CN117261920A - 一种车辆换道识别方法、装置、终端及介质 - Google Patents
一种车辆换道识别方法、装置、终端及介质 Download PDFInfo
- Publication number
- CN117261920A CN117261920A CN202311215607.7A CN202311215607A CN117261920A CN 117261920 A CN117261920 A CN 117261920A CN 202311215607 A CN202311215607 A CN 202311215607A CN 117261920 A CN117261920 A CN 117261920A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target vehicle
- track
- lane change
- lane
- 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.)
- Pending
Links
- 230000008859 change Effects 0.000 title claims abstract description 167
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000003993 interaction Effects 0.000 claims abstract description 108
- 239000013598 vector Substances 0.000 claims abstract description 31
- 230000001133 acceleration Effects 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 41
- 238000012360 testing method Methods 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 description 12
- 238000011160 research Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000000658 coextraction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18163—Lane change; Overtaking manoeuvres
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆换道识别方法、装置、终端及介质，所述方法包括获取目标车辆的横纵向速度、加速度信息；根据所述目标车辆与所述目标车辆的周围车辆之间的相互作用，建立所述目标车辆的车辆约束区域与行驶交互区域，获得换道意图识别的特征向量；输入至训练后的XGBoost的换道意图识别模型，得到换道意图识别时间窗，以控制所述目标车辆进行换道。因此，本发明实施例能够以国内车辆轨迹数据为基础，对车辆换道轨迹与车道保持车辆轨迹进行重构拼接，提出车辆交互区域概念，将周围车辆对目标车辆的影响归结于车辆交互区域重叠面积的函数，与目标车辆行驶参数作为特征参数，建立XGBoost换道意图识别模型，以对驾驶员换道意图进行识别。
Description
技术领域
本发明涉及智能交通技术领域，尤其涉及一种车辆换道识别方法、装置、终端及介质。
背景技术
在车辆的行驶过程中，跟驰和换道行为是两种最典型的驾驶行为。相比于跟驰行为，车辆换道行为的决策失误可能性更大，更易导致交通事故的发生。研究表明，对驾驶员换道意图的提前感知，可以有效降低换道过程中交通事故的发生率，提高车辆换道的安全性，其应用还将对未来自动驾驶系统的推广和改善交通状况产生积极作用。
车辆换道行为作为一种普遍的驾驶行为，一直是国内外学者研究的重要领域之一。经过三十多年的研究发展，国内外学者依靠实验及仿真手段，对换道行为进行了大量的理论研究，已成功将诸多研究方法和模型运用于驾驶辅助技术及自动驾驶技术中。对于换道意图识别模型的研究，主要关注两个方面：一是确定用于表征驾驶员换道意图的参数；二是选择合适的模式识别方法来实现意图识别。国内外研究通常采用驾驶员的眼动及头部特性参数、车辆运行状态参数以及周围环境状态这三类指标来确定意图表征参数。
然而，通过驾驶员的生理特征来揭示换道意图在数据采集过程中通常需要专业设备，并且可能涉及隐私问题，因此在现实中推广会受到一定限制和阻碍。随着交通流检测技术的快速发展，大量车辆轨迹数据的获取成为可能，从轨迹数据中可以直观地表征驾驶员的换道行为。因此，为建立更加符合我国驾驶员驾驶行为习惯的驾驶模型，需要采用我国自主采集的车辆行驶轨迹数据集，建立更加准确、适应性高的换道意图识别模型，有助于为车辆换道安全预警系统提供理论支撑。传统的换道意图模型只考虑了车辆在某个时刻点的特征信息，而未考虑到从换道意图产生到换道完成整个过程中车辆状态的历史影响。仅考虑单一时刻的特征信息难免存在一定的局限性。
目前，国内外研究中关于换道意图时间窗的时长尚未达成统一标准，关于驾驶员换道意图时间窗的选取一般在1s至5s之间。如果从驾驶员换道开始时刻(即换道起点的时刻)才开始进行换道意图的识别，对于换道安全的预测和评价已无意义。另外，现有研究中缺乏在换道意图模型中考虑周围车辆对目标车辆的交互影响，并且由于换道过程中涉及到多辆车辆，采集和处理必要数据(如受换道影响的车辆数)成本高、难度大。以往关于换道的研究往往缺乏必要的实际数据作为支撑，虽然有些研究者利用美国NGSIM数据进行过相关研究，但该数据反应的是美国驾驶行为习惯，因此并不能直接适用于我国。
发明内容
本发明提供一种车辆换道识别方法、装置、终端及介质，以国内车辆轨迹数据为基础，对车辆换道轨迹与车道保持车辆轨迹进行重构拼接，提出车辆交互区域概念，将周围车辆对目标车辆的影响归结于车辆交互区域重叠面积的函数，与目标车辆行驶参数作为特征参数，建立XGBoost换道意图识别模型，以对驾驶员换道意图进行识别。
为了实现上述目的，第一方面，本发明实施例提供了一种车辆换道识别方法，包括：
获取目标车辆的横纵向速度、加速度信息，根据目标车辆与周围车辆之间的相互作用，建立所述目标车辆的车辆约束区域与行驶交互区域，获得驾驶员换道意图识别的特征向量；输入至XGBoost的换道意图识别模型，得到换道意图识别时间窗，以控制目标车辆进行换道；
获取目标车辆的横纵向速度、加速度信息；根据所述目标车辆与所述目标车辆的周围车辆之间的相互作用，建立所述目标车辆的车辆约束区域与行驶交互区域，获得换道意图识别的特征向量；
输入至训练后的XGBoost的换道意图识别模型，得到换道意图识别时间窗，以控制所述目标车辆进行换道；
其中，所述XGBoost的换道意图识别模型的训练和测试过程，具体包括：
对交通系统数据集中t时间范围的车辆行驶轨迹数据进行提取与重构，得到样本轨迹数据，将所述样本轨迹数据分成训练集和测试集；0<t≤90天；
获取所述训练集中样本车辆的横纵向速度、加速度信息，根据所述样本车辆与所述样本车辆的周围车辆之间的相互作用，建立所述样本车辆的车辆约束区域与行驶交互区域，获得换道意图识别的样本特征向量；
采用XGBoost模型构建所述XGBoost的换道意图识别模型，通过迭代学习的方式根据所述换道意图识别的样本特征向量对所述XGBoost的换道意图识别模型的参数进行迭代更新训练直至收敛，得到训练后的XGBoost的换道意图识别模型；
通过所述测试集测试所述训练后的XGBoost的换道意图识别模型，得到换道意图识别时间窗的标定值。
进一步地，所述对交通系统数据集中t时间范围的车辆行驶轨迹数据进行提取与重构，得到样本轨迹数据，将所述样本轨迹数据分成训练集和测试集，具体包括：
对交通系统数据集中t时间范围的车辆行驶轨迹数据按照特定时长进行提取，得到向左换道轨迹、向右换道轨迹和车道保持轨迹的轨迹集合；其中，车道保持轨迹的数量等于向左换道轨迹的数量与向右换道轨迹的数量之和；
将所述轨迹集合中的所有轨迹坐标归一化为原点，以选取任意一条所述车道保持轨迹为起点，随机拼接一条所述向左换道轨迹或所述向右换道轨迹，再拼接一条所述车道保持轨迹，以此类推直到所述轨迹集合中的所有轨迹都已进行拼接；从而得到样本轨迹数据，将所述样本轨迹数据分成训练集和测试集。
进一步地，所述目标车辆的车辆约束区域的表达式为：
所述目标车辆的行驶交互区域的表达式为：
式中，a1、b1为所述目标车辆的车辆约束区域的形状参数，a1的大小取决于所述目标车辆的长度，b1的大小取决于所述目标车辆的宽度；(x1，y1)为所述目标车辆的车辆约束区域的范围轨迹点；a2、b2为所述目标车辆的行驶交互区域的形状参数，a2的大小取决于所述目标车辆跟驰行驶时的最小车间距；b2取值使不相邻车道车辆交互区域严格不重叠，2b2＝2dL，dL为所述目标车辆所在车道的宽度；(x2，y2)为所述目标车辆的行驶交互区域的范围轨迹点。
进一步地，所述根据所述目标车辆与所述目标车辆的周围车辆之间的相互作用，建立所述目标车辆的车辆约束区域与行驶交互区域，获得换道意图识别的特征向量，具体包括：
根据所述目标车辆与所述目标车辆的周围车辆之间的相互作用，建立所述目标车辆的车辆约束区域与行驶交互区域；
当所述目标车辆的行驶交互区域与所述周围车辆的行驶交互区域发生重叠时，对车辆间的影响程度进行分析，量化所述周围车辆对所述目标车辆行驶意图的影响，得到所述目标车辆纵向受到的影响系数和横向受到的影响系数，从而获得换道意图识别的特征向量；
所述目标车辆纵向受到的影响系数Ix和横向受到的影响系数Iy分别为：
式中，SI、SII、SIII、SIV分别为所述目标车辆的行驶交互区域与为所述目标车辆的前、后、左、右周围车辆的行驶交互区域发生重叠的面积，S0为所述目标车辆的行驶交互区域的面积；
所述换道意图识别的特征向量为：
fc＝{vlon,vlat,alon,alat,Ilon,Ilat}，
式中，vlon为所述目标车辆的纵向速度；vlat为所述目标车辆的横向速度；alon为所述目标车辆的纵向加速度；alat为所述目标车辆的横向加速度；Ilon为所述周围车辆对所述目标车辆的纵向影响；Ilat为所述周围车辆对所述目标车辆的横向影响。
进一步地，所述XGBoost模型的参数分为模型的输入参数和模型的超参数两类；
所述超参数，用于调整来平衡XGBoost模型的复杂度和泛化能力，包括最大深度max_depth、L1正则化系数reg_lambda、L2正则化系数reg_alpha、子采样率subsample、特征子采样率colsample_bytree和学习率eta；
采用网格搜索算法基于5折交叉验证对所述XGBoost模型的超参数进行调优。
第二方面，本发明实施例提供了一种车辆换道识别装置，包括：
数据获取模块，用于获取目标车辆的横纵向速度、加速度信息；根据所述目标车辆与所述目标车辆的周围车辆之间的相互作用，建立所述目标车辆的车辆约束区域与行驶交互区域，获得换道意图识别的特征向量；
数据输入模块，用于输入至训练后的XGBoost的换道意图识别模型，得到换道意图识别时间窗，以控制所述目标车辆进行换道；
其中，所述XGBoost的换道意图识别模型的训练和测试过程，具体包括：
对交通系统数据集中t时间范围的车辆行驶轨迹数据进行提取与重构，得到样本轨迹数据，将所述样本轨迹数据分成训练集和测试集；0<t≤90天；
获取所述训练集中样本车辆的横纵向速度、加速度信息，根据所述样本车辆与所述样本车辆的周围车辆之间的相互作用，建立所述样本车辆的车辆约束区域与行驶交互区域，获得换道意图识别的样本特征向量；
采用XGBoost模型构建所述XGBoost的换道意图识别模型，通过迭代学习的方式根据所述换道意图识别的样本特征向量对所述XGBoost的换道意图识别模型的参数进行迭代更新训练直至收敛，得到训练后的XGBoost的换道意图识别模型；
通过所述测试集测试所述训练后的XGBoost的换道意图识别模型，得到换道意图识别时间窗的标定值。
进一步地，所述对交通系统数据集中t时间范围的车辆行驶轨迹数据进行提取与重构，得到样本轨迹数据，将所述样本轨迹数据分成训练集和测试集，具体包括：
对交通系统数据集中t时间范围的车辆行驶轨迹数据按照特定时长进行提取，得到向左换道轨迹、向右换道轨迹和车道保持轨迹的轨迹集合；其中，车道保持轨迹的数量等于向左换道轨迹的数量与向右换道轨迹的数量之和；
将所述轨迹集合中的所有轨迹坐标归一化为原点，以选取任意一条所述车道保持轨迹为起点，随机拼接一条所述向左换道轨迹或所述向右换道轨迹，再拼接一条所述车道保持轨迹，以此类推直到所述轨迹集合中的所有轨迹都已进行拼接；从而得到样本轨迹数据，将所述样本轨迹数据分成训练集和测试集。
进一步地，所述目标车辆的车辆约束区域的表达式为：
所述目标车辆的行驶交互区域的表达式为：
式中，a1、b1为所述目标车辆的车辆约束区域的形状参数，a1的大小取决于所述目标车辆的长度，b1的大小取决于所述目标车辆的宽度；(x1，y1)为所述目标车辆的车辆约束区域的范围轨迹点；a2、b2为所述目标车辆的行驶交互区域的形状参数，a2的大小取决于所述目标车辆跟驰行驶时的最小车间距；b2取值使不相邻车道车辆交互区域严格不重叠，2b2＝2dL，dL为所述目标车辆所在车道的宽度；(x2，y2)为所述目标车辆的行驶交互区域的范围轨迹点。
第三方面，本发明实施例对应提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述车辆换道识别方法。
此外，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述车辆换道识别方法。
与现有技术相比，本发明实施例公开的一种车辆换道识别方法、装置、终端及介质，通过获取目标车辆的横纵向速度、加速度信息；根据所述目标车辆与所述目标车辆的周围车辆之间的相互作用，建立所述目标车辆的车辆约束区域与行驶交互区域，获得换道意图识别的特征向量；输入至训练后的XGBoost的换道意图识别模型，得到换道意图识别时间窗，以控制所述目标车辆进行换道。因此，本发明实施例能够以国内车辆轨迹数据为基础，对车辆换道轨迹与车道保持车辆轨迹进行重构拼接，提出车辆交互区域概念，将周围车辆对目标车辆的影响归结于车辆交互区域重叠面积的函数，与目标车辆行驶参数作为特征参数，建立XGBoost换道意图识别模型，以对驾驶员换道意图进行识别；采用国内车辆轨迹数据集进行换道意图识别模型的训练及检验，能够更好地符合我国驾驶员的驾驶习惯，同时，车辆轨迹数据集可以通过无人机航拍采集与图像识别技术等方式获得，具有广泛的应用性和推广性，为自动驾驶系统的推广和城市交通状况的改善等都具有积极的推动作用。
附图说明
图1是本发明实施例提供的一种车辆换道识别方法的流程示意图；
图2是本发明实施例提供的一种车辆换道识别装置的结构示意图；
图3是本发明实施例提供的一种换道意图时间窗为1s的车辆轨迹拼接图；
图4是本发明实施例提供的一种车辆约束区域与行驶交互区域示意图；
图5是本发明实施例提供的一种目标车辆受周围车辆影响分析示意图；
图6是本发明实施例提供的一种不同迭代次数下的XGBoost误差曲线图；
图7是本发明实施例提供的一种不同时间窗下换道意图识别精确度图；。
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作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。
需要说明的是，本发明的术语“包括”和“具体”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1，图1是本发明实施例提供的一种车辆换道识别方法的流程示意图，该车辆换道识别方法，包括步骤S11至S12：
S11：获取目标车辆的横纵向速度、加速度信息；根据所述目标车辆与所述目标车辆的周围车辆之间的相互作用，建立所述目标车辆的车辆约束区域与行驶交互区域，获得换道意图识别的特征向量；
S12：输入至训练后的XGBoost的换道意图识别模型，得到换道意图识别时间窗，以控制所述目标车辆进行换道；
其中，所述XGBoost的换道意图识别模型的训练和测试过程，具体包括：
对交通系统数据集中t时间范围的车辆行驶轨迹数据进行提取与重构，得到样本轨迹数据，将所述样本轨迹数据分成训练集和测试集；0<t≤90天；
获取所述训练集中样本车辆的横纵向速度、加速度信息，根据所述样本车辆与所述样本车辆的周围车辆之间的相互作用，建立所述样本车辆的车辆约束区域与行驶交互区域，获得换道意图识别的样本特征向量；
采用XGBoost模型构建所述XGBoost的换道意图识别模型，通过迭代学习的方式根据所述换道意图识别的样本特征向量对所述XGBoost的换道意图识别模型的参数进行迭代更新训练直至收敛，得到训练后的XGBoost的换道意图识别模型；
通过所述测试集测试所述训练后的XGBoost的换道意图识别模型，得到换道意图识别时间窗的标定值。
进一步地，所述对交通系统数据集中t时间范围的车辆行驶轨迹数据进行提取与重构，得到样本轨迹数据，将所述样本轨迹数据分成训练集和测试集，具体包括：
对交通系统数据集中t时间范围的车辆行驶轨迹数据按照特定时长进行提取，得到向左换道轨迹、向右换道轨迹和车道保持轨迹的轨迹集合；其中，车道保持轨迹的数量等于向左换道轨迹的数量与向右换道轨迹的数量之和；
将所述轨迹集合中的所有轨迹坐标归一化为原点，以选取任意一条所述车道保持轨迹为起点，随机拼接一条所述向左换道轨迹或所述向右换道轨迹，再拼接一条所述车道保持轨迹，以此类推直到所述轨迹集合中的所有轨迹都已进行拼接；从而得到样本轨迹数据，将所述样本轨迹数据分成训练集和测试集。
需要说明的是，构建一个有效的驾驶员换道意图识别模型，需要有足够数量的数据样本进行训练。而Ubiquitous Traffic Eye数据集中不同车辆的轨迹是相互独立的，无法进行有效的学习和训练。此外，由于单辆车的轨迹数据中观测路段长度有限，因此部分车辆可能只有车道保持而未涉及换道行为。对于存在换道行为的车辆，所提取的数据中只存在一种换道状态，这也会削弱模型的训练效果。因此，需要对Ubiquitous Traffic Eye数据集中的车辆行驶轨迹数据进行重新提取与重构，以满足换道意图识别模型的训练与测试需求。
本发明实施例将驾驶员的换道意图分为向左换道、车道保持以及向右换道三种。为了使重构后的轨迹样本同时包含这三种换道意图，需要对原始样本数据中对三种换道意图的车辆轨迹数据片段进行提取。如，对于车辆的车道保持行为轨迹，按每辆车提取一段7s的轨迹片段，为保证模型的质量，车道保持样本选取数量与换道样本数量保持一致，最终可得向左换道轨迹70条，向右换道轨迹95条，车道保持轨迹165条。
为了创建同时包含三种状态的轨迹数据集，需要对向左、向右换道和车道保持的轨迹数据进行拼接，将不同段轨迹的始末点互相拼接，以车道保持轨迹为起点，随机拼接一条向左或向右换道轨迹，再拼接一条车道保持轨迹，依此反复。由于拼接轨迹之前各轨迹起点坐标不一致，均需将起点坐标归一化为原点。拼接时对于待拼接的轨迹，通过将其起点坐标与已拼接轨迹的终点坐标相加，以实现轨迹拼接。这样可以保证多条轨迹在连接处无缝衔接，从而构建出完整的轨迹数据集。针对不同换道意图时间窗长度，共提取拼接得到同时包含三种状态的换道意图识别模型的数据集17个。以1s的换道意图时间窗为例，拼接后车辆轨迹如图3所示。
进一步地，所述目标车辆的车辆约束区域的表达式为：
所述目标车辆的行驶交互区域的表达式为：
式中，a1、b1为所述目标车辆的车辆约束区域的形状参数，a1的大小取决于所述目标车辆的长度，b1的大小取决于所述目标车辆的宽度；(x1，y1)为所述目标车辆的车辆约束区域的范围轨迹点；a2、b2为所述目标车辆的行驶交互区域的形状参数，a2的大小取决于所述目标车辆跟驰行驶时的最小车间距；b2取值使不相邻车道车辆交互区域严格不重叠，2b2＝2dL，dL为所述目标车辆所在车道的宽度；(x2，y2)为所述目标车辆的行驶交互区域的范围轨迹点。
需要说明的是，车辆轨迹数据中包含着众多的驾驶员驾驶特征信息，为了综合考虑车辆每一时刻的特征信息，本发明实施例提取的特征主要有目标车辆的横纵向速度、加速度信息。同时由于驾驶员的意图还受周围车辆的影响，将周围车辆对目标车辆的交互影响类比于势能场的作用，以此来描述和解释目标车辆与周围车辆之间的相互作用，建立车辆约束区域与行驶交互区域。当不同车辆的行驶交互区域相交时，产生交互影响。如图4所示，以目标车辆的几何中心为原点，车辆行驶方向为x轴正方向，于车辆行驶方向垂直且向右为y轴正方向，建立直角坐标系，图4中封闭椭圆(1)和(2)分别表示车辆约束区域与行驶交互区域。对此不考虑车辆的航向角，将目标车辆的直线与换道行驶均视为车辆行驶交互区域平移的过程。本实施例的最小车间距定义为1s安全时间内行驶的距离与20％的车辆长度之和；b2取值使不相邻车道车辆交互区域严格不重叠，如车道1车辆与车道3车辆的车辆交互区域相切。
进一步地，所述根据所述目标车辆与所述目标车辆的周围车辆之间的相互作用，建立所述目标车辆的车辆约束区域与行驶交互区域，获得换道意图识别的特征向量，具体包括：
根据所述目标车辆与所述目标车辆的周围车辆之间的相互作用，建立所述目标车辆的车辆约束区域与行驶交互区域；
当所述目标车辆的行驶交互区域与所述周围车辆的行驶交互区域发生重叠时，对车辆间的影响程度进行分析，量化所述周围车辆对所述目标车辆行驶意图的影响，得到所述目标车辆纵向受到的影响系数和横向受到的影响系数，从而获得换道意图识别的特征向量；
所述目标车辆纵向受到的影响系数Ix和横向受到的影响系数Iy分别为：
式中，SI、SII、SIII、SIV分别为所述目标车辆的行驶交互区域与为所述目标车辆的前、后、左、右周围车辆的行驶交互区域发生重叠的面积，S0为所述目标车辆的行驶交互区域的面积；
所述换道意图识别的特征向量为：
fc＝{vlon,vlat,alon,alat,Ilon,Ilat}，
式中，vlon为所述目标车辆的纵向速度；vlat为所述目标车辆的横向速度；alon为所述目标车辆的纵向加速度；alat为所述目标车辆的横向加速度；Ilon为所述周围车辆对所述目标车辆的纵向影响；Ilat为所述周围车辆对所述目标车辆的横向影响。
需要说明的是，在交通流运行的过程中，当车辆之间的间距足够大时，车辆处于自由行驶状态，车辆间不存在相互影响，即车辆行驶交互区域不重叠。当间距不足时，车辆之间存在交互影响作用。车辆行驶交互区域发生重叠。此时，驾驶员会感受到来自周围车辆的压力，其大小取决于车辆行驶交互区域发生重叠的位置与面积。对车辆间的影响程度进行分析，从而量化周围车辆对目标车辆行驶意图的影响，可提高模型的可靠性与说服力。
对目标车辆进行运动学分析，考虑到周围车辆对其的影响，从而产生交互作用。在这个过程中，驾驶员会受到来自周围车辆的压力，因此车辆产生纵向与横向上的分力，进而产生相应的加速度，并对车辆的运动状态产生影响，从而影响车辆的换道意图。示例的，周围车辆对目标车辆的影响如图5阴影部分所示，将车辆行驶交互区域划分为四个象限进行分析。
本发明实施例考虑了换道过程中的记忆效应，综合考虑换道前一段时间内每个时刻的特征信息，这段时间被称为换道意图时间窗。在选择换道意图时间窗长度时，需要根据具体情况具体分析。通过综合历史时段内的特征信息，可以更加准确地预测车辆的行驶状态，进而提高换道模型的预测准确性；将换道意图时间窗长度设置为1s-5s，以0.25s为步长一次增加，累计得到17个不同时长的换道意图时间窗。
具体的，所述XGBoost模型的参数分为模型的输入参数和模型的超参数两类；
所述超参数，用于调整来平衡XGBoost模型的复杂度和泛化能力，包括最大深度max_depth、L1正则化系数reg_lambda、L2正则化系数reg_alpha、子采样率subsample、特征子采样率colsample_bytree和学习率eta；
采用网格搜索算法基于5折交叉验证对所述XGBoost模型的超参数进行调优。需要说明的是，XGBoost通过迭代学习的方式不断提高其预测精度，然而过多的迭代次数会使模型过拟合从而降低换道意图识别模型的泛化性。因此在使用XGBoost进行换道意图识别前需确定模型的最大迭代次数。可以选取迭代范围从50-2000以50为步长分别验证，通过5折交叉验证。如图6所示，当迭代次数大于500时，模型的误差已趋于平稳，达到950次时已收敛，因此选取最大迭代次数为950次。
XGBoost模型的参数分为模型的输入参数和模型的超参数两类。其中模型的超参数需要人为设定，通过调整来平衡模型复杂度和泛化能力。其中，通过调整模型最大深度max_depth、L1正则化系数reg_lambda、L2正则化系数reg_alpha等参数可以有效控制模型的复杂程度，避免过拟合问题。此外，通过调整子采样率subsample和特征子采样率colsample_bytree可以控制模型的随机采样比例，避免噪声干扰。同时，调整学习率eta可以控制每个基分类器的权重缩减比例，从而避免过拟合风险的出现。采用网格搜索算法基于5折交叉验证对模型的超参数进行调优。XGBoost模型的超参数调参范围及经过网格搜索的最优值如表1所示。
将测试集数据输入该模型，并获得每个时刻下驾驶员的换道意图，对识别结果进行评价以评估换道意图识别模型的性能表现。基于选定的17个不同时长换道意图时间窗，得到的换道意图识别精确度如表2和图7所示。从表中的数据可知，当换道意图时间窗为1.25s时，总体最优识别精确度达到0.9781。随着换道意图时间窗长度的增加，换道意图识别的总体精确度呈现下降趋势，且换道意图时间窗长度大于2.5s后识别精确度开始低于95％。
表1 XGBoost超参数调参范围及最优值
表2不同时间窗下换道意图识别精确度表
图2是本发明实施例提供的一种车辆换道识别装置的结构示意图，该车辆换道识别装置，包括：
数据获取模块21，用于获取目标车辆的横纵向速度、加速度信息；根据所述目标车辆与所述目标车辆的周围车辆之间的相互作用，建立所述目标车辆的车辆约束区域与行驶交互区域，获得换道意图识别的特征向量；
数据输入模块22，用于输入至训练后的XGBoost的换道意图识别模型，得到换道意图识别时间窗，以控制所述目标车辆进行换道；
其中，所述XGBoost的换道意图识别模型的训练和测试过程，具体包括：
对交通系统数据集中t时间范围的车辆行驶轨迹数据进行提取与重构，得到样本轨迹数据，将所述样本轨迹数据分成训练集和测试集；0<t≤90天；
获取所述训练集中样本车辆的横纵向速度、加速度信息，根据所述样本车辆与所述样本车辆的周围车辆之间的相互作用，建立所述样本车辆的车辆约束区域与行驶交互区域，获得换道意图识别的样本特征向量；
采用XGBoost模型构建所述XGBoost的换道意图识别模型，通过迭代学习的方式根据所述换道意图识别的样本特征向量对所述XGBoost的换道意图识别模型的参数进行迭代更新训练直至收敛，得到训练后的XGBoost的换道意图识别模型；
通过所述测试集测试所述训练后的XGBoost的换道意图识别模型，得到换道意图识别时间窗的标定值。
进一步地，所述对交通系统数据集中t时间范围的车辆行驶轨迹数据进行提取与重构，得到样本轨迹数据，将所述样本轨迹数据分成训练集和测试集，具体包括：
对交通系统数据集中t时间范围的车辆行驶轨迹数据按照特定时长进行提取，得到向左换道轨迹、向右换道轨迹和车道保持轨迹的轨迹集合；其中，车道保持轨迹的数量等于向左换道轨迹的数量与向右换道轨迹的数量之和；
将所述轨迹集合中的所有轨迹坐标归一化为原点，以选取任意一条所述车道保持轨迹为起点，随机拼接一条所述向左换道轨迹或所述向右换道轨迹，再拼接一条所述车道保持轨迹，以此类推直到所述轨迹集合中的所有轨迹都已进行拼接；从而得到样本轨迹数据，将所述样本轨迹数据分成训练集和测试集。
进一步地，所述目标车辆的车辆约束区域的表达式为：
所述目标车辆的行驶交互区域的表达式为：
式中，a1、b1为所述目标车辆的车辆约束区域的形状参数，a1的大小取决于所述目标车辆的长度，b1的大小取决于所述目标车辆的宽度；(x1，y1)为所述目标车辆的车辆约束区域的范围轨迹点；a2、b2为所述目标车辆的行驶交互区域的形状参数，a2的大小取决于所述目标车辆跟驰行驶时的最小车间距；b2取值使不相邻车道车辆交互区域严格不重叠，2b2＝2dL，dL为所述目标车辆所在车道的宽度；(x2，y2)为所述目标车辆的行驶交互区域的范围轨迹点。
本发明实施例所提供的一种车辆换道识别装置能够实现上述实施例的车辆换道识别方法的所有流程，装置中的各个模块的作用以及实现的技术效果分别与上述实施例的车辆换道识别方法的作用以及实现的技术效果对应相同，这里不再赘述。
本发明实施例对应提供的一种终端设备，所述终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述车辆换道识别方法实施例中的步骤。或者，所述处理器执行所述计算机程序时实现上述车辆换道识别装置实施例中各模块的功能。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元，还可以是其他通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述实施例的车辆换道识别方法。
综上所述，本发明实施例公开的一种车辆换道识别方法、装置、终端及介质，通过获取目标车辆的横纵向速度、加速度信息；根据所述目标车辆与所述目标车辆的周围车辆之间的相互作用，建立所述目标车辆的车辆约束区域与行驶交互区域，获得换道意图识别的特征向量；输入至训练后的XGBoost的换道意图识别模型，得到换道意图识别时间窗，以控制所述目标车辆进行换道。因此，本发明实施例能够以国内车辆轨迹数据为基础，对车辆换道轨迹与车道保持车辆轨迹进行重构拼接，提出车辆交互区域概念，将周围车辆对目标车辆的影响归结于车辆交互区域重叠面积的函数，与目标车辆行驶参数作为特征参数，建立XGBoost换道意图识别模型，以对驾驶员换道意图进行识别；采用国内车辆轨迹数据集进行换道意图识别模型的训练及检验，能够更好地符合我国驾驶员的驾驶习惯，同时，车辆轨迹数据集可以通过无人机航拍采集与图像识别技术等方式获得，具有广泛的应用性和推广性，为自动驾驶系统的推广和城市交通状况的改善等都具有积极的推动作用。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种车辆换道识别方法，其特征在于，包括：
获取目标车辆的横纵向速度、加速度信息；根据所述目标车辆与所述目标车辆的周围车辆之间的相互作用，建立所述目标车辆的车辆约束区域与行驶交互区域，获得换道意图识别的特征向量；
输入至训练后的XGBoost的换道意图识别模型，得到换道意图识别时间窗，以控制所述目标车辆进行换道；
其中，所述XGBoost的换道意图识别模型的训练和测试过程，具体包括：
对交通系统数据集中t时间范围的车辆行驶轨迹数据进行提取与重构，得到样本轨迹数据，将所述样本轨迹数据分成训练集和测试集；0<t≤90天；
获取所述训练集中样本车辆的横纵向速度、加速度信息，根据所述样本车辆与所述样本车辆的周围车辆之间的相互作用，建立所述样本车辆的车辆约束区域与行驶交互区域，获得换道意图识别的样本特征向量；
采用XGBoost模型构建所述XGBoost的换道意图识别模型，通过迭代学习的方式根据所述换道意图识别的样本特征向量对所述XGBoost的换道意图识别模型的参数进行迭代更新训练直至收敛，得到训练后的XGBoost的换道意图识别模型；
通过所述测试集测试所述训练后的XGBoost的换道意图识别模型，得到换道意图识别时间窗的标定值。
2.如权利要求1所述的车辆换道识别方法，其特征在于，所述对交通系统数据集中t时间范围的车辆行驶轨迹数据进行提取与重构，得到样本轨迹数据，将所述样本轨迹数据分成训练集和测试集，具体包括：
对交通系统数据集中t时间范围的车辆行驶轨迹数据按照特定时长进行提取，得到向左换道轨迹、向右换道轨迹和车道保持轨迹的轨迹集合；其中，车道保持轨迹的数量等于向左换道轨迹的数量与向右换道轨迹的数量之和；
将所述轨迹集合中的所有轨迹坐标归一化为原点，以选取任意一条所述车道保持轨迹为起点，随机拼接一条所述向左换道轨迹或所述向右换道轨迹，再拼接一条所述车道保持轨迹，以此类推直到所述轨迹集合中的所有轨迹都已进行拼接；从而得到样本轨迹数据，将所述样本轨迹数据分成训练集和测试集。
3.如权利要求1所述的车辆换道识别方法，其特征在于，所述目标车辆的车辆约束区域的表达式为：
所述目标车辆的行驶交互区域的表达式为：
式中，a1、b1为所述目标车辆的车辆约束区域的形状参数，a1的大小取决于所述目标车辆的长度，b1的大小取决于所述目标车辆的宽度；(x1，y1)为所述目标车辆的车辆约束区域的范围轨迹点；a2、b2为所述目标车辆的行驶交互区域的形状参数，a2的大小取决于所述目标车辆跟驰行驶时的最小车间距；b2取值使不相邻车道车辆交互区域严格不重叠，2b2＝2dL，dL为所述目标车辆所在车道的宽度；(x2，y2)为所述目标车辆的行驶交互区域的范围轨迹点。
4.如权利要求3所述的车辆换道识别方法，其特征在于，所述根据所述目标车辆与所述目标车辆的周围车辆之间的相互作用，建立所述目标车辆的车辆约束区域与行驶交互区域，获得换道意图识别的特征向量，具体包括：
根据所述目标车辆与所述目标车辆的周围车辆之间的相互作用，建立所述目标车辆的车辆约束区域与行驶交互区域；
当所述目标车辆的行驶交互区域与所述周围车辆的行驶交互区域发生重叠时，对车辆间的影响程度进行分析，量化所述周围车辆对所述目标车辆行驶意图的影响，得到所述目标车辆纵向受到的影响系数和横向受到的影响系数，从而获得换道意图识别的特征向量；
所述目标车辆纵向受到的影响系数Ix和横向受到的影响系数Iy分别为：
式中，SI、SII、SIII、SIV分别为所述目标车辆的行驶交互区域与为所述目标车辆的前、后、左、右周围车辆的行驶交互区域发生重叠的面积，S0为所述目标车辆的行驶交互区域的面积；
所述换道意图识别的特征向量为：
fc＝{vlon,vlat,alon,alat,Ilon,Ilat}，
式中，vlon为所述目标车辆的纵向速度；vlat为所述目标车辆的横向速度；alon为所述目标车辆的纵向加速度；alat为所述目标车辆的横向加速度；Ilon为所述周围车辆对所述目标车辆的纵向影响；Ilat为所述周围车辆对所述目标车辆的横向影响。
5.如权利要求1所述的车辆换道识别方法，其特征在于，所述XGBoost模型的参数分为模型的输入参数和模型的超参数两类；
所述超参数，用于调整来平衡XGBoost模型的复杂度和泛化能力，包括最大深度max_depth、L1正则化系数reg_lambda、L2正则化系数reg_alpha、子采样率subsample、特征子采样率colsample_bytree和学习率eta；
采用网格搜索算法基于5折交叉验证对所述XGBoost模型的超参数进行调优。
6.一种车辆换道识别装置，其特征在于，包括：
数据获取模块，用于获取目标车辆的横纵向速度、加速度信息；根据所述目标车辆与所述目标车辆的周围车辆之间的相互作用，建立所述目标车辆的车辆约束区域与行驶交互区域，获得换道意图识别的特征向量；
数据输入模块，用于输入至训练后的XGBoost的换道意图识别模型，得到换道意图识别时间窗，以控制所述目标车辆进行换道；
其中，所述XGBoost的换道意图识别模型的训练和测试过程，具体包括：
对交通系统数据集中t时间范围的车辆行驶轨迹数据进行提取与重构，得到样本轨迹数据，将所述样本轨迹数据分成训练集和测试集；0<t≤90天；
获取所述训练集中样本车辆的横纵向速度、加速度信息，根据所述样本车辆与所述样本车辆的周围车辆之间的相互作用，建立所述样本车辆的车辆约束区域与行驶交互区域，获得换道意图识别的样本特征向量；
采用XGBoost模型构建所述XGBoost的换道意图识别模型，通过迭代学习的方式根据所述换道意图识别的样本特征向量对所述XGBoost的换道意图识别模型的参数进行迭代更新训练直至收敛，得到训练后的XGBoost的换道意图识别模型；
通过所述测试集测试所述训练后的XGBoost的换道意图识别模型，得到换道意图识别时间窗的标定值。
7.如权利要求6所述的车辆换道识别装置，其特征在于，所述对交通系统数据集中t时间范围的车辆行驶轨迹数据进行提取与重构，得到样本轨迹数据，将所述样本轨迹数据分成训练集和测试集，具体包括：
对交通系统数据集中t时间范围的车辆行驶轨迹数据按照特定时长进行提取，得到向左换道轨迹、向右换道轨迹和车道保持轨迹的轨迹集合；其中，车道保持轨迹的数量等于向左换道轨迹的数量与向右换道轨迹的数量之和；
将所述轨迹集合中的所有轨迹坐标归一化为原点，以选取任意一条所述车道保持轨迹为起点，随机拼接一条所述向左换道轨迹或所述向右换道轨迹，再拼接一条所述车道保持轨迹，以此类推直到所述轨迹集合中的所有轨迹都已进行拼接；从而得到样本轨迹数据，将所述样本轨迹数据分成训练集和测试集。
8.如权利要求6所述的车辆换道识别装置，其特征在于，所述目标车辆的车辆约束区域的表达式为：
所述目标车辆的行驶交互区域的表达式为：
式中，a1、b1为所述目标车辆的车辆约束区域的形状参数，a1的大小取决于所述目标车辆的长度，b1的大小取决于所述目标车辆的宽度；(x1，y1)为所述目标车辆的车辆约束区域的范围轨迹点；a2、b2为所述目标车辆的行驶交互区域的形状参数，a2的大小取决于所述目标车辆跟驰行驶时的最小车间距；b2取值使不相邻车道车辆交互区域严格不重叠，2b2＝2dL，dL为所述目标车辆所在车道的宽度；(x2，y2)为所述目标车辆的行驶交互区域的范围轨迹点。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-5中任意一项所述的车辆换道识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1-5中任意一项所述的车辆换道识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311215607.7A CN117261920A (zh) | 2023-09-19 | 2023-09-19 | 一种车辆换道识别方法、装置、终端及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311215607.7A CN117261920A (zh) | 2023-09-19 | 2023-09-19 | 一种车辆换道识别方法、装置、终端及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117261920A true CN117261920A (zh) | 2023-12-22 |
Family
ID=89208791
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311215607.7A Pending CN117261920A (zh) | 2023-09-19 | 2023-09-19 | 一种车辆换道识别方法、装置、终端及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117261920A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110110862A (zh) * | 2019-05-10 | 2019-08-09 | 电子科技大学 | 一种基于适应性模型的超参数优化方法 |
| CN110146100A (zh) * | 2018-02-13 | 2019-08-20 | 华为技术有限公司 | 轨迹预测方法、装置及存储介质 |
| JP2019174320A (ja) * | 2018-03-29 | 2019-10-10 | トヨタ自動車株式会社 | 車両認識装置 |
| CN110341712A (zh) * | 2019-06-11 | 2019-10-18 | 汉腾汽车有限公司 | 一种自动驾驶换道意图识别系统及其方法 |
| CN110390839A (zh) * | 2019-07-23 | 2019-10-29 | 哈尔滨工业大学 | 考虑多车交互区域重叠面积的车辆换道方法 |
| CN110569783A (zh) * | 2019-09-05 | 2019-12-13 | 吉林大学 | 一种驾驶人换道意图识别方法及系统 |
| CN111114556A (zh) * | 2019-12-24 | 2020-05-08 | 北京工业大学 | 基于多源指数加权损失下lstm的换道意图识别方法 |
| CN112562328A (zh) * | 2020-11-27 | 2021-03-26 | 腾讯科技（深圳）有限公司 | 一种车辆行为预测方法及装置 |
| CN115018016A (zh) * | 2022-08-03 | 2022-09-06 | 苏州大学 | 一种人工驾驶车辆换道意图识别方法和系统 |
| US20230136659A1 (en) * | 2021-12-29 | 2023-05-04 | Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. | Method of determining traveling trajectory of vehicle, vehicle, electronic device and storage medium |
-
2023
- 2023-09-19 CN CN202311215607.7A patent/CN117261920A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110146100A (zh) * | 2018-02-13 | 2019-08-20 | 华为技术有限公司 | 轨迹预测方法、装置及存储介质 |
| JP2019174320A (ja) * | 2018-03-29 | 2019-10-10 | トヨタ自動車株式会社 | 車両認識装置 |
| CN110110862A (zh) * | 2019-05-10 | 2019-08-09 | 电子科技大学 | 一种基于适应性模型的超参数优化方法 |
| CN110341712A (zh) * | 2019-06-11 | 2019-10-18 | 汉腾汽车有限公司 | 一种自动驾驶换道意图识别系统及其方法 |
| CN110390839A (zh) * | 2019-07-23 | 2019-10-29 | 哈尔滨工业大学 | 考虑多车交互区域重叠面积的车辆换道方法 |
| CN110569783A (zh) * | 2019-09-05 | 2019-12-13 | 吉林大学 | 一种驾驶人换道意图识别方法及系统 |
| CN111114556A (zh) * | 2019-12-24 | 2020-05-08 | 北京工业大学 | 基于多源指数加权损失下lstm的换道意图识别方法 |
| CN112562328A (zh) * | 2020-11-27 | 2021-03-26 | 腾讯科技（深圳）有限公司 | 一种车辆行为预测方法及装置 |
| US20230136659A1 (en) * | 2021-12-29 | 2023-05-04 | Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. | Method of determining traveling trajectory of vehicle, vehicle, electronic device and storage medium |
| CN115018016A (zh) * | 2022-08-03 | 2022-09-06 | 苏州大学 | 一种人工驾驶车辆换道意图识别方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108073902B (zh) | 基于深度学习的视频总结方法、装置及终端设备 | |
| Hirsenkorn et al. | Virtual sensor models for real-time applications | |
| EP3796112A1 (en) | Virtual vehicle control method, model training method, control device and storage medium | |
| JP2023055697A (ja) | 自動運転テスト方法、装置、電子機器及び記憶媒体 | |
| CN109087337B (zh) | 基于分层卷积特征的长时间目标跟踪方法及系统 | |
| CN113177559B (zh) | 结合广度和密集卷积神经网络的图像识别方法、系统、设备及介质 | |
| CN114514524A (zh) | 多智能体模拟 | |
| CN110839156A (zh) | 一种基于视频图像的未来帧预测方法及模型 | |
| DE102022202014A1 (de) | Funktionstest für bewegliche Objekte in sicherheitskritischen Anwendungen mit räumlichem Darstellungslernen und kontradiktorischer Erzeugung | |
| CN112001225A (zh) | 一种在线多目标跟踪方法、系统及应用 | |
| CN114021840A (zh) | 换道策略生成方法和装置、计算机存储介质、电子设备 | |
| CN114417942B (zh) | 一种杂波识别方法及系统及装置及介质 | |
| CN111460879B (zh) | 利用网格生成器的神经网络运算方法及使用该方法的装置 | |
| CN116080687A (zh) | 一种预测轨迹后处理方法、系统、设备和介质 | |
| CN115062202A (zh) | 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质 | |
| CN113689291A (zh) | 基于异常移动的反欺诈识别方法及系统 | |
| CN114132340A (zh) | 一种变道轨迹预测方法、装置及计算机存储介质 | |
| CN113516000A (zh) | 波形图像的处理方法、装置、设备及存储介质 | |
| CN117261920A (zh) | 一种车辆换道识别方法、装置、终端及介质 | |
| CN117036834A (zh) | 基于人工智能的数据分类方法、装置及电子设备 | |
| CN116189130A (zh) | 基于图像标注模型的车道线分割方法及装置 | |
| DE102022123257A1 (de) | Selektives Ausscheiden der Merkmale für entgegenwirkende Robustheit neuronaler Netze | |
| CN111079117B (zh) | 一种基于LeNet和SSD的点触式验证码自动识别方法 | |
| CN111091581B (zh) | 基于生成对抗网络的行人轨迹模拟方法、装置和存储介质 | |
| CN114120653A (zh) | 一种集中式车群决策控制方法、装置及电子设备 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: No.10 Jianshe Avenue, Yuexiu District, Guangzhou, Guangdong Province 510060 Applicant after: Guangzhou Urban Planning Survey and Design Research Institute Co.,Ltd. Address before: No.10 Jianshe Avenue, Yuexiu District, Guangzhou, Guangdong Province 510060 Applicant before: GUANGZHOU URBAN PLANNING & DESIGN SURVEY Research Institute Country or region before: China |