[发明专利]基于深度学习的道路障碍物轨迹预测方法和系统

权利要求书

1.一种基于深度学习的道路障碍物的轨迹预测方法，其特征在于，该方法包括以下步骤：

采集车辆信息、车辆周围的障碍物信息及道路信息；

将车辆信息、车辆周围的障碍物信息及道路信息转换至Frenet坐标系中，在该Frenet坐标系中设置记录缓存，所述记录缓存用于对车辆周围的障碍物的位置信息进行缓存处理以使车辆周围的障碍物在不同时刻的标识序号一致；

将所述车辆信息、道路信息以及缓存处理后的车辆周围的障碍物信息添加至数据库中获得图像训练数据集；

将所述图像训练数据集中的样本输入深度神经网络模型中，生成障碍物轨迹预测模型；

利用所述障碍物轨迹预测模型预测车辆周围的障碍物的运动轨迹；

所述生成障碍物轨迹预测模型包括以下子步骤：

将所述图像训练数据集中的样本输入深度神经网络模型中，利用该深度神经网络模型提取图像训练数据集中的样本的图像特征；

对所述图像训练数据集中的样本的图像特征进行压缩，获得图像特征阵列；

对所述图像特征阵列进行解码以获得障碍物轨迹预测图像信息，基于所述障碍物轨迹预测图像信息生成障碍物轨迹预测模型；

所述深度神经网络模型包括卷积层、残差网络层和反卷积网络层；

将所述图像训练数据集中的样本输入卷积层获得所述图像训练数据集中的样本的图像特征；

将所述图像特征输入该残差网络层进行压缩获得图像特征阵列；

将所述图像特征阵列输入反卷积网络层获得所述障碍物轨迹预测模型；

所述卷积层包括三层卷积神经网络层，相邻的卷积神经网络层之间包括随机失活层；其中，每一个卷积神经网络层使用渗漏线性整流函数；

所述残差网络层包括五层残差网络层，每个残差网络层依次设置为卷积神经网络层-随机失活层-卷积神经网络层-随机失活层；其中，残差网络层中的每一个卷积神经网络层使用渗漏线性整流函数；

所述反卷积网络层包括三层反卷积；其中，每一个反卷积网络层使用线性整流函数。

2.根据权利要求1所述的轨迹预测方法，其特征在于，根据所述车辆周围的障碍物的运动轨迹对车辆的行驶路径进行规划以生成规划信息。

3.根据权利要求2所述的轨迹预测方法，其特征在于，对车辆的行驶路径进行规划后，利用所述规划信息对车辆的行进方向进行控制。

4.根据权利要求1所述的轨迹预测方法，其特征在于，所述图像训练数据集是通过以下子步骤获得的：

采集车辆的第一信息、车辆周围的障碍物的第一信息及第一道路信息；

将车辆的第一信息、车辆周围的障碍物的第一信息及第一道路信息转换至车辆的IMU坐标系中获得车辆的第二信息、车辆周围的障碍物的第二信息及第二道路信息；

在预设的时间范围内，分别对车辆的第二信息、车辆周围的障碍物的第二信息进行采样获得采样信息；

将所述采样信息及第二道路信息转换至Frenet坐标系中，在该Frenet坐标系中设置所述记录缓存，所述记录缓存对车辆周围的障碍物的位置信息进行缓存处理得到所述缓存处理后的车辆周围的障碍物信息；

将Frenet坐标系中的车辆信息、道路信息及缓存处理后的车辆周围的障碍物信息添加至数据库中获得所述图像训练数据集。

5.根据权利要求1所述的轨迹预测方法，其特征在于，所述生成障碍物轨迹预测模型还包括以下子步骤：

对所述障碍物轨迹预测图像信息进行梯度优化，以生成优化后的障碍物轨迹预测模型。

6.根据权利要求1-5任一项所述的轨迹预测方法，其特征在于，在获得所述障碍物轨迹预测模型后，清除深度神经网络模型的输出数据中的道路信息和车辆信息。

7.一种基于深度学习的道路障碍物的轨迹预测系统，其特征在于，该系统包括采集模块、转换模块、添加模块、生成模块和预测模块；

所述采集模块用于采集车辆信息、车辆周围的障碍物信息及道路信息；

所述转换模块用于执行以下操作：

将车辆信息、车辆周围的障碍物信息及道路信息转换至Frenet坐标系中，在该Frenet坐标系中设置记录缓存，所述记录缓存用于对车辆周围的障碍物的位置信息进行缓存处理以使车辆周围的障碍物在不同时刻的标识序号一致；

所述添加模块用于将所述车辆信息、道路信息以及缓存处理后的车辆周围的障碍物信息添加至数据库中获得图像训练数据集；

所述生成模块将所述图像训练数据集中的样本输入深度神经网络模型中，生成障碍物轨迹预测模型；

所述预测模块利用所述障碍物轨迹预测模型预测车辆周围的障碍物的运动轨迹；

所述生成障碍物轨迹预测模型包括以下子步骤：

将所述图像训练数据集中的样本输入深度神经网络模型中，利用该深度神经网络模型提取图像训练数据集中的样本的图像特征；

对所述图像训练数据集中的样本的图像特征进行压缩，获得图像特征阵列；

对所述图像特征阵列进行解码以获得障碍物轨迹预测图像信息，基于所述障碍物轨迹预测图像信息生成障碍物轨迹预测模型；

所述深度神经网络模型包括卷积层、残差网络层和反卷积网络层；

将所述图像训练数据集中的样本输入卷积层获得所述图像训练数据集中的样本的图像特征；

将所述图像特征输入该残差网络层进行压缩获得图像特征阵列；

将所述图像特征阵列输入反卷积网络层获得所述障碍物轨迹预测模型；

所述卷积层包括三层卷积神经网络层，相邻的卷积神经网络层之间包括随机失活层；其中，每一个卷积神经网络层使用渗漏线性整流函数；

所述残差网络层包括五层残差网络层，每个残差网络层依次设置为卷积神经网络层-随机失活层-卷积神经网络层-随机失活层；其中，残差网络层中的每一个卷积神经网络层使用渗漏线性整流函数；

所述反卷积网络层包括三层反卷积；其中，每一个反卷积网络层使用线性整流函数。