[发明专利]基于机器学习的车辆驾驶行为预测方法

摘要

基于机器学习的车辆驾驶行为预测方法，涉及车联网领域，意在利用机器学习技术，挖掘车辆属性、道路信息以及行驶环境信息与车辆驾驶行为之间的关系，提高车辆驾驶行为预测的准确性。具体步骤包括：步骤1，定义特征集：车辆特征定义，道路特征定义，车辆行驶环境定义；步骤2，车辆位移预测模型：特征提取与数据预处理：车辆与前方路口距离特征提取，路口允许转向动作特征提取，标签提取；车辆位移预测模型：训练样本集定义，车辆位移预测模型训练；步骤3，车辆驾驶行为预测模型：高斯分量定义；步骤4，车辆驾驶行为预测。

主权项

1.一种基于机器学习的车辆驾驶行为预测方法，其特征在于，采用全连接神经网络预测车辆位移，根据预测的位移，采用高斯混合模型对驾驶行为进行聚类；具体方法包括如下步骤：步骤1，定义特征集，包括车辆特征定义、道路特征定义、车辆行驶环境特征定义；步骤11，车辆特征定义车辆特征包括车身长度L，车身宽度W，车辆速度，加速度，当前行驶方向，路口转向动作，其中t时刻车辆速度、加速度分别标记为v(t)和a(t)，其余特征分别定义如下：定义1车辆行驶方向vDir(t)，表示t时刻车辆运动方向，用与正北方向之间顺时针夹角表示，满足：0≤vDir(t)＜360°     (1)定义2车辆路口转向vMov(t)，表示t时刻车辆在经过十字路口时的驾驶行为，以向量的形式表征，由于十字路口均不允许调头，目前考虑车辆直行、左转弯、右转弯的情况，如公式(2)：定义3车辆当前位置P(t)，表示t时刻车辆在CA State Plane III in NAD83坐标系中的二维坐标向量，向量各项单位为英尺；位置信息定义如下：P(t)＝(x(t)，y(t))；       (3)CA State Plane III in NAD83坐标系为1983北美洲基准面坐标系；综上，t时刻车辆的特征集feature_v(t)定义如下：feature_v(t)＝{L，W，v(t)，a(t)，vDir(t)，vMov(t)，P(t)}     (4)步骤12，道路特征定义将十字路口或丁字路口抽象为四边形，以其四个顶点坐标从西北方向的角开始按照顺时针方向依次标识，标记如下：f＝(x₁，y₁，x₂，y₂，x₃，y₃，x₄，y₄)       (5)定义4十字路口集合ISet表示研究区域内，所有十字路口组成的集合；ISet＝(I₁，I₂，...，I_m，...)    (6)定义5道路段指道路在两个相邻十字路口之间的一个路段，由道路段两侧十字路口来标识该道路段；定义道路i的道路段集合如下：RSegSet(i)＝(I₁I₂，I₂I₃，...，I_kI_m，...)    (7)其中I_k表示编号为k的十字路口；每条道路段包含若干车道，定义十字路口I_k，I_m之间的道路段车道集合如下：I_kI_m＝(lid₁，lid₂，...，lid_n)    (8)其中lid_k表示车道编号；定义6车道方向lDir(x，y)表示车道允许的行进方向，其中x，y表示车道内的位置坐标；角度定义同vDir；车辆在当前车道直道的行驶方向vDir与车道方向相同，即若当前车辆处在i车道内，则有vDir(t)＝DDir_i(x，y)，P(t)＝(x(t)，y(t))   (9)定义7车道左侧可变道数量LAL为在某车道当前位置下，车辆可向左变动的车道数目；由当前车道i的当前位置(x，y)向左侧同向车道搜索，直至遇到实线表示车辆不可向左变道或者搜索到最左侧同向车道为止；搜索到的车道数目即为车道左侧可变道数量LAL_i(x，y)；定义8车道右侧可变道数量RAL为在某车道当前位置下，车辆可向右变动的车道数目；由当前车道i的当前位置(x，y)向右侧同向车道搜索，直至遇到实线表示车辆不可向右变道或者搜索到最右侧同向车道为止；搜索到的车道数目即为车道右侧可变道数量RAL_i(x，y)；定义9直行区车道允许驾驶行为包括直行，向左变道和向右变道；定义向量sld表示车道允许的基本驾驶行为如下：直行区车道允许的驾驶行为SLD有：SLD(x，y)＝α₁(x，y)·sld_st+α₂(x，y)·sld_lf+α₃(x，y)·sld_rt            (113){α₁，α₂，α₃|α_i＝0Vα_i＝1，1≤i≤3，i∈N}定义10路口准备区车道允许的驾驶行为包括直行，左转弯，右转弯和调头；定义向量pld表示车道允许的基本驾驶行为如下：路口准备区车道允许的驾驶行为PLD可以表示为：PLD(x，y)＝β₁(x，y)pld_st+β₂pld_tl+β₃pld_tr+β₄pld_ta+β₅pld_sp        (13)其中{β₁，β₂，β₃，β₄，β₅|β_i＝0Vβ_i＝1，1≤i≤5，i∈N}β_i为某种驾驶行为的概率系数，选中为1，否则为0；综上，位置(x，y)处的道路特征集featNre_r(x，y)可以定义如下：feature_r(x，y)＝{lDir(x，y)，LAL(x，y)，RAL(x，y)}            (14)∪{SLD(x，y)，PLD(x，y)}步骤13，车辆行驶环境定义定义11路口距离，车辆i与前方十字路口I_m距离表示以车辆i前边沿与当前车道前方十字路口停止线之间的距离；定义12t时刻，交通灯TL_i信号允许动作使用向量sig_i(t)表示；定义13车辆t时刻的路口允许转向动作表示为IAM(t)，该路口允许转向动作受制于车道允许的驾驶行为PLD和交通灯信号允许动作sig_i(t)，表示为矩阵的Hadamard乘积，如公式(16)，IAM(t)＝PLD(P(t))*sig_i(t)    (16)综上，t时刻车辆行驶环境特征集feature_e(t)定义如下：feature_e(t)＝{VID(t)，IAM(t)}       (17)综合步骤11，步骤12和步骤13，t时刻影响车辆驾驶行为的特征集feature(t)定义为feature(t)＝featNre_v(t)∪feature_r(P(t))∪feature_e(t)     (18)步骤2，车辆位移预测模型步骤21，特征提取与数据预处理直接获取的车辆特征包括车辆长度L，车辆宽度W，车辆速度v，车辆加速度a，车辆行驶方向vDir，车辆路口转向vMov，车辆当前位置；直接获取的道路特征包括车道方向lDir，车道左侧可变道数量LAL，车道右侧可变道数量RAL，车道允许的驾驶行为SLD，路口准备区车道允许的驾驶行为PLD；直接可获取十字路口集ISet，道路段集合RSegSet，交通灯信号允许的驾驶动作sig(t)，每辆车所在的车道lane以及每辆车所在的道路段RSeg；根据步骤1的定义，需要提取的特征包括车辆与前方十字路口距离VID，车辆路口允许转向动作IAM，训练样本标签；步骤211，车辆与前方路口距离特征提取在地图上根据车辆所在车道lane以及车辆所在车道方向1Dir获取该车道在前方十字路口处停止线AB两个端点的坐标，即A点坐标(x_A，y_A)和B点坐标(x_B，y_B)；从车辆前边缘向直线AB做垂线，求得垂线长度length；由于研究的数据集中道路近似直道，可以用length近似替代VID；AB在二维坐标系中满足公式(19)；(y_A‑y_B)·x+(x_B‑x_A)·y+(y_B·x_A‑x_B·y_A)＝0     (19)假设此时车辆位置P(t)＝(x_C，y_C)，则车辆到停止线AB的距离length满足公式(20)；对数据集中每辆车各时刻点的数据按照公式(20)进行计算，得到特征VID；步骤212，路口允许转向动作特征提取从数据集中获取十字路口信号灯随时间变化的表格，即对于任意十字路口I_i可以获取sig_i(t)；从数据集中的地图车道标记中可以获取车道允许驾驶行为PLD；则IAM特征的提取按照定义13，依次找到每条车道对应的十字路口，然后对sig(t)和PLD做Hadamard乘积得到IAM特征；步骤213，标签提取车辆位移记为disP(Δx，Δy)，表示车辆在(t+Δt)时刻相对于t时刻的位移，如公式(21)所示；disP(Δx，Δy)＝P(x(t+Δt)，y(t+Δt))‑P(x(t)，y(t))     (21)坐标系与单位同定义3；将获取的特征表示为定义的feature(t)向量，将获取的训练样本位移标签定义为label(t)，其中t表示时间；采用min‑max归一化方法对feature(t)和label(t)进行归一化处理，如公式(22)所示；其中f表示特征点取值，f^max表示该特征点取值的最大值，f^min表示该特征点取值的最小值，f^N表示归一化之后的特征点取值；归一化处理后的feature(t)和label(t)分别记为feature^N(t)和label^N(t)；步骤22，车辆位移预测模型步骤221，训练样本集定义前述预处理后的训练样本集记作train，包括训练样本特征集和训练样本标签集；训练样本标签采用位移标签；feature^N(t)按照顺序拼接label^N(t)即是神经网络训练样本的结构；训练样本特征集记为train_x，训练样本标签集记为train_y，分别表示为公式(23)和公式(24)；train_y与train_x按行一一对应；步骤222，车辆位移预测模型训练车辆位移预测模型训练步骤如下：(1)基于全连接神经网络结构，将训练样本集wain_x作为输入量，利用前向传播算法计算各层的激励值；(2)利用学习所得的网络结构初始化全连接BP神经网络，在最后添加输出层，输出为车辆位移disP(Δx，Δy)；(3)采用mini‑batch梯度下降法，利用训练标签集train_y计算网络误差，反向传播，计算损失函数对权值矩阵和偏执项的梯度，微调每一层的网络参数，直至触发训练的终止条件；步骤3，车辆驾驶行为预测模型步骤31，高斯分量定义设定5种驾驶行为，即车辆直行，左转，右转，调头，原地不动，分别对应5个高斯分量；根据本发明对车辆位移的定义，每一个高斯分量均为二元高斯分布；步骤32，高斯混合模型训练步骤如下：(1)对各个高斯分量的均值和协方差矩阵进行随机初始化，每个高斯分量的先验概率设为1/5；(2)将训练样本位移标签集作为输入量，采用EM算法对模型进行训练；(3)得到各个高斯分量的权重，均值和协方差矩阵；步骤4，车辆驾驶行为预测(1)首先定义待预测样本特征集，记为test_x，其结构与训练样本特征集train_x相同；(2)将待预测样本特征向量输入步骤2得到的位移预测模型，得到预测的位移；(3)把预测所得的位移输入步骤3得到的驾驶行为预测模型，计算样本属于各个高斯分布的概率，概率最高的即为该样本预测所得驾驶行为。