详情

原文传递基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法

专利名称：	基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法
摘要：	本发明属于自动驾驶车辆环境认知与决策技术领域，特别涉及一种基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法。本发明通过车辆自然驾驶数据学习MDBN和GP的参数，利用MDBN融合多个车辆运动学模型，得到短期轨迹预测以及驾驶意图和驾驶特性的估计概率，接着，利用GP进行长期轨迹预测及预测不确定性的表示。该方法既能够考虑车辆物理运动模型下的短期预测特性，又可以考虑车辆驾驶员信息进行长期轨迹预测与不确定性表示，相比于目前的车辆轨迹预测方法，本发明结合了车辆模型、抽象意图和数据驱动，MDBN和GP模型的扩展性强，可以适用不同的驾驶场景，能够结合更多有效的情境信息，比如道路信息、交通信息。
专利类型：	发明专利
国家地区组织代码：	北京;11
申请人：	清华大学
发明人：	罗禹贡;刘金鑫;钟志华;李克强;王庭晗;陈锐;王永胜;徐明畅;于杰
专利状态：	有效
申请日期：	2019-07-04T00:00:00+0800
发布日期：	2019-10-08T00:00:00+0800
申请号：	CN201910598776.0
公开号：	CN110304075A
代理机构：	北京中安信知识产权代理事务所(普通合伙)
代理人：	李彬;徐林
分类号：	B60W50/00(2006.01);B;B60;B60W;B60W50
申请人地址：	100086 北京市海淀区清华大学
主权项：	1.一种基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法，其特征在于：该方法包括如下步骤：步骤1、构建自然驾驶数据库；建立自动驾驶车辆感知系统采集的周围车辆相关序列信息、道路相关序列信息和交通相关序列信息的测试集，以及对上述信息进行驾驶意图和驾驶特性标定的训练集；其中，所述测试集包括混合动态贝叶斯网络的测试集和高斯过程的测试集；所述训练集包括混合动态贝叶斯网络的训练集和高斯过程的训练集；步骤2、采用混合动态贝叶斯网络，得到周围车辆的短期预测轨迹，以及驾驶意图与驾驶特性的估计概率；以驾驶员信息、车辆模型选择和车辆状态信息作为隐层变量，以自动驾驶车辆感知系统采集的周围车辆相关序列信息、道路相关序列信息和交通相关序列信息作为观测层变量，搭建混合动态贝叶斯网络模型；通过后验概率推理得到混合动态贝叶斯网络的输出：基于车辆模型的短期轨迹预测以及驾驶意图与驾驶特性的估计概率，并将该输出作为步骤4的输入；步骤3、建立不同驾驶意图和不同驾驶特性下的高斯过程函数；包含如下步骤：步骤3.1、均值函数和协方差函数的设定以x作为输入，高斯过程函数的表达式如下： f(x)～GP(u(x),Σ(x,x’)) 其中，均值函数u(x)表示某种驾驶意图下的车辆轨迹趋势，因此均值函数能够用来表示期望预测轨迹；协方差函数Σ(x,x’)既表示不同输入x自身的方差，又表示了(x,x’)间的方差，因此协方差函数能够用来表示期望预测轨迹对应的不确定性；根据不同驾驶意图下的车辆轨迹设定对应的均值函数u(x)；带噪声的均方指数形式表示的协方差函数Σ(x,x’)设定如下：其中，σf为信号标准差，l为特征长度，σn为观测噪声标准差，δ为克罗内克函数；步骤3.2、高斯过程函数未知参数的学习根据步骤3.1设定的均值函数u(x)和协方差函数Σ(x,x’)，利用步骤1建立的高斯过程的训练集对涉及的未知参数进行学习，根据对数边际似然函数及其对各未知参数的偏导，利用基于梯度的优化算法得到参数学习结果，从而分别建立不同驾驶意图和驾驶特性下的高斯过程函数；步骤4、基于混合动态贝叶斯网络和高斯过程进行长期轨迹预测及其不确定性表示；根据步骤2中混合动态贝叶斯网络输出的驾驶意图和驾驶特性的估计概率，利用最大概率原则确定相应的驾驶意图和驾驶特性，从而根据该驾驶意图和驾驶特性确定步骤3中对应的高斯过程函数；将步骤2中混合动态贝叶斯网络输出的基于车辆模型的短期预测轨迹作为车辆轨迹序列信息x1，预测的未来轨迹为x2，则(x1,x2)服从的高斯分布如下: 其中，表示正态函数；x1与x2各自对应的均值函数分别为u1和u2；协方差矩阵Σ为对称矩阵，即Σ＝ΣT，x1与x2各自对应的协方差函数分别为Σ11和Σ22，x1和x2间对应的协方差函数为Σ12、Σ21，且∑12＝∑21T；则已知车辆轨迹x1下的车辆未来可能轨迹x2的条件概率P(x2\|x1)服从的高斯分布表达式如下：其中，u2\|1和Σ2\|1是变量x2\|1对应的均值函数和协方差函数，且(u2\|1,Σ2\|1)的表达式由下式推导得到： u2\|1＝u2+Σ12TΣ11-1(x1-u1) Σ2\|1＝Σ22-Σ12TΣ11-1Σ12 最终得到利用最大概率原则确定的驾驶意图和驾驶特性下的车辆长时域内的未来轨迹及其不确定性表示。 2.根据权利要求1所述的基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法，其特征在于：所述步骤1中，所述周围车辆相关序列信息包括车辆位置、车辆速度、车辆加速度、车辆横摆角速度，车辆距道路两侧的距离和车辆左右转向尾灯的开闭情况；所述道路相关序列信息包括道路的结构特征和道路指示标志；所述交通相关序列信息包括周围交通指示标志和交通信号灯状态。 3.根据权利要求1所述的基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法，其特征在于：所述步骤1包括如下步骤： 1.1、驾驶数据的采集采集在正常行驶过程中自动驾驶车辆感知系统的周围车辆相关序列信息、道路相关序列信息和交通相关序列信息； 1.2、驾驶意图分类与标定根据车辆所处场景定义周围车辆可能的驾驶意图；针对每一种可能的驾驶意图，选择用于驾驶意图分类与标定的关键特征参数；然后结合步骤1.1采集到的周围车辆相关序列信息，判定周围车辆在一段时间内的驾驶意图并设定相应的驾驶意图标签；其中，所述车辆所处场景由自动驾驶车辆的智能导航系统获得，车辆所处场景包括高速场景、山路场景、城市正常直行道路场景、城市有交通信号灯交叉路口场景、城市无交通信号灯交叉路口场景；所述驾驶意图包括沿当前道路直行、沿当前道路转弯、左换道、右换道、左转弯、右转弯、掉头、停车与起步；所述用于驾驶意图分类与标定的关键特征参数包括车辆横向位置、车辆横向速度、车辆横摆角速度、车辆距道路两侧的距离和车辆左右转向尾灯开闭情况； 1.3、驾驶特性的分类与标定首先定义周围车辆可能的驾驶特性，选择用于驾驶特性分类与判定的关键特征参数，根据步骤1.1采集到的周围车辆相关序列信息，结合步骤1.2获得的周围车辆在一段时间内的驾驶意图，判定周围车辆在某一驾驶意图下的驾驶特性并设定相应的驾驶特性标签；所述驾驶特性包括缓慢驾驶、平稳驾驶和急促驾驶；所述用于驾驶特性分类与判定的关键特征参数包括车辆纵向速度、车辆横向速度、车辆纵向加速度、车辆横向加速度和车辆横摆角速度； 1.4、训练集与测试集的建立将步骤1.1采集的周围车辆相关序列信息、道路相关序列信息和交通相关序列信息作为混合动态贝叶斯网络MDBN的测试集；取对应于某一驾驶意图和驾驶特性下的车辆横向位置和纵向位置的前段时刻的序列信息作为高斯过程的一个测试集；步骤1.1采集的周围车辆相关序列信息、道路相关序列信息和交通相关序列信息经步骤1.2驾驶意图分类与标定和1.3驾驶特性的分类与标定后，得到混合动态贝叶斯网络MDBN的训练集；根据混合动态贝叶斯网络MDBN的训练集，将对应于某一驾驶意图和驾驶特性下的车辆横向位置和纵向位置的全部序列信息作为高斯过程GP的一个训练集。 4.根据权利要求1所述的基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法，其特征在于：所述步骤2中，所述观测层变量、隐层变量以及两变量间的连接关系，利用自然驾驶数据和改进遗传算法得到；连接关系对应的概率参数通过最大似然法得到。 5.根据权利要求1所述的基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法，其特征在于：所述步骤2中，所述车辆模型包括匀速模型、匀加速模型、匀速转向模型；所述车辆状态信息包括车辆横向位置、车辆横向速度、车辆横向加速度、车辆纵向位置、车辆纵向速度、车辆纵向加速度以及车辆横摆角速度。 6.根据权利要求1所述的基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法，其特征在于：所述步骤2中，所述隐层变量进一步包括其他相关高层隐含变量，所述其他相关高层隐含变量包括车辆和环境的风险评估、车辆间的交互作用；所述观测层变量进一步包括与隐层变量的其他相关高层隐含变量相对应的其他相关底层观测信息。 7.根据权利要求1所述的基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法，其特征在于：所述步骤2具体包括如下步骤： 2.1、定义混合动态贝叶斯网络模型的隐层和观测层节点隐层节点包含三层信息：第一层是驾驶员信息变量D，第二层是车辆模型选择变量M，第三层是车辆状态信息变量S；隐层变量集合H＝{D,M,S}，其中{D,M}为离散变量，{S}为连续变量；观测层节点主要包含一层信息：自动驾驶车辆感知系统采集的周围车辆相关序列信息、道路相关序列信息和交通相关序列信息；观测层变量集合为{O}，且为连续变量； 2.2、网络结构的优化给定变量集{D,M,S,O}和训练集T，通过学习与搜索的方式找到一个最佳匹配此训练集T的网络N＝(B,θ)，且使用一个准则函数作为匹配程度的度量；其中，B表示网络结构，θ表示网络的参数； 2.3、网络节点间的未知参数学习部分隐层变量的条件概率通过数据统计的方法获得，其余隐层和观测量间的条件概率利用步骤1得到的混合动态贝叶斯网络MDBN的训练集进行参数学习，使用最大似然估计法来解决，已知训练样本D下关于网络参数θ的似然函数L(θ)＝logP(D\|θ)，利用基于梯度的优化算法求解最优解 2.4、引入观测层变量下的后验概率推理后验概率指已知观测层变量下隐层变量的概率分布P(H\|O)，即在步骤1得到的混合动态贝叶斯网络MDBN的测试集下，推断相应的驾驶意图、驾驶特性、车辆模型与车辆状态的过程，得到基于车辆模型的短期轨迹预测以及驾驶意图与驾驶特性的估计概率。 8.根据权利要求1所述的基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法，其特征在于：所述步骤2中，所述后验概率推理为一种假定密度滤波近似推理，具体过程如下： 1)预测：用t时刻的概率分布得到t+1时刻的联合概率分布；设t时刻所有离散隐层变量{Mt,Dt}的联合分布为则t+1时刻的离散隐层变量{Mt,Dt,Mt+1,Dt+1}联合分布为: t+1时刻连续隐层变量{St+1}的条件概率为： 2)更新：引入t+1时刻的观测变量来获得新的概率分布；设车辆模型的观测变量为{V}，且满足{O}中其余的观测变量为{E},则t+1时刻的离散隐层变量{Mt,Dt,Mt+1,Dt+1}的联合分布为：其中， t+1时刻连续隐层变量{St+1}的条件概率为： 3)边缘化：将由上得到的t+1时刻概率分布中t+1时刻前的变量边缘化，只保留当前t+1时刻下变量的概率分布，从而用于下次预测及更新步骤的迭代：其中，D表示驾驶员信息变量，驾驶员信息包括驾驶意图和驾驶特性；M表示车辆模型选择变量，车辆模型包括匀速模型、加速模型、匀速转向模型；S表示车辆状态信息变量，车辆状态信息包括车辆横向位置、车辆横向速度、车辆横向加速度、车辆纵向位置、车辆纵向速度、车辆纵向加速度以及车辆横摆角速度；利用得到t+1时刻车辆模型、驾驶意图和驾驶特性的估计概率；利用得到基于车辆模型的短期预测轨迹。 9.根据权利要求1所述的基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法，其特征在于：所述步骤3.2中，选择最大似然法进行高斯过程的未知参数学习。 10.根据权利要求1所述的基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法，其特征在于：所述步骤3.2的具体过程为：根据步骤3.1设定的均值函数u(x)和协方差函数Σ(x,x’)，利用步骤1建立的高斯过程GP训练集DGP(X,Y)＝{(xi,yi),i＝1:N1}对涉及的未知参数进行学习，其中，N1为训练样本的序列长度，设均值函数和协方差函数的未知参数为Θ＝{θi,i＝1:N2}，其中，N2为参数个数，其对数边际似然函数logP(Y\|X,Θ)为：其中，表示正态函数；X和Y表示车辆横向位置和纵向位置；uY和∑Y为对应变量Y的均值函数和协方差函数；选择最大似然法，通过下式求解得到高斯过程的未知参数利用基于梯度的优化算法得到参数学习结果，其中对未知参数Θ的各分量θi求偏导如下式所示：其中γ＝∑Y-1(Y-uY)，通过高斯过程的参数学习，分别建立不同驾驶意图和驾驶特性下的高斯过程函数。
所属类别：	发明专利