CN116258242A - 一种自动驾驶车辆反应式轨迹预测方法及系统 - Google Patents

一种自动驾驶车辆反应式轨迹预测方法及系统 Download PDF

Info

Publication number
CN116258242A
CN116258242A CN202211605052.2A CN202211605052A CN116258242A CN 116258242 A CN116258242 A CN 116258242A CN 202211605052 A CN202211605052 A CN 202211605052A CN 116258242 A CN116258242 A CN 116258242A
Authority
CN
China
Prior art keywords
vehicle
track
reactive
vectors
determining
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
CN202211605052.2A
Other languages
English (en)
Inventor
王震坡
张雷
王明强
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202211605052.2A priority Critical patent/CN116258242A/zh
Publication of CN116258242A publication Critical patent/CN116258242A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开一种自动驾驶车辆反应式轨迹预测方法及系统，该方法包括根据主车的规划轨迹和历史轨迹，采用自动驾驶车辆反应式轨迹预测模型，确定目标车的预测轨迹；预测模型包括：用于根据车的规划轨迹和历史轨迹确定轨迹编码向量的LSTM编码器、用于根据轨迹编码向量确定的隐藏向量的反应式社交卷积模块、用于根据轨迹编码向量和时空注意力机制确定时空注意力向量的时空注意力模块、用于将隐藏向量和时空注意力向量利用不同的权重系数进行融合确定隐层张量信息的门融合层、用于对隐层张量信息进行解码的LSTM网络解码器以及Softmax分类器；根据预测轨迹更新主车的规划轨迹。本发明可在较长预测时域内获取高精度车辆预测轨迹。

Description

一种自动驾驶车辆反应式轨迹预测方法及系统
技术领域
本发明涉及智能车辆预测领域，特别是涉及一种自动驾驶车辆反应式轨迹预测方法及系统。
背景技术
自动驾驶汽车有利于提升道路通行效率、减少能源消耗，并提升道路交通安全水平，是未来车辆的重要发展方向。自动驾驶车辆的软件架构可分为感知层、决策层、规划层及控制层。感知层利用车辆传感器(雷达、摄像头、车车通讯等)对周围环境及车辆运动状态进行感知；决策层面向车辆行驶安全需求，基于障碍物感知结果确定最佳行为决策；规划层基于感知决策结果规划出无碰撞、满足车辆动力学约束的车辆轨迹；控制层基于规划换道轨迹对执行器(转向、制动驱动等)进行控制以减小车辆实际轨迹与规划轨迹的误差。而预测层作为感知层及规划层的中间环节，可基于周车的历史轨迹，通过神经网络等方法提取周车位置、状态与主车轨迹序列的非线性映射关系，输出周车未来时域内的预测轨迹，有利于主车主动调整车辆行为、速度等以确保车辆做出最合理的行为决策及轨迹速度序列。因此，高精度轨迹预测是车辆高安全决策及轨迹规划的实施基础。
现有方案一：车辆轨迹预测方法及相关设备。步骤：获取车辆实际轨迹序列及状态向量；对车辆历史数据集进行预处理；基于阿克曼转角关系获取第一、第二参考转角序列；对上述转角预测序列进行融合得到车辆预测轨迹。其基本原理如下图1所示。而上述方案仅基于运动学阿克曼转角关系考虑主车未来预测时域内轨迹预测结果，未考虑道路条件下车辆行驶行为的多样性(如左换道、右换道、直行等)，同时该方法未对车辆速度序列进行预测，工况适用性较差。
现有方案二：轨迹预测方法及装置。步骤：从车辆历史数据中提取车辆运动语义、道路语义；结合目标车辆的运动信息确定目标虚拟车道以及目标出口车道，从而得到目标车辆在未来预测时域内的行驶轨迹。而上述方案主要基于主车历史运动信息预处理，结合当前时刻车辆运动状态，利用神经网络对未来时域内车辆行驶轨迹进行预测。但其忽略了周车行驶轨迹对主车预测轨迹的潜在影响。
可见，现有技术未充分考虑车辆行驶行为多样性、未充分考虑周车行驶轨迹对主车预测轨迹的影响等问题。因此，亟需一种新轨迹预测方法或系统，以解决上述问题。
发明内容
本发明的目的是提供一种自动驾驶车辆反应式轨迹预测方法及系统，可在较长预测时域内获取高精度车辆预测轨迹。
为实现上述目的，本发明提供了如下方案：
一种自动驾驶车辆反应式轨迹预测方法，包括：
确定主车、目标车及邻车；所述主车为自动驾驶车辆；所述目标车为在主车设定范围内的车辆；所述邻车为在目标车设定范围内的车辆；
获取主车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹；
根据主车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹，采用自动驾驶车辆反应式轨迹预测模型，确定目标车的预测轨迹；所述自动驾驶车辆反应式轨迹预测模型包括：用于根据车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹确定轨迹编码向量的LSTM编码器、用于根据轨迹编码向量确定的隐藏向量的反应式社交卷积模块、用于根据轨迹编码向量和时空注意力机制确定时空注意力向量的时空注意力模块、用于将隐藏向量和时空注意力向量利用不同的权重系数进行融合确定隐层张量信息的门融合层、用于对隐层张量信息进行解码的LSTM网络解码器以及Softmax分类器；
根据目标车的预测轨迹更新主车的规划轨迹。
可选地，所述时空注意力模块的处理过程为：
利用Softmax层对轨迹编码向量进行处理，确定时间注意力权重；
将所有的轨迹编码向量按照时间注意力权重进行加权融合，确定加权融合后的轨迹编码向量；
利用Softmax层对加权融合后的轨迹编码向量进行处理以及网格划分后的交通场景确定空间注意力权重；
将加权融合后的轨迹编码向量按照空间注意力权重进行加权处理，确定时空注意力向量。
可选地，所述门融合层具体包括以下公式：
hfusion＝z⊙hrea+(1-z)⊙hatt；
其中，z＝σ(hreaWz,1+hattWz,2+bz)，Wz,1，Wz,2和bz是学习的网络参数；⊙代表点乘；σ(·)表示sigmoid激活函数；z表示计算出的融合系数；hrea表示反应式社交卷积模块的隐层状态；hrea为时空注意力模块的隐层状态；hfusion表示融合反应式社交卷积模块和时空注意力模块新的隐层信息。
可选地，所述隐层张量信息为：
Hfusion＝M(t)||hfusion；
其中，Hfusion为目标车的历史轨迹的隐层张量信息，M(t)为目标车的历史轨迹的轨迹编码向量，||表示串联操作。
可选地，所述目标车的预测轨迹为：
Figure BDA0003997545990000031
Figure BDA0003997545990000032
其中，
Figure BDA0003997545990000033
表示均值、标准差和预测坐标/>
Figure BDA0003997545990000034
在时间t+T的相关系数，N表示网格单元的总数量。
一种自动驾驶车辆反应式轨迹预测系统，包括：
车辆划分单元，用于确定主车、目标车及邻车；所述主车为自动驾驶车辆；所述目标车为在主车设定范围内的车辆；所述邻车为在目标车设定范围内的车辆；
数据获取单元，用于获取主车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹；
目标车的预测轨迹确定单元，用于根据主车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹，采用自动驾驶车辆反应式轨迹预测模型，确定目标车的预测轨迹；所述自动驾驶车辆反应式轨迹预测模型包括：用于根据车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹确定轨迹编码向量的LSTM编码器、用于根据轨迹编码向量确定的隐藏向量的反应式社交卷积模块、用于根据轨迹编码向量和时空注意力机制确定时空注意力向量的时空注意力模块、用于将隐藏向量和时空注意力向量利用不同的权重系数进行融合确定隐层张量信息的门融合层、用于对隐层张量信息进行解码的LSTM网络解码器以及Softmax分类器；
主车的规划轨迹更新单元，用于根据目标车的预测轨迹更新主车的规划轨迹。
一种自动驾驶车辆反应式轨迹预测系统，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现所述的一种自动驾驶车辆反应式轨迹预测方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明所提供的一种自动驾驶车辆反应式轨迹预测方法及系统，根据主车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹，采用自动驾驶车辆反应式轨迹预测模型，确定目标车的预测轨迹；自动驾驶车辆反应式轨迹预测模型以主车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹为输入，基于反应式社交卷积模块、时空注意力模块以及门融合层提取隐层张量信息，最终基于Softmax分类器对车辆纵向、侧向行驶行为分类，得到目标车的预测轨迹。根据目标车的预测轨迹更新主车的规划轨迹。本发明解决了现有方法未充分考虑车辆行驶行为多样性、未充分考虑周车行驶轨迹对主车预测轨迹的影响等问题，可在较长预测时域内获取高精度车辆预测轨迹。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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为现有技术的结构示意图；
图2为本发明所提供的一种自动驾驶车辆反应式轨迹预测方法流程示意图；
图3为车辆类型定义示意图；
图4为自动驾驶车辆反应式轨迹预测模型结构示意图；
图5为反应式社交卷积模块结构示意图；
图6为时空注意力模块结构示意图；
图7为门融合层结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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，都属于本发明保护的范围。
本发明的目的是提供一种自动驾驶车辆反应式轨迹预测方法及系统，可在较长预测时域内获取高精度车辆预测轨迹。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图2为本发明所提供的一种自动驾驶车辆反应式轨迹预测方法流程示意图，如图2所示，本发明所提供的一种自动驾驶车辆反应式轨迹预测方法，包括：
S101，确定主车、目标车及邻车；如图3所示，所述主车为自动驾驶车辆，表示可控的车辆；所述目标车为在主车设定范围内的车辆，即不可控车辆，需要预测其未来轨迹的车辆；所述邻车为在目标车设定范围内的车辆，表示可能与目标车辆发生车间交互的车辆；当主车在目标车辆一定范围内时，此时主车也被当作目标车的邻车；
S102，获取主车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹；
S103，根据主车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹，采用自动驾驶车辆反应式轨迹预测模型，确定目标车的预测轨迹；如图4所示，所述自动驾驶车辆反应式轨迹预测模型包括：用于根据车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹确定轨迹编码向量的LSTM编码器、用于根据轨迹编码向量确定的隐藏向量的反应式社交卷积模块、用于根据轨迹编码向量和时空注意力机制确定时空注意力向量的时空注意力模块、用于将隐藏向量和时空注意力向量利用不同的权重系数进行融合确定隐层张量信息的门融合层、用于对隐层张量信息进行解码的LSTM网络解码器以及Softmax分类器；
如图5所示，反应式社交卷积模块充分考虑主车规划轨迹对目标车预测轨迹的潜在影响，揭示不同时序下轨迹间的非线性映射关系。首先将主车的规划轨迹、主车的历史轨迹及邻车的历史轨迹三种信息分别作为LSTM编码器的输入，其编码信息被整合为多维规划张量及观测社交张量，之后经过两个卷积层及最大池化(maxpooling)层，最后整合为包含主车规划轨迹信息的社交上下文张量S。其中，目标车的历史轨迹信息被编码为为M，其信息将与通过门融合层的信息串联，从而在轨迹预测框架中获得包括主车的历史轨迹、主车规划轨迹、目标车的历史轨迹以及邻车的历史轨迹的隐层张量信息。
如图6所示，所述时空注意力模块的处理过程为：
利用Softmax层对轨迹编码向量进行处理，确定时间注意力权重；
将所有的轨迹编码向量按照时间注意力权重进行加权融合，确定加权融合后的轨迹编码向量；
利用Softmax层对加权融合后的轨迹编码向量进行处理以及网格划分后的交通场景确定空间注意力权重；
将加权融合后的轨迹编码向量按照空间注意力权重进行加权处理，确定时空注意力向量。
其中，时间层注意力计算的过程为：
在时间步骤t，LSTM编码器的输入是每个车辆vi在T步骤的历史轨迹
Figure BDA0003997545990000071
而生成的隐藏状态是/>
Figure BDA0003997545990000072
其中d是隐藏状态的长度。与之相关的时间注意力权重/>
Figure BDA0003997545990000073
可以通过以下公式计算出来：
Figure BDA0003997545990000074
其中，Wα代表可学习的网络模型参数。
其中，空间层注意力计算的过程为：
本发明基于以车辆为中心的目标网格，因此在时间步长t的所有网格单元的值可以表示为
Figure BDA0003997545990000075
其中N代表网格单元的总数量。当相应的网格单元中有车辆时，/>
Figure BDA0003997545990000076
需要放在相应的网格中，否则为0。因此可以表示为如下：
Figure BDA0003997545990000077
Figure BDA0003997545990000078
其中，
Figure BDA0003997545990000079
代表与vi相关的网格单元的值。由于时间注意力权重/>
Figure BDA00039975459900000710
也是计算空间注意力权重的一个重要特征，在这种情况下，/>
Figure BDA00039975459900000711
是以结合隐藏状态/>
Figure BDA00039975459900000712
和时间注意力权重/>
Figure BDA00039975459900000713
获得。需要特别指出的是，对于主车的网格单元，采用最大池化(maxpooling)层将所有信息进行合并。
时间步骤t的空间注意力权重
Figure BDA00039975459900000714
可以由softmax层计算如下：
Figure BDA00039975459900000715
其中Wβ代表可学习的权重。根据目标车和邻近车的所有信息被组合起成
Figure BDA00039975459900000716
并作为预测框架的输入，以获得预测过程中的时空特征。
如图7所示，基于历史数据的门融合层可在每个周期内通过自适应控制不同模块的权重系数来融合社交卷积模块及时空注意力机制模块，从而全面考虑车辆交互、空间位置、时间序列等因素对目标车轨迹预测的影响，具体为：
hfusion＝z⊙hrea+(1-z)⊙hatt；
其中，z＝σ(hreaWz,1+hattWz,2+bz)，Wz,1，Wz,2和bz是学习的网络参数；⊙代表点乘；σ(·)表示sigmoid激活函数；z表示计算出的融合系数；hrea表示反应式社交卷积模块的隐层状态；hrea为时空注意力模块的隐层状态；hfusion表示融合反应式社交卷积模块和时空注意力模块新的隐层信息。
所述隐层张量信息为：
Hfusion＝M(t)||hfusion；
其中，Hfusion为目标车的历史轨迹的隐层张量信息，M(t)为目标车的历史轨迹的轨迹编码向量，||表示串联操作。
为了稳定训练过程，防止梯度消失或爆炸，在反应式多车交互模块和解码器模块之间增加了一个LSTM层，它将所有编码的隐藏状态转换为新的隐藏表示，并作为解码器的输入。
门融合层输出的隐藏向量可通过基于驾驶行为分类的LSTM解码器来输出周车预测轨迹序列。其中纵向驾驶行为主要分为减速和正常行驶，而侧向驾驶行为主要分为左换道、右换道及保持当前车道行驶，因此考虑纵-侧向耦合工况时可输出六种驾驶行为。为了提高预测的精度，该解码器集成了随机高斯噪声G，此外，分别通过两个Softmax层输出不同纵向及侧向驾驶行为的分布概率，同时将分布概率相乘即可得到不同驾驶行为的分布概率。最后，该隐藏向量通过与侧向或纵向单一驾驶行为的向量相结合，输出不同驾驶行为下的预测轨迹。
所述目标车的预测轨迹为：
Figure BDA0003997545990000081
Figure BDA0003997545990000082
其中，
Figure BDA0003997545990000083
表示均值、标准差和预测坐标/>
Figure BDA0003997545990000084
在时间t+T的相关系数，N表示网格单元的总数量。
S104，根据目标车的预测轨迹更新主车的规划轨迹。
本发明基于反应式社交卷积模块，全面考虑主车规划轨迹对目标车预测轨迹的潜在影响；构建时空注意力机制模块，综合考虑邻车空间位置、时间序列对轨迹预测结果的影响；通过构建门融合层，来综合考虑卷积模块及时空注意力机制模块；通过将车辆纵向侧向行驶轨迹进行解耦，通过Softmax分类器得到某一特定驾驶行为的分布概率，并结合LSTM解码器网络输出该驾驶行为下的预测轨迹序列。
作为一个具体的实施例，本发明还提供一种自动驾驶车辆反应式轨迹预测系统，包括：
车辆划分单元，用于确定主车、目标车及邻车；所述主车为自动驾驶车辆；所述目标车为在主车设定范围内的车辆；所述邻车为在目标车设定范围内的车辆；
数据获取单元，用于获取主车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹；
目标车的预测轨迹确定单元，用于根据主车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹，采用自动驾驶车辆反应式轨迹预测模型，确定目标车的预测轨迹；所述自动驾驶车辆反应式轨迹预测模型包括：用于根据车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹确定轨迹编码向量的LSTM编码器、用于根据轨迹编码向量确定的隐藏向量的反应式社交卷积模块、用于根据轨迹编码向量和时空注意力机制确定时空注意力向量的时空注意力模块、用于将隐藏向量和时空注意力向量利用不同的权重系数进行融合确定隐层张量信息的门融合层、用于对隐层张量信息进行解码的LSTM网络解码器以及Softmax分类器；
主车的规划轨迹更新单元，用于根据目标车的预测轨迹更新主车的规划轨迹。
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，本发明还提供一种自动驾驶车辆反应式轨迹预测系统，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现所述的一种自动驾驶车辆反应式轨迹预测方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种自动驾驶车辆反应式轨迹预测方法，其特征在于，包括：
确定主车、目标车及邻车；所述主车为自动驾驶车辆；所述目标车为在主车设定范围内的车辆；所述邻车为在目标车设定范围内的车辆；
获取主车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹；
根据主车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹，采用自动驾驶车辆反应式轨迹预测模型，确定目标车的预测轨迹；所述自动驾驶车辆反应式轨迹预测模型包括：用于根据车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹确定轨迹编码向量的LSTM编码器、用于根据轨迹编码向量确定的隐藏向量的反应式社交卷积模块、用于根据轨迹编码向量和时空注意力机制确定时空注意力向量的时空注意力模块、用于将隐藏向量和时空注意力向量利用不同的权重系数进行融合确定隐层张量信息的门融合层、用于对隐层张量信息进行解码的LSTM网络解码器以及Softmax分类器；
根据目标车的预测轨迹更新主车的规划轨迹。
2.根据权利要求1所述的一种自动驾驶车辆反应式轨迹预测方法，其特征在于，所述时空注意力模块的处理过程为：
利用Softmax层对轨迹编码向量进行处理，确定时间注意力权重；
将所有的轨迹编码向量按照时间注意力权重进行加权融合，确定加权融合后的轨迹编码向量；
利用Softmax层对加权融合后的轨迹编码向量进行处理以及网格划分后的交通场景确定空间注意力权重；
将加权融合后的轨迹编码向量按照空间注意力权重进行加权处理，确定时空注意力向量。
3.根据权利要求1所述的一种自动驾驶车辆反应式轨迹预测方法，其特征在于，所述门融合层具体包括以下公式：
hfusion＝z⊙hrea+(1-z)⊙hatt；
其中，z＝σ(hreaWz,1+hattWz,2+bz)，Wz,1，Wz,2和bz是学习的网络参数；⊙代表点乘；σ(·)表示sigmoid激活函数；z表示计算出的融合系数；hrea表示反应式社交卷积模块的隐层状态；hrea为时空注意力模块的隐层状态；hfusion表示融合反应式社交卷积模块和时空注意力模块新的隐层信息。
4.根据权利要求3所述的一种自动驾驶车辆反应式轨迹预测方法，其特征在于，所述隐层张量信息为：
Hfusion＝M(t)||hfusion；
其中，Hfusion为目标车的历史轨迹的隐层张量信息，M(t)为目标车的历史轨迹的轨迹编码向量，||表示串联操作。
5.根据权利要求1所述的一种自动驾驶车辆反应式轨迹预测方法，其特征在于，所述目标车的预测轨迹为：
Figure FDA0003997545980000021
其中，
Figure FDA0003997545980000022
表示均值、标准差和预测坐标/>
Figure FDA0003997545980000023
在时间t+T的相关系数，N表示网格单元的总数量。/>
6.一种自动驾驶车辆反应式轨迹预测系统，其特征在于，包括：
车辆划分单元，用于确定主车、目标车及邻车；所述主车为自动驾驶车辆；所述目标车为在主车设定范围内的车辆；所述邻车为在目标车设定范围内的车辆；
数据获取单元，用于获取主车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹；
目标车的预测轨迹确定单元，用于根据主车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹，采用自动驾驶车辆反应式轨迹预测模型，确定目标车的预测轨迹；所述自动驾驶车辆反应式轨迹预测模型包括：用于根据车的规划轨迹、主车的历史轨迹、目标车的历史轨迹及邻车的历史轨迹确定轨迹编码向量的LSTM编码器、用于根据轨迹编码向量确定的隐藏向量的反应式社交卷积模块、用于根据轨迹编码向量和时空注意力机制确定时空注意力向量的时空注意力模块、用于将隐藏向量和时空注意力向量利用不同的权重系数进行融合确定隐层张量信息的门融合层、用于对隐层张量信息进行解码的LSTM网络解码器以及Softmax分类器；
主车的规划轨迹更新单元，用于根据目标车的预测轨迹更新主车的规划轨迹。
7.一种自动驾驶车辆反应式轨迹预测系统，其特征在于，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1-5中任一项所述的一种自动驾驶车辆反应式轨迹预测方法。
CN202211605052.2A 2022-12-14 2022-12-14 一种自动驾驶车辆反应式轨迹预测方法及系统 Pending CN116258242A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211605052.2A CN116258242A (zh) 2022-12-14 2022-12-14 一种自动驾驶车辆反应式轨迹预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211605052.2A CN116258242A (zh) 2022-12-14 2022-12-14 一种自动驾驶车辆反应式轨迹预测方法及系统

Publications (1)

Publication Number Publication Date
CN116258242A true CN116258242A (zh) 2023-06-13

Family

ID=86687046

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211605052.2A Pending CN116258242A (zh) 2022-12-14 2022-12-14 一种自动驾驶车辆反应式轨迹预测方法及系统

Country Status (1)

Country Link
CN (1) CN116258242A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117516581A (zh) * 2023-12-11 2024-02-06 江苏大学 融合BEVFormer和邻域注意力Transformer端到端自动驾驶轨迹规划系统、方法及训练方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117516581A (zh) * 2023-12-11 2024-02-06 江苏大学 融合BEVFormer和邻域注意力Transformer端到端自动驾驶轨迹规划系统、方法及训练方法

Similar Documents

Publication Publication Date Title
CN112965499B (zh) 基于注意力模型和深度强化学习的无人车行驶决策方法
CN110568760B (zh) 适用于换道及车道保持的参数化学习决策控制系统及方法
Li et al. An improved DQN path planning algorithm
CN112257850A (zh) 一种基于生成对抗网络的车辆轨迹预测方法
CN113044064B (zh) 基于元强化学习的车辆自适应的自动驾驶决策方法及系统
CN113911129A (zh) 一种基于驾驶行为生成机制的交通车意图识别方法
CN112506194B (zh) 一种移动机器人集群分布式安全学习控制方法
CN112949597B (zh) 一种基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法
CN112389436A (zh) 基于改进lstm神经网络的安全性自动驾驶换道轨迹规划方法
CN114399743A (zh) 一种障碍物未来轨迹的生成方法
CN115257724A (zh) 一种插电式混动汽车安全节能决策控制方法和系统
CN115016534A (zh) 一种基于记忆增强学习的无人机自主避障导航方法
CN117141517A (zh) 数据驱动与知识引导相结合的车辆轨迹预测模型构建方法
CN110879595A (zh) 一种基于深度强化学习的无人矿卡循迹控制系统及方法
CN116258242A (zh) 一种自动驾驶车辆反应式轨迹预测方法及系统
CN111824182A (zh) 一种基于深度强化学习的三轴重型车自适应巡航控制算法
CN116595871A (zh) 基于动态时空交互图的车辆轨迹预测建模方法与装置
Jiang et al. Event-triggered shared lateral control for safe-maneuver of intelligent vehicles
Xiaoqiang et al. Graph convolution reinforcement learning for decision-making in highway overtaking scenario
CN113741464A (zh) 一种基于时空数据强化学习的自动驾驶速度控制框架
Dubey et al. Autonomous braking and throttle system: A deep reinforcement learning approach for naturalistic driving
CN111160089B (zh) 一种基于不同车辆类型的轨迹预测系统及方法
Basile et al. Ddpg based end-to-end driving enhanced with safe anomaly detection functionality for autonomous vehicles
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
CN114912693A (zh) 一种基于多模态预测的自动驾驶汽车运动规划方法

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