智能驾驶车辆面对目标车辆切入的行车场景的识别方法
阅读说明：本技术 智能驾驶车辆面对目标车辆切入的行车场景的识别方法 (Method for identifying driving scene cut into by intelligent driving vehicle facing target vehicle ) 是由 胡杰 张敏超 陈瑞楠 钟鑫凯 朱令磊 徐文才 颜伏伍 于 2021-08-04 设计创作，主要内容包括：本发明公开了一种智能驾驶车辆面对目标车辆切入的行车场景的识别方法,包括：将切入型典型行车场景进行分类、计算目标车辆预测轨迹与智能驾驶车辆未来行驶轨迹之间关系的特征值、基于特征值和分类的典型行车场景建立场景识别的逻辑判别关系、获取当前行驶的目标车辆的预测轨迹与当前行驶的智能驾驶车辆的未来行驶轨迹之间关系的特征值及将获取的特征值代入逻辑判别关系进行逻辑判别,以识别当前行驶的智能驾驶车辆的行车场景。本发明方法不仅能识别当前车辆的行车场景并能评估目标车辆切入智能驾驶车辆行驶轨迹的危险态势,而且计算量小、实时性好。(The invention discloses a method for identifying a driving scene cut into by an intelligent driving vehicle facing a target vehicle, which comprises the following steps: classifying cut-in type typical driving scenes, calculating a characteristic value of a relation between a predicted track of a target vehicle and a future driving track of the intelligent driving vehicle, establishing a logical discrimination relation of scene recognition based on the characteristic value and the classified typical driving scenes, obtaining the characteristic value of the relation between the predicted track of the current driving target vehicle and the future driving track of the current driving intelligent driving vehicle, and substituting the obtained characteristic value into the logical discrimination relation to perform logical discrimination so as to recognize the driving scene of the current driving intelligent driving vehicle. The method can identify the driving scene of the current vehicle and evaluate the dangerous situation of the target vehicle cutting into the driving track of the intelligent driving vehicle, and has small calculated amount and good real-time performance.)
技术领域
本发明涉及智能驾驶系统的决策规划领域，尤其涉及一种智能驾驶车辆面对目标车辆切入的行车场景的识别方法。
背景技术
智能驾驶车辆集中运用了计算机、现代传感、信息融合、通讯、人工智能及自动控制等技术，是典型的高新技术综合体。近年来，智能车辆己经成为世界车辆工程领域研究的热点和汽车工业增长的新动力，很多发达国家都将其纳入到各自重点发展的智能交通系统当中。
智能驾驶车辆的关键共性技术包括环境感知、决策规划和控制执行三个部分。具体地，环境感知模块负责检测车辆周围的环境，例如车辆、行人、道路标志等。决策规划模块负责将环境感知模块检测到的信息进行识别分析并作出决策，同时下达下一步动作指令。控制执行层则负责控制车辆油门踏板、方向盘等执行机构按照期望输出行驶。而在决策规划模块中，场景识别技术是十分重要的部分，其对车辆的安全性有重要的影响。
目前，智能驾驶车辆的场景识别方法主要是利用海量的数据训练深度学习或者机器学习模型进行识别。然而，该方法需要收集大量的场景数据，同时对车载控制器的算力有极高的需求，因而将其实际应用到智能驾驶车辆较为困难。
发明内容
本发明为解决上述现有技术中的问题，提出一种智能驾驶车辆面对目标车辆切入的行车场景的识别方法，其不仅能对当前车辆所处的行车场景进行识别并能较好地评估目标车辆切入智能驾驶车辆的行驶轨迹的危险态势，而且计算量小、实时性好。
为实现上述目的，本发明提供了一种智能驾驶车辆面对目标车辆切入的行车场景的识别方法，包括如下步骤：
将目标车辆的预测轨迹切入智能驾驶车辆的未来行驶轨迹的典型行车场景进行分类；
根据目标车辆的预测轨迹信息和智能驾驶车辆的未来行驶轨迹信息，计算目标车辆的预测轨迹与智能驾驶车辆的未来行驶轨迹之间关系的特征值；
基于所述特征值和分类的所述典型行车场景，建立场景识别的逻辑判别关系；
获取当前行驶的目标车辆的预测轨迹与当前行驶的智能驾驶车辆的未来行驶轨迹之间关系的特征值；
将当前行驶的目标车辆的预测轨迹与当前行驶的智能驾驶车辆的未来行驶轨迹之间关系的特征值代入所述逻辑判别关系进行逻辑判别，从而识别当前行驶的智能驾驶车辆的行车场景。
优选地，将目标车辆的预测轨迹切入智能驾驶车辆的未来行驶轨迹的典型行车场景进行分类的步骤具体为：
将目标车辆的预测轨迹切入智能驾驶车辆的未来行驶轨迹的危险场景在道路坐标系下归纳成两种危险场景；
基于两种所述危险场景，将目标车辆的预测轨迹切入智能驾驶车辆的未来行驶轨迹的所有典型行车场景进行分类。
优选地，两种危险场景为：
因目标车辆的预测轨迹从智能驾驶车辆的前方切入智能驾驶车辆的未来行驶轨迹的危险场景；和
因目标车辆的预测轨迹从智能驾驶车辆的后方切入智能驾驶车辆的未来行驶轨迹的危险场景。
优选地，因目标车辆从智能驾驶车辆的前方切入智能驾驶车辆的未来行驶轨迹的危险场景包括：
目标车辆的预测轨迹在智能驾驶车辆的未来行驶轨迹内且不切出的危险场景；
目标车辆的预测轨迹在智能驾驶车辆的未来行驶轨迹内且随后切出的危险场景；
目标车辆的预测轨迹从智能驾驶车辆的前方切入智能驾驶车辆的未来行驶轨迹后不再切出的危险场景；
目标车辆的预测轨迹从智能驾驶车辆的前方切入智能驾驶车辆的未来行驶轨迹后会再切出的危险场景；
因目标车辆的预测轨迹从智能驾驶车辆的后方切入智能驾驶车辆的未来行驶轨迹的危险场景包括：
智能驾驶车辆变道时，目标车辆的预测轨迹从智能驾驶车辆的后方切入智能驾驶车辆的未来行驶轨迹的危险场景。
优选地，所有典型行车场景被分类为：
(1)非危险场景；
(2)目标车辆的预测轨迹在智能驾驶车辆的未来行驶轨迹内且不切出的非危险场景；
(3)目标车辆的预测轨迹在智能驾驶车辆的未来行驶轨迹内且不切出的危险场景；
(4)目标车辆的预测轨迹在智能驾驶车辆的未来行驶轨迹内且随后切出的非危险场景；
(5)目标车辆的预测轨迹在智能驾驶车辆的未来行驶轨迹内且随后切出的危险场景；
(6)目标车辆的预测轨迹从智能驾驶车辆的前方切入智能驾驶车辆的未来行驶轨迹后不再切出的非危险场景；
(7)目标车辆的预测轨迹从智能驾驶车辆的前方切入智能驾驶车辆的未来行驶轨迹后不再切出的危险场景；
(8)目标车辆的预测轨迹从智能驾驶车辆的前方切入智能驾驶车辆的未来行驶轨迹后会再切出的非危险场景；
(9)目标车辆的预测轨迹从智能驾驶车辆的前方切入智能驾驶车辆的未来行驶轨迹后会再切出的危险场景；
(10)智能驾驶车辆变道时，目标车辆的预测轨迹从智能驾驶车辆的后方切入智能驾驶车辆的未来行驶轨迹的非危险场景；
(11)智能驾驶车辆变道时，目标车辆的预测轨迹从智能驾驶车辆的后方切入智能驾驶车辆的未来行驶轨迹的危险场景；
(12)目标车辆的预测轨迹在智能驾驶车辆的后方快速接近且智能驾驶车辆在目标车辆的预测轨迹内的非危险场景。
优选地，根据目标车辆的预测轨迹信息和智能驾驶车辆的未来行驶轨迹信息，计算目标车辆的预测轨迹与智能驾驶车辆的未来行驶轨迹之间关系的特征值的步骤具体包括：
通过智能驾驶车辆预测模块获得目标车辆的预测轨迹信息和智能驾驶车辆的未来行驶轨迹信息；
将目标车辆的预测轨迹信息中到达预测轨迹上每个点的时间及该点的空间坐标与智能驾驶车辆的未来行驶轨迹信息中到达未来行驶轨迹上每个点的时间及该点的空间坐标进行对比分析，得到目标车辆的预测轨迹与智能驾驶车辆的未来行驶轨迹之间关系的特征值。
优选地，目标车辆的预测轨迹与智能驾驶车辆的未来行驶轨迹之间关系的特征值包括：
TTCR：在目标车辆的预测轨迹上，目标车辆的预测轨迹切入智能驾驶车辆的未来行驶轨迹的时刻；
TTCRO：在目标车辆的预测轨迹上，目标车辆的预测轨迹切出智能驾驶车辆的未来行驶轨迹的时刻；
TTCI：在智能驾驶车辆的未来行驶轨迹上，目标车辆的预测轨迹切入智能驾驶车辆的未来行驶轨迹的时刻；
TTCO：在智能驾驶车辆的未来行驶轨迹上，目标车辆的预测轨迹切出智能驾驶车辆的未来行驶轨迹的时刻；
TTC：智能驾驶车辆与目标车辆碰撞的时刻。
优选地，场景识别的逻辑判别关系具体为：
(1)非危险场景：TTCR＝-1、TTCRO＝-1、TTCI＝-1、TTCO＝-1；
(2)目标车辆的预测轨迹在智能驾驶车辆的未来行驶轨迹内且不切出的非危险场景：TTCR>0、TTCI＝-1、TTC＜0、附加条件TTCRO＝-1||TTCO＝-1；
(3)目标车辆的预测轨迹在智能驾驶车辆的未来行驶轨迹内且不切出的危险场景：TTCR>0、TTCI＝-1、TTC>0&&TTC<X、附加条件TTCRO＝-1||TTCO＝-1；
(4)目标车辆的预测轨迹在智能驾驶车辆的未来行驶轨迹内且随后切出的非危险场景：TTCR>0、TTCRO>0、TTCI＝-1、TTCO>0、附加条件(TTC<0)||(TTC>0&&TTCO<TTCRO)；
(5)目标车辆的预测轨迹在智能驾驶车辆的未来行驶轨迹内且随后切出的危险场景：TTCR>0、TTCRO>0、TTCI＝-1、TTCO>0、TTC>0&&TTC<X、附加条件TTCO>＝TTCRO；
(6)目标车辆的预测轨迹从智能驾驶车辆的前方切入智能驾驶车辆的未来行驶轨迹后不再切出的非危险场景：TTCR>0、TTCRO＝-1、TTCI>0、TTCO＝-1、TTC<0；
(7)目标车辆的预测轨迹从智能驾驶车辆的前方切入智能驾驶车辆的未来行驶轨迹后不再切出的危险场景：TTCR>0、TTCRO＝-1、TTCI>0、TTCO＝-1、TTC>0&&TTC<X；
(8)目标车辆的预测轨迹从智能驾驶车辆的前方切入智能驾驶车辆的未来行驶轨迹后会再切出的非危险场景：TTCR>0、TTCRO>0、TTCI>0、TTCO>0、附加条件TTCRO>＝TTCO；
(9)目标车辆的预测轨迹从智能驾驶车辆的前方切入智能驾驶车辆的未来行驶轨迹后会再切出的危险场景：TTCR>0、TTCRO>0、TTCI>0、TTCO>0、TTC>0&&TTC<X、附加条件TTCRO<TTCO；
(10)智能驾驶车辆变道时，目标车辆的预测轨迹从智能驾驶车辆的后方切入智能驾驶车辆的未来行驶轨迹的非危险场景：TTCR>0、TTCI>0、TTC＜0；
(11)智能驾驶车辆变道时，目标车辆的预测轨迹从智能驾驶车辆的后方切入智能驾驶车辆的未来行驶轨迹的危险场景:TTCR>0、TTCI>0、TTC>0&&TTC<X；
(12)目标车辆的预测轨迹在智能驾驶车辆的后方快速接近且智能驾驶车辆在目标车辆的预测轨迹内的非危险场景:TTCR＝-1、TTCI>0；
其中，“-1”表示此特征值不存在，X为TTC的阈值。
优选地，获取当前行驶的目标车辆的预测轨迹与当前行驶的智能驾驶车辆的未来行驶轨迹之间关系的特征值的步骤具体为：
通过智能驾驶车辆预测模块获得当前行驶的目标车辆的预测轨迹信息与当前行驶的智能驾驶车辆的未来行驶轨迹信息；
将当前行驶的目标车辆的预测轨迹信息中到达预测轨迹上每个点的时间及该点的空间坐标与当前行驶的智能驾驶车辆的未来行驶轨迹信息中到达未来行驶轨迹上每个点的时间及该点的空间坐标进行对比分析，得到当前行驶的目标车辆的预测轨迹与当前行驶的智能驾驶车辆的未来行驶轨迹之间关系的特征值。
本发明提供的技术方案带来的有益效果是：
本发明的方法基于目标车辆的预测轨迹与智能驾驶车辆的未来行驶轨迹之间关系的特征值以及经过分类的典型行车场景，建立了场景识别的逻辑判别关系，当对当前行驶的智能驾驶车辆的场景识别时，只需要将当前行驶的目标车辆的预测轨迹与当前行驶的智能驾驶车辆的未来行驶轨迹之间关系的特征值代入所述逻辑判别关系进行逻辑判别即可实时识别当前行驶的智能驾驶车辆的行车场景，该方法计算量小，实时性好，同时能较好地评估目标车辆切入智能驾驶车辆的未来行驶轨迹的危险态势。
附图说明
图1为本发明实施例提供的智能驾驶车辆面对目标车辆切入的行车场景的识别方法的流程图；
图2A-2D图示了因目标车辆从智能驾驶车辆的前方切入智能驾驶车辆的未来行驶轨迹的危险场景中的四种；
图3图示了因目标车辆的预测轨迹从智能驾驶车辆的后方切入智能驾驶车辆的未来行驶轨迹的危险场景中的一种。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案作进一步地详细描述。
如图1所示，本发明实施例提供了一种智能驾驶车辆面对目标车辆切入的行车场景的识别方法，包括如下步骤：
步骤S1：将目标车辆的预测轨迹切入智能驾驶车辆的未来行驶轨迹的危险场景在道路坐标系下归纳成两种危险场景，两种危险场景为：(a)因目标车辆的预测轨迹从智能驾驶车辆的前方切入智能驾驶车辆的未来行驶轨迹的危险场景以及(b)因目标车辆的预测轨迹从智能驾驶车辆的后方切入智能驾驶车辆的未来行驶轨迹的危险场景；
具体地，(a)因目标车辆的预测轨迹从智能驾驶车辆的前方切入智能驾驶车辆的未来行驶轨迹的危险场景包括：(i)目标车辆的预测轨迹在智能驾驶车辆的未来行驶轨迹内且不切出的危险场景(即目标车辆的预测轨迹在智能驾驶车辆的未来行驶轨迹之内，同时保持在智能驾驶车辆的未来行驶轨迹之内)；(ii)目标车辆的预测轨迹在智能驾驶车辆的未来行驶轨迹内且随后切出的危险场景(即目标车辆的预测轨迹在智能驾驶车辆的预测轨迹之内，同时目标车辆准备换道或者加速，此时目标车辆的预测轨迹会在智能驾驶车辆的未来行驶轨迹中切出)；(iii)目标车辆的预测轨迹从智能驾驶车辆的前方切入智能驾驶车辆的未来行驶轨迹后不再切出的危险场景(即目标车辆的预测轨迹从智能驾驶车辆的前方切入智能驾驶车辆的未来行驶轨迹后保持在智能驾驶车辆的未来行驶轨迹之内)；(iv)目标车辆的预测轨迹从智能驾驶车辆的前方切入智能驾驶车辆的未来行驶轨迹后会再切出的危险场景(目标车辆的预测轨迹从智能驾驶车辆的前方切入智能驾驶车辆的未来行驶轨迹后再切出智能驾驶车辆的未来行驶轨迹)。(b)因目标车辆的预测轨迹从智能驾驶车辆的后方切入智能驾驶车辆的未来行驶轨迹的危险场景包括：智能驾驶车辆变道时，目标车辆的预测轨迹从智能驾驶车辆的后方切入智能驾驶车辆的未来行驶轨迹的危险场景(即智能驾驶车辆变道时，后方的目标车辆车速较快，目标车辆的预测轨迹从智能驾驶车辆的后方切入智能驾驶车辆的未来行驶轨迹)。
为了更直观地理解划分的危险场景，图2A-图2D分别举例图示了因目标车辆从智能驾驶车辆的前方切入智能驾驶车辆的未来行驶轨迹的四种危险场景，即上述危险场景(i)、上述危险场景(ii)、上述危险场景(iii)和上述危险场景(iv)。图3举例图示了因目标车辆的预测轨迹从智能驾驶车辆的后方切入智能驾驶车辆的未来行驶轨迹的一种危险场景。在图2A-2D以及图3中的“t0”为智能驾驶车辆的未来行驶轨迹，“t1”为目标车辆的预测轨迹。
步骤S2：基于上述两种危险场景，将目标车辆的预测轨迹切入智能驾驶车辆的未来行驶轨迹的所有典型行车场景进行分类，所有典型行车场景被分类为12类，包括：
(1)非危险场景；
(2)目标车辆的预测轨迹在智能驾驶车辆的未来行驶轨迹内且不切出的非危险场景；
(3)目标车辆的预测轨迹在智能驾驶车辆的未来行驶轨迹内且不切出的危险场景；
(4)目标车辆的预测轨迹在智能驾驶车辆的未来行驶轨迹内且随后切出的非危险场景；
(5)目标车辆的预测轨迹在智能驾驶车辆的未来行驶轨迹内且随后切出的危险场景；
(6)目标车辆的预测轨迹从智能驾驶车辆的前方切入智能驾驶车辆的未来行驶轨迹后不再切出的非危险场景；
(7)目标车辆的预测轨迹从智能驾驶车辆的前方切入智能驾驶车辆的未来行驶轨迹后不再切出的危险场景；
(8)目标车辆的预测轨迹从智能驾驶车辆的前方切入智能驾驶车辆的未来行驶轨迹后会再切出的非危险场景；
(9)目标车辆的预测轨迹从智能驾驶车辆的前方切入智能驾驶车辆的未来行驶轨迹后会再切出的危险场景；
(10)智能驾驶车辆变道时，目标车辆的预测轨迹从智能驾驶车辆的后方切入智能驾驶车辆的未来行驶轨迹的非危险场景；
(11)智能驾驶车辆变道时，目标车辆的预测轨迹从智能驾驶车辆的后方切入智能驾驶车辆的未来行驶轨迹的危险场景；
(12)目标车辆的预测轨迹在智能驾驶车辆的后方快速接近且智能驾驶车辆在目标车辆的预测轨迹内的非危险场景。
步骤S3：通过智能驾驶车辆预测模块获得目标车辆的预测轨迹信息和智能驾驶车辆的未来行驶轨迹信息。
需要说明的是，目标车辆的预测轨迹和智能驾驶车辆的未来行驶轨迹都是以时空轨迹的方式输出的，而时空轨迹即轨迹上每个点都包括车辆到达这个点的时间和这个点在坐标系的空间坐标(即位置)。智能驾驶车辆预测模块为常规的智能驾驶车辆预测模块，此处未详细描述。
步骤S4：将目标车辆的预测轨迹信息中车辆到达轨迹上每个点的时间和每个点在坐标系中的空间坐标与智能驾驶车辆的未来行驶轨迹信息中车辆到达轨迹上每个点的时间和每个点在坐标系中的空间坐标进行对比分析，得到目标车辆的预测轨迹与智能驾驶车辆的未来行驶轨迹之间关系的特征值；
具体地，上述特征值包括：
TTCR(Time to cross)：在目标车辆的预测轨迹上，目标车辆的预测轨迹切入智能驾驶车辆的未来行驶轨迹的时刻；
TTCRO(Time to cross-off)：在目标车辆的预测轨迹上，目标车辆的预测轨迹切出智能驾驶车辆的未来行驶轨迹的时刻；
TTCI(Time to cut-in)：在智能驾驶车辆的未来行驶轨迹上，目标车辆的预测轨迹切入智能驾驶车辆的未来行驶轨迹的时刻；
TTCO(Time to cut-out)：在智能驾驶车辆的未来行驶轨迹上，目标车辆的预测轨迹切出智能驾驶车辆的未来行驶轨迹的时刻；
TTC(Time to Collision)：智能驾驶车辆与目标车辆碰撞的时刻。
为了清楚地理解上述特征值的含义，这里以TTCI为例进行说明。TTCI表示在智能驾驶车辆的未来行驶轨迹上的某一时刻，目标车辆的预测轨迹切入智能驾驶车辆的未来行驶轨迹，也就是，在智能驾驶车辆的未来行驶轨迹上搜索是否在未来某一个时间点，目标车辆的预测轨迹会与该时间点的智能驾驶车辆的位置重合，如果有，则认为目标车辆的预测轨迹切入智能驾驶车辆的未来行驶轨迹，而该时刻记为TTCI。
步骤S5：基于上述特征值TTCR、TTCRO、TTCI、TTCO、TTC和分类的12类典型行车场景，建立场景识别的逻辑判别关系，其中，建立的逻辑判别关系如下表1所示：
表1逻辑判别关系表
在表1中，“-1”表示此特征值不存在，“\”表示不需要考虑此特征值，“X”为TTC的阈值(该阈值由实际情况决定)，“＝＝”相当于“＝”号，“&&”相当于“和”，“附加条件”是指在满足前面的参数的条件下，再判断是否满足附加条件。
步骤S6：通过智能驾驶车辆预测模块获得当前行驶的目标车辆的预测轨迹信息与当前行驶的智能驾驶车辆的未来行驶轨迹信息。
步骤S7：将当前行驶的目标车辆的预测轨迹信息与当前行驶的智能驾驶车辆的未来行驶轨迹信息进行对比分析，得到当前行驶的目标车辆的预测轨迹与当前行驶的智能驾驶车辆的未来行驶轨迹之间关系的特征值，其中，当前行驶的目标车辆的预测轨迹信息和当前行驶的智能驾驶车辆的未来行驶轨迹信息包括车辆到达轨迹上每个点的时间和每个点在坐标系中的空间坐标。
步骤S8：将当前行驶的目标车辆的预测轨迹与当前行驶的智能驾驶车辆的未来行驶轨迹之间关系的特征值代入步骤S5建立的逻辑判别表，从而识别当前行驶的智能驾驶车辆的行车场景。
可理解的是，本实施例中，预测目标车辆的运动轨迹的过程为使用目标车辆经过卡尔曼滤波等滤波算法平滑之后的运动响应信息作为输入，使用线性预测的方法预测出在未来N秒内目标车辆所需的运动轨迹，将该运动轨迹绘制于环境地图上并赋予时间属性，即可获得车辆在未来一段时间的时空运行轨迹(即预测轨迹)。
以上仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。