【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及車輛軌跡預(yù)測(cè)，具體為一種基于自適應(yīng)邊生成的車輛軌跡預(yù)測(cè)方法、系統(tǒng)及設(shè)備。
技術(shù)介紹
1、在自動(dòng)駕駛技術(shù)的發(fā)展中，車輛軌跡預(yù)測(cè)是至關(guān)重要的一環(huán)。在復(fù)雜的交通環(huán)境中，如城市道路、高速公路和交叉路口等，車輛需要不斷地做出決策以應(yīng)對(duì)各種復(fù)雜情況，通過(guò)預(yù)測(cè)其他車輛和行人的行為，自動(dòng)駕駛系統(tǒng)可以及時(shí)作出反應(yīng)，避免交通事故的發(fā)生。此外，車輛軌跡預(yù)測(cè)也有助于提高交通流暢度和效率，通過(guò)準(zhǔn)確預(yù)測(cè)車輛未來(lái)的行駛路徑，自動(dòng)駕駛系統(tǒng)可以優(yōu)化路線規(guī)劃和速度控制，從而減少交通擁堵，提高道路的通行效率。復(fù)雜交互場(chǎng)景通常包括多個(gè)車輛共同行駛、頻繁變道、交叉口穿越等情況。這些場(chǎng)景增加了軌跡預(yù)測(cè)的復(fù)雜性。傳統(tǒng)的車輛軌跡預(yù)測(cè)方法主要基于規(guī)則、統(tǒng)計(jì)和機(jī)器學(xué)習(xí)等傳統(tǒng)方法，通常依賴于先驗(yàn)知識(shí)和手工設(shè)計(jì)的特征，在某些場(chǎng)景下表現(xiàn)出一定的效果，但在復(fù)雜的、動(dòng)態(tài)的交互場(chǎng)景中，由于對(duì)非線性關(guān)系和動(dòng)態(tài)性的建模能力有限，無(wú)法滿足自動(dòng)駕駛系統(tǒng)對(duì)高準(zhǔn)確性、魯棒性和實(shí)時(shí)性的需求。
2、為解決上述問(wèn)題研究人員通常將場(chǎng)景地圖轉(zhuǎn)換為鳥(niǎo)瞰圖像并采用卷積神經(jīng)網(wǎng)絡(luò)（cnn）進(jìn)行分析，這種方法便于使用通用的圖像模型，但計(jì)算量較大，并且具有有限的感知范圍。最近的研究開(kāi)始關(guān)注于場(chǎng)景地圖的矢量化表示，以實(shí)現(xiàn)更緊湊的場(chǎng)景描述。矢量化地圖從軌跡和地圖要素中提取信息，并利用圖神經(jīng)網(wǎng)絡(luò)、transformer等模型處理這些場(chǎng)景，以學(xué)習(xí)矢量化實(shí)體（如軌跡航點(diǎn)和車道段）之間的關(guān)系。相比之下，矢量化地圖提供了更為詳細(xì)和準(zhǔn)確的地圖信息，從而為自動(dòng)駕駛系統(tǒng)提供了更全面的感知數(shù)據(jù)。然而在復(fù)雜的交通場(chǎng)景中如交
3、在圖卷積神經(jīng)網(wǎng)絡(luò)中，邊是節(jié)點(diǎn)之間關(guān)系或交互的表達(dá)，傳遞了節(jié)點(diǎn)之間的信息和影響，其構(gòu)建方式直接影響網(wǎng)絡(luò)的表征能力和性能。傳統(tǒng)上，構(gòu)建圖神經(jīng)網(wǎng)絡(luò)的邊通常采用全連接圖的方法，然而全連接圖會(huì)導(dǎo)致網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜化，增加了計(jì)算和存儲(chǔ)開(kāi)銷。此外，全連接圖往往難以有效捕捉交通數(shù)據(jù)中的稀疏性和局部特征，從而影響模型性能。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的在于提供一種基于自適應(yīng)邊生成的車輛軌跡預(yù)測(cè)方法、系統(tǒng)及設(shè)備，以解決上述
技術(shù)介紹
中提出的問(wèn)題。
2、為實(shí)現(xiàn)上述目的，本專利技術(shù)提供如下技術(shù)方案：一種基于自適應(yīng)邊生成的車輛軌跡預(yù)測(cè)方法，具體包括以下步驟：
3、接收交通參與者、周邊交通參與者的車輛軌跡數(shù)據(jù)以及地圖數(shù)據(jù)，并對(duì)車輛軌跡數(shù)據(jù)以及地圖數(shù)據(jù)進(jìn)行矢量化處理；
4、根據(jù)節(jié)點(diǎn)屬性的不同，將節(jié)點(diǎn)分為靜態(tài)節(jié)點(diǎn)和動(dòng)態(tài)節(jié)點(diǎn)，構(gòu)建自適應(yīng)邊生成器，針對(duì)不同節(jié)點(diǎn)采用不同的連接策略實(shí)現(xiàn)邊的連接；
5、構(gòu)建預(yù)測(cè)模型，采用mlp解碼器，實(shí)現(xiàn)軌跡的精準(zhǔn)預(yù)測(cè)；
6、通過(guò)負(fù)對(duì)數(shù)似然函數(shù)作為回歸損失，對(duì)軌跡預(yù)測(cè)結(jié)果進(jìn)行分析并修改模型參數(shù)，對(duì)預(yù)測(cè)模型進(jìn)行訓(xùn)練，得到符合精度要求的預(yù)測(cè)模型后用于進(jìn)行車輛軌跡預(yù)測(cè)。
7、進(jìn)一步地，對(duì)車輛軌跡數(shù)據(jù)以及地圖數(shù)據(jù)進(jìn)行矢量化處理，具體如下：
8、（1）對(duì)于地圖數(shù)據(jù)特征，選擇一個(gè)起點(diǎn)和方向，從相同空間距離的樣條曲線中均勻采樣關(guān)鍵點(diǎn)，并將相鄰的關(guān)鍵點(diǎn)順序連接為向量；對(duì)于軌跡，從t=0開(kāi)始，以固定的時(shí)間間隔對(duì)關(guān)鍵點(diǎn)進(jìn)行采樣；
9、（2）對(duì)于每個(gè)固定時(shí)間間隔的采樣進(jìn)行首尾相連，得到一個(gè)有方向的矢量；
10、（3）將矢量命名為，矢量表示為：
11、式中，分別表示向量的起點(diǎn)和終點(diǎn)，表示這個(gè)向量特征例。
12、進(jìn)一步的，向量特征具體為對(duì)象類型、軌跡的時(shí)間戳、道路特征類型或車道的速度限制。
13、進(jìn)一步的，根據(jù)節(jié)點(diǎn)屬性的不同，將節(jié)點(diǎn)分為靜態(tài)節(jié)點(diǎn)和動(dòng)態(tài)節(jié)點(diǎn)，構(gòu)建自適應(yīng)邊生成器，針對(duì)不同節(jié)點(diǎn)采用不同的連接策略實(shí)現(xiàn)邊的連接，具體策略為：
14、（1）對(duì)于動(dòng)態(tài)節(jié)點(diǎn)間的邊連接，通過(guò)引入相對(duì)角度因子改進(jìn)注意力機(jī)制，計(jì)算需要預(yù)測(cè)的車輛與其他車輛之間的相對(duì)位置，并根據(jù)相對(duì)位置計(jì)算出不同的注意力機(jī)制權(quán)重，根據(jù)權(quán)重值實(shí)現(xiàn)動(dòng)態(tài)節(jié)點(diǎn)的連接；
15、（2）對(duì)于靜態(tài)節(jié)點(diǎn)的邊連接，則根據(jù)最大距離控制連接相應(yīng)的邊。
16、進(jìn)一步地，對(duì)于動(dòng)態(tài)節(jié)點(diǎn)間的邊連接，具體如下：
17、（1）通過(guò)引入相對(duì)位置因子，根據(jù)公式（1）（2）將車輛間的相對(duì)位置信息融入注意力權(quán)重的計(jì)算過(guò)程中，將動(dòng)態(tài)車輛之間的角度關(guān)系作為一個(gè)特征因子加入模型中，具體公式如下：
18、（1）
19、（2）
20、其中是激活函數(shù)，在圖神經(jīng)網(wǎng)絡(luò)中為一個(gè)兩層的多層感知機(jī)，則注意力中的q，k，v三個(gè)值分別為：
21、
22、其中，是可學(xué)習(xí)的矩陣，根據(jù)公式（3）時(shí)刻邊的權(quán)重為：
23、（3）
24、其中為與之間的距離，為歸一化函數(shù)，為角度特征，定義為：
25、（4）
26、其中是可學(xué)習(xí)的矩陣，是相對(duì)角度因子的作用；
27、其中表示為相對(duì)角度因子，在對(duì)車輛的軌跡預(yù)測(cè)中，首先將車輛在時(shí)刻的位置特征信息表示為，其中是車輛的特征信息，t是車輛的歷史時(shí)間；對(duì)于車道線ξ，其幾何屬性由給出，其中與分別是ξ的起始坐標(biāo)和結(jié)束坐標(biāo)；車輛和車輛在時(shí)間時(shí)相對(duì)位置信息定義為，相對(duì)位置信息包括兩輛車之間相對(duì)角度因子、距離、速度關(guān)系信息；
28、（2）為了表示車輛與車輛的相對(duì)空間關(guān)系，定義車輛與車輛的相對(duì)角度因子，則兩輛車在時(shí)刻相對(duì)角度定義為，根據(jù)公式（5）計(jì)算相對(duì)角度數(shù)值：
29、（5）
30、其中，為時(shí)刻的車輛的坐標(biāo)，，為時(shí)刻的車輛的坐標(biāo)，計(jì)算出邊的權(quán)重后，根據(jù)公式（6）（7）（8）生成以需要預(yù)測(cè)車輛為中心的一階子圖，公式如下：
31、（6）
32、（7）
33、（8）
34、其中為公式（3）得到的權(quán)重值，為自身特征，為所預(yù)測(cè)車輛鄰居的集合，，為可學(xué)習(xí)的矩陣，通過(guò)激活函數(shù)融合了車輛之間的權(quán)重特征和自身特征，最后通過(guò)一個(gè)選擇門函數(shù)連接邊，輸出為。
35、進(jìn)一步地，對(duì)于靜態(tài)節(jié)點(diǎn)的邊連接，具體如下：
36、（1）計(jì)算車輛與地圖車道線的相對(duì)位置信息，如式（9）所示：
37、（9）
38、其中，為車道段的mlp編碼器，分別為車道段ξ的起始位置、結(jié)束位置和特征向量，將預(yù)測(cè)車輛的時(shí)空特征作為查詢輸入，以mlp編碼的車道段特征作為鍵/值輸入，并計(jì)算車輛與車道線之間的權(quán)重；
39、（2）設(shè)定超參數(shù)閾值用于衡量車輛與車道線之間連接邊的最大長(zhǎng)度，車輛與車道線之間的長(zhǎng)度，當(dāng)時(shí)，通過(guò)計(jì)算車輛與車道線的權(quán)重，并根據(jù)車輛與車道線的權(quán)重生成車輛與車道線節(jié)點(diǎn)的邊，建立以預(yù)測(cè)車輛為中心的一階子圖。
40、進(jìn)一步地，采用mlp解碼器，實(shí)現(xiàn)軌跡的精準(zhǔn)預(yù)測(cè)，具體如下：
本文檔來(lái)自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.一種基于自適應(yīng)邊生成的車輛軌跡預(yù)測(cè)方法，其特征在于，具體包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于自適應(yīng)邊生成的車輛軌跡預(yù)測(cè)方法，其特征在于，環(huán)境特征數(shù)據(jù)為可下載的地圖數(shù)據(jù)，對(duì)交通參與者的軌跡數(shù)據(jù)、周邊交通參與者的軌跡數(shù)據(jù)以及環(huán)境特征數(shù)據(jù)進(jìn)行矢量化處理，具體如下：
3.根據(jù)權(quán)利要求2所述的一種基于自適應(yīng)邊生成的車輛軌跡預(yù)測(cè)方法，其特征在于：所述向量特征具體為對(duì)象類型、軌跡的時(shí)間戳、道路特征類型或車道的速度限制。
4.根據(jù)權(quán)利要求2所述的一種基于自適應(yīng)邊生成的車輛軌跡預(yù)測(cè)方法，其特征在于，將采樣關(guān)鍵點(diǎn)抽象為節(jié)點(diǎn)，根據(jù)節(jié)點(diǎn)屬性的不同，將節(jié)點(diǎn)分為靜態(tài)節(jié)點(diǎn)和動(dòng)態(tài)節(jié)點(diǎn)，構(gòu)建自適應(yīng)邊生成器，針對(duì)不同節(jié)點(diǎn)采用不同的連接策略實(shí)現(xiàn)邊的連接，具體策略為：
5.根據(jù)權(quán)利要求4所述的一種基于自適應(yīng)邊生成的車輛軌跡預(yù)測(cè)方法，其特征在于，對(duì)于動(dòng)態(tài)節(jié)點(diǎn)間的邊連接，具體如下：
6.根據(jù)權(quán)利要求5所述的一種基于自適應(yīng)邊生成的車輛軌跡預(yù)測(cè)方法，其特征在于，對(duì)于靜態(tài)節(jié)點(diǎn)的邊連接，具體如下：
7.根據(jù)權(quán)利要求6所述的一種基于自適應(yīng)邊生成的
8.根據(jù)權(quán)利要求7所述的一種基于自適應(yīng)邊生成的車輛軌跡預(yù)測(cè)方法，其特征在于，通過(guò)負(fù)對(duì)數(shù)似然函數(shù)作為回歸損失，對(duì)預(yù)測(cè)模型的軌跡預(yù)測(cè)結(jié)果進(jìn)行分析并修改預(yù)測(cè)模型參數(shù)，對(duì)預(yù)測(cè)模型進(jìn)行訓(xùn)練，直至預(yù)測(cè)模型符合精度要求，具體如下：
9.一種基于自適應(yīng)邊生成的車輛軌跡預(yù)測(cè)系統(tǒng)，其特征在于，包括：
10.一種終端設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器中并能夠在處理器上運(yùn)行的計(jì)算機(jī)程序，其特征在于，所述存儲(chǔ)器中存儲(chǔ)有能夠在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器加載并執(zhí)行計(jì)算機(jī)程序時(shí)，采用了權(quán)利要求1至8中任一項(xiàng)所述的基于自適應(yīng)邊生成的車輛軌跡預(yù)測(cè)方法。
...【技術(shù)特征摘要】
1.一種基于自適應(yīng)邊生成的車輛軌跡預(yù)測(cè)方法，其特征在于，具體包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于自適應(yīng)邊生成的車輛軌跡預(yù)測(cè)方法，其特征在于，環(huán)境特征數(shù)據(jù)為可下載的地圖數(shù)據(jù)，對(duì)交通參與者的軌跡數(shù)據(jù)、周邊交通參與者的軌跡數(shù)據(jù)以及環(huán)境特征數(shù)據(jù)進(jìn)行矢量化處理，具體如下：
3.根據(jù)權(quán)利要求2所述的一種基于自適應(yīng)邊生成的車輛軌跡預(yù)測(cè)方法，其特征在于：所述向量特征具體為對(duì)象類型、軌跡的時(shí)間戳、道路特征類型或車道的速度限制。
4.根據(jù)權(quán)利要求2所述的一種基于自適應(yīng)邊生成的車輛軌跡預(yù)測(cè)方法，其特征在于，將采樣關(guān)鍵點(diǎn)抽象為節(jié)點(diǎn)，根據(jù)節(jié)點(diǎn)屬性的不同，將節(jié)點(diǎn)分為靜態(tài)節(jié)點(diǎn)和動(dòng)態(tài)節(jié)點(diǎn)，構(gòu)建自適應(yīng)邊生成器，針對(duì)不同節(jié)點(diǎn)采用不同的連接策略實(shí)現(xiàn)邊的連接，具體策略為：
5.根據(jù)權(quán)利要求4所述的一種基于自適應(yīng)邊生成的車輛軌跡預(yù)測(cè)方法，其特征在于，對(duì)于動(dòng)態(tài)節(jié)點(diǎn)間的邊連接，具體如下：
6.根據(jù)權(quán)利要求5所述的一種...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：張艷艷，任和，陳蘇婷，
申請(qǐng)(專利權(quán))人：南京信息工程大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。