[发明专利]一种基于三阶段注意力机制的车辆轨迹预测方法

说明书

本发明公开了一种基于三阶段注意力机制的车辆轨迹预测方法，包括：步骤S1：采集数据信息，进行数据预处理；步骤S2：根据预处理完成的数据集，进行数据集划分；步骤S3：构建车辆轨迹预测模型；步骤S4：训练车辆轨迹预测模型，采用负对数似然作为损失函数；步骤S5：保存已完成训练的数据模型，将测试集中的数据输入到已完成训练的网络模型中，预测车辆的轨迹坐标；通过在模型中引入注意力机制，自适应地选择最适合轨迹预测的信息，提升算法预测的性能；通过注意力机制得到的各种信息的权重，可知信息对算法的预测性能的影响的大小，提高算法的可解释性；根据注意力机制反映输入信息对轨迹预测算法的性能的影响，适用于多种路况环境场景。

技术领域

本发明涉及自动驾驶领域，尤其是涉及一种基于三阶段注意力机制的车辆轨迹预测方法。

背景技术

自动驾驶车辆要想在由人类驾驶员组成的复杂交通中安全且高效地行驶，其需要具备主动做出决策的能力，比如决定何时改变车道、超车或者减速等等，让其他车辆能够汇入。这就要求自动驾驶车辆能够知道周围车辆的未来轨迹，使其能够提前规划自己的行驶状态，避免危险发生。车辆轨迹预测算法赋予了自动驾驶车辆能够推理出周围车辆未来运动的能力。具体地说，车辆轨迹预测算法要解决的问题是，给定目标车辆的历史状态(包括轨迹、速度、加速度、航向角、所在车道等)，推理出目标车辆的未来轨迹。

本发明涉及到一种长短期记忆网络(long-short term memory network, LSTM)，是深度学习中神经网络的一种，用于对目标车辆历史状态进行建模，然后预测算法在建模后的数据上进行未来轨迹的预测。

本发明涉及到注意力机制的技术。类似于人的注意力分配问题，通过在算法的不同阶段引入注意力机制，使算法能够在预测的过程中选择使预测结果更加准确的信息。

发明内容

本发明是为了克服现有技术中，仅使用目标车辆及其周围车辆的历史轨迹信息，而忽略其他动力学数据，无法充分表达车辆历史状态的问题，提供一种基于三阶段注意力机制的车辆轨迹预测方法，通过在特征级别、时序级别、空间级别上采用注意力机制，提取最适合轨迹预测的信息，从而提升预测算法的预测性能。

一种基于三阶段注意力机制的车辆轨迹预测方法，包括:

步骤S1：采集数据信息，进行数据预处理；

步骤S2：根据预处理完成的数据集，进行数据集划分；

步骤S3：构建车辆轨迹预测模型；

步骤S4：训练车辆轨迹预测模型，采用负对数似然作为损失函数；

步骤S5：保存已完成训练的数据模型，将测试集中的数据输入到已完成训练的网络模型中，预测车辆的轨迹坐标。

信息采集数据目标包括：车辆地理坐标、速度、加速度、所在车道序号、航向角度等信息，对这些信息进行预处理；然后将预处理后的数据进行数据集合并划分归类，通过LSTM、特征注意力模块、时序注意力模块、空间注意力模块构建车辆轨迹预测模型；构建预测模型完成后，采用负对数似然(negative log-likelihood,NLL)作为损失函数，完成对预测模型的训练并保存，将测试集中的数据输入到已经训练好的网络模型中，预测车辆未来可能出现的轨迹坐标。

算法采用三种注意力机制：特征层面注意力、时序层面注意力、空间层面注意力，在不同的阶段分别提取最适合轨迹预测算法的信息。

作为优选，步骤S1包括：

步骤S1A：选取某一时刻的某单一车辆作为目标车辆，获取目标车辆及其8 个周围车辆的T时刻的历史信息和M时刻的未来信息；

步骤S1B：对每一时刻的信息进行数据预处理，采用min-max进行标准化，采用ZCA进行标准化变换；

步骤S1C：对数据集的车辆轨迹以4秒为间隔进行采样。