[go: up one dir, main page]

CN115027497B - 目标车辆切入意图预测方法及可读存储介质 - Google Patents

目标车辆切入意图预测方法及可读存储介质 Download PDF

Info

Publication number
CN115027497B
CN115027497B CN202210698805.2A CN202210698805A CN115027497B CN 115027497 B CN115027497 B CN 115027497B CN 202210698805 A CN202210698805 A CN 202210698805A CN 115027497 B CN115027497 B CN 115027497B
Authority
CN
China
Prior art keywords
cut
target vehicle
vehicle
information
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210698805.2A
Other languages
English (en)
Other versions
CN115027497A (zh
Inventor
刘闯
杨东方
汪哲文
林仲涛
邱利宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Changan Automobile Co Ltd
Original Assignee
Chongqing Changan Automobile Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing Changan Automobile Co Ltd filed Critical Chongqing Changan Automobile Co Ltd
Priority to CN202210698805.2A priority Critical patent/CN115027497B/zh
Publication of CN115027497A publication Critical patent/CN115027497A/zh
Application granted granted Critical
Publication of CN115027497B publication Critical patent/CN115027497B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B60W60/00272—Planning or execution of driving tasks using trajectory prediction for other traffic participants relying on extrapolation of current movement
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B60W60/00274—Planning or execution of driving tasks using trajectory prediction for other traffic participants considering possible movement changes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/12—Lateral speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/53—Road markings, e.g. lane marker or crosswalk
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4043—Lateral speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/801—Lateral distance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及智能安全驾驶技术领域，具体涉及目标车辆切入意图预测方法及可读存储介质。方法包括：获取本车状态信息以及本车前方的道路信息和目标车辆状态信息作为目标信息；从目标信息中提取用于预测目标车辆切入意图的特征信息作为待测特征信息；将待测特征信息输入经过训练的切入预测模型中，输出目标车辆的切入意图预测结果；切入预测模型基于支持向量机算法构建，并基于实车路试数据训练得到；基于目标车辆的切入意图预测结果控制本车执行对应的避障动作。本发明还公开了一种可读存储介质。本发明能够有效拟合车辆切入的实际路试数据，从而能够提高车辆切入行为判断的准确性和有效性。

Description

目标车辆切入意图预测方法及可读存储介质
技术领域
本发明涉及智能安全驾驶技术领域，具体涉及目标车辆切入意图预测方法及可读存储介质。
背景技术
随着自动驾驶和辅助驾驶技术的不断发展，汽车正在逐渐进入智能化时代。然而，尽管辅助驾驶技术，如AEB，LKA技术已经日趋成熟，依然有大量事故与车辆违规换道有关。如何有效预测车辆的切入换道行为（俗称“加塞”），减少相关事故，进而维护人们的生命和财产安全以及公共财产安全和社会和谐，是一个值得深刻探究的问题。
针对车辆加塞行为判断的问题，公开号为CN108074401A的中国专利公开了《 一种车辆加塞行为判别方法及装置》，其方法对持续采集图像中的各个车辆进行跟踪，获取并存储所采集图像中的各个车辆的运动轨迹信息；根据所采集图像确定车辆的前方车道区域；将前方车道区域中与车辆车距最小的第一车辆确定为目标车辆；根据目标车辆的运动轨迹信息判断目标车辆是否发生变道行为，及车辆与目标车辆最近时的车距是否小于第一加塞距离；如果发生变道行为且车距小于第一加塞距离，则判断目标车辆进入前方车道区域之前，前方车道区域内是否存在与车辆车距小于第二加塞距离的第二车辆；如果存在，确定目标车辆发生加塞行为。
上述现有方案中的车辆切入（加塞）行为判别方法，在车辆行驶轨迹横向变化具有明显的向本车道靠拢且参考车道线达到标定阈值时，判断目标车辆具有切入行为。然而，申请人发现，上述现有方案对于目标车辆切入行为判别时机的确定，本质上仍是人为标定阈值的组合，且对轨迹趋向性较为依赖，对于晚判和错判的边界调整以及轨迹趋势不明显的情形没有更多改进的空间，导致车辆切入行为判断的准确性和有效性难以得到保证。因此，如何设计一种能够提高车辆切入行为判断准确性和有效性的方法是亟需解决的技术问题。
发明内容
针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种目标车辆切入意图预测方法，以能够有效拟合车辆切入的实际路试数据，从而能够提高车辆切入行为判断的准确性和有效性。
为了解决上述技术问题，本发明采用了如下的技术方案：
目标车辆切入意图预测方法，包括以下步骤：
S1：获取本车状态信息以及本车前方的道路信息和目标车辆状态信息作为目标信息；
S2：从目标信息中提取用于预测目标车辆切入意图的特征信息作为待测特征信息；
S3：将待测特征信息输入经过训练的切入预测模型中，输出目标车辆的切入意图预测结果；切入预测模型基于支持向量机算法构建，并基于实车路试数据训练得到；
S4：基于目标车辆的切入意图预测结果控制本车执行对应的避障动作。
优选的，步骤S1中，本车的状态信息包括本车行驶速度和本车行驶姿态。
优选的，步骤S1中，道路信息包括车道宽度、车道线信息、路口/匝道的距离信息和指示灯信息。
优选的，目标车辆状态信息包括目标车辆行驶速度和目标车辆行驶姿态。
优选的，步骤S2中，提取的特征信息包括本车横向速度、本车中心与车道线两边的距离、本车距离下一路口/匝道的距离、目标车辆中心与车道线两边的距离、目标车辆距离下一路口/匝道的距离、本车与目标车辆之间的横向距离绝对值、目标车辆横向速度、目标车辆的横向距离变化总量、目标车辆的横向距离增加及减少的视频/图像帧数、目标车辆横向距离与横向速度方向的一致性。
优选的，步骤S3中，通过如下步骤训练切入预测模型：
S301：基于获取的实车路试数据，构建包含特征向量组及对应标签向量的训练数据集和测试数据集；
S302：将训练数据集的特征向量组及对应的标签向量输入切入预测模型进行训练，用以调整切入预测模型的参数；
S303：将测试数据集的特征向量组输入切入预测模型中，基于对应的标签向量结合输出的切入意图预测结果评估切入预测模型的性能；
S304：若切入预测模型的性能达到预期，则完成训练；否则，返回步骤S302。
优选的，步骤S301中，通过如下步骤构建训练数据集和测试数据集：
S3011：对实车路试数据进行分割，得到若干个能够完整体现切入行为的路试数据包；
S3012：对路试数据包进行预处理，并根据目标车辆的实际驾驶行为对路试数据包进行标签标记；
S3013：从路试数据包中筛选出目标信息，进而提取目标信息中的特征信息；
S3014：将单个路试数据包的特征信息组合成特征向量组，并基于该路试数据包的标签生成与特征向量组对应的标签向量；进而将特征向量组及对应的标签向量作为一组样本数据；
S3015：重复步骤S3012至S3014，得到若干组样本数据；进而将若干组样本数据划分为训练数据集和测试数据集。
优选的，步骤S3012中，对路试数据包进行预处理包括时序排序、格式转换和坐标转换。
优选的，步骤S303中，评估切入预测模型性能的指标包括精确率、查准率、召回率和F值。
本发明还公开了一种可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现本发明的目标车辆切入意图预测方法的步骤。
本发明中目标车辆切入意图预测方法与现有技术相比，具有如下有益效果：
本发明将待测特征信息输入经过训练的切入预测模型中得到目标车辆的切入意图预测结果，而基于支持向量机算法构建的切入预测模型，在训练时会按照事先已分类的实车路试数据自动调整模型参数以达到最佳匹配的效果（类比于人类的学习过程），在完成训练后各项模型参数就是在大数据驱动下得到的总体经验，其分类效果拟合了实车路试数据和驾驶员实际判断，即能够有效拟合车辆切入的实际路试数据，使得切入预测模型对于目标车辆切入意图的预测和分类更为准确和客观，从而能够提高车辆切入行为判断的准确性和有效性。
同时，本发明获取本车状态信息以及前方的道路信息和目标车辆状态信息等三个维度的信息，并提取了其中用于预测目标车辆切入意图的待测特征信息，使得能够通过提取与车辆切入意图关联性更高的特征信息来预测目标车辆的切入意图，不仅能够进一步提高切入预测模型输入信息的有效性，还能够有效降低其他无关因素和信息的干扰，从而能够进一步提高车辆切入行为判断的准确性和有效性。
附图说明
为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1为目标车辆切入意图预测方法的逻辑框图；
图2为切入预测模型的分类过程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。此外，术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜的。在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
下面通过具体实施方式进一步详细的说明：
实施例一：
本实施例中公开了一种目标车辆切入意图预测方法。
如图1所示，目标车辆切入意图预测方法，包括以下步骤：
S1：获取本车状态信息以及本车前方的道路信息和目标车辆状态信息作为目标信息；
S2：从目标信息中提取用于预测目标车辆切入意图的特征信息作为待测特征信息；
S3：将待测特征信息输入经过训练的切入预测模型中，输出目标车辆的切入意图预测结果；切入预测模型基于支持向量机算法构建，并基于实车路试数据训练得到；
本实施例中，切入预测模型的分类过程如图2所示。
S4：基于目标车辆的切入意图预测结果控制本车执行对应的避障动作。
需要说明的是，本发明中目标车辆切入意图预测方法可通过程序编程的方式生对应的成软件代码或软件服务，进而能够在服务器和计算机上运行和实施。
本发明将待测特征信息输入经过训练的切入预测模型中得到目标车辆的切入意图预测结果，而基于支持向量机算法构建的切入预测模型，在训练时会按照事先已分类的实车路试数据自动调整模型参数以达到最佳匹配的效果（类比于人类的学习过程），在完成训练后各项模型参数就是在大数据驱动下得到的总体经验，其分类效果拟合了实车路试数据和驾驶员实际判断，即能够有效拟合车辆切入的实际路试数据，使得切入预测模型对于目标车辆切入意图的预测和分类更为准确和客观，从而能够提高车辆切入行为判断的准确性和有效性。
同时，本发明获取本车状态信息以及前方的道路信息和目标车辆状态信息等三个维度的信息，并提取了其中用于预测目标车辆切入意图的待测特征信息，使得能够通过提取与车辆切入意图关联性更高的特征信息来预测目标车辆的切入意图，不仅能够进一步提高切入预测模型输入信息的有效性，还能够有效降低其他无关因素和信息的干扰，从而能够进一步提高车辆切入行为判断的准确性和有效性。
具体实施过程中，本车的状态信息包括本车行驶速度和本车行驶姿态。道路信息包括车道宽度、车道线信息、路口/匝道的距离信息和指示灯信息。目标车辆状态信息包括目标车辆行驶速度和目标车辆行驶姿态。
本实施例中，提取的特征信息包括本车横向速度、本车中心与车道线两边的距离、本车距离下一路口/匝道的距离、目标车辆中心与车道线两边的距离、目标车辆距离下一路口/匝道的距离、本车与目标车辆之间的横向距离绝对值、目标车辆横向速度、目标车辆的横向距离变化总量、目标车辆的横向距离增加及减少的视频/图像帧数、目标车辆横向距离与横向速度方向的一致性。
本发明从本车状态信息以及前方的道路信息和目标车辆状态信息等三个维度的信息中提取用于预测目标车辆切入意图的待测特征信息，即提取了与车辆切入意图关联性更高的特征信息来预测目标车辆的切入意图，不仅能够进一步提高切入预测模型输入信息的有效性，还能够有效降低其他无关因素和信息的干扰，从而能够进一步提高车辆切入行为判断的准确性和有效性。
具体实施过程中，通过如下步骤训练切入预测模型：
S301：基于获取的实车路试数据，构建包含特征向量组及对应标签向量的训练数据集和测试数据集；
S302：将训练数据集的特征向量组及对应的标签向量输入切入预测模型进行训练，用以调整切入预测模型的参数；
S303：将测试数据集的特征向量组输入切入预测模型中，基于对应的标签向量结合输出的切入意图预测结果评估切入预测模型的性能；
本实施例中，评估切入预测模型性能的指标包括精确率、查准率、召回率和F值。
S304：若切入预测模型的性能达到预期，则完成训练；否则，返回步骤S302。
具体的，通过如下步骤构建训练数据集和测试数据集：
S3011：对实车路试数据进行分割，得到若干个能够完整体现切入行为的路试数据包；
本实施例中，每间隔30帧分割得到一个路试数据包。
S3012：对路试数据包进行预处理，并根据目标车辆的实际驾驶行为对路试数据包进行标签标记；
本实施例中，对路试数据包进行预处理包括时序排序、格式转换和坐标转换。
对路试数据包中的数据在对应时间段内按时间序列排布，存储为数组或列表格式便于读取，然后进行必要的格式转换和坐标转换。其中，坐标转换是从大地坐标系转换为frenet坐标系，这样做的好处是对后续提取出的特征表达更有利，因为切入行为是主要关注的切入本车道，对本车的影响，fernet坐标系可以很好地表征这一关注。
对路试数据包进行标签标记时，若目标车辆的实际驾驶行为中有切入行为，则对应路试数据包的标记为1，反之，若目标车辆的实际驾驶行为中没有切入行为，则对应路试数据包的标记为0。
S3013：从路试数据包中筛选出目标信息，进而提取目标信息中的特征信息；
S3014：将单个路试数据包的特征信息组合成特征向量组，并基于该路试数据包的标签生成与特征向量组对应的标签向量；进而将特征向量组及对应的标签向量作为一组样本数据；
S3015：重复步骤S3012至S3014，得到若干组样本数据；进而将若干组样本数据划分为训练数据集和测试数据集。
本发明中通过上述步骤构建训练数据集和测试数据集用以训练切入预测模型，使得基于支持向量机算法构建的切入预测模型能够在训练时按照事先已分类的数实车路试数据自动调整各种参数，以达到最佳匹配的效果（类比于人类的学习过程），进而能够在完成训练后各项参数就是在大数据驱动下得到的总体经验，使得切入预测模型的分类效果能够更好的拟合实车路试数据和驾驶员实际判断，即能够更为有效的拟合车辆切入的实际路试数据，使得切入预测模型对于目标车辆切入意图的预测和分类更为准确和客观，从而能够进一步提高车辆切入行为判断的准确性和有效性。
实施例二：
本实施例中公开了一种可读存储介质。
一种可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现本发明的目标车辆切入意图预测方法的步骤。可读存储介质可以是U盘或计算机等具有可读存储功能的设备。
最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.目标车辆切入意图预测方法，其特征在于，包括以下步骤：
S1：获取本车状态信息以及本车前方的道路信息和目标车辆状态信息作为目标信息；
S2：从目标信息中提取用于预测目标车辆切入意图的特征信息作为待测特征信息；
S3：将待测特征信息输入经过训练的切入预测模型中，输出目标车辆的切入意图预测结果；切入预测模型基于支持向量机算法构建，并基于实车路试数据训练得到；
步骤S3中，通过如下步骤训练切入预测模型：
S301：基于获取的实车路试数据，构建包含特征向量组及对应标签向量的训练数据集和测试数据集；
S302：将训练数据集的特征向量组及对应的标签向量输入切入预测模型进行训练，用以调整切入预测模型的参数；
S303：将测试数据集的特征向量组输入切入预测模型中，基于对应的标签向量结合输出的切入意图预测结果评估切入预测模型的性能；
S304：若切入预测模型的性能达到预期，则完成训练；否则，返回步骤S302；
步骤S301中，通过如下步骤构建训练数据集和测试数据集：
S3011：对实车路试数据进行分割，得到若干个能够完整体现切入行为的路试数据包；
S3012：对路试数据包进行预处理，并根据目标车辆的实际驾驶行为对路试数据包进行标签标记；
S3013：从路试数据包中筛选出目标信息，进而提取目标信息中的特征信息；
S3014：将单个路试数据包的特征信息组合成特征向量组，并基于该路试数据包的标签生成与特征向量组对应的标签向量；进而将特征向量组及对应的标签向量作为一组样本数据；
S3015：重复步骤S3012至S3014，得到若干组样本数据；进而将若干组样本数据划分为训练数据集和测试数据集；
S4：基于目标车辆的切入意图预测结果控制本车执行对应的避障动作。
2.如权利要求1所述的目标车辆切入意图预测方法，其特征在于：步骤S1中，本车的状态信息包括本车行驶速度和本车行驶姿态。
3.如权利要求1所述的目标车辆切入意图预测方法，其特征在于：步骤S1中，道路信息包括车道宽度、车道线信息、路口/匝道的距离信息和指示灯信息。
4.如权利要求1所述的目标车辆切入意图预测方法，其特征在于：步骤S1中，目标车辆状态信息包括目标车辆行驶速度和目标车辆行驶姿态。
5.如权利要求1所述的目标车辆切入意图预测方法，其特征在于：步骤S2中，提取的特征信息包括本车横向速度、本车中心与车道线两边的距离、本车距离下一路口/匝道的距离、目标车辆中心与车道线两边的距离、目标车辆距离下一路口/匝道的距离、本车与目标车辆之间的横向距离绝对值、目标车辆横向速度、目标车辆的横向距离变化总量、目标车辆的横向距离增加及减少的视频/图像帧数、目标车辆横向距离与横向速度方向的一致性。
6.如权利要求1所述的目标车辆切入意图预测方法，其特征在于：步骤S3012中，对路试数据包进行预处理包括时序排序、格式转换和坐标转换。
7.如权利要求1所述的目标车辆切入意图预测方法，其特征在于：步骤S303中，评估切入预测模型性能的指标包括精确率、查准率、召回率和F值。
8.一种可读存储介质，其特征在于，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如权利要求1-7任一项所述的目标车辆切入意图预测方法的步骤。
CN202210698805.2A 2022-06-20 2022-06-20 目标车辆切入意图预测方法及可读存储介质 Active CN115027497B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210698805.2A CN115027497B (zh) 2022-06-20 2022-06-20 目标车辆切入意图预测方法及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210698805.2A CN115027497B (zh) 2022-06-20 2022-06-20 目标车辆切入意图预测方法及可读存储介质

Publications (2)

Publication Number Publication Date
CN115027497A CN115027497A (zh) 2022-09-09
CN115027497B true CN115027497B (zh) 2024-07-23

Family

ID=83124292

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210698805.2A Active CN115027497B (zh) 2022-06-20 2022-06-20 目标车辆切入意图预测方法及可读存储介质

Country Status (1)

Country Link
CN (1) CN115027497B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117555333A (zh) * 2023-11-21 2024-02-13 深圳云程科技有限公司 一种动态行进轨迹的处理系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108313054A (zh) * 2018-01-05 2018-07-24 北京智行者科技有限公司 自动驾驶自主换道决策方法和装置及自动驾驶车辆
CN108550279A (zh) * 2018-04-03 2018-09-18 同济大学 基于机器学习的车辆驾驶行为预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018189844A1 (ja) * 2017-04-12 2018-10-18 日産自動車株式会社 運転制御方法及び運転制御装置
CN110532846B (zh) * 2019-05-21 2022-09-16 华为技术有限公司 自动换道方法、装置及存储介质
CN113486822B (zh) * 2021-07-12 2022-04-29 吉林大学 一种基于驾驶意图的周围车辆轨迹预测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108313054A (zh) * 2018-01-05 2018-07-24 北京智行者科技有限公司 自动驾驶自主换道决策方法和装置及自动驾驶车辆
CN108550279A (zh) * 2018-04-03 2018-09-18 同济大学 基于机器学习的车辆驾驶行为预测方法

Also Published As

Publication number Publication date
CN115027497A (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN110364008B (zh) 路况确定方法、装置、计算机设备和存储介质
CN111179300A (zh) 障碍物检测的方法、装置、系统、设备以及存储介质
CN105513354A (zh) 基于视频的城市道路交通拥堵检测系统
CN113269042B (zh) 基于行驶车辆违章识别的智能交通管理方法及系统
CN115027497B (zh) 目标车辆切入意图预测方法及可读存储介质
CN114926791A (zh) 一种路口车辆异常变道检测方法、装置、存储介质及电子设备
CN110674887A (zh) 一种基于视频分类的端到端道路拥堵检测算法
CN110986994B (zh) 一种基于高噪音车辆轨迹数据的换道意图自动标注方法
CN117787796A (zh) 一种自动驾驶测试的评价方法、装置及设备
CN115114786B (zh) 一种用于交通流仿真模型的评估方法、系统和存储介质
Wu et al. Lane-GNN: Integrating GNN for Predicting Drivers' Lane Change Intention
JP6681965B2 (ja) 自律走行のための学習対象イメージ抽出装置及び方法
CN115457764A (zh) 基于车辆轨迹数据的路段交通密度估测方法、装置及介质
CN116052417B (zh) 一种行驶预测方法、装置、设备和可读存储介质
CN112509321A (zh) 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质
CN115641569B (zh) 驾驶场景处理方法、装置、设备及介质
EP4264436B1 (en) Generating unknown-unsafe scenarios, improving automated vehicles, computer system
Zhang et al. Modeling lane-change risk in urban expressway off-ramp area based on naturalistic driving data
Chen et al. Evaluating the safety and efficiency impacts of forced lane change with negative gaps based on empirical vehicle trajectories
CN112633163B (zh) 一种基于机器学习算法实现非法运营车辆检测的检测方法
Wang et al. Variable weight combination model for lane-changing prediction of human-driven vehicle
CN116580551A (zh) 车辆驾驶行为评估方法、装置、设备及存储介质
CN115860461A (zh) 一种平面交叉口下非机动车交通冲突的风险因子评估方法
Ma et al. Lane change analysis and prediction using mean impact value method and logistic regression model
CN112085178B (zh) 一种车辆行为数据的标注方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant