一种改进型高斯混合模型的车辆运动轨迹预测方法和系统技术方案

一种改进型高斯混合模型的车辆运动轨迹预测方法和系统，该方法通过分析车辆历史移动规律特性，提出一种针对不同运动模式车辆移动轨迹预测的方法，利用高斯模型对不同运动模式的车辆轨迹预测进行建模，利用高斯回归预测未来时刻车辆最可能的运动轨迹；优势在于，计算结果不仅是对不同运动模式车辆运动行为进行预测，更是对未来时刻所有车辆可能的运动轨迹的概率分布。大量真实轨迹数据集上的实验表明：本方案所述方法的预测精度比高斯回归预测和卡尔曼滤波预测精度更高，且预测时间更短。

An improved Gaussian mixture model for vehicle trajectory prediction

【技术实现步骤摘要】
一种改进型高斯混合模型的车辆运动轨迹预测方法和系统
本专利技术属于计算机
，特别涉及一种改进型高斯混合模型的车辆运动轨迹预测方法和系统。
技术介绍
随着无线通信技术的发展，移动自组织网络越来越受到广大用户关注。车载自组织网络(VANETs)作为现代智能交通工具的重要基础之一，是以实现车辆之间的通信交流为目标的移动自组织网络。汽车行驶安全性是汽车工业研究者和开发人员的重要课题之一。准确和可靠的未来车辆轨迹预测算法可以通过提前检测潜在的碰撞并减少车辆碰撞的风险。大多数现有的高级驾驶员辅助系统(ADAS)或典型的车辆碰撞警告系统(CWS)都是通过车辆自身携带的传感器测量而获取信息，例如相机，雷达，LiDAR，acoustic等。车联网会采用智能手机作为存储中介，利用车辆内置的娱乐系统播放智能手机存储的音乐、采用智能手机内的GPS导航地图、显示智能手机内的邮件、短信和时事新闻。而作为存储中介的智能手机存储的软件以及数据信息可以与电脑和云服务器同步。车辆系统能够通过实时下载的方式来播放和显示云服务器信息，调用网络信息资源。车辆信息将实现云服务器和电脑信息的数据同步，甚至实现将信息直接存储在云服务器中。目前，车联网的交流技术已经达到了一定地步，大多数的车辆部署变得越来越变得可能和可行性。一方面部署是等待车辆设计者给汽车内部嵌入DSRC/WAVE。另一方面是，蜂窝系统交流技术，如：GPRS,EDGE,3GandLTE。车载网络拓扑结构实时动态变化以及节点之间没有稳定的信息传输路径，导致单纯的基于拓扑结构的路由算法已经无法取得理想的路由性能。随着定位技术的发展，基于节点位置信息的路由越来越受到广大研究者的深入研究。在智能交通系统中，精准、实时、可靠的车辆轨迹预测已经成为移动对象数据库研究的热点。准确可靠的车辆轨迹预测可以提高交通安全性，有效地促进城市道路规划。由于车辆运动容易受到环境变化和使用者行为的影响，因此很难准确预测其运动轨迹。
技术实现思路
本专利技术的目的是提出一种改进型高斯混合模型的车辆运动轨迹预测方法和系统，该方法主要应用于短距离下的车辆运动轨迹预测。TPVN利用高斯模型对不同运动模式的车辆轨迹预测进行建模，利用高斯回归预测未来时刻车辆最可能的运动轨迹。TPVN算法的优势在于，计算结果不仅是对不同运动模式车辆运动行为进行预测，更是对未来时刻所有车辆可能的运动轨迹的概率分布。一种改进型高斯混合模型的车辆运动轨迹预测方法，包括：步骤1：获取车辆历史移动轨迹数据，并构建对应的移动轨迹矢量，并将每条轨迹的轨迹点矢量分别在X轴和Y轴上生成m个相互独立的高斯过程线性组合{X,Y}；步骤2：基于高斯模型分布分别构建关于{X}和{Y}的简单运动模式的轨迹预测概率模型，进行车辆轨迹预测；步骤3：基于高斯混合模型分布分别构建关于{X}和{Y}的基于复杂运动模式的轨迹预测概率模型；通过计算联合概率密度p(y,y*)的统计特性，对复杂运动模式下的车辆运动轨迹对X轴和Y轴上的轨迹点进行预测；其中，y为历史轨迹，y*为近似的未来轨迹。进一步地，每条轨迹的具体表示方法如下：其中，(xi,yi)表示某一条移动轨迹上的一个轨迹点在X轴和Y轴上的矢量，m表示某一条移动轨迹上所包含的轨迹点数量。进一步地，所述简单运动模式的轨迹预测概率模型如下：其中，σi是第i个高斯过程概率密度函数的权重，满足σi≥0,μi和ψi分别为第i个高斯过程概率密度函数的密度中心均值和协方差，表示某一条移动轨迹在X轴方向的矢量xi符合高斯过程轨迹模式的分布密度，表示一条移动轨迹在Y轴方向的矢量yi符合高斯过程轨迹模式的分布密度。进一步地，所述复杂运动模式的轨迹预测概率模型如下：其中，σi是第i个高斯过程概率密度函数的权重，满足μi和ψi分别为第i个高斯过程概率密度函数的密度中心均值和协方差，表示某一条移动轨迹在X轴方向的矢量xi符合高斯过程轨迹模式的分布密度，表示一条移动轨迹在Y轴方向的矢量yi符合高斯过程轨迹模式的分布密度；每一个轨迹点的xi和yi由数据点zi进行仿射变换μi+Λzi获得，其中，Λ为常量矩阵，zi通过高斯采样获得，z服从标准正态分布N(0，I)，I为单位矩阵。进一步地，对复杂运动模式下的车辆运动轨迹对X轴和Y轴上的轨迹点进行预测时，按以下公式计算获得：其中，σi(y)表示第i个高斯过程权重在m个高斯过程权重的混合高斯权重值，fi(y)＝μ*+ψψT；μ*和ψ表示所有混合高斯过程概率密度函数的密度中心均值和协方差。进一步地，通过建立参数μ，Λ，ψ的对数似然函数，采用E步中求期望和M步中求极值的方法，获得参数σ和μ，Λ，ψ的具体取值；E步：轨迹序列在X轴方向上的轨迹矢量xi属于运动模式i的概率为：M步：利用最大期望法求取参数σ的迭代估计公式：最大化参数μ，Λ，ψ似然函数，求取参数μ，Λ，ψ的迭代估计公式：可得：其中，和可以获得在E步中通过猜想各个高斯模型的参数，估计混合高斯模型的权值；在M步中是基于E步估计的混合高斯模型的权值，再去确定模型参数；重复上述两个步骤，直到所述对数似然函数的波动达到设定的极小值时，获得对应的参数σ和μ，Λ，ψ的具体取值。一种改进型高斯混合模型的车辆运动轨迹预测系统，包括：轨迹预处理单元：将车辆历史移动轨迹数据构建对应的移动轨迹矢量，并将每条轨迹的轨迹点矢量分别在X轴和Y轴上生成m个相互独立的高斯过程线性组合{X,Y}；轨迹预测概率模型构建单元：基于高斯模型分布分别构建关于{X}和{Y}的简单运动模式的轨迹预测概率模型；基于高斯混合模型分布分别构建关于{X}和{Y}的基于复杂运动模式的轨迹预测概率模型；轨迹预测单元：利用简单运动模式的轨迹预测概率模型，对简单运动模式下的车辆运动轨迹进行X轴和Y轴上的轨迹点进行预测；利用复杂运动模式的轨迹预测概率模型，通过计算联合概率密度p(y,y*)的统计特性，对复杂运动模式下的车辆运动轨迹对X轴和Y轴上的轨迹点进行预测。进一步地，对复杂运动模式下的车辆运动轨迹对X轴和Y轴上的轨迹点进行预测时，按以下公式计算获得：其中，σi(y)表示第i个高斯过程权重在m个高斯过程权重的混合高斯权重值，fi(y)＝μ*+ψψT；μ*和ψ表示所有混合高斯过程概率密度函数的密度中心均值和协方差。进一步地，还包括轨迹数据库，用于存储和提取历史轨迹数据和车辆各时刻的车辆运动模式。有益效果本专利技术提出一种改进型高斯混合模型的车辆运动轨迹预测方法和系统，该方法利用高斯模型对不同运动模式车辆运动行为进行建模，并统计不同运动模式的概率分布。该算法的优点在于：算法执行过程不需要考虑太多的参数，车辆可以根据自身概率模型，统计轨迹概率分布特性从而获得不同运动模式下的位置本文档来自技高网...

【技术保护点】
1.一种改进型高斯混合模型的车辆运动轨迹预测方法，其特征在于，包括：/n步骤1：获取车辆历史移动轨迹数据，并构建对应的移动轨迹矢量，并将每条轨迹的轨迹点矢量分别在X轴和Y轴上生成m个相互独立的高斯过程线性组合{X,Y}；/n步骤2：基于高斯模型分布分别构建关于{X}和{Y}的简单运动模式的轨迹预测概率模型，进行车辆轨迹预测；/n步骤3：基于高斯混合模型分布分别构建关于{X}和{Y}的基于复杂运动模式的轨迹预测概率模型；通过计算联合概率密度p(y,y

【技术特征摘要】
1.一种改进型高斯混合模型的车辆运动轨迹预测方法，其特征在于，包括：
步骤1：获取车辆历史移动轨迹数据，并构建对应的移动轨迹矢量，并将每条轨迹的轨迹点矢量分别在X轴和Y轴上生成m个相互独立的高斯过程线性组合{X,Y}；
步骤2：基于高斯模型分布分别构建关于{X}和{Y}的简单运动模式的轨迹预测概率模型，进行车辆轨迹预测；
步骤3：基于高斯混合模型分布分别构建关于{X}和{Y}的基于复杂运动模式的轨迹预测概率模型；通过计算联合概率密度p(y,y*)的统计特性，对复杂运动模式下的车辆运动轨迹对X轴和Y轴上的轨迹点进行预测；
其中，y为历史轨迹，y*为近似的未来轨迹。


2.根据权利要求1所述的方法，其特征在于，每条轨迹的具体表示方法如下：



其中，(xi,yi)表示某一条移动轨迹上的一个轨迹点在X轴和Y轴上的矢量，m表示某一条移动轨迹上所包含的轨迹点数量。


3.根据权利要求2所述的方法，其特征在于，所述简单运动模式的轨迹预测概率模型如下：






其中，σi是第i个高斯过程概率密度函数的权重，满足σi≥0,μi和ψi分别为第i个高斯过程概率密度函数的密度中心均值和协方差，表示某一条移动轨迹在X轴方向的矢量xi符合高斯过程轨迹模式的分布密度，表示一条移动轨迹在Y轴方向的矢量yi符合高斯过程轨迹模式的分布密度。


4.根据权利要求2所述的方法，其特征在于，所述复杂运动模式的轨迹预测概率模型如下：






其中，σi是第i个高斯过程概率密度函数的权重，满足σi≥0,μi和ψi分别为第i个高斯过程概率密度函数的密度中心均值和协方差，表示某一条移动轨迹在X轴方向的矢量xi符合高斯过程轨迹模式的分布密度，表示一条移动轨迹在Y轴方向的矢量yi符合高斯过程轨迹模式的分布密度；
每一个轨迹点的xi和yi由数据点zi进行仿射变换μi+Λzi获得，其中，Λ为常量矩阵，zi通过高斯采样获得，z服从标准正态分布N(0，I)，I为单位矩阵。


5.根据权利要求4所述的方法，其特征在于，对复杂运动模式下的车辆运动轨迹对X轴和Y轴上的轨迹点进行预测时，按以下公式计算获得：



其中，σi(y)表示第i个高斯过程权重在m个高斯过程权重的混合高斯...

【专利技术属性】
技术研发人员：吴嘉，王磊磊，陈志刚，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43