【技术实现步骤摘要】
本专利技术涉及自动驾驶和车辆感知规划领域，具体涉及到一种自动驾驶车辆的轨迹预测算法。
技术介绍
1、随着自动驾驶成为了一个热门话题，近年来与自动驾驶有关的技术得到了快速发展，其中车辆轨迹的感知和预测技术对于自动驾驶具有重要作用。它们能够实时地识别和预测周围车辆的运动，为自动驾驶系统做出决策和规划提供关键信息。这些技术的快速发展将为实现更安全、高效和智能的自动驾驶提供基础支持。然而，尽管这些技术在实践中已经取得了显著进展，但仍然需要进一步的研究和改进，以应对不同道路状况、交通场景和驾驶行为的挑战。
2、在自动驾驶车辆的轨迹预测方面，常使用深度学习模型，例如rnn，lstm，transformer等，其中transformer模型相较于其它模型具备计算速度快，处理长序列数据表现更优，预测结果更准确等优点，但由于transformer模型最开始设计的目的是为了进行机器翻译，生成文字相关的任务，因此将它用于车辆的轨迹预测任务上，容易出现数据格式不匹配，模型不适应的问题，同时原始的transformer也不能考虑车辆行驶时受到周围车辆的差异化影响。故而，需要对原始模型进行改进，使其具备更好的预测精度和速度。
3、本专利技术设计了一种基于transformer模型，并且综合考虑自动驾驶车辆行驶时，所受到的自车历史轨迹影响(时间交互)和周围车辆轨迹影响(空间交互)的车辆轨迹预测算法，改进了transformer模型的自注意力机制层，根据自车历史轨迹信息的相似度考虑不同时刻轨迹对当前轨迹的影响，并以自车为中心为建立坐标系
技术实现思路
1、本专利技术面向自动驾驶车辆道路行驶过程中路径感知和规划模块提出了一种基于改进transformer模型的车辆轨迹预测算法，根据先进的路测和车载感知设备，精准获取自车与周围车辆的轨迹信息，在车辆智能感知规划模块中，算法将深度挖掘车辆轨迹在时间和空间上的交互特征，通过反复计算迭代内部参数，不断地拟合出符合实际的合理行驶轨迹并且实时关注他车的行驶状态，预判其行驶轨迹，实时地修正自车行驶路线，因此能为自动驾驶车辆提供安全可靠的轨迹路线。本方法基于目前最热门的车辆轨迹预测模型，深度解析其底层原理并改进模型，加入考虑车辆时空交互的处理层，使得模型在学习轨迹关系时，忽略部分无用信息并获取更多有利于精准预测的关键信息，改进后的模型相较于原先模型，具备更快的计算速度以及更高的预测精度。
2、该方法的具体实现步骤如下：
3、步骤1，通过先进的车联网技术和车载感知设备，获取自动驾驶车与周围车辆的历史轨迹信息，对时间序列轨迹信息进行位置编码生成模型能够识别的序列信息，以此输入到模型编码器中进行计算。步骤1的具体实现步骤如下：
4、步骤11获取自车与周围车辆的轨迹信息
5、在发达的车路协同技术背景下，路测端的感知设备应该能实时采集监测路段的车辆行驶信息(其中包含每辆车实时精确的轨迹信息)并且能以几乎无延迟的速度将这些信息传输给行驶于监测路段的每一辆智能驾驶车辆。同时，由于智能驾驶车辆都会搭建车载感知设备，例如激光雷达，毫米波雷达，摄像头等，因此车载感知设备所获取的车辆位置信息进一步提升智能驾驶车辆对自身和其周围车辆的行驶状态感知。
6、在获取自车周围车辆的轨迹信息中，综合考虑现有车载传感器的探测距离，将周围车辆的定义为：以自车为中心，半径120m(米)的区域内，行驶方向的正前，左前，右前，正后，左后，右后六个方位上距离自车最近的车辆。若范围内某个方位某一时段内不存在车辆，为了保证输入数据的一致性，则假设该方位存在虚拟车，虚拟车的位置参数为(120，0)，车速则始终与自车保持一致。
7、步骤12对轨迹信息进行位置编码
8、由于transformer模型最开始设计的目的是为了进行机器翻译，生产文字相关任务，模型在计算过程中采取的是并行计算策略，并不会获知数据间的时间序列关系，而车辆行驶的轨迹信息本身属于时间序列信息的一种，因此需要对所输入的轨迹信息进行位置编码，赋予每一时刻轨迹专属的位置信息，才能保证模型运算和输出的结果满足实际的时间关系。对于所采集到的车辆轨迹信息l包含自车与周围车位置信息，然后对其根据位置编码公式进行编码计算，具体表述如下：
9、l＝{e，o|e＝(x0,y0)，o＝(δxi,δyi)}
10、z＝position(l)
11、其中(x0,y0)表示自车在监测路段中的位置信息，(δxi,δyi)分别表示周围车辆i(i＝1,2,3,4,5,6，分别代表正前，左前，右前，正后，左后，右后六个方位)与自车在横，纵轴上的相对距离。原始车辆轨迹信息l经由位置编码公式position()计算后得到输入到下一层空间交互层中的自车及周围车辆轨迹信息z。
12、位置编码公式position()，其具体表述如下。
13、
14、
15、在上式中，pos为当前数据的位置标识，dmodel为数据维度，数据i表示的是在所有维度中的第i个。
16、步骤2，编码器中，由步骤1所得到的数据先进入车辆空间交互层，得到周围车辆对自车轨迹的影响信息，然后进入时间交互层，叠加自车历史轨迹之间的交互信息。经过交互处理的数据，进行一次残差计算和归一化，然后进入到前馈层，并再进行一次残差计算和归一化，所得结果输入到解码器中。步骤2的具体实现步骤如下：
17、步骤21空间交互层处理
18、车辆空间交互层设计思路在于通过计算自车与周围车辆的相对距离变化量来衡量周围车辆对自车轨迹的差异化影响，其中相对距离是以自车中心位置建立坐标系后，所得到周围各车与之的相对距离，即欧式距离si。其表达式为：
19、
20、其中δxi,δyi分别表示周围车辆i(i＝1,2,3,4,5,6，分别代表正前，左前，右前，正后，左后，右后六个方位)与自车在横，纵轴上的相对距离。那么相对距离的变化量δsi，其表达式为：
21、δsi＝si,t-si,t+1
22、其中si,t表示在t时刻周围车辆i与自车的相对距离，si,t+1表示在t+1时刻周围车辆i与自车的相对距离。
23、根据周围车辆与自车相对距离变化量分配轨迹影响力权重因子的方法是对δsi进行softmax函数归一化计算，得到权重因子αi，其表达式为：
24、
25、
26、在上式中，若六个方位周围车辆全为虚拟车辆，则认为此时自车不与周围车辆发生空间交互，不进行上式的权重计算，直接输出αi＝0。所得到权重因子αi∈[0,1]，并且能够表示周围车辆与自车的相对运动状态，这是因为当δsi&本文档来自技高网...
【技术保护点】
1.一种基于改进Transformer模型的车辆轨迹预测算法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，在获取自车周围车辆的轨迹信息中，综合考虑现有车载传感器的探测距离，将周围车辆定义为：以自车为中心，半径120m(米)的区域内，车辆行驶方向的正前，左前，右前，正后，左后，右后六个方位上距离自车最近的车辆。若范围内某个方位某一时段内不存在车辆，为了保证输入数据格式的一致性，则假设该方位存在虚拟车，虚拟车的位置参数为(120，0)，车速则始终与自车保持一致。
3.根据权利要求1所述的方法，其特征在于，车辆空间交互层设计思路在于通过计算自车与周围车辆的相对距离变化量来衡量周围车辆对自车轨迹的差异化影响，其中相对距离是以自车中心位置建立坐标系后，所得到周围各车与之的相对距离，即欧式距离Si。其表达式为：
4.根据权利要求1所述的方法，其特征在于，根据周围车辆与自车相对距离变化量分配轨迹影响力权重因子的方法是对ΔSi进行Softmax函数归一化计算，得到权重因子αi，其表达式为：
5.根据权利要求1所述的方法，其
...【技术特征摘要】
1.一种基于改进transformer模型的车辆轨迹预测算法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，在获取自车周围车辆的轨迹信息中，综合考虑现有车载传感器的探测距离，将周围车辆定义为：以自车为中心，半径120m(米)的区域内，车辆行驶方向的正前，左前，右前，正后，左后，右后六个方位上距离自车最近的车辆。若范围内某个方位某一时段内不存在车辆，为了保证输入数据格式的一致性，则假设该方位存在虚拟车，虚拟车的位置参数为(120，0)，车速则始终与自车保持一致。
3.根据权利要求1所述的方法，其特征在于，车辆空间交互层设计思路在于通过计算自车与周围车辆的相对距离变化量来衡量周围车辆对自车轨迹的差异化影响，其中相对距离是以自车中心位置建立坐标系后，所得到周围各车与之的相对距离，即欧式距离si。其表达式为：
4.根据权利要求1所述的方法，其特征在于，根据周围车辆与自车相对距离变化量...
【专利技术属性】
技术研发人员：刘淼淼，林伟群，汤认京，朱明月，李蓬睿，刘晓晨，
申请(专利权)人：北京航空航天大学，
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。