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: 2024107461568
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:

1.一种基于车辆轨迹交互动力学的周车轨迹预测方法,其特征在于,所述方法包括以下步骤:步骤一:利用传感器收集周边所有车辆的状态信息,并将收集到的信息进行预处理,得到周边车辆f从t-T时刻到t时刻的原始时间特征集合,以及周边车辆f和g从t-T时刻到t时刻的原始空间交互特征集合;

步骤二:建立时间依赖特征提取模块和时空依赖特征提取模块,将所述原始时间特征集合输入到所述时间依赖特征提取模块中,得到时间依赖特征集合,将所述原始空间交互特征集合输入到所述时空依赖特征提取模块中,得到时空依赖特征集合;

步骤三:建立时空交互特征提取模块,将所述原始时间特征集合、原始空间交互特征集合、时间依赖特征集合以及时空依赖特征集合输入到所述时空交互特征提取模块中,得到时空交互特征集合;

步骤四:将所述时空交互特征集合、时间依赖特征集合、时空依赖特征集合进行拼接,得到融合特征;

步骤五:将融合特征输入轨迹解码器,得到周边车辆f的预测轨迹;

步骤六:重复上述步骤一至步骤五,得到周边所有车辆的预测轨迹;

通过所述时空交互特征提取模块获得时空交互特征的方法为:将所述周边车辆f的原始时间特征、原始空间交互特征、时间依赖特征集合、时空依赖特征集合输入所述时空交互特征提取模块中,将所述周边车辆f作为节点f,构建节点f在时刻t时的交互时空动态图,所述交互时空动态图包括节点特征和边特征;

在所述时空交互特征提取模块中设置图卷积神经网络模型;

基于所述图卷积神经网络模型,分别对所述交互时空动态图中的节点特征与边特征进行聚合,获得节点信息聚合特征、边信息聚合特征,并将所述节点信息聚合特征、边信息聚合特征进行融合,获得节点f在时刻t时的总信息聚合特征;

在所述时空交互特征提取模块中,将所述节点f从t-T时刻到t时刻的所有总信息聚合特征进行更新,获得节点f从t-T时刻到t时刻的时空交互特征集合;

所述交互时空动态图的构建方法为:

初始化所述交互时空动态图;

将所述原始时间特征与时间依赖特征集合拼接,获得节点特征,即=[,],同时,将所述原始空间交互特征与时空依赖特征集合拼接,获得边特征,即=[,],结合节点特征与边特征创建邻接矩阵和掩码矩阵,构建交互时空动态图;

所述节点信息聚合特征、边信息聚合特征的聚合方法为:

在t时刻,利用信息传递机制,获得所述节点f所有邻居节点的节点特征集合以及节点f与所有邻居节点之间的边特征集合,基于第五公式,获得节点信息聚合特征,基于第六公式,获得边信息聚合特征;

所述第五公式为:=DenseGCN(,),其中,DenseGCN()为所述图卷积神经网络模型;

所述第六公式为:=EdgeCNN(,),其中EdgeDNN()为另一种所述图卷积神经网络模型;

所述节点f在时刻t时的总信息聚合特征的获得方法为:基于第七公式,所述节点信息聚合特征、边信息聚合特征利用最大池化函数、非线性激活函数,获得节点f在t时刻的总信息聚合特征;

所述第七公式为:=ReLU(MaxPool([,])),其中,ReLU()为所述非线性激活函数,MaxPool()为所述最大池化函数;

通过对所述总信息聚合特征的更新,获得时空交互特征集合的方法为:在所述时空交互特征提取模块中设置图注意力机制网络模型,基于第八公式,利用所述图注意力机制网络对节点f从t-T时刻到t时刻的所有总信息聚合特征进行更新,并得到时空交互特征;

所述第八公式为:=GAT(),其中,为节点f从t-T时刻到t时刻的总信息聚合特征集合,GAT()为图注意力机制网络模型。

2.根据权利要求1所述的一种基于车辆轨迹交互动力学的周车轨迹预测方法,其特征在于,所述原始时间特征集合中,周边车辆f在t时刻的原始时间特征为,所述原始时间特征由周边车辆f在时刻t时的纵坐标x、横坐标y、速度v、加速度a和航向角γ组成;

所述原始空间交互特征集合中,周边车辆f和g在t时刻的原始空间交互特征为,所述原始空间交互特征由周边车辆f和g在时刻t时的相对距离d、相对速度、相对加速度组成。

3.根据权利要求1所述的一种基于车辆轨迹交互动力学的周车轨迹预测方法,其特征在于,通过时间依赖特征提取模块获得时间依赖特征集合的方法为:在所述时间依赖特征提取模块中设置有LSTM网络层;

将所述原始时间特征集合输入到时间依赖特征提取模块中的LSTM网络层中,基于第一公式,获得所述原始时间特征集合的隐含特征;

所述原始时间特征集合的隐含特征基于第二公式,获得时间依赖特征集合;

所述第一公式为:

=LSTM(,,),

其中为LSTM网络层的初始状态,为LSTM网络层隐含状态的初始状态,、均为随机设定;

所述第二公式为:

=LeakyReLU(MaxPool(MultiheadAtt()))其中,LeakyReLU()为非线性激活函数,MaxPool()为最大池化函数,MultiheadAtt()为注意力机制函数。

4.根据权利要求1所述的一种基于车辆轨迹交互动力学的周车轨迹预测方法,其特征在于,通过所述时空依赖特征提取模块获得时空依赖特征的方法为:在所述时空依赖特征提取模块中设置LSTM网络层;

将所述原始空间交互特征集合输入到时空依赖特征提取模块中的LSTM网络层中,基于第三公式,获得原始空间交互特征集合的隐含特征;

所述原始空间交互特征集合的隐含特征基于第四公式,获得时空依赖特征集合;

所述第三公式为:

=LSTM(,,),

其中为LSTM网络层的初始状态,为LSTM网络层隐含状态的初始状态,、均为随机设定;

所述第四公式为:

=LeakyReLU(MaxPool(MultiheadAtt())),其中,LeakyReLU()为非线性激活函数,MaxPool()为最大池化函数,MultiheadAtt()为注意力机制函数。