[发明专利]自行车轨迹预测的自动驾驶车辆风险评估方法及系统

说明书

本发明提供了一种自行车轨迹预测的自动驾驶车辆风险评估方法及系统，包括：步骤1：对交叉路口骑车人的运动特征、自我车辆运动和道路环境特征的信息数据进行采集，得到采集数据；步骤2：将采集数据结合到DBN图形模型中进行意图推断，得出意图推断结果；步骤3：根据意图推断结果，采用具有编码器‑解码器的长短期记忆网络LSTM进行轨迹预测；步骤4：根据轨迹预测输出骑车人的预测位置。本发明可以提高预测时间以及预测的准确性；不仅考虑了运动动力学，还考虑了骑车人的意图和环境约束；可以提高预测时间以及预测的准确性，对VRU保护系统和路径规划模块上的智能车辆具有重要意义。

技术领域

本发明涉及智能驾驶技术领域，具体地，涉及一种自行车轨迹预测的自动驾驶车辆风险评估方法及系统。尤其地，涉及一种基于DBN和LSTM的自行车轨迹预测的自动驾驶车辆风险评估方法。

背景技术

智能驾驶作为战略性新兴产业的重要组成部分，发展智能驾驶，对于促进国家科技、经济、社会生活，以及综合国力有着重大的意义。智能驾驶可以弥补人类驾驶员存在的缺陷，实现智能驾驶，可以提高交通效率，保证安全率，缓解劳动力短缺的问题。同时，智能驾驶技术的研究可以增强我国在汽车相关产业方面的核心竞争力，对提升我国的学术以及工业能力具有重大的战略意义。

随着智能驾驶技术的发展，自行车运动轨迹预测对于智能车辆的主动避碰和路径规划都具有重要意义。自行车运动员的运动意图很难预测，因为具有很大的不确定性。与行人相比，骑车人的运动速度更快，并且其运动更依赖于道路交通环境，通常具有固定的车道。相关交通事故率高，专门针对骑车人的保护措施少。上述差异对自行车安全保护系统的研究提出了更高的要求和挑战。

LSTM是一种特殊的递归神经网络(RNN)，能够学习长期依赖。它显示出很强的信息获取能力，并且在处理时间序列时能表现出内在的特征。此外，LSTM能够可靠地预测复杂场景中的轨迹。轨迹属于时间序列问题，因此利用LSTM通过历史运动数据和环境信息预测未来轨迹是合理的。选择编码器-解码器作为轨迹预测模型的结构，有利于解决不同时间步长的输出不相关的问题，处理seq-seq问题。

专利文献CN109572694A(申请号：201811320132.7)公开了一种考虑不确定性的自动驾驶风险评估方法，本发明方法包括先验环境地图构建步骤、交通参与车辆状态观测步骤、自车执行轨迹调取步骤、基于先验知识的自适应多目标追踪步骤，通过驾驶行为似然估计、轨形匹配、轨迹预测，利用多安全裕度对行车碰撞风险估计，最后输出时空行车风险态势图进行评估。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种自行车轨迹预测的自动驾驶车辆风险评估方法及系统。

根据本发明提供的自行车轨迹预测的自动驾驶车辆风险评估方法，包括：

步骤1：对交叉路口骑车人的运动特征、自我车辆运动和道路环境特征的信息数据进行采集，得到采集数据；

步骤2：将采集数据结合到DBN图形模型中进行意图推断，得出意图推断结果；

步骤3：根据意图推断结果，采用具有编码器-解码器的长短期记忆网络LSTM进行轨迹预测；

步骤4：根据轨迹预测输出骑车人的预测位置。

优选的，所述步骤2包括：

从车辆传感器的角度的观察集合为O，从骑车人的角度的隐藏变量集合为H，则有：

O＝{O^O,O^V,O^R}

H＝{H^O,H^V,H^R}