【技术实现步骤摘要】
一种基于意图感知时空注意网络的车辆轨迹预测方法
[0001]本专利技术涉及智能车辆
，尤其是涉及一种基于意图感知时空注意网络的车辆轨迹预测方法
。
技术介绍
[0002]近年来，自动驾驶越来越受到国内外研究的关注，因为它在解决与安全
、
拥堵
、
节能等相关的许多长期交通挑战方面具有巨大的潜力
。
自动驾驶汽车的关键技术可以分为三个部分：感知
、
决策和控制
。
自动驾驶汽车通过传感器来感知周边的道路环境，识别周边障碍物的状态，对自车未来的运动进行决策规划和控制，从而保证汽车能够安全地行驶
。
在复杂的动态交通环境中，周边车辆的运动充满了高度不确定性，仅凭单纯的感知结果无法做出准确的规划
。
交通参与者预测是保证自动驾驶汽车安全行驶重要的一环
。
[0003]随着深度学习等人工智能相关技术在自动驾驶领域内获得巨大成功，车辆轨迹预测方法逐渐向深度学习过渡
。
文献
(Tang L,Wang H Y,Zhang W H,et al.Driver lane change intention recognition of intelligent vehicle based on long short
‑
term memory network[J].IEEE Access,2020,8:136898
‑
136905.)
...
【技术保护点】
【技术特征摘要】
1.
一种基于意图感知时空注意网络的车辆轨迹预测方法，其特征在于由车辆轨迹预测模型的离线训练和在线实时预测两部分组成，包括以下步骤：步骤1：车辆轨迹预测模型的离线训练，分为构建训练数据库和训练车辆轨迹预测模型两部分，具体实施步骤如下：步骤
1.1
：通过大规模真实驾驶场景的采集和处理构建训练数据库；步骤
1.1.1
：数据采集：由车辆配备的摄像头
、
毫米波雷达等车载传感器采集到的车辆行驶数据主要有：目标车与邻居车辆的纵向距离
、
横向距离
、
纵向相对速度
、
横向相对速度
、
纵向加速度
、
横向相对加速度，车辆与车道线的横向距离；步骤
1.1.2
：数据预处理：对数据的缺失值进行填补，采用最近邻填补法对单个缺失值进行填充，采用插值法对连续多个的缺失值进行填充，使用3‑
σ
法则对数据的异常值进行去除，最后使用
Savitzky
‑
Golay
滤波器对数据进行滤波从而得到比较光滑的数据曲线；步骤
1.1.3
：数据集准备：定义坐标系以方便描述车辆的位置，计算目标车和邻居车辆各个时刻的位置坐标；将车辆驾驶意图定义为向左换道
、
向右换道和直行，为每段行驶序列数据设置意图标签；步骤
1.2
：车辆轨迹预测模型的训练步骤如下：步骤
1.2.1
：意图识别模块：通过车辆轨迹的时间演变及其与周围邻居车辆的空间关系来识别车辆的驾驶意图，获得驾驶意图特征向量；步骤
1.2.2
：轨迹特征编码器：结合意图识别模块获得的目标车辆意图特征向量，提出一种意图注意机制来获得目标车辆及其邻居车辆的历史轨迹特征编码向量，然后利用邻居车辆与目标车辆的特征编码向量，基于多头注意力机制建立交互关系捕捉模块来捕获邻居车辆的重要性，最终形成一个表示“上下文”影响的中间语义向量；步骤
1.2.3
：轨迹预测解码器：解码器接收包含目标车辆轨迹特征和邻居车辆交互特征的中间语义向量，生成预测的未来一段时间内目标车辆的轨迹点位置；步骤2：车辆轨迹预测模型的在线实时预测：车辆实时采集数据和数据预处理之后，用训练好的车辆轨迹预测模型在线实时预测，即可预测目标车的轨迹
。2.
如权利要求1所述一种基于意图感知时空注意网络的车辆轨迹预测方法，其特征在于在步骤
1.1.2
中，所述数据预处理的具体步骤包括：对于数据中单个缺失值，采用最近邻填补法用其前一时间步或后一时间步的数据进行填充；对于连续多个的缺失值，采用插值法计算缺失值前一个值和后一个值的平均数进行填充；对于数据中存在的异常值，采用3‑
σ
准则对异常值进行去除，计算各个特征的标准差
σ
和均值
μ
，去除数值分布在
(
μ
‑3σ
,
μ
+3
σ
)
区间外的数据；最后采用
Savitzky
‑
Golay
滤波器对数据进行滤波，在原始数据
x(i)
附近取
M
个采样点，在
x
周围构建一个
2M+1
个采样点的窗口来拟合
p
阶多项式
y(i)
，其表达式为：，其表达式为：，其表达式为：
式中，
y(i)
代表在
t
i
时刻经过处理后的数据，
x(t
i
)
代表在
t
i
时刻未经处理的原始数据，
i
＝
‑
M,
…
,0,
…
,M
；
E
是总的误差平方和，
p≤2M
；
k
＝
0,1,2,
…
,p。3.
如权利要求1所述一种基于意图感知时空注意网络的车辆轨迹预测方法，其特征在于在步骤
1.2.1
中，所述获得驾驶意图特征向量的具体步骤包括：步骤
1.2.1.1
：意图识别模块输入：意图识别模块的输入特征包括目标车的运动状态特征和目标车的交互状态特征；步骤
1.2.1.2
：车辆驾驶意图识别模型基于
BiLSTM
网络，由前向
LSTM
与后向
LSTM
组合而成，把前向和反向的隐藏层向量拼接起来，它最后的输出是前向层和反向层在每个时刻的综合输出；步骤
1.2.1.3
：引入一种快捷连接，以实现跨不同层的高效信息流，提高预测的效果；步骤
1.2.1.4
：输入历史序列的最后时刻的输出向量先后经一个
FC
层和
SoftMax
函数处理获得一个意图概率向量
。4.
如权利要求3所述一种基于意图感知时空注意网络的车辆轨迹预测方法，其特征在于在步骤
1.2.1.1
中，所述意图识别模块的输入特征包括目标车的运动状态特征和目标车的交互状态特征，如下所示：
I
t
＝
[s
t
,
Δ
s
t
]]]
式中，
s
t
代表目标车辆的运动状态特征，
Δ
s
t
代表目标车辆的交互状态特征，
v
t
代表当前时刻
t
目标车辆的速度，
a
t
代表车辆的加速度，
v
xt
代表车辆的横向速度，
v
e
代表驾驶员的预期速度，代表目标车辆与邻居车辆的相对横向位移，代表目标车辆与邻居车辆的相对纵向位移，
i
代表邻居车辆，
i
＝
1,2,...,6
；在步骤
1.2.1.2
中，所述车辆驾驶意图识别模型为了充分利用输入信息，输入向量
X
t
先通过全连接层
FC
以获得固定长度的嵌入向量
e
t
，将
e
t
作为
t
时刻
BiLSTM
单元体的输入；
t
时刻
BiLSTM
单元体的隐藏状态
h
t
由当前时刻的嵌入向量
e
t
和上一刻的隐藏状态
h
t
‑1联合更新；如下式：
h
t
＝
BiLSTM(h
t
‑1,e
t
；
W
l
)
式中，是
FC
层，
W
emb
是该
FC
层的权重，
W
l
是
BiLSTM
层的权重；在步骤
1.2.1.3
中，所述引入一种快捷连接，使用一个
FC
层嵌入输入向量
I
t
，得到一个固定长度的嵌入向量
r
t
，其长度与
MBi
‑
LSTM
输出向量
t
相同；将得到的嵌入向量
r
t
通过
ReLU
激活函数进行变换，再与
MBi
‑
LSTM
输出向量
t
相加，得到新的输出向量构造快捷连接如下：构造快捷连接如下：式中，是
FC
层，
W
r
是该
FC
层的权重；
在步骤
1.2.1.4
中，所述获得一个意图概率向量，输入历史序列的最后时刻即当前时刻
t
的输出向量先后经一个
FC
层和
SoftMax
函数处理获得一个意图概率向量，如下式：式中，代表意图类别向量，其中分别代表三种驾驶意图的概率；代表全连接层，
W
f
代表该全连接层的权重矩阵
。5.
如权利要求1所述一种基于意图感知时空注意网络的车辆轨迹预测方法，其特征在于在步骤
1.2.2
中，所述形成一个表示“上下文”影响的中间语义向量的具体步骤包括：步骤
1.2.2.1
：轨迹预测编码器输入：轨迹预测模型的输入包含目标车辆和周围邻居车辆过去一段时间的历史状态信息；步骤
1.2.2.2
：轨迹预测模型基于
LSTM
的编码器
‑
解码器框架；对目标车辆及其周围邻居车辆从过去一段时间的历史状态信息进行编码；首先使用一个全连接层作为嵌入层，将每辆车的输入状态向量进行嵌入形成嵌入向量；然后利用
LSTM
分别将不同车辆的嵌入向量进行编码；步骤
1.2.2.3
：意图注意机制：将目标车辆的意图向量和预测轨迹解码器上一时刻的隐藏状态向量用拼接操作拼接起来，然后由完全连接层处理获得的向量来作为键值对注...
【专利技术属性】
技术研发人员：郭景华，王靖瑶，何智飞，王晖年，焦一洲，李录斌，
申请(专利权)人：厦门大学，
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。