【技術實現步驟摘要】
本專利技術屬于汽車電控與智能化領域，是一種考慮動態可執行約束的車輛多模態運動軌跡預測方法。
技術介紹
1、現有的運動軌跡預測模型普遍忽略了自動駕駛系統本身行為對環境產生的影響，以及自車與周車在交通場景中的交互運動特性，僅注重預測準確度，缺乏考慮實際應用中的真正需求與可解釋性。
2、由于交通環境與駕駛行為的不確定性，車輛之間的交互作用具有非線性和強耦合性，容易受到多種不確定因素的影響。因此車輛軌跡通常表現出一定程度的不確定性。為了有利于客觀反映真實情況，運動軌跡預測模型需要考慮周車和道路等客觀條件的影響，輸出結果應具有多種可能性，即生成一個可接受并容易解釋的概率分布情況。這類模型普遍從真實環境數據中挖掘駕駛人內在本質特征，直接訓練學習預測軌跡的概率分布情況，針對目標車輛輸出多模態軌跡預測結果，如cvae、gan、lstm、transformer等。
3、現有絕大多數生成式模型直接輸出預測行駛軌跡，忽略了交通參與者的運動動力學，而車輛運動的本質是通過駕駛動作輸入，經過運動動力學轉換關系后生成行駛軌跡，缺乏考慮車輛運動模型對預測性能的影響，難以捕捉到車輛縱側向耦合的動力學信息，容易導致軌跡預測結果在位置上的不連續性，甚至可能出現不符合物理事實的情況。
4、現有的一些專利，如專利號為cn113657433b的專利技術專利公開了一種能夠提高智能車輛對交通環境中交通車輛的軌跡預測的穩定性與精確度的車輛軌跡多模態預測方法，專利號為cn114997484a的專利技術專利公開了一種能借助車道線將車輛預測的軌跡約
技術實現思路
1、本專利技術旨在考慮自車運動在交互場景中的影響，提出了考慮動態可執行約束的車輛多模態運動軌跡，該方法首先通過編碼器對車輛軌跡和道路地圖進行編碼，之后通過編碼器對預測車輛與周圍車輛的交互關系，以及預測車輛與道路地圖的交互關系進行編碼，最后將預測車輛建模為二自由度運動學模型，并將此模型納入解碼器中，輸出動態可執行性的多模態預測軌跡。
2、為解決以上技術問題，本專利技術是采用如下技術方案實現的：
3、本專利技術提供一種考慮動態可執行約束的車輛多模態運動軌跡預測方法，包括以下步驟：s1：通過編碼器對車輛軌跡和道路地圖進行編碼，具體步驟如下：
4、s11：采用具有32個隱藏維度的lstm網絡來對車輛的軌跡進行編碼，獲得包括預測車輛及其周圍車輛在當前狀態特征及歷史狀態特征的軌跡編碼向量，如等式(1)所示：
5、
6、其中(x,y)，v，a和分別為車輛在局部坐標系的位置、速度、加速度和航向角；局部坐標系以預測車輛的當前位置為中心，其航向角在x軸上對齊；th是歷史時間步長，n是車輛數量，包括預測車輛半徑30米范圍內最多10個周圍車輛，s表示車輛軌跡編碼向量；
7、s12：通過道路信息編碼，獲得道路采樣點的向量信息；每個道路采樣點都由一組特征向量表示，其中(xr,yr)是相對于預測車輛的位置，是每個道路采樣點的方向；同一車道上的道路采樣點共享相同的車道特征，并采用0-1編碼方式表征車道是否具有轉向，交叉路口和紅綠燈控制的特征；將道路采樣點和車道特征分別經過全連接層處理后拼接，得到道路地圖編碼向量；
8、s2:通過編碼器對預測車輛與周圍車輛的交互關系，以及預測車輛與道路地圖的交互關系進行編碼，具體步驟如下：
9、s21:以步驟s11中的車輛軌跡編碼向量為輸入，編碼預測車輛與周圍車輛的交互關系；首先，通過自注意力機制賦予預測車輛對周圍車輛不同的關注權重；然后，采用等式(2)所示的多頭注意力機制對每個周圍車輛提供不同的自注意力結果；最后，通過兩個位置全連接前饋層，以及兩個求和與歸一化層，獲得車輛間交互編碼向量；
10、
11、其中h是注意力的總頭數；q是預測車輛特征的查詢向量；k-v為鍵值對向量；wiq，wik，wiv，wo并來自h個注意力頭的信息；attention函數以映射的方式計算預測車輛對周圍車輛的關注權重，并通過引入softmax函數實現權重和的歸一化，如下所示：
12、
13、其中，d為鍵向量的維度；
14、s22:以步驟s11中的車輛軌跡編碼向量和步驟s12中的道路地圖編碼向量為輸入，編碼預測車輛與道路地圖的交互關系；采用等式(4)所示的多模態注意力機制，保證預測車輛對地圖不同部分的注意力多樣性，其并未將各個頭連接和投影到一個低維向量，而是直接輸出每個頭的結果；然后，通過兩個位置全連接前饋層以及兩個求和與歸一化層，獲得車輛與道路地圖交互編碼向量；
15、multihead(qm,km,vm)＝(head1,…,headh)?(4)
16、其中qm是預測車輛特征的查詢向量；km和vm分別是道路地圖特征的鍵向量和值向量；
17、s3：將預測車輛建模為二自由度運動學模型，并將此模型納入解碼器中，輸出動態可執行性的多模態預測軌跡；
18、s31：引入一個離散化的潛在變量z∈z表達預測車輛潛在駕駛行為的不確定性，假設駕駛行為的后驗分布服從正態分布，使用神經網絡擬合得到該分布的均值和方差，滿足多模態的輸出需求；模型輸出與當前狀態概率分布被轉換為關于隱變量的分布，如下式所示：
19、
20、式中，與pθ(z|x)代表神經網絡模型；和θ分別為這兩個神經網絡的權重參數；z為隱變量z的離散可行域，其范圍表征行為的多樣性；
21、s32：將步驟s1和s2中的車輛軌跡編碼向量，道路地圖編碼向量，車輛間交互編碼向量，車輛與道路地圖交互編碼向量，以及步驟s31中的隱變量z作為解碼器的輸入，送入一個128維度的門控遞歸單元(gate?recurrent?unit，gru)，每個gru單元輸出遵循二元高斯分布參數的控制操作；
22、s33：采用二自由度運動學模型，對預測車輛的運動狀態進行建模，假設每個采樣步長內的控制輸入保持不變，得到等式(6)所示的零階保持下的離散系統狀態方程；
23、
24、在每個時間步長下，控制輸入滿足以下高斯分布n(μu,σu)：
25、
26、其中μω為車輛平均橫擺角速度；μa為車輛平均加速度；σω為航向角變化率的標準差；σa為加速度的標準差；ρωa為ω與a的相關系數；
27、將等式(6)的狀態空間方程在當前狀態和控制通過雅可比矩陣線性離散化，得到預測車輛的狀態協方差方程，如等式(8)所示；
28、
29、
30、s3本文檔來自技高網...
【技術保護點】
1.一種考慮動態可執行約束的車輛多模態運動軌跡預測方法，其特征在于，包括以下步驟：
【技術特征摘要】
1.一種考慮動態可執行約束的車輛多模態運動...
【專利技術屬性】
技術研發人員：曾小華，王兵，段朝勝，宋大鳳，李彩銘，田滿，倪李鑫，陳樂新，
申請(專利權)人：吉林大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。