【技术实现步骤摘要】
本专利技术属于自动驾驶，涉及一种基于交互感知和地图自适应的车辆轨迹预测方法。
技术介绍
1、自动驾驶技术旨在实现车辆的自主行驶，通常包括感知、定位、规划、决策和控制等功能模块。感知模块通过摄像头、激光雷达、雷达等传感器收集环境信息，定位模块结合gps和惯性测量单元提供车辆的精确位置，规划模块则根据当前环境和目标位置生成可行的行驶路径，控制模块执行规划结果，操作车辆的转向、加速和制动等动作。在自动驾驶系统中，轨迹预测作为连接感知与决策的关键模块，发挥着承上启下的作用。通过对传感器收集的环境信息进行高级抽象和理解，使车辆在决策时准确地评估潜在风险，做出安全高效的决策，确保自动驾驶车辆能在拥挤的城市街道或高速公路上安全行驶。
2、车辆轨迹预测方法主要分为基于物理模型的方法和基于数据驱动的方法。基于物理模型的方法通常使用车辆的速度、加速度和方向等物理特征，结合运动学模型进行预测。这种方法简单直接，计算量较小，但难以处理复杂交互行为和场景变化。随着深度学习的快速发展，基于数据驱动的方法已成为主流。这类方法利用大量历史轨迹数据，通过机器学习或深度学习模型学习目标的行为模式，从而实现轨迹预测。常见的模型包括循环神经网络、长短期记忆网络、图卷积网络和注意力模型。这些方法可以在多智能体、多场景交互中实现更准确的轨迹预测，尤其适用于复杂的交通环境。
3、然而，在实际中，当预测车辆轨迹时，通常需要考虑多种因素，如车辆间复杂的交互、动态的道路状况等。在现实场景中，车辆轨迹预测中的关键挑战在于准确预测周围车辆的行为以及理解场景上下
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种基于交互感知和地图自适应的车辆轨迹预测方法。该方法通过传感器收集并处理车辆的历史轨迹和地图信息，利用transformer编码器和vision transformer模型对车辆间交互关系及地图信息进行建模，并基于这些信息预测车辆的未来轨迹。
2、为达到上述目的，本专利技术提供如下技术方案：
3、一种基于交互感知和地图自适应的车辆轨迹预测方法，该预测方法包括以下步骤：
4、s1：收集车辆历史轨迹数据和地理语义信息，并对收集的历史轨迹数据和地理语义信息进行预处理；
5、s2：采用transformer编码器对车辆间的交互进行建模，生成嵌入向量，并通过多头自注意力机制和残差连接处理输入序列，捕捉车辆特征；
6、s3：采用多分辨率地图编码模块与vision transformer，分割地图图像块并编码地图特征，结合位置编码处理地图信息，生成全局与局部嵌入；
7、s4：基于上下文信息和联合分布估计未来轨迹，结合车辆历史状态、交互特征与地图信息，使用transformer解码器计算预测概率分布，并生成最终轨迹预测。
8、进一步，在步骤s1中，通过传感器和车载系统收集车辆的历史轨迹数据和地理语义信息，历史轨迹数据包括车辆位置信息、速度、加速度；地理语义信息包括目标区域的道路网络、地形地貌、建筑物与地标；
9、将历史轨迹数据以及地理语义信息数据整理为序列数据形式，并基于自车在全局坐标系中的位置信息、周边交通参与者在各自局部坐标系中的定位信息，将周边交通参与者的位置信息统一映射至全局坐标系中；
10、再对采集的历史轨迹数据和地理语义信息进行预处理，其中，预处理包括：去除噪声、标准化处理、插值操作。
11、进一步，在步骤s2中，包括以下步骤：
12、s21、利用transformer编码器对车辆之间的交互进行建模，生成每辆车的历史轨迹嵌入向量；其中，通过transformer编码器建模车辆之间的交互，获得历史轨迹序列：
13、
14、其中，a表示车辆总数，τ是时间步长；每辆车的状态附加上索引信息ia，随后通过线性层转换得到dm维度的嵌入向量，嵌入向量重新组织为一个历史轨迹嵌入向量
15、
16、
17、其中，e1(t),e2(t),...,ea(t)表示每辆车编码后的信息，表示拼接操作，linear表示线性连接；
18、s22、将历史轨迹嵌入向量与学习的位置编码结合；其中，学习的位置编码是指通过训练得到一组能够为每个时间步的车辆状态提供额外的时序信息的位置向量；历史轨迹嵌入向量与位置编码的结合过程为将历史嵌入与学习的位置编码pe按照时间步拼接，从而得到一个具有时序信息和车辆信息的联合表示h，并将其传递至一个transformer模块；
19、
20、
21、
22、
23、其中，pos为位置信息，ξ为维数，ξtotal为输入嵌入的总维数；ht1,ht2,...,hta为车辆特征；
24、s23、在transformer模块中，输入序列经过多头自注意力机制和全连接前馈网络处理，捕捉车辆特征；
25、s24、采用多头自注意力机制增强对复杂交互关系的建模，其中，采用多头自注意力机制将来自不同特征子空间的信息进行聚合，此过程进行λ次，使用全连接层将每个注意力头的输出合并，形成最终的多头注意力输出φs：
26、
27、其中，wo是一个可学习的权重矩阵；表示每次计算得到的注意力全权重，concat(·)表示拼接操作。
28、进一步，在步骤s23中，transformer编码器包括多个相同的teblock，每个teblock均包括多头自注意力层和全连接前馈网络，每个多头自注意力机制和全连接前馈网络后均连接一个归一化的残差连接；
29、在第一个teblock中，首先在多头自注意力层学习各个时刻下的特征向量：
30、
31、其中，分别为t时刻第i辆车的查询向量、键向量和值向量，表示车辆的特征，wq，wk，wv是三个可学习的权重矩阵；
32、对和进行缩放点积，将车辆i和其周围车辆j之间在空间边的权重上进行归一化处理，并求和得到节点i的单个注意头的注意力权重计算方式为：
33、
34、再将注意力权重输入全连接前馈层，进行非线性处理处理；得到每一个注意力头的输出ai′；进而再通过全连接前馈层后的归一化残差模块进行连接处理后得到最终的注意力输出afinal：
35、
36、其中，layernorm(·)表示层归一化操作。
37、进一步，在步骤s3中，包括以下步骤：
38、s31、使用多分辨率地图编码模块，将地图图像分割成若干图像块；并使用visiontransformer对图像块进行处理，生成地图的本文档来自技高网...
【技术保护点】
1.一种基于交互感知和地图自适应的车辆轨迹预测方法，其特征在于：所述预测方法包括以下步骤：
2.根据权利要求1所述的一种基于交互感知和地图自适应的车辆轨迹预测方法，其特征在于：在步骤S1中，通过传感器和车载系统收集车辆的历史轨迹数据和地理语义信息，历史轨迹数据包括车辆位置信息、速度、加速度；地理语义信息包括目标区域的道路网络、地形地貌、建筑物与地标；
3.根据权利要求1所述的一种基于交互感知和地图自适应的车辆轨迹预测方法，其特征在于：在步骤S2中，包括以下步骤：
4.根据权利要求3所述的一种基于交互感知和地图自适应的车辆轨迹预测方法，其特征在于：在步骤S23中，Transformer编码器包括多个相同的TEBlock，每个TEBlock均包括多头自注意力层和全连接前馈网络，每个多头自注意力机制和全连接前馈网络后均连接一个归一化的残差连接；
5.根据权利要求3所述的一种基于交互感知和地图自适应的车辆轨迹预测方法，其特征在于：在步骤S3中，包括以下步骤：
6.根据权利要求5所述的一种基于交互感知和地图自适应的车辆轨迹预测方法
7.根据权利要求5所述的一种基于交互感知和地图自适应的车辆轨迹预测方法，其特征在于：在步骤S4中，包括以下步骤：
8.根据权利要求7所述的一种基于交互感知和地图自适应的车辆轨迹预测方法，其特征在于：在步骤S41中，将车辆交互特征与地图特征进行匹配，通过全连接层对组合后的特征进行处理，形成最终的特征表示，其过程为：
9.根据权利要求8所述的一种基于交互感知和地图自适应的车辆轨迹预测方法，其特征在于：在步骤S42中，根据上下文特征φS和φm计算得到联合分布ZS，每辆车辆使用K个可学习的向量P；
10.根据权利要求9所述的一种基于交互感知和地图自适应的车辆轨迹预测方法，其特征在于：在步骤S43中，在每个时间步中，目标车辆的轨迹预测均以所有其他车辆为条件，然后将输出序列传递给N个前馈层，以生成二元高斯分布的参数，利用最大似然估计寻找使边际数据对数似然最大化的参数θ，利用优化后的参数进行轨迹预测，得到最终的预测结果。
...【技术特征摘要】
1.一种基于交互感知和地图自适应的车辆轨迹预测方法，其特征在于：所述预测方法包括以下步骤：
2.根据权利要求1所述的一种基于交互感知和地图自适应的车辆轨迹预测方法，其特征在于：在步骤s1中，通过传感器和车载系统收集车辆的历史轨迹数据和地理语义信息，历史轨迹数据包括车辆位置信息、速度、加速度；地理语义信息包括目标区域的道路网络、地形地貌、建筑物与地标；
3.根据权利要求1所述的一种基于交互感知和地图自适应的车辆轨迹预测方法，其特征在于：在步骤s2中，包括以下步骤：
4.根据权利要求3所述的一种基于交互感知和地图自适应的车辆轨迹预测方法，其特征在于：在步骤s23中，transformer编码器包括多个相同的teblock，每个teblock均包括多头自注意力层和全连接前馈网络，每个多头自注意力机制和全连接前馈网络后均连接一个归一化的残差连接；
5.根据权利要求3所述的一种基于交互感知和地图自适应的车辆轨迹预测方法，其特征在于：在步骤s3中，包括以下步骤：
6.根据权利要求5所述的一种基于交互感知和地图自适应的车辆轨迹预测方法，其特征在于：...
【专利技术属性】
技术研发人员：崔亚平，潘孟铨，何鹏，吴大鹏，王汝言，
申请(专利权)人：重庆邮电大学，
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。