[發明專利]一種車輛軌跡預測及駕駛行為分析方法

有效

• 申請號: 202110603385.0
• 申請日: 2021-05-31
• 公開（公告）號: CN113362491B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 安吉堯;劉韋;郭亮;付志強;李濤
• 申請（專利權）人: 湖南大學
• 主分類號: G07C5/08
• 分類號: G07C5/08;G06N3/04
• 代理公司: 長沙新裕知識產權代理有限公司 43210
• 代理人: 梁小林

1.一種車輛軌跡預測及駕駛行為分析方法，其特征在于，包括以下步驟：

步驟1：一種圖卷積神經網絡模型的輸入數據處理算法：包括描述駕駛場景所有車輛的歷史軌跡、描述交互特征的圖模型鄰接矩陣以及一種半全局圖數據生成算法；輸入數據具體定義如下：

(1)被預測駕駛場景所有車輛的歷史軌跡與預測軌跡：

駕駛場景的車輛歷史軌跡由τ個歷史時間步的車輛軌跡數據組成：

其中每個時間步的軌跡數據為其由駕駛場景中的n輛車的局部坐標x,y組成；

駕駛場景的預測軌跡由T個預測時間步的軌跡數據組成：每個時間步的軌跡數據格式與歷史軌跡數據相同；軌跡預測的問題形式化表示為：

(2)描述節點關系的鄰接矩陣：

用無向圖G＝{V,E}描述駕駛場景，節點集合V中的每個節點代表駕駛場景中的每輛車，考慮到每輛車在不同的時間步有不同的狀態，節點集合V表示為n為駕駛場景中的半全局總車輛數，τ為歷史時間步，特征向量代表第i輛車在時間t的坐標；

當車輛之間的距離足夠近時，代表車輛交互關系的邊就應被連接上；因此邊集合E表示為其中d是歐式距離函數，該集合中兩輛車之間的距離小于閾值D_close；

通過定義兩種鄰接矩陣，分別用于兩個子網絡SGGCN與MGCN；

離散鄰接矩陣的元素級定義為：

該式表示節點i與節點j在時間步t的歐式距離足夠近時，對應邊權值為1，否則為0；

連續鄰接矩陣的元素級定義為：

其中為基于歐式距離的距離計算函數，該式表示節點i與節點j的距離足夠近時，對應的邊權值為否則為0；的尺寸均為(N×N×τ)，其中N為總車輛數；

(3)動態圖：具有張量形式的鄰接矩陣不同于一般的鄰接矩陣，增加了時間維度；與軌跡數據共同描述動態的駕駛場景，即車輛節點的特征動態化和車輛之間的交互關系動態化描述；G＝{V,E}中節點集合V的數據表示形式為特征矩陣邊集合E的數據表現形式為鄰接矩陣稱由和共同描述的圖模型G為動態圖；

(4)半全局圖生成算法：

全局圖指設置描述圖模型邊關系的鄰接矩陣時，將矩陣尺寸設為總歷史場景中出現過的總累積車輛數；局部圖則將矩陣尺寸設為每個時間步中最多可能出現的車輛數；半全局圖則是設一個介于兩者之間的中間值，當歷史出現車輛數累積達到該尺寸時，便重置累積；

步驟2：圖卷積神經網絡模型的結構設計；包括三個部分：第一部分為基于半全局圖的圖卷積神經網絡，簡寫為SGGCN，其由圖操作層和卷積層組成，能夠有效提取車與車之間的交互關系；第二部分為基于M-product方法的變體圖卷積神經網絡，簡寫為MGCN，能夠直接對三維張量進行圖卷積操作，該三維張量為描述動態駕駛場景的動態圖；圖卷積神經網絡能夠更加高效的提取車輛之間的時間、空間依賴特征；第一部分與第二部分的網絡輸出的中間特征被拼接為總的時空特征，輸入第三部分的網絡；第三部分為基于GRU的編碼器解碼器網絡，其輸入為總的時空特征，該網絡進一步對時空特征進行解編碼提取時間特征，時空特征最終被解碼為預測的車輛軌跡；

步驟3：訓練圖卷積神經網絡模型；包括設置相應的訓練數據和訓練環境對模型進行訓練；

步驟4，基于訓練完成后的模型進行車輛軌跡預測；

步驟5，基于車輛預測軌跡構建駕駛行為關鍵描述特征；

步驟6，基于行為描述特征進行駕駛行為模糊分類。