一种基于图神经网络的人与非机动车碰撞预判方法及系统技术方案

本发明专利技术涉及交通碰撞预判，具体涉及一种基于图神经网络的人与非机动车碰撞预判方法及系统，获取非机动车的视觉感知信息，并对非机动车的视觉感知信息进行处理，得到帧图像；获取非机动车的传感定位信息和地图信息，并构建道路图；基于帧图像获得非机动车的历史轨迹点序列

【技术实现步骤摘要】
一种基于图神经网络的人与非机动车碰撞预判方法及系统


[0001]本专利技术涉及交通碰撞预判，具体涉及一种基于图神经网络的人与非机动车碰撞预判方法及系统
。

技术介绍

[0002]随着经济的高速发展与全球化趋势的不断加速，综合交通的发展速度也逐渐加快，随之而来的就是综合交通场景下的交通流量不断增大
。
在这样的背景下，各类场景中的交通拥堵
、
碰撞事故等时有发生，给人们的日常生活带来了较大不便
。
如何避免上述情况地发生，保证综合交通的安全高效运行是当前非常重要的课题
。
[0003]综合交通场景下的交通个体轨迹预测，是确保综合交通安全高效运行的关键手段之一
。
现有的交通个体轨迹预测方法主要分为基于运动学模型与基于机器学习的两种预测方法，然而这两种预测方法均不能准确地预测行人及非机动车的运动轨迹，导致无法对行人与非机动车的碰撞进行准确地分析预判
。

技术实现思路

[0004](
一
)
解决的技术问题
[0005]针对现有技术所存在的上述缺点，本专利技术提供了一种基于图神经网络的人与非机动车碰撞预判方法及系统，能够有效克服现有技术所存在的因不能准确预测行人及非机动车的运动轨迹而无法对行人与非机动车的碰撞进行准确分析预判的缺陷
。
[0006](
二
)
技术方案
[0007]为实现以上目的，本专利技术通过以下技术方案予以实现：<br/>[0008]一种基于图神经网络的人与非机动车碰撞预判方法，包括以下步骤：
[0009]S1、
获取非机动车的视觉感知信息，并对非机动车的视觉感知信息进行处理，得到帧图像；
[0010]S2、
获取非机动车的传感定位信息和地图信息，并构建道路图；
[0011]S3、
基于帧图像获得非机动车的历史轨迹点序列
、
未来轨迹点序列，以及多模态轨迹；
[0012]S4、
对非机动车特征向量和道路图节点特征向量进行编码，并利用第一图神经网络对编码后的非机动车特征向量和道路图节点特征向量进行特征提取，输出非机动车的预测轨迹；
[0013]S5、
获取行人的轨迹信息，并进行特征提取，构建原始行人轨迹节点图；
[0014]S6、
基于图通道注意力机制从原始行人轨迹节点图中过滤筛选出行人轨迹形成的重要特征信息，并生成最终行人轨迹节点图；
[0015]S7、
利用时空图卷积神经网络提取最终行人轨迹节点图的时空特征，并构建原始行人轨迹时空特征图；
[0016]S8、
基于图通道注意力机制从原始行人轨迹时空特征图中过滤筛选出行人轨迹形
成的重要时空特征，并生成最终行人轨迹时空特征图；
[0017]S9、
将最终行人轨迹时空特征图输入第二图神经网络，第二图神经网络输出行人的预测轨迹；
[0018]S10、
根据非机动车的预测轨迹和行人的预测轨迹，进行人与非机动车的碰撞分析
。
[0019]优选地，
S1
中获取非机动车的视觉感知信息，并对非机动车的视觉感知信息进行处理，得到帧图像，包括：
[0020]利用视觉传感器采集非机动车的实时信息，并将实时信息分割为序列信息；
[0021]基于非机动车在自车坐标系下的定位，将非机动车的坐标映射至全局坐标系，生成包含非机动车位置信息的帧图像
。
[0022]优选地，
S2
中的道路图由节点和边组成，节点通过离散化的车道中心线和车道边界线间隔预设距离采样获得，边基于节点之间的空间拓扑关系获得
。
[0023]优选地，
S3
中基于帧图像获得非机动车的历史轨迹点序列
、
未来轨迹点序列，以及多模态轨迹，包括：
[0024]在过去设定时间内，对生成的帧图像进行滑窗采样，生成预设时间间隔的历史轨迹点序列；
[0025]在未来设定时间内，对生成的帧图像进行滑窗采样，生成预设时间间隔的未来轨迹点序列；
[0026]对一定数量的真实轨迹点序列进行聚类
、
剪枝，生成多模态轨迹
。
[0027]优选地，
S3
中基于帧图像获得非机动车的历史轨迹点序列
、
未来轨迹点序列，以及多模态轨迹之后，包括：
[0028]根据非机动车的历史轨迹点序列获得非机动车特征向量；
[0029]根据非机动车的未来轨迹点序列和多模态轨迹构建第一图神经网络的损失函数，并利用非机动车的历史轨迹点序列和未来轨迹点序列构建的训练集对第一图神经网络进行模型训练，通过反向传播算法优化第一图神经网络的模型参数，使得损失函数逐渐减小并趋于收敛，得到训练好的第一图神经网络
。
[0030]优选地，
S4
中对非机动车特征向量和道路图节点特征向量进行编码，并利用第一图神经网络对编码后的非机动车特征向量和道路图节点特征向量进行特征提取，输出非机动车的预测轨迹，包括：
[0031]利用循环神经网络对非机动车特征向量和道路图节点特征向量进行编码，并将编码后的非机动车特征向量和道路图节点特征向量输入多头注意力层，得到包含道路信息和非机动车信息的道路图；
[0032]将道路图输入训练好的第一图神经网络，对道路图进行特征提取，输出非机动车的预测轨迹
。
[0033]优选地，
S5
中的原始行人轨迹节点图采用下式表示：
G
t
＝
(V
t
，
E
t
)
，其中，
G
t
为第
t
帧原始行人轨迹节点图，
V
t
为第
t
帧原始行人轨迹节点图中节点的相关信息，
E
t
为第
t
帧原始行人轨迹节点图中边的相关信息
。
[0034]优选地，
S6
中基于图通道注意力机制从原始行人轨迹节点图中过滤筛选出行人轨迹形成的重要特征信息，包括：
[0035]采用图通道注意力模块对原始行人轨迹节点图中的结构信息进行筛选，得到行人轨迹形成的重要特征信息；
[0036]其中，图通道注意力模块更关注通道之间的关系，通过学习机制识别并筛选出重要的通道特征，抑制不重要的通道特征
。
[0037]一种基于图神经网络的人与非机动车碰撞预判系统，包括帧图像生成模块
、
道路图构建模块
、
轨迹信息生成模块
、
非机动车轨迹预测模块
、
原始行人轨迹节点图构建模块
、
最终行人轨迹节点图生成模块
、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于图神经网络的人与非机动车碰撞预判方法，其特征在于：包括以下步骤：
S1、
获取非机动车的视觉感知信息，并对非机动车的视觉感知信息进行处理，得到帧图像；
S2、
获取非机动车的传感定位信息和地图信息，并构建道路图；
S3、
基于帧图像获得非机动车的历史轨迹点序列
、
未来轨迹点序列，以及多模态轨迹；
S4、
对非机动车特征向量和道路图节点特征向量进行编码，并利用第一图神经网络对编码后的非机动车特征向量和道路图节点特征向量进行特征提取，输出非机动车的预测轨迹；
S5、
获取行人的轨迹信息，并进行特征提取，构建原始行人轨迹节点图；
S6、
基于图通道注意力机制从原始行人轨迹节点图中过滤筛选出行人轨迹形成的重要特征信息，并生成最终行人轨迹节点图；
S7、
利用时空图卷积神经网络提取最终行人轨迹节点图的时空特征，并构建原始行人轨迹时空特征图；
S8、
基于图通道注意力机制从原始行人轨迹时空特征图中过滤筛选出行人轨迹形成的重要时空特征，并生成最终行人轨迹时空特征图；
S9、
将最终行人轨迹时空特征图输入第二图神经网络，第二图神经网络输出行人的预测轨迹；
S10、
根据非机动车的预测轨迹和行人的预测轨迹，进行人与非机动车的碰撞分析
。2.
根据权利要求1所述的基于图神经网络的人与非机动车碰撞预判方法，其特征在于：
S1
中获取非机动车的视觉感知信息，并对非机动车的视觉感知信息进行处理，得到帧图像，包括：利用视觉传感器采集非机动车的实时信息，并将实时信息分割为序列信息；基于非机动车在自车坐标系下的定位，将非机动车的坐标映射至全局坐标系，生成包含非机动车位置信息的帧图像
。3.
根据权利要求2所述的基于图神经网络的人与非机动车碰撞预判方法，其特征在于：
S2
中的道路图由节点和边组成，节点通过离散化的车道中心线和车道边界线间隔预设距离采样获得，边基于节点之间的空间拓扑关系获得
。4.
根据权利要求3所述的基于图神经网络的人与非机动车碰撞预判方法，其特征在于：
S3
中基于帧图像获得非机动车的历史轨迹点序列
、
未来轨迹点序列，以及多模态轨迹，包括：在过去设定时间内，对生成的帧图像进行滑窗采样，生成预设时间间隔的历史轨迹点序列；在未来设定时间内，对生成的帧图像进行滑窗采样，生成预设时间间隔的未来轨迹点序列；对一定数量的真实轨迹点序列进行聚类
、
剪枝，生成多模态轨迹
。5.
根据权利要求4所述的基于图神经网络的人与非机动车碰撞预判方法，其特征在于：
S3
中基于帧图像获得非机动车的历史轨迹点序列
、
未来轨迹点序列，以及多模态轨迹之后，包括：根据非机动车的历史轨迹点序列获得非机动车特征向量；
根据非机动车的未来轨迹点序列和多模态轨迹构建第一图神经网络的损失函数，并利用非机动车的历史轨迹点序列和未来轨迹点序列构建的训练集对第一图神经网络进行模型训练，通过反向传播算法优化第一图神经网络的模型参数，使得损失函数逐渐减小并趋于收敛，得到训练好的第一图神经网络
。6.
根据权利要求5所述的基于图神经网络的人与非机动车碰撞预判方法，其特征在于：
S4
中对非机动车特征向量和道路图节点特征向量进行编码，并利用第一图神经网络对编码后的非机动车特征向量和道路图节点特征向量进行特征提取，输出非机动车的预测轨迹，包括：利用循环神经网络对非机动车特征向量和道路图节点特征向量进行编码，并将编码后的非机动车特征向量和道路图节点特征向量输入多头注意力层，得到包...

【专利技术属性】
技术研发人员：张中，陈凯，
申请(专利权)人：合肥湛达智能科技有限公司，
类型：发明
国别省市：