System.ArgumentOutOfRangeException: 索引和長度必須引用該字符串內(nèi)的位置。 參數(shù)名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于軌跡預(yù)測領(lǐng)域,具體涉及一種基于多車時(shí)空交互關(guān)系的車輛軌跡預(yù)測方法。
技術(shù)介紹
1、軌跡預(yù)測領(lǐng)域已經(jīng)進(jìn)行了大量的研究,并提出了許多方法,這些方法大致分為三類:基于物理的方法、基于統(tǒng)計(jì)的方法和基于深度學(xué)習(xí)的方法。基于物理的方法主要分為動(dòng)力學(xué)模型和運(yùn)動(dòng)學(xué)模型,利用物理和力學(xué)原理,考慮車輛當(dāng)前狀態(tài)來進(jìn)行預(yù)測。基于統(tǒng)計(jì)的方法使用預(yù)定義的機(jī)動(dòng)分布來描述預(yù)測軌跡,例如隱馬爾可夫模型、動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)和支持向量機(jī),這些方法往往提供更精細(xì)和復(fù)雜的模型結(jié)構(gòu),從而比基于物理的方法具有更好的預(yù)測性能。基于深度學(xué)習(xí)的方法主要包含循環(huán)神經(jīng)網(wǎng)絡(luò)(rnn)、卷積神經(jīng)網(wǎng)絡(luò)(cnn)和transformer,rnn例如lstm通常用于處理時(shí)間序列軌跡數(shù)據(jù),cnn擅長從鳥瞰圖或者光柵圖像等輸入中提取空間特征,transformer在許多領(lǐng)域取得了巨大的成功,在軌跡預(yù)測方面也表現(xiàn)了卓越的性能,特別是針對(duì)需要長期預(yù)測的任務(wù)。
2、基于物理的方法雖然具有可解釋性和效率,但與sota技術(shù)相比,這些方法通常表現(xiàn)出較低的預(yù)測精度,基于統(tǒng)計(jì)的方法雖然能比基于物理的方法具有更好的預(yù)測性能,但與基于深度學(xué)習(xí)的方法相比大部分表現(xiàn)較差的預(yù)測效果,基于深度學(xué)習(xí)的方法中,cnn針對(duì)時(shí)序任務(wù)中往往無法發(fā)揮非常好的作用,rnn無法探究車輛之間的空間關(guān)系,transformer相比較于其他模型存在模型大,參數(shù)多,訓(xùn)練時(shí)間較長的問題,在此背景下引入圖注意力網(wǎng)絡(luò)以及多層擴(kuò)張卷積可以提高空間特征提取,并與transformer變體模型相結(jié)合可以進(jìn)一步提高模型的預(yù)測性能。
< ...【技術(shù)保護(hù)點(diǎn)】
1.一種基于多車時(shí)空交互關(guān)系的車輛軌跡預(yù)測方法,其特征在于,包括以下步驟:
2.根據(jù)權(quán)利要求1所述的一種基于多車時(shí)空交互關(guān)系的車輛軌跡預(yù)測方法,其特征在于,所述目標(biāo)車輛與周圍車輛的速度關(guān)系圖、加速度關(guān)系圖以及駕駛意圖關(guān)系圖生成具體過程如下:
3.根據(jù)權(quán)利要求2所述的一種基于多車時(shí)空交互關(guān)系的車輛軌跡預(yù)測方法,其特征在于,車輛的速度和加速度的求解如下:
4.根據(jù)權(quán)利要求2所述的一種基于多車時(shí)空交互關(guān)系的車輛軌跡預(yù)測方法,其特征在于,所述新的環(huán)境特征圖具體表示如下:
5.根據(jù)權(quán)利要求1所述的一種基于多車時(shí)空交互關(guān)系的車輛軌跡預(yù)測方法,其特征在于,環(huán)境意圖編碼器總共有5個(gè)卷積模塊組成,分別是Conv2d_1、Conv2d_2、Conv2d_3、Conv2d_4和Conv2d_5,Conv2d_1作為第一個(gè)卷積模塊由1x1、3x3卷積核的卷積層以及歸一化層BatchNorm2d和激活函數(shù)ReLu組成,剩下四個(gè)卷積模塊由1x1卷積層、3x3的擴(kuò)展卷積層以及歸一化層BatchNorm2d和激活函數(shù)ReLu組成,環(huán)境特征圖分別作為Conv2d_1
6.根據(jù)權(quán)利要求1所述的一種基于多車時(shí)空交互關(guān)系的車輛軌跡預(yù)測方法,其特征在于所述的車輛數(shù)據(jù)信息包括目標(biāo)車輛的所在車道信息、位置坐標(biāo)信息、速度信息、加速度信息和車輛類別信息,豐富的多輸入特征能夠幫助LSTM提取歷史行車狀態(tài)。
7.根據(jù)權(quán)利要求1所述的一種基于多車時(shí)空交互關(guān)系的車輛軌跡預(yù)測方法,其特征在于,所述時(shí)空解碼器采用PatchTST,是基于Transformer的時(shí)序預(yù)測模型。
8.根據(jù)權(quán)利要求1至7任一所述的一種基于多車時(shí)空交互關(guān)系的車輛軌跡預(yù)測方法,其特征在于,所述預(yù)測模塊實(shí)現(xiàn)過程如下:
...【技術(shù)特征摘要】
1.一種基于多車時(shí)空交互關(guān)系的車輛軌跡預(yù)測方法,其特征在于,包括以下步驟:
2.根據(jù)權(quán)利要求1所述的一種基于多車時(shí)空交互關(guān)系的車輛軌跡預(yù)測方法,其特征在于,所述目標(biāo)車輛與周圍車輛的速度關(guān)系圖、加速度關(guān)系圖以及駕駛意圖關(guān)系圖生成具體過程如下:
3.根據(jù)權(quán)利要求2所述的一種基于多車時(shí)空交互關(guān)系的車輛軌跡預(yù)測方法,其特征在于,車輛的速度和加速度的求解如下:
4.根據(jù)權(quán)利要求2所述的一種基于多車時(shí)空交互關(guān)系的車輛軌跡預(yù)測方法,其特征在于,所述新的環(huán)境特征圖具體表示如下:
5.根據(jù)權(quán)利要求1所述的一種基于多車時(shí)空交互關(guān)系的車輛軌跡預(yù)測方法,其特征在于,環(huán)境意圖編碼器總共有5個(gè)卷積模塊組成,分別是conv2d_1、conv2d_2、conv2d_3、conv2d_4和conv2d_5,conv2d_1作為第一個(gè)卷積模塊由1x1、3x3卷積核的卷積層以及歸一化層batchnorm2d和激活函數(shù)relu組成,剩下四個(gè)卷積模塊由1x1卷積層、3x...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員:翟春杰,肖教烈,
申請(qǐng)(專利權(quán))人:杭州電子科技大學(xué),
類型:發(fā)明
國別省市:
還沒有人留言評(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。