[发明专利]基于深度学习的智能车辆周边行人行为预测方法和系统

说明书

本发明提供了一种基于深度学习的智能车辆周边行人行为预测方法，所述方法包括如下步骤：步骤S1：检测车辆自身位置，记录车辆自身运动数据；步骤S2：利用车载传感器对智能车辆周边障碍物进行检测，对周围道路环境进行定位于分类，确定行人位置及运动状态；步骤S3：将得到的行人运动状态数据作为输入数据输入卷积神经网络CNN进行轨迹预测；步骤S4：根据卷积神经网络CNN的轨迹预测输出行人的预测轨迹。本发明简化预测方法，提高预测速度；提高对行人行为预测的精确度；可持续迭代得到长时间的预测轨迹，对智能车辆研究具有重要意义。

技术领域

本发明涉及智能驾驶的技术领域，具体地，涉及基于深度学习的智能车辆周边行人行为预测方法和系统。

背景技术

智能驾驶是战略性新兴产业的一个重要的组成部分，发展智能驾驶不但能提高交通效率和减少事故发生率，对国家战略发展以及综合国力提升同样具有重要意义，同时，对智能驾驶技术的研究可以提升我国在深度学习以及汽车方面的综合竞争力，具有重要意义。

根据最近的一份报告，约90％的事故原因来自于驾驶员的错误，比如：30％的事故是由于驾驶员醉酒，10％的事故是驾驶员分心造成的，而随着机器学习的发展，我们也逐渐认识到智能车辆有潜力能减少有驾驶员操作失误造成的交通事故，而且，通过智能车辆的行为预测，也能把劳动力从简单和重复的驾驶中解放出来，提高生产力。

智能车辆的行为预测会根据周围环境当前和过去的观测来预测附近障碍物的未来状态，这个功能有助于帮助车辆驾驶时降低风险，但是，常规的行为预测解决方案适用于较短预测范围的简单驾驶情况，最近，与传统方法相比基于深度学习的方法在更复杂的环境中具有优越的性能，因此变得流行。

实际上，为了在道路上安全有效地运行，自动驾驶汽车不仅应了解附近道路参与者的当前状态，而且应主动预测其未来的行为(也称为运动或轨迹)，这个普遍问题的其中一个重要部分就是预测行人，或弱势道路参与者的行为，但目前绝大多数的智能车辆都将周边车辆行为预测放在了首位，而对行人的行为预测则普遍较少，通过对智能车辆周边行人的行为预测，能帮助驾驶员减少事故发生率，最大限度地保障驾驶员进而行人的安全。

卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一，使用CNN进行特征提取，优点就是使用者完全不用关心具体的特征是哪些，即实现了特征提取的封装，这种封装在智能驾驶的研究中具有极高的应用价值，同时其优越的效果和正确率也让其具有在智能驾驶研究中不可替代的地位，通过将行人行为轨迹以矩阵形式作为输入数据并进行特征提取，可以较为简单地实现对行人行为倾向的预测，从而对行人轨迹实现预测，实现对智能驾驶的辅助效果。

本发明方法包括对道路环境、行人状况检测、对道路方向系的选取、对行人历史运动信息进行采集并处理，并根据行人欲道路的相对位置实现对行人状态的初步判断，进而选择合适的模型对行人行为轨迹进行预测，并最终输出预测得到的行人轨迹进行评估。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于深度学习的智能车辆周边行人行为预测方法和系统。

根据本发明提供的一种基于深度学习的智能车辆周边行人行为预测方法，所述方法包括如下步骤：

步骤S1：检测车辆自身位置，记录车辆自身运动数据；

步骤S2：利用车载传感器对智能车辆周边障碍物进行检测，对周围道路环境进行定位于分类，确定行人位置及运动状态；

步骤S3：将得到的行人运动状态数据作为输入数据输入卷积神经网络CNN进行轨迹预测；

步骤S4：根据卷积神经网络CNN的轨迹预测输出行人的预测轨迹。

优选地，所述步骤S2包括：