本發(fā)明專利公開了一種車輛軌跡預測方法，尤其涉及一種特征融合改進注意力機制結合lstm車輛軌跡預測方法。

背景技術：

1、目前智能駕駛車輛軌跡預測受到了很多研究者的關注，在動態(tài)駕駛場景中關注周圍駕駛車輛，并能將周圍車輛的駕駛行為和狀態(tài)融入研究車輛預測建模中至關重要。

2、針對智能駕駛車輛軌跡預測問題，現有基于物理模型、基于經典機器學習和基于深度學習的方法?；谖锢砟Ｐ偷能壽E預測方法通過直接應用動力學和運動學原理來模擬車輛運動，適用于對車輛行為進行快速而簡單的預測，但可能不足以捕捉復雜的交互和駕駛行為的多樣性?；诮浀錂C器學習的軌跡預測方法利用統(tǒng)計模型從歷史數據中學習軌跡模式，能夠處理多樣化的交通場景，但通常受限于數據質量和模型泛化能力，需要大量標記數據進行有效訓練。基于深度學習的軌跡預測方法通過復雜的神經網絡結構自動提取數據中的時空特征，尤其擅長處理大規(guī)模和高維度的交通數據，生成精確和多模態(tài)的預測結果。

3、針對目前基于各種注意力機制的編碼器－解碼器結構來解決傳統(tǒng)物理模型預測精度不足的問題，以及對于全局交互軌跡信息的利用不足也是一個值得解決的問題。因此，將局部特征和全局特征進行加權融合，從多個維度理解車輛的動態(tài)行為，有必要對已有方法進行改進。急需一種準確、可靠的車輛軌跡預測方法。

技術實現思路

1、為解決上述問題，本發(fā)明提供了一種特征融合改進注意力機制結合lstm車輛軌跡預測方法，旨在提高行車效率，行車安全性的同時，滿足了車輛軌跡預測時間和空間上雙精度的要求。

2、為達到上述目的，本發(fā)明采用如下技術方案：

3、本發(fā)明的實施例提供了一種特征融合改進注意力機制結合lstm車輛軌跡預測方法，包括以下步驟：

4、步驟1：獲取目標車輛以及周圍交互車輛的歷史行駛數據；

5、步驟2：計算目標車輛與周圍交互車輛實際距離與理論安全距離比值并劃分為三個等級；

6、步驟3：將三級安全距離輸入安全距離注意力機制模塊編碼器中獲得三組上下文向量；將目標車輛和交互車輛分成兩組輸入交互注意力機制模塊，目標車輛組輸入通過線性層轉換成查詢矩陣q，周圍交互車輛組通過兩個線性層轉換成鍵矩陣k、值矩陣v，線性運算后將q與k進行點積運算傳遞給softmax層，進行加權；

7、步驟4：將安全距離分級注意力機制和交互注意力機制得到的上下文信息ct進行融合，得到增強的上下文信息，然后輸入到lstm解碼器中，最后輸出預測結果。

8、在以上技術方案的基礎上，優(yōu)選的，所述的歷史行駛數據包括目標車輛和交互車輛的位置信息、速度、加速度、時間戳、車道信息。

9、在以上技術方案的基礎上，優(yōu)選的，所述的目標車輛與周圍交互車輛安全距離計算與劃分，將安全距離劃分為三個等級：接近、安全和遠離。此分類基于車輛間的實際距離與通過以下計算得到的理論安全距離的比值進行界定，理論安全距離公式為：

10、

11、式中，v為車輛速度，tr為反應時間，a為目標車輛減速度，w為車道寬度，k為安全系數，dl為目標車輛與左側交互車輛的橫向距離，dr為目標車輛與右側車輛的橫向距離，df為目標車輛與前車的距離，db為目標車輛與后車的距離。

12、

13、其中，min(df,db,dl,dr)為車輛與交互車輛實際距離。

14、與現有技術相比，本發(fā)明具有以下有益的技術效果：

15、1、安全距離分級注意力模塊通過對目標車輛和周圍交互車輛的安全距離等級信息進行單獨編碼，捕捉不同安全距離下的特征差異，從而更精準地理解車輛在各種環(huán)境中的狀態(tài)；

16、2、安全距離分級注意力模塊與交互注意力模塊特征融合，能夠有效地捕捉全局和局部環(huán)境復雜關系；

17、3、使用lstm解碼器對融合后的上下文信息進行預測，能夠實時更新和準確預測車輛軌跡，提升了系統(tǒng)的實時反應能力和預測準確度；

技術特征：

1.一種特征融合改進注意力機制結合lstm車輛軌跡預測方法，其特征在于，包括：

2.如權利要求1所述的特征融合改進注意力機制結合lstm車輛軌跡預測方法，其特征在于：步驟1中歷史行駛數據包括目標車輛和交互車輛的位置信息、速度、加速度、時間戳、車道信息。

3.如權利要求1所述的特征融合改進注意力機制結合lstm車輛軌跡預測方法，其特征在于：步驟2中目標車輛與周圍交互車輛理論安全距離是通過車輛速度，反應時間，目標車輛加速度，車道寬度，安全系數，目標車輛與左側交互車輛的橫向距離，目標車輛與右側車輛的橫向距離，目標車輛與前車的距離，目標車輛與后車的距離綜合計算。

4.如權利要求1所述的特征融合改進注意力機制結合lstm車輛軌跡預測方法，其特征在于：步驟2中三個等級分別為：接近、安全、遠離。

技術總結
本發(fā)明專利公開了一種車輛軌跡預測方法，尤其涉及一種特征融合改進注意力機制結合LSTM車輛軌跡預測方法。主要由兩個模塊組成：安全距離分級注意力機制模塊，交互注意力機制模塊。主要步驟包括獲取目標車輛以及周圍交互車輛的歷史行駛數據，計算目標研究車輛與周圍交互車輛實際距離與理論安全距離比值劃分為三個等級，安全距離分級注意力機制模塊使用編碼器分別處理每組的信息獲取三組上下文向量；交互注意力機制模塊將歷史數據分為目標車輛組和周圍交互車輛組，目標車輛組輸入通過線性層轉換成查詢矩陣Q，周圍交互車輛組通過兩個線性層轉換成鍵矩陣K、值矩陣V，通過點積和Softmax運算，得到加權結果，最后將兩個模塊的輸出融合，輸入到LSTM解碼器中。

技術研發(fā)人員：周長紅,張蓓聆,趙紅專,滕鴻瑞,鐘晴
受保護的技術使用者：桂林電子科技大學
技術研發(fā)日：
技術公布日：2025/1/6