一种基于预训练大语言模型的车辆轨迹预测方法技术

本公开属于智能交通和自动驾驶技术领域，具体而言涉及一种基于预训练大语言模型的车辆轨迹预测方法，包括：获取车辆状态和车道信息的时空场景；编码所述车辆状态和车道信息的时空场景，包括通过嵌入网络提取高维特征，融合高维特征以进行车辆信息和车道信息的信息交换，输出稀疏上下文联合编码；构建大语言模型；稀疏上下文联合编码基于预训练的大语言模型得到高级交互状态；在每一时间步通过Mamba层同步目标车辆的运动和车道信息，得到对应时间步内的多个车道段的预测分数，最接近真实轨迹位置车道段的预测分数为1，其余车道段的预测分数为0；通过多模态高斯解码器处理第二输入，得到在连续时间步中的车辆轨迹。

【技术实现步骤摘要】

本公开属于智能交通和自动驾驶，具体而言涉及一种基于预训练大语言模型的车辆轨迹预测方法。

技术介绍

1、车辆轨迹预测在自动驾驶系统中扮演着至关重要的作用，其为下游的规划与决策模块提供了丰富的感知线索。然而，由于驾驶行为的固有随机性，要使自动驾驶车辆具备像人类一样预测周围车辆运动的能力依旧充满挑战。

2、现有研究主要利用不同的深度网络模块来挖掘时间动态和空间交互。具体而言，大多研究采用rnn及transformer编码时间依赖性，应用池化机制及gcn整合来自周围车辆的信息。尽管这些方法能够显著提升轨迹预测性能，但与人类驾驶员相比，其在场景认知及理解方面仍存在差距。

3、最近，大语言模型(llms)在诸多模仿人类理解和推理能力的任务上展现出巨大潜力。同时，llms能够提供高级语义和广泛知识，这种涌现能力拓展了其在语言处理领域之外的应用。探索llms应用在轨迹预测中，将增强预测模型的场景认知和理解能力。

技术实现思路

1、本公开正是基于现有技术的上述需求而提出的，本公开要解决的技术问题是提供一本文档来自技高网...

【技术保护点】

1.一种基于预训练大语言模型的车辆轨迹预测方法，其特征在于，包括：

2.根据权利要求1所述的基于预训练大语言模型的车辆轨迹预测方法，其特征在于，所述融合高维特征以进行车辆信息和车道信息的信息交换，输出稀疏上下文联合编码包括：

3.根据权利要求1所述的基于预训练大语言模型的车辆轨迹预测方法，其特征在于，利用低秩自适应更新注意力层包括：

4.根据权利要求3所述的基于预训练大语言模型的车辆轨迹预测方法，其特征在于，LoRA的前向传递函数表示为：

5.根据权利要求1所述的基于预训练大语言模型的车辆轨迹预测方法，其特征在于，Mamba层对第一输入进行...

【技术特征摘要】

1.一种基于预训练大语言模型的车辆轨迹预测方法，其特征在于，包括：

2.根据权利要求1所述的基于预训练大语言模型的车辆轨迹预测方法，其特征在于，所述融合高维特征以进行车辆信息和车道信息的信息交换，输出稀疏上下文联合编码包括：

3.根据权利要求1所述的基于预训练大语言模型的车辆轨迹预测方法，其特征在于，利用低秩自适应更新注意力层包括：

4.根据权利要求3所述的基于预训练大语言模型的车辆轨迹预测方法，其特征在于，lora的前向传递函数表示为：

5.根据权利要求1所述的基于预训练大语言模型的车辆轨迹预测方法，其特征在于，mamba层对第一输入进行批归一化处理，得到第一输出；通过mamba块将第一输出映射并得到第二输出，包括：

6.根据权利要求5所述的基于预训练大语言模型的车辆轨迹预测方法，其特征在于，mamba块的处理包括利用线性投影扩展输入维度，扩展系数为e，生成两个并行分支的不同表示，分别记为m和n；

7.根据权利要求6所述的基于预训练大语言模型的车辆轨迹...

【专利技术属性】
技术研发人员：任毅龙，刘灵珊，兰征兴，崔志勇，于海洋，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：