[发明专利]一种基于学习的在线车道变线预测方法及系统

说明书

技术领域

本发明涉及一种高级驾驶辅助系统中的计算机视觉技术，特别涉及一种基于学习的在线车道变线预测方法及系统，通过融合支持向量机和贝叶斯滤波器的方法，实现对车道变线意图进行预测。

背景技术

对交通事故原因的研究表明，57％的事故是由司机的原因引起的。高级驾驶辅助系统(ADAS)可以帮助司机更好地理解交通状况，采取更加舒服的驾驶行为，提高交通流畅度，并减轻事故后果。在十字路口预测其他司机的意图或者在高速公路上预测其他司机的变线意图，可以帮助司机更好地理解道路环境，从而避免交通事故。将上述意图预测问题定义为：预测司机是否会变车道，以及预测车辆是否在红灯时停止。

文献Mccall J C,Wipf D,Trivedi M M,et al.Lane Change Intent Analysis Using Robust Operators and Sparse Bayesian Learning[J].IEEE Transactions on Intelligent Transportation Systems,2007,8(3):431-440.中利用一种稀疏贝叶斯滤波器的方法进行变道意图分析。它的思想是利用描述车辆外界环境、司机头部动作和车辆内部状态的时间序列数据来创建用于分类的特征向量。结果表明，包含司机头部动作的特征向量使得系统能够提高预测水平。文献Morris B,Doshi A,Trivedi M.Lane change intent prediction for driver assistance:On-road design and evaluation[C]//Intelligent Vehicles Symposium(IV),2011IEEE.IEEE,2011:895-901.中提出了一种对于上述文献方法的扩展方法。该方法利用相关向量机(Relevance Vector Machine)，即一种融合贝叶斯方法的支持向量机方法(support vector machine，SVM)。它依赖于从Adaptive Cruise Control(ACC)雷达、(Lane Departure Warning(LDW)相机、Side Warning Assist(SWA)雷达和头部跟踪相机获得的信息。这种方法能够提前3秒预测车辆变道意图。另一个工作Aoude G S,Desaraju V R,Stephens L H,et al.Behavior classification algorithms at intersections and validation using naturalistic data[C]//Intelligent Vehicles Symposium(IV),2011IEEE.IEEE,2011:601-606.针对十字路口的预警，考虑两种路况：汇入与离开情况。该工作比较了两种方法：第一种方法使用基于SVM的二值分类(binary classification)以及贝叶斯滤波(Bayesian Filtering，BF)，第二种方法使用隐马尔科夫模型(Hidden Markov Model，HMM)。实验结果表明，基于SVM和BF的方法表现更好。文献Oliver N,Pentland A P.Graphical models for driver behavior recognition in a smartcar[C]//Intelligent Vehicles Symposium,2000.IV 2000.Proceedings of the IEEE.IEEE,2000:7-12.中的方法是训练成对的HMM模型，从而创建七个不同的机动驾驶模型。结果表明，在实际应用中，该方法的机动动作预测可以提前平均1秒。文献Meyer-Delius D,Plagemann C,Burgard W.Probabilistic situation recognition for vehicular traffic scenarios[C]//Robotics and Automation,2009.ICRA'09.IEEE International Conference on.IEEE,2009:459-464.中将HMM模型应用于情境建模和识别。这里的情境定义为：具有可解释的状态序列分布，和用于表征各种情况的HMM模型。类似于前者的方法，文献Christopher T.Analysis of dynamic scenes:Application to driving assistance[D].Institut National Polytechnique de Grenoble-INPG,2009.使用分层HMM用于行为识别。该方法在两个层次上进行建模。其中高层行为包括直行、左转、右转和超车等。这些行为被视为HMM的上层隐藏状态。对于每个高层行为，在低层中存在一个HMM来表示从低层行为到高层行为的转换序列(The Sequence of Transitions)。在文献Hülnhagen T,Dengler I,Tamke A,et al.Maneuver recognition using probabilistic finite-state machines and fuzzy logic[C]//Intelligent Vehicles Symposium(IV),2010IEEE.IEEE,2010:65-70.中，概率有限状态机(Probabilistic Finite State Machine，PFSM)和模糊逻辑用于机动动作的识别。输入变量(速度和转向角等)被模糊化，以便估计构成机动动作的基本元素(制动、停止和启动等)。最后，利用贝叶斯滤波器来计算PFSM中的各个基本元素的概率值，并根据概率值实现机动行为的识别。