一种结合自监督机制的未知域轨迹预测方法技术

本发明专利技术涉及一种结合自监督机制的未知域轨迹预测方法，所述方法包括以下步骤：(1)获取目标轨迹数据以及邻近目标轨迹数据、场景地图数据；(2)通过聚类算法提取轨迹的机动类型；(3)提取邻近目标轨迹及场景地图信息，(4)获得预测的机动类型标签；(5)获取预测的机动类型后，计算轨迹机动类型自监督子任务损失，(6)，获取终点后将轨迹终点与数据编码级联输入时序神经网络解码获得剩余其余点的轨迹，(7)模型损失计算，完成车辆未来轨迹预测。该方案利用聚类算法得到的轨迹机动类型解决不变性原理应用过程中的数据域划分问题，提升不变性原理的应用效果，提升模型进行未知域轨迹预测的准确度。

【技术实现步骤摘要】

本专利技术属于轨迹预测，具体涉及一种结合自监督机制的未知域目标轨迹预测方法。

技术介绍

1、随着自动驾驶技术的蓬勃发展，轨迹预测已成为智能汽车系统不可或缺的关键组成部分。深度学习算法在轨迹预测领域不断展现卓越的性能，但传统的深度学习算法普遍存在模型泛化能力不足的问题，导致模型在测试未知域数据时性能的明显下降。

2、现有大多的深度学习轨迹预测模型的测试域与训练域采样于近似域，例如，基于bev鸟瞰图的轨迹预测方法(公开号：cn114708723a)、融合多模态信息的轨迹预测方法(公开号：cn114648551b)、基于lstm多层次运动特征的轨迹预测方法(公开号：cn115797892a)。上述专利技术方法中，深度学习模型解决轨迹预测问题的方法均忽略了数据分布差异导致的泛化问题，当这类模型预测未知域场景轨迹时预测准确性下降，隐含巨大的安全隐患。目前也有部分方法针对性的提升模型泛化能力。公开号为cn115797892a的中国专利提出了一种提升车辆轨迹模型泛化能力的方法，通过结合不变性原理的终点预测模块实现。但该方法没有考虑不变性原理应用过程中的数据域本文档来自技高网...

【技术保护点】

1.一种结合自监督机制的未知域轨迹预测方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的结合自监督机制的未知域轨迹预测方法，其特征在于，所述步骤(1)获取的目标轨迹数据包括被预测目标的轨迹坐标点集，邻近目标的轨迹坐标点集，目标所在场景地图车道中心线，以及车道之间的拓扑关系。

3.根据权利要求1所述的结合自监督机制的未知域轨迹预测方法，其特征在于，所述步骤(2)还包括对历史轨迹聚类处理的主要步骤：首先将车辆轨迹坐标归一化与旋转，接着抽取轨迹特征数据，最后设置聚类算法的相关参数，进行聚类操作，获取轨迹机动类型的标签，

4.根据权利要求1所述...

【技术特征摘要】

1.一种结合自监督机制的未知域轨迹预测方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的结合自监督机制的未知域轨迹预测方法，其特征在于，所述步骤(1)获取的目标轨迹数据包括被预测目标的轨迹坐标点集，邻近目标的轨迹坐标点集，目标所在场景地图车道中心线，以及车道之间的拓扑关系。

3.根据权利要求1所述的结合自监督机制的未知域轨迹预测方法，其特征在于，所述步骤(2)还包括对历史轨迹聚类处理的主要步骤：首先将车辆轨迹坐标归一化与旋转，接着抽取轨迹特征数据，最后设置聚类算法的相关参数，进行聚类操作，获取轨迹机动类型的标签，

4.根据权利要求1所述的结合自监督机制的未知域轨迹预测方法，其特征在于，所述步骤(2)聚类算法的相关参数为聚类类别数量为3，聚类最大迭代次数为100，聚类收敛容忍度为0.0001。

5.根据权利要求1所述的结合自监督机制的未知域轨迹预测方法，其特征在于，所述步骤(2)聚类操作包括：首先获取轨迹提取的特征数据，随机选择3个数据点作为初始聚类中心，对于特征数据的每个数据点，计算每个数据点到聚类中心的距离，将数据点分配给距离最近的聚类中心，更新其标签，根据最新的聚类分配结果重新计算每个类别的中心，如果聚类中心的移动聚类小于收敛容忍度，则输出每条轨迹的类别标签。

6.根据权利要求1所述的结合自监督机制的未知域轨迹预测方法，其特征在于，所述步骤(4)机动类型预测模块结构输入为轨迹终点编码、地图编码、历史轨迹编码以...

【专利技术属性】
技术研发人员：李煊鹏，卢一凡，薛启凡，李晟屹，杨凤，
申请(专利权)人：东南大学，
类型：发明
国别省市：