一种基于长短记忆网络的多重车辆轨迹预测方法技术

本发明专利技术公开了一种基于长短记忆网络的多重车辆的轨迹预测方法，将主车和其邻车的历史轨迹等特征作为输入，充分考虑到车辆之间的位置以及驾驶行为的相互影响；经过网络的编码解码之后，将输出的邻近车辆的未来轨迹进一步输入混合密度网络，估计出车辆位置的概率分布，每次训练将混合密度网络的误差和轨迹结果的均方根误差以及编码器解码器网络的参数正则化项相结合，构成损失函数，指导网络参数的更新，如此可提高申请网络的预测准确性，训练好的神经网络可以预测邻车的带有概率的位置信息，将位置信息按照时间的顺序形成连续的轨迹，可以辅助主车进行决策和规划。

A multi vehicle trajectory prediction method based on long short memory network

【技术实现步骤摘要】
一种基于长短记忆网络的多重车辆轨迹预测方法
本专利技术涉及自动控制
，尤其涉及一种基于长短记忆网络的多重车辆的轨迹预测方法。
技术介绍
自动驾驶及相关研究在过去的几十年中取得了很大进展。然而，在高速公路等复杂的城市环境中实现高水平的自动驾驶仍然面临着巨大的挑战。这是因为在这种环境中，无人驾驶车辆的驾驶行为处于高度的动态变化之中，且不同的道路参与者之间驾驶策略和所处的位置会受彼此影响，如果失去对于周围其他车辆的位置的估计，则会导致驾驶行为过于激进或者保守。例如相邻车道的车辆突然变道，在没有预测防备的情况下很可能造成车辆追尾事故。在这种情况下，需要对道路中的其他车辆进行未来轨迹和速度的预测，从而将预测信息和主车的状态信息相结合，实现无人驾驶车辆的决策和布局路径规划，帮助无人驾驶车辆高效地避障和更加舒适地驾驶。在无人车辆的轨迹预测领域，目前的大多数方法都是基于车联网信息，在众多的数据中随机选择一辆目标车辆，然后针对其周围的某辆车辆，进行轨迹预测。这样的系统会导致如下为题：1.不符合实际驾驶过程中无人车的传感器视角有限的情况，通常而言，行驶在路上的主车只能通过传感器获取其周围相邻车辆的位置信息；2.一次预测结果只包含一辆车辆的未来轨迹，效率低下；3.忽略了在一定范围的车辆集群内，车辆驾驶行为间的相互影响，使预测的结果无法应用于实际情况。
技术实现思路
有鉴于此，本专利技术提供了一种基于长短记忆网络的多重车辆的轨迹预测方法，可以准确预测邻车位置。一种多重车辆轨迹预测方法，包括如下步骤：步骤0、对一段设定时间S1内主车的位置、主车所在车道、主车与前车距离、主车周围邻车的位置进行采样，得到一条历史数据；对时间段S1之后的设定时间段S2内主车周围邻车的位置进行采样，得到预测数据，作为训练神经网络时历史数据的标签；历史数据与对应标签构成一条训练数据；以此类推，获得多条训练数据；步骤1、构建以深层长短记忆网络为基本单位的多个编码器，以及以深层长短记忆网络为基本单位的多个解码器，由此形成神经网络；步骤2、在步骤0获得的训练数据中，随机挑选设定数目的训练数据，将每条训练数据按照时间的顺序依次送入一个编码器当中；编码器经过编码，将输入的数据转化为编码向量，然后将编码的向量送入所述解码器当中，其中，编码向量作为解码器的初始隐藏状态；所述解码器输出时间段S2内各采样时刻的邻车位置的预测值；步骤3、将步骤2中解码器输出的预测值输入到全连接层网络，映射成特征数据；将特征数据送入混合密度网络中，通过训练，输出6组描述当前时刻ti的前一时刻ti-1时刻高斯分布的参数其中，上角标(j)表示车辆的标号，k表示高斯分布的序号，下角标代表时间；表示第k组高斯分布的参数中用于加权的系数，分别代表第k组高斯分布的参数中描述x方向和y方向位置均值的物理量，代表x方向和y方向的标准差，代表第k组高斯分布的参数中关联x方向和y方向的相关系数；步骤4、对步骤3中输出的权重取指数后进行归一化计算，得到更新后权重；对步骤3中输出的标准差取指数计算结果，将相关系数取双曲正切函数计算后的数值，然后再代入到公式(1)中，计算出(j)车辆在ti时刻所在位置的概率：步骤5、计算解码器输出的位置预测值与标签之间的均方根误差，记为F1；基于每辆车每一采样时刻的概率结果，得到所有邻车的各采样时刻概率和值，再求所有采样时刻的概率和，最后对该和值求负对数，得到F2；将神经网络参数的正则化项取平方和，得到F3；神经网络最终的损失函数如下式所示：步骤6、基于步骤5计算得到的最终的损失函数，采用Adam梯度下降法，更新各参数，即：损失函数对神经网络各参数分布求梯度，再基于梯度值更新各参数，基于更新后参数返回步骤2继续迭代，直到损失函数变化率低于设定阈值，停止迭代；步骤7、利用当前更新后参数的神经网络，预测邻车的位置。较佳的，所述邻车数量为6个以内。较佳的，所述邻位置，包括x方向位置信息和y方向速度信息。较佳的，所述时间段S1为50S；时间段S2为小于30S。较佳的，采样的频率为10Hz。本专利技术具有如下有益效果：本专利技术的一种基于长短记忆网络的多重车辆的轨迹预测方法，基于以长短记忆网络为单元的编码器解码器的网络架构，该方法基于无人驾驶车的视角，利用车载传感器记录的周围车辆的历史轨迹，结合车辆自身的位置坐标信息、所在的车道、与前方车辆的防碰撞距离等特征，通过构建的神经网络架构，一次性产生邻近最多6辆车辆的未来的轨迹预测；神经网络将主车和其邻车的历史轨迹等特征作为输入，充分考虑到车辆之间的位置以及驾驶行为的相互影响；经过网络的编码解码之后，将输出的邻近车辆的未来轨迹进一步输入混合密度网络，估计出车辆位置的概率分布，每次训练将混合密度网络的误差和轨迹结果的均方根误差以及编码器解码器网络的参数正则化项相结合，构成损失函数，指导网络参数的更新，如此可提高申请网络的预测准确性，训练好的神经网络可以预测邻车的带有概率的位置信息，将位置信息按照时间的顺序形成连续的轨迹，可以辅助主车进行决策和规划。附图说明图1为本专利技术的基于长短记忆网络的多重车辆轨迹预测方法的网络框架图；图2为本专利技术所采用的数据的坐标系示意图；图3-1，图3-2，图3-3分别为实施例中6辆邻车在三种不同场景下轨迹预测真值和预测值结果；其中，场景为随机场景。图4为保持车道行驶的情形下，主车前方三辆车轨迹预测结果，其中：图4-1中左图为驾驶情景的示意图，右图为带有概率带的三条预测的轨迹。图4-2为时空轨迹概率图，x轴，y轴表示实际的位置，z轴表示时间轴，图中可观察到带有概率带的三条时空轨迹。图4-3为时空轨迹概率图分别沿平行于x-y轴确定的平面在z轴t＝2s和t＝3s的时刻横切的截面图，t＝2s以及t＝3s时均可观察到A,B,C三辆车的带有概率带的瞬时位置，该图说明经过本模型的预测，可以得到邻域内预测车辆在预测时间内的位置的概率分布。图5为有车辆变道的情形下主车前方的A,B,C三辆预测车辆。图5-1中包括驾驶情景的示意图以及带有概率带的三条预测的轨迹。图5-2为时空轨迹概率图，x轴，y轴表示实际的位置，z轴表示时间轴，图中可观察到带有概率带的三条时空轨迹。图5-3为时空轨迹概率图分别沿平行于x-y轴确定的平面在z轴t＝2s和t＝3s的时刻横切的截面图，t＝2s时可观察到A,B,C三辆车的带有概率带的瞬时位置，t＝3s时只能观察到A,C两辆车辆的带有概率带的瞬时位置。具体实施方式针对在高速环境中车辆的位置和速度处于高度变化中的状态以及相邻车道之间车辆互相影响的情况，本专利技术基于无人驾驶车辆主车的视角，利用车载传感器激光雷达获取相邻车辆的相对位置信息(也可通过视觉传感器获取图像数据，利用目标追踪的方法获取周围车辆的相对位置)，记录下周围6辆对主车有直接影响的车辆在历史5s内的轨迹，通本文档来自技高网...

【技术保护点】
1.一种多重车辆轨迹预测方法，其特征在于，包括如下步骤：/n步骤0、对一段设定时间S1内主车的位置、主车所在车道、主车与前车距离、主车周围邻车的位置进行采样，得到一条历史数据；对时间段S1之后的设定时间段S2内主车周围邻车的位置进行采样，得到预测数据，作为训练神经网络时历史数据的标签；历史数据与对应标签构成一条训练数据；/n以此类推，获得多条训练数据；/n步骤1、构建以深层长短记忆网络为基本单位的多个编码器，以及以深层长短记忆网络为基本单位的多个解码器，由此形成神经网络；/n步骤2、在步骤0获得的训练数据中，随机挑选设定数目的训练数据，将每条训练数据按照时间的顺序依次送入一个编码器当中；编码器经过编码，将输入的数据转化为编码向量，然后将编码的向量送入所述解码器当中，其中，编码向量作为解码器的初始隐藏状态；所述解码器输出时间段S2内各采样时刻的邻车位置的预测值；/n步骤3、将步骤2中解码器输出的预测值输入到全连接层网络，映射成特征数据；将特征数据送入混合密度网络中，通过训练，输出6组描述当前时刻t

【技术特征摘要】
1.一种多重车辆轨迹预测方法，其特征在于，包括如下步骤：
步骤0、对一段设定时间S1内主车的位置、主车所在车道、主车与前车距离、主车周围邻车的位置进行采样，得到一条历史数据；对时间段S1之后的设定时间段S2内主车周围邻车的位置进行采样，得到预测数据，作为训练神经网络时历史数据的标签；历史数据与对应标签构成一条训练数据；
以此类推，获得多条训练数据；
步骤1、构建以深层长短记忆网络为基本单位的多个编码器，以及以深层长短记忆网络为基本单位的多个解码器，由此形成神经网络；
步骤2、在步骤0获得的训练数据中，随机挑选设定数目的训练数据，将每条训练数据按照时间的顺序依次送入一个编码器当中；编码器经过编码，将输入的数据转化为编码向量，然后将编码的向量送入所述解码器当中，其中，编码向量作为解码器的初始隐藏状态；所述解码器输出时间段S2内各采样时刻的邻车位置的预测值；
步骤3、将步骤2中解码器输出的预测值输入到全连接层网络，映射成特征数据；将特征数据送入混合密度网络中，通过训练，输出6组描述当前时刻ti的前一时刻ti-1时刻高斯分布的参数其中，上角标(j)表示车辆的标号，k表示高斯分布的序号，下角标代表时间；表示第k组高斯分布的参数中用于加权的系数，分别代表第k组高斯分布的参数中描述x方向和y方向位置均值的物理量，代表x方向和y方向的标准差，代表第k组高斯分布的参数中关联x方向和y方向的相关系数；
步骤4、对步骤3中输出的权重取指数后进行归一化...

【专利技术属性】
技术研发人员：付梦印，张婷，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11