本申请涉及自动驾驶领域，特别涉及一种车辆切入场景预测方法、装置、车辆及存储介质，其中，方法包括：采集当前车辆周围的多个目标车辆的位置信息；将多个目标车辆的位置信息输入至预先训练的车辆切入场景预测模型，得到多个目标车辆的车辆切入分类结果，其中，车辆切入场景预测模型由训练样本训练多个机器学习模型得到；根据多个目标车辆的车辆切入分类结果得到当前车辆的车辆切入场景预测结果。由此，解决了当前自动驾驶领域的目标车辆切入预测算法实用性低，预测准确性难以保证等问题，提高车辆切入预测的准确性的同时提升用户体验。高车辆切入预测的准确性的同时提升用户体验。高车辆切入预测的准确性的同时提升用户体验。
【技术实现步骤摘要】
车辆切入场景预测方法、装置、车辆及存储介质
[0001]本申请涉及自动驾驶领域，特别涉及一种车辆切入场景预测方法、装置、车辆及存储介质。
技术介绍
[0002]近年来，自动驾驶技术受到工业界和学术界的广泛关注，在实际生活中，交通场景复杂多变，其中车辆切入场景指的是目标车辆在行驶过程中周围车道的车辆突然换道至目标车辆前方从而影响目标车辆行驶的场景，是交通行为中发生事故较多的重点场景，同时也是自动驾驶车辆在算法开发过程中需要关注和应对的重点案例。
[0003]相关技术中，车辆切入场景的预测方法有：通过采集大规模的驾驶场景生成轨迹数据集，构建基于DR
‑
Connect(Digital Receiver
‑
Connect，数字接收机
‑
连接)改进的Bi
‑
LSTM(Behavior Identity
‑
Long Short
‑
Term Memory，行为识别系统
‑
长短期神经网络)网络架构，实现对周围车辆切入轨迹的实时预测；或通过训练数据集的收集单元收集数据，然后采用深度神经网络训练模型进行训练，最后由执行单元通过无线通讯远程获取使用模型进行辅助驾驶。
[0004]然而，该方法实用性低，不便用于车端的部署，也不适用于对实时性要求较高的自动驾驶应用场景，并且预测的准确性难以保证，亟待解决。
技术实现思路
[0005]本申请提供一种车辆切入场景预测方法、装置、车辆及存储介质，以解决当前自动驾驶领域的目标车辆切入预测算法实用性低，预测准确性难以保证等问题，提高车辆切入预测的准确性的同时提升用户体验。
[0006]本申请第一方面实施例提供一种车辆切入场景预测方法，包括以下步骤：采集当前车辆周围的多个目标车辆的位置信息；
[0007]将所述多个目标车辆的位置信息输入至预先训练的车辆切入场景预测模型，得到所述多个目标车辆的车辆切入分类结果，其中，所述车辆切入场景预测模型由训练样本训练多个机器学习模型得到；以及
[0008]根据所述多个目标车辆的车辆切入分类结果得到所述当前车辆的车辆切入场景预测结果。
[0009]根据上述技术手段，本申请能够实现自动驾驶领域的目标车辆切入预测，有较高的车辆切入预测的准确性，同时满足数据算法模型的工程化应用需求。
[0010]进一步地，在将所述多个目标车辆的位置信息输入至所述预先训练的车辆切入场景预测模型之前，还包括：
[0011]获取目标训练车辆周围的多个待训练车辆的位置信息；
[0012]根据所述多个待训练车辆的位置信息生成所述训练样本；
[0013]利用所述训练样本分别训练所述多个机器学习模型，得到所述车辆切入场景预测
模型。
[0014]根据上述技术手段，本申请通过构建车辆切入场景预测模型，实现自动驾驶领域的目标车辆的切入预测。
[0015]进一步地，所述利用所述训练样本分别训练所述多个机器学习模型，得到所述车辆切入场景预测模型，包括：
[0016]将所述训练样本输入至所述多个机器学习模型，得到每个机器学习模型对车辆切入场景的预测结果；
[0017]基于预设的融合策略，将所述每个机器学习模型对车辆切入场景的预测结果融合得到最终预测结果，以根据所述训练样本和所述最终预测结果得到所述车辆切入场景预测模型。
[0018]根据上述技术手段，本申请基于融合策略将车辆切入场景的预测结果进行融合得到最终预测结果，提高车辆切入的预测准确性。
[0019]进一步地，所述根据所述多个待训练车辆的位置信息生成所述训练样本，包括：
[0020]将所述多个待训练车辆按照所述多个待训练车辆的位置信息进行划分，筛选出满足预设切入条件的待训练车辆；
[0021]将所述满足预设切入条件的待训练车辆作为所述训练样本。
[0022]根据上述技术手段，本申请生成的训练样本用于构建车辆切入场景预测模型，实现自动驾驶领域的目标车辆的切入预测。
[0023]进一步地，所述多个待训练车辆的位置信息由所述多个待训练车辆和所述目标训练车辆的相对位置对每个待训练车辆进行位置编码得到。
[0024]根据上述技术手段，本申请实施例通过位置编码能够将具备切入可能性的目标车辆筛选出来，从而提高数据样本的有效性。
[0025]本申请第二方面实施例提供一种车辆切入场景预测装置，包括：
[0026]采集模块，用于采集当前车辆周围的多个目标车辆的位置信息；
[0027]输入模块，用于将所述多个目标车辆的位置信息输入至预先训练的车辆切入场景预测模型，得到所述多个目标车辆的车辆切入分类结果，其中，所述车辆切入场景预测模型由训练样本训练多个机器学习模型得到；以及
[0028]预测模块，用于根据所述多个目标车辆的车辆切入分类结果得到所述当前车辆的车辆切入场景预测结果。
[0029]进一步地，在将所述多个目标车辆的位置信息输入至所述预先训练的车辆切入场景预测模型之前，所述输入模块，还用于：
[0030]获取目标训练车辆周围的多个待训练车辆的位置信息；
[0031]根据所述多个待训练车辆的位置信息生成所述训练样本；
[0032]利用所述训练样本分别训练所述多个机器学习模型，得到所述车辆切入场景预测模型。
[0033]进一步地，所述利用所述训练样本分别训练所述多个机器学习模型，得到所述车辆切入场景预测模型，所述输入模块，具体用于：
[0034]将所述训练样本输入至所述多个机器学习模型，得到每个机器学习模型对车辆切入场景的预测结果；
[0035]基于预设的融合策略，将所述每个机器学习模型对车辆切入场景的预测结果融合得到最终预测结果，以根据所述训练样本和所述最终预测结果得到所述车辆切入场景预测模型。
[0036]进一步地，所述根据所述多个待训练车辆的位置信息生成所述训练样本，所述输入模块，具体用于：
[0037]将所述多个待训练车辆按照所述多个待训练车辆的位置信息进行划分，筛选出满足预设切入条件的待训练车辆；
[0038]将所述满足预设切入条件的待训练车辆作为所述训练样本。
[0039]进一步地，所述多个待训练车辆的位置信息由所述多个待训练车辆和所述目标训练车辆的相对位置对每个待训练车辆进行位置编码得到。
[0040]本申请第三方面实施例提供一种车辆，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的车辆切入场景预测方法。
[0041]本申请第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上述实施例所述的车辆切入场景预测方法。
[0042]由此，本申请为实现自动驾驶领域的目标车辆切入预测，同时满足数据算法模型的工程化应用需求，提供一种车辆切入场本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种车辆切入场景预测方法，其特征在于，包括以下步骤：采集当前车辆周围的多个目标车辆的位置信息；将所述多个目标车辆的位置信息输入至预先训练的车辆切入场景预测模型，得到所述多个目标车辆的车辆切入分类结果，其中，所述车辆切入场景预测模型由训练样本训练多个机器学习模型得到；以及根据所述多个目标车辆的车辆切入分类结果得到所述当前车辆的车辆切入场景预测结果。2.根据权利要求1所述的方法，其特征在于，在将所述多个目标车辆的位置信息输入至所述预先训练的车辆切入场景预测模型之前，还包括：获取目标训练车辆周围的多个待训练车辆的位置信息；根据所述多个待训练车辆的位置信息生成所述训练样本；利用所述训练样本分别训练所述多个机器学习模型，得到所述车辆切入场景预测模型。3.根据权利要求2所述的方法，其特征在于，所述利用所述训练样本分别训练所述多个机器学习模型，得到所述车辆切入场景预测模型，包括：将所述训练样本输入至所述多个机器学习模型，得到每个机器学习模型对车辆切入场景的预测结果；基于预设的融合策略，将所述每个机器学习模型对车辆切入场景的预测结果融合得到最终预测结果，以根据所述训练样本和所述最终预测结果得到所述车辆切入场景预测模型。4.根据权利要求2所述的方法，其特征在于，所述根据所述多个待训练车辆的位置信息生成所述训练样本，包括：将所述多个待训练车辆按照所述多个待训练车辆的位置信息进行划分，筛选出满足预设切入条件的待训练车辆；将所述满足预设切入条件的待训练车辆作为所述训练样本。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，所述多个待训练车辆的位置信息由所述多个待训练车辆和所述目标训练车辆的相对位置对每个待训练车辆进行位置编码得到。6.一种车辆切入...
【专利技术属性】
技术研发人员：肖友，邱利宏，杨东方，胡誉文，吕波，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。