[发明专利]自行车轨迹预测的自动驾驶车辆风险评估方法及系统

权利要求书

1.一种自行车轨迹预测的自动驾驶车辆风险评估方法，其特征在于，包括：

步骤1：对交叉路口骑车人的运动特征、自我车辆运动和道路环境特征的信息数据进行采集，得到采集数据；

步骤2：将采集数据结合到DBN图形模型中进行意图推断，得出意图推断结果；

步骤3：根据意图推断结果，采用具有编码器-解码器的长短期记忆网络LSTM进行轨迹预测；

步骤4：根据轨迹预测输出骑车人的预测位置。

2.根据权利要求1所述的自行车轨迹预测的自动驾驶车辆风险评估方法，其特征在于，所述步骤2包括：

从车辆传感器的角度的观察集合为O，从骑车人的角度的隐藏变量集合为H，则有：

O＝{O^O,O^V,O^R}

H＝{H^O,H^V,H^R}

其中，O^O表示骑车人的速度方向，O^V表示与自我车辆的冲突时间，O^R表示骑车人在道路上的相对位置；

H^O表示骑车人的临时目标方向，H^V表示骑车人在骑车时是否感觉到危险，H^R表示骑车人是否位于选择直行、右转和左转的区域；

H^O,H^V,H^R是离散变量；O^O,O^V,O^R是连续变量；

将隐藏变量选择为循环意图节点C，意图包括：直行、右转和左转。

3.根据权利要求2所述的自行车轨迹预测的自动驾驶车辆风险评估方法，其特征在于，H^O,H^V,H^R相互独立，有时间转换，符合条件概率公式，隐藏变量H的时间转换为：

其中，和是隐藏变量H从时间步长t-1到t的时间转换；

概率关系O^O-H^O、O^V-H^V和O^R-H^R相互独立，也符合条件概率公式，观察变量O和隐藏变量H之间的关系为：

P(O_t|H_t)＝P(O^O|H^O)×P(O^V|H^V)×P(O^R|H^R)

其中，P(O^O|H^O)，P(O^V|H^V)和P(O^R|H^R)分别表示在相同时间的O^O-H^O、O^V-H^V和O^R-H^R之间的关系。

4.根据权利要求1所述的自行车轨迹预测的自动驾驶车辆风险评估方法，其特征在于，所述步骤2包括：

采用概率假设密度滤波算法进行预测，在推断过程中引入先验概率和后验概率使用前一步的后验概率作为基础，计算先验概率和将先验概率更新为

其中，Int表示节点C，同时将H记为E，则更新后的先验概率也记为

在先验概率更新时，每个时间步中，所有观测值都被更新，根据更新的观测值推断出交叉函数的后验概率。

5.根据权利要求4所述的自行车轨迹预测的自动驾驶车辆风险评估方法，其特征在于，所述预测包括：

6.根据权利要求4所述的自行车轨迹预测的自动驾驶车辆风险评估方法，其特征在于，所述更新包括：