[发明专利]一种车辆轨迹预测及驾驶行为分析方法

说明书

本发明公开了一种基于图卷积神经网络的、具有交互感知的车辆驾驶轨迹预测算法，包含一种半全局图数据处理算法、一种基于M‑product的交互感知图卷积神经网络及一种对预测轨迹进行驾驶行为分析的算法。车辆轨迹数据被组织成由特征矩阵和邻接矩阵组成的图数据格式。处理后的轨迹数据被送入双并行网络中，子网络分别输出不同的embedding，拼接后输入后续的基于GRU的编码器‑解码器网络中，用于时序数据的特征挖掘并输出最终的预测轨迹。本发明能更高效的提取驾驶场景多车之间的时空依赖特征，有更高的车辆轨迹预测精度，并解决了图卷积网络中的数据构造问题，以及驾驶行为分析中对场景背景特征的考虑不足问题。

技术领域

本发明涉及一种车辆轨迹预测及驾驶行为分析方法，属于智能交通和人工智能技术领域。

背景技术

自动驾驶技术的研究和应用早在20世纪70年代便开始了，自动驾驶系统是一个集成了控制技术、感知算法、路径规划、空间建模与定位等多种技术为一体的复杂系统。过去十几年里，随着深度学习技术的发展和计算机计算性能的提高，自动驾驶相关技术也得到了快速发展。但在今天，想要普及自动驾驶技术还存在诸多障碍，比如如何保障足够的安全。其中，在为车辆的安全行驶辅助、路径规划与决策、周边环境安全预警提供必要的信息这一环节，车辆轨迹的预测及其行为分析极为重要。传统的轨迹预测算法是基于运动学模型来实现的。这些模型基于物理规律来描述车辆的行车轨迹，但物理模型过于简化复杂的、带有随机性的驾驶场景。后来随着深度学习的发展，人们开始使用循环神经网络比如LSTM来预测车辆的轨迹，但这类模型仅仅考虑了轨迹的时间特征而没有考虑车与车之间的交互影响。人们后来通过卷积网络实现对空间交互影响的特征提取，但需要对道路进行网格化，直接对固定的网格进行卷积，无法灵活的描述车与车之间的动态关系。图模型的引入解决了如何建模驾驶场景的问题，将车辆建模为图中的节点，车与车之间的关系建模为图模型的连接边。但依然存在节点与边动态特性无法深度提取的问题。因此本发明提出基于M-product的图卷积网络，可以高效的对动态图这种三维数据进行时空特征提取，解决了传统模型时空特征挖掘能力不足的问题。

另外，引入图模型后，驾驶场景中的车辆被看作节点，由于道路车辆数量庞大，表示节点关系的邻接矩阵尺寸庞大非常稀疏，因此如何合理改善图数据的表示也是本专利的创新点。因此本文提出了半全局算法，通过累计重置的方法，让图数据在一段时间内具有累积效应，又解决了全局累积导致的邻接矩阵尺寸过大问题。对于预测的轨迹，其下游任务有很多，其中驾驶行为分析便是一种常见任务。传统的驾驶行为分析关注目标车辆本身的特性，比如速度、换道率等行为，但在不同驾驶场景中，车辆的行为会受到环境影响，同一行为会有不同的表现，因此利用图模型的特点，即考虑周边车辆影响的因素来分析驾驶行为会比单一关注目标车辆本身更有效。因此本发明基于前述模型预测的轨迹结果，进一步利用图模型的特点，挖掘充分刻画驾驶行为的特征，节点度变化率，来实现更有效的驾驶行为分析。最后对于驾驶行为的模糊性，随机性，以及分类标准的主观性，通过引入模糊集理论，进一步对提取的关键特征进行模糊分类，构建激烈驾驶、正常行驶、保守行驶等三类模糊集及其相关隶属度函数。

发明内容

为解决上述问题，本发明提出一种基于图卷积的交互感知车辆轨迹预测模型及驾驶行为分析算法。本发明设计的图卷积神经网络模型能够更好地捕捉到车辆之间的时空依赖以及动态变化特征。在数据处理部分提出半全局图解决传统图模型数据中邻接矩阵稀疏的问题。并结合图模型特点构型驾驶行为分析特征，引入模糊理论对行为特征进行模糊分类。

本发明通过以下技术方案实现，包括以下步骤：

步骤1：一种图卷积神经网络模型的输入数据处理算法：包括描述驾驶场景所有车辆的历史轨迹、描述交互特征的图模型邻接矩阵以及一种半全局图数据生成算法；