【技术实现步骤摘要】
本专利技术涉及无人驾驶技术的轨迹预测领域，特别涉及一种规划耦合的多目标车辆轨迹预测方法及系统。
技术介绍
1、自动驾驶车辆的关键技术包括环境感知、决策、规划和控制。智能车辆向着更高级别的自动驾驶发展过程中，需要处理复杂性更高的动态交互场景。这就要求自动驾驶车辆需要像人类驾驶员一样实时预测周围车辆的未来轨迹，从而做出更加合理的决策和规划，进一步提高自动驾驶的安全性。因此，多目标车辆的轨迹预测问题受到越来越多的关注，并成为当前自动驾驶领域的研究热点之一。
2、近年来，一些基于运动学或动力学等物理模型的轨迹预测算法被提出，如单轨迹预测、卡尔曼滤波和蒙特卡洛预测等。它们将周围车辆的运动建模为简单的物理运动方程，预测过程只考虑车辆当前的位置、航向角和速度等信息，计算复杂度较低。与基于物理模型的预测方法不同的是，机器学习算法如支持向量机(svm)、隐马尔可夫模型(hmm)、k-邻近网络(knn)和动态贝叶斯网络(dbn)，采用数据驱动的方法基于车辆的历史轨迹信息实现未来轨迹预测。此外深度学习网络如lstm、cnn、rnn和gan等方法被广泛应用于动态交互场景中交通参与者之间的交互特征提取。
3、然而，上述方法只考虑了周围车辆之间的交互作用，忽略了自我车辆的规划对周围车辆带来的交互影响。事实上，自我车辆的未来规划会在一定程度上影响周围车辆的驾驶行为，从而导致未来行驶轨迹的显著差异。如何根据自我车辆的规划来调整对周围车辆的预测是上述方法并未考虑的问题。
技术实现思路
1、本
2、本专利技术采用如下技术方案：
3、一种规划耦合的多目标车辆轨迹预测方法及系统，包括如下步骤：
4、基于frenet坐标系实现自我车辆的规划解耦，采用多项式进行其横向和纵向的候选轨迹拟合，实现规划信息的快速获取；
5、构建驾驶场景中用于编码车辆历史轨迹信息和规划信息的双向长短期记忆神经网络，输入轨迹数据序列，根据车辆编号和候选轨迹编号，生成基于时间序列的编码信息。
6、将编码后的轨迹信息输入到多层级社交卷积池化网络中，实现自我车辆与周围车辆之间的交互特征学习，尤其是在自我车辆不同规划选择的条件下，提取车辆之间的潜在交互关系。
7、轨迹解码模块引入驾驶行为决策函数，简化了轨迹解码器的计算复杂度，提高多目标车辆轨迹预测的求解效率。
8、基于frenet坐标系实现横向和纵向规划解耦，保证规划产生的候选轨迹平滑可行；
9、纵向规划需要指定目标状态的速度和加速度作为边界条件，因此使用四次多项式来描述，横向规划需要考虑车辆避障、变道或超车等驾驶行为，需要指定目标位置、速度和加速度作为边界条件，因此使用五次多项式进行描述，具体为：
10、
11、式中，t表示规划时间，{a0,a1,…,a4}和{b0,b1,…,b5}表示多项式方程的系数。通过给定自我车辆的初始状态、目标状态以及到达目标状态所需要的时间t；
12、设定多项式在纵向和横向的边界条件，具体公式为：
13、
14、通过求解边界方程确定多项式函数的系数，求得在任意给定时间τ(τ≤t)时自我车辆的位置、速度和加速度并生成一条候选轨迹。自我车辆通过从目标空间采样不同的目标状态生成一组候选轨迹集合yego＝{c1,c2,…,cn}，这些轨迹涵盖了自我车辆所有可能的驾驶行为。
15、将车辆的真实历史轨迹信息与上述得到的候选轨迹信息输入到bi-lstm网络中，记录各自轨迹点的时间序列特征，并将其编码为网络的隐藏状态，具体为：
16、
17、其中，wsi,wsf,wso,whi,whf,who表示lstm单元中各个环节的权重系数，bi,bf,bo表示各个环节中的偏差参数。σ是relu函数。为了让网络获得更多的轨迹特征信息，该网络的权重矩阵将两个矩阵串联起来。
18、记忆单元为lstm网络提供记忆功能。是当前输入的单元状态，它由前一个单元状态的输出和当前输入计算而来。
19、在获得当前输入的单元状态后，可以计算出当前时刻的单元状态ct。它是通过将最后一个单元状态逐个乘以遗忘门，将当前输入单元状态逐个乘以输入门，然后将两个乘积相加来生成的。具体计算公式为：
20、
21、其中，wsc,whc为权重系数，bc为偏差参数，为候选记忆细胞。通过这种方式，我们将lstm的当前记忆和长期记忆结合起来，形成一个新的细胞状态。
22、最终输出的隐藏状态由输出门控制，隐藏状态计算公式为：
23、
24、使用上述的bi-lstm编码器能够从轨迹序列中捕获时间序列特征，但是无法获得场景中自我车辆与其他交通参与者之间的交互关系。
25、设定预测范围为60.96m×10.67m的区域，深度学习网络引入社交卷积池化网络共享权利lstm单元模块的隐藏状态，对预测范围内车辆之间的交互特征进行分析，具体为：
26、
27、其中，vego表示以自我车辆为中心的空间网格内车辆的个数，表示t-1时刻第j条轨迹的lstm编码单元的隐藏状态，表示t时刻编号为j的车辆的轨迹坐标，表示t时刻编号为i的车辆的轨迹坐标，1mn[x,y]用于检查车辆的坐标(x,y)是否在尺寸为(m,n)的空间网格内。
28、在卷积和池化过程中将每个编码单元的隐藏状态嵌入到社交张量中，车辆坐标嵌入到时间张量eit中，最终将这些嵌入连接起来生成社交张量作为轨迹解码器的输入，具体为：
29、
30、
31、
32、其中，表示隐藏状态的嵌入函数，wα和we是嵌入函数的权重系数，wl＝{wsi,wsf,wso,whi,whf,whs}表示lstm解码器中各个环节的权重。为了提升轨迹解码器的求解效率，将驾驶行为建模为与目标车道、车辆交互特征、车辆间隙、横向驾驶动作和纵向驾驶动作有关的概率模型。车辆间的交互作用通过卷积社交网络来获取，驾驶行为函数公式具体为：
33、
34、其中，lnt表示驾驶员n在t时刻选择车道l的驾驶行为；表示车辆n在t时刻的l车道的位置坐标；表示自我车辆的未来规划变量；τn表示算法所设定的向前规划的距离；λ为常数；表示自我车辆在车道l上的随机效应系数，通常取值为0-1；agnt为间隙判定模型，当左边车道可用间隙大于临界间隙表明可以向左换道，取值为1，当右边车道可用间隙大于临界间隙则表明可以向右换道，取值为-1，其他情况时取值为0。
35、agnt为间隙判定模型，当左边车道可用间隙大于临界间隙表明可以向左换道，取值为1，当右边车道可用间隙大于临界间隙则表明可以向右换道，取值为-1，其他本文档来自技高网...
【技术保护点】
1.一种规划耦合的多目标车辆轨迹预测方法，其特征在于，包括：
2.根据权利要求1所述的规划耦合的多目标车辆轨迹预测方法，其特征在于，所述S101中，基于Frenet坐标系对不同的目标状态进行采样，获得驾驶场景中所有车辆的历史轨迹信息，具体包括：
3.根据权利要求1所述的规划耦合的多目标车辆轨迹预测方法，其特征在于，所述S101中，利用多项式曲线拟合并规划车辆的横向和纵向运动轨迹，生成自我车辆的候选轨迹信息，具体包括：
4.根据权利要求1所述的规划耦合的多目标车辆轨迹预测方法，其特征在于，所述S103，具体包括：
5.根据权利要求1所述的规划耦合的多目标车辆轨迹预测方法，其特征在于，所述S104中，通过驾驶行为决策函数计算每个预定义驾驶行为概率，具体包括：
6.根据权利要求1所述的规划耦合的多目标车辆轨迹预测方法，其特征在于，所述S104中，将获取的交互特征的编码和驾驶行为的概率输入到LSTM解码器得到当前时刻的隐藏状态；将当前时刻的隐藏状态通过一个多层感知机MLP层，以残差学习方式生成预定义驾驶行为未来一段时间内轨迹坐标
7.一种规划耦合的多目标车辆轨迹预测系统，其特征在于，包括：
8.一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任意一项所述方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任意一项所述方法的步骤。
...【技术特征摘要】
1.一种规划耦合的多目标车辆轨迹预测方法，其特征在于，包括：
2.根据权利要求1所述的规划耦合的多目标车辆轨迹预测方法，其特征在于，所述s101中，基于frenet坐标系对不同的目标状态进行采样，获得驾驶场景中所有车辆的历史轨迹信息，具体包括：
3.根据权利要求1所述的规划耦合的多目标车辆轨迹预测方法，其特征在于，所述s101中，利用多项式曲线拟合并规划车辆的横向和纵向运动轨迹，生成自我车辆的候选轨迹信息，具体包括：
4.根据权利要求1所述的规划耦合的多目标车辆轨迹预测方法，其特征在于，所述s103，具体包括：
5.根据权利要求1所述的规划耦合的多目标车辆轨迹预测方法，其特征在于，所述s104中，通过驾驶行为决策函数计算每个预定义驾驶行为概率，具体包括：
...
【专利技术属性】
技术研发人员：祝青园，李晨阳，宋爽，黄腾超，高云龙，邵桂芳，卜祥建，
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。