【技术实现步骤摘要】
本申请涉及自动驾驶，具体地，涉及一种基于非完整轨迹的车辆轨迹预测方法。
技术介绍
1、根据车辆历史轨迹进行准确可靠的车辆轨迹预测是自动驾驶车辆的核心功能之一，是自动汽车实现高质量的局部运动规划和决策的基础。然而，现有方法通常假设观测到的车辆历史轨迹是完整的，而忽略了因物体遮挡、传感器感知范围限制、传感器故障等可能造成的缺失值。这些缺失值的存在不可避免地影响了轨迹预测的准确性，使得现有方法无法适用于真实交通场景。针对数值缺失问题，研究人员采用统计学方法进行插补，但现有缺失值插补方法并非为车辆轨迹预测而设计，无法适用于轨迹预测任务这一特定任务。除此之外，在轨迹预测模块之前加入轨迹插补模块的方案会带来额外的运算量，从而影响整个自动驾驶系统的实时性。
技术实现思路
1、为了克服现有技术中的至少一个不足，本申请提供一种基于非完整轨迹的车辆轨迹预测方法。
2、第一方面，提供一种基于非完整轨迹的车辆轨迹预测方法，包括：
3、获取非完整历史轨迹数据；非完整历史轨迹数据包括多个时间点的车辆坐标；
4、将非完整历史轨迹数据输入到包含n个注意力头的多头注意力机制中，计算得到查询向量、键向量和值向量；基于查询向量、键向量和值向量，以及填充掩码矩阵向量，确定车辆的多尺度运动表征；
5、根据非完整历史轨迹数据确定序列掩码矩阵；利用序列掩码矩阵和填充掩码矩阵向量，确定每个时间颗粒度对应的信息增量，时间颗粒度与注意力头一一对应；基于信息增量对多尺度运动表征进行加权聚
6、将多尺度运动表征和连续性表征进行融合，并将融合结果输入到轨迹解码器，预测得到未来轨迹。
7、在一个实施例中，方法还包括：
8、针对每个注意力头，构建填充掩码矩阵；第i个注意力头对应的填充掩码矩阵中的第a行b列的元素值为
9、
10、其中，z为整数集，len为非完整历史轨迹数据的长度；
11、所有注意力头对应的填充掩码矩阵构成填充掩码矩阵向量；填充掩码矩阵向量，采用以下公式表示：
12、
13、其中，mp为填充掩码矩阵向量，为第i个注意力头对应的填充掩码矩阵。
14、在一个实施例中，车辆的多尺度运动表征，采用以下公式表示：
15、
16、
17、其中，rm为车辆的多尺度运动表征，为第i个注意力头提取的运动表征，φ为映射函数，qi为第i个注意力头对应的查询向量，ki为第i个注意力头对应的键向量，vi为第i个注意力头对应的值向量，为第i个注意力头对应的填充掩码矩阵，为ki的维度。
18、在一个实施例中，利用序列掩码矩阵和填充掩码矩阵向量，确定每个时间颗粒度对应的信息增量，包括：
19、根据序列掩码矩阵和填充掩码矩阵向量，计算得到观测矩阵向量；观测矩阵向量包括n个注意力头对应的观测矩阵；
20、基于观测矩阵向量，确定每个时间颗粒度对应的信息增量；时间颗粒度与注意力头一一对应。
21、在一个实施例中，观测矩阵向量，采用以下公式表示：
22、
23、
24、其中，mons为观测矩阵向量，为第i个注意力头对应的观测矩阵，λ表示逐行进行对应元素相乘，ms为序列掩码矩阵，为第i个注意力头对应的填充掩码矩阵。
25、在一个实施例中，每个时间颗粒度对应的信息增量，采用以下公式表示：
26、
27、
28、其中，ωi为第i个时间颗粒度对应的信息增量，为第i个时间颗粒度下第j个轨迹点的信息增量，len为非完整历史轨迹数据的长度，为第i个注意力头对应的观测矩阵中第j行第l列的值，
29、在一个实施例中，基于信息增量对多尺度运动表征进行加权聚合，得到连续性表征，包括：
30、基于信息增量计算跨时间步的注意力权重；利用注意力权重对多尺度运动表征进行加权聚合，得到连续性表征。
31、在一个实施例中，连续性表征，采用以下公式表示：
32、
33、
34、
35、
36、其中，rc为连续性表征，为第i个时间颗粒度对应的续性表征，acrossatten(ωi)为第i个时间颗粒度对应的信息增量ωi对应的跨时间步的注意力权重，为第i个注意力头提取的运动表征，第i个时间颗粒度下第j个轨迹点的注意力权重，len为非完整历史轨迹数据的长度，为第i个时间颗粒度下第j个轨迹点的信息增量，为第i个时间颗粒度下第l个轨迹点的信息增量。
37、第二方面，提供一种基于非完整轨迹的车辆轨迹预测装置，包括：
38、历史轨迹获取模块，用于获取非完整历史轨迹数据；非完整历史轨迹数据包多个时间点的车辆坐标；
39、多尺度运动表征确定模块，用于将非完整历史轨迹数据输入到包含n个注意力头的多头注意力机制中，计算得到查询向量、键向量和值向量；基于查询向量、键向量和值向量，以及填充掩码矩阵向量，确定车辆的多尺度运动表征；
40、连续性表征确定模块，用于根据非完整历史轨迹数据确定序列掩码矩阵；利用序列掩码矩阵和填充掩码矩阵向量，确定每个时间颗粒度对应的信息增量，时间颗粒度与注意力头一一对应；基于信息增量对多尺度运动表征进行加权聚合，得到连续性表征；
41、预测模块，用于将多尺度运动表征和连续性表征进行融合，并将融合结果输入到轨迹解码器，预测得到未来轨迹。
42、第三方面，提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时，以实现上述的基于非完整轨迹的车辆轨迹预测方法。
43、相对于现有技术而言，本申请具有以下有益效果：本申请的基于非完整轨迹的车辆轨迹预测方法，从不同的时间粒度捕捉车辆的多尺度表征，从而减轻缺失值对车辆轨迹预测的负面影响；此外，利用轨迹缺失模式自适应地计算不同时间步的信息增量，然后利用信息增量获取对缺失模式不敏感的连续性表征，以指导模型输出符合运动一致性的预测结果。
本文档来自技高网...【技术保护点】
1.一种基于非完整轨迹的车辆轨迹预测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
3.如权利要求1所述的方法，其特征在于，所述车辆的多尺度运动表征，采用以下公式表示：
4.如权利要求1所述的方法，其特征在于，其中，利用所述序列掩码矩阵和所述填充掩码矩阵向量，确定每个时间颗粒度对应的信息增量，包括：
5.如权利要求4所述的方法，其特征在于，所述观测矩阵向量，采用以下公式表示：
6.如权利要求4所述的方法，其特征在于，所述每个时间颗粒度对应的信息增量，采用以下公式表示：
7.如权利要求1所述的方法，其特征在于，其中，基于所述信息增量对所述多尺度运动表征进行加权聚合，得到连续性表征，包括：
8.如权利要求1所述的方法，其特征在于，所述连续性表征，采用以下公式表示：
9.一种基于非完整轨迹的车辆轨迹预测装置，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，以实现
...【技术特征摘要】
1.一种基于非完整轨迹的车辆轨迹预测方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
3.如权利要求1所述的方法，其特征在于，所述车辆的多尺度运动表征，采用以下公式表示：
4.如权利要求1所述的方法，其特征在于，其中，利用所述序列掩码矩阵和所述填充掩码矩阵向量，确定每个时间颗粒度对应的信息增量，包括：
5.如权利要求4所述的方法，其特征在于，所述观测矩阵向量，采用以下公式表示：
6.如权利要求4所述的方法，其特征在于，所述每个时间...
【专利技术属性】
技术研发人员：刘占文，李超，王洋，高博麟，樊星，杨楠，林杉，黄泽宇，范锦，薛志彪，
申请(专利权)人：长安大学，
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。