1.一种适应不同驾驶风格的车辆轨迹预测方法,其特征在于,所述方法包括:S1、获取原始的车辆轨迹的样本数据集;
S2、对所述样本数据集进行滤波处理,获得滤波处理后的样本数据集;
其中,所述S2的对所述样本数据集进行滤波处理,获得滤波处理后的样本数据集,包括:S21、采用五次迭代小波变换去噪算法对所述样本数据集进行去噪,获得去噪后的样本数据集;
S22、根据去噪后的样本数据集,通过计算航向角作为轨迹标注的度量指标,对去噪后的样本数据集进行平衡化处理,获得平衡化处理后的样本数据集;
其中,航向角通过下述公式(1)表示:
其中,x表示轨迹点的横向位置;y表示轨迹点的纵向位置;t表示当前时间步;t+1表示下一个时间步;θhead表示航向角;
S3、根据所述滤波处理后的样本数据集,采用主成分分析法进行降维处理,获得降维后的数据;
S4、采用模糊C均值聚类算法对所述降维后的数据进行软聚类处理,得到所述降维后的数据对于每个驾驶风格的隶属度,根据最大隶属度确定降维后的数据的硬标签,将硬标签添加到滤波处理后的样本数据集;
其中,所述S4的采用模糊C均值聚类算法对所述降维后的数据进行软聚类处理,得到所述降维后的数据对于每个驾驶风格的隶属度,根据最大隶属度确定降维后的数据的硬标签,将硬标签添加到滤波处理后的样本数据集,包括:S41、采用模糊C均值聚类算法,计算关于所述降维后的数据的模糊聚类中心;
其中,在模糊C均值聚类算法中,模糊聚类中心可通过最小化目标函数确定,其中目标函数通过下述公式(2)表示:其中,M表示控制聚类过程中模糊度程度的模糊系数,影响对轨迹样本数据中每种驾驶风格分配成员值的方式(1≤M<∞);N表示车辆轨迹样本的数量;C表示驾驶风格类别的数量,即聚类中心的数量;cj表示第j个聚类中心;uij表示样本xi属于聚类中心cj的概率;d表示样本的维数;xik表示样本xi在第k维的值;cjk表示聚类中心cj在第k维的值;|·|2表示用于测量驾驶样本与聚类中心之间距离的欧氏范数;
其中,隶属度uij通过下述公式(3)表示:
其中,聚类中心cj通过下述公式(4)表示:
S42、根据所述模糊聚类中心以及预先设置的迭代条件,迭代计算所述降维后的数据在不同驾驶风格中的隶属度分布;
S43、根据所述隶属度分布,计算每个数据点在所有聚类中的隶属度,根据最大隶属度将数据点分配到相应的聚类中心,获得样本数据的硬标签,将硬标签添加到滤波处理后的样本数据集;
其中,迭代计算获取每个样本数据在不同驾驶风格中的隶属度分布,当到达迭代终止条件时,停止迭代,获得聚类结果;其中,预设的迭代终止条件通过下述公式(5)表示:其中,k'表示迭代次数,ε是一个小常数,表示误差阈值;当uij在连续迭代中的最大变化不超过ε时,迭代停止;
其中,最大隶属度通过下述公式(6)表示:
其中,表示数据点的总数;FPC值越接近1表明聚类效果越好;
其中,获得样本数据的硬标签的过程通过下述(7)表示:
其中,label(xi)表示样本xi的硬标签;
S5、构建初始的基于全局-局部注意力机制残差双向长短时记忆网络;
S6、根据添加硬标签后的样本数据集,对所述初始的基于全局-局部注意力机制残差双向长短时记忆网络进行训练,获得训练好的基于全局-局部注意力机制残差双向长短时记忆网络;
其中,S6的具体实施过程包括S61-S65:
S61、将添加硬标签后的样本数据集输入初始的基于全局-局部注意力机制残差双向长短时记忆网络中,根据量子力学原理,将车辆建模为波形,通过分析车辆波的叠加效应,确定车辆波的振幅和相位,获得具有车辆波和相位的特征数据;
其中,当两辆或者多辆的波在同一点交汇时,遵循波的叠加原理;在该点处,车辆波的叠加效应由各自位移的合成矢量和表示,叠加效应通过下述公式(8)表示:其中,im表示虚数单位;|·|表示绝对值运算;⊙表示逐元素乘法;|zh|表示振幅,θh表示相位,h表示选定的正整数;
其中,车辆波的振幅受车速差异影响,波的相位表示车辆位置,当两个车辆波在某一点以上相同方向相同位移展示时,构成性干涉发生的相位差通过下述公式(9)表示:Δθh=θ0+2ηπ,η∈[0,±2,±4,…] (9)其中,η表示相应选定的整数倍;Δθh表示两个车辆波之间的相位差;
其中,当两个车辆波在某一点处具有相反的位移时,两个车辆波之间的相位差决定破坏性干涉的发生,通过下述公式(10)表示:Δθh=θ0+ηπ,η∈[0,±1,±3,…] (10)其中,车辆波的振幅和车辆波的相位通过下述公式(11)表示:其中,FC表示标准的全连接层;ωz表示第一学习参数;ωθ表示第二学习参数;fg表示输入特征;θh表示车辆波的相位;h表示选定的正整数;其中,第一学习参数和第二学习参数根据输入特征进行调整,获得车辆波的振幅和相位嵌入的最佳权重;其中,车辆波的相位和振幅在复数域中的表示通过下述公式(12)表示:其中,在驾驶场景中所有车辆的相互作用中,n个车辆波表示为车辆波的聚合通过下述公式(13)表示:其中,表示在聚合车辆波后的复数域表示;
其中,通过加权求和获得在聚合车辆波后的实数;其中,在聚合车辆波后的实数通过下述公式(14)表示:其中,oh表示在聚合车辆波后的实数;ωo表示第一学习权重;ωs表示第一学习权重;
S62、将具有车辆波和相位的特征数据输入局部注意力模块中,通过1×1卷积层进行初始维度转换,获得转换后的特征图;采用自适应卷积层和加权机制对转换后的特征图进行处理,获得局部特征;
其中,将输入数据输入局部注意力模块中,通过两层的1×1卷积和批归一化函数以及ReLU函数的处理,获得第一处理结果;采用1×1卷积对第一处理结果进行计算,获得第二处理结果;通过softmax函数以及Dropout正则化方法进一步处理,获得局部特征;
S63、将具有车辆波和相位的特征数据输入全局注意力模块中,通过改进的多头自注意力和全局上下文注意力,确定具有车辆波和相位的特征数据的时间步之间特征关系,获得全局特征;
其中,将输入数据输入全局注意力模块中,通过多头注意机制进行处理,获得处理结果;残差门控机制对处理结果进行进一步处理,通过全局上下文注意力进行特征提取,获得全局特征;
其中,设给定的第一时间步为p,第一时间步的特征为Tp;设给定的第二时间步为q,第二时间步的特征为Tq,通过特征映射函数将上述变量映射为一个公共的特征空间,通下述公式(15)表示:rp,q=f(Tp,Tq) (15)
其中,f(·)表示特征映射函数;rp,q表示第一时间步p和第二时间步q之间特征的关系;
其中,第一时间步p的特征Tp的关系向量通过下述公式(16)表示:rp=[rp,1,rp,2,…,rp,q,rp,N,r1,p,r2,p,…,rq,p,rN,p] (16)其中,rp表示第一时间步p与特征Tp的关系向量;
其中,将时间步的特征与关系向量组合成配对表示,获得第一时间步p处的全局特征表示为按照上述步骤获得第二时间步q处的全局特征表示;
S64、将局部特征与全局特征进行融合,获得融合后的特征;
其中,融合后的特征通过下述公式(17)表示:
FC=FL+FG (17)
其中,FC表示融合后的特征;FL表示局部特征;FG表示全局特征;
S7、获取目标车辆在观察时间域内的状态信息;将所述目标车辆在观察时间的状态信息输入所述训练好的基于全局-局部注意力机制残差双向长短时记忆网络中,获得在预测时间域内目标车辆的未来轨迹;
其中,所述S7的目标车辆在观察时间域内的状态信息,包括:目标车辆的类型、目标车辆的运行状态以及目标车辆与周围障碍车辆的时空关系;
其中,目标车辆在观察时间域内的状态信息通过下述公式(18)表示:m=1,2,3…,Tobs
n=1,2,3…,6
其中,表示目标车辆在观察时间域Tobs内的输入状态,L表示预测目标车辆的长度;W表示预测目标车辆的宽度;表示预测目标的横向坐标;表示预测目标的纵向坐标;表示其驾驶风格标签;表示预测目标的速度;表示预测目标的加速度;表示预测目标车辆与第n个障碍车辆之间的车头间距,表示它们之间的车头时距,m表示观察时间域;n表示障碍车辆的个数;
其中,在预测时间域内目标车辆的未来轨迹,通过下述公式(19)表示:m=1,2,3…,Tpred
其中,表示从当前时间到预测时间域Tpred内目标车辆预测轨迹的横向坐标;表示从当前时间到预测时间域Tpred内目标车辆预测轨迹的纵向坐标;m表示预测时间域;表示在预测时间域内目标车辆的未来轨迹。
2.根据权利要求1所述的适应不同驾驶风格的车辆轨迹预测方法,其特征在于,所述S5的初始的基于全局-局部注意力机制残差双向长短时记忆网络,包括:全局注意力模块、局部注意力模块以及残差双向长短期记忆网络;
其中,所述全局注意力模块,采用改进的多头自注意力机制、残差门控机制以及全局上下文注意力机制,增强提取的全局特征;
所述局部注意力模块,用于增强提取的局部特征;
所述残差双向长短期记忆网络,用于确定输入序列数据中的长期依赖关系。
3.根据权利要求2所述的适应不同驾驶风格的车辆轨迹预测方法,其特征在于,所述S6的根据添加硬标签后的样本数据集,对所述初始的基于全局-局部注意力机制残差双向长短时记忆网络进行训练,获得训练好的基于全局-局部注意力机制残差双向长短时记忆网络,包括:S61、将添加硬标签后的样本数据集输入所述初始的基于全局-局部注意力机制残差双向长短时记忆网络中,根据量子力学原理,将车辆建模为波形,通过分析车辆波的叠加效应,确定车辆波的振幅和相位,获得具有车辆波和相位的特征数据;
S62、将具有车辆波和相位的特征数据输入所述局部注意力模块中,通过1×1卷积层进行初始维度转换,获得转换后的特征图;采用自适应卷积层和加权机制对转换后的特征图进行处理,获得局部特征;
S63、将具有车辆波和相位的特征数据输入所述全局注意力模块中,通过改进的多头自注意力和全局上下文注意力,确定具有车辆波和相位的特征数据的时间步之间特征关系,获得全局特征;
S64、将所述局部特征与所述全局特征进行融合,获得融合后的特征;
S65、将所述融合后的特征输入所述残差双向长短期记忆网络中,通过跳跃连接构建残差块对输入的所述融合后的特征进行计算,输出预测结果。
4.一种适应不同驾驶风格的车辆轨迹预测装置,所述适应不同驾驶风格的车辆轨迹预测装置用于实现如权利要求2-3任一项所述适应不同驾驶风格的车辆轨迹预测方法,其特征在于,所述装置包括:第一获取单元,用于获取原始的车辆轨迹的样本数据集;
预处理单元,用于对所述样本数据集进行滤波处理,获得滤波处理后的样本数据集;
其中,所述预处理单元,用于:
采用五次迭代小波变换去噪算法对所述样本数据集进行去噪,获得去噪后的样本数据集;
根据去噪后的样本数据集,通过计算航向角作为轨迹标注的度量指标,对去噪后的样本数据集进行平衡化处理,获得平衡化处理后的样本数据集;
其中,航向角通过下述公式(1)表示:
其中,x表示轨迹点的横向位置;y表示轨迹点的纵向位置;t表示当前时间步;t+1表示下一个时间步;θhead表示航向角;
第二获取单元,用于根据所述滤波处理后的样本数据集,采用主成分分析法进行降维处理,获得降维后的数据;
第三获取单元,用于采用模糊C均值聚类算法对所述降维后的数据进行软聚类处理,得到所述降维后的数据对于每个驾驶风格的隶属度,根据最大隶属度确定降维后的数据的硬标签,将硬标签添加到滤波处理后的样本数据集;
其中,所述第三获取单元,用于:
采用模糊C均值聚类算法,计算关于所述降维后的数据的模糊聚类中心;
其中,在模糊C均值聚类算法中,模糊聚类中心通过最小化目标函数确定,其中目标函数通过下述公式(2)表示:其中,M表示控制聚类过程中模糊度程度的模糊系数,影响对轨迹样本数据中每种驾驶风格分配成员值的方式(1≤M<∞);N表示车辆轨迹样本的数量;C表示驾驶风格类别的数量,即聚类中心的数量;cj表示第j个聚类中心;uij表示样本xi属于聚类中心cj的概率;d表示样本的维数;xik表示样本xi在第k维的值;cjk表示聚类中心cj在第k维的值;|·|2表示用于测量驾驶样本与聚类中心之间距离的欧氏范数;
其中,隶属度uij通过下述公式(3)表示:
其中,聚类中心cj通过下述公式(4)表示:
根据所述模糊聚类中心以及预先设置的迭代条件,迭代计算所述降维后的数据在不同驾驶风格中的隶属度分布;
根据所述隶属度分布,计算每个数据点在所有聚类中的隶属度,根据最大隶属度将数据点分配到相应的聚类中心,获得样本数据的硬标签,将硬标签添加到滤波处理后的样本数据集;
其中,迭代计算获取每个样本数据在不同驾驶风格中的隶属度分布,当到达迭代终止条件时,停止迭代,获得聚类结果;其中,预设的迭代终止条件通过下述公式(5)表示:其中,k′表示迭代次数,ε是一个小常数,表示误差阈值;当uij在连续迭代中的最大变化不超过ε时,迭代停止;
其中,最大隶属度通过下述公式(6)表示:
其中,表示数据点的总数;FPC值越接近1表明聚类效果越好;
其中,获得样本数据的硬标签的过程通过下述(7)表示:
其中,label(xi)表示样本xi的硬标签;
构建单元,用于构建初始的基于全局-局部注意力机制残差双向长短时记忆网络;
训练单元,用于根据添加硬标签后的样本数据集,对所述初始的基于全局-局部注意力机制残差双向长短时记忆网络进行训练,获得训练好的基于全局-局部注意力机制残差双向长短时记忆网络;
其中,所述训练单元,用于:
将添加硬标签后的样本数据集输入初始的基于全局-局部注意力机制残差双向长短时记忆网络中,根据量子力学原理,将车辆建模为波形,通过分析车辆波的叠加效应,确定车辆波的振幅和相位,获得具有车辆波和相位的特征数据;
其中,当两辆或者多辆的波在同一点交汇时,遵循波的叠加原理;在该点处,车辆波的叠加效应由各自位移的合成矢量和表示,叠加效应通过下述公式(8)表示:其中,im表示虚数单位;|·|表示绝对值运算;⊙表示逐元素乘法;|zh|表示振幅,θh表示相位,h表示选定的正整数;
其中,车辆波的振幅受车速差异影响,波的相位表示车辆位置,当两个车辆波在某一点以上相同方向相同位移展示时,构成性干涉发生的相位差通过下述公式(9)表示:Δθh=θ0+2ηπ,η∈[0,±2,±4,…] (9)其中,η表示相应选定的整数倍;Δθh表示两个车辆波之间的相位差;
其中,当两个车辆波在某一点处具有相反的位移时,两个车辆波之间的相位差决定破坏性干涉的发生,通过下述公式(10)表示:Δθh=θ0+ηπ,η∈[0,±1,±3,…] (10)其中,车辆波的振幅和车辆波的相位通过下述公式(11)表示:其中,FC表示标准的全连接层;ωz表示第一学习参数;ωθ表示第二学习参数;fg表示输入特征;θh表示车辆波的相位;h表示选定的正整数;其中,第一学习参数和第二学习参数根据输入特征进行调整,获得车辆波的振幅和相位嵌入的最佳权重;其中,车辆波的相位和振幅在负数域中的表示通过下述公式(12)表示:其中,在驾驶场景中所有车辆的相互作用中,n个车辆波表示为车辆波的聚合通过下述公式(13)表示:其中,表示在聚合车辆波后的复数域表示;
其中,通过加权求和获得在聚合车辆波后的实数;其中,在聚合车辆波后的实数通过下述公式(14)表示:其中,oh表示在聚合车辆波后的实数;ωo表示第一学习权重;ωs表示第一学习权重;
将具有车辆波和相位的特征数据输入局部注意力模块中,通过1×1卷积层进行初始维度转换,获得转换后的特征图;采用自适应卷积层和加权机制对转换后的特征图进行处理,获得局部特征;
其中,将输入数据输入局部注意力模块中,通过两层的1×1卷积和批归一化函数以及ReLU函数的处理,获得第一处理结果;采用1×1卷积对第一处理结果进行计算,获得第二处理结果;通过softmax函数以及Dropout正则化方法进一步处理,获得局部特征;
将具有车辆波和相位的特征数据输入全局注意力模块中,通过改进的多头自注意力和全局上下文注意力,确定具有车辆波和相位的特征数据的时间步之间特征关系,获得全局特征;
其中,将输入数据输入全局注意力模块中,通过多头注意机制进行处理,获得处理结果;残差门控机制对处理结果进行进一步处理,通过全局上下文注意力进行特征提取,获得全局特征;
其中,设给定的第一时间步为p,第一时间步的特征为Tp;设给定的第二时间步为q,第二时间步的特征为Tq,通过特征映射函数将上述变量映射为一个公共的特征空间,通下述公式(15)表示:rp,q=f(Tp,Tq) (15)
其中,f(·)表示特征映射函数;rp,q表示第一时间步p和第二时间步q之间特征的关系;
其中,第一时间步p的特征Tp的关系向量通过下述公式(16)表示:rp=[rp,1,rp,2,…,rp,q,rp,Nr1,p,r2,p,…,rq,p,rN,p] (16)其中,rp表示第一时间步p与特征Tp的关系向量;
其中,将时间步的特征与关系向量组合成配对表示,获得第一时间步p处的全局特征表示为按照上述步骤获得第二时间步q处的全局特征表示;
将局部特征与全局特征进行融合,获得融合后的特征;
其中,融合后的特征通过下述公式(17)表示:
FC=FL+FG (17)
其中,FC表示融合后的特征;FL表示局部特征;FG表示全局特征;
预测单元,用于获取目标车辆在观察时间域内的状态信息;将所述目标车辆在观察时间的状态信息输入所述训练好的基于全局-局部注意力机制残差双向长短时记忆网络中,获得在预测时间域内目标车辆的未来轨迹;
其中,目标车辆在观察时间域内的状态信息,包括:目标车辆的类型、目标车辆的运行状态以及目标车辆与周围障碍车辆的时空关系;
其中,目标车辆在观察时间域内的状态信息通过下述公式(18)表示:m=1,2,3…,Tobs
n=1,2,3…,6
其中,表示目标车辆在观察时间域Tobs内的输入状态,L表示预测目标车辆的长度;W表示预测目标车辆的宽度;表示预测目标的横向坐标;表示预测目标的纵向坐标;表示其驾驶风格标签;表示预测目标的速度;表示预测目标的加速度;表示预测目标车辆与第n个障碍车辆之间的车头间距,表示它们之间的车头时距,m表示观察时间域;n表示障碍车辆的个数;
其中,在预测时间域内目标车辆的未来轨迹,通过下述公式(19)表示:m=1,2,3…,Tpred
其中,表示从当前时间到预测时间域Tpred内目标车辆预测轨迹的横向坐标;表示从当前时间到预测时间域Tpred内目标车辆预测轨迹的纵向坐标;m表示预测时间域;表示在预测时间域内目标车辆的未来轨迹。
5.一种适应不同驾驶风格的车辆轨迹预测设备,其特征在于,所述适应不同驾驶风格的车辆轨迹预测设备包括:处理器;
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现如权利要求1至3中任一项所述的方法。
6.一种计算机可读取存储介质,其特征在于,所述计算机可读取存储介质中存储有程序代码,所述程序代码可被处理器调用执行如权利要求1至3任一项所述的方法。