一种变道轨迹预测方法、装置及计算机存储介质制造方法及图纸

本发明专利技术实施例公开了一种变道轨迹预测方法、装置及计算机存储介质，包括：获取目标车辆的周围车辆的实时行驶数据，其中，所述实时行驶数据包括每一车辆的位置信息、速度及加速度；基于连续隐马尔可夫模型对所述实时行驶数据进行车辆意图预测，得到包含车辆变道轨迹数据集，其中，所车辆变道轨迹数据集包括车辆左转轨迹数据集、车辆右转轨迹数据集及车辆直走轨迹数据集；基于训练后的神经网络对所述车辆变道轨迹数据集进行特征提取，得到车辆的预测行驶轨迹；如此，能够可快速准确的了解周边车辆未来的驾驶状态，使轨迹预测更加精准稳定。使轨迹预测更加精准稳定。使轨迹预测更加精准稳定。

【技术实现步骤摘要】
一种变道轨迹预测方法、装置及计算机存储介质


[0001]本专利技术涉及交通大数据分析及自动驾驶领域，尤其涉及一种变道轨迹预测 方法、装置及计算机存储介质。

技术介绍

[0002]车辆行驶过程中驾驶员常常根据自身的需求变换车道。据统计数据显示， 由于不当的车道变换而导致的交通事故数量约占事故总数的27％，且会带来车 辆运行的不流畅和较长的事故清理时间，因此提前预知周围车辆的驾驶意图及 可能的驾驶轨迹并提前做出相应调整可有效降低事故发生率。
[0003]智能汽车的发展使得车辆可以在行驶过程中获取自身和周边车辆的行驶特 征，并基于大数据驱动的方式对车辆的驾驶状况进行预测。然而，由于道路交 通场景的复杂性以及驾驶人驾驶风格的多样性，准确快速的预测轨迹仍然存在 挑战。
[0004]长短时记忆神经网络(LongShort
‑
TermMemory，LSTM)在处理时间序列 问题上表现出的信息挖掘能力和深度表征能力，研究人员多用LSTM模型去预 测变道轨迹，并为了克服长短时记忆的预测问题中的误差传播，提出了进一步 的优化算法。但这些算法没有考虑到单一模型无法适应复杂的驾驶状况和驾驶 风格的多样性，且利用未分类的车辆行驶数据训练的模型无法满足实际行驶状 况下精度的需求。

技术实现思路

[0005]有鉴于此，本专利技术实施例提供了一种变道轨迹预测方法、装置及计算机存 储介质，能够可快速准确的了解周边车辆未来的驾驶状态，使轨迹预测更加精 准稳定。
[0006]为达到上述目的，本专利技术的技术方案是这样实现的：
[0007]第一方面，本专利技术实施例提供了一种变道轨迹预测方法，所述方法包括：
[0008]获取目标车辆的周围车辆的实时行驶数据，其中，所述实时行驶数据包括 每一车辆的位置信息、速度及加速度；
[0009]基于连续隐马尔可夫模型对所述实时行驶数据进行车辆意图预测，得到包 含车辆变道轨迹数据集，其中，所车辆变道轨迹数据集包括车辆左转轨迹数据 集、车辆右转轨迹数据集及车辆直走轨迹数据集；
[0010]基于训练后的神经网络对所述车辆变道轨迹数据集进行特征提取，得到车 辆的预测行驶轨迹。
[0011]其中，所述获取目标车辆的周围车辆的实时行驶数据，包括：
[0012]建立道路坐标，获取目标车辆的周围车辆的行驶视频，得到每一车辆在每 一帧对应的横坐标、纵坐标、速度及加速度。
[0013]其中，所述获取目标车辆的周围车辆的实时行驶数据，还包括：
[0014]对目标车辆行驶道路进行车道编号，得到每一车辆在每一帧对应的车道编 号、横坐标、纵坐标、速度及加速度；
[0015]根据所述车辆的车道编号变化将每一车辆划分为左变道轨迹、直行轨迹和 右变道轨迹，其中，以所述车道编号变化的时间点作为变道时间节点，提取车 辆变道前和变道后轨迹，并提取相同时间的直行轨迹。
[0016]其中，所述获取目标车辆的周围车辆的实时行驶数据之前，还包括：
[0017]将每一车辆行驶过程中的左变道轨迹、直行轨迹和右变道轨迹输入初始的 连续隐马尔可夫模型，进行最大似然估计；
[0018]对所述连续隐马尔可夫模型进行单独交替迭代，直至设置的损失函数满足 收敛条件，获得训练后的所述连续隐马尔可夫模型。
[0019]其中，所述所述基于连续隐马尔可夫模型对所述实时行驶数据进行车辆意 图预测，得到包含车辆变道轨迹数据集，包括：
[0020]将每一车辆的位置信息、速度及加速度输入连续隐马尔可夫模型进行最大 似然估计，得到概率值满足阈值的集合的车辆变道轨迹数据集；其中，所述隐 马尔可夫模型包括左变道模型、直行模型和右变道模型
[0021]其中，所述获取目标车辆的周围车辆的实时行驶数据之前，还包括：
[0022]将车辆变道轨迹数据集输入初始的神经网络，以均方根误差对所述车辆变 道轨迹数据集进行分类；
[0023]基于所述分类结果对所述神经网络进行单独交替迭代，直至设置的损失函 数满足收敛条件，获得训练后的所述神经网络。
[0024]其中，所述神经网络为长短时记忆神经，所述基于训练后的神经网络对所 述车辆变道轨迹数据集进行特征提取，得到车辆的预测行驶轨迹，包括：
[0025]将车辆变道轨迹数据集输入长短时记忆神经网络得到轨迹预测模型，基于 所述轨迹预测模型和adaboost算法得到每一车辆变道轨迹数据的集成权重，基 于所述集成权重得到车辆的预测行驶轨迹。
[0026]第二方面，本专利技术实施例提供了一种变道轨迹预测装置，所述装置包括：
[0027]数据获取模块，用于获取目标车辆的周围车辆的实时行驶数据，其中，所 述实时行驶数据包括每一车辆的位置信息、速度及加速度；
[0028]数据处理模块，用于基于连续隐马尔可夫模型对所述实时行驶数据进行车 辆意图预测，得到包含车辆变道轨迹数据集，其中，所车辆变道轨迹数据集包 括车辆左转轨迹数据集、车辆右转轨迹数据集及车辆直走轨迹数据集；
[0029]轨迹预测模块，用于基于训练后的神经网络对所述车辆变道轨迹数据集进 行特征提取，得到车辆的预测行驶轨迹。
[0030]第三方面，本专利技术实施例提供了一种变道轨迹预测装置，所述装置包括： 处理器和用于存储能够在处理器上运行的计算机程序的存储器，
[0031]其中，所述处理器用于运行所述计算机程序时，实现第一方面所述变道轨 迹预测方法。
[0032]第四方面，本专利技术实施例提供了一种计算机存储介质，存储有计算机程序， 所述计算机程序被处理器执行时，实现第一方面所述变道轨迹预测方法。
[0033]本专利技术实施例提供的变道轨迹预测方法、装置及计算机存储介质，获取目 标车辆的周围车辆的实时行驶数据，其中，所述实时行驶数据包括每一车辆的 位置信息、速度及
加速度；基于连续隐马尔可夫模型对所述实时行驶数据进行 车辆意图预测，得到包含车辆变道轨迹数据集，其中，所车辆变道轨迹数据集 包括车辆左转轨迹数据集、车辆右转轨迹数据集及车辆直走轨迹数据集；基于 训练后的神经网络对所述车辆变道轨迹数据集进行特征提取，得到车辆的预测 行驶轨迹；如此，通过连续隐马尔可夫模型对车辆的驾驶意图进行车辆意图预 测，可快速准确的了解周边车辆未来的驾驶状态，并基于预测结果将数据分别 输入至用车辆变道轨迹数据集训练的神经网络中；神经网络降低了对不同车辆 预测的波动性，使行驶轨迹预测更加精准稳定。
附图说明
[0034]图1为本专利技术实施例提供的一种变道轨迹预测方法的流程示意图；
[0035]图2为本专利技术实施例提供的连续隐马尔可夫模型意图识别过程示意图；
[0036]图3为本专利技术实施例提供的LSTM细胞单元示意图；
[0037]图4为本专利技术实施例提供的变道轨迹预测方法的流程示意图；
[0038]图5为本专利技术实施例提供的一种变道轨迹预测装置的结构示意图；
[0039]图6为本专利技术实施例提供的另本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种变道轨迹预测方法，其特征在于，所述方法包括：获取目标车辆的周围车辆的实时行驶数据，其中，所述实时行驶数据包括每一车辆的位置信息、速度及加速度；基于连续隐马尔可夫模型对所述实时行驶数据进行车辆意图预测，得到包含车辆变道轨迹数据集，其中，所车辆变道轨迹数据集包括车辆左转轨迹数据集、车辆右转轨迹数据集及车辆直走轨迹数据集；基于训练后的神经网络对所述车辆变道轨迹数据集进行特征提取，得到车辆的预测行驶轨迹。2.如权利要求1所述的变道轨迹预测方法，其特征在于，所述获取目标车辆的周围车辆的实时行驶数据，包括：建立道路坐标，获取目标车辆的周围车辆的行驶视频，得到每一车辆在每一帧对应的横坐标、纵坐标、速度及加速度。3.如权利要求2所述的变道轨迹预测方法，其特征在于，所述获取目标车辆的周围车辆的实时行驶数据，还包括：对目标车辆行驶道路进行车道编号，得到每一车辆在每一帧对应的车道编号、横坐标、纵坐标、速度及加速度；根据所述车辆的车道编号变化将每一车辆划分为左变道轨迹、直行轨迹和右变道轨迹，其中，以所述车道编号变化的时间点作为变道时间节点，提取车辆变道前和变道后轨迹，并提取相同时间的直行轨迹。4.如权利要求3所述的变道轨迹预测方法，其特征在于，所述获取目标车辆的周围车辆的实时行驶数据之前，还包括：将每一车辆行驶过程中的左变道轨迹、直行轨迹和右变道轨迹输入初始的连续隐马尔可夫模型，进行最大似然估计；对所述连续隐马尔可夫模型进行单独交替迭代，直至设置的损失函数满足收敛条件，获得训练后的所述连续隐马尔可夫模型。5.如权利要求1所述的变道轨迹预测方法，其特征在于，所述基于连续隐马尔可夫模型对所述实时行驶数据进行车辆意图预测，得到包含车辆变道轨迹数据集，包括：将每一车辆的位置信息、速度及加速度输入连续隐马尔可夫模型进行最大似然估计，得到概率值满足阈值的...

【专利技术属性】
技术研发人员：唐进君，孟宪伟，刘芳，李烨，黄合来，
申请(专利权)人：中南大学，
类型：发明
国别省市：