【技术实现步骤摘要】
本专利技术涉及车辆安全驾驶领域，特别是涉及一种无监督的快速路交织区换道行为模式提取方法。
技术介绍
1、交织区是城市快速路的重要组成部分，承担着车辆分合流的关键作用。然而，由于该区域不同车速车流相互交织行驶，交互作用非常复杂，使得驾驶员在驾驶过程中承受了更大的压力和工作量，这也导致了较为严重的安全问题。该区域内换道类型多样，且冲突性换道行为频繁发生，是该区域事故高发的主要原因之一。特别是在目前自动驾驶技术高速发展时期，未来的交通流将在很长一段时间内处于人机混行的状态，这无疑会加剧交织区车辆运行环境的复杂度和风险状态。因此，准确理解和识别周围车辆的换道行为对于自动驾驶车辆避免碰撞至关重要。
2、目前，大多数研究采用基于规则或基于人工智能算法的方法预测换道行为，以车辆操作行为、车辆运动状态和驾驶条件等作为输入参数，预测换道行为模式。但这些方法具有计算量大且难以解释换道过程中驾驶行为的演变规律的缺点，并且此种方法高度依赖模型训练的数据集。此外，在快速路交织区中，车辆需要在给定的距离完成换道，其换道模式与基本路段存在很大的差异性，目前缺少此方面的研究。因此，本专利技术提出了一种无监督的快速路交织区换道行为模式提取方法，综合考虑换道车辆自身运动状态，其与周围车辆的相互作用关系，以及驾驶行为风险特征，建立了驾驶行为模式提取模型框架，能够应用于多种换道轨迹数据集，剖析换道行为模式，这将有助于扩展自动驾驶系统在交织区复杂环境下的先验知识，为自动驾驶车辆的行为预测、安全驾驶决策过程提供支持。
技术实现思路<
1、针对快速路交织区换道行为复杂、高风险、难预测、未深度解析的问题，本专利技术提供了一种无监督的快速路交织区换道行为模式提取方法。综合考虑换道车辆自身运动状态，其与周围车辆的相互作用关系，以及驾驶行为风险特征，建立了驾驶行为模式提取模型框架，有助于扩展自动驾驶系统在交织区复杂环境下的先验知识，为自动驾驶车辆的安全驾驶决策过程提供支持。
2、为了实现上述目的，本申请实施例提供的技术方案如下：
3、步骤1：根据换道属性从轨迹数据中提取典型换道行为。
4、步骤2：提取换道行为特征参数。
5、步骤3：利用hdp-hsmm(hierarchical dirichlet process-hidden semi-markovmodel，层次狄利克雷过程-隐式半马尔可夫模型)划分驾驶行为基元。
6、步骤4：利用gmm-lda(gaussian mixture models-latent dirichletallocation，隐含狄利克雷分布-高斯混合模型)对驾驶行为基元进行聚类，获得驾驶行为模式，进而可获得典型换道行为的模式序列。
7、进一步的，所述步骤1中换道属性指换道方向、换道连续性；根据换道属性不同，典型换道行为包括向左换道、向右换道、连续同方向向左换道、连续同方向向右换道、连续不同方向换道(先向左再向右，或先向右再向左)。
8、进一步的，所述步骤1中轨迹数据是指车辆位置坐标时序数据及其衍生数据集，包括车辆位置、速度、加速度、航向角。
9、进一步的，所述步骤2中换道行为特征参数包括速度、加速度、横向加速度、航向角变化量、风险指数。其中，风险指数表示换道自车与周围车辆发生事故风险的程度，用ttc(time-to-collision，碰撞时间)值计算。由于换道自车与周围车辆(同车道前车、换道目标车道前后车)均可能存在事故风险，即存在多个ttc值；但实际中一旦换道自车与某一周围车辆存在风险，则表明该换道行为存在风险。因此采用ttcmin(最小ttc值)表示换道行为的风险指数。具体计算如下：
10、
11、
12、其中，ttclead表示换道自车与前车的ttc值，ttclag表示换道自车与后车的ttc值。表明车辆位置，i＝{ego,lead,lag}，分别表示自车、前车、后车，j＝{headx,heady,tailx,taily,box1x,box1y,box2x,box2y,box3x,box3y,box4x,box4y}；其中，head表示车辆的车头，tail表示车辆的车尾，box1-4分别表示车辆的四个边框顶点，这些顶点从车辆的左前方开始顺时针排序。x表示纵向位置坐标，y表示横向位置坐标。condition1是指“前车与自车同车道”，condition2是指“前车在自车左侧相邻车道”，condition3是指“前车在自车右侧相邻车道”。ttc值为正值时表明有发生碰撞风险的可能。当ttcmin<4s时，说明在这种情况下车辆换道处于风险状态。
13、进一步的，所述步骤3中利用hdp-hsmm模型可依据车辆换道行为特征参数，将车辆行驶轨迹分割为时间序列片段，即驾驶行为基元。
14、进一步的，所述步骤4中驾驶行为模式是指具有表现出同质性特征的驾驶行为基元集合。
15、本专利技术提供一种无监督的快速路交织区换道行为模式提取方法，包括以下优点：
16、特征参数考虑全面、模型运行无需先验知识、实用性强、计算简单。本专利技术综合考虑换道车辆自身运动状态，其与周围车辆的相互作用关系，以及驾驶行为风险特征，建立了行为模式提取模型，有助于扩展自动驾驶系统在交织区复杂环境下的先验知识，为自动驾驶车辆的安全驾驶决策过程提供支持。
本文档来自技高网...【技术保护点】
1.一种无监督的快速路交织区换道行为模式提取方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的无监督的快速路交织区换道行为模式提取方法，其特征在于：步骤1中换道属性指换道方向、换道连续性；根据换道属性不同，典型换道行为包括向左换道、向右换道、连续同方向向左换道、连续同方向向右换道、连续不同方向换道。
3.根据权利要求1所述的无监督的快速路交织区换道行为模式提取方法，其特征在于：步骤1中轨迹数据是指车辆位置坐标时序数据及其衍生数据集，包括车辆位置、速度、加速度、航向角。
4.根据权利要求1所述的无监督的快速路交织区换道行为模式提取方法，其特征在于：步骤2中换道行为特征参数包括速度、加速度、横向加速度、航向角变化量、风险指数；其中，风险指数表示换道自车与周围车辆发生事故风险的程度，用碰撞时间TTC的值计算；一旦换道自车与某一周围车辆存在风险，则表明该换道行为存在风险；采用最小TTC值即TTCmin表示换道行为的风险指数；具体计算如下：
5.根据权利要求1所述的无监督的快速路交织区换道行为模式提取方法，其特征在于：步骤3中利
6.根据权利要求1所述的无监督的快速路交织区换道行为模式提取方法，其特征在于：步骤4中，驾驶行为模式是指具有表现出同质性特征的驾驶行为基元集合。
...【技术特征摘要】
1.一种无监督的快速路交织区换道行为模式提取方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的无监督的快速路交织区换道行为模式提取方法，其特征在于：步骤1中换道属性指换道方向、换道连续性；根据换道属性不同，典型换道行为包括向左换道、向右换道、连续同方向向左换道、连续同方向向右换道、连续不同方向换道。
3.根据权利要求1所述的无监督的快速路交织区换道行为模式提取方法，其特征在于：步骤1中轨迹数据是指车辆位置坐标时序数据及其衍生数据集，包括车辆位置、速度、加速度、航向角。
4.根据权利要求1所述的无监督的快速路交织区换道行为模式提取方法，其特征在于：步骤2中换道行为特征参数...
【专利技术属性】
技术研发人员：顾欣，王坤，郭音伽，李昀轩，陈艳艳，凌帅，
申请(专利权)人：北京工业大学，
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。