一种基于多序列时空张量融合的车辆轨迹预测方法技术

本发明专利技术公开了一种基于多序列时空张量融合的车辆轨迹预测方法，包括如下步骤：(1)从NGSIM数据集中筛选出US‑101路段车辆数据；(2)对US‑101数据进行预处理操作；(3)基于GAN构建轨迹预测网络模型；(4)训练模型并将预处理后的数据信息嵌入高维向量输入模型，输出对应的车辆预测轨迹向量信息。本发明专利技术在充分利用了NGSIM数据集中US‑101路段车辆数据的基础上，采用基于多序列时空张量融合的车辆轨迹预测方法，进一步提高了目标车辆预测轨迹的准确度，对后续车辆轨迹预测有重要意义。

【技术实现步骤摘要】

本专利技术涉及自动驾驶，尤其是多序列时空张量融合车辆轨迹预测方法。

技术介绍

1、随着城市化快速发展，交通拥堵问题也不断增加。交通拥堵对人类生产生活产生各种各样的影响，在降低交通运营效率的同时也对人类社会造成不可挽回的危害，舒缓紧张的交通拥堵情况逐步成为当今人类社会的一个主题。为解决这个问题，人们开始将视野转向无人驾驶，想通过车辆智能化管理来缓解交通压力。一些智能驾驶辅助系统已经开始应用于当前汽车中，如自动巡航系统，对于无人驾驶汽车而言，所要完善的部分更多，有着更高的要求。轨迹预测是实现车辆无人驾驶必不可少的一个环节，预测结果的好坏影响着车辆能否正确规划路线，所以车辆轨迹预测是一个很好的研究方向。

2、目前研究中用的比较多的有两种车辆轨迹数据：ngsim(next generationsimulation)和high d。ngsim的全称为next generation simulation，是由美国联邦公路局发起的一项数据采集项目，被交通界学者广泛用于车辆跟驰换道等驾驶行为研究，交通流分析，微观交通模型构建，车辆运动轨迹预测，驾驶员意图识别，本文档来自技高网...

【技术保护点】

1.一种基于多序列时空张量融合的车辆轨迹预测方法，其特征在于,包括如下步骤：

2.如权利要求1所述的一种基于多序列时空张量融合的车辆轨迹预测方法，其特征在于，步骤(2)中，预处理操作包括路段切分、筛选、去噪。

3.如权利要求1所述的一种基于多序列时空张量融合的车辆轨迹预测方法，其特征在于，步骤(2)中，对NGSIM进行预处理操作具体为：对NGSIM数据集进行切分，选取US-101路段数据，按照时间顺序提取车辆轨迹数据集中车辆的位置信息，包括车辆的横纵向位置坐标(x,y)，定义历史观测时域的时间长度为tobs，在tobs范围内提取到X辆车的位置信息：

4...

【技术特征摘要】

1.一种基于多序列时空张量融合的车辆轨迹预测方法，其特征在于,包括如下步骤：

2.如权利要求1所述的一种基于多序列时空张量融合的车辆轨迹预测方法，其特征在于，步骤(2)中，预处理操作包括路段切分、筛选、去噪。

3.如权利要求1所述的一种基于多序列时空张量融合的车辆轨迹预测方法，其特征在于，步骤(2)中，对ngsim进行预处理操作具体为：对ngsim数据集进行切分，选取us-101路段数据，按照时间顺序提取车辆轨迹数据集中车辆的位置信息，包括车辆的横纵向位置坐标(x,y)，定义历史观测时域的时间长度为tobs，在tobs范围内提取到x辆车的位置信息：

4.如权利要求1所述的一种基于多序列时空张量融合的车辆轨迹预测方法，其特征在于，步骤(3)中，构建的网络模型利用生成对抗网络，是由生成器和判别器两个核心部分组成，编码器-解码器结构视为轨迹生成的生成器，而编码器之后的二进制分类层视为区分正负轨迹样本的鉴别器，生成器网络学习真实样本分布以生成高度相似的数据传递给判别器，判别器对生成的假样本进行二分类，判断是否为真实数据，用以指导生成器的训练。

5.如权利要求1所述的一种基于多序列时空张量融合的车辆轨迹预测方法，其特征在于，步骤(3)中，编码器阶段，首先利用lstm单元将场景中每辆车的历史轨迹编码为时间t的固定长度表示，已在步骤(2)表示，为了捕捉这种交互并进一步有效地融合多车辆信息，提出了一种车辆时间信息提取模块来融合时间关系方面的张量信息，此外还提出了一个车辆空间信息提取模块对多车辆的空间关系进行建模，利用lstm单元以时间步长tobs获取所有车辆的过去轨迹编码后，使用空间信息提取模块和时间信息提取模块分别获得空间社会张量γ和相同长度的时间社会张量τ。此外，对预测车辆的循环编码进行嵌入操作，以生成嵌入编码hpredict。最后，对上述三种编码进行张量融合运算，形成信息表示，表...

【专利技术属性】
技术研发人员：杜凯，王宇，王慧，
申请(专利权)人：河海大学，
类型：发明
国别省市：