[发明专利]一种基于异构图聚合网络的高密度复合场景轨迹预测方法

说明书

本发明公开了一种基于异构图聚合网络的高密度复合场景轨迹预测方法，构建了包含自适应邻居选择器、编码器和解码器三个子结构的异构图聚合网络，通过首先自适应邻居选择器来自动选择目标物体的邻居，并生成异构图的结构；然后通过编码器使用两阶段聚合器来聚合不同类型的邻居之间的异构特征信息，然后解码器使用基于LSTM的历史信息残差连接技术进行解码，利用输入的历史轨迹时序信息特征获得了目标物体未来的二维坐标时序预测信息输出。本发明能显著提升高密度复合场景轨迹预测的准确率，实现了在复杂交通场景下的多类别物体的高精度轨迹预测。

技术领域

本发明涉及轨迹预测技术领域，具体地讲，是涉及一种基于异构图聚合网络的高密度复合场景轨迹预测方法。

背景技术

随着自动驾驶技术的快速发展，未来相当一部分机动车将被自动驾驶汽车所替代。在自动驾驶领域中，轨迹预测作为一项核心技术被广泛运用在自动驾驶汽车的导航、控制和决策中。自动驾驶车辆通过预测其周围车辆的未来轨迹来更精准地控制自身的行为，从而避免交通事故等安全隐患。

因此自动驾驶车辆需要使用高效且准确的轨迹预测技术来进行行为决策。

现有的轨迹预测方法主要分为单一场景预测和复合场景预测，其中单一场景轨迹预测是假设交通系统中有且仅有一类物体，例如步行街中的行人或者高速公路上的汽车。这一类轨迹预测方法大多使用传统的循环神经网络(RNN)来学习某一类物体的运动模式特性，从而进行单类物体的轨迹预测。

而复合场景轨迹预测则是在交通系统中考虑到了多种类型的物体，例如城市道路中的自行车、汽车、行人等。在复合场景的轨迹预测领域中，现有的方法主要使用长短期记忆神经网络(LSTM)来学习不同类型物体之间的交互模式特性，以便更好地预测不同类型物体的未来轨迹。

在城市化发展过程中，交通系统趋于复杂化，单一场景下的轨迹预测显然不足以适应复杂的交通环境，例如单一场景行人轨迹预测模型就无法简单地迁移到城市道路中来使用，因为行人的运动模式与自行车或汽车是截然不同的，从而导致轨迹预测结果误差较大。因此，复合场景轨迹预测方法更适用于目前复杂的城市道路交通系统，其在拥有多类交通物体的交通环境中，相较于单一场景轨迹预测方法更具有可靠性和鲁棒性。

通常情况下，复合场景轨迹预测针对复杂的交通物体之间的交互。现有的复合场景轨迹预测方法大多使用一个长短期机器神经网络(LSTM)或者卷积神经网络(CNN)来提取预测目标与其邻居物体之间的交互性。然而，不同类别的邻居物体对预测目标的影响是不同的，例如，行人会更注意周围的汽车而不是周围的行人，因为汽车带来的影响比行人更大。因此传统的方法使用单个神经网络来学习预测目标与其邻居物体之间的交互性会造成错误的权重共享，从而导致目标物体对周围的不同类别的邻居保持错误的注意力。此外传统方法使用固定的区域来选定目标物体的邻居，在高密度的交通系统中，这样的方法会导致模型选择到冗余的邻居或者漏选有效的邻居，例如使用固定大小的圆形区域在城市道路中圈定范围来选择目标物体的邻居，如果范围过小，会漏选一些邻居物体，相反如果范围过大，则会选定过多的邻居。因此在高密度交通场景下，目标物体的邻居的选择取决于不同的交通环境，而不是简单的固定一个区域去选择。

发明内容

针对上述技术问题，本发明提供一种基于异构图聚合网络的高密度复合场景轨迹预测方法，以解决单个神经网络导致的权重共享问题以及固定区域邻居的多选或漏选问题。

为了实现上述目的，本发明采用的技术方案如下：

一种基于异构图聚合网络的高密度复合场景轨迹预测方法，包括以下步骤：

S100、构建异构图聚合网络，将场景探测范围内所有物体的历史轨迹时序信息作为网络的输入特征，该历史轨迹时序信息包含指定历史时间段内所有物体的二维坐标特征、物体自身的大小特征以及物体所属的类别特征；