CN110986994A - 一种基于高噪音车辆轨迹数据的换道意图自动标注方法 - Google Patents

Abstract

本发明涉及一种基于高噪音车辆轨迹数据的换道意图自动标注方法，包含如下的步骤，S1:收集与预处理周围车辆的跟踪轨迹数据；S2：换道点寻找；S3：换道开始点确定；S4：有效换道轨迹验证；S5：输出已标注换道帧与车道保持帧。本发明使用车辆与道路中心点的距离在时间上的平均值的变化作为判断换道开始的标志，不但考虑到了噪音的影响，也对千变万化的换道行为的本质做了一个鲁棒的定义。

Description

一种基于高噪音车辆轨迹数据的换道意图自动标注方法

技术领域

本发明属于无人驾驶车辆技术领域，尤其是涉及到一种基于高噪音车辆轨迹数据的换道意图自动标注方法。

背景技术

随着无人驾驶技术的发展，为了安全并且有效率地通过复杂的交通场景并作出最优的决策，无人驾驶车辆需要有能够预测周围车辆的未来意图与轨迹的能力。周围车辆的行驶意图不但对无人驾驶车辆的决策规划有重要影响，它们彼此间驾驶意图也会互相影响。人类司机可以根据自身的经验能够依据周围车辆的当前、过去行为及互动对它们的行驶意图和未来轨迹作出相应预测，从而作出重要行驶决策如超车、减速或换道。现有的辅助驾驶系统通常缺失这种预测能力，而将行驶决策完全交给人类司机。但对于无人驾驶车辆来说，这种决策能力是必不可少的，而作为重要输入的周围车辆的意图和轨迹预测也在现在的无人驾驶系统中扮演越来越重要的角色。

现有的意图预测算法通常分为两种，基于规则的算法与基于学习的算法。基于规则的算法，最具代表性的是“间隙接受模型”，它假设驾驶员的车道变换动机是基于目标车道的超前和滞后间隙，该方法假设如果间隙达到最小可接受值，则驾驶员倾向于进行车道变换。虽然拥有简单便捷判断车辆意图的特点，但这样的方法需要进行大量繁琐耗时的参数微调。而基于学习的算法则从大量数据中学习出车辆意图分辨的函数或网络模型，通常需要大量的训练数据，它的分类效果一般好于基于规则的算法，且具有鲁棒性。

目前，如何获得大量的已标注数据成为了这类方法的难点之一。现有的基于学习的算法一部分使用手工标注公开数据集(如NGSIM US101)的方法，需要耗费大量人工，且此类公开数据集一般使用公路固定传感器来采集，与在无人驾驶车辆上采集的数据在精确度等方面有很大差别；一部分使用模拟生成的数据作为训练集，并不具有实际应用可操作性。

在2018年发表的一篇主题名称为“Learning Vehicle Cooperative Lane-changing Behavior from Observed Trajectories in the NGSIM Dataset.”(作者Su,Shuang&Mülling,Katharina&Dolan,John&Palanisamy,Praveen&Mudalige,Priyantha)的公开文章中，使用了自动标注方法对NGSIM数据集进行车辆意图的标注，如图6所示，以车辆朝向与道路的夹角变化作为换道开始的标志，但这在实际运用中是不现实的，它存在如下的两个问题：1.在实际中车辆在换道时候夹角很小，在跟踪的噪音之下导致夹角的变化更加难以识别；2.并且这种方法需要固定一个判断夹角变化的阈值，但每辆车换道时的位置和速度不同，所以对千变万化的道路情况并不适用。

基于此，特提出本发明。

发明内容

为了解决现有技术存在的上述问题，本发明的目的是提供一种基于高噪音车辆轨迹数据的换道意图自动标注方法，对车辆换道行为和车道保持行为进行自动标注，从而能大批量标注具有噪音的车辆跟踪数据，生成训练数据并输入到基于学习的车辆意图及轨迹预测模型中。本发明能对车辆跟踪轨迹数据中的换道数据进行识别归类，从而生成以帧为单位的训练数据。该发明使用车辆与道路中心点的距离在时间上的平均值的变化作为判断换道开始的标志，不但考虑到了噪音的影响，也对千变万化的换道行为的本质做了一个鲁棒的定义。

本发明的技术方案是：一种基于高噪音车辆轨迹数据的换道意图自动标注方法，包含如下的步骤，

S1:收集与预处理周围车辆的跟踪轨迹数据；

S2：换道点寻找；

S3：换道开始点确定；

S4：有效换道轨迹验证；

S5：输出已标注换道帧与车道保持帧。

进一步地，S1步骤中，周围车辆的跟踪轨迹数据由无人驾驶感知系统在驾驶路测时产生，包括有道路信息的地图，车辆物理信息(车辆类别，长宽高)，车辆位置(基于Frenet道路坐标系，笛卡尔世界坐标系)，所在车道，速度(基于Frenet道路坐标系)，车辆朝向(基于Frenet道路坐标系)等，由相机，激光雷达，毫米波雷达等感知数据进行融合后对车辆进行跟踪处理后产生。

进一步地，S1步骤中，跟踪轨迹数据的预处理包括如下的数据筛选：

1)只选取有地图信息的轨迹数据，当车辆无法定位到已知地图，则该车辆轨迹不予选取；

2)静止的车辆轨迹不予选取；

3)只选取与无人驾驶车辆某个距离内的车辆跟踪轨迹。

进一步地，S2步骤中，以车辆为单位，寻找车辆跨越不同车道的时间点，即第n-1帧车辆定位为车道A，第n帧车辆定位为车道B，则第n帧为该车的换道点。

进一步地，S3步骤中，还包括：a)对换道车辆的行为做一个设定：当车辆换道行为开始时，车辆会逐渐向目标车道移动，即车辆离当前车道的L横向距离递增，离目标车道的L横向距离递减；b)使用L方向坐标的前五帧的平均值L_mean作为判断依据，从车辆换道点第n帧开始，向前依次计算车辆第n-1帧，第n-2帧，...，等相对于当前车道的L_mean，按照a)中的定义，第n-1帧的车辆相对于当前车道的L方向距离应小于第n帧的车辆相对于当前车道的L方向距离，第n-2帧应小于第n-3帧的，以此类推直到第n-t帧，当L_mean不再递减，或到达所在车道中心线时(此时L＝0)，则将该第n-t帧定义为车辆换道开始点。

进一步地，S4步骤中，过短或过长的换道轨迹均丢弃不予考虑。对b)中每一帧都验证车辆是否还在当前车道，若在换道回推过程中又发生一次换道则立刻终止回推记下t，若t过短或过长则丢弃该轨迹。

本发明的优点在于：对噪音严重的车辆跟踪轨迹数据中提取换道轨迹有极强的鲁棒性，且对车辆换道行为提出了一种具有推广性的定义，并且在标注过程中验证标注的有效性，能在无人工干预的情况下标注出大量正确且有效的换道帧及车道保持帧。

附图说明

图1是本发明的换道意图自动标注方法的流程图。

图2是本发明的高噪音车辆跟踪数据中的车道保持轨迹与换道轨迹示意图，其中左边为车道保持轨迹，右边为换道轨迹。

图3是笛卡尔坐标系与Frenet坐标系的示意图。

图4是本发明的换道意图自动标注方法的换道帧确定。

图5是是本发明的换道意图自动标注方法的车道保持帧确定。

图6是现有技术中的自动标注方法对NGSIM数据集进行车辆意图的标注示意图。

具体实施方式

以下结合附图1-5，对本发明一种基于高噪音车辆轨迹数据的换道意图自动标注方法做进一步地说明，需要说明的是，下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

如图1所示，为本发明一种基于高噪音车辆轨迹数据的换道意图自动标注方法的流程图，该换道意图自动标注方法包含如下的步骤，

S1:收集与预处理周围车辆的跟踪轨迹数据。周围车辆的跟踪轨迹数据由无人驾驶感知系统驾驶路测产生，包括有道路信息的地图，车辆物理信息(例如车辆类别，车辆的尺寸例如长度、宽度、高度)，车辆位置(基于Frenet道路坐标系或笛卡尔世界坐标系)，所在车道，速度(优选是基于Frenet道路坐标系)，车辆朝向(优选是基于Frenet道路坐标系)等，由相机，激光雷达，毫米波雷达等感知数据进行融合后对车辆进行跟踪处理后产生，这些周围车辆的跟踪轨迹数据是一种高噪音车辆跟踪轨迹数据，如图2所示，为高噪音车辆跟踪数据中的车道保持轨迹与换道轨迹。

在本发明中，优选采用Frenet道路坐标系。笛卡尔坐标系通常用来描述物体的位置，但对于无人驾驶来说并不是最佳的选择。无人驾驶汽车通常基于道路进行加速或换道的决策。作为笛卡尔坐标系的替代解决方案，Frenet坐标系使用道路的中心线作为参考线，使用参考线的切线方向和法线方向定义坐标系。如图3所示，车辆相对于道路中心线的切线方向距离S和横向距离L为该车在Frenet坐标系上的坐标。

在S1中，对周围车辆的跟踪轨迹数据进行如下的预处理：

1)只选取有地图信息的轨迹数据，当车辆无法定位到已知地图，则该车辆轨迹不予选取；

2)车辆换道及车辆道路保持行为只对运动中的车辆有意义，所以静止的车辆轨迹也不予选取；

3)只选取与无人驾驶车辆距离在某个数值内例如100米内的车辆跟踪轨迹。因为超过100米之后跟踪数据噪音会过大，不适用于作为训练数据。

S2：换道点寻找。以车辆为单位，寻找车辆跨越不同车道的时间点，即第n-1帧车辆定位为车道A，第n帧车辆定位为车道B，则第n帧为该车的换道点。一辆车在整条轨迹上可能有一个或多个换道点，也可能整条轨迹都是车道保持行为并没有换道点。

S3：换道开始点确定。a)本发明对换道车辆的行为做出基本设定：当车辆换道行为开始时，车辆会逐渐向目标车道移动，即车辆离当前车道的横向距离L递增，离目标车道的横向距离L递减。但这一点在充满噪音的跟踪数据中并不一定为真，车辆在Frenet道路坐标系上的定位存在大量“跳跃”现象，不光在S方向也在L方向。在图4中菱形应为真正的换道开始点，但那些矩形对应的位置，根据这一设定却会被误判为换道开始点，因此需要改进。

b)本发明提出一种确定车辆移动趋势的方法，使用L方向坐标的前五帧的平均值L_mean作为判断依据，大大增加了换道行为判断的鲁棒性：从车辆换道点第n帧开始(图4中左边的三角形)，向前依次计算车辆第n-1帧，第n-2帧，...，等相对于当前车道的L_mean，按照a)中的定义，第n-1帧的车辆相对于当前车道的L方向距离应小于第n帧的车辆相对于当前车道的L方向距离，第n-2帧应小于第n-3帧的，以此类推直到第n-t帧，当L_mean不再递减，或到达所在车道中心线时(此时L＝0)，则将该第n-t帧定义为车辆换道开始点。图4中右边较为平缓的曲线就是使用替代L_mean画出的轨迹图，对比该曲线旁边的原始轨迹，可以看出新的轨迹图对噪音有更好的鲁棒性。

S4：有效换道轨迹验证。过短或过长的换道轨迹(例如t<10或t>100)均丢弃不予考虑；对步骤S3的b)中每一帧都应验证车辆是否还在当前车道，若在换道回推过程中又发生一次换道则立刻终止回推并记下t，若t过短或过长则丢弃该轨迹。该验证能有效过滤掉噪声过大或不完整的数据。如图5所示，图5的左图为一条换道轨迹，最前端的三角形点为实际换道点，其它三角形为噪音所造成的换道点。图5的右图为一条车道保持轨迹，三角形为噪声造成的换道点。通过该步骤两种轨迹都会被丢弃不予考虑，从而保证训练数据的正确性。

S5：输出已标注换道帧与车道保持帧。从车辆换道开始到换道点所有帧[n-t，n]都定义为车辆换道帧，除此之外，均为车道保持帧。本发明不设换道结束点，换道结束点即换道点，因为换道点之后车辆实际行为为车道保持直到下一次换道。

本发明的技术方案对噪音严重的车辆跟踪轨迹数据中提取换道轨迹有极强的鲁棒性，且对车辆换道行为提出了一种具有推广性的定义，并且在标注过程中验证标注的有效性，能在无人工干预的情况下标注出大量正确且有效的换道帧及车道保持帧。

本发明的方法不限于自动驾驶车辆，对卡车或其他车型同样适用。

本发明中具体参数可以调整，同样也适用于噪音小的车辆轨迹数据，不限于跟踪数据。

上述实施方式用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。

Claims (6)

1.一种基于高噪音车辆轨迹数据的换道意图自动标注方法，其特征在于，包含如下的步骤，

S1:收集与预处理周围车辆的跟踪轨迹数据；

S2：换道点寻找；

S3：换道开始点确定；

S4：有效换道轨迹验证；

S5：输出已标注换道帧与车道保持帧。

2.如权利要求1所述的基于高噪音车辆轨迹数据的换道意图自动标注方法，其特征在于，所述S1步骤中，周围车辆的跟踪轨迹数据由无人驾驶感知系统在驾驶路测时产生，包括有道路信息的地图、车辆物理信息、车辆位置、所在车道、速度和车辆朝向。

3.如权利要求1所述的基于高噪音车辆轨迹数据的换道意图自动标注方法，其特征在于，S1步骤中，跟踪轨迹数据的预处理包括如下的数据筛选：

1)只选取有地图信息的轨迹数据，当车辆无法定位到已知地图，则该车辆轨迹不予选取；

2)静止的车辆轨迹不予选取；

3)只选取与无人驾驶车辆某个距离内的车辆跟踪轨迹。

4.如权利要求1所述的基于高噪音车辆轨迹数据的换道意图自动标注方法，其特征在于，S2步骤中，以车辆为单位，寻找车辆跨越不同车道的时间点，即第n-1帧车辆定位为车道A，第n帧车辆定位为车道B，则第n帧为该车的换道点。

5.如权利要求1所述的基于高噪音车辆轨迹数据的换道意图自动标注方法，其特征在于，S3步骤中，还包括：

a)对换道车辆的行为做一个设定：当车辆换道行为开始时，车辆会逐渐向目标车道移动，即车辆离当前车道的L横向距离递增，离目标车道的L横向距离递减；

b)使用L方向坐标的前五帧的平均值L_mean作为判断依据，从车辆换道点第n帧开始，向前依次计算车辆第n-1帧，第n-2帧，...，等相对于当前车道的L_mean，按照a)中的定义，第n-1帧的车辆相对于当前车道的L方向距离应小于第n帧的车辆相对于当前车道的L方向距离，第n-2帧应小于第n-3帧的，以此类推直到第n-t帧，当L_mean不再递减，或到达所在车道中心线时，则将该第n-t帧定义为车辆换道开始点。

6.如权利要求5所述的基于高噪音车辆轨迹数据的换道意图自动标注方法，其特征在于，S4步骤中，过短或过长的换道轨迹均丢弃不予考虑。

Images