一种非结构化道路目标车辆换道轨迹预测方法及系统

    公开(公告)号:CN113859266B

    公开(公告)日:2023-09-26

    申请号:CN202111185879.8

    申请日:2021-10-12

    IPC分类号: B60W60/00 B60W50/00

    摘要: 本发明公开了一种非结构化道路目标车辆换道轨迹预测方法及系统。该方法包括:确定非结构化道路的虚拟车道和车辆换道行为;获取非结构化道路上行车数据;根据行车数据提取车辆轨迹数据;基于虚拟车道、车辆换道行为和车辆轨迹数据,确定换道数据;通过换道数据训练高斯混合‑隐马尔科夫模型,得到驾驶意图识别模型;驾驶意图识别模型的输出为车辆的换道意图;根据车辆的换道意图和车辆历史轨迹确定可能换道终点;根据车辆的当前位置和可能换道终点,基于车辆运动约束和多项式曲线模型,确定可能车辆换道轨迹集合;将可能车辆换道轨迹集合与实际轨迹进行匹配,得到车辆预测轨迹。本发明能够预测非结构化道路下,横纵向位移都不确定的换道轨迹。

    基于社会偏好的自动驾驶超车决策确定方法及系统

    公开(公告)号:CN113753049B

    公开(公告)日:2022-02-08

    申请号:CN202111322969.7

    申请日:2021-11-10

    IPC分类号: B60W30/18 B60W60/00 B60W50/00

    摘要: 本发明公开了一种基于社会偏好的自动驾驶超车决策确定方法及系统,应用于超车过程中的平行行驶阶段,包括:将获取的当前阶段目标道路信息输入至社会偏好预测模型以确定当前阶段被超越车辆的社会偏好;基于当前阶段被超越车辆的社会偏好,确定当前阶段被超越车辆的状态转移模型;将当前阶段目标道路信息、当前阶段被超越车辆的社会偏好和当前阶段被超越车辆的状态转移模型均输入到超车决策模型中,以确定当前阶段主车辆的超车决策;所述超车决策包括车道保持、执行换道和放弃超车;其中,所述超车决策模型所应用的算法为半基于模型的改进Q‑learning算法。本发明能够输出准确超车决策,提升超车效率和超车安全性。

    一种非结构化道路目标车辆换道轨迹预测方法及系统

    公开(公告)号:CN113859266A

    公开(公告)日:2021-12-31

    申请号:CN202111185879.8

    申请日:2021-10-12

    IPC分类号: B60W60/00 B60W50/00

    摘要: 本发明公开了一种非结构化道路目标车辆换道轨迹预测方法及系统。该方法包括:确定非结构化道路的虚拟车道和车辆换道行为;获取非结构化道路上行车数据;根据行车数据提取车辆轨迹数据;基于虚拟车道、车辆换道行为和车辆轨迹数据,确定换道数据;通过换道数据训练高斯混合‑隐马尔科夫模型,得到驾驶意图识别模型;驾驶意图识别模型的输出为车辆的换道意图;根据车辆的换道意图和车辆历史轨迹确定可能换道终点;根据车辆的当前位置和可能换道终点,基于车辆运动约束和多项式曲线模型,确定可能车辆换道轨迹集合;将可能车辆换道轨迹集合与实际轨迹进行匹配,得到车辆预测轨迹。本发明能够预测非结构化道路下,横纵向位移都不确定的换道轨迹。

    基于集成学习的多车交互环境下车辆轨迹预测方法及系统

    公开(公告)号:CN113643542A

    公开(公告)日:2021-11-12

    申请号:CN202111189571.0

    申请日:2021-10-13

    摘要: 本发明公开了基于集成学习的多车交互环境下车辆轨迹预测方法及系统。该方法包括:采集车辆的行驶信息;对行驶信息进行预处理,得到空间网格信息和车辆驾驶模式信息;对训练集进行多次随机抽样得到多组含不同数据的训练集;通过多组含不同数据的训练集分别对LSTM编码‑解码器模型进行训练,得到多个基学习器;采用集成学习方法,对多个基学习器进行集成,得到集成学习器,对车辆的未来轨迹进行预测。本发明利用机器学习与深度学习的手段,实现对车辆交互信息的有效利用,并应用集成学习的方法实现对车辆轨迹的预测。且通过集成学习能够将多个模型进行结合,可获得比单一模型显著优越的泛化性能,解决了单一模型对训练数据敏感、精确度低等问题。