CN114495036A - 一种基于三阶段注意力机制的车辆轨迹预测方法 - Google Patents
一种基于三阶段注意力机制的车辆轨迹预测方法 Download PDFInfo
- Publication number
- CN114495036A CN114495036A CN202111651987.XA CN202111651987A CN114495036A CN 114495036 A CN114495036 A CN 114495036A CN 202111651987 A CN202111651987 A CN 202111651987A CN 114495036 A CN114495036 A CN 114495036A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- information
- model
- prediction
- 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 32
- 230000007246 mechanism Effects 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000013499 data model Methods 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 4
- 238000011425 standardization method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (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三阶段注意力机制的车辆轨迹预测方法,包括:步骤S1:采集数据信息,进行数据预处理;步骤S2:根据预处理完成的数据集,进行数据集划分;步骤S3:构建车辆轨迹预测模型;步骤S4:训练车辆轨迹预测模型,采用负对数似然作为损失函数;步骤S5:保存已完成训练的数据模型,将测试集中的数据输入到已完成训练的网络模型中,预测车辆的轨迹坐标;通过在模型中引入注意力机制,自适应地选择最适合轨迹预测的信息,提升算法预测的性能;通过注意力机制得到的各种信息的权重,可知信息对算法的预测性能的影响的大小,提高算法的可解释性;根据注意力机制反映输入信息对轨迹预测算法的性能的影响,适用于多种路况环境场景。
Description
技术领域
本发明涉及自动驾驶领域,尤其是涉及一种基于三阶段注意力机制的车辆轨迹预测方法。
背景技术
自动驾驶车辆要想在由人类驾驶员组成的复杂交通中安全且高效地行驶,其需要具备主动做出决策的能力,比如决定何时改变车道、超车或者减速等等,让其他车辆能够汇入。这就要求自动驾驶车辆能够知道周围车辆的未来轨迹,使其能够提前规划自己的行驶状态,避免危险发生。车辆轨迹预测算法赋予了自动驾驶车辆能够推理出周围车辆未来运动的能力。具体地说,车辆轨迹预测算法要解决的问题是,给定目标车辆的历史状态(包括轨迹、速度、加速度、航向角、所在车道等),推理出目标车辆的未来轨迹。
本发明涉及到一种长短期记忆网络(long-short term memory network, LSTM),是深度学习中神经网络的一种,用于对目标车辆历史状态进行建模,然后预测算法在建模后的数据上进行未来轨迹的预测。
本发明涉及到注意力机制的技术。类似于人的注意力分配问题,通过在算法的不同阶段引入注意力机制,使算法能够在预测的过程中选择使预测结果更加准确的信息。
发明内容
本发明是为了克服现有技术中,仅使用目标车辆及其周围车辆的历史轨迹信息,而忽略其他动力学数据,无法充分表达车辆历史状态的问题,提供一种基于三阶段注意力机制的车辆轨迹预测方法,通过在特征级别、时序级别、空间级别上采用注意力机制,提取最适合轨迹预测的信息,从而提升预测算法的预测性能。
一种基于三阶段注意力机制的车辆轨迹预测方法,包括:
步骤S1:采集数据信息,进行数据预处理;
步骤S2:根据预处理完成的数据集,进行数据集划分;
步骤S3:构建车辆轨迹预测模型;
步骤S4:训练车辆轨迹预测模型,采用负对数似然作为损失函数;
步骤S5:保存已完成训练的数据模型,将测试集中的数据输入到已完成训练的网络模型中,预测车辆的轨迹坐标。
信息采集数据目标包括:车辆地理坐标、速度、加速度、所在车道序号、航向角度等信息,对这些信息进行预处理;然后将预处理后的数据进行数据集合并划分归类,通过LSTM、特征注意力模块、时序注意力模块、空间注意力模块构建车辆轨迹预测模型;构建预测模型完成后,采用负对数似然(negative log-likelihood,NLL)作为损失函数,完成对预测模型的训练并保存,将测试集中的数据输入到已经训练好的网络模型中,预测车辆未来可能出现的轨迹坐标。
算法采用三种注意力机制:特征层面注意力、时序层面注意力、空间层面注意力,在不同的阶段分别提取最适合轨迹预测算法的信息。
作为优选,步骤S1包括:
步骤S1A:选取某一时刻的某单一车辆作为目标车辆,获取目标车辆及其8 个周围车辆的T时刻的历史信息和M时刻的未来信息;
步骤S1B:对每一时刻的信息进行数据预处理,采用min-max进行标准化,采用ZCA进行标准化变换;
步骤S1C:对数据集的车辆轨迹以4秒为间隔进行采样。
对目标车辆及其周围8个方位的目标车辆的T时刻历史信息的捕捉和M时刻的未来信息的预测,并将实时数据信息和未来预测信息进行数据库归纳存储,采用min-max标准化和Z-score标准化方法,将数据按照一定比例缩放,使数据落入一个特定区间,使得数据采集和预测更准确,4秒为间隔进行采样分析,增强数据采集和预测的实时性,通过实时性的数据分析与预测结果进行比对,对后续车辆运动预测进行范围修正,提高车辆轨迹预测的准确性。
作为优选,步骤S2中数据集划分包括:
训练集,用于训练模型;
验证集,用于验证模型训练结果;
测试集,用于对训练完成模型进行测试。
训练集、验证集、测试集的数据划分比例为7:1:2,将训练集、验证集、测试集的控制在7:1:2,充分利用数据训练数据模型,有利于后续基于特征层面注意力、时序层面注意力、空间层面注意力三阶段注意力机制车辆轨迹预测算法,提高数据资源率,通过在模型中引入注意力机制,自适应地选择最适合轨迹预测的信息,提升算法预测的性能。
作为优选,步骤S3包括特征注意力模块、时序注意力模块和空间注意力模块,预测模型算法流程以样本中目标车辆为例,T个时刻的历史信息记为 X=Xt-T+1,…,Xt,其中Xi=x1,…,xn为第i时刻S1.2预处理过的特征,n表示特征的数量,Xt为当前时刻车辆的特征,根据注意力机制反映输入信息对轨迹预测算法的性能的影响,适用于多种路况环境场景,例如:高速、高架、城市道路等复杂路径。
因此,本发明具有如下有益效果:
1.通过在模型中引入注意力机制,自适应地选择最适合轨迹预测的信息,提升算法预测的性能;
2.通过注意力机制得到的各种信息的权重,可知信息对算法的预测性能的影响的大小,提高算法的可解释性;
3.根据注意力机制反映输入信息对轨迹预测算法的性能的影响,适用于多种路况环境场景。
附图说明
图1是本发明的运行过程流程图;
图2是本发明算法整体流程图;
图3是本发明特征注意力模块流程图;
图4是本发明时序注意力模块流程图;
图5是本发明空间注意力模块流程图。
具体实施方式
下面根据附图和具体实施方式,对本发明作进一步具体的描述。
本发明是为了克服现有技术中,仅使用目标车辆及其周围车辆的历史轨迹信息,而忽略其他动力学数据,无法充分表达车辆历史状态的问题,提供一种基于三阶段注意力机制的车辆轨迹预测方法,通过在特征级别、时序级别、空间级别上采用注意力机制,提取最适合轨迹预测的信息,从而提升预测算法的预测性能。
如图1所示,一种基于三阶段注意力机制的车辆轨迹预测方法,包括:
步骤S1:采集数据信息,进行数据预处理;
步骤S2:根据预处理完成的数据集,进行数据集划分;
步骤S3:构建车辆轨迹预测模型;
步骤S4:训练车辆轨迹预测模型,采用负对数似然作为损失函数;
步骤S5:保存已完成训练的数据模型,将测试集中的数据输入到已完成训练的网络模型中,预测车辆的轨迹坐标。
信息采集数据目标包括:车辆地理坐标、速度、加速度、所在车道序号、航向角度等信息,对这些信息进行预处理;然后将预处理后的数据进行数据集合并划分归类,通过LSTM、特征注意力模块、时序注意力模块、空间注意力模块构建车辆轨迹预测模型;构建预测模型完成后,采用负对数似然(negative log-likelihood,NLL)作为损失函数,完成对预测模型的训练并保存,将测试集中的数据输入到已经训练好的网络模型中,预测车辆未来可能出现的轨迹坐标。
算法采用三种注意力机制:特征层面注意力、时序层面注意力、空间层面注意力,在不同的阶段分别提取最适合轨迹预测算法的信息。
步骤S1包括:
步骤S1A:选取某一时刻的某单一车辆作为目标车辆,获取目标车辆及其8 个周围车辆的T时刻的历史信息和M时刻的未来信息;
步骤S1B:对每一时刻的信息进行数据预处理,采用min-max进行标准化,采用ZCA进行标准化变换;
步骤S1C:对数据集的车辆轨迹以4秒为间隔进行采样。
对目标车辆及其周围8个方位的目标车辆的T时刻历史信息的捕捉和M时刻的未来信息的预测,并将实时数据信息和未来预测信息进行数据库归纳存储,采用min-max标准化和Z-score标准化方法,将数据按照一定比例缩放,使数据落入一个特定区间,使得数据采集和预测更准确,4秒为间隔进行采样分析,增强数据采集和预测的实时性,通过实时性的数据分析与预测结果进行比对,对后续车辆运动预测进行范围修正,提高车辆轨迹预测的准确性。
步骤S2中数据集划分包括:
训练集,用于训练模型;
验证集,用于验证模型训练结果;
测试集,用于对训练完成模型进行测试。
训练集、验证集、测试集的数据划分比例为7:1:2,将训练集、验证集、测试集的控制在7:1:2,充分利用数据训练数据模型,有利于后续基于特征层面注意力、时序层面注意力、空间层面注意力三阶段注意力机制车辆轨迹预测算法,提高数据资源率,通过在模型中引入注意力机制,自适应地选择最适合轨迹预测的信息,提升算法预测的性能。
步骤S3包括特征注意力模块、时序注意力模块和空间注意力模块,预测模型算法流程以样本中目标车辆为例,T个时刻的历史信息记为X=Xt-T+1,…,Xt,其中Xi=x1,…,xn为第i时刻S1.2预处理过的特征,n表示特征的数量,Xt为当前时刻车辆的特征,根据注意力机制反映输入信息对轨迹预测算法的性能的影响,适用于多种路况环境场景,例如:高速、高架、城市道路等复杂路径。
其中,如图2所示,整体算法流程包括以下步骤:
(a):将每个车辆的每个时刻的特征Xi分别送入特征注意力模块中进行加工,得到
X′=X′t-T+1,…,X′t。
(b):将X′送入到LSTM中,获得每个时刻的隐藏状态H=ht-T+1,…,ht。
(c):将H送入时序注意力模块,得到H′1=H′t-T+1,…,H′t。
(d):将周围车辆分别经过上述3个操作,分别获得各自的隐藏层状态H′2~9。
(f):将H′1分别于H′2~9拼接在一起,送入空间注意力模块,获得O1~8个输出。
(g):将H′1送入到MLP层,得到H″1。
(h):将O1~8相加后,与H″1进行拼接,送入到LSTM解码器中,获得解码器的隐藏层输出Y=Yt+1,…,Yt+M。
(i):将Y通过MLP层进行映射,得到目标车辆的未来可能的轨迹。
如图3所示,特征注意力模块输入数据为某一时刻的经过预处理的数据,是一个1×T的矩阵,如目标车辆在第i时刻的数据,Xi={x1,…,xn}。经过两个全连接层和sigmoid产生n个权重,与Xi相乘,得到X′i;
如图4所示,时序注意力模块输入数据为X′=X′t-T+1,…,X′t经过LSTM后得到的每一时刻的隐藏层状态组成的二维矩阵H,行数v代表每一时刻隐藏层的维度,列数T代表历史数据的长度,如目标车辆的隐藏层状态H=ht-T+1,…,ht,其中即一个时刻的隐藏层的维度为v。首先将H按行进行global pooling得到1×T的矩阵,然后经过两个全连接层和sigmoid产生T个权重,最后H和T相乘得到H′1;
如图5所示,经过特征注意力模块和时序注意力模块的数据获取,空间注意力模块运行包括以下步骤:
步骤SD1:输入数据为H′1~9;
步骤SD2:将H′1分别与H′1~8进行拼接;
步骤SD3:将拼接后的结果分别送入全连接层得到8个一维向量,记为J′1~8;
步骤SD4:,将8个一维向量进行拼接后,经过全连接层和softmax层后得到8个权重;
步骤SD5,将权重和H′2~9相乘后,得到输出O1~8。
以上,通过特征注意力模块、时序注意力模块和空间注意力模块的数据计算后,将目标车辆横向坐标、纵向坐标、速度、加速度、航向角、车辆长度、车辆宽度、车辆类别、所在车道的序号等具体数据信息转化为数据模型模拟量,通过对数据模型的计算分析,获取车辆预测所需要的信息,对车辆的轨迹进行预测,并且对每4秒采集的实时信息与预测轨迹进行数据比对,对后续预测轨迹进行轨迹修正,提高轨迹预测的准确性。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果,但以上仅为本发明的较佳实施例,需要言明的是,上述实施例及其优选方式所涉及的技术特征,本领域技术人员可以在不脱离、不改变本发明的设计思路以及技术效果的前提下,合理地组合搭配成多种等效方案;因此,本发明不以图面所示限定实施范围,凡是依照本发明的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本发明的保护范围内。
Claims (7)
1.一种基于三阶段注意力机制的车辆轨迹预测方法,包括:
步骤S1:采集数据信息,进行数据预处理;
步骤S2:根据预处理完成的数据集,进行数据集划分;
步骤S3:构建车辆轨迹预测模型;
步骤S4:训练车辆轨迹预测模型,采用负对数似然作为损失函数;
步骤S5:保存已完成训练的数据模型,将测试集中的数据输入到已完成训练的网络模型中,预测车辆的轨迹坐标。
2.根据权利要求1所述的一种基于三阶段注意力机制的车辆轨迹预测方法,其特征是,步骤S1包括:
步骤S1A:选取某一时刻的某单一车辆作为目标车辆,获取目标车辆及其8个周围车辆的T时刻的历史信息和M时刻的未来信息;
步骤S1B:对每一时刻的信息进行数据预处理,采用min-max进行标准化,采用ZCA进行标准化变换;
步骤S1C:对数据集的车辆轨迹以4秒为间隔进行采样。
3.根据权利要求2所述的一种基于三阶段注意力机制的车辆轨迹预测方法,其特征是,所述历史信息和未来信息包括横向坐标、纵向坐标、速度、加速度、航向角、车辆长度、车辆宽度、车辆类别、所在车道的序号。
4.根据权利要求1所述的一种基于三阶段注意力机制的车辆轨迹预测方法,其特征是,步骤S2中数据集划分包括:
训练集,用于训练模型;
验证集,用于验证模型训练结果;
测试集,用于对训练完成模型进行测试。
5.根据权利要求4所述的一种基于三阶段注意力机制的车辆轨迹预测方法,其特征是,所述训练集、验证集、测试集的数据划分比例为7:1:2。
6.根据权利要求1所述的一种基于三阶段注意力机制的车辆轨迹预测方法,其特征是,步骤S3包括特征注意力模块、时序注意力模块和空间注意力模块。
7.根据权利要求1、2和6所述的一种基于三阶段注意力机制的车辆轨迹预测方法,其特征是,所述步骤S3的预测模型算法流程以样本中目标车辆的T时刻信息,记为X=Xt-T+1,...,Xt,其中Xi=x1,...,xn为第i时刻S1.2预处理过的特征,n表示特征的数量,Xt为当前时刻车辆的特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111651987.XA CN114495036A (zh) | 2021-12-27 | 2021-12-27 | 一种基于三阶段注意力机制的车辆轨迹预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111651987.XA CN114495036A (zh) | 2021-12-27 | 2021-12-27 | 一种基于三阶段注意力机制的车辆轨迹预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114495036A true CN114495036A (zh) | 2022-05-13 |
Family
ID=81497246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111651987.XA Pending CN114495036A (zh) | 2021-12-27 | 2021-12-27 | 一种基于三阶段注意力机制的车辆轨迹预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114495036A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115019509A (zh) * | 2022-06-22 | 2022-09-06 | 同济大学 | 基于两阶段注意力lstm的停车场空余车位预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465273A (zh) * | 2020-12-25 | 2021-03-09 | 湖北汽车工业学院 | 一种基于局部注意力机制的无人车轨迹预测方法 |
CN112686281A (zh) * | 2020-12-08 | 2021-04-20 | 深圳先进技术研究院 | 基于时空注意力和多级lstm信息表达的车辆轨迹预测方法 |
CN113313320A (zh) * | 2021-06-17 | 2021-08-27 | 湖北汽车工业学院 | 一种基于残差注意力机制的车辆轨迹预测方法 |
-
2021
- 2021-12-27 CN CN202111651987.XA patent/CN114495036A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686281A (zh) * | 2020-12-08 | 2021-04-20 | 深圳先进技术研究院 | 基于时空注意力和多级lstm信息表达的车辆轨迹预测方法 |
CN112465273A (zh) * | 2020-12-25 | 2021-03-09 | 湖北汽车工业学院 | 一种基于局部注意力机制的无人车轨迹预测方法 |
CN113313320A (zh) * | 2021-06-17 | 2021-08-27 | 湖北汽车工业学院 | 一种基于残差注意力机制的车辆轨迹预测方法 |
Non-Patent Citations (1)
Title |
---|
蔡英凤;朱南楠;邰康盛;刘擎超;王海;: "基于注意力机制的车辆行为预测", 江苏大学学报(自然科学版), no. 02, 10 March 2020 (2020-03-10) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115019509A (zh) * | 2022-06-22 | 2022-09-06 | 同济大学 | 基于两阶段注意力lstm的停车场空余车位预测方法及系统 |
CN115019509B (zh) * | 2022-06-22 | 2023-08-04 | 同济大学 | 基于两阶段注意力lstm的停车场空余车位预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111008999B (zh) | 用包含跟踪网络的cnn跟踪对象的方法和使用该方法的装置 | |
US11794757B2 (en) | Systems and methods for prediction windows for optimal powertrain control | |
JP7256758B2 (ja) | 自動運転車両においてrnnとlstmを用いて時間平滑化を行うlidar測位 | |
Grigorescu et al. | Neurotrajectory: A neuroevolutionary approach to local state trajectory learning for autonomous 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 | |
JP2021514885A (ja) | 自動運転車のlidar測位に用いられるディープラーニングに基づく特徴抽出方法 | |
WO2019071909A1 (zh) | 基于相对熵深度逆强化学习的自动驾驶系统及方法 | |
CN109920248B (zh) | 一种基于gru神经网络的公交到站时间预测方法 | |
Zhu et al. | Off-road autonomous vehicles traversability analysis and trajectory planning based on deep inverse reinforcement learning | |
US10733511B1 (en) | Learning method and learning device for updating HD map by reconstructing 3D space by using depth estimation information and class information on each object, which have been acquired through V2X information integration technique, and testing method and testing device using the same | |
Schreiber et al. | Motion estimation in occupancy grid maps in stationary settings using recurrent neural networks | |
CN114299607A (zh) | 一种基于自动驾驶汽车的人车碰撞危险度分析方法 | |
CN114167898A (zh) | 一种无人机收集数据的全局路径规划方法及系统 | |
CN116503446A (zh) | 目标驱动和分布热力图输出的多模态车辆轨迹预测方法 | |
Sharma et al. | Kernelized convolutional transformer network based driver behavior estimation for conflict resolution at unsignalized roundabout | |
CN114495036A (zh) | 一种基于三阶段注意力机制的车辆轨迹预测方法 | |
CN114620059B (zh) | 一种自动驾驶方法及其系统、计算机可读存储介质 | |
CN111310919B (zh) | 基于场景切分和局部路径规划的驾驶控制策略训练方法 | |
Zhang et al. | A convolutional neural network method for self-driving cars | |
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 | |
CN116523970A (zh) | 基于二次隐式匹配的动态三维目标跟踪方法及装置 | |
RU2742394C1 (ru) | Способ построения интеллектуальной системы определения областей маршрутов полета беспилотного летательного аппарата в моделирующих комплексах | |
Chen et al. | Motion planning for heterogeneous unmanned systems under partial observation from uav | |
Jawed et al. | Data-driven vehicle trajectory forecasting | |
Xie et al. | Stochastic Occupancy Grid Map Prediction in Dynamic Scenes |
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 |