本发明专利技术涉及自动驾驶技术领域，具体涉及一种轨迹预测模型的训练方法。包括：获取轨迹样本数据；其中，轨迹样本数据包括目标车辆的轨迹样本数据以及目标车辆的周车轨迹样本数据；获取目标车辆轨迹预测模型以及各个周车的轨迹修正模型；将周车的轨迹样本数据输入对应的周车的轨迹预测模型以生成与周车对应的轨迹修正序列；利用目标车辆和周车的轨迹样本数据确定各个所述轨迹修正模型对应的权重；利用权重将车辆轨迹预测模型及周车的轨迹预测模型进行级联得到轨迹预测模型；训练轨迹预测模型以更新轨迹预测模型的参数。考虑修正数据从而使网络结构参数与实际训练集能够进行匹配，使预测数据更加准确，更接近实际数值。
Training method, device and equipment of a trajectory prediction model
【技术实现步骤摘要】
一种轨迹预测模型的训练方法、装置和设备
本专利技术涉及无人驾驶
，具体涉及一种轨迹预测模型的训练方法、装置和设备。
技术介绍
轨迹预测是自动驾驶技术的重要一环，自动驾驶汽车的决策、规划和控制都依赖于对当前车辆所处环境的合理认知，这种认知不仅包括高精度地图的获取、车辆的定位、周车等障碍物的识别与跟踪，还需要对周围障碍物未来的轨迹进行预测。例如：驾驶员在驾驶过程中也会对周车的运动做出预判断。而对于自动驾驶，实时进行轨迹预测将帮助后续的决策等环节规避大量潜在的风险，从而大幅度提高自动驾驶汽车的安全性。对于传统的车辆轨迹预测算法来说，是通过依赖汽车的历史轨迹生成预测轨迹，这种预测方式在低密度交通下可以取得较为准确的预测结果。然而在高密交通场景下，车辆的运动很大程度上是受到周围其他车辆的影响，因此在轨迹预测中还应去考虑车辆之间的空间交互情况。近年来,随着深度学习的发展，RNN等时序网络(主要为LSTM)逐渐被应用于端到端的车辆轨迹预测中，而为了使建模空间交互常常需要构建耦合多个RNN的端到端模型，具体做法是将空间交互时序化，表达为相对位置或相对速度等时间序列，并采用简单的时序网络(LSTM)建模，最后将各个简单网络叠加成复杂网络，在训练过程中联合学习整个网络的参数。然而这种“直接耦合”的方式未引入任何的先验信息，是完全依赖于神经网络的学习能力，缺乏解释性；并在网络结构参数的设计中无法良好的与训练集特点进行匹配，从而导致所训练出来的模型预测数据不准确。
技术实现思路
有鉴于此，本专利技术实施例提供了一种轨迹预测模型的训练方法、装置和设备，以解决预测数据不准确的问题。根据第一方面，本专利技术实施例提供了一种轨迹预测模型的训练方法，包括：获取轨迹样本数据；其中，所述轨迹样本数据包括目标车辆的轨迹样本数据以及所述目标车辆的周车轨迹样本数据；获取所述目标车辆的车辆轨迹预测模型以及各个所述周车的轨迹修正模型；将所述周车的轨迹样本数据输入对应的所述周车的轨迹预测模型中，以生成与所述周车对应的轨迹修正序列；利用所述目标车辆和周车的轨迹样本数据确定各个所述轨迹修正模型对应的权重；用所述权重将所述车辆轨迹预测模型以及所述周车的轨迹预测模型进行级联，以得到所述轨迹预测模型；训练所述轨迹预测模型，以更新所述轨迹预测模型的参数。通过获取轨迹样本数据，和预设的预测模型以及轨迹修正模型，把样本数据放入预测模型和修正模型中，得到初步预测的数据和修正数据，通过把预测数据和修正数据进行权重设置之后在进行叠加处理，以得到更加准确的预测数据。利用修正数据模型和预测数据模型级联形成新的预测数据模型，之后把数据放入新的预测数据模型中，进行训练得到最后的修正后的预测数据。通过把修正数据考虑其中，并进行权重分配，在利用预测数据和修正数据进行叠加，使预测轨迹模型具有可解释性，又因考虑修正数据从而使网络结构参数与实际训练集能够进行匹配，从而使预测数据更加准确，更接近实际数值。结合第一方面，在第一方面第一实施方式中，将所述周车的轨迹样本数据输入对应的所述周车的轨迹预测模型中，生成与所述周车对应的轨迹修正序列，包括：利用预测模型对目标车辆和周车进行初步预测；其中，目标车辆预测得到的是目标车辆初步轨迹，周车预测得到的是周车初步轨迹；通过周车的轨迹修正模型预测出由周车初步轨迹引发的车辆轨迹修正序列。通过预测模型对目标车辆和周车进行初步预测，得到初步预测轨迹，但相对与目标车辆来说不同方向的周车其初步预测轨迹存在误差，因此在是使用初步预测轨迹后还需要对周车进行轨迹修正，得到轨迹修正序列，以便于最终所获得的预测轨迹能够更接近于实际轨迹。结合第一方面，在第一方面第二实施方式中，所述预测目标车辆和所述周车的初步轨迹的公式为：其中，X为垂直于车道方向的坐标；Y为沿车道方向的坐标。结合第一方面，在第一方面第三实施方式中，利用所述目标车辆和周车的轨迹样本数据确定各个所述轨迹修正模型对应的权重，包括：获取加权权重，包括：确定车辆之间的安全距离；获取根据车辆之间的安全距离与二者实际的纵向距离的比值，进行归一化后得到的加权权重；把车辆轨迹修正序列联合加权权重，获得最终预测加权。通过获取加权权重，估计周车与目标车辆的安全距离，并把所估计的安全距离与实际距离进行评估，这样既可以使周车对目标车辆的威胁度进行全面评估，从而提高其轨迹预测的精度。结合第一方面，在第一方面第四实施方式中，最终预测加权公式为：其中，wt＝[w1,w2,...w6]，w为加权权重，ht为车辆轨迹修正序列。结合第一方面，在第一方面第五实施方式中，安全距离计算公式为：其中，f和l分别表示参与安全距离计算的两辆车在纵向(沿车道方向)领先和落后的车辆，vf和vl为两辆车的纵向速度，L表示两辆车的平均车长，为驾驶员的反应时间，abrake表示刹车时的最大加速度。结合第一方面，在第一方面第六实施方式中，获取根据车辆之间的安全距离与二者实际的纵向距离的比值，进行归一化后得到的加权权重，其公式为：其中，Di,s为车辆之间的安全距离，Δdi,s为车辆之间实际的纵向距离。结合第一方面，在第一方面第七实施方式中，训练所述轨迹预测模型，以更新所述轨迹预测模型的参数，包括：获取训练数据，把训练数据放入不同的轨迹预测模型进行训练；对比轨迹预测模型的训练结果，统计预测范围内的误差。结合第一方面，在第一方面第八实施方式中，统计在预测范围内的误差计算公式为：其中rmsP表示单一轨迹段在预测范围为P以内的均方根误差，RMSP表示测试集所有轨迹段的平均RMS误差，为表示测试集所有轨迹段的标准差。通过获取训练数据，分别把训练数据加入不同的轨迹预测模型中(包括本专利技术所提出的轨迹预测模型)进行训练，从输出结果上看，如图6所示，不同的数据模型所输出的结果并不一样，本专利技术所提出的轨迹预测模型的预测范围误差范围高于其他数据模型的轨迹预测范围。根据第二方面，本专利技术实施例提供了一种轨迹预测模型的训练装置，包括：获取模块，用于获取轨迹样本数据和获取所述目标车辆的车辆轨迹预测模型以及各个所述周车的轨迹修正模型；修正模块，用于将所述周车的轨迹样本数据输入对应的所述周车的轨迹预测模型中，以生成与所述周车对应的轨迹修正序列；确定模块，用于根据所述轨迹修正序列确定各个所述轨迹修正模型对应的权重；训练模块，用于利用所述权重将所述车辆轨迹预测模型以及所述周车的轨迹预测模型进行级联，以得到所述轨迹预测模型。通过轨迹预测模型的训练装置，保证了轨迹预测的准确性，利用模块与模块之间的连接方式，简化复杂的预测过程，有利于提升预测的准确率。根据第三方面，本专利技术实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储本文档来自技高网...
【技术保护点】
1.一种轨迹预测模型的训练方法，其特征在于，包括：/n获取轨迹样本数据；其中，所述轨迹样本数据包括目标车辆的轨迹样本数据以及所述目标车辆的周车轨迹样本数据；/n获取所述目标车辆的车辆轨迹预测模型以及各个所述周车的轨迹修正模型；/n将所述周车的轨迹样本数据输入对应的所述周车的轨迹预测模型中，生成与所述周车对应的轨迹修正序列；/n利用所述目标车辆和周车的轨迹样本数据确定各个所述轨迹修正模型对应的权重；/n利用所述权重将所述车辆轨迹预测模型以及所述周车的轨迹预测模型进行级联，以得到所述轨迹预测模型；/n训练所述轨迹预测模型，以更新所述轨迹预测模型的参数。/n
【技术特征摘要】
1.一种轨迹预测模型的训练方法，其特征在于，包括：
获取轨迹样本数据；其中，所述轨迹样本数据包括目标车辆的轨迹样本数据以及所述目标车辆的周车轨迹样本数据；
获取所述目标车辆的车辆轨迹预测模型以及各个所述周车的轨迹修正模型；
将所述周车的轨迹样本数据输入对应的所述周车的轨迹预测模型中，生成与所述周车对应的轨迹修正序列；
利用所述目标车辆和周车的轨迹样本数据确定各个所述轨迹修正模型对应的权重；
利用所述权重将所述车辆轨迹预测模型以及所述周车的轨迹预测模型进行级联，以得到所述轨迹预测模型；
训练所述轨迹预测模型，以更新所述轨迹预测模型的参数。
2.根据权利要求1所述的训练方法，其特征在于，将所述周车的轨迹样本数据输入对应的所述周车的轨迹预测模型中，生成与所述周车对应的轨迹修正序列，包括：
利用预测模型对目标车辆和周车进行初步预测；其中，目标车辆预测得到的是目标车辆初步轨迹，周车预测得到的是周车初步轨迹；
通过周车的轨迹修正模型预测出由周车车辆初步轨迹引发的车辆轨迹修正序列。
3.根据权利要求2所述的训练方法，其特征在于，所述预测目标车辆和所述周车的初步轨迹的公式为：
其中，X为垂直于车道方向的坐标；Y为沿车道方向的坐标。
4.根据权利要求3所述的训练方法，其特征在于，所述利用所述目标车辆和周车的轨迹样本数据确定各个所述轨迹修正模型对应的权重，包括：
获取加权权重，包括：
确定车辆之间的安全距离；
获取根据车辆之间的安全距离与二者实际的纵向距离的比值，进行归一化后得到的加权权重；
把车辆轨迹修正序列联合加权权重，获得最终预测加权。
5.根据权利要求4所述的训练方法，其特征在于，最终预测加权公式为：
其中，wt＝[w1,w2,...w6]，w为加权权重，ht为车辆轨迹修正序列。
6.根据权利要求5所述的训练方法，其特征在于，安全距离计算公式为：
其中，f和l分别表示参与安全距离计算的两辆车在纵向...
【专利技术属性】
技术研发人员：樊平，
申请(专利权)人：珠海深圳清华大学研究院创新中心，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。