目标车辆的换道预测方法及设备与流程

本发明涉及针对目标车辆的换道预测领域，更具体地，涉及一种目标车辆的换道预测方法及设备、计算机存储介质和车辆。

背景技术：

道路范围内其他运动车辆的动态变化对道路交通安全具有至关重要的影响。例如，在高级辅助驾驶系统中，智能网联汽车行驶策略的选择需要考虑其他车辆的运动行为，主要包括其他车辆的换道和车道保持，其中车辆换道对道路交通安全造成重大的威胁。因此，对道路上本车两侧的车辆的换道意图的预测可以有效地避免交通事故的发生，提高驾驶的安全性。

目前现有车辆换道意图的预测方案基本均通过单一的预测模块进行换道意图的预测，而没有考虑单个模型可能带来的误判情况。因此，希望一种针对目标车辆的改进的换道预测方案。

技术实现要素：

根据本发明的一方面，提供了一种针对目标车辆的换道预测方法，所述方法包括：接收所述目标车辆的速度和位置；基于所述目标车辆的速度和位置，利用第一机器学习模型和第二机器学习模型分别获得所述目标车辆的第一换道概率和第二换道概率；以及根据所述第一换道概率和所述第二换道概率，确定所述目标车辆的换道可能性，其中，所述第一机器学习模型和所述第二机器学习模型预先经过训练并彼此不同。

作为上述方案的补充或替换，在上述方法中，所述目标车辆的速度和位置包括：所述目标车辆在本车的车辆坐标系下的纵向距离dx；所述目标车辆在车道线坐标系下的横向距离dy_ccs；以及所述目标车辆在所述车道线坐标系下的横向速度vy_ccs和纵向速度vx_ccs。

作为上述方案的补充或替换，在上述方法中，所述第一机器学习模型至少以所述目标车辆在车道线坐标系下的横向距离dy_ccs、所述目标车辆在所述车道线坐标系下的横向速度vy_ccs为特征参数进行训练。

作为上述方案的补充或替换，在上述方法中，所述第二机器学习模型至少以所述目标车辆在本车的车辆坐标系下纵向距离dx、所述目标车辆在车道线坐标系下的横向距离dy_ccs、所述目标车辆在所述车道线坐标系下的横向速度vy_ccs和纵向速度vx_ccs为特征参数进行训练。

作为上述方案的补充或替换，在上述方法中，所述第一机器学习模型利用逻辑回归方法，并采用如下模型来计算所述第一换道概率p1：

其中，fabs(x)是取绝对值的函数，flagdir用于定义方向，cntdy_ccs表示所述车辆连续向左或者连续向右的帧数，c1至c5是所述第一机器学习模型经训练后得到的系数。

作为上述方案的补充或替换，在上述方法中，所述第二机器学习模型利用支持向量机方法，并采用如下模型来计算所述第二换道概率p2：

p2＝e1*dx+e2*dy_ccs+e3*vx_ccs+e4*vy_ccs，

其中，e1至e4是所述第二机器学习模型经训练后得到的系数。

作为上述方案的补充或替换，在上述方法中，根据所述第一换道概率和所述第二换道概率，确定所述目标车辆的换道可能性包括：当所述第一换道概率和所述第二换道概率均满足阈值条件时，则认为目标换道预测成功并输出目标车辆的换道概率p。

根据本发明的另一方面，提供了一种针对目标车辆的换道预测设备，所述设备包括：接收装置，用于接收所述目标车辆的速度和位置；计算装置，用于基于所述目标车辆的速度和位置，利用第一机器学习模型和第二机器学习模型分别获得所述目标车辆的第一换道概率和第二换道概率；以及确定装置，用于根据所述第一换道概率和所述第二换道概率，确定所述目标车辆的换道可能性，其中，所述第一机器学习模型和所述第二机器学习模型预先经过训练并彼此不同。

作为上述方案的补充或替换，在上述设备中，所述目标车辆的速度和位置包括：所述目标车辆在本车的车辆坐标系下的纵向距离dx；所述目标车辆在车道线坐标系下的横向距离dy_ccs；以及所述目标车辆在所述车道线坐标系下的横向速度vy_ccs和纵向速度vx_ccs。

作为上述方案的补充或替换，上述设备还包括：第一训练装置，用于训练所述第一机器学习模型，其中，所述第一机器学习模型至少以所述目标车辆在车道线坐标系下的横向距离dy_ccs、所述目标车辆在所述车道线坐标系下的横向速度vy_ccs为特征参数。

作为上述方案的补充或替换，上述设备还包括：第二训练装置，用于训练所述第二机器学习模型，其中，所述第二机器学习模型至少以所述目标车辆在本车的车辆坐标系下纵向距离dx、所述目标车辆在车道线坐标系下的横向距离dy_ccs、所述目标车辆在所述车道线坐标系下的横向速度vy_ccs和纵向速度vx_ccs为特征参数。

作为上述方案的补充或替换，在上述设备中，所述计算装置配置成采用如下第一机器学习模型来计算所述第一换道概率p1：

其中，fabs(x)是取绝对值的函数，flagdir用于定义方向，cntdy_ccs表示所述车辆连续向左或者连续向右的帧数，c1至c5是所述第一机器学习模型经训练后得到的系数。

作为上述方案的补充或替换，在上述设备中，所述计算装置配置成采用如下第二机器学习模型来计算所述第二换道概率p2：

p2＝e1*dx+e2*dy_ccs+e3*vx_ccs+e4*vy_ccs，

其中，e1至e4是所述第二机器学习模型经训练后得到的系数。

作为上述方案的补充或替换，在上述设备中，所述确定装置配置成：在所述第一换道概率和所述第二换道概率均满足阈值条件时，输出目标车辆的换道概率p。

根据本发明的又一个方面，提供了一种计算机存储介质，所述介质包括指令，所述指令在运行时执行如前所述的方法。

根据本发明的又一个方面，提供了一种车辆，所述车辆包括如前所述的设备。

本发明的实施例的针对目标车辆的换道预测方案结合两种不同的模型(即第一机器学习模型和第二机器学习模型)去综合判断目标车辆的换道意图，保证了预测系统的准确性和稳定性，从而提高驾驶的安全性。

附图说明

从结合附图的以下详细说明中，将会使本发明的上述和其他目的及优点更加完整清楚，其中，相同或相似的要素采用相同的标号表示。

图1示出了根据本发明的一个实施例的针对目标车辆的换道预测方法的流程示意图；

图2示出了根据本发明的一个实施例的针对目标车辆的换道预测设备的结构示意图；以及

图3示出了根据本发明的实施例、基于目标车辆的运动状态来对该目标车辆的换道概率进行预测的场景示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。

另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

虽然将示例性实施例描述为使用多个单元来执行示例性过程，但是应理解，这些示例性过程也可由一个或多个模块来执行。

而且，本发明的控制逻辑可作为可执行程序指令而包含在计算机可读介质上，该可执行程序指令由处理器等实施。计算机可读介质的实例包括，但不限于，rom、ram、光盘、磁带、软盘、闪盘驱动器、智能卡和光学数据存储装置。计算机可读记录介质也可分布在连接有网络的计算机系统中，使得例如通过车载远程通信服务或者控制器局域网(can)以分布式方式储存并实施计算机可读介质。

应理解，这里所使用的术语“车辆”或者其他类似的术语包括一般的机动车辆，例如乘用车(包括运动型多用途车、公共汽车、卡车等)、各种商用车等等，并包括混合动力汽车、电动车等。混合动力汽车是一种具有两个或更多个功率源的车辆，例如汽油动力和电动车辆。

在下文中，将参考附图详细地描述根据本发明的各示例性实施例的针对目标车辆的换道预测方案。

图1示出了根据本发明的一个实施例的针对目标车辆的换道预测方法1000的流程示意图。如图1所示，针对目标车辆的换道预测方法1000包括如下步骤：

在步骤s110中，接收所述目标车辆的速度和位置；

在步骤s120中，基于所述目标车辆的速度和位置，利用第一机器学习模型和第二机器学习模型分别获得所述目标车辆的第一换道概率和第二换道概率；以及

在步骤s130中，根据所述第一换道概率和所述第二换道概率，确定所述目标车辆的换道可能性，其中，所述第一机器学习模型和所述第二机器学习模型预先经过训练并彼此不同。

在本发明的上下文中，术语“目标车辆”是相对于本车而言的其他车辆。在一个或多个实施例中，需要进行换道预测的目标车辆位于本车前方的左右两侧。

机器学习是指用某些算法指导计算机利用已知数据得出适当的模型，并利用此模型对新的情境给出判断的过程。因此，在本发明的上下文中，“第一机器学习模型”和“第二机器学习模型”指代通过不同算法指导计算机所得出的不同的模型，该模型可用于判断(或预测)目标车辆的换道概率。

由于对目标车辆的换道预测利用单一模型时会存在较大的误判的情况，当误判目标车辆处于换道状态时，就会导致本车对目标车辆的误刹车，严重情况下会导致追尾等交通事故的发生。通过使用第一机器学习模型和第二机器学习模型两个模型对目标车辆的换道进行预测，提高了对目标换道预测的准确性。

在一个实施例中，在上述方法1000中，所述目标车辆的速度和位置包括：所述目标车辆在本车的车辆坐标系下的纵向距离dx；所述目标车辆在车道线坐标系下的横向距离dy_ccs；以及所述目标车辆在所述车道线坐标系下的横向速度vy_ccs和纵向速度vx_ccs。

以图3为例，它示出了基于目标车辆的运动状态来对该目标车辆的换道概率进行预测的场景3000的示意图。在场景3000中，本车以标号310示出，目标车辆以标号320示出。本车的车辆坐标系例如以车辆前保险杠的中心为原点，图3中以o点示出。车道线坐标系在一个实施例中可以是frenet坐标系，其以车道中心线作为参考线，使用变量s和d描述车辆在道路上的位置。该s坐标表示沿道路的距离(也称为纵向位移或纵向距离)和d坐标表示道路上的左右位置(也称为横向位移或横向距离)。在图3中，车辆320在参考线(即车道中心线330)的投影点为c，因此点c与目标车辆320在车辆坐标系下的横向位置b之间的距离即为目标车辆在车道线坐标系下的横向距离dy_ccs。

在图3中，a点表示位于目标车辆320的纵向位置处的车道中心线的位置。因而，在一个实施例中，目标车辆在车道线坐标系下的横向距离dy_ccs＝ab*cosθ，其中cosθ可根据车道中心线斜率计算得出。

在一个实施例中，第一机器学习模型至少以所述目标车辆在车道线坐标系下的横向距离dy_ccs、所述目标车辆在所述车道线坐标系下的横向速度vy_ccs为特征参数进行训练。例如，第一机器学习模型利用逻辑回归方法，并采用如下模型来计算所述第一换道概率p1：

其中，fabs(x)是取绝对值的函数，flagdir用于定义方向(例如，左侧为-1，右侧为1)，cntdy_ccs表示所述车辆连续向左或者连续向右的帧数(这里的帧数是指系统运行帧数，例如为50ms/次)，当预测目标车辆是否向左时，如果目标车辆的dy_ccs持续减小，则cnt持续增加。c1至c5是所述第一机器学习模型经训练后得到的系数。在一个实施例中，利用大数据学习的方法，根据目标车辆的速度和位置训练出一个模型参数c1至c5。然后，当输入目标车辆的速度和位置时，即可得到该目标车辆换道的一个概率值。

在一个实施例中，第二机器学习模型至少以所述目标车辆在本车的车辆坐标系下纵向距离dx、所述目标车辆在车道线坐标系下的横向距离dy_ccs、所述目标车辆在所述车道线坐标系下的横向速度vy_ccs和纵向速度vx_ccs为特征参数进行训练。在一个示例中，第二机器学习模型利用支持向量机方法，并采用如下模型来计算所述第二换道概率p2：

p2＝e1*dx+e2*dy_ccs+e3*vx_ccs+e4*vy_ccs，

其中，e1至e4是所述第二机器学习模型经训练后得到的系数。

在一个实施例中，步骤s130包括：当所述第一换道概率和所述第二换道概率均满足阈值条件时，则认为目标换道预测成功并输出目标车辆的换道概率p。在一个替换的实施例中，步骤s130包括：在第一换道概率p1满足第一阈值，且第二换道概率p2满足第二阈值时，输出最终的换道概率p＝(p1+p2)/2。在又一个替换的实施例中，最终的换道概率p＝w1*p1+w2*p2，其中w1和w2为权重，可根据需要进行调整。

另外，本领域技术人员容易理解，本发明的上述一个或多个实施例提供的针对目标车辆的换道预测方法可通过计算机程序来实现。例如，当存有该计算机程序的计算机存储介质(例如u盘)与计算机相连时，运行该计算机程序即可执行本发明的一个或多个实施例的针对目标车辆的换道预测方法。

参考图2，图2示出了根据本发明的一个实施例的针对目标车辆的换道预测设备2000的结构示意图。如图2所示，针对目标车辆的换道预测设备2000包括：接收装置210、计算装置220和确定装置230。其中，接收装置210用于接收所述目标车辆的速度和位置；计算装置220用于基于所述目标车辆的速度和位置，利用第一机器学习模型和第二机器学习模型分别获得所述目标车辆的第一换道概率和第二换道概率；确定装置230用于根据所述第一换道概率和所述第二换道概率，确定所述目标车辆的换道可能性，其中，所述第一机器学习模型和所述第二机器学习模型预先经过训练并彼此不同。

在本发明的上下文中，术语“目标车辆”是相对于本车而言的其他车辆。在一个或多个实施例中，需要进行换道预测的目标车辆位于本车前方的左右两侧。

机器学习是指用某些算法指导计算机利用已知数据得出适当的模型，并利用此模型对新的情境给出判断的过程。因此，在本发明的上下文中，“第一机器学习模型”和“第二机器学习模型”指代通过不同算法指导计算机所得出的不同的模型，该模型可用于判断(或预测)目标车辆的换道概率。

由于对目标车辆的换道预测利用单一模型时会存在较大的误判的情况，当误判目标车辆处于换道状态时，就会导致本车对目标车辆的误刹车，严重情况下会导致追尾等交通事故的发生。针对目标车辆的换道预测设备2000通过使用第一机器学习模型和第二机器学习模型两个模型对目标车辆的换道进行预测，提高了对目标换道预测的准确性。

在一个实施例中，所述目标车辆的速度和位置包括：所述目标车辆在本车的车辆坐标系下的纵向距离dx；所述目标车辆在车道线坐标系下的横向距离dy_ccs；以及所述目标车辆在所述车道线坐标系下的横向速度vy_ccs和纵向速度vx_ccs。

参考图3，它示出了基于目标车辆的运动状态来对该目标车辆的换道概率进行预测的场景3000的示意图。在场景3000中，本车以标号310示出，目标车辆以标号320示出。本车的车辆坐标系例如以车辆前保险杠的中心为原点，图3中以o点示出。车道线坐标系在一个实施例中可以是frenet坐标系，其以车道中心线作为参考线，使用变量s和d描述车辆在道路上的位置。该s坐标表示沿道路的距离(也称为纵向位移或纵向距离)和d坐标表示道路上的左右位置(也称为横向位移或横向距离)。在图3中，车辆320在参考线(即车道中心线330)的投影点为c，因此点c与目标车辆320在车辆坐标系下的横向位置b之间的距离即为目标车辆在车道线坐标系下的横向距离dy_ccs。

在图3中，a点表示位于目标车辆320的纵向位置处的车道中心线的位置。因而，在一个实施例中，目标车辆在车道线坐标系下的横向距离dy_ccs＝ab*cosθ，其中cosθ可根据车道中心线斜率计算得出。

尽管图2中未示出，在一个实施例中，设备2000还可包括：第一训练装置，用于训练所述第一机器学习模型，其中，所述第一机器学习模型至少以所述目标车辆在车道线坐标系下的横向距离dy_ccs、所述目标车辆在所述车道线坐标系下的横向速度vy_ccs为特征参数。在一个实施例中，设备2000可进一步包括：第二训练装置，用于训练所述第二机器学习模型，其中，所述第二机器学习模型至少以所述目标车辆在本车的车辆坐标系下纵向距离dx、所述目标车辆在车道线坐标系下的横向距离dy_ccs、所述目标车辆在所述车道线坐标系下的横向速度vy_ccs和纵向速度vx_ccs为特征参数。

具体来说，在一个实施例中，计算装置220配置成采用如下第一机器学习模型来计算所述第一换道概率p1：

其中，fabs(x)是取绝对值的函数，flagdir用于定义方向(例如，左侧为-1，右侧为1)，cntdy_ccs表示所述车辆连续向左或者连续向右的帧数(这里的帧数是指系统运行帧数，例如为50ms/次)，当预测目标车辆是否向左时，如果目标车辆的dy_ccs持续减小，则cnt持续增加。c1至c5是所述第一机器学习模型经训练后得到的系数。在一个实施例中，利用大数据学习的方法，根据目标车辆的速度和位置训练出一个模型参数c1至c5。然后，当输入目标车辆的速度和位置时，即可得到该目标车辆换道的一个概率值。

在一个实施例中，计算装置220配置成采用如下第二机器学习模型来计算所述第二换道概率p2：

p2＝e1*dx+e2*dy_ccs+e3*vx_ccs+e4*vy_ccs，

其中，e1至e4是所述第二机器学习模型经训练后得到的系数。

在一个实施例中，确定装置230配置成：在所述第一换道概率和所述第二换道概率均满足阈值条件时，输出目标车辆的换道概率p。在一个替换的实施例中，确定装置230配置成：在第一换道概率p1满足第一阈值，且第二换道概率p2满足第二阈值时，输出最终的换道概率p＝(p1+p2)/2。在又一个替换的实施例中，确定装置230配置成按照如下公式计算最终的换道概率p，其中p＝w1*p1+w2*p2，w1和w2为权重(可根据需要进行调整)。

另外，本发明的一个或多个实施例的针对目标车辆的换道预测设备2000可包括在高级驾驶辅助系统adas中。该高级驾驶辅助系统adas在一个实施例中可安装在车辆内。

“高级驾驶辅助系统”，也称为adas或先进驾驶辅助系统。它利用安装在车上的各式各样传感器(例如，毫米波雷达、激光雷达、单\双目摄像头以及卫星导航)，在汽车行驶过程中随时来感应周围的环境，收集数据，进行静态、动态物体的辨识、侦测与追踪，并结合导航地图数据，进行系统的运算与分析，从而预先让驾驶者察觉到可能发生的危险，有效增加汽车驾驶的舒适性和安全性。在一个实施例中，高级驾驶辅助系统包括导航与实时交通系统tmc、电子警察系统isa(intelligentspeedadaptation或intelligentspeedadvice)、车联网(vehicularcommunicationsystems)、自适应巡航acc(adaptivecruisecontrol)、车道偏移报警系统ldws(lanedeparturewarningsystem)、车道保持系统(lanekeepassistance)、碰撞避免或预碰撞系统(collisionavoidancesystem或precrashsystem)、夜视系统(nightvisionsystem)、自适应灯光控制(adaptivelightcontrol)、行人保护系统(pedestrianprotectionsystem)、自动泊车系统(automaticparking)、交通标志识别(trafficsignrecognition)、盲点探测(blindspotdetection)，驾驶员疲劳探测(driverdrowsinessdetection)、下坡控制系统(hilldescentcontrol)和电动汽车报警(electricvehiclewarningsounds)系统。

综上，本发明的实施例的针对目标车辆的换道预测方案结合两种不同的模型(即第一机器学习模型和第二机器学习模型)去综合判断目标车辆的换道意图，保证了预测系统的准确性和稳定性，从而提高驾驶的安全性。

尽管以上说明书只对其中一些本发明的实施方式进行了描述，但是本领域普通技术人员应当了解，本发明可以在不偏离其主旨与范围内以许多其他的形式实施。因此，所展示的例子与实施方式被视为示意性的而非限制性的，在不脱离如所附各权利要求所定义的本发明精神及范围的情况下，本发明可能涵盖各种的修改与替换。