CN114926802A - 基于双层lstm网络的车辆轨迹预测方法 - Google Patents

基于双层lstm网络的车辆轨迹预测方法 Download PDF

Info

Publication number
CN114926802A
CN114926802A CN202210731313.9A CN202210731313A CN114926802A CN 114926802 A CN114926802 A CN 114926802A CN 202210731313 A CN202210731313 A CN 202210731313A CN 114926802 A CN114926802 A CN 114926802A
Authority
CN
China
Prior art keywords
track
vehicle
prediction
lstm network
data
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
CN202210731313.9A
Other languages
English (en)
Other versions
CN114926802B (zh
Inventor
黎万洪
孙正海
周增碧
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.)
Chongqing Changan Automobile Co Ltd
Original Assignee
Chongqing Changan Automobile Co Ltd
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 Chongqing Changan Automobile Co Ltd filed Critical Chongqing Changan Automobile Co Ltd
Priority to CN202210731313.9A priority Critical patent/CN114926802B/zh
Publication of CN114926802A publication Critical patent/CN114926802A/zh
Application granted granted Critical
Publication of CN114926802B publication Critical patent/CN114926802B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • 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
    • G06N3/045—Combinations of 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于双层LSTM网络的车辆轨迹预测方法，包括如下步骤：步骤1，构建周边交通车辆换道轨迹数据集和直行轨迹数据集；其中，换道轨迹数据集包括左换道数据集和右换道数据集；步骤2，向上层驾驶意图预测LSTM网络输入车辆的换道轨迹数据集和直行轨迹数据集，预测车辆未来驾驶意图，得出预测结果；步骤3，根据驾驶意图预测结果调用下层对应的轨迹预测LSTM网络，并输出周边车辆未来的预测行驶轨迹；步骤4，对步骤3中预测行驶轨迹进行合理膨胀处理，并训练驾驶意图预测网络，得到膨胀过后的车辆行驶轨迹区域。

Description

基于双层LSTM网络的车辆轨迹预测方法
技术领域
本发明属于智能汽车驾驶轨迹预测领域，具体涉及一种基于双层LSTM网络的车辆轨迹预测方法。
背景技术
汽车轨迹预测方法可以分为两大类：基于模型的轨迹预测和基于数据驱动的轨迹预测。前者利用车辆运动学或动力学模型预测车辆轨迹，如基于匀速运动的轨迹预测和基于匀加速运动得轨迹预测，但由于车辆轨迹的高度非线性、驾驶人驾驶习惯的多样性及交通场景参与者的复杂性，使得这种方法的预测精度较低；后者主要采用聚类算法和回归算法两种思路处理轨迹预测问题，这两类方法可以对现有的轨迹序列数据进行聚类处理，在预测轨迹时根据当前轨迹序列与训练的聚类结果的相似程度进行分类处理，进而预测轨迹，但当驾驶意图不明确时，轨迹输出结果倾向于不同意图轨迹的平均值，无法有效反映周边车辆的未来轨迹趋势。
递归LSTM网络(Recurrent neural network，RNN)由输入层、隐藏层和输出层构成，与传统的BPLSTM网络相比，RNN还实现了隐层的不同的神经元之间的连接，这样的结构使RNN可以记忆输入序列的历史信息，并实现对未来时间步的预测。但是若输入的序列数据过长，RNN很难记忆太长时间步的信息，并会出现梯度爆炸的问题。为解决这一问题，通常采用长短时记忆网络(Long Short-Term Memory，LSTM)，该网络在传统的输入门、输出门及通过增加遗忘门来遗忘次要的信息，因此即使输入的序列数据增加，也不会对数据序列的预测造成负担。
目前，公开号为111079590的中国专利公开了一种无人驾驶车辆的周边车辆行为预判方法，首先获取目标车辆的轨迹数据和环境数据；然后对轨迹数据进行特征值添加及标准化处理，提取变道、直行轨迹数据并进行类别标注，随机提取长度为dk的时间段内的数据，构成第kLSTM数据集；接着对环境数据进行数据清洗，提取变道、直行环境数据，并进行类别标注，得到RF数据集；再构建并训练周边车辆行为预判的第kLSTM深度LSTM网络模型及随机森林模型，并结合随机森林模型和第1、2LSTM深度LSTM网络模型，对目标车辆进行行为预判；在预测出变道行为后，进行车辆轨迹预测。上述预测方法仅通过对数据集进行训练后结合随机森林模型获得，存在轨迹预测不够精准的问题。
发明内容
针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种车辆轨迹预测精准，有效提升车辆行驶决策准确性的一种基于双层LSTM网络的车辆轨迹预测方法。
为了解决上述技术问题，本发明采用了如下的技术方案：
一种基于双层LSTM网络的车辆轨迹预测方法，其特征在于，包括如下步骤：步骤1，构建周边交通车辆换道轨迹数据集和直行轨迹数据集；其中，换道轨迹数据集包括左换道数据集和右换道数据集；步骤2，向上层驾驶意图预测LSTM网络输入车辆的换道轨迹数据集和直行轨迹数据集，预测车辆未来驾驶意图，得出预测结果；步骤3，根据驾驶意图预测结果调用下层对应的轨迹预测LSTM网络，并输出周边车辆未来的预测行驶轨迹；步骤4，对步骤3中预测行驶轨迹进行合理膨胀处理，并训练驾驶意图预测网络，得到膨胀过后的车辆行驶轨迹区域。
进一步的，在构建周边交通车辆换道轨迹数据集和直行轨迹数据集前，先对所获取的周边交通车辆的原始测试数据滤波处理，再划分换道区域。具体的，采用对称字数移动平均法对原始测试数据进行滤波处理，处理时，所采用的对称字数移动平均法如下式所示：
Figure BDA0003713610640000031
式中，x'm(k)表示车轮m在时刻k的拟合值；xm(i)表示车轮m在时刻i的原始测量值；
D为考虑边界的数据平滑窗口，取值参照下式：D＝min(3Δ,k-1,Nm-k)，式中，Δ为中间数据平滑窗口，且Δ＝T/dt＝10T，当x为位置数据时，T＝0.5s，当x为速度数据时，T＝1s；Nm为数据总帧数。
进一步的，对行车车道进行划分时，需根据车辆的宽度，定义跨道区和行车区，并对车道位置进行编号；在构造车辆轨迹数据集时，先实时采集车辆行驶数据，并根据车道编号的变化，提取车辆行驶中左换道、右换道和直行的车辆轨迹片段；提取时，当车辆从当前的行车区换道到相邻车道的行车区时，以车辆行驶到两车道之间的车道线交点作为第0位标志帧，向运动轨迹回溯一定时间作为换道点，向运动轨迹前方一定时间定义为并道点，以此构成车辆换道轨迹数据；若在车辆行驶轨迹中随机截取指定时间内车辆行驶数据，车辆一直处于当前车道编号内，确定车辆无换道动作，将其定义为直行轨迹数据。
进一步的，步骤2中，在输入车辆的换道轨迹数据集和直行轨迹数据集前，先构建上层驾驶意图预测LSTM网络模型，具体的，先构建遗忘门模型为ft＝σ(Wf·[ht-1，xt]+bf)，式中，ft为遗忘门的输出，ht-1为上一时刻LSTM的隐层输出，xt为当前时间的输入，Wf为遗忘门的权重矩阵；bf为遗忘门偏置矩阵；然后，构建输入门模型为it＝σ(Wi·[ht-1，xt]+bi)，式中，it为输入门的输出，Wi为输入门的权重矩阵；bi为输入门偏置矩阵，构建候选门模型为
Figure BDA0003713610640000041
式中，
Figure BDA0003713610640000042
为候选向量，Wc为候选门的权重矩阵，bc为候选门偏置矩阵；构建记忆单元函数为
Figure BDA0003713610640000043
构建输出门模型为ot＝σ(Wo·[ht-1，xt]+bo)，式中，ot为输出门的输出，Wo为输出门的权重矩阵；bo为输出门的偏置矩阵；最后，利用tanh激活函数控制记忆单元，LSTM单元的输出为ht＝ot·tanh(Ct)。
进一步的，步骤2中，预测车辆未来驾驶意图的具体步骤如下：以左换道、直行、右换道三种数据集的90％作为训练集，数据集的10％作为测试集，选取训练集轨迹数据的前10s数据，并挑选纵向速度、横向速度和横向位置偏差作为LSTM网络的输入量，对左转、直行和右转轨迹分别标记后作为LSTM网络的目标输出量；然后，将训练集数据、网络的输入量、LSTM网络的目标输出量输入LSTM网络，得到驾驶意图预测结果。
进一步的，步骤3中，根据步骤2中所划分的训练集，将纵向速度、横向速度和横向位置偏差作为轨迹预测LSTM网络的输入量，先确定轨迹预测时域k，然后再以车辆纵向速度、横向速度和横向位置偏差作为轨迹预测LSTM网络的输入量，对左转、直行和右转轨迹分别标记后作为轨迹预测LSTM网络的目标输出量；最后，在预测时域内不断进行滚动预测，具体的，以P1,P2,…,Pi作为历史轨迹输入到LSTM网络，向前预测Pi+1,Pi+2,…,Pi+k的轨迹，然后以P1,P2,…,Pi,Pi+1,…,Pi+k作为历史轨迹，再次向前预测k步轨迹，如此进行滚动预测，得到车辆预测行驶轨迹。
进一步的，所述预测时域k为1s。
进一步的，步骤4中，膨胀处理时，利用均方根误差作为轨迹偏差指标，以预测轨迹点为椭圆形心，以纵向均方根误差作为椭圆长半轴，以横向均方根误差作为椭圆短半轴，以此绘制每一个预测轨迹点的轨迹膨胀椭圆，然后勾勒所有的椭圆点并绘制包络线，所绘制的包络线即为膨胀处理后的车辆预测行驶轨迹。
与现有技术相比，本发明得到的基于双层LSTM网络的车辆轨迹预测方法具有如下优点：在对车辆轨迹预测处理，得到预测结果后，再将预测结果进行膨胀处理，得到膨胀后的预测轨迹，该预测轨迹在膨胀处理后，有效覆盖了预测轨迹，对预测轨迹进行扩展，从而使得预测轨迹结果更加精准。
附图说明
图1为实施例中双层LSTM网络的车辆轨迹预测方法的流程图；
图2为指数移动平均滤波示意图；
图3为实施例中车道区域划分示意图；
图4为实施例中LSTM网络示意图；
图5为十折交叉验证法流程图；
图6为实施例中测试集的换道轨迹类型识别结果；
图7为实施例中测试集样本轨迹的驾驶意图识别预测时域；
图8为实施例中左转预测轨迹及膨胀处理示例；
图9为采用最大误差、平均误差、RMSE作为轨迹预测膨胀处理的进度对比表。
图10为轨迹预测膨胀处理示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
实施例：
如图1-图8所示，本实施例提供的基于双层LSTM网络的车辆轨迹预测方法，包括如下步骤：步骤1，对原始测试数据利用指数移动平均法进行滤波；步骤2，构建周边交通车辆换道轨迹数据集和直行轨迹数据集；其中，换道轨迹数据集包括左换道数据集和右换道数据集；步骤2，向上层驾驶意图预测LSTM网络输入车辆的换道轨迹数据集和直行轨迹数据集，预测车辆未来驾驶意图，得出预测结果；步骤3，根据驾驶意图预测结果调用下层对应的轨迹预测LSTM网络，并输出周边车辆未来的预测行驶轨迹；步骤4，对步骤3中预测行驶轨迹进行合理膨胀处理，并训练驾驶意图预测网络，得到膨胀过后的车辆行驶轨迹区域，进一步提高轨迹预测的容错性能和自动驾驶的安全性能。
在构建数据集之前，由于原始数据存在一定的误差和噪声，尤其是速度信号抖动明显，因此需要首先对采集的数据进行滤波处理。本发明采用对称指数移动平均法速度、位置等原始数据进行滤波处理，对称指数移动平均法如下式所示，示意图如图2所示。
Figure BDA0003713610640000061
式中，x'm(k)表示车轮m在时刻k的拟合值；xm(i)表示车轮m在时刻i的原始测量值；D为考虑边界的数据平滑窗口，取值参照下式：
D＝min(3Δ,k-1,Nm-k)
式中，Δ为中间数据平滑窗口，且Δ＝T/dt＝10T，当x为位置数据时，T＝0.5s，当x为速度数据时，T＝1s；Nm为数据总帧数。
接下来，需要划分换道区域以便提取数据。如图3所示的下方车辆为换道车辆，根据该车辆的宽度，可以定义跨道区和行车区，前者为浅灰色阴影区域，后者为其余深灰色区域。车道宽度为d＝3.66m，设车宽为W，则跨道区的宽度d1应当满足d1＝d-W。采用两位数对划分后的车道位置进行编号，当十位数与个位数相同时，表示行车区；否则，十位编号表示当前车道编号，个位编号表示当前车道的邻近车道编号。如图3右侧的数字，33表示3车道的行车区，34表示3车道靠近4车道一侧的跨道区。
车辆的完整换道轨迹应当从图3行车区的A点开始，依次经过跨道区的B/C/D点，再到达另一车道的行车区的E点结束。BCD三个点可以根据行车区和跨道区的定义找到对应的关键帧，本文对A点和E点的定义如下：以跨道点C作为第0位标志帧，向运动轨迹回溯的第10s定义为换道点A，向运动轨迹前方的第5s定义为并道点。由此构成的15s轨迹数据定义为换道轨迹数据，当某车辆无换道动作时，在轨迹序列中随机截取15s数据，并定义为直行轨迹数据。由此构造左换道、直行和右换道轨迹数据集用于LSTM网络训练、测试和验证。
步骤2中，在输入车辆的换道轨迹数据集和直行轨迹数据集前，先构建上层驾驶意图预测LSTM网络模型(如图4所示)，具体的，
先构建遗忘门模型为ft＝σ(Wf·[ht-1，xt]+bf)，式中，ft为遗忘门的输出，ht-1为上一时刻LSTM的隐层输出，xt为当前时间的输入，Wf为遗忘门的权重矩阵；bf为遗忘门偏置矩阵；
构建输入门模型为it＝σ(Wi·[ht-1，xt]+bi)，式中，it为输入门的输出，Wi为输入门的权重矩阵；bi为输入门偏置矩阵，
构建候选门模型为
Figure BDA0003713610640000081
式中，
Figure BDA0003713610640000082
为候选向量，Wc为候选门的权重矩阵，bc为候选门偏置矩阵；
构建记忆单元函数为
Figure BDA0003713610640000083
构建输出门模型为ot＝σ(Wo·[ht-1，xt]+bo)，式中，ot为输出门的输出，Wo为输出门的权重矩阵；bo为输出门的偏置矩阵；
最后，利用tanh激活函数控制记忆单元，LSTM单元的输出为ht＝ot·tanh(Ct)。
以上，完成了一个时间步的记忆单元更新和隐层输出，针对一组数据序列，不断往后推移，便可以得到一系列的隐层输出序列，再对隐层输出序列作适当变换，就可得到每一个时间步的输出层输出序列，也就实现了对序列的预测。
考虑到以下三点：1)车辆在换道时，往往纵横向速度有较明显的变化；2)预测驾驶意图须在跨道点以前完成才有意义；3)LSTM网络有较多的超参数，如初始学习率、学习率下降系数等，超参数无法通过算法本身的学习训练而自动修改，是LSTM网络在训练前必须预设的一些参数，参数的确定一般采用交叉验证的方法。基于上述考虑，本发明采用十折交叉验证法进行超参数训练，以初始学习率η为例，其方法步骤如图5所示：
①选取训练集轨迹数据的前10s数据，并挑选纵向速度、横向速度和横向位置偏差作为LSTM网络的输入量，对左转、直行和右转轨迹分别标记为1,2,3，作为LSTM网络的目标输出量。
②采用10折交叉验证法，将测试数据随机分成数据量近似相等的10个亚组，给每个亚组编号并保存。先以第1个亚组作为验证集，第2-10组作为训练集。
③根据调试经验，初始学习率可在0.001，0.005，0.008，0.01，0.05五个参数里面进行选择。首先设η＝0.001，用训练集训练LSTM网络，并用验证集数据验证LSTM网络，将验证集输出值与验证集目标值的均方根误差作为LSTM网络优劣的评价函数，获得在此验证集和训练集下的RMSE[1]。
④然后以第2个亚组作为验证集，第1，3，4，…，9，10组数据作为训练集，重复步骤③，获得在此验证集和训练集下的RMSE[2]。
⑤按照步骤③和④的方法，不断重复，直至第10个亚组组数据充当了验证集并得到对应的RMSE[10]。将10次训练得到的RMSE求平均值，得到η＝0.001时的评价函数值RMSE_mean[1]。
⑥返回第③步，设η＝0.005，同理获得这一训练函数下的评价函数值RMSE_mean[2]。最后比较所有训练函数下的平均评价函数值，选取RMSE_mean最小的LSTM网络模型及其训练函数。
其余超参数的确定可采用同样的步骤，当所有超参数确定之后，便可同步所有的超参数并最终进行训练得到驾驶意图预测网络。
本发明利用测试集的653组轨迹数据，考察驾驶意图预测网络是否能够正确识别轨迹类型，识别结果如图6所示。由图6可以看出，识别换道标志符曲线与实际换道标志符曲线基本重合，只有在编号为409的直行换道轨迹序列被识别为了右换道轨迹类型，绝大部分测试轨迹数据的类型被正确识别，识别正确率高达99.85％，表明所训练的驾驶意图预测网络能够正确识别轨迹类型。
上述换道轨迹类型识别过程实质是针对跨道点以前的100帧数据进行的驾驶意图识别过程，而非驾驶意图预测过程，要验证驾驶意图预测方面的性能，还需要将输入的轨迹序列缩短，考察该意图预测网络在跨道点以前正确识别出换道轨迹类型的最远帧，识别帧距跨道点越远，表明意图预测网络预判车辆驾驶意图的能力越高。因此，再针对驾驶意图预测性能，作进一步验证，步骤如下：
1)选取测试集中的22组左换道和82组右换道数据集作为驾驶意图的换道预测测试集，先选取第一组轨迹数据的前30帧数据作为车辆的已知历史轨迹，输入到意图预测网络，输出驾驶意图识别结果(1，2或者3)；
2)再选取前面31帧轨迹序列数据，同样输入到意图预测网络，保存输出的驾驶意图识别结果。
3)依照第②步的方法，循环70次，直到选取了跨道点回溯的所有100帧数据。
4)识别下一组轨迹序列数据，重复1)～3)步，直到104组换道轨迹序列全部测试。
一般来说输入给意图预测网络的轨迹序列较少时，序列还未明显体现换道意图的内在数学规律，因此意图预测网络输出的驾驶意图识别结果为2，即驾驶意图判断为直行。随着输入的轨迹帧数的增多，轨迹数据的横向位置逐步发生变化，换道的内在规律逐步体现，则输出的驾驶意图识别结果由2变为了1(左转)或3(右转)，从每一组轨迹序列的70次循环输出结果中，记录第一个识别结果为非2的循环次数编号i，定义70-i为车辆驾驶意图识别的预测时域。将22组左换道轨迹序列和82组右换道轨迹序列的预测时域结果，共同绘制于图7。
由图7可以看出，左换道轨迹序列的换道意图预测时域接近5帧，即能在跨道点前0.5s预判到车辆即将左转；右换道轨迹序列的换道意图预测时域接近9帧，即能在跨道点前0.9s预判到车辆即将右转。尽管左换道和右换道预测时域远小于车辆的整个换道过程时间(一般为5～8s)，但正是因为能够提前准确预测周边车辆的驾驶意图，从而为自动驾驶汽车有效制定未来行驶决策预留宝贵时间。
步骤3中，根据步骤2中所划分的训练集，将纵向速度、横向速度和横向位置偏差作为轨迹预测LSTM网络的输入量，先确定轨迹预测时域k，然后再以车辆纵向速度、横向速度和横向位置偏差作为轨迹预测LSTM网络的输入量，对左转、直行和右转轨迹分别标记后作为轨迹预测LSTM网络的目标输出量；最后，在预测时域内不断进行滚动预测，具体的，以P1,P2,…,Pi作为历史轨迹输入到LSTM网络，向前预测Pi+1,Pi+2,…,Pi+k的轨迹，然后以P1,P2,…,Pi,Pi+1,…,Pi+k作为历史轨迹，再次向前预测k步轨迹，如此进行滚动预测，得到车辆预测行驶轨迹。经过试验和分析，并综合考虑预测时域的长度和轨迹预测的精度，将预测时域定为1s。
在进行膨胀处理时，为确定合适的膨胀处理方式，分别利用最大误差、平均误差、RMSE初步作为轨迹预测精度评价指标，然后从横向和纵向两个方面分别计算测试组轨迹的评价指标，并求取平均值，计算结果如图9所示。图9中的方法M1是指在预测轨迹时考虑了驾驶意图识别，通过调用不同的预测网络实现精准轨迹预测；方法M2是指不考虑驾驶意图识别，仅训练轨迹预测网络，从而进行轨迹预测。从图9中可以得到如下两个结论：1)方法M1的预测轨迹从最大误差、平均误差和RMSE三个评价指标均低于M2，表明考虑了驾驶意图预测能有效提高车辆轨迹预测的精度；2)误差反映了轨迹预测值与实际值的偏差，那么若合理选择误差度量指标，根据预测值就可反推实际轨迹值。
最大误差评价指标刻画了一段参考轨迹序列的轨迹预测最大偏差，该值是三个评价指标中的最大值，用其反推实际轨迹值会过于保守；平均误差刻画了该轨迹序列所有轨迹点偏差的平均值，该值最小，用其反推实际轨迹值则过于冒险。故采用RMSE(即均方根误差)作为预测轨迹反推真实轨迹的误差评价指标，本发明将这一反推过程定义为预测轨迹膨胀处理，轨迹膨胀示意图如图10所示，具体步骤如下：1)利用RMSE作为轨迹偏差指标，以图10下方车辆的预测轨迹点作为椭圆形心，以纵向均方根误差LonErr作为椭圆长半轴，以横向均方根误差LatErr作为椭圆短半轴；2)然后根据形心、长半轴和短半轴，绘制出每一个预测轨迹点的轨迹膨胀椭圆；3)最后勾勒所有的椭圆点并绘制包络线，形成一个由包络线构成的轨迹预测膨胀灰色阴影区。
为验证预测轨迹膨胀处理效果，从验证集选取一条左换道轨迹，首先利用双层LSTM网络对其进行轨迹预测，然后对其进行膨胀处理，膨胀效果如图8所示。可以看出，经过膨胀处理之后的预测轨迹膨胀区域大小适中，没有过度保守构成较大的膨胀区域，交通车辆的真实轨迹在绝大部分距离范围都有效的被囊括进了膨胀区内，表明膨胀效果较为理想。
最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，尽管申请人参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于双层LSTM网络的车辆轨迹预测方法，其特征在于，包括如下步骤：步骤1，构建周边交通车辆换道轨迹数据集和直行轨迹数据集；其中，换道轨迹数据集包括左换道数据集和右换道数据集；步骤2，向上层驾驶意图预测LSTM网络输入车辆的换道轨迹数据集和直行轨迹数据集，预测车辆未来驾驶意图，得出预测结果；步骤3，根据驾驶意图预测结果调用下层对应的轨迹预测LSTM网络，并输出周边车辆未来的预测行驶轨迹；步骤4，对步骤3中预测行驶轨迹进行合理膨胀处理，并训练驾驶意图预测网络，得到膨胀过后的车辆行驶轨迹区域。
2.根据权利要求1所述的基于双层LSTM网络的车辆轨迹预测方法，其特征在于，在构建周边交通车辆换道轨迹数据集和直行轨迹数据集前，先对所获取的周边交通车辆的原始测试数据滤波处理，再划分换道区域。
3.根据权利要求2所述的基于双层LSTM网络的车辆轨迹预测方法，其特征在于，采用对称字数移动平均法对原始测试数据进行滤波处理，处理时，所采用的对称字数移动平均法如下式所示：
Figure FDA0003713610630000011
式中，x'm(k)表示车轮m在时刻k的拟合值；xm(i)表示车轮m在时刻i的原始测量值；
D为考虑边界的数据平滑窗口，取值参照下式：D＝min(3Δ,k-1,Nm-k)，式中，Δ为中间数据平滑窗口，且Δ＝T/dt＝10T，当x为位置数据时，T＝0.5s，当x为速度数据时，T＝1s；Nm为数据总帧数。
4.根据权利要求2所述的基于双层LSTM网络的车辆轨迹预测方法，其特征在于，对行车车道进行划分时，根据车辆的宽度，定义跨道区和行车区，并对车道位置进行编号。
5.根据权利要求4所述的基于双层LSTM网络的车辆轨迹预测方法，其特征在于，在构造车辆轨迹数据集时，先实时采集车辆行驶数据，并根据车道编号的变化，提取车辆行驶中左换道、右换道和直行的车辆轨迹片段；提取时，当车辆从当前的行车区换道到相邻车道的行车区时，以车辆行驶到两车道之间的车道线交点作为第0位标志帧，向运动轨迹回溯一定时间作为换道点，向运动轨迹前方一定时间定义为并道点，以此构成车辆换道轨迹数据；若在车辆行驶轨迹中随机截取指定时间内车辆行驶数据，车辆一直处于当前车道编号内，确定车辆无换道动作，将其定义为直行轨迹数据。
6.根据权利要求1或2或3或4或5所述的基于双层LSTM网络的车辆轨迹预测方法，其特征在于，步骤2中，在输入车辆的换道轨迹数据集和直行轨迹数据集前，先构建上层驾驶意图预测LSTM网络模型，具体的，先构建遗忘门模型为ft＝σ(Wf·[ht-1，xt]+bf)，式中，ft为遗忘门的输出，ht-1为上一时刻LSTM的隐层输出，xt为当前时间的输入，Wf为遗忘门的权重矩阵；bf为遗忘门偏置矩阵；然后，构建输入门模型为it＝σ(Wi·[ht-1，xt]+bi)，式中，it为输入门的输出，Wi为输入门的权重矩阵；bi为输入门偏置矩阵，构建候选门模型为
Figure FDA0003713610630000021
式中，
Figure FDA0003713610630000022
为候选向量，Wc为候选门的权重矩阵，bc为候选门偏置矩阵；构建记忆单元函数为
Figure FDA0003713610630000023
构建输出门模型为ot＝σ(Wo·[ht-1，xt]+bo)，式中，ot为输出门的输出，Wo为输出门的权重矩阵；bo为输出门的偏置矩阵；最后，利用tanh激活函数控制记忆单元，LSTM单元的输出为ht＝ot·tanh(Ct)。
7.根据权利要求6所述的基于双层LSTM网络的车辆轨迹预测方法，其特征在于，步骤2中，预测车辆未来驾驶意图的具体步骤如下：以左换道、直行、右换道三种数据集的90％作为训练集，数据集的10％作为测试集，选取训练集轨迹数据的前10s数据，并挑选纵向速度、横向速度和横向位置偏差作为LSTM网络的输入量，对左转、直行和右转轨迹分别标记后作为LSTM网络的目标输出量；然后，将训练集数据、网络的输入量、LSTM网络的目标输出量输入LSTM网络，得到驾驶意图预测结果。
8.根据权利要求7所述的基于双层LSTM网络的车辆轨迹预测方法，其特征在于，步骤3中，根据步骤2中所划分的训练集，将纵向速度、横向速度和横向位置偏差作为轨迹预测LSTM网络的输入量，先确定轨迹预测时域k，然后再以车辆纵向速度、横向速度和横向位置偏差作为轨迹预测LSTM网络的输入量，对左转、直行和右转轨迹分别标记后作为轨迹预测LSTM网络的目标输出量；最后，在预测时域内不断进行滚动预测，具体的，以P1,P2,…,Pi作为历史轨迹输入到LSTM网络，向前预测Pi+1,Pi+2,…,Pi+k的轨迹，然后以P1,P2,…,Pi,Pi+1,…,Pi+k作为历史轨迹，再次向前预测k步轨迹，如此进行滚动预测，得到车辆预测行驶轨迹。
9.根据权利要求8所述的基于双层LSTM网络的车辆轨迹预测方法，其特征在于，所述预测时域k为1s。
10.根据权利要求1或2或3或4或5或7或8或9所述的基于双层LSTM网络的车辆轨迹预测方法，其特征在于，步骤4中，膨胀处理时，利用均方根误差作为轨迹偏差指标，以预测轨迹点为椭圆形心，以纵向均方根误差作为椭圆长半轴，以横向均方根误差作为椭圆短半轴，以此绘制每一个预测轨迹点的轨迹膨胀椭圆，然后勾勒所有的椭圆点并绘制包络线，所绘制的包络线即为膨胀处理后的车辆预测行驶轨迹。
CN202210731313.9A 2022-06-24 2022-06-24 基于双层lstm网络的车辆轨迹预测方法 Active CN114926802B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210731313.9A CN114926802B (zh) 2022-06-24 2022-06-24 基于双层lstm网络的车辆轨迹预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210731313.9A CN114926802B (zh) 2022-06-24 2022-06-24 基于双层lstm网络的车辆轨迹预测方法

Publications (2)

Publication Number Publication Date
CN114926802A true CN114926802A (zh) 2022-08-19
CN114926802B CN114926802B (zh) 2024-06-28

Family

ID=82815490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210731313.9A Active CN114926802B (zh) 2022-06-24 2022-06-24 基于双层lstm网络的车辆轨迹预测方法

Country Status (1)

Country Link
CN (1) CN114926802B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115631629A (zh) * 2022-10-20 2023-01-20 湖南大学 一种基于轨迹预测的城市动态车辆云构建方法及系统
CN115938113A (zh) * 2022-11-29 2023-04-07 重庆长安汽车股份有限公司 一种车辆行为预测方法、装置及电子设备
CN117333847A (zh) * 2023-12-01 2024-01-02 山东科技大学 一种基于车辆行为识别的轨迹预测方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010113532A (ja) * 2008-11-06 2010-05-20 Nissan Motor Co Ltd 車両運転操作判断装置及び車両運転操作判断方法
CN111079590A (zh) * 2019-12-04 2020-04-28 东北大学 一种无人驾驶车辆的周边车辆行为预判方法
WO2021043925A1 (fr) * 2019-09-03 2021-03-11 Renault S.A.S Dispositif de commande prédictif du mouvement d'un véhicule automobile
CN113486960A (zh) * 2021-07-12 2021-10-08 安徽耀峰雷达科技有限公司 基于长短时记忆神经网络的无人机跟踪方法、装置、存储介质及计算机设备
CN113486822A (zh) * 2021-07-12 2021-10-08 吉林大学 一种基于驾驶意图的周围车辆轨迹预测方法及系统
US20210349463A1 (en) * 2018-08-03 2021-11-11 Nissan Motor Co., Ltd. Traveling Trajectory Correction Method, Traveling Control Method, and Traveling Trajectory Correction Device
CN113954864A (zh) * 2021-09-22 2022-01-21 江苏大学 一种融合周边车辆交互信息的智能汽车轨迹预测系统及方法
CN114022847A (zh) * 2021-11-23 2022-02-08 清华大学 一种智能体轨迹预测方法、系统、设备和存储介质
CN114462667A (zh) * 2021-12-20 2022-05-10 上海智能网联汽车技术中心有限公司 一种基于sfm-lstm神经网络模型的过街行人轨迹预测方法
CN114502450A (zh) * 2019-10-04 2022-05-13 曼卡车和巴士欧洲股份公司 机动车辆横向和纵向引导中的死区时间补偿技术

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010113532A (ja) * 2008-11-06 2010-05-20 Nissan Motor Co Ltd 車両運転操作判断装置及び車両運転操作判断方法
US20210349463A1 (en) * 2018-08-03 2021-11-11 Nissan Motor Co., Ltd. Traveling Trajectory Correction Method, Traveling Control Method, and Traveling Trajectory Correction Device
WO2021043925A1 (fr) * 2019-09-03 2021-03-11 Renault S.A.S Dispositif de commande prédictif du mouvement d'un véhicule automobile
CN114502450A (zh) * 2019-10-04 2022-05-13 曼卡车和巴士欧洲股份公司 机动车辆横向和纵向引导中的死区时间补偿技术
CN111079590A (zh) * 2019-12-04 2020-04-28 东北大学 一种无人驾驶车辆的周边车辆行为预判方法
CN113486960A (zh) * 2021-07-12 2021-10-08 安徽耀峰雷达科技有限公司 基于长短时记忆神经网络的无人机跟踪方法、装置、存储介质及计算机设备
CN113486822A (zh) * 2021-07-12 2021-10-08 吉林大学 一种基于驾驶意图的周围车辆轨迹预测方法及系统
CN113954864A (zh) * 2021-09-22 2022-01-21 江苏大学 一种融合周边车辆交互信息的智能汽车轨迹预测系统及方法
CN114022847A (zh) * 2021-11-23 2022-02-08 清华大学 一种智能体轨迹预测方法、系统、设备和存储介质
CN114462667A (zh) * 2021-12-20 2022-05-10 上海智能网联汽车技术中心有限公司 一种基于sfm-lstm神经网络模型的过街行人轨迹预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HAORAN SONG等: "PiP: Planning-informed Trajectory Prediction for Autonomous Driving", ARXIV:2003.11476V2 [CS.CV], 18 January 2021 (2021-01-18), pages 1 - 16 *
季学武 等: "基于LSTM网络的驾驶意图识别及车辆轨迹预测", 中国公路学报, vol. 32, no. 6, 15 June 2019 (2019-06-15), pages 34 - 42 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115631629A (zh) * 2022-10-20 2023-01-20 湖南大学 一种基于轨迹预测的城市动态车辆云构建方法及系统
CN115631629B (zh) * 2022-10-20 2023-11-24 湖南大学 一种基于轨迹预测的城市动态车辆云构建方法及系统
CN115938113A (zh) * 2022-11-29 2023-04-07 重庆长安汽车股份有限公司 一种车辆行为预测方法、装置及电子设备
CN117333847A (zh) * 2023-12-01 2024-01-02 山东科技大学 一种基于车辆行为识别的轨迹预测方法及系统
CN117333847B (zh) * 2023-12-01 2024-03-15 山东科技大学 一种基于车辆行为识别的轨迹预测方法及系统

Also Published As

Publication number Publication date
CN114926802B (zh) 2024-06-28

Similar Documents

Publication Publication Date Title
CN114926802A (zh) 基于双层lstm网络的车辆轨迹预测方法
CN109145939B (zh) 一种小目标敏感的双通道卷积神经网络语义分割方法
CN112172813B (zh) 基于深度逆强化学习的模拟驾驶风格的跟车系统及方法
CN113486822B (zh) 一种基于驾驶意图的周围车辆轨迹预测方法及系统
US20220405682A1 (en) Inverse reinforcement learning-based delivery means detection apparatus and method
JP7226855B2 (ja) 列車がトンネルを通過する時間の計算方法、システム及び記憶媒体
CN112733442B (zh) 基于深度学习的路面长期性能预测模型的构建方法
CN111114556A (zh) 基于多源指数加权损失下lstm的换道意图识别方法
CN111695737A (zh) 一种基于lstm神经网络的群目标行进趋势预测方法
CN113761715B (zh) 一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法
CN112578419B (zh) 一种基于gru网络和卡尔曼滤波的gps数据重构方法
CN112801143A (zh) 基于K-Means和高斯过程回归的转向路感模拟方法
CN116415200A (zh) 一种基于深度学习的异常车辆轨迹异常检测方法及系统
CN116279484A (zh) 一种融合演化博弈与机器学习的多风格驾驶者强制换道预测方法
CN111123333B (zh) 一种融合卡口和gps数据的车辆轨迹定位方法
CN111907523A (zh) 一种基于模糊推理的车辆跟驰寻优控制方法
CN112632706B (zh) 一种基于gmm和cart回归树的路感模拟方法
CN112632705B (zh) 一种基于gmm和高斯过程回归的路感模拟方法
CN111724597B (zh) 基于驾驶行为评估驾驶员认知表现的研究方法
CN114819449A (zh) 预测车辆除霜性能的方法、装置、设备及存储介质
CN117272794A (zh) 一种基于多样性预测的驾驶场景风险评估方法
CN116946183A (zh) 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备
CN116361175A (zh) 一种自动驾驶车辆在不同安全域的测试场景创建方法
CN113962424A (zh) 基于PCANet-BiGRU的成绩预测方法、处理器、可读存储介质及计算机设备
CN102999766A (zh) 基于时空结构上下文关系在线学习的目标跟踪方法

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