本發(fā)明屬于智能交通領(lǐng)域，具體涉及一種交通密度自適應(yīng)的車輛軌跡預(yù)測(cè)方法。

背景技術(shù)：

1、申請(qǐng)公布號(hào)為cn118419065a的發(fā)明專利申請(qǐng)公開了一種基于雙交叉transformer的自動(dòng)駕駛車輛軌跡預(yù)測(cè)方法，該方法包括以下步驟：

2、s1，收集目標(biāo)車輛以及周圍車輛的歷史軌跡數(shù)據(jù)和車輛狀態(tài)數(shù)據(jù)作為輸入序列x；

3、s2，捕捉目標(biāo)車輛和周圍車輛之間的交互情況，輸出目標(biāo)車輛和周圍車輛初步預(yù)測(cè)軌跡，并對(duì)個(gè)體不確定性和協(xié)同不確定性進(jìn)行評(píng)估；

4、s3，通過損失函數(shù)衡量預(yù)測(cè)效果，并更新優(yōu)化參數(shù)；

5、所述s1具體為：

6、車輛歷史軌跡數(shù)據(jù)獲取，包括前三秒的歷史軌跡點(diǎn)，以每秒十幀采集一次，軌跡點(diǎn)表示為(x，y)；

7、車輛狀態(tài)數(shù)據(jù)獲取，包括車輛速度v和航向角θ，通過分析軌跡、車輛速度v和航向角θ，判斷車輛行駛行為，預(yù)測(cè)目標(biāo)車輛以及周圍車輛的軌跡；將歷史軌跡數(shù)據(jù)和車輛狀態(tài)數(shù)據(jù)作為輸入序列x；

8、所述s2包括以下步驟：

9、s201，將s1中的輸入序列x進(jìn)行位置編碼；

10、s202，通過雙向交叉注意力機(jī)制捕捉目標(biāo)車輛和周圍車輛之間的交互情況，獲取交互特征attenbidir(fs,f?g)，并反復(fù)訓(xùn)練；

11、s203，輸出目標(biāo)車輛和其周圍車輛的初步預(yù)測(cè)軌跡；

12、s204，對(duì)交互特征attenbidir(fs,f?g)進(jìn)行個(gè)體不確定性和協(xié)同不確定性評(píng)估。

13、授權(quán)公告號(hào)為cn110304075b的發(fā)明專利公開了一種基于混合動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)和高斯過程的車輛軌跡預(yù)測(cè)方法，該方法包括以下主要步驟：

14、步驟1，構(gòu)建自然駕駛數(shù)據(jù)庫(kù)；

15、建立自動(dòng)駕駛車輛感知系統(tǒng)采集的周圍車輛相關(guān)序列信息、道路相關(guān)序列信息和交通相關(guān)序列信息的測(cè)試集，以及對(duì)上述信息進(jìn)行駕駛意圖和駕駛特性標(biāo)定的訓(xùn)練集；其中，所述周圍車輛相關(guān)序列信息包括車輛位置、車輛速度、車輛加速度、車輛橫擺角速度，車輛距道路兩側(cè)的距離和車輛左右轉(zhuǎn)向尾燈的開閉情況；所述道路相關(guān)序列信息包括道路的結(jié)構(gòu)特征和道路指示標(biāo)志；所述交通相關(guān)序列信息包括周圍交通指示標(biāo)志和交通信號(hào)燈狀態(tài)；所述測(cè)試集包括混合動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的測(cè)試集和高斯過程的測(cè)試集；所述訓(xùn)練集包括混合動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的訓(xùn)練集和高斯過程的訓(xùn)練集；

16、步驟2，采用混合動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)，得到周圍車輛的短期預(yù)測(cè)軌跡，以及駕駛意圖與駕駛特性的估計(jì)概率；

17、以駕駛員信息、車輛模型選擇和車輛狀態(tài)信息作為隱層變量，以自動(dòng)駕駛車輛感知系統(tǒng)采集的周圍車輛相關(guān)序列信息、道路相關(guān)序列信息和交通相關(guān)序列信息作為觀測(cè)層變量，搭建混合動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型；通過后驗(yàn)概率推理得到混合動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的輸出：基于車輛模型的短期軌跡預(yù)測(cè)以及駕駛意圖與駕駛特性的估計(jì)概率，并將該輸出作為步驟4的輸入；

18、步驟3，建立不同駕駛意圖和不同駕駛特性下的高斯過程函數(shù)；包含如下步驟：

19、步驟3.1，均值函數(shù)和協(xié)方差函數(shù)的設(shè)定

20、以x作為輸入，高斯過程函數(shù)的表達(dá)式如下：

21、f(x)～gp(u(x),σ(x,x’))

22、其中，均值函數(shù)u(x)表示某種駕駛意圖下的車輛軌跡趨勢(shì)，因此均值函數(shù)能夠用來表示期望預(yù)測(cè)軌跡；協(xié)方差函數(shù)σ(x,x’)既表示不同輸入x自身的方差，又表示了(x,x’)間的方差，因此協(xié)方差函數(shù)能夠用來表示期望預(yù)測(cè)軌跡對(duì)應(yīng)的不確定性；

23、根據(jù)不同駕駛意圖下的車輛軌跡設(shè)定對(duì)應(yīng)的均值函數(shù)u(x)；

24、帶噪聲的均方指數(shù)形式表示的協(xié)方差函數(shù)σ(x,x’)設(shè)定如下：

25、

26、其中，σf為信號(hào)標(biāo)準(zhǔn)差，l為特征長(zhǎng)度，σn為觀測(cè)噪聲標(biāo)準(zhǔn)差，δ為克羅內(nèi)克函數(shù)；

27、步驟3.2，高斯過程函數(shù)未知參數(shù)的學(xué)習(xí)

28、根據(jù)步驟3.1設(shè)定的均值函數(shù)u(x)和協(xié)方差函數(shù)σ(x,x’)，利用步驟1建立的高斯過程的訓(xùn)練集對(duì)涉及的未知參數(shù)進(jìn)行學(xué)習(xí)，根據(jù)對(duì)數(shù)邊際似然函數(shù)及其對(duì)各未知參數(shù)的偏導(dǎo)，利用基于梯度的優(yōu)化算法得到參數(shù)學(xué)習(xí)結(jié)果，從而分別建立不同駕駛意圖和駕駛特性下的高斯過程函數(shù)；

29、步驟4，基于混合動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)和高斯過程進(jìn)行長(zhǎng)期軌跡預(yù)測(cè)及其不確定性表示；

30、根據(jù)步驟2中混合動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)輸出的駕駛意圖和駕駛特性的估計(jì)概率，利用最大概率原則確定相應(yīng)的駕駛意圖和駕駛特性，從而根據(jù)該駕駛意圖和駕駛特性確定步驟3中對(duì)應(yīng)的高斯過程函數(shù)；將步驟2中混合動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)輸出的基于車輛模型的短期預(yù)測(cè)軌跡作為車輛軌跡序列信息x1，預(yù)測(cè)的未來軌跡為x2，則(x1,x2)服從的高斯分布如下：

31、

32、其中，表示正態(tài)函數(shù)；

33、

34、x1與x2各自對(duì)應(yīng)的均值函數(shù)分別為u1和u2；協(xié)方差矩陣σ為對(duì)稱矩陣，即σ＝σt，x1與x2各自對(duì)應(yīng)的協(xié)方差函數(shù)分別為σ11和σ22，x1和x2間對(duì)應(yīng)的協(xié)方差函數(shù)為σ12、σ21，且∑12＝∑21t；則已知車輛軌跡x1下的車輛未來可能軌跡x2的條件概率p(x2|x1)服從的高斯分布表達(dá)式如下：

35、

36、其中，u2|1和σ2|1是變量x2|1對(duì)應(yīng)的均值函數(shù)和協(xié)方差函數(shù)，且(u2|1,σ2|1)的表達(dá)式由下式推導(dǎo)得到：

37、u2|1＝u2+∑12t∑11-1(x1-u1)

38、∑2|1＝∑22-∑12tσ11-1∑12

39、最終得到利用最大概率原則確定的駕駛意圖和駕駛特性下的車輛長(zhǎng)時(shí)域內(nèi)的未來軌跡及其不確定性表示。

40、總的說來，cn118419065a號(hào)發(fā)明專利申請(qǐng)所公開的技術(shù)方案通過獲取車輛歷史軌跡數(shù)據(jù)和車輛狀態(tài)數(shù)據(jù)，在車路協(xié)同環(huán)境下基于多個(gè)車輛進(jìn)行模擬訓(xùn)練，充分考慮目標(biāo)車輛與周圍車輛的交互作用，提高了車輛軌跡預(yù)測(cè)的準(zhǔn)確度和魯棒性。cn110304075b號(hào)發(fā)明專利所公開的技術(shù)方案結(jié)合了車輛模型、抽象意圖和數(shù)據(jù)驅(qū)動(dòng)，其mdbn和gp模型的擴(kuò)展性強(qiáng)，可以適用不同的駕駛場(chǎng)景，既考慮到了車輛物理運(yùn)動(dòng)模型下的短期預(yù)測(cè)特性，又可以根據(jù)車輛駕駛員信息進(jìn)行長(zhǎng)期軌跡預(yù)測(cè)與不確定性表示。

41、然而，cn118419065a號(hào)發(fā)明專利申請(qǐng)和cn110304075b號(hào)發(fā)明專利所公開的技術(shù)方案也存在一定的缺陷，具體表現(xiàn)在以下兩個(gè)方面：

42、第一，cn118419065a號(hào)發(fā)明專利申請(qǐng)和cn110304075b號(hào)發(fā)明專利雖然都考慮了車輛間的交互，但并未明確提及如何適應(yīng)不同交通密度下的軌跡預(yù)測(cè)。而交通密度的變化會(huì)顯著影響車輛間的交互模式和軌跡預(yù)測(cè)的準(zhǔn)確性，特別是在高密度區(qū)域，車輛間的交互更為復(fù)雜。

43、第二，cn118419065a號(hào)發(fā)明專利使用雙向交叉注意力機(jī)制雖然能夠捕捉復(fù)雜的交互關(guān)系，但也增加了模型的計(jì)算復(fù)雜度和訓(xùn)練時(shí)間。cn110304075b號(hào)發(fā)明專利結(jié)合mdbn和gp的模型也同樣具有較高的計(jì)算復(fù)雜度，特別是在實(shí)時(shí)性要求較高的自動(dòng)駕駛系統(tǒng)中，其計(jì)算過程特別復(fù)雜。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的旨在克服上述現(xiàn)有技術(shù)所存在的第一、第二兩方面的缺陷。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用了下述技術(shù)方案：

3、一種交通密度自適應(yīng)的車輛軌跡預(yù)測(cè)方法，其包括下述兩個(gè)基本步驟：

4、s1，交通狀態(tài)預(yù)測(cè)；

5、s2，考慮交通狀態(tài)自適應(yīng)的軌跡預(yù)測(cè)；

6、所述s1包括下述具體步驟：

7、s101，交通狀態(tài)變量表示，所有車輛的軌跡都使用三維獨(dú)熱向量s進(jìn)行表示，其中001表示不擁擠，010表示擁擠，100表示適中；

8、s102，使用時(shí)間卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行交通狀態(tài)預(yù)測(cè)；

9、所述s2包括下述具體步驟：

10、s201，軌跡預(yù)測(cè)問題建模，考慮交通狀態(tài)來自適應(yīng)預(yù)測(cè)場(chǎng)景中n輛車的未來軌跡，定義輸入軌跡為x＝x1,x2,...,xn，模型預(yù)測(cè)的未來軌跡為對(duì)于每輛車i，輸入軌跡為過去th個(gè)時(shí)間步的車輛位置，表示為

11、s202，基于自注意力機(jī)制的條件編碼預(yù)測(cè)網(wǎng)絡(luò)，包括車輛歷史軌跡特征提取、車輛時(shí)空特征提取、車輛未來軌跡特征表示、潛變量的獲取和車輛未來軌跡預(yù)測(cè)。

12、在上述技術(shù)方案的基礎(chǔ)上，本發(fā)明可采用下述技術(shù)手段，以便更好地或者更有針對(duì)性地解決本發(fā)明所要解決的技術(shù)問題：

13、執(zhí)行步驟s102時(shí)，給定過濾器f＝(f1,f2,...,fk)，序列x＝(x1,x2,...,xk)，則在xt處的因果卷積為其中，時(shí)間t的值僅依賴于當(dāng)前及之前層次的值。

14、進(jìn)一步地，執(zhí)行步驟s102時(shí)，擴(kuò)張卷積允許卷積輸入具有間隔采樣，并且采樣率由擴(kuò)張控制，擴(kuò)張大小d，則在在xt處的因果卷積為

15、進(jìn)一步地，執(zhí)行步驟s102時(shí)，時(shí)間卷積神經(jīng)網(wǎng)絡(luò)的輸入是歷史的交通流量，輸出是未來一段時(shí)間的交通流量。

16、進(jìn)一步地，在執(zhí)行步驟s202時(shí)，使用一張圖來表示整個(gè)場(chǎng)景，其中每輛車用一個(gè)節(jié)點(diǎn)表示，每個(gè)節(jié)點(diǎn)由具有4個(gè)隱藏維度的lstm表示，將車輛在觀察到的th個(gè)時(shí)間步內(nèi)的位置信息和交通狀態(tài)信息編碼為節(jié)點(diǎn)歷史編碼如下所示：

17、

18、式中，表示車輛在時(shí)間步t的位置和狀態(tài)信息，是lstm的隱狀態(tài)，θ是lstm的網(wǎng)絡(luò)參數(shù)。

19、進(jìn)一步地，在執(zhí)行步驟s202時(shí)，根據(jù)車輛與其鄰車之間的距離添加邊，每條邊表示為一個(gè)lstm，輸出車輛的邊歷史編碼如下所示：

20、

21、式中，表示車輛與其鄰車在時(shí)間步t的邊編碼，φ是lstm的參數(shù)。

22、進(jìn)一步地，將節(jié)點(diǎn)歷史編碼、邊歷史編碼和交通狀態(tài)連接起來，以獲取車輛的節(jié)點(diǎn)表示向量ei，如下所示：

23、

24、進(jìn)一步地，在執(zhí)行步驟s202時(shí)，利用transfomer模型，使用多頭注意力機(jī)制提取時(shí)間特征和空間特征，如下所示：

25、

26、式中，q為查詢矩陣，k為鍵矩陣，v為值矩陣，kt為值矩陣k的轉(zhuǎn)置，dk為鍵向量的維度。

27、進(jìn)一步地，在執(zhí)行步驟s202時(shí)，車輛的未來軌跡yi使用具有64個(gè)隱藏單元的雙向lstm進(jìn)行編碼，其中節(jié)點(diǎn)未來編碼如下所示：

28、

29、進(jìn)一步地，執(zhí)行步驟s202時(shí)，訓(xùn)練過程使用節(jié)點(diǎn)表示向量、節(jié)點(diǎn)未來編碼以及網(wǎng)聯(lián)車的類別ci來估計(jì)32維潛變量z的分布參數(shù)，如下所示：

30、

31、z～qφ(zxi,yi,fi)，

32、式中，φ是具有10個(gè)層的二維cnn，各層的卷積核大小分別為{5，5，5，5，5，3，3，3，3，3}，前5層的卷積操作采用步幅為2，后5層的卷積操作則采用步幅為1，分布qφ是由fi參數(shù)化的分類分布，捕捉與每個(gè)交通狀態(tài)相關(guān)的代理軌跡的模式；

33、在獲得32維潛變量z的分布參數(shù)后，使用一個(gè)128維多層感知機(jī)解碼器，為混合高斯模型生成16個(gè)組分參數(shù)，接著，從高斯混合模型中為每輛車i采樣未來軌跡，如下所示：

34、

35、與現(xiàn)有技術(shù)相比，特別是與cn118419065a號(hào)發(fā)明專利申請(qǐng)和cn110304075b號(hào)發(fā)明專利所記載的現(xiàn)有技術(shù)相比，本發(fā)明具有下述

36、有益效果：

37、第一，本發(fā)明在軌跡預(yù)測(cè)過程中充分考慮了交通密度的變化，通過交通狀態(tài)預(yù)測(cè)步驟對(duì)交通密度進(jìn)行實(shí)時(shí)評(píng)估，并根據(jù)不同的交通密度調(diào)整軌跡預(yù)測(cè)模型的參數(shù)或結(jié)構(gòu)，從而實(shí)現(xiàn)對(duì)不同交通密度下的車輛軌跡進(jìn)行更精確的預(yù)測(cè)。

38、第二，本發(fā)明通過高效的特征提取和注意力機(jī)制實(shí)現(xiàn)軌跡的預(yù)測(cè)，同時(shí)保持了模型的簡(jiǎn)潔性和高效性，不僅簡(jiǎn)化了計(jì)算的復(fù)雜度，而且提高了在不同交通密度下的軌跡預(yù)測(cè)精度和魯棒性。