[发明专利]一种基于长短记忆网络的多重车辆轨迹预测方法

说明书

本发明公开了一种基于长短记忆网络的多重车辆的轨迹预测方法，将主车和其邻车的历史轨迹等特征作为输入，充分考虑到车辆之间的位置以及驾驶行为的相互影响；经过网络的编码解码之后，将输出的邻近车辆的未来轨迹进一步输入混合密度网络，估计出车辆位置的概率分布，每次训练将混合密度网络的误差和轨迹结果的均方根误差以及编码器解码器网络的参数正则化项相结合，构成损失函数，指导网络参数的更新，如此可提高申请网络的预测准确性，训练好的神经网络可以预测邻车的带有概率的位置信息，将位置信息按照时间的顺序形成连续的轨迹，可以辅助主车进行决策和规划。

技术领域

本发明涉及自动控制技术领域，尤其涉及一种基于长短记忆网络的多重车辆的轨迹预测方法。

背景技术

自动驾驶及相关研究在过去的几十年中取得了很大进展。然而，在高速公路等复杂的城市环境中实现高水平的自动驾驶仍然面临着巨大的挑战。这是因为在这种环境中，无人驾驶车辆的驾驶行为处于高度的动态变化之中，且不同的道路参与者之间驾驶策略和所处的位置会受彼此影响，如果失去对于周围其他车辆的位置的估计，则会导致驾驶行为过于激进或者保守。例如相邻车道的车辆突然变道，在没有预测防备的情况下很可能造成车辆追尾事故。

在这种情况下，需要对道路中的其他车辆进行未来轨迹和速度的预测，从而将预测信息和主车的状态信息相结合，实现无人驾驶车辆的决策和布局路径规划，帮助无人驾驶车辆高效地避障和更加舒适地驾驶。在无人车辆的轨迹预测领域，目前的大多数方法都是基于车联网信息，在众多的数据中随机选择一辆目标车辆，然后针对其周围的某辆车辆，进行轨迹预测。这样的系统会导致如下为题：1.不符合实际驾驶过程中无人车的传感器视角有限的情况，通常而言，行驶在路上的主车只能通过传感器获取其周围相邻车辆的位置信息；2.一次预测结果只包含一辆车辆的未来轨迹，效率低下；3.忽略了在一定范围的车辆集群内，车辆驾驶行为间的相互影响，使预测的结果无法应用于实际情况。

发明内容

有鉴于此，本发明提供了一种基于长短记忆网络的多重车辆的轨迹预测方法，可以准确预测邻车位置。

一种多重车辆轨迹预测方法，包括如下步骤：

步骤0、对一段设定时间S1内主车的位置、主车所在车道、主车与前车距离、主车周围邻车的位置进行采样，得到一条历史数据；对时间段S1之后的设定时间段S2内主车周围邻车的位置进行采样，得到预测数据，作为训练神经网络时历史数据的标签；历史数据与对应标签构成一条训练数据；

以此类推，获得多条训练数据；

步骤1、构建以深层长短记忆网络为基本单位的多个编码器，以及以深层长短记忆网络为基本单位的多个解码器，由此形成神经网络；

步骤2、在步骤0获得的训练数据中，随机挑选设定数目的训练数据，将每条训练数据按照时间的顺序依次送入一个编码器当中；编码器经过编码，将输入的数据转化为编码向量，然后将编码的向量送入所述解码器当中，其中，编码向量作为解码器的初始隐藏状态；所述解码器输出时间段S2内各采样时刻的邻车位置的预测值；

步骤3、将步骤2中解码器输出的预测值输入到全连接层网络，映射成特征数据；将特征数据送入混合密度网络中，通过训练，输出6组描述当前时刻t_i的前一时刻t_i-1时刻高斯分布的参数其中，上角标(j)表示车辆的标号，k表示高斯分布的序号，下角标代表时间；表示第k组高斯分布的参数中用于加权的系数，分别代表第k组高斯分布的参数中描述x方向和y方向位置均值的物理量，代表x方向和y方向的标准差，代表第k组高斯分布的参数中关联x方向和y方向的相关系数；

步骤4、对步骤3中输出的权重取指数后进行归一化计算，得到更新后权重；对步骤3中输出的标准差取指数计算结果，将相关系数取双曲正切函数计算后的数值，然后再代入到公式(1)中，计算出(j)车辆在t_i时刻所在位置的概率：