一种车辆自动驾驶轨迹预测系统和预测方法技术方案

本发明专利技术适用于自动驾驶技术，提供了一种车辆自动驾驶轨迹预测系统，所述系统包括：模型建立模块和车辆轨迹预测模块。本发明专利技术通过使用社交池化层，加入自注意力机制和ReLU组成的编码器进行编码解码，使网络在预测轨迹时能考虑车辆间的相互作用，能够捕捉到车辆之间的协同行为和相互影响，提高预测车辆轨迹时的精度，解决了现有LSTM方法无法考虑到多智能体之间交互的问题。在模型测试过程中验证了本发明专利技术提出的社交

【技术实现步骤摘要】
一种车辆自动驾驶轨迹预测系统和预测方法


[0001]本专利技术属于自动驾驶技术，尤其涉及一种车辆自动驾驶轨迹预测系统。

技术介绍

[0002]自动驾驶技术一直以来都是人们关注和研究的热点领域，它旨在使汽车能够在没有人类驾驶员的情况下安全、高效地行驶。自动驾驶车辆能够通过自身传感器在驾驶环境中比人类驾驶员更全面地感知社会交互信息。根据感知结果，自动驾驶车辆需要推断周围行为者的意图并对其未来的轨迹进行高精度估计。轨迹预测通常可以帮助自动驾驶车辆更好地理解未来的驾驶环境并确定随后的控制策略。然而，驾驶行为的多模态性、社会交互性以及驾驶环境的复杂性使得轨迹预测任务面临相当大的挑战，需要快速、准确的多智能体轨迹预测方法来推测交通参与者的行为。
[0003]传统的轨迹预测方法通常基于物理模型或基于规则的方法，它们通过建立数学模型或遵循预定义的规则来推测交通参与者的行为。在早期的车辆轨迹预测任务中，常常使用运动学和动力学参数；常数偏航角速率和加速度，无损卡尔曼滤波器和扩展卡尔曼滤波器，也被用作轨迹预测的模型。然而，由于短期的假设在长期预测的条件下不再本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆自动驾驶轨迹预测系统，其特征在于，所述系统包括：模型建立模块，用于对车辆数据进行收集，并利用已收集的数据搭建用于车辆轨迹预测的网络架构；车辆轨迹预测模块，结合模型建立模块所建立的网络架构，对环境内的车辆轨迹进行预测计算。2.根据权利要求1所述的车辆自动驾驶轨迹预测系统，其特征在于，所述模型建立模块包括：数据预处理单元，从数据集中收集车辆的位置、速度和加速度信息，并对其进行批处理，针对每个预测目标车辆，进行以目标车辆为中心的网格化处理；网络架构搭建单元，用于结合数据预处理单元所得出的处理后数据，建立用于车辆轨迹预测的网络架构。3.根据权利要求1所述的车辆自动驾驶轨迹预测系统，其特征在于，所述数据预处理单元中，针对每个预测目标车辆，进行以目标车辆为中心的网格化处理的算法操作如下：以预测车辆为坐标原点，假设在第t个时间步，第i个智能体的位置的坐标为已知从时间步1到时间步T
obs
环境中智能体的历史轨迹，以网格化方法标识各智能体之间的相对位置，并通过S
‑
Pooling层构建不同智能体之间的信息通道，预测T
obs+1
到T
pred
之间的轨迹。4.根据权利要求2所述的车辆自动驾驶轨迹预测系统，其特征在于，所述网络架构搭建单元所建立的用于车辆轨迹预测的网络架构包括：LSTM(注意力长短时记忆)层，用于接收车辆在每个时间步的位置、速度和加速度信息，并通过递归方式对信息进行处理，学习和捕捉轨迹的时序模式和长期依赖关系，对车辆的历史轨迹进行编码和建模；S
‑
Pooling(社交池化)层，用于计算车辆之间的相对位置和距离，并将其转化为网格化标识，然后通过池化操作，将每个网格中的车辆信息聚合成一个固定长度的张量，提供车辆的上下文标识，整合车辆之间的交互影响；Social Attention层，用于接收S
‑
Pooling层的输出作为输入，得到用于衡量不同位置的车辆之间相互影响程度大小的权重数据；输出层，用于接收LSTM层的输出连接，并通过神经网络模型对车辆未来位置进行建模和预测。5.根据权利要求1所述的车辆自动驾驶轨迹预测系统，其特征在于，所述车辆轨迹预测模块包括：模型训练单元，用于使用考虑了位置、速度和加速度之间的关系的损失函数来引导模型进行训练；模型超参数调整单元，用于采用随机搜索的方法，遍历超参数空间中的不同组合，搜索到相应的超参数组合，并辅助优化AS
‑
LSTM(社交
‑
注意力长短时记忆)模型的预测准确性和泛化能力。6.一种车辆自动驾驶轨迹预测方法，其特征在于，所述方法包括：在使用LSTM预测轨迹的基础上，通过社交池化层连接LSTM网络，充分考虑车辆之间的
相互作用，对车辆数据进行收集；针对每个预测目标车辆，进行以目标车辆为中心的网格化处理，之后通过LSTM层、S
‑
Pooling层和输出层对车辆轨迹进行建模；通过将智能体之间...

【专利技术属性】
技术研发人员：赵睿，伍江航，乔森垚，黎浩城，阎佳奇，高菲，高镇海，
申请(专利权)人：吉林大学，
类型：发明
国别省市：