[发明专利]一种基于预测反馈的辅助驾驶用目标车辆换道识别方法

说明书

本发明提出了一种基于预测反馈的辅助驾驶用目标车辆换道识别方法，首先实时采集周围目标车辆运动状态信息和道路结构信息，得到自车坐标系下目标车辆的运动状态；然后计算地面坐标系下目标车辆运动状态，提取当前时刻目标车辆的换道意图特征量；根据上述换道意图特征量初步识别目标车辆的换道结果；对初步识别结果采用多项式拟合与最优化方法预测目标车辆运动轨迹；将符合匀加速运动约束的运动轨迹作为目标车辆参考运动轨迹，计算目标车辆预测运动轨迹与参考运动轨迹的累积距离偏差，以此校核初步识别结果作为最终的目标车辆换道识别结果。本发明提高了观测噪声下目标车辆换道识别的准确率，增强了目标车辆换道识别方法的鲁棒性。

技术领域

本发明涉及一种高级辅助驾驶系统环境感知技术领域，具体涉及一种基于预测反馈的辅助驾驶用目标车辆换道识别方法。

背景技术

道路范围内其他运动车辆的动态变化对道路交通安全具有至关重要的影响，在高级辅助驾驶系统中，智能网联汽车行驶策略的选择需要考虑其他车辆的运动行为。结构化道路上车辆的运动行为包括换道和车道保持，其中车辆换道行为对道路交通安全造成较大的威胁。根据欧盟的统计，由换道引起的交通事故数量占所有交通事故总数的4％-10％，换道交通事故引起的交通延误时间占到总延误时间的10％。美国交通运输司的研究表明，对车辆换道行为提前1.5秒作出识别才能有足够反应时间作出应对。因此，对结构化道路上车辆的换道行为提前作出识别可有效避免换道交通事故。

目标车辆(即待识别车辆)换道行为的识别主要包括两大步骤：首先提取目标车辆换道意图特征量；然后根据提取的目标车辆换道意图特征量识别换道意图。

现有的研究采用两类换道意图特征量：目标车辆运动状态参数和行驶环境状态参数。目标车辆运动状态参数包括目标车辆的横向和纵向运动速度以及车辆距车道线的横向距离等。行驶环境状态参数描述目标车辆与道路上其他车辆的相对运动关系，如目标车辆与同车道前车的距离和相对速度等。换道意图特征量在识别换道行为中的贡献并不相等，Schlechtriemen等比较了不同特征量在识别换道行为中的作用及其相关性，得到目标车辆与同车道前车的纵向跟车相对速度、目标车辆横向运动速度和目标车辆距车道线横向距离是三个最有效的换道意图特征量。

对于换道意图识别算法，目前可以分为两类：基于规则的识别方法和基于机器学习的识别方法。基于规则的识别方法通常提出了一系列换道发生的条件，当目标车辆换道意图特征量符合换道发生条件，则认为目标车辆正在换道。如Monot等根据目标车辆横向运动速度和目标车辆距车道线的横向距离得到目标车辆换道的概率值，概率值大于50％时认为目标车辆将会换道。基于规则的算法计算效率高，适用于对实时性要求较高的高级辅助驾驶系统，但识别准确率不高。基于机器学习的方法则有支持向量机SVM、隐马尔可夫模型HMM、贝叶斯决策和神经网络等。基于机器学习的换道识别方法能够处理高维度的特征量输入，识别准确率较高，但对计算资源的要求较高。

现有目标车辆换道识别方法采用了多维度的换道意图特征量，多使用机器学习的识别算法，在美国交通部NGSIM数据集(https://ops.fhwa.dot.gov/trafficanalysistools/ngsim.htm)上测试结果显示换道识别准确率在90％以上。然而车载传感器系统观测得到的目标车辆运动参数和行驶环境参数存在观测噪声，对换道识别算法的识别准确率有较大影响，如Monot等在卡尔曼滤波处理后的观测数据上测试得到的目标车辆换道识别准确率只有85％，而召回率只有59％。为了解决这个问题，Woo等人在基于换道特征量的识别结果基础上，预测目标车辆换道轨迹以及道路中其他车辆的轨迹，若目标车辆未来轨迹与其他车辆未来轨迹交叉，则存在碰撞风险，表明目标车辆的预测轨迹不合理，进而表明目标车辆换道状态识别结果不合理，应进行纠正。通过这种预测轨迹反馈纠正的方法，Woo等人提高了换道意图识别的准确率。然而这种反馈纠正适用于车流量较大的工况，需要目标车辆周围有其他车辆才能使用，在车流量较小的高速工况下则无法进行反馈纠正。

发明内容