[發(fā)明專利]一種基于BiLSTM周車換道意圖預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011593241.3
• 申請(qǐng)日: 2020-12-29
• 公開（公告）號(hào): CN112614373B
• 公開（公告）日: 2021-12-21
• 發(fā)明（設(shè)計(jì)）人: 郭景華;肖寶平;王靖瑤;王班;何智飛
• 申請(qǐng)（專利權(quán)）人: 廈門大學(xué);廈門大學(xué)深圳研究院
• 主分類號(hào): G08G1/0967
• 分類號(hào): G08G1/0967;G08G1/16;G06N3/04;G06N3/08
• 代理公司: 廈門南強(qiáng)之路專利事務(wù)所(普通合伙) 35200
• 代理人: 馬應(yīng)森

一種基于BiLSTM周車換道意圖預(yù)測(cè)方法，涉及智能車輛技術(shù)領(lǐng)域。包括以下步驟：1)換道意圖預(yù)測(cè)模型的離線訓(xùn)練過程：通過大規(guī)模真實(shí)駕駛場(chǎng)景的采集和處理構(gòu)建訓(xùn)練數(shù)據(jù)庫；然后訓(xùn)練換道意圖預(yù)測(cè)模型；2)換道意圖預(yù)測(cè)模型在線實(shí)時(shí)預(yù)測(cè)：在自車實(shí)時(shí)采集數(shù)據(jù)和數(shù)據(jù)預(yù)處理之后，用訓(xùn)練好的換道意圖預(yù)測(cè)模型在線實(shí)時(shí)預(yù)測(cè)，即可預(yù)測(cè)得到周車當(dāng)前換道意圖。綜合考慮影響周圍車輛換道的因素，利用Inception?ResNet?v2網(wǎng)絡(luò)提取車輛視頻的幀水平特征，并融合車輛狀態(tài)和幀水平特征，提高BiLSTM網(wǎng)絡(luò)預(yù)測(cè)的能力，進(jìn)一步提高檢測(cè)精度和效率，有效實(shí)現(xiàn)預(yù)測(cè)周圍車輛的換道意圖，對(duì)提高無人駕駛車輛的安全性能有很大的作用。

技術(shù)領(lǐng)域

本發(fā)明涉及智能車輛技術(shù)領(lǐng)域，尤其是涉及一種基于BiLSTM周車換道意圖預(yù)測(cè)方法。

背景技術(shù)

在未來，無人駕駛車輛將長期在人機(jī)混駕交通環(huán)境下運(yùn)行，即人工駕駛車輛與無人駕駛車輛在道路系統(tǒng)中混合運(yùn)行的交通環(huán)境。但是由于實(shí)際道路交通環(huán)境的復(fù)雜性和駕駛員駕駛風(fēng)格的多變性，使得無人駕駛車輛與周圍車輛的交互問題成為當(dāng)前的研究難點(diǎn)。據(jù)交管部門調(diào)查顯示，車道換道事故占所有類型交通事故總數(shù)的30％左右。因此，研究車輛換道意圖預(yù)測(cè)對(duì)于道路安全和提高無人駕駛車輛決策規(guī)劃的能力有著重要的意義。

現(xiàn)有的方法主要是對(duì)自車換道意圖進(jìn)行預(yù)測(cè)且多數(shù)僅依靠車輛的歷史狀態(tài)信息。文獻(xiàn)[1](Lu C,etc.Virtual-to-Real Knowledge Transfer for Driving BehaviorRecognition:Framework and a Case Study[J].IEEE Transactions on VehicularTechnology,2019,68(7):6391-6402.)提出了一種基于遷移學(xué)習(xí)的換道意圖識(shí)別方法，其交互信息只考慮到自車與前車的縱向相對(duì)位置關(guān)系，文獻(xiàn)[2](Ding W,etc.PredictingVehicle Behaviors Over An Extended Horizon Using Behavior InteractionNetwork，2019International Conference on Robotics and Automation(ICRA).2019,Montreal,Canada.)提出一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的換道意圖預(yù)測(cè)的方法，該方法預(yù)測(cè)自車的換道意圖，同時(shí)也考慮到與鄰近車輛的多個(gè)交互信息，但是僅依靠車輛的歷史狀態(tài)信息來預(yù)測(cè)換道意圖，目標(biāo)特征檢測(cè)簡單且實(shí)用性不好。

發(fā)明內(nèi)容

本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)中存在的上述問題，提供考慮車輛間的交互信息，有效地結(jié)合車輛狀態(tài)和車輛視頻特征信息，實(shí)現(xiàn)實(shí)時(shí)準(zhǔn)確的換道意圖預(yù)測(cè)方法，有效幫助自車?yán)斫庵車囕v能力的一種基于BiLSTM周車換道意圖預(yù)測(cè)方法。

本發(fā)明包括以下步驟：

1)換道意圖預(yù)測(cè)模型的離線訓(xùn)練過程：首先通過大規(guī)模真實(shí)駕駛場(chǎng)景的采集和處理構(gòu)建訓(xùn)練數(shù)據(jù)庫；然后訓(xùn)練換道意圖預(yù)測(cè)模型；

2)換道意圖預(yù)測(cè)模型在線實(shí)時(shí)預(yù)測(cè)：在自車實(shí)時(shí)采集數(shù)據(jù)和數(shù)據(jù)預(yù)處理之后，用訓(xùn)練好的換道意圖預(yù)測(cè)模型在線實(shí)時(shí)預(yù)測(cè)，即可預(yù)測(cè)得到周車當(dāng)前換道意圖。

在步驟1)中，所述通過大規(guī)模真實(shí)駕駛場(chǎng)景的采集和處理構(gòu)建訓(xùn)練數(shù)據(jù)庫，具體包括以下步驟：

(1)自車數(shù)據(jù)采集：利用攝像頭、毫米波雷達(dá)、激光雷達(dá)和GPS等車載傳感器采集車輛的數(shù)據(jù)；

(2)數(shù)據(jù)融合：將各傳感器融合得到所需的數(shù)據(jù)，所需的數(shù)據(jù)包括但不限于周車的基本特征、周車與自車的相對(duì)位置和相對(duì)速度、車輛視頻數(shù)據(jù)等；所需的數(shù)據(jù)選取規(guī)則如下：選取周車的橫向位置、橫向速度、橫向加速度和方向角作為周車的基本特征；車輛間的交互作用是影響車輛的換道意圖因素之一，所以需考慮周車與自車的相對(duì)位置和相對(duì)速度；選取車輛視頻數(shù)據(jù)作為輸入特征，自車采集后融合的車輛狀態(tài)數(shù)據(jù)存在較大的噪聲，采用對(duì)稱指數(shù)移動(dòng)平均濾波算法來平滑數(shù)據(jù)，車輛視頻數(shù)據(jù)的同一幀圖像中可能存在多輛車，所以分割圖像ROI區(qū)域，并確定各周車狀態(tài)數(shù)據(jù)所對(duì)應(yīng)ROI區(qū)域；