CN109727490A - 一种基于行车预测场的周边车辆行为自适应矫正预测方法 - Google Patents

Abstract

本发明公开了一种基于行车预测场的周边车辆行为自适应矫正预测方法，步骤1：周边车辆行为离散化与数据集预处理：将周边车辆行为根据横向与纵向划分为N个典型行为；步骤2：获取交通环境参与车时序数据：每辆交通环境参与车使用定位系统实时获取每个时刻自车的位置、速度、加速度；步骤3：建立行车预测场：建立基于安全性、效率性、驾驶舒适性三要素的行车预测场E_P，E_P＝E_S+E_E+E_C；步骤4：基于最大似然估计方法建立周边车辆行为预测模型；步骤5：周边车辆行为实时预测与模型自适应矫正。本发明综合考虑影响驾驶者行为的安全性、效率性与驾驶舒适性，在目标车辆的行驶区域建立行车预测场并定性与定量分析，为周边车辆行为预测提出了新思路。

Description

一种基于行车预测场的周边车辆行为自适应矫正预测方法

技术领域

本发明属于智能驾驶技术领域，具体涉及一种基于行车预测场的周边车辆行为自适应矫正预测方法。

背景技术

现如今无论是先进的驾驶员辅助系统，还是完全自动驾驶车辆都引发了各领域学者广泛的研究兴趣，毫无疑问，汽车智能化已经成为汽车产业发展最重要的潮流和趋势之一。究其原因，智能车辆不仅在运输系统中具有更为高效、更为安全和更为清洁的性能，同时它还能够释放人类在驾驶过程对车辆的操纵。而真实的交通环境往往是复杂和高度不确定的，在这种环境下人类其实是非常优秀的驾驶员，因为人可以通过不断学习具备推断周围交通参与者行为意图和预测它们运动态势的能力。因此，智能车辆“驾驶脑”也只有像人类一样达到对日益交通环境感知的升华，才能做到真正的“智能”驾驶。即从技术层面上讲，车辆应该能够预测周围复杂交通环境中多目标的未来运动行为态势，以提高其理解交通环境的能力，这对制定合理高效的轨迹规划和决策控制具有重大的意义。近年来，随着视觉感知技术和通信技术的发展，激光雷达、毫米波雷达、摄像头多传感器融合系统使智能车辆能够实时监测周围交通环境，车联网、车对车(V2V)、智能手机等通信设备也可以帮助车辆准确地获取周围额外的信息，这给周边目标车辆的行为预测提供了便利。

目前来看，国内外学者对于本车驾驶员的驾驶行为或驾驶意图的识别与预测开展了大量的研究工作，并取得了卓越的成果。他们在进行预测模型特征输入量数据处理时，往往是通过获取本车的车辆运行参数(转向盘转角、纵向加速度和自车与车道中心线距离等)或者驾驶员参数(左后视镜平均注视次数、单次平均扫视时间、单次平均头部水平转角等)来实现的，但若从周围车辆内部及其驾驶者本身的详细数据入手，无疑增大了对车载通讯设备或远程通信平台传输效率的要求，还危及信息安全的问题，因此这种方法并不适用于周边车辆的行为预测。另一种可行的方案，是通过周边目标车辆的原型轨迹来对行为直接进行预测，可获得较高的计算效率，但此类方法在进行运动预测时将被预测目标车作为一个独立的个体来进行研究，而忽略了周围交通环境参与者如其它车辆(包括主车在内)对其行为态势所产生的影响，是很难在交通环境下进行稳定准确的长期运动行为预测，这是因为无论是人驾驶的交通车还是具备自动驾驶能力的交通车，都是一个会对周围环境的激励做出相应反应的智能体。

因此，对周边车辆行为进行预测时，需要挖掘车辆行为态势的长期影响因素。本发明提出一种基于行车预测场的周边车辆行为自适应预测方法，提出了考量安全性、效率性、驾驶舒适性决策影响三要素的行车预测场，并基于此建立了周边车辆行为预测模型，并结合被预测的车辆的行为识别结果自适应矫正提高预测精度。

发明内容

针对周边车辆行为预测长期稳定性与可靠性的要求，本发明提出了一种基于驾驶操纵者行为决策要素影响的行车预测场，并基于此提出了一种周边车辆行为自适应预测方法，能够实时准确地对周边目标车辆的行为作出合理预测，为智能车辆自身的决策规划提供参考依据。本发明的目的可以通过以下技术方案来实现。一种基于行车预测场的周边车辆行为自适应预测方法，具体包括：

Step1：周边车辆行为离散化与数据集预处理；

将周边车辆行为根据横向与纵向两个方面组合划分，离散化划分为N个典型行为b_i。对NGSIM交通数据集进行去噪处理并提取出有效数据集，根据车辆行为离散化划分方法标注各数据标定对应行为类型。

Step2：获取交通环境参与车时序数据；

每辆交通环境参与车使用车载的GPS与IMU联合定位系统实时获取每个时刻自车的位置(x,y)、速度(V_x,V_y)、加速度(a_x,a_y)。主车使用V2V通信技术中LTE模块的D2D(Device-To-Device)邻近通信服务(ProSe)实时获取所处交通环境周边车辆的状态时序信息。针对需进行车辆行为预测的周边目标车辆，取其当前车道的前后方车辆与相邻车道的前后方车辆作为其行为发生的影响者。

Step3：建立行车预测场；

针对驾驶操纵者是对周围环境的激励做出相应“趋利避害”反应的智能体，建立基于安全性、效率性、驾驶舒适性决策影响三要素的行车预测场E_P，E_P＝E_S+E_E+E_C，其中安全预测场E_S、效率预测场E_E、驾驶舒适预测场E_C。设预测周期时间为ΔT。

(1)建立安全预测场

目标车辆行车区域内任意一点位置受到周围第j辆车影响所具有的单位安全势值

其中，(X,Y)为目标车辆行车区域内任意一点位置；G_S为行车安全预测场待定常数；δ_j周围第j辆车的车辆类型系数；M_j为周围第j辆车的等效质量比，是第j辆车的长宽高乘积的倒数；(x_[j],y_[j])为目标车辆周围第j辆车当前时刻的位置向量；为目标车辆周围第j辆车当前时刻的速度向量；为目标车辆周围第j辆车当前时刻的加速度向量；ΔT为周边目标车辆行为预测周期时间；|| ||2为向量的2-范数符号。

则目标车辆行车区域内任意一点位置所具有的单位安全势值

(2)建立效率预测场

目标车辆行车区域内任意一点位置所具有的单位效率势值

Y为目标车辆行车区域内任意一点纵向位置；G_E为行车效率预测场待定常数；M₀为目标车辆的等效质量比，是目标车辆的长宽高乘积的倒数；y_[0]为目标车辆当前时刻的纵向位置；

(3)建立驾驶舒适预测场

目标车辆行车区域内任意一点位置所具有的单位驾驶舒适势值

(X,Y)为目标车辆行车区域内任意一点位置；G_C为行车驾驶舒适预测场待定常数；(x_[0],y_[0])为目标车辆当前时刻的位置向量；为目标车辆当前时刻的速度向量；ΔT为周边目标车辆行为预测周期时间；|| ||2为向量的2-范数符号。

Step4：建立周边车辆行为预测模型；

拟合每个车辆行为b_i对应的相似性轨迹，设目标车辆依照相似性轨迹行驶过的区域为计算周边目标车辆每个行为的行车预测场场强和

其中，K_S为安全预测场场强和的权重系数；K_E为效率预测场场强和的权重系数；K_S为驾驶舒适预测场场强和的权重系数；

将场强和归一化处理为每个车辆行为对应的概率

写出似然函数L(θ)＝ΠP_{_predict}(b_i)，其中θ＝{K_S,K_E,K_C}。

基于Step1中预处理好的NGSIM数据集使用成熟的共轭梯度法计算出最大似然估计量即初始权重系数K_{S_0},K_{E_0},K_{C_0}。

则得出周边车辆行为预测模型函数

Step5：周边车辆行为实时预测与模型自适应矫正

主车位于真实的交通环境中首先依据Step2实时获取交通环境参与车时序数据，根据Step4建立的预测模型实时预测周边目标车辆在预测周期时间ΔT内的车辆行为概率，并将概率最大对应的行为作为周边车辆行为的预测结果。为进一步提高预测精度，本发明还提出一种权重系数回归矫正方法。取周边目标车辆的横、纵向位移、速度、加速度为观测变量，基于HMM模型对周边目标车辆行为进行在线识别，得出各行为在预测周期时间内的识别概率P_recognize(b_i)。

将行为预测模型概率函数写为

P_{predict_k}(b_i)＝f_k(K_{S_k},K_{E_k},K_{C_k})

即P_{predict_k}(b_i)关于K_{S_k},K_{E_k},K_{C_k}的函数，其中K_{S_k}为第k个预测周期时间安全场场强和的权重系数；K_{E_k}为第k个预测周期时间效率场场强和的权重系数；K_{C_k}为第k个预测周期时间驾驶场场强和的权重系数。

构造预测值与识别值之间的代价函数

其中N为周边车辆行为类型数，N＝9。

构造矫正函数其中为α矫正速率系数。

通过矫正函数逐个预测周期时间ΔT在线矫正权重系数，实现自适应预测，进一步提高周边车辆行为识别预测的准确率。

本发明的有益效果：

(1)从周围交通参与车对目标车辆行为的影响入手，缓解了只将被预测目标车作为单一独立个体的缺陷，能够实现周边车辆行为识别的长期稳定预测。

(2)综合考虑影响驾驶操纵者行为的安全性、效率性与驾驶舒适性，在目标车辆的行驶区域建立了行车预测场并进行了定性与定量分析，为周边车辆行为预测提出了新思路。

(3)提出一种基于行车预测场的周边车辆行为预测模型，有较好的预测准确率与较少的预测时间。

(4)提出一种周边车辆行为预测回归矫正方法，通过HMM模型识别在预测周期时间的车辆行为结果不断自适应矫正预测模型的权重系数向量，进一步提高了周边车辆行为的预测精度。

附图说明

图1基于行车预测场的周边车辆行为自适应矫正预测方法框图；

图2周边车辆行为的离散化划分；

图3目标车辆的交通环境参考车；

(a).目标车辆处于中间车道；(b).目标车辆处于右侧车道；(c).目标车辆处于左侧车道)；

图4周边目标车辆某一行为b_i驶过的区域；

图5某一典型交通环境H；

图6在H交通环境下安全预测场场强分布；

图7在H交通环境下效率预测场场强分布；

图8在H交通环境下驾驶舒适性预测场场强分布；

具体实施方式

下面结合附图对本发明作进一步说明。

如图1所示，本发明的实施包括如下步骤：

Step1：周边车辆行为离散化与数据集预处理

根据周边目标车辆行为不确定因素多、复杂难分的特点，将可能行为分为横向行为与纵向行为两个方向去进行组合划分。由横向行为中的左换道(Lane Change to Left)、保持车道(Lane Keep)、右换道(Lane Change to Right)，纵向行为中的加速(SpeedIncrease)、维持速度(Speed Keep)、减速(Speed Decrease)将周边车辆行为离散化划分为N个典型行为b_i，N＝9，分别为左换道减速(LCL-SD),左换道匀速(LCL-SK)，左换道加速(LCL-SI),维持车道减速(LK-SD),维持车道匀速(LK-SK)，维持车道加速(LK-SI)，右换道减速(LCR-SD)，右换道减速(LCR-SK)，右换道减速(LCR-SI)。如图2所示每条轨迹对应于每个行为b_i，其中1≤i≤9。利用Python的Pandas数据分析包开发计算机程序，对NGSIM交通数据集进行去噪处理并提取出有效数据集，根据车辆行为离散化划分方法标注各数据标定对应行为类型。

Step2：获取交通环境参与车时序数据

每辆交通环境参与车具有一个独立的ID，使用车载的GPS与IMU联合定位系统实时获取每个时刻自车的位置(x,y)、速度(V_x,V_y)、加速度(a_x,a_y)。考虑到后续步骤中数据传输的实时性与鲁棒性，数据采集频率为50Hz，即0.02s为采取前后两次数据间隔的时长。主车通过PC5接口接入V2V通信网络，使用以LTE模块中的D2D(Device-To-Device，设备间)邻近通信服务(ProSe)实时获取所处交通环境周边车辆的状态时序信息。所述的V2V通信技术英文全称为Vehicle-To-Vehicle Technology，因其能够克服高速移动引发的多普勒效应与复杂的通信环境在智能汽车领域受到广泛应用，其D2D模块无需通过基站即可建立邻近车辆终端之间的相互通信。主车锁定周边某一车辆作为行为预测目标车辆，根据上述步骤中获取的实时状态时序数据架构目标运动车辆的交通环境。在真实的交通环境中，人类驾驶员可以通过前向可视区域、后视镜与后视摄像仪获取周围的交通信息，而智能驾驶系统也可通过摄像头、激光雷达与毫米波雷达等视觉感知模块达到同样的目的，因此交通信息对目标车的影响是邻近前后交替传播的。在构建目标车辆的周围交通环境时，取目标车辆当前车道的前后方车辆与相邻车道的前后方车辆作为其行为发生的影响者，设周围影响车辆数目为h。图3分别为三路单行车道上目标车辆处于不同车道取周围影响车辆的方式，a为目标车辆处于中间车道，此时h为6；b为目标车辆处于左侧车道，此时h为4；c为目标车辆处于右侧车道，此时h为4。

Step3：建立行车预测场

无论是是人驾驶的交通车还是具备自动驾驶能力的交通车，都是一个会对周围车路协同交通环境的激励做出相应“趋利避害”反应的智能体，并且周边车辆驾驶行为具有很大的不确定性、可变性，且分别受到自车各种期望收益的制衡影响。因此，下面在周边目标车辆行驶区域内建立一种基于决策影响因素的行车预测场E_P，来量化周边车辆行为产生的影响因素。根据影响驾驶操纵者行为三要素(安全性、效率性、驾驶舒适性)，行车预测场分为三个子预测场，分别为安全预测场E_S、效率预测场E_E、驾驶舒适预测场E_C。其中，E_P＝E_S+E_E+E_C。为方便说明，取图5所示某一典型交通环境H。

(1)建立安全预测场

安全预测场表征安全性对周边目标车辆驾驶操纵者的影响。以目标车辆的前后向h辆周边交通车辆为产生安全场势的“电荷”，将前后向h辆周边交通车辆的位置、速度与加速度作为影响安全势值的主要变量。

写出目标车辆行车区域内任意一点位置受到周围第j辆车影响所具有的单位安全势值

其中，(X,Y)为目标车辆行车区域内任意一点位置；G_S为行车安全预测场待定常数；δ_j周围第j辆车的车辆类型系数；M_j为周围第j辆车的等效质量比，是第j辆车的长宽高乘积的倒数；(x_[j],y_[j])为目标车辆周围第j辆车当前时刻的位置向量；为目标车辆周围第j辆车当前时刻的速度向量；为目标车辆周围第j辆车当前时刻的加速度向量；ΔT为周边目标车辆行为预测周期时间；|| ||₂为向量的2-范数符号。

则目标车辆行车区域内任意一点位置所具有的单位安全势值

如图6，仿真得到H交通环境下安全预测场场强分布。

(2)建立效率预测场

效率预测场表征安全性对周边目标车辆驾驶操纵者的影响。以目标车辆为产生效率场势的“电荷”，将目标车辆的纵向位置作为影响效率势值的主要变量。

写出目标车辆行车区域内任意一点位置所具有的单位效率势值

Y为目标车辆行车区域内任意一点纵向位置；G_E为行车效率预测场待定常数；M₀为目标车辆的等效质量比，是目标车辆的长宽高乘积的倒数；y_[0]为目标车辆当前时刻的纵向位置；

如图7，仿真得到H交通环境下效率预测场场强分布。

(3)建立驾驶舒适预测场

驾驶舒适预测场表征驾驶舒适性对周边目标车辆驾驶操纵者的影响。以目标车辆为产生驾驶舒适场势的“电荷”，将目标车辆前往行驶区域某一位置的横纵向加速度作为影响驾驶舒适势值的主要变量。

写出目标车辆行车区域内任意一点位置所具有的单位驾驶舒适势值

(X,Y)为目标车辆行车区域内任意一点位置；G_C为行车驾驶舒适预测场待定常数；(x_[0],y_[0])为目标车辆当前时刻的位置向量；为目标车辆当前时刻的速度向量；ΔT为周边目标车辆行为预测周期时间；|| ||₂为向量的2-范数符号。

如图8，仿真得到H交通环境下驾驶舒适预测场场强分布。

Step4：建立周边车辆行为预测模型

以目标车辆处于中间车道为例，将可行驶区域内安全区域依据行为类型划分为9个行为热区。模拟周边目标车辆的决策层产生和执行某一车辆行为b_i会模糊估计各行车子预测场场强和的制衡影响，根据相似性原理，取各行为热区的中心点作为各行为类型结束时刻的目标车辆的位置。拟合每个车辆行为b_i对应的相似性轨迹，取车辆在该轨迹下扫过的面积为积分区域

将行车预测场场强和进行归一化处理，即将每个车辆行为的行车预测场场强和转为该车辆行为对应的预测概率，

写出似然函数L(θ)＝ΠP_predict(b_i)，其中θ＝{K_S,K_E,K_C}。

以Step1中预处理好的NGSIM数据集为样本集使用成熟的共轭梯度法计算出最大似然估计量即初始权重系数K_S,0,K_E,0,K_C,0。

则得出周边车辆行为预测模型函数

Step5：周边车辆行为实时预测与模型自适应矫正

操作周边车辆的人类驾驶者或智能驾驶系统在周边交通环境还受到自身决策机制的影响，对安全性、效率性、驾驶舒适性的期望追求具有鲜明的个性，且期望追求在驾驶行为长期预测的时域内是稳定的。主车位于真实的交通环境中，首先依据Step2实时获取交通环境参与车时序数据，根据Step4建立的预测模型实时预测周边目标车辆在预测周期时间ΔT内的车辆典型行为概率P_predict(b_i)，输出最大行为概率对应的车辆行为类型为预测结果。

为进一步提高预测精度，本发明还提出一种权重系数回归矫正方法，以减小真实场景中权重系数偏差给行为预测结果带来的错误率。当一个预测时间周期ΔT终了时，利用隐马尔可夫模型(HMM)识别预测周期时间的ΔT内的周边车辆典型行为类型。

设隐马尔可夫模型为一个五元组(Q,V,A,B,π)。可观察状态表示为V＝{V₁,V₂,…,V_M}，M为观察状态的数目；隐藏状态表示为Q＝{Q₁,Q₂,…,Q_N}，N为隐藏状态的数目。I是长度为T的状态序列，O是对应的观测序列，I＝{I₁,I₂,…,I_T}，O＝{O₁,O₂,…,O_T}。

A＝[a_ij]_N×N为隐藏状态转移概率矩阵，其元素表示HMM模型中各个隐藏状态之间的转移概率。其中，

a_ij＝P(I_t+1＝Q_j∣I_t＝Q_i),i＝1,2…,N；j＝1,2…,N

是在t时刻，隐藏状态为Q_i的条件下，在t+1时刻隐藏状态是Q_j的概率。

B＝[b_j(k)]_N×M为混淆矩阵，其元素表示HMM模型中各个隐藏状态和观察状态之间的转移概率。其中,

b_j(k)＝P(O_t＝V_k∣I_t＝Q_j),k＝1,2…,M；j＝1,2…,N

表示在t时刻，隐藏状态Q_j是条件下，观察状态为O_t的概率。

π＝(π_i)为初始状态概率矩阵，其中π_i＝P(I₁＝Q_i),i＝1,2,…,N是初始时刻t＝1各个隐含状态Q_i的概率。

用HMM模型进行周边车辆行为识别可分为两个阶段：

a.模型训练学习：对每一个车辆行为识别模型初始化，获得初始参数N,M,A,B,π；提取Step1处理好的NGSIM交通数据集中ΔT内每一个采集时间点的特征数据O_t(横向位移、速度、加速度与纵向位移、速度、加速度)，每个时间点特征数据O_t组成的观测序列O＝O₁O₂O₃……O_△T。将观测序列作为HMM参数学习的输入，依据模型初始化后的初始参数，采用Baum-Welch迭代算法调整模型λ＝(A，B，π)的参数，使概率函数最大化，逐步更新模型参数，最终获取各个行为类型的最优HMM模型；

b.在线测试识别：然后利用训练好的车辆行为HMM识别模型，将待识别的周边目标车辆经特征提取、编码后形成观测序列作为模型输入，利用前向算法计算观测序列在各个HMM模型下的概率P_{recognize_k}(b_i)。

将行为预测模型概率函数写为

P_{predict_k}(b_i)＝f_k(K_{S_k},K_{E_k},K_{C_k})

即P_{predict_k}(b_i)关于K_{S_k},K_{E_k},K_{C_k}的函数，k表示第k个预测周期时间ΔT。

写出预测概率值与识别概率值的残差平方和函数，即代价函数

构造矫正函数其中为α矫正速率系数。

然后将K_{S_k+1},K_{E_k+1},K_{C_k+1}代入更新预测模型参数，来预测下一个通过预测周期时间ΔT内目标车辆行为。通过矫正函数逐个预测周期时间对权重系数在线矫正，以实现自适应预测，进一步提高周边车辆行为识别预测的准确率。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于行车预测场的周边车辆行为自适应矫正预测方法，其特征在于，包括如下步骤：

步骤1：周边车辆行为离散化与数据集预处理；

步骤2：获取交通环境参与车时序数据；

步骤3：建立行车预测场，包括安全预测场、效率预测场、驾驶舒适预测场；

步骤4：建立周边车辆行为预测模型

步骤5：周边车辆行为实时预测与模型自适应矫正。

2.根据权利要求1所述的一种基于行车预测场的周边车辆行为自适应矫正预测方法，其特征在于，所述步骤1的具体过程包括：

将周边车辆行为根据横向与纵向两个方面组合划分，离散化划分为N个典型行为b_i，对NGSIM交通数据集进行去噪处理并提取出有效数据集，根据车辆行为离散化划分方法标注各数据标定对应行为类型。

3.根据权利要求2所述的一种基于行车预测场的周边车辆行为自适应矫正预测方法，其特征在于，所述N个典型行为具体为：

左换道减速、左换道匀速、左换道加速、维持车道减速、维持车道匀速、维持车道加速、右换道减速、右换道减速、右换道减速。

4.根据权利要求2所述的一种基于行车预测场的周边车辆行为自适应矫正预测方法，其特征在于，所述步骤2的具体实现包括：

每辆交通环境参与车使用车载GPS与IMU联合定位系统实时获取每个时刻自车的位置(x，y)、速度(V_x，V_y)、加速度(a_x，a_y)；主车使用V2V通信技术中LTE模块的D2D邻近通信服务实时获取所处交通环境周边车辆的状态时序信息。

5.根据权利要求1所述的一种基于行车预测场的周边车辆行为自适应矫正预测方法，其特征在于，所述步骤3的具体实现包括：

所述安全预测场的建立方法：

以目标车辆的前后向h辆周边交通车辆为产生安全场势的“电荷”，将前后向h辆周边交通车辆的位置、速度与加速度作为影响安全势值的主要变量；

写出目标车辆行车区域内任意一点位置受到周围第j辆车影响所具有的单位安全势值

其中，(X，Y)为目标车辆行车区域内任意一点位置；G_s为行车安全预测场待定常数；δ_j周围第j辆车的车辆类型系数；M_j为周围第j辆车的等效质量比，是第j辆车的长宽高乘积的倒数；(x_[j]，y_[j])为目标车辆周围第j辆车当前时刻的位置向量；为目标车辆周围第j辆车当前时刻的速度向量；为目标车辆周围第j辆车当前时刻的加速度向量；ΔT为周边目标车辆行为预测周期时间；||||₂为向量的2-范数符号；

则目标车辆行车区域内任意一点位置所具有的单位安全势值

所述效率预测场的建立方法：

以目标车辆为产生效率场势的“电荷”，将目标车辆的纵向位置作为影响效率势值的主要变量；

写出目标车辆行车区域内任意一点位置所具有的单位效率势值

Y为目标车辆行车区域内任意一点纵向位置；G_E为行车效率预测场待定常数；M₀为目标车辆的等效质量比，是目标车辆的长宽高乘积的倒数；y_[0]为目标车辆当前时刻的纵向位置；

所述驾驶舒适预测场的建立方法：

以目标车辆为产生驾驶舒适场势的“电荷”，将目标车辆前往行驶区域某一位置的横纵向加速度作为影响驾驶舒适势值的主要变量；

写出目标车辆行车区域内任意一点位置所具有的单位驾驶舒适势值

(X，Y)为目标车辆行车区域内任意一点位置；G_C为行车驾驶舒适预测场待定常数；(x_[0]，y_[0])为目标车辆当前时刻的位置向量；为目标车辆当前时刻的速度向量；ΔT为周边目标车辆行为预测周期时间；||||₂为向量的2-范数符号。

6.根据权利要求1所述的一种基于行车预测场的周边车辆行为自适应矫正预测方法，其特征在于，所述步骤4的具体实现包括：

以目标车辆处于中间车道为例，将可行驶区域内安全区域依据行为类型划分为9个行为热区；模拟周边目标车辆的决策层产生和执行某一车辆行为b_i会模糊估计各行车子预测场场强和的制衡影响，根据相似性原理，取各行为热区的中心点作为各行为类型结束时刻的目标车辆的位置；拟合每个车辆行为b_i对应的相似性轨迹，取车辆在该轨迹下扫过的面积为积分区域

其中，K_S为安全预测场场强和的权重系数；K_E为效率预测场场强和的权重系数；K_S为驾驶舒适预测场场强和的权重系数；

将行车预测场场强和进行归一化处理，即将每个车辆行为的行车预测场场强和转为该车联行为对应的预测概率，

写出似然函数L(θ)＝ΠP_predict(b_i)，其中θ＝{K_S，K_E，K_C}；

以步骤1中预处理好的NGSIM数据集为样本集使用成熟的共轭梯度法计算出最大似然估计量即初始权重系数K_S，0，K_E，0，K_C，0。

得出周边车辆行为预测模型函数

7.根据权利要求1所述的一种基于行车预测场的周边车辆行为自适应矫正预测方法，其特征在于，所述步骤5的具体实现包括：

首先依据步骤2实时获取交通环境参与车时序数据，根据步骤4建立的预测模型实时预测周边目标车辆在预测周期时间ΔT内的车辆典型行为概率P_predict(b_i)，输出最大行为概率对应的车辆行为类型为预测结果。

8.根据权利要求7所述的一种基于行车预测场的周边车辆行为自适应矫正预测方法，其特征在于，还包括：针对预测结果采用一种权重系数回归矫正方法，所述矫正方法具体为：

当一个预测时间周期ΔT结束时，利用隐马尔可夫模型识别预测周期时间的ΔT内的周边车辆典型行为类型；

设隐马尔可夫模型为一个五元组(Q，V，A，B，π)，观察状态表示为V＝{V₁，V₂，...，V_M}，M为观察状态的数目；隐藏状态表示为Q＝{Q₁，Q₂，…，Q_N}，N为隐藏状态的数目，I是长度为T的状态序列，O是对应的观测序列，I＝{I₁，I₂，...，I_T}，O＝{O₁，O₂，...，O_T}；

A＝[a_ij]_N×N为隐藏状态转移概率矩阵，其元素表示HMM模型中各个隐藏状态之间的转移概率；其中，

a_ij＝P(I_t+1＝Q_j|I_t＝Q_i)，i＝1，2…，N；j＝1，2…，N

是在t时刻，隐藏状态为Q_i的条件下，在t+1时刻隐藏状态是Q_j的概率；

B＝[b_j(k)]_N×M为混淆矩阵，其元素表示HMM模型中各个隐藏状态和观察状态之间的转移概率；其中，

b_j(k)＝P(O_t＝V_k|I_t＝Q_j)，k＝1，2…，M；j＝1，2…，N

表示在t时刻，隐藏状态Q_j是条件下，观察状态为O_t的概率；

π＝(π_i)为初始状态概率矩阵，其中π_i＝P(I₁＝Q_i)，i＝1，2，…，N是初始时刻t＝1各个隐含状态Q_i的概率；

用HMM模型进行周边车辆行为识别分为两个阶段：

a.模型训练学习：对每一个车辆行为预测模型初始化，获得初始参数N，M，A，B，π；提取步骤1处理好的NGSIM交通数据集中ΔT内每一个采集时间点的特征数据O_t，即横向位移、速度、加速度与纵向位移、速度、加速度，每个时间点特征数据O_t组成的观测序列O＝O₁O₂O₃......O_ΔT；将观测序列作为HMM参数学习的输入，依据模型初始化后的初始参数，采用Baum-Welch迭代算法调整模型λ＝(A，B，π)的参数，使概率函数最大化，逐步更新模型参数，最终获取各个行为类型的最优HMM模型；

b.在线测试识别：利用训练好的车辆行为HMM模型，将待识别的周边目标车辆经特征提取、编码后形成观测序列作为模型输入，利用前向算法计算观测序列在各个HMM模型下的概率P_{recognize_k}(bi)；

将行为预测模型概率函数写为

P_{predict_k}(b_i)＝f_k(K_{S_k}，K_{E_}k，K_{C_k})

即P_{predict_k}(b_i)关于K_{S_k}，K_{E_k}，K_{C_k}的函数，k表示第k个预测周期时间ΔT；

写出预测概率值与识别概率值的残差平方和函数，即代价函数

构造矫正函数其中为α矫正速率系数；

然后将K_{S_k+1}，K_{E_k+1}，K_{C_k+1}代入更新预测模型参数，来预测下一个通过预测周期时间ΔT内目标车辆行为，通过矫正函数逐个预测周期时间对权重系数在线矫正，实现自适应预测，提高周边车辆行为识别预测的准确率。