CN114004406A - 车辆轨迹预测方法、装置、存储介质及电子设备 - Google Patents
车辆轨迹预测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114004406A CN114004406A CN202111295334.2A CN202111295334A CN114004406A CN 114004406 A CN114004406 A CN 114004406A CN 202111295334 A CN202111295334 A CN 202111295334A CN 114004406 A CN114004406 A CN 114004406A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- trajectory
- track
- prediction
- target vehicle
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000012937 correction Methods 0.000 claims abstract description 68
- 230000002093 peripheral effect Effects 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims description 60
- 238000005070 sampling Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 description 39
- 230000006870 function Effects 0.000 description 33
- 230000003993 interaction Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 239000004576 sand Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000006073 displacement reaction Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000003442 weekly effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开涉及自动驾驶领域,具体涉及一种车辆轨迹预测方法、装置、存储介质及电子设备。该车辆轨迹预测方法包括:获取目标车辆的历史轨迹,以及位于所述目标车辆位置周围的周围车辆的历史轨迹;基于所述目标车辆和所述周围车辆的历史轨迹分别进行轨迹预测,得到所述目标车辆和所述周围车辆的初始预测轨迹;根据所述目标车辆和所述周围车辆的初始预测轨迹计算所述周围车辆相对于所述目标车辆的轨迹修正量;基于所述周围车辆的轨迹修正量对所述目标车辆的初始预测轨迹进行修正以得到所述目标车辆的最终预测轨迹。本公开提供的车辆轨迹预测方法能够提高在密集交通场景下车辆的轨迹预测的准确性。
Description
技术领域
本公开涉及自动驾驶领域,具体涉及一种车辆轨迹预测方法、车辆轨迹预测装置、存储介质及电子设备。
背景技术
近年来,私人汽车的保有量持续上升,汽车的普及大大便利了人们的生活,但也带来了一系列严重的社会问题。近年不断发展的计算机、人工智能技术的引入将汽车推向了“智能化”的新一次革新,将V2V、V2X技术引入到汽车汽车具备了与周围车辆和环境通讯的能力,将允许汽车根据实时交通状况灵活地规划合适的出行方案,从而可以在一定程度上缓解城市的拥堵。
在密集或复杂的交通场景下,车辆的驾驶行为将很大程度上受到其周围车辆或道路设施的影响,如果只关注与预测目标的历史轨迹,这样的预测在复杂场景下往往是很不准确的。因此,如何在复杂交通下,兼顾车辆时序运行规律与车辆间空间交互的影响,充分发挥先进机器学习会深度学习模型的表达能力,实现一个高准确性、强解释性的轨迹预测子模型是一个值得研究的问题。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种车辆轨迹预测方法、车辆轨迹预测装置、存储介质及电子设备,旨在解决在密集交通场景下车辆的轨迹预测问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开实施例的一方面,提供了一种车辆轨迹预测方法,包括:获取目标车辆的历史轨迹,以及位于所述目标车辆位置周围的周围车辆的历史轨迹;基于所述目标车辆和所述周围车辆的历史轨迹分别进行轨迹预测,得到所述目标车辆和所述周围车辆的初始预测轨迹;根据所述目标车辆和所述周围车辆的初始预测轨迹计算所述周围车辆相对于所述目标车辆的轨迹修正量;基于所述周围车辆的轨迹修正量对所述目标车辆的初始预测轨迹进行修正以得到所述目标车辆的最终预测轨迹。
根据本公开的一些实施例,基于前述方案,所述基于所述目标车辆和所述周围车辆的历史轨迹分别进行轨迹预测,得到所述目标车辆和所述周围车辆的初始预测轨迹,包括:将所述目标车辆和所述周围车辆的历史轨迹输入预先训练完成的综合预测模型;利用所述综合预测模型中所述目标车辆对应的轨迹预测子模型得到所述目标车辆的初始预测轨迹;以及利用所述综合预测模型中与所述周围车辆对应的轨迹预测子模型得到所述周围车辆的初始预测轨迹。
根据本公开的一些实施例,基于前述方案,在所述周围车辆包括多辆时,所述方法还包括:获取所述周围车辆相对于所述目标车辆的方位信息;基于所述方位信息确定与所述周围车辆对应的轨迹预测子模型。
根据本公开的一些实施例,基于前述方案,所述根据所述目标车辆和所述周围车辆的初始预测轨迹计算所述周围车辆相对于所述目标车辆的轨迹修正量,包括:将所述目标车辆和所述周围车辆的初始预测轨迹输入预先训练完成的综合预测模型;利用所述综合预测模型中与所述周围车辆对应的轨迹影响预测子模型得到所述周围车辆相对于所述目标车辆的轨迹修正量。
根据本公开的一些实施例,基于前述方案,在所述周围车辆包括多辆时,所述方法还包括:获取所述周围车辆相对于所述目标车辆的方位信息;基于所述方位信息确定与所述周围车辆对应的轨迹影响预测子模型。
根据本公开的一些实施例,基于前述方案,所述基于所述周围车辆的轨迹修正量对所述目标车辆的初始预测轨迹进行修正以得到所述目标车辆的最终预测轨迹,包括:基于所述目标车辆和所述周围车辆的历史轨迹计算所述周围车辆的所述修正权重;将所述周围车辆的所述轨迹修正量和所述修正权重相乘得到所述周围车辆的加权修正量;将所述目标车辆的初始预测轨迹与所述加权修正量相加得到所述目标车辆的最终预测轨迹。
根据本公开的一些实施例,基于前述方案,所述方法还包括训练所述综合预测模型,所述训练所述综合预测模型包括:获取轨迹数据集;其中,所述轨迹数据集包括多辆车辆的轨迹段,所述轨迹段包括多个轨迹点;利用所述轨迹数据集进行模型训练得到训练完成的轨迹预测子模型;基于训练完成的所述轨迹预测子模型利用所述轨迹数据集进行模型训练,得到训练完成的轨迹影响预测子模型;根据训练完成的所述轨迹预测子模型和所述轨迹影响预测子模型进行模型训练,得到训练完成的所述综合预测模型。
根据本公开的一些实施例,基于前述方案,所述获取所述轨迹数据集,包括:读取公路行车数据;对所述公路行车数据进行均衡采样得到换道类型均衡的均衡数据集;对所述均衡数据集中各所述轨迹段分别进行裁剪得到目标数量个轨迹点,以得到所述轨迹数据集。
根据本公开的一些实施例,基于前述方案,所述方法还包括:计算综合损失函数以进行所述模型训练,所述计算综合损失函数以进行所述模型训练,包括:将所述轨迹数据集划分为多个样本车辆的组合轨迹数据集;所述组合轨迹数据集包括样本车辆的轨迹段以及位于所述样本车辆位置周围的样本周围车辆的轨迹段;对于一样本车辆的组合轨迹数据集,获取该样本车辆的真实轨迹,以及利用综合预测模型得到该样本车辆的预测轨迹;根据所述真实轨迹和所述预测轨迹计算该样本车辆的损失函数,以根据各样本车辆的所述损失函数得到所述轨迹数据集的综合损失函数;利用所述综合损失函数调整所述综合预测模型的模型参数以进行所述模型训练。
根据本公开的一些实施例,基于前述方案,所述对于一样本车辆的组合轨迹数据集,获取该样本车辆的真实轨迹,以及利用综合预测模型得到该样本车辆的预测轨迹,包括:将一样本车辆的组合轨迹数据集划分为训练数据集和验证数据集;基于所述训练数据集利用综合预测模型进行模型预测得到所述样本车辆的预测轨迹;以及根据所述验证数据集获取所述样本车辆的真实轨迹。
根据本公开的一些实施例,基于前述方案,所述根据所述真实轨迹和所述预测轨迹计算该样本车辆的损失函数,包括:根据所述真实轨迹和所述预测轨迹计算该样本车辆的车辆横向误差和车辆纵向误差;基于所述车辆横向误差和所述车辆纵向误差,以及预设的横向误差权重和纵向误差误差权重计算该样本车辆的损失函数。
根据本公开实施例的第二方面,提供了一种车辆轨迹预测装置,包括:获取模块,用于获取目标车辆的历史轨迹,以及位于所述目标车辆位置周围的周围车辆的历史轨迹;预测模块,用于基于所述目标车辆和所述周围车辆的历史轨迹分别进行轨迹预测,得到所述目标车辆和所述周围车辆的初始预测轨迹;计算模块,用于根据所述目标车辆和所述周围车辆的初始预测轨迹计算所述周围车辆相对于所述目标车辆的轨迹修正量;修正模块,用于基于所述周围车辆的轨迹修正量对所述目标车辆的初始预测轨迹进行修正以得到所述目标车辆的最终预测轨迹。
根据本公开实施例的第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述实施例中的车辆轨迹预测方法。
根据本公开实施例的第四方面,提供了一种电子设备,其特征在于,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中的车辆轨迹预测方法。
本公开示例性实施例可以具有以下部分或全部有益效果:
在本公开的一些实施例所提供的技术方案中,获取到目标车辆和周围车辆的历史轨迹后,首先进行轨迹预测以进行时序变化规律分析得到初始预测轨迹,然后根据初始预测轨迹考虑空间交互信息计算轨迹修正量以对初始预测轨迹进行修正得到最终预测轨迹。本公开提供的车辆轨迹预测方法将源于历史轨迹信息的时序规律与源于周车的空间交互进行了主次划分,设计先预估后修正的整体预测流程,能够兼顾车辆时序运行规律与车辆间空间交互的影响,有效降低车辆的轨迹预测误差。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示意性示出本公开示例性实施例中一种车辆轨迹预测方法的流程示意图;
图2示意性示出本公开示例性实施例中一种车辆行驶场景的流程示意图;
图3示意性示出本公开示例性实施例中一种综合预测模型结构示意图;
图4示意性示出本公开示例性实施例中一种综合预测模型训练方法的流程示意图;
图5示意性示出本公开示例性实施例中一种模型训练方法的流程示意图;
图6示意性示出本公开示例性实施例中一种改进的模型结构示意图;
图7(a)、图7(b)、图7(c)、图7(d)、图7(e)、图7(f)分别示意性示出本公开示例性实施例中的预测结果的示意图;
图8示意性示出本公开示例性实施例中一种车辆轨迹预测装置的组成示意图;
图9示意性示出本公开示例性实施例中一种计算机可读存储介质的示意图;
图10示意性示出本公开示例性实施例中一种电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
近年来,私人汽车的保有量持续上升,汽车的普及大大便利了人们的生活,但也带来了一系列严重的社会问题。一方面,拥堵在国内的一二线城市的中心区域已成为常态;另一方面,由于汽车数量的剧增,道路交通安全事故频频发生,城市交通的拥堵和安全性已成为了一个受到广泛关注的社会热点问题。近年不断发展的计算机、传感器、汽车电子技术,使得汽车内部的结构发生了翻天覆地的变化,汽车不再仅仅是原来的“代步的机械”,而成为了一个机电一体的复杂结构,而计算机、人工智能技术的引入又将汽车推向了“智能化”的新一次革新,驾驶辅助系统(ADAS)作为低层次的自动驾驶技术(根据SAE的自动驾驶层级划分)目前已在汽车上得到了实际应用,而更高层级的人机共驾乃至完全自动驾驶也在研究之中。
ADAS等自动驾驶技术(如现有的车道偏离预警系统、自适应巡航、自动泊车系统等)被认为是保障汽车安全性的重要技术。将V2V、V2X技术引入到汽车后,汽车具备了与周围车辆和环境通讯的能力,将允许汽车根据实时交通状况灵活地规划合适的出行方案,从而可以在一定程度上缓解城市的拥堵。由此可见,对于未来的城市交通系统,自动驾驶汽车将是不可或缺的重要一环。无论是ADAS还是自动驾驶汽车,其主动安全性能部是核心问题。为了评估安全风险,必须实时地对周围环境与车辆进行监测,相比于静态的环境信息,运动中的周车行为的监测往往更为困难。由于周车处于运动状态,为了实现自车准确的安全性评估,对周车的监测不仅需要关注其当前所处的位置与行为模式,更要关注其未来一段时间可能的出现的位置,因此需要对周车的轨迹进行预测。近年来,在计算机科学领域,机器学习得到了飞速的发展并已建立起了系统的理论框架,同时机器学习的方法也不断地被应用于其他领域之中,其中便包括车辆的轨迹预测领域。
此外,最近势头正盛的深度学习方法也逐渐地被引入到车辆的轨迹预测领域,由于神经网络的强大表达能力,有助于模型从海量数据汇总找到一般机器学习所无法得到的规律,进而实现更加准确的车辆轨迹预测。在采用传统机器学习方法进行机动识别或轨迹预测时,受限于模型表达能力,往往要对问题进行一些简化,能够训练的数据量也有限。深度学习等强大工具的引入也使得我们在进行轨迹预测时可以考虑更多的因素,也可以训练更大规模的数据。
轨迹预测步骤的输入为前一步骤得到的车辆机动类别,以及目标车辆的历史轨迹信息(原始轨迹或基于原始轨迹提取的特征),输出未来一段时间的预测轨迹。传统的轨迹预测方法可分为两类:基于统计的方法和基于模型的方法。基于统计的方法主要通过聚类从大量交通数据集中得到原型轨迹(Prototype Trajectories)即该研究场景下最为典型的几类轨迹,使用原型轨迹(或在原型轨迹基础上简单变化,如考虑历史信息和不确定性)作为预测轨迹。早年的基于模型的方法主要包括运动学模型、动力学模型、多项式模型、高斯过程(Gaussian Process,GP)、快速扩展随机树(Rapidly exploring Random Tree,RT)、混合高斯模型,由于真实的车辆轨迹具有较强的非线性而上述传统方法大多只采用有限的历史信息或简单的手工特征,难以建模更本质的车辆轨迹的时序关联,因此这些方法并不适合做长时间跨度的轨迹预测。近年来,一些新的研究开始使用RNN来做长期的轨迹预测,而LSTM是其中最为常用的模型,LSTM由于其特殊的门结构和信息更新机制,允许信息的长期保存并建模时序数据的长期依赖,因此对于长时间的跨度的轨迹预测问题具有很大的优势。
在密集或复杂的交通场景下,车辆的驾驶行为将很大程度上受到其周围车辆或道路设施的影响,如果只关注与预测目标的历史轨迹,这样的预测在复杂场景下往往是很不准确的。传统的机器学习方法和基本的时序神经网络模型都难以在建模轨迹时间序列的同时,建模这些车辆间或道路与车辆间的空间交互。另一方面,现有的模型难以在模型能力和模型可解释性上做到两全其美,采用深度学习的模型效果好但预测过程不可解释,采用传统的以概率推断为骨干的模型解释性强但性能较差。因此,如何在复杂交通下,兼顾车辆时序运行规律与车辆间空间交互的影响,充分发挥先进机器学习会深度学习模型的表达能力,实现一个高准确性、强解释性的轨迹预测子模型是一个值得研究的问题。
准确的车辆轨迹预测对于自动驾驶汽车而言是一项至关重要的技术,它将为自动驾驶的决策和规划提供重要的参考信息,从而保证驾驶的安全性。近年来,特别是深度学习的引入后,大量相关研究不断提升着轨迹预测准确度。然而现有模型仍存在一些尚未很好解决的问题,这些问题主要涉及到轨迹预测的输入信息和整体的模型框架两方面。
输入信息的问题在于,尽管人们已经公认了预测目标的历史轨迹和周围车辆的空间影响对于轨迹预测皆是至关重要,但目前尚缺乏成熟的方法处理这些信息用于输入。对于历史信息,应输入多长时间范围的信息?对于空间影响,如何基于各车辆的轨迹数据提取或建模有效的空间交互信息?两类信息又应如何配合使用?这些问题都亟需解决。模型框架的问题在于,目前常用的两种构型各有利弊。端到端模型过于依赖复杂的模型结构且难以训练;基于机动的模型过于依赖精细标注的数据集,粗糙标注将导致机动推断模型不准确,进而引起根源性的预测错误。
针对现有技术存在的诸多问题,本公开提出了一种车辆轨迹预测方法,将源于目标历史信息的时序规律与源于周车的空间交互进行了主次划分,设计“预估-修正”的整体预测流程,使得预测结果由两部分叠加而成,包括延续此前时序规律的初步预测,和旨在远离周车、规避风险的修正序列,并设计基于安全风险评估的动态权重用于上述叠加。
以下对本公开实施例的技术方案的实现细节进行详细阐述。
图1示意性示出本公开示例性实施例中一种车辆轨迹预测方法的流程示意图。如图1所示,该车辆轨迹预测方法包括步骤S1至步骤S4:
步骤S1,获取目标车辆的历史轨迹,以及位于所述目标车辆位置周围的周围车辆的历史轨迹;
步骤S2,基于所述目标车辆和所述周围车辆的历史轨迹分别进行轨迹预测,得到所述目标车辆和所述周围车辆的初始预测轨迹;
步骤S3,根据所述目标车辆和所述周围车辆的初始预测轨迹计算所述周围车辆相对于所述目标车辆的轨迹修正量;
步骤S4,基于所述周围车辆的轨迹修正量对所述目标车辆的初始预测轨迹进行修正以得到所述目标车辆的最终预测轨迹。
在本公开的一些实施例所提供的技术方案中,获取到目标车辆和周围车辆的历史轨迹后,首先进行轨迹预测以进行时序变化规律分析得到初始预测轨迹,然后根据初始预测轨迹考虑空间交互信息计算轨迹修正量以对初始预测轨迹进行修正得到最终预测轨迹。本公开提供的车辆轨迹预测方法将源于历史轨迹信息的时序规律与源于周车的空间交互进行了主次划分,设计先预估后修正的整体预测流程,能够兼顾车辆时序运行规律与车辆间空间交互的影响,有效降低车辆的轨迹预测误差。
下面,将结合附图及实施例对本示例实施方式中的车辆轨迹预测方法的各个步骤进行更详细的说明。
在步骤S1中,获取目标车辆的历史轨迹,以及位于所述目标车辆位置周围的周围车辆的历史轨迹。
具体地,目标车辆为待预测轨迹的车辆,用Vs表示,目标车辆Vs行驶在车道中,在行驶过程中可能会直行、左换道或右换道。同时,目标车辆的周围也可能存在其他正在运行中的车辆,记为周围车辆,用Vi表示。
其中,周围车辆位于目标车辆周围的不同方位,对目标车辆的轨迹具有不同的空间交互影响,因此根据将周围车辆细化为不同方位的车辆,分别用V1、V2、V3、…表示。
图2示意性示出本公开示例性实施例中一种车辆行驶场景的流程示意图。参考图2所示,有200~206共七辆车行驶在三条车道中,行驶方向如箭头所示,为自左向右。假设考虑目标车辆周围的六辆周车,以车辆200为目标车辆Vs,车辆201~206分别为Vs左前、前、右前、右后、后、左后六个方位中最近的周车,分别记做V1~V6。每一辆关注的周围车辆与目标车辆的纵向距离都不超过80m。
需要说明的是,周围车辆的数量可以根据预测需求进行设定。例如也可以考虑目标车辆Vs的左前、右前、右后、左后四个方向中最近的周车,分别记做V1~V4,此时V1则表示目标车辆Vs的左前周车,V2则表示目标车辆Vs的右前周车。当然,也可以一个方位上选取多辆周车,本公开对周围车辆的解释仅是示例性的,不应当限制本公开。
在进行车辆轨迹预测时,输入信息是目标车辆Vs和周围车辆Vi的历史轨迹,分别表示为和使用X和Y分别表示车辆在道路坐标系下横向和纵向的坐标,则各车辆Vs(Vi)在时间t的真实坐标可以表示为采用车辆坐标位移序列表示历史轨迹,那么和表示如下:
在步骤S2中,基于所述目标车辆和所述周围车辆的历史轨迹分别进行轨迹预测,得到所述目标车辆和所述周围车辆的初始预测轨迹。
具体地,在综合预测模型中预先为研究场景中的每一辆车(包括目标车辆Vs和周围车辆Vi)都构建了对应的轨迹预测子模型,分别记做Cs和Ci,用于分析车辆轨迹的时序变化规律,作为整体轨迹预测的主要信息。
因此,步骤S2主要包括:
步骤S21,将所述目标车辆和所述周围车辆的历史轨迹输入预先训练完成的综合预测模型;
步骤S22,利用所述综合预测模型中所述目标车辆对应的轨迹预测子模型得到所述目标车辆的初始预测轨迹;以及
步骤S23,利用所述综合预测模型中与所述周围车辆对应的轨迹预测子模型得到所述周围车辆的初始预测轨迹。
在本公开的一个实施例中,在所述周围车辆包括多辆时,所述方法还包括:获取所述周围车辆相对于所述目标车辆的方位信息;基于所述方位信息确定与所述周围车辆对应的轨迹预测子模型。
具体而言,在综合预测模型中位于目标车辆的不同方位的周车会包括相应的轨迹预测子模型Ci。以周围车辆Vi为Vs左前、前、右前、右后、后、左后六个方位的V1~V6为例,那么训练完成的轨迹预测子模型Ci也包括C1~C6共六个。因此,在对周围车辆的轨迹进行初步预测时,需要根据方位信息确定对应的轨迹预测子模型,以得到各周围车辆的初始预测轨迹
在步骤S3中,根据所述目标车辆和所述周围车辆的初始预测轨迹计算所述周围车辆相对于所述目标车辆的轨迹修正量。
具体地,在综合预测模型中预先为研究场景中的每一周围车辆Vi都构建了对应的轨迹影响预测子模型,记为Ii,用于分析各个周围车辆Vi与目标车辆Vs相关的空间交互对于其轨迹的影响规律,作为整体轨迹预测的辅助信息。
因此,步骤S3主要包括:
步骤S31,将所述目标车辆和所述周围车辆的初始预测轨迹输入预先训练完成的综合预测模型;
步骤S32,利用所述综合预测模型中与所述周围车辆对应的轨迹影响预测子模型得到所述周围车辆相对于所述目标车辆的轨迹修正量。
在本公开的一个实施例中,与时序规律分析类似,在所述周围车辆包括多辆时,所述方法还包括:获取所述周围车辆相对于所述目标车辆的方位信息;基于所述方位信息确定与所述周围车辆对应的轨迹影响预测子模型。
在步骤S4中,基于所述周围车辆的轨迹修正量对所述目标车辆的初始预测轨迹进行修正以得到所述目标车辆的最终预测轨迹。
在本公开的一个实施例中,所述基于所述周围车辆的轨迹修正量对所述目标车辆的初始预测轨迹进行修正以得到所述目标车辆的最终预测轨迹,包括:
步骤S41,基于所述目标车辆和所述周围车辆的历史轨迹计算所述周围车辆的所述修正权重;
步骤S42,将所述周围车辆的所述轨迹修正量和所述修正权重相乘得到所述周围车辆的加权修正量;
步骤S43,将所述目标车辆的初始预测轨迹与所述加权修正量相加得到所述目标车辆的最终预测轨迹。
具体地,在步骤S41中,根据目标车辆与周围车辆的历史轨迹可以计算动态权重信息,将周围车辆Vi的修正权重记为wi:
其中,Di,s表示周围车辆Vi与目标车辆Vs轨迹坐标差的微分,△di,s表示求微分时的步长。
图3示意性示出本公开示例性实施例中一种综合预测模型结构示意图,利用综合预测模型实现目标车辆的轨迹预测。参考图3所示,假设考虑目标车辆Vs左前、前、右前、右后、后、左后六个方位中最近的周围车辆V1~V6,其车辆轨迹预测的过程具体如下:
对于目标车辆Vs采用综合预测模型中的轨迹预测子模型Cs进行轨迹预测,得到目标车辆的初始预测轨迹对于周围车辆V1~V6,分别采用综合预测模型中对应的轨迹预测子模型C1~C6进行轨迹预测,得到各周围车辆的初始预测轨迹
在本公开的一个实施例中,所述方法还包括训练所述综合预测模型。图4示意性示出本公开示例性实施例中一种综合预测模型训练方法的流程示意图。参考图4所示,训练综合预测模型包括:
步骤S401,获取轨迹数据集;其中,所述轨迹数据集包括多辆车辆的轨迹段,所述轨迹段包括多个轨迹点;
步骤S402,利用所述轨迹数据集进行模型训练得到训练完成的轨迹预测子模型;
步骤S403,基于训练完成的所述轨迹预测子模型利用所述轨迹数据集进行模型训练,得到训练完成的轨迹影响预测子模型;
步骤S404,根据训练完成的所述轨迹预测子模型和所述轨迹影响预测子模型进行模型训练,得到训练完成的所述综合预测模型。
具体而言,在步骤S401中,首先获取一批(batch)数据,其中每一批数据中包括多个车辆的轨迹段,每个轨迹段的数据包括目标车辆与其周围车辆的轨迹点,即在一定时间长度内的轨迹点。
数据量的大小可以根据训练需求设定,例如设定batch size为50×50,也就是数据中包含50个车辆的轨迹段,每个轨迹段包括50个轨迹点,即长度为5s内的轨迹点坐标数据。
进一步地,在本公开的一个实施例中,获取的轨迹数据集需要进行均衡采样。所述获取所述轨迹数据集,包括:读取公路行车数据;对所述公路行车数据进行均衡采样得到换道类型均衡的均衡数据集;对所述均衡数据集中各所述轨迹段分别进行裁剪得到目标数量个轨迹点,以得到所述轨迹数据集。
具体地,采用的数据集为NGSIM(Next Generation Simulation,公路行车数据)是美国FHWA搜集的美国高速公路行车数据,它包括了US101、I-80等道路上的所有车辆在一个时间段的车辆行驶状况。数据是采用摄像头获取,然后加工成一条一条的轨迹点记录。但事实上,这两个数据集都相当不平衡。
表1示出了I-80数据集轨迹统计。如表1所示,在I-80的三个时间段内分别采集到2052,1836和1790条轨迹。
表1 I-80数据集轨迹统计
4:00-4:15p.m. | 5:00-5:15p.m. | 5:15-5:30p.m. | 总数 | |
仅左换道 | 531 | 494 | 478 | 1503 |
仅右换道 | 91 | 58 | 75 | 224 |
左右换道兼备 | 47 | 36 | 40 | 123 |
换道轨迹 | 669 | 588 | 593 | 1850 |
无换道轨迹 | 1383 | 1248 | 1197 | 3828 |
轨迹总数 | 2052 | 1836 | 1790 | 5678 |
例如,在下午4:00-4:15时间段内,共采集到2052条轨迹,其中包括669条换道轨迹和1383条无换道轨迹。在669条换道轨迹中,包括了531条仅左换道的车辆轨迹,有91条仅右换道的车辆轨迹,以及47条包括左换道和右换道的车辆轨迹。
表2示出了US-101数据集轨迹统计。如表2所示,在US-101的三个时间段内分别采集到2169,2017和1915条轨迹。
表2 US-101数据集轨迹统计
7:50-8:05a.m. | 8:05-8:20a.m. | 8:20-8:35a.m. | 总数 | |
仅左换道 | 296 | 269 | 305 | 870 |
仅右换道 | 141 | 124 | 88 | 353 |
左右换道兼备 | 164 | 90 | 76 | 330 |
换道轨迹 | 601 | 483 | 469 | 1553 |
无换道轨迹 | 1568 | 1534 | 1446 | 4548 |
轨迹总数 | 2169 | 2017 | 1915 | 6101 |
参考表1和表2所示,可见在两个数据集的换道轨迹中,左换道都远远多于右换道。不仅如此,由于直行在车辆驾驶过程中是一个常态操作,因此即便是上述的换道轨迹,其中绝大多数时刻车辆仍然处于直行状态。
所以,为了是模型训练时能够学习到换道过程的轨迹特征,避免向直行模式收敛,需要对数据集进行平衡处理。在均衡采样时从轨迹和轨迹点两个维度进行平衡,其根本目的是降低数据集中直行状态轨迹点的数目,以维护各类驾驶行为数据的平衡性。
具体地,在对所述公路行车数据进行均衡采样得到换道类型均衡的均衡数据集时,从轨迹层面分别对两个数据集中轨迹数量多的换道类型进行降采样,对轨迹数量少的换道类型进行上采样。例如可以设置一个比例阈值,当超过该比例阈值时视为轨迹数量多则进行降采样,反之则进行下采样。
以表1和表2中的数据集,可以对仅左换道和无换道的轨迹进行降采样,并对仅右换道的轨迹进行上采样,以保证左右换道轨迹数量的均衡,同时使得直行轨迹数大大少于换道轨迹。
根据上述方法将表1和表2进行均衡采样得到均衡数据集如下:
I-80:仅左换道672,仅右换道672,左右换道兼备123,则换道轨迹共1467,无换道轨迹300,那么轨迹总数为1737。
US-101:仅左换道706,仅右换道706,左右换道兼备177,则换道轨迹共1589,无换道轨迹330,那么轨迹总数为1919。
在对所述均衡数据集中各所述轨迹段分别进行裁剪得到目标数量个轨迹点时,对于换道轨迹,包括仅左换道、仅右换道、左右换道兼备,截取车道变化时刻前后的一定长度的轨迹段,包括固定数量个轨迹点数据,对于无换道轨迹,随机在其中截取等长的轨迹段。
步骤S402至步骤S404为综合预测模型的训练过程,本公开采用step-by-step的训练过程,这是由于各Ii的输入依赖于Ci提供的初步预测结果。因此,首先训练所有的Cs和Ci,随后基于训练好的Ci训练所有的Ii,最后将所有的预训练模型合并成整体并联合训练。
在本公开的一个实施例中,所述方法还包括:计算综合损失函数以进行所述模型训练。图5示意性示出本公开示例性实施例中一种模型训练方法的流程示意图。参考图5所示,在每一次模型训练时,其过程包括:
步骤S501,将所述轨迹数据集划分为多个样本车辆的组合轨迹数据集;所述组合轨迹数据集包括样本车辆的轨迹段以及位于所述样本车辆位置周围的样本周围车辆的轨迹段;
步骤S502,对于一样本车辆的组合轨迹数据集,获取该样本车辆的真实轨迹,以及利用综合预测模型得到该样本车辆的预测轨迹;
步骤S503,根据所述真实轨迹和所述预测轨迹计算该样本车辆的损失函数,以根据各样本车辆的所述损失函数得到所述轨迹数据集的综合损失函数;
步骤S504,利用所述综合损失函数调整所述综合预测模型的模型参数以进行所述模型训练。
具体地,在步骤S501中,将轨迹数据集中的每一条车辆轨迹视为一辆样本车辆Ve的轨迹,对于该样本车辆Ve,考虑位于样本车辆周围的周围车辆的轨迹,将这些车辆的轨迹作为一组样本车辆的组合轨迹数据集,作为单次模型训练的数据基础。
在步骤S502中,所述对于一样本车辆的组合轨迹数据集,获取该样本车辆的真实轨迹,以及预测得到该样本车辆的预测轨迹,包括:将一样本车辆的组合轨迹数据集划分为训练数据集和验证数据集;基于所述训练数据集利用综合预测模型进行模型预测得到所述样本车辆的预测轨迹;以及根据所述验证数据集获取所述样本车辆的真实轨迹。
其中,将样本车辆的组合轨迹数据集中的一部分用于预测得到预测轨迹,另一份使用真实轨迹作为监督用于模型验证,因此将其划分为训练数据集和验证数据集,例如80%的数据作为训练数据集,其余为验证数据集。
在获取预测轨迹时,与前述方法中使用综合预测模型的过程类似,首先基于训练数据集获取用于模型训练样本车辆和样本车辆周围的周围车辆的历史轨迹,之后得到初始预测轨迹并进行修正最终得到预测轨迹,以位移序列表示为
在步骤S503中,以最小化真实轨迹yt和预测轨迹之间的偏差来进行模型参数的调整。具体地,步骤S503中计算样本车辆的损失函数包括:根据所述真实轨迹和所述预测轨迹计算该样本车辆的车辆横向误差和车辆纵向误差;基于所述车辆横向误差和所述车辆纵向误差,以及预设的横向误差权重和纵向误差误差权重计算该样本车辆的损失函数。
在实际的车辆行驶过程中,车辆在直行车道中横向运动的幅度是远远小于纵向运动的,因此可以放大横向误差在总损失函数中的作用,例如a取10,b取1,或者根据需求自主设定。
对于一批(batch)轨迹数据集,包含多个轨迹,即多个样本车辆Ve的组合数据集,那么总体的综合损失函数为:
其中,Nb轨迹数据集中包含的轨迹总数,losse为各样本车辆Ve的MSE损失函数。
在步骤S504中,所有参数均采用随机初始化,训练过程中采用50%的dropout以抑制过拟合。我们采用ADAM优化器优化loss总。在单独训练Cs(Ci)模型和Ii的两个阶段采用0.001的初始学习率训练20k个迭代循环,在联合训练阶段训练5k个迭代循环。
需要说明的是,构建的Cs(Ci)和Ii都为长短期记忆网络(Long Short-TermMemory,LSTM),在个体LSTM子结构的设计上也做出了一些改进。由于每个LSTM个体建模(包括轨迹预测或轨迹修正)都是长期预测,当我们沿着时间维度观测LSTM的计算过程时,将看到一个很深的神经网络,这使得LSTM在反向传播过程中可能遇到梯度消失问题。尽管LSTM的门机制可以在一定程度上抑制梯度消失,但仍希望引入一些更显式的改进来解决上述问题,并加速收敛。
图6示意性示出本公开示例性实施例中一种改进的模型结构示意图。参考图6所示,在基本的LSTM中引入的显式的shortcut连接。具体而言,在LSTM cell的层次之间引入通路,这种连接使得早期的信息可以历经更短的通路被叠加到后续的层次,学习的对象从轨迹序列变为了类似残差的序列,在反向传播过程中可以更有效地避免梯度消失。在构建每一个具体的LSTM子结构时,我们需要确定两个基本参数,即每个LSTM层中序列的长度n与总LSTM层数m。
基于上述模型训练方法,采用分步的训练过程,能够确保各LSTM模块所学到的知识与我们预设定的语义相符,各子结构都能得到较充分的训练,且能保证训练方向的大致正确,避免端到端训练过大网络时部分参数可能向错误的方向学习。
在本公开的一个实施例中,为了更直观地展示耦合时序规律与空间交互影响的LSTM模型的预测结果,从测试集中随机选择了一段目标车辆执行换道的轨迹,观察整个换道过程的轨迹预测,并将对应的预测结果进行绘制。
图7(a)、图7(b)、图7(c)、图7(d)、图7(e)、图7(f)分别示意性示出本公开示例性实施例中的预测结果的示意图。其中,图7(a)表示T=0s时刻的考虑目标车辆的4辆周围车辆的初始轨迹预测结果和最终轨迹预测结果的预测结果对比,类似地,图7(b)表示T=0.5s时刻的预测结果,图7(c)表示T=1s时刻的预测结果,图7(d)表示T=1.5s时刻的预测结果,图7(e)表示T=2s时刻的预测结果,图7(f)表示T=4s时刻的预测结果。
其中,横轴表示各车辆在道路坐标系下的纵向坐标,纵轴则表示横向坐标,实线表示车辆的历史轨迹,宽虚线表示车辆的初始预测轨迹,细虚线表示车辆经过修正后的最终预测轨迹。
本公开提供的车辆轨迹预测模型同时耦合时序和空间交互信息,构建一个端到端的、综合考虑两类信息的综合预测模型根据先验知识,使用强信息(时序信息)做预估,使用弱信息(空间交互信息)做修正,从而显式地实现了两类信息的分等级处理,增强了轨迹预测过程的可解释性。同时设计了基于动态权重的轨迹修正序列叠加算法,允许通过评估各周车与目标车辆之间的安全风险(影响程度高低),动态地为各周车赋予不同的关注度,从而因地制宜地运用各种信息。
图8示意性示出本公开示例性实施例中一种车辆轨迹预测装置的组成示意图,如图8所示,该车辆轨迹预测装置800可以包括获取模块801、预测模块802、计算模块803以及修正模块804。其中:
获取模块801,用于获取目标车辆的历史轨迹,以及位于所述目标车辆位置周围的周围车辆的历史轨迹;
预测模块802,用于基于所述目标车辆和所述周围车辆的历史轨迹分别进行轨迹预测,得到所述目标车辆和所述周围车辆的初始预测轨迹;
计算模块803,用于根据所述目标车辆和所述周围车辆的初始预测轨迹计算所述周围车辆相对于所述目标车辆的轨迹修正量;
修正模块804,用于基于所述周围车辆的轨迹修正量对所述目标车辆的初始预测轨迹进行修正以得到所述目标车辆的最终预测轨迹。
根据本公开的示例性实施例,所述预测模块802用于将所述目标车辆和所述周围车辆的历史轨迹输入预先训练完成的综合预测模型;利用所述综合预测模型中所述目标车辆对应的轨迹预测子模型得到所述目标车辆的初始预测轨迹;以及利用所述综合预测模型中与所述周围车辆对应的轨迹预测子模型得到所述周围车辆的初始预测轨迹。
根据本公开的示例性实施例,所述预测模块802还用于在所述周围车辆包括多辆时,获取所述周围车辆相对于所述目标车辆的方位信息;基于所述方位信息确定与所述周围车辆对应的轨迹预测子模型。
根据本公开的示例性实施例,所述计算模块803用于将所述目标车辆和所述周围车辆的初始预测轨迹输入预先训练完成的综合预测模型;利用所述综合预测模型中与所述周围车辆对应的轨迹影响预测子模型得到所述周围车辆相对于所述目标车辆的轨迹修正量。
根据本公开的示例性实施例,所述计算模块803还用于在所述周围车辆包括多辆时,所述方法还包括:获取所述周围车辆相对于所述目标车辆的方位信息;基于所述方位信息确定与所述周围车辆对应的轨迹影响预测子模型。
根据本公开的示例性实施例,所述修正模块804用于基于所述目标车辆和所述周围车辆的历史轨迹计算所述周围车辆的所述修正权重;将所述周围车辆的所述轨迹修正量和所述修正权重相乘得到所述周围车辆的加权修正量;将所述目标车辆的初始预测轨迹与所述加权修正量相加得到所述目标车辆的最终预测轨迹。
根据本公开的示例性实施例,车辆轨迹预测装置800还包括训练模块,所述训练模块用于训练所述综合预测模型,包括数据集单元、轨迹预测子模型单元、轨迹影响预测子模型单元和综合预测模型单元;所述数据集单元用于获取轨迹数据集;其中,所述轨迹数据集包括多辆车辆的轨迹段,所述轨迹段包括多个轨迹点;所述轨迹预测子模型单元用于利用所述轨迹数据集进行模型训练得到训练完成的轨迹预测子模型;所述轨迹影响预测子模型单元用于基于训练完成的所述轨迹预测子模型利用所述轨迹数据集进行模型训练,得到训练完成的轨迹影响预测子模型;所述综合预测模型单元用于根据训练完成的所述轨迹预测子模型和所述轨迹影响预测子模型进行模型训练,得到训练完成的所述综合预测模型。
根据本公开的示例性实施例,所述数据集单元还用于读取公路行车数据;对所述公路行车数据进行均衡采样得到换道类型均衡的均衡数据集;对所述均衡数据集中各所述轨迹段分别进行裁剪得到目标数量个轨迹点,以得到所述轨迹数据集。
根据本公开的示例性实施例,所述训练模块还用于计算综合损失函数以进行所述模型训练,包括:将所述轨迹数据集划分为多个样本车辆的组合轨迹数据集;所述组合轨迹数据集包括样本车辆的轨迹段以及位于所述样本车辆位置周围的样本周围车辆的轨迹段;对于一样本车辆的组合轨迹数据集,获取该样本车辆的真实轨迹,以及利用综合预测模型得到该样本车辆的预测轨迹;根据所述真实轨迹和所述预测轨迹计算该样本车辆的损失函数,以根据各样本车辆的所述损失函数得到所述轨迹数据集的综合损失函数;利用所述综合损失函数调整所述综合预测模型的模型参数以进行所述模型训练。
根据本公开的示例性实施例,所述训练模块还用于将一样本车辆的组合轨迹数据集划分为训练数据集和验证数据集;基于所述训练数据集利用综合预测模型进行模型预测得到所述样本车辆的预测轨迹;以及根据所述验证数据集获取所述样本车辆的真实轨迹。
根据本公开的示例性实施例,所述训练模块还用于根据所述真实轨迹和所述预测轨迹计算该样本车辆的车辆横向误差和车辆纵向误差;基于所述车辆横向误差和所述车辆纵向误差,以及预设的横向误差权重和纵向误差误差权重计算该样本车辆的损失函数。
上述的车辆轨迹预测装置800中各模块的具体细节已经在对应的车辆轨迹预测方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的存储介质。图9示意性示出本公开示例性实施例中一种计算机可读存储介质的示意图,如图9所示,描述了根据本公开的实施方式的用于实现上述方法的程序产品900,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如手机上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。图10示意性示出本公开示例性实施例中一种电子设备的计算机系统的结构示意图。
需要说明的是,图10示出的电子设备的计算机系统1000仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示,计算机系统1000包括中央处理单元(Central Processing Unit,CPU)1001,其可以根据存储在只读存储器(Read-Only Memory,ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(Random Access Memory,RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中,还存储有系统操作所需的各种程序和数据。CPU1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(Input/Output,I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005:包括键盘、鼠标等的输入部分1006;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分1007;包括硬盘等的存储部分1008;以及包括诸如LAN(Local AreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1010上,以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
特别地,根据本公开的实施例,下文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1009从网络上被下载和安装,和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时,执行本公开的系统中限定的各种功能。
需要说明的是,本公开实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本公开还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现上述实施例中所述的方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (14)
1.一种车辆轨迹预测方法,其特征在于,包括:
获取目标车辆的历史轨迹,以及位于所述目标车辆位置周围的周围车辆的历史轨迹;
基于所述目标车辆和所述周围车辆的历史轨迹分别进行轨迹预测,得到所述目标车辆和所述周围车辆的初始预测轨迹;
根据所述目标车辆和所述周围车辆的初始预测轨迹计算所述周围车辆相对于所述目标车辆的轨迹修正量;
基于所述周围车辆的轨迹修正量对所述目标车辆的初始预测轨迹进行修正以得到所述目标车辆的最终预测轨迹。
2.根据权利要求1所述的车辆轨迹预测方法,其特征在于,所述基于所述目标车辆和所述周围车辆的历史轨迹分别进行轨迹预测,得到所述目标车辆和所述周围车辆的初始预测轨迹,包括:
将所述目标车辆和所述周围车辆的历史轨迹输入预先训练完成的综合预测模型;
利用所述综合预测模型中所述目标车辆对应的轨迹预测子模型得到所述目标车辆的初始预测轨迹;以及
利用所述综合预测模型中与所述周围车辆对应的轨迹预测子模型得到所述周围车辆的初始预测轨迹。
3.根据权利要求2所述的车辆轨迹预测方法,其特征在于,在所述周围车辆包括多辆时,所述方法还包括:
获取所述周围车辆相对于所述目标车辆的方位信息;
基于所述方位信息确定与所述周围车辆对应的轨迹预测子模型。
4.根据权利要求1所述的车辆轨迹预测方法,其特征在于,所述根据所述目标车辆和所述周围车辆的初始预测轨迹计算所述周围车辆相对于所述目标车辆的轨迹修正量,包括:
将所述目标车辆和所述周围车辆的初始预测轨迹输入预先训练完成的综合预测模型;
利用所述综合预测模型中与所述周围车辆对应的轨迹影响预测子模型得到所述周围车辆相对于所述目标车辆的轨迹修正量。
5.根据权利要求4所述的车辆轨迹预测方法,其特征在于,在所述周围车辆包括多辆时,所述方法还包括:
获取所述周围车辆相对于所述目标车辆的方位信息;
基于所述方位信息确定与所述周围车辆对应的轨迹影响预测子模型。
6.根据权利要求1所述的车辆轨迹预测方法,其特征在于,所述基于所述周围车辆的轨迹修正量对所述目标车辆的初始预测轨迹进行修正以得到所述目标车辆的最终预测轨迹,包括:
基于所述目标车辆和所述周围车辆的历史轨迹计算所述周围车辆的所述修正权重;
将所述周围车辆的所述轨迹修正量和所述修正权重相乘得到所述周围车辆的加权修正量;
将所述目标车辆的初始预测轨迹与所述加权修正量相加得到所述目标车辆的最终预测轨迹。
7.根据权利要求2或4所述的车辆轨迹预测方法,其特征在于,所述方法还包括训练所述综合预测模型,所述训练所述综合预测模型包括:
获取轨迹数据集;其中,所述轨迹数据集包括多辆车辆的轨迹段,所述轨迹段包括多个轨迹点;
利用所述轨迹数据集进行模型训练得到训练完成的轨迹预测子模型;
基于训练完成的所述轨迹预测子模型利用所述轨迹数据集进行模型训练,得到训练完成的轨迹影响预测子模型;
根据训练完成的所述轨迹预测子模型和所述轨迹影响预测子模型进行模型训练,得到训练完成的所述综合预测模型。
8.根据权利要求7所述的车辆轨迹预测方法,其特征在于,所述获取所述轨迹数据集,包括:
读取公路行车数据;
对所述公路行车数据进行均衡采样得到换道类型均衡的均衡数据集;
对所述均衡数据集中各所述轨迹段分别进行裁剪得到目标数量个轨迹点,以得到所述轨迹数据集。
9.根据权利要求7所述的车辆轨迹预测方法,其特征在于,所述方法还包括:计算综合损失函数以进行所述模型训练,所述计算综合损失函数以进行所述模型训练,包括:
将所述轨迹数据集划分为多个样本车辆的组合轨迹数据集;所述组合轨迹数据集包括样本车辆的轨迹段以及位于所述样本车辆位置周围的样本周围车辆的轨迹段;
对于一样本车辆的组合轨迹数据集,获取该样本车辆的真实轨迹,以及利用综合预测模型得到该样本车辆的预测轨迹;
根据所述真实轨迹和所述预测轨迹计算该样本车辆的损失函数,以根据各样本车辆的所述损失函数得到所述轨迹数据集的综合损失函数;
利用所述综合损失函数调整所述综合预测模型的模型参数以进行所述模型训练。
10.根据权利要求9所述的车辆轨迹预测方法,其特征在于,所述对于一样本车辆的组合轨迹数据集,获取该样本车辆的真实轨迹,以及利用综合预测模型得到该样本车辆的预测轨迹,包括:
将一样本车辆的组合轨迹数据集划分为训练数据集和验证数据集;
基于所述训练数据集利用综合预测模型进行模型预测得到所述样本车辆的预测轨迹;以及
根据所述验证数据集获取所述样本车辆的真实轨迹。
11.根据权利要求9所述的车辆轨迹预测方法,其特征在于,所述根据所述真实轨迹和所述预测轨迹计算该样本车辆的损失函数,包括:
根据所述真实轨迹和所述预测轨迹计算该样本车辆的车辆横向误差和车辆纵向误差;
基于所述车辆横向误差和所述车辆纵向误差,以及预设的横向误差权重和纵向误差误差权重计算该样本车辆的损失函数。
12.一种车辆轨迹预测装置,其特征在于,包括:
获取模块,用于获取目标车辆的历史轨迹,以及位于所述目标车辆位置周围的周围车辆的历史轨迹;
预测模块,用于基于所述目标车辆和所述周围车辆的历史轨迹分别进行轨迹预测,得到所述目标车辆和所述周围车辆的初始预测轨迹;
计算模块,用于根据所述目标车辆和所述周围车辆的初始预测轨迹计算所述周围车辆相对于所述目标车辆的轨迹修正量;
修正模块,用于基于所述周围车辆的轨迹修正量对所述目标车辆的初始预测轨迹进行修正以得到所述目标车辆的最终预测轨迹。
13.一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如权利要求1至11任一项所述的车辆轨迹预测方法。
14.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至11任一项所述的车辆轨迹预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111295334.2A CN114004406A (zh) | 2021-11-03 | 2021-11-03 | 车辆轨迹预测方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111295334.2A CN114004406A (zh) | 2021-11-03 | 2021-11-03 | 车辆轨迹预测方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114004406A true CN114004406A (zh) | 2022-02-01 |
Family
ID=79926861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111295334.2A Pending CN114004406A (zh) | 2021-11-03 | 2021-11-03 | 车辆轨迹预测方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004406A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115342817A (zh) * | 2022-10-20 | 2022-11-15 | 北京理工大学 | 无人履带车辆轨迹跟踪状态监测方法、系统、设备、介质 |
-
2021
- 2021-11-03 CN CN202111295334.2A patent/CN114004406A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115342817A (zh) * | 2022-10-20 | 2022-11-15 | 北京理工大学 | 无人履带车辆轨迹跟踪状态监测方法、系统、设备、介质 |
CN115342817B (zh) * | 2022-10-20 | 2023-02-03 | 北京理工大学 | 无人履带车辆轨迹跟踪状态监测方法、系统、设备、介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dai et al. | Modeling vehicle interactions via modified LSTM models for trajectory prediction | |
Teng et al. | Motion planning for autonomous driving: The state of the art and future perspectives | |
US20220105961A1 (en) | Method for automatic control of vehicle and method for training lane change intention prediction network | |
You et al. | Advanced planning for autonomous vehicles using reinforcement learning and deep inverse reinforcement learning | |
Liu et al. | A novel lane change decision-making model of autonomous vehicle based on support vector machine | |
CN112099496B (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
Altché et al. | An LSTM network for highway trajectory prediction | |
WO2020243162A1 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
Wang et al. | Modeling and field experiments on autonomous vehicle lane changing with surrounding human‐driven vehicles | |
JP2021515724A (ja) | 自動運転車において3dcnnネットワークを用いてソリューション推断を行うlidar測位 | |
CN114212110B (zh) | 障碍物轨迹预测方法、装置、电子设备及存储介质 | |
CN111709517A (zh) | 一种基于置信度预测系统的冗余融合定位增强的方法和装置 | |
CN114846425A (zh) | 移动机器人的预测和规划 | |
WO2023082726A1 (zh) | 换道策略生成方法和装置、计算机存储介质、电子设备 | |
Song et al. | Multi-vehicle tracking with microscopic traffic flow model-based particle filtering | |
CN111707258B (zh) | 一种外部车辆监测方法、装置、设备及存储介质 | |
Rojas et al. | Performance evaluation of an autonomous vehicle using resilience engineering | |
CN114004406A (zh) | 车辆轨迹预测方法、装置、存储介质及电子设备 | |
EP3924901A1 (en) | Trajectory prediction using deep learning multiple predictor fusion and bayesian optimization | |
Wei et al. | Controllable probability-limited and learning-based human-like vehicle behavior and trajectory generation for autonomous driving testing in highway scenario | |
Saha et al. | Practical self-driving cars: Survey of the state-of-the-art | |
Garlick et al. | Real-time optimal trajectory planning for autonomous vehicles and lap time simulation using machine learning | |
Gong et al. | Intuitive decision-making modeling for self-driving vehicles | |
Khanum et al. | Involvement of Deep Learning for Vision Sensor-Based Autonomous Driving Control: A Review | |
Huang et al. | Risk generation and identification of driver–vehicle–road microtraffic system |
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 |