【技术实现步骤摘要】
本专利技术涉及智能交通的自动驾驶轨迹预测的，尤其涉及一种基于异质动态图注意网络(hdeat)的多智能体轨迹预测方法。
技术介绍
1、随着人工智能的发展，自动驾驶车辆(av)与智能交通系统(its)之间的互动显著增加。面对高度复杂的城市驾驶环境，预测道路使用者的未来运动是开发安全可靠自动驾驶系统的关键。将预测轨迹用于执行安全导航，自动驾驶车辆就能提前做出明智的决策，避免可能发生的事故，从而提高了系统的整体安全性、效率和舒适性。
2、现有的预测方法可以分为三类：基于物理的方法、基于机动的方法和交互感知的方法。基于物理的方法考虑智能体的动力学来预测其运动行为，但忽略了受道路结构和周围智能体运动及交互行为影响限制的可能机动。基于机动的方法考虑了机动选项，并以机动为条件进行预测，但忽略了周围智能体的影响。最近，交互感知的方法能以更高的效率和更好的性能解决智能体之间的交互问题。现有的大多数交互感知方法主要通过三种机制来建立更通用的交互模型：以空间为中心的机制、注意力机制和基于图的机制。以空间为中心的机制在统一的空间域中表示智能体的轨迹，...
【技术保护点】
1.一种基于异质动态图注意网络的多智能体轨迹预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于异质动态图注意网络的多智能体轨迹预测方法，其特征在于，所述步骤S3有向边特征异质图的构建方法为：
3.根据权利要求2所述的基于异质动态图注意网络的多智能体轨迹预测方法，其特征在于，所述步骤S4通过异质动态图注意网络提取所有智能体的交互特征包括以下步骤：
4.根据权利要求3所述的基于异质动态图注意网络的多智能体轨迹预测方法，其特征在于，所述注意力系数式中，Ni是节点i在图中的邻域，是注意力权重向量，是节点向量特征，为节点i与其...
【技术特征摘要】
1.一种基于异质动态图注意网络的多智能体轨迹预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于异质动态图注意网络的多智能体轨迹预测方法，其特征在于，所述步骤s3有向边特征异质图的构建方法为：
3.根据权利要求2所述的基于异质动态图注意网络的多智能体轨迹预测方法，其特征在于，所述步骤s4通过异质动态图注意网络提取所有智能体的交互特征包括以下步骤：
4.根据权利要求3所述的基于异质动态图注意网络的多智能体轨迹预测方法，其特征在于，所述注意力系数式中，ni是节点i在图中的邻域，是注意力权重向量，是节点向量特征，为节点i与其附近邻域ni中的节点k所产生的边特征；交互特征式中，σ为sigmoid激活函数，wh是需要学习的权重线性变换矩阵，为第j个节点的向量特征。
5.根据权利要求4所述的基于异质动态图注意网络的多智能体轨迹预测方法，其特征在于，所述步骤s5通过卷积神经网络和门机制选择器提取并更新运动数据集中与智能体相关的地图信息的地图特征包括以下步骤：
6.根据权利要求5所述的基于异质动态图注意网络的多智能体轨迹预测方法，其特征在于，所述门机制选择器所述选择更新后的地图特征式中，为智能体i的当前状态，wc为权重矩阵，bc为偏置，是一...
【专利技术属性】
技术研发人员：宁念文，田诗涵，李伟，陈百川，陈琳，敖天勇，张延宇，周毅，
申请(专利权)人：河南大学，
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。