本发明专利技术涉及一种智能体轨迹预测方法、系统、设备和存储介质，方法包括以下步骤：获取智能体及其周围智能体的历史轨迹信息作为数据集并进行预处理，得到训练样本集；将训练样本集输入预先构建的智能体轨迹预测模型进行训练，并对训练完成的智能体轨迹预测模型进行测试评估；将当前智能体的实时数据输入智能体轨迹预测模型中进行轨迹预测，得到当前智能体的预测轨迹分布。本发明专利技术通过将图神经网络与生成式网络结合起来，借由图神经网络表达智能体间的交互，通过循环神经网络提取历史和未来信息，通过生成式网络得到轨迹的概率模型，提高轨迹预测的合理性与精确度，可以广泛应用于智能体轨迹预测领域。能体轨迹预测领域。能体轨迹预测领域。
【技术实现步骤摘要】
一种智能体轨迹预测方法、系统、设备和存储介质
[0001]本专利技术属于智能体(主要包括车辆、行人等)轨迹预测领域，尤其涉及一种基于条件变分自编码器(Conditional Variational Autoencoder)和图神经网络的智能体轨迹预测方法、系统、设备和存储介质。
技术介绍
[0002]随着自动驾驶技术的不断发展，收集并理解智能体周围目标的信息和行为越发成为自动驾驶系统中的重要一环。智能体的轨迹预测是指根据智能体和周围目标过去的运动轨迹，预测物体在将来一小段时间内的运动轨迹，主要包括行人轨迹预测和车辆轨迹预测。轨迹预测技术可以为自动驾驶系统提前做出决策提供重要的信息，可以极大地提升轨迹规划的稳定度和舒适度。
[0003]在自动驾驶的场景中，每个个体之间可能会存在多种多样的关系，且这些关系会随着时间不断变化。此外，每个智能体未来的运动轨迹很可能存在多模态的特点：如一辆车在交叉路口可能直行也可能转弯，这样的特点使得传统轨迹预测方法难以在此类复杂场景中取得较好的效果。早期的轨迹预测技术主要采用基于概率的方法，这其中又细分为基于运动学和动力学的建模和基于机动信息的方法(即以车辆或行人的运动特征为可观测状态，推断其不可观测的未来状态)；近年来的轨迹预测方法多采用基于深度学习的方法，如基于循环神经网络(RNN)、基于生成式网络(如生成对抗网络(GAN),变分自编码器(VAE))、基于图神经网络等方法。简单的基于RNN的方法在精度上不能达到很高的水平，且RNN方法不能处理未来轨迹的多模态性质；基于生成式网络的方法可以通过调整隐变量的方法生成多模态的轨迹，也可以采用高斯混合模型(GMM)采样多种未来轨迹；基于图神经网络的方法则能够处理多智能体问题。
[0004]如果单独采用生成式网络进行轨迹预测，则会忽略由于智能体处于同一个场景图中彼此轨迹的相互影响；如果单独采用传统的图神经网络，则无法很好地在时间序列上提取特征，忽视智能体历史信息，同时无法产生贴合轨迹不确定性的概率模型。
技术实现思路
[0005]针对上述问题，本专利技术的目的是提供一种智能体轨迹预测方法、系统、设备和存储介质，通过将图神经网络与生成式网络结合起来，借由图神经网络表达智能体间的交互，通过循环神经网络提取历史和未来信息，通过生成式网络得到轨迹的概率模型，提高智能体轨迹预测的合理性与精确度。
[0006]为实现上述目的，本专利技术采取以下技术方案：
[0007]一种智能体轨迹预测方法，其包括以下步骤：
[0008]获取智能体及其周围智能体的历史轨迹信息作为数据集并进行预处理，得到训练样本集；
[0009]将训练样本集输入预先构建的智能体轨迹预测模型进行训练，并对训练完成的智
能体轨迹预测模型进行测试评估；
[0010]将当前智能体的实时数据输入智能体轨迹预测模型中进行轨迹预测，得到当前智能体的预测轨迹分布。
[0011]进一步，所述获取智能体及其周围智能体的历史轨迹信息作为数据集并进行预处理，得到训练样本集的方法，包括：
[0012]获取智能体及其周围智能体的历史轨迹；
[0013]基于获取的智能体的历史轨迹，计算得到智能体的位置及速度信息；
[0014]选取预测感兴趣的场景区域，并基于该场景区域内活动的智能体构建场景图，得到；
[0015]将场景图和各智能体的位置及速度信息合并后，作为训练样本集。
[0016]进一步，所述将训练样本集输入预先构建的智能体轨迹预测模型进行训练，并对训练完成的智能体轨迹预测模型进行测试评估的方法，包括：
[0017]构建智能体轨迹预测模型；
[0018]确定损失函数；
[0019]基于训练样本集和损失函数，对构建的智能体轨迹预测模型进行训练，得到训练好的智能体轨迹预测模型；
[0020]对训练完成的智能体轨迹预测模型进行测试评估，得到最终的智能体轨迹预测模型。
[0021]进一步，所述智能体轨迹预测模型包括：编码器单元、图神经网络单元和解码器单元；
[0022]所述编码器单元以相应场景下智能体及其周围智能体的位置和速度信息为输入，以智能体轨迹的编码信息为输出；
[0023]所述图神经网络单元以智能体轨迹的编码信息为输入，以表示智能体轨迹信息的隐变量z的采样值为输出；
[0024]所述解码器单元以表示智能体轨迹信息的隐变量z的采样值为输入，以智能体的预测轨迹的概率分布为输出。
[0025]进一步，所述编码器单元包括智能体历史编码模块、智能体交互编码模块和智能体未来编码模块；
[0026]所述智能体历史编码模块以智能体本身的位置和速度信息为输入，以表示智能体历史轨迹编码的集合向量e1为输出；
[0027]所述智能体交互编码模块以智能体i及其感兴趣的其他智能体j的位置和速度信息为输入，以表示智能体交互编码的集合向量e2为输出；
[0028]所述智能体未来编码模块以智能体i本身的未来轨迹为输入，以表示智能体i未来轨迹编码的集合向量future
i
为输出。
[0029]进一步，所述图神经网络单元包括第一全连接网络、第二全连接网络和第三全连接网络；
[0030]所述第一全连接网络以集合向量e1、集合向量e2和图像表示向量e3的联合向量为输入，以表示智能体信息的隐变量z的概率分布为输出；
[0031]所述第二全连接网络以集合向量e1、集合向量e2、图像表示向量e3以及集合向量
future
i
的联合向量为输入，以表示智能体信息的隐变量z的概率分布为输出；
[0032]所述第三全连接网络用于对第一全连接网络和第二全连接网络输出的隐变量z的概率分布进行采样，实现一维化。
[0033]进一步，所述解码器单元包括GRU模块、GMM模块和预测轨迹模块；
[0034]所述GRU模块用于对隐变量z进行解码，得到一个高斯混合模型的参数，用来描述当前智能体未来轨迹的概率分布；
[0035]所述GMM模块用于得到高斯混合模型的参数后生成轨迹的概率分布；
[0036]所述预测轨迹模块根据所需预测的模式，从概率分布中进行采样得到智能体的预测轨迹。
[0037]一种智能体轨迹预测系统，该系统包括：
[0038]数据集获取模块，用于获取智能体i及其周围智能体的历史轨迹信息作为数据集并进行预处理，得到训练样本集；
[0039]模型训练模块，用于将训练样本集输入预先构建的智能体轨迹预测模型进行训练，并对训练完成的智能体轨迹预测模型进行测试评估；
[0040]模型测试和预测模块，用于将当前智能体的实时数据输入智能体轨迹预测模型中进行轨迹预测，得到当前智能体的预测轨迹分布。
[0041]一种处理设备，所述处理设备至少包括处理器和存储器，所述存储器上存储有计算机程序，所述处理器运行所述计算机程序时执行以实现所述智能体轨迹预测方法的步骤。
[00本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种智能体轨迹预测方法，其特征在于，包括以下步骤：获取智能体及其周围智能体的历史轨迹信息作为数据集并进行预处理，得到训练样本集；将训练样本集输入预先构建的智能体轨迹预测模型进行训练，并对训练完成的智能体轨迹预测模型进行测试评估；将当前智能体的实时数据输入智能体轨迹预测模型中进行轨迹预测，得到当前智能体的预测轨迹分布。2.如权利要求1所述的一种智能体轨迹预测方法，其特征在于：所述获取智能体及其周围智能体的历史轨迹信息作为数据集并进行预处理，得到训练样本集的方法，包括：获取智能体及其周围智能体的历史轨迹；基于获取的智能体的历史轨迹，计算得到智能体的位置及速度信息；选取预测感兴趣的场景区域，并基于该场景区域内活动的智能体构建场景图，得到；将场景图和各智能体的位置及速度信息合并后，作为训练样本集。3.如权利要求1所述的一种智能体轨迹预测方法，其特征在于：所述将训练样本集输入预先构建的智能体轨迹预测模型进行训练，并对训练完成的智能体轨迹预测模型进行测试评估的方法，包括：构建智能体轨迹预测模型；确定损失函数；基于训练样本集和损失函数，对构建的智能体轨迹预测模型进行训练，得到训练好的智能体轨迹预测模型；对训练完成的智能体轨迹预测模型进行测试评估，得到最终的智能体轨迹预测模型。4.如权利要求3所述的一种智能体轨迹预测方法，其特征在于：所述智能体轨迹预测模型包括：编码器单元、图神经网络单元和解码器单元；所述编码器单元以相应场景下智能体及其周围智能体的位置和速度信息为输入，以智能体轨迹的编码信息为输出；所述图神经网络单元以智能体轨迹的编码信息为输入，以表示智能体轨迹信息的隐变量z的采样值为输出；所述解码器单元以表示智能体轨迹信息的隐变量z的采样值为输入，以智能体的预测轨迹的概率分布为输出。5.如权利要求4所述的一种智能体轨迹预测方法，其特征在于：所述编码器单元包括智能体历史编码模块、智能体交互编码模块和智能体未来编码模块；所述智能体历史编码模块以智能体本身的位置和速度信息为输入，以表示智能体历史轨迹编码的集合向量e1为输出；所述智能体交互编码模块以智能体i及其感兴趣的其他智能体j的位置和速度信息为输入，以表...
【专利技术属性】
技术研发人员：胡坚明，贵宁，曾天楚，裴欣，
申请(专利权)人：清华大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。