[发明专利]一种车辆意图预测方法及相关装置

说明书

本申请实施例提供一种车辆意图预测方法及相关装置，该方法包括：获取意图预测模型，其中，所述意图预测模型用于对车辆向路口各个方向的行驶的意图进行预测；对所述目标行驶数据进行栅格化编码得到目标图像样本，其中所述目标行驶数据中的不同类型的数据、对应不同出口方向的数据分别编码到所述一个图像样本中的不同数据通道中；将所述目标图像样本输入到所述意图预测模型，得到所述第二车辆向所述路口各个方向的行驶的意图概率。采用本申请实施例，能够提高车辆在复杂路况的意图预测准确度。

技术领域

本发明涉及车联网技术领域，尤其涉及一种车辆意图预测方法及相关装置。

背景技术

随着智能驾驶技术的发展，智能车成为各大厂商重点研究的目标。智能驾驶包括辅助驾驶和自动驾驶，其实现的关键技术有：定位、感知、预测、规划控制等。车辆意图预测是指根据当前时刻以及历史时刻的目标车辆状态对目标车辆的行为意图进行预测，例如在顺行道路场景下车辆意图可以包括车道保持、左换道、右换道等，在路口场景下车辆意图可以包括直行、左转、右转以及调头等。在城市道路中，实时、准确、可靠地对车辆意图预测，可以帮助自车预知前方的交通状况，建立自车周围的交通态势，有助于对周围他车目标车辆重要性判断，筛选交互的关键目标车辆，便于自车提前进行路径规划，安全通过复杂路口场景。

近些年随着传感器硬件发展和算法的进步带来了自动驾驶领域快速发展，对车辆轨迹预测的研究也逐渐增多，目前的主要预测方法包括：

(1)基于规则的轨迹预测方法：主要利用了运动模型，如匀速、匀加速模型，根据预测目标车辆的位置和速度等信息来预测目标车辆在未来时间的运动，再结合高精地图的信息，如目标车辆临近的车道，以及与临近车道相连的后续车道，车道的转向信息等，来预测目标车辆未来较长时间可能行驶的路线。由于实际道路复杂，此方法工程量大，难以遍历所有的情况，并且严重依赖感知的精度和高精地图的准确性。

(2)基于概率统计的方法：此类方法提取了目标车辆的行驶状态，如速度、加速度、角速度等，利用隐马尔科夫模型(Hidden Markov Model，HMM)、动态贝叶斯网络(DynamicBayesian Network，DBN)等模型，来预测目标车辆的直行、转向等意图。此类模型的表示能力有限，因此泛化性能较差，并且输出的转向意图在一些复杂路口中并不实用。

(3)基于机器学习的方法：此类方法首先提取了一系列目标车辆的特征，如车辆形状、运动状态，周围车道的属性以及相关关系等，利用多层感知机(Multi LayerPerceptron，MLP)、k均值聚类算法(Kmeans)等方法，实现转向意图的分类。此类方法需要人工设计特征，在复杂的场景表示能力有限，并且输出的转向意图在一些复杂路口中并不实用。

可以看出，目前的预测方法在一些复杂路口情况下难以准确预测目标车辆的行驶意图。

发明内容

本申请实施例公开了一种车辆意图预测方法及相关装置，能够提高车辆在复杂路口的意图预测准确度，且预测泛化性较好，能够适用于各种出口数量的路口的预测。

第一方面，本申请实施例提供一种车辆意图预存模型的训练方法，该方法包括：

获取多条行驶数据，其中，每条行驶数据包括第一参考信息和第一车辆行驶经过路口时的一条轨迹的第一坐标值，其中，所述第一参考信息包括所述路口的各个出口方向上的虚拟车道线的第二坐标值和/或所述路口的各个出口方向上的出口区域的第三坐标值；所述虚拟车道线的第二坐标值所在坐标系的原点，以及所述出口区域的第三坐标值所在坐标系的原点均为所述一条轨迹的起始点；

对所述多条行驶数据进行栅格化编码得到多个图像样本，其中，一条行驶数据中的不同类型的数据、对应不同出口方向的数据分别编码到所述一个图像样本中的不同数据通道中；