【技术实现步骤摘要】
本专利技术涉及一种基于深度神经网络的轨迹跟踪误差不确定性量化方法，属于交通与人工智能交叉。
技术介绍
1、在当前的智能交通系统领域，轨迹跟踪误差的预测与量化是确保车辆安全、优化交通流管理以及提升自动驾驶系统性能的关键技术之一。现有的轨迹跟踪预测技术主要依赖于高精度仿真系统，现有的系统通过构建复杂的物理模型来模拟车辆在不同道路条件、天气状况及驾驶行为下的运动状态。现有的模型能够精确计算车辆的动力学特性、轮胎与地面的相互作用以及空气阻力等因素对车辆轨迹的影响，从而实现对车辆未来轨迹的较为准确的预测。此外，部分系统还结合了先进的传感器技术和数据处理算法，以实时获取车辆状态信息，进一步提升预测精度。
2、尽管高精度仿真系统在轨迹跟踪预测方面取得了显著进展，但其固有的局限性也不容忽视。首先，这类系统通常需要复杂的条件设置和大量的计算资源，以准确模拟车辆运动的每一个细节，这导致了系统部署和维护的成本高昂。其次，物理模型的构建往往基于一系列假设和简化，难以完全反映实际交通环境的复杂性和多变性，从而限制了预测结果的普适性和准确性。更为关键的是，现有系统未能充分利用已积累的大量运行数据，这些数据中蕴含着丰富的轨迹分布信息和潜在的驾驶模式，对于提升轨迹跟踪误差的预测精度和不确定性量化能力具有重要价值。因此，在轨迹跟踪误差的不确定性量化方面，现有技术仍存在显著不足。
3、公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域普通技术人员所公知的现有技术。>
技术实现思路
1、本专利技术所要解决的技术问题是现有技术操作复杂、计算量大、未能充分利用已记录的大量运行数据包含的轨迹分布信息来量化轨迹跟踪误差不确定性。
2、为解决上述技术问题，本专利技术是采用下述技术方案实现的。
3、本专利技术提供一种基于深度神经网络的轨迹跟踪误差不确定性量化方法，包括：
4、获取待跟踪物体运行路径以及待跟踪物体运行路径上的理想速度曲线；
5、按固定间隔将待跟踪物体运行路径离散化表示为路径中线参考点序列；
6、根据理想速度曲线和路径中线参考点序列，基于预先训练的参考轨迹生成网络，依次生成n个轨迹位置点序列，得到参考轨迹；
7、将所述参考轨迹输入预先训练好的不确定性量化网络，对轨迹跟踪误差的不确定性进行量化，输出待跟踪物体相对于参考轨迹运动的轨迹误差概率分布。
8、进一步地，所述根据理想速度曲线和路径中线参考点序列，基于预先训练的参考轨迹生成网络，依次生成n个轨迹位置点序列，得到参考轨迹，包括：
9、基于门控循环单元构建第一循环神经网络和第二循环神经网络；
10、利用第一循环神经网络对理想速度曲线进行编码，得到第一特征向量；
11、利用第二循环神经网络对路径中线参考点序列进行编码，得到第二特征向量；
12、连接第一特征向量和第二特征向量，得到连接向量；
13、将连接向量送入全连接网络后，得到全连接向量；
14、将全连接向量和理想速度曲线的起始位置，输入基于门控循环单元构建的第三循环神经网络，依次生成n个轨迹位置点序列，得到参考轨迹。
15、进一步地，为了预先训练参考轨迹生成网络，构建用于对抗式训练的判别网络，在将全连接向量和理想速度曲线的起始位置，输入基于门控循环单元构建的第三循环神经网络，依次生成n个轨迹位置点序列之后，还包括：
16、基于门控循环单元和多层感知机构建判别网络；
17、将所述轨迹位置点序列输入所述判别网络，进行判断，输出判别结果0或1；
18、其中，判别结果为1表示所述轨迹位置点序列是高精度仿真系统生成的参考运动轨迹，判别结果为0表示所述轨迹位置点序列是参考轨迹生成网络生成的参考轨迹。
19、进一步地，所述判别网络包括：
20、基于门控循环单元构建的第四循环神经网络，用于获取轨迹位置点序列，根据门控循环单元状态依次更新特征向量，得到更新后的状态向量；
21、n个全连接层的多层感知机网络，用于获取更新后的状态向量，经过n层线性变换与relu激活函数处理后，输出判别结果。
22、进一步地，所述判别网络的训练数据标签包括：
23、从轨迹数据集中，获取物体运行路径以及物体运行路径上的理想速度曲线；
24、将所述理想速度曲线通过微分计算得到加速度曲线，并转换为制动与节气门开度曲线；
25、根据所述制动与节气门开度曲线，基于预先构建的高精度仿真系统，进行仿真，生成参考运动轨迹；
26、将所述参考运动轨迹的标签设置为0，所述参考轨迹生成网络生成的参考轨迹的标签设置为1，形成包含正负样本的训练数据标签。
27、进一步地，根据所述判别网络，利用对抗训练方法对所述参考轨迹生成网络进行预先训练；其中，所述参考轨迹生成网络的预先训练方法，包括：
28、重复以下步骤，直至达到预先设定的最大对抗训练次数：
29、从轨迹数据集中随机选取k个样本，所述样本包含物体运动路径和物体运行路径上的理想速度曲线；
30、根据所述样本获得轨迹位置点序列，输入所述判别网络，得到k个真实样本判别结果；
31、根据所述样本获得路径中线参考点序列，将物体运行路径上的理想速度曲线和路径中线参考点序列和输入所述参考轨迹生成网络，得到k个生成样本判别结果；
32、根据k个真实样本判别结果，进行计算，得到关于所述判别网络参数的梯度；
33、根据所述判别网络参数的梯度，利用随机梯度上升对判别网络参数进行m次更新；
34、根据k个生成样本判别结果，进行计算，得到关于所述参考轨迹生成网络参数的梯度；
35、根据所述参考轨迹生成网络参数的梯度，保持判别网络参数不变，利用随机梯度上升对所述参考轨迹生成网络参数进行更新，获得预先训练好的参考轨迹生成网络。
36、进一步地，将关于所述判别网络参数的梯度表示为：
37、（1）；
38、式中，表示判别网络参数，为偏导数符号，k表示真实样本判别结果的总数，表示判别网络包含判别网络参数时处理第k个真实样本的输出，表示参考轨迹生成网络根据第k个生成样本的运行路径与运行路径上的理想速度曲线生成的参考轨迹，表示参考轨迹生成网络参数，log表示对数函数。
39、进一步地，将所述参考轨迹生成网络参数的梯度表示为：
40、（2）；
41、式中，表示参考轨迹生成网络参数，为偏导数符号，k表示真实样本判别结果的总数，表示参考轨迹生成网络根据第k个生成样本的运行路径与运行路径上的理想速度曲线生成的参考轨迹，表示判别网络参数。
42、进一步地，将所述参考轨迹输入预先训练好的不确定性量化网络，对轨迹跟踪误差的不确定性进行量化，输出待跟踪物体相本文档来自技高网...
【技术保护点】
1.一种基于深度神经网络的轨迹跟踪误差不确定性量化方法，其特征在于，包括：
2.根据权利要求1所述的基于深度神经网络的轨迹跟踪误差不确定性量化方法，其特征在于，所述根据理想速度曲线和路径中线参考点序列，基于预先训练的参考轨迹生成网络，依次生成N个轨迹位置点序列，得到参考轨迹，包括：
3.根据权利要求2所述的基于深度神经网络的轨迹跟踪误差不确定性量化方法，其特征在于，在将全连接向量和理想速度曲线的起始位置，输入基于门控循环单元构建的第三循环神经网络，依次生成N个轨迹位置点序列之后，还包括：
4.根据权利要求3所述的基于深度神经网络的轨迹跟踪误差不确定性量化方法，其特征在于，所述判别网络包括：
5.根据权利要求4所述的基于深度神经网络的轨迹跟踪误差不确定性量化方法，其特征在于，所述判别网络的训练数据标签包括：
6.根据权利要求5所述的基于深度神经网络的轨迹跟踪误差不确定性量化方法，其特征在于，根据所述判别网络，利用对抗训练方法对所述参考轨迹生成网络进行预先训练；其中，所述参考轨迹生成网络的预先训练方法，包括：
7
8.根据权利要求6所述的基于深度神经网络的轨迹跟踪误差不确定性量化方法，其特征在于，
9.根据权利要求1所述的基于深度神经网络的轨迹跟踪误差不确定性量化方法，其特征在于，将所述参考轨迹输入预先训练好的不确定性量化网络，对轨迹跟踪误差的不确定性进行量化，输出待跟踪物体相对于参考轨迹运动的轨迹误差概率分布，包括：
10.根据权利要求1所述的基于深度神经网络的轨迹跟踪误差不确定性量化方法，其特征在于，在将所述参考轨迹输入预先训练好的不确定性量化网络之前，利用不确定性量化网络的损失函数，通过监督学习训练并获得不确定性量化网络的参数，使得不确定性量化网络准确量化不确定性，其中，将所述不确定性量化网络的损失函数表示为：
...【技术特征摘要】
1.一种基于深度神经网络的轨迹跟踪误差不确定性量化方法，其特征在于，包括：
2.根据权利要求1所述的基于深度神经网络的轨迹跟踪误差不确定性量化方法，其特征在于，所述根据理想速度曲线和路径中线参考点序列，基于预先训练的参考轨迹生成网络，依次生成n个轨迹位置点序列，得到参考轨迹，包括：
3.根据权利要求2所述的基于深度神经网络的轨迹跟踪误差不确定性量化方法，其特征在于，在将全连接向量和理想速度曲线的起始位置，输入基于门控循环单元构建的第三循环神经网络，依次生成n个轨迹位置点序列之后，还包括：
4.根据权利要求3所述的基于深度神经网络的轨迹跟踪误差不确定性量化方法，其特征在于，所述判别网络包括：
5.根据权利要求4所述的基于深度神经网络的轨迹跟踪误差不确定性量化方法，其特征在于，所述判别网络的训练数据标签包括：
6.根据权利要求5所述的基于深度神经网络的轨迹跟踪误差不确定性量化方法，其特征在于，根据所述判别网络，利用...
【专利技术属性】
技术研发人员：张天慈，陈俊，丛玮，王崴崴，徐晓美，万茂松，赵奉奎，
申请(专利权)人：南京林业大学，
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。