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: 2025104228814
申请人: 长春工程学院
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.自动驾驶平台中行人轨迹预测与紧急制动的测试方法,其特征在于,包括:

步骤S1:预先分割真实道路环境并根据分割系数的计算获取道路小段的等级,根据等级对小段进行资源分配且采集多源异构数据;

步骤S2:在Transformer模型中引入重要性优化,生成个体的可能预测轨迹,使用可能预测轨迹构建图数据,GNN模型通过处理图数据获取个体关联后的交互行为轨迹,引入Autoencoder异常检测机制,筛选出高风险轨迹,并输出高风险场景;

步骤S3:将道路几何模型与高风险场景结合形成场景库,在仿真平台中加载场景并进行自动驾驶测试,结合实车测试数据进行虚实数据交叉验证,获取算法的性能评估;

步骤S4:将测试过程和结果布置在可视化界面上。

2.根据权利要求1所述的自动驾驶平台中行人轨迹预测与紧急制动的测试方法,其特征在于,所述预先分割真实道路环境并根据分割系数的计算获取道路小段的等级,根据等级对小段进行资源分配且采集多源异构数据的方法包括:多源异构数据包括行人轨迹数据、交通流数据、环境数据和场景数据,场景数据包括事故发生记录数据和近似事故数据;

预先将真实道路划分成小段,对于每个小段计算分割系数,其中,是影响因素的总数,是第个周期时间内第个周期时间内第个影响因素的归一化值,范围为,是对的映射函数,是第个周期时间内第个影响因素的动态权重;

预设定第一界限阈值和第二界限阈值,且第一界限阈值大于第二界限阈值,若分割系数大于第一界限阈值,则判定为高风险路段,高密度部署采集设备,若分割系数属于第一界限阈值和第二界限阈值区间内,则判定为中风险路段,中密度部署采集设备,若分割系数小于第二界限阈值,则判定为低风险路段,低密度部署采集设备;

计算第个周期时间的分割系数并进行等级判断,根据判断输出结果对第个周期时间上小段的采集设备进行动态部署,通过采集设备实时采集多源异构数据。

3.根据权利要求2所述的自动驾驶平台中行人轨迹预测与紧急制动的测试方法,其特征在于,所述高风险场景和获取方法包括:对于采集到的多源异构数据进行清洗和插值预处理;

对于每个小段,提取G_U个周期时间内的多源异构数据,通过特征嵌入处理获取完整的输入向量;

使用Transformer模型预测行人个体的可能行为,生成个体的可能预测轨迹;

使用GNN模型关联行人之间的交互关系,修正个体的可能预测轨迹,生成关联后的交互行为轨迹;

引入Autoencoder异常检测机制,去除低可能性发生的交互行为轨迹,保留高可能性发生的高风险轨迹,并输出高风险场景。

4.根据权利要求3所述的自动驾驶平台中行人轨迹预测与紧急制动的测试方法,其特征在于,所述通过特征嵌入处理获取完整的输入向量,方法包括:提取每个行人的历史轨迹数据、环境上下文数据和行人的意图数据,形成原始数据;

对原始数据进行清洗、平滑和标准化处理;

对原始数据中每个模态的数据进行独立嵌入,包括:对于行人的历史轨迹数据,使用MLP 或 RNN对轨迹序列进行时序特征提取;对于环境上下文数据,使用 MLP 对环境数据进行嵌入,对于行人的意图数据,使用 MLP 对意图数据进行嵌入对嵌入特征均进行归一化;

计算每个模态嵌入特征的均值和方差,通过调整嵌入层的激活函数使其接近标准正态分布,计算每个模态嵌入特征的相关性矩阵,若相关性超过预定义的判断阈值,则使用PCA进行降维;

将历史轨迹数据的嵌入特征作为主特征,环境上下文数据的嵌入特征和意图数据的嵌入特征作为辅助特征,使用 Cross-Attention 机制捕捉模态间的交互,将交互后的特征进行加权融合,获取完整的输入向量。

5.根据权利要求4所述的自动驾驶平台中行人轨迹预测与紧急制动的测试方法,其特征在于,所述使用Transformer模型预测行人个体的可能行为,生成个体的可能预测轨迹,方法包括:设定Transformer模型中Transformer编码器的输入为输入向量,输出为编码后的特征,记为编码特征,Transformer模型中条件变分自编码器的输入为编码特征、环境上下文数据的嵌入特征和意图数据的嵌入特征,输出为潜在分布的参数,根据参数获取潜在分布的高斯表达形式,从潜在分布中采样潜在变量,进而生成F_O种可能的未来轨迹;

在从潜在分布中采样潜在变量的过程中,引入重要性优化,即计算每个潜在变量的重要性权重,,为编码特征,为意图数据的嵌入特征,为第个轨迹生成的概率,为潜在变量的先验分布,表示第个潜在变量,为轨迹的索引,为潜在变量的索引;

将每个潜在变量的重要性权重进行降序排列,选择前A_O个潜在变量,记为可能预测轨迹,进而输出可能预测轨迹;

设定轨迹约束,包括多样性约束、物理约束和意图约束,多样性约束为计算任意两个可能预测轨迹在所有时间步上的最小欧几里得距离,最大化最小欧几里得距离,物理约束为行人的加速度和速度均小于最大加速度和最大速度,意图约束为最小化轨迹与目标位置之间的欧几里得距离。

6.根据权利要求5所述的自动驾驶平台中行人轨迹预测与紧急制动的测试方法,其特征在于,所述使用GNN模型关联行人之间的交互关系,修正个体的可能预测轨迹,生成关联后的交互行为轨迹,方法包括:从多源数据中提取行人之间的距离和行人与车辆或路障之间的距离,记为交互数据,将交互数据与个体的可能预测轨迹结合作为GNN模型的输入数据;

构建空白图,将每个行人表示为图中的一个节点,节点特征包括个体的可能预测轨迹、环境上下文数据和意图数据,将行人之间的距离表示为图中的边,边特征包括距离信息,将行人与车辆或路障之间的距离也表示为边,边特征包括车辆或路障的位置和速度,形成图数据;

使用图神经网络GNN处理图数据,GNN 通过多层图卷积或图注意力机制,更新每个节点的特征,在更新过程中,引入社会力模型约束,输出更新后的节点特征;

将更新后的节点特征映射回轨迹空间,输出每个行人的交互行为轨迹。

7.根据权利要求6所述的自动驾驶平台中行人轨迹预测与紧急制动的测试方法,其特征在于,所述引入Autoencoder异常检测机制,去除低可能性发生的交互行为轨迹,保留高可能性发生的高风险轨迹,并输出高风险场景的方法包括:使用Autoencoder时序异常检测模型,输入为每个行人的交互行为轨迹,输出为每个交互行为轨迹的异常得分;

基于异常阈值和轨迹特征,定义高风险行类型为包括突然横穿、变向和群体避让,设置每个高风险类型的异常阈值和轨迹特征,其中,突然横穿的轨迹特征为行人轨迹与车道线交叉,变向的轨迹特征为行人轨迹的速度方向发生突变,群体避让的轨迹特征为超过一个行人的轨迹同时发生方向突变;

对于每个行人的交互行为轨迹,计算异常得分与异常阈值的差值,结合轨迹特征使用Sigmoid激活函数转换为概率值,将概率值记为高风险概率;

设定风险阈值,当高风险概率超过风险阈值时,交互行为轨迹被标记为高风险行为,提取高风险行为时的环境上下文数据,与其结合形成高风险场景,输出高风险场景。

8.根据权利要求7所述的自动驾驶平台中行人轨迹预测与紧急制动的测试方法,其特征在于,所述将道路几何模型与高风险场景结合形成场景库,在仿真平台中加载场景并进行自动驾驶测试,结合实车测试数据进行虚实数据交叉验证,获取算法的性能评估,方法包括:基于高精度地图和传感器数据,构建道路几何模型,利用天气模拟工具,添加天气条件,通过SUMO生成交通流量,并将其导入CARLA中模拟道路交通环境;

将高风险场景导入到模拟道路交通环境中,形成场景库,将场景库存储为标准格式;

在仿真平台中加载场景库,在场景库中加载测试车辆,在测试车辆上布置自动驾驶算法并运行;

记录测试数据并进行虚实数据交叉验证,算法的性能评估包括轨迹误差和性能指数,轨迹误差为测试车辆上自动驾驶算法预测到每个行人的交互行为轨迹和高风险场景与场景库中的绝对差值,性能指数获取方法为累加车辆的制动距离、停止距离和偏移量;

输出算法的性能评估。

9.根据权利要求8所述的自动驾驶平台中行人轨迹预测与紧急制动的测试方法,其特征在于,所述将测试过程和结果布置在可视化界面上的方法包括:将仿真平台的运行在可视化界面上显示;

并行设置R_P个测试车辆,将R_P个测试车辆在场景库中一同运行,并进行S_F个时间周期上的测试;

将R_P个测试车辆上在S_F个时间周期上算法的性能评估绘制图表,将图表布置到可视化界面上,用于用户直观观测。

10.根据权利要求9所述的自动驾驶平台中行人轨迹预测与紧急制动的测试方法,其特征在于,所述可视化界面包括计算机的端页或者移动设备的显示界面,并与用户进行界面交互。