一种目标轨迹预测方法技术

本发明专利技术公开了一种目标轨迹预测方法，步骤如下：根据目标历史轨迹，利用差分和编码提取多层次运动特征和相应训练标签；依据多层次运动特征建立配对交互图，计算基于运动

【技术实现步骤摘要】
一种目标轨迹预测方法


[0001]本专利技术涉及目标轨迹预测的应用，具体涉及一种复杂交互条件下的目标轨迹预测方法。

技术介绍

[0002]随着人工智能技术、自动驾驶技术的发展，通过分析目标的历史轨迹并给出目标未来轨迹的预测在识别
‑
跟踪
‑
预测
‑
规划的辅助驾驶、无人驾驶等技术路径中具有重要地位，同时对于提升社会安全和运行效率有重要意义。
[0003]由于目标的运动受到多种因素影响(如运动特性、环境信息、交互行为等)，目标的运动轨迹具有高度的随意性，现有方法较为常见地应用在单一状况的简单场景中(一种基于时空图注意力网络的行人轨迹预测方法，CN115376103A)，但在预测复杂场景下(如路口、环岛等多种目标)的非线性轨迹时性能表现不佳。同时由于参与者的增多，场景复杂程度的升级，如何确定目标之间非显式的交互行为对于目标轨迹预测的影响是广泛存在的问题。现有方法往往利用驾驶意图、高精度地图(一种自动驾驶汽车对周车驾驶意图和轨迹联合预测的方法，CN115158364A)等额外信息参与轨迹预测，但由于驾驶意图等额外信息获取的局限性，仅依赖目标的历史位置信息从而分析目标之间的交互特性，进而预测目标的未来轨迹具有广泛的适用范围和较高的应用价值。

技术实现思路

[0004]专利技术目的：为了解决现有技术中存在的问题，本专利技术的目的是提供一种利用目标历史位置信息，构建交互影响，以实现为辅助驾驶和无人驾驶系统提供轨迹预测信息的目标轨迹预测方法。
[0005]技术方案：一种目标轨迹预测方法，包括以下步骤：
[0006](1)使用激光雷达、相机等传感器采集的轨迹位置数据，利用差分和编码技术得到多层级运动特征；在模型训练过程中，对于标签位置数据采用相似的差分编码方式得到多层级标签。
[0007](2)建立两两配对的交互关系图，利用各目标的多层级运动特征计算基于运动
‑
交互的点积注意力值，结合多层级运动特征计算得到轨迹编码；
[0008](3)利用立体解码器，从时间、空间和特征维度上进行解码；空间上计算不同目标假设性预测轨迹对其他目标的影响；特征维度上计算高层级特征对低层级特征的影响。
[0009]优选的，所述步骤(1)中，多层级运动特征包含δ层结果，每层特征通过对目标历史位置轨迹序列X的δ次差分后编码获得；进一步的，步骤(1)中，对偶的训练标签通过对目标未来位置轨迹序列Y进行同样的δ次差分后获得。
[0010]优选的，所述步骤(2)中，两两配对的交互关系图是对同一场景内所有目标建立的全连接图，图中的目标之间关系的计算如下：利用当前目标i的多层级轨迹编码计算查询Q
δ
，利用场景中剩余目标Ω
i
的多层级轨迹编码计算共享的键K和多层次的值V
δ
，通过矩阵
Q
δ
和K点积的方式计算得到注意力值，并与值V
δ
相乘获得剩余目标Ω
i
对当前目标的运动
‑
交互影响。
[0011]优选的，所述步骤(3)中的解码过程在一般的时序解码的基础上增加空间解码和运动特征解码；空间上，当前目标i在t时刻解码得到的位置Y
i,t
依赖于当前场景下其余目标Ω
i
在t
‑
1时刻的假设性预测轨迹Y
Ωi,t
‑1再次通过编码与计算运动
‑
交互注意力的影响；运动特征维度上，目标i在t时刻解码器的循环单元中的低层级特征单元的计算依赖于更高层级的特征单元
[0012]有益效果：和现有技术相比，本专利技术具有如下显著进步：仅利用复杂场景下目标的位置轨迹数据，结合高效率的深度学习模型，从目标固有的运动性与社交的交互性角度构建复杂场景下目标之间的交互影响；本专利技术从空间、时间和运动特征维度综合分析目标轨迹的形成机制，从假设性预测角度生成符合非碰撞要求的预测轨迹，满足复杂场景下交互行为建模和目标轨迹预测的需求。
附图说明
[0013]图1是本专利技术实现目标轨迹预测的方法流程图；
[0014]图2是目标轨迹预测网络总框架。
具体实施方式
[0015]下面结合附图和具体实例对本专利技术作进一步说明。
[0016]图1为本专利技术的实施流程示意图，具体步骤如附图标记101—106所示。
[0017]输入鸟瞰/俯视的同一场景下所有目标，如车辆、行人、自行车等的位置轨迹序列X，如图2提取器部分所示，通过如下差分与LSTM(长短期记忆网络)编码的方式获得多层级的运动特征
[0018][0019][0020]这里Diff(
·
)代表差分操作，φ(
·
)代表基于LSTM的编码器。同时采用相同的差分方式计算得到δ层级的训练标签如下：
[0021][0022]训练标签用于训练过程中与最终结果计算损失从而进行反向传播梯度优化。
[0023]如图2运动
‑
交互注意力所示，针对当前目标i和当前场景下剩余目标Ω
i
，建立两两配对的交互图G＝，图中目标之间的连接通过注意力表示。利用当前目标i的多层级轨迹编码计算查询Q
δ
，利用场景中剩余目标Ω
i
的多层级轨迹编码计算共享的键K和多层次的值V
δ
：
[0024][0025][0026][0027]其中FC(
·
)代表全连接网络层，enc
key
(
·
)代表编码器，concat(
·
)代表级联操作。
[0028]通过矩阵Q
δ
和K点积的方式计算得到注意力值，并与值V
δ
相乘获得剩余目标Ω
i
对当前目标的运动
‑
交互影响：
[0029][0030][0031]其中d是缩放因子。
[0032]如图2中立体解码器所示，常见的方法基于如下的时间序列解码方式：
[0033][0034]其中代表t时刻解码器的隐藏变量，z
i
代表编码器得到的轨迹编码。
[0035]本专利技术额外引入了空间解码和运动特征解码方式如下
[0036][0037]其中包含时间维度(t
‑1→
t)，空间维度(Ω
i
→
i)，和运动特征维度(δ+1
→
δ)的解码。其中代表编码器得到的轨迹编码，代表相对于前一时刻的系统状态，代表相对于的高层级隐变量，空间维度代表其余目标假设性预测轨迹的隐变量计算如下：
[0038][0039]其中a
ij,0
代表步骤(2)中提取的运动
‑
交互注意力，代表其余目标在解码过程中获得的假设性预测轨迹。
[0040]之后解码器的隐藏变量序列通过激活函数获取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标轨迹预测方法，其特征在于，包括以下步骤：(1)建立对偶的多层级运动特征模型训练和推理方法；利用运动提取器将输入的场景中所有目标轨迹进行差分和编码得到多层级运动特征；在训练过程中，针对作为训练标签的目标轨迹采取相同操作获取多层级训练标签；(2)利用(1)中提取得到的多层级运动特征，建立场景内目标的配对交互图；计算基于运动
‑
交互的点积注意力值，结合多层级运动特征计算得到轨迹编码；(3)利用立体解码器，从时间、空间和特征维度上进行解码；空间上计算不同目标假设性预测轨迹对其他目标的影响；特征维度上计算高层级特征对低层级特征的影响。2.根据权利要求1所述的一种目标轨迹预测方法，其特征在于，所述步骤(1)中从输入的目标历史轨迹X和未来轨迹Y中提取δ层级的运动特征h
δ
和标签并建立平行的δ条反向传播通道，具体如下：条反向传播通道，具体如下：其中Diff(
·
)代表差分操作，φ(
·
)代表基于LSTM的编码器；同时采用相同的差分方式计算得到δ层级的训练标签如下：训练标签用于训练过程中与最终结果计算损失从而进行反向传播梯度优化。3.根据权利要求1所述的一种目标轨迹预测方法，其特征在于，所述步骤(2)中运动
‑
交互的点积注意力的计算，利用目标i的多层级轨迹编码计算查询Q
δ
，利用场景中剩余目标Ω
i
的多层级轨迹编码计算共享的键K和多层次的值V
δ
，进而使...

【专利技术属性】
技术研发人员：李煊鹏，薛启凡，卢一凡，李晟屹，
申请(专利权)人：东南大学，
类型：发明
国别省市：