【技术实现步骤摘要】
一种车辆意图和轨迹预测的方法
[0001]本专利技术属于汽车
，具体的说是一种车辆意图和轨迹预测的方法。
技术介绍
[0002]智能汽车是未来交通工具的发展方向，它们在改善驾驶安全和交通通行效率方面有着巨大的潜力。其中智能车的决策模块接收外部感知系统获取的环境信息，并对周围车辆及环境中的障碍物的运动进行预测，从而决定车辆接下来的行为。准确预测周边车辆的意图和轨迹至关重要，因为它是有效避免碰撞，增加在复杂交通环境中行驶安全性的保证，同时也能保证决策出的行为安全且符合社会规范，从而在不过于保守的前提下也能保证行驶的安全性以及舒适性，避免交通事故的发生。
[0003]智能车辆所面临的一大挑战就是交通环境的高度复杂和不确定性，为了解决这个问题，智能车辆应该要具有预测未来交通环境变化的能力。准确的意图和轨迹预测可以帮助智能车辆更好地理解交通环境，同时有助于轨迹规划和轨迹跟踪。
[0004]现有的研究可以大概分为三类：基于物理的模型，基于机动的模型，感知交互模型。基于物理的模型认为车辆运动需要满足动力学和运动学的约束，利用特定的演化模型可以进行一定时间间隔内车辆运动的模拟。然而，这种预测方法限制于短期预测，对长期而言是不可靠的，因为车辆会受到周边车辆机动以及环境中各种不确定因素的影响。基于机动的模型，考虑了驾驶员打算执行的操作，一旦确定了驾驶意图之后，下一步的车辆运动将与之严格匹配。但是由于驾驶员会受到其他驾驶员的影响经常改变操作所以这种假设有可能失败。感知交互模型进一步考虑了两车之间的交互作用来对车辆运动...
【技术保护点】
【技术特征摘要】
1.一种车辆意图和轨迹预测的方法，其特征在于，包括以下步骤：步骤一、获取驾驶交通数据集；步骤二、插入间隙的定义；通过语义的方法进行意图预测；人类驾驶员在驾驶过程中会为了完成一个个小目标，不断寻找并插入到不同的行驶区域中；因此预测人类驾驶行为可被简化为预测车辆会插入到哪个区域，从而实现车辆意图的语义表示。步骤三、相关信息信息提取；步骤四、对交通数据集进行特征相关信息提取和状态标记；步骤五、利用隐马尔可夫模型进行车辆行为识别；步骤六、基于意图的轨迹预测；步骤七、基于车辆动力学模型的轨迹预测；步骤八、基于意图和基于车辆动力学模型的轨迹预测结合；步骤九、指标收益计算；步骤十、未来行为推理；步骤十一、最终意图预测结果；最终意图预测结果p(m
j,k
)是历史轨迹行为识别结果与未来行为推理结果的结合：p(m
j,k
)＝ω1p1(m
j,k
)+ω2p2(m
j,k
)其中，ω1和ω2分别是行为识别与未来行为推理的加权系数，满足ω1+ω2＝1，取决于未来行为推理中保持车道的概率；p1(m
j,k
)是行为识别概率，p2(m
j,k
)是未来行为推理概率；当未来行为推理中车道保持概率较高时，说明此时没有刺激换道发生的条件，满足安全条件，倾向于相信行为推理的结果；当车道保持概率较低时，表明存在刺激变道发生的条件，安全条件不满足，此时倾向于相信对历史轨迹的识别结果；最终就能得到车辆的意图预测结果，车辆的轨迹预测结果按照前述的方法也能相应得到，最终插入区域也能够知道从而实现预测的语义化。2.根据权利要求1所述的一种车辆意图和轨迹预测的方法，其特征在于，所述步骤一的具体方法如下：数据集车辆信息和车辆运动轨迹信息，其中车辆信息包括车辆的种类、编号、长度、宽度和所在车道，车辆运动轨迹信息包括纵向位移、横向位移、速度、加速度以及与前车的车头间距、时距；数据集中包含了高速公路以及城市干道场景，并且由于数据集中存在噪音，对横向位移、纵向位移、速度和加速度采用滤波处理去除噪音。3.根据权利要求1所述的一种车辆意图和轨迹预测的方法，其特征在于，所述步骤三的具体方法如下：车辆意图受主车自身行车状态以及周围交通环境的影响；如果当前车道的行驶条件不满足驾驶员的行驶需求，而目标车道又有足够的安全距离，那么驾驶员便会倾向于换道；需要以下的特征变量用于车辆意图的预测，其中包括车辆自身的信息以及车辆的邻居信息两方面；车辆自身的信息包括：主车自身速度，主车纵向位置，车辆相对于当前车道中心线的横向偏移；
车辆的邻居信息包括：周围其它车辆的纵向绝对速度，纵向位置，横向位置。4.根据权利要求1所述的一种车辆意图和轨迹预测的方法，其特征在于，所述步骤四的具体方法如下：41)进行换到序列的提取；为了覆盖整个车道保持以及换道过程，每段序列的长度大于7s，间隔为0.1s；找到数据集中发生了车道变换的车辆，即所在车道标号发生了变化的车辆也就是主车之后，进行车辆自身信息的提取；然后根据前面步骤二定义的插入间隙在整个数据集中查找同一时刻主车的参考车辆，并根据参考车辆确定其它车辆，最后完成步骤三中相关信息序列的提取；42)获取时间序列后对车辆状态进行标记；在换道场景中主车有三个状态，分别是“向左变道”，“向右变道”和“沿着当前车道行驶”；标记方法是找到车辆中心点越过车道线的点，在其前后的一定时间范围内检查车辆运动轨迹，根据车辆的位置参数(x,y)计算其航向角其中n代表当前时刻所对应的轨迹点，n-3代表当前时刻三个采样点前所对应的轨迹点，采用跨三点计算的原因是为了避免轨迹波动的影响；当θ到达设定的起始点边界值θ
s
，即从换道点逆向遍历时间轴，第一次出现|θ|<θ
s
时，该点便标记为变道轨迹的起点；同样的方法确定变道轨迹的终点，起点和终点之间是变道状态，其余则是车道保持状态。5.根据权利要求1所述的一种车辆意图和轨迹预测的方法，其特征在于，所述步骤五的具体方法如下：51)隐马尔可夫模型中的变量分成两部分；第一部分为状态变量q，对应的状态序列为Q＝q1q2...q
T
，q1为1时刻的状态变量，q2为2时刻的状态变量，q
T
为T时刻的状态变量；它不能被直接观测得到也称为隐变量，其可能取值为一组离散的值，取值集合为S＝{s1,s2,s
i
,...,s
N
},i<N，其中s
i
为对应的某种状态，s1代表状态1，s2代表状态2，s
N
代表状态N；N为所有状态的数目；第二部分为观测变量O,对应图中的观测序列O＝O1O2...O
T
，O1为1时刻的观测变量，O2为2时刻的观测变量，O
T
为T时刻的观测变量；其中t时刻的观测变量为观测变量可以是多个，分别代表观测量1，观测量2和观测量G，G是观测变量的个数；隐马尔可夫模型具有马尔可夫性，系统任意时刻的状态仅与上一时刻的状态有关，因此所有变量的联合概率分布为：其中，π是初始状态概率，A是状态转移概率，是与输出观测概率分布相关的参数，T是序列的长度，q是状态变量，O是观测变量，是状态变量，O是观测变量,q
i
为i时刻的状态变量，q
i+1
为i+1时刻的状态变量，O
j
为j时刻的观测变量；52)给定隐马尔可夫模型中的第三个部分；一是状态转移概率，即系统在各个状态之间进行转移的概率，用概率转移矩阵A
N
×
N
形式表示，其中的各个元素为a
ij
＝p(q
t+1
＝s
j
|q
t
＝s
i
),i,j∈[1,N]，q是状态变量，s为具体状态，
q
t
为t时刻的状态变量，q
t+1
为t+1时刻的状态变量，s
j
和s
i
分别代表状态j和状态i；二是输出观测概率，即系统在每个状态下输出观测值的概率，用b
i
(O
t
)表示系统在t时刻i状态下输出观测变量O的值的概率，为控制输出观测概率分布的集合，具体来说q是状态变量，s为具体状态，O
t
是t时刻的观测变量，s
i
代表状态i；三是初始状态概率，即系统在初始时刻处于各状态的概率，记为π＝(π1,π2,...,π
N
)，其中π
i
＝p(q1＝s
i
),i∈[1,N]，s为具体状态；53)采用连续隐马尔可夫模型，其输出观测概率通过连续的概率分布表示；利用高斯混合模型表示输出观测概率，其输出观测概率为其中，c
im
为i状态下GMM中第m个高斯分布的权重系数，N代表高斯分布，μ
im
为高斯分布的均值向量，为高斯分布的方差矩阵，M是高斯混合分布的个数，O代表观测变量，输出观测概率的参数表示为c是权重系数向量，μ是均值矩阵，σ是方差矩阵集合；54)利用隐马尔可夫高斯模型进行车辆行为的识别，是利用可观测变量去推测系统未知的状态；由于进行车辆意图预测时主要关注的是车辆在侧向上的行为，车辆在侧向上的行为可分为左换道，车道保持和右换道，将这三种行为作为高斯隐马尔可夫模型中隐藏变量可能的状态，那么模型中隐藏变量的取值数量N＝3；55)对左换道，车道保持和右换道三种行为选取合适的特征；选取车辆相对于车道中心线的侧向偏移d
y
和侧向偏移速度v
y
作为观测变量；车辆处于何种状态通过观测变量O＝[d
y
,v
y
]进行概率估计；采用滑动时窗的方法来获取车辆的轨迹特征；在每个时刻都关注过去一段时间内的轨迹，据此来对车辆此刻的行为概率进行估计；在t时刻进行行为识别时，时间窗的宽度为
△
T，以
△
t为时间间隔采样轨迹上的n个特征点作为算法的输入，采样点的个数从采集的这n个特征点得到t时刻观测变量的值O
t
；56)隐马尔可夫高斯模型记为元组π是初始状态概率，A是状态转移矩阵，是观测概率参数；其中有三个基本问题；第一个问题是在已知模型情况下，若有观测序列，如何衡量观测序列与模型之间的匹配程度，即计算概率问题；在给定观测序列O，计算在各个时刻车辆状态取值q的概率分布，目标即计算γ
t
(i)＝p(q
t
＝s
i
|O,λ),i∈[1,3]，q
t
为t时刻的状态变量，s
i
代表状态i，λ为模型参数，γ
t
(i)代表t时刻状态变量取i值时的相关概率。根据贝叶斯公式，上式改写为：求解该问题时，定义前向向量α
t
(i)和后向向量β
t
(i):α
t
(i)＝p(O1O2...O
t
,q
t
＝s
i
|λ)
β
t
(i)＝p(O
t+1
O
t+2
...O
T
|q
t
＝s
i
,λ)根据全概率公式,得到其中α
t
(j)代表t时刻j状态的前向向量，β
t
(j)代表t时刻j状态的后向向量。变形后可得其中α
t
(j)代表t时刻j状态的前向向量，β
t
(j)代表t时刻j状态的后向向量，α
t
(i)代表t时刻i状态的前向向量，β
t
(i)代表t时刻i状态的后向向量。计算出前向变量α和后向变量β就求出t时刻车辆状态为i的概率γ，采用初始递归的方法计算；对于前向变量，在初始时刻，可以直接根据初始状态概率和输出观测概率计算；α1(i)＝π1b
i
(o1)i∈[1,3]其中α1(i)代表初始时刻状态i的前向概率，π1是初始状态...
【专利技术属性】
技术研发人员：蔡文奇，何钢磊，张羽翔，李鑫，张超，
申请(专利权)人：青岛莱吉传动系统科技有限公司，
类型：发明
国别省市：
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。