CN112257850A - 一种基于生成对抗网络的车辆轨迹预测方法 - Google Patents
一种基于生成对抗网络的车辆轨迹预测方法 Download PDFInfo
- Publication number
- CN112257850A CN112257850A CN202011157093.0A CN202011157093A CN112257850A CN 112257850 A CN112257850 A CN 112257850A CN 202011157093 A CN202011157093 A CN 202011157093A CN 112257850 A CN112257850 A CN 112257850A
- Authority
- CN
- China
- Prior art keywords
- network
- track
- discrimination
- generation
- predicted
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明首先提取目标车辆的历史轨迹数据、目标车辆的周围车辆的历史轨迹数据并构建生成对抗网络模型,将提取后的轨迹数据按照时间序列依次输入生成网络中得到预测轨迹值,将预测轨迹值与真实轨迹值交替输入到判别网络中判别预测轨迹值与真实轨迹值的差异,得出判别概率,将判别概率输入到生成网络与判别网络中,得到两个网络的损失值,反向更新判别网络和生成网络的参数,直到判别网络输出的判别概率接近1,则生成对抗网络模型训练成熟,并在生成网络模型中加入注意力机制,通过使解码器在解码的每一时刻都考虑编码器的隐藏状态信息,计算与当前预测时刻隐藏状态的相关性,得到与当前预测时刻隐层状态最相关的输入编码,提高预测轨迹的准确性。
Description
技术领域
本发明属于无人驾驶车辆的周边车辆轨迹预测技术领域,具体涉及一种基于生成对抗网络的车辆轨迹预测方法。
背景技术
无人驾驶汽车是集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合智能***。完备的无人驾驶汽车通过传感器用来感知周围的环境信息,通过决策***来代替人脑分析当前的情况并做出合理的决策,进而控制车辆执行相应的单元。随着计算机技术的发展,无人驾驶汽车被应用于越来越多的领域,无人驾驶汽车具有宽广的感知范围以及永不疲倦的特性,能大幅度降低较低交通事故的发生,提高城市交通通行效率。
尽管无人驾驶汽车在许多领域已取得了***的成果,但安全问题是一直以来被研究的关键课题。由于无人驾驶汽车在行驶过程中会不可避免地与周围参与者发生交互,没有预测能力的无人驾驶汽车在公路上行驶十分谨慎,近几年无人驾驶车发生的交通事故原因在于,无人驾驶汽车对周围环境理解错误。为了使无人驾驶汽车更安全行驶且进行高质量的决策与规划,对周围车辆轨迹进行准确预测是一个重要的先决条件。通过使用先前的周围行驶车辆观测数据预测未来行驶轨迹,通过预测周围车辆的轨迹可以用来规划无人驾驶汽车的运动,避免与周围的车辆发生碰撞。
传统的轨迹预测模型有隐马尔可夫模型、贝叶斯模型、卡尔曼滤波器,但此类模型设置较多的约束条件与参数,不能充分利用历史轨迹信息,并且拟合效果也欠佳。轨迹预测模型也通过采用神经网络进行预测,由于网络结构的限制,无法对较长的序列进行轨迹预测,而单一时刻的预测位置对于无人驾驶车辆后续的决策与运动规划意义不大。为了解决当前预测车辆轨迹领域下,传统方法以及结合神经网络方法存在的缺陷和不足,因此,在预测车辆轨迹过程中考虑对目标车辆时间序列的预测以及周围车辆对目标车辆的交互行为很有必要。
发明内容
本发明的目的是提供一种基于生成对抗网络的车辆轨迹预测方法,用于提高车辆轨迹预测的准确性。
本发明解决其技术问题的技术方案为:一种基于生成对抗网络的车辆轨迹预测方法,包括以下步骤:
S1:对NGSIM数据集中的数据进行预处理;
S2:在LSTM编码器-解码器的基础上加入注意力机制,将其整体作为生成器网络;
S3:构建基于MLP神经网络搭建判别网络,输入预测轨迹与真实轨迹,得到判别概率;
S4:通过生成器网络和判别网络构建生成对抗网络模型,训练生成对抗网络模型;
S5:保存已经训练完成的模型,从预处理后的数据集中选取测试数据集,将测试数据输入到已训练后的生成对抗网络模型中,预测得到车辆未来的轨迹坐标。
所述步骤S1具体为:
S1.1通过平滑滤波器对NGSIM数据集进行处理,剔除异常数据;
S1.2:选取2、3、4车道上的轨迹数据,选取车辆数据中的横向位置、纵向位置、速度作为轨迹特征。
S1.3:提取目标车辆在t1~t1+n时间内的轨迹序列为其中,为目标车辆以及目标车辆的周围车辆在当前t1时刻的轨迹特征集合,即 表示目标车辆在t1时刻的横向位置,表示目标车辆在t1时刻的纵向位置,表示目标车辆在t1时刻的速度,表示目标车辆与周围车辆在t1时刻的横向距离差,为目标车辆与周围车辆在t1时刻的纵向距离差,为周围车辆相对于目标车辆在t1时刻的速度。
所述步骤S2具体为:
S2.3:在解码器进行解码前加入注意力机制,已知解码器中上一时刻的隐藏状态(需要着重说明的是,本发明中中的下标t2与中的下标t1+1所指代的为不同概念,t1表示的是编码器里的各个时刻,t2表示解码器里的各个时刻),可得出解码器在上一时刻隐藏状态与历史轨迹隐藏状态向量的相似度其中;
所述步骤S3具体为:
将J条预测轨迹与真实轨迹交替输入到判别网络中,判别网络是以两层MLP组成,记真实轨迹的标签为1,记预测轨迹的标签为0,得到判别概率。
所述步骤S4具体为:
S4.1:构建生成网络的损失函数为:
构建判别网络的损失函数为:
S4.2:固定生成网络的参数,训练判别网络,将真实轨迹与预测轨迹交替输入到判别网络中,得出判别概率,将判别概率输入到判别网络与生成网络计算得出损失值,使用Adam算法更新判别网络的参数。
S4.3:固定判别网络的参数,训练生成网络,将真实轨迹与预测轨迹交替输入到判别网络中,得出判别概率,将判别概率输入到判别网络与生成网络计算得出损失值,根据损失值使用Adam算法调整生成网络的参数。
S4.4:当判别网络对于预测轨迹得到的判别概率计算接近1时,说明判别网络无非区分预测轨迹和真实轨迹,即生成网络与判别网络训练完成。
本发明的有益效果为:本发明首先提取目标车辆的历史轨迹数据(横向位置、纵向位置、速度),目标车辆的周围车辆(位于目标车辆的前车、左车、右车)的历史轨迹数据(相对于目标车辆的横向距离、相对于目标车辆的纵向距离、相对于目标车辆的速度)。然后构建生成对抗网络模型,将提取后的轨迹数据,按照时间序列,依次输入生成网络中得到预测的轨迹值,将预测轨迹值与真实轨迹值交替输入到判别网络中,判别网络判别预测轨迹值与真实轨迹值的差异,得出判别概率,将判别概率输入到生成网络判别网络中,得到两个网络的损失值,反向更新判别网络和生成网络的参数,直到判别网络输出的判别概率接近1,说明生成对抗网络模型训练成熟。本发明在生成网络模型中加入注意力机制,解决传统解码器仅使用固定中间变量预测,导致对于长序列预测存在遗失重要信息的问题。通过使解码器在解码的每一时刻都考虑编码器的隐藏状态信息,计算与当前预测时刻隐藏状态的相关性,得到与当前预测时刻隐层状态最相关的输入编码,提高预测轨迹的准确性。
附图说明
图1是本发明的流程图。
图2是本发明的模型结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明包括以下步骤:
S1:对NGSIM数据集中的数据进行预处理;
所述步骤S1具体为:
S1.1通过平滑滤波器对NGSIM数据集进行处理,剔除异常数据;
S1.2:选取2、3、4车道上的轨迹数据,选取车辆数据中的横向位置、纵向位置、速度作为轨迹特征。
在步骤S1.2中,可设定无人驾驶车在3车道上行驶,目标车辆是指无人驾驶车前方的车辆且与无人驾驶车距离最近,目标车辆的周围车辆是指同车道上目标车辆的前车,以及目标车辆的左右车道上的左车、右车。左车指2车道离目标车辆距离最近的车辆,右车指4车道离目标车辆距离最近的车辆。
S1.3:提取目标车辆在t1~t1+n时间内的轨迹序列为其中,为目标车辆以及目标车辆的周围车辆在当前t1时刻的轨迹特征集合,即 表示目标车辆在t1时刻的横向位置,表示目标车辆在t1时刻的纵向位置,表示目标车辆在t1时刻的速度,表示目标车辆与周围车辆在t1时刻的横向距离差,为目标车辆与周围车辆在t1时刻的纵向距离差,为周围车辆相对于目标车辆在t1时刻的速度。
S2:在LSTM编码器-解码器的基础上加入注意力机制,将其整体作为生成器网络;
所述步骤S2具体为:
步骤S2.2中,详细为将特征空间序列L输入到生成网络的编码器中进行编码,初始化编码器的初始隐藏状态和上下文向量,在每一个LSTM单元中输入由全连接层输出的对应步长轨迹序列点Lt,每一个LSTM网络模块中含有遗忘门、输入门、输出门,模块的开始部分对应的为遗忘门,每一个轨迹点对应遗忘门更新公式为:ft=σ(w11Lt+w12ht-1+bf),其中σ为sigmoid函数ft为遗忘门的输出,w11、w12为遗忘门的权重向量,Lt为当前时刻的输入值,ht-1为上一时刻的隐藏状态,bf为遗忘门的偏置。
输入信息经过遗忘门得到的是(0,1)之间的值,模块的中间部分为输入门,输入门的更新公式为it=σ(w21Lt+w22ht-1+bi),其中w21、w22为输入门的权重向量,bi为输入门的偏置,细胞状态更新公式:其中,tanh为输入门的激活函数。w31、w32为tanh层的权重向量,bc为偏置。
模块的右侧部分为输出门,更新输出门的公式为:ot=σ(w41Lt+w42ht-1+b0),其中w41、w42为输出门的权重向量,b0为输出门的偏置,隐藏状态更新公式为:将每一层的LSTM单元输出的隐藏状态ht以及细胞单元ct向下一层的LSTM单元传递,提取编码器中所有的历史隐藏状态向量集合
S2.3:在解码器进行解码前加入注意力机制,已知解码器中上一时刻的隐藏状态(需要着重说明的是,本发明中中的下标t2与中的下标t1+1所指代的为不同概念,t1表示的是编码器里的各个时刻,t2表示解码器里的各个时刻),可得出上一时刻隐藏状态与历史轨迹隐藏状态向量的相似度其中;
S3:构建基于MLP神经网络搭建判别网络,输入预测轨迹与真实轨迹,得到判别概率;
所述步骤S3具体为:
将J条预测轨迹与真实轨迹交替输入到判别网络中,判别网络是以两层MLP组成,记真实轨迹的标签为1,记预测轨迹的标签为0,得到判别概率。
所述步骤S3的详细过程为:
将J条预测轨迹与真实轨迹交替输入到判别网络中,判别网络是以两层MLP网络组成,预测轨迹和真实轨迹经过MLP由多维化变为一维化,记真实轨迹的标签为1,记预测轨迹的标签为0,将真实轨迹与预测轨迹交替输入到判别网络中,得到判别概率,构建判别概率的公式为:其中,wm1为第一层MLP的权重,bm1为该层MLP的偏置。将得到的输入到第二层MLP中,得到该轨迹的最终判别概率。即其中wm2为该层MLP的权重,bm2为该层MLP的偏置,表示该条轨迹得到的判别概率,i表示该条轨迹的标签。
S4:通过生成器网络和判别器网络构建生成对抗网络模型,训练生成对抗网络模型;
所述步骤S4具体为:
S4.1:构建生成网络的损失函数为:
构建判别网络的损失函数为:
S4.2:固定生成网络的参数,训练判别网络,将真实轨迹与预测轨迹交替输入到判别网络中,得出判别概率,将判别概率输入到判别网络与生成网络计算得出损失值,使用Adam算法更新判别网络的参数。
S4.3:固定判别网络的参数,训练生成网络,将真实轨迹与预测轨迹交替输入到判别网络中,得出判别概率,将判别概率输入到判别网络与生成网络计算得出损失值,根据损失值使用Adam算法调整生成网络的参数。
S4.4:当判别网络对于预测轨迹得到的判别概率计算接近1时,说明判别网络无法区分预测轨迹和真实轨迹,即生成网络与判别网络训练完成。
S5:保存已经训练完成的模型,从预处理后的数据集中选取测试数据集,将测试数据输入到已训练后的生成对抗网络模型中,预测得到车辆未来的轨迹坐标。
本发明通过本发明首先提取目标车辆的历史轨迹数据(横向位置、纵向位置、速度),目标车辆的周围车辆(位于目标车辆的前车、左车、右车)的历史轨迹数据(相对于目标车辆的横向距离、相对于目标车辆的纵向距离、相对于目标车辆的速度)。然后构建生成对抗网络模型,将提取后的轨迹数据,按照时间序列,依次输入生成网络中得到预测的轨迹值,将预测轨迹值与真实轨迹值交替输入到判别网络中,判别网络判别预测轨迹值与真实轨迹值的差异,得出判别概率,将判别概率输入到生成网络与判别网络中,得到两个网络的损失值,反向更新判别网络和生成网络的参数,直到判别网络输出的判别概率接近1,说明生成对抗网络模型训练成熟。本发明在生成网络模型中加入注意力机制,解决传统解码器仅使用固定中间变量预测,导致对于长序列预测存在遗失重要信息的问题。通过使解码器在解码的每一时刻都考虑编码器的隐藏状态信息,计算与当前预测时刻隐藏状态的相关性,得到与当前预测时刻隐层状态最相关的输入编码,提高预测准确性。
Claims (5)
1.一种基于生成对抗网络的车辆轨迹预测方法,其特征在于,包括以下步骤:
S1:对NGSIM数据集中的数据进行预处理;
S2:在LSTM编码器-解码器的基础上加入注意力机制,将其整体作为生成器网络;
S3:构建基于MLP神经网络搭建判别网络,输入预测轨迹与真实轨迹,得到判别概率;
S4:通过生成器网络和判别器网络构建生成对抗网络模型,训练生成对抗网络模型;
S5:保存已经训练完成的模型,从预处理后的数据集中选取测试数据集,将测试数据输入到已训练后的生成对抗网络模型中,预测得到车辆未来的轨迹坐标。
2.根据权利要求1所述的一种基于生成对抗网络的车辆轨迹预测方法,其特征在于,所述步骤S1具体为:
S1.1通过平滑滤波器对NGSIM数据集进行处理,剔除异常数据;
S1.2:选取2、3、4车道上的轨迹数据,选取车辆数据中的横向位置、纵向位置、速度作为轨迹特征。
3.根据权利要求2所述的一种基于生成对抗网络的车辆轨迹预测方法,其特征在于,所述步骤S2具体为:
4.根据权利要求3所述的一种基于生成对抗网络的车辆轨迹预测方法,其特征在于,所述步骤S3具体为:
将J条预测轨迹与真实轨迹交替输入到判别网络中,判别网络是以两层MLP组成,记真实轨迹的标签为1,记预测轨迹的标签为0,得到判别概率。
5.根据权利要求4所述的一种基于生成对抗网络的车辆轨迹预测方法,其特征在于,所述步骤S4具体为:
S4.1:构建生成网络的损失函数为:
构建判别网络的损失函数为:
S4.2:固定生成网络的参数,训练判别网络,将真实轨迹与预测轨迹交替输入到判别网络中,得出判别概率,将判别概率输入到判别网络与生成网络计算得出损失值,使用Adam算法更新判别网络的参数。
S4.3:固定判别网络的参数,训练生成网络,将真实轨迹与预测轨迹交替输入到判别网络中,得出判别概率,将判别概率输入到判别网络与生成网络计算得出损失值,根据损失值使用Adam算法调整生成网络的参数。
S4.4:当判别网络对于预测轨迹得到的判别概率计算接近1时,说明判别网络无非区分预测轨迹和真实轨迹,即生成网络与判别网络训练完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011157093.0A CN112257850B (zh) | 2020-10-26 | 2020-10-26 | 一种基于生成对抗网络的车辆轨迹预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011157093.0A CN112257850B (zh) | 2020-10-26 | 2020-10-26 | 一种基于生成对抗网络的车辆轨迹预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112257850A true CN112257850A (zh) | 2021-01-22 |
CN112257850B CN112257850B (zh) | 2022-10-28 |
Family
ID=74261556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011157093.0A Active CN112257850B (zh) | 2020-10-26 | 2020-10-26 | 一种基于生成对抗网络的车辆轨迹预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257850B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949597A (zh) * | 2021-04-06 | 2021-06-11 | 吉林大学 | 一种基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法 |
CN113050640A (zh) * | 2021-03-18 | 2021-06-29 | 北京航空航天大学 | 一种基于生成对抗网络的工业机器人路径规划方法和*** |
CN113076599A (zh) * | 2021-04-15 | 2021-07-06 | 河南大学 | 一种基于长短时记忆网络的多模态车辆轨迹预测方法 |
CN113313941A (zh) * | 2021-05-25 | 2021-08-27 | 北京航空航天大学 | 基于记忆网络和编码器-解码器模型的车辆轨迹预测方法 |
CN113435356A (zh) * | 2021-06-30 | 2021-09-24 | 吉林大学 | 一种克服观察噪声与感知不确定性的轨迹预测方法 |
CN113779892A (zh) * | 2021-09-27 | 2021-12-10 | 中国人民解放军国防科技大学 | 一种风速和风向的预测方法 |
CN113989326A (zh) * | 2021-10-25 | 2022-01-28 | 电子科技大学 | 一种基于注意力机制的目标轨迹预测方法 |
CN114279061A (zh) * | 2021-11-26 | 2022-04-05 | 国网北京市电力公司 | 控制空调的方法、装置和电子设备 |
CN114348019A (zh) * | 2021-12-20 | 2022-04-15 | 清华大学 | 车辆轨迹预测方法、装置、计算机设备和存储介质 |
CN114549930A (zh) * | 2022-02-21 | 2022-05-27 | 合肥工业大学 | 一种基于轨迹数据的快速路短时车头间距预测方法 |
CN114815904A (zh) * | 2022-06-29 | 2022-07-29 | 中国科学院自动化研究所 | 基于注意力网络的无人集群对抗方法、装置及无人设备 |
CN115170607A (zh) * | 2022-06-17 | 2022-10-11 | 中国科学院自动化研究所 | 出行轨迹生成方法、装置、电子设备及存储介质 |
CN115759383A (zh) * | 2022-11-11 | 2023-03-07 | 桂林电子科技大学 | 一种带有分支网络的目的地预测方法、***及电子设备 |
CN118171781A (zh) * | 2024-05-13 | 2024-06-11 | 东南大学 | 一种基于实时轨迹预测的高速公路机动车事故智能检测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781838A (zh) * | 2019-10-28 | 2020-02-11 | 大连海事大学 | 一种复杂场景下行人的多模态轨迹预测方法 |
EP3705367A1 (en) * | 2019-03-05 | 2020-09-09 | Bayerische Motoren Werke Aktiengesellschaft | Training a generator unit and a discriminator unit for collision-aware trajectory prediction |
WO2020205629A1 (en) * | 2019-03-29 | 2020-10-08 | Intel Corporation | Autonomous vehicle system |
-
2020
- 2020-10-26 CN CN202011157093.0A patent/CN112257850B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3705367A1 (en) * | 2019-03-05 | 2020-09-09 | Bayerische Motoren Werke Aktiengesellschaft | Training a generator unit and a discriminator unit for collision-aware trajectory prediction |
WO2020205629A1 (en) * | 2019-03-29 | 2020-10-08 | Intel Corporation | Autonomous vehicle system |
CN110781838A (zh) * | 2019-10-28 | 2020-02-11 | 大连海事大学 | 一种复杂场景下行人的多模态轨迹预测方法 |
Non-Patent Citations (4)
Title |
---|
AGRIM GUPTA ET AL.: "Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks", 《2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
AMIR SADEGHIAN ET AL.: "SoPhie: An Attentive GAN for Predicting Paths Compliant to Social and Physical Constraints", 《PROCEEDINGS OF THE IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION(CVPR)》 * |
刘创 等: "基于注意力机制的车辆运动轨迹预测", 《浙江大学学报(工学版)》 * |
欧阳俊 等: "基于GAN和注意力机制的行人轨迹预测研究", 《激光与光电子学进展》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113050640A (zh) * | 2021-03-18 | 2021-06-29 | 北京航空航天大学 | 一种基于生成对抗网络的工业机器人路径规划方法和*** |
CN112949597A (zh) * | 2021-04-06 | 2021-06-11 | 吉林大学 | 一种基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法 |
CN112949597B (zh) * | 2021-04-06 | 2022-11-04 | 吉林大学 | 一种基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法 |
CN113076599A (zh) * | 2021-04-15 | 2021-07-06 | 河南大学 | 一种基于长短时记忆网络的多模态车辆轨迹预测方法 |
CN113313941B (zh) * | 2021-05-25 | 2022-06-24 | 北京航空航天大学 | 基于记忆网络和编码器-解码器模型的车辆轨迹预测方法 |
CN113313941A (zh) * | 2021-05-25 | 2021-08-27 | 北京航空航天大学 | 基于记忆网络和编码器-解码器模型的车辆轨迹预测方法 |
CN113435356A (zh) * | 2021-06-30 | 2021-09-24 | 吉林大学 | 一种克服观察噪声与感知不确定性的轨迹预测方法 |
CN113435356B (zh) * | 2021-06-30 | 2023-02-28 | 吉林大学 | 一种克服观察噪声与感知不确定性的轨迹预测方法 |
CN113779892A (zh) * | 2021-09-27 | 2021-12-10 | 中国人民解放军国防科技大学 | 一种风速和风向的预测方法 |
CN113989326A (zh) * | 2021-10-25 | 2022-01-28 | 电子科技大学 | 一种基于注意力机制的目标轨迹预测方法 |
CN113989326B (zh) * | 2021-10-25 | 2023-08-25 | 电子科技大学 | 一种基于注意力机制的目标轨迹预测方法 |
CN114279061A (zh) * | 2021-11-26 | 2022-04-05 | 国网北京市电力公司 | 控制空调的方法、装置和电子设备 |
CN114348019A (zh) * | 2021-12-20 | 2022-04-15 | 清华大学 | 车辆轨迹预测方法、装置、计算机设备和存储介质 |
CN114348019B (zh) * | 2021-12-20 | 2023-11-07 | 清华大学 | 车辆轨迹预测方法、装置、计算机设备和存储介质 |
CN114549930A (zh) * | 2022-02-21 | 2022-05-27 | 合肥工业大学 | 一种基于轨迹数据的快速路短时车头间距预测方法 |
CN115170607A (zh) * | 2022-06-17 | 2022-10-11 | 中国科学院自动化研究所 | 出行轨迹生成方法、装置、电子设备及存储介质 |
CN114815904A (zh) * | 2022-06-29 | 2022-07-29 | 中国科学院自动化研究所 | 基于注意力网络的无人集群对抗方法、装置及无人设备 |
CN115759383A (zh) * | 2022-11-11 | 2023-03-07 | 桂林电子科技大学 | 一种带有分支网络的目的地预测方法、***及电子设备 |
CN115759383B (zh) * | 2022-11-11 | 2023-09-15 | 桂林电子科技大学 | 一种带有分支网络的目的地预测方法、***及电子设备 |
CN118171781A (zh) * | 2024-05-13 | 2024-06-11 | 东南大学 | 一种基于实时轨迹预测的高速公路机动车事故智能检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112257850B (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112257850B (zh) | 一种基于生成对抗网络的车辆轨迹预测方法 | |
CN112347567B (zh) | 一种车辆意图和轨迹预测的方法 | |
CN112215337B (zh) | 一种基于环境注意力神经网络模型的车辆轨迹预测方法 | |
CN112965499B (zh) | 基于注意力模型和深度强化学习的无人车行驶决策方法 | |
Cai et al. | Environment-attention network for vehicle trajectory prediction | |
CN113954864B (zh) | 一种融合周边车辆交互信息的智能汽车轨迹预测***及方法 | |
CN103605362B (zh) | 基于车辆轨迹多特征的运动模式学习及异常检测方法 | |
CN111930110A (zh) | 一种结合社会生成对抗网络的意图轨迹预测方法 | |
CN111079590A (zh) | 一种无人驾驶车辆的周边车辆行为预判方法 | |
CN112949597B (zh) | 一种基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法 | |
CN114372116B (zh) | 一种基于lstm和时空注意力机制的车辆轨迹预测方法 | |
CN114202120A (zh) | 一种针对多源异构数据的城市交通行程时间预测方法 | |
CN113554060B (zh) | 一种融合dtw的lstm神经网络轨迹预测方法 | |
CN115848398B (zh) | 一种基于学习及考虑驾驶员行为特征的车道偏离预警***评估方法 | |
CN115158364A (zh) | 一种自动驾驶汽车对周车驾驶意图和轨迹联合预测的方法 | |
Zhu et al. | Transfollower: Long-sequence car-following trajectory prediction through transformer | |
CN114368387B (zh) | 一种基于注意力机制的驾驶员意图识别及车辆轨迹预测方法 | |
CN116595871A (zh) | 基于动态时空交互图的车辆轨迹预测建模方法与装置 | |
CN117141518A (zh) | 一种基于意图感知时空注意网络的车辆轨迹预测方法 | |
CN115376103A (zh) | 一种基于时空图注意力网络的行人轨迹预测方法 | |
Sharma et al. | Kernelized convolutional transformer network based driver behavior estimation for conflict resolution at unsignalized roundabout | |
CN112927507B (zh) | 一种基于LSTM-Attention的交通流量预测方法 | |
CN116386020A (zh) | 多源数据融合的高速公路收费站出口流量预测方法及*** | |
CN110489671B (zh) | 一种基于encoder-decoder模型的道路充电桩推荐方法 | |
Xu et al. | Vehicle trajectory prediction considering multi-feature independent encoding |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |