[發明專利]無人駕駛鄰近車輛軌跡預測方法

有效

• 申請號: 202110331661.2
• 申請日: 2021-03-29
• 公開（公告）號: CN113033899B
• 公開（公告）日: 2023-03-17
• 發明（設計）人: 程久軍;毛其超;原桂遠;魏超;周愛國
• 申請（專利權）人: 同濟大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F18/2321;G06F18/214;G06F18/211;G06N3/0442;G06N3/084
• 代理公司: 上海科律專利代理事務所(特殊普通合伙) 31290
• 代理人: 葉鳳

1.一種無人駕駛鄰近車輛軌跡預測方法，其特征在于：首先，通過LK-DBSCAN(Limit-KDBSCAN)算法提取出視頻數據和點云數據中無人駕駛鄰近車輛周圍車輛集合以及路況信息，采用特征工程構造潛在的存在影響力的特征，增強數據特征對復雜道路情況的表達能力；然后使用長短期記憶神經網絡LSTM對車輛的實時行為進行預測；最后，結合LSTM預測的車輛行為與車輛的歷史行為數據，通過B-LSTM(Behavior-based LSTM)對車輛的軌跡進行預測；

具體包括如下步驟：

步驟1.相關定義

定義1鄰近車輛自身屬性集合AttriV(Attributes of Vehicles)：AttriV_i(t)為t時刻鄰近車輛i自身的相關屬性集合，如公式(1)所示：

AttriV_i(t)＝{S_i(t),A_i(t),P_i(t),Movedir_i(t),TY_i,L_i,W_i} (1)

其中，S_i(t)、A_i(t)、P_i(t)、Movedir_i(t)分別表示t時刻鄰近i車輛的速度、加速度、位置和行駛方向；TY_i表示鄰近車輛的具體類型；L_i和W_i分別表示車輛的長度和寬度；

定義2鄰近車輛周圍環境的固有屬性集合AttriE(Attributes of Environments)：AttriE_i(t)表示t時刻鄰近車輛周圍環境的固有屬性集合，如公式(3.2)

AttriE_i(t)＝{Lane_i(t),CLallowable} (2)

其中Lane_i(t)表示i所在的車道，車道采用由左至右依次編號，并轉化為One-hot編碼，CLallowable表示交通規則規定是否允許變道，數值等于1表示可以變道，等于0則反之；

定義3鄰近車輛的總屬性fv_i(t)定義如下：

fv_i(t)＝AttriV_i(t)∪AttriE_i(t) (3)

其中，fv_i(t)是由車輛自身屬性集合AttriV_i(t)和車輛周圍環境屬性AttriE集合構成；

定義4鄰近車輛軌跡Tra(trajectory of vehicles)：對于特定的鄰近車輛i，其在數據集中存在多個連續時間段內的采樣點，通過對時間的轉換，將最小的時間戳轉換成0時刻，那么i車輛的軌跡定義如(3)：

Tra_i＝{P_i(t₀),P_i(t₁)…,P_i(t_k-1),P_i(t_k)} (4)

其中，{t₀,t₁,…,t_k-1,t_k}為采樣時間點序列，P_i(t)表示車輛i在t時刻所在的位置，分別由其在二維坐標中的橫向坐標x和縱向坐標y構成，表示為P_i(t)＝(x,y)；

定義5鄰近車輛周圍影響因素集合SuV(Surrounding Vehicles)：SuV(t)為t時刻鄰近車輛i周圍且為無人駕駛車輛感知到的車輛的特征集合，其數學表達式為：

SuV(t)＝{fv_j(t),…,fv_l(t)|{j,…,l}∈SuE(t)} (5)

其中，fv_j(t)表示集合中j車輛的特征集合；SuE(t)表示對車輛i存在影響的周圍車輛{j,…,l}的集合；

步驟2.無人駕駛鄰近車輛數據預處理；

步驟2.1鄰近車輛數據填充與過濾；

步驟2.2車輛特征抽取；

步驟2.3鄰近車輛周圍車輛集合提取算法；

鄰近車輛周圍車輛集合提取算法(LK-DBSCAN)

輸入：車輛原始數據集Data_H3D

輸出：對鄰近車輛有影響的車輛集合

1.初始化輸入集合Data_H3D，距離集合Dis，最終結果集合Result

2.按照實驗采集場景進行分組，得到Data_t

3.遍歷Set(t)中的車輛節點i，且Set(t)∈Data_t，i∈Data_t

4.遍歷其余車輛節點k

5.若k,i之間的距離Dis_ki已經被計算并放入Dis_k中，則繼續遍歷

6.否則，計算Dis_ik

7.將Dis_ik放入Dis_i中

8.如果車輛節點k已遍歷完

9.采用Min(∈,β,Dis_i)篩選出符合定義的結果，并生成放入劃分集合Result

10.如果Set(t)已遍歷完

11.返回結果集合Result

步驟3.無人駕駛鄰近車輛行為預測算法；

無人駕駛鄰近車輛行為預測算法

輸入：時間長度t＝0,…,k，訓練集input

輸出：無人駕駛鄰近車輛行為預測模型及其權重w

1.初始化模型權重w

2.按照時間對輸入進行分batch，得到集合Set(batch)3.遍歷樣本i，且i∈Set(batch)

4.通過模型計算得到輸出output

5.通過output和真實標簽label，計算交叉熵損失L

6.通過L采用反向傳播算法計算梯度

7.更新參數w

8.如果遍歷完Set(batch)

9.返回模型參數w

步驟4.無人駕駛鄰近車輛軌跡預測算法；

無人駕駛鄰近車輛軌跡預測算法

輸入：時間長度t＝0,…,k，訓練集input

輸出：無人駕駛鄰近車輛軌跡預測模型及其權重w

1.初始化模型權重w

2.按照時間對輸入進行分batch，得到Set(batch)

3.遍歷樣本i，且i∈Set(batch)

4.在編碼器層計算得到輸出output1

5.通過行為預測模型得到行為Behavior

6.將行為Behavior通過全連接層映射至128維

7.通過解碼器得到最后的預測軌跡P

8.計算P與真實值label之間的均方差損失L

9.通過反向傳播算法計算梯度grad

10.更新權重w

11.如果遍歷完Set(batch)

12.返回最后的訓練權重w。