【技术实现步骤摘要】
本专利技术属于智能驾驶，具体涉及一种基于目标驱动的多模态轨迹预测方法、车辆、设备及介质。
技术介绍
1、自动驾驶技术是一种利用计算机和传感器技术来使汽车能够独立驾驶的创新技术。这种技术的目标是实现车辆在没有人类司机干预的情况下安全地行驶，从而提高交通效率、减少交通事故和提供更便利的出行方式。轨迹预测在自动驾驶中发挥着关键作用，它是自动驾驶系统的一个重要组成部分，有助于实现安全、高效和智能的自动驾驶。
2、轨迹预测技术主要用于预测车辆未来的行驶轨迹，以便车辆做出相应的决策和行驶控制。在自动驾驶系统中，轨迹预测不仅关乎车辆行驶的安全性和稳定性，还与车辆的路径规划、障碍物避让等功能紧密相关。只有通过准确的轨迹预测，车辆才能够更好地规避交通障碍物、预测其他车辆的行驶意图、保持安全的行驶距离和速度等。因此，轨迹预测技术对自动驾驶系统的性能和可靠性具有重要意义。该技术在各种领域中都有广泛的应用，包括自动驾驶、无人机导航、物流和航空航天等领域。
3、以前的轨迹预测技术仅关注车辆的历史轨迹和驾驶环境，主要集中于研究观察时间窗口内车辆之间的交互以及车辆与环境间的交互，然而很少在预测时间窗口中进行探索车辆的驾驶行为，如车辆在未来某个时刻因为遵守驾驶道德规范而做出避让行为。此外，在真实的驾驶环境中，人类的意图非常复杂。例如，在十字路口，驾驶员可能有多种选择，如停车、加速或转弯，不同的行为可能会导致完全相反的结果，这使得了解行为意图对未来轨迹预测非常重要。
4、随着自动驾驶和相关领域的发展，对轨迹预测技术的要求越来越
5、基于目标驱动的多模态轨迹预测技术是一种高级轨迹预测方法，旨在更准确地预测移动目标(如车辆、行人、自行车等)的未来轨迹，以改善自动驾驶和相关领域的决策制定和安全性。这项技术的核心思想是将多模态数据(如传感器数据)与目标的意图和可能行为相结合，以生成多种可能的轨迹预测。这些轨迹预测可以覆盖不同情况下的各种可能性，帮助系统更好地理解周围环境，并做出更智能的决策。多模态轨迹预测技术具有数据融合、多样性、不确定性处理、目标意图理解、实时性、交互性考虑和广泛应用领域等多重优势，使其成为自动驾驶和相关领域的关键技术之一。这一技术有助于提高交通系统的智能性和安全性，从而为未来的移动性提供更多可能性。
技术实现思路
1、本专利技术的目的在于，提供一种基于目标驱动的多模态轨迹预测方法、车辆、设备及介质，通过更准确地预测其他车辆、行人和自行车的行为，使自动驾驶系统可以更好地规避潜在的危险情况，从而提高道路安全性，减少交通事故。
2、下面本专利技术的第一方面，提供了一种基于目标驱动的多模态轨迹预测方法，该方法包括：
3、获取高精度自动驾驶数据集，该数据集包括道路参与者的轨迹数据以及矢量化高精度地图；
4、通过u-net对道路参与者的历史轨迹数据sobs进行特征提取操作以获得轨迹特征hs；
5、根据矢量化高精度地图构建lane graph，利用lanegcn对lane graph进行卷积操作以获得地图特征hg；
6、利用lanegcn和空间注意力层融合轨迹特征hs和地图特征hg，以捕获道路参与者和道路之间的所有交互信息，得到融合后的特征x；
7、基于融合后的特征x，给每个道路参与者预测ke个候选目标并应用mlp为每个候选目标计算置信度分数，且使用smoothe1 loss函数计算最佳候选目标和真实目标之间的误差；
8、筛选出置信度分数最高的候选目标作为预测目标，并将预测目标一定范围内的区域视为goi区域，对goi区域编码得到最终的特征x；
9、利用最终的特征x为每个道路参与者预测出ka条预测轨迹以及轨迹对应的置信度分数；通过应用max-margin loss函数计算分类误差，应用smoothe1 loss函数计算在每个时间步的所有预测轨迹与其相应的地面实际轨迹坐标之间的位移误差；
10、训练完成后，选取置信度分数最高的预测轨迹作为最终的轨迹预测结果。
11、上述方案中，该方法还包括：
12、对数据进行预处理操作，清洗和处理原始数据，处理缺失值、异常值和噪声，并进行坐标系转换和单位标准化。
13、上述方案中，通过u-net对道路参与者的历史轨迹数据sobs进行特征提取操作以获得轨迹特征hs，包括：
14、将道路参与者的轨迹数据划分成观察到的历史轨迹数据sobs和需要预测的真实轨迹数据spred，使用u-net的编码器对历史轨迹数据sobs进行特征提取，再利用u-net的解码器将编码器提取的特征映射回原始数据的形式，以获得轨迹特征hs。
15、上述方案中，道路参与者和道路之间的所有交互信息包括：道路参与者对道路a2l、道路对道路l2l、道路对道路参与者l2a和道路参与者对道路参与者a2a。
16、上述方案中，基于融合后的特征x，给每个道路参与者预测ke个候选目标并应用mlp为每个候选目标计算置信度分数，且使用smooth l1 loss函数计算最佳候选目标和真实目标之间的误差，包括：
17、应用transformer给每个道路参与者生成一组候选目标：
18、
19、其中，g为候选目标集合，n为道路参与者的数量，表示第i个道路参与者的第j个候选目标；
20、为了使候选目标更接近真实目标，设计一个由mlp m(·)构成的分类分支，用于输出每个候选目标对应的置信度分数：
21、
22、其中，c为置信度分数集合，表示第i个道路参与者的第j个候选目标的置信度分数；
23、计算候选目标和真实目标之间的smoothe1 loss，用于进一步提升预测目标的准确度：
24、
25、其中，∈表示margin，表示候选目标中预测结果最好的那个，r表示候选目标的数量；
26、在回归过程中，应用smooth l1 loss计算正向目标：
27、
28、其中，表示第i个道路参与者真实轨迹最后一个坐标位置，reg(z)＝∑id(zi)：
29、
30、其中，zi表示smoothe1 loss，‖zi‖代表zi的l1范数。
31、上述方案中，筛选出置信度分数最高的候选目标作为预测目标，并将预测目标一定范围内的区域视为goi区域，对goi区域编码得到最终的特征x，包括：
32、
33、其中，第i个道路参与者的第i’个特征为以该道路参与者为中心提取的交通特征，用xi表示；第j个车道节点的第j’个特征值为当前交通场景下的环境特征，用yj表示；权重矩阵用wi表示，φi表示relu函数的层归一化，△i,j＝mlp(vi-vj)，v本文档来自技高网...
【技术保护点】
1.一种基于目标驱动的多模态轨迹预测方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于目标驱动的多模态轨迹预测方法，其特征在于，该方法还包括：
3.根据权利要求1所述的基于目标驱动的多模态轨迹预测方法，其特征在于，通过U-Net对道路参与者的历史轨迹数据Sobs进行特征提取操作以获得轨迹特征Hs，包括：
4.根据权利要求1所述的基于目标驱动的多模态轨迹预测方法，其特征在于，道路参与者和道路之间的所有交互信息包括：道路参与者对道路A2L、道路对道路L2L、道路对道路参与者L2A和道路参与者对道路参与者A2A。
5.根据权利要求1所述的基于目标驱动的多模态轨迹预测方法，其特征在于，基于融合后的特征x，给每个道路参与者预测Ke个候选目标并应用MLP为每个候选目标计算置信度分数，且使用smooth l1 loss函数计算最佳候选目标和真实目标之间的误差，包括：
6.根据权利要求1所述的基于目标驱动的多模态轨迹预测方法，其特征在于，筛选出置信度分数最高的候选目标作为预测目标，并将预测目标一定范围内的区域视为GOI区域，对
7.根据权利要求6所述的基于目标驱动的多模态轨迹预测方法，其特征在于，利用最终的特征X为每个道路参与者预测出Ka条预测轨迹以及轨迹对应的置信度分数；通过应用max-margin loss函数计算分类误差，应用smoothl1loss函数计算在每个时间步的所有预测轨迹与其相应的地面实际轨迹坐标之间的位移误差，包括：
8.一种车辆，其特征在于，该车辆包括权利要求1至7中任意一项所述的基于目标驱动的多模态轨迹预测方法的步骤。
9.一种电子设备，其特征在于，包括：处理器和存储器，存储器存储可在处理器上运行的程序或指令，程序或指令被处理器执行时实现权利要求1至7中任意一项所述的基于目标驱动的多模态轨迹预测方法的步骤。
10.一种可读存储介质，其特征在于，其上存储有程序或指令，程序或指令被处理器执行时实现权利要求1至7中任意一项所述的基于目标驱动的多模态轨迹预测方法的步骤。
...【技术特征摘要】
1.一种基于目标驱动的多模态轨迹预测方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于目标驱动的多模态轨迹预测方法，其特征在于，该方法还包括：
3.根据权利要求1所述的基于目标驱动的多模态轨迹预测方法，其特征在于，通过u-net对道路参与者的历史轨迹数据sobs进行特征提取操作以获得轨迹特征hs，包括：
4.根据权利要求1所述的基于目标驱动的多模态轨迹预测方法，其特征在于，道路参与者和道路之间的所有交互信息包括：道路参与者对道路a2l、道路对道路l2l、道路对道路参与者l2a和道路参与者对道路参与者a2a。
5.根据权利要求1所述的基于目标驱动的多模态轨迹预测方法，其特征在于，基于融合后的特征x，给每个道路参与者预测ke个候选目标并应用mlp为每个候选目标计算置信度分数，且使用smooth l1 loss函数计算最佳候选目标和真实目标之间的误差，包括：
6.根据权利要求1所述的基于目标驱动的多模态轨迹预测方法，其特征在于，筛选出置信度分数最高的候...
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。