用于自动驾驶车辆车道确定的具有非道路状态判定和实时维特比算法的数据依赖隐马尔可夫模型

车道确定和车道序列确定是许多网联自动驾驶车辆（CAV）应用的重要组成部分。车道确定已通过隐马尔可夫模型（HMM）等方法得到解决。现有的用于车道序列确定的 HMM 文献使用经验定义和用户修改的参数来计算 HMM 概率。文献中的概率定义由于无法直接计算非道路位置的概率，可能导致 HMM 中断，从而需要对数据进行后处理。本文利用道路和车辆的物理特性以及传感器的随机特性，开发了一个时变 HMM。该方法产生了以传感器数据为条件的发射和转移概率模型，无需参数调整。它还考虑了车辆不在任何道路车道内（例如，在路肩上或进行 U 形转弯）的概率，从而消除了为处理 HMM 处理中断而进行后处理的需要。这种方法需要调整维特比算法和 HMM 以传感器数据为条件，然后用它们生成车辆行驶过的最可能车道序列。所提出的方法达到了 95.9% 的平均准确率。与现有文献相比，通过实施所提出的转移概率，平均准确率提高了 2.25%，通过同时实施所提出的转移和发射概率，平均准确率提高了 5.1%。