[发明专利]一种基于BiLSTM周车换道意图预测方法

说明书

一种基于BiLSTM周车换道意图预测方法，涉及智能车辆技术领域。包括以下步骤：1)换道意图预测模型的离线训练过程：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；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。综合考虑影响周围车辆换道的因素，利用Inception‑ResNet‑v2网络提取车辆视频的帧水平特征，并融合车辆状态和帧水平特征，提高BiLSTM网络预测的能力，进一步提高检测精度和效率，有效实现预测周围车辆的换道意图，对提高无人驾驶车辆的安全性能有很大的作用。

技术领域

本发明涉及智能车辆技术领域，尤其是涉及一种基于BiLSTM周车换道意图预测方法。

背景技术

在未来，无人驾驶车辆将长期在人机混驾交通环境下运行，即人工驾驶车辆与无人驾驶车辆在道路系统中混合运行的交通环境。但是由于实际道路交通环境的复杂性和驾驶员驾驶风格的多变性，使得无人驾驶车辆与周围车辆的交互问题成为当前的研究难点。据交管部门调查显示，车道换道事故占所有类型交通事故总数的30％左右。因此，研究车辆换道意图预测对于道路安全和提高无人驾驶车辆决策规划的能力有着重要的意义。

现有的方法主要是对自车换道意图进行预测且多数仅依靠车辆的历史状态信息。文献[1](Lu C,etc.Virtual-to-Real Knowledge Transfer for Driving BehaviorRecognition:Framework and a Case Study[J].IEEE Transactions on VehicularTechnology,2019,68(7):6391-6402.)提出了一种基于迁移学习的换道意图识别方法，其交互信息只考虑到自车与前车的纵向相对位置关系，文献[2](Ding W,etc.PredictingVehicle Behaviors Over An Extended Horizon Using Behavior InteractionNetwork，2019International Conference on Robotics and Automation(ICRA).2019,Montreal,Canada.)提出一种基于循环神经网络的换道意图预测的方法，该方法预测自车的换道意图，同时也考虑到与邻近车辆的多个交互信息，但是仅依靠车辆的历史状态信息来预测换道意图，目标特征检测简单且实用性不好。

发明内容

本发明的目的是针对现有技术中存在的上述问题，提供考虑车辆间的交互信息，有效地结合车辆状态和车辆视频特征信息，实现实时准确的换道意图预测方法，有效帮助自车理解周围车辆能力的一种基于BiLSTM周车换道意图预测方法。

本发明包括以下步骤：

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；

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。

在步骤1)中，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等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的数据，所需的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、车辆视频数据等；所需的数据选取规则如下：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，所以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，所以分割图像ROI区域，并确定各周车状态数据所对应ROI区域；