【技术实现步骤摘要】
本专利技术涉及自动驾驶汽车，具体涉及一种融合高精地图的分阶段车辆轨迹预测模型。
技术介绍
1、现有的自动驾驶框架可以分为三个核心流程，一是环境感知定位，二是决策规划、三是执行控制。其中决策规划模块分为两部分，一是路径规划，二是行为决策。行为决策主要包含两个方面，一个是车辆自己的行为决策，另一个是对于其它行驶车辆的行为的预测。
2、预测模块是自动驾驶技术的重要组成部分，是后续决策、规划和控制过程的重要参考，体现了对他车行驶意图的评估。轨迹预测模型基于若干辆车的历史轨迹和其他辅助信息，例如地图数据，通过车辆历史轨迹算法预估出其未来轨迹，预测某辆车的轨迹不仅要考虑自身历史轨迹，还要考虑环境中移动或固定障碍物的状态。
3、目前已知的基于深度学习的车辆轨迹预测算法大多使用编码、解码结构，编码部分通常是将输入数据（如车辆历史轨迹、车道坐标等）嵌入到固定维度生成对应的特征，然后使用神经网络让含有不同信息的特征相互学习，使得特征能习得数据内蕴含的复杂信息（如车辆间的交互，车辆行驶的策略）。解码部分使用编码好的特征，通过mlp输出...
【技术保护点】
1.一种融合高精地图的分阶段车辆轨迹预测模型，其特征在于，包括：
2.根据权利要求1所述的融合高精地图的分阶段车辆轨迹预测模型，其特征在于，编码好的车道段特征的获取方法包括：
3.根据权利要求1所述的融合高精地图的分阶段车辆轨迹预测模型，其特征在于，编码好的车辆轨迹特征的获取方法包括：
4.根据权利要求1所述的融合高精地图的分阶段车辆轨迹预测模型，其特征在于，航点特征的提取方法包括：从车辆轨迹特征中提取车辆最后已知位置作为车辆的航点特征并根据多模态数量进行扩充。
5.根据权利要求1所述的融合高精地图的分阶段车辆轨迹预测模...
【技术特征摘要】
1.一种融合高精地图的分阶段车辆轨迹预测模型，其特征在于，包括：
2.根据权利要求1所述的融合高精地图的分阶段车辆轨迹预测模型，其特征在于，编码好的车道段特征的获取方法包括：
3.根据权利要求1所述的融合高精地图的分阶段车辆轨迹预测模型，其特征在于，编码好的车辆轨迹特征的获取方法包括：
4.根据权利要求1所述的融合高精地图的分阶段车辆轨迹预测模型，其特征在于，航点特征的提取方法包括：从车辆轨迹特征中提取车辆最后已知位置作为车辆的航点特征并根据多模态数量进行扩充。
5.根据权利要求1所述的融合高精地图的分阶段车辆轨迹预测模型，其特征在于，粗预测轨迹的获取方法包括：
6.根据权利要求1所述的融合高精地图的分阶段车辆轨迹预测模型，其特征在于，段航点特征的获...
【专利技术属性】
技术研发人员：陆丽萍，秦恒，徐冰瑢，褚端峰，
申请(专利权)人：武汉理工大学，
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。