一种基于半监督模型的车辆多模态轨迹预测方法技术

本发明专利技术涉及一种基于半监督模型的车辆多模态轨迹预测方法，包括：基于道路地图信息获取车辆的未来可能意图和可能行驶的道路及中心线，并对目标车辆周围的道路地图信息以及目标车辆周围的其他车辆历史轨迹进行编码，随后使用半监督模型，为未来可能的目标车辆轨迹模态生成伪标签，并使用伪标签对不同模态下的预测轨迹进行监督学习，实现车辆轨迹的多模态预测。与现有技术相比，本发明专利技术将多模态问题转化为半监督问题，并使用mean

【技术实现步骤摘要】
一种基于半监督模型的车辆多模态轨迹预测方法


[0001]本专利技术涉及自动驾驶控制
，尤其是涉及一种基于半监督模型的车辆多模态轨迹预测方法。

技术介绍

[0002]从1925年第一辆广义上无人驾驶汽车“American Wonder”出现，到现在的TeslaModelS已经实现L3级别商业化，车辆的智能水平越来越高，但是如何对周围交通参与者进行精准建模并预测其未来的意图和轨迹，仍然是自动驾驶技术所面临的重要挑战之一。在自动驾驶过程中，自动驾驶车辆不仅需要获取周围车辆的历史和当前状态，还应该根据周围车辆的历史状态信息和地图信息，对周围车辆的未来意图和轨迹进行预测，以及时发现周围环境中潜在的危险，从而支持自动驾驶车辆进行有效的决策和规划，以进行及时避险。因此，对周围交通参与者的意图和未来轨迹进行预测，对于提高自动驾驶车辆的安全性而言，是十分重要的。
[0003]轨迹预测一般位于感知模块的后端，规划控制模块的前端，输入为感知模块提供的目标历史轨迹信息、道路结构信息，综合考量高精地图信息、预测目标之间的交互，对感知到的各类目标(行人、车辆本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于半监督模型的车辆多模态轨迹预测方法，其特征在于，包括以下步骤：S1、基于目标车辆的历史轨迹，获得车辆行驶的车道及相应的车道中心线信息，并根据车道中心线的方向获得车辆未来可能的运动模态；通过匹配未来轨迹和车道中心线获得车辆未来的真实模态；S2、使用student和teacher网络中的编码器，分别对目标车辆的历史轨迹、目标车辆周围设定范围内其他车辆的历史轨迹、目标车辆设定范围内的环境地图进行编码，得到相应的目标车辆轨迹的特征向量、周围车辆轨迹特征向量以及周围环境特征向量；S3、在mean_teacher模型的student网络中，将车辆未来行驶的所有可能车道中心线分别等分为N个点，对这些点进行编码，并与编码器的输出向量、模态向量等进行拼接，输入解码器；采用相同方式，在mean_teacher模型的teacher网络中，除未来真实模态所在的车道中心线以外，将车辆未来可能行驶的所有车道中心线分别等分为N个点，对这些点进行编码，并与编码器的输出向量、模态向量等进行拼接，输入解码器；S4、对teacher网络中输出的轨迹进行筛选，将筛选得到的轨迹作为student网络中的伪标签；对mean
‑
teacher模型进行训练，在训练过程中，在回归损失和分类损失的基础上增加约束损失，以产生符合道路约束的轨迹，训练得到多模态轨迹预测模型；S5、将实际中目标车辆和周围车辆的历史轨迹、周围地图信息以及未来行驶的所有车道中心线信息输入多模态轨迹预测模型，输出得到对应的轨迹预测结果。2.根据权利要求1所述的一种基于半监督模型的车辆多模态轨迹预测方法，其特征在于，所述步骤S1具体包括以下步骤：S1.1、获取目标车辆和周围其他车辆的轨迹，根据所有车辆的历史轨迹和目标车辆的当前位置，从地图中搜索出目标车辆当前所在位置附近设定范围内的所有车道中心线；S1.2、根据目标车辆的历史轨迹，筛选出车辆当前所在的车道中心线，并根据当前所在车道线，采用广度优先的方式获得未来所有的可能行驶的车道中心线、分别根据每个车道中心线的方向将其标注为左转、右转、直行三个不同的模态；使用包括历史轨迹和未来轨迹的完整轨迹，与得到的车道中心线进行匹配，得到车辆未来行驶的车道中心线；S1.3、将车辆未来可能行驶的所有车道中心线按照模态进行分类，每类中选择出一条距离当前车辆位置最近的车道中心线，如果类别中没有车道中心线，则用0填充，以作为车道中心线坐标。3.根据权利要求2所述的一种基于半监督模型的车辆多模态轨迹预测方法，其特征在于，所述步骤S1.1中从地图中搜索出目标车辆当前所在位置附近设定范围内的所有车道中心线的具体过程为：搜索目标车辆当前位置设定范围内的所有车道线，随后筛选出与车辆历史轨迹点距离小于2m的车道线、以及车辆方向和车道方向差值小于45
°
的车道线，最后从中选取车辆历史轨迹沿车道中心线方向行驶的长度最大的车道。4.根据权利要求1所述的一种基于半监督模型的车辆多模态轨迹预测方法，其特征在于，所述步骤S2中编码器包括车辆和周围车辆历史轨迹编码器、道路地图编码器，具体为：
其中，φ
h
(
·
)为全连接层，用于初步提取历史轨迹特征，s∈R
n
×
t
×2为目标车辆和周围车辆的历史轨迹的位置坐标信息，n为包括目标车辆和周围车辆的车辆数目，t为车辆的历史轨迹的时间长度，h
e
为车辆历史轨迹编码，f
e
为车辆周围栅格地图编码，l
e
为矢量地图编码，r
e
为道路地图信息最终编码，self_attention
e
(
·
)为自注意力编码器，φ
l
(
·
)为全连接层，用于初步提取车道中心线特征，GNN
e
(
·
)为GNN编码器，G(V，E)为由目标车辆周围的矢量地图构成的图，节点V∈R
m
×
l
×2为目标车辆周围的车道中心线，m为车道中心线数目，l为每个车道中心线包括的车道中心线包含的车道段数目，边E表示节点之间是否连接，CNN
e
(
·
)为CNN编码器，f∈R
n
×3×
128
×
128
为车辆周围的栅格化地图，表示拼接计算，cross_attention
e
(
·
)为交叉注意力编码器。5.根据权利要求1所述的一种基于半监督模型的车辆多模态轨迹预测方法，其特征在于，所述步骤S3具体包括以下步骤...

【专利技术属性】
技术研发人员：田炜，王松涛，
申请(专利权)人：同济大学，
类型：发明
国别省市：