[发明专利]一种基于BiLSTM-CRF模型的车辆变道意图预测的方法

说明书

本公开的基于BiLSTM‑CRF模型的车辆变道意图预测方法，遍历车辆的历史交通数据得到车辆变道意图的历史信息；对车辆变道意图的历史信息进行预处理，提取车辆变道意图特征；根据诱导性规则将车辆变道意图特征组成车辆变道意图特征序列；对车辆变道意图特征序列进行标注得到车辆变道意图特征的标签；对标签进行模糊化处理后，将车辆变道意图特征分为训练集和测试集；利用车辆变道意图特征的训练集及车辆变道意图特征的标签训练车辆变道意图预测模型的BiLSTM‑CRF模型；利用绝对性规则训练车辆变道意图预测模型的后置规则层；利用车辆变道意图特征的测试集测试车辆变道意图预测模型。能够解决高速公路车辆变道意图预测难以兼顾预测效果与可信可解释性的问题。

技术领域

本发明属于自动驾驶意图预测技术领域，特别涉及一种基于BiLSTM-CRF 模型的车辆变道意图预测的方法。

背景技术

自动驾驶正处于高速发展阶段，不仅在学术研究领域连续取得重大突破，越来越多的实际产品也在逐步投入使用，例如特斯拉无人车，百度自动驾驶出租车等。随着商业化模式的提速，自动驾驶正逐渐进入人们的生活。

然而，这项技术尚未成熟。安全，始终是自动驾驶汽车的基石。针对其他车辆的运动预测可以更好地辅助自动驾驶汽车做出决策规划，而大部分先进的运动预测方法都是基于意图的。OliverPentland在1996年首次使用模式识别方法实现驾驶员意图分类，是最早的驾驶行为方面的研究。如今驾驶员意图预测已被广泛研究，大多数研究涉及使用启发式方法或训练分类器。启发式方法可以用来确定未来短时间内目标车辆会执行什么样的操作。而在更复杂的场景中对驾驶意图进行分类，判别式学习算法则更为流行。Mandalia HM等人在文献 (Using support vector machines for lane change detection)中提出一种基于支持向量机的意图预测方法，利用车辆距离车道四个不同方向的位置信息作为特征，预测目标车辆的换道意图，实验证明该方法相较于启发式方法具有更优秀的预测时长与准确率。而后随着神经网络的兴起，意图预测的手段也得到进一步的丰富。AbdelmoudjibBenterki等人在文献(Prediction of Surrounding Vehicles Lane Change IntentionUsing Machine Learning)提出一种用人工神经网络检测高速公路变道机动意图的方法，利用车辆准备变道阶段的数据来预测变道，并在公开数据集上测试了支持向量机与人工神经网络两种变道预测方法，验证了所提方法的性能。神经网络的同层神经元之间不会互相传递信息，这意味着它无法充分考虑同层神经元之间的交互关系，而LSTM(长短时记忆网络)能更好的捕捉序列间的信息。L Tang，H Wang等人在文献(Driver Lane ChangeIntention Recognition of Intelligent Vehicle based on Long Short-Term MemoryNetwork)中对比了基于规则的模型、支持向量机、LSTM三种方法在变道意图预测上鲁棒性、预测准确率之间的差异，验证了LSTM具有处理更长时间序列的能力。另外比较流行的一种意图预测方法是使用隐马尔科夫等概率图模型，它们可以输出观测序列对应的最可能的标签序列，具有较好的可解释性。

驾驶意图预测是发展先进驾驶辅助系统的关键技术之一，能有效减少变道引起的交通事故，保障驾驶安全。但如今基于机器学习的意图预测算法可解释性差，驾驶员难以信任不可解释的预测结果，这就导致人不信机；启发式方法或概率图模型可解释性较强，但进行意图预测效果较差，而纯学习的方法如 LSTM由于自身的结构特点，再加上没有规则的约束，有时会导致意想不到的预测失误，如将位于最左侧车辆的变道意图预测为向左变道，这进一步导致了预测结果的不可信性。如此看来，现有的意图预测方法难以兼顾预测效果与可信可解释性。

发明内容

本发明克服了现有技术的不足之一，提供了一种基于BiLSTM-CRF(双向长短时记忆网络—条件随机场)模型的车辆变道意图预测的方法，能够解决高速公路车辆变道意图预测难以兼顾预测效果与可信可解释性的问题。