智能汽车对前方车辆的运动感知与换道意图辨识

摘要

智能车辆是一种不需要人类操作就能自动感应周围环境、自动导航的载具。智能汽车有着提高车辆行驶安全性、减少交通事故、有效的管理交通流量、纾解交通压力等多种优点，现已成为未来汽车科技的主要发展方向。智能车辆在道路上安全行驶的前提是对行驶环境有准确的感知理解，其中对在途其它车辆的运动感知和驾驶行为理解尤为重要。本文以城市道路环境为背景，对智能车辆前方车辆目标的运动状态和换道意图进行研究，主要研究内容如下： 首先，对基于深度卷积神经网络的道路场景语义分割技术进行研究，采集并标注大量交通道路场景样本，利用构建的深层道路场景分割网络，通过样本训练，识别出道路场景图像中所有像素的类别，完成道路、车辆、行人、人行道、各类车道线、天空及其他类别的平滑分割。利用语义分割的结果，利用图像RGB分割技术提取出场景里的车辆，并基于单目视觉测距技术完成车辆目标的定位和纵／横向速度、加速度等运动参数的初步提取。 然后，在基千世界坐标系与本车运动坐标系的相对运动关系基础上，考虑到道路行驶车辆的机动行为主要以平面二维运动为主，并且机动性较小的特点，通过对几种运动目标状态模型与滤波估计算法的比较分析，最终采用基千匀加速模型(CA模型）的扩展卡尔曼滤波(EKF)算法，实现基于世界坐标系的前方目标车辆的位置和纵／横向速度以及纵／横向加速度等运动状态的准确实时估计，通过实车实验验证算法的稳定性与估计精度。 最后，依据车辆变道行为过程符合马尔可夫过程的原理，以及车辆的换道行为具有不可见性和连续性的特点，建立混合高斯隐马尔可夫模型(GM-HMM)来描述前方车辆的变道行为。结合直线道路上的车辆行驶特点，以传感器测量的前车与左侧车道线的横向距离和前车的横纵向速度为换道行为表征参数，筛选NGSIM数据集为训练样本，建立前车换道意图识别模型，对直线路段前车的车道保持(LK)、左换道(LCL)和右换道(LCR)三种驾驶意图进行辨识。通过对选取的测试样本进行测试，验证了模型的识别准确率。

目录

声明

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 目标运动状态估计

1.2.2 它车驾驶行为分析

1.3 研究内容与论文章节安排

1.3.1 研究内容

1.3.2 论文章节安排

2 基于语义分割的车辆检测与信息获取

2.1 引言

2.2 基于深度卷积网络的道路场景语义分割

2.2.1 全卷积神经网络与语义分割

2.2.2 网络结构介绍

2.2.3 实验准备与模型训练

2.2.4 实验结果与分析

2.3 车辆分割与信息获取

2.3.1 车辆分割

2.3.2 车辆质心计算

2.3.3 前车信息参数获取

2.4 本章小结

3 前方车辆运动状态参数的最优估计

3.1 引言

3.2 目标运动状态模型

3.2.1 CV 模型

3.2.2 CA 模型

3.2.3 CT 模型

3.3 典型滤波估计算法

3.3.1 经典卡尔曼滤波（KF）

3.3.2 扩展卡尔曼滤波（EKF）

3.3.3 粒子滤波(PF)

3.4 前方车辆状态估计方案设计

3.4.1 目标运动状态模型与滤波算法选择

3.4.2 坐标系的建立

3.5 实车实验结果与分析

3.5.1 试验平台搭建

3.5.2 算法测试结果与分析

3.6 本章小结

4 前方车辆换道意图辨识

4.1 引言

4.2 隐马尔科夫模型（HMM）理论概述

4.2.1 HMM基本概念

4.2.2 HMM分类

4.2.3 HMM基本问题与解决算法

4.3 前方车辆换道意图识别模型设计

4.3.1 建模分析

4.3.2 模型观测变量选取

4.3.3 模型参数设计

4.4 模型训练

4.4.1 数据集选取与预处理

4.4.2 模型参数训练

4.5 换道意图辨识

4.5.1 样本识别测试

4.5.2 模型精度检验

4.5.3 最优时间窗口分析

4.5.4 滑动时间窗口选取

4.6 本章小结

5 总结与展望

5.1 总结

5.2 展望

致谢

参考文献