[发明专利]车辆轨迹预测方法和车辆轨迹预测模型的优化方法

权利要求书

1.一种车辆轨迹预测方法，包括以下步骤：

基于地图数据生成以预测车辆为图片中心的环境静态图片；

基于目标检测跟踪结果生成以预测车辆为图片中心的环境动态图片；

根据所述环境静态图片和所述环境动态图片生成环境状态图片；

基于所述目标检测跟踪结果获取所述预测车辆的车辆状态信息；

将当前帧的所述环境状态图片和当前帧中所述预测车辆的车辆状态信息作为输入数据输入预测模型；

从所述预测模型的输出端获取所述预测车辆的预测轨迹；

从所述预测模型的输出端获取所述预测车辆的预测轨迹获取K种不同轨迹模式的未来长度为T帧的车辆轨迹的像素坐标预测值；

获取对应的预测车辆未来长度为T帧的轨迹真实值；

根据最大似然规则筛选所述预测模型的最优预测估计模式值；

计算所述预测模型的损失函数；基于所述损失函数形成约束准则，并基于所述约束准则采用特定算法对所述预测模型的权值进行更新；

其中，所述预测模型包括依次连接的主干神经网络、特征向量化模块、第一全连接网络、第二全连接网络和头部网络；所述当前帧的所述环境状态图片数据输入至所述主干神经网络；所述预测车辆的车辆状态信息数据输入至所述特征向量化模块；K为正整数，T为正整数；

所述头部网络包括长短时记忆网络组、第四全连接网络、第五全连接网络和逻辑回归函数网络，所述第二全连接网络输出的第一分支进入所述长短时记忆网络组，第二分支进入所述第四全连接网络后再进入所述逻辑回归函数网络，第三分支进入所述第五全连接网络；

所述逻辑回归函数网络输出所述预测车辆的M种行进模式，所述长短时记忆网络组输出所述预测车辆的M种行进模式的轨迹预测值，所述第五全连接网络输出所述预测车辆的M种行进模式对应的预测轨迹值与实际轨迹值的标准差；M为正整数；所述长短时记忆网络组包括M个长短时记忆网络，所述M个长短时记忆网络分别与所述预测车辆的M种行进模式相对应；所述第二全连接网络输出的第一分支进入每一所述长短时记忆网络；每一所述长短时记忆网络输出所述预测车辆的M种行进模式中一种行进模式的预测轨迹值。

2.根据权利要求1所述的车辆轨迹预测方法，其特征在于，还包括，

获取所述预测车辆当前帧之后未来Y帧的轨迹真实值；

根据所述未来Y帧的轨迹真实值对所述预测模型进行优化；

其中，Y为正整数。

3.根据权利要求1所述的车辆轨迹预测方法，其特征在于，每一所述长短时记忆网络包括T个长短时记忆网络子块和T个第三全连接网络，所述T个长短时记忆网络子块组成子网络串；

其中，所述每一所述长短时记忆网络子块将其隐含变量分别输入与其对应的所述第三全连接网络；所述T个第三全连接网络中的每一第三全连接网络分别输出t+1，t+2，t+3，…，t+T-2，t+T-1，t+T时刻的所述预测轨迹值对应的像素坐标值；所述t+1，t+2，t+3，…，t+T-2，t+T-1时刻的所述预测轨迹值对应的像素坐标值分别作为第2个，第3个，…，第T个所述长短时记忆网络子块的输入端的输入量；t表示当前时刻值，T为正整数。

4.根据权利要求3所述的车辆轨迹预测方法，其特征在于，所述第二全连接网络输出的第一分支进入第1个所述长短时记忆网络子块的隐含变量输入端；第1个所述长短时记忆网络子块的单元变量输入端的输入量设为零，输入端的输入量设为零。

5.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述根据最大似然规则筛选所述预测模型的最优预测估计模式值的算法包括：

其中：

其中分别预测车辆i在第s种轨迹模式下t+m时刻的预测轨迹对应的像素坐标值，i是所述预测车辆的随机标识号；

u_i，t+m、v_i，t+m为预测车辆i在t+m时刻对应的未来轨迹真实值，

为预测车辆i在第s种轨迹模式下在t+m时刻的预测模型输出的标准差估计值，s为轨迹模式编号，

s^*为获得的最优轨迹预测估计模式值。