CN114881339A - 车辆轨迹预测方法、***、计算机设备及存储介质 - Google Patents

车辆轨迹预测方法、***、计算机设备及存储介质 Download PDF

Info

Publication number
CN114881339A
CN114881339A CN202210545736.1A CN202210545736A CN114881339A CN 114881339 A CN114881339 A CN 114881339A CN 202210545736 A CN202210545736 A CN 202210545736A CN 114881339 A CN114881339 A CN 114881339A
Authority
CN
China
Prior art keywords
vehicle
predicted
data
hidden state
state information
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.)
Pending
Application number
CN202210545736.1A
Other languages
English (en)
Inventor
刘占文
李超
员惠莹
靳引利
杨楠
李文倩
赵彬岩
范颂华
范锦
程娟茹
薛志彪
肖方伟
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.)
Changan University
Original Assignee
Changan 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 Changan University filed Critical Changan University
Priority to CN202210545736.1A priority Critical patent/CN114881339A/zh
Publication of CN114881339A publication Critical patent/CN114881339A/zh
Priority to PCT/CN2022/119688 priority patent/WO2023221348A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/045—Combinations of 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
    • 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
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于自动驾驶领域，公开了一种车辆轨迹预测方法、***、计算机设备及存储介质，包括：提取待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据，得到待预测车辆的多维动态场景特征向量；提取待预测车辆的多维动态场景特征向量，得到待预测车辆的交通感知信息；编码待预测车辆的交通感知信息以及历史运动状态数据，得到待预测车辆的隐状态信息；根据待预测车辆的隐状态信息，得到待预测车辆的混合注意力矩阵，并通过待预测车辆的混合注意力矩阵为待预测车辆的隐状态信息分配权重，然后依次通过最大池化处理和全连接处理，得到待预测车辆的轨迹预测值，最终有效提升了车辆轨迹预测准确性。

Description

车辆轨迹预测方法、***、计算机设备及存储介质
技术领域
本发明属于自动驾驶领域，涉及一种车辆轨迹预测方法、***、计算机设备及存储介质。
背景技术
自动车辆与网联汽车将在未来道路交通和运输发展中发挥着关键作用，为了能够在复杂的交通环境中快速安全的通行，网联汽车必须基于周围车辆的未来轨迹通过路径规划算法与驾驶策略决定何时加速及变道等。然而，由于受到驾驶员主观驾驶意图及车辆间客观存在的动态相互作用的影响，车辆轨迹通常表现出高度非线性，因此，预测车辆未来轨迹是一个极具挑战性的问题。
目前，在进行轨迹预测时仅考虑车辆间的交互作用，而忽略了司机的主观驾驶意图对车辆未来轨迹的影响，导致轨迹预测准确率较低，尤其是在车辆横向机动时。为了解决这一问题，基于驾驶策略分类的轨迹预测方法成为一个研究方向，这类方法首先对车辆未来驾驶策略进行预测，比如直行、左变道及右变道等，然后基于驾驶策略进行微观轨迹的预测。这类方法虽然解决了部分变道轨迹的预测问题，但也使得轨迹预测精度完全依赖于驾驶策略的预测准确率，使得模型在驾驶策略预测错误时，轨迹预测准确率大幅下降。除此之外，基于LSTM的模型长时预测能力较差，其预测误差随预测时长的增加而急剧增加。而对于长时预测能力较强的Transformer模型，其模型参数量与计算量巨大，使得模型过于复杂。
发明内容
本发明的目的在于克服上述现有技术中，车辆轨迹预测准确率较低的缺点，提供一种车辆轨迹预测方法、***、计算机设备及存储介质。
为达到上述目的，本发明采用以下技术方案予以实现：
本发明第一方面，一种车辆轨迹预测方法，包括：
获取待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据；
通过预设的多维动态场景特征提取函数，提取待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据，得到待预测车辆的多维动态场景特征向量；
通过预设的信息提取神经网络提取待预测车辆的多维动态场景特征向量，得到待预测车辆的交通感知信息；
通过预设的时间特征编码器，编码待预测车辆的交通感知信息以及历史运动状态数据，得到待预测车辆的隐状态信息；
根据待预测车辆的隐状态信息，得到待预测车辆的混合注意力矩阵，并通过待预测车辆的混合注意力矩阵为待预测车辆的隐状态信息分配权重，然后依次通过最大池化处理和全连接处理，得到待预测车辆的轨迹预测值。
可选的，所述待预测车辆各相邻车辆包括待预测车辆的前、后、左、右、左前、左后、右前以及右后八个方向的相邻车辆。
可选的，所述通过预设的多维动态场景特征提取函数，提取待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据，得到待预测车辆的多维动态场景特征向量包括：
通过预设的多维动态场景特征提取函数，提取待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据中，待预测车辆及待预测车辆各相邻车辆在行驶方向及行驶方向的垂直方向上的位置数据、速度数据和加速度数据，得到待预测车辆的多维动态场景特征向量。
可选的，所述信息提取神经网络包括依次连接的第一卷积层、第二卷积层、最大池化层和全连接层；
其中，第一卷积层用于融合待预测车辆及待预测车辆各相邻车辆在行驶方向及行驶方向的垂直方向上的位置数据、速度数据和加速度数据，得到待预测车辆及待预测车辆各相邻车辆的第一融合特征；
第二卷积层用于融合待预测车辆及待预测车辆各相邻车辆中任意相邻车辆的第一融合特征，得到第二融合特征；
最大池化层用于最大池化处理第二融合特征；
全连接层用于全连接处理最大池化处理后的第二融合特征，得到待预测车辆的交通感知信息。
可选的，所述预设的时间特征编码器为长短期记忆网络编码器。
可选的，所述根据待预测车辆的隐状态信息，得到待预测车辆的混合注意力矩阵包括：
通过下式得到待预测车辆的混合注意力矩阵α：
αt＝softmax(gt(H,ht+1))
αf＝softmax(gf(H,ht+1))
α＝αtαf
其中，softmax为归一化指数函数，αt为时间权重向量，αf为特征权重向量，gt(H,ht+1)＝HhT，gf(H,ht+1)＝ht+1(WfH)，
Figure BDA0003652536380000031
gf为特征权重余弦相关度函数，gt为时间权重余弦相关度函数，Wf为历史Th帧待预测车辆的特征矩阵，H为历史Th帧待预测车辆的隐状态信息，ht为t时刻待预测车辆的隐状态数据，ht+1为t+1时刻待预测车辆的隐状态数据。
可选的，所述通过待预测车辆的混合注意力矩阵为待预测车辆的隐状态信息分配权重，然后依次通过最大池化处理和全连接处理，得到待预测车辆的轨迹预测值包括：
通过下式得到待预测车辆的轨迹预测值yt+1：
O＝α⊙H
Figure BDA0003652536380000041
Figure BDA0003652536380000042
h't+1＝contact(ht+1,ot,of)
yt+1＝h't+1W2W1
其中，⊙为矩阵对应元素相乘，ot为对提高预测精度最有利的时刻，
Figure BDA0003652536380000043
为在时间维度进行最大池化，Oi,j为通过分配权重后的待预测车辆的隐状态信息，of为对提高预测精度最有利的特征，
Figure BDA0003652536380000044
为在特征维度进行最大池化处理，ht'+1为将ot、of和ht+1进行全连接处理得到的t+1时刻待预测车辆的隐状态信息，contact为全连接处理，W1和W2为预设权重。
本发明第二方面，一种车辆轨迹预测***，包括：
数据获取模块，用于获取待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据；
数据预处理模块，用于通过预设的多维动态场景特征提取函数，提取待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据，得到待预测车辆的多维动态场景特征向量；
信息提取模块，用于通过预设的信息提取神经网络提取待预测车辆的多维动态场景特征向量，得到待预测车辆的交通感知信息；
编码模块，用于通过预设的时间特征编码器，编码待预测车辆的交通感知信息以及历史运动状态数据，得到待预测车辆的隐状态信息；
预测模块，用于根据待预测车辆的隐状态信息，得到待预测车辆的混合注意力矩阵，并通过待预测车辆的混合注意力矩阵为待预测车辆的隐状态信息分配权重，然后依次通过最大池化处理和全连接处理，得到待预测车辆的轨迹预测值。
本发明第三方面，一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述车辆轨迹预测的步骤。
本发明第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述车辆轨迹预测的步骤。
与现有技术相比，本发明具有以下有益效果：
本发明车辆轨迹预测方法，通过利用待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据，通过预设的多维动态场景特征提取函数进行特征提取，得到待预测车辆的多维动态场景特征向量，并基于待预测车辆的多维动态场景特征向量，通过信息提取神经网络得到待预测车辆的交通感知信息，依此表征待预测车辆及待预测车辆各相邻车辆之间的动态依赖关系和司机的主观驾驶意图，接着通过时间特征编码器，编码待预测车辆的交通感知信息以及历史运动状态数据，得到待预测车辆的隐状态信息，然后基于待预测车辆的隐状态信息，得到待预测车辆的混合注意力矩阵，最终通过待预测车辆的混合注意力矩阵为待预测车辆的隐状态信息分配权重，通过混合注意力机制对历史轨迹信息进行选择性重利用，提高模型的长时预测能力，然后依次通过最大池化处理和全连接处理，得到待预测车辆的轨迹预测值，使得车辆轨迹预测更合理准确。
附图说明
图1为本发明实施例的车辆轨迹预测方法流程图；
图2为本发明实施例的交通场景及静态坐标系示意图；
图3为本发明实施例的多维动态场景特征图构建示意图；
图4为本发明实施例的信息提取神经网络结构示意图；
图5为本发明实施例的混合注意力机制原理示意图；
图6为本发明实施例的基于混合注意力机制预测原理示意图；
图7为本发明实施例的车辆轨迹预测方法原理示意图；
图8为本发明实施例的数据预处理流程图；
图9为本发明实施例的归一化前数据分布示意图；
图10为本发明实施例的归一化后数据分布示意图；
图11为本发明实施例的初始学习率与迭代次数关系示意图；
图12为本发明实施例的本发明车辆轨迹预测方法的轨迹预测图；
图13为本发明实施例的现有transformer模型的轨迹预测图；
图14为本发明实施例的一样本轨迹的RMSE与预测帧数的关系示意图；
图15为本发明实施例的一样本轨迹的MAEx与预测帧数的关系示意图；
图16为本发明实施例的一样本轨迹的MAEy与预测帧数的关系示意图；
图17为本发明实施例的另一样本轨迹的RMSE与预测帧数的关系示意图；
图18为本发明实施例的另一样本轨迹的MAEx与预测帧数的关系示意图；
图19为本发明实施例的另一样本轨迹的MAEy与预测帧数的关系示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述：
参见图1，本发明一实施例中，提供一种车辆轨迹预测方法，解决了现有方法未考虑驾驶人员主观驾驶意图导致预测精度低且长时预测能力差的问题。具体的，该车辆轨迹预测方法包括以下步骤：
S1：获取待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据。
S2：通过预设的多维动态场景特征提取函数，提取待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据，得到待预测车辆的多维动态场景特征向量。
S3：通过预设的信息提取神经网络提取待预测车辆的多维动态场景特征向量，得到待预测车辆的交通感知信息。
S4：通过预设的时间特征编码器，编码待预测车辆的交通感知信息以及历史运动状态数据，得到待预测车辆的隐状态信息。
S5：根据待预测车辆的隐状态信息，得到待预测车辆的混合注意力矩阵，并通过待预测车辆的混合注意力矩阵为待预测车辆的隐状态信息分配权重，然后依次通过最大池化处理和全连接处理，得到待预测车辆的轨迹预测值。
具体的，本发明车辆轨迹预测方法，通过利用待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据，通过预设的多维动态场景特征提取函数进行特征提取，得到待预测车辆的多维动态场景特征向量，并基于待预测车辆的多维动态场景特征向量，通过信息提取神经网络得到待预测车辆的交通感知信息，依此表征待预测车辆及待预测车辆各相邻车辆之间的动态依赖关系和司机的主观驾驶意图，接着通过时间特征编码器，编码待预测车辆的交通感知信息以及历史运动状态数据，得到待预测车辆的隐状态信息，然后基于待预测车辆的隐状态信息，得到待预测车辆的混合注意力矩阵，最终通过待预测车辆的混合注意力矩阵为待预测车辆的隐状态信息分配权重，通过混合注意力机制对历史轨迹信息进行选择性重利用，提高模型的长时预测能力，然后依次通过最大池化处理和全连接处理，得到待预测车辆的轨迹预测值，使得车辆轨迹预测更合理准确。
首先，参见图2，本发明车辆轨迹预测方法在具体实施时，一种可行的交通场景及静态坐标系。交通场景为双向的八车道，使用一个固定的参考系来确定每辆车的位置。x轴和y轴的起点都是道路的左上角，x轴是平行于高速公路的车辆运动方向，y轴是垂直于行驶方向。沿y轴方向，有1-8条车道。其中，1-4车道车辆沿x轴正方向行驶，5-8车道车辆沿x轴负方向行驶。下述实施例中以交通场景为例进行示意性说明，但不依次为限。
在一种可能的实施方式中，所述待预测车辆各相邻车辆包括待预测车辆的前、后、左、右、左前、左后、右前以及右后八个方向的相邻车辆。
可选的，所述通过预设的多维动态场景特征提取函数，提取待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据，得到待预测车辆的多维动态场景特征向量包括：通过预设的多维动态场景特征提取函数，提取待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据中，待预测车辆及待预测车辆各相邻车辆在行驶方向及行驶方向的垂直方向上的位置数据、速度数据和加速度数据，得到待预测车辆的多维动态场景特征向量。
具体的，参见图3，通过预设的信息提取神经网络提取待预测车辆的多维动态场景特征向量，可以采用构建多维动态场景特征图的方式完成具体的提取过程。其中，多维动态场景特征图以待预测车辆为中心，与其周围八个方向上的车辆，即被预测车辆的前、后、左、右、左前、左后、右前及右后八个方向，构建3*3的矩形区域并划分为9个单元，相邻车辆根据相对位置映射到相应的单元中。按照这种规则分别构造X、Y方向上的位置层、速度层和加速度层，共形成6个维度为3*3的矩形，最终叠加形成的维度为6*3*3的多维动态场景特征图。假设特征图的定义函数为
Figure BDA0003652536380000091
则t时刻的多维动态场景特征可以表示为：
Figure BDA0003652536380000092
其中，xt表示待预测车辆及及待预测车辆各相邻车辆t时刻的运动轨迹数据。
在一种可能的实施方式中，所述信息提取神经网络包括依次连接的第一卷积层、第二卷积层、最大池化层和全连接层。
其中，第一卷积层用于融合待预测车辆及待预测车辆各相邻车辆在行驶方向及行驶方向的垂直方向上的位置数据、速度数据和加速度数据，得到待预测车辆及待预测车辆各相邻车辆的第一融合特征；第二卷积层用于融合待预测车辆及待预测车辆各相邻车辆中任意相邻车辆的第一融合特征，得到第二融合特征；最大池化层用于最大池化处理第二融合特征；全连接层用于全连接处理最大池化处理后的第二融合特征，得到待预测车辆的交通感知信息。
具体的，参见图4，针对6*3*3的多维动态场景量，使用6*1*1的第一卷积层对每辆车的6维特征进行特征融合，可以捕捉到每辆车驾驶员的意图。然后，通过2*2的第二卷积层将每辆车与周围各车辆进行交互，提取车辆间的交互作用。最后通过最大池化层Maxpool和全连接层FC获得反映驾驶员驾驶意图和车辆间交互的交通力约束信息p。将上述过程定义为映射函数为traf的卷积操作，通过traf函数从t时刻的多维动态场景特征向量Ft中提取交通感知信息pt：
pt＝traf(Ft)。
在一种可能的实施方式中，所述预设的时间特征编码器为长短期记忆网络(LSTM)编码器。具体的，在通过预设的时间特征编码器，编码待预测车辆的交通感知信息以及历史运动状态数据，得到待预测车辆的隐状态信息时，将交通感知信息pt与待预测车辆的历史运动轨迹数据
Figure BDA0003652536380000101
拼接，作为LSTM编码器的输入，通过下式实现对历史状态的编码处理：
Figure BDA0003652536380000102
ft＝σ(Wfzzt+Wfhht-1+bf)
it＝σ(Wizzt+Wihht-1+bi)
ot＝σ(Wozzt+Wohht-1+bo)
Figure BDA0003652536380000103
Figure BDA0003652536380000104
其中，LSTM编码器中的遗忘门ft决定丢弃哪些信息，输入门it控制更新和存储哪些新信息，输出门ot则控制候选层的输出，值
Figure BDA0003652536380000105
是候选单元，LSTM编码器的细胞状态ct是前一时刻细胞状态ct-1和当前候选状态
Figure BDA0003652536380000106
的组合，最终LSTM编码器的输出门ot将决定哪些细胞状态被输出。
然后通过下式得到待预测车辆的隐状态信息：
ht＝ot⊙tanh(ct)
其中，σ为sigmoid函数，⊙为矩阵对应元素相乘，xt和ht分别为时刻t的输入向量和隐藏层状态。f，i和o分别为遗忘门、输入门和输出门，W和b为模型参数，Wfz为遗忘门输入权重矩阵，Wfh为遗忘门隐层权重矩阵，Wiz为输入门输入权重矩阵，Wih为输入门隐层权重矩阵，Woz为输出门输入权重矩阵，Woh为输出门隐层权重矩阵，Wcz为细胞状态输入权重矩阵，Wch为细胞状态隐层权重矩阵，bf为遗忘门偏置，bi为输入门偏置，bo为输出门偏置，bc为细胞状态偏置。
在一种可能的实施方式中，所述根据待预测车辆的隐状态信息，得到待预测车辆的混合注意力矩阵包括：通过下式得到待预测车辆的混合注意力矩阵α：
αt＝softmax(gt(H,ht+1))
αf＝softmax(gf(H,ht+1))
α＝αtαf
其中，softmax为归一化指数函数，αt为时间权重向量，αf为特征权重向量，gt(H,ht+1)＝HhT，gf(H,ht+1)＝ht+1(WfH)，
Figure BDA0003652536380000111
gf为特征权重余弦相关度函数，gt为时间权重余弦相关度函数，Wf为历史Th帧待预测车辆的特征矩阵，H为历史Th帧待预测车辆的隐状态信息，ht为t时刻待预测车辆的隐状态数据，ht+1为t+1时刻待预测车辆的隐状态数据。
具体的，参见图5，本发明车辆轨迹预测方法，对时间注意力和特征注意力进行融合，该混合注意力机制可综合考虑对输出准确率影响大的时刻与特征，为每一时刻的每一特征独立分配注意力权重。H为历史Th帧待预测车辆的隐状态信息，即LSTM编码器的隐状态，若LSTM编码器的隐状态设为n维，则
Figure BDA0003652536380000112
假设t+1时刻的隐状态为
Figure BDA0003652536380000113
则由时间权重余弦相关度函数gt与特征权重余弦相关度函数gf来计算H与ht+1在时间与特征维度上的相关性。
然后通过Softmax函数将余弦相关度转换为时间权重向量
Figure BDA0003652536380000121
与特征权重向量
Figure BDA0003652536380000122
并最终通过向量乘法得到混合注意力矩阵
Figure BDA0003652536380000123
在一种可能的实施方式中，所述通过待预测车辆的混合注意力矩阵为待预测车辆的隐状态信息分配权重，然后依次通过最大池化处理和全连接处理，得到待预测车辆的轨迹预测值包括：通过下式得到待预测车辆的轨迹预测值yt+1：
O＝α⊙H
Figure BDA0003652536380000124
Figure BDA0003652536380000125
h't+1＝contact(ht+1,ot,of)
yt+1＝h't+1W2W1
其中，⊙为矩阵对应元素相乘，ot为对提高预测精度最有利的时刻，
Figure BDA0003652536380000126
为在时间维度进行最大池化，Oi,j为通过分配权重后的待预测车辆的隐状态信息，of为对提高预测精度最有利的特征，
Figure BDA0003652536380000127
为在特征维度进行最大池化处理，ht'+1为将ot、of和ht+1进行全连接处理得到的t+1时刻待预测车辆的隐状态信息，contact为全连接处理，W1和W2分别为两个全连接层的预设权重。
具体的，参见图6，首先利用混合注意力矩阵α为H分配权重；然后进行时间维度与特征维度的最大池化，得到
Figure BDA0003652536380000128
与
Figure BDA0003652536380000129
最后将ht+1、ot以及of连接，通过全连接层得到t+1时刻的轨迹预测值yt+1。
参见图7，本发明车辆轨迹预测方法的实现原理，集成了交通力感知的LSTM编码器和基于混合注意力机制的LSTM解码器，xpre为待预测车辆的历史运动轨迹数据，zt和ht分别表示LSTM在时刻t的向量拼接结果和隐藏状态，最后，LSTM解码器给出了t+1时刻的预测结果yt+1。
可选的，本发明车辆轨迹预测方法，所述的预设的多维动态场景特征提取函数、预设的信息提取神经网络、预设的时间特征编码器以及进行最大池化处理和全连接处理的网络层，均经过预训练确定其具体参数。其中，在预训练过程中，利用车辆过去50帧的运动轨迹数据(车辆x和y方向上的位置数据、速度数据和加速度数据)预测未来50帧的轨迹，因此共需要100帧的完整数据，通过数据清洗将出现时间不足100帧的车辆数据删除。
为验证本发明车辆轨迹预测方法的有效性，采用德国高速公开数据集highD进行测试，选取110660条轨迹用于模型训练，50787条轨迹用于模型测试。
实验前数据的预处理过程如图8所示，图9、图10即为数据预处理中归一化前和归一化后的数据分布。图11为模型训练过程中，在不同的训练阶段所采用的不同的初始学习率，图12和图13为本发明车辆轨迹预测方法与现有Transformer模型连续50帧的预测结果，图14至图19则是本发明车辆轨迹预测方法与现有Transformer模型在各项评价指标上的对比。具体说明如下：
参见图11，为模型在不同训阶段所采用的初始学习率，通过这种方式可以使模型性能接近最优时减小波动，以更快的速度到达最优点。
参见图12和13，为本发明车辆轨迹预测方法与现有Transformer模型的轨迹预测对比图。从图12中可以看出，当车辆发生横向机动时本方法的预测结果更加准确，而Transformer模型倾向于将横向上的左右机动相互抵消；从图13中可以看出，随着预测长度的增加，Transformer模型的预测点与真实轨迹点相差越来越远，而本发明车辆轨迹预测方法仍然可以做出较准确的预测。其中，hist表示历史轨迹坐标，gt表示未来真实轨迹坐标，ours表示本发明车辆轨迹预测方法，tf表示Transformer模型，横坐标为车辆x方向坐标，竖坐标为车辆y方向坐标。
参见图14至19，示出了评价指标RMSE、MAEx及MAEy随帧长的变化，其中，RMSE、MAEx及MAEy分别表示均方根误差、x方向的平均绝对误差及y方向的平均绝对误差，横坐标frame表示时间帧。其中，图14、图15和图16分别为一个样本轨迹的RMSE、MAEx及MAEy随帧长的变化。图17、图18和图19分别为另一个样本轨迹的RMSE、MAEx及MAEy随帧长的变化。可以看出，随着预测帧长的增加，Transformer模型的RMSE几乎呈指数增长，MAEx与MAEy也在呈线性增长，而本发明车辆轨迹预测方法的RMSE能够保持在一个较低水平范围内波动，这说明了本发明车辆轨迹预测方法的长时预测能力较强；同时，本发明车辆轨迹预测方法的MAEx小于Transformer，也说明本发明车辆轨迹预测方法车辆横行机动时预测结果更加准确。
下述为本发明的装置实施例，可以用于执行本发明方法实施例。对于装置实施例中未披露的细节，请参照本发明方法实施例。
本发明再一实施例中，提供一种车辆轨迹预测***，能够用于实现上述的车辆轨迹预测方法，具体的，该车辆轨迹预测***包括数据获取模块、数据预处理模块、信息提取模块、编码模块以及预测模块。
其中，数据获取模块用于获取待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据；数据预处理模块用于通过预设的多维动态场景特征提取函数，提取待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据，得到待预测车辆的多维动态场景特征向量；信息提取模块用于通过预设的信息提取神经网络提取待预测车辆的多维动态场景特征向量，得到待预测车辆的交通感知信息；编码模块用于通过预设的时间特征编码器，编码待预测车辆的交通感知信息以及历史运动状态数据，得到待预测车辆的隐状态信息；预测模块用于根据待预测车辆的隐状态信息，得到待预测车辆的混合注意力矩阵，并通过待预测车辆的混合注意力矩阵为待预测车辆的隐状态信息分配权重，然后依次通过最大池化处理和全连接处理，得到待预测车辆的轨迹预测值。
在一种可能的实施方式中，所述待预测车辆各相邻车辆包括待预测车辆的前、后、左、右、左前、左后、右前以及右后八个方向的相邻车辆。
在一种可能的实施方式中，所述通过预设的多维动态场景特征提取函数，提取待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据，得到待预测车辆的多维动态场景特征向量包括：通过预设的多维动态场景特征提取函数，提取待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据中，待预测车辆及待预测车辆各相邻车辆在行驶方向及行驶方向的垂直方向上的位置数据、速度数据和加速度数据，得到待预测车辆的多维动态场景特征向量。
在一种可能的实施方式中，所述信息提取神经网络包括依次连接的第一卷积层、第二卷积层、最大池化层和全连接层；其中，第一卷积层用于融合待预测车辆及待预测车辆各相邻车辆在行驶方向及行驶方向的垂直方向上的位置数据、速度数据和加速度数据，得到待预测车辆及待预测车辆各相邻车辆的第一融合特征；第二卷积层用于融合待预测车辆及待预测车辆各相邻车辆中任意相邻车辆的第一融合特征，得到第二融合特征；最大池化层用于最大池化处理第二融合特征；全连接层用于全连接处理最大池化处理后的第二融合特征，得到待预测车辆的交通感知信息。
在一种可能的实施方式中，预设的时间特征编码器为长短期记忆网络编码器。
在一种可能的实施方式中，所述根据待预测车辆的隐状态信息，得到待预测车辆的混合注意力矩阵包括：通过下式得到待预测车辆的混合注意力矩阵α：
αt＝softmax(gt(H,ht+1))
αf＝softmax(gf(H,ht+1))
α＝αtαf
其中，softmax为归一化指数函数，αt为时间权重向量，αf为特征权重向量，gt(H,ht+1)＝HhT，gf(H,ht+1)＝ht+1(WfH)，
Figure BDA0003652536380000161
gf为特征权重余弦相关度函数，gt为时间权重余弦相关度函数，Wf为历史Th帧待预测车辆的特征矩阵，H为历史Th帧待预测车辆的隐状态信息，ht为t时刻待预测车辆的隐状态数据，ht+1为t+1时刻待预测车辆的隐状态数据。
在一种可能的实施方式中，所述通过待预测车辆的混合注意力矩阵为待预测车辆的隐状态信息分配权重，然后依次通过最大池化处理和全连接处理，得到待预测车辆的轨迹预测值包括：通过下式得到待预测车辆的轨迹预测值yt+1：
O＝α⊙H
Figure BDA0003652536380000162
Figure BDA0003652536380000163
ht'+1＝contact(ht+1,ot,of)
yt+1＝ht'+1W2W1
其中，⊙为矩阵对应元素相乘，ot为对提高预测精度最有利的时刻，
Figure BDA0003652536380000164
为在时间维度进行最大池化，Oi,j为通过分配权重后的待预测车辆的隐状态信息，of为对提高预测精度最有利的特征，
Figure BDA0003652536380000165
为在特征维度进行最大池化处理，h't+1为将ot、of和ht+1进行全连接处理得到的t+1时刻待预测车辆的隐状态信息，contact为全连接处理，W1和W2为预设权重。
前述的车辆轨迹预测方法的实施例涉及的各步骤的所有相关内容均可以援引到本发明实施例中的车辆轨迹预测***所对应的功能模块的功能描述，在此不再赘述。本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本发明各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于车辆轨迹预测方法的操作。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作***。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关车辆轨迹预测方法的相应步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种车辆轨迹预测方法，其特征在于，包括：
获取待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据；
通过预设的多维动态场景特征提取函数，提取待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据，得到待预测车辆的多维动态场景特征向量；
通过预设的信息提取神经网络提取待预测车辆的多维动态场景特征向量，得到待预测车辆的交通感知信息；
通过预设的时间特征编码器，编码待预测车辆的交通感知信息以及历史运动状态数据，得到待预测车辆的隐状态信息；
根据待预测车辆的隐状态信息，得到待预测车辆的混合注意力矩阵，并通过待预测车辆的混合注意力矩阵为待预测车辆的隐状态信息分配权重，然后依次通过最大池化处理和全连接处理，得到待预测车辆的轨迹预测值。
2.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述待预测车辆各相邻车辆包括待预测车辆的前、后、左、右、左前、左后、右前以及右后八个方向的相邻车辆。
3.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述通过预设的多维动态场景特征提取函数，提取待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据，得到待预测车辆的多维动态场景特征向量包括：
通过预设的多维动态场景特征提取函数，提取待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据中，待预测车辆及待预测车辆各相邻车辆在行驶方向及行驶方向的垂直方向上的位置数据、速度数据和加速度数据，得到待预测车辆的多维动态场景特征向量。
4.根据权利要求3所述的车辆轨迹预测方法，其特征在于，所述信息提取神经网络包括依次连接的第一卷积层、第二卷积层、最大池化层和全连接层；
其中，第一卷积层用于融合待预测车辆及待预测车辆各相邻车辆在行驶方向及行驶方向的垂直方向上的位置数据、速度数据和加速度数据，得到待预测车辆及待预测车辆各相邻车辆的第一融合特征；
第二卷积层用于融合待预测车辆及待预测车辆各相邻车辆中任意相邻车辆的第一融合特征，得到第二融合特征；
最大池化层用于最大池化处理第二融合特征；
全连接层用于全连接处理最大池化处理后的第二融合特征，得到待预测车辆的交通感知信息。
5.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述预设的时间特征编码器为长短期记忆网络编码器。
6.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述根据待预测车辆的隐状态信息，得到待预测车辆的混合注意力矩阵包括：
通过下式得到待预测车辆的混合注意力矩阵α：
αt＝softmax(gt(H,ht+1))
αf＝softmax(gf(H,ht+1))
α＝αtαf
其中，softmax为归一化指数函数，αt为时间权重向量，αf为特征权重向量，
Figure FDA0003652536370000021
gf(H,ht+1)＝ht+1(WfH)，
Figure FDA0003652536370000022
gf为特征权重余弦相关度函数，gt为时间权重余弦相关度函数，Wf为历史Th帧待预测车辆的特征矩阵，H为历史Th帧待预测车辆的隐状态信息，ht为t时刻待预测车辆的隐状态数据，ht+1为t+1时刻待预测车辆的隐状态数据。
7.根据权利要求6所述的车辆轨迹预测方法，其特征在于，所述通过待预测车辆的混合注意力矩阵为待预测车辆的隐状态信息分配权重，然后依次通过最大池化处理和全连接处理，得到待预测车辆的轨迹预测值包括：
通过下式得到待预测车辆的轨迹预测值yt+1：
O＝α⊙H
Figure FDA0003652536370000031
Figure FDA0003652536370000032
h't+1＝contact(ht+1,ot,of)
yt+1＝h't+1W2W1
其中，⊙为矩阵对应元素相乘，ot为对提高预测精度最有利的时刻，
Figure FDA0003652536370000033
为在时间维度进行最大池化，Oi,j为通过分配权重后的待预测车辆的隐状态信息，of为对提高预测精度最有利的特征，
Figure FDA0003652536370000034
为在特征维度进行最大池化处理，h't+1为将ot、of和ht+1进行全连接处理得到的t+1时刻待预测车辆的隐状态信息，contact为全连接处理，W1和W2为预设权重。
8.一种车辆轨迹预测***，其特征在于，包括：
数据获取模块，用于获取待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据；
数据预处理模块，用于通过预设的多维动态场景特征提取函数，提取待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据，得到待预测车辆的多维动态场景特征向量；
信息提取模块，用于通过预设的信息提取神经网络提取待预测车辆的多维动态场景特征向量，得到待预测车辆的交通感知信息；
编码模块，用于通过预设的时间特征编码器，编码待预测车辆的交通感知信息以及历史运动状态数据，得到待预测车辆的隐状态信息；
预测模块，用于根据待预测车辆的隐状态信息，得到待预测车辆的混合注意力矩阵，并通过待预测车辆的混合注意力矩阵为待预测车辆的隐状态信息分配权重，然后依次通过最大池化处理和全连接处理，得到待预测车辆的轨迹预测值。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述车辆轨迹预测的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述车辆轨迹预测的步骤。
CN202210545736.1A 2022-05-19 2022-05-19 车辆轨迹预测方法、***、计算机设备及存储介质 Pending CN114881339A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210545736.1A CN114881339A (zh) 2022-05-19 2022-05-19 车辆轨迹预测方法、***、计算机设备及存储介质
PCT/CN2022/119688 WO2023221348A1 (zh) 2022-05-19 2022-09-19 车辆轨迹预测方法、***、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210545736.1A CN114881339A (zh) 2022-05-19 2022-05-19 车辆轨迹预测方法、***、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN114881339A true CN114881339A (zh) 2022-08-09

Family

ID=82676978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210545736.1A Pending CN114881339A (zh) 2022-05-19 2022-05-19 车辆轨迹预测方法、***、计算机设备及存储介质

Country Status (2)

Country Link
CN (1) CN114881339A (zh)
WO (1) WO2023221348A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023221348A1 (zh) * 2022-05-19 2023-11-23 长安大学 车辆轨迹预测方法、***、计算机设备及存储介质

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117493424B (zh) * 2024-01-03 2024-03-22 湖南工程学院 一种不依赖地图信息的车辆轨迹预测方法
CN117787525B (zh) * 2024-02-23 2024-05-14 煤炭科学技术研究院有限公司 基于井下多个目标对象的轨迹预测方法和预警方法
CN117775078B (zh) * 2024-02-28 2024-05-07 山西阳光三极科技股份有限公司 一种基于深度学习的矿内货运列车行驶方向判断方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5939357B2 (ja) * 2013-05-31 2016-06-22 トヨタ自動車株式会社 移動軌跡予測装置及び移動軌跡予測方法
CN111046919B (zh) * 2019-11-21 2023-05-12 南京航空航天大学 一种融合行为意图的周围动态车辆轨迹预测***及方法
US20200324794A1 (en) * 2020-06-25 2020-10-15 Intel Corporation Technology to apply driving norms for automated vehicle behavior prediction
CN114372570A (zh) * 2021-12-14 2022-04-19 同济大学 一种多模态车辆轨迹预测方法
CN114881339A (zh) * 2022-05-19 2022-08-09 长安大学 车辆轨迹预测方法、***、计算机设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023221348A1 (zh) * 2022-05-19 2023-11-23 长安大学 车辆轨迹预测方法、***、计算机设备及存储介质

Also Published As

Publication number Publication date
WO2023221348A1 (zh) 2023-11-23

Similar Documents

Publication Publication Date Title
CN114881339A (zh) 车辆轨迹预测方法、***、计算机设备及存储介质
CN112015843B (zh) 基于多车意图交互结果的行车风险态势评估方法及***
CN111931902B (zh) 一种生成对抗网络模型、及利用该生成对抗网络模型的车辆轨迹预测方法
CN109885891A (zh) 一种智能车gpu并行加速轨迹规划方法
CN113362491B (zh) 一种车辆轨迹预测及驾驶行为分析方法
Jain et al. Autonomy 2.0: Why is self-driving always 5 years away?
Jeon et al. Traffic scene prediction via deep learning: Introduction of multi-channel occupancy grid map as a scene representation
Wirthmüller et al. Predicting the time until a vehicle changes the lane using LSTM-based recurrent neural networks
CN115071762B (zh) 面向城市场景下行人轨迹预测方法、模型及存储介质
CN111695737A (zh) 一种基于lstm神经网络的群目标行进趋势预测方法
CN115690153A (zh) 一种智能体轨迹预测方法及***
CN116476863A (zh) 基于深度强化学习的自动驾驶横纵向一体化决策方法
CN114239974B (zh) 多智能体的位置预测方法、装置、电子设备及存储介质
Mirus et al. An investigation of vehicle behavior prediction using a vector power representation to encode spatial positions of multiple objects and neural networks
CN113110359B (zh) 约束型智能汽车自主决策***在线训练方法及装置
CN111507499B (zh) 预测用模型的构建方法、测试方法、装置及***
CN115937801A (zh) 基于图卷积的车辆轨迹预测方法及装置
CN114104005B (zh) 自动驾驶设备的决策方法、装置、设备及可读存储介质
Arbabi et al. Planning for autonomous driving via interaction-aware probabilistic action policies
CN113119996B (zh) 一种轨迹预测方法、装置、电子设备及存储介质
CN111443701A (zh) 基于异构深度学习的无人驾驶车辆/机器人行为规划方法
Yoo et al. Gin: Graph-based interaction-aware constraint policy optimization for autonomous driving
CN114399901A (zh) 一种控制交通***的方法和设备
JP2023531927A (ja) 運転意思決定方法および運転意思決定装置ならびにチップ
Yang et al. Deep Reinforcement Learning Lane-Changing Decision Algorithm for Intelligent Vehicles Combining LSTM Trajectory Prediction

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