CN114475661B - 目标车辆行为和路径预测方法和系统 - Google Patents

Abstract

本发明公开了一种目标车辆行为和路径预测方法及系统，包括：获得目标车辆理论行径；通过数据统计目标车辆不同的工况下的车辆行为和路径，将目标车辆理论行径划分为高频行径和低频行径；高频行径和低频行径中筛选出对自车行驶产生影响的目标车辆行为和会对自车行驶产生影响的目标车辆行为；根据对自车行驶产生影响的目标车辆行为将高频行径和低频行径进行划分，获得目标车辆的理想行径、合理行径和非合理行径；对目标车辆上一阶段的理想行径、合理行径和非合理行径进行评价，将目标车辆划分安全等级，根据目标车辆安全等级调整自车智能驾驶决策系统参数。本发明提高了对前车行为与行驶路径的识别能力，提高了对前车行为与行驶路径的预测准确性。

Description

目标车辆行为和路径预测方法和系统

技术领域

本发明涉及智能驾驶领域，特别是涉及一种目标车辆行为和路径预测方法。以及，一种目标车辆行为和路径预测系统。

背景技术

智能驾驶与无人驾驶是不同概念，智能驾驶更为宽泛。它指的是机器帮助人进行驾驶，以及在特殊情况下完全取代人驾驶的技术。智能驾驶本质上涉及注意力吸引和注意力分散的认知工程学，主要包括网络导航、自主驾驶和人工干预三个环节。智能驾驶的前提条件是，选用的车辆满足行车的动力学要求，车上的传感器能获得相关视听觉信号和信息，并通过认知计算控制相应的随动系统。智能驾驶的网络导航，解决我们在哪里、到哪里、走哪条道路中的哪条车道等问题；自主驾驶是在智能系统控制下，完成车道保持、超车并道、红灯停绿灯行、灯语笛语交互等驾驶行为；人工干预，就是说驾驶员在智能系统的一系列提示下，对实际的道路情况做出相应的反应。

驾驶员行为是汽车领域的一项研究热点，国内外学者都对驾驶员行为进行了较多的研究，且建立了许多模型。但当前的研究聚焦于自车驾驶员行为上，针对行驶过程中其他行驶车辆的行为，存在问题是目前没有相对客观的指标来识别目标车辆行为。而对目标车辆行为的识别与判定能提高智能驾驶系统的响应速度与精度，优化其路径规划功能，避免一些可能出现的危险情况。

因此，是否能找到某种相对客观的指标或方法结合智能驾驶来识别目标车辆行为，弥补当前智能驾驶目标车辆驾驶行为预测势必的的空缺，是一个亟需解决的问题。

发明内容

在发明内容部分中引入了一系列简化形式的概念,该简化形式的概念均为本领域现有技术简化，这将在具体实施方式部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。

本发明要解决的技术问题是提供一种基于智能驾驶数据及模型能准确预测目标车辆行为和路径预测的方法。

本发明涉及一种基于智能驾驶数据及模型能准确预测目标车辆行为和路径预测的系统。

为解决上述技术问题，本发明提供的目标车辆行为和路径预测方法，包括以下步骤：

S1，建立目标车辆动力学模型或数学模型模拟获得目标车辆理论行径；

理论行径能通过传递函数、最优控制、数据驱动、模型预测控制、智能控制、模糊控制、神经网络、遗传算法等理论进行建立的动力学模型或数学模型模拟出的车辆行径，其特点是仅依托于理论模型计算出的车辆行径，由于目标车辆的路径规划非单一值，计算出的车辆理论行径也非唯一值；

需要说明的是，目标车辆动力学模型或数学模型模拟可以通过无线网络通信自目标车辆获取，例如通过4G、5G、V2X等；也可以自车感知系统识别目标车辆运动参数通过上述理论构建；相应的，任何一种现有的目标车辆动力学模型或数学模型均可以应用在本申请中；

S2，通过数据统计目标车辆不同的工况下的车辆行为和路径，将车辆行为和路径关联后将目标车辆理论行径划分为高频行径和低频行径；高频行径和低频行径是相对指定的；例如，在单位时间内某行径行驶了大于10次，判定为高频行径；在单位时间内某行径行驶了小于5次，判定为低频行径；

高频行径、低频行径是通过海量数据统计的不同的工况下的目标车辆行为及路径(即附着车辆行为属性的路径)，通过将行为、路径关联后划分为高频行径、低频行径。海量数据可以通过无线网络通信获取的目标车辆历史行驶数据，也可以是在当前通过周围各智能车辆数据交互相互传输的目标车辆历史行驶数据；

S3，高频行径和低频行径中筛选出对自车行驶产生影响的目标车辆行为和会对自车行驶产生影响的目标车辆行为；

对自车行驶产生影响的目标车辆行为可以根据需求指定，例如在一个较为严格的系统中，轻微的车辆晃动可以作为对自车行驶产生影响的目标车辆行为；

而在一个较为宽松的系统中，剧烈的车辆晃动才作为对自车行驶产生影响的目标车辆行为；

示例性的，下述情况作为对自车行驶产生影响的目标车辆行为：前车车身出现较大幅度或较高频率晃动等异常行为，或前车行驶路径与驾驶车辆重叠、行驶路径不明确出现变道等异常路径选择；

示例性的，下述情况作为无对自车行驶产生影响的目标车辆行为：驾驶车辆(自车)行驶于左转车道，前车行驶于右转车道开启右转向灯的行为等；不同工况下的影响因素也会不同；

S4，根据对自车行驶产生影响的目标车辆行为将高频行径和低频行径进行划分，获得目标车辆的理想行径、合理行径和非合理行径；

S5，对目标车辆上一阶段的理想行径、合理行径和非合理行径进行评价，将目标车辆划分安全等级，根据目标车辆安全等级调整自车智能驾驶决策系统参数。

可选择的，进一步改进所述的目标车辆行为和路径预测方法，所述对自车行驶产生影响的目标车辆行为包括车身晃动、减速、转向、变道及开启转向灯。

可选择的，进一步改进所述的目标车辆行为和路径预测方法，所述目标车辆动力学模型和数学模型通过传递函数、最优控制、数据驱动、模型预测控制、智能控制、模糊控制、神经网络和/或遗传算法构建。

可选择的，进一步改进所述的目标车辆行为和路径预测方法，理想行径是在当前工况下目标车辆行为及路径完全符合车辆动力学模型或数学模型其中一种的预期，且无对自车行驶产生影响的目标车辆行为；

合理行径是在当前工况下目标车辆行驶行径稳定，未出现可能对自车造成驾驶危险的行径；例如，车身未出现较大幅度晃动、随意变换车道、急加减速等与正常行驶不符行径；

非合理行径是在当前工况下目标车辆行驶行为异常和行驶路径不稳定出现可能对自车造成驾驶危险的行径；例如，车身出现较大幅度或较高频率的晃动，车道选择不明确或异常开启转向灯等可能对驾驶车辆(自车)造成驾驶危险的行径。

可选择的，进一步改进所述的目标车辆行为和路径预测方法，若目标车辆上一阶段行驶为理想行径则划分为安全等级为安全；

若目标车辆上一阶段行驶为合理行径则划分为安全等级为警惕；

若目标车辆上一阶段行驶为非合理行径则划分为安全等级为危险；

若目标车辆安全等级被划分为警惕或危险，则调整自车智能驾驶决策系统参数，例如调整车智能驾驶决策系统的避让系数、危险因素、决策权重等。

为解决上述技术问题，本发明提供一种目标车辆行为和路径预测系统，包括：

模型模块，其通过导入或构建方式获得目标车辆动力学模型或数学模型；

路径获取模块，其通过目标车辆动力学模型或数学模型模拟获得目标车辆理论行径；

第一路径划分模块，其通过数据统计目标车辆不同的工况下的车辆行为和路径，将车辆行为和路径关联后将目标车辆理论行径划分为高频行径和低频行径；

筛选模块，其高频行径和低频行径中筛选出对自车行驶产生影响的目标车辆行为和会对自车行驶产生影响的目标车辆行为；

第二路径划分模块，其根据对自车行驶产生影响的目标车辆行为将高频行径和低频行径进行划分，获得目标车辆的理想行径、合理行径和非合理行径；

评价模块，其对目标车辆上一阶段的理想行径、合理行径和非合理行径进行评价，将目标车辆划分安全等级，根据目标车辆安全等级调整自车智能驾驶决策系统参数。

可选择的，进一步改进所述的目标车辆行为和路径预测系统，所述对自车行驶产生影响的目标车辆行为包括车身晃动、减速、转向、变道及开启转向灯。

可选择的，进一步改进所述的目标车辆行为和路径预测系统，所述目标车辆动力学模型和数学模型通过传递函数、最优控制、数据驱动、模型预测控制、智能控制、模糊控制、神经网络和/或遗传算法构建。

可选择的，进一步改进所述的目标车辆行为和路径预测系统，理想行径是在当前工况下目标车辆行为及路径完全符合车辆动力学模型或数学模型其中一种的预期，且无对自车行驶产生影响的目标车辆行为；

合理行径是在当前工况下目标车辆行驶行径稳定，未出现可能对自车造成驾驶危险的行径；

非合理行径是在当前工况下目标车辆行驶行为异常和行驶路径不稳定出现可能对自车造成驾驶危险的行径。

可选择的，进一步改进所述的目标车辆行为和路径预测系统，若目标车辆上一阶段行驶为理想行径则划分为安全等级为安全；

若目标车辆上一阶段行驶为合理行径则划分为安全等级为警惕；

若目标车辆上一阶段行驶为非合理行径则划分为安全等级为危险；

若目标车辆安全等级被划分为警惕或危险，则调整自车智能驾驶决策系统参数。

本发明通过对前车行径进行理论建模及海量数据统计，将获得的理论值与统计值进行结合形成车辆行为属性的路径，使该前车模型能较为客观的对驾驶行径进行判别，摆脱了单一指标的可能造成的偏差；将不同工况下影响因素、非影响因素筛选，能更准确地对驾驶行径进行判别，避免过多指标对评判结果的影响。将前车行为与行驶路径进行关联，提高了对前车行为与行驶路径的识别能力，提高了对前车行为与行驶路径的预测准确性。

附图说明

本发明附图旨在示出根据本发明的特定示例性实施例中所使用的方法、结构和/或材料的一般特性，对说明书中的描述进行补充。然而，本发明附图是未按比例绘制的示意图，因而可能未能够准确反映任何所给出的实施例的精确结构或性能特点，本发明附图不应当被解释为限定或限制由根据本发明的示例性实施例所涵盖的数值或属性的范围。下面结合附图与具体实施方式对本发明作进一步详细的说明：

图1是发明原理示意图。

具体实施方式

以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所公开的内容充分地了解本发明的其他优点与技术效果。本发明还可以通过不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点加以应用，在没有背离发明总的设计思路下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。本发明下述示例性实施例可以多种不同的形式来实施，并且不应当被解释为只限于这里所阐述的具体实施例。应当理解的是，提供这些实施例是为了使得本发明的公开彻底且完整，并且将这些示例性具体实施例的技术方案充分传达给本领域技术人员。

第一实施例；

本发明提供一种目标车辆行为和路径预测方法，包括以下步骤：

S1，建立目标车辆动力学模型或数学模型模拟获得目标车辆理论行径；

S2，通过数据统计目标车辆不同的工况下的车辆行为和路径，将车辆行为和路径关联后将目标车辆理论行径划分为高频行径和低频行径；

S3，高频行径和低频行径中筛选出对自车行驶产生影响的目标车辆行为和会对自车行驶产生影响的目标车辆行为；

S4，根据对自车行驶产生影响的目标车辆行为将高频行径和低频行径进行划分，获得目标车辆的理想行径、合理行径和非合理行径；

S5，对目标车辆上一阶段的理想行径、合理行径和非合理行径进行评价，将目标车辆划分安全等级，根据目标车辆安全等级调整自车智能驾驶决策系统参数。

这里所使用的术语仅是为了描述具体实施例，而非意图限制根据本发明的示例性实施例。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式。此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或附加一个或多个其他特征、整体、步骤、操作、元件、组件和/或它们的组合。

第二实施例；

本发明提供一种目标车辆行为和路径预测方法，包括以下步骤：

S1，建立目标车辆动力学模型或数学模型模拟获得目标车辆理论行径；

S2，通过数据统计目标车辆不同的工况下的车辆行为和路径，将车辆行为和路径关联后将目标车辆理论行径划分为高频行径和低频行径；

S3，高频行径和低频行径中筛选出对自车行驶产生影响的目标车辆行为和会对自车行驶产生影响的目标车辆行为；

S4，根据对自车行驶产生影响的目标车辆行为将高频行径和低频行径进行划分，获得目标车辆的理想行径、合理行径和非合理行径；

理想行径是在当前工况下目标车辆行为及路径完全符合车辆动力学模型或数学模型其中一种的预期，且无对自车行驶产生影响的目标车辆行为；

合理行径是在当前工况下目标车辆行驶行径稳定，未出现可能对自车造成驾驶危险的行径；

非合理行径是在当前工况下目标车辆行驶行为异常和行驶路径不稳定出现可能对自车造成驾驶危险的行径；

S5，对目标车辆上一阶段的理想行径、合理行径和非合理行径进行评价，将目标车辆划分安全等级；若目标车辆上一阶段行驶为理想行径则划分为安全等级为安全；若目标车辆上一阶段行驶为合理行径则划分为安全等级为警惕；若目标车辆上一阶段行驶为非合理行径则划分为安全等级为危险；若目标车辆安全等级被划分为警惕或危险，则调整自车智能驾驶决策系统参数；

其中，所述对自车行驶产生影响的目标车辆行为包括车身晃动、减速、转向、变道及开启转向灯；

所述目标车辆动力学模型和数学模型通过传递函数、最优控制、数据驱动、模型预测控制、智能控制、模糊控制、神经网络和/或遗传算法构建。

此外，还应当理解的是，尽管在这里可以使用术语“第一”、“第二”等来描述不同的元件、参数、组件、区域、层和/或部分，但是这些元件、参数、组件、区域、层和/或部分不应当受这些术语的限制。这些术语仅是用来将一个元件、参数、组件、区域、层或部分与另一个元件、参数、组件、区域、层或部分区分开来。因此，在不脱离根据本发明的示例性实施例的教导的情况下，以下所讨论的第一元件、参数、组件、区域、层或部分也可以被称作第二元件、参数、组件、区域、层或部分。

第三实施例；

本发明提供一种目标车辆行为和路径预测系统，包括：

模型模块，其通过导入或构建方式获得目标车辆动力学模型或数学模型；

路径获取模块，其通过目标车辆动力学模型或数学模型模拟获得目标车辆理论行径；

第一路径划分模块，其通过数据统计目标车辆不同的工况下的车辆行为和路径，将车辆行为和路径关联后将目标车辆理论行径划分为高频行径和低频行径；

筛选模块，其高频行径和低频行径中筛选出对自车行驶产生影响的目标车辆行为和会对自车行驶产生影响的目标车辆行为；

第二路径划分模块，其根据对自车行驶产生影响的目标车辆行为将高频行径和低频行径进行划分，获得目标车辆的理想行径、合理行径和非合理行径；

评价模块，其对目标车辆上一阶段的理想行径、合理行径和非合理行径进行评价，将目标车辆划分安全等级，根据目标车辆安全等级调整自车智能驾驶决策系统参数。

第四实施例；

本发明提供一种目标车辆行为和路径预测系统，包括：

模型模块，其通过导入或构建方式获得目标车辆动力学模型或数学模型；

路径获取模块，其通过目标车辆动力学模型或数学模型模拟获得目标车辆理论行径；

第一路径划分模块，其通过数据统计目标车辆不同的工况下的车辆行为和路径，将车辆行为和路径关联后将目标车辆理论行径划分为高频行径和低频行径；

筛选模块，其高频行径和低频行径中筛选出对自车行驶产生影响的目标车辆行为和会对自车行驶产生影响的目标车辆行为；

第二路径划分模块，其根据对自车行驶产生影响的目标车辆行为将高频行径和低频行径进行划分，获得目标车辆的理想行径、合理行径和非合理行径；

理想行径是在当前工况下目标车辆行为及路径完全符合车辆动力学模型或数学模型其中一种的预期，且无对自车行驶产生影响的目标车辆行为；

合理行径是在当前工况下目标车辆行驶行径稳定，未出现可能对自车造成驾驶危险的行径；

非合理行径是在当前工况下目标车辆行驶行为异常和行驶路径不稳定出现可能对自车造成驾驶危险的行径；

评价模块，其对目标车辆上一阶段的理想行径、合理行径和非合理行径进行评价，将目标车辆划分安全等级，若目标车辆上一阶段行驶为理想行径则划分为安全等级为安全；若目标车辆上一阶段行驶为合理行径则划分为安全等级为警惕；若目标车辆上一阶段行驶为非合理行径则划分为安全等级为危险；若目标车辆安全等级被划分为警惕或危险，则调整自车智能驾驶决策系统参数；

其中，所述对自车行驶产生影响的目标车辆行为包括车身晃动、减速、转向、变道及开启转向灯；

所述目标车辆动力学模型和数学模型通过传递函数、最优控制、数据驱动、模型预测控制、智能控制、模糊控制、神经网络和/或遗传算法构建。

除非另有定义，否则这里所使用的全部术语(包括技术术语和科学术语)都具有与本发明所属领域的普通技术人员通常理解的意思相同的意思。还将理解的是，除非这里明确定义，否则诸如在通用字典中定义的术语这类术语应当被解释为具有与它们在相关领域语境中的意思相一致的意思，而不以理想的或过于正式的含义加以解释。

以上通过具体实施方式和实施例对本发明进行了详细的说明，但这些并非构成对本发明的限制。在不脱离本发明原理的情况下，本领域的技术人员还可做出许多变形和改进，这些也应视为本发明的保护范围。

Claims (8)

1.一种目标车辆行为和路径预测方法，其特征在于，包括以下步骤：

S1，建立目标车辆数学模型模拟获得目标车辆理论行径；

S2，通过数据统计目标车辆不同的工况下的车辆行为和路径，将车辆行为和路径关联后将目标车辆理论行径划分为高频行径和低频行径；

S3，高频行径和低频行径中筛选出对自车行驶产生影响的目标车辆行为和不会对自车行驶产生影响的目标车辆行为；

S4，根据对自车行驶产生影响的目标车辆行为将高频行径和低频行径进行划分，获得目标车辆的理想行径、合理行径和非合理行径；

S5，对目标车辆上一阶段的理想行径、合理行径和非合理行径进行评价，将目标车辆划分安全等级，根据目标车辆安全等级调整自车智能驾驶决策系统参数。

2.如权利要求1所述的目标车辆行为和路径预测方法，其特征在于：所述对自车行驶产生影响的目标车辆行为包括车身晃动、减速、转向、变道及开启转向灯。

3.如权利要求1所述的目标车辆行为和路径预测方法，其特征在于：

理想行径是在当前工况下目标车辆行为及路径完全符合车辆数学模型其中一种的预期，且无对自车行驶产生影响的目标车辆行为；

合理行径是在当前工况下目标车辆行驶行径稳定，未出现可能对自车造成驾驶危险的行径；

非合理行径是在当前工况下目标车辆行驶行为异常和行驶路径不稳定，出现可能对自车造成驾驶危险的行径。

4.如权利要求3所述的目标车辆行为和路径预测方法，其特征在于：

若目标车辆上一阶段行驶为理想行径则划分安全等级为安全；

若目标车辆上一阶段行驶为合理行径则划分安全等级为警惕；

若目标车辆上一阶段行驶为非合理行径则划分安全等级为危险；

若目标车辆安全等级被划分为警惕或危险，则调整自车智能驾驶决策系统参数。

5.一种目标车辆行为和路径预测系统，其特征在于，包括：

模型模块，其通过导入或构建方式获得目标车辆数学模型；

路径获取模块，其通过目标车辆数学模型模拟获得目标车辆理论行径；

第一路径划分模块，其通过数据统计目标车辆不同的工况下的车辆行为和路径，将车辆行为和路径关联后将目标车辆理论行径划分为高频行径和低频行径；

筛选模块，其高频行径和低频行径中筛选出对自车行驶产生影响的目标车辆行为和不会对自车行驶产生影响的目标车辆行为；

第二路径划分模块，其根据对自车行驶产生影响的目标车辆行为将高频行径和低频行径进行划分，获得目标车辆的理想行径、合理行径和非合理行径；

评价模块，其对目标车辆上一阶段的理想行径、合理行径和非合理行径进行评价，将目标车辆划分安全等级，根据目标车辆安全等级调整自车智能驾驶决策系统参数。

6.如权利要求5所述的目标车辆行为和路径预测系统，其特征在于：所述对自车行驶产生影响的目标车辆行为包括车身晃动、减速、转向、变道及开启转向灯。

7.如权利要求5所述的目标车辆行为和路径预测系统，其特征在于：

理想行径是在当前工况下目标车辆行为及路径完全符合车辆数学模型其中一种的预期，且无对自车行驶产生影响的目标车辆行为；

合理行径是在当前工况下目标车辆行驶行径稳定，未出现可能对自车造成驾驶危险的行径；

非合理行径是在当前工况下目标车辆行驶行为异常和行驶路径不稳定，出现可能对自车造成驾驶危险的行径。

8.如权利要求7所述的目标车辆行为和路径预测系统，其特征在于：

若目标车辆上一阶段行驶为理想行径则划分安全等级为安全；

若目标车辆上一阶段行驶为合理行径则划分安全等级为警惕；

若目标车辆上一阶段行驶为非合理行径则划分安全等级为危险；

若目标车辆安全等级被划分为警惕或危险，则调整自车智能驾驶决策系统参数。