CN113313941B - 基于记忆网络和编码器-解码器模型的车辆轨迹预测方法 - Google Patents

Abstract

本发明公开了一种基于记忆网络和编码器‑解码器模型的车辆轨迹预测方法，包括如下步骤：步骤1，利用长短时记忆网络搭建目标车辆换道行为识别模型，基于车辆及周围车辆的状态信息，对目标车辆的换道概率进行计算；步骤2，在步骤1中建立的模型中增加一个可变的决策阈值形成新的模型，用以对原有模型进行实时修正；步骤3，基于编码器‑解码器模型搭建车辆轨迹预测模型，按步骤2的模型来计算目标车辆的换道概率P_n ^V1(t)。本发明的基于记忆网络和编码器‑解码器模型的车辆轨迹预测方法，在模型中引入了运动学计算层，能够更好的预测目标车辆的轨迹。

Description

基于记忆网络和编码器-解码器模型的车辆轨迹预测方法

技术领域

本发明涉及车辆轨迹预测领域，适用于辅助驾驶、无人驾驶等，具体涉及到一种基于记忆网络和编码器-解码器模型的车辆轨迹预测方法。

背景技术

随着经济和社会的发展，我国汽车保有量不断增加，由此带来的交通安全问题也愈发严重。在2020年，我国共发生交通事故24万余起，造成死亡人数6万余人，受伤人数25万余人，可见交通事故，仍然是亟待解决的社会问题。根据2011年的交通事故统计，94％的交通事故由车辆的违法行为以及车辆过错导致，由非机动车、行人、道路条件等因素导致的交通事故相对来说较少，同时，美国印第安纳大学在对交通事故的成因进行分析后发现，在美国道路交通事故中，由于感知和决策失误造成的事故占84.1％，操作不当占7.9％，打瞌睡占0.9％，其它占7.1％。可见，驾驶人的因素已经成为交通系统中最薄弱的一环。

在驾驶决策过程中，驾驶人的行为决策经常受到人、车、路、环境等多源信息的影响和作用，但是由于人的信息处理能力有限，驾驶人对多源信息无法实现同时输入与输出，以致于有时不能准确、快速地做出决策，从而易引发道路交通事故。车辆在路段上的行驶过程中，换道行为是引起交通冲突的主要行为。驾驶员在换道过程中需要处理的信息与跟驰行为相比更为复杂，若驾驶员不能准确判断周围车辆的换道行为，极易引起交通事故，造成人员伤亡和财产损失。多项调查研究表明，驾驶员在换道初期使用转向灯的比例仅在50％左右，同时换道时转向灯开启率在驾驶人个体间差异性较大，部分驾驶人在换道时的转向灯开启率不足20％，因此基于单一的转向灯信息很难对换道行为进行准确的识别，这会对驾驶员以及换道辅助系统的判断产生困扰。所以，换道行为感知和决策的准确性直接关系到道路交通安全，而对车辆换道行为进行识别和预测，并将其应用于驾驶辅助系统，能够有效减少驾驶员对周围车辆运动行为的判断失误，从而减少交通事故发生，提高道路的行车安全性。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种利用目标车辆及其周围车辆的轨迹信息以及目标车辆的换道概率作为输入，通过多次训练和调参找到适合于目标轨迹预测的模型参数，从而实现目标车辆的轨迹预测。

为实现上述目的，本发明提供了如下技术方案：一种基于记忆网络和编码器-解码器模型的车辆轨迹预测方法，包括如下步骤：

步骤1，利用长短时记忆网络搭建目标车辆换道行为识别模型，基于车辆及周围车辆的状态信息，对目标车辆的换道概率进行计算，把自车、目标车前车、自车前车的横向位置均被转化为距目标车辆的距离，即目标车辆与自车的距离差(Δx_d)、与目标车前车的距离差(Δx_f)、与自车前车的距离差(Δx_s)；

步骤2，在步骤1中建立的模型中增加一个可变的决策阈值形成新的模型，用以对原有模型进行实时修正；

步骤3，基于编码器-解码器模型搭建车辆轨迹预测模型，按步骤2的模型来计算目标车辆的换道概率

把目标车辆的换道概率和车辆的运动信息合并，作为轨迹预测模型的输入。

作为本发明的进一步改进，所述步骤1中搭建模型的具体步骤如下：

步骤11，选择目标车辆与自车的距离差(Δx_d)、与目标车前车的距离差(Δx_f)、与自车前车的距离差(Δx_s)、目标车辆距侧向目标车道中心线距离(Δy)、目标车辆的横向速度(v_x)、纵向速度(v_y)、横向加速度(ax)、纵向加速度(a_y)8个特征变量组成各个时刻的特征变量组X(t)；

步骤12，利用步骤11中获得的特征变量组X(t)对模型进行训练，如下公式所示：

X(t)＝(v_x(t),v_y(t),a_x(t),a_y(t),Δy(t),Δx_f(t),Δx_d(t),Δx_s(t))

模型的输入I用公式来表示：

模型的输出包括目标车辆的保持车道概率及换道概率，如公式所示：

其中，X(t)为在时刻t归一化后的特征参数集，I为模型输入，Z为模型输出，X_n(t)为样本n在时刻t目标车辆换道行为的特征参数，n代表样本编号，N为总样本数，T是样本n的行驶时长，P⁰和P¹分别为模型计算得到的保持车道概率和换道概率，P⁰+P¹＝1。

作为本发明的进一步改进，所述步骤3中车辆的运动信息包括目标车辆v1的轨迹和速度信息，以及其周围车辆的轨迹和速度信息，其中样本n中车辆V的轨迹和速度信息使用

来表示，如公式所示:

模型的输入如公式所示:

模型的输出为车辆的预测轨迹，如公式所示:

本发明的有益效果，(1)本发明的模型综合考虑了目标车辆的轨迹信息和换道行为，并在模型中引入了运动学计算层，使预测结果更符合车辆的实际运动学特征，能够较好地预测目标车辆在未来1-4s内的轨迹。

(2)本发明的模型具有实时性的特点，其能够基于实时检测到的车辆轨迹数据对模型进行修正，使模型能够适应道路交通环境的变化，提高了模型的准确率。

(3)本发明所建立的模型仅使用车辆检测器能够采集到的数据，使得模型在先进辅助驾驶系统中具有较强的可移植性。

附图说明

图1为本发明的技术路线图；

图2为基于LSTM的目标换道行为识别模型结构图；

图3为目标车辆轨迹预测模型结构图。

具体实施方式

下面将结合附图所给出的实施例对本发明做进一步的详述。

参照图1至3所示，本实施例的一种基于LSTM和Seq2seq模型的车辆轨迹预测模型，为此提出的技术路线如图1所示，模型的输入是目标车辆和周围车辆的轨迹，速度等信息，通过LSTM模型得到初始的保持车道、换道概率，在通过自适应模型得到保持车道、换道概率，最后再把目标车辆的换道概率和车辆的运动信息合并输入车辆轨迹预测模型得到目标车辆的轨迹预测结果。

在进行本发明专利时，具体的实施步骤如下：

1)利用highD公开轨迹数据集，对数据进行数据预处理，对车辆的换道行为进行划分，并对目标车辆及样本进行划分，最后对数据进行坐标转换、样本筛选、数据补全、标准化及反标准化等处理，得到适用于模型的样本和数据。

2)使用一种基于LSTM的目标换道行为识别模型，模型结构如图2所示，模型的输入I首先输入到LSTM循环结构中。该LSTM循环结构包括三个LSTM层的堆叠，每个LSTM层包含隐藏单元个数为64，不同LSTM层之间的Dropout比率为0.2，每一时刻的LSTM单元的输入包括当前时刻的输入和隐藏状态的信息，从而学习历史数据中的信息，更新该时刻的隐藏状态。之后，LSTM循环结构输出的结果通过全连接层进行降维，该全连接层使用的激活函数为ReLU函数，并输入到softmax层计算换道和保持车道行为的概率，得到输出Z。模型采用Adam优化器，其学习率设置为0.005。为防止梯度爆炸，模型设置了最大梯度范数为5。由于使用的数据集规模较大，建立的模型使用尺寸为256的小批量数据进行训练，以提高训练效率。模型的参数设置如表1所示。

表1 LSTM模型参数设置

3)在建立的LSTM模型中增加了一个可变的决策阈值，用以对模型进行实时修正，引入了一个自适应参数α～N(μ,σ²)来表征决策阈值，即基于LSTM模型得到的输出结果在进行概率计算时，softmax层具有不同的参数，该参数的概率密度函数如下所示：

由于车辆在路段上行驶时有换道和保持车道两种驾驶行为，因此每次驾驶行为的决策服从伯努利分布：

D_n～B(1,P¹),n＝1,2,…,N

其中，N是样本数量。

因此，引入自适应参数α后，目标车辆换道概率及保持车道概率如下所示：

同时，车辆在行驶的过程中，在较短的时间内车辆周围的道路、交通环境相似，因此在时刻t，选择{t-min(T_max,T₀),t-C_max}时段内车辆检测范围内所有车辆的数据作为该时刻的样本集D，进行参数的贝叶斯推断。其中，T₀为车辆进入新的道路环境的时长(如车辆进入不同等级道路后的时长)；T_max为交通环境相似的最大时长，在该时长范围内，车辆的交通环境(如交通流密度、平均车速等)近似相同；C_max为换道过程最大时长，其通过对大规模数据集换道时间的统计得到。之后，模型利用贝叶斯推断的方法进行自适应参数的更新，旨在利用车辆行驶过程中实时采集到的车辆及周边车辆的行车信息，不断更新驾驶决策的阈值，以提高模型在不同的道路和交通环境中的适用性。考虑到所使用的数据集中换道和保持车道的样本存在数据不均衡的现象，首先基于不同驾驶行为的样本数量对条件概率进行了修正，如公式示。

其中，P(D|α)为修正后的条件概率，N₀和N₁分别为保持车道以及换道的样本数量。

在每一时刻t，对参数α进行贝叶斯推断，利用M-H算法进行抽样和马尔科夫链蒙特卡洛模拟(MCMC)。针对某一时刻参数推断的具体算法如下：

在车辆的行驶过程中，车辆在每一时刻t，基于所定义规则选出的与自车此刻所在道路交通环境相似的检测数据，作为推断样本集D。设置贝叶斯推断的参数，左侧以及右侧目标车辆换道行为识别模型的参数α分别利用实时更新的样本集D进行不断地重新估计，之后计算车辆的换道及保持车道概率。

4)在实时得到目标车辆的换道概率后，把目标车辆及其周围车辆的轨迹信息和目标车辆的换道概率输入目标车辆轨迹预测模型。模型的结构图如图3所示，模型的输入I经过数据标准化后输入到编码层中，在对编码层的输出进行注意力分布计算后，得到编码向量，其与解码层上一时刻的输出进行合并，作为解码层该时刻的输入。而解码层的输出在经过全连接层后，需要对数据进行反标准化，以得到目标车辆的预测速度。最后，通过运动学计算将速度转换为最终预测的目标车辆的位置。

在轨迹预测模型中，编码层和解码层采用相同的参数设置，其均通过LSTM循环结构建立，该LSTM循环结构包括3个LSTM层的堆叠，每个LSTM层的隐藏单元个数为64，不同LSTM层之间的Dropout比率为0.2。模型采用Adam优化器，最大梯度范数设置为5，学习率为0.0005，每次训练使用的样本数为32，参数设置如表2所示。

表2轨迹预测模型LSTM循环结构参数设置

在进行目标车辆的长距离轨迹预测时，不同时刻车辆对信息的关注点会存在差异。在Seq2seq模型中加入了注意力机制，通过软注意力的方法进行注意力分布计算，即注意力具有可微性，隐藏层的不同隐藏单元均会被关注，但被关注的程度不同，各个隐藏层的注意力通过各个隐藏层结果与输出结果的相似性计算得到，各个注意力的权重通过所有权重的归一化得到，最后的注意力通过对所有隐藏层的注意力进行加权求和得到。

由于车辆在行驶过程中，其速度不能无限增大或减小，车辆的位移将受到一定的限制。直接进行车辆位置的预测通常无法考虑车辆的运动学规律，从而导致预测轨迹出现小幅度波动的现象，影响轨迹的预测效果。为了使计算结果更符合实际的车辆轨迹，引入了运动学计算层。与以往轨迹预测模型解码层的输出为车辆轨迹不同，本模型中解码层的输出为目标车辆的横向速度和纵向速度，之后通过运动学公式计算得到车辆的预测轨迹，再利用预测轨迹和实际轨迹进行损失函数的计算。其中，目标车辆的横向和纵向加速度可以利用横、纵向速度计算得到，如公式所示：

其中，a_x(t)、a_y(t)分别为目标车辆的横向和纵向加速度；v_x(t)、v_y(t)分别为目标车辆的横向和纵向速度；Δt为数据的时间间隔。

车辆的轨迹位置可以通过运动学公式进行计算，如公式所示：

其中，x(t)、y(t)分别为目标车辆的横向和纵向位置。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.一种基于记忆网络和编码器-解码器模型的车辆轨迹预测方法，其特征在于：包括如下步骤：

步骤1，利用长短时记忆网络搭建目标车辆换道行为识别模型，基于车辆及周围车辆的状态信息，对目标车辆的换道概率进行计算，把自车、目标车前车、自车前车的横向位置均被转化为距目标车辆的距离，即目标车辆与自车的距离差(Δx_d)、与目标车前车的距离差(Δx_f)、与自车前车的距离差(Δx_s)；

步骤2，在步骤1中建立的模型中增加一个可变的决策阈值形成新的模型，用以对原有模型进行实时修正；

步骤3，基于编码器-解码器模型搭建车辆轨迹预测模型，按步骤2的模型来计算目标车辆的换道概率

把目标车辆的换道概率和车辆的运动信息合并，作为轨迹预测模型的输入；所述步骤1中搭建模型的具体步骤如下：

步骤11，选择目标车辆与自车的距离差(Δx_d)、与目标车前车的距离差(Δx_f)、与自车前车的距离差(Δx_s)、目标车辆距侧向目标车道中心线距离(Δy)、目标车辆的横向速度(v_x)、纵向速度(v_y)、横向加速度(a_x)、纵向加速度(a_y)8个特征变量组成各个时刻的特征变量组X(t)；

步骤12，利用步骤11中获得的特征变量组X(t)对模型进行训练，如下公式所示：

X(t)＝(v_x(t)，v_y(t)，a_x(t)，a_y(t)，Δy(t)，Δx_f(t)，Δx_d(t)，Δx_s(t))

模型的输入I用公式来表示：

模型的输出包括目标车辆的保持车道概率及换道概率，如公式所示：

其中，X(t)为在时刻t归一化后的特征参数集，I为模型输入，Z为模型输出，X_n(t)为样本n在时刻t目标车辆换道行为的特征参数，n代表样本编号，N为总样本数，T是样本n的行驶时长，P⁰和P¹分别为模型计算得到的保持车道概率和换道概率，P⁰+P¹＝1。

2.根据权利要求1所述的基于记忆网络和编码器-解码器模型的车辆轨迹预测方法，其特征在于：所述步骤3中车辆的运动信息包括目标车辆v1的轨迹和速度信息，以及其周围车辆的轨迹和速度信息，其中样本n中车辆V的轨迹和速度信息使用

来表示，如公式所示：

模型的输入如公式所示：

模型的输出为车辆的预测轨迹，如公式所示：

Images