1.一种考虑物理约束的车辆轨迹深度学习预测方法,其特征在于,所述考虑物理约束的车辆轨迹深度学习预测方法包括如下步骤:步骤1、建立汽车运动学模型;
步骤2、搭建长短时记忆网络;
步骤3、搭建物理约束长短时记忆网络,并选取网络参数,对该记忆网络进行训练;
步骤4、仿真结果和对比分析;
其中,步骤1中所述的建立汽车运动学模型,具体包括:在传统恒转向速度和加速度模型的基础上,考虑换道场景下的车辆的汽车运动学特点,建立恒横摆角速度、变加速度汽车运动学模型;
车辆的速度以及横摆角满足以下关系式:(1)
其中,和分别是初始速度和初始横摆角,和分别是当车辆当前加速度和横摆角速度;
因此在笛卡尔全局坐标系下,时刻车辆速度分别向轴进行分解,得到:(2)
获得纵向速度后,将其对时间积分可得横纵向位移为:(3)
其中和是相关常数项,具体表达式为:(4)
其中和为车辆初始横纵向位置,当时上式不成立,此时车辆做匀加速直线运动,可以得到车辆运动方程为:(5)
在高速公路换道场景下,汽车的实际运动可分解为横向、纵向的变加速直线运动,此外物理信息网络也适用于常微分方程的求解问题,可将式(5)改写为:(6)
其中,和分别为初始时刻车辆的横向和纵向速度;
若忽略车辆的质心侧偏角,则时刻车辆的横向、纵向速度可由下式计算:(7)
式(6)即为恒横摆角速度、变加速度汽车运动学模型;
步骤2所述的搭建长短时记忆网络,具体包括:S1、建立CTRVA汽车运动学模型后,对数据集进行预处理;
S2、基于Python语言搭建长短时记忆网络;
步骤3所述的搭建物理约束长短时记忆网络,具体包括:在CTRVA汽车运动学模型和LSTM网络的基础上,搭建物理约束长短时记忆网络,由公式(6)可得:(10)
则物理约束长短时记忆网络的损失函数可表示为(11)
其中:
L1、L2、L3分别为预测轨迹的损失函数、满足汽车运动学约束的预测横向位移损失函数和预测纵向速度损失函数;
和分别为实际和预测的轨迹向量,、分别为损失函数和、对应的轨迹点数,、和分别为各损失函数的权重,、和分别为由输入向量中随机采样得到的历史轨迹点对应的横向位移、横向速度和纵向速度,为随机采样的历史轨迹点到对应预测轨迹点的时间间隔。
2.根据权利要求1所述的考虑物理约束的车辆轨迹深度学习预测方法,其特征在于,所述的建立CTRVA汽车运动学模型后,对数据集进行预处理,具体包括:S1、采用一阶Savitzky Golay算法对数据集中的速度数据进行平滑处理,并从数据集中提取车道变换数据样本;
S2、分别按照Vehicle_ID和Global_Time对车辆数据进行排序,将数据按车辆分块,且单个车辆数据按时间升序排列;
S3、排除进出匝道的车辆,并查找剩余数据中Lane_ID发生变化,即有换道行为的车辆,Lane_ID变化的点即为换道点;
S4、从换道点分别向前和向后提取3.5s的数据,并保证在换道点前车辆始终处于原车道,换道后始终处于目标车道,以剔除连续换道的车辆;
S5、按照公式(7)计算车辆在每个采样点的横向和纵向速度,得到车辆换道数据样本;
S6、根据预测时域设置指定的序列长度,采用滑动窗口算法对车辆轨迹进行划分。
3.根据权利要求2所述的考虑物理约束的车辆轨迹深度学习预测方法,其特征在于,所述的基于Python语言搭建长短时记忆网络,具体包括:将当前时间步的输入特征和前一个时间步的隐状态作为本记忆元的输入,将当前时间步的隐状态作为本记忆元的输出,亦即下一记忆元的输入;
假设LSTM层有个隐藏单元,批量大小为,输入特征数为,则有输入为,前一时间步的隐状态为,当前时间步的输入门为,遗忘门为,输出门为,候选记忆元为,隐状态为,它们间的计算公式为:(8)
其中,,,和,,,为权重参数,,,,为偏置参数;
假设LSTM层有个隐藏单元,批量大小为,则第一个全连接层的输入为;
假设第二个全连接层有个线性单元,深度长短时记忆网络的整体输出特征数为,则其输入为,输出为,计算公式为(9)
其中,为权重参数,,为偏置参数。
4.根据权利要求1所述的考虑物理约束的车辆轨迹深度学习预测方法,其特征在于,步骤3所述的选取网络参数,对该记忆网络进行训练,具体包括:所述的物理约束长短时记忆网络,在一次典型的迭代中,其训练流程为:S1、正向传播:
依据搭建好的物理约束长短时记忆网络构建计算图;
将向量输入物理约束长短时记忆网络,得到输出向量,并计算损失函数,由公式(11)可得:(12)
其中,,;
又由公式(8)和(9)可得:
(13)
其中:
其中,X、W、b分别为深度网络的输入、权重参数和偏置参数;
S2、反向传播:
计算损失函数对模型参数的导数,即(14)
根据得出的导数,利用梯度下降法不断更新模型参数和,让损失函数取得最小值;
权重参数和偏置参数的更新公式为(15)
其中,为学习率。