一种基于博弈论的无信号右转交叉口行人轨迹预测方法技术

本发明专利技术属于行人轨迹预测技术领域，尤其涉及一种基于博弈论的无信号右转交叉口行人轨迹预测方法，包括以下步骤：S1、获取行人及车辆在无信号右转交叉口的历史数据；S2、分析无信号右转交叉口的人车博弈因素，构建对应的人车博弈模型；S3、将人车博弈模型插入到预设的S

【技术实现步骤摘要】
一种基于博弈论的无信号右转交叉口行人轨迹预测方法


[0001]本专利技术属于行人轨迹预测
，尤其涉及一种基于博弈论的无信号右转交叉口行人轨迹预测方法。

技术介绍

[0002]在辅助驾驶领域，车辆过路口时的通过效率及安全性是非常重要的考量因素。在存在红绿灯的路口处，由于有红绿灯的指示，只需要跟着红绿灯的指示进行自动驾驶或辅助驾驶即可，人车冲突发生概率较低。
[0003]但是，在那些不存在红绿灯的特殊路口，如无信号右转交叉口，人车之间的相互关系变得尤为复杂，两者的行为既充满着不确定性又充满着联系，双方往往被多个不确定因素所影响，例如双方性格、环境因素等等。车辆通过无信号右转交叉路口时右转向并不需要接受交通信号的控制，右转机动车的随意行驶和不同方向交通流的相互作用下对行人产生干扰，大幅提高了行人通行的危险性。针对行人方面，由于行人在无信号右转交叉口通行时，具有较强的随机性以及机动性，且不同行人之间的通行意图也有明显区别。仅靠驾驶员主观判断并不准确，无法降低人车交互风险。
[0004]因此，要兼顾辅助驾驶/自动驾驶时通过无信号右转交叉口的效率与安全性，就需要对无信号右转交叉路口中行人的轨迹进行准确的预测，也只有这样，才能保证无信号右转交叉口的辅助驾驶决策的有效性。目前，行人的轨迹预测主要分为基于模型驱动的预测和基于历史数据驱动的深度学习预测。模型驱动包括社会力模型、马尔科夫模型、卡尔曼滤波模型等。由于深度学习可以较好的解决模型驱动预测方法的一些不足，使得基于历史数据驱动的深度学习预测逐渐成为了主流研究方向。例如，用于辅助驾驶的S
‑
GAN模型(即Social
‑
GAN，社会生成对抗网络)，便在深度学习预测的基础上，加入了人车互动博弈的思想。
[0005]博弈论是现代数学的一个重要分支，用于研究双方或多个对象作为玩家，在相互影响的状态下进行决策的一个过程。博弈论的出现对于分析合作和竞争状态以及相互决策得失提供了一种精准的视角。但是，现有的关于交通路口的人车冲突的研究中，人车博弈思想的用途都集中在人车冲突安全性、通行风格、交互行为等研究。加入博弈思想对人车冲突中的各种风险因素分析，特别是对行人的轨迹预测的方式却几乎没有。而在实际交互场景中，人车交互是一个动态变化的过程，需要结合运动因素及宏观博弈决策。这就导致，现有研究的准确性都普遍有待提高，难以用于实际的无信号右转交叉口的辅助驾驶决策。
[0006]综上，怎样才能保证对无信号右转交叉口的行人轨迹的预测准确性，从而保证无信号右转交叉口的辅助驾驶决策的有效性，实现兼顾车辆通过无信号右转交叉口的效率及安全性，成为目前亟待解决的问题。

技术实现思路

[0007]针对上述现有技术的不足，本专利技术提供了一种基于博弈论的无信号右转交叉口行
人轨迹预测方法，可以保证对无信号右转交叉口的行人轨迹的预测准确性，保证无信号右转交叉口的辅助驾驶决策的有效性，从而兼顾车辆通过无信号右转交叉口的效率及安全性。
[0008]为了解决上述技术问题，本专利技术采用了如下的技术方案：
[0009]一种基于博弈论的无信号右转交叉口行人轨迹预测方法，包括以下步骤：
[0010]S1、获取行人及车辆在无信号右转交叉口的历史数据；
[0011]S2、分析无信号右转交叉口的人车博弈因素，构建对应的人车博弈模型；
[0012]S3、将人车博弈模型插入到预设的S
‑
GAN模型中，得到SDG
‑
GAN模型，用于对行人的轨迹进行预测；
[0013]S4、使用S1获取的历史数据，对SDG
‑
GAN模型进行训练；
[0014]S5、使用训练好的SDG
‑
GAN模型对无信号右转交叉口的行人轨迹进行实时预测。
[0015]优选地，S2中，人车博弈模型的构建过程包括：
[0016]S21、划分博弈阶段，设计观察区域和冲突区域，行人与车辆一旦进入观察区域则认定博弈开始；并利用后侵入时间来表征人车冲突的危险程度，所述后侵入时间为行人及车辆进入冲突区域的时间差，后侵入时间越短则危险程度越高；
[0017]S22、基于行人与车辆在博弈中的决策策略，构建人车博弈支付矩阵；所述决策策略包括行人车辆同时通行、行人等待车辆通行、行人通行车辆等待以及行人车辆同时等待；
[0018]S23、基于人车博弈支付矩阵的特征，得到人车博弈模型的期望函数及对应的损失函数；
[0019]S24、基于S23得到的期望函数及损失函数，构建人车博弈模型。
[0020]优选地，S22中，当行人车辆同时通行时，
[0021]行人的支付函数为：
[0022]车辆的支付函数为：
[0023]其中，v
v
表示行人通过速度、a
v
表示行人加速度v
p
表示车辆通过速度、a
p
表示车辆加速度、α1表示车辆的速度与加速度的共同影响因子、α2表示行人的速度与加速度的共同影响因子、σ
v
表示车辆的碰撞严重程度因子、σ
p
表示行人的碰撞严重程度因子，且：
[0024][0025][0026]当行人等待车辆通行时，行人的支付函数为：
[0027]式中，α4为通过时的等待抑制系数，t
p
为行人等待时间；
[0028]车辆的支付函数为：
[0029]式中，α3为通过时的速度激励系数；
[0030]当行人通行车辆等待时，行人的支付函数为：
[0031]式中，α3为通过时的速度激励系数，v
p
为行人通过速度；
[0032]车辆的支付函数为：
[0033]式中，α4为通过时的等待抑制系数，t
v
为车辆等待时间，0.75s为驾驶员反应时间；
[0034]当行人车辆同时等待时，行人的支付函数为
[0035]车辆的支付函数为
[0036]其中，α5为共同损失下车辆的等待抑制系数；α6为共同损失下行人的等待抑制系数；k为双方的后悔度因子，后悔因子与等待过程中的起步加速度相关联，表征对采取等待策略的后悔度，起步加速度越大则后悔程度越大；
[0037]人车博弈支付矩阵为：
[0038][0039]优选地，S23中，所述期望函数为车辆通过行择等待及行人通过车辆等待的混合优势策略的纳什均衡点时，车辆与行人双方的混合期望收益；
[0040]其中，当车辆选择通过时的期望收益为：
[0041]其中，表示行人通过的概率、为行人等待的概率；
[0042]当车辆选择等待时的期望收益为：
[0043][0044]对行人的纯策略收益进行分析，行人通过时的期望收益为：
[0045]其中，表示车辆通过的概率、表示车辆等待的概率；
[0046]当行人选择等待时的期望收益为：
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于博弈论的无信号右转交叉口行人轨迹预测方法，其特征在于，包括以下步骤：S1、获取行人及车辆在无信号右转交叉口的历史数据；S2、分析无信号右转交叉口的人车博弈因素，构建对应的人车博弈模型；S3、将人车博弈模型插入到预设的S
‑
GAN模型中，得到SDG
‑
GAN模型，用于对行人的轨迹进行预测；S4、使用S1获取的历史数据，对SDG
‑
GAN模型进行训练；S5、使用训练好的SDG
‑
GAN模型对无信号右转交叉口的行人轨迹进行实时预测。2.如权利要求1所述的基于博弈论的无信号右转交叉口行人轨迹预测方法，其特征在于：S2中，人车博弈模型的构建过程包括：S21、划分博弈阶段，设计观察区域和冲突区域，行人与车辆一旦进入观察区域则认定博弈开始；并利用后侵入时间来表征人车冲突的危险程度，所述后侵入时间为行人及车辆进入冲突区域的时间差，后侵入时间越短则危险程度越高；S22、基于行人与车辆在博弈中的决策策略，构建人车博弈支付矩阵；所述决策策略包括行人车辆同时通行、行人等待车辆通行、行人通行车辆等待以及行人车辆同时等待；S23、基于人车博弈支付矩阵的特征，得到人车博弈模型的期望函数及对应的损失函数；S24、基于S23得到的期望函数及损失函数，构建人车博弈模型。3.如权利要求2所述的基于博弈论的无信号右转交叉口行人轨迹预测方法，其特征在于：S22中，当行人车辆同时通行时，行人的支付函数为：车辆的支付函数为：其中，v
v
表示行人通过速度、a
v
表示行人加速度v
p
表示车辆通过速度、a
p
表示车辆加速度、α1表示车辆的速度与加速度的共同影响因子、α2表示行人的速度与加速度的共同影响因子、σ
v
表示车辆的碰撞严重程度因子、σ
p
表示行人的碰撞严重程度因子，且：表示行人的碰撞严重程度因子，且：当行人等待车辆通行时，行人的支付函数为：式中，α4为通过时的等待抑制系数，t
p
为行人等待时间；车辆的支付函数为：式中，α3为通过时的速度激励系数；当行人通行车辆等待时，行人的支付函数为：
式中，α3为通过时的速度激励系数，v
p
为行人通过速度；车辆的支付函数为：式中，α4为通过时的等待抑制系数，t
v
为车辆等待时间，0.75s为驾驶员反应时间；当行人车辆同时等待时，行人的支付函数为车辆的支付函数为其中，α5为共同损失下车辆的等待抑制系数；α6为共同损失下行人的等待抑制系数；k为双方的后悔度因子，后悔因子与等待过程中的起步加速度相关联，表征对采取等待策略的后悔度，起步加速度越大则后悔程度越大；人车博弈支付矩阵为：4.如权利要求3所述的基于博弈论的无信号右转交叉口行人轨迹预测方法，其特征在于：S23中，所述期望函数为车辆通过行人选择等待及行人通过车辆选择等待的混合优势策略的纳什均衡点时，车辆与行人双方的混合期望收益；其中，当车辆选择通过时的期望收益为：其中，表示行人通过的概率、为行人等待的概率；当车辆选择等待时的期望收益为：对行人的纯策略收益进行分析，行人通过时的期望收益为：其中，表示车辆通过的概率、表示车辆等待的概率；当行人选择等待时的期望收益为：当车辆的通过期望收益与等待期望收益相同时纳什均衡出现，行人的通过与等待的概率组合如下所示：
当行人的通过期望收益与等待期望收益相同时纳什均衡出现，车辆的通过与等待的概率组合如下所示：与等待的概率组合如下所示：5.如权利要求4所述的基于博弈论的无信号右转交叉口行人轨迹预测方法，其特征在于：SDG
‑
GAN模型对行人的轨迹进行预测时，对行人轨迹定义为在时间序列下的二维坐标位置变化，对行人u在t时刻下的坐标为车辆j在t时刻下的坐标为行人u从1到to内每个步长的历史轨迹集合X
u
为：式中，1～to为行人历史轨迹的观测帧，to为观测帧长度；行人u从to+1到t
p
内每个步长的预测轨迹集合为：式中，to+1～to+t
p
为行人历史轨迹的预测帧，t
p
为预测帧长度；行人u从to+1到t
p
内每个步长的真实历史轨迹集合Y
u
为：行人u从1到t
p
内的真实历史轨迹与预测生成轨迹分别为[X
u
,Y
u
]和6.如权利要求5所述的基于博弈论的无信号右转交叉口行人轨迹预测方法，其特征在于：S3...

【专利技术属性】
技术研发人员：李文礼，唐远航，张祎楠，龚小豪，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：