[發明專利]車輛換道行為預測模型構建、預測預警方法及系統

有效

• 申請號: 202110702854.4
• 申請日: 2021-06-24
• 公開（公告）號: CN113516846B
• 公開（公告）日: 2022-12-13
• 發明（設計）人: 惠飛;賈碩;魏誠;房山;靳少杰
• 申請（專利權）人: 長安大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G08G1/16;H04W4/02;H04W4/46;G06N3/04;G06N3/08
• 代理公司: 西安恒泰知識產權代理事務所 61216
• 代理人: 趙中霞

1.一種車輛換道行為預測模型構建方法，該模型用于預測車輛換道行為，其特征在于，包括以下步驟：

步驟1、采集車輛行駛狀態數據：

在每個車輛內設置車載終端，且該車載終端集成了CAN總線模塊以采集車輛行駛數據、GPS模塊以獲取車輛的定位數據、通信模塊以實現車輛間數據通信和顯示模塊以顯示采集到的車輛行駛狀態數據；所述車輛行駛數據包括車輛的速度、加速度和轉向角；

步驟2，車輛間數據通信：

每個車輛通過其通信模塊將其車輛行駛狀態數據發送到其他車輛，并接收其他車輛的車輛行駛狀態數據，任意選定一個車輛作為目標車輛；

步驟3，獲得目標車輛進行換道行為的換道意圖概率：

目標車輛收到其他車輛的車輛行駛狀態數據后，結合自身車輛行駛狀態數據，利用博弈理論建立博弈矩陣，再對博弈矩陣求解獲得目標車輛的換道意圖概率；

步驟4，建立深度學習算法模型，將車輛行駛數據和換道意圖概率作為車輛換道過程中的行駛樣本數據，將行駛樣本數據組成的訓練樣本集輸入到深度學習算法模型，并將車輛是否進行換道作為深度學習算法模型的輸出，對深度學習算法模型進行訓練，得到訓練后的深度學習算法模型作為車輛換道行為預測模型；

所述步驟3利用博弈理論建立博弈矩陣中，目標車輛受到速度較慢的前車影響時，目標車輛的策略包括換道或不換道；同時，目標車輛會影響臨近車道后車的行駛使后車包括兩種策略讓道或不讓道；因此目標車輛和后車間的博弈矩陣中包括以下情況：

對于目標車輛要求換道，后車給目標車輛讓道情況下：目標車輛收益為U_SVC，后車收益為U_V1A；

對于目標車輛要求換道，后車不給目標車輛讓道情況下：目標車輛收益為U’_SVC，后車收益為U_V1R；

對于目標車輛不要求換道，后車給目標車輛讓道情況下：目標車輛收益為U_SVS，后車收益為U’_V1A；

對于目標車輛不要求換道，后車不給目標車輛讓道情況下：目標車輛收益為U’_SVS，后車收益為U’_V1R；

不同策略下的各收益函數均由安全收益U_safety和空間收益U_space組成即：

U＝αU_safety+βU_space，其中β為一個Sigmoid函數，α＝1-β；

其中：

上式中，T(t)為t時刻的車頭時距,T_min(t)為最小安全車頭時距,D(t)為與前車距離,D_min(t)為最小安全距離；

目標車輛與后車的最小安全距離：

其中，a_V1為后車加速度，a_sv為目標車輛加速度，v_v1為后車速度，v_sv為目標車輛速度；

目標車輛與后車的最小安全車頭時距：

T_min(t)＝min(T_initial,T_a)

其中，T_initial為t時刻后車與其前車的車頭時距，T_a為固定值，設定為3；

所述步驟3中，對博弈矩陣求解獲得目標車輛的換道意圖概率包括：

首先目標車輛根據博弈矩陣判斷對自己最大收益的策略，即換道或者不換道，然后后車根據目標車輛的決策，選擇當前情況下對自己最大收益的反應，即讓道或者不讓道，再將反應反饋給目標車輛，不斷循環，直到博弈雙方均滿意，達到最后均衡狀態；

根據博弈矩陣，在此均衡狀態下，目標車輛的決策收益為U_sv，相反的另一個決策收益為則可量化的博弈結果即換道概率為：

其中，Pro(t)為博弈結果，也是目標車輛的換道概率。

2.如權利要求1所述的車輛換道行為預測模型構建方法，其特征在于，所述深度學習算法模型由長短期記憶網絡LSTM和卷積神經網絡CNN組成；深度學習算法模型中，隱藏層節點數量設置為100，學習速率為0.001，步長為8，在CNN中，卷積核為3×3矩陣，卷積步長為1。