[发明专利]基于运动不确定性扩散模型的车辆轨迹预测方法及系统

权利要求书

1.一种基于运动不确定性扩散模型的车辆轨迹预测方法，其特征在于，包括：

获取训练车辆的真实轨迹；

对所述真实轨迹中的过去真实轨迹进行时空特征编码处理，得到真实轨迹特征；

基于运动不确定性扩散原理、所述真实轨迹及所述真实轨迹特征进行高斯噪声融合处理，训练得到去高斯噪声算法；

根据所述去高斯噪声算法构建得到运动不确定性扩散模型；

当需要对待预测车辆进行轨迹预测时，获取所述待预测车辆的已知轨迹特征；

基于所述运动不确定性扩散模型对所述已知轨迹特征进行处理，得到预测轨迹。

2.根据权利要求1所述的基于运动不确定性扩散模型的车辆轨迹预测方法，其特征在于，所述获取训练车辆的真实轨迹，包括：

获取训练车辆在历史时间段内的采样点信息st_i＝(l_i，t_i)，所述i为大于等于1的正整数，表示第i个采样点，所述l_i表示第i个采样点的经纬度位置信息，所述t_i表示第i个采样点的时间信息；

根据所有采样点信息得到真实轨迹Tr＝{st₁，st₂，...，st_n}，所述n为大于2的正整数。

3.根据权利要求2所述的基于运动不确定性扩散模型的车辆轨迹预测方法，其特征在于，所述对所述真实轨迹中的过去真实轨迹进行时空特征编码处理，得到真实轨迹特征，包括：

根据预设时空特征编码器的表达式f＝Encoder(Tr)对所述真实轨迹中的过去真实轨迹Tr进行时空特征编码处理，得到真实轨迹特征f，所述真实轨迹包含某一个时刻之前的过去真实轨迹及之后的未来真实轨迹。

4.根据权利要求3所述的基于运动不确定性扩散模型的车辆轨迹预测方法，其特征在于，所述基于运动不确定性扩散原理、所述真实轨迹及所述真实轨迹特征进行高斯噪声融合处理，训练得到去高斯噪声算法，包括：

S1，将所述真实轨迹中的未来真实轨迹与初始高斯噪声进行比较，得到第一误差向量；

S2，基于运动不确定性扩散原理对所述未来真实轨迹添加第一次高斯噪声，得到高斯噪声轨迹，并获取到第一次添加噪声方法；

S3，将所述高斯噪声轨迹与所述真实轨迹特征进行融合，得到融合特征；

S4，通过预设解码器对所述融合特征进行解码，得到解码轨迹；

S5，将所述解码轨迹与所述初始高斯噪声进行比较，得到第二误差向量；

S6，根据所述第一误差向量和所述第二误差向量计算得到均方误差，判断所述均方误差是否小于给定阈值；

S7，若所述均方误差不小于所述给定阈值时，则循环执行步骤S2-步骤S6，直到第k次添加高斯噪声时均方误差小于所述给定阈值，则停止循环，并且获取每一次的添加噪声方法；

S8，根据每一次的添加噪声方法，逆向推导得到去高斯噪声算法。

5.根据权利要求4所述的基于运动不确定性扩散模型的车辆轨迹预测方法，其特征在于，

误差向量的表达式为所述表示添加了k次高斯噪声的所述未来真实轨迹在第j个预测点的误差，所述j的取值范围为[1，2，...，pred]，当k＝O时，表示没有添加高斯噪声，为所述未来真实轨迹与所述初始高斯噪声之间的误差，即第一误差向量

6.根据权利要求4所述的基于运动不确定性扩散模型的车辆轨迹预测方法，其特征在于，所述将所述高斯噪声轨迹与所述真实轨迹特征进行融合，得到融合特征，包括：

根据所述高斯噪声轨迹的表达式确定所述高斯噪声轨迹为y_k，所述y₀为所述未来真实轨迹，所述为高斯噪声，所述为预设系数，所述k表示第k次添加高斯噪声；

通过融合公式f^(k)＝concat(f，y_k)，将所述真实轨迹特征f与所述高斯噪声轨迹y_k进行融合，得到融合特征f^(k)。