【技术实现步骤摘要】
本专利技术属于机器学习和计算机视觉领域，其涉及轨迹预测分析，特别涉及一种基于动态图卷积的端到端多模态轨迹预测方法。
技术介绍
1、为实现智能交通系统和智能城市，提高自动驾驶系统的安全性和可靠性，减少交通事故的发生率，自动驾驶领域中的轨迹预测成为人们关注的问题。传统的轨迹预测方法往往受限于静态的场景表示，无法有效地捕捉动态环境中智能体之间的复杂交互关系。其次，传统方法往往难以处理不确定性和多模态的预测结果，导致预测结果缺乏鲁棒性和准确性。
技术实现思路
1、鉴于以上内容，有必要提供一种基于动态图卷积的端到端多模态轨迹预测方法，该预测方法用于对车辆轨迹进行准确预测，其中，通过dganet特征提取模块对矢量化特征进行特征编码和特征提取，将提取的特征与锚点输入端点生成模块，进一步生成轨迹端点的位置信息，最后，通过轨迹预测模块来利用生成的轨迹端点信息预测一组轨迹。
2、为达到上述目的，本专利技术所采用的技术方案是：
3、一种基于动态图卷积的端到端多模态轨迹预测方法，该预测方法...
【技术保护点】
1.一种基于动态图卷积的端到端多模态轨迹预测方法，其特征在于，该预测方法通过DG-Trajector网络模型实现，DG-Trajector网络模型包括DGANet特征提取模块、端点生成模块和轨迹预测模块；所述预测方法包括如下步骤：
2.根据权利要求1所述的一种基于动态图卷积的端到端多模态轨迹预测方法，其特征在于，在步骤S1中，训练时，使用Argoverse预测数据集中的train数据集作为训练集，val数据集作为验证集进行验证。
3.根据权利要求1所述的一种基于动态图卷积的端到端多模态轨迹预测方法，其特征在于，DG-Trajector网络模型进...
【技术特征摘要】
1.一种基于动态图卷积的端到端多模态轨迹预测方法，其特征在于，该预测方法通过dg-trajector网络模型实现，dg-trajector网络模型包括dganet特征提取模块、端点生成模块和轨迹预测模块；所述预测方法包括如下步骤：
2.根据权利要求1所述的一种基于动态图卷积的端到端多模态轨迹预测方法，其特征在于，在步骤s1中，训练时，使用argoverse预测数据集中的train数据集作为训练集，val数据集作为验证集进行验证。
3.根据权利要求1所述的一种基于动态图卷积的端到端多模态轨迹预测方法，其特征在于，dg-trajector网络模型进行预处理时，采用vectornet数据表征方式，以结构化的方式使用矢量表示来表示地图和智能体，为每个场景元素独立创建一个连通图，其中，轨迹数据以及地图信息转换为折线，构成矢量折线集合，车道中心线点被采样作为锚点的候选位置。
4.根据权利要求1所述的一种基于动态图卷积的端到端多模态轨迹预测方法，其特征在于，dganet特征提取模块主要由多层动态图卷积层和多头注意力机制组成，其中，每层动态图卷积层的结构相同，多层动态图卷积层将输入的矢量化特征进行整合，再通过多头注意力机制建模不同折线之间的全局关系，输出全局特征。
5.根据权利要求3所述的一种基于动态图卷积的端到端多模态轨迹预测方法，其特征在于，在dganet特征提取模块中，每层动态图卷积层均包括卷积层、归一化层和激活函数；在每一层动态图卷积层中，先通过线性层将输入的原始折线特征转换为更高层次的抽象表示，并对其进行规范化操作，然后，根据规范后的折线特征生成动态邻接矩阵，对动态邻接矩阵进行softmax操作生成注意力分数，将注意力分数与规范化的折线特征进行乘积，得到加权特征，加权特征再与动态邻接矩阵图卷积，而后通过激活函数和正则化规范后的折线特征分布，加之非线性变换，生成的中间折线特征与规范后的折线特征进行拼接，得到该层动态图卷积层的最终折线特征。
6.根据权利要求5所述的一种基于动态图卷积的端到端多模态轨迹预测方法，其特征在于，经动态图卷积层后得到的所有折线特征通过批处理编码和聚合操作，进行全局聚合，并通...
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。