1.一种人工驾驶车辆换道意图识别方法,其特征在于,包括:对预设车辆轨迹数据集进行预处理;
提取目标车辆的车辆行驶特征及驾驶行为特征;
构建基于机器学习的车辆跟驰与换道决策预测模型,将预处理后的车辆轨迹数据集输入所述预测模型进行训练:根据所述目标车辆的车辆行驶特征得到目标车辆的速度、加速度、车头间距,根据所述目标车辆的驾驶行为特征得到大型车特征值和聚类特征值;
将所述目标车辆的速度、加速度、车头间距、大型车特征值和聚类特征值输入训练好的预测模型,得到目标车辆的换道意图识别结果。
2.根据权利要求1所述的方法,其特征在于,所述预设车辆轨迹数据集包括NGSIM数据集、和HighD数据集。
3.根据权利要求1或2所述的方法,其特征在于,所述预处理的具体步骤如下:
对车辆行驶数据进行数据清洗,去重、统一时间粒度为0.1s,处理缺失数据;
利用车辆行驶横纵向坐标及时间戳,确定车辆周围车辆;
对于边缘车道,虚构一条车道以填补车辆数据;
采用滑动时窗法进行样本数据的扩大及均衡化;
将车辆行驶数据格式转换为预设格式。
4.根据权利要求3所述的方法,其特征在于,所述提取目标车辆的车辆行驶特征及驾驶行为特征的具体步骤如下:获取跟驰小型车和大型车时目标车辆的车辆行驶特征;
根据平均速度、最大速度、换道频率、速度变化、车头间距以及车头时距这六个特征对目标车辆进行K‑means++聚类分析,获取目标车辆的驾驶行为特征。
5.根据权利要求4所述的方法,其特征在于,所述驾驶行为特征包括以下中的一种:效率莽撞型、效率经验型、安全谨慎型、安全稳健型。
6.根据权利要求1或5所述的方法,其特征在于,所述基于机器学习的车辆跟驰与换道决策预测模型为LSTM神经网络模型。
7.根据权利要求6所述的方法,其特征在于,将预处理后的车辆轨迹数据集融合,作为模型数据输入;
提取车辆运行参数,分别是速度、加速度、车头间距;
对车辆及其周围车辆中含有大型车的进行赋值处理,得到大型车特征值;
提取k‑means++聚类形成的聚类特征值;
填补周围车辆中空缺车辆的参数;
将所述速度、加速度、车头间距、大型车特征值和聚类特征值作为所述预测模型的特征指标,以向量形式输入,进行车辆跟驰与换道意图决策预测判断。
8.一种人工驾驶车辆换道意图识别系统,其特征在于,包括:预处理模块,用于对预设车辆轨迹数据集进行预处理;
特征提取模块,用于提取目标车辆的车辆行驶特征及驾驶行为特征;
预测模型训练模块,用于构建基于机器学习的车辆跟驰与换道决策预测模型,将预处理后的车辆轨迹数据集输入所述预测模型进行训练:参数提取模块,用于根据所述目标车辆的车辆行驶特征得到目标车辆的速度、加速度、车头间距,根据所述目标车辆的驾驶行为特征得到大型车特征值和聚类特征值;
换道意图识别模块,用于将所述目标车辆的速度、加速度、车头间距、大型车特征值和聚类特征值输入训练好的预测模型,得到目标车辆的换道意图识别结果。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序以实现如权利要求1‑7任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行实现如权利要求1‑7中任一项所述的方法。