一种车辆前方障碍状态预测方法、装置、设备及存储介质制造方法及图纸

技术编号:33958954 阅读:25 留言:0更新日期:2022-06-30 00:09
本发明专利技术涉及一种车辆前方障碍状态预测方法、装置、设备及存储介质,该方法包括:获取已标记的目标样本集,建立初始识别模型,将已标记的目标样本集输入至初始识别模型进行训练,得到训练完备的目标识别模型;采集前方行驶环境信息,前方行驶环境信息包括前方行驶环境图片信息以及前方行驶环境距离信息;根据前方行驶环境图片信息以及训练完备的目标识别模型,确定车辆前方障碍类型;基于隐马可尔夫模型,根据前方行驶环境距离信息以及车辆前方障碍类型,得到车辆前方障碍的行驶状态预测结果。本发明专利技术提供的一种车辆前方障碍状态预测方法、装置、设备及存储介质,通过识别模型和隐马可尔夫模型,对车辆前方不同障碍的行驶状态进行预测。预测。预测。

【技术实现步骤摘要】
一种车辆前方障碍状态预测方法、装置、设备及存储介质


[0001]本专利技术涉及无人驾驶
,尤其涉及一种车辆前方障碍状态预测方法、装置、设备及存储介质。

技术介绍

[0002]在汽车行驶的过程中,人类驾驶员可以通过学习到的驾驶技巧和以往的驾驶经验在道路环境中对周围车辆的行驶意图做出一个判断及预测,以减少事故发生的可能性。在智能驾驶的时代,无人驾驶车需要更加高效并准确的预测到本车周围的车辆行驶意图,从而对本车进行行为决策以达到避障的最终目的。但是在实际道路环境中,智能车无法直接识别周围车辆的行驶意图以及周围环境等信息,这时就需要通过能够实时观测到的变量来对周围其他车辆的行为进行一个概率推测,通过有效的预测概率对本车下达决策命令规避障碍,减少事故发生概率,提高车辆行驶效率。因此,研究无人驾驶车辆对前方障碍车辆的行为预测对于提高智能车的安全性能方面具有重大意义。
[0003]现有的关于轨迹预测的研究可以大致分为两类。分别是基于规则和基于学习的轨迹预测算法。基于规则的预测算法通过应用交通规则来模拟交通流模型,而基于学习的预测算法则采用机器学习模型来基于运动对象的历史轨迹进行预测。
[0004]现有技术需要对大量数据进行分析,对预测模型的训练效率低,对车辆行驶状态的预测时间长,没有结合道路信息对车辆的行驶状态进行预测,在实际过程中的预测精度低。

技术实现思路

[0005]有鉴于此,有必要提供一种车辆前方障碍状态预测方法、装置、设备及存储介质,用以解决现有技术中对车辆的行驶状态预测精度低,预测速度慢的问题。
[0006]为达到上述技术目的,本专利技术采取了以下技术方案:
[0007]第一方面,本专利技术提供了一种车辆前方障碍状态预测方法,包括:
[0008]获取已标记的目标样本集,建立初始识别模型,将已标记的目标样本集输入至初始识别模型进行训练,得到训练完备的目标识别模型;
[0009]采集前方行驶环境信息,前方行驶环境信息包括前方行驶环境图片信息以及前方行驶环境距离信息;
[0010]根据前方行驶环境图片信息以及训练完备的目标识别模型,确定车辆前方障碍类型;
[0011]基于隐马可尔夫模型,根据前方行驶环境距离信息以及车辆前方障碍类型,得到车辆前方障碍的行驶状态预测结果。
[0012]优选的,获取已标记的目标样本集,建立初始识别模型,将已标记的目标样本集输入至初始识别模型进行训练,得到训练完备的目标识别模型,包括:
[0013]将已标记的目标样本集分为数据训练集、数据验证集以及数据测试集;
[0014]将数据训练集输入至初始识别模型进行训练,得到过渡识别模型;
[0015]将数据验证集输入至过渡识别模型进行验证,得到目标识别模型;
[0016]将数据测试集输入至目标识别模型进行测试,得到训练完备的目标识别模型。
[0017]优选的,将数据训练集输入至初始识别模型进行训练,得到过渡识别模型,包括:
[0018]更新模型训练参数,直至初始识别模型的损失函数趋于收敛;
[0019]选择损失函数满足收敛条件的识别模型,得到过渡识别模型。
[0020]优选的,将数据验证集输入至过渡识别模型进行验证,得到目标识别模型,包括:
[0021]根据过渡识别模型计算所有障碍的平均检测精度;
[0022]选择平均检测精度满足预设要求的过渡识别模型,得到目标识别模型。
[0023]优选的,获取已标记的目标样本集,包括:设置历史目标样本集中的障碍标签类型,对历史目标样本集进行标记,得到已标记的目标样本集。
[0024]优选的,基于隐马可尔夫模型,根据前方行驶环境距离信息以及车辆前方障碍类型,得到车辆前方障碍的行驶状态预测结果,包括:
[0025]根据前方行驶环境距离信息,得到观测序列;
[0026]根据车辆前方障碍类型以及前方行驶环境距离信息,确定初始状态转移矩阵、初始状态观测矩阵以及初始状态转移向量;
[0027]根据隐马可尔夫模型、观测序列、初始状态转移矩阵、初始状态观测矩阵以及初始状态转移向量,得到车辆前方障碍的行驶状态预测结果。
[0028]优选的,基于隐马可尔夫模型,根据前方行驶环境距离信息以及车辆前方障碍类型,得到车辆前方障碍的行驶状态预测结果,还包括:设置仿真参数,根据识别模型以及隐马可尔夫模型,对前方行驶障碍的行驶状态进行仿真预测。
[0029]第二方面,本专利技术还提供了一种车辆前方障碍状态预测装置,其特征在于,包括:
[0030]建模模块,用于获取已标记的目标样本集,建立初始识别模型,将已标记的目标样本集输入至初始识别模型进行训练,得到训练完备的目标识别模型;
[0031]采集模块,用于采集前方行驶环境信息,前方行驶环境信息包括前方行驶环境图片信息以及前方行驶环境距离信息;
[0032]识别模块,用于根据前方行驶环境图片信息以及训练完备的目标识别模型,确定车辆前方障碍类型;
[0033]预测模块,用于基于隐马可尔夫模型,根据前方行驶环境距离信息以及车辆前方障碍类型,得到车辆前方障碍的行驶状态预测结果。
[0034]第三方面,本专利技术还提供了一种电子设备,包括存储器和处理器,其中,
[0035]存储器,用于存储程序;
[0036]处理器,与存储器耦合,用于执行存储器中存储的程序,以实现上述任一种实现方式中的车辆前方障碍状态预测方法中的步骤。
[0037]第四方面,本专利技术还提供了一种计算机可读存储介质,用于存储计算机可读取的程序或指令,程序或指令被处理器执行时,能够实现上述任一种实现方式中的车辆前方障碍状态预测方法中的步骤。
[0038]采用上述实施例的有益效果是:本专利技术提供的一种车辆前方障碍状态预测方法、装置、设备及存储介质,采集车辆的前方行驶环境信息,根据车辆的前方行驶环境信息,能
够了解车辆行驶时的前方环境状态,通过训练完备的目标识别模型,对车辆前方的障碍类别进行识别,再结合隐马可尔夫模型,根据前方行驶环境距离信息,对车辆前方障碍的行驶状态进行预测,识别模型对车辆前方障碍的快速、准确识别,并结合道路的各种距离信息,提高了对车辆前方障碍的可能行驶状态预测的速度以及精度。
附图说明
[0039]图1为本专利技术提供的车辆前方障碍状态预测方法的一实施例的流程示意图;
[0040]图2为本专利技术提供的初始识别模型训练、验证以及测试的一实施例的流程示意图;
[0041]图3(a)、(b)为本专利技术提供的初始识别模型训练的一实施例的部分训练过程示意图;
[0042]图4为本专利技术提供的隐马可尔夫模链转移的一实施例的过程示意图;
[0043]图5(a)为本专利技术提供的序列a的仿真工况的一实施例的结果预测图;
[0044]图5(b)为本专利技术提供的序列b的仿真工况的一实施例的结果预测图;
[0045]图6为本专利技术提供的前车行驶状态预测装置的一实本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种车辆前方障碍状态预测方法,其特征在于,包括:获取已标记的目标样本集,建立初始识别模型,将所述已标记的目标样本集输入至所述初始识别模型进行训练,得到训练完备的目标识别模型;采集前方行驶环境信息,所述前方行驶环境信息包括前方行驶环境图片信息以及前方行驶环境距离信息;根据所述前方行驶环境图片信息以及所述训练完备的目标识别模型,确定车辆前方障碍类型;基于隐马可尔夫模型,根据所述前方行驶环境距离信息以及所述车辆前方障碍类型,得到车辆前方障碍的行驶状态预测结果。2.根据权利要求1所述的车辆前方障碍状态预测方法,其特征在于,所述获取已标记的目标样本集,建立初始识别模型,将所述已标记的目标样本集输入至所述初始识别模型进行训练,得到训练完备的目标识别模型,包括:将所述已标记的目标样本集分为数据训练集、数据验证集以及数据测试集;将所述数据训练集输入至所述初始识别模型进行训练,得到过渡识别模型;将所述数据验证集输入至所述过渡识别模型进行验证,得到目标识别模型;将所述数据测试集输入至所述目标识别模型进行测试,得到训练完备的目标识别模型。3.根据权利要求2所述的车辆前方障碍状态预测方法,其特征在于,所述将所述数据训练集输入至所述初始识别模型进行训练,得到过渡识别模型,包括:更新模型训练参数,直至所述初始识别模型的损失函数趋于收敛;选择所述损失函数满足收敛条件的识别模型,得到所述过渡识别模型。4.根据权利要求2所述的车辆前方障碍状态预测方法,其特征在于,所述将所述数据验证集输入至所述过渡识别模型进行验证,得到目标识别模型,包括:根据所述过渡识别模型计算所有障碍的平均检测精度;选择所述平均检测精度满足预设要求的过渡识别模型,得到目标识别模型。5.根据权利要求1所述的车辆前方障碍状态预测方法,其特征在于,所述获取已标记的目标样本集,包括:设置历史目标样本集中的障碍标签类型,对所述历史目标样本集进行标记,得到所述已标记的目标样本集。6.根据权利要求1所述的车辆前方障碍状态...

【专利技术属性】
技术研发人员:黄丰云谢志豪徐劲力
申请(专利权)人:武汉理工大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1