一种基于本车周围车辆轨迹预测安全行驶的方法技术

本发明专利技术公开了一种基于本车周围车辆轨迹预测安全行驶的方法，通过车辆配备的摄像头捕捉周围车辆，生成周围车辆的轨迹历史；使用GRU循环神经网络对自身车辆以及周围车辆的行驶轨迹进行运动编码；将周围车辆运动编码结果构建Social Tensor张量；分别将Social Tensor张量和自身运动编码张量通过卷积神经网络和全连接神经网络进行特征提取和时序分析；通过softmax层输出针对当前场景的可行机动策略，同时通过GRU循环神经网络获取其后5s内的安全行驶路线概率分布；选择合适的损失函数，进行优化训练，实现对安全行驶路线的感知。本发明专利技术综合考虑自身车辆以及周围车辆的行驶轨迹预测了自身车辆的后续安全行驶路线，使得车辆高级驾驶辅助系统具有理解行驶环境、感知安全路线的能力。

【技术实现步骤摘要】
一种基于本车周围车辆轨迹预测安全行驶的方法
本专利技术涉及高级驾驶辅助技术和自动驾驶
，具体为一种基于本车周围车辆轨迹预测安全行驶的方法。
技术介绍
在城市和高速交通环境下，为了提高车辆行驶的安全，驾驶员需要对周围车辆的未来运动进行一定的预测，及时发现潜在风险，规划安全的行驶路线以帮助驾驶员决定何时切换车道、何时加速或减速。安全行驶路线规划是驾驶员安全驾驶的一项重要能力，是驾驶员长时间潜移默化的经验积累，在驾驶安全上起到非常重要的作用。，为了提高很多驾驶新手的安全驾驶能力，目前，高级驾驶辅助技术中有并线辅助(LCA)功能，它通过车辆并线过程中盲区出现物体或者邻近车道车辆进入盲区时，向驾驶员提出预警以更好地提示车辆安全驾驶。这种功能只能在周围车辆非常靠近自身车辆的情况下才报警，有时留给驾驶员的反应时间非常少，不利于驾驶安全的提高，同时，很多的安全路线规划需要综合考虑自身车辆一定范围内的驾驶环境。因此，亟需更为安全的行驶路径规划方法，以提高高级驾驶辅助系统和自动驾驶系统这方面的能力。
技术实现思路
为解决上述问题，本专利技术公开了一种基于本车周围车辆轨迹预测安全行驶的方法。专利技术目的：保证自动驾驶车辆和具有高级辅助驾驶系统车辆在车辆较为密集环境下的城市和高速公路行驶安全性。针对现有安全驾驶提示功能只能车辆之间非常靠近的情况下才起作用的缺点，本专利技术提出了一种基于自身车辆一定范围内的周围车辆轨迹预测来规划本车安全行驶路径的方法。该方法能进一步提高车辆行驶安全性。技术方案：一种基于本车周围车辆轨迹预测安全行驶的方法，包括以下步骤：1)通过车辆配备的摄像头捕捉周围车辆，对可观察到的距离本车30m以内的所有车辆进行跟踪，将被跟踪车辆的位置映射到自身车辆的参考坐标系中，生成周围车辆的轨迹历史；2)对自身轨迹以及周围车辆轨迹进行采样，使用GRU循环神经网络对自身车辆以及周围车辆的行驶轨迹进行运动编码；3)将周围车辆运动编码结果根据空间位置构建SocialTensor张量；4)分别将SocialTensor张量和自身运动编码张量通过卷积神经网络和全连接神经网络进行特征提取和时序分析；5)通过softmax层输出针对当前场景的可行机动策略，同时通过GRU循环神经网络获取其后5s内的安全行驶路线概率分布；6)选择合适的损失函数，基于真实行车数据集，对前述模型参数进行优化训练，实现对安全行驶路线的感知。进一步地，所述步骤2)中，所有车辆轨迹输入同一个轨迹编码模块，包括目标车辆与其周围车辆，等价于所有车辆的GRU轨迹编码共享网络权值，通过共享权重将所有车辆的运动特征纳入学习。进一步地，所述步骤3)中，将目标车辆前后30m范围，左右车道范围内的区域进行网格化，区域划分为14×3的空间网格，对应设置14×3的SocialTenser，将周围车辆的轨迹编码结果对应于车辆所在网格区域填入SocialTensor中。进一步地，所述步骤4)中，在SocialTensor后连接了卷积核为3×3和3×1的两层卷积网络，其后连接一个最大池化层；同时目标车辆的轨迹编码张量通过全连接网络处理，二者连接传递给最终的解码模块。进一步地，所述步骤5)中，由一层全连接层和一层softmax层输出9维one-hot张量作为采用9类机动的概率；同时利用GRU模型生成未来5s的安全行驶位置二元高斯分布参数。进一步地，所述步骤6)中，机动类型预测损失函数使用交叉熵损失函数，安全位置分布感知损失函数采用负对数似然函数，训练的方法采用随机梯度下降法。有益效果：本专利技术与现有技术相比：本专利技术充分考虑了周围交通环境中周围车辆的行驶状态，提升了安全行驶路线感知的合理性与准确性。本专利技术能够全面感知安全行驶路线，输出多模态的安全轨迹感知结果，为自动驾驶系统提供了更为灵活的行车保障，为在紧急情况下的应急机动切换提供了建议，极大提高了自动驾驶系统的鲁棒性和安全性。附图说明图1为本专利技术车道坐标及行驶路线示意图；图2为本专利技术安全行驶路线感知模型整体框架图；图3为本专利技术SocialPooling示意图。具体实施方式下面结合附图和具体实施方式，进一步阐明本专利技术，应理解下述具体实施方式仅用于说明本专利技术而不用于限制本专利技术的范围。一种基于本车周围车辆轨迹预测安全行驶的方法，包括以下步骤：1)通过车辆配备的摄像头捕捉周围车辆，对纵向距离本车30m以内的所有车辆进行跟踪，将被跟踪车辆的位置映射到自身车辆的参考坐标系中，生成周围车辆的轨迹历史；2)对自身轨迹以及周围车辆轨迹进行采样，使用GRU循环神经网络对自身车辆以及周围车辆的行驶轨迹进行运动编码；3)将周围车辆运动编码结果根据空间位置构建SocialTensor张量；4)分别将SocialTensor张量和自身运动编码张量通过卷积神经网络和全连接神经网络进行特征提取和时序分析；5)通过softmax层输出针对当前场景的可行机动策略，同时通过GRU循环神经网络获取其后5s内的安全行驶路线概率分布；6)选择合适的损失函数，基于真实行车数据集，对前述模型参数进行优化训练，实现对安全行驶路线的感知。步骤2)中，所有车辆轨迹输入同一个轨迹编码模块，包括目标车辆与其周围车辆，等价于所有车辆的GRU轨迹编码共享网络权值，通过共享权重将所有车辆的运动特征纳入学习。步骤3)中，将目标车辆前后30m范围，左右车道范围内的区域进行网格化，区域划分为14×3的空间网格，对应设置14×3的SocialTenser，将周围车辆的轨迹编码结果对应于车辆所在网格区域填入SocialTensor中。步骤4)中，在SocialTensor后连接了卷积核为3×3和3×1的两层卷积网络，其后连接一个最大池化层；同时目标车辆的轨迹编码张量通过全连接网络处理，二者连接传递给最终的解码模块。步骤5)中，由一层全连接层和一层softmax层输出9维one-hot张量作为采用9类机动的概率；同时利用GRU模型生成未来5s的安全行驶位置二元高斯分布参数。步骤6)中，机动类型预测损失函数使用交叉熵损失函数，安全位置分布感知损失函数采用负对数似然函数，训练的方法采用随机梯度下降法。实施例1如图1、图2所示，本专利技术考虑了9类不同的车辆路径规划动类型，分别对应图1中9种不同的行驶路线。如表1所示。表1:车辆路径规划类型LFFRFLMMRMLBBRB表中符合的定义如表2所示：表2路径类型定义通过车辆配备的摄像头捕捉周围车辆，对纵向距离本车30m以内的所有车辆进行跟踪，进行运动分析和预测，后将被跟踪车辆的位置映射到自身车辆的参考坐标系中，生成周围车辆的轨迹历史；对自身轨迹以及周围车辆轨迹进行采样获得频率为5Hz的8秒行驶轨迹，使用GRU循环神经网络对自身车辆以及周围车辆的行驶轨迹进行运动编码。其中GRU输入维度为2，对应x，y坐标值，单层隐层64维状态。如图3所示，将周围车辆运动编码结果根据空间位置构建SocialTensor张量，将目标车辆前后30m范围，左右车道范围内的区域进行网格化，区域划分为14×3的空间网格，对应设置14×3的SocialTenser，将周围车辆的轨迹编码结果对应于车辆所在网格区域填入SocialTensor中。分别将SocialTensor张量和自身运动编码张量通过卷积神经网络和全本文档来自技高网...

【技术保护点】
1.一种基于本车周围车辆轨迹预测安全行驶的方法，其特征在于，所述方法包括以下步骤：1)通过车辆配备的摄像头捕捉周围车辆，对纵向距离本车30m以内的所有车辆进行跟踪，将被跟踪车辆的位置映射到自身车辆的参考坐标系中，生成周围车辆的轨迹历史；2)对自身轨迹以及周围车辆轨迹进行采样，使用GRU循环神经网络对自身车辆以及周围车辆的行驶轨迹进行运动编码；3)将周围车辆运动编码结果根据空间位置构建Social Tensor张量；4)分别将Social Tensor张量和自身运动编码张量通过卷积神经网络和全连接神经网络进行特征提取和时序分析；5)通过softmax层输出针对当前场景的可行机动策略，同时通过GRU循环神经网络获取其后5s内的安全行驶路线概率分布；6)选择合适的损失函数，基于真实行车数据集，对前述模型参数进行优化训练，实现对安全行驶路线的感知。

【技术特征摘要】
1.一种基于本车周围车辆轨迹预测安全行驶的方法，其特征在于，所述方法包括以下步骤：1)通过车辆配备的摄像头捕捉周围车辆，对纵向距离本车30m以内的所有车辆进行跟踪，将被跟踪车辆的位置映射到自身车辆的参考坐标系中，生成周围车辆的轨迹历史；2)对自身轨迹以及周围车辆轨迹进行采样，使用GRU循环神经网络对自身车辆以及周围车辆的行驶轨迹进行运动编码；3)将周围车辆运动编码结果根据空间位置构建SocialTensor张量；4)分别将SocialTensor张量和自身运动编码张量通过卷积神经网络和全连接神经网络进行特征提取和时序分析；5)通过softmax层输出针对当前场景的可行机动策略，同时通过GRU循环神经网络获取其后5s内的安全行驶路线概率分布；6)选择合适的损失函数，基于真实行车数据集，对前述模型参数进行优化训练，实现对安全行驶路线的感知。2.根据权利要求1所述的基于本车周围车辆轨迹预测安全行驶的方法，其特征在于，所述步骤2)中，所有车辆轨迹输入同一个轨迹编码模块，包括目标车辆与其周围车辆，等价于所有车辆的GRU轨迹编码共享网络权值，通过共享权重将所有车辆的运动特征纳入学习。3.根据权利...

【专利技术属性】
技术研发人员：秦文虎，方阳，孙立博，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32