一种基于时序卷积网络的车辆换道意图预测方法与流程

本发明属于无人驾驶车辆技术领域，尤其是涉及到一种基于时序卷积网络的车辆换道意图预测方法。

背景技术：

随着无人驾驶技术的发展，为了安全并且有效率地通过复杂的交通场景并作出最优的决策，无人驾驶车辆需要有能够预测周围车辆的未来意图与轨迹的能力。周围车辆的行驶意图不但对无人驾驶车辆的决策规划有重要影响，它们彼此间驾驶意图也会互相影响。人类司机可以根据自身的经验能够依据周围车辆的当前、过去行为及互动对它们的行驶意图和未来轨迹作出相应预测，从而作出重要行驶决策如超车、减速或换道。现有的辅助驾驶系统通常缺失这种预测能力，而将行驶决策完全交给人类司机。但对于无人驾驶车辆来说，这种决策能力是必不可少的，而作为重要输入的周围车辆的意图和轨迹预测也在现在的无人驾驶系统中扮演越来越重要的角色。

现有的意图预测算法通常分为两种，基于规则的算法与基于学习的算法。基于规则的算法，最具代表性的是“间隙接受模型”，它假设驾驶员的车道变换动机是基于目标车道的超前和滞后间隙，该方法假设如果间隙达到最小可接受值，则驾驶员倾向于进行车道变换。虽然拥有简单便捷判断车辆意图的特点，但这样的方法需要进行大量繁琐耗时的参数微调。而基于学习的算法则从大量数据中学习出车辆意图分辨的函数或网络模型，通常需要大量的训练数据，它的分类效果一般好于基于规则的算法，且具有鲁棒性。

现有的方法多是对车辆行为进行预测：向左变道、向右换道或直行等，而对一些复杂的车辆行为意图或复杂地图无法做出预测，如合并车道、分流车道、驶出车道或驶入车道等。现有的方法有使用隐马尔科夫模型或lstm等方法，多是在模拟数据集上进行训练和预测，且如lstm等方法有着训练复杂的缺点。另外，现有方法多只考虑到了目标车辆自身状态，而忽略了周围车辆对目标车辆意图的影响。

基于此，特提出本发明。

技术实现要素：

为了解决现有技术存在的上述问题，本发明的目的是提供一种基于时序卷积网络的车辆换道意图预测方法，采用了历史信息中的目标车辆状态、道路状态和目标车辆周围车辆的状态，并提取出适当的特征输入到时序卷积网络中，经过处理后输出目标车辆的当前意图车道。

本发明的技术方案是：一种基于时序卷积网络的车辆换道意图预测方法，包含如下的步骤，

s1:采集目标车辆和周围车辆的跟踪轨迹数据；

s2：车道预测特征提取，从s1步骤获得的跟踪轨迹数据中提取出80个特征；

s3：采用时序卷积网络作为骨架网络，输入多帧从s2步骤中获得的特征矩阵，对意图行驶车道和换道时间做出预测，输出目标车辆的当前意图车道。

进一步地，s1步骤中，目标车辆和周围车辆的跟踪轨迹数据由无人驾驶感知系统在驾驶路测时产生，包括有道路信息的地图、车辆物理信息、车辆位置、所在车道、速度、车辆朝向信息。

进一步地，s2步骤中，使用五条意图可能车道作为模型预测，对每条意图可能车道提出共计16个特征，分为三类：

a)目标车辆状态特征，包括：是否在此车道、s方向速度、l方向速度、l方向距离、车辆朝向这5个特征；

b)道路状态特征，包括：车辆数量这1个特征；

c)周围车辆互动特征，包括车道上距离目标车辆最近的2辆车的各5个特征，即相对s距离、相对l距离、相对朝向差、相对s速度、相对l速度，2辆车共得到10个特征。

此步骤中5条意图可能车道共有80个特征。

进一步地，s3步骤中，时序卷积网络对n帧跟踪轨迹数据的特征矩阵进行处理，特征矩阵大小为n×80，输出为一个五类softmax分类和距离换道的时间。

进一步地，在s3步骤中，采用lstm代替时序卷积网络进行预测。

本发明的优点在于：综合考虑了周围车辆对目标车辆意图的影响，提取历史信息中的目标车辆状态、道路状态和目标车辆周围车辆的状态特征，通过时序卷积网络得到目标车辆的当前意图车道，克服了隐马尔科夫模型或lstm等方法存在的训练复杂的缺点。

附图说明

图1是本发明的基于时序卷积网络的车辆换道意图预测方法的流程图。

图2是笛卡尔坐标系与frenet坐标系的示意图。

图3是本发明所提出的概念意图可能车道的示意图。

图4是本发明中目标车辆和周围车辆互动示意图。

图5是本发明采用的tcn网络结构示意图。

具体实施方式

以下结合附图1-4，对本发明一种基于时序卷积网络的车辆换道意图预测方法做进一步地说明，需要说明的是，下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

如图1所示，为本发明一种基于时序卷积网络的车辆换道意图预测方法的流程图，该基于时序卷积网络的车辆换道意图预测方法包含跟踪数据采集、特征提取和预测等主要步骤，具体地包含如下的步骤，

s1:采集目标车辆和周围车辆的跟踪轨迹数据；

s2：车道预测特征提取，从s1步骤获得的跟踪轨迹数据中提取出80个特征；

s3：采用时序卷积网络作为骨架网络，输入多帧从s2步骤中获得的特征矩阵，对意图行驶车道和换道时间做出预测，输出目标车辆的当前意图车道。

具体地，在s1步骤中，目标车辆和周围车辆的跟踪轨迹数据由无人驾驶感知系统在驾驶路测时产生，包括有道路信息的地图、车辆物理信息(如车辆类别，长度、宽度、高度)、车辆位置(如基于frenet道路坐标系或笛卡尔世界坐标系的车辆所在的位置)、所在车道、速度(基于frenet道路坐标系)、车辆朝向信息(基于frenet道路坐标系)。这些数据由相机，激光雷达，毫米波雷达等感知数据进行融合后对车辆进行跟踪处理后产生。

frenet道路坐标系的定义：

如图2所示，笛卡尔坐标系通常用来描述物体的位置，但对于无人驾驶来说并不是最佳的选择。无人驾驶汽车通常基于道路进行加速或换道的决策。作为笛卡尔坐标系的替代解决方案，frenet坐标系使用道路的中心线作为参考线，使用参考线的切线方向和法线方向定义坐标系。车辆相对于道路中心线的切线方向距离s和横向距离l为该车在frenet坐标系上的坐标。

意图可能车道的定义：

对于每一辆待预测的目标车辆，它的意图可能车道有一条或多条，如图3所示，对于车a来说车道1和车道2，为它在此时此刻有可能行驶入的意图可能车道；而对于车b来说，车道2、车道3和车道4，均为它的意图可能车道。

本发明使用五条意图可能车道作为模型预测输出占位符(placeholder)，因为大部分车辆的意图可能车道都小于五条，五条意图可能车道可以覆盖道路上大多数情况。

具体地，在s2步骤中，使用五条意图可能车道作为模型预测，对每条意图可能车道提出共计16个特征，分为三类：

a)目标车辆状态特征，包括：是否在此车道、s方向速度、l方向速度、l方向距离、车辆朝向这5个特征。这些特征的描述如下表所示。

b)道路状态特征，包括：车辆数量这1个特征。该特征的描述如下表所示。

c)周围车辆互动特征，包括车道上距离目标车辆最近的1辆车的各5个特征，即相对s距离、相对l距离、相对朝向差、相对s速度、相对l速度，2辆车共得到10个特征。这些特征的描述如下表所示。

在s2步骤中，每一帧共提取五条车道上16*5共80个特征。

如图4所示，为本发明中目标车辆和周围车辆互动示意图，示例了如何选取周围车辆互动特征。

本发明的一个基本设定，是在所有意图可能车道上，离目标车辆最近的周围车辆对目标车辆的意图决策将会有直接的影响。在现有的算法中，为了让特征矩阵长度保持恒定，只考虑最近的三条意图可能车道上相对于目标车辆前后距离为d的周围车辆，这个距离d可以是1米，10米，50米，也可以是100米或者200米，视车辆的类型和速度而定。

如图4所示，在目标车辆a周围共有八辆车，其中车道1(lane1)上有三辆，但只有车2会被考虑，因为只有车2在目标车辆的前后距离d(例如100米)范围内。对于车道2(lane2)来说，车5和车6会被考虑，即使车4离目标车辆a距离比车6离目标车辆a更近，也不会被考虑，这是因为在一条车道上我们以目标车辆a位置为基点前后各考虑一辆车。对于车道3(lane3)，则车7和车8会被考虑。在一定范围内比如100m内，如果一个方向上100米内没有车辆，则用0填充这几个特征。

在此阶段，考虑离目标车辆a最近的六辆车对车辆互动的建模已足够。比如，我们从图中周围车辆的位置可知，目标车辆a继续在车道2(lane2)上行驶的可能性比换到其他车道更高。但如果车2、车7或车8，拥有比目标车辆a大很多或小很多的速度，换道去车道1(lane1)或车道3(lane3)也很有可能。

具体地，s3步骤中，时序卷积网络对n帧跟踪轨迹数据的特征矩阵进行处理，特征矩阵大小为n×80，输出为一个五类softmax分类和距离换道的时间。

本发明使用tcn(temporalneuralnetwork)，一种时序卷积网络作为骨架网络，tcn的网络结构如图5所示，图5的内容，可以参考作者shaojiebai、j.zicokolter和vladlenkoltun的公开文章《anempiricalevaluationofgenericconvolutionalandrecurrentnetworksforsequencemodeling》，在此不做赘述。本发明采用tcn，得出一种基于时序卷积网络的车辆换道意图预测方法，其流程图见图1，在图1中，对第i-n帧到第i帧共n帧提取特征矩阵，把这些矩阵输入到tcn的时序卷积网络，对意图行驶车道和换道时间做出预测。

在本发明的一个实施例中，网络输入为过去n帧的特征矩阵，矩阵大小为n×80，输出为一个五类softmax分类(即哪一条车道为意图行驶车道)和距离换道的时间(若意图行驶车道为当前车道，则该时间设为-1，不予考虑)。

在本发明中，也可以使用其他网络结构如lstm等来代替tcn。

上述实施方式用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。