一种危险换道驾驶行为预测预警系统及其方法

1.本发明涉及智能驾驶技术领域，尤其是涉及一种危险换道驾驶行为预测预警系统及其方法。


背景技术：

2.随着当前汽车保有量不断增加，交通事故也呈逐年上升的态势，研究发现，在这些交通事故中，引发交通事故的最主要原因是驾驶员的不当操作和周围车辆环境的变化，而在驾驶员的所有操作中，车辆换道对车流稳定性的影响最大。因此，执行换道行为时有必要提前对该换道行为进行危险预判，以确保车辆换道的安全性，避免发生由于危险换道导致的交通事故。
3.传统针对驾驶员危险行为的识别，主要是基于视频图像处理技术，但是受限于摄像机的物理特性，拍摄的图像很容易受到光照和光线的影响，当车内环境较复杂时(如出现多个人脸)，由于缺少筛选最重要特征的能力，很难准确地识别驾驶员状态；并且图像处理技术算法复杂度较高。另外一种是通过使用眼动仪检测驾驶员眼球的转动(看后视镜的动作)来识别驾驶员换道行为的方法，但此方法在真实驾驶场景中会影响驾驶员的驾驶操作，违背伦理且存在安全隐患。
4.此外，在现有的高级辅助驾驶系统中，虽然能够利用数学模型实时地对换道环境进行检测，当检测到有其他车辆进入盲区时，监测系统会自动对方向盘进行相应调整，降低碰撞发生概率，但是这种预测方式只能得出当前的行驶环境是否适合车辆换道的结论，而驾驶员是否按照此预测结果执行是无法判断的。换言之，现有对周围车辆运动预测的方法主要是基于物理的方式，而完全忽略了驾驶员的意图。
5.现有技术还借助深度学习算法擅长处理连续时间序列数据的特点，通过大量历史数据样本对模型进行训练，以达到准确预警的效果，但是这种方式存在一个较明显的缺陷：必须要在换道行为发生后一段时间才能准确预测到结果，很难保证预测的实时性。


技术实现要素：

6.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种危险换道驾驶行为预测预警系统及其方法，能够准确、及时地预测出危险换道行为并进行相应预警。
7.本发明的目的可以通过以下技术方案来实现：一种危险换道驾驶行为预测预警系统，包括通信连接的预测模块和预警模块，所述预测模块包括生理仪器、方向盘转角传感器以及换道预测单元，所述生理仪器、方向盘转角传感器分别与换道预测单元相连接，所述换道预测单元还与车辆的adas(advanced driver assistance system，先进驾驶辅助系统)系统相连接，所述生理仪器用于采集驾驶员的生理信号并传输至换道预测单元；
8.所述方向盘转角传感器用于采集方向盘转角数据并传输至换道预测单元；
9.所述adas系统用于获取周围环境信息并传输至换道预测单元；
10.所述换道预测单元基于深度学习算法，结合接收的驾驶员的生理信号、方向盘转
角数据以及周围环境信息，输出得到换道意图并传输至预警模块；
11.所述预警模块用于预测目标车辆及周围车辆的未来运动轨迹，结合换道意图以确定出当前换道风险，并进行相应预警。
12.一种危险换道驾驶行为预测预警方法，包括以下步骤：
13.s1、通过生理仪器采集驾驶员的历史生理信号、通过方向盘转角传感器采集历史方向盘转向角数据、通过adas系统获取历史周围环境信息；
14.s2、基于步骤s1采集获取的数据，构造输入矩阵，以作为训练样本输入深度学习模型中进行训练，构建得到换道行为预测模型；
15.s3、通过生理仪器实时采集驾驶员的生理信号、通过方向盘转角传感器实时采集方向盘转向角数据、通过adas系统实时获取周围环境信息；
16.s4、将步骤s3采集获取的数据输入换道行为预测模型，输出得到当前换道意图；
17.s5、根据当前目标车辆和周围车辆的状态信息，预测得到目标车辆和周围车辆的未来运动轨迹，结合当前换道意图，确定出当前换道风险，并进行相应的预警提示。
18.进一步地，所述步骤s1和步骤s3中生理信号包括但不限于心电信号、皮电信号、肌电信号和呼吸率；
19.方向盘转向角数据包括方向盘的旋转角度和旋转方向。
20.进一步地，所述步骤s1和s3中周围环境信息包括周围车辆位置和周围车辆速度信息。
21.进一步地，所述步骤s2具体包括以下步骤：
22.s21、基于gru(gated recurrent unit，门控循环单元)和cnn(convolutional neural network，卷积神经网络)，建立深度学习框架；
23.s22、基于步骤s1采集获取的数据，构造出包含目标车辆信息和周围环境信息的输入矩阵，所述目标车辆信息由生理信号和方向盘转向角数据构成；
24.s23、将输入矩阵作为训练样本，将换道意图类型作为模型输出，对步骤s21建立的深度学习框架进行训练，构建得到换道行为预测模型。
25.进一步地，所述步骤s21中深度学习框架内gru通过两个门控信号来控制，所述两个门控信号为重置门控和更新门控，所述gru的具体工作过程为：
26.首先使用重置门得到重置之后的数据：
27.h
t-1
'＝h
t-1
⊙r28.其中，r是重置门控，
⊙
代表矩阵中对应元素相乘；
29.之后将h
t-1
'与输入x
t
进行拼接，再通过一个tanh激活函数将数据缩放到[-1,1]，得到h'，最后通过更新门控z更新表达式得到输出：
[0030]ht
＝(1-z)
⊙ht-1
+z
⊙
h'
[0031]
其中，x
t
为各时刻的输入数据，由周围车辆轨迹和换道意图概率的结果组成，(1-z)
⊙ht-1
表示对原本隐藏状态的选择性“遗忘”，z
⊙
h'表示对包含当前节点信息的h'进行选择性“记忆”；
[0032]
gru处理后的数据输出到cnn中，用于特征提取。
[0033]
进一步地，所述步骤s21中深度学习框架内cnn采用resnet18为基础架构，并使用5
×
5卷积核代替设定网络层的3
×
3卷积核，以增大感受野，从而能够提取更多的特征信息。
[0034]
进一步地，所述换道意图类型包括左转道、不换道和右换道。
[0035]
进一步地，所述步骤s5具体是根据当前目标车辆和周围车辆的状态信息，并结合卡尔曼滤波以及运动学模型，预测得到目标车辆和周围车辆的未来运动轨迹。
[0036]
进一步地，所述步骤s5中，在预测得到目标车辆和周围车辆的未来运动轨迹后，结合当前换道意图，通过判断当前换道意图与未来运动轨迹之间是否存在冲突，以确定出当前换道风险，若判断存在冲突，则确定当前换道风险为“危险”，否则确定当前换道风险为“安全”。
[0037]
与现有技术相比，本发明具有以下优点：
[0038]
一、本发明通过设计通信连接的预测模块和预警模块，其中，预测模块包括生理仪器、方向盘转角传感器以及换道预测单元，并将换道预测单元还与车辆的adas系统相连接，利用生理仪器采集驾驶员的生理信号；利用方向盘转角传感器用于采集方向盘转角数据；利用adas系统获取周围环境信息；利用换道预测单元基于深度学习算法，结合驾驶员的生理信号、方向盘转角数据以及周围环境信息，输出得到换道意图；利用预警模块通过预测目标车辆及周围车辆的未来运动轨迹，结合换道意图以确定出当前换道风险，并进行相应预警。由此充分考虑驾驶员的生理状态、目标车辆和周围车辆的状态信息，并结合深度学习方式，能够在较短时间内对换道行为进行预测预警，实现准确、及时预测出危险换道行为并进行相应预警的目的。
[0039]
二、本发明通过监测驾驶员的生理状态，并依据方向盘转向角和adas数据中的车辆速度和位置信息，结合构建的换道行为预测模型，能够及时准确地预测不同换道意图，再通过实时采集驾驶车辆和周围车辆的状态信息，以预测周围车辆和目标车辆的未来运动轨迹，最后对当前换道风险进行分析判断及相应预警。本发明提出了一种基于行为而不是单纯考虑物理特性的技术方案，能够准确识别出驾驶员的换道意图再进行换道风险的判断，充分确保了对危险换道驾驶行为预测预警的可靠性。
[0040]
三、本发明结合深度学习算法，通过驾驶员生理信号和方向盘转向角数据获取目标车辆信息，并结合通过adas系统提取的周围环境信息(周围车辆速度、位置)，以构造输入矩阵作为深度学习框架的输入样本、以换道意图类型作为输出进行模型训练，从而构建出换道行为预测模型。在监测可靠性高的多信息融合作为输入的情况下，能够减少模型正确预测所需的时间序列数据长度，从而缩短模型的预测时间，有效提高驾驶安全性。
[0041]
四、本发明在预警分析判断过程中进行车辆未来运动轨迹预测时，考虑到卡尔曼滤波存在一定的局限性，仅能对线性的过程模型和测量模型进行精确的估计，在非线性的场景中并不能达到最优的效果，故本发明将卡尔曼滤波与运动学模型相结合，已达到最优估计的效果，提升车辆未来运动轨迹预测的精准性。
附图说明
[0042]
图1为本发明的系统结构示意图；
[0043]
图2为本发明的方法流程示意图；
[0044]
图3为实施例中系统工作原理示意图；
[0045]
图4a～4d为心电、皮电、肌电和呼吸率的波形示意图；
[0046]
图5是生理信号结合adas数据信息示意图；
[0047]
图6a～6b是gru网络的结构示意图。
[0048]
图7是卡尔曼滤波演化过程示意图；
[0049]
图中标记说明：1、预测模块，2、预警模块，3、adas系统，101、生理仪器，102、方向盘转角传感器，103、换道预测单元。
具体实施方式
[0050]
下面结合附图和具体实施例对本发明进行详细说明。
[0051]
实施例
[0052]
如图1所示，一种危险换道驾驶行为预测预警系统，包括通信连接的预测模块1和预警模块2，预测模块1包括生理仪器101、方向盘转角传感器102以及换道预测单元103，生理仪器101、方向盘转角传感器102分别与换道预测单元103相连接，换道预测单元103还与车辆的adas系统3相连接。
[0053]
其中，生理仪器101用于采集驾驶员的生理信号并传输至换道预测单元103；
[0054]
方向盘转角传感器102用于采集方向盘转角数据并传输至换道预测单元103；
[0055]
adas系统3用于获取周围环境信息并传输至换道预测单元103；
[0056]
换道预测单元103基于深度学习算法，结合接收的驾驶员的生理信号、方向盘转角数据以及周围环境信息，输出得到换道意图并传输至预警模块2；
[0057]
预警模块2用于预测目标车辆及周围车辆的未来运动轨迹，结合换道意图以确定出当前换道风险，并进行相应预警。
[0058]
将上述系统应用于实际，以实现一种危险换道驾驶行为预测预警方法，如图2所示，包括以下步骤：
[0059]
s1、通过生理仪器采集驾驶员的历史生理信号、通过方向盘转角传感器采集历史方向盘转向角数据、通过adas系统获取历史周围环境信息，其中，生理信号包括但不限于心电信号、皮电信号、肌电信号和呼吸率；
[0060]
方向盘转向角数据包括方向盘的旋转角度和旋转方向；
[0061]
周围环境信息包括周围车辆位置和周围车辆速度信息；
[0062]
s2、基于步骤s1采集获取的数据，构造输入矩阵，以作为训练样本输入深度学习模型中进行训练，构建得到换道行为预测模型，具体的：
[0063]
首先基于gru和cnn，建立深度学习框架；
[0064]
之后基于步骤s1采集获取的数据，构造出包含目标车辆信息和周围环境信息的输入矩阵，目标车辆信息由生理信号和方向盘转向角数据构成；
[0065]
再将输入矩阵作为训练样本，将换道意图类型(包括左转道、不换道和右换道)作为模型输出，对建立的深度学习框架进行训练，构建得到换道行为预测模型；
[0066]
s3、通过生理仪器实时采集驾驶员的生理信号、通过方向盘转角传感器实时采集方向盘转向角数据、通过adas系统实时获取周围环境信息；
[0067]
s4、将步骤s3采集获取的数据输入换道行为预测模型，输出得到当前换道意图；
[0068]
s5、根据当前目标车辆和周围车辆的状态信息，预测得到目标车辆和周围车辆的未来运动轨迹，结合当前换道意图，确定出当前换道风险，并进行相应的预警提示，具体是根据当前目标车辆和周围车辆的状态信息，并结合卡尔曼滤波以及运动学模型，预测得到
目标车辆和周围车辆的未来运动轨迹；
[0069]
在预测得到目标车辆和周围车辆的未来运动轨迹后，结合当前换道意图，通过判断当前换道意图与未来运动轨迹之间是否存在冲突，以确定出当前换道风险，若判断存在冲突，则确定当前换道风险为“危险”，否则确定当前换道风险为“安全”。
[0070]
本实施例应用上述技术方案，主要工作过程如图3所示：
[0071]
一、通过生理仪器采集生理信号，使用方向盘转角传感器sas得到方向盘转向角数据，生理信号与方向盘转向角数据共同构成目标车辆信息。
[0072]
二、利用adas系统数据获取周围车辆位置和速度，以得到周围环境信息。
[0073]
三、通过上述目标车辆信息和周围环境信息，构建基于深度学习的换道行为预测模型，用于输出换道意图：
[0074]
利用gru和cnn技术建立深度学习框架，将目标车辆信息和周围车辆信息合成输入矩阵，并构成训练样本集，对此深度学习算法进行训练，将换道意图类型(左换道、不换道、右换道)作为模型的输出，训练后的模型即为换道行为预测模型。
[0075]
四、再实时采集目标车辆信息和周围环境信息、并输入至换道行为预测模型，预测得到当前换道意图；
[0076]
实时采集目标车辆和周围车辆的状态信息，以预测出周围车辆和目标车辆的未来运动轨迹，结合当前换到意图对危险换道行为进行判断和预警。
[0077]
在步骤一的实施过程中，可通过无线生理仪获取生理信号数据，数据包括心电、皮电、肌电还有呼吸率的波形，如图4a～4d所示。心电波形正常的p波的振幅在肢体导联《0.25mv，在胸前导联《0.20mv，p波的宽度应该≤0.11s。pr间期正常时限为0.12-0.20cm，qr的波群正常的实行范围应该在0.06-0.10s之间，qt间期时间范围在0.36-0.46s之间；当肌肉放松时，肌电信号基线噪声应处于1-4μv；皮电的正常基线水平范围为2-20μs。正常成年人呼吸率为每分钟呼吸大约12-20次，呼吸与脉搏的比是1：4，即每呼吸1次，脉搏搏动4次。当心电、肌电、皮电和呼吸率不满足上述条件时，则认为驾驶员处于异常状态；此外，通过汽车方向盘转角传感器sas测量得到汽车转向时方向盘的旋转角度及旋转方向。
[0078]
在步骤二的实施过程中，依据驾驶辅助系统(adas)获取周围车辆位置和速度，检测换道环境信息，并结合步骤一中生理信号和方向盘转向角，构成换道意图预测模型的输入矩阵，流程如图5所示。
[0079]
在步骤三实施过程中，建立深度学习框架，依据步骤二中的输入矩阵，作为训练样本输入到深度学习模型中进行训练，而对不同换道意图(左换道、不换道、右换道)的判定作为模型的输出。深度学习框架由门循环单元网络gru和卷积神经网络cnn组成。gru通过两个门控信号来控制：重置门控和更新门控，具体步骤如下：
[0080]
首先使用重置门得到重置之后的数据：
[0081]ht-1
'＝h
t-1
⊙rꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0082]
其中r是重置门控，
⊙
代表矩阵中对应元素相乘。
[0083]
再将h
t-1
'与输入x
t
进行拼接，再通过一个tanh激活函数将数据缩放到[-1,1]，得到h'，最后通过更新门控z更新表达式得到输出：
[0084]ht
＝(1-z)
⊙ht-1
+z
⊙
h'
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0085]
其具体结构如图6a和6b所示。
[0086]
在上述方程中，x
t
为各时刻的输入数据，由周围车辆轨迹和换道意图概率的结果组成。(1-z)
⊙ht-1
表示对原本隐藏状态的选择性“遗忘”，z
⊙
h'表示对包含当前节点信息的h'进行选择性“记忆”。gru处理后的数据输出到cnn(卷积神经网络)中，用于特征提取，本实施例以resnet18为基础架构，使用5
×
5卷积核代替部分网络层的3
×
3卷积核，增大了感受野，以获取更多的特征信息，能够为模型提供更好的预测效果。
[0087]
在步骤四实施过程中，传统是利用卡尔曼滤波对周围车辆和目标车辆的轨迹进行实时轨迹预测(利用卡尔曼滤波进行轨迹预测的具体演化过程如图7所示)。
[0088]
设状态方程为：
[0089]
x(t+1)＝a(t)x(t)+b(t)u(t)+ω
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0090]
观测方程为：
[0091]
z(t)＝c(t)x(t)+ν(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0092]
预测方程为：
[0093][0094][0095]
更新方程为：
[0096][0097][0098][0099]
其中，x表示真实值，表示先验状态估计，表示后验状态估计，z表示观测值，p表示先验估计误差协方差矩阵，k表示卡尔曼增益，“+”符号表示下一时刻。
[0100]
而为了对换道行为进行预警，需要得知周围车辆的运动轨迹，以预防事故的发生。观测值由传感器得到，包括周围车辆相对于本驾驶车辆的速度、加速度、方向以及位置信息，提取位置信息得到观测运动轨迹预测运动轨迹其中，p表示位置，v表示速度。本技术方案中，预测运动轨迹由运动学模型得到：
[0101][0102]vt
＝v
t-1
+aδt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0103]
综上可知，本技术方案提出一种危险换道驾驶行为预测预警系统及其方法，一方面基于生理信号进行驾驶员意图监测，能够在不影响驾驶员驾驶的情况下获得准确实时的生理信号，通过实时监测驾驶员的生理状态，再依据方向盘转向角和adas数据中的车辆速度和位置信息，能够较好地预测不同换道行为，是一种基于行为而不是单纯考虑物理特性的技术手段；另外使用深度学习框架，融合了gru在长期记忆和cnn在提取特征方面的优势，具有较强的鲁棒性，通过有效结合深度学习技术，利用驾驶员生理信号和方向盘转向角获取目标车辆信息、周围环境信息(周围车辆速度、位置)作为深度学习算法的输入样本，监测结果可靠性高，在多信息融合作为输入的情况下，能够减少模型正确预测所需的时间序列数据长度，从而缩短模型的预测时间，提高驾驶安全性。
[0104]
以上使得换道驾驶行为预测预警能够消除因周围环境带来的不利影响，并且提升
实时性，在预测换道行为时，同时考虑驾驶员自身的生理状态和驾驶车辆的基本信息，并利用adas数据中的周围车辆速度和位置信息以及深度学习算法，能够在较短时间内更好地预测换道意图；结合周围车辆状态信息和预测未来运动轨迹来判断换道风险，从而起到良好的预警作用。

技术特征：
1.一种危险换道驾驶行为预测预警系统，其特征在于，包括通信连接的预测模块和预警模块，所述预测模块包括生理仪器、方向盘转角传感器以及换道预测单元，所述生理仪器、方向盘转角传感器分别与换道预测单元相连接，所述换道预测单元还与车辆的adas系统相连接，所述生理仪器用于采集驾驶员的生理信号并传输至换道预测单元；所述方向盘转角传感器用于采集方向盘转角数据并传输至换道预测单元；所述adas系统用于获取周围环境信息并传输至换道预测单元；所述换道预测单元基于深度学习算法，结合接收的驾驶员的生理信号、方向盘转角数据以及周围环境信息，输出得到换道意图并传输至预警模块；所述预警模块用于预测目标车辆及周围车辆的未来运动轨迹，结合换道意图以确定出当前换道风险，并进行相应预警。2.一种危险换道驾驶行为预测预警方法，其特征在于，包括以下步骤：s1、通过生理仪器采集驾驶员的历史生理信号、通过方向盘转角传感器采集历史方向盘转向角数据、通过adas系统获取历史周围环境信息；s2、基于步骤s1采集获取的数据，构造输入矩阵，以作为训练样本输入深度学习模型中进行训练，构建得到换道行为预测模型；s3、通过生理仪器实时采集驾驶员的生理信号、通过方向盘转角传感器实时采集方向盘转向角数据、通过adas系统实时获取周围环境信息；s4、将步骤s3采集获取的数据输入换道行为预测模型，输出得到当前换道意图；s5、根据当前目标车辆和周围车辆的状态信息，预测得到目标车辆和周围车辆的未来运动轨迹，结合当前换道意图，确定出当前换道风险，并进行相应的预警提示。3.根据权利要求2所述的一种危险换道驾驶行为预测预警方法，其特征在于，所述步骤s1和步骤s3中生理信号包括但不限于心电信号、皮电信号、肌电信号和呼吸率；方向盘转向角数据包括方向盘的旋转角度和旋转方向。4.根据权利要求2所述的一种危险换道驾驶行为预测预警方法，其特征在于，所述步骤s1和s3中周围环境信息包括周围车辆位置和周围车辆速度信息。5.根据权利要求2所述的一种危险换道驾驶行为预测预警方法，其特征在于，所述步骤s2具体包括以下步骤：s21、基于gru和cnn，建立深度学习框架；s22、基于步骤s1采集获取的数据，构造出包含目标车辆信息和周围环境信息的输入矩阵，所述目标车辆信息由生理信号和方向盘转向角数据构成；s23、将输入矩阵作为训练样本，将换道意图类型作为模型输出，对步骤s21建立的深度学习框架进行训练，构建得到换道行为预测模型。6.根据权利要求5所述的一种危险换道驾驶行为预测预警方法，其特征在于，所述步骤s21中深度学习框架内gru通过两个门控信号来控制，所述两个门控信号为重置门控和更新门控，所述gru的具体工作过程为：首先使用重置门得到重置之后的数据：h
t-1
'＝h
t-1
⊙
r其中，r是重置门控，
⊙
代表矩阵中对应元素相乘；之后将h
t-1
'与输入x
t
进行拼接，再通过一个tanh激活函数将数据缩放到[-1,1]，得到
h'，最后通过更新门控z更新表达式得到输出：h
t
＝(1-z)
⊙
h
t-1
+z
⊙
h'其中，x
t
为各时刻的输入数据，由周围车辆轨迹和换道意图概率的结果组成，(1-z)
⊙
h
t-1
表示对原本隐藏状态的选择性“遗忘”，z
⊙
h'表示对包含当前节点信息的h'进行选择性“记忆”；gru处理后的数据输出到cnn中，用于特征提取。7.根据权利要求6所述的一种危险换道驾驶行为预测预警方法，其特征在于，所述步骤s21中深度学习框架内cnn采用resnet18为基础架构，并使用5
×
5卷积核代替设定网络层的3
×
3卷积核，以增大感受野，从而能够提取更多的特征信息。8.根据权利要求2所述的一种危险换道驾驶行为预测预警方法，其特征在于，所述换道意图类型包括左转道、不换道和右换道。9.根据权利要求2所述的一种危险换道驾驶行为预测预警方法，其特征在于，所述步骤s5具体是根据当前目标车辆和周围车辆的状态信息，并结合卡尔曼滤波以及运动学模型，预测得到目标车辆和周围车辆的未来运动轨迹。10.根据权利要求2所述的一种危险换道驾驶行为预测预警方法，其特征在于，所述步骤s5中，在预测得到目标车辆和周围车辆的未来运动轨迹后，结合当前换道意图，通过判断当前换道意图与未来运动轨迹之间是否存在冲突，以确定出当前换道风险，若判断存在冲突，则确定当前换道风险为“危险”，否则确定当前换道风险为“安全”。

技术总结
本发明涉及一种危险换道驾驶行为预测预警系统及其方法，该方法包括：采集驾驶员的历史生理信号、采集历史方向盘转向角数据、获取历史周围环境信息，以此构造输入矩阵，并作为训练样本对深度学习模型进行训练，构建换道行为预测模型；再实时采集驾驶员的生理信号、方向盘转向角数据，实时获取周围环境信息，并输入换道行为预测模型，得到当前换道意图；根据当前目标车辆和周围车辆的状态信息，预测所有车辆的未来运动轨迹，结合当前换道意图，确定出当前换道风险，并进行相应的预警提示。与现有技术相比，本发明能够在较短时间内更好地预测出换道意图，并结合未来运动轨迹进行换道风险判断，能够准确、及时地预测出危险换道行为并进行相应预警。并进行相应预警。并进行相应预警。


技术研发人员：王俊骅 傅挺 郑爱林
受保护的技术使用者：同济大学
技术研发日：2023.01.16
技术公布日：2023/6/27