[发明专利]一种高精度的车辆轨迹多模态预测方法

说明书

本发明公开了一种高精度的车辆轨迹多模态预测方法，包括以下步骤：对车辆轨迹进行编码；使用概率分布剪裁模块剪裁轨迹；解码生成轨迹；使用能量网络判别轨迹质量；训练损失函数。本发明使用以能量函数为核心的能量网络实现对于训练轨迹样本的拟合，因而在理论上实现了在充分拟合数据的前提下对于轨迹多样性生成的需要。本发明的多样性轨迹预测方法采用数据驱动的方式，将同一时刻的车辆轨迹编码为隐层状态向量后加入池化层以提供车辆的交互轨迹生成。本发明采用了基于概率分布裁剪机制实现对于能够生成高质量轨迹样本的概率分布裁剪，显著降低了采样难度的同时也有更高的机会采集到高概率区域样本，生成质量更高、更加真实的车辆轨迹。

技术领域

本发明涉及一种车辆轨迹预测技术，特别是一种高精度的车辆轨迹多模态预测方法。

背景技术

现代社会，随着人口的汇集与增长，越来越多的车辆行驶场景出现，在中国庞大的人口基数下，这种现象愈发明显，密集车辆轨迹预测有助于制定相对应的安全管理策略，设计更好的车辆分流模式，实时统计密集车辆的流量、检测密集车辆的异常行为，保障广大公民的人身安全。

目前的预测技术存在着以下问题：对于单个车辆的轨迹预测仅仅预测最有可能的路径，然而多数场景下车辆根据目的不同不仅只是按照之前的最可能出现的轨迹，实际上是一组可能的轨迹中随机选取，现有的技术虽然在考虑车辆之间的信息交互与多样性轨迹生成时，考虑到了多路径的选取，但是并未生成足够多的待选轨迹组以及足够的真实性。到目前为止，行驶车辆的轨迹预测存在着候选轨迹不足与真实性不够高的难题。

发明内容

为解决现有技术存在的上述问题，本发明提出一种能生成足够多的候选轨迹并提高真实性的高精度车辆轨迹多模态预测方法。

为了实现上述目的，本发明的技术方案如下：一种高精度的车辆轨迹多模态预测方法，包括以下步骤：

A、对车辆轨迹进行编码

读取车辆的轨迹后，将轨迹进行编码压缩为低维向量，然后与通过车辆之间的交互池化操作获取的车辆交互向量进行拼接，最终获取拼接后的隐层状态向量信息，具体方法如下；

A1、利用长短期记忆模块进行数据压缩

使用全连接的神经网络将每个车辆的轨迹编码为定长的向量将向量作为长短期记忆模块的输入。则第t时刻对于车辆轨迹的隐层状态向量获取过程如下：

式中，为读取的第i-1辆车辆在t时刻的轨迹点坐标，为由第0到t-1时刻的车辆轨迹生成的隐层状态向量，所述的隐层状态向量为潜在的注意力状态向量，fc(.)是使用RELU函数作为激活函数的信息聚合函数，W_vec是信息聚合神经网络的权重，W_encoder是长短期记忆模块的权重且在一个场景内为所有的车辆轨迹所共享，i为当前车辆的序号；

A2、使用池化层实现不同车辆信息的汇总

将编码后含有隐层状态信息和历史轨迹信息的隐层状态向量放入池化层中，将车辆的隐藏状态都加以池化，对每一个车辆得到一个池化后的向量P_i，最终得到下式：

式中，为社交池化后的含有隐藏信息和历史轨迹信息的向量，W_p是池化层的权重；

B、使用概率分布剪裁模块剪裁轨迹

将得到的作为概率分布裁剪模块的输入，使用概率分布裁剪机制从能量概率分布中采样得出生成更加真实轨迹的样本z_t-1，然后将和z_t-1拼接作为下一步轨迹解码生成器的输入，具体的公式化表达如下：