【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。