一种基于LSTM技术的汽车轨迹预测方法技术

本发明专利技术公开了一种基于LSTM技术的汽车轨迹预测方法，包括以下步骤：步骤一，实时信息采集；步骤二，提取轨迹片段；步骤三，数据转换分类；步骤四，数据集挑选处理；步骤五，神经网络训练；步骤六，车辆轨迹预测；选取车道线清晰、同时具有多个岔道的路段，并进行信息采集，在车流量适中的时间点进行信息采集，采样频率为5赫兹；提取直行、左转和右转的车辆轨迹片段，并对其进行处理；该基于LSTM技术的汽车轨迹预测方法，利用对预测视界内相邻车辆在单位时间内偏离原先直线轨迹的角度变化趋势，辅以转向灯的开闭进行预测视界内相邻车辆的直行、向左或向右的概率，明显提高了长时预测车辆轨迹的准确率，实现了相邻车辆车辆轨迹的真实预测。

A vehicle trajectory prediction method based on LSTM Technology

【技术实现步骤摘要】
一种基于LSTM技术的汽车轨迹预测方法
本专利技术涉及自动驾驶汽车
，具体为一种基于LSTM技术的汽车轨迹预测方法。
技术介绍
自动驾驶汽车又称无人驾驶汽车、电脑驾驶汽车、或轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能汽车。自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。自动驾驶汽车在真实道路上使用时，需要预测周边相邻车辆的轨迹从而及时采取措施，规避危险，但是现有的汽车轨迹预测方法误差大，拥有着梯度消失的问题，不利于实时预测，因此设计一种基于LSTM技术的汽车轨迹预测方法是十分有必要的。
技术实现思路
本专利技术的目的在于提供一种基于LSTM技术的汽车轨迹预测方法，以解决上述
技术介绍
中提出的问题。为了解决上述技术问题，本专利技术提供如下技术方案：一种基于LSTM技术的汽车轨迹预测方法，包括以下步骤：步骤一，实时信息采集；步骤二，提取轨迹片段；步骤三，数据转换分类；步骤四，数据集挑选处理；步骤五，神经网络训练；步骤六，车辆轨迹预测；其中在上述步骤一中，选取车道线清晰、同时具有多个岔道的路段，并进行信息采集；其中在上述步骤二中，提取直行、左转和右转的车辆轨迹片段，并对其进行处理；其中在上述步骤三中，数据集挑选处理包括以下步骤：1)采用滑动时窗的方法提取指定长度的轨迹序列；2)在三种数据类型中各随机抽取相同数量的、每个类型数目不低于5000的序列作为总数据集，并将其60％作为训练集，20％作为测试集，20％作为验证集；其中在上述步骤四中，将轨迹片段数据分为向左换道、向右换道和直线行驶三种，同时记录车辆左右换道时转向灯的状态，并分别标上标签；其中在上述步骤五中，对所有提取的数据进行标准化处理，并建立LSTM网络结构，将上述步骤四中的数据输入其中建立实验模型，并进行训练模拟；其中在上述步骤六中，反复输入多种轨迹序列数据，进行车辆轨迹的预测。根据上述技术方案，所述步骤一中，在车流量适中的时间点进行信息采集，采样频率为5赫兹。根据上述技术方案，所述步骤一中，采集信息包括车辆坐标、速度、加速度、车辆类型和车道编号等信息。根据上述技术方案，所述步骤二中，采用对称指数移动平均滤波算法对数据进行滤波处理。根据上述技术方案，所述步骤三中，若提取轨迹序列最后一个采样节点为换道过程点，则该序列被标记为换道序列，否则为直行序列。根据上述技术方案，所述左、右换道序列的判别依据序列始末位置的横向坐标确定。根据上述技术方案，所述步骤四中，车辆换道的判别标准在于该车辆在单位时间内偏离原先直线轨迹的角度变化趋势。根据上述技术方案，所述步骤四中，标签分为换道方向与转向灯开启方位一致的，换道方向与转向灯开启方位不一致的，未开启转向灯的。与现有技术相比，本专利技术所达到的有益效果是：该基于LSTM技术的汽车轨迹预测方法，利用对预测视界内相邻车辆在单位时间内偏离原先直线轨迹的角度变化趋势，辅以转向灯的开闭进行预测视界内相邻车辆的直行、向左或向右的概率，明显提高了长时预测车辆轨迹的准确率，实现了相邻车辆车辆轨迹的真实预测。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：图1是本专利技术的整体方法流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1，本专利技术提供一种技术方案：一种基于LSTM技术的汽车轨迹预测方法，包括以下步骤：步骤一，实时信息采集；步骤二，提取轨迹片段；步骤三，数据转换分类；步骤四，数据集挑选处理；步骤五，神经网络训练；步骤六，车辆轨迹预测；其中在上述步骤一中，选取车道线清晰、同时具有多个岔道的路段，在车流量适中的时间点进行信息采集，采样频率为5赫兹，并进行信息采集，采集信息包括车辆坐标、速度、加速度、车辆类型和车道编号等信息；其中在上述步骤二中，提取直行、左转和右转的车辆轨迹片段，并对其进行处理，采用对称指数移动平均滤波算法对数据进行滤波处理；其中在上述步骤三中，数据集挑选处理包括以下步骤：1)采用滑动时窗的方法提取指定长度的轨迹序列，若提取轨迹序列最后一个采样节点为换道过程点，则该序列被标记为换道序列，否则为直行序列；2)在三种数据类型中各随机抽取相同数量的、每个类型数目不低于5000的序列作为总数据集，并将其60％作为训练集，20％作为测试集，20％作为验证集；其中在上述步骤四中，将轨迹片段数据分为向左换道、向右换道和直线行驶三种，车辆换道的判别标准在于该车辆在单位时间内偏离原先直线轨迹的角度变化趋势，左、右换道序列的判别依据序列始末位置的横向坐标确定，同时记录车辆左右换道时转向灯的状态，并分别标上标签，标签分为换道方向与转向灯开启方位一致的，换道方向与转向灯开启方位不一致的，未开启转向灯的；其中在上述步骤五中，对所有提取的数据进行标准化处理，并建立LSTM网络结构，将上述步骤四中的数据输入其中建立实验模型，并进行训练模拟；其中在上述步骤六中，反复输入多种轨迹序列数据，进行车辆轨迹的预测。基于上述，本专利技术，利用对预测视界内相邻车辆在单位时间内偏离原先直线轨迹的角度变化趋势，辅以转向灯的开闭进行预测视界内相邻车辆的直行、向左或向右的概率，明显提高了长时预测车辆轨迹的准确率，实现了相邻车辆车辆轨迹的真实预测。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。最后应说明的是：以上所述仅为本专利技术的优选实施例而已，并不用于限制本专利技术，尽管参照前述实施例对本专利技术进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本专利技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
1.一种基于LSTM技术的汽车轨迹预测方法，包括以下步骤：步骤一，实时信息采集；步骤二，提取轨迹片段；步骤三，数据转换分类；步骤四，数据集挑选处理；步骤五，神经网络训练；步骤六，车辆轨迹预测；其特征在于：/n其中在上述步骤一中，选取车道线清晰、同时具有多个岔道的路段，并进行信息采集；/n其中在上述步骤二中，提取直行、左转和右转的车辆轨迹片段，并对其进行处理；/n其中在上述步骤三中，数据集挑选处理包括以下步骤：/n1)采用滑动时窗的方法提取指定长度的轨迹序列；/n2)在三种数据类型中各随机抽取相同数量的、每个类型数目不低于5000的序列作为总数据集，并将其60％作为训练集，20％作为测试集，20％作为验证集；/n其中在上述步骤四中，将轨迹片段数据分为向左换道、向右换道和直线行驶三种，同时记录车辆左右换道时转向灯的状态，并分别标上标签；/n其中在上述步骤五中，对所有提取的数据进行标准化处理，并建立LSTM网络结构，将上述步骤四中的数据输入其中建立实验模型，并进行训练模拟；/n其中在上述步骤六中，反复输入多种轨迹序列数据，进行车辆轨迹的预测。/n

【技术特征摘要】
1.一种基于LSTM技术的汽车轨迹预测方法，包括以下步骤：步骤一，实时信息采集；步骤二，提取轨迹片段；步骤三，数据转换分类；步骤四，数据集挑选处理；步骤五，神经网络训练；步骤六，车辆轨迹预测；其特征在于：
其中在上述步骤一中，选取车道线清晰、同时具有多个岔道的路段，并进行信息采集；
其中在上述步骤二中，提取直行、左转和右转的车辆轨迹片段，并对其进行处理；
其中在上述步骤三中，数据集挑选处理包括以下步骤：
1)采用滑动时窗的方法提取指定长度的轨迹序列；
2)在三种数据类型中各随机抽取相同数量的、每个类型数目不低于5000的序列作为总数据集，并将其60％作为训练集，20％作为测试集，20％作为验证集；
其中在上述步骤四中，将轨迹片段数据分为向左换道、向右换道和直线行驶三种，同时记录车辆左右换道时转向灯的状态，并分别标上标签；
其中在上述步骤五中，对所有提取的数据进行标准化处理，并建立LSTM网络结构，将上述步骤四中的数据输入其中建立实验模型，并进行训练模拟；
其中在上述步骤六中，反复输入多种轨迹序列数据，进行车辆轨迹的预测。


2.根据权利要求1所述的一种基于LSTM技术的汽车轨迹预测方法，其特征在于：所述步骤一中，在车流量适中的时间点...

【专利技术属性】
技术研发人员：陈光喜，胡灵，谢臣，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45