【技术实现步骤摘要】
车辆意图识别方法、装置、计算机设备和存储介质
[0001]本申请涉及汽车
，特别是涉及一种车辆意图识别方法、装置、计算机设备和存储介质。
技术介绍
[0002]随着人工智能在汽车自动驾驶领域的广泛应用，作为自动驾驶应用功能之一的识别驾驶意图，就是通过用了人工智能以实现辆行驶的轨迹规划和控制，通过识别车辆的变道插队行为，以降低一定的交通事故率。
[0003]现有技术中已存在相关技术，在2005年9月发表的HFES期刊中，公开了一种使用SVM(Support Vector Machine，支持向量机)进行车道变换检测方案，参考附图1所示，在单一SVM模型中，虽然有考虑到交互行为的特征信息，但也只是停留在车辆之间存在的简单关联特性，并未考虑同一时间段内，车辆与车道之间、车辆与车辆之间的关联关系，在车辆变道意图识别的过程中，过渡依赖车辆之间的距离、速度差等信息，且SVM模型与其他轨迹预测模型之间存在很多运算冗余，易造成车端部署压力过重；且SVM模型在处理时间序列信息时，容易丢失多尺度特征信息，进而计算效率下降。
[0004]参考附图2所示，现有通过HMM模型中的双重随机过程计算给定模型中观测序列的概率分布，并且根据一些易得观测变量，分析挖掘驾驶员潜在且随机的行为状态，但过于依赖前后状态信息，且无法捕获连接类型，如果缺失前后关系信息，又不知道状态转移过程，那么将无法进行推测，导致难以处理长距离的依赖关系。
[0005]目前没有利用预测轨迹对车辆意图进行判断的技术方案。
技术实现思路
>[0006]基于此，有必要针对上述技术问题，提供一种车辆意图识别方法、装置、计算机设备和存储介质，以解决过于依赖车辆之间距离、速度差等信息，或者过于依赖车辆前后状态信息等问题，通过合理预测车辆未来轨迹，以实现对车辆的变道意图进行判断。
[0007]一种车辆意图识别方法，所述方法包括：
[0008]获取车辆源数据；
[0009]对所述车辆源数据进行全局性特征编码处理，以获得包括车辆和车道信息的全局性编码信息；
[0010]通过预设的变道预测模型，对所述全局性编码信息进行变道轨迹预测，获得变道轨迹后，并对所述变道轨迹及其状态进行意图预测评分计算，以根据所述变道轨迹的意图预测评分，识别车辆变道意图。
[0011]在其中一个实施例中，所述对所述车辆源数据进行全局性特征编码处理，以获得包括车辆和车道信息的全局性编码信息的步骤，包括：
[0012]通过对应编码器对所述车辆源数据进行特征编码处理，以获得车辆轨迹编码信息和车道节点编码信息；
[0013]通过融合网络结构对所述车辆轨迹编码信息和车道节点编码信息进行特征融合处理，以获得融合车辆与车道信息的全局性编码信息。
[0014]在其中一个实施例中，所述车辆源数据包括车辆历史轨迹数据和地图节点数据；
[0015]所述通过对应编码器分别对所述车辆源数据进行特征提取及编码处理，以获得车辆轨迹编码信息和车道节点编码信息的步骤，包括：
[0016]通过第一编码器对所述车辆历史轨迹数据进行特征编码处理，以获得所述车辆轨迹编码信息；
[0017]以及，通过第二编码器对所述地图节点数据进行特征编码处理，以获得车道节点编码信息。
[0018]在其中一个实施例中，所述第一编码器包括一维卷积神经网络结构和特征金字塔网络结构；
[0019]所述通过第一编码器对所述车辆历史轨迹数据进行特征编码处理，以获得所述车辆轨迹编码信息的步骤，包括：
[0020]通过所述一维卷积神经网络结构对所述车辆历史轨迹数据进行特征提取，以获得若干包括空间和时间信息的车辆运动轨迹特征；
[0021]通过所述特征金字塔网络结构融合多尺寸的所述车辆运动轨迹特征，以获得对应于所述车辆运动轨迹特征的张量，以作为所述车辆轨迹编码信息。
[0022]在其中一个实施例中，所述通过一维卷积神经网络结构对所述车辆历史轨迹数据进行特征提取，以获得若干包括空间和时间信息的车辆运动轨迹特征的步骤，包括：
[0023]利用残差网络结构的残差块作为所述一维卷积神经网络结构的基本网络单元，以便若干组所述一维卷积神经网络结构中的多个所述残差块对所述车辆历史轨迹数据进行特征提取，以获得若干所述车辆运动轨迹特征。
[0024]在其中一个实施例中，所述通过所述特征金字塔网络结构融合多尺寸的所述车辆运动轨迹特征，以获得对应于所述车辆运动轨迹特征的张量的步骤，包括：
[0025]获取所述一维卷积神经网络结构输出的若干车辆运动轨迹特征；
[0026]将预定尺寸的车辆运动轨迹特征标注为车辆轨迹原始节点，以构建车辆轨迹原始节点图，从而获得至少一条轨迹；
[0027]以及，将不满预定尺寸的所述车辆运动轨迹特征以预定标志数填充，通过1
×
T的掩码，记录标注预定标志数的所述车辆运动轨迹特征，并与轨迹张量连接后，形成3
×
T的张量，其中T表示所述预定尺寸。
[0028]在其中一个实施例中，所述第二编码器包括图卷积神经网络结构和第一多层感知机；
[0029]所述通过第二编码器对所述地图节点数据进行特征编码处理，以获得车道节点编码信息的步骤，包括：
[0030]通过所述图卷积神经网络结构对所述地图节点数据进行特征提取处理，以获得车道节点特征；
[0031]通过第一多层感知机对所述车道节点特征进行参数化运算，以获得车道节点特征参数；
[0032]利用矩阵幂对各所述车道节点特征参数以及相邻所述车道节点特征参数进行扩
张图卷积运算，以获得长距离依赖的所述车道节点编码信息。
[0033]在其中一个实施例中，所述融合网络结构包括：对应于车辆到车道、车道到车道、车道到车辆以及车辆到车辆的多个特征融合子网络；
[0034]所述通过融合网络对所述车辆轨迹编码信息和车道节点编码信息进行特征融合处理，以获得融合道路与车辆信息的全局性编码信息的步骤，包括：
[0035]获取所述车辆轨迹编码信息和车道节点编码信息；
[0036]通过所述车道到车道所对应的特征融合子网络，更新所述车道节点编码信息；
[0037]通过所述车辆到车道、车道到车辆和车辆到车辆所对应的特征融合子网络，分别利用空间注意力，对所述车辆轨迹编码信息和所述车道节点编码信息中的道路和车辆、车辆和车辆进行信息传递与聚合，以获得融合了道路与车辆信息的全局性编码信息。
[0038]在其中一个实施例中，所述对车辆源数据进行全局性特征编码处理，以获得包括车辆和车道信息的全局性编码信息的步骤，包括：
[0039]将所述车辆源数据分割为若干局部区域，以获得局部区域中的轨迹段、车道段以及相应的坐标，并根据坐标计算车辆与车辆、车辆与车道之间的交互向量；
[0040]利用交叉注意力网络结构，对交互向量进行向量旋转，计算获得任一车辆的局部编码信息；
[0041]将车辆与本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种车辆意图识别方法，其特征在于，所述方法包括：获取车辆源数据；对所述车辆源数据进行全局性特征编码处理，以获得包括车辆和车道信息的全局性编码信息；通过预设的变道预测模型，对所述全局性编码信息进行变道轨迹预测，获得变道轨迹，并对所述变道轨迹及其状态进行意图预测评分计算，以根据所述变道轨迹的意图预测评分，识别车辆变道意图。2.根据权利要求1所述的车辆意图识别方法，其特征在于，所述对所述车辆源数据进行全局性特征编码处理，以获得包括车辆和车道信息的全局性编码信息的步骤，包括：通过对应编码器对所述车辆源数据进行特征编码处理，以获得车辆轨迹编码信息和车道节点编码信息；通过融合网络结构对所述车辆轨迹编码信息和车道节点编码信息进行特征融合处理，以获得融合车辆与车道信息的全局性编码信息。3.根据权利要求2所述的车辆意图识别方法，其特征在于，所述车辆源数据包括车辆历史轨迹数据和地图节点数据；所述通过对应编码器对所述车辆源数据进行特征编码处理，以获得车辆轨迹编码信息和车道节点编码信息的步骤，包括：通过第一编码器对所述车辆历史轨迹数据进行特征编码处理，以获得所述车辆轨迹编码信息；以及，通过第二编码器对所述地图节点数据进行特征编码处理，以获得所述车道节点编码信息。4.根据权利要求3所述的车辆意图识别方法，其特征在于，所述第一编码器包括一维卷积神经网络结构和特征金字塔网络结构；所述通过第一编码器对所述车辆历史轨迹数据进行特征编码处理，以获得所述车辆轨迹编码信息的步骤，包括：通过所述一维卷积神经网络结构对所述车辆历史轨迹数据进行特征提取，以获得若干包括空间和时间信息的车辆运动轨迹特征；通过所述特征金字塔网络结构融合多尺寸的所述车辆运动轨迹特征，以获得对应于所述车辆运动轨迹特征的张量，以作为所述车辆轨迹编码信息。5.根据权利要求4所述的车辆意图识别方法，其特征在于，所述通过一维卷积神经网络结构对所述车辆历史轨迹数据进行特征提取，以获得若干包括空间和时间信息的车辆运动轨迹特征的步骤，包括：利用残差网络结构的残差块作为所述一维卷积神经网络结构的基本网络单元，以便若干组所述一维卷积神经网络结构中的多个所述残差块对所述车辆历史轨迹数据进行特征提取，以获得若干所述车辆运动轨迹特征。6.根据权利要求5所述的车辆意图识别方法，其特征在于，所述通过所述特征金字塔网络结构融合多尺寸的所述车辆运动轨迹特征，以获得对应于所述车辆运动轨迹特征的张量的步骤，包括：获取所述一维卷积神经网络结构输出的若干车辆运动轨迹特征；
将预定尺寸的车辆运动轨迹特征标注为车辆轨迹原始节点，以构建车辆轨迹原始节点图，从而获得至少一条轨迹；以及，将不满预定尺寸的所述车辆运动轨迹特征以预定标志数填充，通过1
×
T的掩码，记录标注预定标志数的所述车辆运动轨迹特征，并与轨迹张量连接后，形成3
×
T的张量，其中T表示所述预定尺寸。7.根据权利要求3所述的车辆意图识别方法，其特征在于，所述第二编码器包括图卷积神经网络结构和第一多层感知机；所述通过第二编码器对所述地图节点数据进行特征编码处理，以获得车道节点...
【专利技术属性】
技术研发人员：黄萌，宋永康，万烨星，邓捷，
申请(专利权)人：武汉路特斯科技有限公司，
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。