CN115062202A - 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质 - Google Patents
驾驶行为意图及轨迹的预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115062202A CN115062202A CN202210771007.8A CN202210771007A CN115062202A CN 115062202 A CN115062202 A CN 115062202A CN 202210771007 A CN202210771007 A CN 202210771007A CN 115062202 A CN115062202 A CN 115062202A
- Authority
- CN
- China
- Prior art keywords
- driving behavior
- target vehicle
- predicting
- current
- intention
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000006399 behavior Effects 0.000 claims description 127
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 238000010801 machine learning Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种驾驶行为意图及轨迹的预测方法、装置、设备及存储介质，其中方法包括：实时获取目标车辆的车辆相关信息；基于所述车辆相关信息获取目标车辆当前所处的场景，并根据所述目标车辆当前所处的场景得到目标车辆当前的周边环境；根据所述目标车辆当前所处的场景、周边环境和交通规则，预测目标车辆的备选驾驶行为意图，以生成备选模型集合，并根据备选模型集合中每一驾驶行为意图的发生概率，得到目标车辆当前的驾驶行为意图；基于所述目标车辆当前的驾驶行为意图及目标车辆的行驶信息，生成目标车辆的预测轨迹。本发明用以解决现有的模型存在的自适应性差的问题。
Description
技术领域
本申请涉及车辆自动驾驶技术领域，具体涉及一种驾驶行为意图及轨迹的预测方法、装置、设备及存储介质。
背景技术
对自动驾驶车辆来说，在动态变化的交通场景中行驶是一项极具挑战性的任务，尤其是在城市道路上，对周围车辆驾驶行为的认知和行驶轨迹的预测起着至关重要的作用。
目前针对目标车辆的驾驶行为意图预测和轨迹预测的已有技术路线中，有采用机器学习或深度学习等技术实现驾驶行为的预测方法，例如通过挖掘车辆、道路和环境的关系用来提高预测效果。也有基于路网信息、历史轨迹和车辆运动学进行轨迹预测的方法，例如将已知轨迹与目的地信息进行编码并经深度神经网络训练，以此提高轨迹预测的准确性。
但是就目前已有的技术方案来看，大多数的驾驶行为预测模型只适用于特定的交通场景，例如高速路段的换道模型、交叉路口区域的左转/右转模型等，而且，基于机器学习或深度学习的方法会在一定程度上缺乏解释交通场景和根据先验知识进行自适应调节的能力，无法准确预测典型城市道路的车辆驾驶行为。
发明内容
鉴于以上所述现有技术的缺点，本发明提供一种驾驶行为意图及轨迹的预测方法、装置、设备及存储介质，以解决现有的模型存在的自适应性差的问题。
本发明提供的一种驾驶行为意图及轨迹的预测方法，包括：
实时获取目标车辆的车辆相关信息；
基于所述车辆相关信息获取目标车辆当前所处的场景，并根据所述目标车辆当前所处的场景得到目标车辆当前的周边环境；
根据所述目标车辆当前所处的场景、周边环境和交通规则，预测目标车辆的备选驾驶行为意图，以生成备选模型集合，并根据备选模型集合中每一驾驶行为意图的发生概率，得到目标车辆当前的驾驶行为意图；
基于所述目标车辆当前的驾驶行为意图及目标车辆的行驶信息，生成目标车辆的预测轨迹。
在本发明一实施方式中，在所述实时获取目标车辆的车辆相关信息之前包括：获取隐马尔可夫模型的离线数据库。
在本发明一实施方式中，所述获取隐马尔可夫模型的离线数据库包括：
离线采集车辆相关信息；
基于离线采集的车辆相关信息，获取时间离散的标签序列数据；
以所述标签序列数据作为观测序列，离线训练不同场景下各驾驶行为对应的隐马尔可夫模型，得到所述隐马尔可夫模型识别各驾驶行为的参数；
基于所述隐马尔可夫模型识别各驾驶行为的参数，得到隐马尔可夫模型的离线数据库。
在本发明一实施方式中，所述预测目标车辆的备选驾驶行为意图包括：根据所述目标车辆所处的场景、周围环境以及安全常识，剔除不具备选性的驾驶行为意图。
在本发明一实施方式中，所述生成备选模型集合包括：根据每一备选驾驶行为意图选择对应场景下目标车辆对应的备选模型，将全部的所述备选模型整理汇总形成备选模型集合。
在本发明一实施方式中，所述备选模型集合中每一驾驶行为意图的发生概率的获取步骤包括：
根据目标车辆的周围环境以及备选模型集合，提取各驾驶行为对应的隐马尔可夫模型所需的特征量的离散时序数据；
以所述离散时序数据为依据，得到各驾驶行为对应的隐马尔可夫模型的实时观测序列；
从所述离线数据库中读取对应的驾驶行为的参数，并将对应的所述实时观测序列作为输入，利用前向算法进行递推求和计算，得到对应的驾驶行为意图的发生概率。
在本发明一实施方式中，所述得到目标车辆当前的驾驶行为意图包括：
以对应的所述实时观测序列作为输入，采用维特比算法进行递推和回溯，并以贪心算法求解最优状态并回溯行程形成最优路径，所述最优路径载有对应的驾驶行为状态时序；
根据每一驾驶行为意图的发生概率值和每一驾驶行为状态时序，并对所述状态时序中最接近当前时刻的有效驾驶行为状态进行策略评估，选择出最优的驾驶行为并输出对应的状态时序。
本发明提供的一种驾驶行为意图及轨迹的预测装置，包括：
获取模块，用于实时获取目标车辆的车辆相关信息；
构建模块，用于基于所述车辆相关信息获取目标车辆当前所处的场景，并根据所述目标车辆当前所处的场景得到目标车辆当前的周边环境；
处理模块，用于根据所述目标车辆当前所处的场景、周边环境和交通规则，预测目标车辆的备选驾驶行为意图，以生成备选模型集合，并根据备选模型集合中每一驾驶行为意图的发生概率，得到目标车辆当前的驾驶行为意图；
预测轨迹生成模块，用于基于所述目标车辆当前的驾驶行为意图及目标车辆的行驶信息，生成目标车辆的预测轨迹。
本发明提供的一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现所述的驾驶行为意图及轨迹的预测方法。
本发明提供的一种计算机可读存储介质，所述存储介质上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行权利要求1至7中任一项所述的驾驶行为意图及轨迹的预测方法。
本发明的有益效果：本发明通过构建周边环境、为特定场景提供合适的备选模型，在现有的驾驶行为模型的基础上提高了自适应性；并根据备选模型集合中每一驾驶行为意图的发生概率，得到目标车辆当前的驾驶行为意图，提高了预测结果的合理性和准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术者来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1是本申请的一示例性实施例示出的驾驶行为意图及轨迹的预测方法的示意图；
图2是本申请的一示例性实施例示出的建立的巡航场景下的HMM模型示意图；
图3是本申请的一示例性实施例示出的建立的交叉路口场景下的HMM模型示意图；
图4是本申请的一示例性实施例示出的预测驾驶行为意图的流程图；
图5是本申请的一示例性实施例示出的驾驶行为意图及轨迹的预测装置的示意图；
图6示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
以下将参照附图和优选实施例来说明本发明的实施方式，本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外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与应用，在没有背离本发明的精神下进行各种修饰或改变。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
在下文描述中，探讨了大量细节，以提供对本发明实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的，在其他实施例中，以方框图的形式而不是以细节的形式来示出公知的结构和设备，以避免使本发明的实施例难以理解。
请参阅图1-图4，本发明提供的一种驾驶行为意图及轨迹的预测方法，包括：步骤1，离线执行步骤；步骤2，在线执行步骤。其中，
步骤1：离线执行步骤包括：获取隐马尔可夫模型的离线数据库。本步骤具体的包括：
步骤1.1，离线采集车辆相关信息，车辆相关信息包括车辆的动态行驶数据，车辆的动态行驶数据包括车道线信息、高精度地图信息、目标车辆的行驶速度、加速度、位置等信息。
步骤1.2，处理训练样本：将离线采集的数据离散化并提取各驾驶行为对应的隐马尔可夫模型(HMM)模型需要的输入特征量，利用聚类分析或分段函数对各个特征量进行分类处理，将分类后各个输入特征量进行组合分类，得到时间离散标签序列数据。
步骤1.3，多种模型训练：将步骤1.2得到的各驾驶行为对应的HMM模型需要的时间离散标签序列数据作为观测序列，分别离线训练不同场景下各个驾驶行为对应的HMM模型，得到HMM模型识别各个驾驶行为的参数。
如图2所示，巡航场景下将目标车辆到其左右车道边界的位置、目标车辆与其所属车道的行驶方向的角度差、目标车辆的速度和加速度以及目标车道距其左右车道边线的碰撞时距作为模型输入的表征量。巡航场景下，建立车道内非居中行驶、车道内居中行驶、向左侧变道和向右侧变道4种驾驶行为。
如图3所示，交叉路口场景下将目标车辆到各方向目标车道的距离、到各方向目标车道行驶方向的航向偏差、目标车辆的速度和横摆角速度以及目标车辆历史行驶轨迹的曲率和曲率变化率作为模型输入的表征量。交叉路口场景下，建立路口直行、左转、右转和掉头这4种驾驶行为。
以上两种场景下各种驾驶行为模型的离线训练流程如下：
首先获取各模型所需的各表征量的离散时序数据，经过聚类分析模型的分类处理后，形成输入到HMM模型的观测时序，利用非监督式学习的Baum-Welch算法或监督式学习的统计计算，获取各驾驶行为对应的模型参数。
步骤1.4，形成多种驾驶行为数据库：将步骤1.3中得到的各个驾驶行为的参数进行整理汇总，形成各个驾驶行为对应的HMM模型的离线数据库。
步骤2，在线执行步骤包括：
步骤2.1，实时获取目标车辆的车辆相关信息。在本步骤中需要更新实时感知的车辆相关信息，按照固定周期实时更新上游模块的感知融合后的车辆相关信息，车辆相关信息包括车辆的动态行驶数据，车辆的动态行驶数据包括车道线信息、高精度地图信息、交通标识信息、目标车辆的行驶速度、加速度、位置等信息。
步骤2.2，基于所述车辆相关信息获取目标车辆当前所处的场景，并根据所述目标车辆当前所处的场景得到目标车辆当前的周边环境。
在本步骤中，首先需要对目标车辆所述场景进行分类：根据高精度地图提供的路段信息和摄像头识别的交通标识信息，判断目标车辆当前所处的场景，例如，根据目标车辆当前位置是否处于高速路段、是否处在城区主干道直线路段、是否处在城区路段交叉路口范围内，来判断目标车辆属于巡航场景类别还是交叉路口场景类别。其次需要构建目标车辆的周围环境，具体地，根据高精度地图提供的车道级信息或摄像头识别的车道线信息以及目标车辆的位姿或位置信息，构建以目标车辆为中心的周围静态环境模型以获知目标车辆与周围静态环境之间的相互关系。例如，在巡航场景下构建以目标车辆坐标系下的三车道模型，在交叉路口场景下构建各方向上的车道连接关系。
步骤2.3，根据所述目标车辆当前所处的场景、周边环境和交通规则，预测目标车辆的备选驾驶行为意图，以生成备选模型集合。
本步骤包括：基于规则的推理，根据步骤2.2以场景构建的目标周围环境，并考虑目标车辆所处车道和交通规则信息，推理在规则范围内目标车辆可能的驾驶行为，即备选驾驶行为意图，再根据实时动态环境信息结合安全常识等先验信息，剔除不具备选性的驾驶行为意图。所述不具备选性的驾驶行为意图是指发生概率较低的备选驾驶行为意图。举例说明，当目标车辆行驶在交叉路口前直行车道上时，应排除左/右转行驶的推理；当目标行驶在最左侧车道内时，应排除向左变道的推理；当目标车辆的右侧有并排行驶的车辆时，应排除向右变道的推理。然后根据推理结果预测特定场景下目标车辆可能的驾驶行为(即备选驾驶行为)对应的HMM模型并进行整理汇总生产备选模型集合中。
步骤2.4，根据备选模型集合中每一驾驶行为意图的发生概率，得到目标车辆当前的驾驶行为意图。在本步骤中通过逐一对各种备选驾驶行为进行在线的HMM模型计算和预测。并对HMM模型产生的各驾驶行为进行评价和优化，根据预测的各种备选驾驶行为的发生概率，结合目标车辆的历史信息评估输出结果的稳定性，并选择概率最高的驾驶行为意图作为该目标车辆当前的驾驶行为意图。
在本步骤中包括：
步骤2.4.1，根据目标周围环境信息和备选模型的集合，提取各驾驶行为对应的HMM模型所需的特征量的离散时序数据。
步骤2.4.2，根据步骤2.4.1中的特征量离散时序数据，利用聚类模型或分段函数将特征量的离散数据进行分类并标记，将各HMM模型需要的特征量按照规则进行组合分类标记，形成该HMM模型的实时观测序列。
步骤2.4.3，从步骤1.4中的离线模型数据库中读取所需的HMM模型参数，并将步骤2.4.2中相应模型的观测序列作为输入，采用前向算法进行递推求和计算，评估在该种驾驶行为下产生当前输入的观测序列的概率，该概率越大，说明目标车辆产生该种驾驶行为的概率越大。
步骤2.4.4，输入与步骤2.4.3相同，不同的是此处采用维特比(Viterbi)算法进行递推和回溯，以贪心算法求解最优状态并回溯形成最优路径，该最优路径记录着输入时间序列的每个时间节点上对应的概率最大的驾驶行为状态。
步骤2.4.5，根据步骤2.4.3中得到的各驾驶行为的概率值和步骤2.4.4中得到的各驾驶行为的状态时序，对状态时序中最接近当前时刻的有效驾驶行为状态和对应的概率进行一定的策略评估，选择出最优的驾驶行为意图并输出最优的驾驶行为意图对应的状态时序。
步骤2.5，基于所述目标车辆当前的驾驶行为意图及目标车辆的行驶信息，生成目标车辆的预测轨迹。行驶信息包括：当前车速、加速度以及设定时长。设定时长是根据实际需求设定的，代表了预测轨迹距离当前时刻的时间长度。本步骤包括：根据步骤2.4.5中生成的最优驾驶行为意图，采用车辆运动学的计算方式，以目标车辆以当前车速匀加速运动状态，预测其设定时长(例如为6-10s，具体的可以为8s)后的目的地位置，并以多项式曲线拟合的方式生成从当前位置到目的地地位置的运动轨迹，从而生成该目标车辆的预测轨迹。
本发明的有益效果：本发明通过构建周边环境、为特定场景提供合适的备选模型，在现有的驾驶行为模型的基础上提高了自适应性；并根据备选模型集合中每一驾驶行为意图的发生概率，得到目标车辆当前的驾驶行为意图，提高了预测结果的合理性和准确性。
需要说明的是，上述方法的可以基于机器学习实现的。机器学习(MachineLearning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。其中，机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
基于机器学习的强大学习能力，可通过针对大量的历史轨迹的机器学习过程，可以实现机器学习模型对于目标车辆的移动速度、移动方向、移动习惯、动静状态等全方位特征的位移偏置估计，以保证所预估得到的目标车辆的实时位置是更加准确可信的，因此保证了构建的目标车辆的周围环境是准确的，并进一步的保证了预测结果的准确性。
请参阅图5，本发明提供的一种驾驶行为意图及轨迹的预测装置，包括：
获取模块100，用于实时获取目标车辆的车辆相关信息；
构建模块200，用于基于所述车辆相关信息获取目标车辆当前所处的场景，并根据所述目标车辆当前所处的场景得到目标车辆当前的周边环境；
处理模块300，用于根据所述目标车辆当前所处的场景、周边环境和交通规则，预测目标车辆的备选驾驶行为意图，以生成备选模型集合，并根据备选模型集合中每一驾驶行为意图的发生概率，得到目标车辆当前的驾驶行为意图；
预测轨迹生成模块400，用于基于所述目标车辆当前的驾驶行为意图及目标车辆的行驶信息，生成目标车辆的预测轨迹。
本发明提供的一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现所述的驾驶行为意图及轨迹的预测方法。
图6示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。需要说明的是，图6示出的电子设备的计算机系统500仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统500包括中央处理单元(Central Processing Unit，CPU)501，其可以根据存储在只读存储器(Read-Only Memory，ROM)502中的程序或者从储存部分508加载到随机访问存储器(Random Access Memory，RAM)503中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 503中，还存储有系统操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(Input/Output，I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分507；包括硬盘等的储存部分508；以及包括诸如LAN(Local Area Network，局域网)卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入储存部分508。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的系统中限定的各种功能。
需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
本申请的另一方面还提供的一种计算机可读存储介质，所述存储介质上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行所述的驾驶行为意图及轨迹的预测方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中。
本申请的另一方面还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各个实施例中提供的驾驶行为意图及轨迹的预测方法。
上述实施例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种驾驶行为意图及轨迹的预测方法，其特征在于，包括：
实时获取目标车辆的车辆相关信息；
基于所述车辆相关信息获取目标车辆当前所处的场景，并根据所述目标车辆当前所处的场景得到目标车辆当前的周边环境；
根据所述目标车辆当前所处的场景、周边环境和交通规则，预测目标车辆的备选驾驶行为意图，以生成备选模型集合，并根据备选模型集合中每一驾驶行为意图的发生概率，得到目标车辆当前的驾驶行为意图；
基于所述目标车辆当前的驾驶行为意图及目标车辆的行驶信息，生成目标车辆的预测轨迹。
2.根据权利要求1所述的驾驶行为意图及轨迹的预测方法，其特征在于，在所述实时获取目标车辆的车辆相关信息之前包括：获取隐马尔可夫模型的离线数据库。
3.根据权利要求2所述的驾驶行为意图及轨迹的预测方法，其特征在于，所述获取隐马尔可夫模型的离线数据库包括：
离线采集车辆相关信息；
基于离线采集的车辆相关信息，获取时间离散的标签序列数据；
以所述标签序列数据作为观测序列，离线训练不同场景下各驾驶行为对应的隐马尔可夫模型，得到所述隐马尔可夫模型识别各驾驶行为的参数；
基于所述隐马尔可夫模型识别各驾驶行为的参数，得到隐马尔可夫模型的离线数据库。
4.根据权利要求1所述的驾驶行为意图及轨迹的预测方法，其特征在于，所述预测目标车辆的备选驾驶行为意图包括：根据所述目标车辆所处的场景、周围环境以及安全常识，剔除不具备选性的驾驶行为意图。
5.根据权利要求1或4所述的驾驶行为意图及轨迹的预测方法，其特征在于，所述生成备选模型集合包括：根据每一备选驾驶行为意图选择对应场景下目标车辆对应的备选模型，将全部的所述备选模型整理汇总形成备选模型集合。
6.根据权利要求2或3所述的驾驶行为意图及轨迹的预测方法，其特征在于，所述备选模型集合中每一驾驶行为意图的发生概率的获取步骤包括：
根据目标车辆的周围环境以及备选模型集合，提取各驾驶行为对应的隐马尔可夫模型所需的特征量的离散时序数据；
以所述离散时序数据为依据，得到各驾驶行为对应的隐马尔可夫模型的实时观测序列；
从所述离线数据库中读取对应的驾驶行为的参数，并将对应的所述实时观测序列作为输入，利用前向算法进行递推求和计算，得到对应的驾驶行为意图的发生概率。
7.根据权利要求6所述的驾驶行为意图及轨迹的预测方法，其特征在于，所述得到目标车辆当前的驾驶行为意图包括：
以对应的所述实时观测序列作为输入，采用维特比算法进行递推和回溯，并以贪心算法求解最优状态并回溯行程形成最优路径，所述最优路径载有对应的驾驶行为状态时序；
根据每一驾驶行为意图的发生概率值和每一驾驶行为状态时序，并对所述状态时序中最接近当前时刻的有效驾驶行为状态进行策略评估，选择出最优的驾驶行为并输出对应的状态时序。
8.一种驾驶行为意图及轨迹的预测装置，其特征在于，包括：
获取模块，用于实时获取目标车辆的车辆相关信息；
构建模块，用于基于所述车辆相关信息获取目标车辆当前所处的场景，并根据所述目标车辆当前所处的场景得到目标车辆当前的周边环境；
处理模块，用于根据所述目标车辆当前所处的场景、周边环境和交通规则，预测目标车辆的备选驾驶行为意图，以生成备选模型集合，并根据备选模型集合中每一驾驶行为意图的发生概率，得到目标车辆当前的驾驶行为意图；
预测轨迹生成模块，用于基于所述目标车辆当前的驾驶行为意图及目标车辆的行驶信息，生成目标车辆的预测轨迹。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如权利要求1至7中任一项所述的驾驶行为意图及轨迹的预测方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行权利要求1至7中任一项所述的驾驶行为意图及轨迹的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210771007.8A CN115062202B (zh) | 2022-06-30 | 2022-06-30 | 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210771007.8A CN115062202B (zh) | 2022-06-30 | 2022-06-30 | 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115062202A true CN115062202A (zh) | 2022-09-16 |
| CN115062202B CN115062202B (zh) | 2024-10-01 |
Family
ID=83204179
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210771007.8A Active CN115062202B (zh) | 2022-06-30 | 2022-06-30 | 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115062202B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116044990A (zh) * | 2023-03-29 | 2023-05-02 | 北京集度科技有限公司 | 车辆档位切换方法、装置、电子设备、介质及程序产品 |
| WO2024109176A1 (zh) * | 2022-11-22 | 2024-05-30 | 华为技术有限公司 | 一种预测方法、装置和移动载体 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109460023A (zh) * | 2018-11-09 | 2019-03-12 | 上海理工大学 | 基于隐马尔科夫模型的驾驶人换道意图识别方法 |
| WO2020164090A1 (en) * | 2019-02-15 | 2020-08-20 | Bayerische Motoren Werke Aktiengesellschaft | Trajectory prediction for driving strategy |
| CN112002126A (zh) * | 2020-09-02 | 2020-11-27 | 中国科学技术大学 | 复杂场景下车辆长期轨迹预测方法及系统 |
-
2022
- 2022-06-30 CN CN202210771007.8A patent/CN115062202B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109460023A (zh) * | 2018-11-09 | 2019-03-12 | 上海理工大学 | 基于隐马尔科夫模型的驾驶人换道意图识别方法 |
| WO2020164090A1 (en) * | 2019-02-15 | 2020-08-20 | Bayerische Motoren Werke Aktiengesellschaft | Trajectory prediction for driving strategy |
| CN112002126A (zh) * | 2020-09-02 | 2020-11-27 | 中国科学技术大学 | 复杂场景下车辆长期轨迹预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| QI DENG ET AL.: "A Review of HMM-Based Approaches of Driving Behaviors Recognition and Prediction", 《A REVIEW OF HMM-BASED APPROACHES OF DRIVING BEHAVIORS RECOGNITION AND PREDICTION》, 17 March 2021 (2021-03-17), pages 1 - 11 * |
| 李文韬: "考虑旁车行驶意图的自适应巡航控制策略研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 1, 15 January 2022 (2022-01-15), pages 035 - 441 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024109176A1 (zh) * | 2022-11-22 | 2024-05-30 | 华为技术有限公司 | 一种预测方法、装置和移动载体 |
| CN116044990A (zh) * | 2023-03-29 | 2023-05-02 | 北京集度科技有限公司 | 车辆档位切换方法、装置、电子设备、介质及程序产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115062202B (zh) | 2024-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110796856B (zh) | 车辆变道意图预测方法及变道意图预测网络的训练方法 | |
| US11899411B2 (en) | Hybrid reinforcement learning for autonomous driving | |
| Xin et al. | Intention-aware long horizon trajectory prediction of surrounding vehicles using dual LSTM networks | |
| US11726477B2 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
| Li et al. | Survey on artificial intelligence for vehicles | |
| WO2022052406A1 (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
| US11555706B1 (en) | Processing graph representations of tactical maps using neural networks | |
| 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 | |
| CN115062202B (zh) | 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质 | |
| Schulz et al. | Learning interaction-aware probabilistic driver behavior models from urban scenarios | |
| Guo et al. | DRL-TP3: A learning and control framework for signalized intersections with mixed connected automated traffic | |
| Hu et al. | Learning a deep cascaded neural network for multiple motion commands prediction in autonomous driving | |
| CN116050245A (zh) | 基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法与系统 | |
| CN117585017B (zh) | 一种自动驾驶车辆换道决策方法、装置、设备及存储介质 | |
| Sharma et al. | Kernelized convolutional transformer network based driver behavior estimation for conflict resolution at unsignalized roundabout | |
| CN114368387B (zh) | 一种基于注意力机制的驾驶员意图识别及车辆轨迹预测方法 | |
| Ren et al. | Self-learned intelligence for integrated decision and control of automated vehicles at signalized intersections | |
| CN115107806A (zh) | 一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法 | |
| Wang et al. | Deep understanding of big geospatial data for self-driving: Data, technologies, and systems | |
| CN114428889A (zh) | 轨迹绑路方法、模型训练方法、装置、设备及存储介质 | |
| Selvaraj et al. | Edge learning of vehicular trajectories at regulated intersections | |
| Li et al. | Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation | |
| Arbabi et al. | Planning for autonomous driving via interaction-aware probabilistic action policies | |
| CN116448134A (zh) | 基于风险场与不确定分析的车辆路径规划方法及装置 | |
| CN113296500B (zh) | 一种局部路径规划方法及系统 |
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 |