一种基于Transformer-WGAN的车辆跟驰行为建模方法技术

一种基于Transformer

【技术实现步骤摘要】
一种基于Transformer
‑
WGAN的车辆跟驰行为建模方法


[0001]本专利技术涉及一种基于Transformer
‑
WGAN的车辆跟驰行为建模方法，本专利技术属于智能交通领域。

技术介绍

[0002]跟驰行为是一种常见的微观驾驶行为，描述了在限制超车的单行道上行驶的两相邻车辆间的相互作用，跟驰行为对车辆的运行效率、道路通行率以及交通流稳定性有重要影响。车辆跟驰模型旨在复制驾驶员的跟驰行为，是交通仿真工具中的基本算法，对车辆跟驰行为进行建模可以量化跟驰车辆间的纵向相互作用，增强驾驶行为的安全性。
[0003]随着深度学习的兴起，越来越多的深度学习算法应用于自动驾驶领域，通过车辆的传感器能够获取周围车辆和本车辆的实时驾驶数据；不同于基于运动学的车辆跟驰模型，在基于深度学习的跟驰模型中，其试图从获取的大量人类驾驶员跟驰数据中学习跟车行为，即根据历史时刻跟驰车和其前车的数据输入到基于深度学习的跟驰模型中，输出车辆未来时刻的状态，达到控制跟驰车的目的。
[0004]现有的对车辆跟驰行为建模的主本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Transformer
‑
WGAN的车辆跟驰行为建模方法，其特征在于含有以下步骤：步骤1：获取跟驰场景中多组跟驰车和其前车的状态序列数据，数据包括：跟驰车的速度，跟驰车的加速度，前车的加速度，前车和跟驰车的速度差，将数据进行预处理使其符合模型输入的数据格式的步骤；步骤2：建立Transformer网络模型，利用Transformer网络模型中多头自注意力机制学习跟驰场景中车辆状态序列数据中复杂的时序依赖关系，提取驾驶数据中潜在时间特征的步骤；步骤3：构建生成对抗网络WGAN，使用时间特征数据实现跟驰场景中车辆未来状态预测的步骤：生成对抗网络WGAN主要包含两部分：生成器和判别器；将Seq2Seq网络模型作为WGAN的生成器，将Transformer网络输出的时间特征数据作为Seq2Seq网络的输入，并根据当前输入计算对应的预测结果；将预测结果和真实结果作为由全连接网络构成的判别器的输入，判别器的目的是将预测结果和真实结果区分开，将预测的结果判断为假；通过生成器与判别器的对抗训练后，使判别器难以判定预测的结果为假，使得最小化预测结果和真实结果之间的误差，实现模型准确预测跟驰场景中车辆未来状态的步骤。2.如权利要求1所述的一种基于Transformer
‑
WGAN的车辆跟驰行为建模方法，其特征在于：获取跟驰场景中多组跟驰车和其前车的状态序列数据，数据包括：跟驰车的速度，跟驰车的加速度，前车的加速度，前车和跟驰车的速度差，将数据进行预处理使其符合模型输入的数据格式，所述过程如下：步骤1.1：获取跟驰场景中第j组跟驰车的驾驶状态序列数据；其中j∈[1:N]，N是获取的总的跟驰行为车辆组数；s表示跟驰车；X
js
(t)表示在跟驰场景中获取的第j组跟驰车的驾驶状态序列数据；T表示采样的第j组跟驰行为车辆数据总时长；v
js
(t+i)是t+i时刻第j组跟驰车的速度；a
js
(t+i)是t+i时刻第j组跟驰车的加速度；p
js
(t+i)是t+i时刻第j组跟驰车的纵向位置，其中i∈[0:T]；步骤1.2：获取跟驰场景中第j组前车的驾驶状态序列数据；其中j∈[1:N]，N是获取的总的跟驰行为车辆组数；l表示前车；X
jl
(t)表示在跟驰场景中获取的第j组前车的驾驶状态序列数据；T表示采样的第j组跟驰行为车辆数据总时长；v
jl
(t+i)是t+i时刻第j组前车的速度；a
jl
(t+i)是t+i时刻第j组前车的加速度；p
jl
(t+i)是t+i时刻第j组前车的纵向位置；其中i∈[0:T]；
为表征由于传感器损坏造成采集的前车数据缺失的情况，创建0
‑
1掩膜矩阵M
jl
(t)＝{m
jl
(t+i)}
i＝[0：T]
，其中m
jl
(t+i)表示在t+i时刻采集的第j组前车数据值是否缺失，即掩膜矩阵M
jl
(t)中随机分布连续的|M
jl
(t)|
×
k个0，表示数据随机缺失的位置，其中|M
jl
(t)|为掩膜矩阵的行数，k表示数据随机连续缺失的比例；因此实际获取的第j组前车状态序列数据为：X
jl
′
(t)＝X
jl
(t)
⊙
M
jl
(t)
ꢀꢀꢀꢀ
(4)其中
⊙
表示矩阵点乘；步骤1.3：对获取的跟驰场景中N组跟驰车和其前车的驾驶数据进行预处理使其符合模型输入的数据格式；融合获取的跟驰场景中每组跟驰车驾驶数据X
js
(t)和其前车的驾驶数据X
′
jl
(t)：其中j∈[1:N]，N是获取的总的跟驰行为车辆组数；表示第j组跟驰车和其前车融合的驾驶数据；T表示采样的第j组跟驰行为车辆数据总时长；v
js
(t+i)是t+i时刻第j组跟驰车的速度；a
js
(t+i)是t+i时刻第j组跟驰车的加速度；a
jl
(t+i)是t+i时刻第j组前车的加速度；Δv
j
(t+i)＝v
jl
(t+i)
‑
v
js
(t+i)，表示t+i时刻第j组前车速度和其跟驰车速度的差值，其中i∈[0:T]；对于获取的N组跟驰行为车辆，每组跟驰车和其前车融合的驾驶数据构成的总集合为步骤1.4：将融合的驾驶数据总集合X
merge
构建成符合模型输入的数据样本形式，由于驾驶员的决策通常依赖于历史驾驶行为和过去的交通状态，将驾驶记忆融入到跟驰模型中能够更好的描述交通流特性，因此考虑a秒的历史驾驶时长信息来预测未来b秒车辆的状态；其中基于构建的模型单个输入样本x
i
(t)形式如下：其中x
i
(t)∈R
ax4
；与单个输入样本x
i
(t)对应的标签即未来b秒车辆的状态y
i
(t)形式如下：
其中y
i
(t)∈R
bx4
；因此基于X
merge
构成的模型输入样本总集合X＝[x1(t),x2(t),
…
,x
i
(t),
…
,x
n
(t)]，与之对应的标签总集合为Y＝[y1(t),y2(t),
…
,y
i
(t),
…
,y
n
(t)]，其中n是样本总数；基于构成的输入样本总集合X和对应的标签总集合Y，划分训练集和测试集，划分比例为c:d，即X和Y中c％的样本用于模型训练，d％的样本用于测试模型性能；为保证模型能够充分训练，在模型训练的过程中与每个输入样本对应的标签是完整的。3.如权利要求1所述的一种基于Transformer
‑
WGAN的车辆跟驰行为建模方法，其特征在于：建立Transformer网络模型，利用Transformer网络模型中多头自注意力机制学习跟驰场景中车辆状态序列数据中复杂的时序依赖关系，提取驾驶数据中潜在时间特征，所述过程如下：根据权力要求2所述的对于获取的跟驰场景中车辆状态序列数据构成的输入样本总集合X，搭建Transformer网络模型，将X作为Transformer网络模型的输入，计算驾驶数据中潜在的时间特征，如下所示：步骤2.1：使用一层全连接网络，将输入样本x
i
(t)编码成d维，即：x
d
(t)＝f
c
(x
i
(t))
ꢀꢀꢀ
(8)其中x
d
(t)∈R
axd
；步骤2.2：由于Transformer网络模型主要依赖于自注意力机制来实现序列建模任务的优异性能，因此基于获得的编码后输入样本x
d
(t)，Transformer模型中多头自注意力机制计算过程如下：首先编码后的输入样本x
d
(t)通过三个权值矩阵得到计算注意力值所需的query矩阵、key矩阵和value矩阵，即：Q
u
(x
d
)＝W
u,q
·
x
d
(t)
ꢀꢀꢀꢀꢀꢀ
(9)K
u
(x
d
)＝W
u,k
·
x
d
(t)
ꢀꢀꢀꢀꢀ
(10)V
u
(x
d
)＝W
u,v
·
x
d
(t)
ꢀꢀꢀꢀ
(11)其中
·
表示矩阵叉乘；Q
u
、K
u
、V
u
分别是第u个注意力头的query，key和value函数；W
u,q
...

【专利技术属性】
技术研发人员：徐东伟，高光燕，李呈斌，厉江鹏，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：