本發(fā)明涉及軌跡預(yù)測，尤其涉及到周邊車輛軌跡預(yù)測領(lǐng)域，具體是指一種基于車輛軌跡交互動力學(xué)的周車軌跡預(yù)測方法。

背景技術(shù)：

1、在現(xiàn)代社會復(fù)雜多變的交通環(huán)境中，周車軌跡預(yù)測作為自動駕駛系統(tǒng)和高級輔助駕駛系統(tǒng)的關(guān)鍵組成部分，能夠?qū)Φ缆飞弦宰攒嚍橹行牡闹苓呠囕v的運動軌跡進行準確預(yù)測，從而使自動駕駛系統(tǒng)能夠及時預(yù)見潛在的危險，避免潛在的碰撞風險，提高車輛行駛的安全性。因此對道路上的周車軌跡進行準確預(yù)測有著極其重要的意義。

2、目前現(xiàn)有的周車軌跡預(yù)測方法大致可以分為兩種，分別是基于物理學(xué)的方法和基于深度學(xué)習(xí)算法模型的方法。其中基于物理學(xué)的傳統(tǒng)軌跡預(yù)測方法，通過動力學(xué)或運動學(xué)公式進行建模，從而實現(xiàn)對周車軌跡的預(yù)測，但這種方法難以對道路交通環(huán)境中影響周車軌跡的各種復(fù)雜因素進行全面考慮，因此對周車軌跡的預(yù)測結(jié)果準確度較差。

3、而基于深度學(xué)習(xí)算法模型的方法，由于其具有自動化提取特征的能力，優(yōu)秀的可擴展性和泛化能力，相較于傳統(tǒng)的軌跡預(yù)測方法，能夠更加全面的對道路復(fù)雜條件下，影響周車軌跡的各種因素之間的交互作用進行綜合考慮，并且能夠進行自我學(xué)習(xí)，使其軌跡預(yù)測的結(jié)果與傳統(tǒng)的軌跡預(yù)測方法相比更加準確。

4、然而由于深度學(xué)習(xí)算法模型其本身的特性，人們無法充分掌握了解預(yù)測過程中，算法模型內(nèi)部的數(shù)據(jù)變化，導(dǎo)致其最終輸出的預(yù)測結(jié)果存在可解釋性較弱的問題。這個問題無疑增加了對算法模型本身進行調(diào)試和優(yōu)化的難度，從而影響了周車軌跡預(yù)測的精度。另外這個問題還會導(dǎo)致使用者難以對算法模型輸出的預(yù)測結(jié)果進行準確評判，使人們對算法模型輸出的預(yù)測結(jié)果的準確性缺少信任。同時，由于無法充分了解掌握預(yù)測過程中，算法模型內(nèi)部的數(shù)據(jù)變化，導(dǎo)致使用者難以充分的預(yù)測和防范算法模型在特定情況下，對周車軌跡進行錯誤的預(yù)測，進而增加了道路交通中潛在的安全隱患。

技術(shù)實現(xiàn)思路

1、本發(fā)明針對現(xiàn)有技術(shù)的不足，提供一種基于車輛軌跡交互動力學(xué)的周車軌跡預(yù)測方法。

2、本發(fā)明是通過如下技術(shù)方案實現(xiàn)的，提供一種基于車輛軌跡交互動力學(xué)的周車軌跡預(yù)測方法，所述方法包括以下步驟：

3、步驟一：利用傳感器收集周邊所有車輛的狀態(tài)信息，并將收集到的信息進行預(yù)處理，得到周邊車輛f從t-t時刻到t時刻的原始時間特征集合以及周邊車輛f和g從t-t時刻到t時刻的原始空間交互特征集合

4、步驟二：建立時間依賴特征提取模塊和時空依賴特征提取模塊，將所述原始時間特征集合輸入到所述時間依賴特征提取模塊中，得到時間依賴特征集合將所述原始空間交互特征集合輸入到所述時空依賴特征提取模塊中，得到時空依賴特征集合

5、步驟三：建立時空交互特征提取模塊，將所述原始時間特征集合原始空間交互特征集合時間依賴特征集合以及時空依賴特征集合輸入到所述時空交互特征提取模塊中，得到時空交互特征集合

6、步驟四：將所述時空交互特征集合時間依賴特征集合時空依賴特征集合進行拼接，得到融合特征；

7、步驟五：將融合特征輸入軌跡解碼器，得到周邊車輛f的預(yù)測軌跡；

8、步驟六：重復(fù)上述步驟一至步驟五，得到周邊所有車輛的預(yù)測軌跡。

9、10、進一步的，所述原始時間特征集合中，周邊車輛f在t時刻的原始時間特征為所述原始時間特征由周邊車輛f在時刻t時的縱坐標x、橫坐標y、速度v、加速度a和航向角γ組成；

10、所述原始空間交互特征集合中，周邊車輛f和g在t時刻的原始空間交互特征為所述原始空間交互特征由周邊車輛f和g在時刻t時的相對距離d、相對速度δv、相對加速度δa組成。

11、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

12、由于車輛的預(yù)測軌跡是基于原始時間特征、原始空間交互特征以及時間依賴特征、時空依賴特征、時空交互特征得到的，而時間依賴特征、時空依賴特征、時空交互特征是分別通過時間依賴特征提取模塊、時空依賴特征提取模塊、時空交互特征提取模塊單獨進行提取的，因此通過這種模塊化的設(shè)計，能夠有利于人們在特征的提取過程中，掌握數(shù)據(jù)變化的情況，進而提高了車輛軌跡預(yù)測結(jié)果的可解釋性；

13、同時，基于車輛軌跡交互動力學(xué)的認識，對周邊車輛軌跡預(yù)測的影響因素，不僅包括傳統(tǒng)的軌跡預(yù)測方法中的周邊車輛f的車輛坐標、速度、加速度、航向角這些原始時間特征，以及周邊車輛f和g之間的相對距離、相對速度、相對加速度這些原始空間交互特征，還包括更高維度上的時間依賴特性、時空依賴特性、時空交互特性，其中時間依賴特征能夠表征周邊車輛f的駕駛員的駕駛意圖、駕駛風格、駕駛策略這些隱性特征，時空依賴特性能夠表征周邊車輛f和g之間的交互策略隨時間的變化而變化的情況，時空交互特性能夠表征周邊車輛f在駕駛員的駕駛意圖、駕駛風格、駕駛策略與周邊車輛g的交互策略的綜合影響下的運動狀態(tài)，并同時將周邊車輛f和g以外的其他周邊車輛與周邊車輛f之間的交互策略與之進行耦合；

14、而本發(fā)明通過在深度學(xué)習(xí)算法模型中建立時間依賴特征提取模塊、時空依賴特征提取模塊、時空交互特征提取模塊的方法，能夠在原始時間特征和原始空間交互特征的基礎(chǔ)上，從周邊車輛軌跡的時間依賴特性、時空依賴特性和時空交互特性三個維度分別提取具有代表性的時間依賴特征、時空依賴特征、時空交互特征，并將這三個特征進行融合，在融合特征的基礎(chǔ)上得到周邊車輛最終的預(yù)測軌跡，因此極大的提高了最終的軌跡預(yù)測精度。

15、進一步的，通過時間依賴特征提取模塊獲得時間依賴特征集合的方法為：

16、在所述時間依賴特征提取模塊中設(shè)置有l(wèi)stm網(wǎng)絡(luò)層；

17、將所述原始時間特征集合輸入到時間依賴特征提取模塊中的lstm網(wǎng)絡(luò)層中，基于第一公式，獲得所述原始時間特征集合的隱含特征

18、所述原始時間特征集合的隱含特征基于第二公式，獲得時間依賴特征集合

19、所述第一公式為：

20、

21、其中c0為lstm網(wǎng)絡(luò)層的初始狀態(tài)，h0為lstm網(wǎng)絡(luò)層隱含狀態(tài)的初始狀態(tài)，c0、h0均為隨機設(shè)定；

22、所述第二公式為：

23、

24、其中，leakyrelu(*)為非線性激活函數(shù)，maxpool(*)為最大池化函數(shù)，multiheadatt(*)為注意力機制函數(shù)。

25、進一步的，通過所述時空依賴特征提取模塊獲得時空依賴特征的方法為：

26、在所述時空依賴特征提取模塊中設(shè)置lstm網(wǎng)絡(luò)層；

27、將所述原始空間交互特征集合輸入到時空依賴特征提取模塊中的lstm網(wǎng)絡(luò)層中，基于第三公式，獲得原始空間交互特征集合的隱含特征

28、所述原始空間交互特征集合的隱含特征基于第四公式，獲得時空依賴特征集合

29、所述第三公式為：

30、

31、其中c0為lstm網(wǎng)絡(luò)層的初始狀態(tài)，h0為lstm網(wǎng)絡(luò)層隱含狀態(tài)的初始狀態(tài)，c0、h0均為隨機設(shè)定；

32、所述第四公式為：

33、

34、其中，leakyrelu(*)為非線性激活函數(shù)，maxpool(*)為最大池化函數(shù)，multiheadatt(*)為注意力機制函數(shù)。

35、采用上一步的有益效果在于：由于周邊車輛f的原始時間特征和原始空間交互特征均為時變序列，即這些特征會隨著時間的變化而變化，而lstm網(wǎng)絡(luò)層是典型的時間序列特征提取網(wǎng)絡(luò)，因此利用分別設(shè)置在時間依賴特征提取模塊、時空依賴特征提取模塊中的lstm網(wǎng)絡(luò)層，能夠有效的從原始時間特征、原始空間交互特征中分別捕捉時間依賴特征以及時空依賴特征。同時，lstm網(wǎng)絡(luò)層作為循環(huán)神經(jīng)網(wǎng)絡(luò)的一種變體，雖然在處理長期依賴問題上有所改進，但仍然未能完全解決長期依賴和梯度不穩(wěn)定的問題，因此，通過添加注意力機制，能夠提高對時間依賴特征、時空依賴特征的提取能力和準確度。另外通過最大池化函數(shù)，能夠有效的去除時間依賴特征、時空依賴特征中的冗余特征，防止過擬合問題發(fā)生。

36、進一步的，通過所述時空交互特征提取模塊獲得時空交互特征的方法為：

37、將所述周邊車輛f的原始時間特征原始空間交互特征時間依賴特征集合時空依賴特征集合輸入所述時空交互特征提取模塊中，將所述周邊車輛f作為節(jié)點f，構(gòu)建節(jié)點f在時刻t時的交互時空動態(tài)圖，所述交互時空動態(tài)圖包括節(jié)點特征和邊特征；

38、在所述時空交互特征提取模塊中設(shè)置圖卷積神經(jīng)網(wǎng)絡(luò)模型；

39、基于所述圖卷積神經(jīng)網(wǎng)絡(luò)模型，分別對所述交互時空動態(tài)圖中的節(jié)點特征與邊特征進行聚合，獲得節(jié)點信息聚合特征、邊信息聚合特征，并將所述節(jié)點信息聚合特征、邊信息聚合特征進行融合，獲得節(jié)點f在時刻t時的總信息聚合特征；

40、在所述時空交互特征提取模塊中，將所述節(jié)點f從t-t時刻到t時刻的所有總信息聚合特征進行更新，獲得節(jié)點f從t-t時刻到t時刻的時空交互特征集合

41、進一步的，所述交互時空動態(tài)圖的構(gòu)建方法為：

42、初始化所述交互時空動態(tài)圖；

43、將所述原始時間特征與時間依賴特征集合拼接，獲得節(jié)點特征即同時，將所述原始空間交互特征與時空依賴特征集合拼接，獲得邊特征即結(jié)合節(jié)點特征與邊特征創(chuàng)建鄰接矩陣和掩碼矩陣，構(gòu)建交互時空動態(tài)圖。

44、進一步的，所述節(jié)點信息聚合特征邊信息聚合特征的聚合方法為：

45、在t時刻，利用信息傳遞機制，獲得所述節(jié)點f所有鄰居節(jié)點的節(jié)點特征集合以及節(jié)點f與所有鄰居節(jié)點之間的邊特征集合基于第五公式，獲得節(jié)點信息聚合特征基于第六公式，獲得邊信息聚合特征

46、所述第五公式為：其中，densegcn(*)為所述圖卷積神經(jīng)網(wǎng)絡(luò)模型；

47、所述第六公式為：其中edgednn(*)為另一種所述圖卷積神經(jīng)網(wǎng)絡(luò)模型。

48、采用上一步的有益效果在于：首先，通過將節(jié)點特征進行聚合，能夠進一步挖掘時空依賴特征對時間依賴特征的影響。由于節(jié)點特征中包含了高維的時間依賴特征，直接采用普通的圖卷積神經(jīng)網(wǎng)絡(luò)存在梯度不穩(wěn)定、感受視野有限的問題，因此本發(fā)明采用densegcn圖卷積神經(jīng)網(wǎng)絡(luò)模型對節(jié)點特征實現(xiàn)聚合，densegcn圖卷積神經(jīng)網(wǎng)絡(luò)模型作為一種圖卷積神經(jīng)網(wǎng)絡(luò)的改進模型，通過在各層輸入輸出之間添加殘差連接的方式解決了梯度不穩(wěn)定的問題，同時通過使用擴展卷積代替普通卷積的方式解決了感受視野有限的問題。

49、其次，通過將邊特征進行聚合，能夠進一步挖掘時間依賴特征對時空依賴特征的影響。利用edgecnn網(wǎng)絡(luò)層，既可以提取場景中的局部信息，又可以通過堆疊考慮全局空間信息，同時，該網(wǎng)絡(luò)模型屬于可微模型，有利于保證邊信息聚合特征的可微，進而保證預(yù)測結(jié)果的平滑真實。

50、進一步的，所述節(jié)點f在時刻t時的總信息聚合特征的獲得方法為：基于第七公式，所述節(jié)點信息聚合特征邊信息聚合特征利用最大池化函數(shù)、非線性激活函數(shù)，獲得節(jié)點f在t時刻的總信息聚合特征

51、所述第七公式為：其中，relu(*)為所述非線性激活函數(shù)，maxpool(*)為所述最大池化函數(shù)。

52、11、進一步的，通過對所述總信息聚合特征的更新，獲得時空交互特征集合的方法為：在所述時空交互特征提取模塊中設(shè)置圖注意力機制網(wǎng)絡(luò)模型，基于第八公式，利用所述圖注意力機制網(wǎng)絡(luò)對節(jié)點f從t-t時刻到t時刻的所有總信息聚合特征進行更新，并得到時空交互特征

53、所述第八公式為：其中，為節(jié)點f從t-t時刻到t時刻的總信息聚合特征集合，gat(*)為圖注意力機制網(wǎng)絡(luò)模型。

54、采用上一步的有益效果在于：在對節(jié)點信息聚合特征、邊信息聚合特征進行拼接融合時，通過最大池化函數(shù)實現(xiàn)降維，能夠避免特征冗余。通過圖注意力機制網(wǎng)絡(luò)模型，能夠根據(jù)不同時間點的總信息聚合特征的不同貢獻度，對總信息聚合特征進行更新，從而獲得最終的時空交互特征。

55、本發(fā)明的有益效果為：相較于傳統(tǒng)的軌跡預(yù)測方法，本發(fā)明的軌跡預(yù)測方法中，除了考慮周邊車輛的坐標、速度、加速度、航向角這些原始時間特征，以及車輛的相對距離、相對速度、相對加速度這些原始空間交互特征之外，更進一步的考慮了更高維度上，能夠代表駕駛員駕駛意圖、駕駛風格、駕駛策略以及多個周邊車輛之間交互策略這些隱形特征的時間依賴特征、時空依賴特征、時空交互特征，從而能夠更加全面的對復(fù)雜的道路交通環(huán)境中，影響周車軌跡的各種顯性及隱性因素之間的交互作用進行綜合考慮，進而能夠更加準確的對周邊車輛的軌跡進行預(yù)測。另外，由于采用了模塊化的特征提取方法，因此在對周邊車輛的軌跡進行預(yù)測過程中，更加有利于人們充分了解掌握數(shù)據(jù)的分析計算過程，從而提高了車輛預(yù)測軌跡的可解釋性，進而更加便于對車輛軌跡預(yù)測模型進行調(diào)試與優(yōu)化，同時使人們能夠在充分理解掌握車輛軌跡預(yù)測過程的基礎(chǔ)上，及時防范、避免特定情況下，車輛軌跡預(yù)測模型對周車軌跡進行錯誤的預(yù)測，從而降低了車輛在道路上潛在的碰撞隱患。