CN114627644A - 基于图卷积网络和门控循环网络的交叉口车迹预测方法 - Google Patents
基于图卷积网络和门控循环网络的交叉口车迹预测方法 Download PDFInfo
- Publication number
- CN114627644A CN114627644A CN202210197139.4A CN202210197139A CN114627644A CN 114627644 A CN114627644 A CN 114627644A CN 202210197139 A CN202210197139 A CN 202210197139A CN 114627644 A CN114627644 A CN 114627644A
- Authority
- CN
- China
- Prior art keywords
- graph
- network
- intersection
- vehicle
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000006073 displacement reaction Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 3
- 238000005065 mining Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Analytical Chemistry (AREA)
- Marketing (AREA)
- Chemical & Material Sciences (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开属于智能交通技术领域,具体而言涉及基于图卷积网络和门控循环网络的交叉口车迹预测方法。所述方法包括:获取数据;将获取数据进行处理;构建车辆‑信号相位关系图,所述关系图由顶点集合V和边集合E组成,以车辆和信号相位为节点,并根据不同节点之间的距离,判断节点与节点之间是否连通形成边;将所述关系图G输入到图卷积网络中以得到图的高阶特征e(G);基于GRU编码‑解码器网络挖掘轨迹时序演化规律,预测车辆轨迹。通过图来构建周围车辆和信号相位对车辆轨迹的影响关系,并利用图卷积网络和门控循环网络组合模型实现了交叉口车辆轨迹预测。
Description
技术领域
本公开属于智能交通技术领域,具体而言涉及基于图卷积网络和门控循环网络的交叉口车迹预测方法。
背景技术
复杂的交叉口环境给自动驾驶在城市道路中落地带来挑战。自动驾驶车辆必须能够应对交叉口处各种交通参与者和复杂的交通基础设施带来的影响。例如,当自动驾驶车辆在没有左转保护相位的交叉口左转时,可能会与对向车道的车辆发生碰撞。因此自动驾驶车辆如何安全的通过交叉口成为了一个急需解决的问题。
提高自动驾驶汽车在交叉口的安全性的一项关键技术是轨迹预测。自动驾驶汽车通过感知周围车辆的轨迹,可以对它们的未来轨迹做出预测,以避免碰撞并做出更加安全且合理驾驶决策和路径规划。
现有的轨迹预测方法一般是数据驱动的方法,通过构建机器学习或深度学习模型,以车辆行驶轨迹、横向或纵向机动行为等数据作为输入,模型预测车辆未来轨迹。这些方法一般应用在高速公路中,很少考虑其他交通参与物对车辆轨迹的影响,往往在交叉口环境下表现较差。
发明内容
本公开正是基于现有技术的上述需求而提出的,本公开要解决的技术问题是提供基于图卷积网络和门控循环网络的交叉口车迹预测方法以解决现有技术中难以应对交叉口复杂环境的问题,通过图来构建周围车辆和信号相位对车辆轨迹的影响关系,并利用图卷积网络和门控循环网络组合模型实现了交叉口车辆轨迹预测。
为了解决上述问题,本公开提供的技术方案包括:
提供了基于图卷积网络和门控循环网络的交叉口车迹预测方法,包括:S1获取数据,所述数据包括交叉口的信号相位方案、每个进口道的停止线位置和车辆的运动轨迹;S2将获取数据进行处理,所述处理包括轨迹数据位移处理和信号相位与停止线数据时空处理;S3以车辆或信号相位为节点,并根据不同节点之间的距离判断节点与节点之间是否连通形成边,由顶点集合V和边集合E组成构建车辆-信号相位关系图G={V,E}:计算不同节点之间的欧氏距离,并判断所述欧氏距离是否小于距离阈值,若欧式距离小于距离阈值,则将两节点通过边连通,所述关系图G的邻接矩阵A中的元素表示为:其中Amn为矩阵A中底m行第n列的元素,||vmvn||表示节点vm和vn之间的欧式距离,D为所述距离阈值;同时由所述节点得到节点特征矩阵,当节点为车辆特征时,节点特征为所述轨迹数据位移处理后的数据;S4将所述关系图G输入到图卷积网络中得到所述关系图的高阶特征其中为M的维度与邻接矩阵A的维度相同,且矩阵M内的所有元素的初始值均为1,所述矩阵M为可学习参数,为图G的节点特征矩阵;S5将当前时间的所述高阶特征e(G)和当前时间步的隐藏状态输入到解码器GRU中,得到预测结果和下一个时间步的隐藏状态;其中所述当前时间步的隐藏状态由前时间的所述高阶特征e(G)和前一个时间步的隐藏状态输入到编码器GRU中计算得到:编码器GRU的输入是当前时间步的图卷积网络的输出e(G)以及前一个时间步的隐藏状态ht-1,编码器输出一个当前隐藏状态ht=EncoderGRU(e(G),ht-1),解码器GRU的输入是当前时间步的图卷积网络的输出e(G)以及当前时间步的隐藏状态ht,解码器输出一个新的隐藏状态st和预测结果Yt:[st,Yt]=DecoderGRU(e(G),ht)。
优选的,所述交叉口的信号相位方案包括其中t=1,...,tobs,表示在t时刻,交叉口第i个进口道中第j个车道所亮起的信号灯的点亮的时间;所述每个进口道的停止线位置Sij=(xi,yi),其中,i表示交叉口中的进口道编号,j表示该进口道中的车道编号,xi为该进口道的x方向坐标,yi为该进口道的y方向坐标;车辆的运动轨迹为所有车辆在时间t=1,...,tobs的所处的位置的集合,其中X(t)=(xt,yt),xt是时刻t下车辆的x方向的坐标数据,yt是时刻t下车辆的y方向的坐标数据。
优选的,所述判断节点与节点之间是否连通包括:计算不同节点之间的欧氏距离,并判断所述欧氏距离是否小于距离阈值,若欧式距离小于距离阈值,则将两节点通过边连通。
优选的,将所述关系图G输入到图卷积网络中以得到关系图的高阶特征e(G)=fconv(G+G*),其中fconv()为图卷积,G*为加权图;其中,M为初始值均为1的可学习参数矩阵,M的维度与邻接矩阵A的维度相同。
优选的,编码器单元隐藏状态的初始值设置为0。
优选的,当编码器包括多个编码器单元时,多个所述编码器单元链式连接,第一个编码器单元隐藏状态的初始值设置为0;前一个编码器单元的输出将作为后一个编码器单元的输入到下一个编码器中进行相应的运算。
与现有技术相比,本公开针对交叉口的复杂环境,通过图来构建周围车辆和信号相位对车辆轨迹的影响关系,并利用图卷积网络和门控循环网络组合模型提高交叉口车辆轨迹预测的精确度。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本公开实施例中一种基于图卷积网络和门控循环网络的交叉口车迹预测方法的流程图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
在本公开实施例的描述中,需要说明的是,除非另有明确的规定和限定,术语“相连”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接可以是机械连接,也可以是电连接可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本公开中的具体含义。
全文中描述使用的术语“顶部”、“底部”、“在......上方”、“下”和“在......上”是相对于装置的部件的相对位置,例如装置内部的顶部和底部衬底的相对位置。可以理解的是装置是多功能的,与它们在空间中的方位无关。
为便于对本申请实施例的理解,下面将结合附图以具体实施例做进一步的解释说明,实施例并不构成对本申请实施例的限定。
本实施例提供了一种基于图卷积网络和门控循环网络的交叉口车迹预测方法,所述车迹为车辆轨迹。
所述方法包括:
S1获取数据,所述数据包括交叉口的信号相位方案和每个进口道的停止线位置、场景中所有车辆的运动轨迹和所处车道。
在一个信号周期内,一股或几股车流在任何时刻都获得完全相同的信号灯色显示,那么就把它们获得不同灯色(绿灯、黄灯、红灯)的连续时序称作一个信号相位。
所述信号相位方案为时间t=1,...,tobs下交叉口进口道i中车道j的状态表示为:
所述停止线位置的表示式为:Sij=(xi,yi),Sij是交叉口进口道i中车道j的x方向的坐标xi和y方向的坐标yi。
所述车辆所处的所述车道包括左转车道、直行车道和右转车道。
S2将获取数据进行处理,所述处理包括轨迹数据位移处理和信号相位与停止线数据时空处理。
S3构建车辆-信号相位关系图以及图的节点特征矩阵,所述关系图由顶点集合V和边集合E组成,表示为G={V,E},以车辆和信号相位为节点,并根据不同节点之间的距离,判断节点与节点之间是否连通。
将车和车与信号相位之间的影响关系构建为关系图,即以车辆和信号相位为节点,将车和车与信号相位间的影响关系表示为边;并得到邻接矩阵。
关系图G由节点集合V和边集合E组成,记作G={V,E},以车辆以及信号相位为节点,将车辆与车辆以及车辆与信号相位之间的影响关系为边,构建关系图G。
计算不同节点V之间的欧氏距离,并判断所述欧氏距离是否小于距离阈值。若欧式距离小于距离阈值,则将两节点通过边连通,若欧式距离大于或等于距离阈值,则不将两个节点相连通。
所述图G的邻接矩阵为一个二维数组的矩阵,表示为:
其中,||vmvn||表示节点vm和vn之间的欧式距离,D为所述距离阈值。
S4将所述关系图输入到图卷积网络中,以获得图的高阶特征。
将所述图G输入到图卷积网络中得到图的高阶特征e(G),计算如下:
图卷积网络的第l层输出、第l+1层的输入的计算公式如下:
S5基于GRU编码-解码器网络挖掘轨迹时序演化规律,预测车辆轨迹。
编码器GRU的输入都是当前时间步图卷积网络的输出e(G),以及前一个时间步的隐藏状态ht-1,编码器的输出是当前时间的隐藏状态ht,表达式如下:
ht=EncoderGRUe(G),ht-1
其中,EncoderGRU()为编码器运算,t为时间步。
所述编码器GRU包括一个或多个编码器单元,当编码器包括多个编码器单元时,多个所述编码器单元链式连接,第一个编码器单元隐藏状态的初始值设置为0。前一个编码器单元的输出将作为后一个编码器单元的输入到下一个编码器中进行相应的运算。同样的,解码器GRU也具有相似的结构,包括一个或多个解码器单元。进一步地,最后一个编码器单元的输出将作为第一个解码器单元的输入。
解码器GRU的输入是当前时间步的图卷积网络的输出e(G),以及隐藏状态st-1,所述隐藏状态来源于所述编码器中的最后一个编码器单元的输出。解码器的输出是新的隐藏状态st以及当前时间的预测结果Yt。表示为:
[st,Yt]=DecoderGRU(e(G),st-1)
示例性的,若编码器GRU中包括一个编码器单元,所述解码器GRU中包括一个解码器单元。则编码器通过上一个时间步的隐藏状态ht-1和当前时间步的图卷积网络的输出e(G),得到当前时间步的隐藏状态ht:
ht=EncoderGRUe(G),ht-1
所述解码器通过由编码器得出的当前时间步的隐藏状态ht和当前时间步的图卷积网络的输出e(G),得到新的隐藏状态st和预测结果Yt:
[st,Yt]=DecoderGRU(e(G),ht)
本公开通过图卷积神经网络和门控循环网络组合的模型以预测车辆在交叉口环境下的轨迹进而应对交叉口复杂的环境问题。
以上所述的具体实施方式,对本申请的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本申请的具体实施方式而已,并不用于限定本申请的保护范围,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.基于图卷积网络和门控循环网络的交叉口车迹预测方法,其特征在于,包括:
S1获取数据,所述数据包括交叉口的信号相位方案、每个进口道的停止线位置和车辆的运动轨迹;
S2将获取数据进行处理,所述处理包括轨迹数据位移处理和信号相位与停止线数据时空处理;
S3以车辆或信号相位为节点,并根据不同节点之间的距离判断节点与节点之间是否连通形成边,由顶点集合V和边集合E组成构建车辆-信号相位关系图G={V,E}:计算不同节点之间的欧氏距离,并判断所述欧氏距离是否小于距离阈值,若欧式距离小于距离阈值,则将两节点通过边连通,所述关系图G的邻接矩阵A中的元素表示为:其中Amn为矩阵A中底m行第n列的元素,||vmvn||表示节点vm和vn之间的欧式距离,D为所述距离阈值;同时由所述节点得到节点特征矩阵,当节点为车辆特征时,节点特征为所述轨迹数据位移处理后的数据;
S5将当前时间的所述高阶特征e(G)和当前时间步的隐藏状态输入到解码器GRU中,得到预测结果和下一个时间步的隐藏状态;其中所述当前时间步的隐藏状态由前时间的所述高阶特征e(G)和前一个时间步的隐藏状态输入到编码器GRU中计算得到:编码器GRU的输入是当前时间步的图卷积网络的输出e(G)以及前一个时间步的隐藏状态ht-1,编码器输出一个当前隐藏状态ht=EncoderGRU(e(G),ht-1),解码器GRU的输入是当前时间步的图卷积网络的输出e(G)以及当前时间步的隐藏状态ht,解码器输出一个新的隐藏状态st和预测结果Yt:[st,Yt]=DecoderGRU(e(G),ht)。
5.根据权利要求1所述的基于图卷积网络和门控循环网络的交叉口车迹预测方法,其特征在于,所述判断节点与节点之间是否连通包括:计算不同节点之间的欧氏距离,并判断所述欧氏距离是否小于距离阈值,若欧式距离小于距离阈值,则将两节点通过边连通。
9.根据权利要求1所述的基于图卷积网络和门控循环网络的交叉口车迹预测方法,其特征在于,编码器单元隐藏状态的初始值设置为0。
10.根据权利要求1所述的基于图卷积网络和门控循环网络的交叉口车迹预测方法,其特征在于,
当编码器包括多个编码器单元时,多个所述编码器单元链式连接,第一个编码器单元隐藏状态的初始值设置为0;前一个编码器单元的输出将作为后一个编码器单元的输入到下一个编码器中进行相应的运算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210197139.4A CN114627644B (zh) | 2022-03-02 | 2022-03-02 | 基于图卷积网络和门控循环网络的交叉口车迹预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210197139.4A CN114627644B (zh) | 2022-03-02 | 2022-03-02 | 基于图卷积网络和门控循环网络的交叉口车迹预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114627644A true CN114627644A (zh) | 2022-06-14 |
CN114627644B CN114627644B (zh) | 2023-01-24 |
Family
ID=81899449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210197139.4A Active CN114627644B (zh) | 2022-03-02 | 2022-03-02 | 基于图卷积网络和门控循环网络的交叉口车迹预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114627644B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931905A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法 |
US20210150228A1 (en) * | 2019-11-15 | 2021-05-20 | Argo AI, LLC | Methods and systems for joint pose and shape estimation of objects from sensor data |
CN113362491A (zh) * | 2021-05-31 | 2021-09-07 | 湖南大学 | 一种车辆轨迹预测及驾驶行为分析方法 |
CN113954864A (zh) * | 2021-09-22 | 2022-01-21 | 江苏大学 | 一种融合周边车辆交互信息的智能汽车轨迹预测***及方法 |
US11238729B1 (en) * | 2020-09-11 | 2022-02-01 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for traffic flow prediction |
-
2022
- 2022-03-02 CN CN202210197139.4A patent/CN114627644B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210150228A1 (en) * | 2019-11-15 | 2021-05-20 | Argo AI, LLC | Methods and systems for joint pose and shape estimation of objects from sensor data |
CN111931905A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法 |
US11238729B1 (en) * | 2020-09-11 | 2022-02-01 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for traffic flow prediction |
CN113362491A (zh) * | 2021-05-31 | 2021-09-07 | 湖南大学 | 一种车辆轨迹预测及驾驶行为分析方法 |
CN113954864A (zh) * | 2021-09-22 | 2022-01-21 | 江苏大学 | 一种融合周边车辆交互信息的智能汽车轨迹预测***及方法 |
Non-Patent Citations (7)
Title |
---|
ALAHI A等: "Social LSTM:human trajectory prediction in crowded spaces", 《IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
JIANG Y等: "Predicting the speed,scale,and range of information diffusion in twitter", 《FOURTH INTERNATIONAL AAAI CONFERENCE ON WEBLOGS AND SOCIAL MEDIA》 * |
张志扬等: "基于分层注意力的信息级联预测模型", 《计算机科学》 * |
李昊天等: "单时序特征图卷积网络融合预测方法", 《计算机与现代化》 * |
李琳辉等: "行人轨迹预测方法综", 《智能科学与科技学报》 * |
王天保等: "图卷积神经网络行人轨迹预测算法", 《哈尔滨工业大学学报》 * |
王海起等: "基于图结构的城市道路短时交通流量时空预测模型", 《地理与地理信息科学》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114627644B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102306939B1 (ko) | V2x 통신 및 이미지 처리를 이용한 정보 융합을 통해 자율 주행의 단기 경로를 플래닝하기 위한 방법 및 장치 | |
US20230367318A1 (en) | End-To-End Interpretable Motion Planner for Autonomous Vehicles | |
US11131993B2 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
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 | |
US20210276547A1 (en) | Multi-agent trajectory prediction | |
CN114245885A (zh) | 基于动作数据的自上而下场景预测 | |
Marjovi et al. | Distributed graph-based convoy control for networked intelligent vehicles | |
CN112215337A (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 | |
US20210150350A1 (en) | Agent trajectory prediction using vectorized inputs | |
CN113495578A (zh) | 一种基于数字孪生式训练的集群航迹规划强化学习方法 | |
US20210188316A1 (en) | Systems and Methods for Generating Behavioral Predictions in Reaction to Autonomous Vehicle Movement | |
Perez-Carabaza et al. | A real world multi-UAV evolutionary planner for minimum time target detection | |
CN111599179B (zh) | 一种基于风险动态平衡的无信号交叉口车辆运动规划方法 | |
Niranjan et al. | Deep learning based object detection model for autonomous driving research using carla simulator | |
Kumar et al. | Interaction-based trajectory prediction over a hybrid traffic graph | |
CN114281084B (zh) | 一种基于改进a*算法的智能车全局路径规划方法 | |
Sun et al. | Vehicle turning behavior modeling at conflicting areas of mixed-flow intersections based on deep learning | |
CN114169241A (zh) | 一种端到端的多目标识别、追踪与预测方法 | |
Zhang et al. | Mmfn: Multi-modal-fusion-net for end-to-end driving | |
CN115230719A (zh) | 一种行驶轨迹规划方法和装置 | |
Sharma et al. | Kernelized convolutional transformer network based driver behavior estimation for conflict resolution at unsignalized roundabout | |
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 | |
Masmoudi et al. | Autonomous car-following approach based on real-time video frames processing | |
CN114627644B (zh) | 基于图卷积网络和门控循环网络的交叉口车迹预测方法 | |
GB2599121A (en) | Method and system for training a neural network |
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 |