[发明专利]基于灰色熵权和侧向椭圆阈的周围车辆驾驶意图识别方法

说明书

本发明公开了一种基于灰色熵权和侧向椭圆阈的周围车辆驾驶意图识别方法和装置，包括：步骤S1，接收本车的周围车辆的多源传感器信息；步骤S2，获取目标周围车辆的多源传感器信息的时间序列及其相应的残差矩阵；步骤S3，计算信息熵；步骤S4，建立信息熵的熵阶次方与熵权之间的非线性映射函数；步骤S5，给定熵阶次，利用非线性映射函数计算多源传感器信息融合的给定熵权；步骤S6，获取求给定熵权下融合结果与多源传感器信息的时间序列之间的平均灰色关联度；步骤S7，判断平均灰色关联度是否最大，若是，进入步骤S8，否则返回步骤S4；步骤S8，将平均灰色关联度最大对应的权重作为最优融合权重，计算最优的融合结果；步骤S9，判断周围车辆的驾驶意图。

技术领域

本发明涉及智能车驾驶技术领域，特别是关于一种基于灰色熵权和侧向椭圆阈的周围车辆驾驶意图识别方法和装置。

背景技术

目标周围车辆驾驶意图识别对于智能车的安全可靠决策具有重要的意义。为提高周围车辆驾驶意图识别的准确性和效率，需从信息来源和意图识别算法两个层面的技术进行深入探索。

在周围车辆信息来源方面，主要通过智能车的感知系统和路侧设备获取环境信息。现有多源传感器融合技术需要传感器噪声的先验概率分布，而传感器在复杂驾驶环境下，其噪声由于不确定环境和老化引起的性能衰退等因素影响，存在时变和随机性，使得给定的噪声先验概率分布存在先天弊端，无法保证多源传感器信息融合结果的最优性和环境适应性。

现有驾驶意图识别技术存在如下缺点：

(1)计算量大，在目前车载计算资源极为有限的条件下，无法在高速公路行驶环境中实时获得准确的驾驶意图；

(2)可解释性差，无法从物理上和几何上对模型及驾驶意图识别结果的合理性进行解释，所获得的驾驶意图识别结果仅是数学上的预测；

(3)场景迁移性不足，现有技术方案依赖于特定场景下的训练数据集的学习，由于无法穷举各场景，故训练获得的模型在其它场景下缺乏自学习能力，导致模型的扩展性和泛化能力不足；

(4)欠缺对车辆动力学约束边界的考虑，导致意图识别结果可能不符合车辆动力学约束边界要求，产生不合理的意图识别结果。

发明内容

本发明的目的在于提供一种基于灰色熵权和侧向椭圆阈的周围车辆驾驶意图识别方法和装置，其能够在传感器存在复杂随机时变噪声的前提下，提出一种鲁棒可靠的多传感器融合方案，保证算法能够自适应的调节信息融合权重，以实时准确的输出周围车辆的运动信息，为下一步的驾驶意图判断提供准确的信息输入。

为实现上述目的，本发明提供一种基于灰色熵权和侧向椭圆阈的周围车辆驾驶意图识别方法，该方法包括：

步骤S1，通过本车上的传感器j接收来自于本车的周围车辆的多源传感器信息，j＝1,2,3,…,m为传感器编号；

步骤S2，处理所述多源传感器信息，并获取目标周围车辆的多源传感器信息的时间序列及其相应的残差矩阵；

步骤S3，计算传感器j的信息熵E_j；

步骤S4，建立信息熵E_j的熵阶次k次方与熵权w_j之间的非线性映射函数，并调整熵阶次k；

步骤S5，给定熵阶次k，利用所述非线性映射函数计算多源传感器信息融合的给定熵权w_j；

步骤S6，获取给定熵权下融合结果x_opt与所述多源传感器信息的时间序列之间的平均灰色关联度；其中，所述融合结果x_opt被描述为式(8b)：

式中,x_j为所述多源传感器信息中的传感器j的信息测量值；