[发明专利]一种基于环境注意力神经网络模型的车辆轨迹预测方法

说明书

本发明公开了一种基于环境注意力神经网络模型的车辆轨迹预测方法，构建了一种对于环境中各要素增加注意力的模型，环境注意网络(EA‑Net)模型。本发明提出的模型在LSTM encoder‑decoder与卷积社交池串联的结构的基础上进行了横向拓展，加入了图注意神经网络与包含SE模块的卷积社交池组成并行结构。本发明通过这种新型的并行结构来捕获车辆在行驶过程中与周围环境构成的图结构中各节点通过连边更新的特征信息，以及周边环境内空间位置结构内特征信息。本发明提出的新模型结构相对于卷积社交池模型在提取环境交互信息的效果上有了很大的提升，同时达到了比其他现有模型更好的轨迹预测效果。

技术领域

本发明属于车辆智能驾驶领域，特别是涉及一种基于环境注意力神经网络模型的车辆轨迹预测方法。

背景技术

近年来，智能汽车作为一个不断发展的新兴领域，正在为社会提供更加便捷、有效的服务。随着智能汽车技术的进步，车辆避撞系统、驾驶员辅助系统等智能系统为驾驶员提供了良好的帮助。先进的智能系统使得驾驶员以及乘客能够在一个更加安全、舒适的交通环境下行驶车辆。

智能车包含的各种系统在运行时需要大量周边环境信息的支持。由于智能汽车并不能完全达到人类驾驶员的驾驶水平，并且车辆在道路上的行驶过程中，将一直处于一种与周边车辆高度交互的交通场景中。所以车辆需要根据自身以及周边车辆的未来轨迹来进行合理的路径规划。当驾驶员在不同交通场景下进行超车、换道以及任何其他行为时都需要考虑到车辆所处环境内其他车辆的位置、速度等信息后再进行，所以智能车进行路径规划能够体现了更高层面的智能。因此，为系统提供更加精准的复杂状况下动态交通场景内的车辆未来轨迹是需要优先考虑的问题。目前研究中用于车辆轨迹预测的模型只考虑了某一结构内的环境交互特征，但是提取环境特征总是只考虑单一的交互结构，使得提取的环境交互特征并不是完全充足的。针对目前已有的车辆轨迹预测神经网络模型的不足，本发明提出了一种基于环境注意力神经网络模型的车辆轨迹预测方法。

发明内容

本发明提出一种适用于动态交通场景的车辆轨迹预测方法，构建了一种对于环境中各要素增加注意力的模型，环境注意网络(EA-Net)模型。本发明提出的模型在LSTMencoder-decoder与卷积社交池串联的结构的基础上进行了横向拓展，本发明加入了图注意神经网络与包含SE模块的卷积社交池组成并行结构。本发明通过这种新型的并行结构来捕获车辆在行驶过程中与周围环境构成的图结构中各节点通过连边更新的特征信息，以及周边环境内空间位置结构内特征信息。本发明提出的新模型结构相对于卷积社交池模型在提取环境交互信息的效果上有了很大的提升，同时达到了比其他现有模型更好的轨迹预测效果。

本发明的有益效果：

(1)本发明提出一种新的模型结构:EA-Net，将被观测车辆与周围环境之间的交互关系分别建模为图结构和空间位置结构。并且提出了一种以图神经网络和卷积社交池构成的并行网络结构作为环境特征提取模块。通过该模块能够最大限度地提取车辆周围环境内不同维度结构内所包含的交互特征信息，提高轨迹预测的准确性以及适应不同交通场景的泛化能力。

(2)本发明将注意力机制引入了模型中的环境特征提取模块，环境特征提取模块中由图注意神经网络和包含SE模块的卷积社交池组成。图注意神经网络(GAT)增强了模型对由车辆组成的动态环境内图结构中各车交互行为的学习。模型在提取空间内的时序特征时，对于不同的空间位置的时序通道信息会赋予不同的注意力权重。使用注意力机制能够使得模型参数更新时能够及时抑制无用信息的参与，并且使得关键信息被更有效的利用，极大提高了模型在运行时的高效性。

(3)本发明给出了神经网络模型的训练方法，给出了建议的神经网络训练所必须的超参数，以及各神经网络层合适的输入输出维度以及层数。在保证模型训练速度的情况下，使得模型训练得到更加精准的结果，并且有效避免了发生过拟合的情况。

附图说明

图1表示不同车辆为中心构建的占据栅格图扩张到整条道路时各节点之间的连接关系