基于GRU-GCN的交互式车辆多模态轨迹预测方法技术

本发明专利技术公开了一种基于GRU

【技术实现步骤摘要】
基于GRU
‑
GCN的交互式车辆多模态轨迹预测方法


[0001]本专利技术属于智能驾驶
，特别是涉及一种基于GRU
‑
GCN的交互式车辆多模态轨迹预测方法。

技术介绍

[0002]随着计算机技术、人工智能技术以及通信技术的快速发展，汽车智能化已经成为汽车行业发展的潮流和趋势。
[0003]驾驶安全问题是智能驾驶汽车发展过程中必须要解决的问题，轨迹预测是提高驾驶安全性的关键技术。在复杂的交通场景下行驶时，智能驾驶汽车需要具备分析和理解不同驾驶场景的能力。精准预测目标车辆未来的轨迹，不仅可以提高行车安全性，也有利于自车的风险评估和决策规划。
[0004]目前智能驾驶领域车辆轨迹的预测方法大概可分为三类：基于物理约束的预测方法，基于行为的预测方法以及基于学习的预测方法。目标车辆的未来运动轨迹不仅受历史轨迹的影响，目标车辆与其周围车辆之间的交互影响也至关重要，因此这大大增加了预测的难度。现有预测模型的输入大多仅为历史轨迹的位置信息，模型难以准确建模车辆的动力学特征；现有交互式预测方法大多采用简单本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GRU
‑
GCN的交互式车辆多模态轨迹预测方法，其特征在于，包括以下步骤：步骤S1：获得数据集，进行数据预处理及数据集划分；步骤S2：定义车辆轨迹预测任务，获得目标车辆c
p
及周围车辆c
i
的历史轨迹；步骤S3：利用基于GRU的编码器对目标车辆c
p
及周围车辆c
i
的历史轨迹信息进行编码，输出各车辆对应的车辆动力学编码特征DF
c
；步骤S4：将目标车辆及其周围车辆的动力学编码特征DF
c
输入到交互模块，利用图卷积网络建模车辆间的依赖关系，最终输出车辆间的时空交互特征IF；S5：将目标车辆动力学编码特征和车辆间时空交互特征IF的融合特征向量输入到行为识别模块，然后利用Softmax层识别车辆横向和纵向行为，最终输出目标车辆的行为编码特征ME；S6：将目标车辆动力学编码特征车辆间的时空交互特征IF和目标车辆行为编码特征ME进行融合，然后将融合特征输入到解码器，最后基于行为识别结果m利用GRU解码生成未来多模态预测轨迹。2.根据权利要求1所述的一种基于GRU
‑
GCN的交互式车辆多模态轨迹预测方法，其特征在于，所述步骤S1具体为：步骤S1.1：获取数据集；步骤S1.2：数据预处理：包括数据误差分析、数据误差处理和划分数据集，具体为：步骤S1.2.1：对数据进行噪声、测量误差、以及异常值分析；步骤S1.2.2：数据误差处理：(1)采用一阶差分法修正速度突变误差，在不改变其他数据点的基础上，进行误差值的识别与替换：给定速度误差阈值Δv，当时，则判定t时刻的速度采样值v
t
为异常值，剔除该数据，同时用速度预测值来代替；其中v
t
表示t时刻的速度采样值，v
t
‑1和v
t
‑2分别表示t时刻前1帧和前2帧对应的速度数据值；(2)利用卡尔曼滤波方法消除轨迹数据的噪声；S1.2.3：将数据集划分为训练集、验证集和测试集三部分。3.根据权利要求1所述的一种基于GRU
‑
GCN的交互式车辆多模态轨迹预测方法，其特征在于，所述步骤S2具体为：步骤S2.1：目标车辆c
p
的历史轨迹定义为如下式所示：其中，为目标车辆c
p
在t1时刻的轨迹信息，t
h
为历史轨迹时间域，并且t1∈[1，t
h
]，可用下式表示；其中，和分别表示目标车辆c
p
在t1时刻的横向和纵向位置坐标信息，和分别表示目标车辆c
p
在t1时刻的横向和纵向速度信息，和表示目标车辆c
p
在t1时刻的横向和纵向加速度信息；
步骤S2.2：周围车辆c
i
∈{c1，...，c
n
}，其中n为目标车辆c
p
周围车辆的数量，周围车辆c
i
的历史轨迹定义为用下式表示：其中为周围车辆c
i
在t1时刻的轨迹信息，可表示为：其中，和分别表示周围车辆c
i
在t1时刻的横向和纵向位置坐标信息，和分别表示周围车辆c
i
在t1时刻的横向和纵向速度信息，和表示周围车辆c
i
在t1时刻的横向和纵向加速度信息。4.根据权利要求1所述的一种基于GRU
‑
GCN的交互式车辆多模态轨迹预测方法，其特征在于，所述步骤S3具体为：步骤S3.1：利用线性转换嵌入函数emb将低维度的车辆c的历史轨迹信息转换为高纬度的向量空间信息，历史轨迹信息包括位置信息、速度信息以及加速度信息；车辆c表示目标车辆c
p
和周围车辆c
i
的集合，即c∈[c
p
，c1，
…
c
i
，
…
c
n
]，c
n
表示第n辆周围车辆，具体转换过程如下：程如下：程如下：其中，L为历史轨迹位置信息嵌入向量，V表示历史轨迹速度信息嵌入向量，A表示历史轨迹加速度信息嵌入向量；和分别表示车辆c在t1时刻的横向和纵向位置坐标信息，和分别表示车辆c在t1时刻的横向和纵向速度信息，和车辆c在t1时刻的横向和纵向加速度信息；步骤S3.2：将历史轨迹位置信息嵌入向量L、历史轨迹速度信息嵌入向量V和历史轨迹加速度信息嵌入向量A进行融合，如下式所示：H＝cat(L，V，A)其中，cat表示向量特征的融合操作，H为融合特征；步骤S3.3：将融合特征H输入到GRU编码器中进行编码，编码器输出车辆间的动力学编码特征DF
c
，编码操作如下所示：DF
c
＝GRU(H)。5.根据权利要求1所述的一种基于GRU
‑
GCN的交互式车辆多模态轨迹预测方法，其特征在于，所述步骤S4具体为：步骤S4.1：构建图结构：步骤S4.1.1：定义无向图为G＝(O，E)以表示车辆间的交互作用；步骤S4.1.2：节点O定义如下：
其中，为周围车辆c
i
在t1时刻的轨迹信息，为周围车辆c
j
在t1时刻的轨迹信息，集合{c1，
…
，c
i
，c
j
...

【专利技术属性】
技术研发人员：孟志伟，张素民，何睿，白日，常宇鹏，金小淞，
申请(专利权)人：吉林大学，
类型：发明
国别省市：