CN114170789A - 基于时空图神经网络的智能网联车换道决策建模方法 - Google Patents

基于时空图神经网络的智能网联车换道决策建模方法 Download PDF

Info

Publication number
CN114170789A
CN114170789A CN202111222534.5A CN202111222534A CN114170789A CN 114170789 A CN114170789 A CN 114170789A CN 202111222534 A CN202111222534 A CN 202111222534A CN 114170789 A CN114170789 A CN 114170789A
Authority
CN
China
Prior art keywords
vehicle
data
space
lane change
model
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
CN202111222534.5A
Other languages
English (en)
Other versions
CN114170789B (zh
Inventor
何赏璐
罗开杰
叶茂
郭孝洁
詹毓超
朱吕恺
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202111222534.5A priority Critical patent/CN114170789B/zh
Publication of CN114170789A publication Critical patent/CN114170789A/zh
Application granted granted Critical
Publication of CN114170789B publication Critical patent/CN114170789B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/045—Combinations of networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于时空图神经网络的智能网联车换道决策建模方法,属于智能网联汽车控制技术领域，包括步骤获取车辆轨迹与运动参数的历史数据并生成特征向量；构建关联车辆的图结构并生成与图结构对应的图数据；构建时空图神经网络模型；对时空图神经网络模型进行训练和优化；利用模型进行实际换道决策。本发明引入图注意力单元，使得在车辆进行换道决策时，能够着重关注空间上对换道决策有重大影响的周围车辆状态，降低对其他非重要车辆的关注；同时引入门控循环单元，在车辆进行换道决策时，丢弃时间上重复且非重要信息数据，根据重要信息数据进行决策，从而有效提升决策效率。

Description

基于时空图神经网络的智能网联车换道决策建模方法
技术领域
本发明涉及一种基于时空图神经网络的智能网联车换道决策建模方法，属于智能网联汽车控制技术领域。
背景技术
车辆换道行为是车辆的基础行为之一，也是交通流领域的重要研究内容，换道行为会使交通流产生扰动，不合适的换道行为也会导致诸如路段车速下降、通行能力降低、拥堵甚至交通事故等不良影响，构建换道决策模型可以还原换道行为，量化其影响，为车辆控制提供依据。
换道决策模型研究初期主要是以还原换道行为目的或为交通流仿真提供支持，方法以规则模型为主，但规则模型存在参数标定难、环境简化、适应性差和难以求解等缺点；
近期研究主要是为车辆辅助驾驶系统提供支持，方法以规则模型和人工智能模型为主，人工智能模型存在解释性差的问题，且对数据要求较高。
此外，现有换道决策模型主要针对人工驾驶车辆，部分针对智能网联车的换道决策模型虽然可以体现车辆智能化特征却难以体现网联化特征，现有研究难以符合日益发展的车辆智能网联化现状。
智能网联车正处于发展阶段，车辆的自动驾驶水平大体处于L2级，存在以下问题：
现阶段智能网联车的跟驰模型研究较为成熟，而智能网联车换道模型的研究以及实践仍处于探索阶段。现行的智能网联车换道模型无法考虑目标车辆与环境关系的动态性，基于数据驱动的智能网联车换道模型大多无法区分决策中的重要信息和非重要信息，这难以满足实践要求。
现有针对宏观路网层面使用图神经网络的研究较多，但针对微观车辆层面的运用则较少，且基于图神经网络的智能网联车换道决策模型也较少。现有模型待决策车辆在决策过程中无法考虑周围多车辆均对换道决策产生影响的问题和无法考量各周围车辆对目标车辆决策的影响程度。
发明内容
为了解决上述技术问题，本发明提供一种基于时空图神经网络的智能网联车换道决策建模方法，其具体技术方案如下：
一种基于时空图神经网络的智能网联车换道决策建模方法，包括以下步骤：
步骤1：获取车辆轨迹与运动参数的历史数据，并根据车辆轨迹与运动参数的历史数据生成车辆特征向量，所述车辆特征向量表示目标车辆当前时刻特征；
步骤2：构建关联车辆的图结构并生成与图结构对应的图数据
步骤2.1：将某一时刻目标车辆以及相邻车道LaneN,T上与其有直接联系的M辆周围车辆作为图结构中的节点，目标车辆与M辆车的联系作为图结构的边，将此图结构记为GN,T。
步骤2.2：将步骤1中获取的历史数据进行处理，生成与图结构对应的图数据；
步骤2.3：分割数据集：将原始车辆历史轨迹数据处理为车辆时空图结构数据后，将数据根据车辆编号N随机打乱，并以一定比例将其划分为训练数据集TrainingSet、验证数据集 ValidationSet和测试数据集TestSet；
步骤3：构建时空图神经网络模型，所述时空图神经网络模型包括输入层、输出层和两个隐藏层，所述两个隐藏层分别为图注意力层和门控循环单元层；
步骤4：对时空图神经网络模型进行训练和优化
步骤4.1：模型参数初始化，所述模型参数包括隐藏状态h0，可学习权重ω，偏置项b，时空图神经单元中的激活函数am以及模型每一层神经元个数；
步骤4.2：利用训练数据集TrainingSet对换道决策模型进行训练；
步骤4.3：对换道决策模型进行优化；
步骤4.4：使用测试数据集TestSet对换道决策模型进行性能测试；
步骤5：向时空图神经网络模型输入车辆实时的轨迹与运动参数，输出换道决策结果
Figure RE-GDA0003499058130000021
进一步的，所述车辆轨迹与运动参数包括目标车辆的车辆编号N、车道编号LaneN,T、时间 T、车辆坐标、速度VN,T、加速度AN,T、车辆长度LN、车辆宽度WN、车辆朝向ON,T和车辆状态 LabelN,T，所述车辆坐标包括横向距离XN,T和纵向距离YN,T，所述车辆朝向为当前时刻车辆中心点坐标与下一时刻车辆中心点坐标连线与水平线夹角，所述车辆状态LabelN,T表示车辆是否正在进行换道，即换道状态标记为1，跟驰状态标记为0。
进一步的，所述车辆特征向量通过目标车辆当前时刻除车辆编号N、时间T与车辆状态 LabelN,T的其它数据集合而成，记为FN,T＝[LaneN,T,XN,T,YN,T,VN,T,AN,T,LN,WN,ON,T]。
进一步的，所述图数据包括边数据EN,T、边属性数据EFN,T、节点标签数据NLN,T、节点位置数据NPN,T和节点属性数据NFN,T，车辆的时空图结构数据表示为上述图数据的集合，即GFN,T＝[EN,T,EFN,T,NLN,T,NPN,T,NFN,T]。
进一步的，所述步骤2.2的具体过程为：
步骤2.2.1：生成边数据：以车辆编号对的形式表示车辆之间有直接联系，以点对的形式表示两节点之间的边，所述图结构是无向的，两个节点之间的边通过两个数值位置对换的点对表示，所述数值为车辆编号N，所述图的边数据表示为中心节点与周围节点的点对集合，即 EN,T＝[(i,j),(j,i),…]；
步骤2.2.2：生成边属性数据：所述边属性数据为碰撞时间TTC，目标车辆i与周围车辆j 的碰撞时间TTC计算公式如下：：
Figure RE-GDA0003499058130000031
图的边属性数据表示为中心节点与周围节点之间碰撞时间TTC值的集合，即 EFN,T＝[TTCi,j,…]；
步骤2.2.3：生成节点标签数据：所述节点标签为车辆状态LabelN,T，图的节点标签数据表示为所有节点标签的集合，即NLN,T＝[lablei,lablej,…](i＜j)；
步骤2.2.4：生成节点位置数据：所述节点位置为当前时刻车辆坐标，所述车辆坐标为包含横向位置和纵向位置的点对(xi,t,yi,t)，图的节点位置数据表示为所有车辆坐标的集合，即 NPN,T＝[(xi,yi),(xj,yj),…](i＜j)；
步骤2.2.5：生成节点属性数据：所述节点属性为车辆特征，图的节点属性数据表示为当前时刻图中所有车辆特征向量的集合，即
NFN,T＝[(Lanei,xi,yi,vi,ai,li,wi,oi),(Lanej,xj,yj,vj,aj,lj,wj,oj),…](i＜j)。
6、进一步的，所述步骤3的具体过程为：
步骤3.1：构建模型输入层：将当前时刻图中所有节点属性按照编号大小顺序拼接起来作为输入向量，向量中的每一个数据对应输入层的一个神经元数值；
步骤3.2：将输入层向量输入隐藏层的图注意力层，以经过图注意力单元加权运算后的目标车辆隐藏特征ft'作为输出，计算公式如下：
Figure RE-GDA0003499058130000041
其中eij为注意力系数，αij为softmax归一化后的概率分布，ft′为图注意力单元加权运算后的目标车辆隐藏特征，am为第m个激活函数，ω为可学习权重，fi为目标车辆特征，fj为周围车辆特征，Ni是节点i包含自身的所有相邻节点集合。因为目标车辆存在自环，因此存在i＝j；
步骤3.3：将图注意力加权运算后的目标车辆隐藏特征ft'输入隐藏层的门控循环单元层，以经过门控循环单元加权运算后的隐藏状态ht作为输出，计算公式如下：
Figure RE-GDA0003499058130000042
其中zt为更新门，rt为重置门，
Figure RE-GDA0003499058130000043
为更新隐藏状态，ht为门控循环单元加权运算后的隐藏状态，ht-1为上一时刻门控循环单元加权运算后的隐藏状态，σ为激活函数sigmoid，tanh为激活函数tanh，ω为可学习权重，ft′为图注意力单元加权运算后的目标车辆隐藏特征；
步骤3.4：模型输出：将门控循环单元层加权运算后的隐藏状态ht作为输出层输入，通过一个全连接层，再通过激活函数sigmoid归一化，得到换道概率，再通过round函数得到最终的0-1换道决策值
Figure RE-GDA0003499058130000044
7、进一步的，所述步骤4.2的具体过程为：
步骤4.2.1：初始化模型参数，所述模型参数包括隐藏状态h0，可学习权重ω，偏置项b，时空图神经单元中的激活函数am以及模型每一层神经元个数；
步骤4.2.2：前向传播计算：向模型输入训练数据集中的节点特征数据NFN,T＝[nf1,…,nft]，预训练到时刻t，根据公式：
Figure RE-GDA0003499058130000051
得到t时刻的隐藏状态ht，其中zt为更新门，rt为重置门，
Figure RE-GDA0003499058130000052
为更新隐藏状态，ht为门控循环单元加权运算后的隐藏状态，ht-1为上一时刻门控循环单元加权运算后的隐藏状态，σ为激活函数sigmoid，tanh为激活函数tanh，ω为可学习权重，ft′为图注意力单元加权运算后的目标车辆隐藏特征，
将ht和t+1时刻的节点特征数据nft+1输入下一时空神经单元，输出t+1时刻ht+1，经过一个全连接层和激活函数sigmoid，得到输出
Figure RE-GDA0003499058130000053
步骤4.2.3：反向传播计算：确定交叉熵损失函数，反向计算每一个神经单元的误差项，所述交叉熵损失函数的计算公式为：
Figure RE-GDA0003499058130000054
步骤4.2.4：更新隐藏层可学习权重：根据反向传播计算得到的误差项，计算每个权重的梯度，同步进行梯度检验，并使用梯度下降法来更新隐藏层可学习权重；
步骤4.2.5：结束模型训练：当前向传播计算误差值趋于收敛或者跑完所有训练集数据，得到时空图神经网络模型所有参数值，结束模型训练。
进一步的，所述训练数据集TrainingSet用于训练时空图神经网络模型，寻找满足目标函数最优值的参数；
所述验证数据集ValidationSet用于验证训练数据集训练得到的时空图神经网络模型的准确性，以此为依据优化时空图神经网络算法；
所述测试数据集TestSet用于验证最终确定的时空图神经网络模型的性能。
本发明的有益效果是：
1.本发明考虑到了车辆进行换道决策时，周围车辆状态信息对待决策车辆的影响，以及待决策车辆与周围车辆状态的时空变化性；
2.本发明引入了门控循环单元，在车辆进行换道决策时，丢弃时间上重复且非重要信息数据，根据重要信息数据进行决策，从而有效提升决策效率；
3.本发明引入了图注意力单元，使得在车辆进行换道决策时，能够着重关注空间上对换道决策有重大影响的周围车辆状态，降低对其他非重要车辆的关注。
4.本发明模拟了人类驾驶员的换道决策行为过程，可以得到更为合理的换道决策，为后续研究车辆行为对交通流影响提供支持，并为降低道路资源浪费、提升道路通行能力、减少交通事故隐患提供了帮助。
附图说明
图1是本发明实施例的智能网联车换道决策整体流程图，
图2是本发明实施例的道路与车辆关系示意图，
图3是本发明时空图神经网络模型示意图，
图4是本发明时空图神经网络单元内部结构示意图，
图5是本发明时空图神经网络数据流示意图，
图6是本发明实施例的时空图神经网络模型生成流程图，
图7是本发明多头注意力时空图神经网络单元内部结构示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示，本发明的基于时空图神经网络的智能网联车换道决策建模方法，具体步骤如下：
步骤1：获取车辆和道路的实测数据
定义需要研究的道路区域为观测区域，如图2所示，以车辆4为例，实时采集车辆的车道编号LaneN,T、横向距离XN,T、纵向距离YN,T、速度VN,T、加速度AN,T、车辆长度LN和车辆宽度WN，并计算车辆朝向ON,T，人工标定车辆状态LabelN,T，如下表1所示，
车辆朝向ON,T计算公式如下：
Figure RE-GDA0003499058130000071
Figure RE-GDA0003499058130000072
表1车辆4实测数据示例表
步骤2：构建车辆4关联车辆的图结构，并将实测数据处理为图数据
如图2所示，以车辆4为目标车辆，车辆4所在车道有两条相邻车道，3条车道内均有两辆车与车辆4保持前后关系且有直接联系，即与目标车辆关联车辆数M＝6。车辆4与车辆1、车辆2、车辆3、车辆6、车辆7和车辆8有直接联系，以车辆4为中心节点，其他直接联系车辆为周围节点，它们的直接联系为边构建图结构，并生成图结构数据 GFN,T＝[EN,T,EFN,T,NLN,T,NPN,T,NFN,T]，包括边数据EN,T，边属性数据EFN,T，节点标签数据NLN,T，节点位置数据NPN,T和节点属性数据NFN,T，如下表2所示，
边数据 [(1,4),(4,1),(2,4),(4,2),(3,4),(4,3),(6,4),(4,6),(7,4),(4,7),(8,4),(4,8)]
边属性数据 [ttc<sub>1,4</sub>,ttc<sub>2,4</sub>,ttc<sub>3,4</sub>,ttc<sub>4,6</sub>,ttc<sub>4,7</sub>,ttc<sub>4,8</sub>]
节点标签数据 [label<sub>1</sub>,label<sub>2</sub>,label<sub>3</sub>,label<sub>4</sub>,label<sub>6</sub>,label<sub>7</sub>,label<sub>8</sub>]
节点位置数据 [(x<sub>1</sub>,y<sub>1</sub>),(x<sub>2</sub>,y<sub>2</sub>),(x<sub>3</sub>,y<sub>3</sub>),(x<sub>4</sub>,y<sub>4</sub>),(x<sub>6</sub>,y<sub>6</sub>),(x<sub>7</sub>,y<sub>7</sub>),(x<sub>8</sub>,y<sub>8</sub>)]
节点属性数据 [f<sub>1</sub>,f<sub>2</sub>,f<sub>3</sub>,f<sub>4</sub>,f<sub>6</sub>,f<sub>7</sub>,f<sub>8</sub>]
表2 t时刻车辆4图结构数据示例表
步骤3：构建时空图神经网络
如图3所示为本发明实施例的时空图神经网络模型，包括两个隐藏层，隐藏层1为图注意力层GAT，隐藏层2为门控循环单元层GRU，网络以循环神经网络RNN为基础，将基本单元替换为门控循环单元与图注意力单元结合单元，记为时空图神经单元，内部结构如图4所示。
首先对模型进行t个时刻的预训练，得到隐藏状态ht，与t+1时刻节点属性数据nft+1作为下一时空图神经单元输入，生成隐藏状态ht+1后通过一个全连接层与sigmoid激活函数输出结果
Figure RE-GDA0003499058130000081
并循环向下得到后续每一个时刻的输出，其中n为车辆编号。
时空图神经网络数据流如图5所示，步骤3具体过程如下：
步骤3.1：输入层数据为当前时刻所有车辆属性向量拼接成的向量[f1,f2,f3,f4,f6,f7,f8]，每个车辆属性向量有8个数据；
步骤3.2：隐藏层1首先通过输入层数据得到当前时刻每个节点所占注意力分数αij，再通过加权求和得到目标车辆隐藏特征ft'；
步骤3.3：将隐藏层1的输出与上一时刻隐藏层2输出的隐藏向量ht-1作拼接，将其输入隐藏层2，得到重置门向量rt，通过重置门更新隐藏状态得到向量
Figure RE-GDA0003499058130000082
再通过更新门向量zt、更新隐藏状态向量
Figure RE-GDA0003499058130000083
和上一时刻隐藏层2输出的隐藏向量ht-1的加权运算，得到隐藏层2的输出当前时刻隐藏状态ht；
步骤3.4：将隐藏层2输出通过一个全连接层，本发明实施例全连接层神经元取32个，再通过sigmoid对输出进行归一化，得到换道概率，最后使用round函数得到最终0-1换道决策变量
Figure RE-GDA0003499058130000084
步骤4：训练并完善时空图神经网络模型
本发明实施例时空图神经网络模型生成流程如图6所示，需经历模型初始化、前向传播计算、反向传播计算、误差与梯度计算、权重更新、模型性能验证与调参和模型性能测试，具体实施步骤如下：
步骤4.1：模型参数初始化
使用标准随机初始化方法，服从标准正态分布，初始化模型可学习权重ω、偏置b、梯度下降学习率ε和隐藏状态h0。图注意力单元中激活函数a1＝LeakyReLU(aT[ωfi‖ωfj])，a2＝sigmoid。
步骤4.2：模型训练
首先确定图注意力单元中的激活函数a1＝LeakyReLU(aT[ωfi‖ωfj])，a2＝sigmoid，如图4所示。fi表示待决策车辆特征，fj表示周围车辆特征，fk表示当前图结构中的车辆特征。
使用Ubiquitous Traffic Eyes数据集中的数据4，处理为图结构数据后作为模型前向传播计算输入，将数据集按照车辆编号打乱，再按照6：2：2的比例分为训练数据集、验证数据集和测试数据集。
首先进行t个时刻的预训练，t+1时刻开始输出
Figure RE-GDA0003499058130000091
再使用交叉熵损失函数计算总误差，计算公式如下：
Figure RE-GDA0003499058130000092
反向传播更新隐藏层可学习权重ω和偏置值b，使用Adam作为优化算法，Adam可以自适应学习率，增加收敛速度，
Figure RE-GDA0003499058130000093
重复这一过程直到交叉熵损失值趋于收敛或者运行完训练数据集中所有数据。
步骤4.3：模型优化：使用验证数据集ValidationSet对训练后的模型进行泛化能力的验证，调整超参数或模型结构，并重新训练模型，提高模型性能；
本发明实施例中引入多头图注意力机制，神经网络单元内部结构如图7所示，使用不同注意力算法计算注意力系数，即图注意力单元中使用不同的激活函数，如head1＝LeakyReLu， head2＝Maxout，head3＝tanh，再通过求和取平均得到最终的图注意力单元加权运算后的目标车辆隐藏特征ft'，多头注意力可以增加图注意力单元的鲁棒性。
步骤4.4：得到最终的基于时空图神经网络的智能网联车辆换道决策模型，并使用测试数据集TestSet对重新训练模型进行性能测试；
步骤5：车辆换道决策
将道路实测数据处理为图结构数据后，作为基于时空图神经网络的智能网联车辆换道决策模型输入，以t时刻模型输出
Figure RE-GDA0003499058130000094
值作为换道决策依据
Figure RE-GDA0003499058130000095
使用round函数，即如果
Figure RE-GDA0003499058130000096
则车辆换道，
Figure RE-GDA0003499058130000097
否则车辆不换道，
Figure RE-GDA0003499058130000098
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (7)

1.一种基于时空图神经网络的智能网联车换道决策建模方法，其特征在于：包括以下步骤：
步骤1：获取车辆轨迹与运动参数的历史数据，并根据车辆轨迹与运动参数的历史数据生成车辆特征向量，所述车辆特征向量表示目标车辆当前时刻特征；
步骤2：构建关联车辆的图结构并生成与图结构对应的图数据
步骤2.1：将某一时刻目标车辆以及相邻车道LaneN,T上与其有直接联系的M辆周围车辆作为图结构中的节点，目标车辆与M辆车的联系作为图结构的边，将此图结构记为GN,T。
步骤2.2：将步骤1中获取的历史数据进行处理，生成与图结构对应的图数据；
步骤2.3：分割数据集：将原始车辆历史轨迹数据处理为车辆时空图结构数据后，将数据根据车辆编号N随机打乱，并以一定比例将其划分为训练数据集TrainingSet、验证数据集ValidationSet和测试数据集TestSet；
步骤3：构建时空图神经网络模型，所述时空图神经网络模型包括输入层、输出层和两个隐藏层，所述两个隐藏层分别为图注意力层和门控循环单元层；
步骤4：对时空图神经网络模型进行训练和优化
步骤4.1：模型参数初始化，所述模型参数包括隐藏状态h0，可学习权重ω，偏置项b，时空图神经单元中的激活函数am以及模型每一层神经元个数；
步骤4.2：利用训练数据集TrainingSet对换道决策模型进行训练；
步骤4.3：对换道决策模型进行优化；
步骤4.4：使用测试数据集TestSet对换道决策模型进行性能测试；
步骤5：向时空图神经网络模型输入车辆实时的轨迹与运动参数，输出换道决策结果YN * ,T。
2.根据权利要求1所述的基于时空图神经网络的智能网联车换道决策建模方法，其特征在于：所述车辆轨迹与运动参数包括目标车辆的车辆编号N、车道编号LaneN,T、时间T、车辆坐标、速度VN,T、加速度AN,T、车辆长度LN、车辆宽度WN、车辆朝向ON,T和车辆状态LabelN,T，所述车辆坐标包括横向距离XN,T和纵向距离YN,T，所述车辆朝向为当前时刻车辆中心点坐标与下一时刻车辆中心点坐标连线与水平线夹角，所述车辆状态LabelN,T表示车辆是否正在进行换道，即换道状态标记为1，跟驰状态标记为0。
3.根据权利要求1所述的基于时空图神经网络的智能网联车换道决策建模方法，其特征在于：所述车辆特征向量通过目标车辆当前时刻除车辆编号N、时间T与车辆状态LabelN,T的其它数据集合而成，记为FN,T＝[LaneN,T,XN,T,YN,T,VN,T,AN,T,LN,WN,ON,T]。
4.根据权利要求1所述的基于时空图神经网络的智能网联车换道决策建模方法，其特征在于：所述图数据包括边数据EN,T、边属性数据EFN,T、节点标签数据NLN,T、节点位置数据NPN,T和节点属性数据NFN,T，车辆的时空图结构数据表示为上述图数据的集合，即GFN,T＝[EN,T,EFN,T,NLN,T,NPN,T,NFN,T]。
5.根据权利要求4所述的基于时空图神经网络的智能网联车换道决策建模方法，其特征在于：所述步骤2.2的具体过程为：
步骤2.2.1：生成边数据：以车辆编号对的形式表示车辆之间有直接联系，以点对的形式表示两节点之间的边，所述图结构是无向的，两个节点之间的边通过两个数值位置对换的点对表示，所述数值为车辆编号N，所述图的边数据表示为中心节点与周围节点的点对集合，即EN,T＝[(i,j),(j,i),…]；
步骤2.2.2：生成边属性数据：所述边属性数据为碰撞时间TTC，目标车辆i与周围车辆j的碰撞时间TTC计算公式如下：：
Figure RE-FDA0003499058120000021
图的边属性数据表示为中心节点与周围节点之间碰撞时间TTC值的集合，即EFN,T＝[TTCi,j,…]；
步骤2.2.3：生成节点标签数据：所述节点标签为车辆状态LabelN,T，图的节点标签数据表示为所有节点标签的集合，即NLN,T＝[labeli,labelj,…](i＜j)；
步骤2.2.4：生成节点位置数据：所述节点位置为当前时刻车辆坐标，所述车辆坐标为包含横向位置和纵向位置的点对(xi,t,yi,t)，图的节点位置数据表示为所有车辆坐标的集合，即NPN,T＝[(xi,yi),(xj,yj),…](i＜j)；
步骤2.2.5：生成节点属性数据：所述节点属性为车辆特征，图的节点属性数据表示为当前时刻图中所有车辆特征向量的集合，即
NFN,T＝[(Lanei,xi,yi,vi,ai,li,wi,oi),(Lanej,xj,yj,vj,aj,lj,wj,oj),…](i＜j)。
6.根据权利要求1所述的基于时空图神经网络的智能网联车换道决策建模方法，其特征在于：所述步骤3的具体过程为：
步骤3.1：构建模型输入层：将当前时刻图中所有节点属性按照编号大小顺序拼接起来作为输入向量，向量中的每一个数据对应输入层的一个神经元数值；
步骤3.2：将输入层向量输入隐藏层的图注意力层，以经过图注意力单元加权运算后的目标车辆隐藏特征ft'作为输出，计算公式如下：
Figure RE-FDA0003499058120000031
其中eij为注意力系数，αij为softmax归一化后的概率分布，ft′为图注意力单元加权运算后的目标车辆隐藏特征，am为第m个激活函数，ω为可学习权重，fi为目标车辆特征，fj为周围车辆特征，Ni是节点i包含自身的所有相邻节点集合。因为目标车辆存在自环，因此存在i＝j；
步骤3.3：将图注意力加权运算后的目标车辆隐藏特征ft'输入隐藏层的门控循环单元层，以经过门控循环单元加权运算后的隐藏状态ht作为输出，计算公式如下：
Figure RE-FDA0003499058120000032
其中zt为更新门，rt为重置门，
Figure RE-FDA0003499058120000033
为更新隐藏状态，ht为门控循环单元加权运算后的隐藏状态，ht-1为上一时刻门控循环单元加权运算后的隐藏状态，σ为激活函数sigmoid，tanh为激活函数tanh，ω为可学习权重，ft′为图注意力单元加权运算后的目标车辆隐藏特征；
步骤3.4：模型输出：将门控循环单元层加权运算后的隐藏状态ht作为输出层输入，通过一个全连接层，再通过激活函数sigmoid归一化，得到换道概率，再通过round函数得到最终的0-1换道决策值
Figure RE-FDA0003499058120000041
7.根据权利要求1所述的基于时空图神经网络的智能网联车换道决策建模方法，其特征在于：所述步骤4.2的具体过程为：
步骤4.2.1：初始化模型参数，所述模型参数包括隐藏状态h0，可学习权重ω，偏置项b，时空图神经单元中的激活函数am以及模型每一层神经元个数；
步骤4.2.2：前向传播计算：向模型输入训练数据集中的节点特征数据NFN,T＝[nf1,…,nft]，预训练到时刻t，根据公式：
Figure RE-FDA0003499058120000042
得到t时刻的隐藏状态ht，其中zt为更新门，rt为重置门，
Figure RE-FDA0003499058120000043
为更新隐藏状态，ht为门控循环单元加权运算后的隐藏状态，ht-1为上一时刻门控循环单元加权运算后的隐藏状态，σ为激活函数sigmoid，tanh为激活函数tanh，ω为可学习权重，ft′为图注意力单元加权运算后的目标车辆隐藏特征，
将ht和t+1时刻的节点特征数据nft+1输入下一时空神经单元，输出t+1时刻ht+1，经过一个全连接层和激活函数sigmoid，得到输出
Figure RE-FDA0003499058120000044
步骤4.2.3：反向传播计算：确定交叉熵损失函数，反向计算每一个神经单元的误差项，所述交叉熵损失函数的计算公式为：
Figure RE-FDA0003499058120000045
步骤4.2.4：更新隐藏层可学习权重：根据反向传播计算得到的误差项，计算每个权重的梯度，同步进行梯度检验，并使用梯度下降法来更新隐藏层可学习权重；
步骤4.2.5：结束模型训练：当前向传播计算误差值趋于收敛或者跑完所有训练集数据，得到时空图神经网络模型所有参数值，结束模型训练。
CN202111222534.5A 2021-10-20 2021-10-20 基于时空图神经网络的智能网联车换道决策建模方法 Active CN114170789B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111222534.5A CN114170789B (zh) 2021-10-20 2021-10-20 基于时空图神经网络的智能网联车换道决策建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111222534.5A CN114170789B (zh) 2021-10-20 2021-10-20 基于时空图神经网络的智能网联车换道决策建模方法

Publications (2)

Publication Number Publication Date
CN114170789A true CN114170789A (zh) 2022-03-11
CN114170789B CN114170789B (zh) 2023-06-20

Family

ID=80477027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111222534.5A Active CN114170789B (zh) 2021-10-20 2021-10-20 基于时空图神经网络的智能网联车换道决策建模方法

Country Status (1)

Country Link
CN (1) CN114170789B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115512540A (zh) * 2022-09-20 2022-12-23 中国第一汽车股份有限公司 车辆的信息处理方法、装置、存储介质和处理器
CN115630232A (zh) * 2022-11-22 2023-01-20 江苏博宇鑫信息科技股份有限公司 基于图神经网络的最优车道推荐方法
CN115953917A (zh) * 2023-03-14 2023-04-11 西安科技大学 基于实时轨迹特征分析的危险变道路段识别与管控方法
CN116890881A (zh) * 2023-09-08 2023-10-17 摩尔线程智能科技(北京)有限责任公司 一种车辆变道决策生成方法及装置、电子设备和存储介质
CN116935350A (zh) * 2023-09-18 2023-10-24 常州星宇车灯股份有限公司 基于机器学习的识别目标车辆变道的方法
CN117697764A (zh) * 2024-02-05 2024-03-15 青岛哈尔滨工程大学创新发展中心 潜器作业用柔性机械臂的故障诊断系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609765A (zh) * 2012-03-22 2012-07-25 北京工业大学 基于多项式及rbf神经网络的智能车辆换道路径规划方法
CN103996287A (zh) * 2014-05-26 2014-08-20 江苏大学 一种基于决策树模型的车辆强制换道决策方法
US20190243371A1 (en) * 2018-02-02 2019-08-08 Nvidia Corporation Safety procedure analysis for obstacle avoidance in autonomous vehicles
CN110597245A (zh) * 2019-08-12 2019-12-20 北京交通大学 基于二次型规划和神经网络的自动驾驶换道轨迹规划方法
US20200089245A1 (en) * 2018-09-14 2020-03-19 Peyman Yadmellat System and method for hierarchical planning in autonomous vehicles
CN111931905A (zh) * 2020-07-13 2020-11-13 江苏大学 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法
CN112241814A (zh) * 2020-10-20 2021-01-19 河南大学 一种基于强化时空图神经网络的交通预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609765A (zh) * 2012-03-22 2012-07-25 北京工业大学 基于多项式及rbf神经网络的智能车辆换道路径规划方法
CN103996287A (zh) * 2014-05-26 2014-08-20 江苏大学 一种基于决策树模型的车辆强制换道决策方法
US20190243371A1 (en) * 2018-02-02 2019-08-08 Nvidia Corporation Safety procedure analysis for obstacle avoidance in autonomous vehicles
US20200089245A1 (en) * 2018-09-14 2020-03-19 Peyman Yadmellat System and method for hierarchical planning in autonomous vehicles
CN110597245A (zh) * 2019-08-12 2019-12-20 北京交通大学 基于二次型规划和神经网络的自动驾驶换道轨迹规划方法
CN111931905A (zh) * 2020-07-13 2020-11-13 江苏大学 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法
CN112241814A (zh) * 2020-10-20 2021-01-19 河南大学 一种基于强化时空图神经网络的交通预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李娟 等: "基于元胞自动机的车辆换道行为研究", 《公路交通科技》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115512540A (zh) * 2022-09-20 2022-12-23 中国第一汽车股份有限公司 车辆的信息处理方法、装置、存储介质和处理器
CN115630232A (zh) * 2022-11-22 2023-01-20 江苏博宇鑫信息科技股份有限公司 基于图神经网络的最优车道推荐方法
CN115630232B (zh) * 2022-11-22 2023-08-18 江苏博宇鑫信息科技股份有限公司 基于图神经网络的最优车道推荐方法
CN115953917A (zh) * 2023-03-14 2023-04-11 西安科技大学 基于实时轨迹特征分析的危险变道路段识别与管控方法
CN116890881A (zh) * 2023-09-08 2023-10-17 摩尔线程智能科技(北京)有限责任公司 一种车辆变道决策生成方法及装置、电子设备和存储介质
CN116890881B (zh) * 2023-09-08 2023-12-08 摩尔线程智能科技(北京)有限责任公司 一种车辆变道决策生成方法及装置、电子设备和存储介质
CN116935350A (zh) * 2023-09-18 2023-10-24 常州星宇车灯股份有限公司 基于机器学习的识别目标车辆变道的方法
CN117697764A (zh) * 2024-02-05 2024-03-15 青岛哈尔滨工程大学创新发展中心 潜器作业用柔性机械臂的故障诊断系统及方法
CN117697764B (zh) * 2024-02-05 2024-04-30 青岛哈尔滨工程大学创新发展中心 潜器作业用柔性机械臂的故障诊断系统及方法

Also Published As

Publication number Publication date
CN114170789B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
CN114170789B (zh) 基于时空图神经网络的智能网联车换道决策建模方法
Bhattacharyya et al. Simulating emergent properties of human driving behavior using multi-agent reward augmented imitation learning
CN110794842A (zh) 基于势场的强化学习路径规划算法
CN111260118B (zh) 一种基于量子粒子群优化策略的车联网交通流量预测方法
CN106503654A (zh) 一种基于深度稀疏自编码网络的人脸情感识别方法
CN113362491B (zh) 一种车辆轨迹预测及驾驶行为分析方法
CN111931902A (zh) 一种生成对抗网络模型、及利用该生成对抗网络模型的车辆轨迹预测方法
CN108520155A (zh) 基于神经网络的车辆行为模拟方法
CN110281949B (zh) 一种自动驾驶统一分层决策方法
US11695898B2 (en) Video processing using a spectral decomposition layer
CN113239986B (zh) 车辆轨迹评价网络模型的训练方法、装置和存储介质
CN116110022B (zh) 基于响应知识蒸馏的轻量化交通标志检测方法及系统
CN112046489A (zh) 一种基于因子分析和机器学习的驾驶风格辨识算法
CN115257745A (zh) 一种基于规则融合强化学习的自动驾驶换道决策控制方法
Odeh Hybrid algorithm: fuzzy logic-genetic algorithm on traffic light intelligent system
CN113205698A (zh) 一种基于igwo-lstm的短时交通流预测的导航提醒方法
CN113947182A (zh) 基于双阶段堆叠图卷积网络的交通流预测模型构建方法
CN111967308A (zh) 一种在线路面不平度辨识方法及系统
CN113901718A (zh) 一种跟驰状态下基于深度强化学习的驾驶避撞优化方法
Ji et al. Learning the dynamics of time delay systems with trainable delays
CN113033902A (zh) 一种基于改进深度学习的自动驾驶换道轨迹规划方法
CN111062245A (zh) 一种基于上身姿态的机车司机疲劳状态监测方法
CN113487870B (zh) 一种基于cw攻击对智能单交叉口的对抗扰动生成方法
Wang et al. Multi-objective end-to-end self-driving based on Pareto-optimal actor-critic approach
CN115981302A (zh) 车辆跟驰换道行为决策方法、装置及电子设备

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