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: 2025116879892
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: 信号装置
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:

1.一种面向复杂动态交通场景的多车轨迹预测方法,其特征在于:所述方法具体过程为:步骤1、提取某一交通场景中所有车辆在连续历史时间段内的状态信息;

步骤2、构建面向复杂动态交通场景的多车轨迹预测模型;

所述面向复杂动态交通场景的多车轨迹预测模型的处理过程包括:步骤21、将状态信息输入多尺度交互时空编码模块,多尺度交互时空编码模块输出历史编码特征;

多尺度交互时空编码模块依次包括1个初始特征维度提升模块、个多尺度时空交互模块和全局依赖捕捉与驾驶意图时序精炼模块;

步骤22、将多尺度交互时空编码模块输出的历史编码特征输入目标条件流匹配轨迹生成解码模块,目标条件流匹配轨迹生成解码模块输出车辆预测时间段的轨迹,车辆预测时间段的轨迹作为面向复杂动态交通场景的多车轨迹预测模型的输出;

步骤3、构建总损失函数,基于总损失函数对面向复杂动态交通场景的多车轨迹预测模型进行训练,获得训练好的面向复杂动态交通场景的多车轨迹预测模型;

步骤4、获取某一交通场景中车辆当前时刻连续历史时间段的状态信息;基于训练好的面向复杂动态交通场景的多车轨迹预测模型获得车辆预测时间段的轨迹。

2.根据权利要求1所述的一种面向复杂动态交通场景的多车轨迹预测方法,其特征在于:所述步骤1具体过程为:步骤11、提取某一交通场景中所有车辆在连续历史时间段内的状态信息,;

其中,表示在历史时刻1所有车辆的状态信息集合;表示在历史时刻2所有车辆的状态信息集合;表示在历史时刻所有车辆的状态信息集合;表示在历史时刻所有车辆的状态信息集合;

步骤12、对状态信息进行归一化处理,得到归一化处理后的特征张量;

步骤13、基于状态信息构建初始邻接矩阵;具体过程为:将交通场景抽象为一个动态图结构;

其中,节点集合表示交通场景中的所有车辆,边集合表示交通场景中车辆间的邻接关系;

基于边集合构建初始邻接矩阵;初始邻接矩阵中的元素表示历史时刻车辆和车辆的邻接关系;表示为:其中,表示历史时刻车辆和车辆的邻接关系,表示历史时刻车辆和车辆存在邻接关系,表示历史时刻车辆和车辆不存在邻接关系;表示历史时刻车辆和车辆之间的欧式距离,分别表示历史时刻车辆和车辆的位置,,;表示预设的距离阈值;表示历史时刻车辆的位置;表示历史时刻车辆的位置;,;表示其它。

3.根据权利要求2所述的一种面向复杂动态交通场景的多车轨迹预测方法,其特征在于:所述步骤21具体过程为:步骤211、将归一化处理后的特征张量输入初始特征维度提升模块,初始特征维度提升模块输出特征张量;表示历史时刻1到历史时刻归一化处理后的特征张量;

初始特征维度提升模块依次包括卷积层、非线性激活函数;

步骤212、将初始特征维度提升模块输出的特征张量依次输入个多尺度时空交互模块,第个多尺度时空交互模块输出历史编码特征;具体过程为:步骤2121、令;

将初始特征维度提升模块输出的特征张量输入第个多尺度时空交互模块,第个多尺度时空交互模块输出中间编码特征;

步骤2122、令;将中间编码特征输入第个多尺度时空交互模块,第个多尺度时空交互模块输出中间编码特征;

步骤2123、重复步骤2122,直至得到第个多尺度时空交互模块输出的中间编码特征;为多尺度时空交互模块的个数;

步骤2124、将步骤2123得到的第个多尺度时空交互模块输出的中间编码特征输入全局动态关系推理与图融合模块,全局动态关系推理与图融合模块输出混合图;

步骤2125、将步骤2123得到的第个多尺度时空交互模块输出的中间编码特征和步骤2124输出的混合图输入到第个多尺度时空交互模块,第个多尺度时空交互模块输出历史编码特征;

步骤213、将步骤212第个多尺度时空交互模块输出的历史编码特征输入全局依赖捕捉与驾驶意图时序精炼模块,全局依赖捕捉与驾驶意图时序精炼模块输出历史编码特征。

4.根据权利要求3所述的一种面向复杂动态交通场景的多车轨迹预测方法,其特征在于:所述步骤2121具体过程为:步骤21211、对初始特征维度提升模块输出的特征张量进行多尺度轨迹序列分解与链式交互,得到特征序列;具体过程为:步骤212111、将初始特征维度提升模块输出的特征张量记为;

将作为第1个多尺度时空交互模块的输入;

设置尺度因子;通过相位采样的方式将分解为个互不重叠的子序列;

其中,表示将分解后的第1个子序列,表示将分解后的第2个子序列,表示将分解后的第个子序列,表示将分解后的第个子序列;

如下式所示:

其中,表示将分解后的第个子序列在历史时刻的元素;表示模运算;表示同余运算;表示除以的余数;表示中满足;

步骤212112、对第个子序列进行跨尺度信息的层级式门控调制,得到调制后的子序列;调制过程为:其中,表示可学习的权重矩阵;表示卷积操作;表示根据第个相位的信息来调整第个相位的特征强度;表示双曲正切激活函数;表示调制后的子序列;表示哈达玛积;表示插值计算;表示时间维度上的插值算子;

步骤212113、将所有调制后的子序列重新组合,形成特征序列;

步骤21212、基于边特征嵌入机制对车辆和车辆之间的相对位移、相对速度和相对加速度进行处理,获得边嵌入向量;

步骤21213、对边嵌入向量和初始邻接矩阵进行处理,得到中间编码特征。

5.根据权利要求4所述的一种面向复杂动态交通场景的多车轨迹预测方法,其特征在于:所述步骤21212具体过程为:步骤212121、对于交通场景中任意一对车辆,首先提取历史时刻车辆和车辆之间的相对位移、相对速度和相对加速度,并将历史时刻车辆和车辆之间的相对位移、相对速度和相对加速度拼接成历史时刻车辆和车辆的相对运动学特征向量;

步骤212122、获取历史时刻内车辆和车辆的相对运动学特征向量平均值;将历史时刻内车辆和车辆的相对运动学特征向量平均值输入多层感知机网络,多层感知机网络输出历史时刻车辆和车辆的边嵌入向量。

6.根据权利要求5所述的一种面向复杂动态交通场景的多车轨迹预测方法,其特征在于:所述步骤21213具体过程为:步骤212131、将步骤212122多层感知机网络输出的历史时刻车辆和车辆的边嵌入向量通过函数归一化后,得到历史时刻车辆和车辆的权重;

步骤212132、基于历史时刻车辆和车辆的权重调制步骤13中初始邻接矩阵中的元素,生成历史时刻车辆和车辆的语义增强的邻接矩阵元素;表示为:其中,表示哈达玛积;

步骤212133、将所有车辆的语义增强的邻接矩阵元素拼接在一起,得到历史时刻完整的语义增强邻接矩阵;

步骤212134、将历史时刻完整的语义增强邻接矩阵和输入图卷积神经网络GCN,图卷积神经网络GCN输出历史时刻的图卷积结果;

步骤212135、将所有历史时刻的图卷积结果组合得到经过图卷积神经网络GCN后的特征;

步骤212136、基于特征序列得到第1个多尺度时空交互模块输出的中间编码特征;表示为:其中,表示第1个多尺度时空交互模块输出的中间编码特征,和是可学习的参数矩阵。

7.根据权利要求6所述的一种面向复杂动态交通场景的多车轨迹预测方法,其特征在于:所述步骤2124具体过程为:步骤21241、基于第个多尺度时空交互模块输出的中间编码特征和记忆库计算第一相似度;表示为:其中,表示矩阵乘法;表示第一相似度;表示历史时刻第个多尺度时空交互模块输出的中间编码特征;表示第个时空交互模块的特征通道数;上角标表示求转置;

步骤21242、基于第个多尺度时空交互模块输出的中间编码特征计算第二相似度;表示为:其中,表示第二相似度;

步骤21243、对于交通场景中任意一对车辆,基于第个多尺度时空交互模块输出的中间编码特征提取历史时刻车辆和车辆的特征向量和;表示为:其中,表示提取历史时刻车辆的特征向量;表示提取历史时刻车辆的特征向量;

步骤21244、将历史时刻车辆的特征向量和历史时刻车辆的特征向量进行拼接,构建历史时刻车辆和车辆的联合关系特征向量;

步骤21245、将历史时刻车辆和车辆的联合关系特征向量依次输入多层感知机网络和激活函数,激活函数输出置信度得分;

步骤21246、将所有车辆对的置信度得分进行组合,生成所有车辆对的交互强度矩阵;表示为:步骤21247、将步骤21241得到的第一相似度、步骤21242得到的第二相似度和步骤21246生成的所有车辆对的交互强度矩阵进行融合,得到动态混合图;表示为:步骤21248、将步骤21247得到的动态混合图和步骤13的边集合进行融合,得到融合图:表示为:。

8.根据权利要求7所述的一种面向复杂动态交通场景的多车轨迹预测方法,其特征在于:所述步骤213具体过程为:步骤2131、对步骤212第个多尺度时空交互模块输出的历史编码特征进行重塑,得到重塑后的历史编码特征;

步骤2132、将重塑后的历史编码特征输入编码器,编码器输出增强后的时序特征表示;

步骤2133、对编码器输出的增强后的时序特征表示依次进行重塑和置换,得到时序特征表示;

步骤2134、将时序特征表示输入编码器,编码器输出特征表示;

步骤2135、基于门控循环单元对特征表示进行处理,得到历史编码特征;表示为:其中,表示对特征表示进行重塑后的特征;表示经过门控循环单元GRU处理后的特征;表示对特征进行重塑后得到的历史编码特征。

9.根据权利要求8所述的一种面向复杂动态交通场景的多车轨迹预测方法,其特征在于:所述步骤22具体过程为:步骤221、基于步骤21输出的历史编码特征构建高斯混合模型;具体过程为:步骤2211、从步骤21输出的历史编码特征中提取所有车辆历史时刻的特征切片;

步骤2212、在所有车辆历史时刻的特征切片中提取车辆历史时刻的特征切片的特征向量;

步骤2213、将车辆历史时刻的特征切片的特征向量输入多层感知机网络,多层感知机网络输出特征;

步骤2214、将多层感知机网络输出的特征输入高斯混合模型,高斯混合模型输出特征;

步骤2215、将分割为不同的参数;表示为:

其中,表示混合权重的未归一化分数;表示车辆的均值;表示车辆的对数标准差;表示分割;

步骤2216、通过函数将混合权重的未归一化分数转换为有效的概率分布;表示为:其中,表示第个行为模式的可能性概率;表示车辆对于行为模式的混合权重的未归一化分数;表示车辆对于模式的混合权重的未归一化分数;表示第种行为模式,;表示行为模式的总数;

步骤2217、通过有界的指数变换对标准差进行处理;表示为:其中,表示控制不确定性范围的超参数;表示车辆的第个行为模式在维度上的对数标准差;表示裁剪操作,使控制在;表示车辆的第个行为模式在维度上的实际标准差;

步骤2218、基于步骤2216的第个行为模式的可能性概率和步骤2217的车辆的第个行为模式在维度上的实际标准差,将车辆的二维目标位置随机变量的概率分布建模为高斯混合模型;表示为:其中,表示给定车辆的特征,车辆的二维目标位置的随机变量的概率分布;表示车辆的二维目标位置的随机变量;表示车辆基于特征的第个行为模式的可能性概率;表示第个行为模式的二维高斯分布;表示由标准差构成的对角协方差矩阵;表示车辆基于特征的第个行为模式的高斯成分的中心位置;表示行为模式的总数,表示第个行为模式;

步骤222、基于步骤221获得上下文特征和编码后的目标特征;基于上下文特征和编码后的目标特征,构建从噪声到车辆预测时间段的轨迹;具体过程为:步骤2221、基于步骤221获得上下文特征和编码后的目标特征;具体过程为:步骤22211、将步骤2212提取的车辆的历史时刻的特征切片的特征向量输入多层感知机网络,多层感知机网络输出的车辆的上下文特征;

步骤22212、将车辆从步骤2218的概率分布中采样具体的位置样本输入多层感知机网络,多层感知机网络输出编码后的车辆的目标特征;

步骤2222、基于上下文特征和编码后的目标特征,构建从噪声到车辆预测时间段的轨迹;具体过程为:步骤22221、将车辆的上下文特征、编码后的车辆的目标特征、和输入多层感知机网络,多层感知机网络输出车辆的预测速度场;表示为:其中,表示多层感知机网络;表示流中当前时刻的轨迹;表示参数,;是将时间参数通过正弦编码函数变换后得到的特征;

步骤22222、构建从噪声到车辆预测时间段的轨迹;具体过程为:从标准正态分布中采样初始噪声,然后在噪声和车辆预测时间段的轨迹之间建立线性插值;表示为:其中,表示初始噪声;表示预测时间段的位移序列;

其中,

表示在时刻预测的位移,表示在时刻预测的位移,表示在时刻预测的位移;

表示在处的线性插值;

基于线性插值计算沿着线性插值对应的路径的目标速度场;表示为:。

10.根据权利要求9所述的一种面向复杂动态交通场景的多车轨迹预测方法,其特征在于:所述步骤3中构建总损失函数;具体过程为:构建总损失函数,基于总损失函数对面向复杂动态交通场景的多车轨迹预测模型进行训练,直至总损失函数收敛获得训练好的面向复杂动态交通场景的多车轨迹预测模型;

总损失函数的获取过程为:

步骤31、构建车辆的目标预测损失;表示为:

其中,表示给定车辆的特征,车辆基于步骤2218的概率分布计算的真实轨迹的终点位置的概率分布;表示车辆的目标预测损失;

将展开为:

其中,表示车辆的第个行为模式在方向上的标准差;表示车辆的第个行为模式在方向上的标准差;表示车辆在方向上的真实目标位置;表示车辆在方向上的真实目标位置;表示车辆的第个行为模式在方向上的预测目标位置;表示车辆的第个行为模式在方向上的预测目标位置;

步骤32、基于步骤22221获得的和步骤22222获得的构建流匹配损失;表示为:其中,表示从均匀分布中采样流时间参数,表示均匀分布;表示从均值为0、协方差为的正态分布中采样的初始噪声;表示平方的范数;表示求期望;

在上式流匹配损失中引入掩码机制,获得引入掩码机制的流匹配损失;表示为:其中,是掩码向量;表示时刻上有效观测;表示时刻上缺失或无效观测;表示预测速度场在时刻维度上的分量;表示目标速度场在时刻维度上的分量;表示有效时刻的总数;

步骤33、基于步骤31的目标预测损失和步骤32的流匹配损失,构建总的损失函数;表示为:其中,是总的损失函数;表示超参数;表示车辆的总数;表示所有车辆的集合。