【技术实现步骤摘要】
一种基于异构图卷积网络的智能体运动预测方法
[0001]本专利技术涉及运动预测与动态场景表征
,尤其涉及一种基于异构图卷积网络的智能体运动预测方法。
技术介绍
[0002]运动预测旨在基于周围车辆(智能体,agent)的历史轨迹与地图、环境等信息预测它们的未来轨迹。运动预测作为路径规划模块的前端依赖单元,是实现安全舒适的自动驾驶的整个流程中至关重要的一环。预测本身即具有不确定性和多模态性。智能体的历史轨迹和高清(HD)地图等信息为刻画车辆所处的动态场景提供了背景信息,使得合理的运动预测成为可能。
[0003]然而,利用上述信息并非易事,因为(i)高度异构的场景元素,包括自动驾驶车辆周围的智能体、道路的车道、红绿灯等;(ii)复杂且多重的交互,例如智能体
‑
智能体、智能体
‑
道路间的交互;(iii)交错的时空信息,例如智能体的轨迹。
[0004]为了解决这些问题,一些基于光栅化(rasterization)的方法首先被提出。例如,Multipath将场景上下文表示为俯视图,利用卷积神经网络(CNN)来学习场景特征,并通过基于锚点的解码器进行预测。尽管基于光栅化的场景表示简单直观,但它在建模和利用智能体与环境之间的交互方面具有固有的局限性。此外,它在处理道路网络的稀疏结构方面效率较低。
[0005]进一步地,一系列基于图神经网络(GNN)的方法于近期被提出。例如,Vectornet提出了一个两级图网络,其中局部网络提取每个场景元素(包括智能体的轨迹和道路车 ...
【技术保护点】
【技术特征摘要】
1.一种基于异构图卷积网络的智能体运动预测方法,其特征在于,包括:构建表征动态场景的动态有向异构图,其中所述动态有向异构图联合编码了道路网络的拓扑结构和智能体的时空信息;以及基于所述动态有向异构图利用异构图卷积网络预测智能体的运动轨迹。2.根据权利要求1所述的基于异构图卷积网络的智能体运动预测方法,其特征在于,其中构建表征动态场景的动态异构图包括节点的构造和节点之间动态边的构造,其中所述节点包括智能体节点和车道节点,每个智能体作为一个智能体节点,每个道路车道段作为一个车道节点,在所述节点之间构造动态边来表征节点之间的交互,包括车道
‑
车道交互、智能体
‑
车道交互、车道
‑
智能体交互以及智能体
‑
智能体交互。3.根据权利要求2所述的基于异构图卷积网络的智能体运动预测方法,其特征在于,将时间片段t=[
‑
T
′
+1,
‑
T
′
+2,
…
,0]分割成P个等时间间隔τ(τ*P=T
′
)的组,τ表示时间间隔长度,并利用每个时间间隔内的信息(
‑
τ*p,
‑
τ*(p
‑
1)]来构造动态异构图在相应时间间隔的离散快照G
p
,p=1,2,
…
,P。4.根据权利要求3所述的基于异构图卷积网络的智能体运动预测方法,其特征在于,利用给定智能体的一系列历史状态S
h
=[s
‑
T
′
+1
,s
‑
T
′
+2
,
…
,s0],构造了动态有向异构图{G
p
},p=1,2,
…
,P,动态有向异构图单个时间片段的离散快照G
p
={V
p
,ε
p
},所述离散快照由节点集合和边集合构成,p=1,2,
…
,P,其中和分别表示不同类型的节点集和边集;节点特征X
p
,其中x
p,i
=x
p
(v
i
)为对应节点v
i
∈V
p
的特征,X
p
=[x
p,i
,x
p,2
,
…
,x
p,n
]
T
;假设节点集合V
p
在动态异构图{G
p
}中保持相同,p=1,2,
…
,P,除了节点集合的属性随p而变化。5.根据权利要求4所述的基于异构图卷积网络的智能体运动预测方法,其特征在于,按照道路网络的拓扑结构为车道节点构建边来表征车道
‑
车道交互,包括:如果车道节点和按照道路方向首尾相连,则在车道节点和之间构造有向边由于道路拓扑是静态的,ε0在动态有向异构图的不同离散快照G
p
中是相同的。6.根据权利要求5所述的基于异构图卷积网络的智能体运动预测方法,其特征在于,基于车道节点之间边集ε0来进一步构建智能体节点和车道节点之间的动态边来表征智能体
‑
车道交互和车道
‑
智能体交互,包括:对于每一个智能体节点i,首先基于智能体节点i在t=
‑
τ*(p
‑
1),p=1,2,
…
,P,时刻的位置c
p,i
,为其找到k个最近的车道节点,并舍弃其中属于反向车道的车道节点,其中在路口的道路车道段上,保留所有k个节点;从找到的邻近车道节点开始,沿ζ0中的边执行深度优先搜索来探索智能体未来可能到达的车道节点,其中所述深度优先...
【专利技术属性】
技术研发人员:李怡康,高星,贾晓港,
申请(专利权)人:上海人工智能创新中心,
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。