【技术实现步骤摘要】
本专利技术涉及一种基于智能驾驶的车辆轨迹预测方法，属于智能驾驶领域。
技术介绍
1、随着信息化和智能化的飞速发展，人工智能在汽车行业的应用和实现得到青睐，促使车辆智能化水平获得显著提升，学者们纷纷开始致力于汽车智能化的进一步发展。
2、预测车辆轨迹对智能驾驶来说是必不可少的，轨迹预测直接影响汽车的架势行为。为了安全运行，汽车的安全系统必须能够预测在不久的将来车辆周围环境会发生什么，并实施提前计划。如果车辆的预计轨迹可用，系统可以驾驶做出决定，及时体型危险以避免或警告潜在的碰撞，从而实现更安全、更高效的驾驶作业，因此，准确的轨迹预测是汽车安全驾驶的关键。
技术实现思路
1、本专利技术设计开发了一种基于智能驾驶的车辆轨迹预测方法，通过构建三通道网络模型，能够同时提取车辆之间的交互状态信息、车道线信息以及目标车辆的轨迹信息进行联合预测，提高车辆以及的预测精度和驾驶安全性。
2、本专利技术提供的技术方案为：
3、一种基于智能驾驶的车辆轨迹预测方法，包括：
4、步骤一、构建三通道神经网络模型，基于长短期记忆网络提取车辆轨迹信息特征；
5、步骤二、通过图神经网络提取不同车辆之间的交互特征，并通过卷积神经网络提取车道结构特征；
6、步骤三、对三通道特征向量的权重进行计算，得到目标车辆预测的轨迹。优选的是，采用三通道数据处理方法来预测目标车辆的轨迹，通过gnn提取车辆间交互信息，通过lstm通道提取目标车辆轨迹信息，并基于cn
7、优选的是，所述步骤一包括：
8、通过已知车辆的轨迹来预测未来时间段内车辆的轨迹
9、设定已知车辆的轨迹为：
10、预测轨迹为：
11、将长度为n的历史轨迹数据输入到lstm编码器中，经过各参数更新，得到n个车辆的历史轨迹上下文向量ht-1；
12、
13、通过lstm解码器生成目标车辆期望长度为m的轨迹预测序列：{yt,yt+1,...,yt+m}；
14、式中，为车辆i在t时刻的状态，n为目标车辆的数量，m为预测轨迹的时间长度，n为已知轨迹的时间长度，ht为目标车辆未来轨迹的隐藏向量参数。
15、优选的是，所述步骤二包括：
16、将目标车辆设置为中心节点，中心节点的节点值vt作为长短期记忆网络提取出的目标车辆的特征向量，目标车辆周围的车辆作为边缘节点et作构建图数据结构模型gt＝(vt，et)；
17、车辆间的交互表示为：时；
18、式中，at-k为t-k，k∈{0,1,...,tobs}时刻车辆间空间交互的邻接矩阵。
19、优选的是，所述步骤二中，基于卷积神经网络提取地图特征，通过门限机制中的选择门根据目标车辆在地图中的状态来选择对应的地图特征：
20、
21、式中，m为通过cnn在地图上提取到的地图特征信息，为当前目标车辆在地图上的位置，wz是权重参数，bz为一个偏差，σ为sigmoid函数；
22、目标车辆i在t时刻是否受到地图信息的影响表示为：
23、
24、优选的是，所述步骤三包括：
25、通过预测的轨迹序列与真实的轨迹序列之间的均方根误差来评估不同的车辆轨迹模型，计算未来5s时间内每个预测时间步的均方根误差，评估方式的计算公式为：
26、
27、式中，a为测试集的大小，为目标车辆i在t时刻预测的位置值，为目标车辆i在t时刻的真实值。
28、优选的是，所述长短期记忆网络包括：遗忘门ft、更新门it以及输出门ot；
29、其中，遗忘门ft控制上一时刻的内部状态ct-1需要遗忘多少信息，更新门it控制当前候选状态ct中的作为有效信息，输出门ot选择当前时刻内部状态ct-1的部分信息作为输出信息；
30、ft＝δ(ωf[ht-1,xt]+bf)；
31、it＝δ(ωi[ht-1,xt]+bi)；
32、ct＝f*ct-1+it*tanh(ωc[ht-1,xt]+bc)；
33、ht＝ot*tanh(ct)；
34、ot＝δ(ωo[ht-1,xt]+bo)；
35、式中，δ为sigmoid函数，ct-1和ct为记忆细胞状态，ht-1为t-1时刻的隐藏状态，xt为t时刻的步输入，[ht-1,xt]为将lstm网络t-1时刻的隐藏层状态ht-1与xt进行拼接，ωf、ωi、ωc、ωo均为网络自学习权重矩阵，bf、bi、bc、bo均为网络偏置项。
36、本专利技术所述的有益效果：本专利技术提供的基于智能驾驶的车辆轨迹预测方法，通过构建三通道网络模型，能够同时提取车辆之间的交互状态信息、车道线信息以及目标车辆的轨迹信息进行联合预测，使车辆能够在不同的道路环境下自适应调整权重，有效提升不同场景下轨迹预测的精度，进一步提升汽车在不同场景下的感知能力，提高驾驶的安全性。
本文档来自技高网...【技术保护点】
1.一种基于智能驾驶的车辆轨迹预测方法，其特征在于，包括：
2.根据权利要求1所述的智能驾驶的车辆轨迹预测方法，其特征在于，所述步骤一包括：
3.根据权利要求2所述的智能驾驶的车辆轨迹预测方法，其特征在于，所述步骤二包括：
4.根据权利要求3所述的智能驾驶的车辆轨迹预测方法，其特征在于，所述步骤二中，基于卷积神经网络提取地图特征，通过门限机制中的选择门根据目标车辆在地图中的状态来选择对应的地图特征：
5.根据权利要求4所述的智能驾驶的车辆轨迹预测方法，其特征在于，所述长短期记忆网络包括：遗忘门ft、更新门it以及输出门ot；
【技术特征摘要】
1.一种基于智能驾驶的车辆轨迹预测方法，其特征在于，包括：
2.根据权利要求1所述的智能驾驶的车辆轨迹预测方法，其特征在于，所述步骤一包括：
3.根据权利要求2所述的智能驾驶的车辆轨迹预测方法，其特征在于，所述步骤二包括：
4.根据权利要求3所述的智能驾...
【专利技术属性】
技术研发人员：罗宇婷，石文，段敏，刘奎良，
申请(专利权)人：毫末智行科技有限公司，
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。