欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021107028544
申请人: 长安大学
专利类型:发明专利
专利状态:已下证
专利领域: 信号装置
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种车辆换道行为预测模型构建方法,该模型用于预测车辆换道行为,其特征在于,包括以下步骤:

步骤1、采集车辆行驶状态数据:

在每个车辆内设置车载终端,且该车载终端集成了CAN总线模块以采集车辆行驶数据、GPS模块以获取车辆的定位数据、通信模块以实现车辆间数据通信和显示模块以显示采集到的车辆行驶状态数据;所述车辆行驶数据包括车辆的速度、加速度和转向角;

步骤2,车辆间数据通信:

每个车辆通过其通信模块将其车辆行驶状态数据发送到其他车辆,并接收其他车辆的车辆行驶状态数据,任意选定一个车辆作为目标车辆;

步骤3,获得目标车辆进行换道行为的换道意图概率:目标车辆收到其他车辆的车辆行驶状态数据后,结合自身车辆行驶状态数据,利用博弈理论建立博弈矩阵,再对博弈矩阵求解获得目标车辆的换道意图概率;

步骤4,建立深度学习算法模型,将车辆行驶数据和换道意图概率作为车辆换道过程中的行驶样本数据,将行驶样本数据组成的训练样本集输入到深度学习算法模型,并将车辆是否进行换道作为深度学习算法模型的输出,对深度学习算法模型进行训练,得到训练后的深度学习算法模型作为车辆换道行为预测模型。

2.如权利要求1所述的车辆换道行为预测模型构建方法,其特征在于,所述步骤3利用博弈理论建立博弈矩阵中,目标车辆受到速度较慢的前车影响时,目标车辆的策略包括换道或不换道;同时,目标车辆会影响临近车道后车的行驶使后车包括两种策略让道或不让道;因此目标车辆和后车间的博弈矩阵中包括以下情况:对于目标车辆要求换道,后车给目标车辆让道情况下:目标车辆收益为USVC,后车收益为UV1A;

对于目标车辆要求换道,后车不给目标车辆让道情况下:目标车辆收益为USVC,后车收益为UV1R;

对于目标车辆不要求换道,后车给目标车辆让道情况下:目标车辆收益为USVS,后车收益为UV1A;

对于目标车辆不要求换道,后车不给目标车辆让道情况下:目标车辆收益为USVS,后车收益为UV1R。

3.如权利要求2所述的车辆换道行为预测模型构建方法,其特征在于,不同策略下的各收益函数均由安全收益Usafety和空间收益Uspace组成即:U=αUsafety+βUspace,其中β为一个Sigmoid函数,α=1‑β;

其中:

上式中,T(t)为t时刻的车头时距,Tmin(t)为最小安全车头时距,D(t)为与前车距离,Dmin(t)为最小安全距离。

4.如权利要求3所述的车辆换道行为预测模型构建方法,其特征在于,目标车辆与后车的最小安全距离:

其中,aV1为后车加速度,asv为目标车辆加速度,vv1为后车速度,vsv为目标车辆速度;

目标车辆与后车的最小安全车头时距:Tmin(t)=min(Tinitial,Ta)其中,Tinitial为t时刻后车与其前车的车头时距,Ta为固定值,设定为3。

5.如权利要求4所述的车辆换道行为预测模型构建方法,其特征在于,所述步骤3中,对博弈矩阵求解获得目标车辆的换道意图概率包括:首先目标车辆根据博弈矩阵判断对自己最大收益的策略,即换道或者不换道,然后后车根据目标车辆的决策,选择当前情况下对自己最大收益的反应,即让道或者不让道,再将反应反馈给目标车辆,不断循环,直到博弈双方均满意,达到最后均衡状态;

根据博弈矩阵,在此均衡状态下,目标车辆的决策收益为Usv,相反的另一个决策收益为Usv*,则可量化的博弈结果即换道概率为:其中,Pro(t)为博弈结果,也是目标车辆的换道概率。

6.如权利要求1所述的车辆换道行为预测模型构建方法,其特征在于,所述深度学习算法模型由长短期记忆网络LSTM和卷积神经网络CNN组成;深度学习算法模型中,隐藏层节点数量设置为100,学习速率为0.001,步长为8,在CNN中,卷积核为3×3矩阵,卷积步长为1。

7.一种车辆换道行为预测预警方法,其特征在于,该方法包括以下步骤:步骤一,采集车辆行驶状态数据:

在每个车辆内设置车载终端,且该车载终端集成了CAN总线模块以采集车辆行驶数据、GPS模块以获取车辆的定位数据、通信模块以实现车辆间数据通信和显示模块以显示采集到的车辆行驶状态数据;所述车辆行驶数据包括车辆的速度、加速度和转向角;

步骤二,车辆间数据通信:

每个车辆通过其通信模块将其车辆行驶状态数据发送到其他车辆,并接收其他车辆的车辆行驶状态数据;

步骤三,通过权利要求5所述的车辆换道行为预测模型构建方法中步骤3的方法获得目标车辆进行换道行为的换道意图概率;

步骤四,将目标车辆的行驶状态数据以及换道意图概率作为输入,导入权利要求1至6任一权利要求所述的训练后的深度学习算法模型中,预测目标车辆是否换道;若预测目标车辆将进行换道,则在其他车辆的车载终端显示预警信息。

8.一种车辆换道行为预测预警系统,其特征在于,包括:车辆行驶状态数据采集模块,包括在每个车辆内设置的车载终端,且该车载终端集成了CAN总线模块以采集车辆行驶数据、GPS模块以获取车辆的定位数据、通信模块以实现车辆间数据通信和显示模块以显示采集到的车辆行驶状态数据;

车辆间数据通信模块,用于将每个车辆的车辆行驶状态数据发送到其他车辆,并接收其他车辆的车辆行驶状态数据;

目标车辆进行换道行为的换道意图概率获取模块,用于在目标车辆收到其他车辆的车辆行驶状态数据后,结合自身车辆行驶状态数据,利用博弈理论建立博弈矩阵,再对博弈矩阵求解获得目标车辆的换道意图概率;

目标车辆换道预测及预警模块,用于将目标车辆的行驶状态数据以及换道意图概率作为输入,导入训练后的深度学习算法模型中,预测目标车辆是否换道;若预测目标车辆将进行换道,则在其他车辆的车载终端显示预警信息。