本發(fā)明涉及一種基于訓(xùn)練的車輛軌跡預(yù)測(cè)方法，具體涉及一種基于訓(xùn)練的分段式車輛軌跡預(yù)測(cè)方法。

背景技術(shù)：

1、當(dāng)前的車輛軌跡預(yù)測(cè)方法主要依賴于車輛自身的位置、速度等歷史數(shù)據(jù)，同時(shí)對(duì)周圍環(huán)境進(jìn)行檢測(cè)和分析。通過檢測(cè)周圍動(dòng)態(tài)信息(如車輛和行人的位置、速度等)，并結(jié)合車輛定位所在高清地圖中包含的道路信息(如車道線位置、走向、信號(hào)燈等場(chǎng)景信息)，對(duì)目標(biāo)車輛的狀態(tài)進(jìn)行描述。然后，將這一狀態(tài)進(jìn)行編碼，并映射到車輛未來(lái)的運(yùn)動(dòng)軌跡上。訓(xùn)練的方法時(shí)通過構(gòu)建編碼模塊和映射模塊，并在大量訓(xùn)練數(shù)據(jù)上進(jìn)行模型參數(shù)的訓(xùn)練，得到最終的模塊參數(shù)，從而構(gòu)建起基于訓(xùn)練的車輛軌跡預(yù)測(cè)模型。

2、動(dòng)態(tài)信息的編碼可以通過圖像的形式來(lái)實(shí)現(xiàn)，將車輛和行人的歷史位置、速度等信息通過形狀和顏色等方式呈現(xiàn)在圖像中，隨后利用卷積神經(jīng)網(wǎng)絡(luò)(cnn)對(duì)圖像進(jìn)行特征提取。另一種方法是使用遞歸神經(jīng)網(wǎng)絡(luò)(rnn)將這些動(dòng)態(tài)信息編碼到模塊的隱藏變量中，從而提取動(dòng)態(tài)信息的特征。最后，通過全連接層將提取的特征映射到預(yù)測(cè)軌跡上。

3、目前大多數(shù)的軌跡預(yù)測(cè)方法是端到端的方式直接將動(dòng)態(tài)信息編碼后映射為最終預(yù)測(cè)的未來(lái)軌跡點(diǎn)。直接將動(dòng)態(tài)信息編碼后映射為最終預(yù)測(cè)的未來(lái)軌跡點(diǎn)，相對(duì)來(lái)說存在較大的黑盒迷霧，且大部分方法在這個(gè)過程中采用的是直接一次性預(yù)測(cè)所有未來(lái)時(shí)間點(diǎn)上的軌跡點(diǎn)。這在實(shí)際應(yīng)用中面對(duì)半秒鐘左右的常見時(shí)間間隔時(shí)中間出現(xiàn)的駕駛行為意圖的變化帶來(lái)的影響就難以為繼。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于訓(xùn)練的分段式車輛軌跡預(yù)測(cè)方法，所述方法通過預(yù)測(cè)中間量加速度以及方向盤轉(zhuǎn)角來(lái)對(duì)模型的映射進(jìn)行約束，同時(shí)在編碼過程中引入一個(gè)高維特征作為駕駛習(xí)慣的表征，用于衡量該車輛的駕駛行為，并用以約束下一個(gè)預(yù)測(cè)時(shí)間點(diǎn)的軌跡位置映射，并在訓(xùn)練過程中保證同車輛的駕駛習(xí)慣表征在樣本上的一致。

2、本發(fā)明提供的一種基于訓(xùn)練的分段式車輛軌跡預(yù)測(cè)方法，包括：

3、s1)數(shù)據(jù)采集，所述數(shù)據(jù)為在試驗(yàn)道路采集的車輛行駛數(shù)據(jù)；

4、s2)數(shù)據(jù)準(zhǔn)備，將所述數(shù)據(jù)集劃分為訓(xùn)練集，驗(yàn)證集和測(cè)試集，所述需要準(zhǔn)備的數(shù)據(jù)包括：不同車輛id對(duì)應(yīng)的時(shí)間戳為準(zhǔn)的車輛位置數(shù)據(jù)、地圖數(shù)據(jù)、車輛動(dòng)態(tài)環(huán)境數(shù)據(jù)、駕駛場(chǎng)景數(shù)據(jù)、加速度和方向盤轉(zhuǎn)角的真實(shí)值(gt)值；

5、s3)模型構(gòu)建，所述模型包括車輛環(huán)境動(dòng)態(tài)編碼模塊、駕駛習(xí)慣高維表征模塊、歷史軌跡對(duì)齊模塊、預(yù)測(cè)映射模塊以及模型優(yōu)化模塊，所述模型用于數(shù)據(jù)訓(xùn)練；

6、s4)模型優(yōu)化，訓(xùn)練過程中，利用所述模型優(yōu)化模塊計(jì)算預(yù)測(cè)軌跡位置、加速度、方向盤轉(zhuǎn)角以及駕駛習(xí)慣表征向量與真實(shí)值之間的誤差，通過反向傳播算法優(yōu)化模型參數(shù)；

7、s5)使用模型進(jìn)行預(yù)測(cè)；利用訓(xùn)練好的模型對(duì)目標(biāo)車輛的未來(lái)軌跡進(jìn)行分段預(yù)測(cè)，通過預(yù)測(cè)中間量加速度和方向盤轉(zhuǎn)角來(lái)約束預(yù)測(cè)軌跡，并引入駕駛習(xí)慣高維表征向量以保證預(yù)測(cè)軌跡的一致性。

8、本發(fā)明還包括一個(gè)用于訓(xùn)練駕駛習(xí)慣高維表征的編碼模型。所述方法通過編解碼結(jié)構(gòu)的模型將動(dòng)態(tài)環(huán)境、歷史軌跡和下一時(shí)刻的實(shí)際位置編碼為駕駛習(xí)慣高維表征向量。再結(jié)合歷史軌跡來(lái)預(yù)測(cè)下一時(shí)刻位置。其中在解碼器端會(huì)輸出一個(gè)預(yù)測(cè)場(chǎng)景。全量數(shù)據(jù)后的模型輸出的一個(gè)平均特征向量作為實(shí)際推理時(shí)的一個(gè)初始化向量在所述車輛軌跡預(yù)測(cè)模型中應(yīng)用。

9、步驟s1)所述的方法通過自車攜帶的傳感器檢測(cè)并識(shí)別行駛時(shí)周圍的車輛的位置軌跡，同時(shí)結(jié)合車輛的定位導(dǎo)航系統(tǒng)給出的全局坐標(biāo)和高清地圖，獲取目標(biāo)車輛所處的局部地圖；所述方法同時(shí)生成多組訓(xùn)練數(shù)據(jù)，同時(shí)對(duì)一個(gè)目標(biāo)車生成多段有間隔但存在不同行駛狀態(tài)的數(shù)據(jù)；以及，對(duì)齊所述步驟s1)中所述車輛行駛數(shù)據(jù)的時(shí)間戳。

10、步驟s2)所述的訓(xùn)練集，驗(yàn)證集和測(cè)試集的比例為8：1：1。

11、步驟s2)所述這些駕駛場(chǎng)景的劃分基于道路交通規(guī)則、駕駛行為特性以及道路設(shè)計(jì)特點(diǎn)，所述駕駛場(chǎng)景用于訓(xùn)練所述駕駛習(xí)慣高維表征向量。

12、步驟s3)所述的車輛環(huán)境動(dòng)態(tài)編碼模塊用于將目標(biāo)車輛的周圍環(huán)境信息、其他車歷史位置、周圍車道線信息編碼成向量形式，所述駕駛習(xí)慣高維表征模塊用于初始化并迭代更新特定車輛的駕駛習(xí)慣表征向量，所述歷史軌跡對(duì)齊模塊用于將過去一段時(shí)間的歷史軌跡對(duì)齊成一維向量，所述三組輸入在所述全連接映射網(wǎng)絡(luò)中的所述預(yù)測(cè)映射模塊中進(jìn)行分別映射對(duì)齊，然后拼接在一起做最后的預(yù)測(cè)位置映射。

13、步驟s3)所述的預(yù)測(cè)映射模塊在對(duì)齊映射過程中還會(huì)輸出加速度和方向盤轉(zhuǎn)角兩個(gè)中間量，用于在模型訓(xùn)練過程中進(jìn)行約束和分析判斷。

14、步驟s3)所述模型還包括一個(gè)用于計(jì)算駕駛習(xí)慣一致性損失的模塊，該模塊基于預(yù)定義的駕駛場(chǎng)景規(guī)則，評(píng)估駕駛習(xí)慣表征向量與當(dāng)前駕駛場(chǎng)景的匹配程度。

15、步驟s4)所述加速度和方向盤轉(zhuǎn)角的gt值通過車輛歷史軌跡和gt軌跡進(jìn)行公式計(jì)算獲取。

16、步驟s4)還包括一個(gè)全連接頭用于更新駕駛習(xí)慣高維表征向量。

技術(shù)特征：

1.一種基于訓(xùn)練的分段式車輛軌跡預(yù)測(cè)方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，還包括一個(gè)用于訓(xùn)練駕駛習(xí)慣高維表征的編碼模型。所述方法通過編解碼結(jié)構(gòu)的模型將動(dòng)態(tài)環(huán)境、歷史軌跡和下一時(shí)刻的實(shí)際位置編碼為駕駛習(xí)慣高維表征向量。再結(jié)合歷史軌跡來(lái)預(yù)測(cè)下一時(shí)刻位置。其中在解碼器端會(huì)輸出一個(gè)預(yù)測(cè)場(chǎng)景。全量數(shù)據(jù)后的模型輸出的一個(gè)平均特征向量作為實(shí)際推理時(shí)的一個(gè)初始化向量在所述車輛軌跡預(yù)測(cè)模型中應(yīng)用。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟s1)所述的方法通過自車攜帶的傳感器檢測(cè)并識(shí)別行駛時(shí)周圍的車輛的位置軌跡，同時(shí)結(jié)合車輛的定位導(dǎo)航系統(tǒng)給出的全局坐標(biāo)和高清地圖，獲取目標(biāo)車輛所處的局部地圖；所述方法同時(shí)生成多組訓(xùn)練數(shù)據(jù)，同時(shí)對(duì)一個(gè)目標(biāo)車生成多段有間隔但存在不同行駛狀態(tài)的數(shù)據(jù)；以及，對(duì)齊所述步驟s1)中所述車輛行駛數(shù)據(jù)的時(shí)間戳。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟s2)所述的訓(xùn)練集，驗(yàn)證集和測(cè)試集的比例為8：1：1。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟s2)所述這些駕駛場(chǎng)景的劃分基于道路交通規(guī)則、駕駛行為特性以及道路設(shè)計(jì)特點(diǎn)，所述駕駛場(chǎng)景用于訓(xùn)練所述駕駛習(xí)慣高維表征向量。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟s3)所述的車輛環(huán)境動(dòng)態(tài)編碼模塊用于將目標(biāo)車輛的周圍環(huán)境信息、其他車歷史位置、周圍車道線信息編碼成向量形式，所述駕駛習(xí)慣高維表征模塊用于初始化并迭代更新特定車輛的駕駛習(xí)慣表征向量，所述歷史軌跡對(duì)齊模塊用于將過去一段時(shí)間的歷史軌跡對(duì)齊成一維向量，所述三組輸入在所述全連接映射網(wǎng)絡(luò)中的所述預(yù)測(cè)映射模塊中進(jìn)行分別映射對(duì)齊，然后拼接在一起做最后的預(yù)測(cè)位置映射。

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟s3)所述的預(yù)測(cè)映射模塊在對(duì)齊映射過程中還會(huì)輸出加速度和方向盤轉(zhuǎn)角兩個(gè)中間量，用于在模型訓(xùn)練過程中進(jìn)行約束和分析判斷。

8.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟s3)所述模型還包括一個(gè)用于計(jì)算駕駛習(xí)慣一致性損失的模塊，該模塊基于預(yù)定義的駕駛場(chǎng)景規(guī)則，評(píng)估駕駛習(xí)慣表征向量與當(dāng)前駕駛場(chǎng)景的匹配程度。

9.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟s4)所述加速度和方向盤轉(zhuǎn)角的gt值通過車輛歷史軌跡和gt軌跡進(jìn)行公式計(jì)算獲取。

10.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟s4)還包括一個(gè)全連接頭用于更新駕駛習(xí)慣高維表征向量。

技術(shù)總結(jié)
本發(fā)明的目的在于提供一種基于訓(xùn)練的分段式車輛軌跡預(yù)測(cè)方法，所述方法包括：S1)數(shù)據(jù)采集，所述數(shù)據(jù)為在試驗(yàn)道路采集的車輛行駛數(shù)據(jù)；S2)數(shù)據(jù)準(zhǔn)備，將所述數(shù)據(jù)集劃分為訓(xùn)練集，驗(yàn)證集和測(cè)試集；S3)模型構(gòu)建，所述模型包括車輛環(huán)境動(dòng)態(tài)編碼模塊、駕駛習(xí)慣高維表征模塊、歷史軌跡對(duì)齊模塊、預(yù)測(cè)映射模塊以及模型優(yōu)化模塊，所述模型用于數(shù)據(jù)訓(xùn)練；S4)模型優(yōu)化，訓(xùn)練過程中，利用所述模型優(yōu)化模塊優(yōu)化模型參數(shù)；S5)使用模型進(jìn)行預(yù)測(cè)；利用訓(xùn)練好的模型對(duì)目標(biāo)車輛的未來(lái)軌跡進(jìn)行分段預(yù)測(cè)，通過預(yù)測(cè)中間量加速度和方向盤轉(zhuǎn)角來(lái)約束預(yù)測(cè)軌跡，并引入駕駛習(xí)慣高維表征向量以保證預(yù)測(cè)軌跡的一致性。

技術(shù)研發(fā)人員：張睿凡,方佳偉,王峰
受保護(hù)的技術(shù)使用者：上汽大眾汽車有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9