【技術實現步驟摘要】
本專利技術公開涉及車輛軌跡預測，具體而言，涉及一種停車場景下的車輛軌跡預測方法、裝置和可讀存儲介質。
技術介紹
1、停車場內車輛軌跡預測算法的技術背景主要源于智能交通系統的發展，特別是車輛軌跡預測技術的進步。該技術利用歷史車輛軌跡數據和實時信息，通過數據驅動和基于模型的方法，配合深度學習和協同控制，預測車輛未來的軌跡。在交通狀況預測、交通流量控制以及自動駕駛等領域有廣泛應用，旨在提高交通效率和安全性。
2、傳統的算法抗干擾能力差、誤差較多并且模型較大，在實際工程應用中不利于集成到嵌入式系統，致使模型的應用性變差。
3、因此，需要提供一種新的模型算法解決上述問題。
技術實現思路
1、本專利技術公開的目的在于提供一種停車場景下的車輛軌跡預測方法、裝置和可讀存儲介質，能夠解決上述提到的至少一個技術問題。具體方案如下：
2、根據本專利技術公開的具體實施方式，本專利技術第一方面提供一種停車場景下的車輛軌跡預測方法，包括：
3、獲取包含停車場景下所有車輛和停車位的鳥瞰圖圖像，根據所述鳥瞰圖圖像得到行駛車輛與全部停車位的距離以及角度偏差；
4、對所述鳥瞰圖圖像進行特征提取，得到所述鳥瞰圖圖像的語義信息；
5、將提取到的所述語義信息、所述行駛車輛與全部停車位的距離以及角度偏差進行融合，通過行為點得分函數得到所述行駛車輛繼續行駛和停入某個停車位的行為概率；其中，所述行為點得分函數的表達式為：
6、；
7、
8、為第 i個行駛車輛到第 j個停車位的距離；
9、為第 i個行駛車輛的角度偏差；
10、表示不同屬性的停車位；
11、獲取所述停車場景下的車輛軌跡歷史數據，與所述行為概率、所述鳥瞰圖圖像的語義圖像輸入軌跡預測模型，生成所述行駛車輛的軌跡預測結果。
12、優選地，所述根據所述鳥瞰圖圖像得到行駛車輛與全部停車位的距離以及角度偏差，包括：
13、獲取所述鳥瞰圖圖像中的車位信息和車輛信息；所述車位信息包括：每個車位的坐標、車位邊界、車位屬性；所述車輛信息包括：所述行駛車輛當前位置的中心點坐標、所述行駛車輛與車道的夾角；根據所述車位信息和車輛信息得到：
14、所述行駛車輛中，第i個行駛車輛到第j個停車位的距離的表達式為：
15、；
16、所述第i個行駛車輛的角度偏差的表達式為：
17、；
18、其中，表示第i個行駛車輛的坐標；
19、表示第j個停車位的坐標。
20、優選地，所述停車位的所述不同屬性包括：已占、空閑、預定、正在占用。
21、優選地，所述對所述鳥瞰圖圖像進行特征提取，得到鳥瞰圖圖像的語義信息，包括：
22、利用圖像特征提取網絡提取所述鳥瞰圖圖像的特征，得到鳥瞰圖圖像的語義信息；
23、提取的所述鳥瞰圖圖像的特征，包括：
24、行駛車輛與停車位的相對位置，所述行駛車輛與停車位的相對位置為所述行駛車輛中心點到停車位中心點的距離；
25、夾角，所述夾角為所述行駛車輛與停車位方向之間的夾角；
26、空間占用，用于評估所述行駛車輛停放后是否會超出所述車位邊界。
27、優選地，所述行為點得分函數的損失函數的表達式為：
28、；
29、其中，若所述行駛車輛選擇第i個停車位進行停車，則，否則為0。
30、優選地，所述圖像特征提取網絡的提取方法包括：將每個不同屬性的車位的圖像分別進行數字化處理，并傳入各自的長短期記憶神經模塊中，利用雙重注意力機制模塊進行編碼，經全局池化后進行解碼，得到語義信息。
31、優選地，所述軌跡預測模型包括：
32、卷積神經網絡和transformer網絡；
33、其中，使用卷積神經網絡提取所述鳥瞰圖圖像的語義圖像的特征信息形成編碼序列；
34、將提取到的所述特征信息與所述停車場景下的車輛軌跡歷史數據，利用transformer網絡中的注意力機制和位置編碼技術捕捉所述行駛車輛在所述繼續行駛和停入某個停車位的概率下的時序依賴關系和空間關系。
35、優選地，所述transformer網絡包括：引入因果注意力機制的編碼器和解碼器；
36、所述編碼器，將所述行駛車輛繼續行駛和停入某個停車位的行為概率編碼為含有語義信息的上下文表示向量；
37、所述解碼器，將所述編碼序列經過嵌入層轉換為向量，再送入多層堆疊的解碼器層中；每個所述解碼器層先通過帶掩碼的多頭自注意力機制，再利用編碼器-解碼器注意力機制，整合所述含有語義信息的上下文表示向量，通過前饋神經網絡進行變換。
38、根據本專利技術公開的具體實施方式，本專利技術第二方面公開一種停車場景下的車輛軌跡預測裝置，包括：
39、計算單元，用于獲取包含停車場景下所有車輛和停車位的鳥瞰圖圖像，根據所述鳥瞰圖圖像得到行駛車輛與全部停車位的距離以及角度偏差；
40、圖像處理單元，用于對所述鳥瞰圖圖像進行特征提取，得到所述鳥瞰圖圖像的語義信息；
41、行為概率預測單元，用于將提取到的所述場景特征圖、所述行駛車輛與全部停車位的距離以及角度偏差進行融合，通過行為點得分函數得到所述行駛車輛繼續行駛和停入某個停車位的行為概率；其中，所述行為點得分函數的表達式為：
42、；
43、其中，為長短期記憶神經網絡的映射；
44、為第 i個行駛車輛到第 j個停車位的距離；
45、為第 i個行駛車輛的角度偏差；
46、表示不同屬性的停車位；
47、軌跡預測單元，用于獲取所述停車場景下的車輛軌跡歷史數據，與所述行為概率、所述鳥瞰圖圖像的語義圖像輸入軌跡預測模型，生成所述行駛車輛的軌跡預測結果。
48、根據本專利技術公開的具體實施方式，本專利技術第三方面公開一種計算機可讀存儲介質，其上存儲有計算機程序，所述程序被處理器執行時實現如上任一項所述的對文檔中的內容進行編輯的方法。
49、本專利技術公開的上述方案與現有技術相比，至少具有以下有益效果：
50、本專利技術將鳥瞰圖圖像與數學理論結合，計算得到行駛車輛與全部停車位的距離以及角度偏差；再對鳥瞰圖圖像進行特征提取，將提取到的特征與行駛車輛與全部停車位的距離以及角度偏差進行融合和進一步處理，得到行駛車輛繼續行駛和停入某個停車位的行為概率；進一步將行為概率結合車輛軌跡歷史數據以及語義圖像生成相應的多個可能的未來軌跡預測結果。本發本文檔來自技高網...
【技術保護點】
1.一種停車場景下的車輛軌跡預測方法，其特征在于，包括：
2.在根據權利要求1所述的方法，其特征在于，所述根據所述鳥瞰圖圖像得到行駛車輛與全部停車位的距離以及角度偏差，包括：
3.根據權利要求2所述的方法，其特征在于，所述停車位的所述不同屬性包括：已占、空閑、預定、正在占用。
4.根據權利要求2所述的方法，其特征在于，所述對所述鳥瞰圖圖像進行特征提取，得到鳥瞰圖圖像的語義信息，包括：
5.根據權利要求1所述的方法，其特征在于，所述行為點得分函數的損失函數的表達式為：
6.根據權利要求4所述的方法，其特征在于，所述圖像特征提取網絡的提取方法包括：將每個不同屬性的車位的圖像分別進行數字化處理，并傳入各自的長短期記憶神經模塊中，利用雙重注意力機制模塊進行編碼，經全局池化后進行解碼，得到語義信息。
7.根據權利要求1所述的方法，其特征在于，所述軌跡預測模型包括：
8.根據權利要求7所述的方法，其特征在于，所述Transformer網絡包括：引入因果注意力機制的編碼器和解碼器；
9.一種停車場景
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述程序被處理器執行時實現如權利要求1至8中任一項所述的方法。
...【技術特征摘要】
1.一種停車場景下的車輛軌跡預測方法，其特征在于，包括：
2.在根據權利要求1所述的方法，其特征在于，所述根據所述鳥瞰圖圖像得到行駛車輛與全部停車位的距離以及角度偏差，包括：
3.根據權利要求2所述的方法，其特征在于，所述停車位的所述不同屬性包括：已占、空閑、預定、正在占用。
4.根據權利要求2所述的方法，其特征在于，所述對所述鳥瞰圖圖像進行特征提取，得到鳥瞰圖圖像的語義信息，包括：
5.根據權利要求1所述的方法，其特征在于，所述行為點得分函數的損失函數的表達式為：
6.根據權利要求4所述的方法，其特征在于，所述圖像特征提...
【專利技術屬性】
技術研發人員：吳振源，李寧，吳迪，于祥躍，李崢，
申請(專利權)人：中國科學院長春光學精密機械與物理研究所，
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。