[發(fā)明專利]一種高泛化能力的交互車輛駕駛意圖預(yù)測方法和裝置

在審

• 申請?zhí)枺?/td>: 202111544865.0
• 申請日: 2021-12-16
• 公開（公告）號: CN114212105A
• 公開（公告）日: 2022-03-22
• 發(fā)明（設(shè)計）人: 李峻翔;李曉輝;孫振平;劉大學(xué);葉磊;史美萍;吳濤
• 申請（專利權(quán)）人: 中國人民解放軍國防科技大學(xué)
• 主分類號: B60W60/00
• 分類號: B60W60/00;B60W50/00;G06N7/00
• 代理公司: 長沙國科天河知識產(chǎn)權(quán)代理有限公司 43225
• 代理人: 李楊

本申請涉及一種高泛化能力的交互車輛駕駛意圖預(yù)測方法和裝置。所述方法包括：通過獲取本車與交互車輛間的航向關(guān)系信息、參考路線信息和道路結(jié)構(gòu)信息的交互場景信息，確定交互場景類型；采用特征提取算法根據(jù)不同的交互場景類型對交互場景信息進行特征提取，輸入到預(yù)先設(shè)計的基于動態(tài)貝葉斯網(wǎng)絡(luò)的交互車輛駕駛意圖預(yù)測模型中，通過預(yù)先構(gòu)建的訓(xùn)練數(shù)據(jù)對交互車輛駕駛意圖預(yù)測模型進行訓(xùn)練，得到訓(xùn)練好的交互車輛駕駛意圖預(yù)測模型；通過訓(xùn)練好的交互車輛駕駛意圖預(yù)測模型進行交互車輛駕駛意圖預(yù)測，并將預(yù)測結(jié)果通過人機交互的方式進行呈現(xiàn)。

技術(shù)領(lǐng)域

本申請涉及汽車主動安全及自主駕駛領(lǐng)域，特別是涉及一種高泛化能力的交互車輛駕駛意圖預(yù)測方法和裝置。

背景技術(shù)

汽車主動安全技術(shù)及自主駕駛技術(shù)有助于防止汽車交通事故，減輕人員傷害?，F(xiàn)有主動安全技術(shù)包括自適應(yīng)巡航控制,盲區(qū)監(jiān)視系統(tǒng)等。自適應(yīng)巡航控制是通過車載雷達等傳感器監(jiān)測汽車前方的道路交通環(huán)境，一旦發(fā)現(xiàn)當前行駛車道的前方有其它車輛時，將控制本車與前車保持合適的安全間距。盲區(qū)監(jiān)視系統(tǒng)是指通過裝備在車輛后部的兩顆毫米波雷達探測后視鏡盲區(qū)范圍，當探測到盲區(qū)內(nèi)存在其它道路參與者時向駕駛員發(fā)出警告，輔助駕駛行車或變道。

這些技術(shù)能夠利用汽車搭載的傳感器探測周圍車輛的現(xiàn)實物理狀態(tài)，從而提高駕駛行為的安全性。但僅僅采用探測到的車輛物理狀態(tài)，而不預(yù)測未來行為，難免會出現(xiàn)較多的誤判，降低主動安全系統(tǒng)的預(yù)警水平。而對全自主駕駛汽車而言，則更會干擾自主駕駛的安全性和平順性。因此，交互車輛的駕駛意圖預(yù)測成為了汽車主動安全及自主駕駛領(lǐng)域的熱點問題。

傳統(tǒng)的車輛駕駛意圖預(yù)測方法是假設(shè)汽車行駛符合常速度(Constant Velocity,CV)、常加速度(Constant Acceleration,CA)和常角速度(Constant Turn Rate,CTR)的運動模型來從歷史軌跡中預(yù)測未來軌跡，進而預(yù)測離散化的駕駛意圖。

另外，隨著計算設(shè)備存儲容量和算力的提升，通過采集大量的交通圖片或者大量的交通車輛行駛軌跡，利用基于多層神經(jīng)網(wǎng)絡(luò)的深度學(xué)習方法，來從大樣本中學(xué)習駕駛行為的意圖，進而實時預(yù)測，也是現(xiàn)在常用的技術(shù)方案。

采用運動學(xué)模型預(yù)測駕駛意圖的技術(shù)方案僅僅只考慮到車輛的運動限制，并沒有考慮到道路結(jié)構(gòu)與環(huán)境交互因素。因此，對車輛長期運動的預(yù)測準確率較低。

采用深度學(xué)習預(yù)測駕駛意圖的技術(shù)路線，可以隱式地對交互特征進行建模，但預(yù)測機理并不直觀，對訓(xùn)練數(shù)據(jù)的獲取量較高，訓(xùn)練功耗高，并且泛化性能較差。

發(fā)明內(nèi)容

基于此，有必要針對上述技術(shù)問題，提供一種能夠進行車輛駕駛意圖預(yù)測的高泛化能力的交互車輛駕駛意圖預(yù)測方法、裝置、計算機設(shè)備和存儲介質(zhì)。

一種高泛化能力的交互車輛駕駛意圖預(yù)測方法，所述方法包括：

獲取車輛交互駕駛的交互場景信息，根據(jù)所述交互場景信息確定交互場景類型；所述交互環(huán)境信息包括本車與交互車輛間的航向關(guān)系信息、參考路線信息和道路結(jié)構(gòu)信息；所述交互場景類型包括同向場景駕駛，逆向場景駕駛和橫向場景駕駛；

采用特征提取算法根據(jù)不同的交互場景類型對所述交互場景信息進行特征提取，將提取到的特征作為節(jié)點，特征值作為節(jié)點狀態(tài)輸入到預(yù)先設(shè)計的交互車輛駕駛意圖預(yù)測模型中；所述交互車輛駕駛意圖預(yù)測模型為動態(tài)貝葉斯網(wǎng)絡(luò)；所述動態(tài)貝葉斯網(wǎng)絡(luò)包括證據(jù)層、意圖層和診斷層；

通過所述證據(jù)層根據(jù)道路結(jié)構(gòu)相關(guān)特征和多車交互相關(guān)特征評估執(zhí)行特定意圖的可行性，通過所述意圖層根據(jù)所述證據(jù)層的輸出，以及上一時刻意圖層的輸出執(zhí)行當前時刻的駕駛操作，通過所述診斷層根據(jù)所述意圖層的輸出得到當前車輛行駛狀態(tài)發(fā)生特定變化的概率；

通過預(yù)先構(gòu)建的訓(xùn)練數(shù)據(jù)對所述交互車輛駕駛意圖預(yù)測模型進行訓(xùn)練，得到訓(xùn)練好的交互車輛駕駛意圖預(yù)測模型；