一种人工驾驶车辆换道意图识别方法和系统

1.本技术涉及车辆换道预测技术领域，尤其涉及一种高速公路移动瓶颈环境下人工驾驶车辆换道意图识别方法和系统。


背景技术：

2.车辆意图识别是通过分析车辆轨迹数据、驾驶员行为、周围环境等来判断驾驶员会做出跟驰还是换道的决策。由于人、车、环境的不确定性，针对人工驾驶车辆的换道意图识别往往具有一定的复杂性。为了对车辆换道意图进行有效识别，当前研究已有多种模型方法：规则模型（车道变换过程被概括为具有一系列固定条件的决策树并最终输出二元选择结果，比较灵活，但没有考虑个体驾驶人行为）、离散选择模型（假设仅当存在可接受的间隙时才进行车道变更操作，不符合严重拥堵时的情形）、马尔可夫模型（假定在稳定的交通条件下换道时间是不变的，核心思想是随时间序列变化的一系列状态，每个当前的状态只跟之前的几个有限的状态有关）、生存模型（针对模型中对跟随车驾驶人认知过程（感知、判断、执行）中不安全特性的随机性与可能性考虑不足的问题）等，同时也有生理-心理模型、元胞自动机模型等换道预测或决策方法。
3.随着高速公路交通体系的不断发展和完善，海量的车辆轨迹数据集可以用于感知人工驾驶车辆换道意图。对于车辆换道意图识别主要是利用机器学习对轨迹处理、对比、分析等，常使用的传统模型难以适应当前复杂交通状况，准确率较低。近几年，也有研究者开始利用贝叶斯网络、决策树、随机森林等新颖处理方法对人工驾驶车辆真实的换道意图进行挖掘，准确率相对较高，考虑会更全面。
4.近年来对车辆换道行为意图识别的研究，主要是利用真实的车辆轨迹数据并通过机器学习的方法实现的。
5.如图1所示，现有技术方案1设计了一种基于长短时记忆（lstm）网络的驾驶意图识别及车辆轨迹预测模型。分别构建意图识别模块和轨迹输出模块；将目标车辆（小型车）与周围车辆视作一个整体，考虑交互信息；以车辆的位置和速度信息为特征输入；利用ngsim数据集对模型训练与测试；计算车辆向左换道、直线行驶、向右换道的概率分布；用均方根误差进行模型性能分析。
6.如图2所示，现有技术方案2是利用ngsim自然驾驶数据进行后续行为识别及验证预测性。将原始数据进行局部加权平滑和提取处理；使用双层连续隐马尔可夫模型-贝叶斯生成分类器（chmm-bgc）以及双向长短时记忆网络（bi-lstm）两种模型对车辆行为进行识别；同时考虑相邻前车与周围环境车辆的交互作用，使模型具有预测性，可在车辆换道时刻前预测到驾驶人换道意图。
7.以上现有技术具有如下缺点：（1）现有技术主要研究小型车的换道行为，而没有考虑移动瓶颈环境。高速公路上大型车慢速行驶会产生移动瓶颈，缺乏对移动瓶颈的研究可能影响换道意图识别的准确性。
8.（2）现有技术普遍忽略了对于不同驾驶行为特征的研究。驾驶员的行为习惯以及车辆性能会导致驾驶行为特征存在较大差异，这些差异可以显著影响换道的决策和执行。


技术实现要素：

9.有鉴于此，本技术的目的在于提出一种人工驾驶车辆换道意图识别方法和系统，本技术能够针对性的解决现有的问题。
10.基于上述目的，本技术提出了一种人工驾驶车辆换道意图识别方法，包括：对预设车辆轨迹数据集进行预处理；提取目标车辆的车辆行驶特征及驾驶行为特征；构建基于机器学习的车辆跟驰与换道决策预测模型，将预处理后的车辆轨迹数据集输入所述预测模型进行训练：根据所述目标车辆的车辆行驶特征得到目标车辆的速度、加速度、车头间距，根据所述目标车辆的驾驶行为特征得到大型车特征值和聚类特征值；将所述目标车辆的速度、加速度、车头间距、大型车特征值和聚类特征值输入训练好的预测模型，得到目标车辆的换道意图识别结果。
11.进一步地，所述预设车辆轨迹数据集包括ngsim数据集、highd数据集。
12.进一步地，所述预处理的具体步骤如下：对车辆行驶数据进行数据清洗，去重、统一时间粒度为0.1s,处理缺失数据；利用车辆行驶横纵向坐标及时间戳，确定车辆周围车辆；对于边缘车道，虚构一条车道以填补车辆数据；采用滑动时窗法进行样本数据的扩大及均衡化；将车辆行驶数据格式转换为预设格式。
13.进一步地，所述提取目标车辆的车辆行驶特征及驾驶行为特征的具体步骤如下：获取跟驰小型车和大型车时目标车辆的车辆行驶特征；根据平均速度、最大速度、换道频率、速度变化、车头间距以及车头时距这六个特征对目标车辆进行k-means 聚类分析，获取目标车辆的驾驶行为特征。
14.进一步地，所述驾驶行为特征包括以下中的一种：效率莽撞型、效率经验型、安全谨慎型、安全稳健型。
15.进一步地，所述基于机器学习的车辆跟驰与换道决策预测模型为lstm神经网络模型。
16.进一步地，将预处理后的车辆轨迹数据集融合，作为模型数据输入；提取车辆运行参数，分别是速度、加速度、车头间距；对车辆及其周围车辆中含有大型车的进行赋值处理，得到大型车特征值；提取k-means 聚类形成的聚类特征值；填补周围车辆中空缺车辆的参数；将所述速度、加速度、车头间距、大型车特征值和聚类特征值作为所述预测模型的特征指标，以向量形式输入，进行车辆跟驰与换道意图决策预测判断。
17.基于上述目的，本技术还提出了一种人工驾驶车辆换道意图识别系统，包括：预处理模块，用于对预设车辆轨迹数据集进行预处理；
特征提取模块，用于提取目标车辆的车辆行驶特征及驾驶行为特征；预测模型训练模块，用于构建基于机器学习的车辆跟驰与换道决策预测模型，将预处理后的车辆轨迹数据集输入所述预测模型进行训练：参数提取模块，用于根据所述目标车辆的车辆行驶特征得到目标车辆的速度、加速度、车头间距，根据所述目标车辆的驾驶行为特征得到大型车特征值和聚类特征值；换道意图识别模块，用于将所述目标车辆的速度、加速度、车头间距、大型车特征值和聚类特征值输入训练好的预测模型，得到目标车辆的换道意图识别结果。
18.总的来说，本技术的优势及给用户带来的体验在于：（1）本发明可以在高速公路瓶颈环境下识别人工驾驶车辆的换道意图，有利于降低碰撞风险，提高驾驶的安全程度。
19.（2）本发明能减少因换道决策失误导致的拥堵和交通事故，保障道路稳定运行，从而提升高速公路的服务质量。
20.（3）本发明可以反映实际的人工驾驶车辆换道情况，对辅助智能驾驶车辆决策系统有参考价值。
附图说明
21.在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本技术公开的一些实施方式，而不应将其视为是对本技术范围的限制。
22.图1示出第一种现有技术的架构原理示意图。
23.图2示出第二种现有技术的架构原理示意图。
24.图3示出根据本技术实施例的人工驾驶车辆换道意图识别方法的流程图。
25.图4示出根据本技术实施例的对数据单位进行统一示意图。
26.图5示出根据本技术实施例的本技术具体应用的车辆数据示例图。
27.图6所示为本实施例的聚类分析雷达图。
28.图7为本实施例的驾驶类型分析示意图。
29.图8为根据本技术实施例的目标车辆和周围车辆示意图。
30.图9为根据本技术实施例的虚拟车道构建示意图。
31.图10为根据本技术实施例的滑动时间窗策略示意图。
32.图11示出根据本技术实施例的人工驾驶车辆换道意图识别系统的构成图。
33.图12示出了本技术一实施例所提供的一种电子设备的结构示意。
34.图13示出了本技术一实施例所提供的一种存储介质的示意图。
具体实施方式
35.下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
36.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
37.本发明可利用微观车辆轨迹数据，分析车辆在跟驰与换道行驶过程中自身行驶轨迹与周边车辆驾驶行为特征，通过人工智能算法训练模型，实现车辆换道意图识别。
38.本发明提出移动瓶颈场景下的车辆换道意图识别方法，为大型车辆额外设定特征值，重点考虑了大型车存在情况下的换道意图识别，可提高移动瓶颈场景下换道意图识别准确率。
39.本发明利用驾驶行为特征分类的车辆换道意图识别方法，以平均速度、最大加速度、换道频率等为特征，利用k-means 对车辆进行聚类分析，并将聚类结果作为换道意图识别模型的特征输入，可以获得更准确的识别结果。
40.本发明所依托的车辆轨迹数据集包括ngsim数据集、highd数据集，内容详实，记录了一定时间段间内的不同车辆的起始帧数、时间戳、车辆编号、横纵坐标、全局坐标、车辆长度、车辆宽度、车辆类型、行驶方向、运动行为等。以下表格为本技术中的车辆轨迹数据集的主要参数。
41.通过对原始数据集的分析与处理，为使模型能够对车辆换道意图进行有效预测，提取出以下特征输入：(1)速度通过某时间段内车辆行驶位移与所用时间相比得到：其中v为车辆瞬时速度，t为时刻，与为不同时刻下车辆的纵向坐标，差值则表示在单位时间δt内前进的距离。
42.(2) 加速度
其中a表示车辆瞬时加速度，t为时刻，v
t δt
与v
t
为不同时刻下车辆的瞬时速度，差值表示单位时间δt内速度变化量。
43.（3）车头间距为相同时刻下纵向位移坐标差：其中m指目标车辆，n指其周围某车辆，s
mn
表示第m辆车距周围第n辆车的车头间距，n的取值范围是[1,6]，表示第m辆车的纵向坐标，表示第m辆车周围第n辆车的纵向坐标。
[0044]
（4）大车特征值通过车辆轨迹数据集中车辆类型获取：对本车周围车辆中含有大型车的数据进行0-1变量标记，作为数据输入的一部分。
[0045]
（5）聚类特征值通过k-means 方法根据平均速度、最大速度、换道频率、速度变化、车头间距以及车头时距这六个特征对驾驶行为特征进行聚类分析，并由肘部法则确定所研究车辆分成四个类别，以此作为数据的特征输入一部分。
[0046]
以上特征将以[-1，40，28]的向量形式输入到车辆意图识别模型中。
[0047]
车辆换道意图与不同特征的关系可由以下表达式体现：其中y为目标车辆的换道意图，t表明时刻,，为t时刻下目标车辆m与周围第n辆车的速度，，为t时刻下目标车辆m与周围第n辆车的加速度，表示t时刻下第m辆车距离周围第n辆车的车头间距。
[0048]
本发明整体流程框架如图3所示，以下为具体流程分析：（1）数据预处理：
数据预处理是将ngsim、highd等数据集进行统一处理，使得处理后的数据可以轻易被机器读取。
[0049]
数据预处理过程中具体步骤如下：a.对车辆行驶数据进行数据清洗，去重、统一时间粒度为0.1s,处理缺失数据；b.利用车辆行驶横纵向坐标及时间戳，确定车辆周围车辆；c.对于边缘车道，虚构一条车道以填补车辆数据；d.采用滑动时窗法进行样本数据的扩大及均衡化；e.将车辆行驶数据格式转换为便于处理的格式。
[0050]
其中：ngsim数据集来源于美国高速公路行车数据，highd数据集来源于德国高速公路行车数据；（2）提取目标车辆的车辆行驶特征及驾驶行为特征：特征提取是通过研究车辆对跟驰不同车型、所处不同交通状态、运行参数与车头间距之间的关系，为车辆跟驰与换道决策预测模型提供特征输入。
[0051]
特征提取过程中具体步骤如下：a.研究跟驰小型车和大型车这两种不同的情况下，目标车辆的车辆行驶特征,发现跟驰不同的车型会影响目标车辆与前车的车头间距。
[0052]
b. 驾驶行为特征亦会影响换道决策，根据平均速度、最大速度、换道频率、速度变化、车头间距以及车头时距这六个特征对车辆进行k-means 聚类分析，获取目标车辆的驾驶行为特征。通过肘部法则确定将车辆分为四种类别：“效率莽撞”型、“效率经验”型、“安全谨慎”型、“安全稳健”型。
[0053]
（3）构建基于机器学习的车辆跟驰与换道决策预测模型，将预处理后的车辆轨迹数据集输入所述预测模型进行训练。
[0054]
首先，通过ngsim、highd等多元数据集进行融合，搭建双层长短期记忆神经网络模型（lstm, long-short term memory）。训练过程如下：a.将ngsim、highd等数据集融合，作为模型数据输入；b.提取车辆运行参数，分别是速度、加速度、车头间距；c.对车辆及其周围车辆中含有大型车的进行赋值处理，得到大型车特征值；d.提取k-means 聚类形成的聚类特征值；e.填补周围车辆中空缺车辆的参数；f.将以上获得的指标作为长短期记忆神经网络模型的特征指标，以向量形式输入，进行车辆跟驰与换道意图决策（左转、跟驰、右转）预测判断。
[0055]
（4）根据所述目标车辆的车辆行驶特征得到目标车辆的速度、加速度、车头间距，根据所述目标车辆的驾驶行为特征得到大型车特征值和聚类特征值；将所述目标车辆的速度、加速度、车头间距、大型车特征值和聚类特征值输入训练好的预测模型，得到目标车辆的换道意图识别结果。
[0056]
（5）模型评估：对研究车辆按照周围是否存在大型车分为两类，分别对其使用准确率、精确率、召回率、f1-分数、g-mean等指标进行模型评估。
[0057]
实施例1
数据预处理例：（1）对多源数据集进行数据清洗，完善车辆数据信息，以便后续数据处理。如图4所示，对数据单位进行统一。图5为本技术具体应用的车辆数据示例图。
[0058]
（2）根据车辆行驶特征做出初步分析，对车辆的多项数据进行聚类，分析车辆行驶能力。如图6所示为本实施例的聚类分析雷达图，图7为驾驶类型分析示意图。
[0059]
（3）通过行驶车辆的地理坐标及时间戳，确定目标车辆周围的车辆。如图8所示，为目标车辆和周围车辆示意图。
[0060]
（4）针对边缘车道，单独构建一条虚拟车道，进一步填补目标车辆和周围车辆数据。如图9所示，为虚拟车道构建示意图。
[0061]
（5）采用滑动时窗法，以车辆位置发生变化的点为换道点，将样本扩大和均衡化。如图10所示，为滑动时间窗策略示意图。
[0062]
图10中t 为采样时刻，v 为采样样本，n
sv
为时窗宽度，v
kj
指采样时刻tk的第j个单位宽度的采样样本。
[0063]
申请实施例提供了一种人工驾驶车辆换道意图识别系统，该系统用于执行上述实施例所述的人工驾驶车辆换道意图识别方法，如图11所示，该系统包括：预处理模块501，用于对预设车辆轨迹数据集进行预处理；特征提取模块502，用于提取目标车辆的车辆行驶特征及驾驶行为特征；预测模型训练模块503，用于构建基于机器学习的车辆跟驰与换道决策预测模型，将预处理后的车辆轨迹数据集输入所述预测模型进行训练：参数提取模块504，用于根据所述目标车辆的车辆行驶特征得到目标车辆的速度、加速度、车头间距，根据所述目标车辆的驾驶行为特征得到大型车特征值和聚类特征值；换道意图识别模块505，用于将所述目标车辆的速度、加速度、车头间距、大型车特征值和聚类特征值输入训练好的预测模型，得到目标车辆的换道意图识别结果。
[0064]
本技术的上述实施例提供的人工驾驶车辆换道意图识别系统与本技术实施例提供的人工驾驶车辆换道意图识别方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
[0065]
本技术实施方式还提供一种与前述实施方式所提供的人工驾驶车辆换道意图识别方法对应的电子设备，以执行上人工驾驶车辆换道意图识别方法。本技术实施例不做限定。
[0066]
请参考图12，其示出了本技术的一些实施方式所提供的一种电子设备的示意图。如图12所示，所述电子设备20包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本技术前述任一实施方式所提供的人工驾驶车辆换道意图识别方法。
[0067]
其中，存储器201可能包含高速随机存取存储器（ram：random access memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口203（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
[0068]
总线202可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本技术实施例任一实施方式揭示的所述人工驾驶车辆换道意图识别方法可以应用于处理器200中，或者由处理器200实现。
[0069]
处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
[0070]
本技术实施例提供的电子设备与本技术实施例提供的人工驾驶车辆换道意图识别方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
[0071]
本技术实施方式还提供一种与前述实施方式所提供的人工驾驶车辆换道意图识别方法对应的计算机可读存储介质，请参考图13，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序（即程序产品），所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的人工驾驶车辆换道意图识别方法。
[0072]
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存 (pram)、静态随机存取存储器 (sram)、动态随机存取存储器 (dram)、其他类型的随机存取存储器 (ram)、只读存储器 (rom)、电可擦除可编程只读存储器 (eeprom)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
[0073]
本技术的上述实施例提供的计算机可读存储介质与本技术实施例提供的人工驾驶车辆换道意图识别方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
[0074]
需要说明的是：在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备有固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本技术也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本技术的内容，并且上面对特定语言所做的描述是为了披露本技术的最佳实施方式。
[0075]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本技术的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0076]
类似地，应当理解，为了精简本技术并帮助理解各个发明方面中的一个或多个，在
上面对本技术的示例性实施例的描述中，本技术的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本技术要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本技术的单独实施例。
[0077]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0078]
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本技术的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0079]
本技术的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器( dsp )来实现根据本技术实施例的虚拟机的创建系统中的一些或者全部部件的一些或者全部功能。本技术还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(例如，计算机程序和计算机程序产品)。这样的实现本技术的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0080]
应该注意的是上述实施例对本技术进行说明而不是对本技术进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本技术可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中，这些系统中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
[0081]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。