[发明专利]基于多源指数加权损失下LSTM的换道意图识别方法

说明书

针对车道变换意图识别中数据源单一，序列模型难以捕获长序列范围内换道意图且存在长期依赖问题，提出一种时间信息加权指数损失函数下的长短时记忆网络车辆换道意图识别模型。首先，利用驾驶模拟舱,眼动仪进行高速公路驾驶实验，采集车辆运行数据和驾驶员眼动数据；基于LSTM结构单元构建高速公路环境下车辆换道意图识别模型，提出的基于时间信息加权的指数损失函数对模型权重进行优化；最后，利用车辆运行数据和驾驶员眼动数据对所提模型加以验证并与其它模型进行对比，所提模型换道识别的准确率为96.78％，精确率为95.72％,召回率为95.83％,F1值为95.73％。长短时记忆网络对于长序列换道意图识别过程具有较好的分辨能力，提出的损失函数对模型权重优化具有良好的效果。

技术领域

本发明涉及机动车辆驾驶安全领域,特别涉及一种基于多源指数加权损失下LSTM的换道意图识别方 法。

背景技术

车辆换道作为一种普通、常见的驾驶行为，时刻影响着周围车辆的安全与效率，甚至造成生命财产的 损失。在由车道变换引起的事故中，因驾驶员判断失误而导致的事故数共计占总数的75％。由此可见,研究 驾驶员驾驶行为及换道意图对于道路安全，出行效率以及未来无人驾驶车辆的自主决策行为有着积极影 响。

驾驶意图的建模研究中，模型输入多针对本车、周围车辆状态及位置信息，或驾驶员视觉信息，或驾 驶员头部姿态偏移等单一数据源进行建模。换道数据组织形式多基于换道主体车辆的横向速度大于某一阈 值作为换道意图时刻点，尽管具有数据组织形式简便，模型构建复杂度低等优点。但意图识别时刻距离换 道执行点间距较短，当模型判定为不合适的换道意图时，驾驶员反应时间较短，操作上存在滞后性，具有 一定安全隐患。

发明内容

为克服上述现有换道驾驶意图建模中的缺陷,本发明的目的在于提供一种基于多源指数加权损失下 LSTM的换道意图识别方法。通过整理分析驾驶模拟环境下真实换道数据，研究驾驶员换道执行前车辆及 生理行为，利用LSTM网络并选择加权指数损失函数以提前预测时间序列中换道意图。具体方案如下：

为了实现上述目的，本发明采用的技术方案为：一种基于多源指数加权损失下LSTM的换道意图识别 方法，具体包括如下步骤：

1)换道数据的生成与意图时窗的确立:

通过AutoSim驾驶模拟舱，及SMI眼动仪实时生成换道过程中车辆及眼部注视数据，对换道过程 中换道意图开始到换道执行期间的时窗大小进行分析，左换道及右换道的意图时窗分别为2.83秒 及2.81秒，为保证换道意图时间窗的可靠性，选取3秒作为换道意图时窗大小。完整的换道过程 可看作由换道意图阶段及换道执行阶段两部分构成。对换道意图开始到换道执行期间的时窗大小 进行分析，选取3s作为换道意图时窗大小；

2)换道数据的筛选与预处理：

提取3秒换道意图时窗,同时,为消除不同数据源及不同特征之间量纲的差异,对每个变量进行标准 化处理。其标准化处理可通过式(1)计算。

其中，为数据集中第i项样本的第t项时间步的第j项特征。

3)加权指数损失函数的构建:确立了一种改进的基于时间信息加权的指数损失函数，选取基本多分类 指数损失函数，并在样本的每一个时间步的损失值前分配与反应时间信息的指数权重项，保证随着序 列长度上升，损失项加大。首先对标签向量y按公式(2)进行重新编码,使得标签为k的样例，其编码后 的标签向量q是除第k项元素为1外，剩余元素值均取样本数为N下长度为L的序列数据损失 可通过式(3)计算。

式(2)中,K为类别数。