融合运动学模型和行为认知模型的行车轨迹预测系统技术方案

本发明专利技术公开了一种融合运动学模型和行为认知模型的行车轨迹预测系统，其特征是以交互混合模块对每个预测模块上一时刻的预测结果进行交互混合输出混合结果，混合结果用于下一时刻的预测；预测模块包括基于行为认知的行为认知轨迹预测模块和基于运动学的运动轨迹预测模块，行为认知轨迹预测模块和运动轨迹预测模块根据交互混合模块输出的混合结果进行预测，输出各预测模块的预测结果，预测结果包括车辆位置和协方差矩阵；融合更新模块根据预测结果对最终预测结果进行融合，并更新权重系数，输出未来某时刻车辆位置以及协方差矩阵。本发明专利技术能够在车辆行驶过程中不断估计车辆位置状态以及驾驶行为，预测行车轨迹，为智能驾驶决策提供帮助。

【技术实现步骤摘要】
融合运动学模型和行为认知模型的行车轨迹预测系统
本专利技术涉及智能驾驶领域，特别是涉及一种行车轨迹预测系统。
技术介绍
智能驾驶车辆对交通安全，交通效率以及环保节能等有着积极的作用。智能驾驶车辆是通过感知系统，感知驾驶环境参数，识别目标类型；通过认知系统提高对驾驶环境的理解如驾驶行为意图等的理解，对未来环境变化进行估计和预测，判断其它道路使用者如车辆和行人的决策机制，对环境做出正确的理解；通过决策系统以及执行系统完成驾驶行为及路径规划，实现驾驶操作任务。其中，环境认知技术是对环境的深层理解，像人一样，通过分析周围车辆的驾驶行为，考虑其它道路使用者的意图和决策机制，对驾驶环境的变化进行估计、判断和预测，提高智能驾驶车辆在复杂环境下的决策水平和能力。只有实现了智能驾驶车辆对环境的深层次理解和认知，并正确地判断和预测周围环境的变化，才能实现真正的“智能”驾驶，有效应对复杂的驾驶环境。轨迹预测是对未来一段时间内车辆位置进行预测，以判断和预测周围环境的变化，为智能驾驶在复杂交通环境下的决策提供基础。目前，针对行车轨迹预测方法的研究较多。轨迹预测主要包括短时间预测(Short-termPredi本文档来自技高网...

【技术保护点】
一种融合运动学模型和行为认知模型的行车轨迹预测系统，其特征是包括：交互混合模块a，其对每个预测模块上一时刻的预测结果进行交互混合输出混合结果，所述混合结果用于下一时刻的预测；所述预测模块包括基于行为认知的行为认知轨迹预测模块b1和基于运动学的运动轨迹预测模块b2，所述行为认知轨迹预测模块b1和所述运动轨迹预测模块b2根据交互混合模块a输出的混合结果进行预测，输出各预测模块的预测结果，所述预测结果包括车辆位置和协方差矩阵；融合更新模块c，根据所述预测模块输出的各个预测结果，对最终预测结果进行融合，并更新权重系数，输出未来某时刻车辆位置以及协方差矩阵。

【技术特征摘要】
1.一种融合运动学模型和行为认知模型的行车轨迹预测系统，其特征是包括：交互混合模块a，其对每个预测模块上一时刻的预测结果进行交互混合输出混合结果，所述混合结果用于下一时刻的预测；所述预测模块包括基于行为认知的行为认知轨迹预测模块b1和基于运动学的运动轨迹预测模块b2，所述行为认知轨迹预测模块b1和所述运动轨迹预测模块b2根据交互混合模块a输出的混合结果进行预测，输出各预测模块的预测结果，所述预测结果包括车辆位置和协方差矩阵；融合更新模块c，根据所述预测模块输出的各个预测结果，对最终预测结果进行融合，并更新权重系数，输出未来某时刻车辆位置以及协方差矩阵。2.根据权利要求1所述的融合运动学模型和行为认知模型的行车轨迹预测系统，其特征是：所述预测模块的预测结果包括由所述行为认知轨迹预测模块b1预测的k时刻车辆参数预测均值和预测协方差以及由所述运动轨迹预测模块b2预测的k时刻车辆参数预测均值和预测协方差车辆参数表示为向量X，X＝(x,y，θ，v，a，ω)，其中x、y、θ、v、a和ω一一对应表示为纵向位置、横向位置、横摆角、行车速度、行车加速度以及横摆角速度；初始时刻的车辆参数均值和协方差为环境变量观测估计值；设定所述行为认知轨迹预测模块b1中的预测模型M1和所述运动轨迹预测模块b2中的预测模型M2随时间的转移满足一阶马尔科夫假设，定义转移矩阵p为：p＝(0.85，0.15；0.15,0.85)输入所述行为认知轨迹预测模块b1和所述运动轨迹预测模块b2的车辆参数混合均值和混合协方差是：其中：和分别为预测模块b1在k时刻的车辆参数混合均值和混合协方差；和分别是预测模块b2在k时刻的车辆参数混合均值和混合协方差；其中：p11＝0.85，p12＝0.15，p21＝0.15，p22＝0.85；是预测模块b1在k时刻的权重，是预测模块b2在k时刻的权重，定义：在k＝0的初始时刻下，3.根据权利要求2所述的融合运动学模型和行为认知模型的行车轨迹预测系统，其特征是：所述行为认知轨迹预测模块b1包括驾驶行为认知单元(1)和轨迹预测单元(2)；所述驾驶行为认知单元(1)用于估计驾驶行为，输出行为认知概率分布；所述轨迹预测单元(2)基于驾驶行为预测行车轨迹，输出未来一段时间的车辆位置以及协方差矩阵；所述运动轨迹预测模块b2包括车辆运动学单元(3)和基于UKF的轨迹预测单元(4)；利用所述车辆运动学单元(3)根据车辆运动学模型推导各个变量的关系，输出状态转移方程；所述基于UKF的轨迹预测单元(4)根据所述状态转移方程，考虑观测不确定性和模型不确定性，预测车辆轨迹，输出车辆在未来一段时间的车辆参数预测均值和预测协方差。4.根据权利要求3所述的融合运动学模型和行为认知模型的行车轨迹预测系统，其特征是：所述行为认知单元(1)包括驾驶行为数据库和驾驶行为认知网络学习；所述驾驶行为数据库是通过采集真实道路信息构建而成，是驾驶行为认知学习的数据基础；所述驾驶行为认知网络学习是基于驾驶行为数据库，应用expectationmaximization算法优化网络参数，学习驾驶行为认知知识；所述轨迹预测单元(2)是基于驾驶行为认知单元(1)，对行车轨迹按如下方法进行预测：首先，根据驾驶行为概率分布p(B＝B0|Z1:k0)，将预测轨迹概率描述为：其中，Z1:k0是观测的信息序列，表示预测的位置参数，k0是开始预测的时间，kp是预测时间长度，B表示驾驶行为，B0表示某个驾驶行为如换道行为，表示某个驾驶行为下预测轨迹的概率分布；其次，考虑不确定参数下，定义不同驾驶行为的轨迹预测模型，包括：(a1)、车道保持轨迹预测：根据离散维纳过程加速模型预测纵向参数，并根据奥恩斯坦-乌伦贝克过程预测车辆横向位置如式(1)：式(1)中，为车辆横向位置参数，μ为横向位置均值，μ的值设定为道路中线位置，ωt为高斯白噪声，α为车辆回到道路中间的平均速度，为车辆横向位置变化即车辆横向速度，将式(1)离散为：其中，ωlatR为过程噪声的标量，ωlatR是均值为0、方差为的高斯噪声，其中，WL为车道宽度，WV为车辆宽度，Δt为离散周期；(b1)、换道行为轨迹预测：在世界坐标系下，定义换道轨迹为式(2)所示...

【专利技术属性】
技术研发人员：钱立军，谢国涛，王建强，黄彬，吴冰，许庆，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽,34