【技术实现步骤摘要】
一种基于异构节点时空域感知的车辆轨迹预测方法
[0001]本专利技术涉及一种基于异构节点时空域感知的车辆轨迹预测方法，涉及车辆轨迹预测，属于深度学习自动驾驶
技术介绍
[0002]轨迹预测是自动驾驶汽车在动态环境下安全行驶的重要保障，理想的自动驾驶算法应该要能够预测附近交通参与者的未来状态，尤其是周围车辆，拥有类似于人类驾驶员的预测驾驶能力。预测车辆和行人的未来位置是一个随机的多维的问题，它受许多因素的影响，这种复杂性超过的数学模型的能力范围，因此现有的优秀方法都趋向于用数据驱动的方法实现预测，例如深度学习和强化学习。
[0003]常见的基于深度学习技术的轨迹预测方法主要研究目标的过去轨迹和其未来轨迹之间的关联，按是否考虑静态的目标周遭环境区分为不使用地图的轨迹预测和使用地图的轨迹预测。不使用地图的轨迹预测通常考虑每个目标的过去轨迹和其一定范围内的其他同类目标的当前轨迹，将这些因素作为深度神经网络的输入，期望神经网络理解过去轨迹和未来轨迹之间的关联。但该方法忽略了许多其影响轨迹的因素，且对神经网络的输出缺乏...
【技术保护点】
【技术特征摘要】
1.一种基于异构节点时空域感知的车辆轨迹预测方法，其特征在于：包括以下步骤：步骤一：处理自于传感器采集数据的三维感知结果降维至BEV视角以生成在线感知地图，并提炼障碍物位置信息；步骤二：构建异构节点感知网络，包含并行的一个动态关注网络和静态关注网络；；步骤三：构建时空间域轨迹序列理解网络，包含车辆时空间注意力模块、行人群组社会注意力模块和特征融合轨迹生成网络；步骤四：设置学习率、训练周期，随机提取数据集中单个场景按序输入每个关键帧记过步骤一处理过的的在线感知地图和位置记录至步骤二的感知网络中生成感知特征数据；感知特征输入步骤三的理解网络中生成最终车辆轨迹预测结果；将预测结果与步骤一的位置信息记录对比以验证网络效果。2.根据权利要求1所述的一种基于异构节点时空域感知的车辆轨迹预测方法，其特征在于：所述步骤二中动态关注网络包含一个空间自注意力模块和动态分配层数的全连接层；所述静态关注网络包含一个18层残差神经网络三个全连接层。3.根据权利要求1所述的一种基于异构节点时空域感知的车辆轨迹预测方法，其特征在于：所述步骤三中特征融合轨迹生成网络包含一个VAE网络和三个全连接层。4.根据权利要求1所述的一种基于异构节点时空域感知的车辆轨迹预测方法，其特征在于：所述步骤一中使用自动驾驶汽车的激光雷达作为局部范围感知的基础，截取
±
80m的雷达扫描点结合传感器融合三维目标检测和语义分割的感知数据，生成有目标标注和语义映射的在线地图；在预测一个目标车辆时，根据目标检测汇报的目标位置进行坐标空间变换，提取该目标周围
±
30m的在线地图作为连续特征输入；地图生成框架会同时区分个体地记录车辆位置作为连续时间下的轨迹序列和不区分个...
【专利技术属性】
技术研发人员：高明裕，曾学璞，杨俊杰，杨宇翔，何志伟，曾毓，
申请(专利权)人：杭州电子科技大学，
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。