一种基于驾驶意图的周车换道行为动态识别方法技术

本发明专利技术公开了一种基于驾驶意图识别的周车换道行为识别方法，包括：构建训练样本集；将周车与所在车道中心线的横向偏离、速度和加速度作为周车基本特征，利用历史同步时间滑动窗和统计指标对周车基本特征进行扩展得到候选特征；利用基于条件互信息的最大似然度方法，对训练样本集中各周车换道行为类别，根据候选特征之间的共同信息及其关联程度，得到优选特征；通过随机森林分类器得到对训练样本识别的各时刻周车换道行为类别的概率；利用DS证据理论，将各时刻相同周车换道行为类别的概率进行融合，计算各周车换道行为类别的信度函数，由此确定最终的周车换道行为类别。本发明专利技术方法具有更好的识别准确度和时效性。

A dynamic recognition method of lane changing behavior based on driving intention

【技术实现步骤摘要】
一种基于驾驶意图的周车换道行为动态识别方法
本专利技术属于无人驾驶汽车自主决策
，特别涉及一种针对自车周围驾驶人车辆的换道行为动态识别方法，帮助自车更好地理解周车行为，更好地做行为决策和轨迹规划。
技术介绍
无人驾驶汽车的一大应用场景是混合交通流道路，即无人驾驶汽车和有人驾驶汽车并存在道路上。在该场景中，无人驾驶汽车会受到来自有人驾驶汽车的影响。尽管目前有关传感器、车载计算机、控制器和执行机构的技术日渐成熟，无人驾驶汽车仍然面临一大挑战，即无人驾驶汽车(自车)与周围环境的交互，尤其是与有人驾驶汽车行为的互相影响。为了保证道路安全性，自车基于车载传感器(如摄像头、激光雷达等)和车联网信息(LongTermEvolution(LTE)、DedicatedShortRangeCommunications(DSRC)等)，需要在考虑周围动态交通流等复杂环境的情况下，安全高效的抵达目的地。因此自车需要对环境中周围车辆的行为进行准确识别，才能更快更好地预测周车未来轨迹(即所占据的空间)，从而构造自车在未来一定时间内的可行域，对自车的行为决策和轨迹规划有着极大的作用。传统的保守换道策略，如“预见碰撞即紧急刹车(AEB)”，在大多数情况下往往不是最优的换道策略(虽然在一些特定的情况下必须这么做)。如果将周围车辆的动态运动特性和未来行驶轨迹纳入考虑，那么自车将拥有更多的即能保证安全性，又不失合理性和舒适性的换道策略选择，比如“降低车速保持安全车头时距直到其达到安全阈值”，“左换道或右换道以避免碰撞”，甚至是“加速驶离危险区域”等。上述列出的换道策略都依赖于对周围有人驾驶汽车的换道行为识别和相应的行驶轨迹预测。目前，识别当前或者预测未来周车换道行为的经典方法是将连续换道行为离散化成预先设定的不同的驾驶模式类别(如直行、换道等)，再利用相应的特征和判别学习算法，如多层感知器(MLP)、线性回归(LR)、关联向量机(RVM)和支持向量机(SVM)等进行识别。其中，根据SAEJ2944标准(为美国机动车工程师学会颁布的换道标准)和Toledo大学的研究，换道的定义为周车从某个车道驶离并成功的进入相邻的车道。如图1所示(图中，横轴表示车辆的行驶时间，纵轴表示车道线之间的横向距离)，在一条含有换道行为的驾驶轨迹中，定义换道的起点为周车车身触碰到车道线，并继续驶向相邻车道的这一时刻对应的位置。类似的，换道的终点为周车车身不再与车道线接触，并继续驶向相邻车道中心线的这一时刻对应的位置。如果出现一辆周车连续换道，即不间断的横跨了两个或更多的车道的情况，则该轨迹被分割成相应数量的段，每一段轨迹被视为一次单独的换道的行为。换道行为识别基于特征集的选取，一般包括环境信息、交通情况和车辆状态，特征数据越全面，行为识别效果越好。转向灯一般被用来作为判断换道的一个特征，但是一些研究表明单独的转向灯状态并不是一个很好的指标。进一步地有将方向盘转角和CAN总线中的车辆状态用来对横向和纵向换道行为进行识别。有一些方法可利用车辆航向角和横摆角速度，在十字路口对车辆的转向行为进行识别。此外，车辆至路口的距离、附近交通信号灯的状态等特征也被用来改进特征集，提高换道行为识别的准确率。虽然利用道路结构信息、CAN总线信息和V2X(vehicle-to-everything)通讯信息等先验知识可改进对换道行为的识别效果。但是，周车车轮转角和横摆角等状态信息，以及高精度地图和信号灯配时等先验知识，在实际应用中难以通过车载传感器观测得到，导致识别准确率不高；此外，传感器的噪声导致识别类别波动大，影响识别的鲁棒性。
技术实现思路
本专利技术的目的是针对无人驾驶汽车在混合交通流中面临的周围驾驶人驾驶汽车，提供一种在线的换道行为识别方法。与驾驶人的决策机理类似，本专利技术利用信息技术将有限的观测信息扩展为系列特征，再利用机器学习方法结合信息理论综合判断周车的换道行为，有效解决了自车观测周车的状态信息有限的难题。本专利技术提出的一种基于驾驶意图识别的周车换道行为识别方法，其特征在于，该方法包括如下步骤：S110构建训练样本集：从NGSIM数据库中，提取了换道数据和直行数据共计N例数据，从该N例数据中选定NRF例数据作为训练样本构成训练样本集；每一例数据包含了时间信息、位置信息和换道行为类别；S120特征选取：将周车与所在车道中心线的横向偏离、横向速度和横向加速度作为周车基本特征，利用历史同步时间滑动窗和统计指标对周车基本特征进行扩展得到多类扩展特征，将该多类扩展特征及3类周车基本特征作为候选特征构成周车候选特征集合该集合内含有的候选特征总类别为其中，3代表采用3类基本特征，NSTA为采用的统计指标的总个数，Lmax为同步时间滑动窗的最大长度；S130特征优选：利用基于条件互信息的最大似然度方法，对训练样本集中每个周车的换道行为类别，通过对步骤S120确定的候选特征之间的共同信息及其关联程度进行排序，得到若干优选特征；S140初步识别：基于随机森林方法构建一分类器，该分类器的输入为以步骤S130确定的优选特征从步骤S110选定的各训练样本中分别均提取对应的优选特征值，输出为对训练样本识别的各时刻周车换道行为类别的概率，作为初步识别结果；S150识别结果优化：利用DS证据理论，将步骤S140中分类器输出的各时刻相同周车换道行为类别的概率进行融合，计算各周车换道行为类别的信度函数，若各周车换道行为的信度函数均相等则输出无法判断，否则选取信度函数最大的周车换道行为类别作为最终的周车换道行为类别。进一步地，步骤S130特征优选，具体包括以下步骤：对于候选特征集合中的任一候选特征SK以及某一换道行为类别LK、LLC和RLC分别表示直行、左换道和右换道；令条件互信息CMI(SK；B)表示候选特征SK与候选特征集合中的所有其他候选特征含有的关于驾驶行为类别B的共同信息，令条件互信息CMI(SK,SL；B)表示候选特征集合中候选特征SK与候选特征SL含有的关于驾驶行为类别B的共同信息，计算公式如下：式中：H(SK；B)为候选特征SK关于周车换道行为B的信息熵，用于表征候选特征SK含有周车换道行为B相关信息的多少，利用信息熵可以描述一个复杂的时序特征的特性，计算公式如下：其中，SK,k是候选特征SK的某一取值，设候选特征SK有n个所有可取值的状态SK,k,k＝1,…n；p(SK,k|B)为驾驶行为类别B的候选特征SK取值SK,k的概率，即在训练样本集中SK,k出现的频率；令I(SK,k)＝-logp(SK,k)为候选特征SK的取值SK,k的自信息量，表征该特征值的不确定性，I(SK,k)≥0；MI(SK,SL)为互信息，用于量化候选特征SK和SL之间的相关性和冗余性，计算公式如下：其中，p(SK,k,SL,l)为候选特征值SK,k,SL,l同时出现的概率；MI(SK,SL|B)用于表征候选特征SK和SL关于驾驶行为B的共同信息，计算公式如下：MI(SK,本文档来自技高网...

【技术保护点】
1.一种基于驾驶意图识别的周车换道行为识别方法，其特征在于，包括以下步骤：/nS110构建训练样本集：从NGSIM数据库中，提取了换道数据和直行数据共计N例数据，从该N例数据中选定N

【技术特征摘要】
1.一种基于驾驶意图识别的周车换道行为识别方法，其特征在于，包括以下步骤：
S110构建训练样本集：从NGSIM数据库中，提取了换道数据和直行数据共计N例数据，从该N例数据中选定NRF例数据作为训练样本构成训练样本集；每一例数据包含了时间信息、位置信息和换道行为类别；
S120特征选取：将周车与所在车道中心线的横向偏离、横向速度和横向加速度作为周车基本特征，利用历史同步时间滑动窗和统计指标对周车基本特征进行扩展得到多类扩展特征，将该多类扩展特征及3类周车基本特征作为候选特征构成周车候选特征集合该集合内含有的候选特征总类别为其中，3代表采用3类基本特征，NSTA为采用的统计指标的总个数，Lmax为同步时间滑动窗的最大长度；
S130特征优选：利用基于条件互信息的最大似然度方法，对训练样本集中每个周车的换道行为类别，通过对步骤S120确定的候选特征之间的共同信息及其关联程度进行排序，得到若干优选特征；
S140初步识别：基于随机森林方法构建一分类器，该分类器的输入为以步骤S130确定的优选特征从步骤S110选定的各训练样本中分别均提取对应的优选特征值，输出为对训练样本识别的各时刻周车换道行为类别的概率，作为初步识别结果；
S150识别结果优化：利用DS证据理论，将步骤S140中分类器输出的各时刻相同周车换道行为类别的概率进行融合，计算各周车换道行为类别的信度函数，若各周车换道行为的信度函数均相等则输出无法判断，否则选取信度函数最大的周车换道行为类别作为最终的周车换道行为类别。


2.根据权利要求1所述的周车换道行为识别方法，其特征在于，步骤S120中，所述统计指标包括平均数、标准差、变异系数、均方根、香农熵和正态熵。


3.根据权利要求1所述的周车换道行为识别方法，其特征在于，步骤S130特征优选，具体包括以下步骤：
对于候选特征集合S中的任一候选特征SK以及某一换道行为类别B，LK、LLC和RLC分别表示直行、左换道和右换道；令条件互信息CMI(SK；B)表示候选特征SK与候选特征集合中的所有其他候选特征含有的关于驾驶行为类别B的共同信息，令条件互信息CMI(SK，SL；B)表示候选特征集合中候选特征SK与候选特征SL含有的关于驾驶行为类别B的共同信息，计算公式如下：






式中：
H(SK；B)为候选特征SK关于周车换道行为B的信息熵，用于表征候选特征SK含有周车换道行为B相关信息的多少，利用信息熵可以描述一个复杂的时序特征的特性，计算公式如下：






其中，SK，k是候选特征SK的某一取值，设候选特征SK有n个所有可取值的状态SK，k，k＝1，...n；p(SK，k|B)为驾驶行为类别B的候选特征SK取值SK，k的概率，即在训练样本集中SK，k出现的频率；令I(SK，k)＝-logp(SK，k)为候选特征SK的取值SK，k的自信息量，表征该特征值的不确定性，I(SK，k)≥0；
MI(SK，SL)为互信息，用于量化候选特征SK和SL之间的相关性和冗余性，计算公式如下：



其中，p(SK，k，SL，l)为候选特征值SK，k，SL，l同时出现的概率；
MI(SK，SL|B)用于...

【专利技术属性】
技术研发人员：李升波，李克强，成波，孔艺婷，忻隆，孙琪，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11