车辆轨迹预测方法和车辆轨迹预测模型的优化方法技术

本发明专利技术提供一种车辆轨迹预测方法和车辆轨迹预测模型的优化方法，所述车辆轨迹预测方法包括以下步骤：基于地图数据生成以预测车辆为图片中心的环境静态图片；基于目标检测跟踪结果生成以预测车辆为图片中心的环境动态图片；根据所述环境静态图片和所述环境动态图片生成环境状态图片；基于所述目标检测跟踪结果获取所述预测车辆的车辆状态信息；将当前帧的所述环境状态图片和当前帧中所述预测车辆的车辆状态信息作为输入数据输入预测模型；从所述预测模型的输出端获取所述预测车辆的预测轨迹。本发明专利技术能够实现对车辆轨迹的更准确的预测。测。测。

【技术实现步骤摘要】
车辆轨迹预测方法和车辆轨迹预测模型的优化方法


[0001]本专利技术主要涉及自动驾驶领域，尤其涉及一种车辆轨迹预测方法、车辆轨迹预测模型的优化方法及装置和计算机可读介质。

技术介绍

[0002]车辆轨迹预测是自动驾驶中的一个重要部分，是实现自动驾驶规划与决策的前提。在一些车辆轨迹的技术路线中，有的是基于专家规则，利用高精地图路网信息，目标检测跟踪结果，以及预测车辆的动力学模型，基于合理驾驶行为人为设计车辆未来的行驶路线。有的采用深度学习方法，完全基于目标检测跟踪得到的车辆行驶轨迹数据，对深度神经网络模型进行训练，由训练完成的模型输出预测的车辆未来行驶轨迹。这些技术路线的方案存在不能处理复杂场景、预测结果缺乏通用性或是预测结果不准确等问题。

技术实现思路

[0003]本专利技术要解决的技术问题是提供一种车辆轨迹预测方法和车辆轨迹预测模型的优化方法，实现对车辆轨迹更准确的预测。
[0004]为解决上述技术问题，本专利技术提供了一种车辆轨迹预测方法，包括以下步骤：基于地图数据生成以预测车辆为图片中心的环境静态图片；基于目标检测跟踪结果生成以预测车辆为图片中心的环境动态图片；根据所述环境静态图片和所述环境动态图片生成环境状态图片；基于所述目标检测跟踪结果获取所述预测车辆的车辆状态信息；将当前帧的所述环境状态图片和当前帧中所述预测车辆的车辆状态信息作为输入数据输入预测模型；从所述预测模型的输出端获取所述预测车辆的预测轨迹。
[0005]在本专利技术的一实施例中，车辆轨迹预测方法还包括，获取所述预测车辆当前帧之后未来Y帧的轨迹真实值；根据所述未来Y帧的轨迹真实值对所述预测模型进行优化；其中，Y为正整数。
[0006]在本专利技术的一实施例中，所述预测模型包括依次连接的主干神经网络、特征向量化模块、第一全连接网络、第二全连接网络和头部网络；其中，所述当前帧的所述环境状态图片数据输入至所述主干神经网络；所述预测车辆的车辆状态信息数据输入至所述特征向量化模块。
[0007]在本专利技术的一实施例中，所述头部网络包括长短时记忆网络组、第四全连接网络、第五全连接网络和逻辑回归函数网络，其中，所述第二全连接网络输出的第一分支进入所述长短时记忆网络组，第二分支进入所述第四全连接网络后再进入所述逻辑回归函数网络，第三分支进入所述第五全连接网络。
[0008]在本专利技术的一实施例中，所述逻辑回归函数网络输出所述预测车辆的M种行进模式，所述长短时记忆网络组输出所述预测车辆的M种行进模式的轨迹预测值，所述第五全连接网络输出所述预测车辆的M种行进模式对应的预测轨迹值与实际轨迹值的标准差；M为正整数。
[0009]在本专利技术的一实施例中，所述长短时记忆网络组包括M个长短时记忆网络，所述M个长短时记忆网络分别与所述预测车辆的M种行进模式相对应；所述第二全连接网络输出的第一分支进入每一所述长短时记忆网络；每一所述长短时记忆网络输出所述预测车辆的M种行进模式中一种行进模式的预测轨迹值。
[0010]在本专利技术的一实施例中，每一所述长短时记忆网络包括T个长短时记忆网络子块和T个第三全连接网络，所述T个长短时记忆网络子块组成子网络串；
[0011]其中，所述每一所述长短时记忆网络子块将其隐含变量分别输入与其对应的所述第三全连接网络；所述T个第三全连接网络中的每一第三全连接网络分别输出t+1，t+2，t+3，
…
，t+T
‑
2，t+T
‑
1，t+T时刻的所述预测轨迹值对应的像素坐标值；所述t+1，t+2，t+3，
…
，t+T
‑
2，t+T
‑
1时刻的所述预测轨迹值对应的像素坐标值分别作为第2个，第3个，
…
，第T个所述长短时记忆网络子块的输入端的输入量；t表示当前时刻值，T为正整数。
[0012]在本专利技术的一实施例中，所述第二全连接网络输出的第一分支进入第1个所述长短时记忆网络子块的隐含变量输入端；第1个所述长短时记忆网络子块的单元变量输入端的输入量设为零，输入端的输入量设为零。
[0013]在本专利技术的一实施例中，还包括对所述预测模型的优化方法，包括以下步骤：从所述预测模型的输出端获取所述预测车辆的预测轨迹获取K种不同轨迹模式的未来长度为T帧的车辆轨迹的像素坐标预测值；获取对应的预测车辆未来长度为T帧的轨迹真实值；根据最大似然规则筛选所述预测模型的最优预测估计模式值；计算所述预测模型的损失函数；基于所述损失函数形成约束准则，并基于所述约束准则采用特定算法对所述预测模型的权值进行更新；其中，K为正整数，T为正整数。
[0014]在本专利技术的一实施例中，所述根据最大似然规则筛选所述预测模型的最优预测估计模式值的算法包括：
[0015][0016]其中：
[0017]其中分别预测车辆i在第s种轨迹模式下t+m时刻的预测轨迹对应的像素坐标值，i是所述预测车辆的随机标识号；
[0018]u
i，t+m
、v
i，t+m
为预测车辆i在t+m时刻对应的未来轨迹真实值，
[0019]为预测车辆i在第s种轨迹模式下在t+m时刻的预测模型输出的标准差估计值，s为轨迹模式编号，
[0020]s
*
为获得的最优轨迹预测估计模式值。
[0021]在本专利技术的一实施例中，所述计算所述预测模型的损失函数包括：
[0022][0023][0024][0025]其中表示在s＝s
*
为真时取值为1，其他情况取值为0；
[0026]其中，p
i，s
为预测车辆i在第s种轨迹模式下模型输出的概率估计，
[0027]是预测车辆i在t时刻对应K种不同轨迹模式的分类损失函数，
[0028]是预测车辆i在t时刻基于所述预测模型输出的轨迹坐标、所述也测模型输出的标准差及获取的轨迹真实值计算得到的最大似然损失函数，i是所述预测车辆的随机标识号；
[0029]γ是损失函数平衡权值，为预测车辆i在t时刻的总和损失函数。
[0030]在本专利技术的一实施例中，基于所述损失函数形成约束准则，并基于所述约束准则采用特定算法对所述预测模型的权值进行更新包括：
[0031]基于所述损失函数形成约束准则：
[0032][0033]基于所述约束准则采用随机梯度下降方法对模型权值进行更新；
[0034]其中，I为预测车辆的总数目，N为估计时刻的总数。
[0035]在本专利技术的一实施例中，所述车辆状态信息包括速度，加速度，航向角以及航向角角速度。
[0036]在本专利技术的一实施例中，基于地图数据生成以预测车辆为图片中心的环境静态图片包括：对所述图片的处理参数进行设定；基于所述预测车辆的当前中心点坐标位置，获取半径为R的局部地图信息；对所述局部地图信息中的道路中心线及道路边界线进行坐标转换；确定所述环境静态图片的像素点RGB值；基于所述像素点RGB值生成所述环境静态图片本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆轨迹预测方法，包括以下步骤：基于地图数据生成以预测车辆为图片中心的环境静态图片；基于目标检测跟踪结果生成以预测车辆为图片中心的环境动态图片；根据所述环境静态图片和所述环境动态图片生成环境状态图片；基于所述目标检测跟踪结果获取所述预测车辆的车辆状态信息；将当前帧的所述环境状态图片和当前帧中所述预测车辆的车辆状态信息作为输入数据输入预测模型；从所述预测模型的输出端获取所述预测车辆的预测轨迹。2.根据权利要求1所述的车辆轨迹预测方法，其特征在于，还包括，获取所述预测车辆当前帧之后未来Y帧的轨迹真实值；根据所述未来Y帧的轨迹真实值对所述预测模型进行优化；其中，Y为正整数。3.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述预测模型包括依次连接的主干神经网络、特征向量化模块、第一全连接网络、第二全连接网络和头部网络；其中，所述当前帧的所述环境状态图片数据输入至所述主干神经网络；所述预测车辆的车辆状态信息数据输入至所述特征向量化模块。4.根据权利要求3所述的车辆轨迹预测方法，其特征在于，所述头部网络包括长短时记忆网络组、第四全连接网络、第五全连接网络和逻辑回归函数网络，其中，所述第二全连接网络输出的第一分支进入所述长短时记忆网络组，第二分支进入所述第四全连接网络后再进入所述逻辑回归函数网络，第三分支进入所述第五全连接网络。5.根据权利要求4所述的车辆轨迹预测方法，其特征在于，所述逻辑回归函数网络输出所述预测车辆的M种行进模式，所述长短时记忆网络组输出所述预测车辆的M种行进模式的轨迹预测值，所述第五全连接网络输出所述预测车辆的M种行进模式对应的预测轨迹值与实际轨迹值的标准差；M为正整数。6.根据权利要求4所述的车辆轨迹预测方法，其特征在于，所述长短时记忆网络组包括M个长短时记忆网络，所述M个长短时记忆网络分别与所述预测车辆的M种行进模式相对应；所述第二全连接网络输出的第一分支进入每一所述长短时记忆网络；每一所述长短时记忆网络输出所述预测车辆的M种行进模式中一种行进模式的预测轨迹值。7.根据权利要求6所述的车辆轨迹预测方法，其特征在于，每一所述长短时记忆网络包括T个长短时记忆网络子块和T个第三全连接网络，所述T个长短时记忆网络子块组成子网络串；其中，所述每一所述长短时记忆网络子块将其隐含变量分别输入与其对应的所述第三全连接网络；所述T个第三全连接网络中的每一第三全连接网络分别输出t+1，t+2，t+3，
…
，t+T
‑
2，t+T
‑
1，t+T时刻的所述预测轨迹值对应的像素坐标值；所述t+1，t+2，t+3，
…
，t+T
‑
2，t+T
‑
1时刻的所述预测轨迹值对应的像素坐标值分别作为第2个，第3个，
…
，第T个所述长短时记忆网络子块的输入端的输入量；t表示当前时刻值，T为正整数。8.根据权利要求7所述的车辆轨迹预测方法，其特征在于，所述第二全连接网络输出的第一分支进入第1个所述长短时记忆网络子块的隐含变量输入端；第1个所述长短时记忆网
络子块的单元变量输入端的输入量设为零，输入端的输入量设为零。9.根据权利要求1所述的车辆轨迹预测方法，其特征在于，还包括对所述预测模型的优化方法，包括以下步骤：从所述预测模型的输出端获取所述预测车辆的预测轨迹获取K种不同轨迹模式的未来长度为T帧的车辆轨迹的像素坐标预测值；获取对应的预测车辆未来长度为T帧的轨迹真实值；根据最大似然规则筛选所述预测模型的最优预测估计模式值；计算所述预测模型的损失函数；基于所述损失函数形成约束准则，并基于所述约束准则采用特定算法对所述预测模型的权值进行更新；其中，K为正整数，T为正整数。10.根据权利要求9所述的车辆轨迹预测方法，其特征在于，所述根据最大似然规则筛选所述预测模型的最优预测估计模式值的算法包括：其中：其中分别预测车辆i在第s种轨迹模式下t+m时刻的预测轨迹对应的像素坐标值，i是所述预测车辆的随机标识号；u
i，t+m
、v
i，t+m
为预测车辆i在t+m时刻对应的未来轨迹真实值，为预测车辆i在第s种轨迹模式下在t+m时刻的预测模型输出的标准差估计值，s为轨迹模式编号，s
*
为获得的最优轨迹预测估计模式值。11.根据权利要求9所述的车辆轨迹预测方法，其特征在于，所述计算所述预测模型的损失函数包括：损失函数包括：损失函数包括：其中表示在s＝s
*
为真时取值为1，其他情况取值为0；其中，p
i，s
为预测车辆i在第s种轨迹模式下模型输出的概率估计，是预测车辆i在t时刻对应K种不同轨迹模式的分类损失函数，是预测车辆i在t时刻基于所述预测模型输出的轨迹坐标、所述预测模型
输出的标准差及获取的轨迹真实值计算得到的最大似然损失函数，i是所述预测车辆的随机标识号；γ是损失函数平衡权值，为预测车辆i在t时刻的总和损失函数。12.根据权利要求9所述的车辆轨迹预测方法，其特征在于，基于所述损失函数形成约束准则，并基于所述约束准则采用特定算法对所述预测模型的权值进行更新包括：基于所述损失函数形成约束准则：基于所述约束准则采用随机梯度下降方法对模型权值进行更新；其中，I为预测车辆的总数目，N为估计时刻的总数。13.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述车辆状态信息包括速度，加速度，航向角以及航向角角速度。14.根据权利要求1所述的车辆轨迹预测方法，其特征在于，基于地图数据生成以预测车辆为图片中心的环境静态图片包括：对所述图片的处理参数进行设定；基于所述预测车辆的当前中心点坐标位置，获取半径为R的局部地图信息；对所述局部地图信息中的道路中心线及道路边界线进行坐标转换；确定所述环境静态图片的像素点RGB值；基于所述像素点RGB值生成所述环境静态图片。15.根据权利要求14所述的车辆轨迹预测方法，其特征在于，所述图片的处理参数包括初始分辨率、最终分辨率和图片像素与实际感知环境的尺度比例。16.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述目标检测跟踪结果包括目标类别为车辆的目标物的检测跟踪结果，且所述目标检测跟踪结果包括当前帧及其过去连续若干帧图像的目标检测跟踪结果。17.根据权利要求1所述的车辆轨迹预测方法，...

【专利技术属性】
技术研发人员：莫建林，赖哲渊，张汉驰，
申请(专利权)人：上汽大众汽车有限公司，
类型：发明
国别省市：