自行车轨迹预测的自动驾驶车辆风险评估方法及系统技术方案

本发明专利技术提供了一种自行车轨迹预测的自动驾驶车辆风险评估方法及系统，包括：步骤1：对交叉路口骑车人的运动特征、自我车辆运动和道路环境特征的信息数据进行采集，得到采集数据；步骤2：将采集数据结合到DBN图形模型中进行意图推断，得出意图推断结果；步骤3：根据意图推断结果，采用具有编码器‑解码器的长短期记忆网络LSTM进行轨迹预测；步骤4：根据轨迹预测输出骑车人的预测位置。本发明专利技术可以提高预测时间以及预测的准确性；不仅考虑了运动动力学，还考虑了骑车人的意图和环境约束；可以提高预测时间以及预测的准确性，对VRU保护系统和路径规划模块上的智能车辆具有重要意义。

【技术实现步骤摘要】
自行车轨迹预测的自动驾驶车辆风险评估方法及系统
本专利技术涉及智能驾驶
，具体地，涉及一种自行车轨迹预测的自动驾驶车辆风险评估方法及系统。尤其地，涉及一种基于DBN和LSTM的自行车轨迹预测的自动驾驶车辆风险评估方法。
技术介绍
智能驾驶作为战略性新兴产业的重要组成部分，发展智能驾驶，对于促进国家科技、经济、社会生活，以及综合国力有着重大的意义。智能驾驶可以弥补人类驾驶员存在的缺陷，实现智能驾驶，可以提高交通效率，保证安全率，缓解劳动力短缺的问题。同时，智能驾驶技术的研究可以增强我国在汽车相关产业方面的核心竞争力，对提升我国的学术以及工业能力具有重大的战略意义。随着智能驾驶技术的发展，自行车运动轨迹预测对于智能车辆的主动避碰和路径规划都具有重要意义。自行车运动员的运动意图很难预测，因为具有很大的不确定性。与行人相比，骑车人的运动速度更快，并且其运动更依赖于道路交通环境，通常具有固定的车道。相关交通事故率高，专门针对骑车人的保护措施少。上述差异对自行车安全保护系统的研究提出了更高的要求和挑战。LSTM是一种特殊的递归神经网络(RNN)，能够学习长期依赖。它显示出很强的信息获取能力，并且在处理时间序列时能表现出内在的特征。此外，LSTM能够可靠地预测复杂场景中的轨迹。轨迹属于时间序列问题，因此利用LSTM通过历史运动数据和环境信息预测未来轨迹是合理的。选择编码器-解码器作为轨迹预测模型的结构，有利于解决不同时间步长的输出不相关的问题，处理seq-seq问题。专利文献CN109572694A(申请号：201811320132.7)公开了一种考虑不确定性的自动驾驶风险评估方法，本专利技术方法包括先验环境地图构建步骤、交通参与车辆状态观测步骤、自车执行轨迹调取步骤、基于先验知识的自适应多目标追踪步骤，通过驾驶行为似然估计、轨形匹配、轨迹预测，利用多安全裕度对行车碰撞风险估计，最后输出时空行车风险态势图进行评估。
技术实现思路
针对现有技术中的缺陷，本专利技术的目的是提供一种自行车轨迹预测的自动驾驶车辆风险评估方法及系统。根据本专利技术提供的自行车轨迹预测的自动驾驶车辆风险评估方法，包括：步骤1：对交叉路口骑车人的运动特征、自我车辆运动和道路环境特征的信息数据进行采集，得到采集数据；步骤2：将采集数据结合到DBN图形模型中进行意图推断，得出意图推断结果；步骤3：根据意图推断结果，采用具有编码器-解码器的长短期记忆网络LSTM进行轨迹预测；步骤4：根据轨迹预测输出骑车人的预测位置。优选的，所述步骤2包括：从车辆传感器的角度的观察集合为O，从骑车人的角度的隐藏变量集合为H，则有：O＝{OO,OV,OR}H＝{HO,HV,HR}其中，OO是骑车人的速度方向，OV表示与自我车辆的冲突时间，OR表示骑车人在道路上的相对位置；HO表示骑车人的临时目标方向，HV表示骑车人在骑车时是否感觉到危险，HR表示骑车人是否位于选择直行、右转和左转的区域；HO,HV,HR是离散变量；OO,OV,OR是连续变量；将隐藏变量选择为循环意图节点C，意图包括：直行、右转和左转。优选的，HO,HV,HR相互独立，有时间转换，符合条件概率公式，隐藏变量H的时间转换为：其中，和是隐藏变量H从时间步长t-1到t的时间转换；概率关系OO-HO、OV-HV和OR-HR相互独立，也符合条件概率公式，观察变量O和隐藏变量H之间的关系为：P(Ot|Ht)＝P(OO|HO)×P(OV|HV)×P(OR|HR)其中，P(OO|HO)，P(OV|HV)和P(OR|HR)分别表示在相同时间的OO-HO、OV-HV和OR-HR之间的关系。优选的，所述步骤2包括：采用概率假设密度滤波算法进行预测，在推断过程中引入先验概率和后验概率使用前一步的后验概率作为基础，计算先验概率和将先验概率更新为其中，Int表示节点C，同时将H记为E，则更新后的先验概率也可记为在先验概率更新时，每个时间步中，所有观测值都被更新，根据更新的观测值推断出交叉函数的后验概率。优选的，所述预测包括：优选的，所述更新包括：优选的，所述步骤3包括：目标自行车运动和道路结构的信息被输入到编码器中，通过非线性变换，输入序列被转换成中间语义表示，记为Context，Context是隐藏信息的总结；将编码器的输出结果输入到解码器中，解码器使用Context作为初始状态，并输入起始条件EOS，根据意图推理结果，得到下一时间步的预测位置；所述起始条件EOS为预测序列的长度限制；循环输入前一步输出的结果获得新的位置，得到轨迹的预测序列，预测未来k个时间步长的位置信息；所述长短期记忆网络LSTM细胞体的隐细胞数为128个，深层循环神经网络结构包括三个循环层，不同层之间的脱落率为0.2，使用亚当优化器，学习率为α＝0.0005，衰减率为0.9。优选的，编码器转换过程包括：输入X＝{Xt-h,Xt-h+1,…,Xt}；其中Xt＝{Ct,Rt,Pt}，Xt-h等的意义同理，向量X的长度表示可输入信息的长度；目标骑车人的运动信息Ct＝{xt,yt,vt,at}；Rt表示道路结构信息，Pt表示意图推断结果，(xt,yt)表示目标骑车人的位置，vt表示速度，at表示加速度；优选的，解码器的转换过程包括：输入隐藏信息的总结Context、起始条件EOS；输出Y＝{Yt+1,Yt+2,…,Yt+k}；其中Yt+1＝[xt+1,yt+1]，Yt+1等的意义同理，下标k表示输出信息的长度；且损失函数评价指标其中Y't+i表示实际位置坐标。根据本专利技术提供的自行车轨迹预测的自动驾驶车辆风险评估系统，包括：模块M1：对交叉路口骑车人的运动特征、自我车辆运动和道路环境特征的信息数据进行采集，得到采集数据；模块M2：将采集数据结合到DBN图形模型中进行意图推断，得出意图推断结果；模块M3：根据意图推断结果，采用具有编码器-解码器的长短期记忆网络LSTM进行轨迹预测；模块M4：根据轨迹预测输出骑车人的预测位置。与现有技术相比，本专利技术具有如下的有益效果：1、本专利技术可以提高预测时间以及预测的准确性；2、本专利技术不仅考虑了运动动力学，还考虑了骑车人的意图和环境约束；3、本专利技术可以提高预测时间以及预测的准确性，对VRU保护系统和路径规划模块上的智能车辆具有重要意义。附图说明通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：图1是一种基于DBN和LSTM的自行车轨迹预测的自动驾驶车辆风险评估方法的流程示意图；图2是交叉口布局和收集的数据场景图；图3是意图推断模型示意图；图4是在时间步到时，将本文档来自技高网...

【技术保护点】
1.一种自行车轨迹预测的自动驾驶车辆风险评估方法，其特征在于，包括：/n步骤1：对交叉路口骑车人的运动特征、自我车辆运动和道路环境特征的信息数据进行采集，得到采集数据；/n步骤2：将采集数据结合到DBN图形模型中进行意图推断，得出意图推断结果；/n步骤3：根据意图推断结果，采用具有编码器-解码器的长短期记忆网络LSTM进行轨迹预测；/n步骤4：根据轨迹预测输出骑车人的预测位置。/n

【技术特征摘要】
1.一种自行车轨迹预测的自动驾驶车辆风险评估方法，其特征在于，包括：
步骤1：对交叉路口骑车人的运动特征、自我车辆运动和道路环境特征的信息数据进行采集，得到采集数据；
步骤2：将采集数据结合到DBN图形模型中进行意图推断，得出意图推断结果；
步骤3：根据意图推断结果，采用具有编码器-解码器的长短期记忆网络LSTM进行轨迹预测；
步骤4：根据轨迹预测输出骑车人的预测位置。


2.根据权利要求1所述的自行车轨迹预测的自动驾驶车辆风险评估方法，其特征在于，所述步骤2包括：
从车辆传感器的角度的观察集合为O，从骑车人的角度的隐藏变量集合为H，则有：
O＝{OO,OV,OR}
H＝{HO,HV,HR}
其中，OO表示骑车人的速度方向，OV表示与自我车辆的冲突时间，OR表示骑车人在道路上的相对位置；
HO表示骑车人的临时目标方向，HV表示骑车人在骑车时是否感觉到危险，HR表示骑车人是否位于选择直行、右转和左转的区域；
HO,HV,HR是离散变量；OO,OV,OR是连续变量；
将隐藏变量选择为循环意图节点C，意图包括：直行、右转和左转。


3.根据权利要求2所述的自行车轨迹预测的自动驾驶车辆风险评估方法，其特征在于，HO,HV,HR相互独立，有时间转换，符合条件概率公式，隐藏变量H的时间转换为：



其中，和是隐藏变量H从时间步长t-1到t的时间转换；
概率关系OO-HO、OV-HV和OR-HR相互独立，也符合条件概率公式，观察变量O和隐藏变量H之间的关系为：
P(Ot|Ht)＝P(OO|HO)×P(OV|HV)×P(OR|HR)
其中，P(OO|HO)，P(OV|HV)和P(OR|HR)分别表示在相同时间的OO-HO、OV-HV和OR-HR之间的关系。


4.根据权利要求1所述的自行车轨迹预测的自动驾驶车辆风险评估方法，其特征在于，所述步骤2包括：
采用概率假设密度滤波算法进行预测，在推断过程中引入先验概率和后验概率使用前一步的后验概率作为基础，计算先验概率和将先验概率更新为
其中，Int表示节点C，同时将H记为E，则更新后的先验概率也记为
在先验概率更新时，每个时间步中，所有观测值都被更新，根据更新的观测值推断出交叉函数的后验概率。


5.根据权利要求4所述的自行车轨迹预测的自动驾驶车辆风险评估方法，其特征在于，所述预测...

【专利技术属性】
技术研发人员：高洪波，朱菊萍，李智军，郝正源，何希，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽;34