一种网联环境下基于图卷积神经网络的车辆轨迹预测方法技术

本发明专利技术公开了一种网联环境下基于图卷积神经网络的车辆轨迹预测方法，主车首先通过网联环境获取设定场景范围内车辆的历史运动状态数据并进行预处理，然后基于空间交互系数将预处理后的历史运动状态数据转换为空间图，基于时间交互系数将预处理后的历史运动状态数据转换为时间图，接下来通过图卷积神经网络提取空间图中的空间交互特征和时间图中的时间交互特征，融合两者获得设定场景范围内车辆的时空交互特征，最后基于卷积神经网络解码输出设定场景内所有车辆在未来一段时间的运动轨迹。本发明专利技术通过提出空间交互系数和时间交互系数，解决了现有研究中存在的时间交互建模不充分的问题，提高了车辆轨迹预测的预测精度。提高了车辆轨迹预测的预测精度。提高了车辆轨迹预测的预测精度。

【技术实现步骤摘要】
一种网联环境下基于图卷积神经网络的车辆轨迹预测方法


[0001]本专利技术涉及一种网联环境下基于图卷积神经网络的车辆轨迹预测方法，属于智能网联汽车


技术介绍

[0002]智能网联汽车搭载相机、雷达等车载传感器以及控制器、执行器等装置，融合现代网络通讯技术，可实现环境感知、智能决策、协调控制等功能。车辆轨迹预测作为连接感知与决策的桥梁，轨迹预测结果的准确性与合理性，直接影响智能网联汽车后续决策与路径规划的合理性与安全性。然而，由于车辆间复杂的交互关系，如何准确高效预测并输出车辆在未来一段时间内的轨迹已然成为学界与业界公认的难题与挑战。
[0003]针对上述问题，研究人员进行了深入研究。现有研究可大致分为四类：1)基于物理规则的方法；2)基于传统机器学习的方法；3)基于深度学习的方法；4)基于强化学习的方法。然而，基于物理规则的车辆轨迹预测仅适用于预测时域不超过1s的短期预测，无法有效完成车辆轨迹的中长期预测任务；基于传统机器学习的方法大多仅适用于较为简单的驾驶场景，在复杂的驾驶场景下的车辆轨迹预测效果较差；基于强化学习的方法需要更高的计算成本和时间成本。目前，较为主流的车辆轨迹预测方法为基于深度学习的方法，其在编码器
‑
解码器(Encoder
‑
Decoder)框架下，使用循环神经网络(Recurrent Neural Network,RNN)、卷积神经网络(Convolutional Neural Networks,CNN)、自注意力机制(Self
‑r/>Attention)中的一种或多种提取相关特征信息，进而解码输出。该类方法取得了不错的预测效果，在一定程度上推动了车辆轨迹预测领域的发展。但是，该类车辆轨迹预测方法大多基于欧式数据提取车辆间的空间交互特征，而实际上车辆间的空间交互关系是非欧式的，这导致上述方法在处理数据时具有较强的局限性。
[0004]作为高效处理非欧式数据的方法，图神经网络(Graph Neural Network,GNN)从算法原理上可以避免上述问题。但是，现有基于GNN的车辆轨迹预测方法仍存在时空交互建模不充分的问题。具体而言，这些方法仅基于原始车辆坐标数据构建了空间图，并未充分考虑车辆的其他参数信息。此外，它们基于提取得到的空间交互信息提取时间交互信息，这在一定程度上破坏了原本的车辆时间交互结构，从而导致了不充分的时空交互建模。因此，有必要研究一种能够充分提取车辆间时空交互特征的车辆轨迹预测方法，提高轨迹预测的准确性，确保智能网联汽车安全驾驶。

技术实现思路

[0005]本专利技术的技术解决问题是：克服现有技术的不足，提出一种网联环境下基于图卷积神经网络的车辆轨迹预测方法，使用空间交互系数与时间交互系数分别构建空间图与时间图，进而基于图卷积神经网络提取隐藏于图数据中的时空交互特征，最后将其输入卷积神经网络得到场景中所有车辆在未来一段时间内的运动轨迹。
[0006]为实现上述目的，本专利技术所提供的技术方案为：
[0007]一种网联环境下基于图卷积神经网络的车辆轨迹预测方法，包括以下步骤：
[0008]步骤S1，主车通过网联环境获得设定场景范围内的车辆历史运动状态数据；
[0009]步骤S2，对步骤S1获得的车辆历史运动状态数据进行预处理，得到历史时序数据，输入车辆轨迹预测模型(VTP
‑
GCN)；
[0010]步骤S3，VTP
‑
GCN模型中的表示模块基于空间交互系数将步骤S2输入的时序数据转换为空间图，基于时间交互系数将步骤S2输入的时序数据转换为时间图；
[0011]步骤S4，VTP
‑
GCN模型中的交互提取模块基于图卷积神经网络提取步骤S3转换得到的空间图中的空间交互特征，基于图卷积神经网络提取步骤S3转换得到的时间图中的时间交互特征，并将提取得到的空间交互特征和时间交互特征进行融合，获得设定场景范围内车辆的时空交互特征；
[0012]步骤S5，基于卷积神经网络构建VTP
‑
GCN模型中的轨迹预测模块，并使用构建的轨迹预测模块对步骤S4获得的时空交互特征进行解码，得到设定场景范围内所有车辆的未来运动分布；
[0013]步骤S6，通过最小化负对数似然损失函数对车辆轨迹预测模型VTP
‑
GCN进行训练，更新模型参数。
[0014]所述步骤1中，设定场景范围定义为：主车纵向
±
100m，横向相邻两车道，车辆历史运动状态数据为设定场景范围内所有车辆(包括主车)在过去t
h
时间步长内的车辆位置坐标和运行速度；
[0015]所述步骤S2中，预处理是指对车辆历史运动状态数据进行数据清洗，包括清除冗余、删除缺失数据、数据修复等；
[0016]所述步骤S2中，输入VTP
‑
GCN模型中的历史时序数据具体表达式为：
[0017][0018][0019]式中，P
t
为历史时间步t时场景中所有车辆的位置坐标和速度；N为场景中车辆的数量；x、y为车辆的位置坐标；v为车辆的速度。
[0020]所述步骤S3中，空间交互系数(Spatial Interaction Coefficient,SIC)用以表征设定场景范围内两辆车之间的空间交互强度，其具体定义为：
[0021][0022]式中，假设设定场景范围内存在N辆车，i＝1,2,
…
,N，j＝1,2,
…
,N，SIC
ij
为车辆i与车辆j之间的空间交互系数，v
i
为车辆i的速度，D
ij
为车辆i与车辆j之间的欧氏距离，d
ij
为车辆i与车辆j之间的纵向距离，L为车辆空间交互的最大纵向距离；
[0023]所述步骤S3中，时间交互系数(Temporal Interaction Coefficient,TIC)用以表征车辆不同历史时刻间的时间交互强度，其具体定义为：
[0024][0025]式中，TIC
kq
为车辆在时刻k与时刻q间的时间交互强度，ΔT
kq
为时刻k与时刻q间的时间间隔；
[0026]所述步骤S3中，空间图被定义为其中G
spa_t
为t时刻设定范围内车辆的空间图，假设设定范围内存在N辆车，则G
spa_t
＝{V
spa_t
,A
spa_t
}，其中是设定场景范围内车辆的集合，每个顶点(车辆)的属性为车辆的位置坐标(x,y)，t时刻时空间加权邻接矩阵A
spa_t
的计算公式为：
[0027][0028]将A
spa_t
按照时间维度堆叠获得空间加权邻接矩阵A
spa
；
[0029]所述步骤S3中，时间图被定义为其中G
tmp_i...

【技术保护点】

【技术特征摘要】
1.一种网联环境下基于图卷积神经网络的车辆轨迹预测方法，其特征在于包括以下步骤：步骤S1，主车通过网联环境获得设定场景范围内的车辆历史运动状态数据；步骤S2，对步骤S1获得的车辆历史运动状态数据进行预处理，得到历史时序数据，输入车辆轨迹预测模型；步骤S3，车辆轨迹预测模型中的表示模块基于空间交互系数将步骤S2输入的时序数据转换为空间图，基于时间交互系数将步骤S2输入的时序数据转换为时间图；步骤S4，车辆轨迹预测模型中的交互提取模块基于图卷积神经网络提取步骤S3转换得到的空间图中的空间交互特征，基于图卷积神经网络提取步骤S3转换得到的时间图中的时间交互特征，并将提取得到的空间交互特征和时间交互特征进行融合，获得设定场景范围内车辆的时空交互特征；步骤S5，基于卷积神经网络构建车辆轨迹预测模型中的轨迹预测模块，并使用构建的轨迹预测模块对步骤S4获得的时空交互特征进行解码，得到设定场景范围内所有车辆的未来运动分布；步骤S6，通过最小化负对数似然损失函数对车辆轨迹预测模型进行训练，更新模型参数。2.根据权利要求1所述的一种网联环境下基于图卷积神经网络的车辆轨迹预测方法，其特征在于：所述步骤1中，设定场景范围定义为：主车纵向
±
100m，横向相邻两车道，车辆历史运动状态数据为设定场景范围内包括主车的所有车辆在过去t
h
时间步长内的车辆位置坐标和运行速度。3.根据权利要求1或2所述的一种网联环境下基于图卷积神经网络的车辆轨迹预测方法，其特征在于：所述步骤S2中，预处理是指对车辆历史运动状态数据进行数据清洗，包括清除冗余、删除缺失数据、数据修复。4.根据权利要求3所述的一种网联环境下基于图卷积神经网络的车辆轨迹预测方法，其特征在于：所述步骤S2中，输入车辆轨迹预测模型中的历史时序数据具体表达式为：所述步骤S2中，输入车辆轨迹预测模型中的历史时序数据具体表达式为：式中，P
t
为历史时间步t时场景中所有车辆的位置坐标和速度；N为场景中车辆的数量；x、y为车辆的位置坐标；v为车辆的速度。5.根据权利要求4所述的一种网联环境下基于图卷积神经网络的车辆轨迹预测方法，其特征在于：所述步骤S3中，空间交互系数的定义为：
式中，i＝1,2,
…
,N，j＝1,2,
…
,N，SIC
ij
为车辆i与车辆j之间的空间交互系数，v
i
为车辆i的速度，D
ij
为车辆i与车辆j之间的欧氏距离，d
ij
为车辆i与车辆j之间的纵向距离，L为车辆空间交互的最大纵向距离。6.根据权利要求5所述的一种网联环境下基于图卷积神经网络的车辆轨迹预测方法，其特征在于：所述步骤S3中，时间交互系数的定义为：式中，TIC
kq
为车辆在时刻k与时刻q间的时间交互强度，ΔT
kq
为时刻k与时刻q间的时间间隔。7.根据权利要求6所述的一种网联环境下基于图卷积神经网络的车辆轨迹预测方法，其特征在于：所述步骤...

【专利技术属性】
技术研发人员：郭宏伟，孙栋先，韩克贤，王武宏，蒋晓蓓，杨静超，高其航，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：