【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( ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。