[发明专利]基于集成学习的多车交互环境下车辆轨迹预测方法及系统

说明书

本发明公开了基于集成学习的多车交互环境下车辆轨迹预测方法及系统。该方法包括：采集车辆的行驶信息；对行驶信息进行预处理，得到空间网格信息和车辆驾驶模式信息；对训练集进行多次随机抽样得到多组含不同数据的训练集；通过多组含不同数据的训练集分别对LSTM编码‑解码器模型进行训练，得到多个基学习器；采用集成学习方法，对多个基学习器进行集成，得到集成学习器，对车辆的未来轨迹进行预测。本发明利用机器学习与深度学习的手段，实现对车辆交互信息的有效利用，并应用集成学习的方法实现对车辆轨迹的预测。且通过集成学习能够将多个模型进行结合，可获得比单一模型显著优越的泛化性能，解决了单一模型对训练数据敏感、精确度低等问题。

技术领域

本发明涉及车辆自动驾驶技术领域，特别是涉及基于集成学习的多车交互环境下车辆轨迹预测方法及系统。

背景技术

目前，随着交通参与者数目的不断增加，路况信息日趋复杂。在复杂和动态交通环境中，使自动驾驶车辆有主动的行为决策能力，如依据所处交通环境对车道切换、加速超车、制动减速等驾驶行为进行决策对建立安全且高效的智能交通系统有重要的作用。在车辆所处的交通环境中，周边车辆的动态驾驶行为是影响自动驾驶车辆行为决策的一个重要因素，因此，在多车交互环境下，预测周边车辆的动态轨迹对发展高级驾驶辅助系统、智能交通系统和自动驾驶有重要作用。

现阶段，车辆轨迹的预测方法，主要是利用采集到的交通信息数据，对机器学习、深度学习的一些学习算法模型进行模型的训练，并以训练完成的模型所作预测输出作为车辆轨迹预测的结果。在此过程中，如何有效地利用、准确地处理交通信息中的车辆交互信息成为一个研究难点。

且目前的车辆轨迹预测方法中，多采用单一模型进行预测，而单一的算法模型常常存在对训练数据敏感、预测精度低等问题。

发明内容

本发明的目的是提供基于集成学习的多车交互环境下车辆轨迹预测方法及系统，用以解决现有技术中无法有效利用多车交互信息、模型对训练数据敏感、精确度低等问题。

为实现上述目的，本发明提供了如下方案：

一种基于集成学习的多车交互环境下车辆轨迹预测方法，包括：

采集车辆的行驶信息；所述车辆包括中心车辆和周围车辆；

对所述行驶信息进行预处理，得到空间网格信息和车辆驾驶模式信息；

构建训练集；所述训练集包括：所述行驶信息、所述空间网格信息和所述车辆驾驶模式信息；

对所述训练集进行多次随机抽样，得到多组含不同数据的训练集；

通过多组含不同数据的训练集分别对LSTM编码-解码器模型进行训练，得到多个基学习器；

采用集成学习方法，对多个基学习器进行集成，得到集成学习器，对车辆的未来轨迹进行预测。

进一步地，对所述行驶信息进行预处理，具体包括：

根据所述行驶信息确定车辆驾驶模式信息；所述行驶信息包括中心车辆位置及运动信息、周围车辆位置及运动信息和包含车道信息在内的周围环境信息；所述车辆驾驶模式信息包括横向驾驶模式和纵向驾驶模式；所述横向驾驶模式包括左侧换道驾驶模式、右侧换道驾驶模式以及车道保持驾驶模式；所述纵向驾驶模式包括刹车驾驶模式和正常驾驶驾驶模式；

基于中心车辆的位置确定待划分的空间范围；

对所述待划分的空间范围进行网格划分，得到空间网格信息。

进一步地，根据所述行驶信息确定车辆驾驶模式信息，具体包括：

确定中心车辆的换道稳定化阶段；所述稳定化为在一次换道完成后，预设时间内中心车辆趋于不再换道的状态；

判断稳定化阶段前后预设时间范围内，车道信息是否发生变化；

若车道信息发生变化，根据车道信息变化情况确定左侧换道驾驶模式或右侧换道驾驶模式；

若车道信息未发生变化，则确定车辆为车道保持驾驶模式；