一种车辆轨迹多模态预测方法技术

本发明专利技术公开了一种车辆轨迹多模态预测方法，包括以下步骤：S1、对预测场景、预测目标以及预测目标的行为风格进行分类；S2、利用全概率公式将先验预测模型分为行为模态预测模型和基于行为模态的轨迹预测模型；S3、建立多模态轨迹先验预测模型,对车辆进行先验的多模态轨迹预测形成先验轨迹库；S4、依据道路约束、动力学约束以及交通规则约束对先验轨迹库进行过滤、筛选以及优化；S5、利用基于贝叶斯纳什均衡理论的多智能体交互博弈过程作为后验模型，对先验模型中的轨迹概率进行修正，最终实现对车辆的未来轨迹预测。本发明专利技术能够提高智能车辆对交通环境中交通车辆的轨迹预测的稳定性与精确度。精确度。精确度。

【技术实现步骤摘要】
一种车辆轨迹多模态预测方法


[0001]本专利技术属于智能驾驶
，具体涉及一种车辆轨迹多模态预测方法。

技术介绍

[0002]无人驾驶车辆的发展，能够从根本上改变人们的出行方式，使人们的出行、生活方式更加智能化，预防交通事故、提高道路通行效率，改善公共空间质量。然而环境的多样性、不确定性给无人驾驶车辆的安全性能带来了巨大的挑战，车辆亟需一个可靠、稳定的预测系统对外界环境进行准确地建模和评估。
[0003]机动车、非机动车、人是无人驾驶环境中最重要的参与者，相关交通目标的轨迹预测是预测系统的重要环节。当前对轨迹的预测过程中存在目标行为轨迹的不确定性建模问题：无人驾驶环境复杂多变，传统确定性预测方法只能对轨迹的不确定性进行统计平均求解，无法完整表达目标轨迹的多样性。
[0004]另一方面，道路上各个交通参与者参与过程中，存在着相互影响，相互制约的关系，是否能够对参与者这种交互关系进行建模，直接影响着轨迹预测的精度。

技术实现思路

[0005]本专利技术的主要目的在于克服现有技术的缺点与不足，一种车辆轨迹多模态预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆轨迹多模态预测方法，其特征在于，包括以下步骤：S1、对预测场景、预测目标以及预测目标的行为风格进行分类；S2、利用全概率公式将先验预测模型分为行为模态预测模型和基于行为模态的轨迹预测模型，提取行为模态特征作为多模态控制量；S3、利用LSTM
‑
CVAE生成模型将序列预测与序列生成相结合，针对不同的预测目标轨迹的不确定性，建立多模态轨迹先验预测模型,对车辆进行先验的多模态轨迹预测形成先验轨迹库；S4、依据道路约束、动力学约束以及交通规则约束对先验轨迹库进行过滤、筛选以及优化；S5、利用基于贝叶斯纳什均衡理论的多智能体交互博弈过程作为后验模型，对先验模型中的轨迹概率进行修正，最终实现对车辆的未来轨迹预测。2.根据权利要求1所述的一种车辆轨迹多模态预测方法，其特征在于，步骤S1具体为：根据外界环境信息，将预测场景分为路口和非路口；将预测目标分为机动车、非机动车以及人，由此建立预测输入信息；依据不同的道路工况和预测目标的当前速度、朝向以及历史轨迹进行行为风格预测并生成由碰撞权重、快速权重以及舒适权重三者组成的风格因子，同时创建地图道路约束、动力学约束以及交通规则约束，将地图按照约束情况划分为通行与不可通行区域。3.根据权利要求1所述的一种车辆轨迹多模态预测方法，其特征在于，步骤2中，先验预测模型中，假设X为输入信息，Y为需要预测的轨迹，则对先验预测模型P
θ
(Y|X)进行求解，利用全概率公式：将历史轨迹到未来轨迹预测任务分解为历史轨迹
‑
行为
‑
未来轨迹的任务，同时提取出行为作为多模态化输出的模态控制量，分别建立历史轨迹
‑
多模态行为的行为预测模型P
θM
(M
n
|X)，多模态行为
‑
未来轨迹的轨迹预测模型P
θY
(Y
n
|X,M
n
)。4.根据权利要求1所述的一种车辆轨迹多模态预测方法，其特征在于，先验模型具体为依据不同的预测场景、预测...

【专利技术属性】
技术研发人员：罗玉涛，钟智，梁伟强，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：