[发明专利]一种基于驾驶行为生成机制的交通车意图识别方法

说明书

本发明涉及一种基于驾驶行为生成机制的交通车意图识别方法，通过分析驾驶人驾驶行为生成机制，将交通车行为识别问题拆解为三个层次，通过量化不同交通态势下驾驶人对各驾驶行为收益的认知，基于马尔可夫决策过程建立了驾驶人意图与交通态势之间的映射关系，创造性的从驾驶人驾驶行为深层生成机理层面进行交通车驾驶人意图提前预测，显著提升了交通车意图提前预测时间，通过构建动态行车安全场，建立基于时空耦合类人态势认知的换道可行性分析模型，将考虑驾驶行为生成机理的驾驶人意图预测模型和数据驱动的车辆行为识别模型进行结果级融合，在延长意图提前识别时间的同时，保证意图识别准确性，对智能汽车决策规划系统开发具有重要意义。

技术领域

本发明涉及一种面向智能汽车的交通车意图识别方法，特别涉及一种基于驾驶行为生成机制的数据机理并行交通车意图识别方法。

背景技术

近年来，随着汽车智能化技术的不断进步，工业界和学术界对于高等级自动驾驶系统的需求日益迫切。相比于目前日趋成熟的先进驾驶员辅助系统，高等级自动驾驶系统所面临的交通场景和驾驶任务更加复杂，为应对复杂交通态势下的自动驾驶任务，要求智能汽车必须具备对周围相关交通态势的感知和认知能力，而实现对交通车的意图识别是其中的重要内容。

目前对于交通车的意图识别的方法普遍采用机理建模和数据驱动两类。机理建模通常利用车辆运动学模型或人为制定的规则识别交通车行为；数据驱动方法则将意图识别视为机器学习中的分类问题，通过学习型算法构建意图分类器。但是目前还鲜有车辆能够搭载成熟稳定的交通车意图识别系统，现有的实现方法存在以下问题：

1.基于机理建模的方法只能够识别交通车已经发生的驾驶行为，因为该方法完成识别的先决条件是被识别对象的某种驾驶行为已经在运动学上显著，而识别交通车已经发生的驾驶行为对于智能汽车的决策规划系统的参考价值有限，最具参考价值的信息应当是在交通车产生该行为之前对其驾驶员意图的提前预判。

2.数据驱动方法普遍通过完全黑盒化的模型从被识别交通车及其周围相关车辆的基础运动学信息中提取车间的隐式交互依赖关系，再通过学习类算法对数据的时序关系进行处理，这样的架构被证明能够实现较高精度的意图识别，但模型效果受训练数据质量和体量影响较大，且由于不同驾驶人在相同交通态势下所做出行为决策的差异性以及非理智的驾驶行为，导致自然驾驶数据中存在着异质性的车间交互和依赖关系，这使得完全黑盒化的模型在部分场景中的泛化能力可能不如机理模型稳定，且不具备良好的可解释性。

3.对交通车驾驶员意图的提前预判要求识别系统能够站在被识别对象的角度，明确其与周围相关车辆的交互模式以及驾驶人驾驶行为的深层生成机理，但实际上车间存在着极其复杂的显、隐式交互耦合关系，驾驶人驾驶行为生成机制目前也尚不明确，无论是机理模型还是数据驱动方法均难以对其进行具有高可解释性的有效描述，也鲜有研究从驾驶行为生成机制角度出发构建交通车意图识别系统，因此交通车意图的提前预判时间和提前预判准确率始终不令人满意。

发明内容

为了解决上述技术问题，本发明提供一种基于驾驶行为生成机制的交通车意图识别方法，包括以下步骤：

(一)利用智能汽车本身搭载的毫米波雷达、角雷达、摄像头、激光雷达等传感器采集交通车实时运动学信息，包括自车周围交通车的纵侧向位置信息、纵侧向速度信息、纵侧向加速度信息以及所在车道信息；采集的交通车实时运动学信息分为被识别车辆PV的实时运动学信息和PV周围相关交通车SVs的实时运动学信息，并分别暂存在存储器中以供算法的后续使用；

(二)车辆运动轨迹预测接收存储器输出的PV历史运动学信息和SVs的历史运动学信息，所述的车辆运动轨迹预测包括PV驾驶行为预期运动轨迹预测和SVs运动轨迹预测；PV驾驶行为预期运动轨迹预测基于PV历史运动学信息输出PV在预测时间窗内的运动轨迹预测值，SVs运动轨迹预测基于SVs历史运动学信息输出SVs在预测时间窗内的运动轨迹预测值；