[发明专利]无人驾驶邻近车辆轨迹预测方法

权利要求书

1.一种无人驾驶邻近车辆轨迹预测方法，其特征在于：首先，通过LK-DBSCAN(Limit-KDBSCAN)算法提取出视频数据和点云数据中无人驾驶邻近车辆周围车辆集合以及路况信息，采用特征工程构造潜在的存在影响力的特征，增强数据特征对复杂道路情况的表达能力；然后使用长短期记忆神经网络LSTM对车辆的实时行为进行预测；最后，结合LSTM预测的车辆行为与车辆的历史行为数据，通过B-LSTM(Behavior-based LSTM)对车辆的轨迹进行预测；

具体包括如下步骤：

步骤1.相关定义

定义1邻近车辆自身属性集合AttriV(Attributes of Vehicles)：AttriV_i(t)为t时刻邻近车辆i自身的相关属性集合，如公式(1)所示：

AttriV_i(t)＝{S_i(t),A_i(t),P_i(t),Movedir_i(t),TY_i,L_i,W_i} (1)

其中，S_i(t)、A_i(t)、P_i(t)、Movedir_i(t)分别表示t时刻邻近i车辆的速度、加速度、位置和行驶方向；TY_i表示邻近车辆的具体类型；L_i和W_i分别表示车辆的长度和宽度；

定义2邻近车辆周围环境的固有属性集合AttriE(Attributes of Environments)：AttriE_i(t)表示t时刻邻近车辆周围环境的固有属性集合，如公式(3.2)

AttriE_i(t)＝{Lane_i(t),CLallowable} (2)

其中Lane_i(t)表示i所在的车道，车道采用由左至右依次编号，并转化为One-hot编码，CLallowable表示交通规则规定是否允许变道，数值等于1表示可以变道，等于0则反之；

定义3邻近车辆的总属性fv_i(t)定义如下：

fv_i(t)＝AttriV_i(t)∪AttriE_i(t) (3)

其中，fv_i(t)是由车辆自身属性集合AttriV_i(t)和车辆周围环境属性AttriE集合构成；

定义4邻近车辆轨迹Tra(trajectory of vehicles)：对于特定的邻近车辆i，其在数据集中存在多个连续时间段内的采样点，通过对时间的转换，将最小的时间戳转换成0时刻，那么i车辆的轨迹定义如(3)：

Tra_i＝{P_i(t₀),P_i(t₁)…,P_i(t_k-1),P_i(t_k)} (4)

其中，{t₀,t₁,…,t_k-1,t_k}为采样时间点序列，P_i(t)表示车辆i在t时刻所在的位置，分别由其在二维坐标中的横向坐标x和纵向坐标y构成，表示为P_i(t)＝(x,y)；

定义5邻近车辆周围影响因素集合SuV(Surrounding Vehicles)：SuV(t)为t时刻邻近车辆i周围且为无人驾驶车辆感知到的车辆的特征集合，其数学表达式为：

SuV(t)＝{fv_j(t),…,fv_l(t)|{j,…,l}∈SuE(t)} (5)

其中，fv_j(t)表示集合中j车辆的特征集合；SuE(t)表示对车辆i存在影响的周围车辆{j,…,l}的集合；

步骤2.无人驾驶邻近车辆数据预处理；

步骤2.1邻近车辆数据填充与过滤；

步骤2.2车辆特征抽取；

步骤2.3邻近车辆周围车辆集合提取算法；

邻近车辆周围车辆集合提取算法(LK-DBSCAN)

输入：车辆原始数据集Data_H3D

输出：对邻近车辆有影响的车辆集合

1.初始化输入集合Data_H3D，距离集合Dis，最终结果集合Result

2.按照实验采集场景进行分组，得到Data_t

3.遍历Set(t)中的车辆节点i，且Set(t)∈Data_t，i∈Data_t

4.遍历其余车辆节点k

5.若k,i之间的距离Dis_ki已经被计算并放入Dis_k中，则继续遍历

6.否则，计算Dis_ik

7.将Dis_ik放入Dis_i中

8.如果车辆节点k已遍历完

9.采用Min(∈,β,Dis_i)筛选出符合定义的结果，并生成放入划分集合Result

10.如果Set(t)已遍历完

11.返回结果集合Result

步骤3.无人驾驶邻近车辆行为预测算法；

无人驾驶邻近车辆行为预测算法

输入：时间长度t＝0,…,k，训练集input

输出：无人驾驶邻近车辆行为预测模型及其权重w

1.初始化模型权重w

2.按照时间对输入进行分batch，得到集合Set(batch)3.遍历样本i，且i∈Set(batch)

4.通过模型计算得到输出output

5.通过output和真实标签label，计算交叉熵损失L

6.通过L采用反向传播算法计算梯度

7.更新参数w

8.如果遍历完Set(batch)

9.返回模型参数w

步骤4.无人驾驶邻近车辆轨迹预测算法；

无人驾驶邻近车辆轨迹预测算法

输入：时间长度t＝0,…,k，训练集input

输出：无人驾驶邻近车辆轨迹预测模型及其权重w

1.初始化模型权重w

2.按照时间对输入进行分batch，得到Set(batch)

3.遍历样本i，且i∈Set(batch)

4.在编码器层计算得到输出output1

5.通过行为预测模型得到行为Behavior

6.将行为Behavior通过全连接层映射至128维

7.通过解码器得到最后的预测轨迹P

8.计算P与真实值label之间的均方差损失L

9.通过反向传播算法计算梯度grad

10.更新权重w

11.如果遍历完Set(batch)

12.返回最后的训练权重w。