CN109910909A - 一种多车运动状态的汽车轨迹网联交互式预测方法 - Google Patents

Abstract

本发明涉及一种多车运动状态的汽车轨迹网联交互式预测方法，属于智能网联汽车环境感知技术领域。本发明方法包括确定网联多车的相对位置关系，提取各自行驶状态的特征，将多车的行驶状态特征分别输入到长短时记忆单元中，并将相邻车辆的隐藏状态通过辐射形网络连接共享，从而构建结构化长短时记忆单元,实现对多车间交互关系的建模，然后利用结构化长短时记忆单元建立多层编码‑解码器网络进行多车的未来行驶轨迹的预测，之后将网络所得的预测状态发送给决策模块进行自主决策与路径规划。本方法采用结构化长短时记忆单元将网联多车之间的行驶状态进行隐藏状态层的共享，实现交互关系的建模，本方法可以实现在复杂交通环境下，针对多车进行同步的长时间跨度预测，达到较高的预测准确度。

Description

一种多车运动状态的汽车轨迹网联交互式预测方法

技术领域

本发明涉及一种多车运动状态的汽车轨迹网联交互式预测方法，属于智能网联汽车环境感知技术领域。

背景技术

智能化、网联化是汽车技术的发展趋势，智能网联汽车具有增强安全性、提高经济性和增加通行量的潜在优势，已成为国内外的研究热点。为了保证在复杂交通环境中的驾驶安全性，智能网联汽车需对未来一段时间内的交通环境变化进行预测并做出合理应对。周围汽车行驶状态的通常难以预测，主要由以下不确定因素所致：驾驶员行为的随机性，与其他交通参与者之间的强交互性，道路结构的空间约束，传感器对周围环境感知的噪声与误差。因此，要实现在强交互性交通环境下对多车行驶状态的准确在线预测，为更高级自动驾驶的自主决策与路径规划系统提供支撑，是目前全世界研究者面临的一大挑战。

目前针对汽车行驶状态的预测算法主要分为单车输入式以及多车输入式两种。其中，汽车行驶状态的单车输入式预测算法主要通过对单一周围车辆的历史行驶状态进行分析，利用滤波技术结合车辆运动学或动力学模型，或利用模式识别技术结合驾驶人行为意图进行未来行驶状态的预测。这类方法计算效率高，但在环境车辆较多时准确度较低；另一种汽车行驶状态预测方法则是通过将所有环境车辆的行驶状态输入到某个神经网络，比如长短时记忆(long short-term memory，LSTM)神经网络，再分别输出每一辆周围汽车的未来行驶状态，这种方法考虑了多辆汽车的历史行驶状态，在周围车辆较多时有更高的预测准确度。

但是，由于上述多车输入式预测算法在预测未来行驶状态时仅考虑了环境汽车对预测目标的影响，而未考虑预测目标对周围汽车的影响，本质上仍是不考虑多车交互的单一车辆独立预测，因此该方法在多车之间有强交互的复杂交通场景中的应用受到限制。

发明内容

本发明的目的是提出一种多车运动状态的汽车轨迹网联交互式预测方法，针对周围汽车行驶状态预测中多辆汽车强交互的状态难以模型化描述的问题，利用结构化LSTM方法将多车行驶状态分别进行特征提取，通过辐射形网络连接建立多车交互的模型，实现多车同步交互式预测，从而提高在复杂交通环境下的预测准确度。

本发明提出的多车运动状态的汽车轨迹网联交互式预测方法，包括以下步骤：

(1)设定被预测的目标车辆与环境车辆，分布在三条相邻车道中，目标车辆处于中间车道中，当目标车辆越过中间车道线时，目标车辆与环境车辆的位置关系替换为新的三条相邻车道，仍使目标车辆处于中间车道中，具体空间位置关系为：

(1-1)目标车辆，位于中间车道；

(1-2)前方车辆，位于中间车道且目标车辆前方；

(1-3)左前车辆，位于左侧车道且目标车辆前方；

(1-4)左后车辆，位于左侧车道且目标车辆后方；

(1-5)右前车辆，位于右侧车道且目标车辆前方；

(1-6)右后车辆，位于右侧车道且目标车辆后方；

(2)根据步骤(1)设定的被预测的目标车辆与环境车辆空间位置关系，通过车辆传感器分别采集目标车辆与环境车辆的行驶状态参数，记为x_t，其中t为采样时刻，x_t包括：车辆与车辆所在当前车道的左车道线之间的距离、车辆与车辆所在当前车道的右车道线之间的距离、车辆的车头时距(time headway)、车辆的车头间距(space headway)、车辆的横向速度、车辆的纵向速度、车辆的横向加速度、车辆的纵向加速度、车辆的车宽和车辆的车长；

(3)建立一个描述目标车辆与环境车辆的交互式关系的结构化长短时记忆网络单元，该单元由多个长短时记忆网络单元组成，根据步骤(1)的车辆空间位置关系，建立相邻长短时记忆网络单元之间的辐射形连接，具体过程如下：

(3-1)建立与各目标车辆与环境车辆相对应的长短时记忆网络单元如下：

c_t＝f_t⊙c_t-1+i_t⊙g_t

h_t＝o_t⊙f(c_t)

其中，σ(·)为sigmoid函数，即σ(x)＝1/1+e^-x)，f(·)为长短时记忆网络单元的任意激活函数，i_t、f_t、o_t和g_t分别为长短时记忆网络单元的输入门向量、遗忘门向量、输出门向量和更新门向量，和分别为长短时记忆网络单元的可训练权重，为长短时记忆网络单元训练后的待定量，其中，上标i、f、o和g分别表示该权重计算后得到输入门向量、遗忘门向量、输出门向量和更新门向量，下标x和h分别表示该权重对应单元输入和隐藏状态，b_i、b_f、b_o和b_g为长短时记忆网络单元的偏置，为长短时记忆网络单元训练后的待定量，其中，下标i、f、o和g分别表示该权重计算后得到输入门向量、遗忘门向量、输出门向量和更新门向量，⊙为矩阵元素的对应相乘，x_t为步骤(2)的在采样时刻t分别采集的目标车辆与环境车辆的行驶状态参数，x_t作为长短时记忆网络单元的输入，隐藏状态h_t及单元状态c_t为长短时记忆网络单元的输出，

重复本步骤，遍历所有目标车辆和环境车辆，得到所有车辆的长短时记忆网络单元；

(3-2)根据步骤(1)的车辆空间位置关系，将步骤(3-1)建立的所有长短时记忆网络单元中，与相邻车辆相对应的相邻单元分别进行连接，共享各自的隐藏状态，形成一个结构化长短时记忆网络单元：

其中，LSTM(·)表示步骤(3-1)中的长短时记忆网络单元，W为所有可训练权重，为结构化长短时记忆网络单元训练后的待定量，隐藏状态h_t及单元状态c_t为结构化长短时记忆网络单元的输出，下标t为采样时刻，上标o、f、lf、lr、rf和rr分别表示步骤(1)中的目标车辆、前方车辆、左前车辆、左后车辆、右前车辆和右后车辆，[·，·]表示将两个短向量相连得到一个长向量；

(4)利用步骤(3)构建的结构化长短时记忆网络单元，建立一个车辆轨迹网联交互式预测网络，具体过程如下：

(4-1)建立一个历史行驶状态处理器，包括一个线性变换层与多个步骤(3)的结构化长短时记忆网络单元层，用于理解车辆的历史行驶状态参数，历史行驶状态处理器的结构如下：

其中，为线性变换后的中间量，SLSTM(·)表示步骤(3-2)中结构化长短时记忆网络单元层，V和W分别为线性变换层的可训练权重和结构化长短时记忆网络单元层的可训练权重，为历史行驶状态处理器训练后的待定量，N为结构化长短时记忆网络单元的层数，根据交通环境设定，例如，当交通环境较为简单时设定为1或2，当交通环境较为复杂时设定为3或以上，x_t为步骤(2)采集的车辆的行驶状态参数，隐藏状态h_t及单元状态c_t为历史行驶状态处理器的输出；

将与最后输入的车辆行驶状态参数x_t相对应的历史行驶状态处理器输出的隐藏状态h_t及单元状态c_t作为中间处理量；

(4-2)建立一个未来行驶状态处理器，包括一个输入线性变换层、多个步骤(3)的结构化长短时记忆网络单元层和一个输出线性变换层，用于预测车辆的未来行驶状态参数，未来行驶状态处理器的结构如下：

其中，为线性变换后的中间量，SLSTM(·)表示步骤(3-2)中结构化长短时记忆网络单元层，V′、W′和U′分别为输入线性变换层的可训练权重、多个步骤(3)的结构化长短时记忆网络单元层的可训练权重和输出线性变换层的可训练权重，为未来行驶状态处理器训练后的待定量；

将步骤(4-1)中的中间处理量作为未来行驶状态处理器的隐藏状态h_t及单元状态c_t的初始值，将y_t作为未来行驶状态处理器的输出，即通过中间处理量连接历史行驶状态处理器与未来行驶状态处理器，得到车辆轨迹网联交互式预测网络；

(5)对步骤(4)建立的车辆轨迹网联交互式预测网络进行训练，将车辆传感器采集目标车辆与环境车辆的连续驶状态参数x_t序列切分为两段，其中第一段作为车辆轨迹网联交互式预测网络训练输入，记为历史行驶状态第二段作为训练标签，记为未来行驶状态真实值将历史行驶状态输入当前权重V、W、V′、W′和U′下的车辆轨迹网联交互式预测网络中，得到未来行驶状态预测值y_t，计算未来行驶状态预测值y_t与真实值之间的均方根误差J：

其中T为预测时长，取值为5秒至10秒；

将均方根误差J作为车辆轨迹网联交互式预测网络的损失函数值，利用反向传播算法将网络权重V、W、V′、W′和U′向其负梯度方向更新，以降低损失函数值，重复上述步骤，直到相邻两次的损失函数值下降率小于0.1％，以最后步骤中的V、W、V′、W′和U′作为车辆轨迹网联交互式预测网络中的网络权重，完成车辆轨迹网联交互式预测网络的训练；

(6)以步骤(5)中训练完成的车辆轨迹网联交互式预测网络作为多车运动状态的汽车轨迹网联交互式预测模型，实时输入传感器当前采集的目标车辆与环境车辆的行驶状态参数，实时输出未来的目标车辆与环境车辆的行驶状态预测值，实现多车运动状态的汽车轨迹网联交互式预测。

本发明提出的多车运动状态的汽车轨迹网联交互式预测方法的优点是：

将多辆环境车辆视为一个整体，在多个LSTM单元之间根据环境车辆位置关系建立了隐藏状态的辐射形网络连接，分别实现了对多车历史行驶状态与未来行驶状态交互关系的建模，因此实现了网联多车的交互式预测。与非交互式预测算法相比，本发明方法有效地提高了预测准确度。特别的，当周围道路结构复杂，车辆数目较多，车辆行为交互频繁时，网联交互式预测算法能充分发挥其共享相邻多车行驶状态的特点，从而更适合复杂交通环境下的多车行驶状态预测。本发明的网联多车运动状态的交互式轨迹预测算法，提升了预测准确度，增强了智能汽车对周围交通参与者的理解，有利于高级别智能网联汽车的自主决策与路径规划，从而进一步提高行车安全性。

附图说明

图1为本发明方法的流程框图。

图2为本发明方法中涉及的目标车辆和环境车辆位置关系示意图。

具体实施方式

本发明提出的多车运动状态的汽车轨迹网联交互式预测方法，其流程框图如图1所示，包括以下步骤：

(1)设定被预测的目标车辆与环境车辆，分布在三条相邻车道中，目标车辆处于中间车道中，当目标车辆越过中间车道线时，目标车辆与环境车辆的位置关系替换为新的三条相邻车道，仍使目标车辆处于中间车道中，具体空间位置关系如图2所示：

(1-1)目标车辆，位于中间车道；

(1-2)前方车辆，位于中间车道且目标车辆前方；

(1-3)左前车辆，位于左侧车道且目标车辆前方；

(1-4)左后车辆，位于左侧车道且目标车辆后方；

(1-5)右前车辆，位于右侧车道且目标车辆前方；

(1-6)右后车辆，位于右侧车道且目标车辆后方；

(2)根据步骤(1)设定的被预测的目标车辆与环境车辆空间位置关系，通过车辆传感器分别采集目标车辆与环境车辆的行驶状态参数，记为x_t，其中t为采样时刻，x_t包括：车辆与车辆所在当前车道的左车道线之间的距离、车辆与车辆所在当前车道的右车道线之间的距离、车辆的车头时距(time headway)、车辆的车头间距(space headway)、车辆的横向速度、车辆的纵向速度、车辆的横向加速度、车辆的纵向加速度、车辆的车宽和车辆的车长；

(3)建立一个描述目标车辆与环境车辆的交互式关系的结构化长短时记忆网络单元，该单元由多个长短时记忆网络单元组成，根据步骤(1)的车辆空间位置关系，建立相邻长短时记忆网络单元之间的辐射形连接，具体过程如下：

(3-1)建立与各目标车辆与环境车辆相对应的长短时记忆网络单元如下：

c_t＝f_t⊙c_t-1+i_t⊙g_t

h_t＝o_t⊙f(c_t)

其中，σ(·)为sigmoid函数，即σ(x)＝1/1+e^-x)，f(·)为长短时记忆网络单元的任意激活函数，i_t、f_t、o_t和g_t分别为长短时记忆网络单元的输入门向量、遗忘门向量、输出门向量和更新门向量，和分别为长短时记忆网络单元的可训练权重，为长短时记忆网络单元训练后的待定量，其中，上标i、f、o和g分别表示该权重计算后得到输入门向量、遗忘门向量、输出门向量和更新门向量，下标x和h分别表示该权重对应单元输入和隐藏状态，b_i、b_f、b_o和b_g为长短时记忆网络单元的偏置，为长短时记忆网络单元训练后的待定量，其中，下标i、f、o和g分别表示该权重计算后得到输入门向量、遗忘门向量、输出门向量和更新门向量，⊙为矩阵元素的对应相乘，x_t为步骤(2)的在采样时刻t分别采集的目标车辆与环境车辆的行驶状态参数，x_t作为长短时记忆网络单元的输入，隐藏状态h_t及单元状态c_t为长短时记忆网络单元的输出，

重复本步骤，遍历所有目标车辆和环境车辆，得到所有车辆的长短时记忆网络单元；

(3-2)根据步骤(1)的车辆空间位置关系，将步骤(3-1)建立的所有长短时记忆网络单元中，与相邻车辆相对应的相邻单元分别进行连接，共享各自的隐藏状态，形成一个结构化长短时记忆网络单元：

其中，LSTM(·)表示步骤(3-1)中的长短时记忆网络单元，W为所有可训练权重，为结构化长短时记忆网络单元训练后的待定量，隐藏状态h_t及单元状态c_t为结构化长短时记忆网络单元的输出，下标t为采样时刻，上标o、f、lf、lr、rf和rr分别表示步骤(1)中的目标车辆、前方车辆、左前车辆、左后车辆、右前车辆和右后车辆，[·，·]表示将两个短向量相连得到一个长向量；

(4)利用步骤(3)构建的结构化长短时记忆网络单元，建立一个车辆轨迹网联交互式预测网络，具体过程如下：

(4-1)建立一个历史行驶状态处理器，包括一个线性变换层与多个步骤(3)的结构化长短时记忆网络单元层，用于理解车辆的历史行驶状态参数，历史行驶状态处理器的结构如下：

其中，为线性变换后的中间量，SLSTM(·)表示步骤(3-2)中结构化长短时记忆网络单元层，V和W分别为线性变换层的可训练权重和结构化长短时记忆网络单元层的可训练权重，为历史行驶状态处理器训练后的待定量，N为结构化长短时记忆网络单元的层数，根据交通环境设定，例如，当交通环境较为简单时设定为1或2，当交通环境较为复杂时设定为3或以上，x_t为步骤(2)采集的车辆的行驶状态参数，隐藏状态h_t及单元状态c_t为历史行驶状态处理器的输出；

将与最后输入的车辆行驶状态参数x_t相对应的历史行驶状态处理器输出的隐藏状态h_t及单元状态c_t作为中间处理量；

(4-2)建立一个未来行驶状态处理器，包括一个输入线性变换层、多个步骤(3)的结构化长短时记忆网络单元层和一个输出线性变换层，用于预测车辆的未来行驶状态参数，未来行驶状态处理器的结构如下：

其中，为线性变换后的中间量，SLSTM(·)表示步骤(3-2)中结构化长短时记忆网络单元层，V′、W′和U′分别为输入线性变换层的可训练权重、多个步骤(3)的结构化长短时记忆网络单元层的可训练权重和输出线性变换层的可训练权重，为未来行驶状态处理器训练后的待定量；

将步骤(4-1)中的中间处理量作为未来行驶状态处理器的隐藏状态h_t及单元状态c_t的初始值，将y_t作为未来行驶状态处理器的输出，即通过中间处理量连接历史行驶状态处理器与未来行驶状态处理器，得到车辆轨迹网联交互式预测网络；

(5)对步骤(4)建立的车辆轨迹网联交互式预测网络进行训练，将车辆传感器采集目标车辆与环境车辆的连续驶状态参数x_t序列切分为两段，其中第一段作为车辆轨迹网联交互式预测网络训练输入，记为历史行驶状态第二段作为训练标签，记为未来行驶状态真实值将历史行驶状态输入当前权重V、W、V′、W′和U′下的车辆轨迹网联交互式预测网络中，得到未来行驶状态预测值y_t，计算未来行驶状态预测值y_t与真实值之间的均方根误差J：

其中T为预测时长，取值为5秒至10秒；

将均方根误差J作为车辆轨迹网联交互式预测网络的损失函数值，利用反向传播算法将网络权重V、W、V′、W′和U′向负梯度方向更新，以降低损失函数值，重复上述步骤，直到相邻两次的损失函数值下降率小于0.1％，以最后步骤中的V、W、V′、W′和U′作为车辆轨迹网联交互式预测网络中的网络权重，完成车辆轨迹网联交互式预测网络的训练；

(6)以步骤(5)中训练完成的车辆轨迹网联交互式预测网络作为多车运动状态的汽车轨迹网联交互式预测模型，实时向该多车运动状态的汽车轨迹网联交互式预测模型输入车辆传感器当前采集的目标车辆与环境车辆的行驶状态参数，实时输出未来的目标车辆与环境车辆的行驶状态预测值，实现多车运动状态的汽车轨迹网联交互式预测。

Claims (1)

1.一种多车运动状态的汽车轨迹网联交互式预测方法，其特征在于该预测方法包括以下步骤：

(1)设定被预测的目标车辆与环境车辆，分布在三条相邻车道中，目标车辆处于中间车道中，当目标车辆越过中间车道线时，目标车辆与环境车辆的位置关系替换为新的三条相邻车道，仍使目标车辆处于中间车道中间车道：

(2)根据步骤(1)设定的被预测的目标车辆与环境车辆空间位置关系，通过车辆传感器分别采集目标车辆与环境车辆的行驶状态参数，记为x_t，其中t为采样时刻，x_t包括：车辆与车辆所在当前车道的左车道线之间的距离、车辆与车辆所在当前车道的右车道线之间的距离、车辆的车头时距、车辆的车头间距、车辆的横向速度、车辆的纵向速度、车辆的横向加速度、车辆的纵向加速度、车辆的车宽和车辆的车长；

(3)建立一个描述目标车辆与环境车辆的交互式关系的结构化长短时记忆网络单元，该单元由多个长短时记忆网络单元组成，根据步骤(1)的车辆空间位置关系，建立相邻长短时记忆网络单元之间的辐射形连接，具体过程如下：

(3-1)建立与各目标车辆与环境车辆相对应的长短时记忆网络单元如下：

c_t＝f_t⊙c_t-1+i_t⊙g_t

h_t＝o_t⊙f(c_t)

其中，σ(·)为sigmoid函数，即σ(x)＝1/1+e^-x)，f(·)为长短时记忆网络单元的任意激活函数，i_t、f_t、o_t和g_t分别为长短时记忆网络单元的输入门向量、遗忘门向量、输出门向量和更新门向量，和分别为长短时记忆网络单元的可训练权重，为长短时记忆网络单元训练后的待定量，其中，上标i、f、o和g分别表示该权重计算后得到输入门向量、遗忘门向量、输出门向量和更新门向量，下标x和h分别表示该权重对应单元输入和隐藏状态，b_i、b_f、b_o和b_g为长短时记忆网络单元的偏置，为长短时记忆网络单元训练后的待定量，其中，下标i、f、o和g分别表示该权重计算后得到输入门向量、遗忘门向量、输出门向量和更新门向量，⊙为矩阵元素的对应相乘，x_t为步骤(2)的在采样时刻t分别采集的目标车辆与环境车辆的行驶状态参数，x_t作为长短时记忆网络单元的输入，隐藏状态h_t及单元状态c_t为长短时记忆网络单元的输出；

重复本步骤，遍历所有目标车辆和环境车辆，得到所有车辆的长短时记忆网络单元；

(3-2)根据步骤(1)的车辆空间位置关系，将步骤(3-1)建立的所有长短时记忆网络单元中，与相邻车辆相对应的相邻单元分别进行连接，共享各自的隐藏状态，形成一个结构化长短时记忆网络单元：

其中，LSTM(·)表示步骤(3-1)中的长短时记忆网络单元，W为所有可训练权重，为结构化长短时记忆网络单元训练后的待定量，隐藏状态h_t及单元状态c_t为结构化长短时记忆网络单元的输出，下标t为采样时刻，上标o、f、lf、lr、rf和rr分别表示步骤(1)中的目标车辆、前方车辆、左前车辆、左后车辆、右前车辆和右后车辆，[·,·]表示将两个短向量相连得到一个长向量；

(4)利用步骤(3)构建的结构化长短时记忆网络单元，建立一个车辆轨迹网联交互式预测网络，具体过程如下：

(4-1)建立一个历史行驶状态处理器，包括一个线性变换层与多个步骤(3)的结构化长短时记忆网络单元层，用于理解车辆的历史行驶状态参数，历史行驶状态处理器的结构如下：

其中，为线性变换后的中间量，SLSTM(·)表示步骤(3-2)中结构化长短时记忆网络单元层，V和W分别为线性变换层的可训练权重和结构化长短时记忆网络单元层的可训练权重，为历史行驶状态处理器训练后的待定量，N为结构化长短时记忆网络单元的层数，根据交通环境设定，例如，当交通环境较为简单时设定为1或2，当交通环境较为复杂时设定为3或以上，x_t为步骤(2)采集的车辆的行驶状态参数，隐藏状态h_t及单元状态c_t为历史行驶状态处理器的输出；

将与最后输入的车辆行驶状态参数x_t相对应的历史行驶状态处理器输出的隐藏状态h_t及单元状态c_t作为中间处理量；

(4-2)建立一个未来行驶状态处理器，包括一个输入线性变换层、多个步骤(3)的结构化长短时记忆网络单元层和一个输出线性变换层，用于预测车辆的未来行驶状态参数，未来行驶状态处理器的结构如下：

其中，为线性变换后的中间量，SLSTM(·)表示步骤(3-2)中结构化长短时记忆网络单元层，V′、W′和U′分别为输入线性变换层的可训练权重、多个步骤(3)的结构化长短时记忆网络单元层的可训练权重和输出线性变换层的可训练权重，为未来行驶状态处理器训练后的待定量；

将步骤(4-1)中的中间处理量作为未来行驶状态处理器的隐藏状态h_t及单元状态c_t的初始值，将y_t作为未来行驶状态处理器的输出，即通过中间处理量连接历史行驶状态处理器与未来行驶状态处理器，得到车辆轨迹网联交互式预测网络；

(5)对步骤(4)建立的车辆轨迹网联交互式预测网络进行训练，将车辆传感器采集目标车辆与环境车辆的连续驶状态参数x_t序列切分为两段，其中第一段作为车辆轨迹网联交互式预测网络训练输入，记为历史行驶状态第二段作为训练标签，记为未来行驶状态真实值将历史行驶状态输入当前权重V、W、V′、W′和U′下的车辆轨迹网联交互式预测网络中，得到未来行驶状态预测值y_t，计算未来行驶状态预测值y_t与真实值之间的均方根误差J：

其中T为预测时长，取值为5秒至10秒；

将均方根误差J作为车辆轨迹网联交互式预测网络的损失函数值，利用反向传播算法将网络权重V、W、V′、W′和U′向负梯度方向更新，以降低损失函数值，重复上述步骤，直到相邻两次的损失函数值下降率小于0.1％，以最后步骤中的V、W、V′、W′和U′作为车辆轨迹网联交互式预测网络中的网络权重，完成车辆轨迹网联交互式预测网络的训练；

(6)以步骤(5)中训练完成的车辆轨迹网联交互式预测网络作为多车运动状态的汽车轨迹网联交互式预测模型，实时向该多车运动状态的汽车轨迹网联交互式预测模型输入车辆传感器当前采集的目标车辆与环境车辆的行驶状态参数，实时输出未来的目标车辆与环境车辆的行驶状态预测值，实现多车运动状态的汽车轨迹网联交互式预测。