【技术实现步骤摘要】
本专利技术涉及无人驾驶领域，具体涉及基于轨迹预测的无人驾驶车群形成方法。
技术介绍
1、面向周围环境进行车辆轨迹预预测是自动驾驶的关键技术之一，可以辅助自动驾驶系统做出合理的规划和决策，保障自动驾驶汽车在复杂交通环境中的安全性和行车效率。自动驾驶系统依赖摄像机、激光雷达等传感器设备进行环境感知，捕捉周围环境的静态和动态信息，为车辆轨迹预测提供了丰富的数据来源。现阶段主要存在三类车辆轨迹预测方法：①基于物理模型车辆轨迹预测方法；②基于深度学习的车辆轨迹预测方法。
2、(1)传统的轨迹预测方法
3、传统的轨迹预测方法主要依赖于完善的数学和统计技术，根据历史数据和预定义模型进行预测。xie等人集成了基于物理和操纵的方法，利用交互式多模型对车辆轨迹预测，该方法依靠物理定律和运动学原理来预测车浪的未来轨迹，考虑了当前位置、速度、加速度和道路约束等因素来估计未来路径。batz等人给出了基于数学方程的轨迹预测方法，该方法假设物体的运动可以用简单的数学方程来描述，例如恒速或恒加速度模型，根据物体的当前状态及其假定的运动动力学来估计未来的位置。lefkopoulos等人给出了基于卡尔曼滤波机的跟踪和预测任务。将来自传感器的测量结果与来自数学模型的预测相结合，以估计物体的当前状态并预测其未来轨迹。wang等人提出了基于马尔可夫模型的车辆轨迹预测方法，用来捕获对象连续状态之间的概率依赖关系，使用历史数据来估计转移概率，并根据最可能的状态序列进行预测。文献[18]基于博弈论与隐马尔可夫模型提出了车辆轨迹预测方法，该方法通过将未来
4、(2)基于深度学习的轨迹预测方法
5、近年来，基于深度学习的无人驾驶车辆轨迹预测方法受到了广泛关注。基于深度学习的方法利用人工神经网络的力量，从大数据中学习复杂的模式和关系。he等人采用全连接层提取特征并输入lstm中预测车辆的轨迹。ding等人使用lstm编码器通过编码目标车辆的状态来预测无人驾驶车辆的轨迹。zyner等人利用加权高斯混合模型(weightedgaussian mixture model,gmm)预测多模态轨迹。采用编码器-解码器模型获得gmm的参数，并采用概率最高的模态对预测轨迹进行聚类。xing等人使用gmm识别驾驶风格，使用lstm和全连接层对序列数据和驾驶风格进行评分从而预测车辆的轨迹。xin等人使用两个独立的lstm架构，其根据车辆的当前状态和预期车道来预测目标车道和轨迹。dai等人利用两组lstm网络来模拟附近车辆的运动和相互作用。ding等人提出了一组gru编码器来表征车辆之间的配对交互。tang等人采用注意机制创建了一个由多个共享参数的rnn组成的动态编码器来预测多模态轨迹。xu等人引入了一种用于轨迹预测的学生-教师网络，其中学生算法基于lstm编码器-解码器模型，教师算法基于图卷积网络。ke等人提出了一种基于深度学习的轻量级车辆轨迹预测方法deeptrack，它利用模型剪枝技术降低轨迹预测模型的参数量与计算复杂度，但是保持了较好的精度。此外，kim等人提出了一个具有基线网络和轨迹建议注意的模型，该模型是一个使用时间注意力机制来提取潜在多模态驾驶信息的轨迹预测的网络。yang等人利用lstm网络中的时空注意力机制来执行变道预测和轨迹预测，该方法由于引进了时空注意力机制而提高了预测的准确率。kim等人利用多头注意力提取车道和车辆信息来预测车辆未来的轨迹分布，主要是通过利用多头注意力机制从车道和车辆中提取信息，并基于lstm编码器中提取的注意力权重来模拟各个车道对车辆自身的影响。
6、综上所述，关于无人驾驶车辆轨迹预测已有一些研究，但是还存在以下问题：
7、(1)未考虑目标车辆与其邻近车辆之间的历史轨迹：现有的无人驾驶车辆轨迹预测仅利用车辆自身历史轨迹预测其未来轨迹，但邻近车辆可以为目标车辆提供其环境感知的历史轨迹，可以帮助目标车辆预测其未来轨迹。
8、(2)未考虑车辆未来轨迹作为车群建模的依据：现有的无人驾驶车群的构建仅考虑车辆节点之间的运动相似性、通信连通性等，没有考虑基于车辆的未来轨迹进行车群建模。
技术实现思路
1、针对以上问题，本专利技术提出了基于帕累托最优理论的无人驾驶邻居车辆集合提取方法；基于此提出了基于多头注意力机制的无人驾驶车辆轨迹预测方法基于多头注意力机制的无人驾驶车辆轨迹预测算法(trajectory prediction based on multi-headattention mechanism，tpmam)；给出了引领节点选举算法；提出了用来度量车群稳定性的轨迹分离度，在此基础上提出了基于轨迹预测的无人驾驶车群形成方法(trajectoryprediction based autonomous vehicle group formation method，tpavgf)
2、专利技术目的：
3、针对目前关于轨迹预测以及基于轨迹预测的无人驾驶车群未考虑目标车辆与其邻近车辆之间的历史轨迹以及车辆未来轨迹作为车群建模的依据等问题，本专利技术提出了基于帕累托最优理论的无人驾驶邻居车辆集合提取方法；基于多头注意力机制提出了无人驾驶车辆轨迹预测算法；给出了引领节点选举算法；提出了用来度量车群稳定性的轨迹分离度，在此基础上，提出了基于轨迹预测的无人驾驶车群形成方法；给出了平均车群轨迹分离度、节点参与率、通信传输成本、节点生存时间、车群生存时间等评价指标，构建仿真实验对提出的无人驾驶车群进行了有效性和稳定性验证。选取未来轨迹相似的无人驾驶车辆节点形成车群，可以提高车群中车辆节点之间相互协作的时间以及保持车群结构稳定，从而可以有效实现超视距感知以及提升自动驾驶车辆理解周围行车环境的能力，为无人驾驶运动行为稳定有序行驶提供了有效保障，对促进无人驾驶健康快速发展，具有重要的意义和应用价值。
4、本专利技术的技术方案实现具体包括如下步骤：
5、步骤1.相关定义；
6、步骤2.基于多头注意力机制的无人驾驶车辆轨迹预测
7、步骤2.1无人驾驶邻居车辆集合提取；
8、步骤2.2无人驾驶车辆轨迹预测。
9、步骤3基于轨迹预测的无人驾驶车群形成；
10、步骤3.1轨迹分离度；
11、步骤3.2邻域集构建；
12、步骤3.3车群角色；
13、步骤3.4引领节点选举；
14、步骤3.5车群形成算法。
15、与现有技术相比，本专利技术具有如下有益效果
16、本专利技术目的在于公开基于轨迹预测的无人驾驶车群形成方法，可以有效实现超视距感知以及提升自动驾驶车辆理解周围行车环境的能力，从而可以有效帮助解决目前无人驾驶单智能体诸如变道、避让、安全本文档来自技高网...
【技术保护点】
1.如权利要求1所述的基于轨迹预测的无人驾驶车群形成方法，其特征在于，包括如下步骤：
2.如权利要求1所述的相关定义，其特征在于，所述步骤1：
3.如权利要求1所述的基于多头注意力机制的无人驾驶车辆轨迹预测，其特征在于，所述步骤2：
4.如权利要求1所述的基于轨迹预测的无人驾驶车群形成，其特征在于，所述步骤3：
5.如权利要求4所述的基于轨迹预测的无人驾驶车群形成，其特征在于，所述步骤3.4引领节点选举：
6.如权利要求5所述的基于轨迹预测的无人驾驶车群形成，其特征在于，所述步骤3.5:
【技术特征摘要】
1.如权利要求1所述的基于轨迹预测的无人驾驶车群形成方法，其特征在于，包括如下步骤：
2.如权利要求1所述的相关定义，其特征在于，所述步骤1：
3.如权利要求1所述的基于多头注意力机制的无人驾驶车辆轨迹预测，其特征在于，所述步骤2：
4.如...
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。