本发明专利技术涉及一种个性化车辆轨迹预测方法、系统、设备和存储介质，包括以下步骤：基于驾驶模拟实验，获取原始驾驶数据；基于获取的原始驾驶数据进行驾驶风格辨识和工作负荷辨识，并基于驾驶风格辨识结果和工作负荷辨识结果，进行个性化系数计算；将历史轨迹数据以及计算得到的个性化系数输入到轨迹预测网络模型中，实现考虑驾驶风格和工作负荷的个性化车辆轨迹预测。本发明专利技术所提出的个性化系数综合了驾驶风格辨识结果和工作负荷辨识结果，可以比较全面地表征驾驶员的个性驾驶特征，可以广泛应用于车辆安全领域。车辆安全领域。车辆安全领域。
【技术实现步骤摘要】
一种个性化车辆轨迹预测方法、系统、设备和存储介质
[0001]本专利技术涉及车辆安全领域，特别涉及一种考虑驾驶风格和工作负荷的个性化车辆轨迹预测方法、系统、设备和存储介质。
技术介绍
[0002]车辆轨迹预测是降低车道偏离等交通事故的重要手段。所预测的车辆轨迹可以用于评估车辆未来一段时间的事故风险，从而在危险情况下为驾驶员提供及时的预警和辅助措施，提高车辆行驶安全性。
[0003]现有研究中，Liu等人采用隐马尔可夫模型(HMM)，根据车辆状态估计驾驶员风格，使用“危险”或“正常”的驾驶风格预测车辆轨迹。Yang等人在驾驶模拟实验中收集了驾驶员的眼动特征，利用卷积神经网络(CNN)建立了考虑驾驶风格的换道轨迹预测模型。Gillmeier等人根据车辆数据、驾驶员视觉数据和驾驶员操纵数据估计驾驶风格的可能性，使用贝叶斯网络预测轨迹，驾驶风格包括运动型和舒适型。
[0004]然而，车辆轨迹不仅受驾驶员驾驶风格的影响，还与驾驶员工作负荷有关。研究表明，驾驶员对自身工作负荷的估计和驾驶员对当前风险的感知会显著影响其驾驶表现。但目前，还没有兼顾驾驶风格和工作负荷的车辆轨迹预测的研究。
技术实现思路
[0005]针对上述问题，本专利技术的目的是提供一种考虑驾驶风格和工作负荷的个性化车辆轨迹预测方法、系统、设备和存储介质，同时使用轨迹数据、车辆数据和驾驶员眼动数据进行个性化车辆轨迹预测，轨迹预测结果可以用于智能交通系统的车辆风险评估和车道偏离预警中。
[0006]为实现上述目的，本专利技术采取以下技术方案：
[0007]第一方面，本专利技术提供一种个性化车辆轨迹预测方法，包括以下步骤：
[0008]基于驾驶模拟实验，获取与个性化车辆轨迹预测相关的原始驾驶数据；
[0009]基于获取的原始驾驶数据进行驾驶风格辨识和工作负荷辨识，并基于驾驶风格辨识结果和工作负荷辨识结果，进行个性化系数计算；
[0010]将历史轨迹数据以及计算得到的个性化系数输入到预先构建的轨迹预测网络模型中，得到考虑驾驶风格和工作负荷的个性化车辆轨迹预测结果。
[0011]进一步，所述原始驾驶数据包括轨迹数据、车辆数据以及驾驶员眼动数据，所述轨迹数据包括轨迹点的x坐标和y坐标，且x坐标，y坐标的原点为驾驶模拟实验中道路的起始点；所述车辆数据包括方向盘转角和纵向车速数据；所述驾驶员眼动数据包括左眼水平注视位置、右眼水平注视位置、左眼垂直注视位置、右眼垂直注视位置、眼球转动角速度、左眼瞳孔直径、右眼瞳孔直径和眼睛状态。
[0012]进一步，所述基于获取的原始驾驶数据进行驾驶风格辨识和工作负荷辨识，并基于驾驶风格辨识结果和工作负荷辨识结果，进行个性化系数计算的方法，包括：
[0013]进行基于轨迹数据的驾驶风格辨识；
[0014]进行基于车辆特征和驾驶员眼动特征的工作负荷辨识；
[0015]基于驾驶风格辨识结果和工作负荷辨识结果，进行个性化系数计算。
[0016]进一步，所述进行基于轨迹数据的驾驶风格辨识的方法，包括：
[0017]将所研究工况的起始时刻设置为t0，对[t0，t0+4s]的轨迹数据进行聚类，从而得到用于训练驾驶风格辨识模型的轨迹数据标签；
[0018]利用轨迹数据标签对驾驶风格辨识模型进行训练；
[0019]将车辆在[t0，t0+4s]的轨迹数据输入到驾驶风格辨识模型，得到驾驶风格为保守型和激进型的概率向量。
[0020]进一步，所述驾驶风格辨识模型采用循环神经网络。
[0021]进一步，所述进行基于车辆特征和驾驶员眼动特征的工作负荷辨识的方法，包括：
[0022]基于车辆数据和驾驶员眼动数据进行特征提取，得到车辆特征和驾驶员眼动特征；
[0023]将提取的车辆特征和驾驶员眼动特征输入到工作负荷辨识模型中，得到工作负荷辨识结果。
[0024]进一步，所述轨迹预测网络模型包括轨迹编码器、cat连接层和轨迹解码器；所述轨迹编码器的输入为从历史轨迹数据中得到的n个采样步长的车辆轨迹数据p
history
：
[0025]p
history
＝[p1，p2，...，p
n
]＝[(x1，y1)，(x2，y2)，...，(x
n
，y
n
)][0026]所述轨迹编码器的输出为语义向量，其中包含了历史轨迹信息；
[0027]所述cat连接层的输入为语义向量和个性化系数，输出为包含个性化信息的语义向量；
[0028]所述轨迹解码器的输入为包含个性化信息的语义向量，输出为未来m个采样步长的车辆轨迹p
future
：
[0029]p
future
＝[p
n+1
，p
n+2
，...，p
n+m
]＝[(x
n+1
，y
n+1
)，(x
n+2
，y
n+2
)，...，(x
n+m
，y
n+m
)]。
[0030]第二方面，本专利技术提供一种个性化车辆轨迹预测系统，包括：
[0031]数据获取模块，用于基于驾驶模拟实验，获取与个性化车辆轨迹预测相关的原始驾驶数据；
[0032]个性化系统计算模块，用于基于获取的原始驾驶数据进行驾驶风格辨识和工作负荷辨识，并基于驾驶风格辨识结果和工作负荷辨识结果，进行个性化系数计算；
[0033]轨迹预测模块，用于将轨迹数据以及计算得到的个性化系数输入到轨迹预测网络模型中，实现考虑驾驶风格和工作负荷的个性化车辆轨迹预测。
[0034]第三方面，本专利技术提供一种处理设备，所述处理设备至少包括处理器和存储器，所述存储器上存储有计算机程序，所述处理器运行所述计算机程序时执行以实现所述个性化车辆轨迹预测方法的步骤。
[0035]第四方面，本专利技术提供一种计算机存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现根据所述个性化车辆轨迹预测方法的步骤。
[0036]本专利技术由于采取以上技术方案，具有以下优点：
[0037]1、本专利技术利用轨迹数据进行驾驶风格辨识，利用车辆特征和驾驶员眼动特征进行工作负荷辨识。所提出的个性化系数综合了驾驶风格辨识结果和工作负荷辨识结果，可以
比较全面地表征驾驶员的个性驾驶特征。
[0038]2、本专利技术在车辆轨迹预测问题中，开创性地同时加入了驾驶员的驾驶风格和工作负荷信息,充分考虑了驾驶员的个性驾驶特征，实现了考虑驾驶风格和工作负荷的个性化车辆轨迹预测，有效提高了车辆轨迹预测的准确率。
[0039]因此，本专利技术可以广泛应用于车辆安全领域。
附图说明
[0040]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种个性化车辆轨迹预测方法，其特征在于，包括以下步骤：基于驾驶模拟实验，获取与个性化车辆轨迹预测相关的原始驾驶数据；基于获取的原始驾驶数据进行驾驶风格辨识和工作负荷辨识，并基于驾驶风格辨识结果和工作负荷辨识结果，进行个性化系数计算；将历史轨迹数据以及计算得到的个性化系数输入到预先构建的轨迹预测网络模型中，得到考虑驾驶风格和工作负荷的个性化车辆轨迹预测结果。2.如权利要求1所述的一种个性化车辆轨迹预测方法，其特征在于，所述原始驾驶数据包括轨迹数据、车辆数据以及驾驶员眼动数据，所述轨迹数据包括轨迹点的x坐标和y坐标，且x坐标，y坐标的原点为驾驶模拟实验中道路的起始点；所述车辆数据包括方向盘转角和纵向车速数据；所述驾驶员眼动数据包括左眼水平注视位置、右眼水平注视位置、左眼垂直注视位置、右眼垂直注视位置、眼球转动角速度、左眼瞳孔直径、右眼瞳孔直径和眼睛状态。3.如权利要求2所述的一种个性化车辆轨迹预测方法，其特征在于，所述基于获取的原始驾驶数据进行驾驶风格辨识和工作负荷辨识，并基于驾驶风格辨识结果和工作负荷辨识结果，进行个性化系数计算的方法，包括：进行基于轨迹数据的驾驶风格辨识；进行基于车辆特征和驾驶员眼动特征的工作负荷辨识；基于驾驶风格辨识结果和工作负荷辨识结果，进行个性化系数计算。4.如权利要求3所述的一种个性化车辆轨迹预测方法，其特征在于，所述进行基于轨迹数据的驾驶风格辨识的方法，包括：将所研究工况的起始时刻设置为t0，对[t0，t0+4s]的轨迹数据进行聚类，得到用于训练驾驶风格辨识模型的轨迹数据标签；利用轨迹数据标签对驾驶风格辨识模型进行训练；将车辆在[t0，t0+4s]的轨迹数据输入到驾驶风格辨识模型，得到驾驶风格为保守型和激进型的概率向量。5.如权利要求4所述的一种个性化车辆轨迹预测方法，其特征在于，所述驾驶风格辨识模型采用循环神经网络。6.如权利要求3所述的一种个性化车辆轨迹预测方法，其特征在于，所述进行基于车辆特征和驾驶员眼动特征的工作负荷辨识的方法，包括：基于车辆数据和驾驶员眼动数据进行特征提取，得到车辆特征和驾驶员眼动特征；将提取的车辆特征和驾驶员眼动特征输入到工作负荷辨识模型中，得到工作负荷辨识结果。7.如权利要求1所述的一种个性化车辆...
【专利技术属性】
技术研发人员：李婧媛，刘亚辉，陶书鑫，刘贺，季学武，殷国栋，
申请(专利权)人：清华大学，
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。