[发明专利]一种基于BiLSTM周车换道意图预测方法

权利要求书

1.一种基于BiLSTM周车换道意图预测方法，其特征在于包括以下步骤：

1)换道意图预测模型的离线训练过程：首先通过大规模真实驾驶场景的采集和处理构建训练数据库；然后训练换道意图预测模型；

所述通过大规模真实驾驶场景的采集和处理构建训练数据库，具体包括以下步骤：

(1)自车数据采集：利用摄像头、毫米波雷达、激光雷达和GPS车载传感器采集车辆的数据；

(2)数据融合：将各传感器融合得到所需数据，所需数据包括但不限于周车的基本特征、周车与自车的相对位置和相对速度、车辆视频数据；

(3)滑动窗口分割数据：为最大限度地利用有限的数据，采用50％重叠率的滑动窗口去分割数据，其中滑动窗口长度为网络的输入长度n，设每一序列的标签为该序列最后n时刻的标签，即可得到车辆状态序列和车辆视频序列所构成的数据库；

所述训练换道意图预测模型的具体步骤为：

(1)视频的帧水平特征提取：采用微调的Inception-ResNet-v2网络来提取图像的特征，该网络由Stem模块、Inception-Resnet模块、Recduction模块、平均池化层、Dropout层和PCA层组成；由于经过Inception-ResNet-v2网络后的特征维度高达1792，采用PCA降维算法来提高网络的效率；

(2)数据拼接：将车辆状态序列和经过帧水平提取的车辆视频序列拼接，以便输入BiLSTM网络；

(3)BiLSTM网络：LSTM单元处理时序预测问题，而BiLSTM网络是在LSTM层的基础上添加另一后向LSTM层，进一步处理后向信息，提高网络的预测性能，所以采用BiLSTM网络来实现最终的换道意图预测；

(4)BiLSTM网络的输入：车辆状态序列和车辆视频序列的拼接；

(5)BiLSTM网络处理过程：BiLSTM网络使用前向forward LSTM正常顺序读取时序数据，并且利用后向backward LSTM沿着相反顺序读取时序数据；

(6)BiLSTM网络的输出：将前向和后向LSTM层的输出拼接，并输入到Softmax层，最后输出周车换道意图概率；

2)换道意图预测模型在线实时预测：在自车实时采集数据和数据预处理之后，用训练好的换道意图预测模型在线实时预测，即可预测得到周车当前换道意图。

2.如权利要求1所述一种基于BiLSTM周车换道意图预测方法，其特征在于在步骤1)中，所述所需数据的选取规则如下：选取周车的横向位置、横向速度、横向加速度和方向角作为周车的基本特征；车辆间的交互作用是影响车辆的换道意图因素之一，需考虑周车与自车的相对位置和相对速度；选取车辆视频数据作为输入特征，自车采集后融合的车辆状态数据存在较大的噪声，采用对称指数移动平均滤波算法来平滑数据，车辆视频数据的同一帧图像中可能存在多辆车，分割图像ROI区域，并确定各周车状态数据所对应ROI区域。