【技术实现步骤摘要】
本专利技术涉及深度学习，更具体地说，它涉及一种基于深度学习的车辆驾驶行为预测方法及系统。
技术介绍
1、车辆驾驶行为是指驾驶员在驾驶过程中的行为特征，当前车辆的驾驶行为通常受到其他车辆的驾驶行为、道路环境和交通政策等因素影响，研究车辆驾驶行为旨在提高驾驶员在驾驶过程中的安全性。
2、公开号为cn116959260b，专利名称为一种基于图神经网络的多车辆驾驶行为预测方法的中国专利公开了：以交通参与者为节点，交通参与者之间的距离为边，每个交通参与者的横向位置、纵向位置、横向速度、纵向速度以及所在车道信息作为该节点的特征值来构建图结构数据，并输入到图神经网络模型中进行特征更新，再将每个交通参与者的更新特征输入到lstm(长短期记忆神经网络模型)中，输出连接两个softmax分类器，第一分类器的分类空间表示每个交通参与者下一个时间点发生横向驾驶行为(左转、右转、直行)的概率，第二分类器的分类空间表示每个交通参与者下一个时间点发生纵向驾驶行为(加速、减速、匀速)的概率。
3、上述方案中通过图神经网络模型结合长短期记忆神经网络模型预测了每个交通参与者的驾驶行为，然而驾驶员在驾驶过程中通常只需要考虑周围最邻近的车辆的驾驶行为，例如前方车辆紧急刹车，当前车辆为了避免发生碰撞，当前车辆的驾驶员也要采取刹车措施等；此外，上述方案缺乏对道路环境和交通政策的语义理解，导致其预测精度不高。
技术实现思路
1、本专利技术提供一种基于深度学习的车辆驾驶行为预测方法及系统，解决上述
技术介绍
2、本专利技术提供了一种基于深度学习的车辆驾驶行为预测方法，包括以下步骤：步骤s101，以当前车辆的位置为中心，第一预设距离h为半径生成数据采集范围；
3、步骤s102，在预设采集时间段t内，按照预设时间间隔t采集数据采集范围内所有交通参与者的移动数据，并生成每个交通参与者的移动特征；
4、第i个交通参与者的移动特征表示为：
5、其中n＝t/t，分别表示第1个时间区间到第n个时间区间的第i个交通参与者的移动数据；其中分别表示第n个时间区间的第i个交通参与者的唯一编号、起始坐标、终止坐标、长度、宽度、交通参与者类型、瞬时速度、瞬时加速度、车道线数据、信号灯数据和高清地图数据；以每个交通参与者为中心，以第二预设距离为半径生成每个交通参与者的高清地图数据，所述第二预设距离远小于第一预设距离，第二预设距离的默认值为10米；
6、步骤s103，基于每个交通参与者的移动特征构建图网络数据，将图网络数据输入到轨迹预测模型中，输出的值表示当前车辆的周围最邻近的k个交通参与者的下一个时间段n的行驶轨迹；下一个时间段n的行驶轨迹通过m个时间区间的起始坐标和终止坐标来表示，其中m＝n/t；
7、步骤s104，根据当前车辆的周围最邻近的k个交通参与者的下一个时间段n的行驶轨迹生成驾驶行为；驾驶行为包括：纵向驾驶行为和横向驾驶行为；纵向驾驶行为包括：加速行驶、减速行驶和匀速行驶；横向驾驶行为包括：左转、右转和直行；
8、步骤s105，根据当前车辆的周围最邻近的k个交通参与者的驾驶行为生成预警信息发送给当前车辆；生成预警信息的条件包括：当前车辆的正前方的交通参与者减速行驶；当前车辆的正后方的交通参与者加速行驶；当前车辆的正左方的交通参与者右转；当前车辆的正右方的交通参与者左转。
9、进一步地，h、t、t、k和n均为自定义参数，其中第一预设距离h的默认值为100米，预设采集时间段t的默认值为3秒，预设时间间隔t的默认值为0.2秒，则时间区间的数量n为15，k的默认值为4，n的默认值为2秒，则m等于10。
10、进一步地，交通参与者类型属于交通参与者类型集合，交通参与者类型集合表示为：b＝{b1…b3}，其中b1…b3分别表示交通参与者类型为机动车、非机动车和行人，交通参与者类型集合的元素值通过正整数表示；交通参与者的车道线数据通过交通参与者所在车道线类型表示，车道线类型属于车道线类型集合，车道线类型集合表示为：c＝{c1…c3}，c1…c3分别表示车道线类型为左转道路线、右转道路线和直行道路线，车道线类型集合的元素值通过正整数表示；交通参与者的信号灯数据通过每个交通参与者的最前方的交通信号灯是否为绿灯来表示，其中1表示前方的交通信号灯为绿灯，0表示前方的交通信号灯不是绿灯。
11、进一步地，以每个交通参与者的第n个时间区间的终止坐标为原点，每个交通参与者的朝向为纵轴，朝向的垂直方向为横轴构建二维坐标系，再将每个交通参与者的其他时间区间的起始坐标和终止坐标统一到二维坐标系中，即每个交通参与者对应一个二维坐标系。
12、进一步地，图网络数据包括：顶点、顶点的初始特征和顶点之间的边；
13、顶点与每个交通参与者建立映射关系；
14、顶点之间的边包括：在每个交通参与者的高清地图数据的范围内出现的所有交通参与者之间全连接；
15、顶点的初始特征基于交通参与者的移动特征生成；
16、构建顶点的初始特征包括以下步骤：
17、步骤s201，通过卷积神经网络模型对交通参与者的移动特征中每个时间区间的高清地图数据进行特征提取获得特征图；
18、步骤s202，将特征图依次展开获得特征向量；
19、步骤s203，将特征向量与交通参与者的移动特征中的每个时间区间的其余元素值进行拼接获得顶点的初始特征。
20、进一步地，轨迹预测模型包括：第一隐藏层、逻辑层、提取层和第二隐藏层；
21、第一隐藏层输入图网络数据，输出图更新矩阵，图更新矩阵的一个行向量对应一个顶点的更新特征；
22、逻辑层用于通过欧式距离计算公式获得与当前车辆的欧式距离最小的正前方、正后方、正左方和正右方的k个交通参与者；
23、提取层用于提取图更新矩中与当前车辆以及k个交通参与者存在映射关系的顶点的更新特征；
24、第二隐藏层包括k+1个隐藏单元，每个隐藏单元依次输入k+1个顶点的更新特征，每个隐藏单元输出的隐藏状态输入到第三分类器，第三分类器的分类空间表示当前车辆的周围最邻近的k个交通参与者的下一个时间段n的行驶轨迹。
25、进一步地，第一隐藏层的计算公式包括：
26、图更新矩阵z的计算公式如下：
27、其中表示第e个顶点的更新特征，pile表示堆叠操作；
28、第e个顶点的更新特征的计算公式如下：
29、
30、其中ne表示与第e个顶点存在边连接的邻居顶点的集合，αef表示第e个顶点与第f个顶点之间的归一化注意力分数，uef表示第e个顶点与第f个顶点之间的权重参数，yf表示第e个顶点的初始特征，sigmoid表示sigmoid激活函数；
31、第e个顶点与第f个顶点之间的归一化注意力分数αef的计算公式如下：
32、
33、其中ne表示与第本文档来自技高网...
【技术保护点】
1.一种基于深度学习的车辆驾驶行为预测方法，其特征在于，包括以下步骤：步骤S101，以当前车辆的位置为中心，第一预设距离H为半径生成数据采集范围；
2.根据权利要求1所述的一种基于深度学习的车辆驾驶行为预测方法，其特征在于，H、T、t、K和N均为自定义参数，其中第一预设距离H的默认值为100米，预设采集时间段T的默认值为3秒，预设时间间隔t的默认值为0.2秒，则时间区间的数量n为15，K的默认值为4，N的默认值为2秒，则M等于10。
3.根据权利要求1所述的一种基于深度学习的车辆驾驶行为预测方法，其特征在于，交通参与者类型属于交通参与者类型集合，交通参与者类型集合表示为：B＝{b1…b3}，其中b1…b3分别表示交通参与者类型为机动车、非机动车和行人，交通参与者类型集合的元素值通过正整数表示；交通参与者的车道线数据通过交通参与者所在车道线类型表示，车道线类型属于车道线类型集合，车道线类型集合表示为：C＝{c1…c3}，c1…c3分别表示车道线类型为左转道路线、右转道路线和直行道路线，车道线类型集合的元素值通过正整数表示；交通参与者的信号灯数据通过每个交通参
4.根据权利要求1所述的一种基于深度学习的车辆驾驶行为预测方法，其特征在于，以每个交通参与者的第n个时间区间的终止坐标为原点，每个交通参与者的朝向为纵轴，朝向的垂直方向为横轴构建二维坐标系，再将每个交通参与者的其他时间区间的起始坐标和终止坐标统一到二维坐标系中，即每个交通参与者对应一个二维坐标系。
5.根据权利要求1所述的一种基于深度学习的车辆驾驶行为预测方法，其特征在于，图网络数据包括：顶点、顶点的初始特征和顶点之间的边；
6.根据权利要求5所述的一种基于深度学习的车辆驾驶行为预测方法，其特征在于，轨迹预测模型包括：第一隐藏层、逻辑层、提取层和第二隐藏层；
7.根据权利要求6所述的一种基于深度学习的车辆驾驶行为预测方法，其特征在于，第一隐藏层的计算公式包括：
8.根据权利要求6所述的一种基于深度学习的车辆驾驶行为预测方法，其特征在于，第二隐藏层的计算公式包括：
9.根据权利要求1所述的一种基于深度学习的车辆驾驶行为预测方法，其特征在于，根据行驶轨迹生成驾驶行为包括以下步骤：
10.一种基于深度学习的车辆驾驶行为预测系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于深度学习的车辆驾驶行为预测方法，其特征在于，包括以下步骤：步骤s101，以当前车辆的位置为中心，第一预设距离h为半径生成数据采集范围；
2.根据权利要求1所述的一种基于深度学习的车辆驾驶行为预测方法，其特征在于，h、t、t、k和n均为自定义参数，其中第一预设距离h的默认值为100米，预设采集时间段t的默认值为3秒，预设时间间隔t的默认值为0.2秒，则时间区间的数量n为15，k的默认值为4，n的默认值为2秒，则m等于10。
3.根据权利要求1所述的一种基于深度学习的车辆驾驶行为预测方法，其特征在于，交通参与者类型属于交通参与者类型集合，交通参与者类型集合表示为：b＝{b1…b3}，其中b1…b3分别表示交通参与者类型为机动车、非机动车和行人，交通参与者类型集合的元素值通过正整数表示；交通参与者的车道线数据通过交通参与者所在车道线类型表示，车道线类型属于车道线类型集合，车道线类型集合表示为：c＝{c1…c3}，c1…c3分别表示车道线类型为左转道路线、右转道路线和直行道路线，车道线类型集合的元素值通过正整数表示；交通参与者的信号灯数据通过每个交通参与者的最前方的交通信号灯是否为绿灯来表示，其中1表示前方的交通信号灯为绿灯，0...
【专利技术属性】
技术研发人员：邓先宇，
申请(专利权)人：重庆博尼施科技有限公司，
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。