基于运动不确定性扩散模型的车辆轨迹预测方法及系统技术方案

本发明专利技术公开了基于运动不确定性扩散模型的车辆轨迹预测方法及系统，方法包括：获取训练车辆的真实轨迹；对真实轨迹中的过去真实轨迹进行时空特征编码处理，得到真实轨迹特征；基于运动不确定性扩散原理、真实轨迹及真实轨迹特征进行高斯噪声融合处理，训练得到去高斯噪声算法；根据去高斯噪声算法构建得到运动不确定性扩散模型；当需要对待预测车辆进行轨迹预测时，获取待预测车辆的已知轨迹特征；基于运动不确定性扩散模型对已知轨迹特征进行处理，得到预测轨迹。使得车辆轨迹预测的结果能够兼顾多样性和准确性。够兼顾多样性和准确性。够兼顾多样性和准确性。

【技术实现步骤摘要】
基于运动不确定性扩散模型的车辆轨迹预测方法及系统


[0001]本专利技术属于智能交通和预测领域，尤其涉及基于运动不确定性扩散模型的车辆轨迹预测方法及系统。

技术介绍

[0002]随着汽车数量特别是私家车数量的不断增加，使得交通拥堵或交通事故越来越频发。与此同时，科技的发展推动着自动驾驶等领域的兴起。自动驾驶的汽车同样避免不了交通问题，为了能够更好地对自动驾驶的技术进行研究，国内外很多研究人员开始着手于车辆的轨迹预测。其中，数量最为庞大的车辆就是私家车，研究私家车的轨迹预测能够最大程度上地得出车辆行驶的习惯和特性。
[0003]在交通出行领域，移动设备GPS以及系统信息采集能力不断提高，越来越多的时空轨迹数据被采集。海量的轨迹数据为了解人类移动模式提供了前所未有的信息，激发了各种应用的轨迹挖掘任务，如个性化出行推荐，智能交通管理等。
[0004]对于车辆轨迹研究问题主要的挑战在于轨迹预测是一个概率问题，预测结果不一定准确。并且当前对于车辆轨迹预测的研究主要是在长期轨迹预测，长期轨迹预测基于运动模型，同时结合意图预测和一些上下文信息。输出也有多种不同的形式，比如输出轨迹的概率分布、输出多条预测轨迹，输出一条可能性最大的轨迹等。
[0005]目前关于车辆轨迹预测的一些比较通用的算法主要有用于意图预测的模糊理论、static BNs、DBN等，以及深度学习相关的CNN、LSTM、RNN、Attention及其衍生方法。由于移动性数据具有高维性、稀疏性等特点，深度挖掘移动轨迹并提取隐含信息一直是具有挑战性的问题，使得车辆轨迹预测的结果不能兼顾多样性和准确性。

技术实现思路

[0006]本专利技术提供了基于运动不确定性扩散模型的车辆轨迹预测方法及系统，充分利用热力学的扩散不确定性的自然模型，解决了同样具有不确定性的轨迹预测问题，通过向轨迹中添加高斯噪声的分布，把真实轨迹破坏为具有高斯不确定性的轨迹分布，增加了预测轨迹多样性，再利用训练出的运动不确定性扩散模型来增加预测轨迹的准确性。
[0007]为了解决上述技术问题，本专利技术所采用的技术方案是：
[0008]第一方面，提供一种基于运动不确定性扩散模型的车辆轨迹预测方法，包括：
[0009]获取训练车辆的真实轨迹；
[0010]对真实轨迹中的过去真实轨迹进行时空特征编码处理，得到真实轨迹特征；
[0011]基于运动不确定性扩散原理、真实轨迹及真实轨迹特征进行高斯噪声融合处理，训练得到去高斯噪声算法；
[0012]根据去高斯噪声算法构建得到运动不确定性扩散模型；
[0013]当需要对待预测车辆进行轨迹预测时，获取待预测车辆的已知轨迹特征；
[0014]基于运动不确定性扩散模型对已知轨迹特征进行处理，得到预测轨迹。
[0015]可选的，获取训练车辆的真实轨迹，包括：
[0016]获取训练车辆在历史时间段内的采样点信息st
i
＝(l
i
，t
i
)，i为大于等于1的正整数，表示第i个采样点，l
i
表示第i个采样点的经纬度位置信息，t
i
表示第i个采样点的时间信息；
[0017]根据所有采样点信息得到真实轨迹Tr＝{st1，st2，...，st
n
}，n为大于2的正整数。
[0018]可选的，对真实轨迹中的过去真实轨迹进行时空特征编码处理，得到真实轨迹特征，包括：
[0019]根据预设时空特征编码器的表达式f＝Encoder(Tr)对真实轨迹中的过去真实轨迹Tr进行时空特征编码处理，得到真实轨迹特征f，真实轨迹包含某一个时刻之前的过去真实轨迹及之后的未来真实轨迹。
[0020]可选的，基于运动不确定性扩散原理、真实轨迹及真实轨迹特征进行高斯噪声融合处理，训练得到去高斯噪声算法，包括：
[0021]S1，将真实轨迹中的未来真实轨迹与初始高斯噪声进行比较，得到第一误差向量；
[0022]S2，基于运动不确定性扩散原理对未来真实轨迹添加第一次高斯噪声，得到高斯噪声轨迹，并获取到第一次添加噪声方法；
[0023]S3，将高斯噪声轨迹与真实轨迹特征进行融合，得到融合特征；
[0024]S4，通过预设解码器对融合特征进行解码，得到解码轨迹；
[0025]S5，将解码轨迹与初始高斯噪声进行比较，得到第二误差向量；
[0026]S6，根据第一误差向量和第二误差向量计算得到均方误差，判断均方误差是否小于给定阈值；
[0027]S7，若均方误差不小于给定阈值时，则循环执行步骤S2
‑
步骤S6，直到第k次添加高斯噪声时均方误差小于给定阈值，则停止循环，并且获取每一次的添加噪声方法；
[0028]S8，根据每一次的添加噪声方法，逆向推导得到去高斯噪声算法。
[0029]可选的，误差向量的表达式为可选的，误差向量的表达式为表示添加了k次高斯噪声的未来真实轨迹在第j个预测点的误差，j的取值范围为[1,2，...,pred]，当k＝0时，表示没有添加高斯噪声，为未来真实轨迹与初始高斯噪声之间的误差，即第一误差向量
[0030]可选的，将高斯噪声轨迹与真实轨迹特征进行融合，得到融合特征，包括：
[0031]根据高斯噪声轨迹的表达式确定高斯噪声轨迹为y
k
，y0为未来真实轨迹，为高斯噪声，为预设系数，k表示第k次添加高斯噪声；
[0032]通过融合公式f
(k)
＝concat(f，y
k
)，将真实轨迹特征f与高斯噪声轨迹y
k
进行融合，得到融合特征f
(k)
。
[0033]可选的，预设解码器的表达式为y
k
＝FC(Decoder(f
(k)
))，FC为一个完全连接层，Decoder包括最大池化层、注意力层和循环神经网络层。
[0034]可选的，根据第一误差向量和第二误差向量计算得到均方误差，包括：
[0035]通过均方误差计算公式将第一误差向量和第二误差向量代入均方误差计算公式，计算得到均方误差，L表示损失函数。
[0036]可选的，基于运动不确定性扩散模型对已知轨迹特征进行处理，得到预测轨迹，包括：
[0037]根据预设多样性及准确性需求确定去噪次数；
[0038]基于运动不确定性扩散模型对已知轨迹特征进行去噪次数的去高斯噪声处理，得到预测轨迹。
[0039]第二方面，提供一种基于运动不确定性扩散模型的车辆轨迹预测系统，包括：
[0040]轨迹获取模块，用于获取训练车辆的真实轨迹；
[0041]特征编码模块，用于对真实轨迹中的过去真实轨迹进行时空特征编码处理，得到真实轨迹特征；
[0042]算法训练模块，用于基于运动不确定性扩散原理、真实轨迹及真实轨迹特征进行高斯噪声融合处理，训练得到去高斯噪声本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于运动不确定性扩散模型的车辆轨迹预测方法，其特征在于，包括：获取训练车辆的真实轨迹；对所述真实轨迹中的过去真实轨迹进行时空特征编码处理，得到真实轨迹特征；基于运动不确定性扩散原理、所述真实轨迹及所述真实轨迹特征进行高斯噪声融合处理，训练得到去高斯噪声算法；根据所述去高斯噪声算法构建得到运动不确定性扩散模型；当需要对待预测车辆进行轨迹预测时，获取所述待预测车辆的已知轨迹特征；基于所述运动不确定性扩散模型对所述已知轨迹特征进行处理，得到预测轨迹。2.根据权利要求1所述的基于运动不确定性扩散模型的车辆轨迹预测方法，其特征在于，所述获取训练车辆的真实轨迹，包括：获取训练车辆在历史时间段内的采样点信息st
i
＝(l
i
，t
i
)，所述i为大于等于1的正整数，表示第i个采样点，所述l
i
表示第i个采样点的经纬度位置信息，所述t
i
表示第i个采样点的时间信息；根据所有采样点信息得到真实轨迹Tr＝{st1，st2，...，st
n
}，所述n为大于2的正整数。3.根据权利要求2所述的基于运动不确定性扩散模型的车辆轨迹预测方法，其特征在于，所述对所述真实轨迹中的过去真实轨迹进行时空特征编码处理，得到真实轨迹特征，包括：根据预设时空特征编码器的表达式f＝Encoder(Tr)对所述真实轨迹中的过去真实轨迹Tr进行时空特征编码处理，得到真实轨迹特征f，所述真实轨迹包含某一个时刻之前的过去真实轨迹及之后的未来真实轨迹。4.根据权利要求3所述的基于运动不确定性扩散模型的车辆轨迹预测方法，其特征在于，所述基于运动不确定性扩散原理、所述真实轨迹及所述真实轨迹特征进行高斯噪声融合处理，训练得到去高斯噪声算法，包括：S1，将所述真实轨迹中的未来真实轨迹与初始高斯噪声进行比较，得到第一误差向量；S2，基于运动不确定性扩散原理对所述未来真实轨迹添加第一次高斯噪声，得到高斯噪声轨迹，并获取到第一次添加噪声方法；S3，将所述高斯噪声轨迹与所述真实轨迹特征进行融合，得到融合特征；S4，通过预设解码器对所述融合特征进行解码，得到解码轨迹；S5，将所述解码轨迹与所述初始高斯噪声进行比较，得到第二误差向量；S6，根据所述第一误差向量和所述第二误差向量计算得到均方误差，判断所述均方误差是否小于给定阈值；S7，若所述均方误差不小于所述给定阈值时，则循环执行步骤S2
‑
步骤S6，直到第k次添加高斯噪声时均方误差小于所述给定阈值，则停止循环，并且获取每一次的添加噪声方法；S8，根据每一次的添加噪声方法，逆向推导得到去高斯噪声算法。5....

【专利技术属性】
技术研发人员：肖竹，吴淋山，蒋洪波，杨科华，刘代波，
申请(专利权)人：湖南大学深圳研究院，
类型：发明
国别省市：