[发明专利]一种城市交叉口周边车辆轨迹预测方法

权利要求书

1.一种城市交叉口周边车辆轨迹预测方法，其特征在于：

步骤1、通过传感器得到的车辆状态信息作为输入，利用穿行意图识别模型和让行意图识别模型得到目标车辆运动模式：

步骤1.1穿行意图识别模型

利用目标车辆相对方向角的变化率和相对航向角的变化率作为输入，得到目标车辆的穿行意图，穿行意图分为左转、右转和直行三种；

步骤1.2让行意图识别模型

利用目标车辆的加速度作为输入，得到左转目标车辆和直行目标车辆的让行意图，让行意图分为正常行驶和让行两种；

步骤2、确定目标车辆的运动模式之后，需要预测目标车辆的未来行驶轨迹；针对每种运动模式，通过建立对应运动模式的GPR加速度预测模型得到预测加速度；

通过GPR算法建立加速度与车辆当前位置和速度的映射关系，训练得到的GPR加速度预测模型；对于GPR加速度预测模型超参数的设置，采用局部核函数的一种平方指数协方差函数作为核函数；对于超参数的训练寻优，采用共轭梯度优化算法搜索最优超参数；

步骤3、得到目标车辆预测加速度后，采用匀加速模型计算即可得到下一步车辆的运动状态，通过下一步车辆的运动状态得到下一步车辆的加速度，进而迭代计算出未来多步的车辆轨迹，GPR轨迹预测模型：匀加速模型用目标位置(x，y)、速度(v_x，v_y)、加速度(a_x，a_y)来表示目标的运动状态X＝(x，y，v_x，v_y，a_x，a_y)，直线运动过程位置与速度、速度与加速度之间的递推关系是线性的；

步骤4、实际使用过程中通过结合无迹卡尔曼滤波方法来降低GPR轨迹预测模型的误差：

在轨迹预测中，由于匀加速模型用目标位置、速度、加速度来表示目标的运动状态，传感器观测量为目标的位置和速度；通过GPR对运动模式的建模，运动模式的GP模型表达成式(2)：

其中表示的a_x和a_y对应的预测结果的标准差；和表示的是预测结果的均值；r代表的是目标的位置和速度，D表示训练数据集；对应t时刻观测到(x(t)，y(t)，v_x(t)，v_y(t))，通过匀加速模型推测t+1时刻车辆的位置和速度，则每一时刻的系统方程通过匀加速模型表达为式(3)：

其中

简化的系统方程表达为式(4)：

r_t+1＝f(r_t，D)+w_t (4)

其中，w_t＝N(0，Q_t)是系统方程的误差，由于系统方程的误差是通过GP模型回归得到的，当前目标的运动状态会影响GPR轨迹预测模型预测精度，结合无迹卡尔曼的观测方程来减少GPR轨迹预测模型的非线性误差；

然后在每一个新的时间步通过观测方程得到一个新的目标运动状态y_t+1

y_t+1＝h_t+1+v_t+1 (5)

其中，h_t+1是通过传感器得到的目标运动状态的观测值，v_t+1是一个0均值高斯噪声，v_t+1～N(0，R_t+1)，R_t+1是该高斯噪声的协方差矩阵，跟传感器的测量误差有关；R_t+1设置为diag[0.25 0.25 2 2]。

2.根据权利要求1所述的城市交叉口周边车辆轨迹预测方法，其特征在于，传感器得到的车辆状态信息作为输入具体为：构建如式(1)的运动状态向量，输入不同长度的状态向量会导致检测效果出现很大差异，选择状态向量的长度为6；

式中n是在运动模式识别中使用运动状态向量的长度，表示的是相对航向角的变化率，k_θ表示的是相对方向角的变化率，和k_θ用来区分车辆是转向还是直行，a是目标车辆的加速度，用来区分车辆是让行还是正常行驶。