【技术实现步骤摘要】
本专利技术涉及自动驾驶，特别涉及一种不依赖地图信息的车辆轨迹预测方法。
技术介绍
1、车辆轨迹预测是自动驾驶中非常重要的部分，它可以帮助自动驾驶车辆在复杂交通路段行驶中提前发现可能会产生的事故，从而进行避让来正常行驶。自动驾驶汽车需要了解周围的环境，并预测道路上的未来情况。然而，准确预测附近交通参与者的未来运动具有挑战性，如车辆、自行车和行人，其目标或意图可能是未知的。基于机器学习的预测模型在过去已经表现了强大的性能，同时随着深度学习的快速发展，车辆轨迹预测也取得了更为显著的突破。但是这些车辆预测模型大多有一个先决条件：它们的架构设计和相应的训练过程大多是为整合地图信息而设计的，最依赖的信息往往来自于底层的高精度地图。然而，在现实中的很多情况下由于定位失败，地图信息并不一定总是可靠的。这说明了需要建立无地图的高性能预测模型，以实现在不依赖地图信息下，对车辆的轨迹进行高准确性的预测。
技术实现思路
1、本专利技术提供了一种不依赖地图信息的车辆轨迹预测方法，以解决现有车辆轨迹预测需要依赖高精度地图，在定位失败等不可靠的情况下，会造成无法正常进行轨迹预测的技术问题。
2、为达到上述目的，本专利技术的技术方案是这样实现的：
3、本专利技术提供了一种不依赖地图信息的车辆轨迹预测方法，包括如下步骤：
4、s1、构建有车辆轨迹数据的用于深度学习的车辆轨迹数据库，并将车辆轨迹数据库拆分成训练集、验证集；
5、s2、构建不依赖地图信息的车辆轨迹预测模型
6、s3、从训练集中选取一张场景图像并输入到编码器中，并将编码器的输出输入到图卷积神经网络中，得到节点特征嵌入矩阵；利用自注意力机制中的多个注意力头对节点特征嵌入矩阵进行更新；将所有注意力头输出的特征嵌入权重矩阵拼接起来，与线性连接映射权重层相乘，得到节点更新权重矩阵a；将节点更新权重矩阵a输入到解码器中，最终得到车辆轨迹预测模型的输出结果；
7、s4、构建损失函数，计算损失函数的损失值，循环s3至s4，调整车辆轨迹预测模型训练的学习率以及迭代次数，直到损失函数变化趋于稳定，利用验证集进行验证，选取验证集准确率最好的一组权重作为车辆轨迹预测模型的权重，得到最终的车辆轨迹预测模型；
8、s5、利用最终的车辆轨迹预测模型对车辆的轨迹进行预测，以完成模型性能评估。
9、进一步地，所述s1具体包括如下：
10、s11、获取目标车辆所在场景中的场景车辆的历史轨迹序列，每一辆场景车辆的历史轨迹序列包括场景车辆在历史最近预定时长内的各个采样时间点的位置信息，场景车辆包括目标车辆及其周围的相邻车辆；
11、s12、将场景中的历史轨迹序列信息用2d坐标进行处理，得到用于深度学习的车辆轨迹数据库；
12、s13、将车辆轨迹数据库拆分成训练集、验证集。
13、进一步地，所述s2中的编码器包括多个独立设置的用于对每个场景车辆的信息进行编码的transformer时间编码器；
14、交互模块包括相互连接的图卷积神经网络和自注意力机制；图卷积神经网络用于对特征进行提取和处理；
15、解码器由多个独立设置的残差网络解码器。
16、进一步地，所述编码器中的transformer时间编码器的权重共享。
17、进一步地，所述s3具体包括如下步骤：
18、s31、从训练集中选取一张场景图像并输入到编码器中，编码器将场景图像中的场景车辆i过去的二维坐标数据表示为一系列离散位移，，，其中表示场景车辆i的2d坐标，即；t表示时间步长；为二进制标记，表示在时间步长t=1时，观察到的场景车辆i是否有发生位移；利用编码器中的transformer时间编码器对场景车辆i中的时间信息进行编码，得到多个场景车辆i的输入向量，即transformer时间编码器的输入向量 e；
19、将每个场景车辆i的输入向量 e分别与不同的transformer时间编码器的查询权重矩阵、键权重矩阵、值权重矩阵相乘即可得到每辆车嵌入数据的查询矩阵、键矩阵和值矩阵；
20、；
21、；
22、；
23、其中，，，，为数据维度，为键矩阵的维度；为值矩阵的维度；
24、对每个场景车辆嵌入数据的查询矩阵、键矩阵和值矩阵进行拼接，并与线性连接映射权重层相乘，得到编码器中多头注意力的输出；
25、s32、将编码器中多头注意力的输出输入到图卷积神经网络中，得到节点特征嵌入矩阵，节点特征嵌入矩阵的每一行都是每个节点的特征嵌入向量，节点即场景车辆i；
26、s33、利用自注意力机制中的多个注意力头对节点特征嵌入矩阵进行更新；将所有注意力头输出的特征嵌入权重矩阵拼接起来，与线性连接映射权重层相乘，得到多头注意力的输出权重，即节点更新权重矩阵a；
27、s34、将节点更新权重矩阵a输入到解码器中，最终得到车辆轨迹预测模型的输出结果；
28、输出解码器不是直接预测全局坐标系中的二维坐标，而是预测车辆i在其t = 0处的二维坐标的相对位置差异，采用公式表示，具体如下：
29、；
30、表示第i辆车在t时间步时的预测输出，表示第i辆车在t时间步时在全局坐标系下的绝对二维坐标；
31、在形式上，输出解码器被定义为：
32、；
33、其中，、分别为残差网络的第一层权重和第二层权重；、分别为残差网络的第一偏置和第二偏置，、分别为解码层的权重和偏置。
34、进一步地，所述s31采用公式表示，具体如下：
35、；
36、；
37、；
38、其中，i为多头注意力机制中的注意力头编号，为查询矩阵的列数，concat表示将不同注意力头的输出矩阵拼接在一起，为线性连接映射权重层，是多头注意力机制中注意力头的数量，为键矩阵的转置。
39、进一步地，所述s32采用公式表示，具体如下：
40、；
41、其中，表示第i个节点第g+1层的嵌入，g表示图卷积神经网络的第g层，且g=0,1,2…lg-1；其中lg为图卷积神经网络的总层数；表示点乘；
42、其中，对应节点特征和边缘特征的嵌入连接，满足公式：，表示第i个节点嵌入特征与第j个节点嵌入特征以及边ij的嵌入连接在一起，其中表示在t = 0处从车辆i到车辆j的距离，表示第j个节点第g层的嵌入；是sigmoid函数和是softplus函数；
43、、分别表示第g层的卷积权重矩阵和偏置；、分别表示第g层的自适应权重矩阵和偏置。
44、进一步地，所述s33具体包括如下步骤：
45、s331、利用自注意本文档来自技高网...
【技术保护点】
1.一种不依赖地图信息的车辆轨迹预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述S1具体包括如下：
3.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述S2中的编码器包括多个独立设置的用于对每个场景车辆的信息进行编码的Transformer时间编码器；
4.根据权利要求3所述的车辆轨迹预测方法，其特征在于，所述编码器中的Transformer时间编码器的权重共享。
5.根据权利要求3所述的车辆轨迹预测方法，其特征在于，所述S3具体包括如下步骤：
6.根据权利要求5所述的车辆轨迹预测方法，其特征在于，所述S31采用公式表示，具体如下：
7.根据权利要求6所述的车辆轨迹预测方法，其特征在于，所述S32采用公式表示，具体如下：
8.根据权利要求7所述的车辆轨迹预测方法，其特征在于，所述S33具体包括如下步骤：
9.根据权利要求8所述的车辆轨迹预测方法，其特征在于，所述S4具体包括如下步骤：
10.根据权利要求9所述的车辆轨迹预
...【技术特征摘要】
1.一种不依赖地图信息的车辆轨迹预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述s1具体包括如下：
3.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述s2中的编码器包括多个独立设置的用于对每个场景车辆的信息进行编码的transformer时间编码器；
4.根据权利要求3所述的车辆轨迹预测方法，其特征在于，所述编码器中的transformer时间编码器的权重共享。
5.根据权利要求3所述的车辆轨迹预测方法，其特...
【专利技术属性】
技术研发人员：张细政，侯英俊，卢张宇，曹旭，刘若源，金圣炜，王清，何海华，
申请(专利权)人：湖南工程学院，
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。