；

通过所述换道数据训练高斯混合-隐马尔科夫模型，得到驾驶意图识别模型；所述驾驶意图识别模型的输出为车辆的换道意图；

根据车辆的换道意图和车辆历史轨迹确定可能换道终点；

根据车辆的当前位置和所述可能换道终点，基于车辆运动约束和多项式曲线模型，确定可能车辆换道轨迹集合；

将可能车辆换道轨迹集合与实际轨迹进行匹配，得到车辆预测轨迹。

可选地，所述通过所述换道数据训练高斯混合-隐马尔科夫模型，得到驾驶意图识别模型；具体包括：

通过所述左换道数据、所述右换道数据以及所述直行数据分别训练高斯混合-隐马尔科夫模型；得到三个子驾驶意图识别模型；

比较三个所述子驾驶意图识别模型的似然概率值，确定车辆的换道意图。

可选地，所述根据车辆的当前位置和所述可能换道终点，基于车辆运动约束和多项式曲线模型，确定可能车辆换道轨迹集合，具体包括：

根据车辆的当前位置和可能换道终点，得到车辆的初始状态和终点状态；

根据所述初始状态和所述终点状态，基于车辆运动约束和多项式曲线模型，生成路径问题；

根据所述路径问题、所述初始状态和所述终点状态，采用复化辛普森公式进行求解，确定可能车辆换道轨迹集合。

可选地，所述将可能车辆换道轨迹集合与实际轨迹进行匹配，得到车辆预测轨迹，具体包括：

采用欧式距离法，将可能车辆换道轨迹集合与实际轨迹进行匹配；

选择与真实轨迹平均欧几里得距离最小的轨迹作为预测轨迹。

本发明还提供了一种非结构化道路目标车辆换道轨迹预测系统，包括：

虚拟车道和车辆换道行为确定模块，用于确定非结构化道路的虚拟车道和车辆换道行为；非结构化道路是指的是存在道路行驶边界，但是没有交通标志的道路；

行车数据获取模块，用于获取非结构化道路上行车数据；

车辆轨迹提取模块，用于根据所述行车数据提取车辆轨迹数据；

换道数据确定模块，用于基于所述虚拟车道、所述车辆换道行为和所述车辆轨迹数据，确定换道数据；所述换道数据包括做左换道数据、右换道数据和直行数据；

模型训练模块，用于通过所述换道数据训练高斯混合-隐马尔科夫模型，得到驾驶意图识别模型；所述驾驶意图识别模型的输出为车辆的换道意图；

可能换道终点确定模块，用于根据车辆的换道意图和车辆历史轨迹确定可能换道终点；

可能车辆换道轨迹集合确定模块，用于根据车辆的当前位置和所述可能换道终点，基于车辆运动约束和多项式曲线模型，确定可能车辆换道轨迹集合；

车辆预测轨迹确定模块，用于将可能车辆换道轨迹集合与实际轨迹进行匹配，得到车辆预测轨迹。

可选地，所述模型训练模块具体包括：

训练单元，用于通过所述左换道数据、所述右换道数据以及所述直行数据分别训练高斯混合-隐马尔科夫模型；得到三个子驾驶意图识别模型；

比较单元，用于比较三个所述子驾驶意图识别模型的似然概率值，确定车辆的换道意图。

可选地，所述可能车辆换道轨迹集合确定模块具体包括：

初始状态和终点状态确定单元，用于根据车辆的当前位置和可能换道终点，得到车辆的初始状态和终点状态；

路径问题生成单元，用于根据所述初始状态和所述终点状态，基于车辆运动约束和多项式曲线模型，生成路径问题；

求解单元，用于根据所述路径问题、所述初始状态和所述终点状态，采用复化辛普森公式进行求解，确定可能车辆换道轨迹集合。

可选地，所述车辆预测轨迹确定模块具体包括：

匹配单元，用于采用欧式距离法，将可能车辆换道轨迹集合与实际轨迹进行匹配；

选择单元，用于选择与真实轨迹平均欧几里得距离最小的轨迹作为预测轨迹。

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：

本发明提供的一种非结构化道路目标车辆换道轨迹预测方法，包括：确定非结构化道路的虚拟车道和车辆换道行为；非结构化道路是指的是存在道路行驶边界，但是没有交通标志的道路；获取非结构化道路上行车数据；根据所述行车数据提取车辆轨迹数据；基于所述虚拟车道、所述车辆换道行为和所述车辆轨迹数据，确定换道数据；所述换道数据包括做左换道数据、右换道数据和直行数据；通过所述换道数据训练高斯混合-隐马尔科夫模型，得到驾驶意图识别模型；所述驾驶意图识别模型的输出为车辆的换道意图；根据车辆的换道意图和车辆历史轨迹确定可能换道终点；根据车辆的当前位置和所述可能换道终点，基于车辆运动约束和多项式曲线模型，确定可能车辆换道轨迹集合；将可能车辆换道轨迹集合与实际轨迹进行匹配，得到车辆预测轨迹。本发明能够更好地适应于非结构化道路下，车辆换道轨迹在横纵向上位移都不确定的情况，且能够考虑车辆运动学对于车辆行驶轨迹的约束，且能够方便地加入碰撞检测约束等环境方面的考虑。

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为本发明实施例非结构化道路目标车辆换道轨迹预测方法的流程图。

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非结构化道路目标车辆换道轨迹预测方法及系统，预测非结构化道路下，横纵向位移都不确定的换道轨迹，且能够在预测时考虑到车辆运动学与环境对于轨迹的约束。

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，本发明提供的非结构化道路目标车辆换道轨迹预测方法，包括：

步骤101：确定非结构化道路的虚拟车道和车辆换道行为；非结构化道路是指的是存在道路行驶边界，但是没有交通标志的道路。

分析非结构化道路下车辆的驾驶行为，定义非结构化道路下的虚拟车道与换道行为。所述的非结构化道路是指的是存在道路行驶边界，但是路上没有车道线等交通标志的开发度较低的道路。目标车辆的初始位置可以在道路边缘，也可以在道路中心。非结构化道路下，车辆可能在如下情景下产生类似于结构化道路下的换道行为：车辆进行避障；两车对向行驶，目标车辆发生让行行为；两车同向行驶，目标车辆进行超车。这种驾驶行为与结构化道路下的车辆换道行为较为类似。所定义的虚拟车道为：目标车辆中心左右两侧半个车宽处沿其航向生成虚拟车道线。换道行为的定义：目标车辆发生横向位移，且3s内目标车辆的中心越过横向位移起始时刻的虚拟车道线。

步骤102：获取非结构化道路上行车数据。

选取Next Generation Simulation（NGSIM）数据集来进行研究，该数据集存储为csv格式。该数据集包含大量的行车数据，包含一段路段内所有行车的编号，横纵向位置，瞬时速度，瞬时加速度，车道位置（即车道编号）等等信息，符合本发明的需要。

步骤103：根据所述行车数据提取车辆轨迹数据。

由于意图识别与轨迹预测的输入都是单车的一段历史轨迹数据，因此先根据数据集中的车辆编号标识提取出单车轨迹数据。

步骤104：基于所述虚拟车道、所述车辆换道行为和所述车辆轨迹数据，确定换道数据；所述换道数据包括做左换道数据、右换道数据和直行数据。

然后根据车道编号变化提取出左右换道数据。暂定车辆两帧间首次发生横向位移0.02m为换道起始点，换道结束过程中，两帧间最后发生0.02m横向位移的车辆位置为换道终点，将换道数据分为换道段与直行段。这样，就能得到车辆换道轨迹数据集。

步骤105：通过所述换道数据训练高斯混合-隐马尔科夫模型，得到驾驶意图识别模型；所述驾驶意图识别模型的输出为车辆的换道意图。

选用高斯混合-隐马尔可夫模型（GMM-HMM）作为分类器，来进行换道意图识别。其输入的向量格式如下：

其中，Δx表示目标车辆的横向位置变化量(两帧间后一帧与前一帧横向位置的差值)，v表示目标车辆的速度，a表示目标车辆的加速度，T表示一个观测序列的时间长度。（意图识别模型输入）模型以序列格式读入历史轨迹数据，轨迹数据的采集频率为10Hz，一个序列包含时间T内的所有历史轨迹数据帧。每经过一段时间，模型读入一个序列，序列之间有所重叠，保证驾驶意图识别的准确性与实时性。

训练时使用左换道数据、右换道数据以及直行数据各自对于左、右换道与直行三个驾驶意图各训练一个模型，通过将待预测序列分别输入三个模型，比较其似然概率值来识别驾驶意图。训练时的参数更新过程具体如下：

1）初始化各个子模型的模型参数：GMM中的高斯混合数选为5，HMM中的隐藏状态数选为3。观测序列长度选择为0.8s，初始状态概率π与初始状态转移概率A ₀的设定为：

2）输入训练样本，将预估的模型初始参数与用于训练的观测序列带入Baum-Welch算法的求解公式：

指迭代计算过程中新一轮的初始状态概率，/>指状态转移矩阵A中各个元素值，/>指观测矩阵B中的各项参数值。

其中，

其中，代表：t时刻，模型隐状态由s _i 转移到状态s _j 出现的概率；/>代表：t时刻，模型隐状态为s _i 的概率。/>和/>分别代表前向变量与后向变量。

计算得到新的模型参数，使得/>。

通过前后向算法计算模型输入的似然概率：

前后向变量定义如下：

为前向变量，/>为后向变量，λ为模型参数，O为观测序列，S为隐藏状态。计算某序列产生概率的公式为：

若似然概率不收敛，则返回步骤2）进行迭代，若似然概率收敛，则保存模型参数，得到子模型的训练结果。

3）分别训练三个意图辨识子模型，得到各自的模型参数。

训练好模型参数后，就可以根据实时输入的轨迹数据来进行换道意图的识别。

步骤106：根据车辆的换道意图和车辆历史轨迹确定可能换道终点。

得到换道意图后，结合车辆的历史轨迹信息，先借由可以先对于换道终点做一个粗估计，然后在横纵向上进行采样，得到一系列可能的换道终点，以描述换道过程在横纵向位移上的不确定性。

步骤107：根据车辆的当前位置和所述可能换道终点，基于车辆运动约束和多项式曲线模型，确定可能车辆换道轨迹集合。包括：根据车辆的当前位置和可能换道终点，得到车辆的初始状态和终点状态；根据所述初始状态和所述终点状态，基于车辆运动约束和多项式曲线模型，生成路径问题；根据所述路径问题、所述初始状态和所述终点状态，采用复化辛普森公式进行求解，确定可能车辆换道轨迹集合。

具体过程如下：

三次多项式螺旋线表达式为：

式中，a，b，c，d为多项式参数，s为路径弧长，代表行驶路径的曲率。

将阿克曼转向车辆的运动学模型与差速转向车辆的运动学模型统一用弧长表达，然后加入曲线生成的约束条件中，运动学模型公式如下：

其中，s为路径弧长，为路径曲率，R为车辆转向半径。

进一步推导，可得：

式中，、/>代表车辆位置，/>代表车辆航向，/>代表行驶路径的曲率。/>代表整段路径的弧长。

根据车辆的初始状态和得到的可能的换道终点，得到初始和终点状态为：

路径生成问题表述为：

minimize

s.t.

其中，参数为预先设定的曲线弧长的上限，/>为路径平滑目标函数。代表待优化项的集合。由该参数定义车辆的路径/>。/>为路径曲率的标量。/>，其中，/>与/>分别代表在路径三分之一和三分之二弧长处的曲率，而/>则代表最终路径长度。

根据前面所述路径生成问题以及车辆的初始与终点状态，采用复化辛普森公式进行求解：

y(s)采用同样的方法进行计算。上式中的a，b指积分求解的上下限，s也是复化辛普森公式中的一个变量表达。

步骤108：将可能车辆换道轨迹集合与实际轨迹进行匹配，得到车辆预测轨迹。

生成轨迹集合后，将一段时间内的真实轨迹与轨迹集合中的轨迹进行相似度匹配，选择相似度最高的轨迹作为预测轨迹。轨迹匹配的方法如下：

采用欧式距离法与1s内车辆的实际轨迹进行相似度匹配，记真实轨迹为，候选轨迹为p ₁，p ₂/>，记轨迹上的各个点为/>，其中m为轨迹编号，k为轨迹点在单条轨迹上的编号，那么单条轨迹与真实轨迹间的平均欧几里得距离可以用下式计算：

选择与真实轨迹平均欧几里得距离最小的轨迹作为预测轨迹。

本发明还提供了一种非结构化道路目标车辆换道轨迹预测系统，包括：

虚拟车道和车辆换道行为确定模块，用于确定非结构化道路的虚拟车道和车辆换道行为；非结构化道路是指的是存在道路行驶边界，但是没有交通标志的道路；

行车数据获取模块，用于获取非结构化道路上行车数据；

车辆轨迹提取模块，用于根据所述行车数据提取车辆轨迹数据；

换道数据确定模块，用于基于所述虚拟车道、所述车辆换道行为和所述车辆轨迹数据，确定换道数据；所述换道数据包括做左换道数据、右换道数据和直行数据；

模型训练模块，用于通过所述换道数据训练高斯混合-隐马尔科夫模型，得到驾驶意图识别模型；所述驾驶意图识别模型的输出为车辆的换道意图；

可能换道终点确定模块，用于根据车辆的换道意图和车辆历史轨迹确定可能换道终点；

可能车辆换道轨迹集合确定模块，用于根据车辆的当前位置和所述可能换道终点，基于车辆运动约束和多项式曲线模型，确定可能车辆换道轨迹集合；

车辆预测轨迹确定模块，用于将可能车辆换道轨迹集合与实际轨迹进行匹配，得到车辆预测轨迹。

其中，所述模型训练模块具体包括：

训练单元，用于通过所述左换道数据、所述右换道数据以及所述直行数据分别训练高斯混合-隐马尔科夫模型；得到三个子驾驶意图识别模型；

比较单元，用于比较三个所述子驾驶意图识别模型的似然概率值，确定车辆的换道意图。

其中，所述可能车辆换道轨迹集合确定模块具体包括：

初始状态和终点状态确定单元，用于根据车辆的当前位置和可能换道终点，得到车辆的初始状态和终点状态；

路径问题生成单元，用于根据所述初始状态和所述终点状态，基于车辆运动约束和多项式曲线模型，生成路径问题；

求解单元，用于根据所述路径问题、所述初始状态和所述终点状态，采用复化辛普森公式进行求解，确定可能车辆换道轨迹集合。

其中，所述车辆预测轨迹确定模块具体包括：

匹配单元，用于采用欧式距离法，将可能车辆换道轨迹集合与实际轨迹进行匹配；

选择单元，用于选择与真实轨迹平均欧几里得距离最小的轨迹作为预测轨迹。

相对于现有技术，本发明能够更好地适应于非结构化道路下，车辆换道轨迹在横纵向上位移都不确定的情况，且能够考虑车辆运动学对于车辆行驶轨迹的约束，且能够方便地加入碰撞检测约束等环境方面的考虑。

由于采用了轨迹集合生成—轨迹相似度匹配的方式，在集合生成时，对于可能的换道终点进行估计，在横纵向上进行了采样。因此该方法能够适应于横纵向位移不确定的换道轨迹。而采用的三次多项式螺旋线曲线模型则能够较好地融入车辆运动学模型。由于轨迹集合是人为生成的，因此也方便进行实时调整，例如加入碰撞检测等约束。

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)

1.一种非结构化道路目标车辆换道轨迹预测方法，其特征在于，包括：

确定非结构化道路的虚拟车道和车辆换道行为；非结构化道路是指的是存在道路行驶边界，但是没有交通标志的道路；

获取非结构化道路上行车数据；

根据所述行车数据提取车辆轨迹数据；

基于所述虚拟车道、所述车辆换道行为和所述车辆轨迹数据，确定换道数据；所述换道数据包括做左换道数据、右换道数据和直行数据；

通过所述换道数据训练高斯混合-隐马尔科夫模型，得到驾驶意图识别模型；所述驾驶意图识别模型的输出为车辆的换道意图；

根据车辆的换道意图和车辆历史轨迹确定可能换道终点；

根据车辆的当前位置和所述可能换道终点，基于车辆运动约束和多项式曲线模型，确定可能车辆换道轨迹集合；

将可能车辆换道轨迹集合与实际轨迹进行匹配，得到车辆预测轨迹。

2.根据权利要求1所述的非结构化道路目标车辆换道轨迹预测方法，其特征在于，所述通过所述换道数据训练高斯混合-隐马尔科夫模型，得到驾驶意图识别模型；具体包括：

通过所述左换道数据、所述右换道数据以及所述直行数据分别训练高斯混合-隐马尔科夫模型；得到三个子驾驶意图识别模型；

比较三个所述子驾驶意图识别模型的似然概率值，确定车辆的换道意图。

3.根据权利要求1所述的非结构化道路目标车辆换道轨迹预测方法，其特征在于，所述根据车辆的当前位置和所述可能换道终点，基于车辆运动约束和多项式曲线模型，确定可能车辆换道轨迹集合，具体包括：

根据车辆的当前位置和可能换道终点，得到车辆的初始状态和终点状态；

根据所述初始状态和所述终点状态，基于车辆运动约束和多项式曲线模型，生成路径问题；

根据所述路径问题、所述初始状态和所述终点状态，采用复化辛普森公式进行求解，确定可能车辆换道轨迹集合。

4.根据权利要求1所述的非结构化道路目标车辆换道轨迹预测方法，其特征在于，所述将可能车辆换道轨迹集合与实际轨迹进行匹配，得到车辆预测轨迹，具体包括：

采用欧式距离法，将可能车辆换道轨迹集合与实际轨迹进行匹配；

选择与真实轨迹平均欧几里得距离最小的轨迹作为预测轨迹。

5.一种非结构化道路目标车辆换道轨迹预测系统，其特征在于，包括：

虚拟车道和车辆换道行为确定模块，用于确定非结构化道路的虚拟车道和车辆换道行为；非结构化道路是指的是存在道路行驶边界，但是没有交通标志的道路；

行车数据获取模块，用于获取非结构化道路上行车数据；

车辆轨迹提取模块，用于根据所述行车数据提取车辆轨迹数据；

换道数据确定模块，用于基于所述虚拟车道、所述车辆换道行为和所述车辆轨迹数据，确定换道数据；所述换道数据包括做左换道数据、右换道数据和直行数据；

模型训练模块，用于通过所述换道数据训练高斯混合-隐马尔科夫模型，得到驾驶意图识别模型；所述驾驶意图识别模型的输出为车辆的换道意图；

可能换道终点确定模块，用于根据车辆的换道意图和车辆历史轨迹确定可能换道终点；

可能车辆换道轨迹集合确定模块，用于根据车辆的当前位置和所述可能换道终点，基于车辆运动约束和多项式曲线模型，确定可能车辆换道轨迹集合；

车辆预测轨迹确定模块，用于将可能车辆换道轨迹集合与实际轨迹进行匹配，得到车辆预测轨迹。

6.根据权利要求5所述的非结构化道路目标车辆换道轨迹预测系统，其特征在于，所述模型训练模块具体包括：

训练单元，用于通过所述左换道数据、所述右换道数据以及所述直行数据分别训练高斯混合-隐马尔科夫模型；得到三个子驾驶意图识别模型；

比较单元，用于比较三个所述子驾驶意图识别模型的似然概率值，确定车辆的换道意图。

7.根据权利要求5所述的非结构化道路目标车辆换道轨迹预测系统，其特征在于，所述可能车辆换道轨迹集合确定模块具体包括：

初始状态和终点状态确定单元，用于根据车辆的当前位置和可能换道终点，得到车辆的初始状态和终点状态；

路径问题生成单元，用于根据所述初始状态和所述终点状态，基于车辆运动约束和多项式曲线模型，生成路径问题；

求解单元，用于根据所述路径问题、所述初始状态和所述终点状态，采用复化辛普森公式进行求解，确定可能车辆换道轨迹集合。

8.根据权利要求5所述的非结构化道路目标车辆换道轨迹预测系统，其特征在于，所述车辆预测轨迹确定模块具体包括：

匹配单元，用于采用欧式距离法，将可能车辆换道轨迹集合与实际轨迹进行匹配；

选择单元，用于选择与真实轨迹平均欧几里得距离最小的轨迹作为预测轨迹。