[发明专利]一种高泛化能力的交互车辆驾驶意图预测方法和装置

说明书

本申请涉及一种高泛化能力的交互车辆驾驶意图预测方法和装置。所述方法包括：通过获取本车与交互车辆间的航向关系信息、参考路线信息和道路结构信息的交互场景信息，确定交互场景类型；采用特征提取算法根据不同的交互场景类型对交互场景信息进行特征提取，输入到预先设计的基于动态贝叶斯网络的交互车辆驾驶意图预测模型中，通过预先构建的训练数据对交互车辆驾驶意图预测模型进行训练，得到训练好的交互车辆驾驶意图预测模型；通过训练好的交互车辆驾驶意图预测模型进行交互车辆驾驶意图预测，并将预测结果通过人机交互的方式进行呈现。

技术领域

本申请涉及汽车主动安全及自主驾驶领域，特别是涉及一种高泛化能力的交互车辆驾驶意图预测方法和装置。

背景技术

汽车主动安全技术及自主驾驶技术有助于防止汽车交通事故，减轻人员伤害。现有主动安全技术包括自适应巡航控制,盲区监视系统等。自适应巡航控制是通过车载雷达等传感器监测汽车前方的道路交通环境，一旦发现当前行驶车道的前方有其它车辆时，将控制本车与前车保持合适的安全间距。盲区监视系统是指通过装备在车辆后部的两颗毫米波雷达探测后视镜盲区范围，当探测到盲区内存在其它道路参与者时向驾驶员发出警告，辅助驾驶行车或变道。

这些技术能够利用汽车搭载的传感器探测周围车辆的现实物理状态，从而提高驾驶行为的安全性。但仅仅采用探测到的车辆物理状态，而不预测未来行为，难免会出现较多的误判，降低主动安全系统的预警水平。而对全自主驾驶汽车而言，则更会干扰自主驾驶的安全性和平顺性。因此，交互车辆的驾驶意图预测成为了汽车主动安全及自主驾驶领域的热点问题。

传统的车辆驾驶意图预测方法是假设汽车行驶符合常速度(Constant Velocity,CV)、常加速度(Constant Acceleration,CA)和常角速度(Constant Turn Rate,CTR)的运动模型来从历史轨迹中预测未来轨迹，进而预测离散化的驾驶意图。

另外，随着计算设备存储容量和算力的提升，通过采集大量的交通图片或者大量的交通车辆行驶轨迹，利用基于多层神经网络的深度学习方法，来从大样本中学习驾驶行为的意图，进而实时预测，也是现在常用的技术方案。

采用运动学模型预测驾驶意图的技术方案仅仅只考虑到车辆的运动限制，并没有考虑到道路结构与环境交互因素。因此，对车辆长期运动的预测准确率较低。

采用深度学习预测驾驶意图的技术路线，可以隐式地对交互特征进行建模，但预测机理并不直观，对训练数据的获取量较高，训练功耗高，并且泛化性能较差。

发明内容

基于此，有必要针对上述技术问题，提供一种能够进行车辆驾驶意图预测的高泛化能力的交互车辆驾驶意图预测方法、装置、计算机设备和存储介质。

一种高泛化能力的交互车辆驾驶意图预测方法，所述方法包括：

获取车辆交互驾驶的交互场景信息，根据所述交互场景信息确定交互场景类型；所述交互环境信息包括本车与交互车辆间的航向关系信息、参考路线信息和道路结构信息；所述交互场景类型包括同向场景驾驶，逆向场景驾驶和横向场景驾驶；

采用特征提取算法根据不同的交互场景类型对所述交互场景信息进行特征提取，将提取到的特征作为节点，特征值作为节点状态输入到预先设计的交互车辆驾驶意图预测模型中；所述交互车辆驾驶意图预测模型为动态贝叶斯网络；所述动态贝叶斯网络包括证据层、意图层和诊断层；

通过所述证据层根据道路结构相关特征和多车交互相关特征评估执行特定意图的可行性，通过所述意图层根据所述证据层的输出，以及上一时刻意图层的输出执行当前时刻的驾驶操作，通过所述诊断层根据所述意图层的输出得到当前车辆行驶状态发生特定变化的概率；

通过预先构建的训练数据对所述交互车辆驾驶意图预测模型进行训练，得到训练好的交互车辆驾驶意图预测模型；