[发明专利]一种基于驾驶意图的周围车辆轨迹预测方法及系统

说明书

本发明提供一种基于驾驶意图的周围车辆轨迹预测方法，包括：获取自车、换道车与周围车辆行驶数据并预处理；获取换道结束点T3及由换道准备阶段开始点T1和换道执行阶段开始点T2界定的换道准备阶段；获取不同换道持续时间的换道轨迹样本及换道原型轨迹；获取他车驾驶意图辨识的表征参数组并建立他车驾驶意图辨识模型；建立包含换道持续时间变量的换道轨迹预测模型；根据他车驾驶意图辨识模型判断他车是否换道，如果是则基于他车对应换道持续时间的换道原型轨迹下的换道轨迹预测模型预测他车未来轨迹。本发明辨识他车驾驶意图时考虑自车换道车与周围车辆，预测换道轨迹时考虑换道持续时间多样性，可准确辨识他车换道意图且准确预测他车换道轨迹。

技术领域

本发明涉及自动驾驶技术领域，具体而言，涉及一种基于驾驶意图的周围车辆轨迹预测方法及系统。

背景技术

在复杂的城市道路中，车辆换道频发，对于自动驾驶车辆来说，需具备辨识周围车辆换道意图及换道轨迹预测的能力，以便做出合理的决策规划，提高行驶安全性和乘坐舒适性。

一方面，目前对于换道意图辨识的研究多是站在完善ADAS系统的角度，进行的自车换道意图辨识，很少涉及自车周围的他车换道意图的辨识。在现有技术对他车换道意图的辨识研究中，受到信息获取方式的限制，可用于有效表征他车换道意图的参数较少，大多只有换道车自身的行驶状态参数，较少考虑换道车周围的环境，且较少考虑周围车辆，导致对他车换道意图的辨识准确性低，换道车附近的自车行驶安全性和乘坐舒适性低。

另一方面，受环境及驾驶风格等因素影响，换道行为的随机性导致换道轨迹的多样化，这体现在不同的换道样本具有不同的换道轨迹长度，而现在常见的换道轨迹预测模型大多利用深度学习算法进行换道轨迹预测，在训练换道轨迹预测模型时，大多都采用固定长度的换道历史数据去训练模型，并未考虑到换道过程中，换道持续时间上的多样性与不确定性，忽略了由于换道持续时间不同所造成的换道轨迹的不确定性，这将导致所训练的是一个通用的理想化的轨迹预测模型，则所得到的未来轨迹将是同一个分布下的轨迹，并不能体现换道轨迹在时间上的多样性，导致对他车换道轨迹的预测准确性低，换道车附近的自车行驶安全性和乘坐舒适性低。

基于以上问题，本领域亟需一种能够准确辨识自动驾驶车辆周围的他车换道意图且能准确预测他车换道轨迹的方法，以满足自动驾驶车辆对行驶安全性和乘坐舒适性等的需求。

发明内容

本发明提供了一种基于驾驶意图的周围车辆轨迹预测方法及系统，可以准确辨识自车周围的他车换道意图且准确预测他车换道轨迹，进而满足自车对行驶安全性和乘坐舒适性等的需求。

一方面，本发明提供了一种基于驾驶意图的周围车辆轨迹预测方法，包括以下步骤：获取行驶路段自车、换道车与周围车辆的行驶数据并进行预处理；基于预处理后的行驶数据，获取换道结束点T3以及由换道准备阶段开始点T1和换道执行阶段开始点T2界定的换道准备阶段；以换道准备阶段开始点T1和换道结束点T3间的换道持续时间为特征，获取不同换道持续时间的换道轨迹样本及换道原型轨迹；基于换道准备阶段对应的预处理后的行驶数据，获取他车驾驶意图辨识的表征参数组，并基于表征参数组，建立他车驾驶意图辨识模型；基于不同换道持续时间的换道轨迹样本，建立包含换道持续时间变量的换道轨迹预测模型；根据他车驾驶意图辨识模型判断他车是否换道，如果是，则基于他车对应换道持续时间的换道原型轨迹下的换道轨迹预测模型预测他车未来轨迹。