本发明专利技术公开了基于加权图注意力网络的可解释车辆轨迹预测方法及系统，方法步骤包括：采集无人驾驶场景中，所有交通参与者的历史特征；基于历史特征，构建可解释车辆轨迹预测模型；利用可解释车辆轨迹预测模型完成车辆轨迹预测。本发明专利技术通过对可解释和不可解释的效用进行非加性融合，同时实现了高预测精度和可解释性。同时，加权图注意力网络可以更有效地学习图结构中目标车辆与环境之间的相互作用，从而提高预测精度。本发明专利技术可以为预测的区域分布提供可解释性。这种方法在大数据集上实现了高精度的可解释性，且可应用于其他领域，研究深度学习模型的可解释性机制。
【技术实现步骤摘要】
本专利技术涉及车辆轨迹预测领域，具体涉及基于加权图注意力网络的可解释车辆轨迹预测方法及系统。
技术介绍
1、随着人工智能的快速发展，自动驾驶正受到广泛关注，预计能够解决许多现有问题，如交通拥堵、行车安全、能效等。在混合交通场景中，车辆轨迹预测是自动驾驶的关键技术之一，因为自动驾驶车辆需要预测周围人类车辆的轨迹，以做出更安全的驾驶决策。然而，许多因素影响车辆未来轨迹的预测，如机动多样性、与环境的交互、信息的不确定性、计算的及时性等。近年来，自动驾驶领域的研究人员设计了各种车辆轨迹预测模型，以应对这些挑战。现有的车辆轨迹预测方法大致分为三类：基于物理的模型、基于驾驶行为的模型和交互感知的模型。
2、基于物理的模型利用速度和加速度等运动属性作为控制输入，通过动力学模型预测车辆的未来轨迹，包括恒速(constantvelocity，cv)模型、恒加速度(constantacceleration，ca)模型、恒转速和加速度(constantvelocity，ctra)模型等。由于这些模型通常依赖于理想化的物理假设，如恒速或恒加速度，它们仅限于短期预测。
3、基于驾驶行为的模型，如基于驾驶行为的长短期记忆网络(long short-termmemory，lstm)模型和基于驾驶行为的crta模型，假设转向或直行等机动显著影响车辆的未来轨迹。通常，基于驾驶行为的模型预测精度优于基于物理的模型，适用于长期轨迹预测。然而，基于机动的模型缺乏对车辆交互和道路结构的考虑，而这些因素对车辆的未来轨迹有重要影响。
技术实现思路
1、为解决上述背景中的技术问题，本专利技术通过提出一种可解释性的车辆轨迹预测模型，来解决现有主流模型因缺乏可解释性而难以应用的问题。
2、为是实现上述目的，本专利技术提出了基于加权图注意力网络的可解释车辆轨迹预测方法，步骤包括：
3、采集无人驾驶场景中，所有交通参与者的历史特征；
4、基于所述历史特征，构建可解释车辆轨迹预测模型；
5、利用所述可解释车辆轨迹预测模型完成车辆轨迹预测。
6、优选的，所述历史特征包括目标车辆的历史特征和其他交通参与者的历史特征；所述其他交通参与者的历史特征包括：坐标、速度、加速度和偏航角。
7、优选的，构建的所述可解释车辆轨迹预测模型包括：l-mnl采样器和轨迹生成器；
8、所述l-mnl采样器用于用于生成路径候选区域的总效用；
9、所述轨迹生成器用于基于所述路径候选区域的总效用，生成目标车辆的预测轨迹。
10、优选的，所述l-mnl采样器包括：数据驱动模块和知识驱动模块；所述路径候选区域的总效用包括：路径候选区域的可解释效用和不可解释效用；
11、所述数据驱动模块用于生成路径候选区域的不可解释效用；
12、所述知识驱动模块用于生成路径候选区域的可解释效用。
13、优选的，所述数据驱动模块计算各候选区域的不可解释效用的方法包括：
14、zi＝linear(concat(ai，ht，gi))其中：linear()是线性投影；zi是第i个候选区域的不可解释效用；gi是通过第i个候选区域中点坐标的线性映射得到的。
15、优选的，所述知识驱动模块计算各候选区域的可解释效用计算如下：
16、ui＝βdirdiri+βoccocci+βcolcoli
17、其中，ui是第i个备选区域的可解释效用；diri、occi和coli作为解释变量，分别代表第i个备选区域的保持方向、避免拥挤和避免碰撞的偏好；βdir、βocc和βcol是三个解释变量的系数，这三个解释变量被定义为轨迹预测的解释变量，定义方法为：
18、diri＝|dfd-di|
19、
20、式中，dfd为目标车辆在时间点tobs的方向角；di为第i个候选区域中心的方向角；h为周围交通参与者的数量；disthi为第h个交通参与者与第i个备候选区域的中心之间的距离；和定义如下：
21、
22、其中，maxl为整个扇形区域的半径；和为第i个备选区域左右边界的方向角；dh为第h个其他交通参与者的方向角；dh为第h个其他交通参与者与目标车辆之间的距离；|θh-θi|为第h个其他交通参与者的运动方向与第i个备选区域的方向的夹角。
23、优选的，所述轨迹生成器生成目标车辆的预测轨迹的方法包括：
24、cj＝concat(aj，ht，gj)
25、trajj＝mlp(concat(oj，lvj))
26、其中：grudec()为gru，用于解码上下文向量cj；是一个全连接层，用于嵌入cj；lvj是从标准高斯分布中随机采样的潜在变量；mlp()使用两个全连接层生成潜在轨迹样本trajj。
27、本专利技术还提供了基于加权图注意力网络的可解释车辆轨迹预测系统，所述系统用于实现上述方法，包括：采集模块、构建模块和预测模块；
28、所述采集模块用于采集无人驾驶场景中，所有交通参与者的历史特征；
29、所述构建模块用于基于所述历史特征，构建可解释车辆轨迹预测模型；
30、所述预测模块用于利用所述可解释车辆轨迹预测模型完成车辆轨迹预测。
31、与现有技术相比，本专利技术的有益效果如下：
32、本专利技术通过对可解释和不可解释的效用进行非加性融合，同时实现了高预测精度和可解释性。同时，加权图注意力网络可以更有效地学习图结构中目标车辆与环境之间的相互作用，从而提高预测精度。本专利技术可以为预测的区域分布提供可解释性。这种方法在大数据集上实现了高精度的可解释性，且可应用于其他领域，研究深度学习模型的可解释性机制。最后通过l-mnl采样器和k均值聚类算法可以生成多模态预测轨迹，实验表明本专利技术的多模态轨迹预测精度与现有模型相比具有竞争力。
本文档来自技高网...
【技术保护点】
1.基于加权图注意力网络的可解释车辆轨迹预测方法，其特征在于，步骤包括：
2.根据权利要求1所述的基于加权图注意力网络的可解释车辆轨迹预测方法，其特征在于，所述历史特征包括目标车辆的历史特征和其他交通参与者的历史特征；所述其他交通参与者的历史特征包括：坐标、速度、加速度和偏航角。
3.根据权利要求1所述的基于加权图注意力网络的可解释车辆轨迹预测方法，其特征在于，构建的所述可解释车辆轨迹预测模型包括：L-MNL采样器和轨迹生成器；
4.根据权利要求3所述的基于加权图注意力网络的可解释车辆轨迹预测方法，其特征在于，所述L-MNL采样器包括：数据驱动模块和知识驱动模块；所述路径候选区域的总效用包括：路径候选区域的可解释效用和不可解释效用；
5.根据权利要求4所述的基于加权图注意力网络的可解释车辆轨迹预测方法，其特征在于，所述数据驱动模块计算各候选区域的不可解释效用的方法包括：
6.根据权利要求4所述的基于加权图注意力网络的可解释车辆轨迹预测方法，其特征在于，所述知识驱动模块计算各候选区域的可解释效用计算如下：
7.根据权利要求3所述的基于加权图注意力网络的可解释车辆轨迹预测方法，其特征在于，所述轨迹生成器生成目标车辆的预测轨迹的方法包括：
8.基于加权图注意力网络的可解释车辆轨迹预测系统，所述系统用于实现权利要求1-7任一项所述的方法，其特征在于，包括：采集模块、构建模块和预测模块；
...
【技术特征摘要】
1.基于加权图注意力网络的可解释车辆轨迹预测方法，其特征在于，步骤包括：
2.根据权利要求1所述的基于加权图注意力网络的可解释车辆轨迹预测方法，其特征在于，所述历史特征包括目标车辆的历史特征和其他交通参与者的历史特征；所述其他交通参与者的历史特征包括：坐标、速度、加速度和偏航角。
3.根据权利要求1所述的基于加权图注意力网络的可解释车辆轨迹预测方法，其特征在于，构建的所述可解释车辆轨迹预测模型包括：l-mnl采样器和轨迹生成器；
4.根据权利要求3所述的基于加权图注意力网络的可解释车辆轨迹预测方法，其特征在于，所述l-mnl采样器包括：数据驱动模块和知识驱动模块；所述路径候选区域的总效用包括：路径...
【专利技术属性】
技术研发人员：周亦威，夏莫，
申请(专利权)人：上海理工大学，
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。