一种基于复合模型的车辆换道意图的预测方法技术

本发明专利技术公开了一种基于复合模型的车辆换道意图的预测方法，包括：采集本车和周边车辆的速度信息和位置信息；将本车和周边车辆布置到同一坐标系中，所有目标车辆的轨迹信息构成训练集A；建立三个隐马尔可夫模型，分别为向左换道模型，车道保持模型，向右换道模型；训练集A输入三个模型中进行初步预测，分别输出与之对应的概率；将邻居车辆与对应目标车辆的纵向距离和对应的概率结合形成训练集B，然后将训练集B输入多层感知机模型中，以目标车辆对应的真实换道意图作为标签，完成多层感知机模型的训练，以得到训练模型；实时采集目标车辆以及邻居车辆的速度信息和位置信息，输入训练模型中进行车辆换道意图的预测，从而输出目标车辆换道意图。辆换道意图。辆换道意图。

【技术实现步骤摘要】
一种基于复合模型的车辆换道意图的预测方法


[0001]本专利技术属于自动驾驶
，特别涉及一种基于复合模型的车辆换道意图的预测方法。

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]目前，对周边车辆换道意图预测的研究没有考虑车辆之间的交互对车辆换道意图的影响，而将目标车辆作为独立的个体来预测其换道意图，但是在实际行车情况下，目标车辆的邻居车辆会在很大程度上影响其换道行为。
[0004]所以，怎样考虑车辆之间的交互对车辆换道意图的影响，准确预测周边车辆的换道意图，提高自动驾驶车辆行驶的安全性是本领域技术人员需要解决的技术问题。

技术实现思路

[0005]针对现有技术存在的上述不足，本专利技术的目的就在于提供一种基于复合模型的车辆换道意图的预测方法，该方法能有效考虑车辆之间的交互对车辆换道意图的影响，准确预测周边车辆的换道意图，提高自动驾驶车辆行驶的安全性。
[0006]本专利技术的技术方案是这样实现的：一种基于复合模型的车辆换道意图的预测方法，包括以下步骤：（1）采集本车和周边车辆的速度信息和位置信息；（2）根据步骤（1）采集的速度信息和位置信息将本车和周边车辆布置到同一坐标系中，从而得到本车和周边车辆的轨迹信息，其中紧邻本车的周边车辆为目标车辆，每辆目标车辆周边的车辆为该目标车辆的邻居车辆，所有目标车辆的轨迹信息构成训练集A；（3）建立三个隐马尔可夫模型，分别为向左换道模型，车道保持模型，向右换道模型；（4）将步骤（2）中的训练集A输入左换道模型、车道保持模型和向右换道模型三个模型中进行初步预测，分别输出与之对应的概率P
L
、P
K
、P
R
；（5）将邻居车辆与对应目标车辆的纵向距离和对应的概率P
L
、P
K
、P
R
结合形成训练集B，然后将训练集B输入多层感知机模型中，以目标车辆对应的真实换道意图作为标签，完成多层感知机模型的训练，以得到训练模型；（6）实时采集目标车辆以及邻居车辆的速度信息和位置信息，输入步骤（5）中的训练模型中进行车辆换道意图的预测，从而输出目标车辆换道意图。
[0007]进一步地，步骤（1）中利用本车上的雷达装置和摄像装置采集本车和周边车辆的速度信息和位置信息。
[0008]更进一步地，所述雷达装置包括但不限于毫米波雷达、激光雷达和超声波雷达。
[0009]进一步地，所述摄像装置包括但不限于环视摄像头、前视摄像头。
[0010]进一步地，速度信息和位置信息包括但不限于本车速度、本车航向角、周边车辆速度、车道线信息以及周边车辆与本车的横向距离和纵向距离。
[0011]进一步地，所述邻居车辆为位于目标车辆所在车道前后以及左车道、右车道设定距离内的车辆。
[0012]与现有技术相比，本专利技术具有如下有益效果：本专利技术先利用隐马尔可夫模型对目标车辆的横向位移，纵向速度等连续观测变量的时序建模能力对车辆换道意图进行初步的识别，再将LCL
‑
HMM、LK
‑
HMM和LCR
‑
HMM模型输出的概率与邻居车辆和对应目标车辆的纵向距离结合，输入到多层感知机模型中实现对周边目标车辆的换道意图的有效预测。如此将目标车辆和与其对应的邻居车辆之间的交互影响作为预测目标车辆换道意图的因素，能有效提高目标车辆换道意图预测的准确性和自动驾驶车辆行驶的安全性。
附图说明
[0013]图1
‑
本专利技术建模流程图。
[0014]图2
‑
实施例中实车布置的场景图。
具体实施方式
[0015]下面结合附图和具体实施方式对本专利技术作进一步详细说明。
[0016]一种基于复合模型的车辆换道意图的预测方法，包括以下步骤：（1）采集本车和周边车辆的速度信息和位置信息；（2）根据步骤（1）采集的速度信息和位置信息将本车和周边车辆布置到同一坐标系中，从而得到本车和周边车辆的轨迹信息，其中紧邻本车的周边车辆为目标车辆，每辆目标车辆周边的车辆为该目标车辆的邻居车辆，所有目标车辆的轨迹信息构成训练集A；（3）建立三个隐马尔可夫模型，分别为向左换道模型LCL
‑
HMM，车道保持模型LK
‑
HMM，向右换道模型LCR
‑
HMM；（4）将步骤（2）中的训练集A输入LCL
‑
HMM、LK
‑
HMM和LCR
‑
HMM三个模型中进行初步预测，分别输出与之对应的概率P
L
、P
K
、P
R
；（5）将邻居车辆与对应目标车辆的纵向距离和对应的概率P
L
、P
K
、P
R
结合形成训练集B，然后将训练集B输入多层感知机（MLP）模型中，以目标车辆对应的真实换道意图作为标签，完成多层感知机模型的训练，从而建立训练模型，即HMM
‑
MLP模型；（6）实时采集目标车辆以及邻居车辆的速度信息和位置信息，输入步骤（5）中的训练模型中进行车辆换道意图的预测，从而输出目标车辆换道意图。
[0017]HMM
‑
MLP模型的建立流程图如图1所示。先利用隐马尔可夫模型（HMM）对目标车辆的横向位移，纵向速度等连续观测变量的时序建模能力对车辆换道意图进行初步的识别，再将LCL
‑
HMM模型、LK
‑
HMM模型和LCR
‑
HMM模型输出的似然概率与邻居车辆和对应目标车辆
的纵向距离结合，输入到多层感知机（MLP）模型中实现对周边目标车辆的换道意图的有效预测。如此将目标车辆和与其对应的邻居车辆之间的交互影响作为预测目标车辆换道意图的因素，能有效提高目标车辆换道意图预测的准确性和自动驾驶车辆行驶的安全性。
[0018]向左换道模型LCL
‑
HMM，车道保持模型LK
‑
HMM，向右换道模型LCR
‑
HMM为三个相互独立的模型，所以通过三个模型预测得到的概率P
L
、P
K
、P
R
之间没有必然联系。
[0019]步骤（5）中位于目标车辆左车道的邻居车辆与目标车辆的纵向距离P
L
和结合，位于目标车辆左车道的邻居车辆与目标车辆的纵向距离P
K
和结合，位于目标车本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于复合模型的车辆换道意图的预测方法，其特征在于，包括以下步骤：（1）采集本车和周边车辆的速度信息和位置信息；（2）根据步骤（1）采集的速度信息和位置信息将本车和周边车辆布置到同一坐标系中，从而得到本车和周边车辆的轨迹信息，其中紧邻本车的周边车辆为目标车辆，每辆目标车辆周边的车辆为该目标车辆的邻居车辆，所有目标车辆的轨迹信息构成训练集A；（3）建立三个隐马尔可夫模型，分别为向左换道模型，车道保持模型，向右换道模型；（4）将步骤（2）中的训练集A输入左换道模型、车道保持模型和向右换道模型三个模型中进行初步预测，分别输出与之对应的概率P
L
、P
K
、P
R
；（5）将邻居车辆与对应目标车辆的纵向距离和对应的概率P
L
、P
K
、P
R
结合形成训练集B，然后将训练集B输入多层感知机模型中，以目标车辆对应的真实换道意图作为标签，完成多层感知机模型的训练，以...

【专利技术属性】
技术研发人员：黄杉，尹旭，肖友，单玉梅，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：