CN115009275B - 面向城市场景下车辆轨迹预测方法、***及存储介质 - Google Patents

面向城市场景下车辆轨迹预测方法、***及存储介质 Download PDF

Info

Publication number
CN115009275B
CN115009275B CN202210943631.1A CN202210943631A CN115009275B CN 115009275 B CN115009275 B CN 115009275B CN 202210943631 A CN202210943631 A CN 202210943631A CN 115009275 B CN115009275 B CN 115009275B
Authority
CN
China
Prior art keywords
lane
track
candidate
predicted target
sequence
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.)
Active
Application number
CN202210943631.1A
Other languages
English (en)
Other versions
CN115009275A (zh
Inventor
陈雪梅
韩欣彤
孔令兴
肖龙
高丛政
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.)
Shandong Weichuang Information Technology Co ltd
Advanced Technology Research Institute of Beijing Institute of Technology
Original Assignee
Shandong Weichuang Information Technology Co ltd
Advanced Technology Research Institute of Beijing Institute of Technology
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 Shandong Weichuang Information Technology Co ltd, Advanced Technology Research Institute of Beijing Institute of Technology filed Critical Shandong Weichuang Information Technology Co ltd
Priority to CN202210943631.1A priority Critical patent/CN115009275B/zh
Publication of CN115009275A publication Critical patent/CN115009275A/zh
Application granted granted Critical
Publication of CN115009275B publication Critical patent/CN115009275B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • B60W60/0017—Planning or execution of driving tasks specially adapted for safety of other traffic participants
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B60W60/00274—Planning or execution of driving tasks using trajectory prediction for other traffic participants considering possible movement changes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/53—Road markings, e.g. lane marker or crosswalk
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及自动驾驶领域，公开一种面向城市场景下车辆轨迹预测方法、***及存储介质，方法包括：搜索预测目标周边一定范围内的车道序列，从车道序列中提取预测目标的候选车道序列得到候选目标点集合；采用向量表示预测目标周边智能体的轨迹序列及车道序列，并提取预测目标的空间交互特征；对空间交互特征和轨迹时序特征进行融合得到场景上下文特征；对候选点目标集合及场景上下文特征进行解码输出预测目标的未来轨迹。结合高精地图信息的轨迹预测方式更高的精度，生成的多条轨迹不仅能匹配多种行驶场景下车辆行为意图的不确定性，而且符合车道拓扑结构信息以及车辆行驶规则的约束，提高了车辆轨迹预测的精度。

Description

面向城市场景下车辆轨迹预测方法、***及存储介质
技术领域
本申请涉及自动驾驶的技术领域，尤其是涉及一种面向城市场景下车辆轨迹预测方法、***及存储介质。
背景技术
随着科技的高速发展和汽车智能化时代的到来，自动驾驶汽车将在未来智能交通***中占据极其重要的地位。
自动驾驶车辆需要对周边车辆的运动轨迹准确预测，帮助决策规划***实时规划出一条的高效、无碰撞的局部路径，保证自动驾驶***的安全与稳定运行。
复杂城市道路的交通参与者类型多样，各智能体之间常存在不同程度的交互作用，使得各自的行为意图和运动轨迹有着高度的动态性和不确定性，这给轨迹预测问题带来了巨大的挑战。目前传统的车辆轨迹预测方法主要根据场景将车辆意图离散为几个固定值（如换道场景的直行、左换道和右换道），然后基于意图识别的结果和历史轨迹序列生成目标的未来轨迹。这种建模方式只能适用于某一类特定的行驶场景，模型鲁棒性较差，无法有效应对动态变化的实际行驶场景。
发明内容
为了提高复杂城市道路场景中车辆轨迹预测的效果，本申请提供一种面向城市场景下车辆轨迹预测方法、***及存储介质。
第一方面，本申请提供的一种面向城市场景下车辆轨迹预测方法，采用如下的技术方案：
一种面向城市场景下车辆轨迹预测方法，包括：
根据高精地图信息构建车道拓扑结构信息；
基于所述车道拓扑结构信息搜索预测目标周边一定范围内的车道序列；
从所述车道序列中提取预测目标的候选车道序列，得到候选目标点集合；
采用向量表示预测目标周边智能体的轨迹序列以及车道序列，并基于层级的网络结构提取预测目标的空间交互特征；
获取预测目标的历史轨迹信息，并利用LSTM网络提取预测目标历史轨迹信息中的轨迹时序特征；
对所述空间交互特征和轨迹时序特征进行交互融合，得到场景上下文特征；
对所述候选目标点集合以及场景上下文特征进行解码，输出预测目标的未来轨迹。
通过采用上述技术方案，采用基于车道拓扑结构信息的意图预测方式，通过搜索车道序列并获取候选目标点，表征车辆运动意图的不确定性；另外，综合考虑车辆运动意图、车道信息和智能体动态交互的影响，并对空间交互特征和轨迹时序特征进行交互融合，得到场景上下文特征，生成多条可能的未来轨迹。结合高精地图信息的轨迹预测方式具有比其他单一轨迹预测方式更高的精度，同时，生成的多条轨迹不仅能匹配多种行驶场景下车辆行为意图的不确定性，而且符合车道拓扑结构信息以及车辆行驶规则的约束，提高了车辆轨迹预测的精度。
可选的，所述基于所述车道拓扑结构信息搜索预测目标周边一定范围内的车道序列步骤，具体包括：
根据预测目标当前位置和朝向，获取预测目标当前所处或距离最近的车道，并将所述车道加入车道序列集合中；
以预测目标当前所处或距离最近的车道为起点，由高精地图信息提供的车道拓扑结构信息，搜索当前所处车道的左邻和右邻车道，并将所述左邻和右邻车道加入车道序列集合中；
以所述车道序列集合中的左邻和右邻车道为起点，搜索每个邻和右邻车道的后继车道并开始递归，直至车道的累计长度超过设定的搜索范围，并将所述后继车道加入车道序列集合中。
可选的，所述从所述车道序列中提取预测目标的候选车道序列，得到候选目标点集合步骤，具体包括：
根据所述车道序列集合中所有的车道序列，等距采样获取车道中心线点集；
获取所述车道中心线点集中所有的车道中心线点与预测目标当前位置的欧式距离；
将所述欧式距离小于等于设定最大距离且大于等于设定最小距离的车道中心线点作为目标点，得到候选目标点集。
可选的，所述设定最大距离
Figure 100002_DEST_PATH_IMAGE002
，所述设定最小距离
Figure 100002_DEST_PATH_IMAGE004
；其中，
Figure DEST_PATH_IMAGE006
表示距离缩放因子，
Figure DEST_PATH_IMAGE008
表示预测目标当前速度，
Figure DEST_PATH_IMAGE010
表示预测时长。
可选的，所述采用向量表示预测目标周边智能体的轨迹序列以及车道序列，并基于层级的网络结构提取预测目标的空间交互特征步骤，具体包括：
用向量表示预测目标周边智能体的轨迹序列以及车道序列；
将所述轨迹序列以及车道序列中的向量特征分别映射到高维空间，并在时间维度采用最大池化，得到对应的高阶特征向量；
利用图注意力网络对轨迹序列特征以及车道序列特征进行高阶交互，得到预测目标的空间交互特征；其中，所述轨迹序列特征以及车道序列特征为对应高阶特征向量的集合。
可选的，所述获取预测目标的历史轨迹信息，并利用LSTM网络提取预测目标历史轨迹信息中的轨迹时序特征步骤，具体包括：
获取预测目标的历史轨迹信息；其中，预测目标的历史轨迹信息用位置、速度和航向角组成的多维特征向量表示；
将所述维特征向量映射到高维空间，获得高维特征向量；
将所述高维特征向量输入LSTM网络，输出轨迹时序特征。
可选的，所述对所述候选点目标集合以及场景上下文特征进行解码，输出预测目标的未来轨迹步骤，具体包括：
利用双层MLP和softmax层堆叠组成分类分支；
将所述候选点目标集合以及场景上下文特征作为分类分支的输入，并由softmax层输出候选点目标集合对应的概率值；
利用双层MLP组成回归分支；
将所述候选点目标集合以及场景上下文特征作为回归分支的输入，输出预测目标的候选轨迹集合；
按照所述概率值由高到低对候选轨迹集合进行筛选，输出预测目标的未来轨迹。
可选的，所述按照所述概率值由高到低对预测目标的候选轨迹进行筛选，最终输出预测目标的未来轨迹步骤，具体包括：
按照所述概率值由高到低对候选轨迹集合中的候选轨迹排序；
从所述选轨迹集合选择概率值最大的候选轨迹加入未来轨迹集合，并将所述候选轨迹从候选轨迹集合中删除；
遍历所述候选轨迹集合中的剩余候选轨迹，计算剩余候选轨迹与概率值最大的候选轨迹的最终位移误差，在所述最终位移误差小于预设阈值的情况下，将对应的候选轨迹从候选轨迹集合中删除；
重复以上步骤，直至所述候选轨迹集合为空或者未来轨迹集合中的未来轨迹数量达到设定数量。
第二方面，本申请提供的一种面向城市场景下车辆轨迹预测***，采用如下的技术方案：
一种面向城市场景下车辆轨迹预测***，包括：
意图预测模型，用于根据车道拓扑结构信息搜索预测目标周边一定范围内的车道序列，并从所述车道序列中提取预测目标的候选车道序列，得到候选目标点集合；
轨迹生成模型，所述轨迹生成模型包括：
空间交互模块，用于采用向量表示预测目标周边智能体的轨迹以及车道序列，并基于层级的网络结构提取预测目标的空间交互特征；
轨迹编码模块，用于获取预测目标的历史轨迹信息，并利用LSTM网络提取预测目标历史轨迹信息中的轨迹时序特征；
特征融合模块，用于对所述空间交互特征和轨迹时序特征进行交互融合，得到场景上下文特征；
轨迹输出模块，用于对所述候选目标点集合以及场景上下文特征进行解码，输出预测目标的未来轨迹以及未来轨迹对应的概率值。
第三方面，本申请提供的一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，存储有能够被处理器加载并执行如第一方面所述的计算机程序。
综上所述，本申请包括以下至少一种有益技术效果：
采用基于车道拓扑结构信息的意图预测方式，通过搜索车道序列并获取候选目标点，表征车辆运动意图的不确定性；另外，综合考虑车辆运动意图、车道信息和智能体动态交互的影响，并对空间交互特征和轨迹时序特征进行交互融合，得到场景上下文特征，生成多条可能的未来轨迹。结合高精地图信息的轨迹预测方式具有比其他单一轨迹预测方式更高的精度，同时，生成的多条轨迹不仅能匹配多种行驶场景下车辆行为意图的不确定性，而且符合车道拓扑结构信息以及车辆行驶规则的约束，提高了车辆轨迹预测的精度。
附图说明
图1是本申请实施例示出的车辆轨迹预测方法的流程图。
图2是本申请实施例示出的车道序列结构。
图3是本申请实施例示出的车道拓扑结构图。
图4是本申请实施例示出的车辆轨迹预测方法中候选目标点的生成方法。
图5是本申请实施例示出的车辆轨迹预测方法中用于体现步骤400的网络结构图。
图6是本申请实施例示出的车辆轨迹预测方法中用于体现步骤500的网络结构图。
图7是本申请实施例示出的车辆轨迹预测方法中用于体现步骤600的网络结构图。
图8是本申请实施例示出的车辆轨迹预测方法中用于体现步骤700的网络结构图。
图9（a）是本申请实施例示出的不同场景下模型预测精度对比图。
图9（b）是本申请实施例示出的不同场景下模型Recall对比图。
图10是本申请实施例示出的车辆轨迹预测***中轨迹生成模型的架构图。
具体实施方式
以下结合图1-图10对本申请作进一步详细说明。
首先，对本申请实施例涉及的名词进行介绍。
无迹卡尔曼滤波（Unscented Kalman Filter，UKF）是较早用于车辆状态和轨迹预测的模型，根据时间的先后顺序向前传播估计状态，基于严格的车辆运动学模型假设使其在短时预测（一般为1s内）时优势显著。
VectorNet是基于高精地图的车辆轨迹预测方法，通过考虑各场景元素的空间交互特征预测目标的未来轨迹，是目前较为主流的车辆轨迹预测方式，但VectorNet只能输出单一的预测轨迹。
自动驾驶车辆需要对周边车辆的运动轨迹准确预测，帮助决策规划***实时规划出一条的高效、无碰撞的局部路径，保证自动驾驶***的安全与稳定运行。例如，自动驾驶车辆换道时需要预测目标车道和本车道上其他车辆的未来轨迹，保证自身换道安全；匝道和辅路上行驶的自动驾驶车辆要汇入主干道时，需要对汇入车道的车流进行轨迹预测，确定最佳汇入时机；在无保护的城市交叉口左转时需要注意对向直行车的运动，通过对其未来轨迹精准预测以确保左转安全。
尽管车辆运动具有一定的动态性，但是很大程度上会受到车辆动力学和车道线的约束，正常情况下，车辆会沿着当前车道保持行驶或者按照一定的路径行驶到目标车道上。
基于车辆运动的这种特性，本申请实施例公开一种面向城市场景下车辆轨迹预测方法，通过搜索车道序列获得一组候选目标点来构建车辆运动意图不确定性，并在这种先验信息的基础上，解码场景上下文特征生成多条可能的未来轨迹。
作为车辆轨迹预测方法的一种实施方式，如图1所示，包括以下步骤：
100，根据高精地图信息构建车道拓扑结构信息。
城市交通场景下车辆目标的运动不仅受其他智能体的影响，更受到道路拓扑结构的引导与约束。
利用Apollo OpenDrive格式的高精地图提供丰富的地图路网信息，其中，ApolloOpenDrive相对于标准OpenDrive的改动主要集中在以下几点：（1）Apollo OpenDrive采用UTM坐标系下的坐标序列描述车道边界形状，不需要再通过参考线方程和偏移量获取坐标；（2）Apollo OpenDrive用多条车道来表示地图路网结构，每条车道都记录了前继、后继、左邻和右邻车道；（3）增加了人行横道、减速带等道路元素以及元素间的关联描述。
高精地图信息中的车道之间存在一定的逻辑连接关系，每一条车道都有其前继、后继和相邻车道，且在高精地图信息中的每一条车道都记录了其前后左右车道的序号，根据这些信息，以图2所示的车道序列结构为例，可以创建出如图3所示的车道拓扑结构图，其中，虚线双向箭头表示两车道是左右邻居关系，实现箭头表示两车道是前后继关系。
200，基于所述车道拓扑结构信息搜索预测目标周边一定范围内的车道序列。
需要说明的是，利用Argoverse运动预测数据集提供车辆轨迹序列和高精地图数据。具体的，使用与Argo AI自动驾驶技术完全集成的采集车收集据，采集车的主传感器包括2个堆叠的VLP-32C激光雷达、7个呈环状分布的200万像素摄像头和1个500万像素双目摄像头。Argoverse 运动预测数据集提供了较为丰富的场景和运动信息，同时增加了交叉口等典型人车交互场景下的行人标注。本申请基于上述Argoverse运动预测数据集构建车辆轨迹预测模型的训练集和验证集。
具体的，根据轨迹预测任务的需求，将Argoverse运动预测数据集中每条数据处理成8s的轨迹片段，包含预测目标P、周边智能体
Figure DEST_PATH_IMAGE012
的轨迹。车辆轨迹的观测时长
Figure DEST_PATH_IMAGE014
=2s，预测时长
Figure DEST_PATH_IMAGE016
=3s。Argoverse原始数据是基于车载传感器的感知结果处理得到，难免会存在一定的误差，本申请采用Savitzky-Golay平滑滤波器对轨迹序列进行预处理。其中，Savitzky-Golay平滑滤波器是一种基于最小二乘法拟合的滤波方式。
为了提取有明显的交互的周边智能体，考虑到算法速度和实际需要，交互范围设为
Figure DEST_PATH_IMAGE018
=100m，根据观测时长
Figure 943264DEST_PATH_IMAGE014
最后一帧的智能***置，筛选在交互范围R内的周边智能体轨迹，删除静止目标及长度不足0.3
Figure 329246DEST_PATH_IMAGE014
的轨迹，对不完整的轨迹进行插值补充，最终得到长度为
Figure 187612DEST_PATH_IMAGE014
的预测目标P和周边智能体
Figure 51663DEST_PATH_IMAGE012
的轨迹序列数据。
基于车辆轨迹序列和高精地图数据处理Argoverse数据，具体的，本申请改进的Argoverse数据集包含的场景信息包括轨迹信息和地图信息，其中，轨迹信息包括运动信息（位置x、y，速度v，朝向
Figure DEST_PATH_IMAGE020
）、尺寸信息（长度L，宽度W，高度H）以及其他信息（目标ID）；地图信息包括位置信息（道路点坐标x、y）以及其他信息（是否转弯、是否位于路口以及是否有交通信号灯控制）。
其中，步骤200包括：
201，根据预测目标当前位置
Figure DEST_PATH_IMAGE022
和朝向
Figure 928352DEST_PATH_IMAGE020
，获取预测目标当前所处或距离最近的车道
Figure DEST_PATH_IMAGE024
，并将车道
Figure 95022DEST_PATH_IMAGE024
加入车道序列集合
Figure DEST_PATH_IMAGE026
中。
202，以预测目标当前所处或距离最近的车道
Figure DEST_PATH_IMAGE028
为起点，由高精地图信息提供的车道拓扑结构信息，搜索当前所处或距离最近的车道
Figure 689951DEST_PATH_IMAGE028
的左邻和右邻车道
Figure DEST_PATH_IMAGE030
，并将左邻和右邻车道
Figure DEST_PATH_IMAGE032
加入车道序列集合
Figure 698971DEST_PATH_IMAGE026
中。
203，以所述车道序列集合
Figure 571112DEST_PATH_IMAGE026
中的左邻和右邻车道
Figure 157951DEST_PATH_IMAGE032
为起点，搜索每个左邻和右邻车道
Figure 177860DEST_PATH_IMAGE032
的后继车道
Figure DEST_PATH_IMAGE034
并开始递归，直至车道的累计长度超过设定的搜索范围，并将后继车道
Figure 383713DEST_PATH_IMAGE034
加入车道序列集合
Figure 251306DEST_PATH_IMAGE026
中。
具体的，以车道序列集合
Figure 884413DEST_PATH_IMAGE026
中的左邻和右邻车道
Figure 391618DEST_PATH_IMAGE032
为起点进行深度优先搜索，搜索每个左邻和右邻车道
Figure 260217DEST_PATH_IMAGE032
的后继车道
Figure 106950DEST_PATH_IMAGE034
并开始递归，最终搜索到车道序列集合
Figure 707696DEST_PATH_IMAGE026
包含
Figure DEST_PATH_IMAGE036
条车道序列，其中车道序列集合
Figure DEST_PATH_IMAGE038
，递归退出的条件是
Figure DEST_PATH_IMAGE040
的累计长度超过设定的搜索范围
Figure DEST_PATH_IMAGE042
；其中，
Figure DEST_PATH_IMAGE044
为起始车道，
Figure DEST_PATH_IMAGE046
为初始车道序列。
举例来说，图3中，以车道0作为初始车道，进行深度优先搜索后，发现车道2和车道4为车道0的后继车道，车道6是车道2的后继车道，车道5是车道4的后继车道，则得到的车道序列为
Figure DEST_PATH_IMAGE048
和
Figure DEST_PATH_IMAGE050
。
300，从所述车道序列中提取预测目标的候选车道序列，得到候选目标点集合。
其中，结合图4，步骤300包括：
301，根据所述车道序列集合中所有的车道序列，等距采样获取车道中心线点集；
302，获取所述车道中心线点集中所有的车道中心线点与预测目标当前位置的欧式距离；
303，将所述欧式距离小于等于设定最大距离且大于等于设定最小距离的车道中心线点作为目标点，得到候选目标点集合。
具体来说，遍历车道序列集合
Figure 125033DEST_PATH_IMAGE026
中所有车道序列
Figure 531743DEST_PATH_IMAGE040
，按
Figure DEST_PATH_IMAGE052
等距采样获得车道中心线点集
Figure DEST_PATH_IMAGE054
，根据设定最大距离
Figure DEST_PATH_IMAGE056
和设定最小距离
Figure DEST_PATH_IMAGE058
，筛选车道中心线点集
Figure DEST_PATH_IMAGE060
中满足
Figure DEST_PATH_IMAGE062
的车道中心线点，并将满足条件的车道中心线点作为目标点，从而得到候选目标点集合
Figure DEST_PATH_IMAGE064
。其中，
Figure DEST_PATH_IMAGE066
表示车道中心线点
Figure DEST_PATH_IMAGE068
和预测目标当前位置
Figure DEST_PATH_IMAGE070
之间的欧式距离，
Figure DEST_PATH_IMAGE072
代表预测目标未来可能要到达的位置，表征了车辆运动意图的不确定性。
需要说明的是，设定最大距离
Figure 777523DEST_PATH_IMAGE056
和设定最小距离
Figure 814750DEST_PATH_IMAGE058
由预测目标当前速度
Figure 968650DEST_PATH_IMAGE008
决定，设定最大距离
Figure 116735DEST_PATH_IMAGE002
，所述设定最小距离
Figure 813427DEST_PATH_IMAGE004
；其中，
Figure 959237DEST_PATH_IMAGE006
表示距离缩放因子，用于控制筛选范围，可以设为0.5；
Figure 662751DEST_PATH_IMAGE010
表示预测时长。
其中，为了确定最佳采样间隔
Figure 676843DEST_PATH_IMAGE052
，分别设定不同的采样间隔，
Figure 618255DEST_PATH_IMAGE052
=8.0m，
Figure 810333DEST_PATH_IMAGE052
=4.0m，
Figure 1143DEST_PATH_IMAGE052
=2.0m和
Figure 428713DEST_PATH_IMAGE052
=1.0m进行实验，基于Argoverse数据集对比了不同采样间隔下的模型预测精度。根据表1.1的结果，本申请选取
Figure 83685DEST_PATH_IMAGE052
=2.0m作为最终的采样间隔，用于生成候选目标点集合
Figure 633615DEST_PATH_IMAGE072
，为后续生成轨迹提供先验信息。
Figure DEST_PATH_IMAGE074
400，采用向量表示预测目标周边智能体的轨迹以及车道序列，并基于层级的网络结构提取预测目标的空间交互特征。
其中，结合图5，步骤400包括：
401，用向量表示预测目标周边智能体的轨迹序列以及车道序列；
402，将所述轨迹序列以及车道序列中的向量特征分别映射到高维空间，并在时间维度采用最大池化，得到对应的高阶特征向量；
403，利用图注意力网络对轨迹序列特征以及车道序列特征进行高阶交互，得到预测目标的空间交互特征；其中，所述轨迹序列特征以及车道序列特征为对应高阶特征向量的集合。
需要说明的是，车辆行驶时受车道线约束，除了采用向量表示周边智能体的轨迹，将车道序列向量化作为输入。
其中，智能体轨迹集合可表示为
Figure DEST_PATH_IMAGE076
，
Figure 879699DEST_PATH_IMAGE070
代表预测目标的轨迹序列，
Figure DEST_PATH_IMAGE078
代表周边m个其他智能体的轨迹序列，每条轨迹序列
Figure DEST_PATH_IMAGE080
为不同时刻的向量集合，其中
Figure DEST_PATH_IMAGE082
，
Figure DEST_PATH_IMAGE084
。
Figure DEST_PATH_IMAGE086
表示历史轨迹的长度20，
Figure DEST_PATH_IMAGE088
是一个8维的向量，且向量
Figure 986326DEST_PATH_IMAGE088
中包含丰富的位置和语义信息，
Figure DEST_PATH_IMAGE090
。其中，
Figure DEST_PATH_IMAGE092
代表向量
Figure 495805DEST_PATH_IMAGE088
的起点和终点，对应前后两帧中智能体的位置；
Figure DEST_PATH_IMAGE094
代表智能体的长度和宽度外观属性，
Figure DEST_PATH_IMAGE096
代表归一化的序列时间戳，
Figure DEST_PATH_IMAGE098
表示向量
Figure 826424DEST_PATH_IMAGE088
与轨迹序列
Figure 195088DEST_PATH_IMAGE080
之间的从属关系，属于同一条轨迹序列的向量具有相同的
Figure 26778DEST_PATH_IMAGE098
。
车道序列集合可表示为
Figure DEST_PATH_IMAGE100
，由于每条车道为由
Figure DEST_PATH_IMAGE102
=20个点围成的多边形，向量化后的车辆序列为
Figure DEST_PATH_IMAGE104
，
Figure DEST_PATH_IMAGE106
。
Figure DEST_PATH_IMAGE108
其中，
Figure DEST_PATH_IMAGE110
含义与轨迹序列向量
Figure 748353DEST_PATH_IMAGE088
中对应的参数一致；
Figure DEST_PATH_IMAGE112
分别表示车道序列
Figure 702402DEST_PATH_IMAGE080
的转弯类型、是否位于交叉口、是否有信号灯控制3类语义属性。
利用MLP层将智能体轨迹特征和车道特征映射到高维空间，维度由8上升到64，然后在时间维度采用最大池化，得到与轨迹序列以及车道序列对应的高阶特征向量
Figure DEST_PATH_IMAGE114
，
Figure DEST_PATH_IMAGE116
。其中，
Figure DEST_PATH_IMAGE118
表示MLP层的权重矩阵，
Figure DEST_PATH_IMAGE120
代表最大池化操作。
图注意力网络使用注意力机制和邻接矩阵来描述邻接节点对于目标节点的重要性，与图卷积神经网络GCN相比，通过注意力机制来对邻居节点权重自适应分配，提高了图神经网络的表达能力。利用改进后的图注意力网络GAT_v2在对轨迹序列特征
Figure DEST_PATH_IMAGE122
进行高阶交互时，每一个序列特征
Figure 964887DEST_PATH_IMAGE114
对应于图注意力网络GAT中的一个节点，每条边代表两条轨迹序列之间的关联度。
其中，图注意力网络GAT_v2通过改变线性层Linear和激活函数LeakyReLU的计算顺序，克服了传统GAT只能提供静态注意力的不足，本申请利用改进后的图注意力网络GAT_v2在对轨迹序列特征
Figure 803530DEST_PATH_IMAGE122
进行高阶交互：
Figure DEST_PATH_IMAGE123
其中，
Figure DEST_PATH_IMAGE125
表示经过图注意力网络聚合后的轨迹序列特征，维度同样为64，
Figure DEST_PATH_IMAGE127
代表初始化线性变换的权重矩阵，
Figure DEST_PATH_IMAGE129
由MLP层实现，用于计算两个特征之间的相似度。
Figure DEST_PATH_IMAGE131
和
Figure DEST_PATH_IMAGE133
为激活函数，H为图注意力网络的头数，这里可以设为8；
Figure DEST_PATH_IMAGE135
为归一化的注意力分数。
对于智能体轨迹特征和车道特征，经图注意力网络GAT_v2高阶交互后可以表示为
Figure DEST_PATH_IMAGE137
，即为预测目标的空间交互特征
Figure DEST_PATH_IMAGE139
。
500，获取预测目标的历史轨迹信息，并利用LSTM网络提取预测目标历史轨迹信息中的轨迹时序特征。
其中，结合图6，步骤500包括：
501，获取预测目标的历史轨迹信息；其中，预测目标的历史轨迹信息用位置、速度和航向角组成的多维特征向量表示；
502，将所述多维特征向量映射到高维空间，获得高维特征向量；
503，将所述高维特征向量输入LSTM网络，输出轨迹时序特征。
具体的，用位置（x，y）、速度v和朝向
Figure 648121DEST_PATH_IMAGE020
组成的多维特征向量
Figure DEST_PATH_IMAGE141
表示预测目标的历史轨迹信息，利用LSTM网络的时序编码特性，提取预测目标历史轨迹中的时序特征
Figure DEST_PATH_IMAGE143
。
将多维特征向量
Figure DEST_PATH_IMAGE145
作为输入，首先通过一个2层MLP层将多维特征向量
Figure 583191DEST_PATH_IMAGE145
映射到高维空间，得到高维特征向量
Figure DEST_PATH_IMAGE147
，然后将该高维特征向量输入LSTM网络，输出轨迹时序特征
Figure 926448DEST_PATH_IMAGE143
：
Figure DEST_PATH_IMAGE148
其中，
Figure DEST_PATH_IMAGE150
和
Figure DEST_PATH_IMAGE152
分别代表MLP层和LSTM网络的权重矩阵，h代表LSTM网络的隐藏层状态，维度是64。
600，对所述空间交互特征和轨迹时序特征进行交互融合，得到场景上下文特征。
其中，结合图7，步骤600具体包括：
601，以所述空间交互特征作为多头注意机制的键和值，所述轨迹时序特征作为查询向量，评估预测目标和周边智能体的关联程度；
602，根据所述关联程度对不同空间区域加权，计算场景上下文特征。
需要说明的是，现有技术中常使用各类池化函数或者直接拼接来合并特征，这类方法往往缺乏有效的特征融合机制，可能忽略一些重要的交互信息，导致对最终的预测结果造成负面影响。
本申请采用多头注意力机制对空间交互特征
Figure 240886DEST_PATH_IMAGE139
和轨迹时序特征
Figure 517146DEST_PATH_IMAGE143
进行交汇融合，以历史轨迹的轨迹时序特征
Figure 953944DEST_PATH_IMAGE143
作为查询向量Q，空间交互特征作为多头注意机制的键K和值V，计算预测目标与其他智能体之间的交互强弱，并分配不同的关注度，使网络更加关注对预测目标产生较大影响的个体，最终得到场景上下文特征
Figure DEST_PATH_IMAGE154
。
需要说明的是，多头注意力机制可以看做是一种软寻址操作：输入信息X作为容器中的存储内容，存储内容由键（Key）值（Value）对表示，对于一个键为Query的查询，需要计算容器中对应的Value。软寻址通过计算Query与所有键的相似度来决定从对应值中取出多少，即由Query与Key的相似性来计算每个Value的权重，对所有Value进行加权求和的结果就是最终的Attention。
以上计算可以归纳为三个过程：
第一步：计算Query和Key的相似度
Figure DEST_PATH_IMAGE156
，也称注意力分数。一般用点积操作或余弦相似度实现。
Figure DEST_PATH_IMAGE157
第二步：将注意力分数
Figure 191021DEST_PATH_IMAGE156
用softmax函数进行归一化，突出重要元素的权重
Figure DEST_PATH_IMAGE159
。
Figure DEST_PATH_IMAGE160
第三步：根据softmax归一化的结果计算Value的加权值。
Figure DEST_PATH_IMAGE161
在Transformer中使用的注意力机制是Scaled Dot-Product Attention，计算公式如下：
Figure DEST_PATH_IMAGE162
其中，
Figure DEST_PATH_IMAGE164
分别代表查询向量Query，键Key和值Value，这里
Figure DEST_PATH_IMAGE166
之间的映射采用常用的点积方式，这种方式能直接建立关系映射，计算速度更快，能够降低模型的复杂度；
Figure DEST_PATH_IMAGE168
代表
Figure DEST_PATH_IMAGE170
分数的调节银子，保证点积结果不至于过大。
多头注意力机制将网络分为多个子空间，可以关注不同层次的信息，相较于一般的注意力机制可以有效防止网络过拟合。
具体来说，空间交互特征
Figure 840308DEST_PATH_IMAGE139
作为多头注意力机制的K和V，轨迹时序特征
Figure 174338DEST_PATH_IMAGE143
作为查询向量Q，评估预测对象和周边智能体的关联程度，这本质上是一种空间软注意力机制，Attention加权作用在空间尺度上，通过对不同空间区域加权，计算场景上下文特征
Figure 578774DEST_PATH_IMAGE154
。其中场景上下文特征
Figure 237901DEST_PATH_IMAGE154
的计算公式如下：
Figure DEST_PATH_IMAGE171
其中，
Figure DEST_PATH_IMAGE173
分别表示多个头结构，h为网络结构中头数4，
Figure DEST_PATH_IMAGE175
、
Figure DEST_PATH_IMAGE177
、
Figure 284355DEST_PATH_IMAGE177
、
Figure DEST_PATH_IMAGE179
均为权重矩阵，
Figure DEST_PATH_IMAGE181
表示拼接操作。
700，对所述候选目标点集合以及场景上下文特征进行解码，输出预测目标的未来轨迹以及未来轨迹对应的概率值。
其中，结合图8，步骤700包括：
701，利用双层MLP和softmax层堆叠组成分类分支；
702，所述候选点目标集合以及场景上下文特征作为分类分支的输入，并由softmax层输出候选点目标集合对应的概率值；
703，利用双层MLP组成回归分支；
704，将所述候选点目标集合以及场景上下文特征作为回归分支的输入，输出预测目标的候选轨迹集合；
705，按照所述概率值由高到低对候选轨迹集合进行筛选，输出预测目标的未来轨迹。
需要说明的是，分类分支由一个双层MLP和softmax层堆叠组成，将候选点目标集合
Figure 82678DEST_PATH_IMAGE072
以及场景上下文特征
Figure 720332DEST_PATH_IMAGE154
作为分类分支的输入，最终由softmax层输出候选点目标集合
Figure 56636DEST_PATH_IMAGE072
对应的概率分布
Figure DEST_PATH_IMAGE183
，一共
Figure DEST_PATH_IMAGE185
个参数。
Figure DEST_PATH_IMAGE187
，其中，
Figure DEST_PATH_IMAGE189
表示特征拼接操作，
Figure 719829DEST_PATH_IMAGE150
表示MLP层的网络权重。
回归分支基于一个双层MLP作为解码器生成轨迹，输入候选点目标集合
Figure 825189DEST_PATH_IMAGE072
以及场景上下文特征
Figure 509111DEST_PATH_IMAGE154
，回归分支生成包含有N条候选轨迹的候选轨迹集合
Figure DEST_PATH_IMAGE191
。对每个预测轨迹点
Figure DEST_PATH_IMAGE193
输出二元混合高斯分布的5个参数
Figure DEST_PATH_IMAGE195
,
Figure DEST_PATH_IMAGE197
,
Figure DEST_PATH_IMAGE199
,
Figure DEST_PATH_IMAGE201
，一共
Figure DEST_PATH_IMAGE203
个参数。
Figure DEST_PATH_IMAGE205
，其中，
Figure 487038DEST_PATH_IMAGE189
表示特征拼接操作，
Figure 609715DEST_PATH_IMAGE150
表示MLP层的网络权重。
为了保证车辆轨迹预测时的多模态性，需要对回归分支和分类分支分别设计损失函数
Figure DEST_PATH_IMAGE207
和
Figure DEST_PATH_IMAGE209
，通过加权
Figure 366318DEST_PATH_IMAGE207
和
Figure 96508DEST_PATH_IMAGE209
构建整个模型的联合损失函数。联合损失函数
Figure DEST_PATH_IMAGE211
，其中
Figure DEST_PATH_IMAGE213
和
Figure DEST_PATH_IMAGE215
分别表示
Figure 672983DEST_PATH_IMAGE207
和
Figure 333771DEST_PATH_IMAGE209
的权重系数。
分类损失函数
Figure 961193DEST_PATH_IMAGE209
基于交叉熵损失（Cross Entroy Loss）函数实现，由于有候选点目标集合
Figure 518076DEST_PATH_IMAGE072
作为先验条件，可以保证模型训练时不会发生模态坍缩。从
Figure DEST_PATH_IMAGE217
中找到一个距离真实轨迹终点最近的候选目标点
Figure DEST_PATH_IMAGE219
作为正确分类的标签，分类损失函数
Figure 847426DEST_PATH_IMAGE209
定位为：
Figure DEST_PATH_IMAGE221
。
回归损失函数
Figure 390534DEST_PATH_IMAGE207
通过对二元混合高斯分布的概率密度函数取负对数得到：
Figure DEST_PATH_IMAGE222
Figure DEST_PATH_IMAGE223
其中，(
Figure DEST_PATH_IMAGE225
,
Figure DEST_PATH_IMAGE227
)为预测目标每一帧的预测位置，
Figure DEST_PATH_IMAGE229
是二元混合高斯分布的参数，
Figure DEST_PATH_IMAGE231
表示预测轨迹在t时刻的位置，
Figure DEST_PATH_IMAGE233
代表轨迹点
Figure 135112DEST_PATH_IMAGE231
的标准差，反映了每个轨迹点位置的不确定性，
Figure DEST_PATH_IMAGE235
是相关系数，上述5个参数由输出维度为5的FC层对高维特征做线性变换得到；
Figure DEST_PATH_IMAGE237
和
Figure DEST_PATH_IMAGE239
为该预测目标在时刻t的真实轨迹位置，N为预测轨迹的数目，
Figure 721951DEST_PATH_IMAGE010
代表预测时长。
另外，为保证轨迹预测的多模态并将未来轨迹限制在合适的子集中，使用目标检测领域的非极大值抑制机制，按照概率值由高到低对回归分支生成的多条候选轨迹进行筛选，最终输出包含有K条未来轨迹的未来轨迹集合
Figure DEST_PATH_IMAGE241
，其中
Figure DEST_PATH_IMAGE243
是对候选轨迹进行非极大值抑制机制（NMS）筛选的阈值。
其中，步骤705具体包括：
步骤一：按照概率值由高到低对候选轨迹集合
Figure DEST_PATH_IMAGE245
中的候选轨迹排序；
步骤二：从所述选轨迹集合
Figure 882805DEST_PATH_IMAGE245
选择概率值最大的候选轨迹
Figure DEST_PATH_IMAGE247
加入未来轨迹集合
Figure DEST_PATH_IMAGE249
，并将该候选轨迹从候选轨迹集合
Figure 432866DEST_PATH_IMAGE245
中删除；
步骤三：遍历所述候选轨迹集合
Figure 159513DEST_PATH_IMAGE245
中的剩余候选轨迹，计算剩余候选轨迹与概率值最大的候选轨迹
Figure 854937DEST_PATH_IMAGE247
之间的最终位移误差FDE，在最终位移误差FDE小于预设阈值
Figure 424459DEST_PATH_IMAGE243
的情况下，将对应的候选轨迹从候选轨迹集合
Figure 168424DEST_PATH_IMAGE245
中删除；
步骤四：重复上述步骤一至步骤三，直至候选轨迹集合
Figure 77474DEST_PATH_IMAGE245
为空或者未来轨迹集合
Figure 756848DEST_PATH_IMAGE249
中的未来轨迹数量达到设定数量K。
另外，针对典型的城市交通场景进行可视化研究，进一步分析本申请中车辆轨迹预测方法的性能。为验证模型多模态轨迹预测的优越性，选取VectorNet单一轨迹预测方法以及无迹卡尔曼滤波（Unscented Kalman Filter，UKF）作为对比，针对城市路段和路口场景，分别比较三种模型的预测效果，minADE、minFDE和Recall对比如表1.2和表1.3所示。对于单一轨迹预测模型，认为minADE相当于ADE、minFDE相当于FDE。
Figure DEST_PATH_IMAGE250
Figure DEST_PATH_IMAGE251
根据结果显示，本申请的预测方法在路段场景和路口场景的预测精度和召回率都超过了其他模型，两种场景下UKF模型的预测误差相对较大，Tpred=3s时的minFDE分别为3.49m和5.28m，这说明UKF模型难以用于长时轨迹预测。
本申请的预测方法和VectorNet在不同场景下预测3s轨迹的指标对比如图9（a）和图9（b）所示，对于VectorNet模型，路段场景下的minFDE和Recall分别为2.03m和0.68，路口场景下的minFDE和Recall分别为3.90m和0.35，minFDE增长了92.1%，Recall降低了48.5%。而本申请的预测方法在路段场景下minFDE和Recall分别为1.67m和0.82，路口场景minFDE和Recall分别为2.13m和0.62，minFDE仅增长27.5%，Recall仅降低24.3%。这表明VectorNet这类单一轨迹预测方式缺少地图信息的引导与约束，复杂路口场景下的预测精度相对路段场景显著降低，难以可靠输出预测轨迹。而本申请的预测方法得益于结合车道拓扑结构进行轨迹预测，路口场景的精度损失较低。通过验证结果表明，本申请这种具有先验知识的轨迹预测方式不仅可以有效建模目标意图的不确定性，输出多条合理的未来轨迹，而且在城市路段和复杂路口等多种场景下都能保持较高的精度，鲁棒性更好。
基于上述面向城市场景下车辆轨迹预测方法，本实施例还公开了一种面向城市场景下车辆轨迹预测***。
作为车辆轨迹预测***的一种实施方式，如图10所示，包括：
意图预测模型，用于根据车道拓扑结构信息搜索预测目标周边一定范围内的车道序列，并从所述车道序列中提取预测目标的候选车道序列，得到候选目标点集合；
轨迹生成模型，轨迹生成模型包括：
空间交互模块，用于采用向量表示预测目标周边智能体的轨迹以及车道序列，并基于层级的网络结构提取预测目标的空间交互特征；
轨迹编码模块，用于获取预测目标的历史轨迹信息，并利用LSTM网络提取预测目标历史轨迹信息中的轨迹时序特征；
特征融合模块，用于对所述空间交互特征和轨迹时序特征进行交互融合，得到场景上下文特征；
轨迹输出模块，用于对所述候选目标点集合以及场景上下文特征进行解码，输出预测目标的未来轨迹以及未来轨迹对应的概率值。
需要说明的是，为了验证轨迹生成模型中各个模块的有效性，设计了消融实验。表1.4显示了只有空间交互模块、只有轨迹编码模块和完整结构的轨迹预测结果，预测时长为3s，NMS最终筛选3条轨迹（K=3）。消融实验结果显示，完整结构的模型具有最小的minADE和minFDE，预测精度明显高于单一模块，各个模块的有效性得到验证。
Figure DEST_PATH_IMAGE253
本申请实施例还公开了一种计算机可读存储介质，存储有能够被处理器加载并执行如上述中央摆渡车运行控制方法的计算机程序，该计算机可读存储介质例如包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(RandomAccessMemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (10)

1.一种面向城市场景下车辆轨迹预测方法，其特征在于，包括：
根据高精地图信息构建车道拓扑结构信息；
基于所述车道拓扑结构信息搜索预测目标周边一定范围内的车道序列；
从所述车道序列中提取预测目标的候选车道序列，得到候选目标点集合；
采用向量表示预测目标周边智能体的轨迹序列以及车道序列，并基于层级的网络结构提取预测目标的空间交互特征；
获取预测目标的历史轨迹信息，并利用LSTM网络提取预测目标历史轨迹信息中的轨迹时序特征；
对所述空间交互特征和轨迹时序特征进行交互融合，得到场景上下文特征；
对所述候选目标点集合以及场景上下文特征进行解码，输出预测目标的未来轨迹。
2.根据权利要求1所述的一种面向城市场景下车辆轨迹预测方法，其特征在于，所述基于所述车道拓扑结构信息搜索预测目标周边一定范围内的车道序列步骤，具体包括：
根据预测目标当前位置和朝向，获取预测目标当前所处或距离最近的车道，并将所述车道加入车道序列集合中；
以预测目标当前所处或距离最近的车道为起点，由高精地图信息提供的车道拓扑结构信息，搜索当前所处车道的左邻和右邻车道，并将所述左邻和右邻车道加入车道序列集合中；
以所述车道序列集合中的左邻和右邻车道为起点，搜索每个邻和右邻车道的后继车道并开始递归，直至车道的累计长度超过设定的搜索范围，并将所述后继车道加入车道序列集合中。
3.根据权利要求2所述的一种面向城市场景下车辆轨迹预测方法，其特征在于，所述从所述车道序列中提取预测目标的候选车道序列，得到候选目标点集合步骤，具体包括：
根据所述车道序列集合中所有的车道序列，等距采样获取车道中心线点集；
获取所述车道中心线点集中所有的车道中心线点与预测目标当前位置的欧式距离；
将所述欧式距离小于等于设定最大距离且大于等于设定最小距离的车道中心线点作为目标点，得到候选目标点集合。
4.根据权利要求3所述的一种面向城市场景下车辆轨迹预测方法，其特征在于：所述设定最大距离
Figure DEST_PATH_IMAGE001
，所述设定最小距离
Figure DEST_PATH_IMAGE002
；其中，
Figure DEST_PATH_IMAGE003
表示距离缩放因子，
Figure DEST_PATH_IMAGE004
表示预测目标当前速度，
Figure DEST_PATH_IMAGE005
表示预测时长。
5.根据权利要求1所述的一种面向城市场景下车辆轨迹预测方法，其特征在于：所述采用向量表示预测目标周边智能体的轨迹序列以及车道序列，并基于层级的网络结构提取预测目标的空间交互特征步骤，具体包括：
用向量表示预测目标周边智能体的轨迹序列以及车道序列；
将所述轨迹序列以及车道序列中的向量特征分别映射到高维空间，并在时间维度采用最大池化，得到对应的高阶特征向量；
利用图注意力网络对轨迹序列特征以及车道序列特征进行高阶交互，得到预测目标的空间交互特征；其中，所述轨迹序列特征以及车道序列特征为对应高阶特征向量的集合。
6.根据权利要求1所述的一种面向城市场景下车辆轨迹预测方法，其特征在于，所述获取预测目标的历史轨迹信息，并利用LSTM网络提取预测目标历史轨迹信息中的轨迹时序特征步骤，具体包括：
获取预测目标的历史轨迹信息；其中，预测目标的历史轨迹信息用位置、速度和航向角组成的多维特征向量表示；
将所述多维特征向量映射到高维空间，获得高维特征向量；
将所述高维特征向量输入LSTM网络，输出轨迹时序特征。
7.根据权利要求1所述的一种面向城市场景下车辆轨迹预测方法，其特征在于，所述对所述候选目标点集合以及场景上下文特征进行解码，输出预测目标的未来轨迹步骤，具体包括：
利用双层MLP和softmax层堆叠组成分类分支；
将所述候选目标点集合以及场景上下文特征作为分类分支的输入，并由softmax层输出候选目标点集合对应的概率值；
利用双层MLP组成回归分支；
将所述候选目标点集合以及场景上下文特征作为回归分支的输入，输出预测目标的候选轨迹集合；
按照所述概率值由高到低对候选轨迹集合进行筛选，输出预测目标的未来轨迹。
8.根据权利要求7所述的一种面向城市场景下车辆轨迹预测方法，其特征在于,所述按照所述概率值由高到低对预测目标的候选轨迹进行筛选，最终输出预测目标的未来轨迹步骤，具体包括：
按照所述概率值由高到低对候选轨迹集合中的候选轨迹排序；
从所述选轨迹集合选择概率值最大的候选轨迹加入未来轨迹集合，并将所述候选轨迹从候选轨迹集合中删除；
遍历所述候选轨迹集合中的剩余候选轨迹，计算剩余候选轨迹与概率值最大的候选轨迹的最终位移误差，在所述最终位移误差小于预设阈值的情况下，将对应的候选轨迹从候选轨迹集合中删除；
重复以上步骤，直至所述候选轨迹集合为空或者未来轨迹集合中的未来轨迹数量达到设定数量。
9.一种面向城市场景下车辆轨迹预测***，其特征在于，包括：
意图预测模型，用于根据车道拓扑结构信息搜索预测目标周边一定范围内的车道序列，并从所述车道序列中提取预测目标的候选车道序列，得到候选目标点集合；
轨迹生成模型，所述轨迹生成模型包括：
空间交互模块，用于采用向量表示预测目标周边智能体的轨迹以及车道序列，并基于层级的网络结构提取预测目标的空间交互特征；
轨迹编码模块，用于获取预测目标的历史轨迹信息，并利用LSTM网络提取预测目标历史轨迹信息中的轨迹时序特征；
特征融合模块，用于对所述空间交互特征和轨迹时序特征进行交互融合，得到场景上下文特征；
轨迹输出模块，用于对所述候选目标点集合以及场景上下文特征进行解码，输出预测目标的未来轨迹以及未来轨迹对应的概率值。
10.一种计算机可读存储介质，其特征在于：存储有能够被处理器加载并执行如权利要求1-8中任一种方法中的计算机程序。
CN202210943631.1A 2022-08-08 2022-08-08 面向城市场景下车辆轨迹预测方法、***及存储介质 Active CN115009275B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210943631.1A CN115009275B (zh) 2022-08-08 2022-08-08 面向城市场景下车辆轨迹预测方法、***及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210943631.1A CN115009275B (zh) 2022-08-08 2022-08-08 面向城市场景下车辆轨迹预测方法、***及存储介质

Publications (2)

Publication Number Publication Date
CN115009275A CN115009275A (zh) 2022-09-06
CN115009275B true CN115009275B (zh) 2022-12-16

Family

ID=83065996

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210943631.1A Active CN115009275B (zh) 2022-08-08 2022-08-08 面向城市场景下车辆轨迹预测方法、***及存储介质

Country Status (1)

Country Link
CN (1) CN115009275B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116341721B (zh) * 2023-03-02 2023-10-31 石家庄铁道大学 一种基于车辆轨迹的运行目的地预测方法及***
CN116061973B (zh) * 2023-03-15 2023-07-07 安徽蔚来智驾科技有限公司 车辆轨迹预测方法、控制装置、可读存储介质及车辆
CN116740664A (zh) * 2023-05-19 2023-09-12 清华大学 一种轨迹预测方法和装置
CN117496476B (zh) * 2024-01-02 2024-03-26 安徽蔚来智驾科技有限公司 路网生成方法、可读存储介质及智能设备
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
CN117698752B (zh) * 2024-02-05 2024-05-14 苏州万集车联网技术有限公司 目标筛选方法和装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046919A (zh) * 2019-11-21 2020-04-21 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
CN111114554A (zh) * 2019-12-16 2020-05-08 苏州智加科技有限公司 行驶轨迹预测方法、装置、终端及存储介质
CN113657433A (zh) * 2021-07-01 2021-11-16 华南理工大学 一种车辆轨迹多模态预测方法
CN113850363A (zh) * 2020-06-25 2021-12-28 英特尔公司 将驾驶规范应用于自动车辆行为预测的技术
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
CN113989330A (zh) * 2021-11-03 2022-01-28 中国电信股份有限公司 车辆轨迹预测方法、装置、电子设备和可读存储介质
CN114005280A (zh) * 2021-11-17 2022-02-01 同济大学 一种基于不确定性估计的车辆轨迹预测方法
CN114372116A (zh) * 2021-12-30 2022-04-19 华南理工大学 一种基于lstm和时空注意力机制的车辆轨迹预测方法
CN114802296A (zh) * 2022-03-17 2022-07-29 浙江工业大学 一种基于动态交互图卷积的车辆轨迹预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12005892B2 (en) * 2019-11-14 2024-06-11 Nec Corporation Simulating diverse long-term future trajectories in road scenes
US12001958B2 (en) * 2020-03-19 2024-06-04 Nvidia Corporation Future trajectory predictions in multi-actor environments for autonomous machine
US11926347B2 (en) * 2020-10-30 2024-03-12 Waymo Llc Conditional agent trajectory prediction
CN113362367B (zh) * 2021-07-26 2021-12-14 北京邮电大学 一种基于多精度交互的人群轨迹预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046919A (zh) * 2019-11-21 2020-04-21 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
CN111114554A (zh) * 2019-12-16 2020-05-08 苏州智加科技有限公司 行驶轨迹预测方法、装置、终端及存储介质
CN113850363A (zh) * 2020-06-25 2021-12-28 英特尔公司 将驾驶规范应用于自动车辆行为预测的技术
CN113657433A (zh) * 2021-07-01 2021-11-16 华南理工大学 一种车辆轨迹多模态预测方法
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
CN113989330A (zh) * 2021-11-03 2022-01-28 中国电信股份有限公司 车辆轨迹预测方法、装置、电子设备和可读存储介质
CN114005280A (zh) * 2021-11-17 2022-02-01 同济大学 一种基于不确定性估计的车辆轨迹预测方法
CN114372116A (zh) * 2021-12-30 2022-04-19 华南理工大学 一种基于lstm和时空注意力机制的车辆轨迹预测方法
CN114802296A (zh) * 2022-03-17 2022-07-29 浙江工业大学 一种基于动态交互图卷积的车辆轨迹预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于时间序列的目标车辆轨迹预测算法;孙影等;《汽车实用技术》;20200330(第06期);全文 *

Also Published As

Publication number Publication date
CN115009275A (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN115009275B (zh) 面向城市场景下车辆轨迹预测方法、***及存储介质
Messaoud et al. Trajectory prediction for autonomous driving based on multi-head attention with joint agent-map representation
Messaoud et al. Attention based vehicle trajectory prediction
Zyner et al. Naturalistic driver intention and path prediction using recurrent neural networks
KR102001798B1 (ko) 비디오 이해를 위한 모션-기반 어텐션에 의한 순환 네트워크들
Narayanan et al. Divide-and-conquer for lane-aware diverse trajectory prediction
Zhang et al. Map-adaptive goal-based trajectory prediction
Xie et al. Obstacle detection and tracking method for autonomous vehicle based on three-dimensional LiDAR
CN109885891A (zh) 一种智能车gpu并行加速轨迹规划方法
CN115071762B (zh) 面向城市场景下行人轨迹预测方法、模型及存储介质
Huang et al. Conditional predictive behavior planning with inverse reinforcement learning for human-like autonomous driving
Sulistiyo et al. Attribute-aware semantic segmentation of road scenes for understanding pedestrian orientations
Zeng et al. Robust multivehicle tracking with wasserstein association metric in surveillance videos
KR20210118995A (ko) 딥러닝 기반 자율주행차량의 유턴 경로 생성 방법 및 장치
Kawasaki et al. Multimodal trajectory predictions for autonomous driving without a detailed prior map
CN116050245A (zh) 基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法与***
Chen et al. Social relation and physical lane aggregator: Integrating social and physical features for multimodal motion prediction
Zuo et al. Trajectory prediction network of autonomous vehicles with fusion of historical interactive features
Kong et al. Explicit points-of-interest driven Siamese transformer for 3D LiDAR place recognition in outdoor challenging environments
Tanaka et al. Offline map matching using time-expanded graph for low-frequency data
CN116448134B (zh) 基于风险场与不确定分析的车辆路径规划方法及装置
Tian et al. RSG-GCN: predicting semantic relationships in urban traffic scene with map geometric prior
WO2023135271A1 (en) Motion prediction and trajectory generation for mobile agents
Chen et al. Grid-based multi-object tracking with Siamese CNN based appearance edge and access region mechanism
Cui et al. Ellipse loss for scene-compliant motion 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
GR01 Patent grant
GR01 Patent grant