CN115520223A - 网联环境下基于驾驶员交互行为特征的车辆轨迹预测方法 - Google Patents

网联环境下基于驾驶员交互行为特征的车辆轨迹预测方法 Download PDF

Info

Publication number
CN115520223A
CN115520223A CN202211362113.7A CN202211362113A CN115520223A CN 115520223 A CN115520223 A CN 115520223A CN 202211362113 A CN202211362113 A CN 202211362113A CN 115520223 A CN115520223 A CN 115520223A
Authority
CN
China
Prior art keywords
vehicle
behavior
sequence
vehicles
driver
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
Application number
CN202211362113.7A
Other languages
English (en)
Inventor
彭佳力
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202211362113.7A priority Critical patent/CN115520223A/zh
Publication of CN115520223A publication Critical patent/CN115520223A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种网联环境下基于驾驶员交互行为特征的车辆轨迹预测方法。该方法包括：基于车辆交互行为的特征聚类与融合：将车辆间交互行为对车辆运动产生的不同统计参数进行聚类与特征融合并映射作为模型的输入。基于动态栅格图建模的空间注意力特征处理：对车辆在道路上的空间运动进行动态栅格图建模，并结合空间注意力模块利用栅格模型特征的空间关系建立空间注意力图层。端到端的基于行为识别的轨迹预测框架：基于sequence‑to‑sequence提出一种新型的端到端的轨迹预测框架。本发明能够辨识驾驶人行为特征风格，在此基础上，通过图注意力模块输出预测轨迹分布，该模型验证了驾驶风格习惯和周围车辆的交互式信息均能有效提高轨迹预测的准确性。

Description

网联环境下基于驾驶员交互行为特征的车辆轨迹预测方法
技术领域
本发明涉及智能交通、机器学习领域，尤其涉及一种网联环境下基于驾驶员交互行为特征的车辆轨迹预测方法。
背景技术
为了安全有效地在由人类驾驶员组成的复杂交通环境中行驶，自动驾驶汽车需要具有主动性，从而能够决定何时改变车道、超越另一辆车或减速以让其他车辆合并等行为。也因此自动驾驶汽车需要具备预测周边环境车辆运动趋势的能力，推理环境车辆的未来运动。然而，考虑到复杂的道路交通场景以及风格多样的驾驶行为，并且车辆轨迹长期预测准确率较低，轨迹预测仍是一项极具挑战的任务。
目前研究中，Lefevre等人提出了对车辆运动预测模型的广泛调查，其中将轨迹预测模型分为了物理驱动模型，机动行为驱动模型的以及基于深度学习的交互感知模型。基于物理的模型通常考虑车辆运动学和动力学约束，例如偏航角和加速度，以及环境因素如路面的摩擦系数。使用常见的技术如卡尔曼滤波等用于轨迹预测的动力学和运动学模型。第二类是基于机动行为的方法。该方法假设车辆执行的行为动作与其他车辆的相互独立，通常包括对车辆行为进行分类的动作识别模块和特定机动行为的轨迹预测模块。动作识别模块通常使用自主车辆和周边车辆的历史位置和运动状态作为特征。第三类是交互感知模型。此方法考虑车辆间交互行为对车辆轨迹预测的影响，能够提供更可靠的长期预测结果，可以大致分为手工设计函数和端到端模型两个领域。
然而，基于物理模型的方法虽然可以实现短期(未来1s内)运动预测，但它无法预测由于操作而改变的运动动作(例如突然加减速) 或与相邻车辆的交互行为(例如前车制动，后车超车)。基于机动行为的方法需要手动将轨迹打标签，不仅任务耗时，而且标签错误可能会增加训练模型的误差。基于交互的方法基本没有考虑到交通中的周围驾驶员行为特征的影响程度，并且对自我车辆的行车特征不够集中，而在长期时序的预测中准确度不够高。
机器学习作为近些年的新兴技术，利用挖掘大数据隐式特征，充分发挥计算机仿真与计算性能，在解决轨迹长序列预测领域具有广阔的应用前景和发展潜力。sequence-to-sequence模型也为解决此类问题带来了新思路，将成为未来长序列预测、智能车辆轨迹预测等领域的重要发展方向，但是目前理论研究和实际应用还处于萌芽阶段。其中，训练模型的构建正是实现长序列轨迹预测的关键核心技术，将是未来推动相关技术发展与应用的重要因素。本发明以车路协同环境为基础应用背景，以智能网联车为应用对象，提出基于驾驶员交互行为特征的车辆轨迹预测方法，有效保障并提升轨迹预测的准确率和精确率。
发明内容
本发明的实施例提供了一种网联环境下基于驾驶员交互行为特征的车辆轨迹预测方法，以克服网联车辆长时间轨迹序列预测面临的技术难题。
为了实现上述目的，本发明采取了如下技术方案。
一种网联环境下基于驾驶员交互行为特征的车辆轨迹预测方法，包括：
基于车辆交互行为的特征聚类与融合：将车辆间交互行为对车辆运动产生的不同统计参数进行聚类与特征融合，将所有车辆的风格信息与行为特征一一映射作为模型的输入，使模型从车辆间交互行为信息中进行车辆自我认知，使每辆车能够特应性地响应行车场景的变化，从而更精确地预测车辆未来轨迹。基于动态栅格图建模的空间注意力特征处理：对车辆在道路上的空间运动进行动态栅格图建模，并结合空间注意力模块，利用栅格模型特征的空间关系建立空间注意力图层，将网联车车交互的优势进行最大化的利用。端到端的基于行为识别的轨迹预测框架：基于sequence-to-sequence提出一种新型的端到端的轨迹预测框架，分为驾驶员行为认知模块、时空与自主特征融合模块、行为与轨迹输出模块。驾驶员的驾驶风格不会随意变化，该框架能够对预测车辆采用时空与自主特征融合模块，将相邻车辆之间的隐藏信息进行传递，较大幅度地提高预测准确性。
在车辆驾驶风格建模方面，基于K-means的驾驶风格识别系统将能够在有限的驾驶行为数据下识别自我或周围的车辆风格。基于允许通过车辆传输的最公开的数据，提取车辆速度、加速度、相邻车辆、空间车头时距和时间车头时距。此外，还采用了车道变换信息，即车辆的灵活性，其中Δ为时间判断时间步长。
Figure BDA0003922411040000041
为了增加多样性以及鲁棒性，该驾驶风格识别算法增加了数据统计测量如方差(variance)，平均值，最大值和使用这些功能的最小值。整个特征向量对于k-means是一个14维矢量。接着对于14维特征矩阵,通过PCA技术将其降维后形成2维PCA特征矩阵。
对于车辆基于占用栅格图模型进行空间关系建模方面。将车辆行驶道路环境用网格(Cell)切分成mxn个，每个网格(Cell)用二值数值0 和1填充，0表示该网格(Cell)被占用，1表示该网格(Cell)没有被占用，当网格被占用时，填入占用车辆的id，并且对于每辆车均需根据时间帧数进行动态栅格化建模，即在每一帧都生成整条道路的栅格图模型，实时掌握周围车辆的空间关系。
使用LSTM编码器面向全部车辆的轨迹序列x(t)，对它们进行编码以生成编码序列h，即由
Figure BDA0003922411040000042
Figure BDA0003922411040000043
hn＝[h1,…,hi]
编码得到，其中n是历史轨迹序列的长度，hi是单个车辆特征在每个时间步里的特征序列向量，
Figure BDA0003922411040000044
是所有车辆运动学信息以及车辆驾驶行为类型特点。
接着通过利用生成空间注意力图特征的空间关系，集中挖掘“哪里”是有效的信息部分，对输出的特征图进行补充处理。首先应用平均池化和最大
池化操作连接它们以生成有效的特征描述符，在连接的特征描述符上，接着应用卷积层生成空间注意力图Ms(F)，其中含有有效信息的时空栅格图特征已经被突出。
通过使用两个池化来聚合特征图的信息操作，生成两个2D特征图：
Figure BDA0003922411040000051
每个表示整个时空栅格图的平均池化特征和最大池化特征。
Figure BDA0003922411040000052
定义的激进型车辆具有更快的速度、更小的车头间距和更低的车头时距，这表明激进型驾驶员可能倾向于与速度更快的前车保持更小的空间，相反，保守型驾驶员可能倾向于与前车保持更大的空间。神经网络通过预测六个行为分布的概率函数来预测不同行为下每个未来轨迹输出的概率。解码器有两个输出横向和纵向行为概率的 softmax层，结合融合的特征编码，通过全连接层，随后通过softmax 层，可以分别获得预定义的机动行为mk和每次执行行为的概率P (mk,)，它们相乘能够输出
Figure BDA0003922411040000053
从而生成驾驶人向左换道、直线行驶、向右换道的概率。
轨迹序列输出LSTM解码器以残差学习方式运行，输出预测位置之间的位移,输出向量包含相邻预测位置之间的位移
Figure BDA0003922411040000061
标准偏差向量
Figure BDA0003922411040000062
未来时间步长t+T的预测位置
Figure BDA0003922411040000063
和相关系数
Figure BDA0003922411040000064
预测位置因此可以用二元高斯分布表示
Figure BDA0003922411040000065
其中，平均向量是通过将未来的所有位移相加得出的时间步长T 与历史轨迹最后一个时间步长T的位置
Figure BDA0003922411040000066
则损失函数为：
-∑log(P(Yi∣mtrue,X,I)P(mtrue∣X,I))
由上述本发明实施例提供的技术方案可以看出，本发明提供了一种网联环境下基于驾驶员交互行为特征的车辆轨迹预测方法，由驾驶员行为认知模块、时空与自主特征融合模块和行为与轨迹输出模块组成。在驾驶员行为认知模块，基于K-means和PCA构建模模型，将车辆的多维度驾驶特征信息作为输入，计算出车辆驾驶行为类型与车辆驾驶特征主成分。在此基础上，与时空栅格占用图同时作为输入，结合LSTM编码器对单车自身运动的历史轨迹与车辆驾驶行为及周边车辆多车交互特性进行编码，通过空间注意力模型将所有特征进行增强融合，最后在行为与轨迹输出模块利用Softmax函数计算出驾驶意图分别为向左换道、直线行驶、向右换道的概率，并使用解码器输出最后的预测轨迹。本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，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发明的一些实施例，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。
图1为本发明实施例提供的一种网联环境下基于驾驶员交互行为特征的车辆轨迹预测方法的处理流程图；
图2为本发明实施例提供的一种基于占用栅格图模型进行车辆时空关系建模的实现原理示意图；
图3为本发明实施例提供的一种基于空间注意力图进行自我车辆特征聚焦的实现原理示意图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
本发明实例提供了一种网联环境下基于驾驶员交互行为特征的车辆轨迹预测方法。该方法的处理流程图如图1所示。首先将车辆间交互行为对车辆运动产生的不同统计参数进行聚类与特征融合，将所有车辆的风格信息与行为特征一一映射作为模型的输入，使模型从车辆间交互行为信息中进行车辆自我认知，使每辆车能够特应性地响应行车场景的变化，从而更精确地预测车辆未来轨迹。接着对车辆在道路上的空间运动进行动态栅格图建模，并结合空间注意力模块，利用栅格模型特征的空间关系建立空间注意力图层，将网联车车交互的优势进行最大化的利用，基于sequence-to-sequence构建端到端的轨迹预测框架，分为驾驶员行为认知模块、时空与自主特征融合模块、行为与轨迹输出模块。能够对预测车辆采用时空与自主特征融合模块，将相邻车辆之间的隐藏信息进行传递，较大幅度地提高长时间轨迹序列预测准确性。
在车辆驾驶风格建模方面，基于K-means的驾驶风格识别系统将能够在有限的驾驶行为数据下识别自我或周围的车辆风格。基于允许通过车辆传输的最公开的数据，提取车辆速度、加速度、相邻车辆、空间车头时距和时间车头时距。此外，还采用了车道变换信息，即车辆的灵活性，其中Δ为时间判断时间步长。
Figure BDA0003922411040000091
为了增加多样性以及鲁棒性，该驾驶风格识别算法增加了数据统计测量如方差(variance)，平均值，最大值和使用这些功能的最小值。整个特征向量对于k-means是一个14维矢量。接着对于14维特征矩阵,通过PCA技术将其降维后形成2维PCA特征矩阵。
图2为对于车辆基于占用栅格图模型进行空间关系的建模。将车辆行驶道路环境用网格(Cell)切分成mxn个，每个网格(Cell)用二值数值0和1填充，0表示该网格(Cell)被占用，1表示该网格(Cell)没有被占用，当网格被占用时，填入占用车辆的id，并且对于每辆车均需根据时间帧数进行动态栅格化建模，即在每一帧都生成整条道路的栅格图模型，实时掌握周围车辆的空间关系。
基于本发明实例所描述的架构(参照图1)，使用LSTM编码器面向全部车辆的轨迹序列x(t)，对它们进行编码以生成编码序列h，即由
Figure BDA0003922411040000101
Figure BDA0003922411040000102
hn＝[h1,…,hi]
编码得到，其中n是历史轨迹序列的长度，hi是单个车辆特征在每个时间步里的特征序列向量，
Figure BDA0003922411040000103
是所有车辆运动学信息以及车辆驾驶行为类型特点。
神经网络通过预测六个行为分布的概率函数来预测不同行为下每个未来轨迹输出的概率。解码器有两个输出横向和纵向行为概率的 softmax层，结合融合的特征编码，通过全连接层，随后通过softmax 层，可以分别获得预定义的机动行为mk和每次执行行为的概率P (mk,)，它们相乘能够输出
Figure BDA0003922411040000104
从而生成驾驶人向左换道、直线行驶、向右换道的概率。
轨迹序列输出LSTM解码器以残差学习方式运行，输出预测位置之间的位移,输出向量包含相邻预测位置之间的位移
Figure BDA0003922411040000105
标准偏差向量
Figure BDA0003922411040000106
未来时间步长t+T的预测位置
Figure BDA0003922411040000107
和相关系数
Figure BDA0003922411040000108
预测位置因此可以用二元高斯分布表示
Figure BDA0003922411040000109
其中，平均向量是通过将未来的所有位移相加得出的时间步长T 与历史轨迹最后一个时间步长T的位置
Figure BDA0003922411040000111
则损失函数为：
-∑log(P(Yi∣mtrue,X,I)P(mtrue∣X,I))
从图3中可以看到，可以通过利用生成空间注意力图特征的空间关系，集中挖掘“哪里”是有效的信息部分，对输出的特征图进行补充处理。首先应用平均池化和最大池化操作连接它们以生成有效的特征描述符，在连接的特征描述符上，接着应用卷积层生成空间注意力图Ms(F)，其中含有有效信息的时空栅格图特征已经被突出。
通过使用两个池化来聚合特征图的信息操作，生成两个2D特征图：
Figure BDA0003922411040000112
每个表示整个时空栅格图的平均池化特征和最大池化特征。
Figure BDA0003922411040000113
综上所述，本发明设计了一种基于encoder-decoder框架的的端到端的轨迹预测模型，其中的驾驶人行为辨识模块能够将驾驶人行为特征分成激进型、正常型和保守型驾驶风格，行为识别模块能够计算出驾驶人向左换道、直线行驶、向右换道的概率，轨迹输出模块在此基础上，通过图注意力模块输出预测轨迹分布。试验结果表明，该模型相较于传统的基于模型的方法在长时间预测精度上有明显提高，驾驶人驾驶风格习惯和周围车辆的交互式信息均能有效提高轨迹预测的准确性。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置方法或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置方法及系统实施例仅仅是示意性的，其中所述作为分离部件说明的步骤可以是或者也可以不是物理上分开的，作为步骤显示的部件可以是或者也可以不是物理步骤，即可以位于一个地方，或者也可以分布到多个网络步骤上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种网联环境下基于驾驶员交互行为特征的车辆轨迹预测方法，其特征在于，包括：
将车辆间交互行为对车辆运动产生的不同统计参数进行聚类与特征融合，将所有车辆的风格信息与行为特征一一映射作为模型的输入，使模型从车辆间交互行为信息中进行车辆自我认知；
对车辆在道路上的空间运动进行动态栅格图建模，并结合空间注意力模块，利用栅格模型特征的空间关系建立空间注意力图层，基于sequence-to-sequence提出一种新型的端到端的轨迹预测框架，将驾驶人行为特征分成激进型、正常型和保守型驾驶风格，生成驾驶人向左换道、直线行驶、向右换道的概率，基于驾驶人行为概率信息，结合图注意力模块，输出自主车辆与周围车辆的预测轨迹序列分布。
2.根据权利要求1所述的方法，其特征在于，将车辆间交互行为对车辆运动产生的不同统计参数进行聚类与特征融合，将所有车辆的风格信息与行为特征一一映射作为模型的输入，使模型从车辆间交互行为信息中进行车辆自我认知，包括：
基于K-means的驾驶风格识别系统将能够在有限的驾驶行为数据下识别自我或周围的车辆风格。基于允许通过车辆传输的最公开的数据，提取车辆速度、加速度、相邻车辆、空间车头时距和时间车头时距。此外，还采用了车道变换信息，即车辆的灵活性。其中Δ为时间判断时间步长。
Figure FDA0003922411030000021
为了增加多样性以及鲁棒性，该驾驶风格识别算法增加了数据统计测量如方差(variance)，平均值，最大值和使用这些功能的最小值。整个特征向量对于k-means是一个14维矢量。接着对于14维特征矩阵,通过PCA技术将其降维后形成2维PCA特征矩阵。
3.依据权利要求1所述的方法，其特征还在于，对车辆在道路上的空间运动进行动态栅格图建模，基于sequence-to-sequence的端到端轨迹预测框架，并结合空间注意力模块，利用栅格模型特征的空间关系建立空间注意力图层，将驾驶人行为特征分成激进型、正常型和保守型驾驶风格，生成驾驶人向左换道、直线行驶、向右换道的概率，基于驾驶人行为概率信息，结合图注意力模块，输出自主车辆与周围车辆的预测轨迹序列分布，包括：
对于车辆基于占用栅格图模型进行空间关系建模。将车辆行驶道路环境用网格(Cell)切分成mxn个，每个网格(Cell)用二值数值0和1填充，0表示该网格(Cell)被占用，1表示该网格(Cell)没有被占用，当网格被占用时，填入占用车辆的id，并且对于每辆车均需根据时间帧数进行动态栅格化建模，即在每一帧都生成整条道路的栅格图模型，实时掌握周围车辆的空间关系。
4.依据权利要求3所述的方法，其特征还在于，基于sequence-to-sequence的端到端轨迹预测框架，结合空间注意力模块，利用栅格模型特征的空间关系建立空间注意力图层，包括：
LSTM编码器面向全部车辆的轨迹序列x(t)，对它们进行编码以生成编码序列h，即由
Figure FDA0003922411030000031
Figure FDA0003922411030000032
hn＝[h1,…,hi]
编码得到，其中n是历史轨迹序列的长度，hi是单个车辆特征在每个时间步里的特征序列向量，
Figure FDA0003922411030000033
是所有车辆运动学信息以及车辆驾驶行为类型特点。
接着通过利用生成空间注意力图特征的空间关系，集中挖掘“哪里”是有效的信息部分，对输出的特征图进行补充处理。首先应用平均池化和最大池化操作连接它们以生成有效的特征描述符，在连接的特征描述符上，接着应用卷积层生成空间注意力图Ms(F)，其中含有有效信息的时空栅格图特征已经被突出。
通过使用两个池化来聚合特征图的信息操作，生成两个2D特征图：
Figure FDA0003922411030000034
每个表示整个时空栅格图的平均池化特征和最大池化特征。
Figure FDA0003922411030000035
5.依据权利要求3所述的方法，其特征还在于，将驾驶人行为特征分成激进型、正常型和保守型驾驶风格，生成驾驶人向左换道、直线行驶、向右换道的概率，包括：
定义的激进型车辆具有更快的速度、更小的车头间距和更低的车头时距，这表明激进型驾驶员可能倾向于与速度更快的前车保持更小的空间，相反，保守型驾驶员可能倾向于与前车保持更大的空间。另一方面，基于K-means方法的加速度和换道概率没有显著差异，激进型驾驶风格的加速度和换道概率略高于其他两种类型。神经网络通过预测六个行为分布的概率函数来预测不同行为下每个未来轨迹输出的概率。解码器有两个输出横向和纵向行为概率的softmax层，结合融合的特征编码，通过全连接层，随后通过softmax层，可以分别获得预定义的机动行为mk和每次执行行为的概率P(mk,)，它们相乘能够输出
Figure FDA0003922411030000041
从而生成驾驶人向左换道、直线行驶、向右换道的概率。
6.依据权利要求5所述的方法，其特征在于，基于驾驶人行为概率信息，结合图注意力模块，输出自主车辆与周围车辆的预测轨迹序列分布，包括：
轨迹序列输出LSTM解码器以残差学习方式运行，输出预测位置之间的位移,输出向量包含相邻预测位置之间的位移
Figure FDA0003922411030000042
标准偏差向量
Figure FDA0003922411030000043
未来时间步长t+T的预测位置
Figure FDA0003922411030000044
和相关系数
Figure FDA0003922411030000045
预测位置因此可以用二元高斯分布表示
Figure FDA0003922411030000046
其中，平均向量是通过将未来的所有位移相加得出的时间步长T与历史轨迹最后一个时间步长T的位置
Figure FDA0003922411030000047
则损失函数为：
-∑log(P(Yi∣mtrue,X,I)P(mtrue∣X,I)) 。
CN202211362113.7A 2022-11-02 2022-11-02 网联环境下基于驾驶员交互行为特征的车辆轨迹预测方法 Pending CN115520223A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211362113.7A CN115520223A (zh) 2022-11-02 2022-11-02 网联环境下基于驾驶员交互行为特征的车辆轨迹预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211362113.7A CN115520223A (zh) 2022-11-02 2022-11-02 网联环境下基于驾驶员交互行为特征的车辆轨迹预测方法

Publications (1)

Publication Number Publication Date
CN115520223A true CN115520223A (zh) 2022-12-27

Family

ID=84703779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211362113.7A Pending CN115520223A (zh) 2022-11-02 2022-11-02 网联环境下基于驾驶员交互行为特征的车辆轨迹预测方法

Country Status (1)

Country Link
CN (1) CN115520223A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116246492A (zh) * 2023-03-16 2023-06-09 东南大学 一种基于时空注意力lstm和超阈值模型的车辆换道碰撞风险预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116246492A (zh) * 2023-03-16 2023-06-09 东南大学 一种基于时空注意力lstm和超阈值模型的车辆换道碰撞风险预测方法
CN116246492B (zh) * 2023-03-16 2024-01-16 东南大学 一种基于时空注意力lstm和超阈值模型的车辆换道碰撞风险预测方法

Similar Documents

Publication Publication Date Title
CN111931905B (zh) 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
Mozaffari et al. Deep learning-based vehicle behavior prediction for autonomous driving applications: A review
Bachute et al. Autonomous driving architectures: insights of machine learning and deep learning algorithms
Lee et al. Convolution neural network-based lane change intention prediction of surrounding vehicles for ACC
CN112215337B (zh) 一种基于环境注意力神经网络模型的车辆轨迹预测方法
Khakzar et al. A dual learning model for vehicle trajectory prediction
CN112004197B (zh) 一种基于车辆轨迹预测的异构车联网切换方法
CN113076599A (zh) 一种基于长短时记忆网络的多模态车辆轨迹预测方法
CN114283576B (zh) 一种车辆意图预测方法及相关装置
US11654933B2 (en) Navigation trajectory using reinforcement learning for an ego vehicle in a navigation network
CN115520223A (zh) 网联环境下基于驾驶员交互行为特征的车辆轨迹预测方法
CN114898293A (zh) 一种面向自动驾驶汽车的过街行人群体多模态轨迹预测方法
Kim et al. Toward explainable and advisable model for self‐driving cars
Mukherjee et al. Interacting vehicle trajectory prediction with convolutional recurrent neural networks
Cai et al. DiGNet: Learning scalable self-driving policies for generic traffic scenarios with graph neural networks
CN115923833A (zh) 车辆的拟人化决策控制方法、装置、车辆及存储介质
Mänttäri et al. Learning to predict lane changes in highway scenarios using dynamic filters on a generic traffic representation
Ding et al. Ra-gat: Repulsion and attraction graph attention for trajectory prediction
Xie et al. A cognition‐inspired trajectory prediction method for vehicles in interactive scenarios
Geng et al. Dynamic-learning spatial-temporal Transformer network for vehicular trajectory prediction at urban intersections
CN113435356A (zh) 一种克服观察噪声与感知不确定性的轨迹预测方法
Selvaraj et al. Edge learning of vehicular trajectories at regulated intersections
CN114516336B (zh) 一种考虑道路约束条件的车辆轨迹预测方法
CN116189135A (zh) 用于在多代理场景中确定代理轨迹的方法
CN111443701A (zh) 基于异构深度学习的无人驾驶车辆/机器人行为规划方法

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