[发明专利]一种车辆行驶环境下易受伤害道路使用者的轨迹预测方法

权利要求书

1.一种车辆行驶环境下易受伤害道路使用者的轨迹预测方法，其特征在于，包括：

步骤1，建立VRU数据集，其分为训练数据集和测试数据集；

步骤2，预处理VRU数据集中的各类数据，输送给步骤3和步骤4；

步骤3，离线训练阶段，其具体包括：

步骤31，根据训练数据集中的前N步VRU图像框序列、前N步VRU运动轨迹序列和前N步自车驾驶里程计序列，计算语义向量；

步骤32，根据训练数据集中的前N步VRU图像框序列，预测VRU行为特征，VRU行为特征包括VRU的头部倾向视角和交通工具概率向量；

步骤33，根据语义向量、后M步VRU运动轨迹序列和后M步自车驾驶里程计序列，利用行为模式预测网络以持续迭代计算的方式预测生成VRU的先验行为模式分布和后验行为模式分布、以及利用轨迹预测网络以持续迭代计算的方式预测VRU运动轨迹；

步骤34，根据步骤33输出的先验行为模式分布和后验行为模式分布，计算行为模式目标函数；

步骤35，根据步骤33输出预测的VRU运动轨迹和后M步VRU运动轨迹真值，计算轨迹预测目标函数；

步骤36，根据步骤32输出前N步VRU行为特征以及训练数据集中的前N步VRU行为特征，计算行为特征目标函数；

步骤37，将行为模式目标函数、轨迹预测目标函数和行为特征目标函数通过反向传播实现监督学习，获得支持输入规划的自车驾驶里程计序列的VRU运动轨迹预测模型；

步骤4，在线轨迹预测阶段，其具体包括：

步骤41，根据在线获取前N步VRU图像框序列、前N步VRU运动轨迹、以及前N步自车驾驶里程计序列，计算语义向量；

步骤42，根据步骤41中输出的语义向量和决策模块选定的驾驶策略下生成的后M步自车驾驶里程计序列，利用步骤37获得的VRU运动轨迹预测模型以持续迭代计算的方式，预测未来M步VRU运动轨迹分布。

2.如权利要求1所述的车辆行驶环境下易受伤害道路使用者的轨迹预测方法，其特征在于，步骤31具体包括：

步骤311，将前N步VRU图像框特征序列作为输入，通过卷积神经网络与LSTM循环神经网络编码，获得可视特征向量序列；通过卷积神经网络将图像信号转换为可视特征向量序列后，由LSTM循环神经网络计算可视特征向量序列的可视特征，并选择LSTM循环神经网络最后一步输出的隐藏状态，作为可视时序特征向量；

步骤312，选取前N步VRU运动轨迹序列作为运动轨迹，使用LSTM循环神经网络构成的VRU运动轨迹时序特征编码器提取序列中的时序特征，并使用VRU运动轨迹时序特征编码器最后一步输出的隐藏状态，作为VRU运动轨迹时序特征向量；

步骤313，选取前N步的自车驾驶里程计序列表示驾驶特征，使用LSTM循环神经网络构成的自车驾驶特征时序特征编码器提取序列中的时序特征，使用自车驾驶特征时序特征编码器最后一步输出的隐藏状态，作为自车驾驶特征时序特征向量；

步骤314，通过拼接可视时序特征向量、VRU运动轨迹时序特征向量和自车驾驶特征时序特征向量，得到语义向量。

3.如权利要求1所述的车辆行驶环境下易受伤害道路使用者的轨迹预测方法，其特征在于，步骤32中的“根据N步VRU图像框序列，预测VRU行为特征中的VRU的头部倾向视角”的具体包括如下方法：

步骤321，根据MultiBin算法，设定VRU头部倾向视角取值范围s∈[0，2π)被均分为若干个区间；

步骤322，根据步骤311获得的可视时序特征向量，使用全连接层FC1和Softmax归一化函数计算VRU头部倾向视角所在区间的概率向量以及使用全连接层FC2和L2正则化，得到区间内偏移角的正弦值和余弦值：其中，bf_i表示第i步VRU图像框的可视特征向量，FullyConnected(·)表示全连接层FC1或FC2，Softmax(·)表示Softmax归一化函数，Nomalization_l2(·)表示L2正则化；

步骤323，采用MultiBin算法计算VRU头部倾向视角。