1.一种基于轨迹基元的交通车多模态轨迹预测系统,其特征在于:包括相似轨迹筛选模块、轨迹基元库获取模块、基元组合统计模块、解码预测模块、轨迹预测网络训练模块,交通车多模态轨迹预测系统的输入为自动驾驶汽车环境感知模块获得的交通车历史轨迹,将其与轨迹基元库获取模块中的轨迹基元库的轨迹对比,筛选相似轨迹,统计基元组合,获得基元组合概率和基元序列长度,利用轨迹预测网络训练模块训练好的网络结构,在解码预测模块按基元类别逐个解码预测,实现轨迹的拼接,获得各基元组合下的预测轨迹,最终获得系统输出,即交通车的多条可能行驶轨迹和各个轨迹出现概率,输出的轨迹与概率作为自动驾驶汽车决策规划模块的输入,进行决策规划。
2.根据权利要求1所述的一种基于轨迹基元的交通车多模态轨迹预测系统,其特征在于:所述的轨迹基元库获取模块中建立各个场景的轨迹基元库,包括以下步骤:(1.1)轨迹数据集获取与平滑处理:
选取各个场景下的开源轨迹数据集,所需特征为车辆横纵坐标,由于轨迹数据采集方式和处理方式的问题,数据集内获取的车辆横纵坐标相较于真实的车辆横纵坐标会有部分噪声,采用滑动平均法对轨迹数据进行平滑,滑动平均法公式如下:式中,pt表示t时刻的滤波结果,xt表示t时刻的观测值,n代表滑动窗口半径;
(1.2)轨迹横纵向速度和加速度获取:
将步骤(1.1)中得到的平滑后的车辆横纵坐标,求取对时间的一阶导数和二阶导数,获取轨迹的横纵向速度和加速度;
(1.3)轨迹序列分割:
将具有相同数据表现趋势的相邻样本作为同一个序列段的数据组成,输入为步骤(1.2)中得到的轨迹的横纵向速度和加速度,通过贝叶斯凝合式序列分割方法,将横纵向速度和加速度分割成序列段,获得轨迹序列分割结果;
对于步骤(1.2)中得到的横纵向速度和加速度的时间序列,使用分段线性模型描述输入输出间的关系,根据序列的变化趋势进行分段,每个序列段的时序函数用多元线性回归模型表示;对于多元线性回归模型的参数矩阵,利用共轭分布进行参数拟合,共轭分布的后验参数根据先验超参数与输入数据,通过递推式不断更新学习分布参数,在先验超参数的设置中采用非信息先验;当判断每一个分段的多元线性回归模型对样本的拟合效果时,利用回归模型的特性,通过计算边际似然进行回归模型对样本拟合程度的评估;使用基于贪心的贝叶斯凝合式序列分割算法优化遍历中指数爆炸的问题,在迭代计算过程中每次选取局部最优解,自底向上通过凝合的方式逐步合并局部序列段,获得序列分割结果;
(1.4)轨迹序列聚类:
轨迹序列聚类使用高斯混合模型‑隐狄利克雷分配模型,首先通过高斯混合模型为步骤(1.3)中获得的轨迹序列段聚类,再将聚类获得的簇标签视为隐狄利克雷分配模型中的单词,将其代替原始的驾驶样本作为隐狄利克雷分配的输入数据,获得轨迹序列段类别,认为相同类别的轨迹序列段是一种驾驶模式或驾驶行为产生的,即为一类轨迹基元;
所述的隐狄利克雷分配模型设立了文档、主题、单词三种抽象类型,将三者关系用两层狄利克雷‑多项式共轭描述,将不同序列段视为隐狄利克雷分配模型中的文档,将轨迹样本视为隐狄利克雷分配模型中的单词,将轨迹基元类别视为隐狄利克雷分配模型中的主题,从而利用隐狄利克雷分配模型挖掘轨迹序列所归属于的轨迹基元类别;
将步骤(1.1)中获得的平滑后的车辆横纵坐标与其对应速度和加速度序列经由分割聚类获得的基元类别组合后,获得各个场景的轨迹基元库。
3.根据权利要求1所述的一种基于轨迹基元的交通车多模态轨迹预测系统,其特征在于:所述的轨迹预测网络训练模块对应基元类别的轨迹预测网络搭建与训练,包括以下步骤:(2.1)按基元类别筛选数据:
将步骤(1)中获得的各个场景的轨迹基元库按基元类别筛选,将基元类别相同的轨迹段和该轨迹段之前的全部轨迹作为该基元类别下的训练数据;
(2.2)轨迹预测网络搭建与训练:
采用基于LSTM网络的编码器解码器结构,将步骤(2.1)中按基元类别筛选的数据作为训练数据,基元类别相同的轨迹段作为预测轨迹,该轨迹段之前的全部轨迹作为历史轨迹,训练获得网络权重。
4.根据权利要求1所述的一种基于轨迹基元的交通车多模态轨迹预测系统,其特征在于:所述的相似轨迹筛选模块中,处理以下步骤:(3.1)相似度计算:
在自动驾驶汽车感知系统获取到某种场景下的一段交通车的历史轨迹后,将该交通车历史轨迹和步骤(1)中获得的各个场景的轨迹基元库作为输入,将该交通车历史轨迹与各个场景的轨迹基元库内的轨迹数据作对比,计算待预测的历史轨迹与对应场景下轨迹基元库的轨迹的相似度;相似度的计算使用多线位置距离,公式如下:Q,S为两条轨迹,Areai为两条轨迹围成的第i个区域面积,wi为权重,Ii为两个轨迹的第i个交点,Length为两点之间的轨迹长度;
(3.2)相似轨迹筛选:
通过设置相似度阈值,小于阈值的剔除,选取大于阈值的,即与待预测的历史轨迹相似的轨迹库轨迹;
所述的基元组合统计模块中,统计相似段之后的基元组合方式,计算基元组合出现的频率,统计某一基元组合下的单个基元时间长度,计算均值即为预测的单基元时间长度。
5.根据权利要求1所述的一种基于轨迹基元的交通车多模态轨迹预测系统,其特征在于:所述的解码预测模块使用对应基元预测网络解码预测:将待预测的交通车历史轨迹和步骤(3.2)获得的各个轨迹基元组合以及对应组合下每类基元的时间序列长度输入步骤(2.2)获得的对应基元类别的轨迹预测神经网络结构,按基元类别逐个解码预测,实现轨迹的拼接,获得各基元组合下的预测轨迹,将步骤(3.2)获得基元组合出现频率作为该组合下预测轨迹的置信度,最终获得多模态的轨迹预测结果。
6.一种基于轨迹基元的交通车多模态轨迹预测方法,其特征在于:包括以下步骤:
(1)建立各个场景的轨迹基元库;
(2)对应基元类别的轨迹预测网络搭建与训练;
(2.1)按基元类别筛选数据:
将步骤(1)中获得的各个场景的轨迹基元库按基元类别筛选,将基元类别相同的轨迹段和该轨迹段之前的全部轨迹作为该基元类别下的训练数据;
(2.2)轨迹预测网络搭建与训练:
采用基于LSTM网络的编码器解码器结构,将步骤(2.1)中按基元类别筛选的数据作为训练数据,基元类别相同的轨迹段作为预测轨迹,该轨迹段之前的全部轨迹作为历史轨迹,训练获得网络权重,获得对应基元类别的轨迹预测神经网络结构;
(3)多模态轨迹预测:
(3.1)相似度计算:
在自动驾驶汽车感知系统获取到某种场景下的一段交通车的历史轨迹后,将该交通车历史轨迹和步骤(1)中获得的各个场景的轨迹基元库作为输入,将该交通车历史轨迹与各个场景的轨迹基元库内的轨迹数据作对比,计算待预测的历史轨迹与对应场景下轨迹基元库的轨迹的相似度;
(3.2)相似轨迹筛选:
通过设置相似度阈值,小于阈值的剔除,选取大于阈值的,即与待预测的历史轨迹相似的轨迹库轨迹,统计相似段之后的基元组合方式,计算基元组合出现的频率,统计某一基元组合下的单个基元时间长度,计算均值即为预测的单基元时间长度;
(3.3)使用对应基元预测网络解码预测:
将待预测的交通车历史轨迹和步骤(3.2)获得的各个轨迹基元组合以及对应组合下每类基元的时间序列长度输入步骤(2.2)获得的对应基元类别的轨迹预测神经网络结构,按基元类别逐个解码预测,实现轨迹的拼接,获得各基元组合下的预测轨迹,将步骤(3.2)获得基元组合出现频率作为该组合下预测轨迹的置信度,最终获得多模态的轨迹预测结果。
7.根据权利要求6所述的一种基于轨迹基元的交通车多模态轨迹预测方法,其特征在于:步骤(1)建立各个场景的轨迹基元库包括以下步骤:(1.1)轨迹数据集获取与平滑处理:
选取各个场景下的开源轨迹数据集,所需特征为车辆横纵坐标,由于轨迹数据采集方式和处理方式的问题,数据集内获取的车辆横纵坐标相较于真实的车辆横纵坐标会有部分噪声,采用滑动平均法对轨迹数据进行平滑,滑动平均法公式如下:式中,pt表示t时刻的滤波结果,xt表示t时刻的观测值,n代表滑动窗口半径;
(1.2)轨迹横纵向速度和加速度获取:
将步骤(1.1)中得到的平滑后的车辆横纵坐标,求取对时间的一阶导数和二阶导数,获取轨迹的横纵向速度和加速度;
(1.3)轨迹序列分割:
将具有相同数据表现趋势的相邻样本作为同一个序列段的数据组成,输入为步骤(1.2)中得到的轨迹的横纵向速度和加速度,通过贝叶斯凝合式序列分割方法,将横纵向速度和加速度分割成序列段,获得轨迹序列分割结果;
(1.4)轨迹序列聚类:
首先通过高斯混合模型为步骤(1.3)中获得的轨迹序列段聚类,再将聚类获得的簇标签视为隐狄利克雷分配模型中的单词,将其代替原始的驾驶样本作为隐狄利克雷分配的输入数据,获得轨迹序列段类别,认为相同类别的轨迹序列段是一种驾驶模式或驾驶行为产生的,即为一类轨迹基元;
将步骤(1.1)中获得的平滑后的车辆横纵坐标与其对应速度和加速度序列经由分割聚类获得的基元类别组合后,获得各个场景的轨迹基元库。
8.根据权利要求7所述的一种基于轨迹基元的交通车多模态轨迹预测方法,其特征在于:步骤(1.3)轨迹序列分割中,对于步骤(1.2)中得到的横纵向速度和加速度的时间序列,使用分段线性模型描述输入输出间的关系,根据序列的变化趋势进行分段,每个序列段的时序函数用多元线性回归模型表示;对于多元线性回归模型的参数矩阵,利用共轭分布进行参数拟合,共轭分布的后验参数根据先验超参数与输入数据,通过递推式不断更新学习分布参数,在先验超参数的设置中采用非信息先验;当判断每一个分段的多元线性回归模型对样本的拟合效果时,利用回归模型的特性,通过计算边际似然进行回归模型对样本拟合程度的评估;使用基于贪心的贝叶斯凝合式序列分割算法优化遍历中指数爆炸的问题,在迭代计算过程中每次选取局部最优解,自底向上通过凝合的方式逐步合并局部序列段,获得轨迹序列分割结果。
9.根据权利要求7所述的一种基于轨迹基元的交通车多模态轨迹预测方法,其特征在于:步骤(1.4)轨迹序列聚类中,所述的隐狄利克雷分配模型设立了文档、主题、单词三种抽象类型,将三者关系用两层狄利克雷‑多项式共轭描述,将不同序列段视为隐狄利克雷分配模型中的文档,将轨迹样本视为隐狄利克雷分配模型中的单词,将轨迹基元类别视为隐狄利克雷分配模型中的主题,从而利用隐狄利克雷分配模型挖掘轨迹序列所归属于的轨迹基元类别。
10.根据权利要求6所述的一种基于轨迹基元的交通车多模态轨迹预测方法,其特征在于:步骤(3.1)相似度的计算使用多线位置距离,公式如下:Q,S为两条轨迹,Areai为两条轨迹围成的第i个区域面积,wi为权重,Ii为两个轨迹的第i个交点,Length为两点之间的轨迹长度。