[发明专利]无人驾驶邻近车辆轨迹预测方法

说明书

本发明涉及一种无人驾驶邻近车辆轨迹预测方法，本发明涉及无人驾驶领域。本发明给出了无人驾驶邻近车辆轨迹的预测方法。首先，通过LK‑DBSCAN(Limit‑K DBSCAN)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。解决上述问题，可以提升无人驾驶车辆行为预测的准确率，减少轨迹预测的误差，从而位无人驾驶车辆运行行为决策提供准确性和效率。

技术领域

本发明涉及无人驾驶领域。

背景技术

无人驾驶车辆的预测功能是基于感知到的周围数据，预测邻近车辆未来时刻的状态，这对无人驾驶车辆在道路上行驶时避免潜在的安全风险具有重要的现实意义。目前，车辆轨迹的预测方法主要分为两大类：基于动力学模型和基于深度学习的轨迹预测方法。主要体现在：

(1)基于动力学模型的轨迹预测方法：主要基于牛顿第一定律，只需要考虑物体存在的惯性及施加的力。大多数研究者建立了运动学相关模型，从而近似地预测车辆在未来一段时域内的轨迹。该方法在较短的时域内取得了令人满意的精度，但是忽略了车辆之间的交互，导致在具有诸多干扰因素的环境中，模型预测准确率较低。

(2)基于深度学习的轨迹预测方法：受计算能力的增长和大规模标记样本(如KITTI和H3D)的可用性的推动，机器学习及深度学习以其快速、可扩展的学习框架得到了广泛的研究。该方法以数据作为驱动，将抽取到的车辆相关特征和车辆的历史轨迹数据作为模型的输入，通过大规模数据上的训练拟合，输出预测后的车辆轨迹数据。该类方法准确率高，可扩展性强，其中以LSTM网络作为预测的模型尤为突出。然而，该模型仅采用了原始数据，难以表征无人驾驶车辆周围环境的特征，且仅能够体现周围车辆的实时行为，缺乏对未来信息的考虑，导致了预测误差较大的问题。

上述两种轨迹预测方法的数据来源主要依赖于无人驾驶车辆的视频和点云。其中，视频数据仅能提供周围车辆关于时间的色彩信息，无法提供相对的深度信息；点云数据通过激光的反射机制能够体现出周围环境相对无人驾驶车辆的深度信息，但缺少色彩信息，难以准确推断无人驾驶车辆周围的环境。

发明内容

发明目的：

虽然，无人驾驶车辆轨迹的预测受到了学术界的广泛关注，并取得了较为可观的效果，但目前还存在以下问题：

(1)原始数据不足以表征无人驾驶车辆周围环境的特征；

(2)忽略了车辆之间的交互，导致在具有诸多干扰因素的环境中，模型预测准确率较低；

(3)数据来源单一，缺乏可靠性。

为此，本发明具体给出以下技术方案实现：

本发明给出了无人驾驶邻近车辆轨迹的预测方法。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。解决上述问题，可以提升无人驾驶车辆行为预测的准确率，减少轨迹预测的误差，从而位无人驾驶车辆运行行为决策提供准确性和效率。

无人驾驶邻近车辆轨迹预测方法，具体包括如下步骤：

步骤1.相关定义

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