一种具有持续学习能力的车辆轨迹预测方法及系统技术方案

本发明专利技术涉及一种具有持续学习能力的车辆轨迹预测方法及系统，先采集当前场景的交通数据并进行数据预处理，得到包含当前场景中各车辆的位置坐标、车辆ID以及时间戳信息的轨迹数据；保存部分当前场景轨迹数据至记忆模块并标注数据的场景来源，基于条件Kullback

【技术实现步骤摘要】
一种具有持续学习能力的车辆轨迹预测方法及系统


[0001]本专利技术涉及车辆自动驾驶领域，尤其涉及一种具有连续交通场景下持续学习能力的车辆轨迹预测方法及系统。

技术介绍

[0002]目前，随着交通参与者数目的不断增加，路况信息日趋复杂。在复杂和动态交通环境中，对周边车辆的未来轨迹进行预测，对智能车辆的行为决策以及运动规划有着关键作用，可以认为，对周围车辆进行轨迹预测是发展智能车辆的一项重要技术。
[0003]现有的基于深度学习的轨迹预测方法为提高预测精度和模型表现，多选择增加、丰富训练数据集中场景数量与覆盖范围。此类方法对于模型复杂度、模型训练和收敛时间要求较高，在新的、连续变化的场景中难以利用历史场景和数据训练所得到的知识和经验进行高效的场景理解与知识表征。同时，由于深度学习模型是通过更新人工神经网络权重，以期获得当前训练数据下最小的训练损失，这样的训练机制将导致用当前数据训练出的模型在先前已学习过的、但不包含于当前训练数据的场景中往往表现出较低的预测精度，这一现象属于深度学习领域中“灾难性遗忘”问题。考虑智能车辆在多个交通场景中连续驾驶的实际应用背景，现有的轨迹预测方法存在较大局限性，实用性不强。

技术实现思路

[0004]本专利技术的目的是提供一种具有持续学习能力的车辆轨迹预测方法及系统，用于解决现有的轨迹预测方法在连续的交通场景中执行轨迹预测任务时，预测精度低，实用性不强的问题。
[0005]为实现上述目的，本专利技术提供了如下方案：一种具有持续学习能力的车辆轨迹预测方法，所述方法包括：S1.采集连续交通场景下的当前场景的交通数据并进行数据预处理，得到包含当前场景中各车辆的位置坐标、车辆ID以及时间戳信息的轨迹数据；所述车辆ID是用于区别所采集的数据中不同车辆的标签，所述时间戳信息指用于采集数据的传感器设备采集每一帧数据时所对应的时间，所述连续交通场景指车辆行驶经过的大于或等于两个不同的交通场景，所述交通场景包括高速公路场景、城市十字路口场景以及城市环岛场景；S2.保存部分当前场景轨迹数据至记忆模块并标注数据的场景来源，基于条件Kullback
‑
Leibler散度对所述记忆模块中所存储的各交通场景数据进行场景差异性分析，得到差异性分析结果；S3.根据所述差异性分析结果，动态分配各历史场景可用的记忆数据量；根据所述可用的记忆数据量，通过动态梯度场景记忆方法训练车辆轨迹预测模型；S4.在连续交通场景下，利用训练好的车辆轨迹预测模型对周围车辆的未来轨迹进行预测。
[0006]进一步地，步骤S2中所述保存部分当前场景的轨迹数据至记忆模块并标注数据的
场景来源，具体包括：假设在连续场景中车辆已行驶过个场景，当前场景为第T个场景。首先设置记忆模块可存储的样本数量上限，在连续场景中驾驶车辆，每当车辆进入新的交通场景后，将从该场景的训练数据中随机选取（
“”
表示向下取整）份轨迹数据样本存储于记忆模块，同时，为避免记忆模块中的数据溢出，记忆模块将随机删除部分记忆模块中已有的历史场景数据，使得在每一次存储结束后，记忆模块中保存自各场景的轨迹数据样本数目均为；为区别记忆模块中来自不同交通场景的轨迹数据，在每次存储结束后，用当场景在连续场景中出现的顺序序号对当前场景数据进行标注。
[0007]基于上述记忆模块中轨迹数据的存储与标注，步骤S2中所述的基于条件Kullback
‑
Leibler散度（Conditional Kullback
‑
Leibler Divergence, CKLD）对记忆模块中所存储的各交通场景数据进行场景差异性分析，具体包括：设每一轨迹数据样本记录了时长为t的车辆轨迹信息，其中表示目标车辆及其周边车辆用于模型观测的历史信息时间范围，t
f
表示待模型预测的轨迹所对应的时间范围。设Y表示目标车辆在t
f
时间内的未来轨迹，X表示样本中所有车辆在t
n
时间范围内的历史轨迹，车辆轨迹间的时空依赖可用条件概率密度函数来描述；本方法假设一个场景的轨迹数据样本是独立同分布的，均来自于一个未知分布，并使用高斯混合模型估计轨迹数据的条件概率密度函数，高斯混合模型可用如下公式描述：上述公式中m为高斯混合模型中高斯分布的数量，为混合系数，为数学期望，为方差，的表达式为：上述表达式中的混合系数、数学期望以及方差通过训练混合密度网络进行估计。所述混合密度网络由一个多层感知机（Multilayer Perceptron，MLP）与三组全连接层组成，其中多层感知机用于对轨迹数据样本进行特征编码，全连接层用于输出估计的参数。具体地，在对多层感知机输入样本X后，由多层感知机对样本进行编码，编码后得到特征Z。接着，将特征Z输入至三组全连接层（全连接层用符号“FC”表示），三组全连接层分别输出估计的高斯混合模型的混合系数、数学期望以及方差。需要指出的是，一种柔性最大值传输函数（Softmax Function）被用于保证高斯混合模型的混合系数加和为1，具体公式如下：
其中下标i与j表示向量组成。此外，还需保证方差为正，令：用于训练混合密度网络的损失函数为：。
[0008]使用上述方法得到各场景轨迹数据的条件概率分布后，通过蒙特卡洛采样计算出两两场景间的Kullback
‑
Leibler散度（Kullback
‑
Leibler Divergence, KLD），进一步基于KLD进行CKLD的计算。具体地，假设待分析的两个场景所对应的条件概率密度函数分别为与，并设中共有个样本，则对于每一个上的样本条件而言，与间的KLD计算公式如下：其中是通过蒙特卡洛采样方法从中采样得到的轨迹数据样本，表示蒙特卡洛采样的样本总数。进一步地，CKLD由如下公式计算得到：得到记忆模块中各场景两两间的CKLD后，进一步基于CKLD结果进行场景差异性分析。
[0009]进一步地，所述场景差异性分析，具体内容包括：由于CKLD可度量两个数据分布间的差异性，两个数据分布间的CKLD越大，则表明两个数据分布的差异越大。基于上述原理，对不同场景进行差异性大小的分析——两场景间的CKLD结果数值越大则表明两个场景间差异越大，反之，CKLD越小，则表示两个相同场景的差异性越小。在本专利技术所设计的动态梯度场景记忆方法中，场景差异性分析将用于动态调整记忆模块中各历史场景轨迹数据在模型训练中的使用量，以提高模型训练效率、优化在连续场景下执行轨迹预测任务的效果。
[0010]进一步地，所述步骤S3中基于场景差异性分析，动态分配各历史场景可用的记忆数据量，具体内容包括：假设车辆已经过连续交通场景中的T个场景，当前场景为第T个场景，首先，设置历史场景轨迹数据总使用量上限为，并用表示当前场景T对第k个历史场景的CKLD。设各个历史场景可用的记忆数据量分别为，计算方式如下：
进一步地，所述基于各历史场景可用记忆数据，通过本专利技术所提出的动态梯度场景记忆方法训练车辆轨迹预测模型，具体内容包括：本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种具有持续学习能力的车辆轨迹预测方法，其特征在于，包括：采集连续交通场景下的当前场景的交通数据并进行数据预处理，得到包含当前场景中各车辆的位置坐标、车辆ID以及时间戳信息的轨迹数据；所述车辆ID是用于区别所采集的数据中不同车辆的标签，所述时间戳信息指用于采集数据的传感器设备采集每一帧数据时所对应的时间，所述连续交通场景指车辆行驶经过的大于或等于两个不同的交通场景，所述交通场景包括高速公路场景、城市十字路口场景以及城市环岛场景；保存部分当前场景轨迹数据至记忆模块并标注数据的场景来源，基于条件Kullback
‑
Leibler散度对所述记忆模块中所存储的各交通场景数据进行场景差异性分析，得到差异性分析结果；根据所述差异性分析结果，动态分配各历史场景可用的记忆数据量；根据所述可用的记忆数据量，通过动态梯度场景记忆方法训练车辆轨迹预测模型；在连续交通场景下，利用训练好的车辆轨迹预测模型对周围车辆的未来轨迹进行预测。2.根据权利要求1所述的方法，其特征在于，所述保存部分当前场景轨迹数据至记忆模块并标注数据的场景来源，具体包括：假设在所述连续交通场景中车辆已行驶过T个场景，当前场景为第T个场景，其中指正整数；设置所述记忆模块可存储的样本数量最大为M，；当所述车辆进入新的交通场景后，从所述新的交通场景的数据中随机选取份轨迹数据存储于所述记忆模块，并从所述记忆模块中随机删除份已有的历史场景数据，得到新的记忆模块数据；按照各场景在所述连续交通场景中出现的顺序对各所述场景进行编号，并利用各场景的编号对各所述场景内采集的场景数据进行标注。3.根据权利要求1所述的方法，其特征在于，所述基于条件Kullback
‑
Leibler散度对所述记忆模块中所存储的各交通场景数据进行场景差异性分析，得到差异性分析结果，具体包括：利用高斯混合模型估计各所述轨迹数据的条件概率密度函数；所述高斯混合模型中的混合系数、数学期望和方差通过混合密度网络进行估计；所述混合密度网络由一个多层感知机与三组全连接层组成；所述多层感知机用于对轨迹数据样本进行特征编码，所述全连接层用于输出估计的参数；根据各所述轨迹数据的条件概率密度函数，通过蒙特卡洛采样计算出两两交通场景间的Kullback
‑
Leibler散度，并基于所述两两交通场景间的Kullback
‑
Leibler散度计算所述两两交通场景间的条件Kullback
‑
Leibler散度；根据所述两两交通场景间的条件Kullback
‑
Leibler散度进行两两交通场景间差异性分析，得到差异性分析结果；其中所述两两交通场景之间的条件Kullback
‑
Leibler散度的数据越大，表明所述两两交通场景之间的差异越大；
其中，利用所述混合密度网络对所述混合系数、所述数学期望和所述方差进行估计包括：在对多层感知机输入样本X后，由多层感知机对样本进行编码，编码后得到特征Z；将所述特征Z输入至三组所述全连接层，三组所述全连接层分别输出估计的高斯混合模型的混合系数、数学期望以及方差。4.根据权利要求3所述的方法，其特征在于，所述根据各所述轨迹数据的条件概率密度函数，通过蒙特卡洛采样计算出两两交通场景间的Kullback
‑
Leibler散度，并基于所述两两交通场景间的Kullback
‑
Leibler散度计算所述两两交通场景间的条件Kullback
‑
Leibler散度，具体包括：假设两两所述交通场景各自的条件概率密度函数分别与，并设中共有个样本，则针对每一个上的样本条件，与之间的Kullback
‑
Leibler散度计算公式为：其中，KLD表示Kullback
‑
Leibler散度，是通过蒙特卡洛采样方法从中采样得到的轨迹数据样本，n
mc
表示蒙特卡洛采样的样本总数；与之间的条件Kullback
‑
Leibler散度计算公式为：其中，...

【专利技术属性】
技术研发人员：龚建伟，林云龙，李子睿，龚乘，臧政，齐建永，何刚，吕超，
申请(专利权)人：慧动星球北京科技有限公司，
类型：发明
国别省市：