[发明专利]一种交通目标轨迹预测方法及可读存储介质

说明书

本发明提供了一种交通目标轨迹预测方法及可读存储介质，该方法借助了交通可移动区域的高精地图信息、目标交通物体的历史轨迹信息、以及目标周围预设定范围内的交通参与者的历史轨迹信息并进行坐标重叠，从而基于高精地图能够确认目标交通物体及其周围的交通参与者的运行区域及轨迹特征，因此利用残差神经网络构建交通轨迹预测模型并基于这些特征信息进行训练自动调整模型参数以达到最佳匹配效果后，即可针对目标交通物体的交通参与者类型和运行轨迹加以准确和客观的预测，从而具备针对不同类型的交通参与者以及较复杂的交通环境的轨迹预测能力以及较高的预测准确性，提高交通目标轨迹预测判断的准确性和技术应用适应能力。

技术领域

本发明涉及智能安全驾驶技术领域，具体涉及一种交通目标轨迹预测方法及可读存储介质。

背景技术

在驾驶活动中，人类司机需要时刻关注道路、交通信号牌、周围车辆行人等信息，在决定换道、加减速等操作时需要预判周围移动目标动向。随着自动驾驶和辅助驾驶技术的不断发展，汽车正在逐渐进入智能化时代。在智能安全驾驶技术应用中的轨迹预测环节所起到的作用与人类司机预判道路目标动向时的思维活动几乎是等同的，轨迹预测的能力上，也希望尽可能的达到、甚至超越人类司机预判道路目标动向的能力。因此，智能安全驾驶技术应用领域中，如何提升对交通目标轨迹的预测能力，也是一项热点研究课题。

针对交通目标轨迹预测的问题，申请号为2021101270883的中国专利公开了“一种基于移动轨迹大数据的短时交通流量预测方法及系统”，其方法对交通移动轨迹数据进行数据预处理，得到训练数据；根据所述训练数据，构建在Spark框架下基于正态分布和注意力机制加权的并行NAW-DBLSTM算法；基于RDD执行所述并行NAW-DBLSTM算法，并输出预测结果；构建Spark框架下基于正态分布和注意力机制加权的并行NAW-DBLSTM算法，再结合RDD执行并行NAW-DBLSTM算法，考虑各路段之间空间相关性的影响权重以及捕捉交通流量非线性特征的能力，输出预测结果。该方案主要针对于车辆在道路中的形式轨迹以及相应路段交通流量进行轨迹预测，但却未涉及到对非机动车、行人等其它交通参与者以及人行道、非机动车道、红绿灯等道路相关交通环境条件的考量和约束，而主要针对车辆为识别主体、且主要考量车行道交通流量对于轨迹预测的影响，预测能力较为有限，预测对象无法覆盖多种不同类型的交通参与者，同时对涉及人行道、非机动车道、红绿灯等复杂交通环境的应用适应能力也较为有限，因此其技术应用也受到较多限制。

因此，如何使得轨迹预测技术针对不同类型的交通参与者以及较复杂的交通环境更好的实现交通目标轨迹预测，成为了智能安全驾驶领域亟待解决的技术问题。

发明内容

针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种交通目标轨迹预测方法，以能够针对多种不同类型的交通参与者以及涉及人行道、非机动车道、红绿灯等复杂交通环境更好的实现交通目标的轨迹预测，从而能够提高交通目标轨迹预测判断的准确性和技术应用适应能力。

为了解决上述技术问题，本发明采用了如下的技术方案：

一种交通目标轨迹预测方法，其特征在于，包括以下步骤：

S1：获取交通可移动区域的高精地图信息、目标交通物体的历史轨迹信息、以及目标交通物体周围预设定范围内的交通参与者的历史轨迹信息；

S2：对所述高精地图信息、目标交通物体的历史轨迹信息、以及目标周围预设定范围内的交通参与者的历史轨迹信息进行坐标重叠处理，将坐标重叠后所得的数据信息作为目标交通物体的轨迹特征数据向量；

S3：将所述目标交通物体的轨迹特征数据向量输入经过训练的交通轨迹预测模型中，输出目标交通物体的交通参与者类型预测结果和轨迹预测结果；所述交通轨迹预测模型基于残差神经网络构建，并基于真实交通参与者的运行轨迹数据训练得到；

S4：基于目标交通物体的交通参与者类型预测结果和轨迹预测结果，绘制所述目标交通物体此后的运行轨迹预测路线。