[发明专利]基于编码器-解码器架构的轨迹预测方法

权利要求书

1.一种基于编码器-解码器架构的轨迹预测方法，其特征在于，包括以下步骤：

S1、基于卷积神经网络对道路图片进行特征提取，得到路网特征信息，获取通过雷达捕捉到的道路中所有的物体特征信息，基于物体特征信息和路网特征信息得到提取向量图；

S2、将提取向量图输入至带有注意力机制的图注意力网络，输出得到具有注意力信息的特征向量；

S3、将具有注意力信息的特征向量输入至第一长短期记忆递归神经网络，输出得到第一结果数据；

S4、将第一结果数据输入至解码器图注意力网络，对第一结果数据进行信息聚合得到第二结果数据；

S5、将第二结果数据输入至第二长短期记忆递归神经网络，输出得到轨迹预测结果，第二长短期记忆递归神经网络的损失函数包括位置信息损失和碰撞面积约束。

2.根据权利要求1所述基于编码器-解码器架构的轨迹预测方法，其特征在于，步骤S1包括以下步骤：

S11、将道路图片输入至卷积神经网络，输出得到路网特征信息；

S12、获取通过雷达捕捉到的道路图片中所有的物体特征信息，采用独热编码对物体特征信息的类型信息进行编号，得到物体特征向量；

S13、采用全连接网络对物体特征向量进行扩充；

S14、将扩充后的物体特征向量与路网特征信息合并，得到提取向量图。

3.根据权利要求2所述基于编码器-解码器架构的轨迹预测方法，其特征在于，步骤S13中，扩充公式为：

其中，表示扩充后的第i个向量，W₁代表全连接层的权重系数，代表第i个物体的特征向量，a代表进行扩充向量的点积操作。

4.根据权利要求3所述基于编码器-解码器架构的轨迹预测方法，其特征在于，步骤S14中，所得到的提取向量图有多张，分别表示不同时刻的状态，状态包括物体特征向量与路网特征信息。

5.根据权利要求4所述基于编码器-解码器架构的轨迹预测方法，其特征在于，步骤S2中，具有注意力信息的特征向量的计算公式为

其中，代表注意力权重向量，W₂代表带有注意力机制的图注意力网络中的系数，σ代表向量的点积操作。

6.根据权利要求5所述基于编码器-解码器架构的轨迹预测方法，其特征在于，长短期记忆递归神经网络包括输入门、忘记门、输出门、隐藏层和细胞单元。

7.根据权利要求6所述基于编码器-解码器架构的轨迹预测方法，其特征在于，步骤S3中，第一结果数据

h^t＝LSTM(v^t,h^t-1；W₃)

其中，v^t表示对t时刻矩阵中所有特征向量进行嵌入之后得到的向量，W₃代表第一长短期记忆递归神经网络中的权重系数。

8.根据权利要求7所述基于编码器-解码器架构的轨迹预测方法，其特征在于，步骤S4中，第二结果数据

g^t＝G(h^t；W₄)

其中，W₄代表解码器图注意力网络中的权重参数，G代表解码器图注意力网络中的点积操作。