[发明专利]一种基于LSTM的换道意图预测方法

说明书

本发明一种基于LSTM的换道意图预测方法包括，训练数据集的采集和LSTM模型训练、车辆行驶过程中的换道预测；训练数据集的采集和LSTM模型训练，在具有代表性的典型路段上方架设摄像头，获取数据，通过大量的数据训练，得到换道意图预测模型；车辆行驶过程中的换道预测，用于行驶过程中的换道预测。本发明适用于用于自动驾驶车辆行驶过程中预测周围其他车辆(目标车辆)的换道意图；采用LSTM方法进行换道意图的预测，先行对判断信息是否有用并对信息进行处理，为换道意图预测提供了更加准确的数据。

技术领域

本发明属于车辆技术领域，尤其是涉及一种基于LSTM的换道意图预测方法。

背景技术

自动驾驶车辆在行驶过程面对的交通环境复杂，为了避免碰撞，保证行车安全，需要预测其他车辆的换道意图。准确预测换道意图可以提高车辆行驶的安全性，并为自动驾驶车辆的路径规划提供信息。

当前道路上行驶的车辆大多数为人类驾驶车辆，预测车辆换道意图需要对人类驾驶员的驾驶习惯进行学习。神经网络具有强大的学习能力，可以学习人类驾驶员习惯。同时换道意图预测是一个时间序列的问题，现有用于时间序列的神经网络方法有RNN和LSTM，但RNN方法存在梯度弥散和梯度爆炸情况，不适宜应用于较长的时间序列中。

发明内容

本申请的目的在于提供一种基于LSTM的换道意图预测方法，以提高车辆行驶的安全性。

为实现上述目的，本申请采用的技术方案是：

一种基于LSTM的换道意图预测方法包括，训练数据集的采集和LSTM模型训练、车辆行驶过程中的换道预测；训练数据集的采集和LSTM模型训练，在具有代表性的典型路段上方架设摄像头，获取数据，通过大量的数据训练，得到换道意图预测模型；车辆行驶过程中的换道预测，用于行驶过程中的换道预测。

所述的训练数据集的采集和LSTM模型训练，包括以下步骤：

首先通过在道路上方架设摄像机，获取车辆行驶信息；对车辆行驶信息进行处理，获取包括车辆编号、车辆位置、车辆速度、车辆加速度、车辆当前车道；应用提取的数据，组成训练数据集；

其次，构建长短时记忆神经网络即LSTM模型，将训练数据集输入长LSTM中，对神经网络的参数进行训练，使其学习人类驾驶员的驾驶习惯；所述LSTM模型的输出为换道意图，换道意图分为三类，即保持当前车道行驶、向左换道、向右换道；将输出的换道意图与车辆的实际行为进行对比，计算输出的准确率，如果准确率达到要求，则输出当前的LSTM模型。

所述的车辆行驶过程中的换道预测，通过车辆传感器获取拟预测车辆的信息，包括车辆位置、速度、加速度以及所在车道；将上述信息输入到已训练的LSTM模型中，即可输出车辆的换道意图。

本发明适用于用于自动驾驶车辆行驶过程中预测周围其他车辆(目标车辆)的换道意图；采用LSTM方法进行换道意图的预测，先行判断信息是否有用并对信息进行处理，为换道意图预测提供了更加准确的数据。

附图说明

图1是本发明的方法示意图；

图2是本发明训练数据集的采集和LSTM模型训练流程图；

图3是本发明车辆行驶过程中的换道预测流程图。

具体实施方式

结合实施例说明本发明的具体技术方案。

如图1所示，本方案的实施过程包括两个阶段，第一阶段为训练数据集的采集和LSTM模型训练，第二阶段为车辆行驶过程中的换道预测。

训练数据集的采集和LSTM模型训练，在具有代表性的典型路段上方架设摄像头，获取数据，通过大量的数据训练，得到换道意图预测模型；