[发明专利]一种基于局部注意力机制的无人车轨迹预测方法

说明书

本发明公开了一种基于局部注意力机制的无人车轨迹预测方法，将无人车周围车的历史轨迹作为输入，充分考虑无人车和邻车间的交互对无人车未来轨迹的影响；根据道路的几何结构和车辆几何外形来构建无人车与邻车的空间交互，再通过局部注意力机制估算与无人车未来轨迹相关度较高的部分车辆，计算这部分车辆与无人车间的相关度，利用相关度加权求和构建时间交互；综合无人车在当前时刻的与周围车的时间、空间交互，将综合交互特征输入后接全连接层的解码器，得到未来一段时间无人车轨迹分布和轨迹坐标；训练时用负对数似然损失函数计算损失，通过损失反向传播更新参数，训练好的模型预测无人车未来一段时间的轨迹，辅助后续决策规划的完成。

技术领域

本发明属于智能驾驶领域，具体指代一种基于局部注意力机制的无人车轨迹预测方法。

背景技术

近年来，随着智能驾驶热潮的来临，人工智能技术在汽车上应用与日俱增，尤其对于致力于发展成纯无人驾驶的车辆而言更是如此。而作为预测汽车下一秒位置的轨迹预测技术更是实现无人驾驶的基础，只有正确的预测车辆未来的位置才能后续的动作不会对车辆造成危险，如预测到车辆即将驶离当前车道，就可以提前预判这一动作是否会造成危险，如果会造成危险便可以提前介入干涉。

当前的车辆轨迹预测技术可分为基于模型的轨迹预测方法和基于神经网络的轨迹预测方法；其中基于模型的方法包括基于动力学模型和卡尔曼滤波等方法，这些方法被证明只能在短时间内拥有较高的预测精度，然而一旦预测时间跨度增大，预测精度便会大大降低；而基于神经网络的方法，如RNN、LSTM等，则正好解决了长时间跨度内轨迹预测精度降低的这一问题，通过充分的挖掘历史信息中的非线性关系，在较长时间跨度内仍能维持令人满意的预测精度。

然而，当前基于神经网络的预测算法只粗糙的考虑无人车所有时刻的历史轨迹，通过将所有时刻历史轨迹生成最后时刻的隐态向量；这样的一个隐态向量很难保证包含所有历史时刻的重要信息，历史信息中的重要内容难免会被遗失，导致最终预测出的轨迹往往和车辆的实际轨迹有较大偏差。因此必须要提取出对当前轨迹预测影响最大历史信息，而忽略影响较小的历史信息，如无人车在换道时人类驾驶员主要观测目标车道前后车的行驶状况，来决定何时可以进行换道；这时给与无人车车道上的车辆信息较小的权重，而不是对所有车辆给与相同的权重。通过对其他车辆的历史信息与无人车历史信息的相关度得分的计算，来提取出每一时刻与无人车运动最相关的车辆轨迹信息，并将这一信息输入进神经模型进行轨迹预测，可保证在节约计算成本的同时提高轨迹预测的精度。

发明内容

针对上述现有技术的不足，本发明的目的在于解决当前轨迹预测领域中，大多数方法只粗糙的考虑周围车辆所有时刻的历史轨迹信息，没有充分的挖掘周围车辆与无人车间的交互作用，造成轨迹预测精度较低的现象。

为解决上述问题，本发明采用的技术方案是，一种基于局部注意力机制的无人车轨迹预测方法，包括以下步骤：

步骤1：采集无人车和周围车辆历史运动轨迹信息，并对轨迹信息进行预处理；

步骤2：构建无人车势力圈环境张量，提取车辆间的空间交互；

步骤3：利用局部注意力机制模型提取车辆间的时间交互；

步骤4：通过训练Encoder-Decoder结构的LSTM模型，对无人车未来轨迹预测；

进一步的，所述步骤1中，采集车辆和周围车辆的历史运动轨迹信息，并对轨迹信息进行预处理，具体方法如下：

通过将记录相机的视频截取成图片，并对每张图片进行校准，再利用目标检测算法，检测出每张图片中的车辆，并记录对应车辆的几何中心位置作为当前时刻的位置坐标，给与车辆、车辆所处车道和当前帧相应的ID编号，得到车辆的历史轨迹信息，再将轨迹信息中的帧数作为时间戳索引，对坐标进行滤波平滑，将处理好的数据按时间戳升序排列，并将数据按7:1:2划分成训练集、验证集、测试集，由此得到模型训练和验证的数据集。