[发明专利]基于集成学习的多车交互环境下车辆轨迹预测方法及系统

权利要求书

1.一种基于集成学习的多车交互环境下车辆轨迹预测方法，其特征在于，包括：

采集车辆的行驶信息；所述车辆包括中心车辆和周围车辆；

对所述行驶信息进行预处理，得到空间网格信息和车辆驾驶模式信息；

构建训练集；所述训练集包括：所述行驶信息、所述空间网格信息和所述车辆驾驶模式信息；

对所述训练集进行多次随机抽样，得到多组含不同数据的训练集；

通过多组含不同数据的训练集分别对LSTM编码-解码器模型进行训练，得到多个基学习器；

采用集成学习方法，对多个基学习器进行集成，得到集成学习器，对车辆的未来轨迹进行预测。

2.根据权利要求1所述的基于集成学习的多车交互环境下车辆轨迹预测方法，其特征在于，对所述行驶信息进行预处理，具体包括：

根据所述行驶信息确定车辆驾驶模式信息；所述行驶信息包括中心车辆位置及运动信息、周围车辆位置及运动信息和包含车道信息在内的周围环境信息；所述车辆驾驶模式信息包括横向驾驶模式和纵向驾驶模式；所述横向驾驶模式包括左侧换道驾驶模式、右侧换道驾驶模式以及车道保持驾驶模式；所述纵向驾驶模式包括刹车驾驶模式和正常驾驶驾驶模式；

基于中心车辆的位置确定待划分的空间范围；

对所述待划分的空间范围进行网格划分，得到空间网格信息。

3.根据权利要求2所述的基于集成学习的多车交互环境下车辆轨迹预测方法，其特征在于，根据所述行驶信息确定车辆驾驶模式信息，具体包括：

确定中心车辆的换道稳定化阶段；所述稳定化为在一次换道完成后，预设时间内中心车辆趋于不再换道的状态；

判断稳定化阶段前后预设时间范围内，车道信息是否发生变化；

若车道信息发生变化，根据车道信息变化情况确定左侧换道驾驶模式或右侧换道驾驶模式；

若车道信息未发生变化，则确定车辆为车道保持驾驶模式；

判断稳定化阶段前后预设时间范围内，车辆的平均行驶速度是否超过速度阈值；

若是，则确定车辆为正常行驶驾驶模式；

若否，则确定车辆为刹车驾驶模式。

4.根据权利要求1所述的基于集成学习的多车交互环境下车辆轨迹预测方法，其特征在于，LSTM编码-解码器模型包括：用于处理车辆行驶信息的LSTM-编码器，与空间网格连接并用于处理车辆交互信息的两个卷积层和一个池化层以及一个预测输出的LSTM-解码器。

5.根据权利要求4所述的基于集成学习的多车交互环境下车辆轨迹预测方法，其特征在于，所述LSTM-解码器基于六种驾驶模式对车辆轨迹进行预测；六种驾驶模式基于所述车辆驾驶模式信息确定；所述六种驾驶模式包括：纵向正常行驶且横向左侧换道驾驶模式、纵向正常行驶且横向右侧换道驾驶模式、纵向正常行驶且横向车道保持驾驶模式、纵向刹车且横向左侧换道驾驶模式、纵向刹车且横向右侧换道驾驶模式以及纵向刹车且横向车道保持驾驶模式。

6.根据权利要求5所述的基于集成学习的多车交互环境下车辆轨迹预测方法，其特征在于，所述采用集成学习方法，对多个基学习器进行集成，具体包括：

对于六种驾驶模式分类预测任务，采取多数投票法的结合策略进行集成；

对于车辆轨迹预测的回归任务，采取简单平均法的结合策略进行集成。

7.根据权利要求6所述的基于集成学习的多车交互环境下车辆轨迹预测方法，其特征在于，对于六种驾驶模式分类预测任务，采取多数投票法的结合策略进行集成，具体包括：

对所有基学习器的驾驶模式分类预测结果进行投票，统计被预测次数最多的一种驾驶模式作为集成学习器的预测类别。

8.根据权利要求6所述的基于集成学习的多车交互环境下车辆轨迹预测方法，其特征在于，对于车辆轨迹预测的回归任务，采取简单平均法的结合策略进行集成，具体包括：

每个基学习器均以车辆轨迹的概率分布形式作为输出，对概率分布的五个参数分别进行求和并除以集成所用到的基学习器个数，得到的五个平均值作为集成学习器的预测输出。

9.一种基于集成学习的多车交互环境下车辆轨迹预测系统，其特征在于，包括：

采集模块，用于采集车辆的行驶信息；所述车辆包括中心车辆和周围车辆；

预处理模块，用于对所述行驶信息进行预处理，得到空间网格信息和车辆驾驶模式信息；

训练集构建模块，用于构建训练集；所述训练集包括：所述行驶信息、所述空间网格信息和所述车辆驾驶模式信息；

随机抽样模块，用于对所述训练集进行多次随机抽样，得到多组含不同数据的训练集；

训练模块，用于通过多组含不同数据的训练集分别对LSTM编码-解码器模型进行训练，得到多个基学习器；

集成模块，用于采用集成学习方法，对多个基学习器进行集成，得到集成学习器，对车辆的未来轨迹进行预测。