[發明專利]一種基于拓撲路網的無人車軌跡預測與導航方法

有效

• 申請號: 202011290551.8
• 申請日: 2020-11-17
• 公開（公告）號: CN112270306B
• 公開（公告）日: 2022-09-30
• 發明（設計）人: 許嬌龍;張巍;趙大偉;肖良
• 申請（專利權）人: 中國人民解放軍軍事科學院國防科技創新研究院
• 主分類號: G06V20/56
• 分類號: G06V20/56;G06V20/58;G06V10/26;G06V10/764;G06V10/774;G06V10/82;G06Q10/04;G06Q50/30;G06N3/04;G06N3/08
• 代理公司: 中國兵器工業集團公司專利中心 11011
• 代理人: 劉瑞東

1.一種基于拓撲路網的無人車軌跡預測與導航方法，其特征在于，包括如下步驟：

S1：獲取無人車導航區域內的拓撲路網并得到起點到終點的全局參考路徑；

S2：根據無人車定位信息和所述S1中的全局參考路徑，獲取局部參考路徑；

S3：將所述S2中的局部參考路徑和無人車感知數據輸入軌跡預測深度神經網絡，輸出預測的無人車局部引導路徑；

所述軌跡預測深度神經網絡包括一個深度特征提取網絡，自監督道路分割網絡以及多模態軌跡預測網絡；

所述自監督道路分割網絡是由多個卷積層和上采樣層組成的全卷積神經網絡，其輸入為所述深度特征提取網絡得到的深度特征，輸出為道路分割二值圖像；在訓練過程中，道路分割的真值通過無人車歷史軌跡自動生成，無需人工標注，該訓練為自監督訓練，自監督道路分割網絡采用二分類交叉熵損失函數；

所述多模態軌跡預測網絡包含一個軌跡回歸網絡和模態分類網絡，均由多個全連接層組成，其輸入為所述深度特征提取網絡得到的深度特征，軌跡回歸網絡輸出為多組預測的軌跡，模態分類網絡的輸出為每一組軌跡的概率信息；每一組軌跡用Nx2的二維數組表述，其中N為預測點的個數，2表示x和y方向的坐標信息，x和y的坐標原點為車體中心；

S4:根據所述S3中預測的局部引導路徑，引導無人車進行路徑跟隨，從而實現無人車導航；

S4.1：在沒有障礙物的環境中，所述S3中預測的局部路徑可直接作為引導路徑，引導無人車進行路徑跟隨；

S4.2：在有障礙物的環境中，所述S3中預測的局部路徑可以結合局部障礙圖信息進行進一步的局部路徑規劃，獲得繞障之后的安全引導路徑，引導無人車進行路徑跟隨。

2.根據權利要求1所述的一種基于拓撲路網的無人車軌跡預測與導航方法，其特征在于，所述S1的全局參考路徑可以通過如下方式獲取，在S1的拓撲路網中依次標繪無人車的起點、經過的每一個交叉路口以及終點，形成一個拓撲路徑，對路徑上的每一條邊，通過線性插值生成稠密的路徑參考點，最終形成一個稠密的全局參考路徑。

3.根據權利要求1所述的一種基于拓撲路網的無人車軌跡預測與導航方法，其特征在于，所述S1的全局參考路徑可以通過如下方式獲取，在S1的拓撲路網中標繪無人車的起點、終點，通過全局路徑規劃算法，計算起點到終點的全局路徑，對路徑上的每一條邊，通過線性插值生成稠密的路徑參考點，最終形成一個稠密的全局參考路徑。

4.根據權利要求3所述的一種基于拓撲路網的無人車軌跡預測與導航方法，其特征在于，所述全局路徑規劃算法為最短路徑算法。

5.根據權利要求4所述的一種基于拓撲路網的無人車軌跡預測與導航方法，其特征在于，所述多模態軌跡預測網絡在訓練過程中最小化軌跡回歸的誤差以及模態預測的分類誤差，其中回歸任務的損失函數采用平滑L1損失函數，分類任務采用交叉熵損失函數；多模態軌跡預測網絡的真值為無人車記錄的真實歷史軌跡信息。

6.根據權利要求5所述的一種基于拓撲路網的無人車軌跡預測與導航方法，其特征在于，所述多模態軌跡預測網絡基于駕駛過的環境中大量真實歷史軌跡數據進行訓練，在訓練完成之后可應用于沒有駕駛過的環境進行導航，只需要輸入所述S3中的傳感器數據以及所述S2中的局部參考路徑即可對當前局部路徑進行預測并引導無人車完成導航。

7.根據權利要求1-6任一權利要求所述的一種基于拓撲路網的無人車軌跡預測與導航方法，其特征在于，所述S3中的無人車的感知數據為360度激光雷達點云數據、攝像頭獲取的圖像數據或毫米波雷達數據。

8.根據權利要求1-6任一權利要求所述的一種基于拓撲路網的無人車軌跡預測與導航方法，其特征在于，所述深度特征提取網絡由多個卷積層、非線性激活層、批歸一化層以及跨越連接層構成的殘差網絡塊組成，其輸入為所述S3的無人車感知數據投影到以車輛為中心的俯視圖的多通道特征圖，以及將所述S2的局部參考路徑投影到該俯視圖上生成的二值圖像數據。