[发明专利]一种生成对抗网络模型、及利用该生成对抗网络模型的车辆轨迹预测方法

权利要求书

1.基于生成对抗网络模型的车辆轨迹预测方法，其特征在于，包括如下步骤：

S1：设计生成对抗网络模型；

S2：生成处理数据并将数据输入设计好的生成对抗网络模型；

S3：利用输入数据训练生成对抗网络模型；

S4：利用验证数据对步骤S3中训练完成的生成对抗网络模型做验证；如验证结果理想，则可将此网络模型用于车辆轨迹预测，否则继续执行S3直至验证结果理想。

2.根据权利要求1所述的基于生成对抗网络模型的车辆轨迹预测方法，其特征在于，所述S1的具体实现包容：所述生成对抗网络模型包括两个模块，模块一为生成器，包括LSTM编码器、卷积池化层、换道判别层、解码器四部分，用以生成虚拟轨迹；模块二为判别器，包括LSTM编码器和Sigmoid层，用以输出模块一生成的虚拟轨迹为真实轨迹的概率；生成对抗网络模型利用模块一与模块二相互对抗训练，最终获取与真实轨迹高度相似的预测轨迹。

3.根据权利要求2所述的基于生成对抗网络模型的车辆轨迹预测方法，其特征在于，所述生成器的具体设计包括如下：

1)LSTM编码器

LSTM编码器包括两个全连接神经网络和一个循环神经网络LSTM；输入车辆轨迹(x，y)，输出代表车辆轨迹隐藏关系的32维上下文向量；

首先将输入通过一个全连接层，将车辆坐标向量转化为32维隐藏向量，再将隐藏向量输入单层LSTM神经元，获取包含前后隐藏向量内在关系的64维上下文向量，最后通过全连接层对上下文向量做降维处理，取得最终32维上下文向量；

2)卷积池化层

卷积池化层包括一个上述1)中所述LSTM编码器与两层卷积神经网络，输入为旁车轨迹矩阵，输出表征周边车辆对主车影响的80维特征向量；

首先将旁车轨迹矩阵每一行分别通过LSTM编码器，获取各旁车的32维特征向量，以主车为中心，以旁车当前帧实际位置为基准将旁车32维特征向量填入13×3的栅格图中，得到一个深度为32的13×3栅格矩阵；

将栅格矩阵通过卷积核为3×3，深度为64的卷积神经网络，再通过卷积核为3×1，深度为16的卷积神经网络，最终将获取的1×5×16特征降维，输出表征周边车辆对主车影响的80维特征；

3)换道判别层

换道判别层包括一个全连接层和一个softmax多分类层；输入为主车轨迹通过LSTM编码器后得到的32维上下文向量，输出主车未来做直行、左换道、右换道三种行为的概率；

将主车轨迹序列通过LSTM编码器后，将获取的主车32维上下文向量输入全连接层，取得包含主车换道隐含信息的三维向量[a₁ a₂ a₃]，将三维向量通过softmax多分类层，获取主车未来做直行、左换道、右换道三种行为的概率，Softmax计算公式如下所示：

换道判别层最终输出[a₁′ a₂′ a₃′]，其中a₁′+a₂′+a₃′＝1且a_i′≥0；

4)解码器

解码器包括一个LSTM层和一个全连接层，将上述1)、2)、3)三个结构中的输出结合并解码，最终获得预测轨迹；

解码器用以生成最后的结果，解码器将主车轨迹通过LSTM编码器后生成的32维上下文向量、旁车轨迹通过卷积池化层后生成的80维特征、以及主车上下文向量通过换道判别层后生成的3维行为概率三者通过串联结合为包含主车信息的115维编码信息，解码器将这115维信息通过LSTM层进行解码，并最后通过一个全连接层降维处理，输出预测轨迹。