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 PDF

Info

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
Application number
CN202011157093.0A
Other languages
English (en)
Other versions
CN112257850B (zh
Inventor
周毅
周丹阳
胡姝婷
李伟
张延宇
杜晓玉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University
Original Assignee
Henan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan University filed Critical Henan University
Priority to CN202011157093.0A priority Critical patent/CN112257850B/zh
Publication of CN112257850A publication Critical patent/CN112257850A/zh
Application granted granted Critical
Publication of CN112257850B publication Critical patent/CN112257850B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种基于生成对抗网络的车辆轨迹预测方法
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
Figure BDA0002743110690000021
其中，
Figure BDA0002743110690000022
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
Figure BDA0002743110690000023
Figure BDA0002743110690000024
表示目标车辆在t1时刻的横向位置，
Figure BDA0002743110690000025
表示目标车辆在t1时刻的纵向位置，
Figure BDA0002743110690000026
表示目标车辆在t1时刻的速度，
Figure BDA0002743110690000027
表示目标车辆与周围车辆在t1时刻的横向距离差，
Figure BDA0002743110690000028
为目标车辆与周围车辆在t1时刻的纵向距离差，
Figure BDA0002743110690000029
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：
S2.1：将S1.3中提取的轨迹序列输入到全连接层中，得到被网络接收的特征空间序列
Figure BDA0002743110690000031
S2.2：将特征空间序列L输入到LSTM编码器中，编码得到每一时刻对应的历史隐藏状态
Figure BDA0002743110690000032
提取编码器得到的历史隐藏状态，记为历史隐藏状态向量集合
Figure BDA0002743110690000033
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
Figure BDA0002743110690000034
(需要着重说明的是，本发明中
Figure BDA0002743110690000035
中的下标t2与
Figure BDA0002743110690000036
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
Figure BDA0002743110690000037
其中；
S2.4：将得到的et'进行归一化，即
Figure BDA0002743110690000038
S2.5：将归一化后的s't值与历史轨迹隐藏状态加权求和得到解码器在t2+1时刻的输入编码
Figure BDA0002743110690000039
S2.6：将
Figure BDA00027431106900000310
与
Figure BDA00027431106900000311
向量经过解码器，输出得到预测时刻t2+1的值，即
Figure BDA00027431106900000312
其中，w为解码器的权重。
Figure BDA00027431106900000313
为生成网络在t2+1时刻的隐藏状态，将解码器的隐藏层状态
Figure BDA00027431106900000314
经过映射得到当前预测时刻的轨迹
Figure BDA00027431106900000315
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：
Figure BDA00027431106900000316
其中，J表示输入的预测轨迹个数，
Figure BDA00027431106900000317
表示第j条预测轨迹在判别网络中得到的判别概率。
Figure BDA00027431106900000318
表示预测轨迹值与真实轨迹值的欧氏距离。m表示轨迹点个数，λ为损失函数权重。
构建判别网络的损失函数为：
Figure BDA0002743110690000041
其中，
Figure BDA0002743110690000042
表示第j条真实轨迹在判别网络中得到的判别概率。
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
Figure BDA0002743110690000051
其中，
Figure BDA0002743110690000052
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
Figure BDA0002743110690000053
Figure BDA0002743110690000054
表示目标车辆在t1时刻的横向位置，
Figure BDA0002743110690000055
表示目标车辆在t1时刻的纵向位置，
Figure BDA0002743110690000056
表示目标车辆在t1时刻的速度，
Figure BDA0002743110690000057
表示目标车辆与周围车辆在t1时刻的横向距离差，
Figure BDA0002743110690000058
为目标车辆与周围车辆在t1时刻的纵向距离差，
Figure BDA0002743110690000059
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：
S2.1：将S1.3中提取的轨迹序列输入到全连接层中，得到被网络接收的特征空间序列
Figure BDA00027431106900000510
步骤S2.1中，生成网络包括全连接层和LSTM的编码器和解码器以及注意力机制，将
Figure BDA0002743110690000061
首先输入到全连接层，全连接层输出得到被网络接收的定长特征空间序列
Figure BDA0002743110690000062
S2.2：将特征空间序列L输入到LSTM编码器中，编码得到每一时刻对应的历史隐藏状态
Figure BDA0002743110690000063
提取编码器得到的历史隐藏状态，记为历史隐藏状态向量集合
Figure BDA0002743110690000064
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
Figure BDA0002743110690000065
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：
Figure BDA0002743110690000066
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：
Figure BDA0002743110690000067
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
Figure BDA0002743110690000068
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
Figure BDA0002743110690000071
(需要着重说明的是，本发明中
Figure BDA0002743110690000072
中的下标t2与
Figure BDA0002743110690000073
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
Figure BDA0002743110690000074
其中；
S2.4：将得到的et'进行归一化，即
Figure BDA0002743110690000075
S2.5：将归一化后的s't值与历史轨迹隐藏状态加权求和得到解码器在t2+1时刻的输入编码
Figure BDA0002743110690000076
S2.6：将
Figure BDA0002743110690000077
与
Figure BDA0002743110690000078
向量经过解码器，输出得到预测时刻t2+1的值，即
Figure BDA0002743110690000079
其中，w为解码器的权重。
Figure BDA00027431106900000710
为生成网络在t2+1时刻的隐藏状态，将解码器的隐藏层状态
Figure BDA00027431106900000711
经过映射得到当前预测时刻的轨迹
Figure BDA00027431106900000712
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:
Figure BDA00027431106900000713
其中，wm1为第一层MLP的权重，bm1为该层MLP的偏置。将得到的
Figure BDA00027431106900000714
输入到第二层MLP中，得到该轨迹的最终判别概率。即
Figure BDA00027431106900000715
其中wm2为该层MLP的权重，bm2为该层MLP的偏置，
Figure BDA00027431106900000716
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：
Figure BDA0002743110690000081
其中，J表示输入的预测轨迹个数，
Figure BDA0002743110690000082
表示第j条预测轨迹在判别网络中得到的判别概率。
Figure BDA0002743110690000083
表示预测轨迹值与真实轨迹值的欧氏距离。m表示轨迹点个数，λ为损失函数权重。
构建判别网络的损失函数为：
Figure BDA0002743110690000084
其中，
Figure BDA0002743110690000085
表示第j条真实轨迹在判别网络中得到的判别概率。
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。
S1.3：提取目标车辆在t1～t1+n时间内的轨迹序列为
Figure FDA0002743110680000011
其中，
Figure FDA00027431106800000110
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
Figure FDA0002743110680000012
Figure FDA0002743110680000013
表示目标车辆在t1时刻的横向位置，
Figure FDA0002743110680000014
表示目标车辆在t1时刻的纵向位置，
Figure FDA0002743110680000015
表示目标车辆在t1时刻的速度，
Figure FDA0002743110680000016
表示目标车辆与周围车辆在t1时刻的横向距离差，
Figure FDA0002743110680000017
为目标车辆与周围车辆在t1时刻的纵向距离差，
Figure FDA0002743110680000018
为周围车辆相对于目标车辆在t1时刻的速度。
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：
S2.1：将S1.3中提取的轨迹序列输入到全连接层中，得到被网络接收的特征空间序列
Figure FDA0002743110680000019
S2.2：将特征空间序列L输入到LSTM编码器中，编码得到每一时刻对应的历史隐藏状态
Figure FDA0002743110680000021
提取编码器得到的历史隐藏状态，记为历史隐藏状态向量集合
Figure FDA0002743110680000022
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
Figure FDA0002743110680000023
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
Figure FDA0002743110680000024
其中；
S2.4：将得到的et'进行归一化，即
Figure FDA0002743110680000025
S2.5：将归一化后的s′t值与编码器得到的历史轨迹隐藏状态加权求和得到解码器在t2+1时刻的输入编码
Figure FDA0002743110680000026
S2.6：将
Figure FDA0002743110680000027
与
Figure FDA0002743110680000028
向量经过解码器，输出得到预测时刻t2+1的隐藏状态值，即
Figure FDA0002743110680000029
其中，w为解码器的权重。
Figure FDA00027431106800000210
为生成网络在t2+1时刻的隐藏状态，将解码器的隐藏层状态
Figure FDA00027431106800000211
经过映射得到当前预测时刻的轨迹
Figure FDA00027431106800000212
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：
Figure FDA00027431106800000213
其中，J表示输入的预测轨迹个数，
Figure FDA00027431106800000214
表示第j条预测轨迹在判别网络中得到的判别概率。
Figure FDA00027431106800000215
表示预测轨迹值与真实轨迹值的欧氏距离。m表示轨迹点个数，λ为损失函数权重。
构建判别网络的损失函数为：
Figure FDA0002743110680000031
其中，
Figure FDA0002743110680000032
表示第j条真实轨迹在判别网络中得到的判别概率。
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。
CN202011157093.0A 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 Active CN112257850B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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