1.一种基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法,其特征在于,包括:步骤1,提取目标车辆与目标车辆周围智能体的输入特征;
步骤2,通过编码器对所述输入特征进行编码,分别通过时间模式注意力与感兴趣智能体加权对目标车辆与目标智能体周围车辆进行隐藏模式的提取;
将aT与 分别输入至数据编码器,aT与 之间共享参数权重;
式中,aT为自车输入特征,具体特征信息与诸位智能体相同,Nc为特征维数;
输入尺寸中的特征维度为7,即
将原始数据输入至嵌入层,输出尺寸中的特征维度为64;
激活函数选择为泄露线性整流单元,激活函数为:式中,α=0.1;
对嵌入层进行更新,得到:
ec=φ(FC(ec;Wemb)),式中,ec为周围第c个智能体的嵌入向量,φ为所述泄露线性整流单元,Wemb为全连接层权重;
将经过嵌入层得到的输出张量输入至单层长短时记忆网络,将最后一个LSTM单元的输出ht输入至线性单元,通过泄露线性整流单元函数进行激活;
其中,ec经过激活函数激活后的编码张量为:其中,t为LSTM隐藏单元个数,为128个, 为第c辆目标车辆周围感兴趣车辆经过LSTM与LeakyReLU激活后的编码张量,Wemb为嵌入向量权重,Wenc为LSTM权重,Wlin为线性层权重,经过编码器对原始输入数据编码,得到 与 为LSTM隐藏层最后一个单元的t
h;
T
将aT输入至嵌入层,将嵌入层e输出至单层LSTM中,可以从单层LSTM的输出中获得Hop=
1 2 t t
[op ,op ,…,op]与h,如下式所示:t
其中,op为每一个LSTM单元的隐藏层输出,WTPA为LSTM的权重,其中h作为注意力机制中查询序列(Query), 为目标车辆第t‑1个隐藏单元的输出;
hst
得到的Hop与m个卷积核 进行1维卷积(Conv1D),m=32,令k=t ,卷积操作如下所示:其中i=1,2,…,m,j=1,2,…,k, 为卷积操作符,得到张量{Hm,k},记作H,首先作为键t(K,Key),与查询序列h通过权重矩阵Wsf得到得分函数 并且通过Sigmoid激活函数激活,即:
T
α=ψ(HWsfht)
式中, 为中间权重矩阵,查询序列ht,随后,将得分函数映射广播到值(V,Value)上,隐变量vt被加权得到,即:最终,将vt与隐藏变量ht通过中间权重Wh与Wv相结合,即:ht'=Whht+Wvvt
其中,
当编码器对智能体运动进行编码时,根据空间位置对周围智能体的编码张量进行堆叠,对叠加张量进行卷积运算:
1×1
其中,C 为1×1卷积核,Conv为卷积操作,stack为向量堆叠操作, 为第c辆目标车辆周围感兴趣智能体经过激活函数激活后的编码张量;
采用3×3卷积核进行卷积,增加通道数,
3×3
其中,squeeze()为将3维张量压缩至1维张量,φ为leskyReLU,C 为一个3×3的卷积核;
步骤3,通过解码器对目标车辆的驾驶操纵类别进行识别,对目标车辆未来的行驶轨迹进行预测。
2.根据权利要求1所述的基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法,其特征在于,所述步骤1包括:对目标车辆与目标车辆周围智能体的行驶历史数据进行处理,记录所述目标车辆与目标车辆周围智能体的历史行驶轨迹;
所述目标车辆与目标车辆周围智能体的行驶轨迹数据记为:式中, 为周围智能体集合,ac为周围智能体特征向量,c为周围智能体编号,Nc=8,Nc为特征维数;
对于每个智能体的历史轨迹,定义为 a为每个智能体的历史轨迹集合向量,wh为历史轨迹向量长度,其中,其中, 为车智能体车辆行驶横向位置与纵向位置,x和y分别为Op坐标系的横轴与纵轴方向,class为智能体类别,若对应位置无智能体,则a=0。
3.根据权利要求2所述的基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法,其特征在于,所述目标车辆周围智能体包括:目标车辆的前、后、左前、左旁、左后、右前、右旁、右后智能体中的与目标车辆的欧氏距离不超过150m的车辆。
4.根据权利要求3所述的基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法,其特征在于,所述步骤3包括:将所述解码器将编码张量hT、注意张量ht'、感兴趣智能体加权张量hA进行串联,得到:式中,hdec为因变量串联后待解码张量;
fut
利用一个分支预测驾驶操纵的分布,另一个分支重复重张量t 次,对应于每个LSTM单元中,输出激活层后,每个单元的输出代表未来某个时刻的目标车辆坐标值,包括:pred
式中 为输出激活,其中, 为各驾驶操纵的预测概率分布,a 为在坐标系Op为预测的车辆轨迹。
5.根据权利要求4所述的基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法,其特征在于,还包括:对车辆轨迹预测值使用均方差作为回归任务的损失函数,如下所示:其中,N为训练集中样本数, 为轨迹预测值, 为真实轨迹坐标;
当分类不平衡或学习难度不同时,使用焦点损失进行补偿,如下所示:式中,η=1,β=2,ε为防止对数函数溢出;总损失为: