本發(fā)明涉及自動駕駛。具體而言，涉及一種基于波語義網(wǎng)絡(luò)的車輛軌跡預(yù)測方法。

背景技術(shù)：

1、軌跡預(yù)測任務(wù)的核心在于，通過理解上下文場景語義和交通參與者的歷史軌跡，來精準(zhǔn)推斷智能體的未來運動趨勢。作為自動駕駛系統(tǒng)中的重要組成部分，車輛軌跡預(yù)測緊密連接了上游的環(huán)境感知模塊與下游的規(guī)劃決策模塊。然而，在實際部署中，準(zhǔn)確預(yù)測自動駕駛車輛的未來軌跡卻是一項艱巨的挑戰(zhàn)。其根源在于如何有效建模錯綜復(fù)雜的交互網(wǎng)絡(luò)，這需要充分考慮各種必要的約束條件、不斷演變的時間依賴性，以及在動態(tài)交通環(huán)境中持續(xù)變化的社會互動模式?；谏鲜鲈颍F(xiàn)有技術(shù)提出的軌跡預(yù)測模塊預(yù)測得到的軌跡精度低，因此，亟需一種軌跡預(yù)測方法，以提高對復(fù)雜交通場景的理解能力，從而提升軌跡預(yù)測的精度。

技術(shù)實現(xiàn)思路

1、本發(fā)明正是基于現(xiàn)有技術(shù)的上述需求而提出的，本發(fā)明要解決的技術(shù)問題是提出一種基于波語義網(wǎng)絡(luò)的車輛軌跡預(yù)測方法以通過波的疊加深入理解交通場景的結(jié)構(gòu)和動態(tài)變化，提高軌跡預(yù)測的精度。

2、為了解決上述問題，本發(fā)明是采用如下技術(shù)方案實現(xiàn)的：

3、一種基于波語義網(wǎng)絡(luò)的車輛軌跡預(yù)測方法，該方法包括：獲取以目標(biāo)車輛為中心的高精地圖，所述高精地圖具有多個語義通道，所述語義通道包括可行使區(qū)域、車道邊界和交通信號燈；所述語義通道中存儲有目標(biāo)車輛和其他車輛的歷史軌跡數(shù)據(jù)；將所述高精地圖劃分為與所述語義通道的數(shù)量相同的多個數(shù)據(jù)塊；將數(shù)據(jù)塊輸入至預(yù)測模型中，預(yù)測得到目標(biāo)車輛在未來時間段內(nèi)的軌跡，所述預(yù)測模型包括依次連接的多個第一模塊、全局平均池化層和全連接層、拉普拉斯解碼器，所述第一模塊包括依次連接的全連接層、波語義交互塊和通道學(xué)習(xí)塊，所述預(yù)測模型的執(zhí)行過程包括：將所述數(shù)據(jù)塊輸入至第一個第一模塊中，并將輸出結(jié)果輸入至下一個第一模塊中；對最后一個第一模塊的輸出數(shù)據(jù)進行全局平均池化和全連接層處理，得到總特征；將總特征輸入至拉普拉斯解碼器中預(yù)測得到目標(biāo)車輛在未來時間段內(nèi)的軌跡；所述第一模塊的執(zhí)行過程包括：將輸入數(shù)據(jù)輸入至全連接層中得到嵌入特征；將所述嵌入特征輸入至波語義交互塊得到時域特征，包括：利用第一多層感知機和第二多層感知機分別對所述嵌入特征進行處理得到第一振幅和第一相位；基于第一振幅和第一相位融合任意兩個嵌入特征對應(yīng)的波，得到第二振幅和第二相位；基于第二振幅和第二相位得到對應(yīng)的合成波數(shù)據(jù)；利用第三多層感知機和第四多層感知機分別對合成波數(shù)據(jù)進行處理得到第一數(shù)據(jù)和第二數(shù)據(jù)；對所述第一數(shù)據(jù)進行全局波融合處理，得到第一特征；對所述第二數(shù)據(jù)進行局部波融合處理，得到第二特征；基于第一特征和第二特征得到時域特征；將所述時域特征輸入至通道學(xué)習(xí)塊得到通道學(xué)習(xí)特征，包括：對所述時域特征進行轉(zhuǎn)換得到頻域特征；利用多層感知機對頻域特征進行處理，并對處理后的特征進行逆變換得到通道學(xué)習(xí)特征。

4、可選地，對所述第一數(shù)據(jù)進行全局波融合處理，得到第一特征，包括：對所述第一數(shù)據(jù)分別沿通道維度和寬度維度進行劃分，得到多個第一數(shù)據(jù)段和多個第二數(shù)據(jù)段；對每個第一數(shù)據(jù)段進行高度維度和通道維度的置換得到第一置換數(shù)據(jù)；對每個第二數(shù)據(jù)段進行寬度維度和通道維度的置換得到第二置換數(shù)據(jù)；沿通道維度分別對所述第一置換數(shù)據(jù)和所述第二置換數(shù)據(jù)進行拼接，并對拼接后的數(shù)據(jù)進行融合，得到第一融合數(shù)據(jù)和第二融合數(shù)據(jù)；利用全連接層對第一數(shù)據(jù)進行處理，得到第三融合數(shù)據(jù)；確定第一融合數(shù)據(jù)、第二融合數(shù)據(jù)和第三融合數(shù)據(jù)的學(xué)習(xí)注意力參數(shù)，并基于學(xué)習(xí)注意力參數(shù)融合第一融合數(shù)據(jù)、第二融合數(shù)據(jù)和第三融合數(shù)據(jù)得到第一特征。

5、可選地，利用第一多層感知機和第二多層感知機分別對該塊輸入的嵌入特征進行處理得到第一振幅和第一相位，其表達式為：zi＝mlp1(hi,wi0),i∈[1,2,...,m]，θi＝mlp2(hi,wi1),i∈[1,2,...,m]，其中，zi表示第i個嵌入特征對應(yīng)的第一振幅，i表示嵌入特征的標(biāo)識號，mlp1表示第一多層感知機，hi表示第i個嵌入特征，wi0表示第i個嵌入特征對應(yīng)的振幅權(quán)重，m表示嵌入特征的數(shù)量，θi表示第i個嵌入特征對應(yīng)的第一相位，mlp2表示第二多層感知機，wi1表示第i個嵌入特征對應(yīng)的相位權(quán)重。

6、可選地，基于第一振幅和第一相位融合任意兩個嵌入特征對應(yīng)的波，得到第二振幅和第二相位，其表達式為：

7、θr＝θi+atan2(|za|⊙sin(θa-θi),|zi|+|za|⊙cos(θa-θi))，其中，zr表示第i個嵌入特征與第a個嵌入特征融合得到的標(biāo)識號為r的第二振幅，za表示第a個嵌入特征對應(yīng)的第一振幅，θa表示第a個嵌入特征對應(yīng)的第一相位，θr表示第i個嵌入特征與第a個嵌入特征融合得到的標(biāo)識號為r的第二相位，atan2()表示雙參數(shù)反正切函數(shù)。

8、可選地，基于第二振幅和第二相位得到對應(yīng)的合成波數(shù)據(jù)，包括：其中，表示第r個合成波數(shù)據(jù)，b表示虛數(shù)單位，n表示合成波數(shù)據(jù)的總數(shù)量。

9、可選地，確定第一融合數(shù)據(jù)、第二融合數(shù)據(jù)和第三融合數(shù)據(jù)的學(xué)習(xí)注意力參數(shù)，包括：將第一融合數(shù)據(jù)、第二融合數(shù)據(jù)和第三融合數(shù)據(jù)相加，得到總?cè)诤蠑?shù)據(jù)；對所述總?cè)诤蠑?shù)據(jù)進行自適應(yīng)平均池化處理，得到池化數(shù)據(jù)；利用softmax函數(shù)對所述池化數(shù)據(jù)進行處理，得到第一融合數(shù)據(jù)對應(yīng)的第一學(xué)習(xí)注意力參數(shù)、第二融合數(shù)據(jù)對應(yīng)的第二學(xué)習(xí)注意力參數(shù)和第三融合數(shù)據(jù)對應(yīng)的第三學(xué)習(xí)注意力參數(shù)。

10、可選地，并基于學(xué)習(xí)注意力參數(shù)融合第一融合數(shù)據(jù)、第二融合數(shù)據(jù)和第三融合數(shù)據(jù)得到第一特征，其表達式為：其中，表示第一特征，α[0]表示第一學(xué)習(xí)注意力參數(shù)，表示第一融合數(shù)據(jù)，α[1]表示第二學(xué)習(xí)注意力參數(shù)，表示第二融合數(shù)據(jù)，α[2]表示第三學(xué)習(xí)注意力參數(shù)，表示第三融合數(shù)據(jù)。

11、可選地，對所述第二數(shù)據(jù)進行局部波融合處理，得到第二特征，包括：基于歐拉公式和量子測量方法對所有第二數(shù)據(jù)進行處理，得到第二特征，表達式為：其中，表示第二特征，j表示第二數(shù)據(jù)的標(biāo)識號，表示第j個第二數(shù)據(jù)的第一權(quán)重，zj表示第j個第二數(shù)據(jù)的振幅，θj表示第j個第二數(shù)據(jù)的相位，表示第j個第二數(shù)據(jù)的第二權(quán)重，n表示第二數(shù)據(jù)的總數(shù)量。

12、可選地，基于第一特征和第二特征得到時域特征，包括：將第一特征和第二特征相加，得到相加結(jié)果；對所述相加結(jié)果進行卷積，并將卷積結(jié)果與所述嵌入特征進行殘差連接，得到時域特征。

13、可選地，所述拉普拉斯解碼器包括三個全連接層，每兩個全連接層之間由激活函數(shù)和歸一化層連接。

14、與現(xiàn)有技術(shù)相比，本發(fā)明提供了一種基于波語義網(wǎng)絡(luò)的車輛軌跡預(yù)測方法，引入“波”來表征復(fù)雜的交通場景，利用波的疊加隱式地建模多流社會交互，使模型能夠更深入地理解復(fù)雜交通場景的結(jié)構(gòu)和動態(tài)變化，提高對復(fù)雜交通場景中車輛軌跡的預(yù)測能力。通過波語義交互塊在空間和通道維度上深度融合波語義信息，能夠有效地捕捉全局和局部特征之間的關(guān)系。通過引入通道融合模塊，模型能夠高效聚合不同通道間的互補信息，提升特征表達的豐富程度，顯著增強對場景語義的抽象和理解，從而提高車輛軌跡預(yù)測的整體性能。

技術(shù)特征：

1.一種基于波語義網(wǎng)絡(luò)的車輛軌跡預(yù)測方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種基于波語義網(wǎng)絡(luò)的車輛軌跡預(yù)測方法，其特征在于，對所述第一數(shù)據(jù)進行全局波融合處理，得到第一特征，包括：

3.根據(jù)權(quán)利要求1所述的一種基于波語義網(wǎng)絡(luò)的車輛軌跡預(yù)測方法，其特征在于，利用第一多層感知機和第二多層感知機分別對該塊輸入的嵌入特征進行處理得到第一振幅和第一相位，其表達式為：

4.根據(jù)權(quán)利要求3所述的一種基于波語義網(wǎng)絡(luò)的車輛軌跡預(yù)測方法，其特征在于，基于第一振幅和第一相位融合任意兩個嵌入特征對應(yīng)的波，得到第二振幅和第二相位，其表達式為：

5.根據(jù)權(quán)利要求4所述的一種基于波語義網(wǎng)絡(luò)的車輛軌跡預(yù)測方法，其特征在于，基于第二振幅和第二相位得到對應(yīng)的合成波數(shù)據(jù)，包括：

6.根據(jù)權(quán)利要求2所述的一種基于波語義網(wǎng)絡(luò)的車輛軌跡預(yù)測方法，其特征在于，確定第一融合數(shù)據(jù)、第二融合數(shù)據(jù)和第三融合數(shù)據(jù)的學(xué)習(xí)注意力參數(shù)，包括：

7.根據(jù)權(quán)利要求6所述的一種基于波語義網(wǎng)絡(luò)的車輛軌跡預(yù)測方法，其特征在于，并基于學(xué)習(xí)注意力參數(shù)融合第一融合數(shù)據(jù)、第二融合數(shù)據(jù)和第三融合數(shù)據(jù)得到第一特征，其表達式為：

8.根據(jù)權(quán)利要求1所述的一種基于波語義網(wǎng)絡(luò)的車輛軌跡預(yù)測方法，其特征在于，對所述第二數(shù)據(jù)進行局部波融合處理，得到第二特征，包括：

9.根據(jù)權(quán)利要求1所述的一種基于波語義網(wǎng)絡(luò)的車輛軌跡預(yù)測方法，其特征在于，基于第一特征和第二特征得到時域特征，包括：

10.根據(jù)權(quán)利要求1所述的一種基于波語義網(wǎng)絡(luò)的車輛軌跡預(yù)測方法，其特征在于，所述拉普拉斯解碼器包括三個全連接層，每兩個全連接層之間由激活函數(shù)和歸一化層連接。

技術(shù)總結(jié)
本發(fā)明公開了一種基于波語義網(wǎng)絡(luò)的車輛軌跡預(yù)測方法，包括：獲取以目標(biāo)車輛為中心的高精地圖；將高精地圖劃分為與語義通道的數(shù)量相同的多個數(shù)據(jù)塊；將數(shù)據(jù)塊輸入至預(yù)測模型中，預(yù)測得到目標(biāo)車輛在未來時間段內(nèi)的軌跡，預(yù)測模型的執(zhí)行過程包括：將數(shù)據(jù)塊輸入至第一個第一模塊中，并將輸出結(jié)果輸入至下一個第一模塊中；對最后一個第一模塊的輸出數(shù)據(jù)進行全局平均池化和全連接層處理，得到總特征；將總特征輸入至拉普拉斯解碼器中預(yù)測得到目標(biāo)車輛在未來時間段內(nèi)的軌跡。本發(fā)明引入“波”來表征復(fù)雜的交通場景，利用波的疊加隱式地建模多流社會交互，使模型能夠更深入地理解復(fù)雜交通場景的結(jié)構(gòu)和動態(tài)變化，提高對交通場景中車輛軌跡的預(yù)測能力。

技術(shù)研發(fā)人員：任毅龍,劉靈珊,蘭征興,于海洋,崔志勇
受保護的技術(shù)使用者：北京航空航天大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/10