基于多注意力融合与图结构建模的车辆轨迹预测方法及系统与流程

本发明属于但不限于自动驾驶轨迹预测，尤其涉及基于多注意力融合与图结构建模的车辆轨迹预测方法及系统。

背景技术：

1、随着汽车保有量的持续增长及自动驾驶技术的快速迭代，车辆轨迹预测已成为智能交通系统中的核心研究课题之一。其核心目标是基于车辆历史运动数据及当前环境状态，精准推断未来一段时间内的运动轨迹（包括位置、速度、加速度等关键参数），该技术的性能直接关系到交通安全与交通效率，在自动驾驶场景中，可靠的轨迹预测能帮助车辆提前规避碰撞风险；在交通管理场景中，可通过预测交通流演化优化信号配时，缓解道路拥堵。当前，车辆轨迹预测技术已广泛应用于自动驾驶决策控制、路侧智能感知、高精度地图更新等关键环节，是推动车路协同与智慧交通发展的重要基石。

2、为实现精准的轨迹预测，业界已发展出多类技术方案，总体可分为传统方法与深度学习方法两大流派。早期的传统方法主要包括基于物理模型和基于统计模型的两类方案：基于物理模型的方法通过建立车辆动力学方程（如牛顿运动定律），结合卡尔曼滤波、粒子滤波等算法进行状态估计，该类方法依赖明确的物理先验，但在复杂交通交互场景下鲁棒性不足；基于统计模型的方法（如arima、隐马尔可夫模型）则通过挖掘历史数据的统计规律进行预测，虽能适应一定的非线性场景，但泛化能力受限于数据分布，难以应对突发交通事件。

3、随着深度学习技术的发展，基于数据驱动的方法逐渐成为轨迹预测的主流，其中以循环神经网络（rnn）、长短期记忆网络（lstm）及图神经网络（gnn）为代表的模型表现突出。lstm及其变体因具备时序依赖捕获能力，被广泛用于提取车辆历史运动的时间特征，能够有效建模车辆的加速、减速等连续运动趋势；图卷积网络（gcn）、图注意力网络（gat）等图模型则通过将车辆抽象为节点、车辆间关系抽象为边，实现了对车辆空间交互关系的建模，适用于多车协同场景下的轨迹预测。为兼顾时空特征，部分研究尝试将lstm与gcn结合，形成“时序编码+空间编码”的混合架构，试图同时捕获时间维度与空间维度的特征。

4、尽管现有技术已取得一定进展，但在复杂动态的实际交通环境（尤其是高速公路多车交互场景）中，仍存在诸多亟待解决的技术缺陷，具体表现为以下四个方面：

5、（1）kinematic特征融合粗糙：车辆的运动状态由位置、速度、加速度等kinematic特征共同决定，但传统方法往往将这些特征视为同质输入直接拼接或简单加权，未考虑不同场景下特征重要性的动态差异。例如，在超车场景中，加速度特征直接反映车辆的超车意图与动力性能，是决定轨迹的核心因素；而在跟车场景中，速度稳定性及与前车的速度差对轨迹的影响更为关键。这种“一刀切”的融合方式导致模型无法自适应调整特征权重，降低了不同场景下的预测精度。

6、（2）车辆交互建模静态：车辆间的交互关系是动态变化的，但现有方法大多依赖固定规则建模该关系，或采用预设的距离阈值（如仅考虑50米内的车辆）判断交互与否，或采用静态边权重描述车辆间关系，无法适应交通场景的动态演变。在突发减速、邻车道车辆快速切入、多车连续变道等场景下，固定规则难以实时更新车辆间的交互强度与优先级，易导致交互关系误判，进而影响轨迹预测的可靠性。

7、（3）时空依赖建模割裂：车辆轨迹本质是“时序运动趋势”与“空间交互影响”耦合作用的结果——车辆的未来运动既受自身历史运动状态的约束（如匀速行驶的惯性），又受周边车辆交互行为的影响（如前车减速导致的跟车减速）。但现有技术往往将两者割裂处理：单独使用lstm仅能捕获时序特征，无法建模多车空间交互；单独使用gcn仅能提取空间关系，难以捕捉车辆运动的时间连续性；即使是简单的混合模型，也多为特征层面的拼接，未实现时空特征的深度协同，无法有效建模两者的耦合依赖关系。

8、（4）预测一致性不足：位置、速度、加速度之间存在明确的物理关联（位置是速度的积分，速度是加速度的积分），但现有方法多将三者作为独立目标分别预测，未在模型设计中强化这种物理约束。这导致预测结果常出现kinematic维度矛盾，例如速度预测值为0时，位置却持续偏移；或加速度为负时，速度仍保持增长，此类矛盾严重降低了轨迹预测的可信度，无法满足自动驾驶等场景的实际需求。

9、鉴于上述分析，现有技术存在的急需解决的技术问题为：如何构建一种能够自适应调整kinematic特征权重、动态建模车辆交互关系、协同捕获时空耦合依赖，并保证多维度预测结果物理一致性的车辆轨迹预测方法，以提升复杂交通场景下轨迹预测的精度与可靠性。

技术实现思路

1、针对现有技术存在的问题，本发明提供了基于多注意力融合与图结构建模的车辆轨迹预测方法及系统，尤其适用于高速公路等复杂动态交通场景下的高精度车辆轨迹预测任务，为自动驾驶决策、交通流管控及碰撞风险预警提供核心技术支撑。

2、本发明是这样实现的，一种基于多注意力融合与图结构建模的车辆轨迹预测方法，包括以下步骤：

3、s1，历史轨迹数据采集与预处理：

4、步骤1.1，选择含高速公路真实驾驶场景的公开数据集，按“历史观测3秒+未来预测5秒”划分数据片段，经0.2s步长下采样得到15个历史时序帧和25个未来时序帧，采集车辆的位置、速度、加速度及车辆id信息；

5、步骤1.2，基于物理约束剔除异常值，采用min-max归一化将各特征映射至[0,1]区间，定义包含目标车辆与周边车辆的6维运动状态向量构成的历史轨迹集合；

6、s2，lstm-注意力时序编码器：

7、步骤2.1，构建3个并行的双向lstm子编码器，分别处理位置、速度、加速度特征，输出各特征的隐藏状态序列和全局时序特征；

8、步骤2.2，通过3个独立线性层将3类全局时序特征投影至同一中间特征空间；

9、步骤2.3，将对齐后的特征拼接为融合向量，通过加性注意力计算各类特征的归一化权重，加权求和得到目标车辆及周边车辆的时序特征；

10、s3，交互边编码器：

11、步骤3.1，计算目标车辆与周边车辆的欧氏距离，结合前向、后向交互阈值及横向车道宽度条件，确定交互车辆集合；

12、步骤3.2，计算相对角度并映射至8个方向扇区进行one-hot编码，计算速度差及欧氏距离作为交互特征；

13、步骤3.3，通过独立线性层将方向、速度差、距离特征转换为同一维度，求和得到动态交互边特征；

14、s4，cbow模型启发的上下文特征融合：

15、步骤4.1，通过线性投影与relu激活将交互车辆及时序特征投影至中间特征空间；

16、步骤4.2，通过点积计算特征相似度，经softmax得到归一化注意力权重；

17、步骤4.3，加权聚合交互车辆时序特征得到上下文交互特征，与目标车辆自身时序特征相加实现融合；

18、s5，gat编码器：

19、步骤5.1，构建以目标车辆和交互车辆为节点、交互关系为边的有向图；

20、步骤5.2，通过共享权重矩阵将节点融合特征和边特征投影至同一latent空间；

21、步骤5.3，拼接节点与边特征，通过多头图注意力计算交互权重，聚合邻居特征并平均融合多头部输出，得到“时序运动+空间交互”融合特征；

22、s6，多任务transformer解码器：

23、步骤6.1，对gat输出特征进行层归一化，通过3个独立权重矩阵投影至位置、速度、加速度预测特征空间；

24、步骤6.2，采用“粗粒度趋势预测+细粒度自回归修正”的分层解码策略，训练时采用随机掩码策略增强泛化性；

25、步骤6.3，定义位置、速度、加速度的mse损失，通过加权求和得到总损失函数，联合优化保证kinematic维度一致性；

26、步骤6.4，输出目标车辆未来5秒的位置、速度、加速度完整轨迹；

27、s7，模型训练与参数优化：基于预设硬件环境、软件框架及超参数训练模型，优化交互距离阈值、特征维度、注意力头数等关键参数。

28、进一步，步骤1.1中所述公开数据集为cqskyeyex数据集，数据采样频率为25hz，历史观测时长对应的时序帧数为15帧，未来预测时长对应的时序帧数为25帧，时间分辨率δt=0.2s。

29、进一步，步骤1.2中所述异常值剔除的具体条件为：剔除|ax|>5m/s2或|aᵧ|>3m/s2的加速度异常点，剔除vx>35m/s的速度异常点，剔除超出道路边界的位置异常点，所述道路边界基于车道宽度3.75m确定。

30、进一步，步骤2.1中所述lstm子编码器的层数为2，dropout概率为0.2，位置编码器输入维度为[15,2]，速度与加速度编码器输入维度均为[15,2]，隐藏层维度d=128。

31、进一步，步骤2.3中所述归一化权重通过softmax函数计算，满足αp+αᵥ+αa=1，其中αp为位置特征权重、αᵥ为速度特征权重、αa为加速度特征权重，超车场景中αa数值更大，跟车场景中αᵥ数值更大。

32、进一步，步骤3.1中所述前向交互阈值d_front=100m，后向交互阈值d_rear=60m，横向交互判定条件为|yᵢ-y0|≤3.75m，其中yᵢ为周边车辆y轴坐标，y0为目标车辆y轴坐标；

33、步骤3.2中所述8个方向扇区的角度范围分别为：前（f）[-π/12,π/12]、前右（fr）(π/12,5π/12]、右（r）(5π/12,7π/12]、后右（rr）(7π/12,11π/12]、后（r）(11π/12,π]∪[-π,-11π/12]、后左（rl）(-11π/12,-7π/12]、左（l）(-7π/12,-5π/12]、前左（fl）(-5π/12,-π/12)，各方向扇区对应8维one-hot编码。

34、进一步，步骤4.1中所述relu激活函数满足relu(x)=max(0,x)，步骤4.2中所述注意力权重βᵢ满足0≤βᵢ≤1且σβᵢ=1，其中i为交互车辆索引。

35、进一步，步骤5.3中所述gat的注意力头数k_head=4，latent空间维度f=256，单头注意力计算中采用leakyrelu激活函数（负斜率=0.2）和sigmoid激活函数，多头输出通过平均融合得到最终节点特征。

36、进一步，步骤6.2中所述粗粒度预测的transformer编码器层数为2，注意力头数为8，feedforward维度为512，dropout=0.2；所述随机掩码策略为训练时随机掩码30%的历史修正值，仅对未掩码帧计算损失；

37、步骤6.3中所述总损失函数为：

38、

39、其中为位置mse损失、为速度mse损失、为加速度mse损失，、、为权重平衡参数。

40、本发明的另一目的在于提供一种基于多注意力融合与图结构建模的车辆轨迹预测系统，包括：

41、数据采集与预处理模块，用于选择含高速公路真实驾驶场景的公开数据集，按“历史观测3秒+未来预测5秒”划分数据片段并下采样，采集车辆位置、速度、加速度及车辆id信息，基于物理约束剔除异常值，通过min-max归一化处理特征并定义历史轨迹集合；

42、lstm-注意力时序编码模块，用于构建3个并行双向lstm子编码器提取各运动特征的时序特征，通过线性层实现跨模态特征对齐，采用加性注意力计算特征权重并融合得到目标车辆及周边车辆的时序特征；

43、交互边编码模块，用于计算目标车辆与周边车辆的欧氏距离并确定交互车辆集合，编码方向、速度差、距离等交互特征，通过线性层转换并融合得到动态交互边特征；

44、cbow上下文融合模块，用于对交互车辆时序特征进行线性投影与激活，通过点积注意力计算权重，聚合上下文特征并与目标车辆自身特征融合；

45、gat编码模块，用于构建交通交互有向图，将节点与边特征投影至同一latent空间，通过多头图注意力聚合邻居特征，输出“时序运动+空间交互”融合特征；

46、多任务transformer解码模块，用于对融合特征进行层归一化与任务投影，采用“粗粒度+细粒度”分层解码策略，通过多任务损失函数优化，输出目标车辆未来5秒的位置、速度、加速度完整轨迹；

47、模型训练优化模块，用于基于预设硬件环境、软件框架及超参数训练模型，优化交互距离阈值、特征维度、注意力头数等关键参数，确保模型预测精度与稳定性。

48、结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的显著的进步和预料不到的技术效果为：

49、本发明具体涉及高速公路场景下的短期（未来5秒）车辆轨迹预测方法。通过融合车辆多维度运动特征（位置、速度、加速度）的时序动态与车辆间动态交互关系，实现对目标车辆未来位置、速度、加速度的精准预测，为自动驾驶系统的路径规划、碰撞风险评估及协同驾驶提供关键决策依据。

50、（1）实现kinematic特征的场景自适应融合，提升不同交通场景下的特征表征精度；

51、（2）构建动态交互边编码，精准刻画车辆间方向、距离、速度差的交互影响；

52、（3）融合lstm与gat实现时空依赖协同建模，同时捕获时序运动规律与空间交互动态；

53、（4）通过多任务学习保证kinematic维度预测一致性，降低长时预测误差。

54、本发明所要保护的车辆轨迹预测方法相较于传统仅依赖单一历史位置序列或简单邻车距离建模的方法，具有显著的技术进步和预料不到的技术效果。首先，本发明在历史轨迹数据中同时引入位置、速度、加速度及车辆id等信息，并通过物理约束异常值剔除和归一化处理，使输入数据既保持运动学一致性，又降低了噪声对预测结果的干扰，为后续模型提供了稳定可靠的数据基础。

55、本发明采用3个并行的双向lstm子编码器分别处理位置、速度和加速度特征，并通过加性注意力自适应分配不同运动特征的权重。该设计并非简单拼接多源特征，而是能够根据不同驾驶场景自动突出关键运动信息。例如在急加速、减速或换道前兆场景中，速度和加速度特征可获得更高关注度，从而提升模型对车辆运动趋势变化的捕捉能力，获得优于单一时序编码的预测效果。

56、本发明通过交互边编码器将目标车辆与周边车辆之间的距离、相对方向和速度差转化为动态交互边特征，并进一步构建有向图结构，使车辆间的空间交互关系能够被显式建模。该方式突破了传统网格化邻域或固定邻车筛选方式对交互关系表达不足的问题，能够更准确地区分前车、后车、相邻车道车辆对目标车辆未来轨迹的不同影响。

57、本发明引入cbow模型启发的上下文特征融合机制，通过注意力权重聚合交互车辆时序特征，使目标车辆自身运动状态与周围交通上下文实现深度融合。该机制能够在复杂交通场景下自动识别对目标车辆轨迹影响较大的邻车，避免无关车辆特征干扰，提高模型对密集车流、跟驰、并线等场景的适应能力。

58、本发明利用融合边特征的多头图注意力网络进行空间交互编码，并结合多任务transformer解码器同时预测未来位置、速度和加速度，实现“时序运动特征—空间交互特征—多运动量预测”的统一建模。尤其是采用粗粒度趋势预测与细粒度自回归修正相结合的分层解码策略，能够在保证整体轨迹趋势合理的同时修正局部误差，降低长时域预测中的误差累积。

59、本发明不仅提高了车辆未来5秒轨迹预测的准确性、稳定性和泛化能力，而且通过多任务联合优化保持位置、速度、加速度之间的运动学一致性，减少了预测轨迹出现突变、漂移或不符合车辆运动规律的情况。上述效果并非由现有单一lstm、普通注意力机制或传统图神经网络简单叠加即可预期获得，而是由多注意力融合、动态交互边建模、上下文聚合及多任务分层解码协同作用产生，具有突出的实质性特点和显著进步。