[发明专利]一种基于学习的在线车道变线预测方法及系统

权利要求书

1.一种基于学习的在线车道变线预测方法，其特征在于，包括如下步骤：

通过IMU惯性测量单元中的车道线跟踪器采集车道线信息，并采用粒子滤波器估计所述车道线信息的特征向量，在上述特征向量中采集与车辆相关的基础特征作为车辆状态特征信息，

对所述车辆状态特征信息进行特征处理，得到在一时间跨度内连续的信息作为固定长度特征向量，

对所述固定长度特征向量通过SVM分类器进行多类别分类，得到的概率权重值作为分类结果，

根据分类结果采用贝叶斯滤波器预测意图概率，通过所述意图概率得到车道变道意图预测的结果。

2.根据权利要求1所述的在线车道变线预测方法，其特征在于，粒子滤波器估计所述车道线信息的特征向量的方法如下：

2-1)定义对于车辆的参数方程，用以描述车道线位置以及几何形状，并假定车道线具有类似于回旋曲线的形状，同时利用所述回旋曲线来近似拟合车道线方程；

2-2)使用过去状态向量和里程计信息递归地估计用于描述车道线位置和几何形状的参数所组成的状态向量；

2-3)捕获车辆采集的原始图像，并使用脊滤波器得到粒子滤波器的更新阶段中所使用的低级特征；

2-4)通过每个粒子权重的更新，根据上述粒子滤波器的输出，得到与实际脊特征的匹配程度。

3.根据权利要求1所述的在线车道变线预测方法，其特征在于，与车辆相关的基础特征至少包括如下向量：

车辆与车道线的横向位置(l)、车辆相对于公路的转向角(φ)、l的一阶导数以及φ的一阶导数。

4.根据权利要求1所述的在线车道变线预测方法，其特征在于，上述步骤中得到在一时间跨度内连续的信息的方法为：滑动窗口处理，将该信息作为固定长度特征向量。

5.根据权利要求1所述的在线车道变线预测方法，其特征在于，所述SVM分类器中使用边缘最大化实现多类别分类。

6.根据权利要求5所述的在线车道变线预测方法，其特征在于，分类的类别至少包括：

{左车道变线、右车道变线、不变线或者三类的组合}。

7.根据权利要求5所述的在线车道变线预测方法，其特征在于，通过广义的Bradley-Terry模型得到概率权重值。