CN116552567A - 一种l3高速自动驾驶的交互增强轨迹预测方法及系统 - Google Patents
一种l3高速自动驾驶的交互增强轨迹预测方法及系统 Download PDFInfo
- Publication number
- CN116552567A CN116552567A CN202310612318.4A CN202310612318A CN116552567A CN 116552567 A CN116552567 A CN 116552567A CN 202310612318 A CN202310612318 A CN 202310612318A CN 116552567 A CN116552567 A CN 116552567A
- Authority
- CN
- China
- Prior art keywords
- track
- module
- attention mechanism
- trajectory
- predicted
- 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 51
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000003993 interaction Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000007246 mechanism Effects 0.000 claims description 60
- 239000011159 matrix material Substances 0.000 claims description 46
- 238000010606 normalization Methods 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- 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
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
- B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
-
- 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)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种L3高速自动驾驶的交互增强轨迹预测方法及系统,其中方法包括:获取预测主车和周围车辆的历史轨迹;构建轨迹预测模型,包括输入模块、目标编码模块、交互编码模块和解码模块,其中,输入模块对轨迹进行编码和添加位置信息,得到轨迹特征,目标编码模块预测主车的轨迹特征进行处理得到目标编码特征,交互编码模块对预测主车和周围车辆的轨迹特征进行处理得到交互编码特征,解码模块基于目标编码特征和交互编码特征进行解码,得到预测的未来轨迹;对轨迹预测模型进行训练,训练完成后用于L3高速自动驾驶场景下的交互增强轨迹预测。与现有技术相比,本发明具有适用于所有高速场景、计算效率高、缺失目标物时仍可预测等优点。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其是涉及一种L3高速自动驾驶的交互增强轨迹预测方法及系统。
背景技术
汽车工程学会将自动驾驶分为了五个等级,其中L2级和L3级分别代表部分自动驾驶和有条件自动驾驶。近年来越来越多的汽车拥有了L2级自动驾驶的水平,能够完成自主泊车、自适应巡航等功能。为了突破L3级自动驾驶的瓶颈,不少公司从高速场景入手,打造安全鲁棒的自动驾驶算法,这需要准确的预测周围交通车。
然而在高速场景下进行准确的轨迹预测具有如下困难。首先,待预测车辆的运动轨迹受周围交通车的影响很大,在轨迹预测时必须要考虑交通车的影响;其次,在大面积高速场景下提供高精度地图是非常昂贵的,因此需要开发不依赖于高精度地图的轨迹预测算法;然后,虽然硬件设备和软件算法均在不断升级,在感知输出时仍存在部分帧缺失目标物的情况。
发明内容
本发明的目的是为了提供一种L3高速自动驾驶的交互增强轨迹预测方法及系统,能够很好的捕捉周围交通车与预测车辆之间的交互信息,提高轨迹预测准确性;同时,基于注意力机制设计预测模型,均采用了并行计算的方式,提高了预测速度;并且可以自适应的处理缺失数据,提高轨迹预测的鲁棒性。
本发明的目的可以通过以下技术方案来实现:
一种L3高速自动驾驶的交互增强轨迹预测方法,包括以下步骤:
在L3高速自动驾驶场景中,获取预测主车和周围车辆的历史轨迹;
构建轨迹预测模型,所述轨迹预测模型包括输入模块、目标编码模块、交互编码模块和解码模块,其中,所述输入模块对轨迹进行编码和添加位置信息,得到轨迹特征,所述目标编码模块基于多头注意力机制对预测主车的轨迹特征进行处理得到目标编码特征,所述交互编码模块基于多头注意力机制对预测主车和周围车辆的轨迹特征进行处理得到交互编码特征,所述解码模块基于目标编码特征和交互编码特征进行解码,得到预测的未来轨迹;
利用历史轨迹对轨迹预测模型进行训练,并基于训练完成的轨迹预测模型进行L3高速自动驾驶场景下的交互增强轨迹预测。
所述输入模块使用线性层网络对轨迹进行编码,并利用位置编码层对时序轨迹添加位置信息,表示为:
其中,AV代表待预测的主车,SV代表周围车辆,Wlinear表示线性层网络的权重矩阵,表示长度为obs的历史轨迹,即/>其中(xt,yt)代表车辆在t时刻的坐标,D为/>向量的长度,d∈{1,2,…,D}。
所述目标编码模块将预测主车的轨迹特征送入多头注意力机制中,并利用残差模块和批量归一化模块减少其误差,再将其送入前馈网络和归一化层得到目标编码特征,其中,多头注意力机制表示为:
MultiHeadQ,K,V)=Concat(head1,…,headh)WO
其中head=Attention(QWi Q,KWi K,VWi V)
其中的Q,K,V分别代表询问矩阵、关键词矩阵和价值矩阵,在目标编码模块中Q,K,V均为输入模块的输出。
所述交互编码模块中,预测主车的轨迹特征被送入批量归一化模块,周围车辆的轨迹特征进行连接后送入线性层,输出后的特征输入到多头注意力机制当中,其中预测主车的轨迹特征作为注意力机制的询问矩阵Q,周围车辆的轨迹特征作为注意力机制的关键词矩阵和价值矩阵K和V,并使用残差网络将周围车辆的轨迹特征与多头注意力机制的结果进行加和,后送入前馈网络、归一化层和一层目标编码模块,得到交互编码特征。
所述解码模块在训练时直接采用预测主车的未来轨迹特征,在应用时将与预测主车未来轨迹相同维度的全0向量送入多头注意力机制得到未来轨迹编码特征,将未来轨迹编码特征作为下一个多头注意力机制的询问矩阵Q,将来自目标编码模块和交互编码模块的特征的加权和作为注意力机制的关键词矩阵和价值矩阵K和V,其中,加权和表示为em=OAE+λ×OSE,其中OAE表示来自目标编码模块的特征,OSE表示来自交互编码模块的特征,λ表示加权系数;之后使用前馈网络和层归一化,再经过一层线性层得到预测主车的未来预测轨迹。
一种L3高速自动驾驶的交互增强轨迹预测系统,包括:
轨迹采集单元,用于在L3高速自动驾驶场景中,获取预测主车和周围车辆的历史轨迹;
轨迹预测模型构建单元,所述轨迹预测模型包括输入模块、目标编码模块、交互编码模块和解码模块,其中,所述输入模块对轨迹进行编码和添加位置信息,得到轨迹特征,所述目标编码模块基于多头注意力机制对预测主车的轨迹特征进行处理得到目标编码特征,所述交互编码模块基于多头注意力机制对预测主车和周围车辆的轨迹特征进行处理得到交互编码特征,所述解码模块基于目标编码特征和交互编码特征进行解码,得到预测的未来轨迹;
轨迹预测模型训练单元,用于利用历史轨迹对轨迹预测模型进行训练;
轨迹预测单元,用于基于训练完成的轨迹预测模型进行L3高速自动驾驶场景下的交互增强轨迹预测。
所述输入模块使用线性层网络对轨迹进行编码,并利用位置编码层对时序轨迹添加位置信息,表示为:
其中,AV代表待预测的主车,SV代表周围车辆,Wlinear表示线性层网络的权重矩阵,表示长度为obs的历史轨迹,即/>其中(xt,yt)代表车辆在t时刻的坐标,D为/>向量的长度,d∈{1,2,…,D}。
所述目标编码模块将预测主车的轨迹特征送入多头注意力机制中,并利用残差模块和批量归一化模块减少其误差,再将其送入前馈网络和归一化层得到目标编码特征,其中,多头注意力机制表示为:
MultiHead(Q,K,V)=Concat(head1,…,headh)WO
其中head=Attention(QWi Q,KWi K,VWi V)
其中的Q,K,V分别代表询问矩阵、关键词矩阵和价值矩阵,在目标编码模块中Q,K,V均为输入模块的输出。
所述交互编码模块中,预测主车的轨迹特征被送入批量归一化模块,周围车辆的轨迹特征进行连接后送入线性层,输出后的特征输入到多头注意力机制当中,其中预测主车的轨迹特征作为注意力机制的询问矩阵Q,周围车辆的轨迹特征作为注意力机制的关键词矩阵和价值矩阵K和V,并使用残差网络将周围车辆的轨迹特征与多头注意力机制的结果进行加和,后送入前馈网络、归一化层和一层目标编码模块,得到交互编码特征。
所述解码模块在训练时直接采用预测主车的未来轨迹特征,在应用时将与预测主车未来轨迹相同维度的全0向量送入多头注意力机制得到未来轨迹编码特征,将未来轨迹编码特征作为下一个多头注意力机制的询问矩阵Q,将来自目标编码模块和交互编码模块的特征的加权和作为注意力机制的关键词矩阵和价值矩阵K和V,其中,加权和表示为em=OAE+λ×OSE,其中OAE表示来自目标编码模块的特征,OSE表示来自交互编码模块的特征,λ表示加权系数;之后使用前馈网络和层归一化,再经过一层线性层得到预测主车的未来预测轨迹。
与现有技术相比,本发明具有以下有益效果:
(1)本发明使用车辆坐标作为输入,没有使用高精度地图,可以适用于所有的高速场景。
(2)本发明的所有模块均基于注意力机制,采用并行计算方式进行计算,计算效率高,适合多批次长时域预测。
(3)本发明在输入模块中添加了位置编码层,使得在自动驾驶感知算法出现缺失目标物时,能够跳过缺失位置,而不影响整体预测算法的运行,提高了自动驾驶的鲁棒性。
(4)本发明考虑了周围车辆对轨迹的交互影响,提高了轨迹预测精度。
附图说明
图1为本发明的方法流程示意图。
图2为本发明的目标编码模块的结构示意图。
图3为本发明的交互编码模块的结构示意图。
图4为本发明的解码模块的结构示意图
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
本实施例提供一种L3高速自动驾驶的交互增强轨迹预测方法,如图1所示,包括以下步骤:
S1:在L3高速自动驾驶场景中,获取预测主车和周围车辆的历史轨迹.
S2:构建轨迹预测模型
由于高速场景下无法提供高精度地图,故本发明基于Transformer构建轨迹预测模型,以预测主车和周围车辆历史轨迹为输入,输出主车的未来预测轨迹。本实施例中轨迹预测模型包括输入模块、目标编码模块、交互编码模块和解码模块。
(A)输入模块
如图1所示,AV代表待预测的主车,SV代表周围车辆,表示长度为obs的历史轨迹,即/>其中(xt,yt)代表车辆在t时刻的坐标,/>和/>分别代表预测的未来轨迹和真值未来轨迹,其中/> 同理/>以输入/>为例,输入模块首先使用线性层网络对输入进行编码,后输入位置编码层对时序轨迹添加位置信息,输入模块可表示为以下公式:
其中,D为向量的长度,d∈{1,2,…,D}。
(B)目标编码模块
如图2所示,目标编码模块将预测主车的轨迹特征送入多头注意力机制中,并利用残差模块和批量归一化模块减少其误差,再将其送入前馈网络和归一化层得到目标编码特征,其中,多头注意力机制表示为:
MultiHeadQ,K,V)=Concat(head1,…,headh)WO
其中head=Attention(QWi Q,KWi K,VWi V)
其中的Q,K,V分别代表询问矩阵、关键词矩阵和价值矩阵,在目标编码模块中Q,K,V均为输入模块的输出。本实施例中设定h=8。之后将特征输入线性网络并搭配残差模块和批量归一化模块,得到目标编码特征。为了将模型轻量化,目标编码模块的层数取1。
(C)交互编码模块
如图3所示,交互编码模块中采用预测主车的历史轨迹和周围车辆历史轨迹作为输入,提取主车和周围车辆的交互特征。预测主车的轨迹特征被送入批量归一化模块,周围车辆的轨迹特征进行连接后送入线性层,输出后的特征输入到多头注意力机制当中,其中预测主车的轨迹特征作为注意力机制的询问矩阵Q,周围车辆的轨迹特征作为注意力机制的关键词矩阵和价值矩阵K和V,并使用残差网络将周围车辆的轨迹特征与多头注意力机制的结果进行加和,后送入前馈网络、归一化层和一层目标编码模块,得到交互编码特征。
(D)解码模块
如图4所示,在训练时,解码模块以预测主车未来轨迹为输入,通过输入模块得到主车未来轨迹特征,之后送入编码层。具体的,在经过多头注意力机制、残差模块、批量归一化模块提取特征后,在训练时直接采用预测主车的未来轨迹特征,在应用时将与预测主车未来轨迹相同维度的全0向量送入多头注意力机制得到未来轨迹编码特征,将未来轨迹编码特征作为下一个多头注意力机制的询问矩阵Q,将来自目标编码模块和交互编码模块的特征进行加权加和作为注意力机制的关键词矩阵和价值矩阵K和V。此加权加和可以表示为em=OAE+λ×OSE,其中OAE表示来自目标编码模块的特征,OSE表示来自交互编码模块的特征,λ表示加权系数,本实施例中在这里取λ=0.1。之后依次使用前馈网络、残差网络,将主车未来轨迹特征与多头注意力机制的结果进行加和后送入批量归一化模块。最终再经过一层线性层得到主车的未来预测轨迹。在预测时,解码模块将主车未来轨迹均填为0,其他与训练时相同。为了将模型轻量化,解码模块的层数取1。
S3:利用历史轨迹对轨迹预测模型进行训练,并基于训练完成的轨迹预测模型进行L3高速自动驾驶场景下的交互增强轨迹预测。
本实施例公开了一种适用于L3高速自动驾驶基于Transformer的交互增强轨迹预测方法,创新性的将Transformer架构用于轨迹预测领域,能够准确高效的进行轨迹预测。特别地,该方法的三个主要模块均基于多头注意力机制,其中目标编码模块用于处理主车历史轨迹,交互编码模块用于提取周围车辆交互信息,解码模块用于预测未来轨迹。该方法专为L3高速自动驾驶场景设计,可以提高L3自动驾驶的安全性和鲁棒性。
实施例2
本实施例提供一种L3高速自动驾驶的交互增强轨迹预测系统,用于实现如实施例1所述的方法,包括:
(1)轨迹采集单元,用于在L3高速自动驾驶场景中,获取预测主车和周围车辆的历史轨迹。
(2)轨迹预测模型构建单元,所述轨迹预测模型包括输入模块、目标编码模块、交互编码模块和解码模块,其中,所述输入模块对轨迹进行编码和添加位置信息,得到轨迹特征,所述目标编码模块基于多头注意力机制对预测主车的轨迹特征进行处理得到目标编码特征,所述交互编码模块基于多头注意力机制对预测主车和周围车辆的轨迹特征进行处理得到交互编码特征,所述解码模块基于目标编码特征和交互编码特征进行解码,得到预测的未来轨迹。
(3)轨迹预测模型训练单元,用于利用历史轨迹对轨迹预测模型进行训练。
(4)轨迹预测单元,用于基于训练完成的轨迹预测模型进行L3高速自动驾驶场景下的交互增强轨迹预测。
系统的具体实现过程参照实施例1所示,在此不再赘述。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依据本发明的构思在现有技术的基础上通过逻辑分析、推理、或者有限的实验可以得到的技术方案,皆应在权利要求书所确定的保护范围内。
Claims (10)
1.一种L3高速自动驾驶的交互增强轨迹预测方法,其特征在于,包括以下步骤:
在L3高速自动驾驶场景中,获取预测主车和周围车辆的历史轨迹;
构建轨迹预测模型,所述轨迹预测模型包括输入模块、目标编码模块、交互编码模块和解码模块,其中,所述输入模块对轨迹进行编码和添加位置信息,得到轨迹特征,所述目标编码模块基于多头注意力机制对预测主车的轨迹特征进行处理得到目标编码特征,所述交互编码模块基于多头注意力机制对预测主车和周围车辆的轨迹特征进行处理得到交互编码特征,所述解码模块基于目标编码特征和交互编码特征进行解码,得到预测的未来轨迹;
利用历史轨迹对轨迹预测模型进行训练,并基于训练完成的轨迹预测模型进行L3高速自动驾驶场景下的交互增强轨迹预测。
2.根据权利要求1所述的一种L3高速自动驾驶的交互增强轨迹预测方法,其特征在于,所述输入模块使用线性层网络对轨迹进行编码,并利用位置编码层对时序轨迹添加位置信息,表示为:
其中,AV代表待预测的主车,SV代表周围车辆,Wlinear表示线性层网络的权重矩阵,表示长度为obs的历史轨迹,即/>其中(xt,yt)代表车辆在t时刻的坐标,D为/>向量的长度,d∈{1,2,…,D}。
3.根据权利要求1所述的一种L3高速自动驾驶的交互增强轨迹预测方法,其特征在于,所述目标编码模块将预测主车的轨迹特征送入多头注意力机制中,并利用残差模块和批量归一化模块减少其误差,再将其送入前馈网络和归一化层得到目标编码特征,其中,多头注意力机制表示为:
MultiHeadQ,K,V)=Concat(head1,…,headh)WO
其中head=Attention(QWi Q,KWi K,VWi V)
其中的Q,K,V分别代表询问矩阵、关键词矩阵和价值矩阵,在目标编码模块中Q,K,V均为输入模块的输出。
4.根据权利要求1所述的一种L3高速自动驾驶的交互增强轨迹预测方法,其特征在于,所述交互编码模块中,预测主车的轨迹特征被送入批量归一化模块,周围车辆的轨迹特征进行连接后送入线性层,输出后的特征输入到多头注意力机制当中,其中预测主车的轨迹特征作为注意力机制的询问矩阵Q,周围车辆的轨迹特征作为注意力机制的关键词矩阵和价值矩阵K和V,并使用残差网络将周围车辆的轨迹特征与多头注意力机制的结果进行加和,后送入前馈网络、归一化层和一层目标编码模块,得到交互编码特征。
5.根据权利要求1所述的一种L3高速自动驾驶的交互增强轨迹预测方法,其特征在于,所述解码模块在训练时直接采用预测主车的未来轨迹特征,在应用时将与预测主车未来轨迹相同维度的全0向量送入多头注意力机制得到未来轨迹编码特征,将未来轨迹编码特征作为下一个多头注意力机制的询问矩阵Q,将来自目标编码模块和交互编码模块的特征的加权和作为注意力机制的关键词矩阵和价值矩阵K和V,其中,加权和表示为em=OAE+λ×OSE,其中OAE表示来自目标编码模块的特征,OSE表示来自交互编码模块的特征,λ表示加权系数;之后使用前馈网络和层归一化,再经过一层线性层得到预测主车的未来预测轨迹。
6.一种L3高速自动驾驶的交互增强轨迹预测系统,其特征在于,包括:
轨迹采集单元,用于在L3高速自动驾驶场景中,获取预测主车和周围车辆的历史轨迹;
轨迹预测模型构建单元,所述轨迹预测模型包括输入模块、目标编码模块、交互编码模块和解码模块,其中,所述输入模块对轨迹进行编码和添加位置信息,得到轨迹特征,所述目标编码模块基于多头注意力机制对预测主车的轨迹特征进行处理得到目标编码特征,所述交互编码模块基于多头注意力机制对预测主车和周围车辆的轨迹特征进行处理得到交互编码特征,所述解码模块基于目标编码特征和交互编码特征进行解码,得到预测的未来轨迹;
轨迹预测模型训练单元,用于利用历史轨迹对轨迹预测模型进行训练;
轨迹预测单元,用于基于训练完成的轨迹预测模型进行L3高速自动驾驶场景下的交互增强轨迹预测。
7.根据权利要求6所述的一种L3高速自动驾驶的交互增强轨迹预测系统,其特征在于,所述输入模块使用线性层网络对轨迹进行编码,并利用位置编码层对时序轨迹添加位置信息,表示为:
其中,AV代表待预测的主车,SV代表周围车辆,Wlinear表示线性层网络的权重矩阵,表示长度为obs的历史轨迹,即/>其中(xt,yt)代表车辆在t时刻的坐标,D为/>向量的长度,d∈{1,2,…,D}。
8.根据权利要求6所述的一种L3高速自动驾驶的交互增强轨迹预测系统,其特征在于,所述目标编码模块将预测主车的轨迹特征送入多头注意力机制中,并利用残差模块和批量归一化模块减少其误差,再将其送入前馈网络和归一化层得到目标编码特征,其中,多头注意力机制表示为:
MultiHeadQ,K,V)=Concat(head1,…,headh)WO
其中head=Attention(QWi Q,KWi K,VWi V)
其中的Q,K,V分别代表询问矩阵、关键词矩阵和价值矩阵,在目标编码模块中Q,K,V均为输入模块的输出。
9.根据权利要求6所述的一种L3高速自动驾驶的交互增强轨迹预测系统,其特征在于,所述交互编码模块中,预测主车的轨迹特征被送入批量归一化模块,周围车辆的轨迹特征进行连接后送入线性层,输出后的特征输入到多头注意力机制当中,其中预测主车的轨迹特征作为注意力机制的询问矩阵Q,周围车辆的轨迹特征作为注意力机制的关键词矩阵和价值矩阵K和V,并使用残差网络将周围车辆的轨迹特征与多头注意力机制的结果进行加和,后送入前馈网络、归一化层和一层目标编码模块,得到交互编码特征。
10.根据权利要求6所述的一种L3高速自动驾驶的交互增强轨迹预测系统,其特征在于,所述解码模块在训练时直接采用预测主车的未来轨迹特征,在应用时将与预测主车未来轨迹相同维度的全0向量送入多头注意力机制得到未来轨迹编码特征,将未来轨迹编码特征作为下一个多头注意力机制的询问矩阵Q,将来自目标编码模块和交互编码模块的特征的加权和作为注意力机制的关键词矩阵和价值矩阵K和V,其中,加权和表示为em=OAE+λ×OSE,其中OAE表示来自目标编码模块的特征,OSE表示来自交互编码模块的特征,λ表示加权系数;之后使用前馈网络和层归一化,再经过一层线性层得到预测主车的未来预测轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310612318.4A CN116552567A (zh) | 2023-05-29 | 2023-05-29 | 一种l3高速自动驾驶的交互增强轨迹预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310612318.4A CN116552567A (zh) | 2023-05-29 | 2023-05-29 | 一种l3高速自动驾驶的交互增强轨迹预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116552567A true CN116552567A (zh) | 2023-08-08 |
Family
ID=87489803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310612318.4A Pending CN116552567A (zh) | 2023-05-29 | 2023-05-29 | 一种l3高速自动驾驶的交互增强轨迹预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116552567A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493424A (zh) * | 2024-01-03 | 2024-02-02 | 湖南工程学院 | 一种不依赖地图信息的车辆轨迹预测方法 |
-
2023
- 2023-05-29 CN CN202310612318.4A patent/CN116552567A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493424A (zh) * | 2024-01-03 | 2024-02-02 | 湖南工程学院 | 一种不依赖地图信息的车辆轨迹预测方法 |
CN117493424B (zh) * | 2024-01-03 | 2024-03-22 | 湖南工程学院 | 一种不依赖地图信息的车辆轨迹预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Agentformer: Agent-aware transformers for socio-temporal multi-agent forecasting | |
Bai et al. | Stg2seq: Spatial-temporal graph to sequence model for multi-step passenger demand forecasting | |
Gao et al. | Dual transformer based prediction for lane change intentions and trajectories in mixed traffic environment | |
CN113269115A (zh) | 一种基于Informer的行人轨迹预测方法 | |
CN110929092A (zh) | 一种基于动态注意力机制的多事件视频描述方法 | |
CN113673594A (zh) | 一种基于深度学习网络的瑕疵点识别方法 | |
CN116552567A (zh) | 一种l3高速自动驾驶的交互增强轨迹预测方法及系统 | |
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 | |
CN113269114A (zh) | 一种基于多隐变量预测器及关键点的行人轨迹预测方法 | |
CN114493014A (zh) | 多元时间序列预测方法、系统及计算机产品、存储介质 | |
CN114898550B (zh) | 一种行人轨迹预测方法和系统 | |
CN115205233A (zh) | 一种基于端对端架构的光伏表面缺陷识别方法及系统 | |
CN115061103A (zh) | 基于编码器-解码器的多功能雷达功能识别方法 | |
CN115293237A (zh) | 一种基于深度学习的车辆轨迹预测方法 | |
CN117292361A (zh) | 一种基于进化动态图卷积的车辆轨迹长时精细预测方法 | |
CN117153294A (zh) | 一种单一体系的分子生成方法 | |
CN117094451B (zh) | 一种耗电量的预测方法、装置及终端 | |
Shao et al. | Failure detection for motion prediction of autonomous driving: An uncertainty perspective | |
Che et al. | Auto-spikformer: Spikformer architecture search | |
CN113239629A (zh) | 一种轨迹空间行列式点过程的强化学习探索和利用的方法 | |
CN116958910A (zh) | 一种基于注意力机制的多任务交通场景检测算法 | |
CN115982988A (zh) | 一种基于PCA-Transformer的设备剩余使用寿命预测方法 | |
CN115018134A (zh) | 一种基于三尺度时空信息的行人轨迹预测方法 | |
CN112836752A (zh) | 基于深度值的特征图融合的智能采样参数控制方法 | |
CN114312831B (zh) | 一种基于空间注意力机制的车辆轨迹预测方法 |
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 |