一种基于轨迹质量评估的车辆轨迹预测方法
本发明属于车联网,更为具体地讲,涉及一种面向车联网场景的车辆轨迹预测方法。
背景技术:
1、在信息化的时代背景下,现代车联网用户的规模已经达到数亿级别。车联网环境下的车辆轨迹预测技术,能够有效解决自动驾驶系统在应对道路变化、保障行驶安全与舒适性方面不足的问题。根据道路环境信息,以及车辆、行人等智能体的历史轨迹信息,能够对车辆轨迹进行精确预测,从而支持自动驾驶系统规划最优轨迹。
2、车辆轨迹预测是智能交通系统和自动驾驶技术的核心技术之一,准确的轨迹预测对于路径规划、碰撞避免和交通流优化具有重要意义。现有的车辆轨迹预测方法主要分为:1)基于物理模型的方法:这类方法利用车辆动力学模型建立轨迹预测模型,如卡尔曼滤波、粒子滤波等,虽然具有良好的可解释性,但难以处理复杂的交通场景和驾驶行为。2)基于机器学习的方法:包括支持向量机、随机森林等传统机器学习方法,以及近年来兴起的深度学习方法,如lstm、gru、transformer等。这类方法能够学习复杂的非线性关系,但往往缺乏物理合理性保证。3)基于混合模型的方法:结合物理模型和数据驱动模型的优势,在一定程度上提高了预测精度和物理合理性。然而,现有方法仍存在以下问题:1)预测精度有限,单一模型难以适应不同的驾驶场景,如直行、转弯、停车等,导致预测精度有限;2)物理合理性差:现有深度学习方法往往忽略车辆运动的物理约束,如速度限制、加速度限制等,导致预测结果不合理。
技术实现思路
1、本发明目的在于克服现有技术的不足,针对现有车辆轨迹预测方法准确率不高的问题,提供一种基于轨迹质量评估的车辆轨迹预测方法,以更好的预测车辆未来的轨迹。
2、本发明提供一种基于轨迹质量评估的车辆轨迹预测方法,其特征在于,包括以下步骤:
3、s1:获取目标车辆的历史轨迹数据,提取多维特征;
4、s2:构建多尺度特征神经网络模型,对多维特征进行深度学习,通过门控机制得到融合特征,根据融合特征获得初始预测轨迹集合;
5、s3:构建轨迹质量评估模型,对初始预测轨迹集合评分,得到损失评估分数;
6、s4:对初始预测轨迹集合中的轨迹进行评分判断:如果存在合格的轨迹,则选取损失评估分数最小的一条作为最终预测轨迹;如果不合格,则对初始预测轨迹集合采用双层模拟退火算法迭代优化,选取优化后综合能量评估值最小的一条输出为最终预测轨迹;
7、s5:联合训练多尺度特征提取神经网络及双层模拟退火算法,并保存训练完成的参数;
8、s6:利用训练完成的模型对车辆轨迹进行预测,得到预测轨迹。
9、根据权利要求1所述的方法,其特征在于,步骤s1中,对历史轨迹预处理,提取目标车辆的多维特征,具体方法如下:
10、将目标车辆历史轨迹数据构造成特征矩阵,其中为目标车辆第个时刻多维特征向量;包含位置坐标特征、速度特征、加速度特征和航向角特征;其中,与分别表示第个时刻目标车辆的横坐标值与纵坐标值,和分别表示目标车辆第个时刻横向加速度值与纵向加速度值,表示目标车辆第个时刻的航向角;
11、采用标准归一化方法对每个特征进行标准化处理,处理方法为:
12、
13、其中是原始特征值,和分别表示特征的均值和标准差,为稳定化参数;归一化处理后得到的数据为。
14、根据权利要求1所述的方法,其特征在于,步骤s2中,构建多尺度特征神经网络模型,该模型包含卷积神经网络(convolutional neural networks, cnn)和长短期记忆递归神经网络(long short term memory, lstm),具体结构如下:
15、s201:在cnn中,使用两个并行的、大小不同的卷积核提取特征:其中,短期分支获得张量结构为特征,执行操作为:
16、
17、长期分支获得张量结构为特征,执行操作为:
18、
19、其中为批次大小,为隐藏层特征维度,为序列长度,是非线性激活函数,conv1d是一维卷积操作,表示短期分支的卷积核大小,表示长期分支的卷积核大小;
20、将与拼接,置换和,得到张量结构为输出特征,执行操作为:
21、
22、其中为特征拼接操作,为置换操作;
23、提取特征的最后一帧,并通过层归一化,得到张量结构为的cnn特征,执行操作为:
24、
25、s202:在lstm中,采用两层串联结构,其中第二层lstm网络衔接在第一层lstm的隐藏层,执行操作为:
26、
27、
28、其中,和分别表示第一层lstm和第二层lstm,与分别表示第一层lstm的初始隐藏状态和初始细胞状态,、、与分别表示第一层的输出特征序列、第二层的输出特征序列、第二层lstm的初始隐藏状态和初始细胞状态;
29、提取特征序列的最后一帧,通过层归一化操作,得到张量结构为的lstm特征:
30、
31、s203:通过门控融合机制,得到张量结构为融合特征,具体流程如下:
32、1)对cnn特征和lstm特征分别进行质量评分,得到评估质量分数,操作方法为:
33、
34、
35、其中和分别表示lstm特征和cnn特征的评估质量分数,表示多层感知机,代表函数;
36、2)对cnn特征进行有用性评估,获得有用性评估值,其中计算方法为:
37、
38、其中,为第个批次的cnn输出特征,维度为,;、特征提取参数,为维度得分评估权重矩阵,为评估偏置向量,、为评分映射参数,为列向量权重,为可学习的标量偏置参数;
39、3)采用门控机制对特征进行融合,得到融合特征:
40、计算有用性评估值的平均值,并设置门控变量g,计算方法为:
41、
42、
43、其中τ为门控阈值;
44、当g=0时,判断cnn特征无用,仅保留lstm特征作为融合输出,以抑制噪声干扰,融合特征计算方法为:
45、
46、当g=1时,判断cnn特征为有用,融合特征计算方法为:
47、
48、其中,,分别为第个批次的lstm特征,,、为第个批次的门控融合的动态标量特征权重,且满足,、为第个批次的lstm质量评估得分和cnn质量评估得分,为第个批次的cnn有用性评估值;
49、将批次内所有个样本计算所得的进行行向量堆叠,构建最终的融合特征:
50、
51、s204:基于s203得到的融合特征,通过mlp,将高维特征映射回物理空间的轨迹坐标,生成张量结构为初始预测轨迹集合;第条轨迹,的生成方法如下:
52、
53、其中,为初始预测轨迹的轨迹数量,表示当前时刻的未来第个时刻,为线性变换操作,为扰动系数;和分别为生成第k条初始预测轨迹的所使用的第组生成网络和扰动网络,其操作方法为:
54、
55、
56、其中为生成网络第一层权重矩阵,为生成网络第一层偏置向量,为生成网络第二层权重矩阵,为生成网络第二层偏置向量,为扰动网络权重矩阵,为扰动网络偏置向量。
57、根据权利要求1所述的方法,其特征在于,步骤s3中,构建轨迹质量评估模型,轨迹质量评估模型包含轨迹特征编码器和损失预测器:
58、1)轨迹特征编码器
59、轨迹特征编码器从初始预测轨迹集合中提取每条预测轨迹的轨迹质量特征,使用两层渐进的方式,操作方法为:
60、第一层用大小为的卷积核来提取张量结构为的车辆浅层特征,其,操作方法为:
61、
62、第二层用大小为的卷积核来提取车辆的深层特征,其张量结构为:
63、
64、将压缩与展平,得到张量结构为的轨迹质量特征:
65、
66、其中为在时间维度上的压缩操作,为展平操作,将压缩后的张量重塑为维特征矩阵;
67、2)损失预测器
68、通过轨迹质量特征特征压缩与线性计算,得到每条预测轨迹的损失评估分数,操作方法如下:
69、
70、其中,为特征维度缩减因子,为张量结构为的隐层特征,,分数越低表示轨迹质量越好。
71、根据权利要求1所述的方法,其特征在于,步骤s4中,所述对初始预测轨迹进行判断,具体流程如下:
72、根据s3中的每条预测轨迹的损失评估分数,若存在预测轨迹的小于优化阈值,则判断初始预测轨迹集合合格,直接选取损失评估分数最小的一条作为最终预测轨迹;若不存在预测轨迹的小于优化阈值,则判断初始预测轨迹集合不合格,采用双层模拟退火算法迭代优化。
73、根据权利要求1所述的方法,其特征在于,步骤s4中,所述的双层模拟退火算法,流程如下:
74、s401:计算初始预测轨迹集合中每条轨迹的综合能量评估值,采用表示第条轨迹的综合能量评估值;由平滑性评估、物理约束评估、真实性评估和空间一致性评估加权获得,计算方法如下:
75、
76、其中、、和分别为平滑性评估、物理约束评估、真实性评估和空间一致性评估的权重;
77、平滑性评估,通过计算轨迹的曲率变化获得,计算方法为:
78、
79、其中表示方差计算操作,表示第条轨迹在第个时刻的曲率值;
80、物理约束评估,通过检查轨迹是否满足车辆动力学约束而获得,计算方法为:
81、
82、
83、
84、其中和分别为第个时刻速度惩罚值和加速度惩罚值,和分别为第条轨迹中第个时刻的瞬时速度和瞬时加速度,和分别为速度和加速度的最大值,表示欧几里得范数;
85、真实性评估通过判断是否符合真实驾驶场景而获得,计算方法为:
86、
87、
88、
89、空间一致性评估通过检查相邻时刻速率变化比率的连续性而获得,计算方法为:
90、
91、
92、
93、其中,为第条轨迹在历史轨迹最后一刻的瞬时速度,为第条轨迹中第时刻速度与时刻速度的变化比率,为第条轨迹中第时刻速度与第时刻速度的变化比率,为速度变化比率差值的阈值;
94、s402:执行外层退火优化
95、将s204中生成的初步预测轨迹集合输入外层状态空间;外层状态空间设置为张量结构为的场景化多模态初始预测轨迹集合,其中为预测轨迹对应的驾驶场景;通过航向角变化和侧向位移计算每个场景,具体计算如下:
96、首先,计算第条轨迹的累积航向角变化量、终端横向位移量及平均行驶速率:
97、
98、
99、
100、其中,为第条预测轨迹的起始点航向角,为第条预测轨迹的终点航向角,为点到曲线的最短欧几里得距离,为第条预测轨迹的终点坐标,是地图提供的车道中心线,为第条预测轨迹中第时刻的瞬时速度;
101、计算增强轨迹序列,其中,为历史轨迹序列的最后一个时刻的坐标特征,为虚拟坐标特征,;
102、计算平均曲率:
103、
104、
105、其中,和分别表示在增强序列中指向第时刻的点和从第时刻的点离开的向量;
106、驾驶场景分为左转、右转、掉头、左变道、右变道、直行、停走、弯道;轨迹驾驶场景计算方法如下:
107、
108、其中,为传感器噪声设定的静止阈值,为判定掉头行为的角度下限的掉头阈值,为基于直行车辆航向角波动统计的转向阈值,为基于标准车道宽度的变道阈值, 为判断转弯行为的曲率阈值;
109、其次,执行外层退火优化:随机选择多模态初始预测轨迹集合中的一条轨迹作为当前状态轨迹,设定退火率为,最大迭代次数为,在第次迭代步骤中,基于当前的退火温度,从多模态集合中随机选取另一条不同于当前状态的轨迹作为新选状态,计算两个状态的综合能量差,其中为选定的状态轨迹的综合能量评估值,为选定的状态轨迹的综合能量评估值;若,说明新轨迹更优,接受替换;若,则根据metropolis准则以一定概率接受差解;
110、轨迹切换概率的计算方法如下:
111、
112、其中为设定的metropolis准则接受概率;
113、执行降温操作,更新迭代下一轮迭代的温度,计算方法如下:
114、
115、其中,为当前轮次温度,为下一轮温度;
116、s403:执行内层退火优化
117、在选定外层场景状态的基础上,根据当前的退火温度,在上叠加服从高斯分布的随机噪声,生成新的预测轨迹,计算方法为:
118、
119、
120、
121、其中,为服从均值为0、方差为的高斯分布的随机扰动项,为基于场景预设的基础扰动尺度;和分别为初始温度和最低温度;
122、设置基础扰动尺度为:
123、
124、其中,为驾驶场景为掉头的基础扰动值,为驾驶场景为左变道和右变道的基础扰动值,为驾驶场景为左转弯、右转弯和弯道的基础扰动值,为驾驶场景为停走的基础扰动值,为驾驶场景为直行的基础扰动值;
125、s404:迭代优化
126、直到当前温度低于最低温度或达到最大退火轮次之前,初始预测轨迹集合一直使用双层模拟退火优化,反复执行s401至s403步骤,最终选择综合能量评估值最小的一条轨迹最为最终预测轨迹。
127、根据权利要求1所述的方法,其特征在于,步骤s5,对网络进行联合训练、调优,具体步骤如下:
128、s501:将预处理后的轨迹数据划分为训练集和验证集,转换为张量格式;并对多尺度神经网络、轨迹质量评估模型以及双层模拟退火算法的参数进行初始化;
129、s502:将历史轨迹序列输入多尺度特征神经网络模型,首先通过多尺度特征神经网络模型初始预测轨迹;随后在训练的前向传播过程中,嵌入双层模拟退火算法;
130、s503:计算优化后的预测轨迹与真实轨迹之间的损失函数;并根据当前训练阶段动态调整退火优化的强度权重;
131、s504:重复执行步骤s502至s503,直至损失函数数值下降并趋于稳定,且轨迹预测准确率上升并趋于稳定,停止训练并保存最终的模型参数。
132、7、根据权利要求1所述的方法,其特征在于,步骤s503中,损失函数的表达式为:
133、
134、其中,为主要损失函数,为辅助损失函数,为平滑损失函数;为最终预测轨迹,为真实轨迹,为主要损失函数的权重,为辅助损失函数的权重,为平滑损失函数的权重,为预测轨迹在第个时刻的轨迹坐标,为真实轨迹在第个时刻的轨迹坐标;
135、主要损失函数表达式为:
136、
137、其中,为主损失函数的阈值参数;
138、辅助损失函表达式为:
139、
140、平滑约束函数表达式为:
141、
142、
143、
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com