[发明专利]基于MATT-GNN的周边车辆轨迹预测方法及系统

说明书

本发明提供了一种基于MATT‑GNN的周边车辆轨迹预测方法及系统，该预测方法首先构建多注意力谱时空图神经网络，然后将实时采集的周围交通场景车辆信息输入训练后的多注意力谱时空图神经网络，输出被预测车辆的未来轨迹；所述多注意力谱时空图神经网络包括编码器、GRU层、MT‑stem层和解码器，MT‑stem层由n个MT‑stem模块组，MT‑stem模块使得周边车辆间的时空特征得到充分提取；本发明能精准预测复杂交通场景下对周边车辆轨迹。

技术领域

本发明属于车辆智能驾驶技术领域，具体涉及一种基于MATT-GNN(Mutli-Attention Spectral Temporal-Spatial Graph Neural Network，多注意力谱时空图神经网络)的自动驾驶车 辆周边车辆轨迹预测方法及系统。

背景技术

近年来，随着科学技术不断的发展，国内外学者对自动驾驶汽车的研究也越来越深入。 如何解决自动驾驶车辆在各种复杂交通场景中与其他车辆安全合理地交互问题成为了一个研 究热点，国内外学者普遍认为只有当自动驾驶车辆具备预测周边车辆轨迹的功能时，自动驾 驶车辆才能更加智能和安全。通过预测周边车辆轨迹以便自动驾驶车辆能够提前作出反应， 能够有效避免交通事故的发生。

目前大部分车辆轨迹预测方法基于长短时记忆神经网络(LSTM)模型，预测方法为通 过LSTM模型拟合周边车辆之间的时空特征，然后通过反向传播的机制来实现模型权重值的 梯度更新，最后拟合得到轨迹预测模型。但是，由于车辆间的交互往往呈现为非欧空间的拓 扑图结构，仅仅通过循环神经网络(RNN)和卷积神经网络(CNN)并不能完全表现出车辆 之间的交互作用，难以完全表达出隐式关系。

发明内容

针对现有技术中存在不足，本发明提供了一种基于MATT-GNN的周边车辆轨迹预测方法 及系统，实现在复杂交通场景下对周边车辆轨迹进行精准预测。

本发明是通过以下技术手段实现上述技术目的的。

基于MATT-GNN的周边车辆轨迹预测方法，具体为：

构建多注意力谱时空图神经网络：将车辆历史轨迹数据与道路特征相结合，基于LSTM 编码器进行编码得到特征，构建每辆车的邻接矩阵；邻接矩阵输入GRU层，构建图G及其 相关联的邻接权重矩阵W；把图G作为由n个MT-stem模块组成的MT-stem层的输入，把n个MT-stem模块的输出连接并送到GLU和全连接层，输出训练损失和轨迹预测值，并与 图卷积核θ_j后进行求和，获得第j个通道的输出值，连接每个输出通道得到结果Z； 最后，通过LSTM解码器进行解码；

将实时采集的周围交通场景车辆信息输入训练后的多注意力谱时空图神经网络，输出被 预测车辆的未来轨迹；其中n≥1。

进一步地，所述MT-stem模块使得周边车辆间的时空特征得到充分提取，具体地：

图G变换成谱矩阵表示，将谱矩阵放入多头注意力Seq2seq模块，将谱矩阵中每个节点 的特征张量分量变换到频域，再被送到一维卷积和GLU子层，以捕获特征模式；接着，将获 得特征模式的张量放入一个线性变换，再输入到放缩点积注意力，将m次的放缩点积注意力 结果进行拼接，再进行一次线性变换，并转换回时域；然后对谱矩阵进行有监督学习，在谱 矩阵表示上应用图卷积神经网络，并执行逆运算，最后经输出层输出训练损失和轨 迹预测值。

进一步地，所述图G＝(X₁，W)，其中X₁为车辆历史轨迹数据，W为邻接权重矩阵，且Q和K表示查询、键值，Q＝RW^Q、K＝RW^K，R为隐藏状态向量， W^Q和W^K是可学习参数，d为时间复杂度。

进一步地，所述第j个通道的输出值为：