一种自动驾驶车辆反应式轨迹预测方法及系统技术方案

本发明专利技术公开一种自动驾驶车辆反应式轨迹预测方法及系统，该方法包括根据主车的规划轨迹和历史轨迹，采用自动驾驶车辆反应式轨迹预测模型，确定目标车的预测轨迹；预测模型包括：用于根据车的规划轨迹和历史轨迹确定轨迹编码向量的LSTM编码器、用于根据轨迹编码向量确定的隐藏向量的反应式社交卷积模块、用于根据轨迹编码向量和时空注意力机制确定时空注意力向量的时空注意力模块、用于将隐藏向量和时空注意力向量利用不同的权重系数进行融合确定隐层张量信息的门融合层、用于对隐层张量信息进行解码的LSTM网络解码器以及Softmax分类器；根据预测轨迹更新主车的规划轨迹。本发明专利技术可在较长预测时域内获取高精度车辆预测轨迹。可在较长预测时域内获取高精度车辆预测轨迹。可在较长预测时域内获取高精度车辆预测轨迹。

【技术实现步骤摘要】
一种自动驾驶车辆反应式轨迹预测方法及系统


[0001]本专利技术涉及智能车辆预测领域，特别是涉及一种自动驾驶车辆反应式轨迹预测方法及系统。

技术介绍

[0002]自动驾驶汽车有利于提升道路通行效率、减少能源消耗，并提升道路交通安全水平，是未来车辆的重要发展方向。自动驾驶车辆的软件架构可分为感知层、决策层、规划层及控制层。感知层利用车辆传感器(雷达、摄像头、车车通讯等)对周围环境及车辆运动状态进行感知；决策层面向车辆行驶安全需求，基于障碍物感知结果确定最佳行为决策；规划层基于感知决策结果规划出无碰撞、满足车辆动力学约束的车辆轨迹；控制层基于规划换道轨迹对执行器(转向、制动驱动等)进行控制以减小车辆实际轨迹与规划轨迹的误差。而预测层作为感知层及规划层的中间环节，可基于周车的历史轨迹，通过神经网络等方法提取周车位置、状态与主车轨迹序列的非线性映射关系，输出周车未来时域内的预测轨迹，有利于主车主动调整车辆行为、速度等以确保车辆做出最合理的行为决策及轨迹速度序列。因此，高精度轨迹预测是车辆高安全决策及轨迹规划的实施基础。
[0003]现有方案一：车辆轨迹预测方法及相关设备。步骤：获取车辆实际轨迹序列及状态向量；对车辆历史数据集进行预处理；基于阿克曼转角关系获取第一、第二参考转角序列；对上述转角预测序列进行融合得到车辆预测轨迹。其基本原理如下图1所示。而上述方案仅基于运动学阿克曼转角关系考虑主车未来预测时域内轨迹预测结果，未考虑道路条件下车辆行驶行为的多样性(如左换道、右换道、直行等)，同时该方法未对车辆速度序列进行预测，工况适用性较差。
[0004]现有方案二：轨迹预测方法及装置。步骤：从车辆历史数据中提取车辆运动语义、道路语义；结合目标车辆的运动信息确定目标虚拟车道以及目标出口车道，从而得到目标车辆在未来预测时域内的行驶轨迹。而上述方案主要基于主车历史运动信息预处理，结合当前时刻车辆运动状态，利用神经网络对未来时域内车辆行驶轨迹进行预测。但其忽略了周车行驶轨迹对主车预测轨迹的潜在影响。
[0005]可见，现有技术未充分考虑车辆行驶行为多样性、未充分考虑周车行驶轨迹对主车预测轨迹的影响等问题。因此，亟需一种新轨迹预测方法或系统，以解决上述问题。

技术实现思路

[0006]本专利技术的目的是提供一种自动驾驶车辆反应式轨迹预测方法及系统，可在较长预测时域内获取高精度车辆预测轨迹。
[0007]为实现上述目的，本专利技术提供了如下方案：
[0008]一种自动驾驶车辆反应式轨迹预测方法，包括：
[0009]确定主车、目标车及邻车；所述主车为自动驾驶车辆；所述目标车为在主车设定范围内的车辆；所述邻车为在目标车设定范围内的车辆；
[0010]获取主车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹；
[0011]根据主车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹，采用自动驾驶车辆反应式轨迹预测模型，确定目标车的预测轨迹；所述自动驾驶车辆反应式轨迹预测模型包括：用于根据车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹确定轨迹编码向量的LSTM编码器、用于根据轨迹编码向量确定的隐藏向量的反应式社交卷积模块、用于根据轨迹编码向量和时空注意力机制确定时空注意力向量的时空注意力模块、用于将隐藏向量和时空注意力向量利用不同的权重系数进行融合确定隐层张量信息的门融合层、用于对隐层张量信息进行解码的LSTM网络解码器以及Softmax分类器；
[0012]根据目标车的预测轨迹更新主车的规划轨迹。
[0013]可选地，所述时空注意力模块的处理过程为：
[0014]利用Softmax层对轨迹编码向量进行处理，确定时间注意力权重；
[0015]将所有的轨迹编码向量按照时间注意力权重进行加权融合，确定加权融合后的轨迹编码向量；
[0016]利用Softmax层对加权融合后的轨迹编码向量进行处理以及网格划分后的交通场景确定空间注意力权重；
[0017]将加权融合后的轨迹编码向量按照空间注意力权重进行加权处理，确定时空注意力向量。
[0018]可选地，所述门融合层具体包括以下公式：
[0019]h
fusion
＝z
⊙
h
rea
+(1
‑
z)
⊙
h
att
；
[0020]其中，z＝σ(h
rea
W
z,1
+h
att
W
z,2
+b
z
)，W
z,1
，W
z,2
和b
z
是学习的网络参数；
⊙
代表点乘；σ(
·
)表示sigmoid激活函数；z表示计算出的融合系数；h
rea
表示反应式社交卷积模块的隐层状态；h
rea
为时空注意力模块的隐层状态；h
fusion
表示融合反应式社交卷积模块和时空注意力模块新的隐层信息。
[0021]可选地，所述隐层张量信息为：
[0022]H
fusion
＝M(t)||h
fusion
；
[0023]其中，H
fusion
为目标车的历史轨迹的隐层张量信息，M(t)为目标车的历史轨迹的轨迹编码向量，||表示串联操作。
[0024]可选地，所述目标车的预测轨迹为：
[0025][0025][0026]其中，表示均值、标准差和预测坐标在时间t+T的相关系数，N表示网格单元的总数量。
[0027]一种自动驾驶车辆反应式轨迹预测系统，包括：
[0028]车辆划分单元，用于确定主车、目标车及邻车；所述主车为自动驾驶车辆；所述目标车为在主车设定范围内的车辆；所述邻车为在目标车设定范围内的车辆；
[0029]数据获取单元，用于获取主车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹；
[0030]目标车的预测轨迹确定单元，用于根据主车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹，采用自动驾驶车辆反应式轨迹预测模型，确定目标车的预
测轨迹；所述自动驾驶车辆反应式轨迹预测模型包括：用于根据车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹确定轨迹编码向量的LSTM编码器、用于根据轨迹编码向量确定的隐藏向量的反应式社交卷积模块、用于根据轨迹编码向量和时空注意力机制确定时空注意力向量的时空注意力模块、用于将隐藏向量和时空注意力向量利用不同的权重系数进行融合确定隐层张量信息的门融合层、用于对隐层张量信息进行解码的LSTM网络解码器以及Softmax分类器；
[0031]主车的规划轨迹更新单元，用于根据目标车的预测轨迹更新主车的规划轨迹。
[0032]一种自动驾驶车辆反应式轨迹预测系统，包括：至少本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动驾驶车辆反应式轨迹预测方法，其特征在于，包括：确定主车、目标车及邻车；所述主车为自动驾驶车辆；所述目标车为在主车设定范围内的车辆；所述邻车为在目标车设定范围内的车辆；获取主车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹；根据主车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹，采用自动驾驶车辆反应式轨迹预测模型，确定目标车的预测轨迹；所述自动驾驶车辆反应式轨迹预测模型包括：用于根据车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹确定轨迹编码向量的LSTM编码器、用于根据轨迹编码向量确定的隐藏向量的反应式社交卷积模块、用于根据轨迹编码向量和时空注意力机制确定时空注意力向量的时空注意力模块、用于将隐藏向量和时空注意力向量利用不同的权重系数进行融合确定隐层张量信息的门融合层、用于对隐层张量信息进行解码的LSTM网络解码器以及Softmax分类器；根据目标车的预测轨迹更新主车的规划轨迹。2.根据权利要求1所述的一种自动驾驶车辆反应式轨迹预测方法，其特征在于，所述时空注意力模块的处理过程为：利用Softmax层对轨迹编码向量进行处理，确定时间注意力权重；将所有的轨迹编码向量按照时间注意力权重进行加权融合，确定加权融合后的轨迹编码向量；利用Softmax层对加权融合后的轨迹编码向量进行处理以及网格划分后的交通场景确定空间注意力权重；将加权融合后的轨迹编码向量按照空间注意力权重进行加权处理，确定时空注意力向量。3.根据权利要求1所述的一种自动驾驶车辆反应式轨迹预测方法，其特征在于，所述门融合层具体包括以下公式：h
fusion
＝z
⊙
h
rea
+(1
‑
z)
⊙
h
att
；其中，z＝σ(h
rea
W
z,1
+h
att
W
z,2
+b
z
)，W
z,1
，W
z,2
和b
z
是学习的网络参数；
⊙
代表点乘；σ(
·
)表示sigmoi...

【专利技术属性】
技术研发人员：王震坡，张雷，王明强，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：