一种使用路侧激光雷达数据提取车辆轨迹的变道识别与预测方法、系统、设备及存储介质技术方案

本发明专利技术涉及一种基于路侧激光雷达数据提取车辆轨迹的变道识别与预测方法、系统、设备及存储介质，包括步骤如下：(1)对激光雷达扫描出的点云图进行背景滤除；(2)对在途目标的点云数据进行聚类；(3)采用人工神经网络对车辆和人进行分类；(4)在连续帧中追踪同一目标；(5)根据所选取评价指标的阈值对车辆的变道行为进行预测。本发明专利技术能够以较高的精度对车辆的变道或转弯行为进行实时预测，利用这些变道信息可以开发出相关的车辆变道预警系统，为智慧交通工程发展添砖加瓦。交通工程发展添砖加瓦。交通工程发展添砖加瓦。

【技术实现步骤摘要】
一种使用路侧激光雷达数据提取车辆轨迹的变道识别与预测方法、系统、设备及存储介质


[0001]本专利技术属于交通工程
，特别是涉及基于路侧激光雷达提取车辆轨迹的变道识别和预测的方法、系统、设备及存储介质。

技术介绍

[0002]智能网联汽车技术(Connected
‑
Vehicle，CV)已经成为未来智能交通系统中的重要组成部分。在理想的CV网络中，所有的道路用户可以通过各种无线通信技术相互通信。车联网技术有很多的优势，包括减少拥堵、改善交通安全以及减少燃料消耗。变道识别和预测是CV网络功能的重要组成部分，其被认为是最具挑战性的驾驶动作之一。变道的识别和预测是对避免碰撞有重要意义。为了给驾驶员提供有效的警告信息，需要实时预测变道的行为。从理论上讲，CV环境下的任何变道动作都可以被检测到，因为所有车辆都通过车载传感器与路侧基础设施和网络进行交互，共享其实时位置、速度和行驶方向。然而，将联网车辆设备安装到所有车辆上需要时间，这意味着联网车辆和非联网车辆将在未来几十年甚至更长时间内存在。
[0003]如何识别和预测传统交本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种使用路侧激光雷达数据提取车辆轨迹的变道识别与预测方法，其特征在于，包括步骤如下：(1)背景滤除、目标聚类：使用背景滤除技术对路侧激光雷达获取的点云图进行背景滤除，并使用DBSCAN算法对背景滤除处理后的点云图中的点云进行聚类，得到点云簇；(2)对象分类：将行人与车辆区分开，去除行人的点云，只保留车辆的点云；(3)目标追踪：生成车道边界线，并将在途车辆匹配到相应的车道中；(4)变道行为预测：利用预设的CDNLB和CCDNLB对车辆的变道行为进行实时预测。2.根据权利要求1所述的一种使用路侧激光雷达数据提取车辆轨迹的变道识别与预测方法，其特征在于，在步骤(1)中，背景滤除是指：从在途目标通过时的点云图中滤去无在途目标通过时的背景点云，得到在途目标的背景点云；在步骤(1)中，目标聚类，包括步骤如下：A、扫描整个背景滤除处理后得到的点云图，找到任意一个核心点，对该核心点进行扩充，即寻找从该核心点出发的所有密度相连的数据点；B、遍历该核心点的ε邻域内的所有核心点，寻找与这些核心点所有密度相连的数据点；聚类成的簇的边界节点都是非核心点；C、重新扫描数据集，寻找没有被聚类的核心点，再重复上述步骤A至步骤B，直到点云图中没有新的核心点为止；D、滤除噪声点，噪声点是指点云簇中没有包含的数据点。3.根据权利要求1所述的一种使用路侧激光雷达数据提取车辆轨迹的变道识别与预测方法，其特征在于，步骤(2)中，对象分类，包括步骤如下：2.1：构建用于车辆和行人分类的人工神经网络；2.2：制作数据集，数据集划分为训练集、验证集和测试集；2.3：通过训练集训练用于车辆和行人分类的人工神经网络，并通过验证集对用于车辆和行人分类的人工神经网络进行验证，得到训练好的用于车辆和行人分类的人工神经网络；2.4：将测试集输入训练好的用于车辆和行人分类的人工神经网络，得到分类结果，分类结果包括行人和车辆；2.5：滤除分类结果为行人的点云簇；进一步优选的，用于车辆和行人分类的人工神经网络包括输入层、隐含层、输出层；输入层用于将点云图输入进用于车辆和行人分类的人工神经网络；隐含层包括多层神经网络，其对输入的点云图进行卷积操作，提取点云信息特征，点云信息特征包括点云簇的点云数量、长度、宽度、高度以及密度，经过在隐含层中进行多次卷积，得到最终的整体特征，浅层特征是点云簇的外表轮廓点组成的多段线，整体特征为多段线组合起来的整体轮廓，实现对行人和车辆的分类；输出层包括两个神经元，分别为行人和车辆；输出层与隐含层的最后一层神经网络采用全连接的方法连接，神经元之间的参数运算得出待检测目标为行人和车辆的概率，将其中概率较大的作为分类结果；进一步优选的，在每层神经网络中的神经元中加入一个随机因子，该随机因子在某一层神经网络中，随机抑制该层神经网络中的某些神经元；具体实现过程为：在某一层神经网
络中，随机抽取若干个神经元，隔断它们与其它神经元的连接，即上一层神经元跳过该神经元，直接与下一层神经元连接；进一步优选的，制作人为标注的数据集，数据集中包括：目标点云种类、点云簇距激光雷达的距离、目标簇的点云数量；目标点云种类包括行人、车辆；目标簇距激光雷达的距离是指目标的前关键点到激光雷达的距离；进一步优选的，步骤2.4中还包括实际输出与估计输出之间的对比，具体实现过程为：将实际输出与估计输出的误差重新反馈给输入层，作为下一轮训练调整权值的指导，通过这种迭代过程，通过调整每一层神经网络中每个神经元的权值，逐步学习输入和输出之间的内在关系，达到最佳的精度，当实际输出与估计输出之间的误差小于预设值或迭代次数超过最大次数时，终止训练过程。4.根据权利要求1所述的一种使用路侧激光雷达数据提取车辆轨迹的变道识别与预测方法，其特征在于，步骤(3)的具体实现过程为：3.1：设定车辆的点云信息特征都集中在车道中心左右两侧各1.5m的范围内；3.2：在二维平面中，将车道被划分为小正方形，根据小正方形的点云密度，取点云密度最稀疏的地方，将不同车道划分出来，并通过多段线性拟合将连续的非线性车道线在点云图中显示出来；除此之外，根据车辆的移动方向，估计车道数量及方向；根据车辆的移动方向，估计车道数量及方向，是指：激光雷达在扫描在途目标时，判断出车辆的移动方向以及交通流的个数，同一个车道上的车辆历史点云构成一个交通流，这样交通流的总个数表示车道数量，而根据车辆的移动方向，判断车道的移动方向，从而判断出车道方向；3.3：将表示车道面积的小正方形存储在一个N*4的矩阵中，N表示N个小正方形，4表示小正方形四个角点的坐标信息；3.4：车道划分后，计算总的车道数及单一方向的车道数，计算方法为：车道上的点云分布在各条车道中心线处左右各1.5m范围内，车辆在车道上的历史点云信息构成空间带状物，叫做交通流，计算交通流的个数即总的车道数，单一方向的车道数为总的车道数除以2；3.5：当激光雷达扫描到车辆目标时，找寻车辆的前关键点的坐标，将其定位在相应的小正方形中，将车辆匹配到相应的车道中，计算车辆的相邻车道数L；步骤3.2的具体实现方法包括：a、确定整个车道的车辆历史点云密度分布：采用激光雷达对车道上车辆历史点云图分析，从点云密度最密集的区域开始，采用小正方形框选整个车道的车辆历史点云数据；b、计算各个小正方形所包含的点云数量，设定一个点云数量阈值A，挑选出点云数量小于A的小正方形；反复尝试改变点云数量阈值A，直至位于实际车道线上的小正方形都被挑选出来为止；并自动滤除挑选出的小正方形中的独立的小正方形；将连续的具有最低点云密度的小正方形相连，通过多段线性拟合，拟合出车道边界线；在步骤b中，小正方形之间的连接方式为：将小正方形重叠部分的中点相连，即得到多段线性拟合的车道线；在步骤3.5中，若车辆所在车道的两侧均有车道，此时车辆的变道的可能性会变大，L乘以车道因子l，车道因子l是综合车辆所处的车道以及两侧车道数量给出的表示车辆变道倾向大小的参数，其取值范围为0.9
‑
1.1。
5.根据权利要求1所述的一种使用路侧激光雷达数据提取车辆轨迹的变道识别与预测方法，其特征在于，步骤(4)的具体实现过程为：4.1：采用全局最近邻算法GNN对同一车辆在不同帧下进行跟踪；4.2：计算每个跟踪点到最近车道边界DNLB的垂直距离；4.3：计算DNLB的变化量CDNLB以及累计变化量CCDNLB；4.4：考虑车辆所在车道的周围车道数，对车辆的变道进行实时预测；进一步优选的，步骤4.1中，采用全局最近邻算法GNN对同一车辆在不同帧下进行跟踪的具体实现方法为：对车辆的前关键点和后关键点进行追踪，即：对聚类后的目标进行标号，如果相邻两帧前关键点之间的距离小于设定的阈值，就将这些相邻帧上的目标标记为同一目标，实现不同帧之间的目标追踪；进一步优选的，设定的阈值为15m。6.根据权利要求5所述的一种使用路侧激光雷达数据提取车辆轨迹的变道识别与预测方法，其特征在于，步骤4.2中，故车道的边界采用分段一次函数，如式(Ⅰ)所示：式(Ⅰ)中，k
n
和b
n
表示分段一次函数的系数，x和y表示二维空间的点云坐标点，所处坐标系为：将激光雷达的安装位置作为(0,0)点，任意方向指定为x轴方向，与之成90
°
夹角的方向指定为y轴；车辆前关键点与最近车道线的垂足坐标分别通过式(Ⅱ)、式(Ⅲ)计算：Y
ip
＝X
ip
×
k+b
ꢀ...

【专利技术属性】
技术研发人员：吴建清，张营超，宋修广，张涵，侯福金，李利平，王凯，马兆有，杨梓梁，李辉，吕斌，冉斌，霍光，
申请(专利权)人：山东大学，
类型：发明
国别省市：