[发明专利]一种高精度的车辆轨迹多模态预测方法

权利要求书

1.一种高精度的车辆轨迹多模态预测方法，其特征在于：包括以下步骤：

A、对车辆轨迹进行编码

读取车辆的轨迹后，将轨迹进行编码压缩为低维向量，然后与通过车辆之间的交互池化操作获取的车辆交互向量进行拼接，最终获取拼接后的隐层状态向量信息，具体方法如下；

A1、利用长短期记忆模块进行数据压缩

使用全连接的神经网络将每个车辆的轨迹编码为定长的向量将向量作为长短期记忆模块的输入；则第t时刻对于车辆轨迹的隐层状态向量获取过程如下：

式中，为读取的第i-1辆车辆在t时刻的轨迹点坐标，为由第0到t-1时刻的车辆轨迹生成的隐层状态向量，所述的隐层状态向量为潜在的注意力状态向量，fc(.)是使用RELU函数作为激活函数的信息聚合函数，W_vec是信息聚合神经网络的权重，W_encoder是长短期记忆模块的权重且在一个场景内为所有的车辆轨迹所共享，i为当前车辆的序号；

A2、使用池化层实现不同车辆信息的汇总

将编码后含有隐层状态信息和历史轨迹信息的隐层状态向量放入池化层中，将车辆的隐藏状态都加以池化，对每一个车辆得到一个池化后的向量P_i，最终得到下式：

式中，为社交池化后的含有隐藏信息和历史轨迹信息的向量，W_p是池化层的权重；

B、使用概率分布剪裁模块剪裁轨迹

将得到的作为概率分布裁剪模块的输入，使用概率分布裁剪机制从能量概率分布中采样得出生成更加真实轨迹的样本z_t-1，然后将和z_t-1拼接作为下一步轨迹解码生成器的输入，具体的公式化表达如下：

从能量概率分布中取出生成更加真实轨迹的样本z_t-1后，将z_t-1和进行如下的拼接：

z_t-1＝ω(G_ψ，U_θ，α)～N(α；0，1)，

式中，ω(.)是概率分布裁剪函数，该函数具有从能量概率分布中取出更加真实轨迹的噪声的功能；G_ψ为轨迹解码生成器，U_θ为能量函数，α为随机变量，Concat(·)为向量拼接操作函数；其中，为拼接后的隐层状态向量；为了生成轨迹，我们需要对拼接后的向量送入长短期记忆网络生成t时刻的隐层状态向量其公式如下：

C、解码生成轨迹

以作为全连接神经网络的输入向量，用下面的方法调整全连接神经网络获取最后的轨迹，反向通过多层感知机全连接的神经网络γ，以此得到生成的车辆轨迹

为了让轨迹解码生成器生成的轨迹分布更加多样性，引入互信息网络；最大化互信息等于最小化二值交叉熵，下式即为轨迹解码生成器的互信息估计公式：

式中，BCE(.)是二值交叉熵损失函数，是由能量概率分布中取出的z_t-1经过随机排列得到的；

D、使用能量网络判别轨迹质量

能量网络由一个编码器与多层感知机神经网络构成；首先将轨迹解码生成器生成的轨迹输入到长短期记忆模块，编码成低维度向量，然后送入多层感知机神经网络进行判别是否符合车辆未来基准的轨迹，最后将经过编码器编码的隐层状态向量加入带有激活函数的全连接神经网络实现对于分类的打分，使用能量网络对神经网络预测出来的轨迹进行质量判断，质量高的轨迹代表真实性高，质量差的轨迹代表真实性低；采取如下公式判断生成的轨迹是否与未来基准轨迹相近：

其中，MLP(·)是带有激活函数的全连接神经网络；如果预测出来的轨迹通过能量网络后得分为T_fake＝1，则认为预测的轨迹与车辆未来基准轨迹具有一致，即生成的轨迹真实性高；T_fake＝0，则生成轨迹真实性差；

E、训练损失函数

使用L₂损失函数评估生成轨迹与真实轨迹之间的差异，公式如下：

式中，L₂为损失函数；traj_real为未来基准的轨迹，traj_pred为使用轨迹解码生成器生成的对应预测轨迹；同时对于整个轨迹预测方法，将能量网络误差U_loss和轨迹解码生成器误差G_{mi_loss}加入，训练整个神经网络结构采用的误差损失函数如下所示：

T_loss＝U_loss+G_{mi_loss}+L₂；

整个轨迹预测方法通过最小化T_loss来减小生成的轨迹traj_pred与未来基准轨迹traj_real的差异。