1.一种基于GAT-CS-LSTM的车辆多模态驾驶行为轨迹预测系统,其特征在于,包括:基础数据处理与车辆历史特征编码模块,包括车辆驾驶行为判断单元、动态图结构建立单元、历史特征编码单元;
所述车辆驾驶行为判断单元用于利用轨迹数据对车辆行为进行划分,将车辆行为划分为直行、向左换道、向右换道三类;
所述动态图结构建立单元用于设计一个栅格图形式的交互池,所述交互池用于在后续社会卷积池化层中提取特征,通过栅格图确定不同时间点预测车辆周围存在的车辆数量和相应的特征,将预测车辆和周围的车辆作为节点,车辆的特征作为节点的属性,建立车辆之间的非欧几里得关联;
所述历史特征编码单元用于采用滑动时窗法,确定系统的历史编码特征,并利用LSTM编码器对历史特征进行编码;
相对状态与交互特征提取模块,包括交互池建立单元、预测车辆与周围车辆相对状态提取单元、预测车辆与周围车辆交互特征提取单元;
所述交互池建立单元用于根据被预测车辆的位置,确定其周围一定范围内的栅格,并将这些栅格用来填充周围车辆的信息;
所述预测车辆与周围车辆相对状态提取单元用于通过卷积操作提取社会池的局部特征,并通过最大池化层和平均池化层,来反映预测车辆与周围车辆的相对状态;
所述预测车辆与周围车辆交互特征提取单元用于通过图注意力网络与全局最大池化层和全局平均池化层来提取预测车辆与周围车辆交互特征;
预测车辆驾驶行为与生成预测车辆未来轨迹模块,包括车辆驾驶行为预测单元、获取环境编码向量单元、解码环境向量生成未来轨迹单元;
所述车辆驾驶行为预测单元用于将编码后的车辆历史轨迹编码信息经过社会卷积池化层与图注意力网络层,得到交互信息编码向量,将其输入至Softmax函数中,输出各种驾驶行为概率;
所述获取环境编码向量单元用于利用LSTM解码器将交互信息编码向量和行为概率相结合,得到环境编码向量;
所述解码环境向量生成未来轨迹单元用于LSTM解码器的LSTM单元根据上一时刻的隐藏状态,环境编码向量和上一时刻的输出向量,更新隐藏层状态;根据当前时刻的隐藏层状态和上一时刻的输出向量更新当前时刻的输出向量;将输出向量经过全连接层后,生成未来时间内不同驾驶行为的轨迹点坐标及其二维高斯分布参数。
2.根据权利要求1所述的基于GAT-CS-LSTM的车辆多模态驾驶行为轨迹预测系统,其特征在于,所述轨迹数据为NGSIM数据。
3.根据权利要求1所述的基于GAT-CS-LSTM的车辆多模态驾驶行为轨迹预测系统,其特征在于,所述车辆驾驶行为判断单元用于利用轨迹数据对车辆行为进行划分,将车辆行为划分为直行、向左换道、向右换道三类具体包括:提取车辆在t时刻的车道编号,提取t-4s时刻车辆所在车道编号作为下界,t+4s时刻车辆所在车道编号为上界,其中以行驶方向的最左侧车道为1号车道;
若上界车道编号>当前车道编号或当前车道编号>下界车道编号,则判断该车在t时刻的±4s范围内的驾驶行为是向右换道;
若上界车道编号<当前车道编号或当前车道编号<下界车道编号,则判断该车在t时刻的±4s范围内的驾驶行为是向左换道;
其他情况均判定为保持当前车道。
4.根据权利要求1所述的基于GAT-CS-LSTM的车辆多模态驾驶行为轨迹预测系统,其特征在于,所述动态图结构建立单元用于设计一个栅格图形式的交互池具体包括:设计一个栅格图形式的交互池,以时间点t时刻的预测车辆为中心,将当前车道和相邻车道在前后共58.5米的范围内划分成一个3x13的栅格图;在这个范围内,搜索周围的车辆,并将它们的特征填充到相应的栅格中,从而构建出一个栅格图。
5.根据权利要求1所述的基于GAT-CS-LSTM的车辆多模态驾驶行为轨迹预测系统,其特征在于,所述历史特征编码单元用于采用滑动时窗法,确定系统的历史编码特征,并利用LSTM编码器对历史特征进行编码具体包括:采用滑动时窗法对历史特征进行编码,以车辆当前帧作为原点,使用前3s的历史特征作为系统输入,后5s的未来轨迹用于预测。
6.根据权利要求5所述的基于GAT-CS-LSTM的车辆多模态驾驶行为轨迹预测系统,其特征在于,所述系统的输入特征X包括预测车辆和周围车辆长度为t式中,S
根据不同驾驶行为输出对应长度为t
式中,
7.根据权利要求1所述的基于GAT-CS-LSTM的车辆多模态驾驶行为轨迹预测系统,其特征在于,所述交互池建立单元用于根据被预测车辆的位置,确定其周围一定范围内的栅格,并将这些栅格用来填充周围车辆的信息具体包括:根据被预测车辆的位置,确定其周围一定范围内的栅格,并将这些栅格用来填充周围车辆的信息,考虑到距离被预测车辆较远的车辆对其影响较小,通过设定一个阈值或者限制交互池的尺寸,只考虑位于一定距离内的车辆。
8.根据权利要求1所述的基于GAT-CS-LSTM的车辆多模态驾驶行为轨迹预测系统,其特征在于,所述预测车辆与周围车辆相对状态提取单元用于通过卷积操作提取社会池的局部特征,并通过最大池化层和平均池化层,来反映预测车辆与周围车辆的相对状态具体包括:所述卷积操作表示为:
式中,Z(i,j)是特征图上位置为(i,j)的值,I是社交向量,K是卷积核,m、n是变量;
所述最大池化表示为:
M
所述平均池化表示为:
式中,M
9.根据权利要求1所述的基于GAT-CS-LSTM的车辆多模态驾驶行为轨迹预测系统,其特征在于,所述预测车辆与周围车辆交互特征提取单元用于通过图注意力网络与全局最大池化层和全局平均池化层来提取预测车辆与周围车辆交互特征具体包括:将t时刻的预测车辆和周围车辆组成一张图G
图注意力网络利用注意力权重计算公式:
e
式中,ω为权重参数,W为权重矩阵,α
为了更好地分配权重,将与所有邻居计算出的相关度进行统一的归一化处理,具体形式为:δ
获得权重系数δ
全局池化操作有效地将节点特征聚合为一个全局特征,全局池化操作包括全局平均池化、全局最大池化,具体形式为:全局平均池化:
全局最大池化:
式中,ε
10.一种基于GAT-CS-LSTM的车辆多模态驾驶行为轨迹预测方法,其特征在于,采用权利要求1至9任意一项所述的基于GAT-CS-LSTM的车辆多模态驾驶行为轨迹预测系统,实现对车辆的未来轨迹预测,所述方法包括:利用轨迹数据对车辆行为进行划分,将车辆行为划分为直行、向左换道、向右换道三类;
设计一个栅格图形式的交互池,所述交互池用于在后续社会卷积池化层中提取特征,通过栅格图确定不同时间点预测车辆周围存在的车辆数量和相应的特征,将预测车辆和周围的车辆作为节点,车辆的特征作为节点的属性,建立车辆之间的非欧几里得关联;
采用滑动时窗法,确定系统的历史编码特征,并利用LSTM编码器对历史特征进行编码;
根据被预测车辆的位置,确定其周围一定范围内的栅格,并将这些栅格用来填充周围车辆的信息;
通过卷积操作提取社会池的局部特征,并通过最大池化层和平均池化层,来反映预测车辆与周围车辆的相对状态;
通过图注意力网络与全局最大池化层和全局平均池化层来提取预测车辆与周围车辆交互特征;
将编码后的车辆历史轨迹编码信息经过社会卷积池化层与图注意力网络层,得到交互信息编码向量,将其输入至Softmax函数中,输出各种驾驶行为概率;
利用LSTM解码器将交互信息编码向量和行为概率相结合,得到环境编码向量;
LSTM解码器的LSTM单元根据上一时刻的隐藏状态,环境编码向量和上一时刻的输出向量,更新隐藏层状态;根据当前时刻的隐藏层状态和上一时刻的输出向量更新当前时刻的输出向量;将输出向量经过全连接层后,生成未来时间内不同驾驶行为的轨迹点坐标及其二维高斯分布参数。