[发明专利]基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法

摘要

本发明属于自动驾驶车辆环境认知与决策技术领域，特别涉及一种基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法。本发明通过车辆自然驾驶数据学习MDBN和GP的参数，利用MDBN融合多个车辆运动学模型，得到短期轨迹预测以及驾驶意图和驾驶特性的估计概率，接着，利用GP进行长期轨迹预测及预测不确定性的表示。该方法既能够考虑车辆物理运动模型下的短期预测特性，又可以考虑车辆驾驶员信息进行长期轨迹预测与不确定性表示，相比于目前的车辆轨迹预测方法，本发明结合了车辆模型、抽象意图和数据驱动，MDBN和GP模型的扩展性强，可以适用不同的驾驶场景，能够结合更多有效的情境信息，比如道路信息、交通信息。

主权项

1.一种基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法，其特征在于：该方法包括如下步骤：步骤1、构建自然驾驶数据库；建立自动驾驶车辆感知系统采集的周围车辆相关序列信息、道路相关序列信息和交通相关序列信息的测试集，以及对上述信息进行驾驶意图和驾驶特性标定的训练集；其中，所述测试集包括混合动态贝叶斯网络的测试集和高斯过程的测试集；所述训练集包括混合动态贝叶斯网络的训练集和高斯过程的训练集；步骤2、采用混合动态贝叶斯网络，得到周围车辆的短期预测轨迹，以及驾驶意图与驾驶特性的估计概率；以驾驶员信息、车辆模型选择和车辆状态信息作为隐层变量，以自动驾驶车辆感知系统采集的周围车辆相关序列信息、道路相关序列信息和交通相关序列信息作为观测层变量，搭建混合动态贝叶斯网络模型；通过后验概率推理得到混合动态贝叶斯网络的输出：基于车辆模型的短期轨迹预测以及驾驶意图与驾驶特性的估计概率，并将该输出作为步骤4的输入；步骤3、建立不同驾驶意图和不同驾驶特性下的高斯过程函数；包含如下步骤：步骤3.1、均值函数和协方差函数的设定以x作为输入，高斯过程函数的表达式如下：f(x)～GP(u(x),Σ(x,x’))其中，均值函数u(x)表示某种驾驶意图下的车辆轨迹趋势，因此均值函数能够用来表示期望预测轨迹；协方差函数Σ(x,x’)既表示不同输入x自身的方差，又表示了(x,x’)间的方差，因此协方差函数能够用来表示期望预测轨迹对应的不确定性；根据不同驾驶意图下的车辆轨迹设定对应的均值函数u(x)；带噪声的均方指数形式表示的协方差函数Σ(x,x’)设定如下：其中，σ_f为信号标准差，l为特征长度，σ_n为观测噪声标准差，δ为克罗内克函数；步骤3.2、高斯过程函数未知参数的学习根据步骤3.1设定的均值函数u(x)和协方差函数Σ(x,x’)，利用步骤1建立的高斯过程的训练集对涉及的未知参数进行学习，根据对数边际似然函数及其对各未知参数的偏导，利用基于梯度的优化算法得到参数学习结果，从而分别建立不同驾驶意图和驾驶特性下的高斯过程函数；步骤4、基于混合动态贝叶斯网络和高斯过程进行长期轨迹预测及其不确定性表示；根据步骤2中混合动态贝叶斯网络输出的驾驶意图和驾驶特性的估计概率，利用最大概率原则确定相应的驾驶意图和驾驶特性，从而根据该驾驶意图和驾驶特性确定步骤3中对应的高斯过程函数；将步骤2中混合动态贝叶斯网络输出的基于车辆模型的短期预测轨迹作为车辆轨迹序列信息x₁，预测的未来轨迹为x₂，则(x₁,x₂)服从的高斯分布如下:其中，表示正态函数；x₁与x₂各自对应的均值函数分别为u₁和u₂；协方差矩阵Σ为对称矩阵，即Σ＝Σ^T，x₁与x₂各自对应的协方差函数分别为Σ₁₁和Σ₂₂，x₁和x₂间对应的协方差函数为Σ₁₂、Σ₂₁，且∑₁₂＝∑₂₁^T；则已知车辆轨迹x₁下的车辆未来可能轨迹x₂的条件概率P(x₂|x₁)服从的高斯分布表达式如下：其中，u_2|1和Σ_2|1是变量x_2|1对应的均值函数和协方差函数，且(u_2|1,Σ_2|1)的表达式由下式推导得到：u_2|1＝u₂+Σ₁₂^TΣ₁₁^‑1(x₁‑u₁)Σ_2|1＝Σ₂₂‑Σ₁₂^TΣ₁₁^‑1Σ₁₂最终得到利用最大概率原则确定的驾驶意图和驾驶特性下的车辆长时域内的未来轨迹及其不确定性表示。