一种基于V2I的交叉路口车辆行为预测系统及方法技术方案

本发明专利技术公开了一种基于V2I的交叉路口车辆行为预测系统及方法，属于车联网领域。包括有：路侧感知设备Sensor、边缘计算设备MEC、路侧单元RSU、自车HV，所述路侧感知设备Sensor、边缘计算设备MEC、路侧单元RSU、自车HV依次连接。相比于现有技术，本发明专利技术的有益效果是：基于V2X通信实现驾驶意图共享，将自车感知与路侧感知相结合，提高预测的准确度，降低计算量和硬件资源要求；其次，本预测方法在无目标的历史运动轨迹的数据的情况下也可以实现目标轨迹的预测，能够降低对目标的历史运动轨迹的依赖。能够降低对目标的历史运动轨迹的依赖。能够降低对目标的历史运动轨迹的依赖。

【技术实现步骤摘要】
一种基于V2I的交叉路口车辆行为预测系统及方法

：
[0001]本专利技术属于车联网领域，具体涉及一种基于V2I的交叉路口车辆行为预测系统及方法。

技术介绍
：
[0002]随着科学技术的不断进步，以计算机技术和自动化技术为主的智能控制技术获得了飞速的发展，因此，近年来无人驾驶类的智能汽车的研究已经成为最为关注的课题之一。
[0003]行为预测是无人驾驶系统的核心模块之一，负责对感知到的运动目标进行意图预测和轨迹预测，判断周围车辆的驾驶意图，以保障无人驾驶系统的行驶安全。
[0004]现有的行为预测技术主要是通过采用传统的车载感知设备接收目标的历史运动轨迹信息，基于目标的历史运动轨迹、道路环境约束等多重因素，采用深度学习的算法模型对目标行为进行预测，会存在以下几个问题：
[0005]1、若无目标的历史运动轨迹的数据，预测难度将会变得很大。
[0006]2、基于自车的算法模型来判断目标的驾驶意图，预测模型的选取，将会直接影响预测的准确度，间接地存在准确度不稳定的情况出现。
[0007]3、单车预测模型计算量大，对预测系统的硬件资源要求高。

技术实现思路

[0008]为解决上述问题，本专利技术的首要目的在于提供一种基于V2I的交叉路口车辆行为预测系统及方法，基于V2X通信实现驾驶意图共享，将自车感知与路侧感知相结合，提高预测的准确度，降低计算量和硬件资源要求，降低对目标的历史运动轨迹的依赖。
[0009]为实现上述目的，本专利技术的技术方案如下：
[0010]一种基于V2I的交叉路口车辆行为预测方法，该系统包括有：路侧感知设备Sensor、边缘计算设备MEC、路侧单元RSU、自车HV，所述路侧感知设备Sensor、边缘计算设备MEC、路侧单元RSU、自车HV依次连接。
[0011]进一步地，自车HV上搭载有自车感知设备和V2X通信设备OBU，通过OBU与RSU进行实时通信。所述自车感知设备包括有摄像头、雷达、GPS。
[0012]进一步地，所述路侧感知设备包括有摄像头、雷达。
[0013]一种基于V2I的交叉路口车辆行为预测方法，该预测方法包括以下步骤：
[0014]S1：路侧感知设备将采集到目标车辆RV和周边其他目标的原始感知数据实时发送给MEC；
[0015]S2：MEC基于S1中的原始感知数据采用深度学习的多传感器融合感知方法感知RV和周边其他目标的目标信息；
[0016]S3：MEC根据RV的运动状态历史和周边其他目标的目标信息，结合高精度地图中的车道信息，采用基于语义地图的交叉路口预测模型，输出RV的每个意图的先验概率，预测RV的驾驶意图；
[0017]S4：MEC根据交叉路口地图数据，对RV每个意图进行轨迹采样，采样多条可能的运动轨迹，再通过考虑加速度和向心加速度的代价函数计算每条运动轨迹的代价，然后根据代价的大小筛选出每个意图中最为合理的轨迹，最后通过代价函数的似然估计，结合先验概率，计算一个后验概率，即得到最终的轨迹预测概率；
[0018]S5：MEC将包含意图预测概率、运动预测轨迹的RV目标信息通过RSU发送给自车HV；
[0019]S6：自车HV将MEC发送过来的路侧设备感知到的RV目标信息与自车感知设备感知到的多目标信息进行匹配，筛选出自身对RV的行为预测，根据RV距离、跟踪时长对路端的预测结果和车端的预测结果进行加权融合，计算出最终的RV行为预测结果，供HV的决策规划模块使用。
[0020]进一步地，步骤S2中，目标信息包括但不限于位置、速度、行驶方向、大小。
[0021]进一步地，步骤S2中，深度学习的多传感器融合感知方法的具体实现过程为：对多传感器感知到的目标数据进行时空对齐，采用匈牙利算法对多目标进行关联，并对关联后的数据通过卡尔曼滤波进行融合，最终实现多传感器感知数据的目标级融合。
[0022]进一步地，步骤S3中，基于语义地图的交叉路口预测模型为现有技术，取自于Apollo的障碍物行为预测技术。
[0023]进一步地，步骤S4中的代价函数、代价大小的筛选方式、后验概率的计算方式均为现有技术，取自于Apollo的障碍物行为预测技术。
[0024]进一步地，步骤S6中，HV的自车感知设备感知包括有摄像头、雷达、GPS。
[0025]进一步地，步骤S6中，加权融合的具体方式为：车辆RV在交叉路口的驾驶意图，包括直行、左转、右转、掉头共4种，行为预测的输出为4种意图的概率及其对应的行驶轨迹；
[0026]路端预测的直行概率P
rs
、左转概率P
rl
、右转概率P
rr
、掉头概率P
ru
，其中P
rs
+P
rl
+P
rr
+P
ru
＝1；
[0027]车端预测的直行概率P
vs
、直行概率P
vl
、右转概率P
vr
、掉头概率P
vu
，其中P
vs
+P
vl
+P
vr
+P
vu
＝1；
[0028]设路端的权重为W
r
，车端的权重为W
v
，其中W
r
+W
v
＝1；
[0029]对路端和车端的数据进行加权融合，计算融合后的概率：
[0030][0031]其中车端的权重W
v
的计算与车端的感知范围和跟踪时长有关，具体为：
[0032]根据HV的自车感知设备的感知范围和RV的位置，首先判断RV是否在自车感知设备的有效感知范围内：
[0033]若RV不在感知范围内，则权重的计算公式为：
[0034]若RV在感知范围内，通过自车感知设备的性能和安装位置计算出自车感知设备的最大有效感知距离为D
s
，通过RV的位置计算出RV和HV之间的距离为D
r
，权重的计算公式为：
[0035]相比于现有技术，本专利技术的有益效果是：基于V2X通信实现驾驶意图共享，将自车感知与路侧感知相结合，提高预测的准确度，降低计算量和硬件资源要求；其次，本预测方法在无目标的历史运动轨迹的数据的情况下也可以实现目标轨迹的预测，能够降低对目标的历史运动轨迹的依赖。
附图说明
[0036]图1是本专利技术的交叉路口的车辆行为预测系统示意图。
[0037]图2是本专利技术的系统工作流程图。
[0038]图3是本专利技术的HV的自车感知设备的感知范围图。
[0039]图4是本实施例的前视摄像头的感知范围图。
具体实施方式
[0040]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于V2I的交叉路口车辆行为预测系统，其特征在于，该系统包括有：路侧感知设备Sensor、边缘计算设备MEC、路侧单元RSU、自车HV，所述路侧感知设备Sensor、边缘计算设备MEC、路侧单元RSU、自车HV依次连接。2.如权利要求1所述的一种基于V2I的交叉路口车辆行为预测系统，其特征在于，自车HV上搭载有自车感知设备和V2X通信设备OBU，通过OBU与RSU进行实时通信。3.如权利要求1所述的一种基于V2I的交叉路口车辆行为预测系统，其特征在于，所述路侧感知设备包括有摄像头、雷达。4.一种基于V2I的交叉路口车辆行为预测方法，其特征在于，该预测方法包括以下步骤：S1：路侧感知设备将采集到目标车辆RV和周边其他目标的原始感知数据实时发送给MEC；S2：MEC基于S1中的原始感知数据采用深度学习的多传感器融合感知方法感知RV和周边其他目标的目标信息；S3：MEC根据RV的运动状态历史和周边其他目标的目标信息，结合高精度地图中的车道信息，采用基于语义地图的交叉路口预测模型，输出RV的每个意图的先验概率，预测RV的驾驶意图；S4：MEC根据交叉路口地图数据，对RV每个意图进行轨迹采样，采样多条可能的运动轨迹，再通过考虑加速度和向心加速度的代价函数计算每条运动轨迹的代价，然后根据代价的大小筛选出每个意图中最为合理的轨迹，最后通过代价函数的似然估计，结合先验概率，计算一个后验概率，即得到最终的轨迹预测概率；S5：MEC将包含意图预测概率、运动预测轨迹的RV目标信息通过RSU发送给自车HV；S6：自车HV将MEC发送过来的路侧设备感知到的RV目标信息与自车感知设备感知到的多目标信息进行匹配，筛选出自身对RV的行为预测，根据RV距离、跟踪时长对路端的预测结果和车端的预测结果进行加权融合，计算出最终的RV行为预测结果，供HV的决策规划模块使用。5.如权利要求4所述的一种基于V2I的交叉路口车辆行为预测方法，其特征在于，步骤S2中，目标信息包括但不限于位置、速度、行驶方向、大小。6.如权利要求4所述的一种基于V2I的交叉路口车辆行为预测方法，其特征在于，步骤S2中，深度学习的多传感器融合感知方法的具体实现过程为：对多传感器感知到的目标...

【专利技术属性】
技术研发人员：黄保姣，张盈盈，王龙翔，左益芳，
申请(专利权)人：信通院车联网创新中心成都有限公司，
类型：发明
国别省市：