CN114419877B - 基于道路特征的车辆轨迹预测数据处理方法和装置 - Google Patents
基于道路特征的车辆轨迹预测数据处理方法和装置 Download PDFInfo
- Publication number
- CN114419877B CN114419877B CN202111536333.2A CN202111536333A CN114419877B CN 114419877 B CN114419877 B CN 114419877B CN 202111536333 A CN202111536333 A CN 202111536333A CN 114419877 B CN114419877 B CN 114419877B
- Authority
- CN
- China
- Prior art keywords
- road
- vehicle track
- point
- road section
- mapping
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于道路特征的车辆轨迹预测数据处理方法,在车辆轨迹数据中融合路段间关系特征和路段的特征,目的是建立车辆轨迹数据与其所处道路的特征关联,从而更好地表示不同道路条件下车辆轨迹的共性与特性。所述方法包括下述步骤:建立路段关系图,获取路段间关系矩阵F1;基于路段的拟合曲线、路段类型和车道数,获取路段的特征矩阵F2;获取车辆轨迹点坐标映射(u,n),u为轨迹点在拟合曲线上的映射点参数,n为映射点与轨迹点之间的距离;将路段间关系矩阵F1、路段的特征矩阵F2、以及车辆轨迹点坐标映射(u,n)进行融合,进而获得车辆轨迹表示。本发明基于方法还实现了一种装置。
Description
技术领域
本公开涉及视觉即时定位与地图创建,具体涉及一种基于道路特征的车辆轨迹预测数据处理方法和装置。
背景技术
自动驾驶系统的核心是感知、规划和控制。轨迹预测连接感知和规划,是一个承上启下的环节。车辆轨迹预测的数据原料包括车辆信息和环境信息两大部分,其本质是学习车辆运动轨迹的模式。具体来说,研究者关注被预测目标在时间、空间和社会维度上的模式识别,通过不同的抽象产生不同的输入表示,再通过不同的神经网络,以获得质量不同的模式,进而根据模式给出预测结果。
现有技术存在下述问题:
(1)不能去除环境噪音的影响,比如有分隔带的对向车道,会降低数据的代表性,而且不能保证获得完整的驾驶路段特征。
(2)即使有效地提取了路段关系特征,但是在沿道路方向的精度过低,也无法描述道路上不同的车道位置,无法适用自动驾驶车辆轨迹预测任务。
(3)即使实现从车辆笛卡尔坐标到曲线坐标的映射,然后将曲线坐标进行起点对齐,得到局部曲线坐标表示,能够把车辆轨迹坐标与道路联系,但没有对路段间关系进行提取,损失了路段的部分特征,无法适用长时间跨路段的车辆轨迹预测。
(4)即使将道路进行网格化,网格的长宽取标准车长和车宽,然后将车辆轨迹映射到网格中,从而使轨迹隐含道路信息,但在实际驾驶环境中,车辆的几何外形不是均匀等长的。而且,网格的映射方式对于精度的损失较大。因此,使用网格对于道路和轨迹进行预处理,会导致轨迹预测精度系统性的损失。
发明内容
鉴于现有的自动驾驶车辆轨迹预测方法没有充分利用道路信息,如类型、形状和道路关系等,来增强表示车辆轨迹,无法精确描述车辆所处的道路特征,从而导致在车辆轨迹预测时存在精度损失和鲁棒性差等问题。因此,本发明的目的在于提供一种更好的数据处理方法,建立车辆轨迹数据与其所处道路的特征关联,从而更好地表示不同道路条件下车辆轨迹的共性与特性,进而获得更好的表达道路特征的车辆轨迹的数据,作为车辆轨迹预测模型的输入数据。
一方面,本发明提出了一种基于道路特征的车辆轨迹预测数据处理方法,所述方法建立车辆轨迹数据与其所处道路的特征关联,包括下述步骤:
S100、建立路段关系图,获取路段间关系矩阵F1;
S200、基于路段的拟合曲线、路段类型和车道数,获取路段的特征矩阵F2;
S300、获取车辆轨迹点坐标映射(u,n),u为轨迹点在拟合曲线上的映射点参数,n为映射点与轨迹点之间的距离;
S400、将路段间关系矩阵F1、路段的特征矩阵F2、以及车辆轨迹点坐标映射(u,n)进行融合,进而获得车辆轨迹表示。
优选地,在所述方法中,所述S100包括下述步骤:
S101、获取M条路段组成的路网,将路网记作{Ri|i=1,2,...,M},其中,Ri为路网中的第i个路段;所述路段,其属性包括路段类型、车道数;
S102、将路段作为关系图的顶点,将路段与路段之间的连接位置点作为关系图的边,建立路段有向关系图;
S103、基于路段有向关系图,采用基于图结构的自注意力网络学习,获取路段间关系特征F1。
优选地,在所述方法中,所述S200包括下述步骤:
S201、基于每个路段开始点和结束点,使用B样条曲线拟合路段形状,获得B样条系数矩阵N编码以及拟合曲线;
S202、对每个路段的路段类型和车道数进行独热编码;
S203、将独热编码和B样条系数矩阵N编码连接起来,获得路段特征矩阵F2。
优选地,在所述方法中,所述S300包括下述步骤:
S301、将车辆轨迹点和拟合曲线基于笛卡尔坐标系表示,其中车辆轨迹点在笛卡尔坐标系中的坐标为(x,y);
S302、在拟合曲线上找与车辆轨迹点的正交最邻近点,将该点作为车辆轨迹点在拟合曲线上的映射点,用曲线参数u表示;将车辆轨迹点到映射点的距离用n表示;
S303、通过下面方程组,求解轨迹映射坐标(u,n):
式中:k为拟合曲线的曲率。
优选地,在所述方法中,所述M条路段从GIS或OSM的数据集中获取。
与现有技术相比,本发明基于高速公路中真实交通和车辆轨迹数据,提出用于车辆轨迹预测的数据处理方法,在车辆轨迹数据中融合路段间关系特征和路段的特征,目的是建立车辆轨迹数据与其所处道路的特征关联,从而更好地表示不同道路条件下车辆轨迹的共性与特性。
另一方面,基于上述方法,本发明相应地实现了一种基于道路特征的车辆轨迹预测数据处理装置,所述装置用于获取车辆轨迹数据与其所处道路的特征关联,包括下述模块:
路段间关系获取模块:建立路段关系图,获取路段间关系矩阵F1;
路段的特征获取模块:基于路段的拟合曲线、路段类型和车道数,获取路段的特征矩阵F2;
坐标映射模块:获取车辆轨迹点坐标映射(u,n),u为轨迹点在拟合曲线上的映射点参数,n为映射点与轨迹点之间的距离;
特征融合模块:将路段间关系矩阵F1、路段的特征矩阵F2、以及车辆轨迹点坐标映射(u,n)进行融合,进而获得车辆轨迹表示。
优选地,在所述装置中,所述路段间关系获取模块包括下述单元:
路网获取单元:获取M条路段组成的路网,将路网记作{Ri|i=1,2,...,M},其中,Ri为路网中的第i个路段;所述路段,其属性包括路段类型、车道数;
有向关系图获取单元:将路段作为关系图的顶点,将路段与路段之间的连接位置点作为关系图的边,建立路段有向关系图;
路段间关系特征获取单元:基于路段有向关系图,采用基于图结构的自注意力网络学习,获取路段间关系特征F1。
优选地,在所述装置中,所述路段的特征获取模块包括下述单元:
预处理单元:基于每个路段开始点和结束点,使用B样条曲线拟合路段形状,获得B样条系数矩阵N编码以及拟合曲线;
独热编码单元:对每个路段的路段类型和车道数进行独热编码;
路段特征矩阵获取单元:将独热编码和B样条系数矩阵N编码连接起来,获得路段特征矩阵F2。
优选地,在所述装置中,所述坐标映射模块包括下述步骤:
笛卡尔坐标表示单元:将车辆轨迹点和拟合曲线基于笛卡尔坐标系表示,其中车辆轨迹点在笛卡尔坐标系中的坐标为(x,y);映射坐标输出单元:在拟合曲线上找与车辆轨迹点的正交最邻近点,将该点作为车辆轨迹点在拟合曲线上的映射点,用曲线参数u表示;将车辆轨迹点到映射点的距离用n表示;通过下面方程组,求解轨迹映射坐标(u,n):
式中:k为拟合曲线的曲率。
优选地,在所述装置中,所述M条路段从带有GIS或OSM文件的数据集或点云分割完成的道路结构数据中获取。
将本发明方法实现为硬件装置或者软件程序形式的装置,具有本发明方法所具有的优点,即:通过对路段形状及属性、路段间关系和车辆轨迹的曲线坐标进行融合,将道路信息融入车辆轨迹,能够保证新的轨迹表示不会产生系统性的精度损失,且在轨迹预测任务中具有更好的性能和鲁棒性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种优选地关于数据处理方法流程示意图;
图2为本发明中关于路段间关系特征提取过程示意图;
图3为本发明中B样条曲线拟合用例示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含。例如,包含了一系列步骤或设备的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或设备,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他步骤或设备。
为使本申请的目的、技术方案和优点更加清楚,下面以具体实施例对本发明的技术方案进行详细说明。下面几个具体实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
在一个实施例中,采用本发明的方法,通过将道路几何信息和属性进行编码后融入车辆行驶轨迹数据,改变了基于笛卡尔坐标系的简单轨迹表示,有效地增加了车辆轨迹信息的维度,将融合了道路特征的车辆轨迹数据用于进行轨迹的预测、合理性检验及安全性检验等任务的进行。
本发明的方法是一种基于道路特征的车辆轨迹预测数据处理方法,所述方法建立车辆轨迹数据与其所处道路的特征关联,包括下述步骤:
S100、建立路段关系图,获取路段间关系矩阵F1;
S200、基于路段的拟合曲线、路段类型和车道数,获取路段的特征矩阵F2;
S300、获取车辆轨迹点坐标映射(u,n),u为轨迹点在拟合曲线上的映射点参数,n为映射点与轨迹点之间的距离;
S400、将路段间关系矩阵F1、路段的特征矩阵F2、以及车辆轨迹点坐标映射(u,n)进行融合,进而获得车辆轨迹表示。
图1为基于上述基本方法进行详细优化的一种数据处理示意图。通过图1可以明显的看出,本发明的各个步骤不具有严格的时序性,有的步骤可以并行进行。本发明采用基于真实高速公路交通和轨迹数据进行特征提取,其中高速公路的路段形状和属性信息可以从地理信息系统(Geographic Information System,GIS)文件或开放街道地图(Open StreetMap,OSM)中获得。US-101和I-80数据集提供了45分钟的以10Hz的频率采集到的车辆轨迹坐标。
步骤S100建立路段关系图使用的数据,可以从带有GIS或者OSM文件的数据集或点云分割完成的道路结构数据中获得。从任一数据集中获取M条路段信息,并将获得的M条路段组成的路网表示为集合{Ri|i=1,2,...,M},其中每个路段Ri由若干个位置点表示,每个位置点可以记为ri=(xi,yi),故Ri=r1,r2,...。每个路段Ri具有的属性包括编码、路段类型,车道数等。在本发明中主要使用路段类型和车道数这两个属性,路段类型可以是基本高速公路段、驶入高速路的匝道路段、驶出高速路的匝道路段。本发明需要对路段类型和车道数进行独热编码,将它们变成两个一维向量alane和atype。系数矩阵N是二维的,形状是h行p列,将其展平成一维h×p的向量an。
从路段关系图,获取路段间关系矩阵F1,可以通过下述步骤获得:
S102、将路段作为关系图的顶点,将路段与路段之间的连接位置点作为关系图的边,建立路段有向关系图;
S103、基于路段有向关系图,采用基于图结构的自注意力网络学习,获取路段间关系特征F1。
基于路段关系图并通过神经网络将其编码,以此表示路段间关系特征矩阵,如果矩阵的每行是一个顶点的编码,那么矩阵的列数表示顶点的个数。具体为,使用基于图结构的自注意力网络来路段关系图节点的嵌入表示。
基于图结构的自注意力网络在注意力机制上结合了中心性编码、空间编码和边编码,如图2所示。
(1)中心性编码
中心性编码使用顶点的度数来表示顶点在图中的重要程度:
其中,hi是xi是路段关系图中顶点的嵌入特征表示。随机初始化顶点特征,z-,z+∈Rd是可学习的嵌入向量,分别由节点的入度deg-(vi)和出度deg+(vi)指定。
(2)空间编码
空间编码通过顶点间的空间最短路径φ(vi,vj)来表达顶点间的空间结构,将获得的空间结构信息作为偏置项加到注意力上:
式中:Aij是注意力权重矩阵,表示i对j的注意力;Q、K、V分别是注意力机制设计的三个说法,Q表示查询,K表示键、V表示值;相应地,WQ是查询的权重矩阵、WK是值的权重矩阵,它们都通过神经网络学习;是查询权重矩阵和值权重矩阵的维度的二次方根;是可学习的标量,在所有层中共享;φ(vi,vj)根据连通性获得。
(3)边编码
边编码将边上的信息作为权重偏置引入注意力机制中:
式中:是vi到vj最短路径中的第n条边en的特征,N是边总数;是第n个权重嵌入,dE是边特征的维度。cij表示计算沿最短路径的边特征和可学习矩阵的点积的平均值,从而实现由边的特征得到顶点的特征,能够达到将边信息聚合到点中的作用,从而加强顶点编码的特征表示。
优选的,S200具体可以包括下述步骤:
S201、基于每个路段开始点和结束点,使用B样条曲线拟合路段形状,获得B样条系数矩阵N编码以及拟合曲线;
S202、对每个路段的路段类型和车道数进行独热编码;
S203、将独热编码和B样条系数矩阵N编码连接起来,获得路段特征矩阵F2。
其中,使用B样条曲线拟合路段的原因有两个:一是用拟合的曲线将车辆轨迹坐标映射到与路段形状无关的曲线坐标,二是将拟合的参数作为路段的形状特征。本发明参数拟合的目的是将路段的散点通过B样条曲线拟合转化为线性参照表示,而线性参照有利于之后车辆轨迹映射点的准确计算。
给定n+1个数据点V0,V1,...,Vn和阶数p,在确定路段Ri开始点V0和结束点Vn作为首尾两个基本控制点的情况下,使用插值法找到p阶B样条曲线C的h-1个控制点P1,...,Ph-1,其中n>h≥p≥1。曲线的多项式方程表示为:
其中:u为曲线参数,系数矩阵N可通过最小二乘法求解得到,然后反解出控制点P1,...,Ph-1。
将该路段Ri的类型和车道数的one-hot编码及B样条系数矩阵N编码连接起来,作为路段的特征F2(Ri)。
在一个实施例中,使用B样条曲线拟合路段的结果如图3所示。在这个实施例中,已知7个数据点来拟合曲线,n=6;给定阶p=3,即3次B样条曲线拟合。表1中为曲线拟合用例的数据点集。
表1
取取首尾点为控制点,即P0=V0,ph=V6,,做固定间隔采样获得h+1个控制点下标为0,2,4,6,计算得系数矩阵N为h行p+1列的矩阵:
优选地,在所述方法中,所述S300包括下述步骤:
S301、将车辆轨迹点和拟合曲线基于笛卡尔坐标系表示,其中车辆轨迹点在笛卡尔坐标系中的坐标为(x,y);
S302、在拟合曲线上找与车辆轨迹点的正交最邻近点,将该点作为车辆轨迹点在拟合曲线上的映射点,用曲线参数u表示;将车辆轨迹点到映射点的距离用n表示;
S303、通过下面方程组,求解轨迹映射坐标(u,n):
式中:k为拟合曲线的曲率。
上述步骤中,已知车辆轨迹的笛卡尔坐标表示(x,y),要将其映射到对应路段上的(u,n),其中u是轨迹点在曲线上映射点的参数,n是映射点与实际轨迹点之间的正交距离。先根据轨迹点的笛卡尔坐标查找路段,以路段的开始点V0和结束点Vn坐标限定查找范围,如果轨迹点坐标落在该范围内,则找到该路段。然后根据路段参照表示,计算曲线的曲率k,再根据三角关系有和可以反解得出(u,n)。
新的轨迹数据用于预测车辆轨迹可以提高准确性,因其基于高速公路中真实交通和车辆轨迹数据,从这些数据中提取的路段关系特征路段的特征完整且有效,路段类型和车道数准确,将其与车辆轨迹数据中完整地融合,能够建立车辆轨迹数据与其所处道路的特征关联,因此可以更好地表示不同道路条件下车辆轨迹的共性与特性,提高预测精度,适用于车辆轨迹预测任务,包括自动驾驶车辆轨迹预测任务。
另一方面,基于上述方法,本发明相应地实现了一种基于道路特征的车辆轨迹预测数据处理装置,所述装置用于获取车辆轨迹数据与其所处道路的特征关联,包括下述模块:
路段间关系获取模块:建立路段关系图,获取路段间关系矩阵F1;
路段的特征获取模块:基于路段的拟合曲线、路段类型和车道数,获取路段的特征矩阵F2;
坐标映射模块:获取车辆轨迹点坐标映射(u,n),u为轨迹点在拟合曲线上的映射点参数,n为映射点与轨迹点之间的距离;
特征融合模块:将路段间关系矩阵F1、路段的特征矩阵F2、以及车辆轨迹点坐标映射(u,n)进行融合,进而获得车辆轨迹表示。
优选地,在所述装置中,所述路段间关系获取模块包括下述单元:
路网获取单元:获取M条路段组成的路网,将路网记作{Ri|i=1,2,...,M},其中,Ri为路网中的第i个路段;所述路段,其属性包括路段类型、车道数;
有向关系图获取单元:将路段作为关系图的顶点,将路段与路段之间的连接位置点作为关系图的边,建立路段有向关系图;
路段间关系特征获取单元:基于路段有向关系图,采用基于图结构的自注意力网络学习,获取路段间关系特征F1。
优选地,在所述装置中,所述路段的特征获取模块包括下述单元:
预处理单元:基于每个路段开始点和结束点,使用B样条曲线拟合路段形状,获得B样条系数矩阵N编码以及拟合曲线;
独热编码单元:对每个路段的路段类型和车道数进行独热编码;
路段特征矩阵获取单元:将独热编码和B样条系数矩阵N编码连接起来,获得路段特征矩阵F2。
优选地,在所述装置中,所述坐标映射模块包括下述步骤:
笛卡尔坐标表示单元:将车辆轨迹点和拟合曲线基于笛卡尔坐标系表示,其中车辆轨迹点在笛卡尔坐标系中的坐标为(x,y);
正交距离计算单元:过映射点作曲线在该映射点的法线,计算轨迹点与法线的映射坐标输出单元:在拟合曲线上找与车辆轨迹点的正交最邻近点,将该点作为车辆轨迹点在拟合曲线上的映射点,用曲线参数u表示;将车辆轨迹点到映射点的距离用n表示;通过下面方程组,求解轨迹映射坐标(u,n):
式中:k为拟合曲线的曲率。
优选地,在所述装置中,所述M条路段从带有GIS或OSM文件的数据集或点云分割完成的道路结构数据中获取。
将本发明方法实现为硬件装置或者软件程序形式的装置,具有本发明方法所具有的优点,即:通过对路段形状及属性、路段间关系和车辆轨迹的曲线坐标进行融合,将道路信息融入车辆轨迹,能够保证新的轨迹表示不会产生系统性的精度损失,且在轨迹预测任务中具有更好的性能和鲁棒性。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本公开装置可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本公开而言更多情况下,软件程序实现是更佳的实施方式。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (4)
1.一种基于道路特征的车辆轨迹预测数据处理方法,其特征在于,所述方法建立车辆轨迹数据与其所处道路的特征关联,包括下述步骤:
S100、建立路段关系图,获取路段间关系矩阵F1;
S200、基于路段的拟合曲线、路段类型和车道数,获取路段的特征矩阵F2;
S300、获取车辆轨迹点坐标映射(u,n),u为轨迹点在拟合曲线上的映射点参数,n为映射点与轨迹点之间的距离;
S400、将路段间关系矩阵F1、路段的特征矩阵F2、以及车辆轨迹点坐标映射(u,n)进行融合,进而获得车辆轨迹表示;
所述S100包括下述步骤:
S101、获取M条路段组成的路网,将路网记作{Ri∣i=1,2,…,M},其中,Ri为路网中的第i个路段;所述路段,其属性包括路段类型、车道数;
S102、将路段作为关系图的顶点,将路段与路段之间的连接位置点作为关系图的边,建立路段有向关系图;
S103、基于路段有向关系图,采用基于图结构的自注意力网络学习,获取路段间关系特征F1;
所述S200包括下述步骤:
S201、基于每个路段开始点和结束点,使用B样条曲线拟合路段形状,获得B样条系数矩阵N编码以及拟合曲线;
S202、对每个路段的路段类型和车道数进行独热编码;
S203、将独热编码和B样条系数矩阵N编码连接起来,获得路段特征矩阵F2;
所述S300包括下述步骤:
S301、将车辆轨迹点和拟合曲线基于笛卡尔坐标系表示,其中车辆轨迹点在笛卡尔坐标系中的坐标为(x,y);
S302、在拟合曲线上找与车辆轨迹点的正交最邻近点,将该点作为车辆轨迹点在拟合曲线上的映射点,用曲线参数u表示;将车辆轨迹点到映射点的距离用n表示;
S303、通过下面方程组,求解轨迹映射坐标(u,n):
式中:k为拟合曲线的曲率。
2.根据权利要求1所述的方法,其特征在于,所述M条路段从带有GIS或OSM文件的数据集或点云分割完成的道路结构数据中获取。
3.一种基于道路特征的车辆轨迹预测数据处理装置,其特征在于,所述装置用于获取车辆轨迹数据与其所处道路的特征关联,包括下述模块:
路段间关系获取模块:建立路段关系图,获取路段间关系矩阵F1;
路段的特征获取模块:基于路段的拟合曲线、路段类型和车道数,获取路段的特征矩阵F2;
坐标映射模块:获取车辆轨迹点坐标映射(u,n),u为轨迹点在拟合曲线上的映射点参数,n为映射点与轨迹点之间的距离;
特征融合模块:将路段间关系矩阵F1、路段的特征矩阵F2、以及车辆轨迹点坐标映射(u,n)进行融合,进而获得车辆轨迹表示;
所述路段间关系获取模块包括下述单元:
路网获取单元:获取M条路段组成的路网,将路网记作
{Ri∣i=1,2,…,M},其中,Ri为路网中的第i个路段;所述路段,其属性包括路段类型、车道数;
有向关系图获取单元:将路段作为关系图的顶点,将路段与路段之间的连接位置点作为关系图的边,建立路段有向关系图;
路段间关系特征获取单元:基于路段有向关系图,采用基于图结构的自注意力网络学习,获取路段间关系特征F1;
所述路段的特征获取模块包括下述单元:
预处理单元:基于每个路段开始点和结束点,使用B样条曲线拟合路段形状,获得B样条系数矩阵N编码以及拟合曲线;
独热编码单元:对每个路段的路段类型和车道数进行独热编码;
路段特征矩阵获取单元:将独热编码和B样条系数矩阵N编码连接起来,获得路段特征矩阵F2;
所述坐标映射模块包括下述步骤:
笛卡尔坐标表示单元:将车辆轨迹点和拟合曲线基于笛卡尔坐标系表示,其中车辆轨迹点在笛卡尔坐标系中的坐标为(x,y);
映射坐标输出单元:在拟合曲线上找与车辆轨迹点的正交最邻近点,将该点作为车辆轨迹点在拟合曲线上的映射点,用曲线参数u表示;将车辆轨迹点到映射点的距离用n表示;通过下面方程组,求解轨迹映射坐标(u,n):
式中:k为拟合曲线的曲率。
4.根据权利要求3所述的装置,其特征在于,所述M条路段从带有GIS或OSM文件的数据集或点云分割完成的道路结构数据中获取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111536333.2A CN114419877B (zh) | 2021-12-15 | 2021-12-15 | 基于道路特征的车辆轨迹预测数据处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111536333.2A CN114419877B (zh) | 2021-12-15 | 2021-12-15 | 基于道路特征的车辆轨迹预测数据处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114419877A CN114419877A (zh) | 2022-04-29 |
CN114419877B true CN114419877B (zh) | 2022-11-15 |
Family
ID=81266745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111536333.2A Active CN114419877B (zh) | 2021-12-15 | 2021-12-15 | 基于道路特征的车辆轨迹预测数据处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114419877B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100897B (zh) * | 2022-05-23 | 2023-11-17 | 惠州华阳通用电子有限公司 | 一种车辆位置确定方法及装置 |
CN115759334B (zh) * | 2022-10-12 | 2024-07-23 | 大连理工大学 | 一种基于b样条曲线和深度学习的港口无人集卡轨迹预测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005316818A (ja) * | 2004-04-30 | 2005-11-10 | Koito Mfg Co Ltd | 車両走行支援システム |
CN105719483A (zh) * | 2016-01-15 | 2016-06-29 | 同济大学 | 一种视频与gps相结合的车辆行驶轨迹全样本数据获取方法 |
CN110443225A (zh) * | 2019-08-15 | 2019-11-12 | 安徽半问科技有限公司 | 一种基于特征像素统计的虚实车道线识别方法及其装置 |
CN110969837A (zh) * | 2018-09-30 | 2020-04-07 | 长城汽车股份有限公司 | 自动驾驶车辆的道路信息融合系统及方法 |
CN111091708A (zh) * | 2019-12-13 | 2020-05-01 | 中国科学院深圳先进技术研究院 | 车辆轨迹预测方法及装置 |
CN111098894A (zh) * | 2019-12-13 | 2020-05-05 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 一种基于轨道曲线特征的列车定位方法及系统 |
CN111815948A (zh) * | 2020-06-12 | 2020-10-23 | 南京航空航天大学 | 基于工况特征的车辆行驶工况预测方法 |
CN112528807A (zh) * | 2020-12-04 | 2021-03-19 | 深圳市优必选科技股份有限公司 | 行驶轨迹的预测方法、装置、电子设备及存储介质 |
CN113311828A (zh) * | 2021-05-08 | 2021-08-27 | 武汉理工大学 | 一种无人车局部路径规划方法、装置、设备及存储介质 |
CN113791414A (zh) * | 2021-08-25 | 2021-12-14 | 南京市德赛西威汽车电子有限公司 | 一种基于毫米波车载雷达视图的场景识别方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1946044B1 (en) * | 2005-10-14 | 2013-03-13 | Dash Navigation Inc. | System and method for identifying road features |
US10296795B2 (en) * | 2017-06-26 | 2019-05-21 | Here Global B.V. | Method, apparatus, and system for estimating a quality of lane features of a roadway |
US10895460B2 (en) * | 2017-11-06 | 2021-01-19 | Cybernet Systems Corporation | System and method for generating precise road lane map data |
CN108470159B (zh) * | 2018-03-09 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 车道线数据处理方法、装置、计算机设备和存储介质 |
CN112783144B (zh) * | 2019-10-22 | 2023-09-29 | 舜宇光学(浙江)研究院有限公司 | 路径生成方法和路径规划方法及其系统和设备 |
-
2021
- 2021-12-15 CN CN202111536333.2A patent/CN114419877B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005316818A (ja) * | 2004-04-30 | 2005-11-10 | Koito Mfg Co Ltd | 車両走行支援システム |
CN105719483A (zh) * | 2016-01-15 | 2016-06-29 | 同济大学 | 一种视频与gps相结合的车辆行驶轨迹全样本数据获取方法 |
CN110969837A (zh) * | 2018-09-30 | 2020-04-07 | 长城汽车股份有限公司 | 自动驾驶车辆的道路信息融合系统及方法 |
CN110443225A (zh) * | 2019-08-15 | 2019-11-12 | 安徽半问科技有限公司 | 一种基于特征像素统计的虚实车道线识别方法及其装置 |
CN111091708A (zh) * | 2019-12-13 | 2020-05-01 | 中国科学院深圳先进技术研究院 | 车辆轨迹预测方法及装置 |
CN111098894A (zh) * | 2019-12-13 | 2020-05-05 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 一种基于轨道曲线特征的列车定位方法及系统 |
CN111815948A (zh) * | 2020-06-12 | 2020-10-23 | 南京航空航天大学 | 基于工况特征的车辆行驶工况预测方法 |
CN112528807A (zh) * | 2020-12-04 | 2021-03-19 | 深圳市优必选科技股份有限公司 | 行驶轨迹的预测方法、装置、电子设备及存储介质 |
CN113311828A (zh) * | 2021-05-08 | 2021-08-27 | 武汉理工大学 | 一种无人车局部路径规划方法、装置、设备及存储介质 |
CN113791414A (zh) * | 2021-08-25 | 2021-12-14 | 南京市德赛西威汽车电子有限公司 | 一种基于毫米波车载雷达视图的场景识别方法 |
Non-Patent Citations (4)
Title |
---|
A practical three-dimensional wheel-rail interaction element for dynamic response analysis of vehicle-track systems;Yongdou Liu etc.;《Computers and Structures》;20210605;全文 * |
L4层级自动驾驶车外环境感知系统设计实现;罗安;《中国优秀硕士学位论文全文数据》;20210215;全文 * |
基于三次B样条多信息融合实时地图匹配方法;陈文杰等;《汽车零部件》;20180628(第06期);全文 * |
移动机器人中视觉里程计技术综述;张锲石等;《计算机工程》;20210609;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114419877A (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230169347A1 (en) | Continuous Convolution and Fusion in Neural Networks | |
CN109670277B (zh) | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 | |
CN108519094B (zh) | 局部路径规划方法及云处理端 | |
CN114419877B (zh) | 基于道路特征的车辆轨迹预测数据处理方法和装置 | |
CN112212874B (zh) | 车辆轨迹预测方法、装置、电子设备及计算机可读介质 | |
CN109739926B (zh) | 一种基于卷积神经网络的移动对象目的地预测方法 | |
Niranjan et al. | Deep learning based object detection model for autonomous driving research using carla simulator | |
CN110942211A (zh) | 一种基于深度神经网络的预估达到时间预测方法及装置 | |
CN110986945B (zh) | 基于语义高度地图的局部导航方法和系统 | |
KR20200043005A (ko) | 이미지 인식 모델을 트레이닝시키는 장치 및 방법과 이미지 인식 장치 및 방법 | |
CN116129066A (zh) | 基于数字孪生的自动驾驶高精度地图模型及高精度静态地图制作方法 | |
CN116972865A (zh) | 基于车辆机动性评估的复杂越野环境导航方法及系统 | |
Andriamahefa | Integer Occupancy Grids: a probabilistic multi-sensor fusion framework for embedded perception | |
Xu et al. | Trajectory prediction for autonomous driving with topometric map | |
CN118296090A (zh) | 一种面向自动驾驶的多维时空特征融合的轨迹预测方法 | |
CN116448134B (zh) | 基于风险场与不确定分析的车辆路径规划方法及装置 | |
CN113012191A (zh) | 一种基于点云多视角投影图的激光里程计算法 | |
CN115374498B (zh) | 一种考虑道路属性特征参数的道路场景重构方法及系统 | |
CN114637305B (zh) | 一种无人机最短路径规划方法及装置 | |
CN116080681A (zh) | 基于循环卷积神经网络的周车行为识别与轨迹预测方法 | |
CN113119996B (zh) | 一种轨迹预测方法、装置、电子设备及存储介质 | |
CN116311114A (zh) | 一种可行驶区域生成方法、装置、电子设备及存储介质 | |
CN115773744A (zh) | 模型训练和路网处理方法、装置、设备、介质和产品 | |
Yoo et al. | Gin: Graph-based interaction-aware constraint policy optimization for autonomous driving | |
CN111486847B (zh) | 一种无人机导航方法及系统 |
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 |