【技术实现步骤摘要】
基于高维嵌入深度并行计算的掉头意图及轨迹预测方法
[0001]本专利技术涉及计算机、交通大数据和自动驾驶轨迹预测
，具体涉及一种基于高维嵌入深度并行计算的危险掉头意图及轨迹预测方法。
技术介绍
[0002]混流交叉口给城市交通安全带来了重大挑战，尤其是车辆在临近混流交叉口的提前掉头行为，这涉及与对向直行车辆的频繁交互，左转掉头车辆和对向直行车辆无法获取完整的交通信息，因此无法准确的预测彼此的交互行为，所以可能会导致严重车祸的风险。
[0003]目前，虽然有不少研究致力于混流交叉口场景下的车辆行为建模，但是对于邻近混流交叉口处车辆的提前掉头行为和影响该类车辆行为的各类重要特征的研究不足，也未能构建清晰的模块化建模方案。而深度学习因其兼具端到端训练的优点以及捕获长期依赖的能力，被认为是目前具有前景的车辆轨迹预测方法。但是，在临近混流交叉口车辆的掉头行为建模方面，现有深度学习模型或在特征提取方面不够全面，或更多被作为“黑箱”使用，而未被予以更细致深入地探索。因此迫切需要一个新的技术方案，以综合解决现有技术中存在的问题...
【技术保护点】
【技术特征摘要】
1.一种基于高维嵌入深度并行计算的掉头意图及轨迹预测方法，其特征在于，包括以下步骤：R1：拍摄临近交叉口处U型掉头处的视频并提取数据，对数据进行预处理，生成对应的V1和V2；其中V1代表左转车道上车辆的时序轨迹，V2代表直行车道上车辆的时序轨迹；R2：读取步骤R1中的V1和V2，并对V1作掉头意图分析，将掉头车道上的车辆划分为具有明显掉头意图的车辆、具有隐性掉头意图的车辆和不具有掉头意图的车辆，其中不具有掉头意图的车辆即为左转车道上的直行车辆；将左转车道上的直行车辆、掉头车辆以及对向车道的直行车辆组成新的输入，通过嵌入层将车辆的行为信息嵌入到高维空间中，并作为下一步骤的输入；R3：将步骤R2的高维嵌入输入到基于时间卷积和空间自注意力的并行结构中，通过时间卷积网络和空间自注意力机制分别提取时间和空间信息，最终将这两部分信息合并为时空特征；R4：将步骤R3中所得到的时空特征信息进行规范化和残差连接操作，并输入到下层的深度可分离卷积网络中；R5：将步骤R4处理之后所得到的时空特征称为解码器的第一类输出，同时将上一时刻所输出的预测轨迹的相对位置坐标经过位置编码和输入嵌入，拼接成一个新的输出称为解码器的第二类输出；这两类输出作为解码器的输入，解码后输出未来轨迹坐标的特征表示；然后将该特征表示输入到轨迹生成器中，最终输出所有交通参与者的未来轨迹信息。2.根据权利要求1所述的基于高维嵌入深度并行计算的掉头意图及轨迹预测方法，其特征在于，步骤R1具体为：R1
‑
1：拍摄“早晚高峰”时期临近交叉口处U型掉头处的视频，视频视野至少包括左转车道上和对向直行车道上的车辆；R1
‑
2：提取视频中左转车道上和对向直行车道上的车辆轨迹序列，所提出的时序数据包含以下车辆行为信息：x、y、l、w、θ、τ；其中x，y代表车辆的全局坐标，l、w分别代表车辆的长和宽，θ代表车辆的实际航向，τ表示车辆的类别；R1
‑
3：对所提取的轨迹序列数据进行预处理，并生成对应的时序轨迹V1和V2。3.根据权利要求1所述的基于高维嵌入深度并行计算的掉头意图及轨迹预测方法，其特征在于，步骤R2具体为：R2
‑
1：根据车辆的实际航向θ与θ
turn
之间的关系来判断车辆是否具有明显掉头意图，其中θ
turn
表示车辆具有明显掉头意图的最小角度；当θ≥θ
turn
时，得到输出a，表示具有明显掉头意图的车辆；当θ<θ
turn
时，得到输出b，表示不具有明显掉头意图的车辆；R2
‑
2：将上述不具有明显掉头意图的车辆输入到膨胀因果卷积网络中，并通过前馈连接层输出0/1，以进一步判断车辆是否具有隐性掉头意图；R2
‑
3：将输出的0/1与步骤R2
‑
1中得到的输出b相乘，并与步骤R2
‑
1中得到的输出a组合得到一个新的输出c和输出d，其中输出c表示左转车道上的掉头车辆，输出d表示左转车道上的直行车辆；R2
‑
4：将步骤R2
‑
3的输出c和输出d与步骤R1中的V2组合成新的输入，通过嵌入层将车辆的行为信息嵌入到高维空间中，并作为步骤R3的输入。
4.根据权利要求1所述的基于高维嵌入深度并行计算的掉头意图及轨迹预测方法，其特征在于，步骤R3具体为：R3
‑
1：将步骤R2的高维嵌入输入到空间自注意力机制中，具体步骤如下：对于第t帧的交通场景中的每一辆车i，将上...
【专利技术属性】
技术研发人员：曾伟良，林钦泳，欧嘉俊，朱博煬，
申请(专利权)人：广东工业大学，
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。