【技术实现步骤摘要】
本专利技术属于时序预测领域，具体涉及一种基于深度学习的车辆轨迹预测方法，可用于智能驾驶车辆对周围车辆的轨迹预测与判断，为后续决策规划模块提供理论参考。
技术介绍
1、随着人工智能技术的快速发展，传统车辆工程技术与信息技术的结合，使得智能驾驶技术的研究取得了巨大进步。轨迹预测模块作为智能驾驶技术最重要的模块之一，一般位于感知模块的后端，规控的前端，为承上启下的模块。以感知模块提供的交通目标历史状态信息、道路结构信息，多目标之间的交互信息，环境的语义信息以及交通目标的意图信息为输入，对感知到的各类交通目标做出未来一段时间的轨迹预测。
2、轨迹预测任务为实现局部运动规划和避免碰撞方面的偏差的目的，从基于机动的模型和交互感知模型的角度出发，研究人员对车辆轨迹预测方法进行了广泛而深入的研究。lstm(long short-term memory network，长短期记忆神经网络)作为经典的循环神经网络变种之一，能够有效捕捉到轨迹序列中长期的依赖关系和目标移动的语义情况。但是单一的lstm网络只考虑到了轨迹的时序性特征，从而忽略或未能很好的捕捉到空间性特征和交通参与者间交互影响特征，因此，研究人员针对交通参与者的社会化关系和空间特征做出了持续地创新和改进。如social-lstm是首次尝试建模人与人之间的交互的经典轨迹预测模型，它也为后续研究车间交互建模奠定了基础。受social-lstm的启发，cs-lstm将卷积操作引入卷积池化层，并提出了卷积-social lstm。cs-lstm可以在保持车间空间依赖性的同时挖掘车间的
3、近年来，针对道路中行驶车辆的轨迹预测模型虽然经过不断改良，其效果得到了极大提升，然而受限于交通场景的多样性和目标车辆与周围不同交通对象之间的复杂交互关系，车辆轨迹预测依然是一个具有诸多困难和挑战的研究任务。本专利技术提出了一种基于空间运动关系和长短时间记忆网络的车辆轨迹预测方法，是基于车辆空间运动关系、lstm编码器模块、空间图注意力网络和lstm解码器模块进行车辆轨迹精准预测的方法。
技术实现思路
1、本专利技术提出了一种基于空间运动关系和长短时间记忆网络的车辆轨迹预测模型。该模型以长短时间记忆网络为编码器-解码器结构的基础，通过从输入端加入周围车辆静态坐标系下的六维特征(横向和纵向下的绝对位置，绝对速度，绝对加速度)和动态坐标系下的六维特征(横向和纵向下的相对位置，相对速度，相对加速度)总共十二维特征，并根据车辆之间在局部视角下的制动关系建立了目标车辆和周围交通对象之间空间交互关系图注意力网络模型。之后训练并提取目标车辆和周围交通对象之间的空间影响力分配，从而可以提升了车辆轨迹预测的准确度。
2、本专利技术是采用以下技术手段实现的：
3、一种基于空间运动关系和长短记忆网络的车辆轨迹预测方法，其内容主要包括如下步骤：
4、步骤1：将车辆轨迹预测数据集以训练集、验证集、测试集进行7:1:2划分。针对部分高精度高帧率数据集，为防止过拟合，对其数据内容进行降采样。针对噪声大的数据集，对其数据内容进行滤波平滑处理；
5、步骤2：以局部视角下车辆之间的制动关系，建立静态空间坐标系和动态空间坐标系进行车辆运动特征表征；
6、步骤2.1：提取车辆轨迹数据集中目标预测车辆左右相邻和具有前后制动关系的车辆构建周围车辆集合；
7、步骤2.2：以目标预测车辆行驶历史初始位置为静态空间坐标系坐标原点，进行目标预测车辆和周围车辆绝对运动特征的表征；
8、步骤2.3：以目标预测车辆行驶历史初始位置为动态空间坐标系坐标原点，进行周围车辆相对运动特征的表征；
9、步骤3：编码器中将上述总共12维的车辆运动特征通过全连接网络进行映射，并将映射完的高维度特征加入lstm网络中分别提取目标预测车辆和周围车辆的时间序列特征；
10、步骤4：提取车辆间空间交互关系的方法是将上述特征集合加入图注意力网络中，进行周围车辆和目标预测车辆之间的相似度计算并输出结果；
11、步骤4.1：将从编码器输出的128维隐式状态特征加入全连接网络中并映射到32维特征空间；
12、步骤4.2：将上述投影后的特征向量加入图注意力网络中计算目标预测车辆和周围车辆之间的注意力系数；
13、步骤4.3：根据计算分配完的注意力系数，对周围车辆通道的特征进行加权融合，并通过特征向量拼接后输出；
14、步骤5：将上述拼接后的结果加入解码器中，解码器使用lstm网络来提取目标预测车辆未来的时序关系并通过全连接网络以0.2s为间隔来计算未来25步的车辆轨迹分布，将每一步的输出结果加入到下一步中持续输出结果。
15、有益效果
16、针对现在的车辆轨迹预测技术所存在的问题和缺陷，本专利技术提出一种利用动态空间坐标系表征方法和空间关系图注意力影响度分配方法，可以提取真实驾驶环境中的车辆与车辆之间的相对运动特征与影响力权重。本专利技术将车辆动态空间关系特征和社会化空间关系提取方法应用于车辆轨迹预测，可以实现智能驾驶环境下的车辆预测效果的显著提升。
本文档来自技高网...【技术保护点】
1.一种基于空间运动关系和长短记忆网络的车辆轨迹预测方法，其内容主要包括如下步骤：
2.根据权利要求1所述的一种基于空间运动关系和长短记忆网络的车辆轨迹预测方法，其特征在于，步骤2包括，步骤2.1：提取车辆轨迹数据集中目标预测车辆左右相邻和具有前后制动关系的车辆构建周围车辆集合；
3.根据权利要求1所述的一种基于空间运动关系和长短记忆网络的车辆轨迹预测方法，其特征在于，步骤4包括，步骤4.1：将从编码器输出的128维隐式状态特征加入全连接网络中并映射到32维特征空间；
4.根据权利要求2所述的一种基于空间运动关系和长短记忆网络的车辆轨迹预测方法，其特征在于，步骤2.1：设道路行驶中的所有车辆集合为V＝{v1,v2,v3,...,vn}，目标预测车辆表征为ovi∈V,i∈{1,2,3,...,n}，再将车辆轨迹数据集中目标预测车辆左右相邻和具有前后制动关系的车辆进行相对距离排序来构建周围邻近车辆集合，即之后将周围邻近车辆表征为
5.根据权利要求2所述的一种基于空间运动关系和长短记忆网络的车辆轨迹预测方法，其特征在于，步骤2.2：以目标
6.根据权利要求2所述的一种基于空间运动关系和长短记忆网络的车辆轨迹预测方法，其特征在于，步骤2.3：以目标预测车辆行驶过程中每一时刻的位置为动态空间坐标系坐标原点，进行周围车辆相对运动特征的表征；
7.根据权利要求2所述的一种基于空间运动关系和长短记忆网络的车辆轨迹预测方法，其特征在于，将目标预测车辆时序特征表达为hov，将周围车辆时序特征表达为之后对目标车辆和周围的车辆分别使用全连接层来构造各自的嵌入向量：
8.根据权利要求3所述的一种基于空间运动关系和长短记忆网络的车辆轨迹预测方法，其特征在于，32维特征空间下的目标预测车辆的特征向量表达为周围车辆的特征向量表达为图注意力网络生成一个注意力权重矩阵，该注意力权重矩阵通过学习节点之间的注意力权重来捕获节点之间的影响力分配：使用softmax函数对注意力权重进行归一化处理。
9.根据权利要求3所述的一种基于空间运动关系和长短记忆网络的车辆轨迹预测方法，其特征在于，步骤4.3：最终根据计算分配完的注意力系数αij，对周围车辆通道的特征进行加权融合，并通过拼接后得到的交互特征表达为：
10.根据权利要求1所述的一种基于空间运动关系和长短记忆网络的车辆轨迹预测方法，其特征在于，解码器使用LSTM网络来提取目标预测车辆未来的时序关系并通过全连接网络以0.2s为间隔来计算未来25步的车辆轨迹分布，将每一步的输出结果加入到下一步中持续输出结果，其预测结果输出表达式表达为Θ(t0+i*Δt),i∈{1,2,3,...,25}。
...【技术特征摘要】
1.一种基于空间运动关系和长短记忆网络的车辆轨迹预测方法，其内容主要包括如下步骤：
2.根据权利要求1所述的一种基于空间运动关系和长短记忆网络的车辆轨迹预测方法，其特征在于，步骤2包括，步骤2.1：提取车辆轨迹数据集中目标预测车辆左右相邻和具有前后制动关系的车辆构建周围车辆集合；
3.根据权利要求1所述的一种基于空间运动关系和长短记忆网络的车辆轨迹预测方法，其特征在于，步骤4包括，步骤4.1：将从编码器输出的128维隐式状态特征加入全连接网络中并映射到32维特征空间；
4.根据权利要求2所述的一种基于空间运动关系和长短记忆网络的车辆轨迹预测方法，其特征在于，步骤2.1：设道路行驶中的所有车辆集合为v＝{v1,v2,v3,...,vn}，目标预测车辆表征为ovi∈v,i∈{1,2,3,...,n}，再将车辆轨迹数据集中目标预测车辆左右相邻和具有前后制动关系的车辆进行相对距离排序来构建周围邻近车辆集合，即之后将周围邻近车辆表征为
5.根据权利要求2所述的一种基于空间运动关系和长短记忆网络的车辆轨迹预测方法，其特征在于，步骤2.2：以目标预测车辆行驶历史初始位置为静态空间坐标系坐标原点，进行目标预测车辆和周围车辆绝对运动特征的表征。
6.根据权利要求2所述的一种基于空间运动关系和长短记忆网络的车辆轨迹预测方法，其特征在于，步骤2.3：以目标预测车...
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。