CN114889608A

CN114889608A - 一种基于注意力机制的车辆换道预测方法

Info

Publication number: CN114889608A
Application number: CN202210520205.7A
Authority: CN
Inventors: 肖友; 尹旭
Original assignee: Chongqing Changan Automobile Co Ltd
Current assignee: Chongqing Changan Automobile Co Ltd
Priority date: 2022-05-12
Filing date: 2022-05-12
Publication date: 2022-08-12

Abstract

本发明公开了一种基于注意力机制的车辆换道预测方法，包括如下步骤：步骤1：获取本车以及本车周围车辆的数据信息；步骤2：根据步骤1获取的数据信息，构建神经网络输入特征；其中，输入特征包括目标车特征、动态环境信息和静态环境信息；步骤3：根据步骤2构建的神经网络输入特征，搭建基于注意力机制的神经网络模型；步骤4：训练步骤3搭建的神经网络模型；步骤5：利用步骤4训练后的神经网络模型对目标车辆进行换道预测。本发明所述方法不仅考虑了目标车辆及周围环境的静态特征，同时引入注意力机制考虑了预测目标与周边车辆、历史状态的交互行为，能够很好的适应复杂路况，更好的对目标换道进行预测。

Description

一种基于注意力机制的车辆换道预测方法

技术领域

本发明涉及自动驾驶技术领域，具体涉及一种基于注意力机制的车辆换道预测方法。

背景技术

人工智能技术是实现汽车完全自动驾驶的关键技术，并在自动驾驶的感知、认知、决策、规划各个环节中迎来越发广泛的应用。车辆换道预测为路径规划、自适应巡航、碰撞预警等功能提供了重要的信息支撑，然而，由于道路场景的复杂性和交通参与者的差异性，采用传统的预测方法难以有效的解决换道预测问题。因此，将人工智能技术应用在车辆换道预测场景上解决预测准确性问题成为近年来相关领域研究的热点。

专利CN113147766A公开了目标车辆的换道预测方法及设备，基于目标车辆的速度和位置，利用两个机器学习模型获取车辆的第一换道概率和第二换道概率，以确认目标车辆换道的可能性。当二者概率均满足预设的阈值条件时，则认为换道预测成功并输出换道概率。但该方法仅采用目标车辆简单的属性信息，对周边车辆的交互关系考虑不全面，且采用多个模型进行集成后输出预测结果，阈值的设定与训练数据和测试场景关联紧密，在实际应用中难以调试达到较优的预测效果。

专利CN111746559A提供了一种前车换道意图预测方法及预测系统，通过建立自车前方的栅格地图，并基于图像分割方法获取前方车辆的位置、车道线、运动状态等信息，在栅格地图上进行表示，利用栅格地图和混合高斯隐马尔可夫模型进行前车换道意图预测。该方法仅针对前车进行预测，且基于前摄像头获取的车辆位置、运动状态信息不够准确，并且该方法同样没有考虑周边车辆的交互关系，仅考虑目标车辆状态进行预测，在参与者较多的交通场景下容易失效。

发明内容

针对现有技术存在的上述不足，本发明的目的在于提供一种基于注意力机制的车辆换道预测方法，以解决现有技术中对目标车辆换道进行预测时对周边车辆考虑不充足、甚至完全没有考虑周边车辆状态的问题。

为了解决上述技术问题，本发明采用如下技术方案：

一种基于注意力机制的车辆换道预测方法，包括如下步骤：

步骤1：获取本车以及本车周围车辆的数据信息；

步骤2：根据步骤1获取的数据信息，构建神经网络输入特征；其中，输入特征包括目标车特征、动态环境信息和静态环境信息；

步骤3：根据步骤2构建的神经网络输入特征，搭建基于注意力机制的神经网络模型；

步骤4：训练步骤3搭建的神经网络模型；

步骤5：利用步骤4训练后的神经网络模型对目标车辆进行换道预测。

与现有技术相比，本发明具有如下有益效果：

1、本发明通过摄像头、雷达等传感器模块获取自车周边车辆信息及环境信息，并采集本车速度、加速度等状态信息，采用感知融合及目标跟踪算法获取周车相对位置、车道线相对距离、所在车道等信息后，构建目标车特征、动态环境信息、静态环境信息等三类特征，每类特征采用循环神经网络如LSTM单元进行编码后针对特征类别和时域特征引入注意力机制计算特征权重，最终对加权后的编码向量进行解码后输出目标车辆的行为概率，即左换道、直行、右换道三类行为。

2、本发明所述方法一方面考虑了目标车辆及周围环境的静态特征，同时引入注意力机制考虑了预测目标与周边车辆、历史状态的交互行为，能够很好的适应复杂路况，在对目标车辆进行换道预测的同时还能及时兼顾周边车辆的状态，能够更好的对目标换道进行预测，提升了自动驾驶的安全性。

附图说明

图1为本发明换道预测整体流程图。

具体实施方式

为了使本发明的实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明提供了一种基于注意力机制的车辆换道预测方法，包括如下步骤：

步骤1：获取本车以及本车周围车辆的数据信息。其中，通过车载摄像设备、雷达以及传感器获取本车以及周边车辆的状态数据信息，比如利用本车上的摄像头、毫米波、激光雷达、GPS等传感器模块，获取本车状态如速度、加速度、航向角、定位、地图及道路信息、周边车辆等动静态信息，利用感知融合以及目标检测与跟踪算法识别周边车辆和道路信息，获取本车与周边车辆相对位置信息。

步骤2：根据步骤1获取的数据信息，构建神经网络输入特征；其中，输入特征包括目标车特征、动态环境信息和静态环境信息。所述目标车特征包括目标车自身的位置和状态信息，目标车自身的位置和状态信息包括待预测车辆与车道线的横向距离、横向速度、纵向速度、横向加速度、航向角等。所述动态环境信息包括目标车周边车辆的状态信息，周边车辆根据正前方、左前方、右前方、正后方、左后方、右后方进行划分，所述目标车周边车辆的状态信息包括车辆与目标车辆的相对位置和相对速度等。所述静态环境信息包括目标车及其周围的道路信息，道路信息包括目标车周围的道路信息，如目标车辆所在车道、有无匝道、有无路口等特征。在构建特征时采用独热编码进行构建，将三个输入特征联合为最终模型输入：

F_all＝(F_target，F_de，F_se)；

其中，F_target为目标车特征；F_de为动态环境信息；F_se为静态环境信息。

步骤3：根据步骤2构建的神经网络输入特征，搭建基于注意力机制的神经网络模型。其中，对每一个输入特征采用循环神经网络进行编码，然后基于前序时间步的注意力机制计算时间注意力权重值β_i，再基于不同特征的注意力机制计算该特征的注意力权重值γ_i，基于β_i、γ_i计算加权后的编码向量，并采用循环神经网络单元进行解码，输出目标车辆的行为概率。在实际使用时，分别对每类特征采用单独的循环神经网络单元进行编码，其中循环神经网络可选用常用类别如GRU、LSTM单元进行构建，不同的循环神经网络根据步骤2构建的神经网络输入特征可以采用不同的算法实现对目标车辆行为的预测。

以LSTM单元编码为例，

其中F代表步骤2中构建的三种输入特征之一，h代表隐层状态，c代表记忆单元。将三种特征编码结果拼接后得到特征向量：

另一方面，采用全连接层对三种特征进行嵌入编码，计算编码向量：

E_Ft＝W_EF_t+b_E；

注意力计算函数ψ采用加型模型可表示为：

ψ(W，v，Q，K)＝v^Ttanh(W[Q；K])；

其中W、v为网络参数，Q、K分别为注意力机制中的query和key。以u_t作为query、E_Ft作为key计算特征类别注意力权重值β_i：

β_t＝ψ(W_Fu，v_Fu，u_t，E_Ft)；

同理，以u_t作为query、concat([E_Fi])作为key计算特征类别注意力权重值γ_i：

γ_i＝ψ(W_Fu，v_Fu，u_t，concat([E_Fi]))；

其中，concat([E_Fi])代表在i时间步时三种特征编码向量的拼接向量。分别对β_t、γ_i进行softmax层处理后即可得到对应的注意力权值矩阵，计算加权特征向量后与u_t拼接得到最终的编码向量，然后对编码向量进行解码即可输出目标车辆的行为概率。

步骤4：训练步骤3搭建的神经网络模型，利用梯度下降法对所述神经网络模型进行训练。

步骤5：利用步骤4训练后的神经网络模型对目标车辆进行换道预测。模型训练完成后，在测试数据上对模型进行验证和测试。

本发明提供一种基于注意力机制的车辆换道预测方法，该方法通过摄像头、雷达等传感器模块获取自车周边车辆信息及环境信息，并采集本车速度、加速度等状态信息，采用感知融合及目标跟踪算法获取周车相对位置、车道线相对距离、所在车道等信息后，构建目标车特征、动态环境信息、静态环境信息等三类特征，每类特征采用循环神经网络如LSTM单元进行编码后针对特征类别和时域特征引入注意力机制计算特征权重，最终对加权后的编码向量进行解码后输出目标车辆的行为概率，即左换道、直行、右换道三类行为。本发明一方面考虑了目标车辆及周围环境的静态特征，同时引入注意力机制考虑了预测目标与周边车辆、历史状态的交互行为，能够更好的对目标换道进行预测。

如上所述，本发明的提醒系统不限于所述配置，其他可以实现本发明的实施例的系统均可落入本发明所保护的范围内。

最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。

Claims

1.一种基于注意力机制的车辆换道预测方法，其特征在于，包括如下步骤：

步骤1：获取本车以及本车周围车辆的数据信息；

步骤4：训练步骤3搭建的神经网络模型；

2.根据权利要求1所述基于注意力机制的车辆换道预测方法，其特征在于，在步骤1中，通过车载摄像设备、雷达以及传感器获取本车以及周边车辆的状态数据信息。

3.根据权利要求2所述基于注意力机制的车辆换道预测方法，其特征在于，利用感知融合以及目标检测与跟踪算法识别周边车辆和道路信息，获取本车与周边车辆相对位置信息。

4.根据权利要求1所述基于注意力机制的车辆换道预测方法，其特征在于，在步骤2中，所述目标车特征包括目标车自身的位置和状态信息；所述动态环境信息包括目标车周边车辆的状态信息；所述静态环境信息包括目标车及其周围的道路信息。

5.根据权利要求4所述基于注意力机制的车辆换道预测方法，其特征在于，所述目标车自身的位置和状态信息包括待预测车辆与车道线的横向距离、横向速度、纵向速度、横向加速度、航向角；所述动态环境信息中周边车辆根据正前方、左前方、右前方、正后方、左后方、右后方进行划分，所述目标车周边车辆的状态信息包括车辆与目标车辆的相对位置和相对速度；所述道路信息包括车辆所在车道、有无匝道、有无路口。

6.根据权利要求1所述基于注意力机制的车辆换道预测方法，其特征在于，在步骤2中，在构建特征时采用独热编码进行构建，将三个输入特征联合为最终模型输入：

F_all＝(F_target,F_de,F_se)；

7.根据权利要求1所述基于注意力机制的车辆换道预测方法，其特征在于，在步骤3中，对每一个输入特征采用循环神经网络进行编码，然后基于前序时间步的注意力机制计算时间注意力权重值β_i，再基于不同特征的注意力机制计算该特征的注意力权重值γ_i，基于β_i、γ_i计算加权后的编码向量，并采用循环神经网络单元进行解码，输出目标车辆的行为概率。

8.根据权利要求1所述基于注意力机制的车辆换道预测方法，其特征在于，在步骤4中，采用梯度下降法对搭建的神经网络模型进行训练。