[發明專利]一種基于深度神經網絡的車輛軌跡預測方法

有效

• 申請號: 201810947323.X
• 申請日: 2018-08-20
• 公開（公告）號: CN109272745B
• 公開（公告）日: 2020-10-27
• 發明（設計）人: 黃亮;馮旭;馮安琪;黃玉蘋;錢麗萍;吳遠
• 申請（專利權）人: 浙江工業大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G08G1/052;G06N3/06;G06N3/08
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

1.一種基于深度神經網絡的車輛軌跡預測方法，其特征在于，所述預測方法包括如下步驟：

1)在智能網聯交通系統中，通過DSRC技術自動識別行駛的車輛并獲取相關數據，實現車載系統與路邊單元的信息交互，其中，信息交互的步驟如下：

步驟1.1：當行駛車輛進入定向天線所覆蓋的范圍內時，車載系統會與路邊單元通過DSRC技術實現雙向通信，使得雙方能同時發送自身存儲單元上的信息，其中，車載系統發送的信息包括車輛的當前速度、當前位置和時間戳，路邊單元發送的信息包括其他車道上車輛的預測速度、位于哪個方向上、幾車道和加速度；

步驟1.2：路邊單元將獲取到的車輛信息發送到邊緣云服務器進行運算操作；

2)邊緣云服務器根據路邊單元與車載系統之間的方位差，進行方位角計算并做相應的量化處理，針對位置信息對車輛行駛方向進行量化，其中，量化過程為：

步驟2.1：將位置信息轉換成以視角存在的數字信息，其中，車輛在t-1時刻路邊單元與車載系統之間的方位角定義為：

在此，各參數定義如下：

在t-1時刻路邊單元與車載系統之間的方位角；

θ_t-1：將t-1時刻的車輛位置轉化為方位角的反三角函數；

σ_t-1：在t-1時刻由信號反射引起的誤差噪聲；

(x_t-1,y_t-1)：在t-1時刻車輛的當前位置；

步驟2.2：以十字路口中心作為坐標原點，對在t-1時刻路邊單元與車載系統之間的方位角進行量化處理，確定車輛所在的方向，其中，量化公式如下：

在此，各參數定義如下：

b_t-1：t-1時刻車輛在十字路口的量化方向；

q(·)：量化函數；

i：十字路口的方向標識；

步驟2.3：為了實現方向信息的具體化，對該方向的車道進行量化，將在t-1時刻路邊單元與車載系統之間的方位角重命名為將其記錄為：

在此，各參數定義如下：

在t-1時刻路邊單元與車載系統之間的方位角；

θ′_t-1：t-1時刻，將車輛與路邊單元的相對位置轉化為方位角的反三角函數；

(x_i,y_i)：方向i上路邊單元的固定位置；

步驟2.4：針對上述量化公式，對車輛所在的方向進行第二次量化，確定車輛所在的車道；

1≤j≤n≤6,1≤i≤4；

在此，各參數定義如下：

q_t：在t時刻車道的量化方向；

j_i：位于方向i上的第j個車道；

n：車道總數；

3)使用最近的p+1個車輛速度進行加速度估計，第p個加速度計算方式為：

在此，各參數定義如下：

Δτ：采樣時間間隔；

Δv：后一時刻與前一時刻的速度之差；

v_t-p：在t-p時刻車輛的速度；

τ_t-p：在t-p時刻車輛的時間戳；

a_t-(p+1)：第p個加速度值；

此后，根據p個加速度值，利用自回歸滑動平均法進行車輛加速度預測，其中，預測公式如下：

在此，各參數定義如下：

a_t-1：在t-1時刻車輛的加速度；

p：加速度總數；

q：滑動總數；

β：不為零的待定系數；

不為零的待定系數；

ξ_t-1：在t-1時刻獨立的誤差項；

4)將傳感器收集到的上一時刻的位置信息(x_t-1,y_t-1)以及速度信息v_t-1,再結合計算出的加速度信息a_t-1；將(x_t-1,y_t-1,v_t-1,a_t-1)作為原始特征數據，而軌跡(x_t,y_t)則作為該條原始特征數據的標簽；軌跡是需要被神經網絡所預測的東西，而(x_t-1,y_t-1,v_t-1,a_t-1)是神經網絡需要觀測的值；神經網絡通過輸入(x_t-1,y_t-1,v_t-1,a_t-1)，預測出t時刻車輛的位置再通過軌跡(x_t,y_t)來優化神經網絡，使它能預測得更準；進一步地，將[(x_t-1,y_t-1,v_t-1,a_t-1),(x_t,y_t)]作為一條帶標簽的數據存儲在數據集中，然后再將整個數據集按設定的比例劃分為訓練集，驗證集和測試集三個部分；訓練集用于訓練神經網絡，驗證集用于實時驗證神經網絡的預測能力，而測試集則用來評價神經網絡最終的預測能力；

5)數據集準備好后，需要定義神經網絡的結構，神經網絡由多個神經元和連接兩個神經元的神經鏈路組成，單個神經元所進行的數學運算，如下所示：

在此，各參數定義如下：

y_s：第s個神經元的輸出；

f：激活函數；

w_rs：連接神經元r和神經元s的權重；

x_r：前一層神經元r的輸出；

b_s：第s個神經元的偏置；

6)在定義好神經網絡的結構后，通過準備好的數據集進行訓練，神經網絡的訓練步驟如下：

步驟6.1：初始化神經網絡的起始權重和偏置，初始化迭代次數K＝0；

步驟6.2：從訓練集中隨機抽取一批數據，將原始特征數據和標簽分別提取出來，原始特征數據直接輸入神經網絡；

步驟6.3：原始特征數據輸入后，神經網絡得到預測輸出，再將神經網絡的輸出與標簽做比較，產生誤差；

步驟6.4：通過梯度下降算法，對誤差求偏導，并反向傳播回各個權重和偏置，改變其數值從而不斷減小誤差；

步驟6.5：K＝K+1，如果K小于最大迭代次數G，則返回步驟6.1繼續執行，否則訓練過程結束；

步驟6.6：神經網絡訓練完成后，用測試集檢驗神經網絡的最終預測效果；

7)最后，邊緣云服務器將處理好的信息通過光纜傳送給其他3個路邊單元，以便于下一次與車載系統的信息交互。

2.如權利要求1所述的一種基于深度神經網絡的車輛軌跡預測方法，其特征在于，所述步驟1.2中，考慮到邊緣云服務器的存儲容量有限，所以將服務器中的數據每隔一周進行清零。