一种目标车辆换道行为自适应识别模型构建方法技术

本发明专利技术公开了一种目标车辆换道行为自适应识别模型构建方法，包括如下步骤：步骤1，建立换道行为影响参数集，划分样本得到模型输入；步骤2，基于大规模车辆轨迹数据集，训练得到左侧及右侧目标换道行为识别的通用模型；步骤3，基于贝叶斯推断建立自适应换道行为识别模型。本发明专利技术的目标车辆换道行为自适应识别模型构建方法，通过步骤1至步骤3的设置，便可有效的对行车时周围目标车辆的换道行为进行识别，为车辆的驾驶行为决策提供信息支持，从而提高行车的安全性。

【技术实现步骤摘要】
一种目标车辆换道行为自适应识别模型构建方法
本专利技术涉及自动驾驶研究领域，具体涉及到一种目标车辆换道行为自适应识别模型构建方法。
技术介绍
我国的汽车保有量不断增加，交通安全问题不容忽视。车辆在路段上的行驶过程中，换道行为与跟驰行为相比会产生更多的交通冲突且驾驶员需要处理的信息更为复杂，而周围车辆普遍存在转向灯使用不规范的现象，使得换道行为极易引起交通事故，造成人员伤亡和财产损失。目前换道辅助系统、碰撞预警系统等先进驾驶辅助系统已经在量产车中大量使用，但这类系统主要对自车换道行为进行识别并判断侧向、前方安全性，其均无法对周围车辆运动行为的改变进行实时识别并做出反应。因此对周围目标车辆换道行为进行识别，并将其应用于自动驾驶技术中，能够有效减少驾驶员对周围车辆运动行为的判断失误，从而减少事故，提高道路的安全性。目前，换道行为识别模型主要基于判别模型、生成模型和深度学习三类模型建立，应用较广的方法有逻辑回归、SVM、贝叶斯网络、HMM、LSTM等。在已有的换道行为识别模型中，车内摄像头收集的驾驶员眼动、头部运动等生理信息，OBD等设备收集的方向盘转角等车辆状态信息对自车驾驶行为的识别有较大作用，而在目前网联车还未普及的情况下，其无法对周围车辆驾驶员的生理特征等关键信息进行检测。同时，已有研究多利用大规模数据集对换道行为进行监督学习，其学习时间较长，在复杂多变的道路环境中适用性较弱。因此本专利技术仅通过车辆外部检测器(如雷达、摄像头等)得到的轨迹数据对周围目标车辆的换道行为进行检测，并将LSTM模型与贝叶斯推断相结合，提出了一种面向自动驾驶的能够对目标车辆换道行为进行实时识别的自适应模型。
技术实现思路
针对现有技术存在的不足，本专利技术的目的在于提供一种目标车辆换道行为自适应识别模型构建方法。为实现上述目的，本专利技术提供了如下技术方案：一种目标车辆换道行为自适应识别模型构建方法，其基于如下假设：驾驶员的换道决策模式相似，在不同的道路交通环境下其决策阈值存在差异，在相似的道路交通环境下驾驶决策阈值具有相似性，且包括如下步骤：步骤1，建立换道行为影响参数集，划分样本得到模型输入；步骤2，基于大规模车辆轨迹数据集，训练得到左侧及右侧目标换道行为识别的通用模型；步骤3，基于贝叶斯推断建立自适应换道行为识别模型。作为本专利技术的进一步改进，所述步骤1中建立换道行为影响参数集，划分样本得到模型输入的具体步骤如下：步骤11，基于车辆检测数据，利用目标车辆的横向速度(vx)、纵向速度(vy)、横向加速度(ax)、纵向加速度(ay)、目标车辆距检测车辆车道中心线距离(Δy)、目标车辆与其前车间距(Δxf)、目标车辆与检测车间距(Δxd)、目标车辆与检测车前车间距(Δxs)八个参数建立换道行为的影响参数集。步骤12，按照检测车辆和目标车辆的车辆编号进行样本划分，并确定模型的输入和输出。作为本专利技术的进一步改进，所述步骤2中基于大规模车辆轨迹数据集，训练得到左侧及右侧目标换道行为识别的通用模型的具体步骤如下：步骤21，建立LSTM模型并基于向左换道和向右换道模型的输入进行训练，建立的模型使用尺寸为256的小批量数据进行训练，输入通过全连接层与LSTM层相连，其激活函数为ReLU，模型共包括3个LSTM层的堆叠，不同LSTM层之间的Dropout比率为0.2，隐藏单元个数为64，采用Adam优化器，学习率为0.005，最大梯度范数设置为5，输出概率通过softmax层进行计算。作为本专利技术的进一步改进，所述步骤3中基于贝叶斯推断建立自适应换道行为识别模型的具体步骤如下：步骤31，基于时间范围选择数据样本，设置两个参数α,β～N(μ,σ2)用来修正softmax层的输出概率，两参数通过贝叶斯推断进行实时修正，利用蒙特卡洛模拟，随机抽取α和β，不断迭代得到更符合数据样本的α和β参数，依据参数期望计算得到α和β值。进而修正车辆换道概率。本专利技术的有益效果，(1)对行车时周围目标车辆的换道行为进行识别，为车辆的驾驶行为决策提供信息支持，从而提高行车的安全性；(2)仅利用车辆传感器能够测得的轨迹数据进行建模，使模型能够在辅助驾驶系统中较为方便的应用，具有较强的可移植性；(3)模型具有实时性的特点，能够利用实时采集到的车辆轨迹数据，对模型参数进行调整，适用于多变的道路交通环境。附图说明图1为本专利技术的技术路线图；图2换道行为影响参数示意图。具体实施方式下面将结合附图所给出的实施例对本专利技术做进一步的详述。参照图1至2所示，本实施例的一种目标车辆换道行为自适应识别模型构建方法，包括如下步骤：步骤1：车辆轨迹数据的预处理。由于数据检测误差及速度、加速度计算时检测误差的放大，检测数据输入模型前需利用对指数移动平均法分别对车辆横纵向坐标、横纵向速度和横纵向加速度进行数据滤波，其计算如下：其中，为样本n在时刻t目标车辆换道行为影响参数Xn(t)第m个变量的滤波值，Xm,n(t)为数据检测值，P为滤波范围，Δ为中间数据的滤波范围，Tn为样本n检测车辆行驶的最大时刻。利用滤波后的数据计算得到车辆换道行为的剩余影响参数Δy、Δxf、Δxd和Δxs，并对数据进行归一化处理，其计算公式如下：其中，为的归一化值，为第m个影响参数Xm滤波后的所有数据；步骤2：划分换道行为，对大规模训练数据集的标签(Yn(t))进行标注。车辆不换道时，车辆的横向位置坐标会在道路中心线附近波动，以保证车辆的安全和平稳。而车辆在换道时，其横向位置坐标将会持续同一方向移动，以实现车道的变换。因此，将目标车辆向同一横向方向移动并跨过车道线，且同方向移动起点与终点的目标车辆车身均在某一车道内的时段判定为换道时段，该时段内的目标车辆标签Yn(t)被标注为换道。目标车辆向左换道和向右换道的判定需分别满足公式(3)和(4)的条件。其中，yn(t)为样本n的目标车辆在时刻t的横向坐标值；tstart和tend分别为目标车辆向同一横向方向移动的起点和终点时刻；LCn(t)为样本n的检测车辆在时刻t所在车道中心线的横向坐标值；LWn(t)为样本n在时刻t目标车辆所在车道的车道宽度；CWn为样本n目标车辆的车辆宽度；Ln(t)为样本n在时刻t目标车辆所在车道的车道编号。将处理后的数据进行缺失值填补，得到预处理后的数据集；步骤3：建立换道行为影响参数集，划分样本得到模型输入。对于行驶车辆而言，右侧车道的车辆向左换道插入行驶车辆前的行为以及左侧车辆向右换道插入行驶车辆前的行为，均会对车辆的安全状态产生影响，因此本模型的目标车辆为行驶车辆检测器范围内可能换道到行驶车辆前方的车辆。针对左侧车辆和右侧车辆，需分别建立左侧目标车辆换道行为识别模型和右侧目标车辆换道行为识别模型。为综合考虑目标车辆的运动状态以及周围交通环境信息，本模型基于车载雷达、摄像头等检测器的检测数据，选择车载检测器检测范围内目本文档来自技高网...

【技术保护点】
1.一种目标车辆换道行为自适应识别模型构建方法，其特征在于：包括如下步骤：/n步骤1，建立换道行为影响参数集，划分样本得到模型输入；/n步骤2，基于大规模车辆轨迹数据集，训练得到左侧及右侧目标换道行为识别的通用模型；/n步骤3，基于贝叶斯推断建立自适应换道行为识别模型。/n

【技术特征摘要】
1.一种目标车辆换道行为自适应识别模型构建方法，其特征在于：包括如下步骤：
步骤1，建立换道行为影响参数集，划分样本得到模型输入；
步骤2，基于大规模车辆轨迹数据集，训练得到左侧及右侧目标换道行为识别的通用模型；
步骤3，基于贝叶斯推断建立自适应换道行为识别模型。


2.根据权利要求1所述的目标车辆换道行为自适应识别模型构建方法，其特征在于：所述步骤1中建立换道行为影响参数集，划分样本得到模型输入的具体步骤如下：
步骤11，基于车辆检测数据，利用目标车辆的横向速度vx、纵向速度vy、横向加速度ax、纵向加速度ay、目标车辆距检测车辆车道中心线距离Δy、目标车辆与其前车间距Δxf、目标车辆与检测车间距Δxd、目标车辆与检测车前车间距Δxs八个参数建立换道行为的影响参数集；
步骤12，按照检测车辆和目标车辆的车辆编号进行样本划分，并确定模型的输入和输出。


3.根据权利要求2所述的目标车辆换道行为自适应识别模型构建方法，其特征在...

【专利技术属性】
技术研发人员：张钊，王京华，鲁光泉，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11