[发明专利]一种无人驾驶车辆与周边车辆的碰撞可能性预判方法

权利要求书

1.一种无人驾驶车辆与周边车辆的碰撞可能性预判方法，其特征在于，包括下述步骤：

步骤1：获取无人驾驶车辆在行驶过程中的轨迹数据和环境数据：实时获取目标车辆A的轨迹数据集为P＝{P₁,P₂,…,P_i,…,P_I}、环境数据集为E＝{E₁,E₂,…,E_i,…,E_I}；其中，所述目标车辆A为无人驾驶车辆A^*的相邻车道中距离无人驾驶车辆A^*最近的前方车辆；P_i为目标车辆A在第i个时间点的轨迹数据，相邻两个时间点的时间间隔为ds，I为轨迹中时间点总数，轨迹数据P_i包括4个轨迹特征，4个轨迹特征分别为横向位置x_i、纵向位置y_i、速度v_i、加速度a_i；E_i为目标车辆A在第i个时间点的环境数据，环境数据E_i包括6个环境特征，6个环境特征分别为目标车辆A与目标车辆A的前方车辆、无人驾驶车辆A^*、无人驾驶车辆A^*的前方车辆的相对纵向距离、相对纵向速度；

步骤2：构造LSTM数据集；

步骤2.1：对轨迹数据进行特征值添加，添加的特征值包括目标车辆A在第i个时间点的横向速度纵向速度横向加速度纵向加速度航向角得到特征值添加后第i个时间点的轨迹数据为P_i'＝(x_i,y_i,v_i,a_i,v_ix,v_iy,a_ix,a_iy,Angle_i)；

步骤2.2：基于最大最小值归一化方法，对特征值添加后的轨迹数据中的每个轨迹特征进行标准化处理，将特征值映射到[0,1]区间；

步骤2.3：将轨迹中车头经过车道线处的点作为变道点，提取标准化处理后的轨迹数据中每个变道点前4s的轨迹数据作为变道轨迹数据、除变道轨迹数据之外的轨迹数据作为直行轨迹数据，并对变道轨迹数据和直行轨迹数据分别进行类别标注；其中，直行轨迹数据、左变道的变道轨迹数据、右变道的变道轨迹数据的类别标签分别为0、1、2；

步骤2.4：从变道轨迹数据和直行轨迹数据中均随机提取长度为d_k的时间段内的数据，构成第kLSTM数据集为A_k＝{A_k1,A_k2,…,A_kn,…,A_kN}；其中，k＝1,2，d₁d₂；n∈{1,2,…,N}，N为时间段总数；j∈{1,2,…,N_k}，N_k为时间长度d_k对应的时间点总数，N_k＝d_k/d；A_knj＝{A_knj1,A_knj2,…,A_knjm,…,A_knjM}，A_knjm为第kLSTM数据集中第n个时间段内第j个时间点处第m个轨迹特征的标准化处理后的值，m∈{1,2,…,M}，M为轨迹特征总数，M＝9，c_kn为第kLSTM数据集中第n个时间段内的标准化处理后的轨迹数据的类别标签；

步骤3：构造Adaboost数据集；

步骤3.1：对环境数据进行数据清洗：对环境数据中缺失的数据利用高斯分布进行拟合，对环境数据中产生跳变的数据进行删除；

步骤3.2：提取数据清洗后的环境数据中每个变道点前4s的环境数据作为变道环境数据、除变道环境数据之外的环境数据作为直行环境数据，并对变道环境数据和直行环境数据分别进行类别标注，得到Adaboost数据集为B＝{(B₁,c₁),(B₂,c₂),…,(B_l,c_l),…,(B_L,c_L)}；其中，B_l为Adaboost数据集中第l个时间点处的环境数据，c_l为环境数据B_l的类别标签，直行环境数据、变道环境数据的类别标签分别为0、1；

步骤4：构建周边车辆行为预判的第kAttention-LSTM深度神经网络模型；

步骤4.1：以第t个时间点前长度为d_k的时间段内的标准化处理后的轨迹数据in_t为输入、轨迹数据in_t的类别标签h_t为输出，构建周边车辆行为预判的第kLSTM深度神经网络模型；

步骤4.2：在第kLSTM深度神经网络模型后加入self-attention机制，得到加入self-attention机制的第kLSTM深度神经网络模型；

步骤4.3：将加入self-attention机制的第kLSTM深度神经网络模型依次接入全连接层、softmax分类器，得到第kAttention-LSTM深度神经网络模型，利用第kLSTM数据集对第kAttention-LSTM深度神经网络模型进行训练；

步骤5：以第l个时间点处的环境数据B_l为输入、类别标签c_l为输出，利用数据集B构建周边车辆行为预判的Adaboost机器学习模型；

步骤6：结合Adaboost机器学习模型和第1、2Attention-LSTM深度神经网络模型，对目标车辆进行行为预判；

步骤6.1：实时采集目标车辆的轨迹数据和环境数据，并采用步骤2.1、步骤2.2中相同的方法对实时采集的轨迹数据进行特征值添加、标准化处理，采用步骤3.1中相同的方法对实时采集的环境数据进行数据清洗；

步骤6.2：将当前时刻的数据清洗后的环境数据输入Adaboost机器学习模型，输出当前时刻环境数据的类别标签，若类别标签为1，则目标车辆可能进行变道，进入步骤6.3；若类别标签为0，则目标车辆可能进行直行，进入步骤6.4；

步骤6.3：将当前时刻前长度为d₁的时间段内的标准化处理后的轨迹数据输入第1Attention-LSTM深度神经网络模型，输出当前时刻轨迹数据的类别标签，若类别标签为0，则目标车辆直行；若类别标签为1，则目标车辆进行左变道，进入步骤7；若类别标签为2，则目标车辆进行右变道，进入步骤7；

步骤6.4：将当前时刻前长度为d₂的时间段内的标准化处理后的轨迹数据输入第2Attention-LSTM深度神经网络模型，输出当前时刻轨迹数据的类别标签，若类别标签为0，则目标车辆直行；若类别标签为1，则目标车辆进行左变道，进入步骤7；若类别标签为2，则目标车辆进行右变道，进入步骤7；

步骤7：进行无人驾驶车辆的避撞决策：

步骤7.1：进行变道时间预测：选取当前时刻对应的点作为变道开始点，以目标车辆在变道点的速度、横向速度、横向位移、航向角的tan值为输入、变道时间为输出，构建基于BP神经网络的变道时间预测模型；步骤2.3中的变道轨迹数据和每次变道对应的变道时间构成训练集，利用训练集中每次变道时目标车辆在变道点的速度、横向速度、横向位移、航向角的tan值和变道时间训练变道时间预测模型；将目标车辆在变道开始点的速度、横向速度、横向位移、航向角的tan值输入训练后的变道时间预测模型，输出目标车辆的变道时间估计值目标车辆A的变道时间为目标车辆A从变道点到达无人驾驶车辆A^*所在车道的中心线的时间；

步骤7.2：计算两车之间的变道过程阈值时间为

其中，t_rea为驾驶员反应时间，λ为预测修正系数，λ1，S为公路两车距离阈值，v_r0为变道开始点处目标车辆A与无人驾驶车辆A^*之间的相对纵向速度；

步骤7.3：计算变道开始点后第t个时间点目标车辆A与无人驾驶车辆A^*之间的可能碰撞时间为

其中，t≥0，变道开始点后第0个时间点为变道开始点；a_rt、v_rt、y_rt分别为变道开始点后第t个时间点目标车辆A与无人驾驶车辆A^*之间的相对纵向加速度、相对纵向速度、相对纵向距离，a_At、分别为变道开始点后第t个时间点目标车辆A、无人驾驶车辆A^*的纵向加速度，v_At、分别为变道开始点后第t个时间点目标车辆A、无人驾驶车辆A^*的纵向速度，y_At、分别为变道开始点后第t个时间点目标车辆A、无人驾驶车辆A^*的纵向位置；

步骤7.4：若TTC_tT^*，则目标车辆A与无人驾驶车辆A^*在变道开始点后第t个时间点不会发生碰撞，第t个时间点的碰撞概率P_t＝0；若0TTC_tT^*，则目标车辆A与无人驾驶车辆A^*在变道开始点后第t个时间点可能发生碰撞，第t个时间点的碰撞概率

步骤7.5：若碰撞概率P_tβ，则无人驾驶车辆A^*在变道开始点后第t个时间点处于安全状态；若碰撞概率P_tβ，则无人驾驶车辆A^*在变道开始点后第t个时间点处于可能与目标车辆A碰撞的危险驾驶状态，统计从第t个时间点开始持续处于危险驾驶状态的时间t_dur，当t_dur≥t_dur^*时无人驾驶车辆A^*采取减速制动措施，若从第t个时间点开始到下一个安全状态的时间小于t_dur^*，则将从第t个时间点开始到下一个安全状态的时间内的碰撞概率置为0；其中，β为碰撞概率阈值，t_dur^*为危险驾驶状态持续时间阈值，t_dur^*＝|γTTC₀|，γ为时间长度参数。