一种车辆行为预测方法、系统、设备及存储介质

本发明属于自动驾驶，具体涉及一种车辆行为预测方法、系统、设备及存储介质。

背景技术：

1、基于科技的进步以及人民对更安全、更便捷交通方式的追求，自动驾驶汽车逐渐成为汽车技术的未来发展方向。在自动驾驶汽车中，车辆行为预测作为其核心技术之一，对于提高自动驾驶汽车的安全性、优化路径规划和决策依据以及提高智能化水平等方面具有举足轻重的意义。

2、由于车灯信号检测对于提升道路安全及自动驾驶系统决策非常关键，很多研究者通过对前车尾灯的检测与识别来对车辆行为预测。一些研究者采用yolov3的目标检测算法对前车尾灯进行识别，然而，该方法由于在复杂场景下对小目标的识别效果有限，因此，对前车尾灯的识别效果不够准确。

3、另外，车辆的行为预测并不是一项简单的任务。首先，车辆的行为之间是相互依存的关系，一辆车的行为可能会影响其特殊车辆，反之亦然。因此预测车辆的行为就需要考虑周围汽车的行为。其次，多变的道路以及交通规则的限制可以重塑一个车辆的行为，因此车辆的行为的预测不能只考虑特定的驾驶环境。第三，车辆的未来行为是有多种可能的，这意味着即使给定车辆的运动历史，他也可能存在不止一种的未来行为，例如，车辆在路口减速而不改变行驶方向时，车辆也可能出现转向行为，因此，自动驾驶汽车中的行为预测模块应识别所有可能的未来运动，以使汽车能够可靠地工作。

4、综上所述，由于车辆行为预测是一个复杂的过程，而现有的预测方法在复杂场景中对关键信息的检测能力有限，且在预测时不能综合考虑各方面因素之间的关系，导致车辆行为预测不准确。

技术实现思路

1、为了克服上述现有技术存在的不足，本发明提供了一种车辆行为预测方法，包括如下步骤：

2、获取待测驾驶场景的视频数据；

3、将待测驾驶场景的视频数据输入改进后的yolov5s，使用cbam注意力机制增加输入图像的刹车灯信息权重；使用bifpn结构融合图像中不同层级的特征图，并在每个融合节点引入刹车灯信息权重，得到目标车辆的刹车灯状态；其中，在目标检测模型yolov5s的骨干网络的sppf模块之前引入cbam注意力机制，将目标检测模型yolov5s颈部的panet结构替换为bifpn结构，得到改进后的yolov5s；

4、定义驾驶场景中与车辆行为预测相关的多个本体类型，并确定多个本体类型之间的关系，根据多个本体类型及多个本体类型之间的关系构建预测本体模型；

5、根据刹车灯状态及车辆行为推理规则，在预测本体模型中创建相应实例，使用drools推理引擎进行推理，预测目标车辆未来的行为动态。

6、优选的，所述本体类型包括目标车辆、驾驶环境、刹车灯状态及机动意图；所述驾驶环境包括行驶车道和交通灯状态；机动意图包括转向意图和速度变化。

7、优选的，所述多个本体类型之间的关系，具体为：目标车辆与驾驶环境相关联，表示车辆所处的具体驾驶条件；目标车辆与刹车灯状态相关联，表示车辆的即时减速意图或停车意图；目标车辆与机动意图相关联，表示车辆未来的行驶方向和速度变化。

8、优选的，所述目标车辆推理规则具体如下：

9、规则1：如果目标车辆刹车灯点亮，那么车辆正在减速；

10、规则2：如果目标车辆刹车灯未点亮，那么车辆正在加速或者原速行驶；

11、规则3：如果目标车辆行驶在最左侧车道，那么车辆将左转；

12、规则4：如果目标车辆行驶在最右侧车道，那么车辆将右转；

13、规则5：如果目标车辆行驶在中间车道，那么车辆将直行；

14、规则6：如果目标车辆正在减速且红灯点亮，那么车辆将减速至停车；

15、规则7：如果目标车辆正在减速且绿灯点亮，那么车辆将减速；

16、规则8：如果目标车辆正在减速且黄灯点亮，那么车辆将减速至停车。

17、优选的，所述将待测驾驶场景的视频数据输入改进后的yolov5s之前，还包括对改进后的yolov5s进行训练，具体为：采集目标车辆在不同时间段、不同路况下的视频数据，并构建数据集，将所述数据集按照8：1：1的比例划分为训练集、验证集和测试集，使用训练集训练改进后的yolov5s的参数；使用验证集调优模型超参数；使用测试集评估改进后的yolov5s的准确性。

18、优选的，所述对改进后的yolov5s进行训练之前，还包括对数据集中的数据进行滤波处理，并对滤波处理后的数据进行标注，为每个目标对象绘制边界框。

19、本发明还提供有一种车辆行为预测系统，包括：

20、数据采集模块，用于获取待测驾驶场景的视频数据；

21、刹车灯状态识别模块，用于将待测驾驶场景的视频数据输入改进后的yolov5s，使用cbam注意力机制增加输入图像的刹车灯信息权重；使用bifpn结构融合图像中不同层级的特征图，并在每个融合节点引入刹车灯信息权重，得到目标车辆的刹车灯状态；其中，在目标检测模型yolov5s的骨干网络的sppf模块之前引入cbam注意力机制，将目标检测模型yolov5s颈部的panet结构替换为bifpn结构，得到改进后的yolov5s

22、预测本体模型构建模块，用于定义驾驶场景中与车辆行为预测相关的多个本体类型，并确定多个本体类型之间的关系，根据多个本体类型及多个本体类型之间的关系构建预测本体模型；

23、车辆行为预测模块，用于根据刹车灯状态及车辆行为推理规则，在预测本体模型中创建相应实例，使用drools推理引擎进行推理，预测目标车辆未来的行为动态。

24、本发明还提供有一种计算机设备，包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行所述车辆行为预测方法。

25、本发明还提供有一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序适于处理器进行加载，以执行所述车辆行为预测方法。

26、本发明提供的车辆行为预测方法、系统、设备及存储介质具有以下有益效果：

27、本发明通过在目标检测模型yolov5s的骨干网络的sppf模块之前引入cbam注意力机制，能够增加输入的图像中的刹车灯信息的权重，从而增强模型在复杂场景与小目标的识别上的特征提取与检测能力，通过将yolov5s中的panet替换为bifpn，能够更好地利用多层级的特征信息，从而更精确地探测不同大小和尺度的目标，实现对前车灯光信号的准确提取；

28、本发明通过定义驾驶场景中与车辆行为预测相关的多个本体类型，并确定多个本体类型之间的关系，根据多个本体类型及多个本体类型之间的关系构建预测本体模型，从而将灯语信息中的实体、属性和关系进行结构化表示；本发明通过与本体推理引擎相结合能够增强预测结果的可解释性和可靠性，提高车辆行为预测的准确性。

技术特征：

1.一种车辆行为预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的车辆行为预测方法，其特征在于，所述本体类型包括目标车辆、驾驶环境、刹车灯状态及机动意图；所述驾驶环境包括行驶车道和交通灯状态；机动意图包括转向意图和速度变化。

3.根据权利要求2所述的车辆行为预测方法，其特征在于，所述多个本体类型之间的关系，具体为：目标车辆与驾驶环境相关联，表示车辆所处的具体驾驶条件；目标车辆与刹车灯状态相关联，表示车辆的即时减速意图或停车意图；目标车辆与机动意图相关联，表示车辆未来的行驶方向和速度变化。

4.根据权利要求2所述的车辆行为预测方法，其特征在于，所述目标车辆推理规则具体如下：

5.根据权利要求1所述的车辆行为预测方法，其特征在于，所述将待测驾驶场景的视频数据输入改进后的yolov5s之前，还包括对改进后的yolov5s进行训练，具体为：采集目标车辆在不同时间段、不同路况下的视频数据，并构建数据集，将所述数据集按照8：1：1的比例划分为训练集、验证集和测试集，使用训练集训练改进后的yolov5s的参数；使用验证集调优模型超参数；使用测试集评估改进后的yolov5s的准确性。

6.根据权利要求5所述的车辆行为预测方法，其特征在于，所述对改进后的yolov5s进行训练之前，还包括对数据集中的数据进行滤波处理，并对滤波处理后的数据进行标注，为每个目标对象绘制边界框。

7.一种车辆行为预测系统，其特征在于，包括：

8.一种计算机设备，其特征在于，包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行权利要求1-6任一项所述的车辆行为预测方法。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序适于处理器进行加载，以执行权利要求1-6任一项所述的车辆行为预测方法。

技术总结本发明提供了一种车辆行为预测方法、系统、设备及存储介质，属于自动驾驶技术领域，其方法包括如下步骤：获取待测驾驶场景的视频数据；在YOLOv5s的骨干网络引入CBAM注意力机制，将模型颈部的PANET结构替换为BIFPN结构，得到改进后的YOLOv5s；将待测驾驶场景的视频数据输入改进后的YOLOv5s，使用CBAM增加图像的刹车灯信息权重；使用BIFPN融合图像中不同层级的特征图，得到目标车辆的刹车灯状态；定义多个本体类型，并确定其之间的关系，得到预测本体模型；制定推理规则，在预测本体模型中创建实例，使用推理引擎进行推理，预测目标车辆未来的行为动态。本发明能够准确预测目标车辆未来的行为动态。技术研发人员：石晓璘,徐小龙,吴旭,刘野,王金秋,李超,张志成受保护的技术使用者：辽宁工业大学技术研发日：技术公布日：2024/11/18