CN112885079B - 一种基于全局注意力和状态共享的车辆轨迹预测方法 - Google Patents

一种基于全局注意力和状态共享的车辆轨迹预测方法 Download PDF

Info

Publication number
CN112885079B
CN112885079B CN202110030043.4A CN202110030043A CN112885079B CN 112885079 B CN112885079 B CN 112885079B CN 202110030043 A CN202110030043 A CN 202110030043A CN 112885079 B CN112885079 B CN 112885079B
Authority
CN
China
Prior art keywords
prediction
gas
vehicle
track prediction
lane
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
CN202110030043.4A
Other languages
English (en)
Other versions
CN112885079A (zh
Inventor
刘顺程
苏涵
郑凯
郑渤龙
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.)
Chengdu Yudong Future Technology Co ltd
Yangtze River Delta Research Institute of UESTC Huzhou
Original Assignee
Chengdu Yudong Future Technology Co ltd
Yangtze River Delta Research Institute of UESTC Huzhou
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 Chengdu Yudong Future Technology Co ltd, Yangtze River Delta Research Institute of UESTC Huzhou filed Critical Chengdu Yudong Future Technology Co ltd
Priority to CN202110030043.4A priority Critical patent/CN112885079B/zh
Publication of CN112885079A publication Critical patent/CN112885079A/zh
Application granted granted Critical
Publication of CN112885079B publication Critical patent/CN112885079B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于全局注意力和状态共享的车辆轨迹预测方法，该解决方法包括使用具有全局注意力机制和状态共享的编解码器LSTM模型的GAS‑LED轨迹预测模型；在GAS‑LED轨迹预测模型中，采用具有编码器和解码器状态共享机制来减少计算工作量，同时采用两个并行计算的GAS‑LED轨迹预测模型来并行输出车辆横向变道行为和纵向行驶距离的预测；在车道级别的轨迹预测任务中，重点关注车辆所在的车道，GAS‑LED轨迹预测模型一对横向变道和纵向行驶距离输出相应预测结果；将当前车辆及其周围车辆的历史信息作为GAS‑LED轨迹预测模型二的输入，然后将两个GAS‑LED轨迹预测模型并行使用，以获得更多方便预测的输出结果。通过上述方案，本发明达到了高精度预测的目的，具有很高的实用价值和推广价值。

Description

一种基于全局注意力和状态共享的车辆轨迹预测方法
技术领域
本发明属于自动驾驶技术领域，具体地讲，是涉及一种基于全局注意力和状态共享的车辆轨迹预测方法。
背景技术
现有的关于轨迹预测的研究可以大致分为两类。分别是基于规则和基于学习的轨迹预测算法。基于规则的预测算法通过应用交通规则来模拟交通流模型，而基于学习的预测算法则采用机器学习模型(最近的深度模型)来基于运动对象的历史轨迹进行预测。
基于规则的轨迹预测：基于规则的轨迹预测算法主要应用交通规则来模拟交通流模型。例如，当右前方没有车辆时，车辆将移至右车道；如果没有前一辆车辆，则车辆将加速。仿真模型可用于根据每个时间步长的实时道路环境预测车辆的未来可能动作。蜂窝自动机算法能够模拟交通流，在单向直行车道和粗粒度场景等简单场景中有效地完成了任务。然而，这些算法忽略了车辆的历史轨迹，这使得它们难以执行长期预测。此外，由于这些算法是针对简单的交通状况而设计的，因此在我们研究的问题中，例如在多车道道路上行驶的车辆等更复杂的情况下，准确性水平将大大降低。
基于学习的轨迹预测：近年来，在将RNN(循环神经网络)应用于序列学习任务中的非线性时间依存关系建模方面取得了成功，已有大量的工作利用RNN来预测轨迹车辆。它们具有一些共同的特征，具体为：(1)采用RNN提取长期历史特征，(2)网络规模很大，并且涉及许多训练参数和超参数，(3)单个模型输出横向和纵向信息，它们是笛卡尔坐标系中的连续值。
针对上述过去的模型，挑战主要来自以下三个因素：
一、基于规则的轨迹预测和基于学习的轨迹预测虽然能够预测长期轨迹，并基于车辆的历史轨迹数据以精细的粒度和多交互条件处理场景。然而，由于大量的参数和超参数，上述网络的训练过程通常是耗时的。这将阻碍自动驾驶车辆不能及时更新模型参数。此外，使用单个模型预测横向和纵向信息会降低车道水平预测的准确性，从而导致不可靠的操纵决策。
二、急刹车和不恰当的车道变换，两者也是造成大多数幽灵交通堵塞的主要原因。在自动驾驶领域，第一个问题的研究更为广泛，并由ACC系统处理。然而，在不恰当的车道变换中存在：1)缺乏适当的框架；2)周围车辆驾驶行为的不确定性；3)各种车辆调动；从而导致不恰当的车道变换没有得到很好的解决。
三、现有的LCS系统主要集中在驾驶的安全性和舒适性上，但是忽略了自动驾驶汽车的换道操作对周围传统车辆的影响，这可能导致交通拥堵。
因此，如何解决现有技术中存在的上述技术问题是本领域技术人员亟需解决的问题。
发明内容
为了克服现有技术中的上述不足，本发明提供一种基于全局注意力和状态共享的车辆轨迹预测方法，能够提高预测精度和训练效率。
为了实现上述目的，本发明采用的技术方案如下：
一种基于全局注意力和状态共享的车辆轨迹预测方法，包括如下步骤：
(S1)使用具有全局注意力机制和状态共享的编解码器LSTM(长短期记忆人工神经网络)模型的GAS-LED轨迹预测模型；
(S2)在GAS-LED轨迹预测模型中，采用具有编码器和解码器状态共享机制来减少计算工作量，同时采用两个并行计算的GAS-LED轨迹预测模型来并行输出车辆横向变道行为和纵向行驶距离的预测；
(S3)在车道级别的轨迹预测任务中，重点关注车辆所在的车道，GAS-LED轨迹预测模型一对横向变道和纵向行驶距离输出相应预测结果；
(S4)将当前车辆及其周围车辆的历史信息作为GAS-LED轨迹预测模型二的输入，然后将两个GAS-LED轨迹预测模型并行使用，用以获得更多方便预测的输出结果。
进一步地，所述步骤(S3)中横向变道行为预测是通过GAS-LED轨迹预测模型输出变道行为的概率，然后选择具有最大概率的行为作为预测结果，并使用lt表示。
具体地，所述步骤(S3)中纵向行驶距离预测是通过GAS-LED轨迹预测模型输出Ym，其包包含z个连续值，即未来一个时段的纵向行驶距离。
与现有技术相比，本发明具有以下有益效果：
本发明提出了一种具有全局注意力机制和状态共享机制的轨迹预测模型(GAS-LED)，通过对横向变道行为和纵向行驶距离的预测，同时引入双模型结构，实现了对横向变道行为和纵向行驶距离高精度预测。
附图说明
图1为本发明的系统结构示意图。
图2为本发明输入特征示意图。
图3为本发明输出特征示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。
实施例
如图1至图3所示，一种基于全局注意力和状态共享的车辆轨迹预测方法，包括如下步骤：
(S1)使用具有全局注意力机制和状态共享的编解码器LSTM模型的GAS-LED轨迹预测模型；即将全局注意力机制应用于分配编码器状态向量的权重，以反映不同时间步骤的重要性，同时避免模型的复杂化。考虑到注意力机制在执行序列预测的出色表现，我们使用全局注意力机制的基本结构来直接提取历史轨迹关键特征信息编码。为了提高模型的收敛效率
(S2)在GAS-LED轨迹预测模型中，采用具有编码器和解码器状态共享机制来减少计算工作量，同时采用两个并行计算的GAS-LED轨迹预测模型来并行输出车辆横向变道行为和纵向行驶距离的预测；
自动驾驶汽车可以得到一组雷达传感器获取的的三维轨迹点，包括横向车道号p.L和纵向距离p.Dlon。GAS-LED使用历史轨迹点序列来预测序列未来的轨迹点。模型的输入是(xt-n+1，xt-n+2，···，xt)长度为n，其中每个x具有14个特征：2个用于被预测车辆，12(2*6)个用于其周围的车辆，每个周围车辆分别由两个特征组成，分别代表横向车道和纵向距离信息。图2描绘了输入功能的示例。x0表示预测车辆C0的两个特征(即当前车道号和纵向距离)。特征x1～6是有关周围六辆车(C1～6)的信息，每个特征具有两个特征：当前车道号和距预测车辆的相对纵向距离。设置这些输入特征的原因是，自动驾驶汽车可以轻松获取这些环境信息，并且这些输入特征对于模型训练和预测有效。
(S3)在车道级别的轨迹预测任务中，轨迹输出是由横向和纵向两个数据组成的，未来轨迹预测是通过横向纵向距离计算得出，重点关注车辆所在的车道，因此对于横向变道行为预测，GAS-LED轨迹预测模型一输出了变道行为的概率，然后选择具有最大概率的行为作为预测结果，并使用lt表示。对于纵向行驶距离的预测，GAS-LED轨迹预测模型一输出Ym，其包含z个连续值(即未来一个时段的纵向行驶距离)。
(S4)将当前车辆及其周围车辆的历史信息作为GAS-LED轨迹预测模型二的输入，然后将两个GAS-LED轨迹预测模型并行使用，用以获得更多方便预测的输出结果。即用于车道变换分类预测的softmax激活和用于运动回归预测的线性激活。在编码部分，全局注意为每个时间步来分配不同的权值，反映了不同编码器对隐藏状态的重视程度。此外，解码器直接使用编码器的最后一个隐藏和单元状态向量。
本发明进行了大量的实验，以评估在真实和模拟数据上的框架效果，从而验证了多种指标的有效性和效率。
表1变道预测
Figure BDA0002891747100000041
Figure BDA0002891747100000051
表2运动回归
Figure BDA0002891747100000052
本申请分别研究了车道变化预测任务和运动回归任务，对于这两个任务，本申请使用长度为5的历史轨迹来预测接下来5个时间步长的轨迹。本申请在表1中报告了预测任务的准确性(ACC)，在表2中报告了运动回归任务的均方误差(MSE)。如表1和表2所示，对于这两个任务，本申请提出的GAS-LED模型在所有预测时间步长方面均优于所有其他方法。
在这项工作中，GAS-LED将轨迹预测任务划分为两个子任务，即车道变化预测和运动回归，这可以确保车道水平预测的准确性和机动决策的可靠性，近而最大程度地提高自动驾驶汽车的平均速度。同时我们开发了一种预测和搜索框架，该框架最大程度地降低其对周围传统汽车的影响，同时寻找最佳的变道决策使得自动驾驶车辆更加智能化，从而达到高效的自动驾驶。
上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而做出的变化，均应属于本发明的保护范围之内。

Claims (3)

1.一种基于全局注意力和状态共享的车辆轨迹预测方法，其特征在于，包括如下步骤：
(S1)使用具有全局注意力机制和状态共享的编解码器长短期记忆人工神经网络模型的GAS-LED轨迹预测模型；
(S2)在GAS-LED轨迹预测模型中，采用具有编码器和解码器状态共享机制来减少计算工作量，同时采用两个并行计算的GAS-LED轨迹预测模型来并行输出车辆横向变道行为和纵向行驶距离的预测；
(S3)在车道级别的轨迹预测任务中，重点关注车辆所在的车道，GAS-LED轨迹预测模型一对横向变道和纵向行驶距离输出相应预测结果；
(S4)将当前车辆及其周围车辆的历史信息作为GAS-LED轨迹预测模型二的输入，然后将两个GAS-LED轨迹预测模型并行使用，用以获得更多方便预测的输出结果。
2.根据权利要求1所述的一种基于全局注意力和状态共享的车辆轨迹预测方法，其特征在于，所述步骤(S3)中横向变道行为预测是通过GAS-LED轨迹预测模型输出变道行为的概率，然后选择具有最大概率的行为作为预测结果，并使用lt表示。
3.根据权利要求2所述的一种基于全局注意力和状态共享的车辆轨迹预测方法，其特征在于，所述步骤(S3)中纵向行驶距离预测是通过GAS-LED轨迹预测模型输出Ym，其包包含z个连续值，即未来一个时段的纵向行驶距离。
CN202110030043.4A 2021-01-11 2021-01-11 一种基于全局注意力和状态共享的车辆轨迹预测方法 Active CN112885079B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110030043.4A CN112885079B (zh) 2021-01-11 2021-01-11 一种基于全局注意力和状态共享的车辆轨迹预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110030043.4A CN112885079B (zh) 2021-01-11 2021-01-11 一种基于全局注意力和状态共享的车辆轨迹预测方法

Publications (2)

Publication Number Publication Date
CN112885079A CN112885079A (zh) 2021-06-01
CN112885079B true CN112885079B (zh) 2022-11-29

Family

ID=76047778

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110030043.4A Active CN112885079B (zh) 2021-01-11 2021-01-11 一种基于全局注意力和状态共享的车辆轨迹预测方法

Country Status (1)

Country Link
CN (1) CN112885079B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059324A (zh) * 2019-04-26 2019-07-26 广州大学 基于依存信息监督的神经网络机器翻译方法及装置
WO2020191642A1 (zh) * 2019-03-27 2020-10-01 深圳市大疆创新科技有限公司 轨迹预测方法及装置、存储介质、驾驶系统与车辆

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10739775B2 (en) * 2017-10-28 2020-08-11 Tusimple, Inc. System and method for real world autonomous vehicle trajectory simulation
KR102138979B1 (ko) * 2018-11-29 2020-07-29 한국과학기술원 차선 기반의 확률론적 주변 차량 거동 예측 및 이를 이용한 종방향 제어 방법
CN109910909B (zh) * 2019-02-25 2020-09-11 清华大学 一种多车运动状态的汽车轨迹网联交互式预测方法
CN110163439A (zh) * 2019-05-24 2019-08-23 长安大学 一种基于注意力机制的城市规模出租车轨迹预测方法
CN110304075B (zh) * 2019-07-04 2020-06-26 清华大学 基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法
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
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
CN111488984B (zh) * 2020-04-03 2023-07-21 中国科学院计算技术研究所 一种用于训练轨迹预测模型的方法和轨迹预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020191642A1 (zh) * 2019-03-27 2020-10-01 深圳市大疆创新科技有限公司 轨迹预测方法及装置、存储介质、驾驶系统与车辆
CN110059324A (zh) * 2019-04-26 2019-07-26 广州大学 基于依存信息监督的神经网络机器翻译方法及装置

Non-Patent Citations (2)

* 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 *
筛选式知识辅助多模型机动目标跟踪算法;王全辉;《中国博士学位论文全文数据库 信息科技辑》;20190715(第07期);22-28 *

Also Published As

Publication number Publication date
CN112885079A (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
Dai et al. Modeling vehicle interactions via modified LSTM models for trajectory prediction
Feng et al. Vehicle trajectory prediction using intention-based conditional variational autoencoder
Huang et al. Spatial-temporal ConvLSTM for vehicle driving intention prediction
Liu et al. Interactive trajectory prediction using a driving risk map-integrated deep learning method for surrounding vehicles on highways
CN112015842B (zh) 自行车轨迹预测的自动驾驶车辆风险评估方法及系统
WO2023221348A1 (zh) 车辆轨迹预测方法、系统、计算机设备及存储介质
Zhang et al. A systematic solution of human driving behavior modeling and simulation for automated vehicle studies
US20230038673A1 (en) Sequential pedestrian trajectory prediction using step attention for collision avoidance
CN114368387B (zh) 一种基于注意力机制的驾驶员意图识别及车辆轨迹预测方法
CN115062202A (zh) 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质
Sharma et al. Kernelized convolutional transformer network based driver behavior estimation for conflict resolution at unsignalized roundabout
Mozaffari et al. Trajectory prediction with observations of variable-length for motion planning in highway merging scenarios
Yang et al. WcDT: World-centric Diffusion Transformer for Traffic Scene Generation
Zhang et al. Trajectory prediction of surrounding vehicles for autonomous vehicle using POMDP method
Liu et al. Impact-aware maneuver decision with enhanced perception for autonomous vehicle
Arbabi et al. Planning for autonomous driving via interaction-aware probabilistic action policies
CN117408406A (zh) 一种规划耦合的多目标车辆轨迹预测方法及系统
CN112885079B (zh) 一种基于全局注意力和状态共享的车辆轨迹预测方法
CN112721948A (zh) 基于预测和搜索框架的自动驾驶汽车变道调度的实现方法
CN116448134A (zh) 基于风险场与不确定分析的车辆路径规划方法及装置
Yang et al. Deep Reinforcement Learning Lane-Changing Decision Algorithm for Intelligent Vehicles Combining LSTM Trajectory Prediction
CN113191539B (zh) 一种基于异构图聚合网络的高密度复合场景轨迹预测方法
Tan et al. RCP‐RF: A comprehensive road‐car‐pedestrian risk management framework based on driving risk potential field
Bang et al. Safe Merging in Mixed Traffic with Confidence
Jazayeri Predicting Vehicle Trajectories at Intersections Using Advanced Machine Learning Techniques

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