一种考虑持续交互信息的车辆轨迹预测方法

1.本发明属于智能驾驶技术领域，涉及一种车辆轨迹预测方法，更加具体的来讲，涉及一种考虑持续交互信息的车辆轨迹预测方法。


背景技术：

2.随着智能驾驶技术的发展，驾驶安全问题受到国内外学者的广泛关注。为了能在日益复杂的道路交通环境安全高效地行驶，智能汽车不仅需要实时地对周围车辆进行精准定位，而且应该准确地理解并预测出周围车辆的驾驶行为和未来轨迹，这对智能汽车的决策和运动风险评估十分重要。然而，车辆的行驶轨迹不仅受自车历史轨迹的影响，车辆之间的相互作用同样不可忽视，这极大地增加了智能汽车对周围车辆未来轨迹预测的难度。
3.现阶段，越来越多的车辆轨迹预测方法考虑到车辆之间的相互作用，其优点在于将车辆间空间交互信息作为待预测车辆运动的约束条件，限制了车辆预测轨迹的范围，但是，现存的方法对车辆之间交互作用的解释较差，如何显式地对车辆间的空间交互进行建模是预测车辆轨迹的一个挑战。


技术实现要素：

4.为了解决现有方法存在的上述问题，本发明提出了一种考虑持续交互信息的车辆轨迹预测方法。
5.本方法是通过如下技术方案实现的：
6.一种考虑持续交互信息的车辆轨迹预测方法，通过搭建的网络模型充分提取车辆轨迹数据集中的车辆运动信息和车辆间空间交互信息，精确地预测出车辆的未来轨迹，本方法具体步骤如下：
7.步骤一、对车辆轨迹数据集进行处理：
8.首先，按照时间顺序提取车辆轨迹数据集中车辆的位置信息，包括车辆的横纵向位置坐标(x,y)；然后，对提取的车辆位置信息进一步处理，处理步骤包含轨迹数据的提取和邻接矩阵的构建；
9.针对轨迹数据的提取，定义历史观测时域的时间长度为t
obs
，在t
obs
范围内提取到n辆车的位置信息，得到车辆的历史轨迹his：
[0010][0011]
式中，为t时刻车辆的位置信息；
[0012]
定义未来时间长度为t
pred
，获得t
pred
范围内相应的n辆车的真实位置信息，由此得到车辆的未来真实轨迹truth：
[0013][0014]
式中，为t
obs
k时刻车辆的真实位置信息；
[0015]
针对邻接矩阵的构建，利用车辆的历史轨迹his求得每一历史时刻车辆之间的距离，并将其存储至邻接矩阵adj中，adj的表达式为：
[0016][0017]
式中，a
l
,l∈{1,2,
…
,t
obs
}包含了l时刻车辆之间的距离信息，表示了l时刻车辆之间的空间交互信息，a
l
的表达式为：
[0018][0019]
式中，表示l时刻车辆i,j之间的距离；
[0020]
步骤二、设计车辆的轨迹预测模型：
[0021]
车辆的轨迹预测模型包含三个模块：车辆运动信息提取模块、车辆空间交互模块以及车辆轨迹预测模块；
[0022]
车辆运动信息提取模块利用编码器对步骤一中得到的his进行编码，得到编码信息h
enc
：
[0023]henc
＝encoder(his；w
enc
,b
enc
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0024]
式中，为编码信息，encoder为编码器，编码器由门控循环单元gru组成，编码器中gru的输入特征数为2，隐藏特征数为64，序列长度为t
obs
，层数为1，w
enc
为编码器的权重参数，b
enc
为编码器的偏置参数，将h
enc
经过全连接层对编码信息进行聚合：
[0025]
[0026]
式中，是特征数为32的车辆运动信息编码，φ为全连接层的嵌入函数，为聚合编码信息的全连接层的权重参数，为聚合编码信息的全连接层的偏置参数；
[0027]
车辆空间交互模块将步骤一中的his和相应的adj作为输入，使用图卷积来获得历史每一时刻车辆间空间交互信息，图卷积的表达式为：
[0028][0029]
式中，表示a
l
,l∈{1,2,
…
,t
obs
}在第m 1层卷积层的特征矩阵，表示a
l
,l∈{1,2,
…
,t
obs
}在第m层卷积层的特征矩阵，w
lm
为第m层卷积层的权重矩阵，m∈{1,2,3,4}，i为单位矩阵，λ
l
∈rn×n是的度矩阵，它是一个对角矩阵，表示λ
l
中第q行第q列的元素是中第q行所有元素的和，为中第q行第p列的元素，是对标准化，用于加快图卷积的处理过程，σ是用于增加特征矩阵非线性的激活函数；
[0030]
图卷积首先通过一个卷积核为1
×
1的二维卷积层将his的特征数扩展为32：
[0031][0032]
式中，为车辆的运动特征，conv1×1是卷积核为1
×
1的二维卷积层，输入通道特征数为2，输出通道特征数为32，为conv1×1的权重参数，为conv1×1的偏置参数；
[0033]
然后将his
ext
与相乘，并将乘积结果与his
ext
相加得到特征数为32的
[0034][0035]
式中，代表his经过一次图卷积操作后得到的中间变量，保证特征数不变，对再进行两次图卷积操作，这两次图卷积操作中均使用卷积核为1
×
1的二维卷积层，输入通道特征数为32，输出通道特征数为32，最终得到包含每一历史时刻车辆间空间交互信息的向量
[0036]
考虑到车辆间空间交互信息存在时间关联性，因此用时间关联提取器来提取车辆间空间交互信息的时间关联性；首先，将作为时间关联提取器的输入：
[0037]
[0038]
式中，为时间关联提取器提取到的空间交互关联信息，extractor为时间关联提取器，时间关联提取器由门控单元gru组成，时间关联提取器中gru的输入特征数为32，隐藏特征数为64，序列长度为t
obs
，层数为1，为时间关联提取器的权重参数，为时间关联提取器的偏置参数；
[0039]
然后，将通过一个全连接层，得到特征数为32的
[0040][0041]
式中，为考虑时间关联的车辆间空间交互信息，φ为全连接层的嵌入函数，是聚合车辆间空间交互信息的全连接层的权重参数，是聚合车辆间空间交互信息的全连接层的偏置参数；
[0042]
车辆轨迹预测模块通过获取的车辆运动信息和车辆间空间交互信息来预测未来时间长度为t
pred
内车辆的轨迹；具体操作如下：首先，对和进行拼接，将拼接后的向量通过全连接层，得到特征数为64的聚合特征
[0043][0044]
式中，表示在第3维度，即在特征维度上对拼接，φ为全连接层的嵌入函数，是聚合车辆运动信息和车辆间空间交互信息的全连接层的权重参数，是聚合车辆运动信息和车辆间空间交互信息的全连接层的偏置参数；
[0045]
然后，再用一个全连接层对在时间维度上进行变换，得到将t
pred
个在时间维度上进行拼接，得到
[0046][0047]
式中，为中间变量，φ为全连接层的嵌入函数，是聚合时间信息的全连
接层的权重参数，是聚合时间信息的全连接层的偏置参数，表示车辆运动信息和车辆间空间交互信息的向量，表示将t
pred
个在第一维度，即在时间维度上进行拼接；
[0048]
最后，将作为解码器的输入，输出预测轨迹pred：
[0049][0050]
式中，式中，为t
obs
n时刻车辆位置的预测值，decoder为解码器，解码器由门控单元gru组成，解码器中gru的输入特征数为64，隐藏特征数为2，序列长度为t
pred
，层数为1，为解码器的权重参数，为解码器的偏置参数；
[0051]
步骤三、构造损失函数，训练车辆的轨迹预测模型：
[0052]
损失函数loss的表达式为：
[0053][0054]
本模型在pytorch深度学习框架下使用随机梯度下降优化器对车辆的轨迹预测模型中的权重参数和偏置参数进行训练，学习率为0.002，当损失函数达到最小值时，保存相应的权重参数和偏置参数，车辆的轨迹预测模型训练完成。
[0055]
本发明的有益效果为：
[0056]
本发明公开了一种考虑持续交互信息的车辆轨迹预测方法，使得智能汽车可以准确预测出周围车辆的未来轨迹；本方法在对车辆间空间交互进行建模时，不仅提取出每一历史时刻车辆间空间交互信息，而且考虑到车辆间空间交互信息存在时间关联性，并设计出时间关联提取器，充分捕捉车辆间空间交互信息在时间上的关联性，为车辆的预测轨迹增加约束，使得网络预测出的车辆轨迹更加准确。
附图说明
[0057]
图1为本发明所述的一种考虑持续交互信息的车辆轨迹预测方法的流程简图；
[0058]
图2为本发明所述的一种考虑持续交互信息的车辆轨迹预测方法搭建的网络模型结构图；
具体实施方式：
[0059]
下面结合附图对本发明进行详细说明：
[0060]
本发明提出一种考虑持续交互信息的车辆轨迹预测方法，通过搭建的网络模型充
分提取车辆轨迹数据集中的车辆运动信息和车辆间空间交互信息，精确地预测出车辆的未来轨迹，如图1所示，具体步骤如下：
[0061]
步骤一、对车辆轨迹数据集进行处理：
[0062]
首先，按照时间顺序提取车辆轨迹数据集中车辆的位置信息，包括车辆的横纵向位置坐标(x,y)；然后，对提取的车辆位置信息进一步处理，处理步骤包含轨迹数据的提取和邻接矩阵的构建；
[0063]
针对轨迹数据的提取，定义历史观测时域的时间长度为t
obs
，在t
obs
范围内提取到n辆车的位置信息，得到车辆的历史轨迹his：
[0064][0065]
式中，为t时刻车辆的位置信息；
[0066]
定义未来时间长度为t
pred
，获得t
pred
范围内相应的n辆车的真实位置信息，由此得到车辆的未来真实轨迹truth：
[0067][0068]
式中，为t
obs
k时刻车辆的真实位置信息；
[0069]
针对邻接矩阵的构建，利用车辆的历史轨迹his求得每一历史时刻车辆之间的距离，并将其存储至邻接矩阵adj中，adj的表达式为：
[0070][0071]
式中，a
l
,l∈{1,2,
…
,t
obs
}包含了l时刻车辆之间的距离信息，表示了l时刻车辆之间的空间交互信息，a
l
的表达式为：
[0072]
[0073]
式中，表示l时刻车辆i,j之间的距离；
[0074]
步骤二、设计车辆的轨迹预测模型：
[0075]
如图2所示，车辆的轨迹预测模型包含三个模块：车辆运动信息提取模块、车辆空间交互模块以及车辆轨迹预测模块；
[0076]
车辆运动信息提取模块利用编码器对步骤一中得到的his进行编码，得到编码信息h
enc
：
[0077]henc
＝encoder(his；w
enc
,b
enc
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0078]
式中，为编码信息，encoder为编码器，编码器由门控循环单元gru组成，编码器中gru的输入特征数为2，隐藏特征数为64，序列长度为t
obs
，层数为1，w
enc
为编码器的权重参数，b
enc
为编码器的偏置参数，将h
enc
经过全连接层对编码信息进行聚合：
[0079][0080]
式中，是特征数为32的车辆运动信息编码，φ为全连接层的嵌入函数，为聚合编码信息的全连接层的权重参数，为聚合编码信息的全连接层的偏置参数；
[0081]
车辆空间交互模块将步骤一中的his和相应的adj作为输入，使用图卷积来获得历史每一时刻车辆间空间交互信息，图卷积的表达式为：
[0082][0083]
式中，表示a
l
,l∈{1,2,
…
,t
obs
}在第m 1层卷积层的特征矩阵，表示a
l
,l∈{1,2,
…
,t
obs
}在第m层卷积层的特征矩阵，w
lm
为第m层卷积层的权重矩阵，m∈{1,2,3,4}，i为单位矩阵，λ
l
∈rn×n是的度矩阵，它是一个对角矩阵，表示λ
l
中第q行第q列的元素是中第q行所有元素的和，为中第q行第p列的元素，是对标准化，用于加快图卷积的处理过程，σ是用于增加特征矩阵非线性的激活函数；
[0084]
图卷积首先通过一个卷积核为1
×
1的二维卷积层将his的特征数扩展为32：
[0085][0086]
式中，为车辆的运动特征，conv1×1是卷积核为1
×
1的二维卷
积层，输入通道特征数为2，输出通道特征数为32，为conv1×1的权重参数，为conv1×1的偏置参数；
[0087]
然后将his
ext
与相乘，并将乘积结果与his
ext
相加得到特征数为32的
[0088][0089]
式中，代表his经过一次图卷积操作后得到的中间变量，保证特征数不变，对再进行两次图卷积操作，这两次图卷积操作中均使用卷积核为1
×
1的二维卷积层，输入通道特征数为32，输出通道特征数为32，最终得到包含每一历史时刻车辆间空间交互信息的向量
[0090]
考虑到车辆间空间交互信息存在时间关联性，因此用时间关联提取器来提取车辆间空间交互信息的时间关联性；首先，将作为时间关联提取器的输入：
[0091][0092]
式中，为时间关联提取器提取到的空间交互关联信息，extractor为时间关联提取器，时间关联提取器由门控单元gru组成，时间关联提取器中gru的输入特征数为32，隐藏特征数为64，序列长度为t
obs
，层数为1，为时间关联提取器的权重参数，为时间关联提取器的偏置参数；
[0093]
然后，将通过一个全连接层，得到特征数为32的
[0094][0095]
式中，为考虑时间关联的车辆间空间交互信息，φ为全连接层的嵌入函数，是聚合车辆间空间交互信息的全连接层的权重参数，是聚合车辆间空间交互信息的全连接层的偏置参数；
[0096]
车辆轨迹预测模块通过获取的车辆运动信息和车辆间空间交互信息来预测未来时间长度为t
pred
内车辆的轨迹；具体操作如下：首先，对和进行拼接，将拼接后的向量通过全连接层，得到特征数为64的聚合特征
[0097]
[0098]
式中，表示在第3维度，即在特征维度上对拼接，φ为全连接层的嵌入函数，是聚合车辆运动信息和车辆间空间交互信息的全连接层的权重参数，是聚合车辆运动信息和车辆间空间交互信息的全连接层的偏置参数；
[0099]
然后，再用一个全连接层对在时间维度上进行变换，得到将t
pred
个在时间维度上进行拼接，得到
[0100][0101]
式中，为中间变量，φ为全连接层的嵌入函数，是聚合时间信息的全连接层的权重参数，是聚合时间信息的全连接层的偏置参数，表示车辆运动信息和车辆间空间交互信息的向量，表示将t
pred
个在第一维度，即在时间维度上进行拼接；
[0102]
最后，将作为解码器的输入，输出预测轨迹pred：
[0103][0104]
式中，，为t
obs
n时刻车辆位置的预测值，decoder为解码器，解码器由门控单元gru组成，解码器中gru的输入特征数为64，隐藏特征数为2，序列长度为t
pred
，层数为1，为解码器的权重参数，为解码器的偏置参数；
[0105]
步骤三、构造损失函数，训练车辆的轨迹预测模型：
[0106]
损失函数loss的表达式为：
[0107][0108]
本模型在pytorch深度学习框架下使用随机梯度下降优化器对车辆的轨迹预测模型中的权重参数和偏置参数进行训练，学习率为0.002，当损失函数达到最小值时，保存相应的权重参数和偏置参数，车辆的轨迹预测模型训练完成。