[发明专利]一种人工驾驶车辆换道意图识别方法和系统

说明书

本申请提供一种人工驾驶车辆换道意图识别方法和系统，所述方法包括：对预设车辆轨迹数据集进行预处理；提取目标车辆的车辆行驶特征及驾驶行为特征；构建基于机器学习的车辆跟驰与换道决策预测模型，将预处理后的车辆轨迹数据集输入所述预测模型进行训练：根据所述目标车辆的车辆行驶特征得到目标车辆的速度、加速度、车头间距，根据所述目标车辆的驾驶行为特征得到大型车特征值和聚类特征值；将所述目标车辆的速度、加速度、车头间距、大型车特征值和聚类特征值输入训练好的预测模型，得到目标车辆的换道意图识别结果。本发明可以在高速公路瓶颈环境下识别人工驾驶车辆的换道意图，有利于降低碰撞风险；减少因换道决策失误导致的拥堵和交通事故。

技术领域

本申请涉及车辆换道预测技术领域，尤其涉及一种高速公路移动瓶颈环境下人工驾驶车辆换道意图识别方法和系统。

背景技术

车辆意图识别是通过分析车辆轨迹数据、驾驶员行为、周围环境等来判断驾驶员会做出跟驰还是换道的决策。由于人、车、环境的不确定性，针对人工驾驶车辆的换道意图识别往往具有一定的复杂性。为了对车辆换道意图进行有效识别，当前研究已有多种模型方法：规则模型（车道变换过程被概括为具有一系列固定条件的决策树并最终输出二元选择结果，比较灵活，但没有考虑个体驾驶人行为）、离散选择模型（假设仅当存在可接受的间隙时才进行车道变更操作，不符合严重拥堵时的情形）、马尔可夫模型（假定在稳定的交通条件下换道时间是不变的，核心思想是随时间序列变化的一系列状态，每个当前的状态只跟之前的几个有限的状态有关）、生存模型（针对模型中对跟随车驾驶人认知过程（感知、判断、执行）中不安全特性的随机性与可能性考虑不足的问题）等，同时也有生理-心理模型、元胞自动机模型等换道预测或决策方法。

随着高速公路交通体系的不断发展和完善，海量的车辆轨迹数据集可以用于感知人工驾驶车辆换道意图。对于车辆换道意图识别主要是利用机器学习对轨迹处理、对比、分析等，常使用的传统模型难以适应当前复杂交通状况，准确率较低。近几年，也有研究者开始利用贝叶斯网络、决策树、随机森林等新颖处理方法对人工驾驶车辆真实的换道意图进行挖掘，准确率相对较高，考虑会更全面。

近年来对车辆换道行为意图识别的研究，主要是利用真实的车辆轨迹数据并通过机器学习的方法实现的。

如图1所示，现有技术方案1设计了一种基于长短时记忆（LSTM）网络的驾驶意图识别及车辆轨迹预测模型。分别构建意图识别模块和轨迹输出模块；将目标车辆（小型车）与周围车辆视作一个整体，考虑交互信息；以车辆的位置和速度信息为特征输入；利用NGSIM数据集对模型训练与测试；计算车辆向左换道、直线行驶、向右换道的概率分布；用均方根误差进行模型性能分析。

如图2所示，现有技术方案2是利用NGSIM自然驾驶数据进行后续行为识别及验证预测性。将原始数据进行局部加权平滑和提取处理；使用双层连续隐马尔可夫模型-贝叶斯生成分类器（CHMM-BGC）以及双向长短时记忆网络（Bi-LSTM）两种模型对车辆行为进行识别；同时考虑相邻前车与周围环境车辆的交互作用，使模型具有预测性，可在车辆换道时刻前预测到驾驶人换道意图。

以上现有技术具有如下缺点：

（1）现有技术主要研究小型车的换道行为，而没有考虑移动瓶颈环境。高速公路上大型车慢速行驶会产生移动瓶颈，缺乏对移动瓶颈的研究可能影响换道意图识别的准确性。

（2）现有技术普遍忽略了对于不同驾驶行为特征的研究。驾驶员的行为习惯以及车辆性能会导致驾驶行为特征存在较大差异，这些差异可以显著影响换道的决策和执行。

发明内容

有鉴于此，本申请的目的在于提出一种人工驾驶车辆换道意图识别方法和系统，本申请能够针对性的解决现有的问题。

基于上述目的，本申请提出了一种人工驾驶车辆换道意图识别方法，包括：

对预设车辆轨迹数据集进行预处理；

提取目标车辆的车辆行驶特征及驾驶行为特征；