一种危险换道驾驶行为预测预警系统及其方法技术方案

本发明专利技术涉及一种危险换道驾驶行为预测预警系统及其方法，该方法包括：采集驾驶员的历史生理信号、采集历史方向盘转向角数据、获取历史周围环境信息，以此构造输入矩阵，并作为训练样本对深度学习模型进行训练，构建换道行为预测模型；再实时采集驾驶员的生理信号、方向盘转向角数据，实时获取周围环境信息，并输入换道行为预测模型，得到当前换道意图；根据当前目标车辆和周围车辆的状态信息，预测所有车辆的未来运动轨迹，结合当前换道意图，确定出当前换道风险，并进行相应的预警提示。与现有技术相比，本发明专利技术能够在较短时间内更好地预测出换道意图，并结合未来运动轨迹进行换道风险判断，能够准确、及时地预测出危险换道行为并进行相应预警。并进行相应预警。并进行相应预警。

【技术实现步骤摘要】
一种危险换道驾驶行为预测预警系统及其方法


[0001]本专利技术涉及智能驾驶
，尤其是涉及一种危险换道驾驶行为预测预警系统及其方法。

技术介绍

[0002]随着当前汽车保有量不断增加，交通事故也呈逐年上升的态势，研究发现，在这些交通事故中，引发交通事故的最主要原因是驾驶员的不当操作和周围车辆环境的变化，而在驾驶员的所有操作中，车辆换道对车流稳定性的影响最大。因此，执行换道行为时有必要提前对该换道行为进行危险预判，以确保车辆换道的安全性，避免发生由于危险换道导致的交通事故。
[0003]传统针对驾驶员危险行为的识别，主要是基于视频图像处理技术，但是受限于摄像机的物理特性，拍摄的图像很容易受到光照和光线的影响，当车内环境较复杂时(如出现多个人脸)，由于缺少筛选最重要特征的能力，很难准确地识别驾驶员状态；并且图像处理技术算法复杂度较高。另外一种是通过使用眼动仪检测驾驶员眼球的转动(看后视镜的动作)来识别驾驶员换道行为的方法，但此方法在真实驾驶场景中会影响驾驶员的驾驶操作，违背伦理且存在安全隐患。
[0004]此外，在现有的高级辅助驾驶系统中，虽然能够利用数学模型实时地对换道环境进行检测，当检测到有其他车辆进入盲区时，监测系统会自动对方向盘进行相应调整，降低碰撞发生概率，但是这种预测方式只能得出当前的行驶环境是否适合车辆换道的结论，而驾驶员是否按照此预测结果执行是无法判断的。换言之，现有对周围车辆运动预测的方法主要是基于物理的方式，而完全忽略了驾驶员的意图。
[0005]现有技术还借助深度学习算法擅长处理连续时间序列数据的特点，通过大量历史数据样本对模型进行训练，以达到准确预警的效果，但是这种方式存在一个较明显的缺陷：必须要在换道行为发生后一段时间才能准确预测到结果，很难保证预测的实时性。

技术实现思路

[0006]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种危险换道驾驶行为预测预警系统及其方法，能够准确、及时地预测出危险换道行为并进行相应预警。
[0007]本专利技术的目的可以通过以下技术方案来实现：一种危险换道驾驶行为预测预警系统，包括通信连接的预测模块和预警模块，所述预测模块包括生理仪器、方向盘转角传感器以及换道预测单元，所述生理仪器、方向盘转角传感器分别与换道预测单元相连接，所述换道预测单元还与车辆的ADAS(Advanced Driver Assistance System，先进驾驶辅助系统)系统相连接，所述生理仪器用于采集驾驶员的生理信号并传输至换道预测单元；
[0008]所述方向盘转角传感器用于采集方向盘转角数据并传输至换道预测单元；
[0009]所述ADAS系统用于获取周围环境信息并传输至换道预测单元；
[0010]所述换道预测单元基于深度学习算法，结合接收的驾驶员的生理信号、方向盘转
角数据以及周围环境信息，输出得到换道意图并传输至预警模块；
[0011]所述预警模块用于预测目标车辆及周围车辆的未来运动轨迹，结合换道意图以确定出当前换道风险，并进行相应预警。
[0012]一种危险换道驾驶行为预测预警方法，包括以下步骤：
[0013]S1、通过生理仪器采集驾驶员的历史生理信号、通过方向盘转角传感器采集历史方向盘转向角数据、通过ADAS系统获取历史周围环境信息；
[0014]S2、基于步骤S1采集获取的数据，构造输入矩阵，以作为训练样本输入深度学习模型中进行训练，构建得到换道行为预测模型；
[0015]S3、通过生理仪器实时采集驾驶员的生理信号、通过方向盘转角传感器实时采集方向盘转向角数据、通过ADAS系统实时获取周围环境信息；
[0016]S4、将步骤S3采集获取的数据输入换道行为预测模型，输出得到当前换道意图；
[0017]S5、根据当前目标车辆和周围车辆的状态信息，预测得到目标车辆和周围车辆的未来运动轨迹，结合当前换道意图，确定出当前换道风险，并进行相应的预警提示。
[0018]进一步地，所述步骤S1和步骤S3中生理信号包括但不限于心电信号、皮电信号、肌电信号和呼吸率；
[0019]方向盘转向角数据包括方向盘的旋转角度和旋转方向。
[0020]进一步地，所述步骤S1和S3中周围环境信息包括周围车辆位置和周围车辆速度信息。
[0021]进一步地，所述步骤S2具体包括以下步骤：
[0022]S21、基于GRU(Gated Recurrent Unit，门控循环单元)和CNN(Convolutional Neural Network，卷积神经网络)，建立深度学习框架；
[0023]S22、基于步骤S1采集获取的数据，构造出包含目标车辆信息和周围环境信息的输入矩阵，所述目标车辆信息由生理信号和方向盘转向角数据构成；
[0024]S23、将输入矩阵作为训练样本，将换道意图类型作为模型输出，对步骤S21建立的深度学习框架进行训练，构建得到换道行为预测模型。
[0025]进一步地，所述步骤S21中深度学习框架内GRU通过两个门控信号来控制，所述两个门控信号为重置门控和更新门控，所述GRU的具体工作过程为：
[0026]首先使用重置门得到重置之后的数据：
[0027]h
t
‑1'＝h
t
‑1⊙
r
[0028]其中，r是重置门控，
⊙
代表矩阵中对应元素相乘；
[0029]之后将h
t
‑1'与输入x
t
进行拼接，再通过一个tanh激活函数将数据缩放到[
‑
1,1]，得到h'，最后通过更新门控z更新表达式得到输出：
[0030]h
t
＝(1
‑
z)
⊙
h
t
‑1+z
⊙
h'
[0031]其中，x
t
为各时刻的输入数据，由周围车辆轨迹和换道意图概率的结果组成，(1
‑
z)
⊙
h
t
‑1表示对原本隐藏状态的选择性“遗忘”，z
⊙
h'表示对包含当前节点信息的h'进行选择性“记忆”；
[0032]GRU处理后的数据输出到CNN中，用于特征提取。
[0033]进一步地，所述步骤S21中深度学习框架内CNN采用Resnet18为基础架构，并使用5
×
5卷积核代替设定网络层的3
×
3卷积核，以增大感受野，从而能够提取更多的特征信息。
[0034]进一步地，所述换道意图类型包括左转道、不换道和右换道。
[0035]进一步地，所述步骤S5具体是根据当前目标车辆和周围车辆的状态信息，并结合卡尔曼滤波以及运动学模型，预测得到目标车辆和周围车辆的未来运动轨迹。
[0036]进一步地，所述步骤S5中，在预测得到目标车辆和周围车辆的未来运动轨迹后，结合当前换道意图，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种危险换道驾驶行为预测预警系统，其特征在于，包括通信连接的预测模块和预警模块，所述预测模块包括生理仪器、方向盘转角传感器以及换道预测单元，所述生理仪器、方向盘转角传感器分别与换道预测单元相连接，所述换道预测单元还与车辆的ADAS系统相连接，所述生理仪器用于采集驾驶员的生理信号并传输至换道预测单元；所述方向盘转角传感器用于采集方向盘转角数据并传输至换道预测单元；所述ADAS系统用于获取周围环境信息并传输至换道预测单元；所述换道预测单元基于深度学习算法，结合接收的驾驶员的生理信号、方向盘转角数据以及周围环境信息，输出得到换道意图并传输至预警模块；所述预警模块用于预测目标车辆及周围车辆的未来运动轨迹，结合换道意图以确定出当前换道风险，并进行相应预警。2.一种危险换道驾驶行为预测预警方法，其特征在于，包括以下步骤：S1、通过生理仪器采集驾驶员的历史生理信号、通过方向盘转角传感器采集历史方向盘转向角数据、通过ADAS系统获取历史周围环境信息；S2、基于步骤S1采集获取的数据，构造输入矩阵，以作为训练样本输入深度学习模型中进行训练，构建得到换道行为预测模型；S3、通过生理仪器实时采集驾驶员的生理信号、通过方向盘转角传感器实时采集方向盘转向角数据、通过ADAS系统实时获取周围环境信息；S4、将步骤S3采集获取的数据输入换道行为预测模型，输出得到当前换道意图；S5、根据当前目标车辆和周围车辆的状态信息，预测得到目标车辆和周围车辆的未来运动轨迹，结合当前换道意图，确定出当前换道风险，并进行相应的预警提示。3.根据权利要求2所述的一种危险换道驾驶行为预测预警方法，其特征在于，所述步骤S1和步骤S3中生理信号包括但不限于心电信号、皮电信号、肌电信号和呼吸率；方向盘转向角数据包括方向盘的旋转角度和旋转方向。4.根据权利要求2所述的一种危险换道驾驶行为预测预警方法，其特征在于，所述步骤S1和S3中周围环境信息包括周围车辆位置和周围车辆速度信息。5.根据权利要求2所述的一种危险换道驾驶行为预测预警方法，其特征在于，所述步骤S2具体包括以下步骤：S21、基于GRU和CNN，建立深度学习框架；S22、基于步骤S1采集获取的数据，构造出包含目标车辆信息和周围环境信息的输入矩阵，所述目标车辆信息由生理信号和方向盘转向角数据构成；S23、将输入矩阵作为训练样本，将换道意图类型作为模型输出，对步骤S21建立的深度学习框架进行训练，构建得到换道行为预测模型。6.根据权利要求5...

【专利技术属性】
技术研发人员：王俊骅，傅挺，郑爱林，
申请(专利权)人：同济大学，
类型：发明
国别省市：