一种交通目标轨迹预测方法及可读存储介质技术

本发明专利技术提供了一种交通目标轨迹预测方法及可读存储介质，该方法借助了交通可移动区域的高精地图信息、目标交通物体的历史轨迹信息、以及目标周围预设定范围内的交通参与者的历史轨迹信息并进行坐标重叠，从而基于高精地图能够确认目标交通物体及其周围的交通参与者的运行区域及轨迹特征，因此利用残差神经网络构建交通轨迹预测模型并基于这些特征信息进行训练自动调整模型参数以达到最佳匹配效果后，即可针对目标交通物体的交通参与者类型和运行轨迹加以准确和客观的预测，从而具备针对不同类型的交通参与者以及较复杂的交通环境的轨迹预测能力以及较高的预测准确性，提高交通目标轨迹预测判断的准确性和技术应用适应能力。应能力。应能力。

【技术实现步骤摘要】
一种交通目标轨迹预测方法及可读存储介质


[0001]本专利技术涉及智能安全驾驶
，具体涉及一种交通目标轨迹预测方法及可读存储介质。

技术介绍

[0002]在驾驶活动中，人类司机需要时刻关注道路、交通信号牌、周围车辆行人等信息，在决定换道、加减速等操作时需要预判周围移动目标动向。随着自动驾驶和辅助驾驶技术的不断发展，汽车正在逐渐进入智能化时代。在智能安全驾驶技术应用中的轨迹预测环节所起到的作用与人类司机预判道路目标动向时的思维活动几乎是等同的，轨迹预测的能力上，也希望尽可能的达到、甚至超越人类司机预判道路目标动向的能力。因此，智能安全驾驶技术应用领域中，如何提升对交通目标轨迹的预测能力，也是一项热点研究课题。
[0003]针对交通目标轨迹预测的问题，申请号为2021101270883的中国专利公开了“一种基于移动轨迹大数据的短时交通流量预测方法及系统”，其方法对交通移动轨迹数据进行数据预处理，得到训练数据；根据所述训练数据，构建在Spark框架下基于正态分布和注意力机制加权的并行NAW
‑
DBLSTM算法；基于RDD执行所述并行NAW
‑
DBLSTM算法，并输出预测结果；构建Spark框架下基于正态分布和注意力机制加权的并行NAW
‑
DBLSTM算法，再结合RDD执行并行NAW
‑
DBLSTM算法，考虑各路段之间空间相关性的影响权重以及捕捉交通流量非线性特征的能力，输出预测结果。该方案主要针对于车辆在道路中的形式轨迹以及相应路段交通流量进行轨迹预测，但却未涉及到对非机动车、行人等其它交通参与者以及人行道、非机动车道、红绿灯等道路相关交通环境条件的考量和约束，而主要针对车辆为识别主体、且主要考量车行道交通流量对于轨迹预测的影响，预测能力较为有限，预测对象无法覆盖多种不同类型的交通参与者，同时对涉及人行道、非机动车道、红绿灯等复杂交通环境的应用适应能力也较为有限，因此其技术应用也受到较多限制。
[0004]因此，如何使得轨迹预测技术针对不同类型的交通参与者以及较复杂的交通环境更好的实现交通目标轨迹预测，成为了智能安全驾驶领域亟待解决的技术问题。

技术实现思路

[0005]针对上述现有技术的不足，本专利技术所要解决的技术问题是：如何提供一种交通目标轨迹预测方法，以能够针对多种不同类型的交通参与者以及涉及人行道、非机动车道、红绿灯等复杂交通环境更好的实现交通目标的轨迹预测，从而能够提高交通目标轨迹预测判断的准确性和技术应用适应能力。
[0006]为了解决上述技术问题，本专利技术采用了如下的技术方案：
[0007]一种交通目标轨迹预测方法，其特征在于，包括以下步骤：
[0008]S1：获取交通可移动区域的高精地图信息、目标交通物体的历史轨迹信息、以及目标交通物体周围预设定范围内的交通参与者的历史轨迹信息；
[0009]S2：对所述高精地图信息、目标交通物体的历史轨迹信息、以及目标周围预设定范
围内的交通参与者的历史轨迹信息进行坐标重叠处理，将坐标重叠后所得的数据信息作为目标交通物体的轨迹特征数据向量；
[0010]S3：将所述目标交通物体的轨迹特征数据向量输入经过训练的交通轨迹预测模型中，输出目标交通物体的交通参与者类型预测结果和轨迹预测结果；所述交通轨迹预测模型基于残差神经网络构建，并基于真实交通参与者的运行轨迹数据训练得到；
[0011]S4：基于目标交通物体的交通参与者类型预测结果和轨迹预测结果，绘制所述目标交通物体此后的运行轨迹预测路线。
[0012]优选的，所述步骤S1中，高精地图信息包括机动车可行驶区域及各机动车道边界、非机动车可行驶区域及各非机动车道边界、人行道区域及边界、交通信号灯状态及切换规则、以及前述各数据对应的时间戳。
[0013]优选的，所述步骤S1中，目标交通物体的历史轨迹信息包括目标交通物体的历史位置坐标、历史运行速度、历史运行加速度、历史运行方位角、历史运行方位角变化率以及前述各数据对应的时间戳；
[0014]交通参与者的历史轨迹信息包括交通参与者的历史位置坐标、历史运行速度、历史运行加速度、历史运行方位角、历史运行方位角变化率以及前述各数据对应的时间戳；
[0015]优选的，所述步骤S2具体包括：
[0016]S201：建立参照坐标系；
[0017]S202：将高精地图信息、目标交通物体的历史轨迹信息、交通参与者的历史轨迹信息的时间戳对齐，并按照预设的采样频率进行采样，得到高精地图信息、目标交通物体的历史轨迹信息、交通参与者的历史轨迹信息在不同时刻的采样数据帧；
[0018]S203：将高精地图信息、目标交通物体的历史轨迹信息、交通参与者的历史轨迹信息在同一时刻的采样数据帧叠加到参照坐标系，形成目标交通物体在该时刻的参照系叠加历史数据帧；由此，分别叠加处理获得目标交通物体在不同时刻的参照系叠加历史数据帧；
[0019]S204：将所得到的目标交通物体在各不同时刻的参照系叠加历史数据帧的集合，作为目标交通物体的轨迹特征数据向量。
[0020]优选的，所述参照坐标系是高精地图信息、目标交通物体的历史轨迹信息、交通参与者的历史轨迹信息之中任一信息数据所在的坐标系。
[0021]优选的，所述步骤S3中的交通轨迹预测模型通过如下步骤训练获得：
[0022]S301：基于获取的交通可移动区域的高精地图信息、多个样本目标交通物体的历史轨迹信息、以及每个样本目标交通物体周围预设定范围内的交通参与者的历史轨迹信息，处理得到各样本目标交通物体的轨迹特征数据向量及对应的轨迹标签向量；所述样本目标交通物体及其周围预设定范围内的交通参与者均为交通可移动区域内的真实交通参与者；
[0023]S302：从获取的样本目标交通物体中选取训练对象和测试对象，并标注确定各训练对象和测试对象各自所属的交通参与者类型标签，将各训练对象的集合作为训练数据集，将测试对象的集合作为测试数据集；
[0024]S303：将训练数据集中各训练对象的交通参与者类型标签、轨迹特征数据向量及对应的轨迹标签向量输入至交通轨迹预测模型进行训练，用以调整交通轨迹预测模型的参数；
[0025]S304：将测试数据集中各测试对象的轨迹特征数据向量输入交通轨迹预测模型中，基于各测试对象对应的交通参与者类型标签和轨迹标签向量与交通轨迹预测模型输出的交通参与者类型预测结果和轨迹预测结果进行匹配对比，评估交通轨迹预测模型的性能；
[0026]S305：若交通轨迹预测模型的性能未达到预设目标，则返回执行步骤S303；若交通轨迹预测模型的性能达到预设目标，则完成训练，得到经过训练的交通轨迹预测模型。
[0027]优选的，所述步骤S301具体包括如下步骤：
[0028]S3011：获取交通可移动区域的高精地图信息，以及交通可移动区域中多个真实交通参与者的历史轨迹信息；建立参照坐标系，设定训练参考时刻；
[0029]S3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通目标轨迹预测方法，其特征在于，包括以下步骤：S1：获取交通可移动区域的高精地图信息、目标交通物体的历史轨迹信息、以及目标交通物体周围预设定范围内的交通参与者的历史轨迹信息；S2：对所述高精地图信息、目标交通物体的历史轨迹信息、以及目标周围预设定范围内的交通参与者的历史轨迹信息进行坐标重叠处理，将坐标重叠后所得的数据信息作为目标交通物体的轨迹特征数据向量；S3：将所述目标交通物体的轨迹特征数据向量输入经过训练的交通轨迹预测模型中，输出目标交通物体的交通参与者类型预测结果和轨迹预测结果；所述交通轨迹预测模型基于残差神经网络构建，并基于真实交通参与者的运行轨迹数据训练得到；S4：基于目标交通物体的交通参与者类型预测结果和轨迹预测结果，绘制所述目标交通物体此后的运行轨迹预测路线。2.根据权利要求1所述的交通目标轨迹预测方法，其特征在于，所述步骤S1中，高精地图信息包括机动车可行驶区域及各机动车道边界、非机动车可行驶区域及各非机动车道边界、人行道区域及边界、交通信号灯状态及切换规则、以及前述各数据对应的时间戳。3.根据权利要求1所述的交通目标轨迹预测方法，其特征在于，所述步骤S1中，目标交通物体的历史轨迹信息包括目标交通物体的历史位置坐标、历史运行速度、历史运行加速度、历史运行方位角、历史运行方位角变化率以及前述各数据对应的时间戳；交通参与者的历史轨迹信息包括交通参与者的历史位置坐标、历史运行速度、历史运行加速度、历史运行方位角、历史运行方位角变化率以及前述各数据对应的时间戳。4.根据权利要求1所述的交通目标轨迹预测方法，其特征在于，所述步骤S2具体包括：S201：建立参照坐标系；S202：将高精地图信息、目标交通物体的历史轨迹信息、交通参与者的历史轨迹信息的时间戳对齐，并按照预设的采样频率进行采样，得到高精地图信息、目标交通物体的历史轨迹信息、交通参与者的历史轨迹信息在不同时刻的采样数据帧；S203：将高精地图信息、目标交通物体的历史轨迹信息、交通参与者的历史轨迹信息在同一时刻的采样数据帧叠加到参照坐标系，形成目标交通物体在该时刻的参照系叠加历史数据帧；由此，分别叠加处理获得目标交通物体在不同时刻的参照系叠加历史数据帧；S204：将所得到的目标交通物体在各不同时刻的参照系叠加历史数据帧的集合，作为目标交通物体的轨迹特征数据向量。5.根据权利要求4所述的交通目标轨迹预测方法，其特征在于，所述参照坐标系是高精地图信息、目标交通物体的历史轨迹信息、交通参与者的历史轨迹信息之中任一信息数据所在的坐标系。6.根据权利要求1所述的交通目标轨迹预测方法，其特征在于，所述步骤S3中的交通轨迹预测模型通过如下步骤训练获得：S301：基于获取的交通可移动区域的高精地图信息、多个样本目标交通物体的历史轨迹信息、以及每个样本目标交通物体周围预设定范围内的交通参与者的历史轨迹信息，处理得到各样本目标交通物体的轨迹特征数据向量及对应的轨迹标签向量；所述样本目标交通物体及其周围预设定范围内的交通参与者均为交通可移动区域内的真实交通参与者；S302：从获取的样本目标交通物体中选取训练对象和测试对象，并标注确定各训练对
象和测试对象各自所属的交通参与者类型标签，将各训练对象的集合作为训练数据集，将测试对象的集合作为测试数据集；S303：将训练数据集中各训练对象的交通参与者类型标签、轨迹特征数据向量及对应的轨迹标签向量输入至交通轨迹预测模型进行训练，用以调整交通轨迹预测模型的参数；S304：将测试数据集中各测试对象的轨迹特征数据向量输入交通轨迹预测模型中，基于各测试对象对应的交通参与者类型标签和轨迹标签向量与交通轨迹预测模型输出的交通参与者类型预测结果和轨迹预测结果进行匹配对比，评估交通轨迹预测模型的性能；S305：若交通轨迹预测模型的性能未达到预设目标，则返回执行步骤S303；若交通轨迹预测模型的性能达到预设目标，则完成训练，得到经过训练的交通轨迹预测模型。7.根据权利要求6所述的交通目标轨迹预测方法，其特征在于，所述步骤S301具体包括...

【专利技术属性】
技术研发人员：林仲涛，张忠旭，杨东方，邱利宏，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：