[发明专利]一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法

权利要求书

1.一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法，其特征在于，包括以下步骤：

步骤S1：训练数据生成模块获取理想的数据输入；

数据输入包括：被预测车辆和其周围车辆的车辆标号v_ID、被预测车辆和其周围车辆的车辆横坐标x和纵坐标y、被预测车辆和其周围车辆的车辆车速v_vel、被预测车辆和其周围车辆的车辆加速度v_acc以及被预测车辆和其周围车辆的车道编号Lane_ID；

步骤S2：训练数据生成模块利用安装了GPS和摄像头的无人机获取数据，再用训练数据生成方法生成训练数据；

步骤S3：利用训练数据生成模块生成的训练数据在离线训练模块中进行车辆行为和轨迹预测模型的训练；

步骤S3具体为：

步骤S31：用栅格图表示模块表示被预测车辆与周围车辆位置关系；

步骤S32：进行深层次特征提取，使用对抗网络编码器对训练数据进行无监督特征提取，提取每辆车的动力学特征和驾驶风格；

步骤S33：进行特征编码，采用门控循环单元进行车辆动力学和驾驶风格的编码；

步骤S34：对场景中所有的车辆进行编码之后，根据每个车辆相对于被预测车辆的位置，进行特征向量填充，将编码后的特征依次填充入其对应的栅格图中形成社交语义向量，从而获得了一个类图像特征表示形式；

步骤S35：在卷积模块中，使用3×3卷积，3×1卷积以及残差率为2的2×2残差卷积处理社交语义向量；

步骤S36：在全连接模块中，使用全连接层将编码的被预测车辆特征进行连接，得到对被预测车辆状态的描述，之后将被预测车辆的状态描述和卷积模块输出的场景社交语义向量进行联结，得到完整的场景描述；

步骤S37：利用Softmax层对车辆的行为进行预测，得出车辆在每个行为下的概率；将Softmax层的输出的行为概率分为两个分支，一个输入到行为预测输出模块，输出被预测车辆的行为，一个与完整的场景描述进行联结后输入到多模态轨迹预测模块，得到被预测车辆的多模态轨迹；

步骤S38：将多模态轨迹预测模块输出的多模态轨迹和行为预测输出模块输出的行为概率都输入到行为和轨迹输出模块，以得到多模态行为和轨迹预测结果；

步骤S4：使用训练数据生成模块输出的训练数据并保存离线训练模块中行为和轨迹预测模型的参数，之后利用该模型在在线预测模块中进行行为和轨迹预测。

2.根据权利要求1所述的一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法，其特征在于，所述步骤S2具体为：

步骤S21：获取无人机传送来的交通场景视频序列，将获得的视频序列分别输入到相机匹配模块、车辆检测模块以及车道线检测模块；

步骤S22：相机匹配模块计算无人机上相机的内外参数；车辆检测模块检测视频序列模块传递来的交通场景视频中的车辆，并将车辆标号v_ID、帧编号frame_ID、车辆类型v_class、车辆包围盒信息和相机匹配模块计算的车辆内外参数一起输入到轨迹片段生成模块生成对应每个v_ID的轨迹片段；

其中车辆包围盒信息包括车辆包围盒和车辆包围盒的中心坐标；

步骤S23：然后将生成的轨迹片段输入外观建模模块和损失计算模块，外观建模模块对轨迹片段的每个车辆包围盒中的内容进行建模，并将外观建模损失输入到损失计算模块；损失计算模块将光滑度损失、速度变化损失、时间间隔损失和外观建模模块传递来的外观建模损失结合计算轨迹的损失函数，损失函数值越小，表示轨迹匹配的效果更好；

步骤S24：将计算的损失函数输入轨迹聚类模块；轨迹聚类模块包括了分配、融合、分割、调换以及打断5种操作，通过比较这5种操作下的损失函数变化值，找到其中的最小变化值并执行损失函数变化最小的值所对应的操作；

步骤S25：最后将车辆标号v_ID、车辆车速v_vel、车辆加速度v_acc、车辆横坐标x，车辆纵坐标y、车辆类型v_class、帧编号frame_ID以及车道线检测模块检测的车道编号Lane_ID信息输入到csv数据输出模块中得到对应的数据。