【技术实现步骤摘要】
本专利技术涉及了车辆预测领域的一种车辆轨迹预测方法，尤其涉及了一种基于分层注意力机制的车辆轨迹预测方法。
技术介绍
1、人类驾驶员在驾驶过程中往往能够下意识地预测周围车辆的移动趋势，以确保行车安全。通过利用这些预测信息，驾驶员可以提前做出反应，避免与周围车辆发生碰撞。同样地，自动驾驶汽车也具备这样的能力。然而，当面对复杂的交通流交互作用和不确定的驾驶员意图时，智能车辆在预测性能方面往往表现较差。
2、为了准确预测目标车辆的未来运动，需要考虑多种类型的车辆交互模式。首先是与不同类型车辆的历史交互信息，目前的轨迹预测方法通常以周围车辆的历史信息为输入。然而，目标车辆轨迹预测结果受到来自不同远近的周围车辆的影响程度不同，接近目标车辆的周围车辆对目标车辆未来行动的影响更大。其次，不同重要的历史时刻也需要考虑进来，因为人类驾驶员更关注当前时刻附近的历史信息。此外，自车未来的不同规划结果也会对目标车辆的未来运动产生影响，目标车辆可以采取积极的或保守的决策来进行避障。最后，不同地点的目标车辆会对过去和未来的信息赋予不同的权重，对于远离自车的目标车辆来说，预测结果受自车规划信息的影响较小。
3、尽管过去的研究在提取交通流量历史交互信息方面取得了一定的进展，但很少有研究定量描述过去和未来交互关系对不同目标车辆轨迹预测的影响。
技术实现思路
1、本专利技术的目的是为了克服上述现有技术存在的问题而提供的一种基于分层注意力机制的车辆轨迹预测方法，该方法将自车的规划信息纳入到了预测网
2、本专利技术的目的可以通过以下技术方案来实现：
3、s1：获取自车规划轨迹信息，以及获取自车所对应的所有目标预测车辆的历史运动轨迹和各目标预测车辆周围的多个车辆在世界坐标系下的历史运动轨迹，进而获得当前时刻下各目标预测车辆的相对运动信息及其对应自车相对规划运动信息、目标预测车辆周围多个车辆的相对运动信息，从而组成当前时刻的输入运动向量；
4、s2：将当前时刻的输入运动向量输入到车辆轨迹预测网络中，输出获得各目标预测车辆对应的预测运动轨迹。
5、所述s1中，首先，以每个目标预测车辆在当前时刻下的位置为中心，接着对自车规划轨迹信息、当前目标预测车辆的历史运动轨迹及其周围多个车辆在历史坐标系下的历史运动轨迹进行处理，获得当前目标预测车辆对应的自车相对规划轨迹、当前目标预测车辆的相对历史轨迹及其周围多个车辆的相对历史轨迹，最后联合各自的速度及加速度信息后，分别获得当前时刻下，当前目标预测车辆对应的自车相对运动信息和当前目标预测车辆的相对运动信息以及其周围多个车辆的相对运动信息。
6、所述s2中，车辆轨迹预测网络包括时空注意力模块、邻近度矩阵生成模块、硬软注意力模块和基于运动行为的轨迹解码器，输入运动向量作为时空注意力模块和邻近度矩阵生成模块的输入，时空注意力模块与硬软注意力模块相连，硬软注意力模块与邻近度矩阵生成模块相连，硬软注意力模块还与基于运动行为的轨迹解码器相连。
7、所述时空注意力模块包括第一长短期记忆单元、第二长短期记忆单元、第一时序注意力层、第二时序注意力层和图注意力层；输入运动向量中的自车相对规划运动信息作为第一长短期记忆单元的输入，第一长短期记忆单元与第一时序注意力层相连，输入运动向量中的每个目标预测车辆的相对运动信息以及其周围多个车辆的相对运动信息一起输入到图注意力层中，每个目标预测车辆的相对运动信息还与图注意力层的输出整合输入到第二长短期记忆单元，第二长短期记忆单元与第二时序注意力层相连，第一时序注意力层和第二时序注意力层的输出在通道维度拼接整合后作为时空注意力模块的输出。
8、所述邻近度矩阵生成模块中，根据输入运动向量中的自车规划运动信息和各目标预测车辆的相对运动信息构建邻近度矩阵并发送给硬软注意力模块，邻近度矩阵中，其中心设置为1并表示自车当前位置，各目标预测车辆当前时刻所在位置处放置其与自车距离的倒数。
9、所述硬软注意力模块包括通道注意力层和目标融合模块，硬软注意力模块的输入经通道注意力层后再与硬软注意力模块的输入相乘后的输出作为目标融合模块的输入，邻近度矩阵生成模块的输出也作为目标融合模块的输入，目标融合模块的输出作为硬软注意力模块的输出。
10、所述目标融合模块为对称耦合了目标融合层的全卷积网络，具体包括两个卷积层、两个反卷积层和两个目标融合层，目标融合模块的输入作为第一卷积层的输入，第一卷积层经第二卷积层后与第一反卷积层相连，邻近度矩阵生成模块的输出作为两个目标融合层的输入，第一卷积层的输出、第一反卷积层的输出一起输入到第一目标融合层中，第一目标融合层与第二反卷积相连，第二反卷积的输出、目标融合模块的输入一起输入到第二目标融合层，第二目标融合层的输出作为目标融合模块的输出。
11、所述基于运动行为的轨迹解码器中，首先将各目标预测车辆对应的目标向量分别输入到两个全连接层中，获得对应的横向和纵向运动行为的概率向量，接着分别选择横向和纵向运动行为的概率向量中置信度最高的概率向量并分别生成横向、纵向独热编码，最后将各目标预测车辆对应的目标向量与其横向、纵向独热编码拼接后，分别获得各目标预测车辆对应的编码向量，再将各目标预测车辆对应的编码向量分别输入到长短期记忆单元解码，获得各目标预测车辆对应的预测运动轨迹。
12、本专利技术通过结合额外的规划信息，准确地捕捉不同交通参与者之间的交互作用，可以提高预测精度。
13、本专利技术的有益效果是：
14、1、本专利技术通过级联的注意力结构，可以实现对于过去和未来的周围车辆及目标车辆的交互信息的定量描述，相比传统方法利用卷积及池化的方式来提取交通流的历史交互信息，该方法更加省时省力，预测精度得到一定的提升。
15、2、本专利技术同时将自车的未来轨迹信息纳入到网络中，与级联的注意力结构进行耦合，通过告知网络自车的运动趋势，并定量地描述过去与未来两种信息之间的交互关系，缓解了预测目标车辆未来驾驶行为的不确定性。这种操作适用于结构化道路与复杂的城市道路场景，通过将自车的规划信息纳入预测中，实现一个交互性的、更为精准的预测结果。
本文档来自技高网...【技术保护点】
1.一种基于分层注意力机制的车辆轨迹预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于分层注意力机制的车辆轨迹预测方法，其特征在于，所述S1中，首先，以每个目标预测车辆在当前时刻下的位置为中心，接着对自车规划轨迹信息、当前目标预测车辆的历史运动轨迹及其周围多个车辆在历史坐标系下的历史运动轨迹进行处理，获得当前目标预测车辆对应的自车相对规划轨迹、当前目标预测车辆的相对历史轨迹及其周围多个车辆的相对历史轨迹，最后联合各自的速度及加速度信息后，分别获得当前时刻下，当前目标预测车辆对应的自车相对运动信息和当前目标预测车辆的相对运动信息以及其周围多个车辆的相对运动信息。
3.根据权利要求1所述的一种基于分层注意力机制的车辆轨迹预测方法，其特征在于，所述S2中，车辆轨迹预测网络包括时空注意力模块、邻近度矩阵生成模块、硬软注意力模块和基于运动行为的轨迹解码器，输入运动向量作为时空注意力模块和邻近度矩阵生成模块的输入，时空注意力模块与硬软注意力模块相连，硬软注意力模块与邻近度矩阵生成模块相连，硬软注意力模块还与基于运动行为的轨迹解码器相连。
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。