一种车辆轨迹预测及驾驶行为分析方法技术

本发明专利技术公开了一种基于图卷积神经网络的、具有交互感知的车辆驾驶轨迹预测算法，包含一种半全局图数据处理算法、一种基于M

【技术实现步骤摘要】
一种车辆轨迹预测及驾驶行为分析方法


[0001]本专利技术涉及一种车辆轨迹预测及驾驶行为分析方法，属于智能交通和人工智能


技术介绍

[0002]自动驾驶技术的研究和应用早在20世纪70年代便开始了，自动驾驶系统是一个集成了控制技术、感知算法、路径规划、空间建模与定位等多种技术为一体的复杂系统。过去十几年里，随着深度学习技术的发展和计算机计算性能的提高，自动驾驶相关技术也得到了快速发展。但在今天，想要普及自动驾驶技术还存在诸多障碍，比如如何保障足够的安全。其中，在为车辆的安全行驶辅助、路径规划与决策、周边环境安全预警提供必要的信息这一环节，车辆轨迹的预测及其行为分析极为重要。传统的轨迹预测算法是基于运动学模型来实现的。这些模型基于物理规律来描述车辆的行车轨迹，但物理模型过于简化复杂的、带有随机性的驾驶场景。后来随着深度学习的发展，人们开始使用循环神经网络比如LSTM来预测车辆的轨迹，但这类模型仅仅考虑了轨迹的时间特征而没有考虑车与车之间的交互影响。人们后来通过卷积网络实现对空间交互影响的特征提取，但需要对道路进行网格化，直接对固定的网格进行卷积，无法灵活的描述车与车之间的动态关系。图模型的引入解决了如何建模驾驶场景的问题，将车辆建模为图中的节点，车与车之间的关系建模为图模型的连接边。但依然存在节点与边动态特性无法深度提取的问题。因此本专利技术提出基于M
‑
product的图卷积网络，可以高效的对动态图这种三维数据进行时空特征提取，解决了传统模型时空特征挖掘能力不足的问题。
[0003]另外，引入图模型后，驾驶场景中的车辆被看作节点，由于道路车辆数量庞大，表示节点关系的邻接矩阵尺寸庞大非常稀疏，因此如何合理改善图数据的表示也是本专利的创新点。因此本文提出了半全局算法，通过累计重置的方法，让图数据在一段时间内具有累积效应，又解决了全局累积导致的邻接矩阵尺寸过大问题。对于预测的轨迹，其下游任务有很多，其中驾驶行为分析便是一种常见任务。传统的驾驶行为分析关注目标车辆本身的特性，比如速度、换道率等行为，但在不同驾驶场景中，车辆的行为会受到环境影响，同一行为会有不同的表现，因此利用图模型的特点，即考虑周边车辆影响的因素来分析驾驶行为会比单一关注目标车辆本身更有效。因此本专利技术基于前述模型预测的轨迹结果，进一步利用图模型的特点，挖掘充分刻画驾驶行为的特征，节点度变化率，来实现更有效的驾驶行为分析。最后对于驾驶行为的模糊性，随机性，以及分类标准的主观性，通过引入模糊集理论，进一步对提取的关键特征进行模糊分类，构建激烈驾驶、正常行驶、保守行驶等三类模糊集及其相关隶属度函数。

技术实现思路

[0004]为解决上述问题，本专利技术提出一种基于图卷积的交互感知车辆轨迹预测模型及驾驶行为分析算法。本专利技术设计的图卷积神经网络模型能够更好地捕捉到车辆之间的时空依
赖以及动态变化特征。在数据处理部分提出半全局图解决传统图模型数据中邻接矩阵稀疏的问题。并结合图模型特点构型驾驶行为分析特征，引入模糊理论对行为特征进行模糊分类。
[0005]本专利技术通过以下技术方案实现，包括以下步骤：步骤1：一种图卷积神经网络模型的输入数据处理算法：包括描述驾驶场景所有车辆的历史轨迹、描述交互特征的图模型邻接矩阵以及一种半全局图数据生成算法；步骤2：图卷积神经网络模型的结构设计；包括三个部分：第一部分为基于半全局图的图卷积神经网络，简写为SGGCN，其由图操作层和卷积层组成，能够有效提取车与车之间的交互关系；第二部分为基于M
‑
product方法的变体图卷积神经网络，简写为MGCN，能够直接对三维张量进行图卷积操作，该三维张量为描述动态驾驶场景的动态图。该网络能够更加高效的提取车辆之间的时间、空间依赖特征。第一部分与第二部分的网络输出的中间特征被拼接为总的时空特征，输入第三部分的网络；第三部分为基于GRU的编码器解码器网络，其输入为总的时空特征，该网络进一步对时空特征进行解编码提取时间特征，时空特征最终被解码为预测的车辆轨迹；步骤3：训练图卷积神经网络模型；包括设置相应的训练数据和训练环境对模型进行训练；步骤4，基于训练完成后的模型进行车辆轨迹预测；步骤5，基于车辆预测轨迹构建驾驶行为关键描述特征；步骤6，基于行为描述特征进行驾驶行为模糊分类。
[0006]所述步骤1中的输入数据具体定义如下：(1)被预测驾驶场景所有车辆的历史轨迹与预测轨迹：驾驶场景的车辆历史轨迹由τ个历史时间步的车辆轨迹数据组成：驾驶场景的车辆历史轨迹由τ个历史时间步的车辆轨迹数据组成：其中每个时间步的轨迹数据为其由驾驶场景中的 n辆车的局部坐标x,y组成；驾驶场景的预测轨迹由T个预测时间步的轨迹数据组成：驾驶场景的预测轨迹由T个预测时间步的轨迹数据组成：每个时间步的轨迹数据格式与历史轨迹数据相同；轨迹预测的问题形式化表示为：(2)描述节点关系的邻接矩阵：用无向图G＝{V,E}描述驾驶场景，节点集合V中的每个节点代表驾驶场景中的每辆车，考虑到每辆车在不同的时间步有不同的状态，节点集合V表示为节点集合V表示为n为驾驶场景中的半全局总车辆数，τ为历史时间步，特征向量代表第i辆车在时间t的坐标；当车辆之间的距离足够近时，代表车辆交互关系的边就应被连接上；因此边集合E表示为其中d是欧式距离函数，该集合中两辆车之间的距离小于阈值D
close
；通过定义两种邻接矩阵，分别用于两个子网络SGGCN与MGCN；
离散邻接矩阵的元素级定义为：该式表示节点i与节点j在时间步t的欧式距离足够近时，对应边权值为1，否则为0；连续邻接矩阵的元素级定义为：其中为基于欧式距离的距离计算函数，该式表示节点i与节点j的距离足够近时，对应的边权值为否则为0；的尺寸均为(N
×
N
×
τ)，其中N为总车辆数；(3)动态图：具有张量形式的邻接矩阵不同于一般的邻接矩阵，增加了时间维度；与轨迹数据共同描述动态的驾驶场景，即车辆节点的特征动态化和车辆之间的交互关系动态化描述；G＝{V,E}中节点集合V的数据表示形式为特征矩阵边集合E的数据表现形式为邻接矩阵称由和共同描述的图模型G为动态图；(4)半全局图生成算法：半全局图生成方法以巧妙的累积重置的策略解决了全局图的尺寸过大问题和局部图不具有时间步对应关系的问题，全局图指设置描述图模型边关系的邻接矩阵时，将矩阵尺寸设为总历史场景中出现过的总累积车辆数；局部图则将矩阵尺寸设为每个时间步中最多可能出现的车辆数；半全局图则是设一个介于两者之间的中间值，当历史出现车辆数累积达到该尺寸时，便重置累积。
[0007]所述步骤2中基于M
‑
product方法的变体图卷积神经网络能够处理三维张量，能够更高效的提取驾驶场景中的车辆动态交互性和时间依赖特征；M
‑
product为一种张量之间的乘法方式，两个三维张量的M
‑
product的计算结果仍是一个三维张量，其定义如下：定义一，M
‑
transform：一个张量的M
‑...

【技术保护点】

【技术特征摘要】
1.一种车辆轨迹预测及驾驶行为分析方法，其特征在于，包括以下步骤：步骤1：一种图卷积神经网络模型的输入数据处理算法：包括描述驾驶场景所有车辆的历史轨迹、描述交互特征的图模型邻接矩阵以及一种半全局图数据生成算法；步骤2：图卷积神经网络模型的结构设计；包括三个部分：第一部分为基于半全局图的图卷积神经网络，简写为SGGCN，其由图操作层和卷积层组成，能够有效提取车与车之间的交互关系；第二部分为基于M
‑
product方法的变体图卷积神经网络，简写为MGCN，能够直接对三维张量进行图卷积操作，该三维张量为描述动态驾驶场景的动态图；图卷积神经网络能够更加高效的提取车辆之间的时间、空间依赖特征；第一部分与第二部分的网络输出的中间特征被拼接为总的时空特征，输入第三部分的网络；第三部分为基于GRU的编码器解码器网络，其输入为总的时空特征，该网络进一步对时空特征进行解编码提取时间特征，时空特征最终被解码为预测的车辆轨迹；步骤3：训练图卷积神经网络模型；包括设置相应的训练数据和训练环境对模型进行训练；步骤4，基于训练完成后的模型进行车辆轨迹预测；步骤5，基于车辆预测轨迹构建驾驶行为关键描述特征；步骤6，基于行为描述特征进行驾驶行为模糊分类。2.根据权利要求1所述的一种车辆轨迹预测及驾驶行为分析方法，其特征在于，所述步骤1中的输入数据具体定义如下：(1)被预测驾驶场景所有车辆的历史轨迹与预测轨迹：驾驶场景的车辆历史轨迹由τ个历史时间步的车辆轨迹数据组成：驾驶场景的车辆历史轨迹由τ个历史时间步的车辆轨迹数据组成：其中每个时间步的轨迹数据为其由驾驶场景中的n辆车的局部坐标x,y组成；驾驶场景的预测轨迹由T个预测时间步的轨迹数据组成：驾驶场景的预测轨迹由T个预测时间步的轨迹数据组成：每个时间步的轨迹数据格式与历史轨迹数据相同；轨迹预测的问题形式化表示为：(2)描述节点关系的邻接矩阵：用无向图G＝{V,E}描述驾驶场景，节点集合V中的每个节点代表驾驶场景中的每辆车，考虑到每辆车在不同的时间步有不同的状态，节点集合V表示为考虑到每辆车在不同的时间步有不同的状态，节点集合V表示为n为驾驶场景中的半全局总车辆数，τ为历史时间步，特征向量代表第i辆车在时间t的坐标；当车辆之间的距离足够近时，代表车辆交互关系的边就应被连接上；因此边集合E表示为其中d是欧式距离函数，该集合中两辆车之间的距离小于阈值D
close
；通过定义两种邻接矩阵，分别用于两个子网络SGGCN与MGCN；离散邻接矩阵的元素级定义为：
该式表示节点i与节点j在时间步t的欧式距离足够近时，对应边权值为1，否则为0；连续邻接矩阵的元素级定义为：其中为基于欧式距离的距离计算函数，该式表示节点i与节点j的距离足够近时，对应的边权值为否则为0；的尺寸均为(N
×
N
×
τ)，其中N为总车辆数；(3)动态图：具有张量形式的邻接矩阵不同于一般的邻接矩阵，增加了时间维度；与轨迹数据共同描述动态的驾驶场景，即车辆节点的特征动态化和车辆之间的交互关系动态化描述；G＝{V,E}中节点集合V的数据表示形式为特征矩阵边集合E的数据表现形式为邻接矩阵称由和共同描述的图模型G为动态图；(4)半全局图生成算法：半全局图生成方法以巧妙的累积重置的策略解决了全局图的尺寸过大问题和局部图不具有时间步对应关系的问题，全局图指设置描述图模型边关系的邻接矩阵时，将矩阵尺寸设为总历史场景中出现过的总累积车辆数；局部图则将矩阵尺寸设为每个时间步中最多可能出现的车辆数；半全局图则是设一个介于两者之间的中间值，当历史出现车辆数累积达到该尺寸时，便重置累积。3.根据权利要求1所述的一种车辆轨迹预测及驾驶行为分析方法，其特征在于，所述步骤2中基于M
‑
product方法的变体图卷积神经网络能够处理三维张量，能够更高效的提取驾驶场景中的车辆动态交互性和时间依赖特征；M
‑
product为一种张量之间的乘法方式，两个三维张量的M
‑
product的计算结果仍是一个三维张量，其定义如下：定义一，M
‑
transform：一个张量的M
‑<...

【专利技术属性】
技术研发人员：安吉尧，刘韦，郭亮，付志强，李涛，
申请(专利权)人：湖南大学，
类型：发明
国别省市：