[发明专利]一种基于注意力机制的车辆换道预测方法

说明书

本发明公开了一种基于注意力机制的车辆换道预测方法，包括如下步骤：步骤1：获取本车以及本车周围车辆的数据信息；步骤2：根据步骤1获取的数据信息，构建神经网络输入特征；其中，输入特征包括目标车特征、动态环境信息和静态环境信息；步骤3：根据步骤2构建的神经网络输入特征，搭建基于注意力机制的神经网络模型；步骤4：训练步骤3搭建的神经网络模型；步骤5：利用步骤4训练后的神经网络模型对目标车辆进行换道预测。本发明所述方法不仅考虑了目标车辆及周围环境的静态特征，同时引入注意力机制考虑了预测目标与周边车辆、历史状态的交互行为，能够很好的适应复杂路况，更好的对目标换道进行预测。

技术领域

本发明涉及自动驾驶技术领域，具体涉及一种基于注意力机制的车辆换道预测方法。

背景技术

人工智能技术是实现汽车完全自动驾驶的关键技术，并在自动驾驶的感知、认知、决策、规划各个环节中迎来越发广泛的应用。车辆换道预测为路径规划、自适应巡航、碰撞预警等功能提供了重要的信息支撑，然而，由于道路场景的复杂性和交通参与者的差异性，采用传统的预测方法难以有效的解决换道预测问题。因此，将人工智能技术应用在车辆换道预测场景上解决预测准确性问题成为近年来相关领域研究的热点。

专利CN113147766A公开了目标车辆的换道预测方法及设备，基于目标车辆的速度和位置，利用两个机器学习模型获取车辆的第一换道概率和第二换道概率，以确认目标车辆换道的可能性。当二者概率均满足预设的阈值条件时，则认为换道预测成功并输出换道概率。但该方法仅采用目标车辆简单的属性信息，对周边车辆的交互关系考虑不全面，且采用多个模型进行集成后输出预测结果，阈值的设定与训练数据和测试场景关联紧密，在实际应用中难以调试达到较优的预测效果。

专利CN111746559A提供了一种前车换道意图预测方法及预测系统，通过建立自车前方的栅格地图，并基于图像分割方法获取前方车辆的位置、车道线、运动状态等信息，在栅格地图上进行表示，利用栅格地图和混合高斯隐马尔可夫模型进行前车换道意图预测。该方法仅针对前车进行预测，且基于前摄像头获取的车辆位置、运动状态信息不够准确，并且该方法同样没有考虑周边车辆的交互关系，仅考虑目标车辆状态进行预测，在参与者较多的交通场景下容易失效。

发明内容

针对现有技术存在的上述不足，本发明的目的在于提供一种基于注意力机制的车辆换道预测方法，以解决现有技术中对目标车辆换道进行预测时对周边车辆考虑不充足、甚至完全没有考虑周边车辆状态的问题。

为了解决上述技术问题，本发明采用如下技术方案：

一种基于注意力机制的车辆换道预测方法，包括如下步骤：

步骤1：获取本车以及本车周围车辆的数据信息；

步骤2：根据步骤1获取的数据信息，构建神经网络输入特征；其中，输入特征包括目标车特征、动态环境信息和静态环境信息；

步骤3：根据步骤2构建的神经网络输入特征，搭建基于注意力机制的神经网络模型；

步骤4：训练步骤3搭建的神经网络模型；

步骤5：利用步骤4训练后的神经网络模型对目标车辆进行换道预测。

与现有技术相比，本发明具有如下有益效果：

1、本发明通过摄像头、雷达等传感器模块获取自车周边车辆信息及环境信息，并采集本车速度、加速度等状态信息，采用感知融合及目标跟踪算法获取周车相对位置、车道线相对距离、所在车道等信息后，构建目标车特征、动态环境信息、静态环境信息等三类特征，每类特征采用循环神经网络如LSTM单元进行编码后针对特征类别和时域特征引入注意力机制计算特征权重，最终对加权后的编码向量进行解码后输出目标车辆的行为概率，即左换道、直行、右换道三类行为。