【技术实现步骤摘要】
基于车辆行为特征与环境交互信息的车辆轨迹预测方法
[0001]本专利技术涉及自动驾驶车辆
,尤其是一种基于车辆行为特征与环境交互信息的车辆轨迹预测方法。
技术介绍
[0002]目前自动驾驶车辆技术和智能交通系统逐渐进入了大力发展阶段,这一项技术要求自动驾驶车辆有主动的行为决策能力,需要在复杂和动态交通环境中,依据所处交通环境完成行车、车道切换、加速超车、制动减速等驾驶行为。在车辆所处的交通环境中,周边车辆的动态驾驶行为是影响驾驶车辆行为决策的一个重要因素,预测出周边车辆未来的行驶轨迹,车辆就可以根据这些情况来合理规划自己的行驶路线,提前规避风险,降低事故发生的可能性,为人类带来更安全、更舒适的驾驶体验,因此在多车交互环境下,预测周边车辆的动态轨迹对发展高级驾驶辅助系统、智能交通系统和自动驾驶有重要作用。
[0003]现阶段的车辆轨迹的预测方法主要包括传统方法、机器学习方法、深度学习方法等,其中传统方法主要是通过车辆物理状态和运动学、动力学模型来预测,以及由部分研究人员提出的智能驾驶员模型等,但是对传统模型的建模往往需要大量的参数,并且模型的泛化性不强。机器学习方法主要包括贝叶斯网络和卡尔曼滤波器等等。由于车辆的运动轨迹可以看作时序预测问题,在语音识别、机器翻译等时序预测问题上表现很好的循环神经网络及其变体也被用来预测轨迹。深度学习方法的优势在于其可以使用大量的数据集来训练模型,增强模型的泛化能力,使之适用性更强。但是随着交通参与者数目的不断增加,路况信息日趋复杂,整个交通场景中,机动车、自行车、行人与道 ...
【技术保护点】
【技术特征摘要】
1.一种基于车辆行为特征与环境交互信息的车辆轨迹预测方法,其特征在于,所述方法包括:获取目标车辆所在场景中的场景车辆的历史轨迹序列,每一辆场景车辆的历史轨迹序列包括所述场景车辆在历史最近预定时长内的各个采样时间点的位置信息,所述场景车辆包括所述目标车辆及其周围的相邻车辆;将所有场景车辆的历史轨迹序列输入车辆轨迹预测模型,输出得到所有场景车辆的预测轨迹序列,所述预测轨迹序列包括所述所有场景车辆未来的若干个预测位置信息;其中,所述车辆轨迹预测模型包括车辆信息动态编码模块、多信息融合模块和车辆轨迹预测模块,所述车辆信息动态编码模块用于对所有场景车辆的历史轨迹序列进行动态编码得到每辆场景车辆的动力学序列特征;所述多信息融合模块用于对所有场景车辆的动力学序列特征进行处理得到场景车辆之间的环境交互信息、每辆场景车辆的车辆行为特征以及所述目标车辆的自车信息编码结果后进行信息融合得到融合特征,场景车辆之间的环境交互信息反映不同场景车辆之间的交互影响关系,每辆场景车辆的车辆行为特征反映所述场景车辆的车辆行驶行为;所述车辆轨迹预测模块用于对所述多信息融合模块输出的融合特征进行解码处理得到所有场景车辆的预测轨迹序列。2.根据权利要求1所述的方法,其特征在于,所述多信息融合模块包括交互信息提取单元、行为特征识别单元、自车信息编码单元和融合单元;所述交互信息提取单元基于卷积层构建,并用于对所有场景车辆的动力学序列特征进行信息提取得到场景车辆之间的环境交互信息;所述行为特征识别单元基于LSTM循环结构构建,并用于对所有场景车辆的动力学序列特征进行信息提取得到每辆场景车辆的车辆行为特征;所述自车信息编码单元用于对目标车辆的动力学序列特征进行信息编码得到自车信息编码结果;所述融合单元用于对场景车辆之间的环境交互信息、每辆场景车辆的车辆行为特征以及所述目标车辆的自车信息编码结果后进行信息融合得到融合特征。3.根据权利要求2所述的方法,其特征在于,所述目标车辆周围的相邻车辆包括所述目标车辆在预定距离范围内的同一车道内的前车和后车,以及所述目标车辆相邻车道的并排车辆,以及所述并排车辆同一车道内的前车和后车;则所述交互信息提取单元和行为特征识别单元分别将所有场景车辆的动力学序列特征对齐到3x3网格中,并对3x3网格中的信息进行信息提取,所述自车信息编码单元包括第三全连接层。4.根据权利要求3所述的方法,其特征在于,所述交互信息提取单元从输入到输出依次包括第一卷积层、第二卷积层和第一全连接层,所述第一卷积层通过2x2的卷积核对3x3网格中的信息进行卷积处理分别提取左上角子区域、右上角子区域、左下角子区域和右下角子区域的交互信息,每个子区域内包括3x3网格中相应方位子区域处的四辆场景车辆;所述第二卷积层通过2x2的卷积核对所述第一卷积层...
【专利技术属性】
技术研发人员:杨雨欣,蒋华涛,常琳,杨昊,
申请(专利权)人:无锡物联网创新中心有限公司,
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。