CN115719547A - 基于多重交互行为的交通参与者轨迹预测方法及系统 - Google Patents
基于多重交互行为的交通参与者轨迹预测方法及系统 Download PDFInfo
- Publication number
- CN115719547A CN115719547A CN202211248292.1A CN202211248292A CN115719547A CN 115719547 A CN115719547 A CN 115719547A CN 202211248292 A CN202211248292 A CN 202211248292A CN 115719547 A CN115719547 A CN 115719547A
- Authority
- CN
- China
- Prior art keywords
- traffic
- interaction
- prediction
- layer
- interactive
- 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
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000006399 behavior Effects 0.000 title claims abstract description 42
- 230000003993 interaction Effects 0.000 claims abstract description 100
- 230000003068 static effect Effects 0.000 claims abstract description 62
- 230000008846 dynamic interplay Effects 0.000 claims abstract description 50
- 230000006870 function Effects 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000010276 construction Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000007477 logistic regression Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000006854 communication Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于多重交互行为的交通参与者轨迹预测方法及系统，包括：获取高精地图数据和交通参与者的节点特征，进行静态交互层和动态交互层的构建；基于预设的交通灯信息门控神经网络将所述静态交互层和动态交互层进行动态交互，构建交互网络；对所述交互网络通过预设的目标损失函数进行监督学习训练，输出轨迹预测网络模型，通过所述轨迹预测网络模型进行轨迹预测。本发明解决了现有技术中对交通参与者轨迹预测不准确的问题，实现将多重交通交互行为进行相互融合，完成轨迹的准确预测。
Description
技术领域
本发明涉及智慧交通技术领域，尤其涉及一种基于多重交互行为的交通参与者轨迹预测方法及系统。
背景技术
交通参与者未来轨迹预测是根据例如行人、车辆等交通参与者的当前或者历史轨迹与环境信息，对所述交通参与者未来的行驶轨迹进行预测，使自动驾驶车辆根据预测结果进行提前决策，在沿规划出的路径行驶时适当调整轨迹避免与所述交通参与者发生碰撞，以安全地行驶至目的地。
目前的交通参与者未来轨迹预测方式未考虑现实场景中交通参与者之间运动状态存在的相互影响作用，即社会交互作用，仅分别通过将各个交通参与者视为独立个体，根据各独立个体的历史轨迹点位置坐标进行各个交通参与者未来轨迹的预测，由于社会交互作用也会对交通参与者的运行轨迹产生影响，因此根据该预测方式所得到预测结果进行驾驶决策时容易出现碰撞、干涉等现象。对于自动驾驶汽车而言，面向特定场景或高速道路场景的车辆轨迹预测技术较多，而面向开放的城市道路的交通参与者的轨迹预测技术相对较少。而且大多数的技术往往忽略了交通参与者之间的交互行为以及道路和交通规则的约束。
发明内容
本发明提供一种基于多重交互行为的交通参与者轨迹预测方法及系统，用以解决现有技术中对交通参与者轨迹预测不准确的问题，实现将多重交通交互行为进行相互融合，完成轨迹的准确预测。
本发明提供一种基于多重交互行为的交通参与者轨迹预测方法，包括：
获取高精地图数据和交通参与者的节点特征，进行静态交互层和动态交互层的构建；
基于预设的交通灯信息门控神经网络将所述静态交互层和动态交互层进行动态交互，构建交互网络；
对所述交互网络通过预设的目标损失函数进行监督学习训练，输出轨迹预测网络模型，通过所述轨迹预测网络模型进行轨迹预测。
根据本发明提供的一种基于多重交互行为的交通参与者轨迹预测方法，所述获取高精地图数据和交通参与者的节点特征，进行静态交互层和动态交互层的构建，包括：
对所述高精地图数据进行矢量化特征提取，构建道路节点特征，并加入道路类型信息；
对所述道路节点特征中的关键点进行特征编码，完成静态交互层的构建。
根据本发明提供的一种基于多重交互行为的交通参与者轨迹预测方法，对所述高精地图数据进行矢量化特征提取，构建道路节点特征，并加入道路类型信息，具体包括：
所述道路节点特征包括：道路结构特征和停止线结构特征，选择道路中心线的起点和方向，在相同的空间距离内从线条上均匀地抽取关键点；
将相邻的关键点依次进行连接，并添加道路类型信息，完成道路结构特征和停止线结构特征的构建。
根据本发明提供的一种基于多重交互行为的交通参与者轨迹预测方法，所述获取高精地图数据和交通参与者的节点特征，进行静态交互层和动态交互层的构建，还包括：
所述交通参与者通过预设的感知系统对周围的交通参与者进行检测；
根据检测的结果将每个交通参与者作为一个节点，利用线性层对节点特征进行编码；
对编码后的节点特征通过全局注意力机制建立动态层之间的交互并通过稀疏化逻辑回归进行处理，完成动态交互层的构建。
根据本发明提供的一种基于多重交互行为的交通参与者轨迹预测方法，所述基于预设的交通灯信息门控神经网络将所述静态交互层和动态交互层进行动态交互，构建交互网络，具体包括：
对所述交通灯的信息进行编码，编码后通过线性层进行交通灯特征表示；
将静态交互层中的关键点特征、动态交互层中的节点特征和交通灯特征通过门控神经网络进行融合，得到隐式特征；
将所述隐式特征经过预设的sigmoid非线性函数处理得到动静交互权重，控制交互力度；
基于所述交互力度通过局部图形注意力机制建立交通参与者与道路节点之间的交互关系，进行局部的注意力特征聚合，建立交互网络。
根据本发明提供的一种基于多重交互行为的交通参与者轨迹预测方法，对所述交互网络通过预设的目标损失函数进行监督学习训练，输出轨迹预测网络模型，通过所述轨迹预测网络模型进行轨迹预测，具体包括：
将交互网络通过目标损失函数进行监督学习；
所述目标损失函数包含预测估计与目标轨迹的RMSE损失，预测轨迹与目标轨迹之间的KLD损失，训练完成后输出轨迹预测网络模型；
将动态交互层中交通参与者的节点特征输入至轨迹预测网络模型内的轨迹解码器，解码预测出每个交通参与者的未来轨迹。
本发明还提供一种基于多重交互行为的交通参与者轨迹预测系统，所述系统包括：
交互层构建模块，用于获取高精地图数据和交通参与者的节点特征，进行静态交互层和动态交互层的构建；
交互网络构建模块，用于基于预设的交通灯信息门控神经网络将所述静态交互层和动态交互层进行动态交互，构建交互网络；
预测模块，用于对所述交互网络通过预设的目标损失函数进行监督学习训练，输出轨迹预测网络模型，通过所述轨迹预测网络模型进行轨迹预测。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于多重交互行为的交通参与者轨迹预测方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于多重交互行为的交通参与者轨迹预测方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于多重交互行为的交通参与者轨迹预测方法。
本发明提供的一种基于多重交互行为的交通参与者轨迹预测方法及系统，通过获取高精地图数据和交通参与者的节点特征，进行静态交互层和动态交互层的构建，基于预设的交通灯信息门控神经网络将所述静态交互层和动态交互层进行动态交互，构建交互网络，对所述交互网络通过预设的目标损失函数进行监督学习训练，输出轨迹预测网络模型，通过所述轨迹预测网络模型进行轨迹预测。对大批量场景数据中的信息进行了学习，在静态图层构建过程中进一步利用了大数据先验知识，从而取得了比现有技术更优的预测结果，实现轨迹的准确预测。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作以简单地介绍，显而易见地，下面描述中的附图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是本发明提供的一种基于多重交互行为的交通参与者轨迹预测方法的流程示意图之一；
图2是本发明提供的一种基于多重交互行为的交通参与者轨迹预测方法的流程示意图之二；
图3是本发明提供的一种基于多重交互行为的交通参与者轨迹预测方法的流程示意图之三；
图4是本发明提供的一种基于多重交互行为的交通参与者轨迹预测方法的流程示意图之四；
图5是本发明提供的一种基于多重交互行为的交通参与者轨迹预测方法的流程示意图之五；
图6是本发明提供的一种基于多重交互行为的交通参与者轨迹预测系统的模块连接示意图；
图7是本发明提供的将动态交互图进行sparse-softmax处理示意图；
图8是本发明提供的电子设备的结构示意图。
附图标记：
110：交互层构建模块；120：交互网络构建模块；130：预测模块；
810：处理器；820：通信接口；830：存储器；840：通信总线。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1-图5描述本发明的一种基于多重交互行为的交通参与者轨迹预测方法，包括：
S100、获取高精地图数据和交通参与者的节点特征，进行静态交互层和动态交互层的构建；
S200、基于预设的交通灯信息门控神经网络将所述静态交互层和动态交互层进行动态交互，构建交互网络；
S300、对所述交互网络通过预设的目标损失函数进行监督学习训练，输出轨迹预测网络模型，通过所述轨迹预测网络模型进行轨迹预测。
本发明通过高精度地图、自动驾驶感知系统可以构建动、静态的复杂城市交通场景交互图。通过神经网络对动、静态交互层中的节点特征进行编码，并利用交通灯信息经过门控神经网络进行动静态节点之间的交互关系，从而实现复杂的交互关系建模；基于交互关系网络以及轨迹预测解码器可以预测出交通参与者的未来轨迹。本技术实现了对交通参与者信息的充分建模，对其未来轨迹的准确预测，能够为自动驾驶汽车提供准确的决策先验信息。
获取高精地图数据和交通参与者的节点特征，进行静态交互层和动态交互层的构建，包括：
S101、对所述高精地图数据进行矢量化特征提取，构建道路节点特征，并加入道路类型信息；
S102、对所述道路节点特征中的关键点进行特征编码，完成静态交互层的构建。
对所述高精地图数据进行矢量化特征提取，构建道路节点特征，并加入道路类型信息，具体包括：
S1011、所述道路节点特征包括：道路结构特征和停止线结构特征，选择道路中心线的起点和方向，在相同的空间距离内从线条上均匀地抽取关键点；
S1012、将相邻的关键点依次进行连接，并添加道路类型信息，完成道路结构特征和停止线结构特征的构建。
本发明中对城市的道路的高精度地图进行矢量化特征提取。对于道路结构特征的构建，选择一个道路中心线的起点和方向，在相同的空间距离内从样条上均匀地抽取关键点，并依次将相邻的关键点连接，关键点的信息包括，位置、道路在此点的曲率、与前驱连接点的方向向量；停止线的结构特征构建类似，除此之外关键点的特征构建过程会加入道路类型信息。最后使用线性层将静态交互层中的关键点进行特征编码。
获取高精地图数据和交通参与者的节点特征，进行静态交互层和动态交互层的构建，还包括：
所述交通参与者通过预设的感知系统对周围的交通参与者进行检测；
根据检测的结果将每个交通参与者作为一个节点，利用线性层对节点特征进行编码；
对编码后的节点特征通过全局注意力机制建立动态层之间的交互并通过稀疏化逻辑回归进行处理，完成动态交互层的构建。
对于交通参与者的动态交互层构建之前，首先利用自动驾驶汽车的感知系统对自车周围的交通参与者进行检测。每个交通参与者都可以作为动态交互层中一个节点，节点的特征由交通参与者的位置、速度、加速度、类型构成，并利用线性层将节点特征进行编码。同时为了初步的建立动态结构图中各个交通参与者之间的交互关系，使用Global graphattention(全局图注意力)机制来建立动态层之间的交互，但是由于Global graphattention机制允许每个节点参与其他任意节点的注意力机制，该机制会造成“过交互”的现象，为此，在完成对动态交互图的全局注意力之后采用sparse-softmax(稀疏化逻辑回归)进行继续处理，对交互权重低于一定阈值的交互对进行筛除。参考图7为处理前后动态交互层示意图。
基于预设的交通灯信息门控神经网络将所述静态交互层和动态交互层进行动态交互，构建交互网络，具体包括：
S201、对所述交通灯的信息进行编码，编码后通过线性层进行交通灯特征表示；
S202、将静态交互层中的关键点特征、动态交互层中的节点特征和交通灯特征通过门控神经网络进行融合，得到隐式特征；
S203、将所述隐式特征经过预设的sigmoid非线性函数处理得到动静交互权重，控制交互力度；
S204、基于所述交互力度通过局部图形注意力机制建立交通参与者与道路节点之间的交互关系，进行局部的注意力特征聚合，建立交互网络。
本发明中交通灯信息可以理解为是交通参与者与道路关系的一种连接媒介，交通灯状态的变化控制着道路的通、闭状态，以及交通参与者的通、停状态。基于该机制可以认为交通灯是控制动态层与静态层的重要因素，因此将交通灯的信息作为门控开关，来控制动静态交互层交互强弱。
首先对交通灯信息进行编码，将交通灯的灯态信息、相位信息、灯的倒计时信息输入线性层进行特征表示。其次，提取出动态图层中每个节点特征Df，对于静态层将每个交通参与者所在的车道的中心离散节点进行车道级别的特征编码Sf。将动态交互层代表特征与静态交互层代表特征共同与交通灯特征Tf进行gate机制(门控神经网络)的融合，得到在交通灯控制道路和交通参与者的隐式特征，最后将隐式特征经过sigmoid非线性函数，得到(0～1)的动静态交互权重，用来控制交互力度。
Gf＝sigmoid(Attention(Tf，Sf，Df)
Gf趋于0表示该车道为趋于关闭状态，对于交通参与者而言交通行为单一，趋于减速停止，则与静态交互层中的道路的交互较为弱，与静态交互层中的停止线交互较强，反之Gf较大则表明交通参与者大概率沿着道路进行行驶，需要较强的交互。在交互力度的控制下，使用Local graph attention(局部图形注意力)机制来建立交通参与者与道路节点之间的交互关系。根据交通参与者的位置，在静态交互层中选取与其最近的四个方向(地理方位的东、西，南、北)的道路节点，进行局部的attention的特征聚合。则最终交互方式如下所示：其中SfL为静态层行驶车道节点特征，SfS为静态层停止线节点特征。
交互网络建立之后，对每个动态层的交通参与者特征送入轨迹解码器，解码出每个交通参与者的未来轨迹。
对所述交互网络通过预设的目标损失函数进行监督学习训练，输出轨迹预测网络模型，通过所述轨迹预测网络模型进行轨迹预测，具体包括：
S301、将交互网络通过目标损失函数进行监督学习；
S302所述目标损失函数包含预测估计与目标轨迹的RMSE损失，预测轨迹与目标轨迹之间的KLD损失，训练完成后输出轨迹预测网络模型；
S303、将动态交互层中交通参与者的节点特征输入至轨迹预测网络模型内的轨迹解码器，解码预测出每个交通参与者的未来轨迹。
上述交互网络通过目标损失函数进行监督学习，目标损失函数包含预测估计与目标轨迹的RMSE损失，预测轨迹与目标轨迹之间的KLD损失。经过上述训练过程，得到了基于多重交互行为的交通参与者轨迹预测网络。通过轨迹预测网络进行轨迹的预测。
本发明术应用到实际场景中时，经过高精度地图与感知信息可以准确预测交通参与者未来行为，这种特性使得本发明能够应用在复杂的城市道路场景中。
并且本发明利用了当下发展成熟的深度学习方法，对大批量场景数据中的信息进行了学习，在静态图层构建过程中进一步利用了大数据先验知识，从而取得了比现有技术更优的预测结果。由于本发明无需硬件设备的支持，只需要在算法上进行处理，故可以直接应用到现有车路协同、车联网等的系统中，可移植性强。
参考图6，本发明还公开了一种基于多重交互行为的交通参与者轨迹预测系统，所述系统包括：
交互层构建模块110，用于获取高精地图数据和交通参与者的节点特征，进行静态交互层和动态交互层的构建；
交互网络构建模块120，用于基于预设的交通灯信息门控神经网络将所述静态交互层和动态交互层进行动态交互，构建交互网络；
预测模块130，用于对所述交互网络通过预设的目标损失函数进行监督学习训练，输出轨迹预测网络模型，通过所述轨迹预测网络模型进行轨迹预测。
其中，交互层构建模块对所述高精地图数据进行矢量化特征提取，构建道路节点特征，并加入道路类型信息；
对所述道路节点特征中的关键点进行特征编码，完成静态交互层的构建。
对所述高精地图数据进行矢量化特征提取，构建道路节点特征，并加入道路类型信息，具体包括：
所述道路节点特征包括：结构特征和停止线结构特征，选择道路中心线的起点和方向，在相同的空间距离内从线条上均匀地抽取关键点；
将相邻的关键点依次进行连接，并添加道路类型信息，完成道路结构特征和停止线结构特征的构建。
所述交通参与者通过预设的感知系统对周围的交通参与者进行检测；
根据检测的结果将每个交通参与者作为一个节点，利用线性层对节点特征进行编码；
对编码后的节点特征通过全局注意力机制建立动态层之间的交互并通过稀疏化逻辑回归进行处理，完成动态交互层的构建。
交互网络构建模块，对所述交通灯的信息进行编码，编码后通过线性层进行交通灯特征表示；
将静态交互层中的关键点特征、动态交互层中的节点特征和交通灯特征通过门控神经网络进行融合，得到隐式特征；
将所述隐式特征经过预设的sigmoid非线性函数处理得到动静交互权重，控制交互力度；
基于所述交互力度通过局部图形注意力机制建立交通参与者与道路节点之间的交互关系，进行局部的注意力特征聚合，建立交互网络。
预测模块，将交互网络通过目标损失函数进行监督学习；
所述目标损失函数包含预测估计与目标轨迹的RMSE损失，预测轨迹与目标轨迹之间的KLD损失，训练完成后输出轨迹预测网络模型；
将动态交互层中交通参与者的节点特征输入至轨迹预测网络模型内的轨迹解码器，解码预测出每个交通参与者的未来轨迹。
本发明提供的一种基于多重交互行为的交通参与者轨迹预测系统，通过获取高精地图数据和交通参与者的节点特征，进行静态交互层和动态交互层的构建，基于预设的交通灯信息门控神经网络将所述静态交互层和动态交互层进行动态交互，构建交互网络，对所述交互网络通过预设的目标损失函数进行监督学习训练，输出轨迹预测网络模型，通过所述轨迹预测网络模型进行轨迹预测。对大批量场景数据中的信息进行了学习，在静态图层构建过程中进一步利用了大数据先验知识，从而取得了比现有技术更优的预测结果，实现轨迹的准确预测。
图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行一种基于多重交互行为的交通参与者轨迹预测方法，该方法包括：获取高精地图数据和交通参与者的节点特征，进行静态交互层和动态交互层的构建；
基于预设的交通灯信息门控神经网络将所述静态交互层和动态交互层进行动态交互，构建交互网络；
对所述交互网络通过预设的目标损失函数进行监督学习训练，输出轨迹预测网络模型，通过所述轨迹预测网络模型进行轨迹预测。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的一种基于多重交互行为的交通参与者轨迹预测方法，该方法包括：获取高精地图数据和交通参与者的节点特征，进行静态交互层和动态交互层的构建；
基于预设的交通灯信息门控神经网络将所述静态交互层和动态交互层进行动态交互，构建交互网络；
对所述交互网络通过预设的目标损失函数进行监督学习训练，输出轨迹预测网络模型，通过所述轨迹预测网络模型进行轨迹预测。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的一种基于多重交互行为的交通参与者轨迹预测方法，该方法包括：获取高精地图数据和交通参与者的节点特征，进行静态交互层和动态交互层的构建；
基于预设的交通灯信息门控神经网络将所述静态交互层和动态交互层进行动态交互，构建交互网络；
对所述交互网络通过预设的目标损失函数进行监督学习训练，输出轨迹预测网络模型，通过所述轨迹预测网络模型进行轨迹预测。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于多重交互行为的交通参与者轨迹预测方法，其特征在于，包括：
获取高精地图数据和交通参与者的节点特征，进行静态交互层和动态交互层的构建；
基于预设的交通灯信息门控神经网络将所述静态交互层和动态交互层进行动态交互，构建交互网络；
对所述交互网络通过预设的目标损失函数进行监督学习训练，输出轨迹预测网络模型，通过所述轨迹预测网络模型进行轨迹预测。
2.根据权利要求1所述的基于多重交互行为的交通参与者轨迹预测方法，其特征在于，所述获取高精地图数据和交通参与者的节点特征，进行静态交互层和动态交互层的构建，包括：
对所述高精地图数据进行矢量化特征提取，构建道路节点特征，并加入道路类型信息；
对所述道路节点特征中的关键点进行特征编码，完成静态交互层的构建。
3.根据权利要求2所述的基于多重交互行为的交通参与者轨迹预测方法，其特征在于，对所述高精地图数据进行矢量化特征提取，构建道路节点特征，并加入道路类型信息，具体包括：
所述道路节点特征包括：道路结构特征和停止线结构特征，选择道路中心线的起点和方向，在相同的空间距离内从线条上均匀地抽取关键点；
将相邻的关键点依次进行连接，并添加道路类型信息，完成道路结构特征和停止线结构特征的构建。
4.根据权利要求1所述的基于多重交互行为的交通参与者轨迹预测方法，其特征在于，所述获取高精地图数据和交通参与者的节点特征，进行静态交互层和动态交互层的构建，还包括：
所述交通参与者通过预设的感知系统对周围的交通参与者进行检测；
根据检测的结果将每个交通参与者作为一个节点，利用线性层对节点特征进行编码；
对编码后的节点特征通过全局注意力机制建立动态层之间的交互并通过稀疏化逻辑回归进行处理，完成动态交互层的构建。
5.根据权利要求1所述的基于多重交互行为的交通参与者轨迹预测方法，其特征在于，所述基于预设的交通灯信息门控神经网络将所述静态交互层和动态交互层进行动态交互，构建交互网络，具体包括：
对所述交通灯的信息进行编码，编码后通过线性层进行交通灯特征表示；
将静态交互层中的关键点特征、动态交互层中的节点特征和交通灯特征通过门控神经网络进行融合，得到隐式特征；
将所述隐式特征经过预设的sigmoid非线性函数处理得到动静交互权重，控制交互力度；
基于所述交互力度通过局部图形注意力机制建立交通参与者与道路节点之间的交互关系，进行局部的注意力特征聚合，建立交互网络。
6.根据权利要求1所述的基于多重交互行为的交通参与者轨迹预测方法，其特征在于，对所述交互网络通过预设的目标损失函数进行监督学习训练，输出轨迹预测网络模型，通过所述轨迹预测网络模型进行轨迹预测，具体包括：
将交互网络通过目标损失函数进行监督学习；
所述目标损失函数包含预测估计与目标轨迹的RMSE损失，预测轨迹与目标轨迹之间的KLD损失，训练完成后输出轨迹预测网络模型；
将动态交互层中交通参与者的节点特征输入至轨迹预测网络模型内的轨迹解码器，解码预测出每个交通参与者的未来轨迹。
7.一种基于多重交互行为的交通参与者轨迹预测系统，其特征在于，所述系统包括：
交互层构建模块，用于获取高精地图数据和交通参与者的节点特征，进行静态交互层和动态交互层的构建；
交互网络构建模块，用于基于预设的交通灯信息门控神经网络将所述静态交互层和动态交互层进行动态交互，构建交互网络；
预测模块，用于对所述交互网络通过预设的目标损失函数进行监督学习训练，输出轨迹预测网络模型，通过所述轨迹预测网络模型进行轨迹预测。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于多重交互行为的交通参与者轨迹预测系统方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于多重交互行为的交通参与者轨迹预测系统方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于多重交互行为的交通参与者轨迹预测系统方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211248292.1A CN115719547A (zh) | 2022-10-12 | 2022-10-12 | 基于多重交互行为的交通参与者轨迹预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211248292.1A CN115719547A (zh) | 2022-10-12 | 2022-10-12 | 基于多重交互行为的交通参与者轨迹预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115719547A true CN115719547A (zh) | 2023-02-28 |
Family
ID=85254141
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211248292.1A Pending CN115719547A (zh) | 2022-10-12 | 2022-10-12 | 基于多重交互行为的交通参与者轨迹预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115719547A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116558540A (zh) * | 2023-07-11 | 2023-08-08 | 新石器慧通（北京）科技有限公司 | 模型训练方法和装置、轨迹生成方法和装置 |
-
2022
- 2022-10-12 CN CN202211248292.1A patent/CN115719547A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116558540A (zh) * | 2023-07-11 | 2023-08-08 | 新石器慧通（北京）科技有限公司 | 模型训练方法和装置、轨迹生成方法和装置 |
| CN116558540B (zh) * | 2023-07-11 | 2023-10-03 | 新石器慧通（北京）科技有限公司 | 模型训练方法和装置、轨迹生成方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Duan et al. | Hierarchical reinforcement learning for self‐driving decision‐making without reliance on labelled driving data | |
| CN112099496B (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
| CN111898211B (zh) | 基于深度强化学习的智能车速度决策方法及其仿真方法 | |
| Palanisamy | Multi-agent connected autonomous driving using deep reinforcement learning | |
| Li et al. | Survey on artificial intelligence for vehicles | |
| Bai et al. | Hybrid reinforcement learning-based eco-driving strategy for connected and automated vehicles at signalized intersections | |
| US11772654B2 (en) | Occupancy prediction neural networks | |
| Fernando et al. | Deep inverse reinforcement learning for behavior prediction in autonomous driving: Accurate forecasts of vehicle motion | |
| Qiao et al. | Automatically generated curriculum based reinforcement learning for autonomous vehicles in urban environment | |
| Sun et al. | Interpretable modelling of driving behaviors in interactive driving scenarios based on cumulative prospect theory | |
| Makantasis et al. | Deep reinforcement‐learning‐based driving policy for autonomous road vehicles | |
| WO2021057059A1 (zh) | 一种神经网络的获取方法以及相关设备 | |
| Zhang et al. | A systematic solution of human driving behavior modeling and simulation for automated vehicle studies | |
| Sun et al. | Vehicle turning behavior modeling at conflicting areas of mixed-flow intersections based on deep learning | |
| CN116050245A (zh) | 基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法与系统 | |
| CN114368387B (zh) | 一种基于注意力机制的驾驶员意图识别及车辆轨迹预测方法 | |
| CN115719547A (zh) | 基于多重交互行为的交通参与者轨迹预测方法及系统 | |
| CN115062202A (zh) | 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质 | |
| Elallid et al. | A reinforcement learning based approach for controlling autonomous vehicles in complex scenarios | |
| Khanum et al. | Involvement of deep learning for vision sensor-based autonomous driving control: a review | |
| Zhang et al. | Spatial attention for autonomous decision-making in highway scene | |
| CN114889608A (zh) | 一种基于注意力机制的车辆换道预测方法 | |
| Deng et al. | Deep Reinforcement Learning Based Decision-Making Strategy of Autonomous Vehicle in Highway Uncertain Driving Environments | |
| Si et al. | A Deep Coordination Graph Convolution Reinforcement Learning for Multi‐Intelligent Vehicle Driving Policy | |
| CN116071925B (zh) | 轨迹预测方法、装置及电子处理装置 |
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 |