+

CN114771575A - 基于双通道高斯混合隐马尔可夫模型的车辆行为预测方法 - Google Patents

基于双通道高斯混合隐马尔可夫模型的车辆行为预测方法 Download PDF

Info

Publication number
CN114771575A
CN114771575A CN202210529642.5A CN202210529642A CN114771575A CN 114771575 A CN114771575 A CN 114771575A CN 202210529642 A CN202210529642 A CN 202210529642A CN 114771575 A CN114771575 A CN 114771575A
Authority
CN
China
Prior art keywords
vehicle
motion feature
target vehicle
motion
feature sequence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210529642.5A
Other languages
English (en)
Other versions
CN114771575B (zh
Inventor
王一晶
李峥
左志强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN202210529642.5A priority Critical patent/CN114771575B/zh
Publication of CN114771575A publication Critical patent/CN114771575A/zh
Application granted granted Critical
Publication of CN114771575B publication Critical patent/CN114771575B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B60W60/00272—Planning or execution of driving tasks using trajectory prediction for other traffic participants relying on extrapolation of current movement
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B60W60/00274—Planning or execution of driving tasks using trajectory prediction for other traffic participants considering possible movement changes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4041—Position
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/801—Lateral distance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/804—Relative longitudinal speed

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提供了一种基于双通道高斯混合隐马尔可夫模型的车辆行为预测方法，可以应用于自动驾驶技术领域和车辆辅助驾驶技术领域。该方法包括：获取预设时间段内驾驶车辆的行驶环境数据；根据行驶环境数据，确定目标车辆的运动特征；根据运动特征组成的运动特征序列，通过双通道高斯混合隐马尔可夫模型确定运动特征序列的概率，其中，运动特征序列包括第一运动特征序列和第二运动特征序列，双通道高斯混合隐马尔可夫模型根据运动特征序列中的运动特征的概率递归得到运动特征序列的概率；根据运动特征序列的概率，预测目标车辆的运动行为。本公开还提供了一种基于双通道高斯混合隐马尔可夫模型的车辆行为预测装置及电子设备。

Description

基于双通道高斯混合隐马尔可夫模型的车辆行为预测方法
技术领域
本公开涉及自动驾驶技术领域和车辆辅助驾驶技术领域，更具体地，涉及一种基于双通道高斯混合隐马尔可夫模型的车辆行为预测方法、装置及电子设备。
背景技术
在车辆驾驶的过程中，实现车辆的智能决策对于保证车辆的行驶安全很重要，其中一个方面就是根据周围车辆的行驶状态，预测车辆可能发生的并道行为，从而提醒车辆驾驶人员或自动驾驶车辆提前做出反应，防止与并道车辆发生碰撞。
在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：在预测车辆发生并道行为时不能充分利用周围车辆的运动状态信息，从而导致预测的准确性降低。
发明内容
有鉴于此，本公开提供了一种基于双通道高斯混合隐马尔可夫模型的车辆行为预测方法、装置及电子设备。
本公开的一个方面提供了一种基于双通道高斯混合隐马尔可夫模型的车辆行为预测方法，包括：
获取预设时间段内驾驶车辆的行驶环境数据，其中，行驶环境数据包括驾驶车辆、目标车辆以及关联车辆的运动状态信息，目标车辆位于驾驶车辆道路前进方向前方的相邻车道，关联车辆表征影响目标车辆变道的车辆；
根据行驶环境数据，确定目标车辆的运动特征，其中，运动特征包括第一运动特征和第二运动特征，第一运动特征表征目标车辆在道路前进方向与驾驶车辆以及关联车辆的相对距离和相对速度，第二运动特征表征目标车辆与驾驶车辆以及关联车辆发生碰撞的时间倒数、目标车辆在相邻时刻垂直道路前进方向的位置变化量和目标车辆的行驶方向和道路前进方向的夹角；
根据运动特征组成的运动特征序列，通过双通道高斯混合隐马尔可夫模型确定运动特征序列的概率，其中，运动特征序列包括第一运动特征序列和第二运动特征序列，双通道高斯混合隐马尔可夫模型根据运动特征序列中的运动特征的概率递归得到运动特征序列的概率；
根据运动特征序列的概率，预测目标车辆的运动行为。
根据本公开的实施例，其中，获取预设时间段内驾驶车辆的行驶环境数据，包括：
从固定长度的队列存储器中存储的行驶环境数据中，读取预设时间段内驾驶车辆的行驶环境数据。
根据本公开的实施例，其中，运动状态信息包括位置信息和速度信息，根据行驶环境数据，确定目标车辆的运动特征，包括：
根据驾驶车辆、目标车辆以及关联车辆的位置信息和速度信息，确定目标车辆与驾驶车辆在道路前进方向的第一相对距离和第一相对速度、以及目标车辆与关联车辆在道路前进方向的第二相对距离和第二相对速度；
根据第一相对距离、第二相对距离、第一相对速度和第二相对速度确定第一运动特征和第二运动特征。
根据本公开的实施例，其中，根据第一相对距离、第二相对距离、第一相对速度和第二相对速度确定第一运动特征和第二运动特征，用下式表示：
Figure BDA0003645672830000021
Figure BDA0003645672830000022
其中，
Figure BDA0003645672830000023
是第一运动特征，
Figure BDA0003645672830000024
是第二运动特征；
Δxo-e(t)、
Figure BDA0003645672830000031
分别是目标车辆与驾驶车辆的第一相对距离、第一相对速度和碰撞时间倒数；
Δxo-fe(t)、
Figure BDA0003645672830000032
分别是目标车辆与驾驶车辆在道路前进方向前方关联车辆的第二相对距离、第二相对速度和碰撞时间倒数；
Δxo-fo(t)、
Figure BDA0003645672830000033
分别是目标车辆与目标车辆在道路前进方向前方关联车辆的第二相对距离、第二相对速度和碰撞时间倒数；
Δxo-ro(t)、
Figure BDA0003645672830000034
分别是目标车辆与目标车辆在道路前进方向后方关联车辆的第二相对距离、第二相对速度和碰撞时间倒数；
Δyo(t)是目标车辆在相邻时刻垂直道路前进方向的位置变化量，ψo(t)是目标车辆的行驶方向和道路前进方向的夹角。
根据本公开的实施例，其中，根据运动特征组成的运动特征序列，通过双通道高斯混合隐马尔可夫模型确定运动特征序列的概率，包括：
根据与运动特征对应的隐状态，确定运动特征的概率；
根据运动特征的概率，确定运动特征序列的概率。
根据本公开的实施例，根据运动特征序列的概率，预测目标车辆的运动行为，用下式表示：
Figure BDA0003645672830000035
Figure BDA0003645672830000036
Figure BDA0003645672830000037
其中，
Figure BDA0003645672830000038
是第一运动特征序列，
Figure BDA0003645672830000039
是第二运动特征序列，
Figure BDA00036456728300000310
和
Figure BDA00036456728300000311
分别是在第一运动特征序列
Figure BDA00036456728300000312
的通道中，预测目标车辆发生并道行为的高斯混合隐马尔可夫模型和预测目标车辆发生车道保持行为的高斯混合隐马尔可夫模型；
Figure BDA0003645672830000041
和
Figure BDA0003645672830000042
分别是在第二运动特征序列
Figure BDA0003645672830000043
的通道中，预测目标车辆发生并道行为的高斯混合隐马尔可夫模型和预测目标车辆发生车道保持行为的高斯混合隐马尔可夫模型；
Figure BDA0003645672830000044
和
Figure BDA0003645672830000045
分别是使用
Figure BDA0003645672830000046
和
Figure BDA0003645672830000047
预测第一运动特征序列
Figure BDA0003645672830000048
的概率，
Figure BDA0003645672830000049
和
Figure BDA00036456728300000410
分别是使用
Figure BDA00036456728300000411
和
Figure BDA00036456728300000412
预测第二运动特征序列
Figure BDA00036456728300000413
的概率，lg()是以10为底的对数函数；
Figure BDA00036456728300000414
和
Figure BDA00036456728300000415
分别是第一运动特征序列
Figure BDA00036456728300000416
的预测得分和第二运动特征序列
Figure BDA00036456728300000417
的预测得分，llon、lmix和l0是线性比较器参数；
BP是行为预测结果，LC表示目标车辆发生并道行为，LK表示目标车辆发生车道保持行为。
根据本公开的实施例，上述方法还包括：
根据评价指标，确定双通道高斯混合隐马尔可夫模型的评价指标值，其中，评价指标包括预警召回率、平均预警召回率和F1-平均预警召回率，预警召回率表征对目标车辆行为的预测结果和目标车辆的实际行为一致的概率；
根据评价指标值评价高斯混合隐马尔可夫模型。
根据本公开的实施例，其中，根据评价指标值评价双通道高斯混合隐马尔可夫模型，包括：
根据预警召回率和平均预警召回率，评价双通道高斯混合隐马尔可夫模型的预见性性能，其中，预见性性能表征目标车辆发生并道行为或者车道保持行为的时刻，与正确预测目标车辆行为时刻的时间间隔。
本公开的又一个方面提供了一种基于双通道高斯混合隐马尔可夫模型的车辆行为预测装置，包括：
获取模块，获取预设时间段内驾驶车辆的行驶环境数据，其中，行驶环境数据包括驾驶车辆、目标车辆以及关联车辆的运动状态信息，目标车辆位于驾驶车辆道路前进方向前方的相邻车道，关联车辆表征影响目标车辆变道的车辆；
第一确定模块，用于根据行驶环境数据，确定目标车辆的运动特征，其中，运动特征包括第一运动特征和第二运动特征，第一运动特征表征目标车辆在道路前进方向与驾驶车辆以及关联车辆的相对距离和相对速度，第二运动特征表征目标车辆与驾驶车辆以及关联车辆发生碰撞的时间倒数、目标车辆在相邻时刻垂直道路前进方向的位置变化量和目标车辆的行驶方向和道路前进方向的夹角；
第二确定模块，用于根据运动特征组成的运动特征序列，通过双通道高斯混合隐马尔可夫模型确定运动特征序列的概率，其中，运动特征序列包括第一运动特征序列和第二运动特征序列，高斯混合隐马尔可夫模型根据运动特征序列中的运动特征的概率递归得到运动特征序列的概率；
预测模块，用于根据运动特征序列的概率，预测目标车辆的运动行为。
本公开的另一方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个指令，其中，当上述一个或多个指令被上述一个或多个处理器执行时，使得上述一个或多个处理器实现上述方法。
根据本公开的实施例，通过获取预设时间段内包括驾驶车辆、目标车辆以及关联车辆的运动状态信息的行驶环境数据，确定目标车辆包括第一运动特征和第二运动特征的运动特征，其中，第一运动特征表征目标车辆在道路前进方向与驾驶车辆以及关联车辆的相对距离和相对速度，第二运动特征表征目标车辆与驾驶车辆以及关联车辆发生碰撞的时间倒数，然后通过双通道高斯混合隐马尔可夫模型根据运动特征序列中的运动特征的概率递归得到运动特征序列的概率，预测出目标车辆的运动行为。通过驾驶车辆获取包括目标车辆和关联车辆的行驶环境数据确定运动特征，然后通过双通道高斯混合隐马尔可夫模型进行预测，可以充分利用周围车辆的运动状态信息通过两种不同的运动特征计算预测结果，至少部分地克服了在预测车辆发生并道行为时不能充分利用周围车辆的运动状态信息，从而导致预测的准确性降低的技术问题，提高了车辆行为预测的准确性。
附图说明
通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：
图1示意性示出了根据本公开实施例的基于双通道高斯混合隐马尔可夫模型的车辆行为预测方法的流程图；
图2示意性示出了根据本公开实施例获取的驾驶车辆的行驶环境示意图；
图3示意性示出了根据本公开实施例的单个高斯混合隐马尔可夫模型结构的示意图；
图4示意性示出了根据本公开实施例的基于双通道高斯混合隐马尔可夫模型的车辆行为预测方法的工作流程图；
图5示意性示出了根据本公开实施例的三种不同行为预测方法的预警召回率曲线示意图；
图6示意性示出了根据本公开实施例的队列存储器长度取不同值时ROC曲线的示意图；
图7示意性示出了根据本公开实施例的预测方法和四种对比方法的ROC曲线示意图；
图8示意性示出了根据本公开的实施例的基于双通道高斯混合隐马尔可夫模型的车辆行为预测装置的框图；以及
图9示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在相关技术中，可以根据周围车辆的行驶状态，预测车辆可能发生的并道行为，但是在很多情况下并道车辆并未严格遵守交通规则使用转向灯，所以根据转向灯判断是否会发生并道行为并不可靠，而需要根据并道车辆的运动状态提前预测可能发生的并道行为。目前相关的预测方法主要存在两方面问题：一方面未能充分利用周围车辆的运动状态信息；另一方面预测车辆行为时的准确性较低，并且预测的时间与车辆实际发生变道行为的时间间隔较短。因此，需要设计行为预测方法，准确地提前预测可能发生的并道行为。
有鉴于此，本公开的实施例提供了一种基于双通道高斯混合隐马尔可夫模型的车辆行为预测方法。该方法包括获取预设时间段内驾驶车辆的行驶环境数据；根据行驶环境数据，确定目标车辆的运动特征；根据运动特征组成的运动特征序列，通过双通道高斯混合隐马尔可夫模型确定运动特征序列的概率，其中，运动特征序列包括第一运动特征序列和第二运动特征序列，双通道高斯混合隐马尔可夫模型根据运动特征序列中的运动特征的概率递归得到运动特征序列的概率；根据运动特征序列的概率，预测目标车辆的运动行为。
图1示意性示出了根据本公开实施例的基于双通道高斯混合隐马尔可夫模型的车辆行为预测方法的流程图。
如图1所示，该方法包括操作S101～S104。
在操作S101，获取预设时间段内驾驶车辆的行驶环境数据，其中，行驶环境数据包括驾驶车辆、目标车辆以及关联车辆的运动状态信息，目标车辆位于驾驶车辆道路前进方向前方的相邻车道，关联车辆表征影响目标车辆变道的车辆。
根据本公开的实施例，预设时间段可以是预测时刻前的一段时间，例如，可以是2秒、或者5秒，在此不做限定。
根据本公开的实施例，驾驶车辆可以是有驾驶员驾驶的车辆，也可以是自动驾驶功能的车辆，目标车辆可以是被预测发生变道的车辆，可以在驾驶车辆道路前进方向前方的相邻车道，关联车辆可以是影响目标车辆变道的车辆。例如，驾驶车辆在前进方向左侧第二车道，目标车辆可以是在驾驶车辆前方左侧第一车道行驶的车辆，关联车辆可以是左侧第一车道上目标车辆前方或者后方行驶的车辆，或者是在左侧第二车道驾驶车辆前方行驶的车辆。
根据本公开的实施例，运动状态信息可以是驾驶车辆、目标车辆或者关联车辆的在道路上的速度信息和位置信息，可以由驾驶车辆的传感器等检测单元检测得到。
在操作S102，根据行驶环境数据，确定目标车辆的运动特征，其中，运动特征包括第一运动特征和第二运动特征，第一运动特征表征目标车辆在道路前进方向与驾驶车辆以及关联车辆的相对距离和相对速度，第二运动特征表征目标车辆与驾驶车辆以及关联车辆发生碰撞的时间倒数、目标车辆在相邻时刻垂直道路前进方向的位置变化量和目标车辆的行驶方向和道路前进方向的夹角。
根据本公开的实施例，可以由驾驶车辆、目标车辆或者关联车辆的运动状态信息计算得到目标车辆在道路前进方向与驾驶车辆以及关联车辆的相对距离和相对速度，从而确定第一运动特征，然后可以由相对距离和相对速度计算目标车辆与驾驶车辆以及关联车辆发生碰撞的时间倒数，由时间倒数、目标车辆在相邻时刻垂直道路前进方向的位置变化量和目标车辆的行驶方向和道路前进方向的夹角确定第二运动特征。
在操作S103，根据运动特征组成的运动特征序列，通过双通道高斯混合隐马尔可夫模型确定运动特征序列的概率，其中，运动特征序列包括第一运动特征序列和第二运动特征序列，双通道高斯混合隐马尔可夫模型根据运动特征序列中的运动特征的概率递归得到运动特征序列的概率。
根据本公开的实施例，可以由第一运动特征组成第一运动特征序列，由第二运动特征组成第二运动特征序列。
根据本公开的实施例，双通道高斯混合隐马尔可夫模型可以是已经训练好的模型，可以根据目标车辆和驾驶车辆以及关联车辆车辆的运动状态，推断出目标车辆当前的行为；可以是预测目标车辆发生并道行为或者车道保持行为，可以将并道行为视作正样本，将车道保持行为视作负样本，通过训练好的模型计算运动特征的概率，然后通过递归得到运动特征的概率。
在操作S104，根据运动特征序列的概率，预测目标车辆的运动行为。
根据本公开的实施例，可以计算出运动特征序列的概率，然后得到目标车辆发生并道行为或者车道保持行为的得分，然后根据得分判断目标车辆的运动行为。
根据本公开的实施例，通过获取预设时间段内包括驾驶车辆、目标车辆以及关联车辆的运动状态信息的行驶环境数据，确定目标车辆包括第一运动特征和第二运动特征的运动特征，其中，第一运动特征表征目标车辆在道路前进方向与驾驶车辆以及关联车辆的相对距离和相对速度，第二运动特征表征目标车辆与驾驶车辆以及关联车辆发生碰撞的时间倒数，然后通过双通道高斯混合隐马尔可夫模型根据运动特征序列中的运动特征的概率递归得到运动特征序列的概率，预测出目标车辆的运动行为。通过驾驶车辆获取包括目标车辆和关联车辆的行驶环境数据确定运动特征，然后通过双通道高斯混合隐马尔可夫模型进行预测，可以充分利用周围车辆的运动状态信息通过两种不同的运动特征计算预测结果，至少部分地克服了在预测车辆发生并道行为时不能充分利用周围车辆的运动状态信息，从而导致预测的准确性降低的技术问题，提高了车辆行为预测的准确性。
根据本公开的实施例，其中，获取预设时间段内驾驶车辆的行驶环境数据，包括：
从固定长度的队列存储器中存储的行驶环境数据中，读取预设时间段内驾驶车辆的行驶环境数据。
根据本公开的实施例，可以使用固定长度为τ的队列存储器Γτ(t)存储从t-τ+1时刻到t时刻的所有运动状态。当t>τ，早于t-τ+1时刻的运动状态被丢弃；当t≤τ时，队列存储器将存储所有的历史运动状态，没有丢弃的数据。队列存储器Γτ(t)的实现过程可表示为：
Γτ(t)＝{ξ(t-k+1),...,ξ(t-1),ξ(t)},k＝min{τ,t} (6)
图2示意性示出了根据本公开实施例获取的驾驶车辆的行驶环境示意图。
如图2所示，可以定义坐标系如下：坐标系x轴正向沿道路前进方向，y轴正向垂直于道路前进方向指向道路左侧。定义车道Lfrom和车道Lto的车道线处为y轴原点，即y＝0。在t时刻，驾驶车辆Ve行驶在车道Lto内，速度为ve(t)，坐标为(xe(t),ye(t))；目标车辆Vo行驶在左侧相邻车道Lfrom内，速度为vo(t)，坐标为(xo(t),yo(t))；若目标车辆实施并道行为，从车道Lfrom并入车道Lto，Tm是并道时刻；周围存在3辆关联车辆，分别为驾驶车辆前方行驶的车辆Vfe，速度为vfe(t)，坐标为(xfe(t),yfe(t))，目标车辆前方行驶的车辆Vfo，速度为vfo(t)，坐标为(xfo(t),yfo(t))，目标车辆后方行驶的车辆Vro，速度为vro(t)，坐标为(xro(t),yro(t))。
运动状态ξ(t)包含驾驶车辆、目标车辆和关联车辆的位置信息和速度信息：
ξ(t)＝[xe(t),ye(t),ve(t),xo(t),yo(t),vo(t),xfe(t),yfe(t),vfe(t),xfo(t),yfo(t),vfo(t),xro(t),yro(t),vro(t)]T (7)
为抑制测量噪声对运动状态的影响，使用滑动平均滤波器对队列存储器中的所有运动状态进行滤波处理，滑动平均滤波器的工作原理可以表示为：
Figure BDA0003645672830000111
Figure BDA0003645672830000112
Figure BDA0003645672830000113
其中，2w+1是滑动平均滤波器的窗口宽度，所有带“^”上标的变量均表示经过滑动平均滤波器处理后的变量。
根据本公开的实施例，其中，运动状态信息包括位置信息和速度信息，根据行驶环境数据，确定目标车辆的运动特征，包括：
根据驾驶车辆、目标车辆以及关联车辆的位置信息和速度信息，确定目标车辆与驾驶车辆在道路前进方向的第一相对距离和第一相对速度、以及目标车辆与关联车辆在道路前进方向的第二相对距离和第二相对速度；
根据第一相对距离、第二相对距离、第一相对速度和第二相对速度确定第一运动特征和第二运动特征。
根据本公开的实施例，目标车辆与驾驶车辆在道路前进方向的第一相对距离和第一相对速度分别用如下式计算：
Figure BDA0003645672830000114
根据本公开的实施例，在关联车辆是驾驶车辆前方行驶的车辆时，目标车辆与关联车辆在道路前进方向的第二相对距离和第二相对速度分别用如下式计算：
Figure BDA0003645672830000121
根据本公开的实施例，在关联车辆是目标车辆前方行驶的车辆时，目标车辆与关联车辆在道路前进方向的第二相对距离和第二相对速度分别用如下式计算：
Figure BDA0003645672830000122
根据本公开的实施例，在关联车辆是目标车辆后方行驶的车辆时，目标车辆与关联车辆在道路前进方向的第二相对距离和第二相对速度分别用如下式计算：
Figure BDA0003645672830000123
根据本公开的实施例，其中，根据第一相对距离、第二相对距离、第一相对速度和第二相对速度确定第一运动特征和第二运动特征，用下式表示：
Figure BDA0003645672830000124
Figure BDA0003645672830000125
其中，
Figure BDA0003645672830000126
是第一运动特征，
Figure BDA0003645672830000127
是第二运动特征；
Δxo-e(t)、
Figure BDA0003645672830000128
分别是目标车辆与驾驶车辆的第一相对距离、第一相对速度和碰撞时间倒数；
Δxo-fe(t)、
Figure BDA0003645672830000129
分别是目标车辆与驾驶车辆在道路前进方向前方关联车辆的第二相对距离、第二相对速度和碰撞时间倒数；
Δxo-fo(t)、
Figure BDA00036456728300001210
分别是目标车辆与目标车辆在道路前进方向前方关联车辆的第二相对距离、第二相对速度和碰撞时间倒数；
Δxo-ro(t)、
Figure BDA00036456728300001211
分别是目标车辆与目标车辆在道路前进方向后方关联车辆的第二相对距离、第二相对速度和碰撞时间倒数；
Δyo(t)是目标车辆在相邻时刻垂直道路前进方向的位置变化量，ψo(t)是目标车辆的行驶方向和道路前进方向的夹角。
Figure BDA0003645672830000131
Δyo(t)和ψo(t)的具体计算方法如下：
Figure BDA0003645672830000132
Figure BDA0003645672830000133
Figure BDA0003645672830000134
Figure BDA0003645672830000135
Figure BDA0003645672830000136
Figure BDA0003645672830000137
根据本公开的实施例，其中，根据运动特征组成的运动特征序列，通过双通道高斯混合隐马尔可夫模型确定运动特征序列的概率，包括：
根据与运动特征对应的隐状态，确定运动特征的概率；
根据运动特征的概率，确定运动特征序列的概率。
根据本公开的实施例，给定长度为τ的运动特征序列Ωτ(t)：
Figure BDA0003645672830000138
其中，
Figure BDA0003645672830000139
是公式(1)中的第一运动特征或公式(2)中的第二运动特征。
对应的隐状态序列Ξτ(t)为：
Ξτ(t)＝{H(t-τ+1),...,H(t-1),H(t)} (22)
其中，隐状态H(t)属于隐状态集合
Figure BDA00036456728300001310
NH是隐状态的总数。
图3示意性示出了根据本公开实施例的单个高斯混合隐马尔可夫模型结构的示意图。
如图3所示，根据本公开的实施例，高斯混合隐马尔可夫模型M可以用公式(23)-(26)表示：
M＝M(α0,A,B) (23)
Figure BDA0003645672830000141
Figure BDA0003645672830000142
Figure BDA0003645672830000143
其中，α0是长度为NH的列向量，称为隐状态的初始分布概率；每一个元素α0i＝p(H(t-τ+1)＝Hi)表示初始时刻的隐状态H(t-τ+1)为Hi的概率；
A是NH×NH的矩阵，称为转移矩阵；每一个元素aij＝p(H(t)＝Hj|H(t-1)＝Hi)表示上一时刻隐状态H(t-1)为Hi时，下一时刻隐状态H(t)为Hj的概率；
B是NH×1的矩阵，称为发射矩阵；每一个元素
Figure BDA0003645672830000144
表示当隐状态H(t)为Hi时，输出的运动状态为
Figure BDA0003645672830000145
的概率；bi依赖于隐状态Hi对应的高斯混合模型
Figure BDA0003645672830000146
不同的隐状态对应的高斯混合模型不同。
公式(27)-(30)给出了有NG个中心的高斯混合模型
Figure BDA0003645672830000147
的一般表示形式：
Figure BDA0003645672830000148
Figure BDA0003645672830000149
Figure BDA00036456728300001410
Figure BDA00036456728300001411
其中，c是长度为NG的列向量，称为高斯混合模型的权重向量；每一个元素ci表示第i个中心对应的多维高斯分布的权重；
μi是长度为NF的列向量，称为第i个中心对应的多维高斯分布的均值向量；
Σi是NF×NF的矩阵，称为第i个中心对应的多维高斯分布的协方差矩阵；
NF是运动状态
Figure BDA0003645672830000151
的维数；当
Figure BDA0003645672830000152
为公式(1)中的第一运动特征时，NF＝8；当
Figure BDA0003645672830000153
为公式(2)中的第二运动特征时，NF＝6。
根据对高斯混合模型描述，公式(31)中，发射矩阵元素bi由下式计算得到：
Figure BDA0003645672830000154
其中，
Figure BDA0003645672830000155
表示高斯混合模型
Figure BDA0003645672830000156
第k个中心对应的多维高斯分布的概率密度函数，多维高斯分布的均值为μk，协方差为Σk。
高斯混合隐马尔可夫模型M预测运动特征序列Ωτ(t)的概率可使用下面的公式(32)-(34)计算得到：
Figure BDA0003645672830000157
Figure BDA0003645672830000158
Figure BDA0003645672830000159
其中，p(Ωτ(t)|M)是待求的预测概率；
Figure BDA00036456728300001510
是在运动特征序列Ωτ(t)中，运动特征
Figure BDA00036456728300001511
是由隐状态Hj输出的概率，在公式(33)递归求解；
Figure BDA00036456728300001512
是根据公式(31)计算的高斯混合模型
Figure BDA00036456728300001513
输出
Figure BDA00036456728300001514
的概率；
aij是高斯混合隐马尔可夫模型M转移矩阵中的元素；
α0j是高斯混合隐马尔可夫模型M隐状态的初始分布概率中的元素。
根据本公开的实施例，根据运动特征序列的概率，预测目标车辆的运动行为，用下式表示：
Figure BDA0003645672830000161
Figure BDA0003645672830000162
Figure BDA0003645672830000163
其中，
Figure BDA0003645672830000164
是第一运动特征序列，
Figure BDA0003645672830000165
是第二运动特征序列，
Figure BDA0003645672830000166
和
Figure BDA0003645672830000167
分别是在第一运动特征序列
Figure BDA0003645672830000168
的通道中，预测目标车辆发生并道行为的高斯混合隐马尔可夫模型和预测目标车辆发生车道保持行为的高斯混合隐马尔可夫模型，
Figure BDA0003645672830000169
和
Figure BDA00036456728300001610
分别是在第二运动特征序列
Figure BDA00036456728300001611
的通道中，预测目标车辆发生并道行为的高斯混合隐马尔可夫模型和预测目标车辆发生车道保持行为的高斯混合隐马尔可夫模型；
Figure BDA00036456728300001612
和
Figure BDA00036456728300001613
分别是使用
Figure BDA00036456728300001614
和
Figure BDA00036456728300001615
预测第一运动特征序列
Figure BDA00036456728300001616
的概率，
Figure BDA00036456728300001617
和
Figure BDA00036456728300001618
分别是使用
Figure BDA00036456728300001619
和
Figure BDA00036456728300001620
预测第二运动特征序列
Figure BDA00036456728300001621
的概率，lg()是以10为底的对数函数；
Figure BDA00036456728300001622
和
Figure BDA00036456728300001623
分别是第一运动特征序列
Figure BDA00036456728300001624
的预测得分和第二运动特征序列
Figure BDA00036456728300001625
的预测得分，llon、lmix和l0是线性比较器参数；
BP是行为预测结果，LC表示目标车辆发生并道行为，LK表示目标车辆发生车道保持行为。
图4示意性示出了根据本公开实施例的基于双通道高斯混合隐马尔可夫模型的车辆行为预测方法的工作流程图。
如图4所示，将第一运动特征序列
Figure BDA00036456728300001626
分别输入到预测目标车辆发生并道行为的高斯混合隐马尔可夫模型和预测目标车辆发生车道保持行为的高斯混合隐马尔可夫模型
Figure BDA0003645672830000171
和
Figure BDA0003645672830000172
得到第一运动特征序列
Figure BDA0003645672830000173
的预测得分
Figure BDA0003645672830000174
将第二运动特征序列
Figure BDA0003645672830000175
分别输入到预测目标车辆发生并道行为的高斯混合隐马尔可夫模型和预测目标车辆发生车道保持行为的高斯混合隐马尔可夫模型
Figure BDA0003645672830000176
和
Figure BDA0003645672830000177
得到第二运动特征序列
Figure BDA0003645672830000178
的预测得分
Figure BDA0003645672830000179
然后线性比较器根据得分预测目标车辆的行为。
根据本公开的实施例，上述方法还包括：
根据评价指标，确定双通道高斯混合隐马尔可夫模型的评价指标值，其中，评价指标包括预警召回率(Recall of Forewarning，ROF)、平均预警召回率(Average Recall ofForewarning，ARoF)和F1-平均预警召回率(F1–Average Recall of Forewarning，F1-ARoF)，预警召回率表征对目标车辆行为的预测结果和目标车辆的实际行为一致的概率；
根据评价指标值评价高斯混合隐马尔可夫模型。
根据本公开的实施例，设tb为并道时刻Tm以前任一时刻，则tb时刻的预警召回率RoF(tb)定义为：
Figure BDA00036456728300001710
其中，tr为第一次正确预测目标车并道行为的时刻；
Figure BDA00036456728300001711
是轨迹持续时间长度大于|tb|的目标车数量；
TP(tr＜tb)表示在tb时刻以前的真阳性(正确预测并道行为)样本总数。
根据本公开的实施例，平均预警召回率的计算如下式：
Figure BDA00036456728300001712
其中，Tbmax为目标车轨迹持续时长的最大值。
由于在实际应用中，公式(36)中的定积分无法直接计算，因此采用下面的近似积分计算ARoF：
Figure BDA00036456728300001713
其中，L表示近似积分的采样时刻数量；
Figure BDA0003645672830000183
表示“渐进等于”符号，当L→∞时，近似积分渐进收敛于真值。
根据本公开的实施例，可以通过下式计算F1-ARoF：
Figure BDA0003645672830000181
Figure BDA0003645672830000182
其中，Precision是精确度；
TP表示真阳性(正确预测并道行为)样本总数；
FP表示假阳性(未能正确预测车道保持行为)样本总数。
根据本公开的实施例，其中，根据评价指标值评价双通道高斯混合隐马尔可夫模型，包括：
根据预警召回率和平均预警召回率，评价双通道高斯混合隐马尔可夫模型的预见性性能，其中，预见性性能表征目标车辆发生并道行为或者车道保持行为的时刻，与正确预测目标车辆行为时刻的时间间隔。
根据本公开的实施例，将不同时刻的RoF值绘制在坐标系中，即可得到RoF曲线。RoF曲线直观描述了正确预测并道行为的概率随时间的变化情况；RoF曲线的趋势可以定性描述行为预测方法的预见性性能。
例如，在一个具体的实施例中，存在3种不同的行为预测方法。3种预测方法都基于公式(23)-(26)描述的高斯混合隐马尔可夫模型，但考虑了公式(11)-(20)中描述的不同物理量。每种方法考虑的具体物理量如下表1所示：
表1三种预测方法考虑的物理量
预测方法 考虑的物理量
1 相对纵向距离和相对纵向速度，公式(11)-(14)
2 横向变化量和航向角，公式(19)-(20)
3 碰撞时间倒数、横向变化量和航向角，公式(15)-(20)
图5示意性示出了根据本公开实施例的三种不同行为预测方法的预警召回率曲线示意图。
如图5所示，可以设并道时刻为零基准时刻，即Tm＝0，则并道时刻前任一时刻tb＜0。3种预测方法的RoF曲线如图5所示，可以看出：在并道时刻Tm处，方法2的预见性性能优于方法1和方法3；在并道时刻以前更早的时刻，方法1拥有最好的预见性性能；方法3在整个时段内拥有更平稳的预见性性能；在并道时刻以前更早的时刻，方法3与方法1性能相近，且优于方法2；在并道时刻附近，方法3性能优于方法1和方法2。
根据本公开的实施例，AROF可以作为评价行为预测方法的预见性性能的定量指标：因为ARoF由RoF曲线积分后归一化得到，可视为RoF曲线下方面积的归一化值，实质上是整个轨迹持续时间段内预测结果的总体表达，故同样用于评价预见性性能；又因为ARoF的值为区间[0，1]上的实数，故可以作为评价预见性性能的定量指标。
例如，在一个具体的实施例中，针对图5所示的行为预测方法3，取Tbmax＝7.0s，L＝14，ARoF可视作图中RoF曲线下方灰色区域面积归一化的结果。
根据本公开的实施例，F1-ARoF可以作为评价行为预测方法综合性能的定量指标，因为Precision是描述预测结果准确性性能的定量指标，准确性性能指目标车辆实施的并道行为或车道保持行为可以被正确预测的性能，ARoF是描述预测结果预见性性能的定量指标，F1-ARoF是二者的调和平均数，故可作为评价行为预测方法综合性能的定量指标。
例如，在一个具体的实施例中，针对图5所示的3种不同的行为预测方法，分别计算精确度、ARoF和F1-ARoF三项指标并进行比较；其中精确度用于评价准确性性能，ARoF用于评价预见性性能，F1-ARoF用于评价综合性能；指标数值越高，表明性能越好。3种不同方法的性能比较如表2所示。从表中可以看出：方法2的准确性性能最好；方法1的预见性性能最好；方法3在准确性性能和预见性性能两项单独指标上分别落后于方法2和方法1，但差距不大；方法3拥有最好的综合性能。
表2三种预测方法的综合性能
预测方法 精确度 ARoF F<sub>1</sub>-ARoF
1 0.757 0.511 0.610
2 0.932 0.283 0.434
3 0.912 0.476 0.625
根据本公开的实施例，还可以通过灵敏度、特异度、F1-分数、ROC、AUC等评价指标验证验证本公开实施例提出的基于双通道高斯混合隐马尔可夫模型的车辆行为预测方法。下面对灵敏度、特异度、F1-分数、ROC和AUC做简单说明。
灵敏度(Sensitivity)定义为所有测试样本中，正样本被正确分类的占比。灵敏度也称为真阳率TPR，用于评价行为预测方法正确预测并道行为的性能；灵敏度越高，说明行为预测方法具有更出色的并道行为预测性能。TP为真阳性(正确预测并道行为)样本总数，FN为假阴性(未能正确预测并道行为)样本总数，灵敏度计算方法为：
Figure BDA0003645672830000201
特异度(Specificity)定义为所有测试样本中，负样本被正确分类的占比。特异度也称为真阴率TNR，用于评价行为预测方法能够正确预测车道保持行为的性能；特异度越高，说明行为预测方法具有更出色的车道保持性能预测性能。TN为真阴性(正确预测车道保持行为)样本总数，FP为假阳性(未能正确预测车道保持行为)样本总数，特异度计算方法为：
Figure BDA0003645672830000202
F1-分数(F1-Score)定义为召回率(Recall)和精确度(Precision)的调和平均数。F1-分数用于评价行为预测方法正确预测的性能。F1-分数越高，说明行为预测方法具有更出色的预测所有行为的性能。F1-分数的计算方法为：
Figure BDA0003645672830000203
受试者工作特征(Receiver Operating Characteristic，ROC)曲线定义为选定不同阈值时，真阳率TPR与假阳率FPR＝1–TNR的变化关系。ROC曲线越靠近坐标轴左上角坐标(0，1)，说明行为预测方法受阈值选择影响越弱，预测性能越好。
ROC曲线下面积(Area Under the Curve，AUC)定义为ROC下方面积。ROC曲线越靠近坐标轴左上角(0，1)，AUC值越接近1.0，说明行为预测方法预测性能越好。
验证数据使用公开数据集NGSIM中道路标号为I-80和US-101下的数据；验证数据包含2341个并道行为样本和3570个车道保持行为样本；其中60％样本作为训练集用于行为预测方法训练，40％样本作为测试集用于行为预测方法测试。
首先，对本公开实施例提供的基于双通道高斯混合隐马尔可夫模型的车辆行为预测方法进行性能验证。为得到更具一般性的结果，在不同长度的队列存储器长度条件下均进行测试；队列存储器长度τ取值10、30、50、70。性能测试结果如表3所示：
表3不同长度的队列存储器下的评价指标值
Figure BDA0003645672830000211
图6示意性示出了根据本公开实施例的队列存储器长度τ取不同值时ROC曲线的示意图。
如图所示，当队列存储器长度变长时，本公开实施例提供的预测方法准确性性能降低，预见性性能升高；当队列存储器长度τ＝30时，预测方法具有最好的综合性能。
其次，将本公开实施例提供的不同长度的队列存储器，与基于高斯混合隐马尔可夫模型的同源方法进行比较。进行比较的4种方法为：
对比方法1：参考文献“Highway discretionary lane changing behaviorrecognition using continuous and discrete hidden Markov model(ITSC 2021)”中提出的基于离散-连续隐马尔可夫模型的行为预测方法。
对比方法2：参考文献“Gauss mixture hidden Markov model to characteriseand model discretionary lane-change behaviours for autonomous vehicles(IET-ITS,2020)”中提出的基于高斯混合隐马尔可夫模型的行为预测方法。
对比方法3：结合对比方法2和公式(1)描述的第一运动特征序列，设计的行为预测方法。
对比方法4：结合对比方法2和公式(2)描述的第二运动特征序列，设计的行为预测方法。
进行对比实验时，统一取队列存储器长度τ＝30。性能测试结果如表4所示：本公开实施例提供的行为预测方法在准确性性能和综合性能上均获得最好的结果。
表4本公开实施例的方法与四种对比方法的评价指标值
方法 灵敏度 特异度 F<sub>1</sub>-分数 AUC ARoF F<sub>1</sub>-ARoF
本公开方法 0.919 0.945 0.917 0.984 0.512 0.657
对比方法1 0.533 0.727 0.546 0.685 0.330 0.416
对比方法2 0.721 0.805 0.717 0.874 0.516 0.597
对比方法3 0.711 0.826 0.720 0.848 0.463 0.566
对比方法4 0.908 0.937 0.906 0.973 0.477 0.625
图7示意性示出了根据本公开实施例的预测方法和四种对比方法的ROC曲线示意图。
如图7所示，本公开实施例的预测方法预见性性能比四种对比方法较高。
图8示意性示出了根据本公开的实施例的基于双通道高斯混合隐马尔可夫模型的车辆行为预测装置800的框图。
如图8所示，基于双通道高斯混合隐马尔可夫模型的车辆行为预测装置800包括获取模块810、第一确定模块820、第二确定模块830、和预测模块840。
获取模块810，获取预设时间段内驾驶车辆的行驶环境数据，其中，行驶环境数据包括驾驶车辆、目标车辆以及关联车辆的运动状态信息，目标车辆位于驾驶车辆道路前进方向前方的相邻车道，关联车辆表征影响目标车辆变道的车辆；
第一确定模块820，用于根据行驶环境数据，确定目标车辆的运动特征，其中，运动特征包括第一运动特征和第二运动特征，第一运动特征表征目标车辆在道路前进方向与驾驶车辆以及关联车辆的相对距离和相对速度，第二运动特征表征目标车辆与驾驶车辆以及关联车辆发生碰撞的时间倒数、目标车辆在相邻时刻垂直道路前进方向的位置变化量和目标车辆的行驶方向和道路前进方向的夹角；
第二确定模块830，用于根据运动特征组成的运动特征序列，通过双通道高斯混合隐马尔可夫模型确定运动特征序列的概率，其中，运动特征序列包括第一运动特征序列和第二运动特征序列，高斯混合隐马尔可夫模型根据运动特征序列中的运动特征的概率递归得到运动特征序列的概率；
预测模块840，用于根据运动特征序列的概率，预测目标车辆的运动行为。
根据本公开的实施例，通过获取预设时间段内包括驾驶车辆、目标车辆以及关联车辆的运动状态信息的行驶环境数据，确定目标车辆包括第一运动特征和第二运动特征的运动特征，其中，第一运动特征表征目标车辆在道路前进方向与驾驶车辆以及关联车辆的相对距离和相对速度，第二运动特征表征目标车辆与驾驶车辆以及关联车辆发生碰撞的时间倒数，然后通过双通道高斯混合隐马尔可夫模型根据运动特征序列中的运动特征的概率递归得到运动特征序列的概率，预测出目标车辆的运动行为。通过驾驶车辆获取包括目标车辆和关联车辆的行驶环境数据确定运动特征，然后通过双通道高斯混合隐马尔可夫模型进行预测，可以充分利用周围车辆的运动状态信息通过两种不同的运动特征计算预测结果，至少部分地克服了在预测车辆发生并道行为时不能充分利用周围车辆的运动状态信息，从而导致预测的准确性降低的技术问题，提高了车辆行为预测的准确性。
根据本公开的实施例，其中，获取模块810包括：
获取单元，用于从固定长度的队列存储器中存储的行驶环境数据中，读取预设时间段内驾驶车辆的行驶环境数据。
根据本公开的实施例，其中，运动状态信息包括位置信息和速度信息，第一确定模块820包括：
第一确定单元，用于根据驾驶车辆、目标车辆以及关联车辆的位置信息和速度信息，确定目标车辆与驾驶车辆在道路前进方向的第一相对距离和第一相对速度、以及目标车辆与关联车辆在道路前进方向的第二相对距离和第二相对速度；
第二确定单元，用于根据第一相对距离、第二相对距离、第一相对速度和第二相对速度确定第一运动特征和第二运动特征。
根据本公开的实施例，其中，第二确定模块830包括：
第三确定单元，用于根据与运动特征对应的隐状态，确定运动特征的概率；
第四确定单元，用于根据运动特征的概率，确定运动特征序列的概率。
根据本公开的实施例，上述装置800还包括：
第三确定模块，用于根据评价指标，确定双通道高斯混合隐马尔可夫模型的评价指标值，其中，评价指标包括预警召回率、平均预警召回率和F1-平均预警召回率，预警召回率表征对目标车辆行为的预测结果和目标车辆的实际行为一致的概率；
评价模块，用于根据评价指标值评价高斯混合隐马尔可夫模型。
根据本公开的实施例，其中，评价模块包括：
评价单元，用于根据预警召回率和平均预警召回率，评价双通道高斯混合隐马尔可夫模型的预见性性能，其中，预见性性能表征目标车辆发生并道行为或者车道保持行为的时刻，与正确预测目标车辆行为时刻的时间间隔。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
例如，获取模块810、第一确定模块820、第二确定模块830、和预测模块840中的任意多个可以合并在一个模块/单元/子单元中实现，或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者，这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合，并在一个模块/单元/子单元中实现。根据本公开的实施例，获取模块810、第一确定模块820、第二确定模块830、和预测模块840中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块810、第一确定模块820、第二确定模块830、和预测模块840中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
需要说明的是，本公开的实施例中基于双通道高斯混合隐马尔可夫模型的车辆行为预测装置部分与本公开的实施例中基于双通道高斯混合隐马尔可夫模型的车辆行为预测方法部分是相对应的，基于双通道高斯混合隐马尔可夫模型的车辆行为预测装置部分的描述具体参考基于双通道高斯混合隐马尔可夫模型的车辆行为预测方法部分，在此不再赘述。
图9示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。图9示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图9所示，根据本公开实施例的电子设备900包括处理器901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 903中，存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例，电子设备900还可以包括输入/输出(I/O)接口905，输入/输出(I/O)接口905也连接至总线904。系统900还可以包括连接至I/O接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
附图中的流程图和框图，图示了按照本公开各种实施例的装置、方法和电子设备的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (10)

1.一种基于双通道高斯混合隐马尔可夫模型的车辆行为预测方法，包括：
获取预设时间段内驾驶车辆的行驶环境数据，其中，所述行驶环境数据包括所述驾驶车辆、目标车辆以及关联车辆的运动状态信息，所述目标车辆位于所述驾驶车辆道路前进方向前方的相邻车道，所述关联车辆表征影响所述目标车辆变道的车辆；
根据所述行驶环境数据，确定所述目标车辆的运动特征，其中，所述运动特征包括第一运动特征和第二运动特征，所述第一运动特征表征所述目标车辆在道路前进方向与所述驾驶车辆以及所述关联车辆的相对距离和相对速度，所述第二运动特征表征所述目标车辆与所述驾驶车辆以及所述关联车辆发生碰撞的时间倒数、所述目标车辆在相邻时刻垂直道路前进方向的位置变化量和所述目标车辆的行驶方向和道路前进方向的夹角；
根据所述运动特征组成的运动特征序列，通过双通道高斯混合隐马尔可夫模型确定所述运动特征序列的概率，其中，所述运动特征序列包括第一运动特征序列和第二运动特征序列，所述双通道高斯混合隐马尔可夫模型根据所述运动特征序列中的运动特征的概率递归得到所述运动特征序列的概率；
根据所述运动特征序列的概率，预测所述目标车辆的运动行为。
2.根据权利要求1所述的方法，其中，所述获取预设时间段内驾驶车辆的行驶环境数据，包括：
从固定长度的队列存储器中存储的行驶环境数据中，读取所述预设时间段内驾驶车辆的行驶环境数据。
3.根据权利要求1所述的方法，其中，所述运动状态信息包括位置信息和速度信息，所述根据所述行驶环境数据，确定所述目标车辆的运动特征，包括：
根据所述驾驶车辆、所述目标车辆以及所述关联车辆的位置信息和速度信息，确定所述目标车辆与所述驾驶车辆在道路前进方向的第一相对距离和第一相对速度、以及所述目标车辆与所述关联车辆在道路前进方向的第二相对距离和第二相对速度；
根据所述第一相对距离、所述第二相对距离、所述第一相对速度和所述第二相对速度确定所述第一运动特征和所述第二运动特征。
4.根据权利要求3所述的方法，其中，所述根据所述第一相对距离、所述第二相对距离、所述第一相对速度和所述第二相对速度确定所述第一运动特征和所述第二运动特征，用下式表示：
Figure FDA0003645672820000021
Figure FDA0003645672820000022
其中，
Figure FDA0003645672820000023
是第一运动特征，
Figure FDA0003645672820000024
是第二运动特征；
Δxo-e(t)、
Figure FDA0003645672820000025
分别是所述目标车辆与所述驾驶车辆的所述第一相对距离、所述第一相对速度和碰撞时间倒数；
Δxo-fe(t)、
Figure FDA0003645672820000026
分别是所述目标车辆与所述驾驶车辆在道路前进方向前方关联车辆的第二相对距离、第二相对速度和碰撞时间倒数；
Δxo-fo(t)、
Figure FDA0003645672820000027
分别是所述目标车辆与所述目标车辆在道路前进方向前方关联车辆的第二相对距离、第二相对速度和碰撞时间倒数；
Δxo-ro(t)、
Figure FDA0003645672820000028
分别是所述目标车辆与所述目标车辆在道路前进方向后方关联车辆的第二相对距离、第二相对速度和碰撞时间倒数；
Δyo(t)是所述目标车辆在相邻时刻垂直道路前进方向的位置变化量，ψo(t)是所述目标车辆的行驶方向和道路前进方向的夹角。
5.根据权利要求3所述的方法，其中，所述根据所述运动特征组成的运动特征序列，通过双通道高斯混合隐马尔可夫模型确定所述运动特征序列的概率，包括：
根据与所述运动特征对应的隐状态，确定所述运动特征的概率；
根据所述运动特征的概率，确定所述运动特征序列的概率。
6.根据权利要求1所述的方法，所述根据所述运动特征序列的概率，预测所述目标车辆的运动行为，用下式表示：
Figure FDA0003645672820000031
Figure FDA0003645672820000032
Figure FDA0003645672820000033
其中，
Figure FDA0003645672820000034
是第一运动特征序列，
Figure FDA0003645672820000035
是第二运动特征序列，
Figure FDA0003645672820000036
和
Figure FDA0003645672820000037
分别是在所述第一运动特征序列
Figure FDA0003645672820000038
的通道中，预测所述目标车辆发生并道行为的高斯混合隐马尔可夫模型和预测所述目标车辆发生车道保持行为的高斯混合隐马尔可夫模型；
Figure FDA0003645672820000039
和
Figure FDA00036456728200000310
分别是在所述第二运动特征序列
Figure FDA00036456728200000311
的通道中，预测所述目标车辆发生并道行为的高斯混合隐马尔可夫模型和预测所述目标车辆发生车道保持行为的高斯混合隐马尔可夫模型；
Figure FDA00036456728200000312
和
Figure FDA00036456728200000313
分别是使用
Figure FDA00036456728200000314
和
Figure FDA00036456728200000315
预测所述第一运动特征序列
Figure FDA00036456728200000316
的概率，
Figure FDA00036456728200000317
和
Figure FDA00036456728200000318
分别是使用
Figure FDA00036456728200000319
和
Figure FDA00036456728200000320
预测所述第二运动特征序列
Figure FDA00036456728200000321
的概率，lg()是以10为底的对数函数；
Figure FDA00036456728200000322
和
Figure FDA00036456728200000323
分别是所述第一运动特征序列
Figure FDA00036456728200000324
的预测得分和所述第二运动特征序列
Figure FDA00036456728200000325
的预测得分，llon、lmix和l0是线性比较器参数；
BP是行为预测结果，LC表示所述目标车辆发生并道行为，LK表示所述目标车辆发生车道保持行为。
7.根据权利要求1所述的方法，还包括：
根据评价指标，确定所述双通道高斯混合隐马尔可夫模型的评价指标值，其中，所述评价指标包括预警召回率、平均预警召回率和F1-平均预警召回率，所述预警召回率表征对所述目标车辆行为的预测结果和所述目标车辆的实际行为一致的概率；
根据所述评价指标值评价所述高斯混合隐马尔可夫模型。
8.根据权利要求7所述的方法，其中，所述根据所述评价指标值评价所述双通道高斯混合隐马尔可夫模型，包括：
根据所述预警召回率和所述平均预警召回率，评价所述双通道高斯混合隐马尔可夫模型的预见性性能，其中，所述预见性性能表征所述目标车辆发生并道行为或者车道保持行为的时刻，与正确预测所述目标车辆行为时刻的时间间隔。
9.一种基于双通道高斯混合隐马尔可夫模型的车辆行为预测装置，包括：
获取模块，获取预设时间段内驾驶车辆的行驶环境数据，其中，所述行驶环境数据包括所述驾驶车辆、目标车辆以及关联车辆的运动状态信息，所述目标车辆位于所述驾驶车辆道路前进方向前方的相邻车道，所述关联车辆表征影响所述目标车辆变道的车辆；
第一确定模块，用于根据所述行驶环境数据，确定所述目标车辆的运动特征，其中，所述运动特征包括第一运动特征和第二运动特征，所述第一运动特征表征所述目标车辆在道路前进方向与所述驾驶车辆以及所述关联车辆的相对距离和相对速度，所述第二运动特征表征所述目标车辆与所述驾驶车辆以及所述关联车辆发生碰撞的时间倒数、所述目标车辆在相邻时刻垂直道路前进方向的位置变化量和所述目标车辆的行驶方向和道路前进方向的夹角；
第二确定模块，用于根据所述运动特征组成的运动特征序列，通过双通道高斯混合隐马尔可夫模型确定所述运动特征序列的概率，其中，所述运动特征序列包括第一运动特征序列和第二运动特征序列，所述高斯混合隐马尔可夫模型根据所述运动特征序列中的运动特征的概率递归得到所述运动特征序列的概率；
预测模块，用于根据所述运动特征序列的概率，预测所述目标车辆的运动行为。
10.一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至8中任一项所述的方法。
CN202210529642.5A 2022-05-16 2022-05-16 基于双通道高斯混合隐马尔可夫模型的车辆行为预测方法 Active CN114771575B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210529642.5A CN114771575B (zh) 2022-05-16 2022-05-16 基于双通道高斯混合隐马尔可夫模型的车辆行为预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210529642.5A CN114771575B (zh) 2022-05-16 2022-05-16 基于双通道高斯混合隐马尔可夫模型的车辆行为预测方法

Publications (2)

Publication Number Publication Date
CN114771575A true CN114771575A (zh) 2022-07-22
CN114771575B CN114771575B (zh) 2024-11-15

Family

ID=82436448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210529642.5A Active CN114771575B (zh) 2022-05-16 2022-05-16 基于双通道高斯混合隐马尔可夫模型的车辆行为预测方法

Country Status (1)

Country Link
CN (1) CN114771575B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116494998A (zh) * 2023-06-08 2023-07-28 吉林大学 车辆轨迹的预测方法、装置、车辆、设备及介质
CN116534036A (zh) * 2023-05-30 2023-08-04 天津大学 一种基于层次推理模型的车辆变道行为预警方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140032089A1 (en) * 2012-07-30 2014-01-30 Massachusetts Institute Of Technology System and method for providing driver behavior classification at intersections and validation on large naturalistic data sets
DE102016106983A1 (de) * 2016-04-15 2017-10-19 Valeo Schalter Und Sensoren Gmbh Verfahren zum Erkennen eines möglichen Spurwechselmanövers eines Zielfahrzeugs, Steuereinrichtung, Fahrerassistenzsystem sowie Kraftfahrzeug
CN107958269A (zh) * 2017-11-28 2018-04-24 江苏大学 一种基于隐马尔可夫模型的行车危险度预测方法
CN109471436A (zh) * 2018-11-09 2019-03-15 上海理工大学 基于混合高斯-隐马尔科夫模型的换道模型参数优化方法
CN111746559A (zh) * 2020-07-02 2020-10-09 湖北汽车工业学院 一种前车换道意图预测方法及预测系统
CN112141098A (zh) * 2020-09-30 2020-12-29 上海汽车集团股份有限公司 一种智能驾驶汽车避障决策方法及装置
CN112347567A (zh) * 2020-11-27 2021-02-09 青岛莱吉传动系统科技有限公司 一种车辆意图和轨迹预测的方法
CN113761715A (zh) * 2021-08-11 2021-12-07 江苏大学 一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140032089A1 (en) * 2012-07-30 2014-01-30 Massachusetts Institute Of Technology System and method for providing driver behavior classification at intersections and validation on large naturalistic data sets
DE102016106983A1 (de) * 2016-04-15 2017-10-19 Valeo Schalter Und Sensoren Gmbh Verfahren zum Erkennen eines möglichen Spurwechselmanövers eines Zielfahrzeugs, Steuereinrichtung, Fahrerassistenzsystem sowie Kraftfahrzeug
CN107958269A (zh) * 2017-11-28 2018-04-24 江苏大学 一种基于隐马尔可夫模型的行车危险度预测方法
CN109471436A (zh) * 2018-11-09 2019-03-15 上海理工大学 基于混合高斯-隐马尔科夫模型的换道模型参数优化方法
CN111746559A (zh) * 2020-07-02 2020-10-09 湖北汽车工业学院 一种前车换道意图预测方法及预测系统
CN112141098A (zh) * 2020-09-30 2020-12-29 上海汽车集团股份有限公司 一种智能驾驶汽车避障决策方法及装置
CN112347567A (zh) * 2020-11-27 2021-02-09 青岛莱吉传动系统科技有限公司 一种车辆意图和轨迹预测的方法
CN113761715A (zh) * 2021-08-11 2021-12-07 江苏大学 一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116534036A (zh) * 2023-05-30 2023-08-04 天津大学 一种基于层次推理模型的车辆变道行为预警方法
CN116534036B (zh) * 2023-05-30 2025-09-09 天津大学 一种基于层次推理模型的车辆变道行为预警方法
CN116494998A (zh) * 2023-06-08 2023-07-28 吉林大学 车辆轨迹的预测方法、装置、车辆、设备及介质

Also Published As

Publication number Publication date
CN114771575B (zh) 2024-11-15

Similar Documents

Publication Publication Date Title
Åsljung et al. Using extreme value theory for vehicle level safety validation and implications for autonomous vehicles
US9129519B2 (en) System and method for providing driver behavior classification at intersections and validation on large naturalistic data sets
KR102098131B1 (ko) 자동차의 블라인드 스팟 모니터링 방법 및 이를 이용한 블라인드 스팟 모니터
CN110807436B (zh) 危险驾驶行为识别与危险事件预测方法、装置及存储介质
US10625732B2 (en) Apparatus and method for controlling autonomous driving of vehicle, and vehicle system
TWI470257B (zh) 角度估計檢測方法及電子裝置
CN114771575A (zh) 基于双通道高斯混合隐马尔可夫模型的车辆行为预测方法
US20200114910A1 (en) Apparatus and method for predicting concurrent lane change vehicle and vehicle including the same
CN111724599A (zh) 安全驾驶行为评价数据的获取方法、装置、设备和介质
US12325415B2 (en) Apparatus and method for processing vehicle signals to compute a behavioral hazard measure
CN113911111B (zh) 车辆碰撞检测方法、系统、电子设备以及存储介质
CN111007880B (zh) 一种基于汽车雷达的扩展目标跟踪方法
CN116118776B (zh) 车辆的安全控制方法、装置、电子设备及存储介质
CN117809458A (zh) 一种交通事故风险实时评估方法及系统
CN115995163B (zh) 一种车辆碰撞预警方法及系统
CN114896754A (zh) 面向逻辑场景全参数空间的自动驾驶系统性能评估方法
CN116755417A (zh) 自动驾驶危险分析及风险评估方法、装置、设备及介质
Horimoto et al. Psychological Driving Style Estimation from GPS Sensor Data Alone
US20250243634A1 (en) Systems and methods for lane marking change detection
CN117719524B (zh) 一种驾驶安全风险识别预警方法、装置、终端及存储介质
CN115472040B (zh) 基于碰撞概率场的网联车辆个性化防碰撞预警方法
CN118144675B (zh) 限速提醒方法、装置、车辆及存储介质
CN120199099A (zh) 直行车道选择的方法及装置、电子设备和存储介质
CN118730573A (zh) 一种车辆稳定性检测方法、装置、介质及车辆
CN118494526A (zh) 周车变道意图预测方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
点击 这是indexloc提供的php浏览器服务，不要输入任何密码和下载