CN112733908A - 一种高精度的车辆轨迹多模态预测方法 - Google Patents

Abstract

本发明公开了一种高精度的车辆轨迹多模态预测方法，包括以下步骤：对车辆轨迹进行编码；使用概率分布剪裁模块剪裁轨迹；解码生成轨迹；使用能量网络判别轨迹质量；训练损失函数。本发明使用以能量函数为核心的能量网络实现对于训练轨迹样本的拟合，因而在理论上实现了在充分拟合数据的前提下对于轨迹多样性生成的需要。本发明的多样性轨迹预测方法采用数据驱动的方式，将同一时刻的车辆轨迹编码为隐层状态向量后加入池化层以提供车辆的交互轨迹生成。本发明采用了基于概率分布裁剪机制实现对于能够生成高质量轨迹样本的概率分布裁剪，显著降低了采样难度的同时也有更高的机会采集到高概率区域样本，生成质量更高、更加真实的车辆轨迹。

Description

一种高精度的车辆轨迹多模态预测方法

技术领域

本发明涉及一种车辆轨迹预测技术，特别是一种高精度的车辆轨迹多模态预测方法。

背景技术

现代社会，随着人口的汇集与增长，越来越多的车辆行驶场景出现，在中国庞大的人口基数下，这种现象愈发明显，密集车辆轨迹预测有助于制定相对应的安全管理策略，设计更好的车辆分流模式，实时统计密集车辆的流量、检测密集车辆的异常行为，保障广大公民的人身安全。

目前的预测技术存在着以下问题：对于单个车辆的轨迹预测仅仅预测最有可能的路径，然而多数场景下车辆根据目的不同不仅只是按照之前的最可能出现的轨迹，实际上是一组可能的轨迹中随机选取，现有的技术虽然在考虑车辆之间的信息交互与多样性轨迹生成时，考虑到了多路径的选取，但是并未生成足够多的待选轨迹组以及足够的真实性。到目前为止，行驶车辆的轨迹预测存在着候选轨迹不足与真实性不够高的难题。

发明内容

为解决现有技术存在的上述问题，本发明提出一种能生成足够多的候选轨迹并提高真实性的高精度车辆轨迹多模态预测方法。

为了实现上述目的，本发明的技术方案如下：一种高精度的车辆轨迹多模态预测方法，包括以下步骤：

A、对车辆轨迹进行编码

读取车辆的轨迹后，将轨迹进行编码压缩为低维向量，然后与通过车辆之间的交互池化操作获取的车辆交互向量进行拼接，最终获取拼接后的隐层状态向量信息，具体方法如下；

A1、利用长短期记忆模块进行数据压缩

使用全连接的神经网络将每个车辆的轨迹编码为定长的向量

将向量

作为长短期记忆模块的输入。则第t时刻对于车辆轨迹的隐层状态向量获取过程如下：

式中，

为读取的第i-1辆车辆在t时刻的轨迹点坐标，

为由第0到t-1时刻的车辆轨迹生成的隐层状态向量，所述的隐层状态向量为潜在的注意力状态向量，fc(.)是使用RELU函数作为激活函数的信息聚合函数，W_vec是信息聚合神经网络的权重，W_encoder是长短期记忆模块的权重且在一个场景内为所有的车辆轨迹所共享，i为当前车辆的序号；

A2、使用池化层实现不同车辆信息的汇总

将编码后含有隐层状态信息和历史轨迹信息的隐层状态向量

放入池化层中，将车辆的隐藏状态都加以池化，对每一个车辆得到一个池化后的向量P_i，最终得到下式：

式中，

为社交池化后的含有隐藏信息和历史轨迹信息的向量，W_p是池化层的权重；

B、使用概率分布剪裁模块剪裁轨迹

将得到的

作为概率分布裁剪模块的输入，使用概率分布裁剪机制从能量概率分布中采样得出生成更加真实轨迹的样本z_t-1，然后将

和z_t-1拼接作为下一步轨迹解码生成器的输入，具体的公式化表达如下：

从能量概率分布中取出生成更加真实轨迹的样本z_t-1后，将z_t-1和

进行如下的拼接

z_t-1＝U(G_ψ，U₆，α)～N(α；0，1)，

式中，ω(.)是概率分布裁剪函数，该函数具有从能量概率分布中取出更加真实轨迹的噪声的功能。G_ψ为轨迹解码生成器，U_θ为能量函数，α为随机变量，Concat(·)为向量拼接操作函数。其中，

为拼接后的隐层状态向量。为了生成轨迹，我们需要对拼接后的向量

送入长短期记忆网络生成t时刻的隐层状态向量

其公式如下：

C、解码生成轨迹

以

作为全连接神经网络的输入向量，用下面的方法调整全连接神经网络获取最后的轨迹，反向通过多层感知机全连接的神经网络γ，以此得到生成的车辆轨迹

为了让轨迹解码生成器生成的轨迹分布更加多样性，引入互信息网络。最大化互信息等于最小化二值交叉熵，下式即为轨迹解码生成器的互信息估计公式：

式中，BCE(.)是二值交叉熵损失函数，

是由能量概率分布中取出的z_t-1经过随机排列得到的。

D、使用能量网络判别轨迹质量

能量网络由一个编码器与多层感知机神经网络构成。首先将轨迹解码生成器生成的轨迹输入到长短期记忆模块，编码成低维度向量，然后送入多层感知机神经网络进行判别是否符合车辆未来基准的轨迹，最后将经过编码器编码的隐层状态向量加入带有激活函数的全连接神经网络实现对于分类的打分，使用能量网络对神经网络预测出来的轨迹进行质量判断，质量高的轨迹代表真实性高，质量差的轨迹代表真实性低。采取如下公式判断生成的轨迹是否与未来基准轨迹相近：

其中，MLP(·)是带有激活函数的全连接神经网络。如果预测出来的轨迹通过能量网络后得分为T_fake＝1，则认为预测的轨迹与车辆未来基准轨迹具有一致，即生成的轨迹真实性高。T_fake＝0，则生成轨迹真实性差。

E、训练损失函数

使用L₂损失函数评估生成轨迹与真实轨迹之间的差异，公式如下：

式中，L₂为损失函数。traj_real为未来基准的轨迹，traj_pred为使用轨迹解码生成器生成的对应预测轨迹。同时对于整个轨迹预测方法，将能量网络误差U_loss和轨迹解码生成器误差G_{mi_loss}加入，训练整个神经网络结构采用的误差损失函数如下所示：

T_loss＝U_loss+G_{mi_loss}+L₂。

整个轨迹预测方法通过最小化T_loss来减小生成的轨迹traj_pred与未来基准轨迹traj_real的差异。

与现有技术相比，本发明具有以下有益效果：

1、本发明使用以能量函数为核心的能量网络实现对于训练轨迹样本的拟合，因而在理论上实现了在充分拟合数据的前提下对于轨迹多样性生成的需要，相较于先前的模型，本发明不仅在生成轨迹质量上有所提升，同时能产生更多的候选轨迹。

2、本发明的多样性轨迹预测方法采用数据驱动的方式，将同一时刻的车辆轨迹编码为隐层状态向量后加入池化层以提供车辆的交互轨迹生成。

3、本发明采用了基于概率分布裁剪机制实现对于能够生成高质量轨迹样本的概率分布裁剪，对比于先前的模型，显著降低了采样难度的同时也有更高的机会采集到高概率区域样本，生成质量更高、更加真实的车辆轨迹。

附图说明

图1是车辆轨迹预测结果图。

图2是真实车辆预测轨迹示意图。

图3是本发明的流程图。

具体实施方式

下面结合附图对本发明进行进一步的描述，图1是车辆轨迹预测结果图，车辆按照预先设定的的三叉树模态行走，分为左侧路线、中间路线以及右侧路线。虚线为车辆行驶的历史轨迹，实线是本发明预测出来的多样性轨迹，在三种路线上都有多种可能的路径供车辆选择。图2是在真实场景中预测轨迹图，黑色实线代表车辆可能选择的路径。然后，按照图3的流程对多样性与兼顾真实性的车辆轨迹进行预测。首先读取连续的具有时序相关的车辆轨迹到长短期记忆模块中进行编码，压缩为隐层状态向量，然后再进入池化层，得到同一场景内的车辆的信息汇总的状态向量。下一步，拼接长短记忆模块编码后隐层状态向量与信息汇总后的状态向量，进入概率分布裁剪模块，采样到能够生成高质量的轨迹的样本，并反向通过全连接的神经网络来得到解码后的车辆轨迹，实现轨迹的多样性预测。最后，对预测出来的多样性轨迹送入能量网络，判断轨迹的质量。本发明采用损失函数训练发明方法。

本发明不局限于本实施例，任何在本发明披露的技术范围内的等同构思或者改变，均列为本发明的保护范围。

Claims (1)

1.一种高精度的车辆轨迹多模态预测方法，其特征在于：包括以下步骤：

A、对车辆轨迹进行编码

读取车辆的轨迹后，将轨迹进行编码压缩为低维向量，然后与通过车辆之间的交互池化操作获取的车辆交互向量进行拼接，最终获取拼接后的隐层状态向量信息，具体方法如下；

A1、利用长短期记忆模块进行数据压缩

使用全连接的神经网络将每个车辆的轨迹编码为定长的向量

将向量

作为长短期记忆模块的输入；则第t时刻对于车辆轨迹的隐层状态向量获取过程如下：

式中，

为读取的第i-1辆车辆在t时刻的轨迹点坐标，

为由第0到t-1时刻的车辆轨迹生成的隐层状态向量，所述的隐层状态向量为潜在的注意力状态向量，fc(.)是使用RELU函数作为激活函数的信息聚合函数，W_vec是信息聚合神经网络的权重，W_encoder是长短期记忆模块的权重且在一个场景内为所有的车辆轨迹所共享，i为当前车辆的序号；

A2、使用池化层实现不同车辆信息的汇总

将编码后含有隐层状态信息和历史轨迹信息的隐层状态向量

放入池化层中，将车辆的隐藏状态都加以池化，对每一个车辆得到一个池化后的向量P_i，最终得到下式：

式中，

为社交池化后的含有隐藏信息和历史轨迹信息的向量，W_p是池化层的权重；

B、使用概率分布剪裁模块剪裁轨迹

将得到的

作为概率分布裁剪模块的输入，使用概率分布裁剪机制从能量概率分布中采样得出生成更加真实轨迹的样本z_t-1，然后将

和z_t-1拼接作为下一步轨迹解码生成器的输入，具体的公式化表达如下：

从能量概率分布中取出生成更加真实轨迹的样本z_t-1后，将z_t-1和

进行如下的拼接：

z_t-1＝ω(G_ψ，U_θ，α)～N(α；0，1)，

式中，ω(.)是概率分布裁剪函数，该函数具有从能量概率分布中取出更加真实轨迹的噪声的功能；G_ψ为轨迹解码生成器，U_θ为能量函数，α为随机变量，Concat(·)为向量拼接操作函数；其中，

为拼接后的隐层状态向量；为了生成轨迹，我们需要对拼接后的向量

送入长短期记忆网络生成t时刻的隐层状态向量

其公式如下：

C、解码生成轨迹

以

作为全连接神经网络的输入向量，用下面的方法调整全连接神经网络获取最后的轨迹，反向通过多层感知机全连接的神经网络γ，以此得到生成的车辆轨迹

为了让轨迹解码生成器生成的轨迹分布更加多样性，引入互信息网络；最大化互信息等于最小化二值交叉熵，下式即为轨迹解码生成器的互信息估计公式：

式中，BCE(.)是二值交叉熵损失函数，

是由能量概率分布中取出的z_t-1经过随机排列得到的；

D、使用能量网络判别轨迹质量

能量网络由一个编码器与多层感知机神经网络构成；首先将轨迹解码生成器生成的轨迹输入到长短期记忆模块，编码成低维度向量，然后送入多层感知机神经网络进行判别是否符合车辆未来基准的轨迹，最后将经过编码器编码的隐层状态向量加入带有激活函数的全连接神经网络实现对于分类的打分，使用能量网络对神经网络预测出来的轨迹进行质量判断，质量高的轨迹代表真实性高，质量差的轨迹代表真实性低；采取如下公式判断生成的轨迹是否与未来基准轨迹相近：

其中，MLP(·)是带有激活函数的全连接神经网络；如果预测出来的轨迹通过能量网络后得分为T_fake＝1，则认为预测的轨迹与车辆未来基准轨迹具有一致，即生成的轨迹真实性高；T_fake＝0，则生成轨迹真实性差；

E、训练损失函数

使用L₂损失函数评估生成轨迹与真实轨迹之间的差异，公式如下：

式中，L₂为损失函数；traj_real为未来基准的轨迹，traj_pred为使用轨迹解码生成器生成的对应预测轨迹；同时对于整个轨迹预测方法，将能量网络误差U_loss和轨迹解码生成器误差G_{mi_loss}加入，训练整个神经网络结构采用的误差损失函数如下所示：

T_loss＝U_loss+G_{mi_loss}+L₂；

整个轨迹预测方法通过最小化T_loss来减小生成的轨迹traj_pred与未来基准轨迹traj_real的差异。

Images