多车干扰场景下行为认知驱动的周围车辆轨迹预测方法

本发明涉及智能驾驶，具体涉及多车干扰场景下行为认知驱动的周围车辆轨迹预测方法。

背景技术：

1、城市道路车辆行驶环境复杂，交通参与者行为不确定性较强，常遇周围多车干扰的场景。如在交通流密度较大时，由于周围车辆(数量≥2，接近安全车距范围)驾驶行为和行驶车速的不同，车辆之间的交互作用影响本车的行驶，尤其是路段上有多车干扰的情况，例如，左右临近车道有并行车辆、前方车辆共同影响本车的运行情况。路口多车干扰更为复杂，例如会出现本车直行遇到右转车辆、同时本车左或右侧有并行车辆的情况。可见，城市道路中，在多车干扰的情况下会出现很多复杂的情况影响本车的行驶，因此，对周围车辆的轨迹预测显得更为重要。

2、相关技术中对于周围车辆的轨迹预测，根据车道线确定主车辆的主车道以及相邻车道；基于预设的环境模型，从主车道和相邻车道上确定主车辆周围的目标车辆；获取目标车辆的路径预测类型、预测速度和横向路径特征；根据路径预测类型、预测速度和横向路径特征，分析目标车辆的动机意图类型；基于动机意图类型，对目标车辆的行驶轨迹进行预测。但是相关技术中仅仅根据环境模型确定目标车辆的信息，使得得到的目标车辆的信息并不准确，导致根据目标车辆的信息得到的动机意图类型不够准确，难以充分描述多车干扰交互导致的轨迹不确定性，无法贴合实际情况下周围车辆的运行轨迹。

技术实现思路

1、有鉴于此，本发明提供了一种多车干扰场景下行为认知驱动的周围车辆轨迹预测方法，以解决周围车辆的运行轨迹预测不准确的问题。

2、第一方面，本发明提供了一种多车干扰场景下行为认知驱动的周围车辆轨迹预测方法，包括：根据获取到的城市道路驾驶数据，确定自车的周围车辆中具有主干扰因素的目标车辆；其中，主干扰因素表示在多车干扰的场景下对自车安全驾驶产生直接影响的干扰行为和干扰车辆；根据城市道路驾驶数据，确定第一行为特性和第二行为特性；其中，第一行为特性表示自车在周围车辆的交互干扰行为下，产生的加速度变化、速度变化、方向角、横摆角速度以及行车意图变化中的至少一种；第二行为特性表示目标车辆在行驶过程中产生的加速度变化、速度变化、方向角、横摆角速度以及行车意图变化中的至少一种；根据环境信息和目标车辆的驾驶人状态监测信息，确定目标车辆驾驶行为对应的目标情绪特征；将第一行为特性、第二行为特性、目标车辆驾驶行为对应的目标情绪特征以及获取到的道路几何特征输入至训练完成的周围车辆行为意图模型，得到目标车辆的行为意图；其中，道路几何特征表示道路的静态特征；根据获取到的道路几何特征、道路动态要素、多车交互干扰运动特性以及多车干扰交互意图信息，构建环境动态模型；根据环境动态模型，确定目标车辆的目标路况信息；将行为意图以及目标路况信息输入至训练完成的轨迹预测模型，得到目标车辆的轨迹预测结果，其中，目标路况信息表示道路的动态状况信息。

3、本发明根据获取到的城市道路驾驶数据，确定自车的周围车辆中在多车干扰的场景下对自车安全驾驶产生直接影响的目标车辆，根据城市道路驾驶数据，确定自车的第一行为特性和目标车辆的第二行为特性，根据环境信息和目标车辆的驾驶人状态监测信息，确定目标车辆驾驶行为对应的目标情绪特征，根据第一行为特性、第二行为特性、目标车辆驾驶行为对应的目标情绪特征以及获取到的道路几何特征，得到目标车辆的行为意图。本发明考虑驾驶人情绪特征对行驶意图的影响，建立驾驶人情绪与周围车辆运动变化的表征关系，更准确的推理周围车辆行驶意图，本发明将自车的第一行为特性、目标车辆的第二行为特性、目标车辆驾驶行为对应的目标情绪特以及道路几何特征作为对目标车辆的行为意图的影响因素，考虑范围广，由此得到的行为意图更加准确。本发明在面向城市道路多车干扰的交互过程，特别针对多车干扰的周围车辆的交互行为规律，准确地分析确定主干扰因素的周围车辆运动特性和行驶意图。本发明根据获取到的道路几何特征、道路动态要素、多车交互干扰运动特性以及多车干扰交互意图信息，构建环境动态模型；根据环境动态模型，确定目标车辆的目标路况信息，构建动态环境模型时考虑的因素较多，使得目标路况信息更加准确，更加贴合实际路况信息。本发明将行为意图以及目标路况信息输入至训练完成的轨迹预测模型，得到目标车辆的轨迹预测结果，由于行为意图以及目标路况信息更加准确，因此根据行为意图以及目标路况信息得到的轨迹预测结果更加准确，本发明考虑自车和目标车辆的运动特性和目标车辆的驾驶人情绪特征，显著提高多车干扰场景下主干扰因素的目标车辆的轨迹预测精度。

4、在一种可选的实施方式中，根据获取到的城市道路驾驶数据，确定周围车辆中具有主干扰因素的目标车辆，包括：根据城市道路驾驶数据，分析周围车辆的多车干扰行为；其中，多车干扰行为表示周围车辆的驾驶行为和驾驶速度变化时，对自车行驶的影响类型；根据多车干扰行为，确定周围车辆中具有主干扰因素的目标车辆。

5、本发明根据城市道路驾驶数据，分析周围车辆的驾驶行为和驾驶速度变化时，对自车行驶造成影响的多车干扰行为，根据多车干扰行为，确定周围车辆中具有主干扰因素的目标车辆，在周围车辆中选取对自车行驶造成直接影响的车辆为目标车辆，后续主要对目标车辆进行研究，使得目标车辆的轨迹预测结果更加具有代表性。

6、在一种可选的实施方式中，根据城市道路驾驶数据，确定第一行为特性以及第二行为特性，包括：根据多车干扰行为，确定自车的第一行为特性以及目标车辆的第二行为特性。

7、本发明根据多车干扰行为，确定自车的第一行为特性以及目标车辆的第二行为特性，便于后续根据自车的第一行为特性以及目标车辆的第二行为特性对意图行为进行预测。

8、在一种可选的实施方式中，多车干扰行为包括路段行驶时周围车辆干扰、路口行驶时周围车辆干扰以及匝道汇入行驶时周围车辆干扰。

9、在一种可选的实施方式中，根据环境信息和驾驶人状态监测信息，确定目标车辆驾驶行为对应的目标情绪特征，包括：根据环境信息和驾驶人状态监测信息，在预设情绪特征中选取与目标车辆驾驶行为对应的情绪状态对应的目标情绪特征；其中，预设情绪特征中包括多个情绪状态。

10、本发明确定目标车辆驾驶行为对应的情绪状态对应的目标情绪特征，将目标情绪特征作为目标车辆的行为意图确定的因素，更加符合实际情况，得到的行为意图更准确。

11、在一种可选的实施方式中，轨迹预测结果包括目标车辆的车速预测结果和转角预测结果。

12、本发明的轨迹预测结果包括目标车辆的车速预测结果和转角预测结果，更具车速预测结果和转角预测结果实现对目标车辆的纵横两个方面的轨迹的预测，使得轨迹预测结果更准确。

13、在一种可选的实施方式中，多车干扰场景下行为认知驱动的周围车辆轨迹预测方法还包括对周围车辆行为意图模型进行训练的过程，训练周围车辆行为意图模型的过程包括：基于第一预设算法，建立周围车辆行为意图模型；将获取到的城市道路驾驶数据输入至周围车辆行为意图模型，对周围车辆行为意图模型进行训练；其中，周围车辆行为意图模型的输入为城市道路驾驶数据，周围车辆行为意图模型的输出为周围车辆的行为意图信息。

14、本发明根据城市道路驾驶数据对周围车辆行为意图模型进行训练，不断提高周围车辆行为意图模型的准确率，从而在对周围车辆行为意图模型的应用中，预测得到的周围车辆行为意图更加准确。

15、在一种可选的实施方式中，多车干扰场景下行为认知驱动的周围车辆轨迹预测方法还包括：对轨迹预测模型进行训练的过程，训练轨迹预测模型的过程包括：基于第二预设算法，构建轨迹预测模型；将获取到的周围车辆的预设行为意图信息以及预设路况信息输入至轨迹预测模型，对轨迹预测模型进行训练；其中，轨迹预测模型的输入为预设行为意图信息以及预设路况信息，轨迹预测模型的输出为周围车辆的轨迹预测信息。

16、本发明根据预设行为意图信息以及预设路况信息对轨迹预测模型进行训练，不断提高轨迹预测模型的准确率，从而在对轨迹预测模型的应用中，预测得到的轨迹信息更加准确。

17、第二方面，本发明提供了一种轨迹预测模型装置，包括：目标车辆确定模块，用于根据获取到的城市道路驾驶数据，确定自车的周围车辆中具有主干扰因素的目标车辆；其中，主干扰因素表示在多车干扰的场景下对自车安全驾驶产生直接影响的干扰车辆以及干扰行为和干扰车辆；行为特性确定模块，用于根据城市道路驾驶数据，确定第一行为特性和第二行为特性；其中，第一行为特性表示自车在周围车辆的交互干扰行为下，产生的加速度变化、速度变化、方向角、横摆角速度以及行车意图变化中的至少一种；第二行为特性表示目标车辆在行驶过程中产生的加速度变化、速度变化、方向角、横摆角速度以及行车意图变化中的至少一种；情绪特征确定模块，用于根据环境信息和目标车辆的驾驶人状态监测信息，确定目标车辆驾驶行为对应的目标情绪特征；行为意图确定模块，用于将第一行为特性、第二行为特性、目标车辆驾驶行为对应的目标情绪特征以及获取到的道路几何特征输入至训练完成的周围车辆行为意图模型，得到目标车辆的行为意图；其中，道路几何特征表示道路的静态特征；目标路况信息确定模块，用于根据获取到的道路几何特征、道路动态要素、多车交互干扰运动特性以及多车干扰交互意图信息，构建环境动态模型；根据环境动态模型，确定目标车辆的目标路况信息；轨迹预测结果确定模块，用于将行为意图以及目标路况信息输入至训练完成的轨迹预测模型，得到目标车辆的轨迹预测结果，其中，目标路况信息表示道路的动态状况信息。