一种车辆换道识别方法、装置、终端及介质与流程

本发明涉及智能交通，尤其涉及一种车辆换道识别方法、装置、终端及介质。

背景技术：

1、在车辆的行驶过程中，跟驰和换道行为是两种最典型的驾驶行为。相比于跟驰行为，车辆换道行为的决策失误可能性更大，更易导致交通事故的发生。研究表明，对驾驶员换道意图的提前感知，可以有效降低换道过程中交通事故的发生率，提高车辆换道的安全性，其应用还将对未来自动驾驶系统的推广和改善交通状况产生积极作用。

2、车辆换道行为作为一种普遍的驾驶行为，一直是国内外学者研究的重要领域之一。经过三十多年的研究发展，国内外学者依靠实验及仿真手段，对换道行为进行了大量的理论研究，已成功将诸多研究方法和模型运用于驾驶辅助技术及自动驾驶技术中。对于换道意图识别模型的研究，主要关注两个方面：一是确定用于表征驾驶员换道意图的参数；二是选择合适的模式识别方法来实现意图识别。国内外研究通常采用驾驶员的眼动及头部特性参数、车辆运行状态参数以及周围环境状态这三类指标来确定意图表征参数。

3、然而，通过驾驶员的生理特征来揭示换道意图在数据采集过程中通常需要专业设备，并且可能涉及隐私问题，因此在现实中推广会受到一定限制和阻碍。随着交通流检测技术的快速发展，大量车辆轨迹数据的获取成为可能，从轨迹数据中可以直观地表征驾驶员的换道行为。因此，为建立更加符合我国驾驶员驾驶行为习惯的驾驶模型，需要采用我国自主采集的车辆行驶轨迹数据集，建立更加准确、适应性高的换道意图识别模型，有助于为车辆换道安全预警系统提供理论支撑。传统的换道意图模型只考虑了车辆在某个时刻点的特征信息，而未考虑到从换道意图产生到换道完成整个过程中车辆状态的历史影响。仅考虑单一时刻的特征信息难免存在一定的局限性。

4、目前，国内外研究中关于换道意图时间窗的时长尚未达成统一标准，关于驾驶员换道意图时间窗的选取一般在1s至5s之间。如果从驾驶员换道开始时刻(即换道起点的时刻)才开始进行换道意图的识别，对于换道安全的预测和评价已无意义。另外，现有研究中缺乏在换道意图模型中考虑周围车辆对目标车辆的交互影响，并且由于换道过程中涉及到多辆车辆，采集和处理必要数据(如受换道影响的车辆数)成本高、难度大。以往关于换道的研究往往缺乏必要的实际数据作为支撑，虽然有些研究者利用美国ngsim数据进行过相关研究，但该数据反应的是美国驾驶行为习惯，因此并不能直接适用于我国。

技术实现思路

1、本发明提供一种车辆换道识别方法、装置、终端及介质，以国内车辆轨迹数据为基础，对车辆换道轨迹与车道保持车辆轨迹进行重构拼接，提出车辆交互区域概念，将周围车辆对目标车辆的影响归结于车辆交互区域重叠面积的函数，与目标车辆行驶参数作为特征参数，建立xgboost换道意图识别模型，以对驾驶员换道意图进行识别。

2、为了实现上述目的，第一方面，本发明实施例提供了一种车辆换道识别方法，包括：

3、获取目标车辆的横纵向速度、加速度信息，根据目标车辆与周围车辆之间的相互作用，建立所述目标车辆的车辆约束区域与行驶交互区域，获得驾驶员换道意图识别的特征向量；输入至xgboost的换道意图识别模型，得到换道意图识别时间窗，以控制目标车辆进行换道；

4、获取目标车辆的横纵向速度、加速度信息；根据所述目标车辆与所述目标车辆的周围车辆之间的相互作用，建立所述目标车辆的车辆约束区域与行驶交互区域，获得换道意图识别的特征向量；

5、输入至训练后的xgboost的换道意图识别模型，得到换道意图识别时间窗，以控制所述目标车辆进行换道；

6、其中，所述xgboost的换道意图识别模型的训练和测试过程，具体包括：

7、对交通系统数据集中t时间范围的车辆行驶轨迹数据进行提取与重构，得到样本轨迹数据，将所述样本轨迹数据分成训练集和测试集；0<t≤90天；

8、获取所述训练集中样本车辆的横纵向速度、加速度信息，根据所述样本车辆与所述样本车辆的周围车辆之间的相互作用，建立所述样本车辆的车辆约束区域与行驶交互区域，获得换道意图识别的样本特征向量；

9、采用xgboost模型构建所述xgboost的换道意图识别模型，通过迭代学习的方式根据所述换道意图识别的样本特征向量对所述xgboost的换道意图识别模型的参数进行迭代更新训练直至收敛，得到训练后的xgboost的换道意图识别模型；

10、通过所述测试集测试所述训练后的xgboost的换道意图识别模型，得到换道意图识别时间窗的标定值。

11、进一步地，所述对交通系统数据集中t时间范围的车辆行驶轨迹数据进行提取与重构，得到样本轨迹数据，将所述样本轨迹数据分成训练集和测试集，具体包括：

12、对交通系统数据集中t时间范围的车辆行驶轨迹数据按照特定时长进行提取，得到向左换道轨迹、向右换道轨迹和车道保持轨迹的轨迹集合；其中，车道保持轨迹的数量等于向左换道轨迹的数量与向右换道轨迹的数量之和；

13、将所述轨迹集合中的所有轨迹坐标归一化为原点，以选取任意一条所述车道保持轨迹为起点，随机拼接一条所述向左换道轨迹或所述向右换道轨迹，再拼接一条所述车道保持轨迹，以此类推直到所述轨迹集合中的所有轨迹都已进行拼接；从而得到样本轨迹数据，将所述样本轨迹数据分成训练集和测试集。

14、进一步地，所述目标车辆的车辆约束区域的表达式为：

15、

16、所述目标车辆的行驶交互区域的表达式为：

17、

18、式中，a1、b1为所述目标车辆的车辆约束区域的形状参数，a1的大小取决于所述目标车辆的长度，b1的大小取决于所述目标车辆的宽度；(x1，y1)为所述目标车辆的车辆约束区域的范围轨迹点；a2、b2为所述目标车辆的行驶交互区域的形状参数，a2的大小取决于所述目标车辆跟驰行驶时的最小车间距；b2取值使不相邻车道车辆交互区域严格不重叠，2b2＝2dl，dl为所述目标车辆所在车道的宽度；(x2，y2)为所述目标车辆的行驶交互区域的范围轨迹点。

19、进一步地，所述根据所述目标车辆与所述目标车辆的周围车辆之间的相互作用，建立所述目标车辆的车辆约束区域与行驶交互区域，获得换道意图识别的特征向量，具体包括：

20、根据所述目标车辆与所述目标车辆的周围车辆之间的相互作用，建立所述目标车辆的车辆约束区域与行驶交互区域；

21、当所述目标车辆的行驶交互区域与所述周围车辆的行驶交互区域发生重叠时，对车辆间的影响程度进行分析，量化所述周围车辆对所述目标车辆行驶意图的影响，得到所述目标车辆纵向受到的影响系数和横向受到的影响系数，从而获得换道意图识别的特征向量；

22、所述目标车辆纵向受到的影响系数ix和横向受到的影响系数iy分别为：

23、

24、

25、式中，si、sii、siii、siv分别为所述目标车辆的行驶交互区域与为所述目标车辆的前、后、左、右周围车辆的行驶交互区域发生重叠的面积，s0为所述目标车辆的行驶交互区域的面积；

26、所述换道意图识别的特征向量为：

27、fc＝{vlon,vlat,alon,alat,ilon,ilat}，

28、式中，vlon为所述目标车辆的纵向速度；vlat为所述目标车辆的横向速度；alon为所述目标车辆的纵向加速度；alat为所述目标车辆的横向加速度；ilon为所述周围车辆对所述目标车辆的纵向影响；ilat为所述周围车辆对所述目标车辆的横向影响。

29、进一步地，所述xgboost模型的参数分为模型的输入参数和模型的超参数两类；

30、所述超参数，用于调整来平衡xgboost模型的复杂度和泛化能力，包括最大深度max_depth、l1正则化系数reg_lambda、l2正则化系数reg_alpha、子采样率subsample、特征子采样率colsample_bytree和学习率eta；

31、采用网格搜索算法基于5折交叉验证对所述xgboost模型的超参数进行调优。

32、第二方面，本发明实施例提供了一种车辆换道识别装置，包括：

33、数据获取模块，用于获取目标车辆的横纵向速度、加速度信息；根据所述目标车辆与所述目标车辆的周围车辆之间的相互作用，建立所述目标车辆的车辆约束区域与行驶交互区域，获得换道意图识别的特征向量；

34、数据输入模块，用于输入至训练后的xgboost的换道意图识别模型，得到换道意图识别时间窗，以控制所述目标车辆进行换道；

35、其中，所述xgboost的换道意图识别模型的训练和测试过程，具体包括：

36、对交通系统数据集中t时间范围的车辆行驶轨迹数据进行提取与重构，得到样本轨迹数据，将所述样本轨迹数据分成训练集和测试集；0<t≤90天；

37、获取所述训练集中样本车辆的横纵向速度、加速度信息，根据所述样本车辆与所述样本车辆的周围车辆之间的相互作用，建立所述样本车辆的车辆约束区域与行驶交互区域，获得换道意图识别的样本特征向量；

38、采用xgboost模型构建所述xgboost的换道意图识别模型，通过迭代学习的方式根据所述换道意图识别的样本特征向量对所述xgboost的换道意图识别模型的参数进行迭代更新训练直至收敛，得到训练后的xgboost的换道意图识别模型；

39、通过所述测试集测试所述训练后的xgboost的换道意图识别模型，得到换道意图识别时间窗的标定值。

40、进一步地，所述对交通系统数据集中t时间范围的车辆行驶轨迹数据进行提取与重构，得到样本轨迹数据，将所述样本轨迹数据分成训练集和测试集，具体包括：

41、对交通系统数据集中t时间范围的车辆行驶轨迹数据按照特定时长进行提取，得到向左换道轨迹、向右换道轨迹和车道保持轨迹的轨迹集合；其中，车道保持轨迹的数量等于向左换道轨迹的数量与向右换道轨迹的数量之和；

42、将所述轨迹集合中的所有轨迹坐标归一化为原点，以选取任意一条所述车道保持轨迹为起点，随机拼接一条所述向左换道轨迹或所述向右换道轨迹，再拼接一条所述车道保持轨迹，以此类推直到所述轨迹集合中的所有轨迹都已进行拼接；从而得到样本轨迹数据，将所述样本轨迹数据分成训练集和测试集。

43、进一步地，所述目标车辆的车辆约束区域的表达式为：

44、

45、所述目标车辆的行驶交互区域的表达式为：

46、

47、式中，a1、b1为所述目标车辆的车辆约束区域的形状参数，a1的大小取决于所述目标车辆的长度，b1的大小取决于所述目标车辆的宽度；(x1，y1)为所述目标车辆的车辆约束区域的范围轨迹点；a2、b2为所述目标车辆的行驶交互区域的形状参数，a2的大小取决于所述目标车辆跟驰行驶时的最小车间距；b2取值使不相邻车道车辆交互区域严格不重叠，2b2＝2dl，dl为所述目标车辆所在车道的宽度；(x2，y2)为所述目标车辆的行驶交互区域的范围轨迹点。

48、第三方面，本发明实施例对应提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述车辆换道识别方法。

49、此外，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述车辆换道识别方法。

50、与现有技术相比，本发明实施例公开的一种车辆换道识别方法、装置、终端及介质，通过获取目标车辆的横纵向速度、加速度信息；根据所述目标车辆与所述目标车辆的周围车辆之间的相互作用，建立所述目标车辆的车辆约束区域与行驶交互区域，获得换道意图识别的特征向量；输入至训练后的xgboost的换道意图识别模型，得到换道意图识别时间窗，以控制所述目标车辆进行换道。因此，本发明实施例能够以国内车辆轨迹数据为基础，对车辆换道轨迹与车道保持车辆轨迹进行重构拼接，提出车辆交互区域概念，将周围车辆对目标车辆的影响归结于车辆交互区域重叠面积的函数，与目标车辆行驶参数作为特征参数，建立xgboost换道意图识别模型，以对驾驶员换道意图进行识别；采用国内车辆轨迹数据集进行换道意图识别模型的训练及检验，能够更好地符合我国驾驶员的驾驶习惯，同时，车辆轨迹数据集可以通过无人机航拍采集与图像识别技术等方式获得，具有广泛的应用性和推广性，为自动驾驶系统的推广和城市交通状况的改善等都具有积极的推动作用。