[发明专利]一种基于驾驶风格和意图的个性化自适应轨迹预测方法

权利要求书

1.一种基于驾驶风格和意图的个性化自适应轨迹预测方法，其特征在于，包括以下步骤：

S1、进行驾驶风格分类；

S2、进行驾驶意图识别：基于纵向速度变化、横向变道方向和变道动作，在三个维度上划分为9种驾驶意图，分别是减速左变道、匀速左变道、加速左变道、减速直行、匀速直行、加速直行、减速右变道、匀速右变道和加速右变道；

S3、缺失数据填补：采用LSTM网络来对缺失数据进行估测；

S4、轨迹预测：采用LSTM网络进行轨迹预测；具体实现方法为：LSTM网络的输入为驾驶风格、驾驶意图和周围车辆上一个轨迹预测周期T内的位置信息的时间序列表；在LSTM层与全连接层之间，引入注意力机制，将LSTM层的所有时刻隐藏层输出输入到Attention层中，通过对其分配不同的权重，加权求和得到新的输出向量，然后再通过全连接层转换输出形状；LSTM最终会输出预测周围车辆下一个轨迹预测周期的位置信息时间序列表，如果下一个轨迹预测周期内没有及时收到周围车辆的行驶数据，则这一个轨迹预测周期的位置信息时间序列会按照时间点对应填补，驾驶风格和驾驶意图则采用上个轨迹预测周期的数据值；

采用约束最优化方法来确定轨迹预测周期T：用表示车辆v_i对关注集V_i任一车辆v_j算力需求量，表示v_i在周期T内对周围车辆关注集的计算总需求量，M为车辆自身的算力极限；则表示轨迹预测周期T内的计算资源使用占比，A为轨迹预测的精准度；同时，使用α和β作为权重来控制对算力需求量和预测精准度的关注程度，其中α∈[0，1]，β∈[0，1]，α+β＝1；

在约束条件中，Q为预测精准度的最低限度，轨迹预测精准度需要大于等于Q，同时在周期时间T内v_i对周围车辆关注集的计算总需求量需要小于车辆的自身算力极限M；

最终的目标函数为计算资源使用占比乘以计算资源权重α与轨迹预测精准度乘以精准度权重β的比值，最终在可行域中沿某方向作一维搜索，寻求最优解T：

s.t.A≥Q，A∈[0，1]，Q∈[0，1]

2.根据权利要求1所述的一种基于驾驶风格和意图的个性化自适应轨迹预测方法，其特征在于，所述步骤S1包括以下步骤：

S11、选取驾驶风格评估的特征参数：将车辆在时间窗口中的平均行进系数和平均制动系数作为特征参数，用于驾驶风格的分类；

S12、确定驾驶风格分类数：利用K-means算法对训练样本x进行聚类分析，将训练样本分为K个簇，即为K种驾驶风格，x为二维向量

选择轮廓系数S作为评估指标：

其中，a为样本与其自身所在的簇中的其他样本的相似度，等于样本与同一簇中所有其样本之间的平均距离；b为样本与其他簇中样本的相似度，等于样本与最近的簇中的所有点之间的平均距离；分别计算不同K值下的轮廓系数，最终选取使轮廓系数S达到最大值对应的K值作为驾驶风格的分类数；

S13、为数据集标定驾驶风格标签：根据最佳K值对训练样本进行聚类分析，利用聚类的结果，对训练样本中的车辆进行驾驶风格的标定；

S14、训练并获得驾驶风格分类模型：用带有驾驶风格标签的训练样本去训练SVM分类器，获得驾驶风格分类模型。

3.根据权利要求1所述的一种基于驾驶风格和意图的个性化自适应轨迹预测方法，其特征在于，所述步骤S2具体实现方法为：

S21、标定数据集的驾驶意图：遍历收集的数据集，寻找车道发生变化的车辆，并记录车道发生变化的时间戳；根据车辆横向速度和车道偏移量变化情况来确定车道发生变化的车辆的意图切换的起始点和终点之间的阶段：并在数据集中标定这些驾驶意图数据；

S22、选取驾驶意图识别的特征参数：选择车辆的横向速度变化率、纵向速度变化率和车道横向偏移量来作为驾驶意图识别的特征参数；

S23、将车辆的横向速度变化率、纵向速度变化率和车道横向偏移量作为输入数据，训练随机森林最终获得驾驶意图识别模型。