本发明专利技术首先提取目标车辆的历史轨迹数据、目标车辆的周围车辆的历史轨迹数据并构建生成对抗网络模型，将提取后的轨迹数据按照时间序列依次输入生成网络中得到预测轨迹值，将预测轨迹值与真实轨迹值交替输入到判别网络中判别预测轨迹值与真实轨迹值的差异，得出判别概率，将判别概率输入到生成网络与判别网络中，得到两个网络的损失值，反向更新判别网络和生成网络的参数，直到判别网络输出的判别概率接近1，则生成对抗网络模型训练成熟，并在生成网络模型中加入注意力机制，通过使解码器在解码的每一时刻都考虑编码器的隐藏状态信息，计算与当前预测时刻隐藏状态的相关性，得到与当前预测时刻隐层状态最相关的输入编码，提高预测轨迹的准确性。预测轨迹的准确性。预测轨迹的准确性。
【技术实现步骤摘要】
一种基于生成对抗网络的车辆轨迹预测方法
[0001]本专利技术属于无人驾驶车辆的周边车辆轨迹预测
，具体涉及一种基于生成对抗网络的车辆轨迹预测方法。
技术介绍
[0002]无人驾驶汽车是集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合智能系统。完备的无人驾驶汽车通过传感器用来感知周围的环境信息，通过决策系统来代替人脑分析当前的情况并做出合理的决策，进而控制车辆执行相应的单元。随着计算机技术的发展，无人驾驶汽车被应用于越来越多的领域，无人驾驶汽车具有宽广的感知范围以及永不疲倦的特性，能大幅度降低较低交通事故的发生，提高城市交通通行效率。
[0003]尽管无人驾驶汽车在许多领域已取得了丰硕的成果，但安全问题是一直以来被研究的关键课题。由于无人驾驶汽车在行驶过程中会不可避免地与周围参与者发生交互，没有预测能力的无人驾驶汽车在公路上行驶十分谨慎，近几年无人驾驶车发生的交通事故原因在于，无人驾驶汽车对周围环境理解错误。为了使无人驾驶汽车更安全行驶且进行高质量的决策与规划，对周围车辆轨迹进行准确预测是一个重要的先决条件。通过使用先前的周围行驶车辆观测数据预测未来行驶轨迹，通过预测周围车辆的轨迹可以用来规划无人驾驶汽车的运动，避免与周围的车辆发生碰撞。
[0004]传统的轨迹预测模型有隐马尔可夫模型、贝叶斯模型、卡尔曼滤波器，但此类模型设置较多的约束条件与参数，不能充分利用历史轨迹信息，并且拟合效果也欠佳。轨迹预测模型也通过采用神经网络进行预测，由于网络结构的限制，无法对较长的序列进行轨迹预测，而单一时刻的预测位置对于无人驾驶车辆后续的决策与运动规划意义不大。为了解决当前预测车辆轨迹领域下，传统方法以及结合神经网络方法存在的缺陷和不足，因此，在预测车辆轨迹过程中考虑对目标车辆时间序列的预测以及周围车辆对目标车辆的交互行为很有必要。
技术实现思路
[0005]本专利技术的目的是提供一种基于生成对抗网络的车辆轨迹预测方法，用于提高车辆轨迹预测的准确性。
[0006]本专利技术解决其技术问题的技术方案为：一种基于生成对抗网络的车辆轨迹预测方法，包括以下步骤：
[0007]S1：对NGSIM数据集中的数据进行预处理；
[0008]S2：在LSTM编码器-解码器的基础上加入注意力机制，将其整体作为生成器网络；
[0009]S3：构建基于MLP神经网络搭建判别网络，输入预测轨迹与真实轨迹，得到判别概率；
[0010]S4：通过生成器网络和判别网络构建生成对抗网络模型，训练生成对抗网络模型；
[0011]S5：保存已经训练完成的模型，从预处理后的数据集中选取测试数据集，将测试数
据输入到已训练后的生成对抗网络模型中，预测得到车辆未来的轨迹坐标。
[0012]所述步骤S1具体为：
[0013]S1.1通过平滑滤波器对NGSIM数据集进行处理，剔除异常数据；
[0014]S1.2：选取2、3、4车道上的轨迹数据，选取车辆数据中的横向位置、纵向位置、速度作为轨迹特征。
[0015]S1.3：提取目标车辆在t1～t1+n时间内的轨迹序列为其中，为目标车辆以及目标车辆的周围车辆在当前t1时刻的轨迹特征集合，即时刻的轨迹特征集合，即表示目标车辆在t1时刻的横向位置，表示目标车辆在t1时刻的纵向位置，表示目标车辆在t1时刻的速度，表示目标车辆与周围车辆在t1时刻的横向距离差，为目标车辆与周围车辆在t1时刻的纵向距离差，为周围车辆相对于目标车辆在t1时刻的速度。
[0016]所述步骤S2具体为：
[0017]S2.1：将S1.3中提取的轨迹序列输入到全连接层中，得到被网络接收的特征空间序列
[0018]S2.2：将特征空间序列L输入到LSTM编码器中，编码得到每一时刻对应的历史隐藏状态提取编码器得到的历史隐藏状态，记为历史隐藏状态向量集合
[0019]S2.3：在解码器进行解码前加入注意力机制，已知解码器中上一时刻的隐藏状态(需要着重说明的是，本专利技术中中的下标t2与中的下标t1+1所指代的为不同概念，t1表示的是编码器里的各个时刻，t2表示解码器里的各个时刻)，可得出解码器在上一时刻隐藏状态与历史轨迹隐藏状态向量的相似度其中；
[0020]S2.4：将得到的e
t'
进行归一化，即
[0021]S2.5：将归一化后的s'
t
值与历史轨迹隐藏状态加权求和得到解码器在t2+1时刻的输入编码
[0022]S2.6：将与向量经过解码器，输出得到预测时刻t2+1的值，即其中，w为解码器的权重。为生成网络在t2+1时刻的隐藏状态，将解码器的隐藏层状态经过映射得到当前预测时刻的轨迹
[0023]所述步骤S3具体为：
[0024]将J条预测轨迹与真实轨迹交替输入到判别网络中,判别网络是以两层MLP组成，记真实轨迹的标签为1，记预测轨迹的标签为0，得到判别概率。
[0025]所述步骤S4具体为：
[0026]S4.1：构建生成网络的损失函数为：
[0027][0028]其中，J表示输入的预测轨迹个数，表示第j条预测轨迹在判别网络中得到的判别概率。表示预测轨迹值与真实轨迹值的欧氏距离。m表示轨迹点个数，λ为损失函数权重。
[0029]构建判别网络的损失函数为：
[0030][0031]其中，表示第j条真实轨迹在判别网络中得到的判别概率。
[0032]S4.2：固定生成网络的参数，训练判别网络，将真实轨迹与预测轨迹交替输入到判别网络中，得出判别概率，将判别概率输入到判别网络与生成网络计算得出损失值，使用Adam算法更新判别网络的参数。
[0033]S4.3：固定判别网络的参数，训练生成网络，将真实轨迹与预测轨迹交替输入到判别网络中，得出判别概率，将判别概率输入到判别网络与生成网络计算得出损失值，根据损失值使用Adam算法调整生成网络的参数。
[0034]S4.4：当判别网络对于预测轨迹得到的判别概率计算接近1时，说明判别网络无非区分预测轨迹和真实轨迹，即生成网络与判别网络训练完成。
[0035]本专利技术的有益效果为：本专利技术首先提取目标车辆的历史轨迹数据(横向位置、纵向位置、速度)，目标车辆的周围车辆(位于目标车辆的前车、左车、右车)的历史轨迹数据(相对于目标车辆的横向距离、相对于目标车辆的纵向距离、相对于目标车辆的速度)。然后构建生成对抗网络模型，将提取后的轨迹数据，按照时间序列，依次输入生成网络中得到预测的轨迹值，将预测轨迹值与真实轨迹值交替输入到判别网络中，判别网络判别预测轨迹值与真实轨迹值的差异，得出判别概率，将判别概率输入到生成网络判别网络中，得到两个网络的损失值，反向更新判别网络和生成网络的参数，直到判别网络输出的判别概率接近1，说明生成对抗网络模型训练成熟。本专利技术在生成网络模型中加入注意力机制，解决传统解码器仅使用固定中间变量预测，导致对于长序列预测存在遗失重要信息的问题。通过使解码器在解码的每一时刻都考虑编码本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于生成对抗网络的车辆轨迹预测方法，其特征在于，包括以下步骤：S1：对NGSIM数据集中的数据进行预处理；S2：在LSTM编码器-解码器的基础上加入注意力机制，将其整体作为生成器网络；S3：构建基于MLP神经网络搭建判别网络，输入预测轨迹与真实轨迹，得到判别概率；S4：通过生成器网络和判别器网络构建生成对抗网络模型，训练生成对抗网络模型；S5：保存已经训练完成的模型，从预处理后的数据集中选取测试数据集，将测试数据输入到已训练后的生成对抗网络模型中，预测得到车辆未来的轨迹坐标。2.根据权利要求1所述的一种基于生成对抗网络的车辆轨迹预测方法，其特征在于，所述步骤S1具体为：S1.1通过平滑滤波器对NGSIM数据集进行处理，剔除异常数据；S1.2：选取2、3、4车道上的轨迹数据，选取车辆数据中的横向位置、纵向位置、速度作为轨迹特征。S1.3：提取目标车辆在t1～t1+n时间内的轨迹序列为其中，为目标车辆以及目标车辆的周围车辆在当前t1时刻的轨迹特征集合，即时刻的轨迹特征集合，即表示目标车辆在t1时刻的横向位置，表示目标车辆在t1时刻的纵向位置，表示目标车辆在t1时刻的速度，表示目标车辆与周围车辆在t1时刻的横向距离差，为目标车辆与周围车辆在t1时刻的纵向距离差，为周围车辆相对于目标车辆在t1时刻的速度。3.根据权利要求2所述的一种基于生成对抗网络的车辆轨迹预测方法，其特征在于，所述步骤S2具体为：S2.1：将S1.3中提取的轨迹序列输入到全连接层中，得到被网络接收的特征空间序列S2.2：将特征空间序列L输入到LSTM编码器中，编码得到每一时刻对应的历史隐藏状态提取编码器得到的历史隐藏状态，记为历史隐藏状态向量集合S2.3：在解码器进行解码前加入注意力机制，已知解码器中上一时刻的隐藏状态可得出上一时刻隐藏状态与历史轨迹...
【专利技术属性】
技术研发人员：周毅，周丹阳，胡姝婷，李伟，张延宇，杜晓玉，
申请(专利权)人：河南大学，
类型：发明
国别省市：
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。