【技术实现步骤摘要】
本申请涉及到智能驾驶、驾驶意图预测、深度学习，特别涉及到一种基于改进transformer模型的车辆驾驶意图预测方法。
技术介绍
1、随着自动驾驶技术的快速发展与应用，自动驾驶车辆将与人类驾驶车辆一起经历复杂的混合交通场景。在该场景中，自动驾驶车辆能够准确预测周围车辆的驾驶意图至关重要，能够有效辅助智能驾驶车辆进行决策和轨迹规划，规避风险，提高驾驶安全性。然而，由于人类意图的不确定性，准确预测车辆的驾驶意图是一个巨大的挑战。
2、近年来，国内外的许多学者验证了概率图模型、机器学习模型、深度学习模型等在车辆驾驶意图预测上的效果，例如：隐马尔科夫模型、贝叶斯模型、支持向量机、cnn、lstm、transformer等模型被应用到车辆的意图预测中。综合来看，现有研究虽然取得了较好的效果，但仍存在一些不足。部分研究的本质是对车辆运动轨迹分类，而不是预测车辆在实际换道前的驾驶意图。部分研究基于滑动窗口扩充数据样本，对于不同时间长度以及不同预测视野条件下的车辆驾驶意图预测还缺乏深入研究。有些研究未能充分挖掘道路环境特征对车辆驾驶意图的约束影响。许多研究使用的历史数据时间长度较长，不适用于自动驾驶车辆仅依靠可视范围短时感知数据进行目标车辆的驾驶意图预测任务。
技术实现思路
1、本专利技术考虑自动驾驶车辆在可视范围内仅能获取到关于目标和环境的短时感知数据这一实际情况，面向自动驾驶感知模块提出了一种基于改进transformer的车辆驾驶意图预测方法，基于深度学习算法提构建了相应的驾驶意
2、本专利技术提供了一种基于改进transformer的车辆驾驶意图预测方法，其特征在于包括以下步骤：
3、步骤1：对数据集进行预处理；将目标车辆记为主车，提取主车和周围车辆的位置与行驶特征，提取道路环境信息；针对周围车辆不满足需求情况，设置虚拟车辆保持数据一致性。
4、步骤2：采取固定时间长度5s从步骤1处理后的数据中提取换道样本和直行样本。重构不同时间长度的样本集，按照4:1分别对各样本集进行训练集和测试集的划分。
5、步骤3：选择主车行驶信息和周车交互信息作为输入，构建基于改进transformer的驾驶意图预测模型，结合选定的输入数据和驾驶意图预测模型对车辆左换道、右换道、保持直行三种驾驶意图进行预测。
6、在步骤1中，数据预处理工作具体为：样本数据的平滑处理；对双向车道的样本数据进行相应的处理；计算每个样本的横向速度、横向加速度、纵向速度、纵向加速度、航向角等特征；剔除速度或加速度不合理的样本。
7、在步骤1中，考虑车载感知设备的感知距离，以主车为中心，将半径100m范围内正前方，左前方、右前方、正后方、左后方、右后方六个方位上距离主车最近且行驶方向相同的车辆视为周围车辆。基于预处理的数据提取主车及其周围车辆的位置和行驶特征；计算主车与周围车辆的横向相对距离和纵向相对距离；计算主车与两侧车道线的距离；提取主车两侧车道的存在状态。
8、在步骤1中，若某一时段内不存在一个或多个周围车辆，则设置虚拟车辆。虚拟车辆的横向速度、横向加速度、纵向加速度均设置为0，横向位置为车道中央位置。若虚拟车辆位于主车前方，纵向速度和与主车纵向距离设为1000m/s和1000m，若虚拟车辆位于主车后面，纵向速度和和与主车纵向距离设为0m/s和-1000m。
9、在步骤2中，对于换道样本，提取换道时刻前5s的数据。对于保持直行样本，随机提取时间长度为5s的数据。左换道、右换道、保持直行三种驾驶意图的样本数量尽可能均匀。以1s为间隔，时间长度分别为1s、2s、3s、4s、5s，对提取的样本集进行重构，得到不同时间长度对应的样本集。按照4:1将样本划分训练集和测试集，按照同样比例将仅有单侧存在相邻车道的样本分配到对应的训练集和测试集中，避免该类型样本分布集中而影响预测效果。训练集用于训练模型，测试集用于评价模型。
10、在步骤3中，所述对车辆的驾驶意图进行预测的具体方法为：
11、(1)以主车轨迹坐标、横向速度、横向加速度、航向角、两侧道路存在状态、主车与两侧车道线相对距离作为行驶信息特征集。以主车与周围车辆的横向相对距离和纵向相对距离作为周车交互信息特征集，将这两类特征集作为驾驶意图预测的输入。
12、(2)主车行驶信息和周车交互信息均采用两种嵌入方式。第一种为positionalembedding和embedding，提取信息在不同时间步间的相关性。第二种嵌入方式为embedding，提取所有时间步上各特征之间的相关性。
13、(3)采取双塔并行结构设计预测模型的编码器包括时间步编码模块和特征编码模块。经过positional embedding和embedding的主车行驶信息输入到时间步编码模块；经过embedding的主车行驶信息输入到特征编码模块。分别经过多头注意力计算注意力权重，进行一次残差计算和归一化，然后进入到前馈层，再次进行一次残差计算和归一化，分别输出时间步编码输出和特征编码输出，所得结果输入到解码器中。
14、(4)同样采取双塔并行结构设计预测模型的解码器，包括时间步编码模块和特征编码模块。经过positional embedding和embedding的周车交互信息输入到时间步编码模块；经过embedding的周车交互信息输入到特征编码模块。分别经过第一个多头注意力计算自注意力，然后分别与步骤3得到的结果共同输入到第二个多头注意力层中进行计算，所得结果进行一次残差计算和归一化，然后进入到前馈层，再次进行一次残差计算和归一化，所得结果输入到门控输出模块。
15、(5)采用门控机制学习解码器中每个塔输出结果的权重，对两个塔的输出进行加权拼接，然后利用激活函数为softmax的全连接层进行处理，得到各驾驶意图的概率，选择最大概率对应的驾驶意图为预测结果。
16、本专利技术的有益效果在于：
17、1.本专利技术在考虑主车行驶特征以及主车与周车交互信息的同时，将道路环境信息纳入考虑范围，共考虑主车的轨迹坐标、横向速度、横向加速度、航向角，主车与左侧车道线相对距离，主车与右侧车道线相对距离，左侧车道线存在状态、右侧车道线存在状态、主车与周车之间的横向相对距离和纵向相对距离等特征，拓展了用于驾驶意图预测的特征范围。
18、2.本专利技术中通过处理与重构数据集是为了更加符合自动驾驶车辆依靠车载感知设备仅能获得短时数据这一实际情况。基于此重构的数据集分别能够模拟时间长度为1s、2s、3s、4s、5s的感知数据。将仅有单侧存在车道的样本按比例分配到训练集和测试集中，避免了特定类型样本分布集中而对实验结果产生影响，同时也有利于增强模型的泛化性。
19、3.本发本文档来自技高网...
【技术保护点】
1.一种基于改进transformer模型的车辆驾驶意图识别方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的方法，其特征在于：所述步骤1)中对数据进行预处理，具体为对样本数据的轨迹进行平滑处理；将双向车道的样本数据转换为相同方向；计算每个样本的横向速度、横向加速度、纵向速度、纵向加速度、航向角特征；剔除速度或加速度不合理的样本。
3.如权利要求1所述的方法，其特征在于：所述步骤1)中考虑车载感知设备的感知距离，以主车为中心，将半径100m的范围内正前方，左前方、右前方、正后方、左后方、右后方六个方位上距离主车最近且行驶方向相同的车辆视为周围车辆，基于预处理的数据提取目标车辆及其周围车辆的位置和行驶特征；提取目标车辆与周围车辆的交互信息；提取目标车辆与两侧车道线的距离；提取两侧车道存在状态。
4.如权利要求1所述的方法，其特征在于：所述步骤1)中若某一时段内不存在一个或多个周围车辆，则设置虚拟车辆，虚拟车辆的横向速度、横向加速度、纵向加速度均设置为0，横向位置为车道中央位置，若虚拟车辆位于目标车辆前方，纵向速度和与目标车辆纵向距离
5.如权利要求1所述的方法，其特征在于：所述步骤2)中对于换道样本，提取换道时刻前5s的数据；对于保持直行样本，随机提取时间长度为5s的数据；左换道、右换道、保持直行三种驾驶意图的样本数量均匀，以时间长度1s为间隔，提取长度为1s、2s、3s、4s、5s，对提取的样本集进行重构，得到不同时间长度对应的样本集；按照4:1将样本划分训练集和测试集，按照同样比例将仅有单侧存在相邻车道的样本分配到对应的训练集和测试集中。
6.如权利要求5所述的方法，其特征在于：
7.如权利要求1所述的方法，其特征在于：所述步骤3)中，所述对车辆左换道、右换道、保持直行三种驾驶意图进行预测的具体方法为：
8.一种测试装置，其特征在于：包括一个或多个处理器；
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
...【技术特征摘要】
1.一种基于改进transformer模型的车辆驾驶意图识别方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的方法，其特征在于：所述步骤1)中对数据进行预处理，具体为对样本数据的轨迹进行平滑处理；将双向车道的样本数据转换为相同方向；计算每个样本的横向速度、横向加速度、纵向速度、纵向加速度、航向角特征；剔除速度或加速度不合理的样本。
3.如权利要求1所述的方法，其特征在于：所述步骤1)中考虑车载感知设备的感知距离，以主车为中心，将半径100m的范围内正前方，左前方、右前方、正后方、左后方、右后方六个方位上距离主车最近且行驶方向相同的车辆视为周围车辆，基于预处理的数据提取目标车辆及其周围车辆的位置和行驶特征；提取目标车辆与周围车辆的交互信息；提取目标车辆与两侧车道线的距离；提取两侧车道存在状态。
4.如权利要求1所述的方法，其特征在于：所述步骤1)中若某一时段内不存在一个或多个周围车辆，则设置虚拟车辆，虚拟车辆的横向速度、横向加速度、纵向加速度均设置为0，横向位置为车道中央位置，若虚拟车辆位于目标车辆前方，纵...
【专利技术属性】
技术研发人员：贾洪飞，郭旭亮，黄秋阳，王楠，罗清玉，
申请(专利权)人：吉林大学，
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。