[发明专利]合作博弈交互图模型训练方法、系统及车辆轨迹预测系统

说明书

本发明公开了一种合作博弈交互图模型训练方法、系统及车辆轨迹预测系统，其中，训练方法包括：获取样本数据集并进行预处理；将多个车辆的历史数据和道路拓扑信息一起进行对比学习，得到各个车辆轨迹的抽象表达；将道路拓扑信息和各个车辆轨迹的抽象表达单独编码为子图；基于初始合作博弈交互图模型将所有子图建立关系，得到车辆预测轨迹的抽象表达；将车辆预测轨迹的抽象表达和道路拓扑信息进行解码，得到所有参与车辆的预测轨迹；将预测轨迹与真实数据比较，得到误差；基于误差，对初始合作博弈交互图模型参数进行调整，直至误差低于预设阈值。本发明结合对比学习和合作博弈方式建模，能够提高模型的泛化性、可解释和预测准确率。

技术领域

本发明涉及无人驾驶车辆轨迹预测技术领域，更具体的说是涉及一种合作博弈交互图模型训练方法、系统及车辆轨迹预测系统。

背景技术

为了提高自动驾驶车辆的决策和交互能力，自动驾驶车辆必须实时预测周围车辆的运动轨迹，只有充分考虑了周围车辆的轨迹，才能决策规划出安全高效的控制动作。然而在实际交通环境中，往往有以下几点使得预测车辆轨迹变为极为困难：1)驾驶意图不固定，可能存在突然改变的行为。2)多个车辆相互交互，不仅仅得考虑本车的情况，也得考虑本车在什么情况下和周围车辆交互产生了轨迹。3)预测的轨迹必须符合交通规则和道路拓扑信息。

现有的预测方法根据是否利用深度学习，可以分为：传统方法和深度学习方法。传动方法又可以分为基于物理模型和基于传统机器学习方法。基于物理模型利用了物理原理来建立车辆的运动学或动力学模型，通过参数辨识的方法得到模型参数，从而通过物理模型来预测车辆的轨迹。该类方法只能处理较短时间内的轨迹预测，长期预测则不是很准确；基于传统机器学习的方法有隐马尔可夫，支持向量机等，主要利用车辆轨迹是基于一定的驾驶意图产生的，往往通过数据来估计隐藏的参数，然后在线预测车辆的轨迹。此类方法可以预测长时间的轨迹，但是需要的计算资源变大，有时候无法满足实时性。

得益于深度学习的发展，很多在图像和自然语言中发展很好的神经网络结构被应用到自动驾驶车辆轨迹预测中。常常被用作交互预测的神经网络结构和机制有：注意力机制，时空图网络，特征池化等。但是，基于数据训练的神经网络也存在的自身问题，比如泛化性，即对训练集外的数据不能很好的应用。同时如何处理多车交互也是复杂环境中车辆轨迹预测的一个难点。

因此，如何提供一种将神经网络预测模型中的泛化性考虑进来，将各车之的交互通过合作博弈显式建模，以提高模型预测准确率的合作博弈交互图模型训练方法、系统及车辆轨迹预测系统，是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种合作博弈交互图模型训练方法、系统及车辆轨迹预测系统，将值得关注的所有车辆看作合作博弈的参与者，每个参与者都会在符合交通规则的前提下，尽可能选择安全且提高整个通行效率的轨迹，从而将各车之的交互通过合作博弈方式建模，提高了模型的可解释和预测准确率。

为了实现上述目的，本发明采用如下技术方案：

一种合作博弈交互图模型训练方法，包括：

获取样本数据集并进行预处理；

将多个车辆的历史数据和道路拓扑信息一起进行对比学习，得到各个车辆轨迹的抽象表达；

将所述道路拓扑信息单独编码为子图，并将所述各个车辆轨迹的抽象表达分别单独编码为其他子图；

基于预先构建的初始合作博弈交互图模型将所有的所述子图建立关系，得到车辆预测轨迹的抽象表达；

将所述车辆预测轨迹的抽象表达和所述道路拓扑信息同时输入到条件解码器中，得到所有参与车辆的预测轨迹；

将所述预测轨迹与真实数据进行比较，得到综合误差；

基于所述综合误差，对所述初始合作博弈交互图模型参数进行调整更新，直至所述综合误差低于预设阈值，得到最终的合作博弈交互图模型。