【技术实现步骤摘要】
本专利技术涉及自动驾驶领域，具体地说，本专利技术涉及一种多模态轨迹预测方法。
技术介绍
1、障碍物轨迹预测技术是自动驾驶领域一个非常关键的研究方向，它可以帮助自动驾驶车辆更好的理解周围环境，为自动驾驶车辆与动态障碍物的交互提供基础，从而作出更安全、准确的决策。
2、轨迹预测算法的输入通常来自传感器的数据，这些数据提供有关周围环境的感知信息，如障碍物的位置、速度和朝向等；轨迹预测算法的输出是预测障碍物未来一段时间的运动轨迹，通常以一系列的位置和时间戳表示；轨迹预测算法通过分析和理解周围障碍物的运动模式和行为意图，预测它们未来的运动轨迹，需要考虑到许多因素：障碍物的运动模式、周围环境的变化、障碍物之间的交互、自动驾驶车辆和障碍物之间的交互等；轨迹预测算法将自动驾驶车辆定位信息、传感器感知信息和高精地图信息等多种数据源结合起来，使用先进的机器学习和深度学习技术，以提高预测的准确性和鲁棒性。
3、公开号为cn111767475a的中国专利技术专利一种目标行人轨迹预测模型训练方法、装置、电子设备及存储介质，基于时间维度上和空间维度上的数据特征训练目标行人轨迹预测模型，可以提高目标行人轨迹预测模型预测能力，却没有考虑自动驾驶车辆的运动和场景中目标的交互对目标预测轨迹的影响；
4、公开号为cn110502012a的中国专利一种他车轨迹预测方法、装置及存储介质，基于拓扑地图关系，预测了其他目标可能的意图和行驶轨迹，却没有结合车辆的历史轨迹分析车辆的行为意图、预测其运动轨迹。
技术实
1、本专利技术提供一种多模态轨迹预测方法，考虑自动驾驶车辆和场景目标交互、并结合高精地图车道约束的多模态轨迹预测方法，提高复杂场景下轨迹预测的安全性和准确性。
2、为了实现上述目的，本专利技术采取的技术方案为：一种多模态轨迹预测方法，具体包括以下步骤：
3、步骤s1，对多模态数据进行预处理，将自动驾驶车辆的历史轨迹、目标的历史轨迹、附近车道信息统一至目标坐标系；
4、步骤s2，对预处理后的数据进行编码，将多模态输入映射到隐藏层；
5、步骤s3，对编码后的隐藏层进行车道感知选择，将目标的预测轨迹引导到对其未来轨迹最有影响力的车道。
6、优选的，所述步骤s1，多模态数据预处理，具体处理方法为：
7、所述自动驾驶车辆的历史轨迹表示为有序向量自动驾驶车辆在t时刻的状态vt包含位置、朝向、时间戳；场景中目标的历史轨迹表示为有序向量第i个目标在t时刻的状态包含位置、朝向、时间戳、类型。将自动驾驶车辆和场景目标历史轨迹信息合并为向量
8、优选的，所述在目标附近搜索高精地图，符合范围的nlane个车道中心线被表示为每个车道的中心线表示为一系列离散点，每个离散点包含位置和角度信息，坐标系原点统一至目标的中心位置。
9、优选的，所述步骤s1，模态数据编码，具体处理方法为：
10、所述将步骤s1中预处理轨迹向量顺序经过多层感知机和长短期记忆网络，输出历史轨迹编码结果；将预处理的车道向量顺序经过多层感知机多层感知机和长短期记忆网络层，输出车道向量编码结果。
11、优选的，所述利用交叉注意力机制对历史轨迹向量编码与车道向量编码进行信息融合，再经过自注意力机制，然后与历史轨迹向量编码合并后输出；同样地，利用交叉注意力机制对车道向量编码与历史轨迹向量编码进行信息融合，再经过自注意力机制，然后与车道向量编码合并后输出。
12、优选的，所述步骤s3，车道感知估计，具体处理方法为：
13、所述本模块的目的是将目标轨迹引导到对其未来轨迹最有影响力的车道段。首先将目标历史轨迹向量(k，v)和车道向量(q)进行缩放点积注意力块运算，输出历史轨迹在第j个车道lj的相关性分数，经过softmax函数归一化后输出第j个车道的分数根据选择前k个最高得分的车道段作为候选车道；候选车道{l1,...,lk}拼接对应车道得分更新车道向量。
14、优选的，为尽量接近轨迹真实位置(ground truth)的车道，车道评分模型损失函数为：
15、
16、
17、lj为离真值最近的车道其他车道。
18、优选的，步骤s4，多模态信息解码，具体处理方法为：
19、将历史轨迹编码向量作为查询q，车道编码向量作为k和v，经过交叉注意力机制计更新历史轨迹向量；然后采用拉普拉斯混合密度网络解码器，经过多层感知机mlp输出混合在一般分布中的m组分布的参数：概率均值μm，标准差σm；然后经过一个长短期记忆网络lstm输出预测的轨迹即为未来1：tf时刻目标位置、时间信息，为第m个轨迹的概率。
20、优选的，回归损失lreg为：
21、
22、其中，m*为距离真值最近的预测轨迹；
23、所述分类损失lcls为：
24、优选的，位置偏移损失lpos为预测轨迹和真值轨迹之间的平均误差，公式如下：
25、
26、采用以上技术方案的有益效果是：
27、1、本专利技术提出了一种考虑自动驾驶车辆与场景障碍物交互的轨迹预测方法，将自动驾驶车辆与场景中的障碍物统一为智能运动体，提高了复杂场景下目标轨迹预测的安全性。
28、2、本专利技术提出了车道感知估计方法，识别目标与地图中车道的关联关系、提取高可能性车道，这种方法有助于将目标预测轨迹引导至最具可能性的车道上，提高目标轨迹预测的准确性。
本文档来自技高网...【技术保护点】
1.一种多模态轨迹预测方法，其特征在于：具体包括以下步骤：
2.根据权利要求1所述的一种多模态轨迹预测方法，其特征在于：所述步骤S1，多模态数据预处理，具体处理方法为：
3.根据权利要求2所述的一种多模态轨迹预测方法，其特征在于：所述在目标附近搜索高精地图，符合范围的Nlane个车道中心线被表示为每个车道的中心线表示为一系列离散点，每个离散点包含位置和角度信息，坐标系原点统一至目标的中心位置。
4.根据权利要求1所述的一种多模态轨迹预测方法，其特征在于：所述步骤S1，模态数据编码，具体处理方法为：
5.根据权利要求4所述的一种多模态轨迹预测方法，其特征在于：所述利用交叉注意力机制对历史轨迹向量编码与车道向量编码进行信息融合，再经过自注意力机制，然后与历史轨迹向量编码合并后输出；同样地，利用交叉注意力机制对车道向量编码与历史轨迹向量编码进行信息融合，再经过自注意力机制，然后与车道向量编码合并后输出。
6.根据权利要求1所述的一种多模态轨迹预测方法，其特征在于：所述步骤S3，车道感知估计，具体处理方法为：
7.根
8.根据权利要求6所述的一种多模态轨迹预测方法，其特征在于：所述步骤S4，多模态信息解码，具体处理方法为：
9.根据权利要求8所述的一种多模态轨迹预测方法，其特征在于：所述回归损失Lreg为：
10.根据权利要求8所述的一种多模态轨迹预测方法，其特征在于：所述位置偏移损失Lpos为预测轨迹和真值轨迹之间的平均误差，公式如下：
...【技术特征摘要】
1.一种多模态轨迹预测方法，其特征在于：具体包括以下步骤：
2.根据权利要求1所述的一种多模态轨迹预测方法，其特征在于：所述步骤s1，多模态数据预处理，具体处理方法为：
3.根据权利要求2所述的一种多模态轨迹预测方法，其特征在于：所述在目标附近搜索高精地图，符合范围的nlane个车道中心线被表示为每个车道的中心线表示为一系列离散点，每个离散点包含位置和角度信息，坐标系原点统一至目标的中心位置。
4.根据权利要求1所述的一种多模态轨迹预测方法，其特征在于：所述步骤s1，模态数据编码，具体处理方法为：
5.根据权利要求4所述的一种多模态轨迹预测方法，其特征在于：所述利用交叉注意力机制对历史轨迹向量编码与车道向量编码进行信息融合，再经过自注意力机制，然后与历史轨迹向量编码合并后输出；同样地，利用交叉...
【专利技术属性】
技术研发人员：姜文娟，金智，王刃，石凌风，丘军委，张得红，
申请(专利权)人：浙江飞碟汽车制造有限公司，
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。