[发明专利]一种基于不同车辆类型的轨迹预测系统及方法

权利要求书

1.一种基于不同车辆类型的轨迹预测系统，其特征在于，包括：车辆类型识别模块，轨迹预测模块和基于不同车辆类型的轨迹预测模块；

车辆类型识别模块，以摄像头传输的目标车辆的图像信息I为输入，通过卷积神经网络计算输出车辆类型C_i的概率P(C_i|I)；

卷积神经网络包括输入层、三层平行的卷积层以及池化层、全连接层、输出层和softmax输出层，由softmax输出层输出不同车辆类型的概率P(C_i|I)；

卷积神经网络的卷积层之间的输入输出关系用如下公式表示；

a^l＝σ(z^l)＝σ(a^l-1*W^l+b^l)

z^l＝a^l-1*W^l+b^l＝σ(z^l-1)*W^l+b^l

其中，a^l表示第l层神经元的输出，z^l表示第l层神经元的输入，W^l表示从l-1层到l层的权值矩阵，b^l表示l层的偏置向量，*表示卷积操作，σ表示该层神经元激活函数；

池化层采用max-pooling池化技，使用大小为n*n的滑动窗口，按照先行后列的顺序，提取每个窗口中的最大值，形成下一层的隐层；

全连接层与普通神经网络的全连接层相同：

a^l＝σ(z^l)＝σ(a^l-1W^l+b^l)

输出层采用softmax输出层作为多分类问题的输出概率P(C_i|I)：

其中，z_i为输出层第i个神经元的输出；

轨迹预测模块，获取雷达传感器信息针对车辆类型C_i，得到历史时域[-T,0]目标车辆的轨迹信息X作为输入，包括纵向位置x和侧向位置y；输出未来时域[0,T]的预测轨迹Y的高斯分布参数θ，即得到预测轨迹Y的概率分布P_θ(Y|C_i,X)；

对于t时刻的输入x_t，计算过程如下：

上述公式为某一时刻t一个LSTM单元的计算过程，一个LSTM单元包括三个门控单元和一个记忆单元c_t，h_t为网络的输出状态；W_xi,W_hi,W_ci,W_xf,W_hf,W_cf,W_xc,W_hc,W_xo,W_ho,W_co为权重矩阵，b_i,b_f,b_c,b_o为偏置向量；

选取网络输出状态h_t的线性组合为轨迹的高斯分布参数θ_t的回归向量

其中，W_y为回归向量的权重系数，b_y为回归向量的偏置；

基于不同车辆类型的轨迹预测模块，根据上述车辆类型的概率及预测轨迹Y的概率分布，得到基于不同车辆类型的轨迹预测的概率分布P(Y|X)，如下：

P(Y|X)＝∑_iP_θ(Y|C_i,X)P(C_i|I)。

2.根据权利要求1所述的基于不同车辆类型的轨迹预测系统，其特征在于，所述输出车辆类型的集合定义为C＝{乘用车，商用车，摩托车}。

3.根据权利要求1所述的基于不同车辆类型的轨迹预测系统，其特征在于，所述预测轨迹Y信息包括纵向位置x和侧向位置y。