一种车辆轨迹预测深度学习模型的鲁棒性增强方法技术

一种车辆轨迹预测深度学习模型的鲁棒性增强方法，首先训练得到鲁棒性增强模型，其次以车辆轨迹的历史信息作为鲁棒性增强模型的输入，输出下一帧车辆轨迹作为重构轨迹，计算真实轨迹与重构轨迹之间距离，并根据实验所得检测阈值判断是否存在噪声，以此决定是否替换下一帧轨迹，达到增强车辆轨迹预测深度学习模型鲁棒性的目的，方法在NGSIM数据集上得到验证。证。证。

【技术实现步骤摘要】
一种车辆轨迹预测深度学习模型的鲁棒性增强方法


[0001]本专利技术涉及一种车辆轨迹预测深度学习模型的鲁棒性增强方法，本专利技术属于智能交通与机器学习信息安全交叉领域。

技术介绍

[0002]人类越来越依赖自动驾驶系统来摆脱繁琐的任务，自动驾驶就是一个典型的例子。为了安全高效地通过由人类驾驶员组成的复杂交通，自动驾驶汽车需要具备主动能力，例如决定何时变道、超车或减速让其他车辆合并。这就要求自动驾驶汽车具备一定的推断周围车辆未来运动的能力。预测参与者的未来轨迹有助于自动驾驶系统找到合理的局部路径规划方案，防止可能发生的碰撞。
[0003]近年，基于深度学习的车辆轨迹预测模型由于其高性能而备受关注，但研究显示深度学习模型易受各类噪声的影响而使其性能不同程度地下降。作为基于深度学习的车辆轨迹预测模型，预测性能下降意味着其在使用场景中的安全性能不可靠。

技术实现思路

[0004]为了解决已有模型存在的不足，本专利技术提供了一种车辆轨迹预测深度学习模型的鲁棒性增强方法，可以通过对车辆轨迹预测模型的车辆轨迹坐标进行噪声检测并重构噪声点来提高车辆轨迹预测模型的预测鲁棒性，以此解决车辆轨迹噪声对轨迹预测模型的预测结果影响严重的问题。
[0005]本专利技术的技术方案是：
[0006]一种车辆轨迹预测深度学习模型的鲁棒性增强方法，包括以下步骤：
[0007]步骤1：将干净数据集D分成训练集D
n1
，D
n2
分别用于轨迹预测模型和鲁棒性增强模型的训练与测试集D
t1
，D
t2
，D
t3
用于各类测试；使用训练集D
n
训练车辆轨迹预测深度学习模型M
pre
，训练完成后模型的网络参数不再发生变化，并在测试集D
t1
上进行M
pre
性能测试。
[0008]步骤2：对轨迹预测模型进行鲁棒性分析，构建轨迹预测模型的鲁棒性测试数据集，首先对干净数据集D
t1
，D
t2
添加随机噪声，得到D
Rt1
，D
Rt2
，使用D
Rt1
测试在随机噪声条件下M
pre
的预测鲁棒性；使用对抗攻击方法在干净数据集D
t3
上对M
pre
进行攻击，使其变道/车道保持判断发生错误，得到对抗攻击情况下的鲁棒性分析样本集D
At3
，使用该样本集对M
pre
进行鲁棒性分析，得到对抗攻击情况下的轨迹预测鲁棒性结果；
[0009]步骤3：构建轨迹预测鲁棒性增强模型M
r
，使用训练集D
n
训练M
r
并使用鲁棒性测试集D
Rt1
测试M
r
噪声检测性能。将轨迹样本集D
Rt2
送入M
r
中，得到经过检测
‑
重构的轨迹样本集D
R
’
t2
。将D
At3
送入M
r
，得到经过检测
‑
重构的轨迹样本集D
A
’
t3
；
[0010]步骤4：将样本集D
A
’
t3
，D
R
’
t2
送入车辆轨迹预测模型M
pre
，将结果与D
At3
，D
Rt2
送入M
pre
得到的结果做对比，得到鲁棒性增强模型M
r
的鲁棒性提升测试结果。验证得，鲁棒性增强模型可以实现深度学习车辆轨迹预测模型的预测鲁棒性增强。
[0011]步骤1具体包括：
[0012]1.1:对于某一场景下的数据集D，首先将整个场景划分为若干网格，对场景中每辆车都分配到对应的网格；其次对场景中整个数据集的车辆轨迹以轨迹长度作为依据进行分割，取同一时间域内的所有车辆轨迹的(N+M)个连续采样点，其中前N个采样点作为车辆历史轨迹，剩余M个采样点作为未来轨迹；
[0013]1.2:将干净数据集D分成训练集D
n1
，D
n2
分别用于轨迹预测模型和鲁棒性增强模型的训练与测试集D
t1
，D
t2
，D
t3
用于各类测试；
[0014]1.3:搭建轨迹预测模型M
pre
；对于数据集D
n1
中某一样本X，其车辆历史轨迹使用X
tar
＝[x
tar0
,x
tar1
,
…
,x
tarN
‑1]表示，其中x
tarN
‑1＝(x
N
‑1,y
N
‑1)，其余车辆使用X
nbr
＝[x
nbr0
,x
nbr1
,
…
,x
nbrN
‑1]表示，其中x
nbrN
‑1＝(x
N
‑1,y
N
‑1)，x
N
‑1,y
N
‑1为第N
‑
1个时刻轨迹坐标，模型使用LSTM提取车辆轨迹特征：
[0015]X
emb
＝LSTM(X
tar
,X
nbr
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0016][0017]其中LSTM为长短期记忆网络，X
emb
为所有车辆轨迹的嵌入表示，X
taremb
为目标车辆的轨迹嵌入表示，将X
emb
放置入划分好的对应网格中；先使用卷积网络对X
emb
进行卷积，再使用最大池化层进行池化，X
taremb
通过FC层后与X
emb
卷积池化后的特征进行拼接：
[0018]X
Social
＝Maxpool(Conv(X
emb
))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0019]X
dyn
＝FC(X
taremb
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0020]X
enc
＝Concat(X
Social
,X
dyn
)
ꢀꢀꢀꢀꢀꢀ
(5)
[0021]其中Maxpool为最大池化层，Conv为卷积网络，FC为全连接层，Concat为拼接操作，X
Social
为提取的所有车辆本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆轨迹预测深度学习模型的鲁棒性增强方法，其特征在于，包括以下步骤：步骤1：将干净数据集D分成训练集D
n1
，D
n2
分别用于轨迹预测模型和鲁棒性增强模型的训练与测试集D
t1
，D
t2
，D
t3
用于各类测试；使用训练集D
n1
训练车辆轨迹预测深度学习模型M
pre
，训练完成后模型的网络参数不再发生变化，并在测试集D
t1
上进行M
pre
性能测试；步骤2：对轨迹预测模型进行鲁棒性分析，构建轨迹预测模型的鲁棒性测试数据集，首先对干净数据集D
t1
，D
t2
添加随机噪声，得到D
Rt1
，D
Rt2
，使用D
Rt1
测试在随机噪声条件下M
pre
的预测鲁棒性；使用对抗攻击方法在干净数据集D
t3
上对M
pre
进行攻击，使其变道/车道保持判断发生错误，得到对抗攻击情况下的鲁棒性分析样本集D
At3
，使用该样本集对M
pre
进行鲁棒性分析，得到对抗攻击情况下的轨迹预测鲁棒性结果；步骤3：构建轨迹预测鲁棒性增强模型M
r
，使用训练集D
n2
训练M
r
并使用鲁棒性测试集D
Rt1
测试M
r
噪声检测性能；将轨迹样本集D
Rt2
送入M
r
中，得到经过检测
‑
重构的轨迹样本集D
R
’
t2
；将D
At3
送入M
r
，得到经过检测
‑
重构的轨迹样本集D
A
’
t3
；步骤4：将样本集D
A
’
t3
，D
R
’
t2
送入车辆轨迹预测模型M
pre
，将结果与D
At3
，D
Rt2
送入M
pre
得到的结果做对比，得到鲁棒性增强模型M
r
的鲁棒性提升测试结果；验证得，鲁棒性增强模型可以实现深度学习车辆轨迹预测模型的预测鲁棒性增强。2.如权利要求1所述的一种车辆轨迹预测深度学习模型的鲁棒性增强方法，其特征在于，步骤1具体包括：1.1:对于某一场景下的数据集D，首先将整个场景划分为若干网格，对场景中每辆车都分配到对应的网格；其次对场景中整个数据集的车辆轨迹以轨迹长度作为依据进行分割，取同一时间域内的所有车辆轨迹的(N+M)个连续采样点，其中前N个采样点作为车辆历史轨迹，剩余M个采样点作为未来轨迹；1.2:将干净数据集D分成训练集D
n1
，D
n2
分别用于轨迹预测模型和鲁棒性增强模型的训练与测试集D
t1
，D
t2
，D
t3
用于各类测试；1.3:搭建轨迹预测模型M
pre
；对于数据集D
n1
中某一样本X，其车辆历史轨迹使用X
tar
＝[x
tar0
,x
tar1
,
…
,x
tarN
‑1]表示，其中x
tarN
‑1＝(x
N
‑1,y
N
‑1)，其余车辆使用X
nbr
＝[x
nbr0
,x
nbr1
,
…
,x
nbrN
‑1]表示，其中x
nbrN
‑1＝(x
N
‑1,y N
‑1)，x
N
‑1,y
N
‑1为第N
‑
1个时刻轨迹坐标，模型使用LSTM提取车辆轨迹特征：X
emb
＝LSTM(X
tar
,X
nbr
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中LSTM为长短期记忆网络，X
emb
为所有车辆轨迹的嵌入表示，X
taremb
为目标车辆的轨迹嵌入表示，将X
emb
放置入划分好的对应网格中；先使用卷积网络对X
emb
进行卷积，再使用最大池化层进行池化，X
taremb
通过FC层后与X
emb
卷积池化后的特征进行拼接：X
Social
＝Maxpool(Conv(X
emb
))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)X
dyn
＝FC(X
taremb
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)X
enc
＝Concat(X
Social
,X
dyn
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中Maxpool为最大池化层，Conv为卷积网络，FC为全连接层，Concat为拼接操作，X
Social
为提取的所有车辆空间特征，X
dyn
目标车辆的运动特征，X
enc
为所有车辆轨迹的时空编码；
模型使用LSTM作为解码器进行解码得到预测轨迹：X
pre
＝LSTM(X
enc
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)其中X
pre
为输出的目标车辆预测轨迹坐标，表示为X
pre
＝[x
pre0
,x
pre1
,
…
,x
preM
‑1]，其中x
preM
‑1＝(x
M
‑1,y
M
‑1)为M
‑
1时刻的预测轨迹坐标；样本对应的作为监督信息的未来轨迹表示为X
gt
＝[x
gt0
,x
gt1
,
…
,x
gtM...

【专利技术属性】
技术研发人员：徐东伟，刘靥宛则，商学天，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：