[发明专利]一种基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法

说明书

本发明公开了一种基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法，包括：步骤1、提取目标车辆与目标车辆周围智能体的输入特征；步骤2、通过编码器对所述输入特征进行编码，分别通过时间模式注意力与感兴趣智能体加权对目标车辆与目标车辆周围智能体进行隐藏模式的提取；步骤3、通过解码器对目标车辆的驾驶操纵类别进行识别，对目标车未来的行驶轨迹进行预测。通过提取目标车辆与目标车辆周围智能体的输入特征，并通过编码器将输入特征进行编码，分别通过时间模式注意力与感兴趣智能体加权对目标车辆的架势操纵类别进行识别，实现对目标车辆将来的行驶轨迹进行预测，提高驾驶操纵分类的准确率。

技术领域

本发明涉及一种基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法，属于机器学习领域。

背景技术

为了做出安全且舒适的路径规划与车辆控制，自动驾驶汽车需要对周围环境与智能体进行良好的感知。随后，根据学习到的行驶上下文知识，自动驾驶汽车需要推断周围智能体的意图，并且对其轨迹做出高精确度的估计。通常来说，轨迹预测可以帮助自动驾驶汽车更好的了解周围的行驶上下文，并且帮助自动驾驶汽车做出下一步的驾驶操纵。然而，驾驶行为的多模态性与行驶上下文的复杂性使得轨迹预测面临着巨大的挑战。

实际上，驾驶意图在特定的驾驶场景下对多模态的驾驶行为有着巨大的影响。驾驶意图是由驾驶员通过短暂的决定以实现某个特定目标的一系列动作所反映。也就是说，驾驶员需要对周围的驾驶场景进行感知，并且做出合理且舒适的驾驶操纵。因此，从目标车辆的运动学参数、目标车辆与周围智能体的交互参数中提取驾驶员的驾驶意图与驾驶操纵模式可以对车辆的长期轨迹预测有着更好的帮助。

车辆轨迹预测任务也是多变量时间序列预测任务。目前，循环神经网络(recurrent neural networks(RNNs))常用于该任务中。然而，在序列分析中使用RNNs的一个缺点是其在管理长期依赖方面的弱点，这不利于车辆轨迹的预测。原因是，驾驶员通常在驾驶意图出现时不会立即执行，而是在驾驶员做好车辆控制的准备后才会执行。根据相关文献可知，这个延迟大约在1～4秒左右。为了解决RNNs在跨时间步上能力的缺陷，采用时间模式注意力，该方法可以跨越多个时间步，十分适合轨迹预测过程中驾驶意图与操纵模式的提取，以提高预测的准确率与驾驶操纵分类精度。

现有技术中，专利CN201910876478.3公开了一种基于长短记忆网络的多重车辆的轨迹预测方法，将主车和其邻车的历史轨迹等特征作为输入，充分考虑到车辆之间的位置以及驾驶行为的相互影响，经过网络的编码解码之后，将输出的邻近车辆的未来轨迹进一步输入混合密度网络，估计出车辆位置的概率分布；专利CN201910832754.6公开了一种基于双向内核岭回归的车辆轨迹预测方法，采用滑动窗口从中获取有关行驶姿态信息的前向训练数据和后向训练数据，利用前向训练数据和后向训练数据，分别训练两个核岭回归模型，得到轨迹前向预测模型和轨迹后向预测模型；专利CN201911284048.9公开了一种车辆轨迹预测方法及装置，该方法首先获取历史轨迹数据对应的时空图序列，时空图序列包括预设时段内按时间先后顺序排列的每个时刻对应的时空图，将时空图序列输入已训练的预测模型进行处理，得到车辆各自对应的预测行驶轨迹，预测模型基于同一时段内多个样本车辆的样本轨迹数据对应的样本时空图及样本车辆各自对应的样本行驶轨迹对长短期记忆网络LSTM训练得到。但是以上方法都没有考虑跨越时间步的驾驶意图与操纵模式提取，从而影响到识别的准确率与驾驶操纵的识别精确度。

发明内容

本发明设计开发了一种基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法，通过提取目标车辆与目标车辆周围智能体的输入特征，并通过编码器将输入特征进行编码，分别通过时间模式注意力与感兴趣车辆加权对目标车辆的驾驶操纵类别进行识别，实现对目标车辆将来的行驶轨迹进行预测，提高驾驶操纵分类的准确率。

本发明提供的技术方案为：

一种基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法，包括：