[发明专利]一种适用于人机混驾环境下智能车辆换道轨迹预测方法

权利要求书

1.一种适用于人机混驾环境下智能车辆换道轨迹预测方法，其特征在于，包括如下步骤：

S1获取高速路段上行进的无人驾驶汽车的轨迹数据；

S2将获取的驾驶轨迹数据进行处理，获取车辆自身的空间信息、运动信息及邻近车相对状态的数据信息，筛选出换道数据，生成样本数据库，所述样本数据库包括样本数据集和精度验证样本集；

所述空间信息包括车辆所行使车道在车道内的位置；

所述运动信息包括车辆速度、车长及车宽；

所述邻近车相对状态的数据信息具体是指换道车辆i与邻近车辆j的相对状态向量其中Δx_i,j(t)，Δy_i,j(t)，Δv_i,j(t)分别代表车辆i和j在t时刻的相对x轴坐标、相对y轴坐标和相对速度；

S3构建无人驾驶车辆换道轨迹预测模型，其模型的输入变量为6N个，输出变量为2个，N为历史样本序列的长度；

所述无人驾驶车辆换道轨迹预测模型是基于长短期记忆神经网络构建；

所述无人驾驶车辆换道轨迹预测模型的6N个输入变量为：

①换道目的地

指换道车辆i在t-(n-1)τ时刻的换道目的地，n＝1,2,…,N，N为历史样本序列长度，τ为输入各时间序列之间的时间间隔；

②基础设施信息M

将车辆i当前位置最近的车道中位线横向x轴坐标作为基础设施信息；

③车辆参数C_i

使用车辆i的长度、宽度对车辆类型进行表征，即：

C_i＝{W_i,L_i}

式中，W_i、L_i分别为车辆i的宽度和长度；

④状态向量

包括车辆i自身的即时速度、换道过程中运动状态的方向和幅度，即：

式中，x_i(t-(n-1)τ)，y_i(t-(n-1)τ)，v_i(t-(n-1)τ)分别为车辆i在t-(n-1)τ时刻的x轴坐标、y轴坐标和速度大小；

⑤车辆参数C_j

使用邻近车辆j的长度、宽度对车辆类型进行表征，即：

C_j＝{W_j,L_j}

式中，W_j、L_j分别为车辆j的宽度和长度；

⑥相对状态向量

包括车辆i与j的相对速度，换道过程中车辆i和j的相对运动状态的方向和幅度，即：

式中，Δx_i,j(t-(n-1)τ)，Δy_i,j(t-(n-1)τ)，Δv_i,j(t-(n-1)τ)分别为车辆i和j在t-(n-1)τ时刻的相对x轴坐标、相对y轴坐标和相对速度大小；

所述无人驾驶车辆换道轨迹预测模型的输出变量为：

①模型对车辆x轴方向的位置预测结果x(t+T)；

式中，T表示预测延迟，取值范围为0.1-1.5s；

②模型对车辆y轴方向的位置预测结果y(t+T)；

S4进行车辆换道轨迹预测模型训练，以模型轨迹MSE误差是用于训练模型收敛的条件函数，使用RMSprop优化方法进行训练，采用反向传播算法作为计算梯度基本方法，当模型轨迹MSE误差最小时得出最优车辆换道轨迹预测模型结构及最佳训练样本量，进一步选取最佳历史序列长度；

随机抽取的不同序列长度N条件的10000个样本，对LSTM模型进行测试，得到测试历史序列长度；

使用不同的训练样本量对车辆换道轨迹预测模型进行训练，得到最佳训练样本量和最优换道轨迹预测模型结构；

在已知最佳训练样本量和最优换道轨迹预测模型结构的前提下，训练不同历史序列长度的车辆换道轨迹预测模型，得到最佳历史序列长度；

S5利用精度验证样本集中的数据对最优换道轨迹预测模型结构进行验证，验证后的最优换道轨迹预测模型进行换道轨迹预测。

2.根据权利要求1所述的一种适用于人机混驾环境下智能车辆换道轨迹预测方法，其特征在于，训练样本总数不少于50000个，精度验证样本总数不少于10000个，轨迹精度要求在0.5m以内，样本采样率在1～10Hz之间。