[发明专利]一种面向路侧感知单元的车辆轨迹缺损数据修补方法

说明书

本发明涉及一种面向路侧感知单元的车辆轨迹缺损数据修补方法，包括：采集不同场景下全域车辆轨迹数据和对应的高精度车道级地图数据，以合并作为数据集，通过对数据集中的数据进行预处理，将数据集划分为训练集、验证集和测试集；基于图神经网络和注意力机制，构建车辆轨迹缺损数据修补模型；利用训练集对车辆轨迹缺损数据修补模型进行迭代训练、利用验证集检验车辆轨迹缺损数据修补模型的修补效果，得到参数最优的车辆轨迹缺损数据修补模型；将测试集或待修补的车辆轨迹数据输入参数最优的车辆轨迹缺损数据修补模型中，输出得到对应的修补后全域车辆轨迹完整数据。与现有技术相比，本发明能够对不同场景下车辆轨迹缺损数据进行准确稳定的修补。

技术领域

本发明涉及交通信息处理技术领域，尤其是涉及一种面向路侧感知单元的车辆轨迹缺损数据修补方法。

背景技术

近些年，随着高清摄像头、毫米波雷达、激光雷达等路侧新兴传感器的发展和广泛部署，能够有效实现道路路段全域的车辆轨迹数据采集；在自动驾驶、车路协同等领域，这些全域车辆轨迹数据蕴含着巨大的价值，能够辅助实现全时空交通流智能管控、车辆主动安全管控等。但受限于采集设备的性能、目标检测与追踪算法、物理遮挡等因素，这些数据常常存在着部分车辆轨迹缺损的情况，导致采集的数据难以被后续任务直接利用，数据价值大打折扣。因此，为了提高数据质量和数据使用价值，有必要对存在缺损的车辆轨迹进行修补，而处理后的完整车辆轨迹，将有助于驾驶决策辅助、安全风险控制等任务。

目前，在车辆缺损轨迹修补方面的相关方法较少，基于时间序列的缺损轨迹修补是应用最为广泛的方法，该类方法利用某个目标多条完整的轨迹数据，对轨迹数据中被随机抹掉的区段的轨迹特征进行学习，从而能够恢复更多的存在缺损的轨迹数据，但现有方法中还没有针对于全域车辆轨迹修补的相关研究。

基于时间序列的缺损轨迹修补能够适用于许多领域的时序数据修补任务，由于该修补方法仅表征出时间维度的位置信息，未考虑在空间上互相靠近、具有相互制约关系的周围车辆的运动行为，导致其应用于全域车辆运动轨迹数据的准确率有待提升；另一方面，该类修补方法仅依赖于单一的目标自身的轨迹进行修补，受数据噪声影响，修补结果波动大，无法保证修补预测数据的稳定性。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种面向路侧感知单元的车辆轨迹缺损数据修补方法，以能够针对全域车辆轨迹缺损数据进行准确、稳定的修补。

本发明的目的可以通过以下技术方案来实现：一种面向路侧感知单元的车辆轨迹缺损数据修补方法，包括以下步骤：

S1、采集不同场景下的全域车辆轨迹数据和对应的高精度车道级地图数据，以合并作为数据集，通过对数据集中的数据进行预处理，将数据集划分为训练集、验证集和测试集；

S2、基于图神经网络和注意力机制，构建车辆轨迹缺损数据修补模型；

S3、利用训练集对车辆轨迹缺损数据修补模型进行迭代训练、利用验证集检验车辆轨迹缺损数据修补模型的修补效果，以得到参数最优的车辆轨迹缺损数据修补模型；

S4、将测试集或待修补的车辆轨迹数据输入参数最优的车辆轨迹缺损数据修补模型中，输出得到对应的修补后全域车辆轨迹完整数据。

进一步地，所述全域车辆轨迹数据具体是在一定范围内多个车辆个体同时运动时，每个车辆个体的运动轨迹组成的时空运动轨迹集合。

进一步地，所述步骤S1具体包括以下步骤：

S11、选取不同道路路段，将每个道路路段作为一个场景；

S12、采集不同场景下的全域车辆轨迹数据和对应的高精度车道级地图数据，以合并作为数据集；

S13、将数据集中存在车辆轨迹缺损的场景对应的数据作为测试集，再对剩余场景对应的数据进行预处理，以得到训练集和验证集。