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: 2023100763933
申请人: 吉林大学
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.基于LSTM-GNN考虑道路信息的车辆轨迹多模态预测方法,其特征在于,包括以下步骤:S1:获取车辆轨迹信息,按照时间序列顺序提取车辆轨迹数据集中车辆的信息,目标车辆的轨迹要有3s的历史轨迹和5s的未来轨迹,目标车辆的轨迹长度至少1000米,此外,周围交通车要有3s的历史轨迹;

S2:对S1获得的数据进行预处理:

S3:编码器对历史轨迹信息进行编码,编码器由n+1个LSTM网络组成,其输入为目标车辆历史轨迹和周围车辆历史轨迹,输出为编码后的车辆动力学特征向量其中,基于LSTM的编码器的构建过程具体为如下:

S3.1:被预测车辆vp的历史轨迹为其中为被预测车辆vp在t1时刻的坐标,用表示,t1∈{1,2,3};周围交通车vi的历史轨迹为其中为周围交通车vi在t1时刻的坐标,用表示;周围交通车vi∈{v1,…,vn},其中n为被预测车辆vi周围交通车的数量;被预测车辆vp的未来预测轨迹为其中为被预测车辆vp在t2时刻的预测坐标,用表示,t2∈{4,5,6,7,8};被预测车辆vp的未来真实轨迹定义为其中为被预测车辆vp在t2时刻的真实坐标,用表示;

S3.2:使用多层感知机MLP来嵌入车辆vj的历史轨迹位置信息,以获得定长向量其中vj∈{vp,v1,…,vn};

其中,是具有ReLU非线性激活函数的嵌入函数,Wee是嵌入权重;

S3.3:将车辆vj历史轨迹信息和定长向量输入到编码器LSTM中,得到动力学特征向量编码过程如下式所示:其中,Wencoder是LSTM的权重;

S4:基于CNN-LSTM提取道路信息特征向量LF,利用1D-CNN和LSTM模型实现对道路结构信息的编码;

S4.1:根据目标车辆当前的位置来定义候选车道,首先,在距离目标车辆质心的搜索半径10米内搜索车道段,然后,向前和向后来扩展车道段,直到车道线的长度达到要求的长度;

S4.2:确定周围车辆所在的车道,将周围交通车所在车道的观测信息依次输入到1D-CNN和LSTM进行编码,如下式所示:其中,是利用1D-CNN和LSTM编码的车道信息特征向量,表示周围交通车vi所在的车道;

S4.3:生成车道信息特征向量LF,利用注意力权重ωi对周围交通车所在车道的编码信息特征向量进行融合处理,如下式所示:S5:将编码后的车辆动力学特征向量和车辆与车辆之间的交互特征向量IF进行拼接,然后再与道路信息特征向量LF融合,然后在IF和LF融合特征向量的基础上加入随机噪声z,此处采用高斯分布混合噪声;

其中,车辆与车辆之间交互特征向量IF的计算步骤如下:

S5.1:图结构用G=(V,E)表示,节点定义为V={vp,v1,…,vi,…,vn},边定义为E∈V×V;由于图是有向图,节点vp与节点vi之间的边与节点vi与节点vp之间的边是不一样的,可将边E表示为:其中,表示节点vp到节点vi的有向边,节点vi紧邻节点vp,且节点vi的行为会影响节点vp的行为;表示节点vi到节点vp的有向边;

S5.2:利用图神经网络GNN建模车辆与车辆之间的交互作用,用下式表示:其中,IF表示车辆与车辆之间的交互特征向量,GNNinter是两层GNN网络组成的交互特征编码器,为车辆的动力学特征向量,表示在t1时刻图结构的边;

S6:利用LSTM网络解码输出多模态未来轨迹,将加入随机噪声z后的融合特征输入到解码器中,以生成多模态的未来轨迹;

S7:使用多样性损失函数来训练基于LSTM-GNN考虑道路结构信息的车辆轨迹多模态预测模型,通过在分布中任意采样一个随机噪声以生成k种可能的预测轨迹,并根据L2欧式距离选择最优的预测轨迹。

2.根据权利要求1所述的基于LSTM-GNN考虑道路信息的车辆轨迹多模态预测方法,其特征在于,所述S2中数据预处理的具体步骤如下:S2.1:数据清洗:对获取的数据信息进行滤波处理,去除异常数据,然后利用平滑滤波器对获取的车辆轨迹进行清洗,去除不完整数据,补充缺失数据;

S2.2:划分数据集:利用滑动窗口采样清洗后的数据,每个样本中要有80帧车辆轨迹信息,前30帧为历史轨迹信息,后50帧作为未来轨迹信息,然后将数据按比例划分为训练集、验证集和测试集;

S2.3:轨迹的地图匹配:若存在不符合车辆正常形式的轨迹,修正异常的轨迹点。

3.根据权利要求1所述的基于LSTM-GNN考虑道路信息的车辆轨迹多模态预测方法,其特征在于,所述S6中解码器由长短期记忆网络LSTM组成,用于解码融合特征向量,以生成多模态预测轨迹。