一种基于车辆运动信息的轨迹预测方法、系统和存储介质与流程

技术特征：
1.一种基于车辆运动信息的轨迹预测方法，其特征在于：具体包括以下步骤：s1：采集环境车辆的历史数据信息data1；s2：对采集的历史数据信息data1中的无用数据进行剔除后进一步处理，最终形成数据data；s3：构建轨迹预测的深度学习模型，将data放入深度学习模型中进行计算；s4：对data进行深度学习模型中计算的结果进行处理，得到最终的轨迹预测结果。2.根据权利要求1所述的一种基于车辆运动信息的轨迹预测方法，其特征在于：所述s1中采集环境车辆的历史数据data1具体包括以下步骤：s1.1：收集t0时刻环境车辆在地图坐标系下横轴x坐标、y坐标、环境车辆的速度anglee以及环境车辆相对于y轴的角度angle；s1.2：在s1.1的基础上连续收集100个时刻的环境车辆数据，形成环境车辆的历史数据data1；s1.3：对data1中连续100个时刻的环境车辆数据按照时序进行存储。3.根据权利要求2所述的一种基于车辆运动信息的轨迹预测方法，其特征在于：所述s1中采集数据的维度为100*4，所述采集数据的频率为100ms一次。4.根据权利要求1所述的一种基于车辆运动信息的轨迹预测方法，其特征在于：所述s2中对历史数据信息data1的处理具体包括以下步骤：s2.1：对data1进行剔除操作，计算相邻数据之间的欧式距离，如果两者的欧式距离大于20，则将该数据剔除；s2.2：将data1中完成剔除数据操作的剩余数据进行角度转换，转换为弧度，得到数据data2；s2.3：对data2中的数据进行随机截取，截取70个作为最终的数据data。5.根据权利要求1所述的一种基于车辆运动信息的轨迹预测方法，其特征在于：所述s3具体包括以下步骤：s3.1：构建轨迹预测的深度学习模型；s3.2：将s2最终的数据data放入深度学习模型中进行计算，data进入模型后分别进入两个通道，一个通道通过全连接层对历史轨迹特征进行编码后输出；另一个通道通过全连接层对历史轨迹特征进行编码后再接入lstm长短期记忆网络，然后再通过全连接层和激活函数对特征进行进一步编码；最后融合两个通道的结果得出模型回归的结果mr。6.根据权利要求5所述的一种基于车辆运动信息的轨迹预测方法，其特征在于：所述s3.2中模型回归的结果mr的维度为70*4。7.根据权利要求1所述的一种基于车辆运动信息的轨迹预测方法，其特征在于：所述s4中对data进行深度学习模型中计算的结果进行处理具体为将mr进行处理，截取三十个维度的数据为最终的预测结果trajectpoint,trajectpoint的维度为30*4。8.一种基于车辆运动信息的轨迹预测系统，其特征在于：所述系统包括网络接口、存储器和处理器，其中：所述网络接口，用于在与其他外部网元之间进行收发信息过程中，实现信号的接收和发送；所述存储器，用于存储能够在所述处理器上运行的计算机程序指令；
所述处理器，用于在运行所述计算机程序指令时，执行权利要求1
‑
7中任一项所述的一种基于车辆运动信息的轨迹预测方法的步骤。9.一种计算机存储介质，其特征在于：所述计算机存储介质存储有一种基于车辆运动信息的轨迹预测方法，所述一种基于车辆运动信息的轨迹预测方法被至少一个处理器执行时实现权利要求1
‑
7中任一项所述的一种基于车辆运动信息的轨迹预测方法的步骤。

技术总结
本发明公开了一种基于车辆运动信息的轨迹预测方法、系统和存储介质，通过对环境车辆的轨迹数据进行分析，结合LSTM算法提高了对车辆的行驶轨迹预测的准确性,使轨迹预测的结果更加符合车辆的行车常识，从而给自身车辆的自动驾驶系统提供更多的预测信息，提高了无人驾驶的可靠性。驶的可靠性。


技术研发人员：冯偲
受保护的技术使用者：的卢技术有限公司
技术研发日：2021.08.16
技术公布日：2021/12/2