基于双注意力机制和改进SocialGan的车辆轨迹预测方法与流程

技术特征：
1.基于双注意力机制和改进social gan的车辆轨迹预测方法，其特征在于，构建基于双注意力机制和改进social gan的车辆轨迹预测模型预测目标车辆未来时刻的行驶轨迹；所述基于双注意力机制和改进social gan的车辆轨迹预测模型包括编码层、池化层、驾驶意图预测模块和解码层；所述编码层包括n 1个lstm编码器，1个lstm编码器对目标车辆的输入轨迹特征进行编码，n个lstm编码器对n个周边车辆的输入轨迹特征进行编码；所述池化层包括两个注意力模块和一个改进social gan的池化模块，其中一个注意力模块作用于编码后目标车辆的轨迹特征，对影响目标车辆轨迹的相关变量进行注意力加权，另一个注意力模块作用于编码后周边车辆的轨迹特征，对周边车辆影响目标车辆的重要度进行注意力加权，改进social gan的池化模块用于提取周边车辆的交互特征；所述驾驶意图预测模块用于预测目标车辆下一时间段的横纵向驾驶意图，并通过解码层的lstm解码器解码。2.根据权利要求1所述的基于双注意力机制和改进social gan的车辆轨迹预测方法，其特征在于，所述改进social gan的池化模块用于提取周边车辆的交互特征，具体为：计算目标车辆当前位置与上一时间段的相对位置、相对速度以及每个周边车辆与目标车辆的相对位置、相对速度；目标车辆和周边车辆的相对位置、相对速度由多层感知机独立处理，再使用最大池化提取周边车辆的交互特征。3.根据权利要求1所述的基于双注意力机制和改进social gan的车辆轨迹预测方法，其特征在于，所述驾驶意图预测模块输入的是将注意力加权后目标车辆的轨迹和池化后的周边车辆的轨迹拼接后的完整轨迹。4.根据权利要求3所述的基于双注意力机制和改进social gan的车辆轨迹预测方法，其特征在于，所述驾驶意图预测模块由两组lstm层和softmax层组成，所述lstm层对完整的轨迹进行编码，并使用softmax激活函数进行多分类，得到下一时间段横向驾驶意图和纵向驾驶意图。5.根据权利要求4所述的基于双注意力机制和改进social gan的车辆轨迹预测方法，其特征在于，所述lstm解码器输入的是预测的驾驶意图与完整轨迹拼接形成的带有驾驶意图的轨迹。6.根据权利要求5所述的基于双注意力机制和改进social gan的车辆轨迹预测方法，其特征在于，所述驾驶意图是通过设置轨迹预测时间和加速度阈值确定的。7.根据权利要求1所述的基于双注意力机制和改进social gan的车辆轨迹预测方法，其特征在于，所述目标车辆的轨迹特征包括目标车辆的位置信息、车道信息、速度和加速度信息以及横纵向驾驶意图。8.根据权利要求1所述的基于双注意力机制和改进social gan的车辆轨迹预测方法，其特征在于，所述周边车辆的轨迹特征为周边车辆的位置信息。

技术总结
本发明提供了一种基于双注意力机制和改进Social Gan的车辆轨迹预测方法，将目标车辆及周边车辆的轨迹特征输入车辆轨迹预测模型，预测目标车辆未来时刻的行驶轨迹，所述车辆轨迹预测模型包括编码层、池化层、驾驶意图预测模块和解码层，池化层包括两个注意力模块和一个改进Social Gan的池化模块，一个注意力模块作用于编码后目标车辆的轨迹特征，对影响目标车辆轨迹的相关变量进行注意力加权，另一个注意力模块作用于编码后周边车辆的轨迹特征，对周边车辆影响目标车辆的重要度进行注意力加权，改进Social Gan的池化模块用于提取周边车辆的交互特征。本发明有效提高了预测精度，可以更好的应用于自动驾驶领域。以更好的应用于自动驾驶领域。以更好的应用于自动驾驶领域。


技术研发人员：樊振宇 刘擎超 蔡英凤 王海 陈龙 朱玉全 熊晓夏 梁军 周卫琪 景鹏
受保护的技术使用者：江苏大学
技术研发日：2021.09.07
技术公布日：2022/1/21