[發(fā)明專利]一種生成對抗網(wǎng)絡(luò)模型、及利用該生成對抗網(wǎng)絡(luò)模型的車輛軌跡預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202010631885.0
• 申請日: 2020-07-03
• 公開（公告）號(hào): CN111931902A
• 公開（公告）日: 2020-11-13
• 發(fā)明（設(shè)計(jì)）人: 陳龍;周奇揚(yáng);蔡英鳳;汪梓豪;王海;李祎承;劉擎超;陳小波
• 申請（專利權(quán)）人: 江蘇大學(xué)
• 主分類號(hào): G06N3/04
• 分類號(hào): G06N3/04;G06N3/08;G06T7/207
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種生成對抗網(wǎng)絡(luò)模型、及利用該生成對抗網(wǎng)絡(luò)模型的車輛軌跡預(yù)測方法，其中，生成對抗網(wǎng)絡(luò)模型由兩個(gè)模塊構(gòu)成，模塊一：生成對抗網(wǎng)絡(luò)的生成器；模塊二：生成對抗網(wǎng)絡(luò)的判別器。利用生成器生成模擬軌跡，利用判別器判別軌跡真?zhèn)危K一與模塊二相互博弈對抗，最后獲取一個(gè)能生成與真實(shí)軌跡高度相似模擬軌跡的生成器。之后對生成對抗網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并給出了數(shù)據(jù)獲取方法，優(yōu)化器，學(xué)習(xí)率，訓(xùn)練輪次，迭代輪次，損失函數(shù)。最后給出了驗(yàn)證車輛軌跡預(yù)測系統(tǒng)生成軌跡準(zhǔn)確性的方法。本發(fā)明提出的使用生成對抗網(wǎng)絡(luò)進(jìn)行軌跡預(yù)測的預(yù)測方法，對過去網(wǎng)絡(luò)結(jié)構(gòu)做出了創(chuàng)新，并有效提高了預(yù)測的準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明屬于智能交通自動(dòng)駕駛領(lǐng)域，具體涉及一種生成對抗網(wǎng)絡(luò)模型、及利用該生成對抗網(wǎng)絡(luò)模型的車輛軌跡預(yù)測方法。

背景技術(shù)

隨著社會(huì)發(fā)展和社會(huì)人群出行需求的日益提升，智能汽車產(chǎn)業(yè)迎來了快速發(fā)展的黃金時(shí)代。與此同時(shí)，隨著科學(xué)技術(shù)尤其是計(jì)算機(jī)技術(shù)的快速發(fā)展，深度學(xué)習(xí)的出現(xiàn)給智能汽車的未來提供了新思路、新方法。

美國國家公路交通安全管理局(NHTSA)將智能汽車自動(dòng)化等級分為l1至l5共五級，而區(qū)分智能汽車自動(dòng)化等級的重要評估標(biāo)準(zhǔn)為智能汽車的決策能力。智能汽車在對自車行為進(jìn)行決策之前，需評估旁車未來軌跡，并根據(jù)旁車未來軌跡規(guī)劃自車線路導(dǎo)向。

目前車輛軌跡預(yù)測方法主要使用了遞歸神經(jīng)網(wǎng)絡(luò)(RNN)中的長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(LSTM)來，實(shí)現(xiàn)了對車輛未來軌跡的預(yù)測。模型通過LSTM網(wǎng)絡(luò)提取車輛歷史軌跡內(nèi)的時(shí)序特征，擬合歷史軌跡和未來軌跡之間的非線性關(guān)系，最后通過損失函數(shù)值的反向傳播來完成預(yù)測。很多模型使用了自然語言處理中的seq2seq編碼器解碼器結(jié)構(gòu)，通過LSTM編碼器提取車輛軌跡的時(shí)間特征，將其編碼成特征上下文向量；LSTM解碼器則對上下文向量進(jìn)行解碼，生成未來軌跡坐標(biāo)。

但是，使用LSTM的預(yù)測方法還存在著精度不高的問題。同時(shí)，過去模型未能考慮被預(yù)測車周邊車輛運(yùn)行軌跡對自車的影響，存在輸入特征較少，魯棒性過低的問題。

有鑒于此，有必要為智能汽車提供一種新型的車輛軌跡預(yù)測系統(tǒng)。

發(fā)明內(nèi)容

為解決上述問題，本發(fā)明提出了一種基于生成對抗網(wǎng)絡(luò)模型的車輛軌跡預(yù)測方法。本發(fā)明在生成對抗網(wǎng)絡(luò)中加入了卷積神經(jīng)網(wǎng)絡(luò)池化層來提取周邊車輛對主車影響信息，同時(shí)加入了換道信息預(yù)測，利用換道信息加強(qiáng)了對預(yù)測軌跡的約束能力。

本發(fā)明提出的基于生成對抗網(wǎng)絡(luò)的車輛軌跡預(yù)測方法原理如圖1所示，圖1中所示的生成對抗網(wǎng)絡(luò)模型主要由兩個(gè)模塊構(gòu)成。模塊一：生成對抗網(wǎng)絡(luò)的生成器；模塊二：生成對抗網(wǎng)絡(luò)的判別器。利用生成器生成模擬軌跡，利用判別器判別軌跡真?zhèn)危K一與模塊二相互博弈對抗，最后獲取一個(gè)能生成與真實(shí)軌跡高度相似模擬軌跡的生成器。

本發(fā)明還提出了一種生成對抗網(wǎng)絡(luò)模型的訓(xùn)練方法，并給出了數(shù)據(jù)獲取方法，優(yōu)化器，學(xué)習(xí)率，訓(xùn)練輪次，迭代輪次，損失函數(shù)。具體如下面具體實(shí)施方式部分所述。

本發(fā)明最后提出了驗(yàn)證車輛軌跡預(yù)測系統(tǒng)生成軌跡準(zhǔn)確性的方法。具體如下面具體實(shí)施方式部分所述。

本發(fā)明的有益效果：

(1)本發(fā)明提出的使用生成對抗網(wǎng)絡(luò)進(jìn)行軌跡預(yù)測的預(yù)測方法，對過去網(wǎng)絡(luò)結(jié)構(gòu)做出了創(chuàng)新，并有效提高了預(yù)測的準(zhǔn)確性。

(2)本發(fā)明在生成對抗網(wǎng)絡(luò)的生成器中加入的卷積社交池結(jié)構(gòu)，利用卷積神經(jīng)網(wǎng)絡(luò)提取平面特征的優(yōu)勢，解決了使用傳統(tǒng)遞歸神經(jīng)網(wǎng)絡(luò)不能獲取的車輛交互產(chǎn)生的特征信息的缺陷。

(3)本發(fā)明在生成對抗網(wǎng)絡(luò)的生成器中加入的換道判別結(jié)構(gòu)，通過判斷車輛換道行為，加強(qiáng)了對輸出軌跡的約束。