[发明专利]一种基于DS证据理论的车辆换道行为预测方法

说明书

本发明公开了一种基于DS证据理论的车辆换道行为预测方法，该方法利用机器学习中的分类器技术，来挖掘道路环境、车辆状态和驾驶员状态与车辆的换道行为之间的关系，依据以上数据单独训练三个分类器，用分类器对待预测的数据进行分类并输出后验概率，得到证据Esubgt;1/subgt;、Esubgt;2/subgt;、Esubgt;3/subgt;，运用DS证据理论对Esubgt;1/subgt;、Esubgt;2/subgt;、Esubgt;3/subgt;进行合成，将满足合成决策规则的换道行为作为最终输出，作为对车辆换道行为的预测结果。本发明对提高车辆驾驶安全具有十分重大的意义。

技术领域

本发明涉及智能汽车技术领域，具体为一种基于DS证据理论的车辆换道行为预测方法。

背景技术

随着我国汽车保有量的快速增长，非职业驾驶员的人数也在逐步增加，间接导致了交通事故的频繁发生。据统计中国每年交通事故超过50万起，因交通事故死亡人数超过10万人，平均每分钟都会有一人因为交通事故而伤残，每年因交通事故所造成的经济损失达数百亿元。驾驶安全已成为人们不可忽略的问题之一。针对事故发生的原因，研究人员一直致力于如何通过有效的措施降低事故的发生，其中车路协同、驾驶安全辅助等系统是提高车辆运行安全的一种有效方法。驾驶安全辅助系统能对车辆的驾驶行为进行预测，由此提前警示驾驶员，甚至能进行干预操作，能够有效减少事故的发生，现有关于车辆驾驶行为预测的研究，主要考虑车辆的历史行为轨迹信息。这些研究对车辆与所在路口信息的建模较为理想化，而忽略了车辆在行驶时是在一个人-车-路整体的系统中，从而导致实际应用中对驾驶行为的预测的适用场景的局限性，预测结果与实际情况有较大偏差。

信息融合技术是协同利用多源信息，以获得对事物或目标更客观、更本质认识的信息综合处理技术，是智能科学研究的关键技术之一。在诸多的融合模型和方法中，DS(Dempster/Shafer)证据理论算法是最为有效的算法之一。证据理论把概率论中的基本事件空间拓宽为基本事件的幂集，又称为辨识框架，在辨识框架上建立了基本概率分配函数。此外，证据理论还提供了一个Dempster组合规则，该规则可以在没有先验信息的情况下实现证据的融合。正是由于DS证据理论在不确定知识表示方面具有优良的性能，所以近几年其理论和应用发展较快，该理论在多传感器信息融合、医学诊断、军事指挥、目标识别方面发挥了重要作用。

本发明针对现有技术的不成熟，提出应综合考虑影响驾驶行为预测过程的多方面的因素，挖掘车辆状态、道路信号信息、驾驶环境信息以及驾驶员状态与车辆驾驶行为之间的关系，提高车辆驾驶行为预测的适用性和准确性。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种基于DS证据理论的车辆换道行为预测方法，以解决现有中关于车辆驾驶行为的预测研究在实际应用中对驾驶行为的预测的适用场景存在局限性，预测结果与实际情况有较大偏差的问题。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种基于DS证据理论的车辆换道行为预测方法，包括步骤如下：

步骤1：采集公路上的自然驾驶数据；

步骤2：建立车道换道行为预测的样本空间D＝{LCL,LCR,LK}，其中，LCL为向左换道，LCR向右换道，LK车道保持；

步骤3：将上述步骤1中驾驶数据分为三组信息源，即基于道路环境、车辆的状态信息和驾驶员的状态信息，训练上述三组信息源并分别得到一个分类器，记为M₁，M₂，M₃；