本發(fā)明涉及車輛軌跡預(yù)測領(lǐng)域，具體涉及基于加權(quán)圖注意力網(wǎng)絡(luò)的可解釋車輛軌跡預(yù)測方法及系統(tǒng)。

背景技術(shù)：

1、隨著人工智能的快速發(fā)展，自動駕駛正受到廣泛關(guān)注，預(yù)計能夠解決許多現(xiàn)有問題，如交通擁堵、行車安全、能效等。在混合交通場景中，車輛軌跡預(yù)測是自動駕駛的關(guān)鍵技術(shù)之一，因為自動駕駛車輛需要預(yù)測周圍人類車輛的軌跡，以做出更安全的駕駛決策。然而，許多因素影響車輛未來軌跡的預(yù)測，如機動多樣性、與環(huán)境的交互、信息的不確定性、計算的及時性等。近年來，自動駕駛領(lǐng)域的研究人員設(shè)計了各種車輛軌跡預(yù)測模型，以應(yīng)對這些挑戰(zhàn)?，F(xiàn)有的車輛軌跡預(yù)測方法大致分為三類：基于物理的模型、基于駕駛行為的模型和交互感知的模型。

2、基于物理的模型利用速度和加速度等運動屬性作為控制輸入，通過動力學(xué)模型預(yù)測車輛的未來軌跡，包括恒速(constantvelocity，cv)模型、恒加速度(constantacceleration，ca)模型、恒轉(zhuǎn)速和加速度(constantvelocity，ctra)模型等。由于這些模型通常依賴于理想化的物理假設(shè)，如恒速或恒加速度，它們僅限于短期預(yù)測。

3、基于駕駛行為的模型，如基于駕駛行為的長短期記憶網(wǎng)絡(luò)(long?short-termmemory，lstm)模型和基于駕駛行為的crta模型，假設(shè)轉(zhuǎn)向或直行等機動顯著影響車輛的未來軌跡。通常，基于駕駛行為的模型預(yù)測精度優(yōu)于基于物理的模型，適用于長期軌跡預(yù)測。然而，基于機動的模型缺乏對車輛交互和道路結(jié)構(gòu)的考慮，而這些因素對車輛的未來軌跡有重要影響。

技術(shù)實現(xiàn)思路

1、為解決上述背景中的技術(shù)問題，本發(fā)明通過提出一種可解釋性的車輛軌跡預(yù)測模型，來解決現(xiàn)有主流模型因缺乏可解釋性而難以應(yīng)用的問題。

2、為是實現(xiàn)上述目的，本發(fā)明提出了基于加權(quán)圖注意力網(wǎng)絡(luò)的可解釋車輛軌跡預(yù)測方法，步驟包括：

3、采集無人駕駛場景中，所有交通參與者的歷史特征；

4、基于所述歷史特征，構(gòu)建可解釋車輛軌跡預(yù)測模型；

5、利用所述可解釋車輛軌跡預(yù)測模型完成車輛軌跡預(yù)測。

6、優(yōu)選的，所述歷史特征包括目標(biāo)車輛的歷史特征和其他交通參與者的歷史特征；所述其他交通參與者的歷史特征包括：坐標(biāo)、速度、加速度和偏航角。

7、優(yōu)選的，構(gòu)建的所述可解釋車輛軌跡預(yù)測模型包括：l-mnl采樣器和軌跡生成器；

8、所述l-mnl采樣器用于用于生成路徑候選區(qū)域的總效用；

9、所述軌跡生成器用于基于所述路徑候選區(qū)域的總效用，生成目標(biāo)車輛的預(yù)測軌跡。

10、優(yōu)選的，所述l-mnl采樣器包括：數(shù)據(jù)驅(qū)動模塊和知識驅(qū)動模塊；所述路徑候選區(qū)域的總效用包括：路徑候選區(qū)域的可解釋效用和不可解釋效用；

11、所述數(shù)據(jù)驅(qū)動模塊用于生成路徑候選區(qū)域的不可解釋效用；

12、所述知識驅(qū)動模塊用于生成路徑候選區(qū)域的可解釋效用。

13、優(yōu)選的，所述數(shù)據(jù)驅(qū)動模塊計算各候選區(qū)域的不可解釋效用的方法包括：

14、zi＝linear(concat(ai，ht，gi))其中：linear()是線性投影；zi是第i個候選區(qū)域的不可解釋效用；gi是通過第i個候選區(qū)域中點坐標(biāo)的線性映射得到的。

15、優(yōu)選的，所述知識驅(qū)動模塊計算各候選區(qū)域的可解釋效用計算如下：

16、ui＝βdirdiri+βoccocci+βcolcoli

17、其中，ui是第i個備選區(qū)域的可解釋效用；diri、occi和coli作為解釋變量，分別代表第i個備選區(qū)域的保持方向、避免擁擠和避免碰撞的偏好；βdir、βocc和βcol是三個解釋變量的系數(shù)，這三個解釋變量被定義為軌跡預(yù)測的解釋變量，定義方法為：

18、diri＝|dfd-di|

19、

20、式中，dfd為目標(biāo)車輛在時間點tobs的方向角；di為第i個候選區(qū)域中心的方向角；h為周圍交通參與者的數(shù)量；disthi為第h個交通參與者與第i個備候選區(qū)域的中心之間的距離；和定義如下：

21、

22、其中，maxl為整個扇形區(qū)域的半徑；和為第i個備選區(qū)域左右邊界的方向角；dh為第h個其他交通參與者的方向角；dh為第h個其他交通參與者與目標(biāo)車輛之間的距離；|θh-θi|為第h個其他交通參與者的運動方向與第i個備選區(qū)域的方向的夾角。

23、優(yōu)選的，所述軌跡生成器生成目標(biāo)車輛的預(yù)測軌跡的方法包括：

24、cj＝concat(aj，ht，gj)

25、trajj＝mlp(concat(oj，lvj))

26、其中：grudec()為gru，用于解碼上下文向量cj；是一個全連接層，用于嵌入cj；lvj是從標(biāo)準(zhǔn)高斯分布中隨機采樣的潛在變量；mlp()使用兩個全連接層生成潛在軌跡樣本trajj。

27、本發(fā)明還提供了基于加權(quán)圖注意力網(wǎng)絡(luò)的可解釋車輛軌跡預(yù)測系統(tǒng)，所述系統(tǒng)用于實現(xiàn)上述方法，包括：采集模塊、構(gòu)建模塊和預(yù)測模塊；

28、所述采集模塊用于采集無人駕駛場景中，所有交通參與者的歷史特征；

29、所述構(gòu)建模塊用于基于所述歷史特征，構(gòu)建可解釋車輛軌跡預(yù)測模型；

30、所述預(yù)測模塊用于利用所述可解釋車輛軌跡預(yù)測模型完成車輛軌跡預(yù)測。

31、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果如下：

32、本發(fā)明通過對可解釋和不可解釋的效用進行非加性融合，同時實現(xiàn)了高預(yù)測精度和可解釋性。同時，加權(quán)圖注意力網(wǎng)絡(luò)可以更有效地學(xué)習(xí)圖結(jié)構(gòu)中目標(biāo)車輛與環(huán)境之間的相互作用，從而提高預(yù)測精度。本發(fā)明可以為預(yù)測的區(qū)域分布提供可解釋性。這種方法在大數(shù)據(jù)集上實現(xiàn)了高精度的可解釋性，且可應(yīng)用于其他領(lǐng)域，研究深度學(xué)習(xí)模型的可解釋性機制。最后通過l-mnl采樣器和k均值聚類算法可以生成多模態(tài)預(yù)測軌跡，實驗表明本發(fā)明的多模態(tài)軌跡預(yù)測精度與現(xiàn)有模型相比具有競爭力。

技術(shù)特征：

1.基于加權(quán)圖注意力網(wǎng)絡(luò)的可解釋車輛軌跡預(yù)測方法，其特征在于，步驟包括：

2.根據(jù)權(quán)利要求1所述的基于加權(quán)圖注意力網(wǎng)絡(luò)的可解釋車輛軌跡預(yù)測方法，其特征在于，所述歷史特征包括目標(biāo)車輛的歷史特征和其他交通參與者的歷史特征；所述其他交通參與者的歷史特征包括：坐標(biāo)、速度、加速度和偏航角。

3.根據(jù)權(quán)利要求1所述的基于加權(quán)圖注意力網(wǎng)絡(luò)的可解釋車輛軌跡預(yù)測方法，其特征在于，構(gòu)建的所述可解釋車輛軌跡預(yù)測模型包括：l-mnl采樣器和軌跡生成器；

4.根據(jù)權(quán)利要求3所述的基于加權(quán)圖注意力網(wǎng)絡(luò)的可解釋車輛軌跡預(yù)測方法，其特征在于，所述l-mnl采樣器包括：數(shù)據(jù)驅(qū)動模塊和知識驅(qū)動模塊；所述路徑候選區(qū)域的總效用包括：路徑候選區(qū)域的可解釋效用和不可解釋效用；

5.根據(jù)權(quán)利要求4所述的基于加權(quán)圖注意力網(wǎng)絡(luò)的可解釋車輛軌跡預(yù)測方法，其特征在于，所述數(shù)據(jù)驅(qū)動模塊計算各候選區(qū)域的不可解釋效用的方法包括：

6.根據(jù)權(quán)利要求4所述的基于加權(quán)圖注意力網(wǎng)絡(luò)的可解釋車輛軌跡預(yù)測方法，其特征在于，所述知識驅(qū)動模塊計算各候選區(qū)域的可解釋效用計算如下：

7.根據(jù)權(quán)利要求3所述的基于加權(quán)圖注意力網(wǎng)絡(luò)的可解釋車輛軌跡預(yù)測方法，其特征在于，所述軌跡生成器生成目標(biāo)車輛的預(yù)測軌跡的方法包括：

8.基于加權(quán)圖注意力網(wǎng)絡(luò)的可解釋車輛軌跡預(yù)測系統(tǒng)，所述系統(tǒng)用于實現(xiàn)權(quán)利要求1-7任一項所述的方法，其特征在于，包括：采集模塊、構(gòu)建模塊和預(yù)測模塊；

技術(shù)總結(jié)
本發(fā)明公開了基于加權(quán)圖注意力網(wǎng)絡(luò)的可解釋車輛軌跡預(yù)測方法及系統(tǒng)，方法步驟包括：采集無人駕駛場景中，所有交通參與者的歷史特征；基于歷史特征，構(gòu)建可解釋車輛軌跡預(yù)測模型；利用可解釋車輛軌跡預(yù)測模型完成車輛軌跡預(yù)測。本發(fā)明通過對可解釋和不可解釋的效用進行非加性融合，同時實現(xiàn)了高預(yù)測精度和可解釋性。同時，加權(quán)圖注意力網(wǎng)絡(luò)可以更有效地學(xué)習(xí)圖結(jié)構(gòu)中目標(biāo)車輛與環(huán)境之間的相互作用，從而提高預(yù)測精度。本發(fā)明可以為預(yù)測的區(qū)域分布提供可解釋性。這種方法在大數(shù)據(jù)集上實現(xiàn)了高精度的可解釋性，且可應(yīng)用于其他領(lǐng)域，研究深度學(xué)習(xí)模型的可解釋性機制。

技術(shù)研發(fā)人員：周亦威,夏莫
受保護的技術(shù)使用者：上海理工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/11/28