[发明专利]一种基于时序卷积网络的车辆换道意图预测方法

说明书

本发明涉及一种基于时序卷积网络的车辆换道意图预测方法，包含如下的步骤，S1:采集目标车辆和周围车辆的跟踪轨迹数据；S2：车道预测特征提取，从S1步骤获得的跟踪轨迹数据中提取出80个特征；S3：采用时序卷积网络作为骨架网络，输入多帧从S2步骤中获得的特征矩阵，对意图行驶车道和换道时间做出预测，输出目标车辆的当前意图车道。本发明综合考虑了周围车辆对目标车辆意图的影响，提取历史信息中的目标车辆状态、道路状态和目标车辆周围车辆的状态特征，通过时序卷积网络得到目标车辆的当前意图车道，克服了隐马尔科夫模型或LSTM等方法存在的训练复杂的缺点。

技术领域

本发明属于无人驾驶车辆技术领域，尤其是涉及到一种基于时序卷积网络的车辆换道意图预测方法。

背景技术

随着无人驾驶技术的发展，为了安全并且有效率地通过复杂的交通场景并作出最优的决策，无人驾驶车辆需要有能够预测周围车辆的未来意图与轨迹的能力。周围车辆的行驶意图不但对无人驾驶车辆的决策规划有重要影响，它们彼此间驾驶意图也会互相影响。人类司机可以根据自身的经验能够依据周围车辆的当前、过去行为及互动对它们的行驶意图和未来轨迹作出相应预测，从而作出重要行驶决策如超车、减速或换道。现有的辅助驾驶系统通常缺失这种预测能力，而将行驶决策完全交给人类司机。但对于无人驾驶车辆来说，这种决策能力是必不可少的，而作为重要输入的周围车辆的意图和轨迹预测也在现在的无人驾驶系统中扮演越来越重要的角色。

现有的意图预测算法通常分为两种，基于规则的算法与基于学习的算法。基于规则的算法，最具代表性的是“间隙接受模型”，它假设驾驶员的车道变换动机是基于目标车道的超前和滞后间隙，该方法假设如果间隙达到最小可接受值，则驾驶员倾向于进行车道变换。虽然拥有简单便捷判断车辆意图的特点，但这样的方法需要进行大量繁琐耗时的参数微调。而基于学习的算法则从大量数据中学习出车辆意图分辨的函数或网络模型，通常需要大量的训练数据，它的分类效果一般好于基于规则的算法，且具有鲁棒性。

现有的方法多是对车辆行为进行预测：向左变道、向右换道或直行等，而对一些复杂的车辆行为意图或复杂地图无法做出预测，如合并车道、分流车道、驶出车道或驶入车道等。现有的方法有使用隐马尔科夫模型或LSTM等方法，多是在模拟数据集上进行训练和预测，且如LSTM等方法有着训练复杂的缺点。另外，现有方法多只考虑到了目标车辆自身状态，而忽略了周围车辆对目标车辆意图的影响。

基于此，特提出本发明。

发明内容

为了解决现有技术存在的上述问题，本发明的目的是提供一种基于时序卷积网络的车辆换道意图预测方法，采用了历史信息中的目标车辆状态、道路状态和目标车辆周围车辆的状态，并提取出适当的特征输入到时序卷积网络中，经过处理后输出目标车辆的当前意图车道。

本发明的技术方案是：一种基于时序卷积网络的车辆换道意图预测方法，包含如下的步骤，

S1:采集目标车辆和周围车辆的跟踪轨迹数据；

S2：车道预测特征提取，从S1步骤获得的跟踪轨迹数据中提取出80个特征；

S3：采用时序卷积网络作为骨架网络，输入多帧从S2步骤中获得的特征矩阵，对意图行驶车道和换道时间做出预测，输出目标车辆的当前意图车道。

进一步地，S1步骤中，目标车辆和周围车辆的跟踪轨迹数据由无人驾驶感知系统在驾驶路测时产生，包括有道路信息的地图、车辆物理信息、车辆位置、所在车道、速度、车辆朝向信息。

进一步地，S2步骤中，使用五条意图可能车道作为模型预测，对每条意图可能车道提出共计16个特征，分为三类：

a)目标车辆状态特征，包括：是否在此车道、S方向速度、l方向速度、l方向距离、车辆朝向这5个特征；

b)道路状态特征，包括：车辆数量这1个特征；