欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022114904773
申请人: 长安大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种多模态车辆轨迹预测模型训练方法,其特征在于,包括:

将车辆运动轨迹训练数据划分为多个类别,所述类别包括左偏移、右偏移和直行;

所述多模态车辆轨迹预测模型包括编码器模块和解码器模块;对每个类别的训练数据基于所述解码器模块进行权重迭代剪枝,得到每个类别对应的多个掩码矩阵;

基于所述每个类别的训练数据、所述每个类别对应的多个掩码矩阵对所述编码器模块和解码器模块进行训练,得到训练后的多模态车辆轨迹预测模型,所述训练后的多模态车辆轨迹预测模型能够输出与所述多个类别对应的多个轨迹预测结果。

2.如权利要求1所述的方法,其特征在于,其中,对每个类别的训练数据基于所述解码器模块进行权重迭代剪枝,得到每个类别对应的多个掩码矩阵,包括:初始化所述解码器模块的网络参数,采用所述车辆运动轨迹训练数据对所述解码器模块进行多轮预训练,得到基网络;

将每个类别的训练数据分别输入到所述基网络中,进行多轮预训练,得到每个类别对应的子网;

对所述每个类别对应的子网的多个全连接层的权重参数进行权重迭代剪枝,确定每个类别对应的多个掩码矩阵。

3.如权利要求1所述的方法,其特征在于,其中,基于所述每个类别的训练数据、所述每个类别对应的多个掩码矩阵对所述编码器模块和解码器模块进行训练,得到训练后的多模态车辆轨迹预测模型,包括:所述训练的过程进行多次,每次训练包括:将每个类别的训练数据分别输入到所述编码器模块中,得到每个类别对应的高维空间向量;将每个类别的训练数据、对应的多个掩码矩阵和对应的高维空间向量输入到所述解码器模块中,得到所述每个类别对应的轨迹预测结果;

每次训练结束后,基于车辆运动轨迹测试数据对所述多模态车辆轨迹预测模型进行测试,当所述多模态车辆轨迹预测模型满足测试要求时,训练结束,得到训练后的多模态车辆轨迹预测模型。

4.如权利要求3所述的方法,其特征在于,其中,将每个类别的训练数据分别输入到所述编码器模块中,得到每个类别对应的高维空间向量,包括:所述编码器模块包括依次连接的多头注意力模块、残差连接层、归一化层和前馈神经网络;

针对每个类别,将所述训练数据输入到所述多头注意力模块,得到Value向量的权重分布;

将所述Value向量的权重分布和所述训练数据输入到所述残差连接层进行残差连接,并将所述残差连接的结果输入到所述归一化层进行归一化处理,得到归一化后的向量;

将所述归一化后的向量输入到所述前馈神经网络,得到降维后的向量;

将所述降维后的向量和所述归一化后的向量输入到所述残差连接层进行残差连接,并将所述残差连接的结果输入到所述归一化层进行归一化处理,得到所述类别对应的高维空间向量。

5.如权利要求3所述的方法,其特征在于,其中,将每个类别的训练数据、对应的多个掩码矩阵和对应的高维空间向量输入到所述解码器模块中,得到所述每个类别对应的轨迹预测结果,包括:所述解码器模块包括掩码多头注意力模块、多头注意力模块、残差连接层、归一化层和前馈神经网络、全连接层网络;

针对每个类别,将所述训练数据、所述多个掩码矩阵输入到所述掩码多头注意力模块,得到Value向量的第一权重分布;

将所述Value向量的第一权重分布和所述训练数据输入到所述残差连接层进行残差连接,并将所述残差连接的结果输入到所述归一化层进行归一化处理,得到第一归一化后的向量;

将所述第一归一化后的向量、所述高维空间向量和所述多个掩码矩阵输入到所述多头注意力模块,得到Value向量的第二权重分布;

将所述Value向量的第二权重分布和所述第一归一化后的向量输入到所述残差连接层进行残差连接,并将所述残差连接的结果输入到所述归一化层进行归一化处理,得到第二归一化后的向量;

将所述第二归一化后的向量输入所述前馈神经网络,得到降维后的向量;

将所述降维后的向量和所述第二归一化后的向量输入到所述残差连接层进行残差连接,并将所述残差连接的结果输入到所述归一化层进行归一化处理,得到第三归一化后的向量;

将所述第三归一化后的向量输入到所述全连接层网络,得到所述类别对应的轨迹预测结果。

6.如权利要求3所述的方法,其特征在于,基于车辆运动轨迹测试数据对所述多模态车辆轨迹预测模型进行测试,当所述多模态车辆轨迹预测模型满足测试要求时,训练结束,包括:所述车辆运动轨迹测试数据包括多个类别的测试数据;将每个类别的测试数据分别输入到所述编码器模块中,得到每个类别对应的高维空间向量;

将每个类别的测试数据、对应的多个掩码矩阵和对应的高维空间向量输入到所述解码器模块中,得到所述每个类别对应的轨迹预测结果;

对所述每个类别对应的高维空间向量进行线性变换和Softmax函数处理,得到每个类别的分布概率;

计算所述分布概率最大的类别对应的轨迹预测结果与真实轨迹结果之间的误差;

若所述误差在设定范围内,则所述多模态车辆轨迹预测模型满足测试要求,训练结束。

7.一种多模态车辆轨迹预测模型训练装置,其特征在于,包括:

数据类别划分单元,用于将车辆运动轨迹训练数据划分为多个类别,所述类别包括左偏移、右偏移和直行;

掩码矩阵获取单元,用于所述多模态车辆轨迹预测模型包括编码器模块和解码器模块;对每个类别的训练数据基于所述解码器模块进行权重迭代剪枝,得到每个类别对应的多个掩码矩阵;

训练单元,用于基于所述每个类别的训练数据、所述每个类别对应的多个掩码矩阵对所述编码器模块和解码器模块进行训练,得到训练后的多模态车辆轨迹预测模型,所述训练后的多模态车辆轨迹预测模型能够输出与所述多个类别对应的多个轨迹预测结果。

8.如权利要求7所述的装置,其特征在于,所述掩码矩阵获取单元,还用于:初始化所述解码器模块的网络参数,采用所述车辆运动轨迹训练数据对所述解码器模块进行多轮预训练,得到基网络;

将每个类别的训练数据分别输入到所述基网络中,进行多轮预训练,得到每个类别对应的子网;

对所述每个类别对应的子网的多个全连接层的权重参数进行权重迭代剪枝,确定每个类别对应的多个掩码矩阵。

9.如权利要求7所述的装置,其特征在于,所述训练单元,还用于:所述训练的过程进行多次,每次训练包括:将每个类别的训练数据分别输入到所述编码器模块中,得到每个类别对应的高维空间向量;将每个类别的训练数据、对应的多个掩码矩阵和对应的高维空间向量输入到所述解码器模块中,得到所述每个类别对应的轨迹预测结果;

每次训练结束后,基于车辆运动轨迹测试数据对所述多模态车辆轨迹预测模型进行测试,当所述多模态车辆轨迹预测模型满足测试要求时,训练结束,得到训练后的多模态车辆轨迹预测模型。

10.一种多模态车辆轨迹预测方法,其特征在于,包括:

将待预测轨迹序列输入到多模态车辆轨迹预测模型中,输出多个轨迹预测结果;

所述多模态车辆轨迹预测模型为根据权利要求1‑6中任一权利要求的多模态车辆轨迹预测模型训练方法得到的。