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

一种多车运动状态的汽车轨迹网联交互式预测方法 Download PDF

Info

Publication number
CN109910909A
CN109910909A CN201910135633.6A CN201910135633A CN109910909A CN 109910909 A CN109910909 A CN 109910909A CN 201910135633 A CN201910135633 A CN 201910135633A CN 109910909 A CN109910909 A CN 109910909A
Authority
CN
China
Prior art keywords
vehicle
short
term
memory network
driving status
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
CN201910135633.6A
Other languages
English (en)
Other versions
CN109910909B (zh
Inventor
李升波
成波
侯廉
忻隆
王文军
孙琪
李克强
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN201910135633.6A priority Critical patent/CN109910909B/zh
Publication of CN109910909A publication Critical patent/CN109910909A/zh
Application granted granted Critical
Publication of CN109910909B publication Critical patent/CN109910909B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

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xt,其中t为采样时刻,xt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:
ct=ft⊙ct-1+it⊙gt
ht=ot⊙f(ct)
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,it、ft、ot和gt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,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,bi、bf、bo和bg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,xt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,xt作为长短时记忆网络单元的输入,隐藏状态ht及单元状态ct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ht及单元状态ct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,xt为步骤(2)采集的车辆的行驶状态参数,隐藏状态ht及单元状态ct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xt相对应的历史行驶状态处理器输出的隐藏状态ht及单元状态ct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ht及单元状态ct的初始值,将yt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xt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yt,计算未来行驶状态预测值yt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xt,其中t为采样时刻,xt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:
ct=ft⊙ct-1+it⊙gt
ht=ot⊙f(ct)
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,it、ft、ot和gt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,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,bi、bf、bo和bg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,xt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,xt作为长短时记忆网络单元的输入,隐藏状态ht及单元状态ct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ht及单元状态ct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,xt为步骤(2)采集的车辆的行驶状态参数,隐藏状态ht及单元状态ct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xt相对应的历史行驶状态处理器输出的隐藏状态ht及单元状态ct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ht及单元状态ct的初始值,将yt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xt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yt,计算未来行驶状态预测值yt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xt,其中t为采样时刻,xt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:
ct=ft⊙ct-1+it⊙gt
ht=ot⊙f(ct)
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,it、ft、ot和gt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,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,bi、bf、bo和bg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,xt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,xt作为长短时记忆网络单元的输入,隐藏状态ht及单元状态ct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ht及单元状态ct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,xt为步骤(2)采集的车辆的行驶状态参数,隐藏状态ht及单元状态ct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xt相对应的历史行驶状态处理器输出的隐藏状态ht及单元状态ct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ht及单元状态ct的初始值,将yt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xt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yt,计算未来行驶状态预测值yt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。
CN201910135633.6A 2019-02-25 2019-02-25 一种多车运动状态的汽车轨迹网联交互式预测方法 Active CN109910909B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910135633.6A CN109910909B (zh) 2019-02-25 2019-02-25 一种多车运动状态的汽车轨迹网联交互式预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910135633.6A CN109910909B (zh) 2019-02-25 2019-02-25 一种多车运动状态的汽车轨迹网联交互式预测方法

Publications (2)

Publication Number Publication Date
CN109910909A true CN109910909A (zh) 2019-06-21
CN109910909B CN109910909B (zh) 2020-09-11

Family

ID=66962186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910135633.6A Active CN109910909B (zh) 2019-02-25 2019-02-25 一种多车运动状态的汽车轨迹网联交互式预测方法

Country Status (1)

Country Link
CN (1) CN109910909B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110610271A (zh) * 2019-09-17 2019-12-24 北京理工大学 一种基于长短记忆网络的多重车辆轨迹预测方法
CN110675632A (zh) * 2019-11-11 2020-01-10 重庆邮电大学 针对多特征空间和数据稀疏的车辆短时轨迹预测控制方法
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系统及方法
CN111091708A (zh) * 2019-12-13 2020-05-01 中国科学院深圳先进技术研究院 车辆轨迹预测方法及装置
CN111489552A (zh) * 2020-04-24 2020-08-04 科大讯飞股份有限公司 一种车头时距预测方法、装置、设备及存储介质
CN112389436A (zh) * 2020-11-25 2021-02-23 中汽院智能网联科技有限公司 基于改进lstm神经网络的安全性自动驾驶换道轨迹规划方法
CN112733452A (zh) * 2021-01-13 2021-04-30 北京嘀嘀无限科技发展有限公司 轨迹预测方法、装置、电子设备和可读存储介质
CN112885079A (zh) * 2021-01-11 2021-06-01 成都语动未来科技有限公司 一种基于全局注意力和状态共享的车辆轨迹预测方法
CN113408550A (zh) * 2021-08-17 2021-09-17 中国建筑第五工程局有限公司 基于图像处理的智能称重管理系统
CN114153202A (zh) * 2021-11-08 2022-03-08 北京三快在线科技有限公司 一种无人设备的控制方法及控制装置
CN114446046A (zh) * 2021-12-20 2022-05-06 上海智能网联汽车技术中心有限公司 一种基于lstm模型的弱势交通参与者轨迹预测方法
CN115879294A (zh) * 2022-11-30 2023-03-31 西部科学城智能网联汽车创新中心(重庆)有限公司 一种基于多车环境感知的全样车流轨迹生成方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389980A (zh) * 2015-11-09 2016-03-09 上海交通大学 基于长短时记忆递归神经网络的短时交通流预测方法
US9807473B2 (en) * 2015-11-20 2017-10-31 Microsoft Technology Licensing, Llc Jointly modeling embedding and translation to bridge video and language
CN108053653A (zh) * 2018-01-11 2018-05-18 广东蔚海数问大数据科技有限公司 基于lstm的车辆行为预测方法和装置
CN109272745A (zh) * 2018-08-20 2019-01-25 浙江工业大学 一种基于深度神经网络的车辆轨迹预测方法
CN109285348A (zh) * 2018-10-26 2019-01-29 深圳大学 一种基于双向长短时记忆网络的车辆行为识别方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389980A (zh) * 2015-11-09 2016-03-09 上海交通大学 基于长短时记忆递归神经网络的短时交通流预测方法
US9807473B2 (en) * 2015-11-20 2017-10-31 Microsoft Technology Licensing, Llc Jointly modeling embedding and translation to bridge video and language
CN108053653A (zh) * 2018-01-11 2018-05-18 广东蔚海数问大数据科技有限公司 基于lstm的车辆行为预测方法和装置
CN109272745A (zh) * 2018-08-20 2019-01-25 浙江工业大学 一种基于深度神经网络的车辆轨迹预测方法
CN109285348A (zh) * 2018-10-26 2019-01-29 深圳大学 一种基于双向长短时记忆网络的车辆行为识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张凤娇等: "基于深度学习的极限工况下车辆的状态估计", 《重庆理工大学学报(自然科学)》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110610271B (zh) * 2019-09-17 2022-05-13 北京理工大学 一种基于长短记忆网络的多重车辆轨迹预测方法
CN110610271A (zh) * 2019-09-17 2019-12-24 北京理工大学 一种基于长短记忆网络的多重车辆轨迹预测方法
CN110675632A (zh) * 2019-11-11 2020-01-10 重庆邮电大学 针对多特征空间和数据稀疏的车辆短时轨迹预测控制方法
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系统及方法
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系统及方法
CN111091708A (zh) * 2019-12-13 2020-05-01 中国科学院深圳先进技术研究院 车辆轨迹预测方法及装置
CN111091708B (zh) * 2019-12-13 2020-11-03 中国科学院深圳先进技术研究院 车辆轨迹预测方法及装置
CN111489552A (zh) * 2020-04-24 2020-08-04 科大讯飞股份有限公司 一种车头时距预测方法、装置、设备及存储介质
CN112389436A (zh) * 2020-11-25 2021-02-23 中汽院智能网联科技有限公司 基于改进lstm神经网络的安全性自动驾驶换道轨迹规划方法
CN112885079A (zh) * 2021-01-11 2021-06-01 成都语动未来科技有限公司 一种基于全局注意力和状态共享的车辆轨迹预测方法
CN112733452A (zh) * 2021-01-13 2021-04-30 北京嘀嘀无限科技发展有限公司 轨迹预测方法、装置、电子设备和可读存储介质
CN112733452B (zh) * 2021-01-13 2024-03-29 北京嘀嘀无限科技发展有限公司 轨迹预测方法、装置、电子设备和可读存储介质
CN113408550B (zh) * 2021-08-17 2021-11-26 中国建筑第五工程局有限公司 基于图像处理的智能称重管理系统
CN113408550A (zh) * 2021-08-17 2021-09-17 中国建筑第五工程局有限公司 基于图像处理的智能称重管理系统
CN114153202A (zh) * 2021-11-08 2022-03-08 北京三快在线科技有限公司 一种无人设备的控制方法及控制装置
CN114153202B (zh) * 2021-11-08 2024-02-27 北京三快在线科技有限公司 一种无人设备的控制方法及控制装置
CN114446046A (zh) * 2021-12-20 2022-05-06 上海智能网联汽车技术中心有限公司 一种基于lstm模型的弱势交通参与者轨迹预测方法
CN115879294A (zh) * 2022-11-30 2023-03-31 西部科学城智能网联汽车创新中心(重庆)有限公司 一种基于多车环境感知的全样车流轨迹生成方法及系统
CN115879294B (zh) * 2022-11-30 2024-04-26 西部科学城智能网联汽车创新中心(重庆)有限公司 一种基于多车环境感知的全样车流轨迹生成方法及系统

Also Published As

Publication number Publication date
CN109910909B (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
CN109910909A (zh) 一种多车运动状态的汽车轨迹网联交互式预测方法
CN111137292B (zh) 经执行器-评价网络架构学习车道变换策略的方法和系统
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
Rehder et al. Pedestrian prediction by planning using deep neural networks
Bai et al. Hybrid reinforcement learning-based eco-driving strategy for connected and automated vehicles at signalized intersections
CN110068346A (zh) 用于自主车辆中不受保护的操纵缓解的系统和方法
EP2610836B1 (en) Device and method for the on-line prediction of the driving cycle in an automotive vehicle
CN114495527B (zh) 一种混合交通环境下网联交叉口车路协同优化方法及系统
CN109726804B (zh) 一种基于行车预测场和bp神经网络的智能车辆驾驶行为拟人化决策方法
Huang et al. End-to-end autonomous driving decision based on deep reinforcement learning
CN108595823A (zh) 一种联合驾驶风格和博弈理论的自主车换道策略的计算方法
CN110187639A (zh) 一种基于参数决策框架的轨迹规划控制方法
CN107886750B (zh) 一种基于超视距协同认知的无人驾驶汽车控制方法与系统
DE102019113389B4 (de) System und verfahren für ein vorhersage-entitätenverhalten
CN112233413B (zh) 一种面向智能网联车辆的多车道时空轨迹优化方法
CN110304074A (zh) 一种基于分层状态机的混合式驾驶方法
CN110532846B (zh) 自动换道方法、装置及存储介质
CN111625989B (zh) 一种基于a3c-sru的智能车汇入车流方法及系统
CN109272745A (zh) 一种基于深度神经网络的车辆轨迹预测方法
CN110239542A (zh) 车辆控制装置、车辆控制方法及存储介质
CN109727490A (zh) 一种基于行车预测场的周边车辆行为自适应矫正预测方法
CN110341704A (zh) 车辆控制装置、车辆控制方法及存储介质
Li et al. Dynamically integrated spatiotemporal‐based trajectory planning and control for autonomous vehicles
CN111899509A (zh) 一种基于车路信息耦合的智能网联汽车状态向量计算方法
CN113724507A (zh) 基于深度强化学习的交通控制与车辆诱导协同方法和系统

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