【技术实现步骤摘要】
基于编码器
‑
解码器架构的轨迹预测方法
[0001]本专利技术涉及自动驾驶
，具体而言，涉及一种基于编码器
‑
解码器架构的轨迹预测方法。
技术介绍
[0002]在自动驾驶领域中，实现对交通环境精准的感知和预测，是保证自动驾驶车辆安全高效运行的前提。面对复杂多变的交通环境，自动驾驶车辆需要即时地获取周围交通环境信息和路网信息等，并通过算法决策出一条安全高效的运行轨迹，需要对周围的交通环境做出合理的轨迹预测。其中，轨迹预测的对象一般为行人、车辆和自行车等。
[0003]传统的轨迹预测方法包括：基于规则的轨迹预测方法和基于数据驱动的轨迹预测方法。许多传统基于规则的轨迹预测方法通过建立运动学的模型在短距离的预测中拥有较高的精度，但由于复杂多变的交通环境具有高度的非线性性，这使得基于模型的轨迹预测方法很难在长距离的预测中取得较高的精度，无法满足自动驾驶车辆在高效安全方面的保障。基于数据驱动的轨迹预测方法通常采用长短期记忆神经网络(LSTM)和循环神经网络(RNN)根据历史的轨迹数据去预...
【技术保护点】
【技术特征摘要】
1.一种基于编码器
‑
解码器架构的轨迹预测方法，其特征在于，包括以下步骤：S1、基于卷积神经网络对道路图片进行特征提取，得到路网特征信息，获取通过雷达捕捉到的道路中所有的物体特征信息，基于物体特征信息和路网特征信息得到提取向量图；S2、将提取向量图输入至带有注意力机制的图注意力网络，输出得到具有注意力信息的特征向量；S3、将具有注意力信息的特征向量输入至第一长短期记忆递归神经网络，输出得到第一结果数据；S4、将第一结果数据输入至解码器图注意力网络，对第一结果数据进行信息聚合得到第二结果数据；S5、将第二结果数据输入至第二长短期记忆递归神经网络，输出得到轨迹预测结果，第二长短期记忆递归神经网络的损失函数包括位置信息损失和碰撞面积约束。2.根据权利要求1所述基于编码器
‑
解码器架构的轨迹预测方法，其特征在于，步骤S1包括以下步骤：S11、将道路图片输入至卷积神经网络，输出得到路网特征信息；S12、获取通过雷达捕捉到的道路图片中所有的物体特征信息，采用独热编码对物体特征信息的类型信息进行编号，得到物体特征向量；S13、采用全连接网络对物体特征向量进行扩充；S14、将扩充后的物体特征向量与路网特征信息合并，得到提取向量图。3.根据权利要求2所述基于编码器
‑
解码器架构的轨迹预测方法，其特征在于，步骤S13中，扩充公式为：其中，表示扩充后的第i个向量，W1代表全连接层的权重系数，代表第i个物体的特征向量，a代表进行扩充向量的点积操作。4.根据权利要求3所述基于编码器
‑
解码器架构的轨迹预测方法，其特征在于，步骤S14中，所得到的提取向量图有多张，分别表示不同时刻的状态，状态包括物体特征向量与路网特征信息。5.根据权利要求4所述基于编码器
‑
解码器架构的轨迹预测方法，其特征在于，步骤S2中，具有注意力信息的特征向量的计算公式为其中，代表注意力权重向量，W2代表带有注意力机制的图注意力网络中的系数，σ代表向量的点积操作。6.根据权利要求5所述基于编码器
‑...
【专利技术属性】
技术研发人员：连伟杰，王玉泽，刘顺程，苏涵，郑凯，曾凯，
申请(专利权)人：电子科技大学长三角研究院衢州，
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。