公开/公告号CN113306558A
专利类型发明专利
公开/公告日2021-08-27
原文格式PDF
申请/专利权人 北京理工大学;
申请/专利号CN202110867345.7
申请日2021-07-30
分类号B60W30/18(20120101);B60W50/00(20060101);B60W40/06(20120101);B60W40/04(20060101);B60W40/105(20120101);
代理机构11569 北京高沃律师事务所;
代理人王爱涛
地址 100081 北京市海淀区中关村南大街5号
入库时间 2023-06-19 12:22:51
技术领域
本发明涉及自动驾驶技术领域,特别是涉及一种基于换道交互意图的换道决策方法及系统。
背景技术
随着汽车数量的日益增长与自动驾驶车辆的智能化程度的不断提升,对车辆间交互行为的理解提出了更高的要求,关于车车交互行为的研究也越来越得到关注。换道行为是常见的基本驾驶场景,关于自动驾驶车辆换道模型已经得到了广泛的研究,然而,目前国内外对换道过程中的车辆交互问题的研究还不够系统。
车辆违法换道、切入与超车等不当驾驶操作都可能引起交通冲突与碰撞,在很大程度上影响着交通流的效率。在换道场景中,有可能因为车流密度高、不确定因素多等原因,使当前的自动驾驶车辆很难给出合理的通行决策,而且无法合理的与周围交通参与者进行换道交互。
交通道路上,本车产生换道意图后会影响周围车辆的决策,周围车辆的行为也会影响本车的换道行为决策,这是一种多重博弈,需要车辆与车辆之间不断交互,不同交通参与者之间都需要协作驾驶,以保证交通效率和交通安全性。
发明内容
本发明的目的是提供一种基于换道交互意图的换道决策方法及系统,通过识别车辆当前的换道交互意图,以帮助换道场景中自动驾驶车辆进行换道时或面对周围车辆换道时做出正确决策以及提高换道过程中的交通安全。
为实现上述目的,本发明提供了如下方案:
一种基于换道交互意图的换道决策方法,包括:
采集换道交互数据;所述换道交互数据包括:车辆的位置信息、车速、道路信息以及车道场景;所述车辆包括换道车辆和周围车辆;
通过所述道路信息以及所述车道场景对所述换道交互数据进行标注,并从所述换道交互数据中提取驾驶特征构建训练集和验证集;
对所述驾驶特征进行标签,确定横向换道意图;
通过所述训练集和所述横向换道意图训练长短时记忆网络,得到横向换道意图模型;
通过横向换道意图和所述驾驶特征训练长短时记忆网络,得到纵向让行意图模型;
根据横向换道意图模型输出的横向换道意图和所述纵向让行意图模型输出的纵向让行意图,判定换道交互车辆的换道交互状态;
根据所述换道交互状态确定换道决策。
可选地,在所述采集换道交互数据,之后还包括:
对所述换道交互数据进行降噪和滤波处理。
可选地,所述驾驶特征包括换道车辆绝对状态信息
其中,
可选地,所述横向换道意图包括左超车换道意图、右超车换道意图、左跟车换道意图、右跟车换道意图和车道保持意图。
可选地,纵向让行意图的公式如下:
其中
可选地,判定换道交互车辆的换道交互状态的规则如下:
其中,
可选地,还包括:
通过所述验证集验证所述横向换道意图模型的准确性。
本发明还提供了一种基于换道交互意图的换道决策系统,包括:
数据采集模块,用于采集换道交互数据;所述换道交互数据包括:车辆的位置信息、车速、道路信息以及车道场景;所述车辆包括换道车辆和周围车辆;
标注和提取模块,用于通过所述道路信息以及所述车道场景对所述换道交互数据进行标注,并从所述换道交互数据中提取驾驶特征构建训练集和验证集;
标签模块,用于对所述驾驶特征进行标签,确定横向换道意图;
第一训练模块,用于通过所述训练集和所述横向换道意图训练长短时记忆网络,得到横向换道意图模型;
第二训练模块,用于通过横向换道意图和所述驾驶特征训练长短时记忆网络,得到纵向让行意图模型;
换道交互状态判定模块,用于根据横向换道意图模型输出的横向换道意图和所述纵向让行意图模型输出的纵向让行意图,判定换道交互车辆的换道交互状态;
换道决策确定模块,用于根据所述换道交互状态确定换道决策。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明首先对换道车辆的横向换道意图进行识别,并对周围车辆的让行意图进行识别,在此基础上进一步判定车辆间的换道交互状态,本发明实现了换道交互过程中的场景充分理解,进而根据交互环境的实时变化可以实时更新场景以及车辆的决策,本发明更加符合实际换道交互情况,具有较大的新颖性与实用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于换道交互意图的换道决策方法的流程图;
图2为左换道超车场景示意图;
图3为右换道超车场景示意图;
图4为左换道跟车场景示意图;
图5为右换道跟车场景示意图;
图6为跟车场景示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
本发明的目的是提供一种基于换道交互意图的换道决策方法及系统,通过识别车辆当前的换道交互意图,以帮助换道场景中自动驾驶车辆进行换道时或面对周围车辆换道时做出正确决策以及提高换道过程中的交通安全。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明公开的一种基于换道交互意图的换道决策方法,包括以下步骤:
步骤101:采集换道交互数据;所述换道交互数据包括:车辆的位置信息、车速、道路信息以及车道场景;所述车辆包括换道车辆和周围车辆。
通过车载传感器对换道交互数据进行采集,传感器包括摄像机、激光雷达、毫米波雷达、导航系统、电子控制系统等。并保证采集数据的时间一致性。
场景可以是一个三车道场景,左侧车道为快速车道,右侧车道为慢速车道,但不限于此,车道数可根据实际情况而定。本车位于中间车道,称为换道车辆,向左/右换道,或车道保持。换道车辆与周围车辆进行换道交互,重点关注如图2-6所示的五个子换道场景。所述车流包括低速和高速交通状况,车辆行驶的过程中也存在超车等复杂交互行为,属于本发明中的一种组合衍生形式。
步骤102:通过所述道路信息以及所述车道场景对所述换道交互数据进行标注,并从所述换道交互数据中提取驾驶特征构建训练集和验证集。
对步骤101中的采集数据进行预处理,数据预处理方法包括降噪、滤波等,选用插值、拟合或滤波方法对驾驶数据进行平滑处理,以降低数据的噪声干扰与提升意图识别模型的性能。例如,平滑处理方法可以是滑动平均滤波法,公式如下:
其中,
根据摄像机拍摄的场景及道路信息对换道数据进行标注,并从采集信息中提取出三种驾驶特征,包括换道车辆绝对状态信息
其中,
此外,基于交叉验证理论,将预处理后的驾驶特征数据分为训练数据集和验证数据集
步骤103:对所述驾驶特征进行标签,确定横向换道意图。
并对不同驾驶特征进行标签,以表示换道车辆的左超车换道、右超车换道、左跟车换道、右跟车换道或车道保持5种横向换道驾驶意图。
步骤104:通过所述训练集和所述横向换道意图训练长短时记忆网络,得到横向换道意图模型。
根据步骤102处理的驾驶特征,进而对换道车辆的横向换道意图进行识别。横向意图识别模型的数据输入格式如下:
选用长短时记忆网络(LSTM)对不同横向意图标签下的驾驶数据
最终,基于选定的长短时记忆网络,从所述驾驶特征中提取左超车换道、右超车换道、左跟车换道、右跟车换道和车道保持共五种横向意图特征参数。并分别建立对应的横向换道意图识别模型,分别对应图2-6中的5个换道场景。5种驾驶意图为:左超车换道意图(
步骤105:通过横向换道意图和所述驾驶特征训练长短时记忆网络,得到纵向让行意图模型。
在识别横向换道意图
周围车辆的让行意图是指:在识别的换道车辆的横向换道意图基础上,对周围车辆的让行意图进行识别,以分析与判定车辆间的换道交互行为。具体地,选用长短时记忆网络对驾驶数据进行学习、训练与特征提取,通过对周围车辆的纵向加速度参量进行预测,然后建立对应周围车辆的纵向让行意图模型。建立纵向让行意图模型的过程与上述建立横向驾驶意图模型类似,进而判断其让行意图。当横向换道意图为车道保持
其中
步骤106:根据横向换道意图模型输出的横向换道意图和所述纵向让行意图模型输出的纵向让行意图,判定换道交互车辆的换道交互状态。
对换道交互状态进行判定,判定规则如下:
将识别的两种意图结果作为换道交互状态判定的输入,所述横向换道意图为车道保持时,所述车辆间的换道交互状态为弱交互状态;所述横向换道意图为左跟车换道或右跟车换道时,所述换道交互状态为单向交互状态,主要是作为后车的换道车辆单向与周围前车进行交互,具体通过得到的换道车辆的纵向加速度
步骤107:根据所述换道交互状态确定换道决策。
基于步骤106中判定的交互状态,当交互状态为弱交互状态或单向交互状态时,则按照设定好的换道决策模型进行换道决策;如果为主动让行交互状态,则认为换道对周围车辆影响较小,可进行设定好的换道决策;如果为被动让行交互状态,则认为对周围后车影响较大,为了降低碰撞风险以保证交通安全,需要适当改变换道决策,例如,加速换道,甚至放弃换道。
本发明还提供了一种基于换道交互意图的换道决策系统,包括:
数据采集模块,用于采集换道交互数据;所述换道交互数据包括:车辆的位置信息、车速、道路信息以及车道场景;所述车辆包括换道车辆和周围车辆;
标注和提取模块,用于通过所述道路信息以及所述车道场景对所述换道交互数据进行标注,并从所述换道交互数据中提取驾驶特征构建训练集和验证集;
标签模块,用于对所述驾驶特征进行标签,确定横向换道意图;
第一训练模块,用于通过所述训练集和所述横向换道意图训练长短时记忆网络,得到横向换道意图模型;
第二训练模块,用于通过横向换道意图和所述驾驶特征训练长短时记忆网络,得到纵向让行意图模型;
换道交互状态判定模块,用于根据横向换道意图模型输出的横向换道意图和所述纵向让行意图模型输出的纵向让行意图,判定换道交互车辆的换道交互状态;
换道决策确定模块,用于根据所述换道交互状态确定换道决策。
本发明首先对换道车辆的横向换道意图进行识别,并对周围车辆的让行意图进行识别,在此基础上进一步判定车辆间的换道交互状态,本发明实现了换道交互过程中的场景充分理解,进而根据交互环境的实时变化可以实时更新场景以及车辆的决策,本发明更加符合实际换道交互情况,具有较大的新颖性与实用性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
机译: 基于弹簧系统的自动驾驶汽车换道方法
机译: 基于SPRING系统的自主车辆换道方法
机译: 基于SPRING系统的自主车辆换道方法