[发明专利]基于车辆行为特征与环境交互信息的车辆轨迹预测方法

说明书

本发明公开了一种基于车辆行为特征与环境交互信息的车辆轨迹预测方法，涉及自动驾驶车辆技术领域，该方法将目标车辆及其周围的相邻车辆的历史轨迹序列输入车辆轨迹预测模型，输出得到场景内所有车辆的预测轨迹序列，车辆轨迹预测模型包括车辆信息动态编码模块、多信息融合模块和车辆轨迹预测模块，多信息融合模块用于对场景内所有车辆的动力学序列特征进行处理得到场景内车辆之间的环境交互信息、每辆车辆的行为特征以及目标车辆的自车信息编码结果后进行信息融合得到融合特征，该方法对车辆行为特征和环境交互信息这两项对于车辆轨迹有较大影响的因素进行多因素的融合考虑，从而可以提高预测得到的车辆轨迹的准确性与预测时间长度。

技术领域

本发明涉及自动驾驶车辆技术领域，尤其是一种基于车辆行为特征与环境交互信息的车辆轨迹预测方法。

背景技术

目前自动驾驶车辆技术和智能交通系统逐渐进入了大力发展阶段，这一项技术要求自动驾驶车辆有主动的行为决策能力，需要在复杂和动态交通环境中，依据所处交通环境完成行车、车道切换、加速超车、制动减速等驾驶行为。在车辆所处的交通环境中，周边车辆的动态驾驶行为是影响驾驶车辆行为决策的一个重要因素，预测出周边车辆未来的行驶轨迹，车辆就可以根据这些情况来合理规划自己的行驶路线，提前规避风险，降低事故发生的可能性，为人类带来更安全、更舒适的驾驶体验，因此在多车交互环境下，预测周边车辆的动态轨迹对发展高级驾驶辅助系统、智能交通系统和自动驾驶有重要作用。

现阶段的车辆轨迹的预测方法主要包括传统方法、机器学习方法、深度学习方法等，其中传统方法主要是通过车辆物理状态和运动学、动力学模型来预测，以及由部分研究人员提出的智能驾驶员模型等，但是对传统模型的建模往往需要大量的参数，并且模型的泛化性不强。机器学习方法主要包括贝叶斯网络和卡尔曼滤波器等等。由于车辆的运动轨迹可以看作时序预测问题，在语音识别、机器翻译等时序预测问题上表现很好的循环神经网络及其变体也被用来预测轨迹。深度学习方法的优势在于其可以使用大量的数据集来训练模型，增强模型的泛化能力，使之适用性更强。但是随着交通参与者数目的不断增加，路况信息日趋复杂，整个交通场景中，机动车、自行车、行人与道路环境等都会对自动驾驶车辆产生影响，现有的上述这些车辆轨迹的预测方法的准确率都仍然不够理想。

发明内容

本发明人针对上述问题及技术需求，提出了一种基于车辆行为特征与环境交互信息的车辆轨迹预测方法，本发明的技术方案如下：

一种基于车辆行为特征与环境交互信息的车辆轨迹预测方法，该方法包括：

获取目标车辆所在场景中的场景车辆的历史轨迹序列，每一辆场景车辆的历史轨迹序列包括场景车辆在历史最近预定时长内的各个采样时间点的位置信息，场景车辆包括目标车辆及其周围的相邻车辆；

将所有场景车辆的历史轨迹序列输入车辆轨迹预测模型，输出得到所有场景车辆的预测轨迹序列，预测轨迹序列包括所有场景车辆未来的若干个预测位置信息；

其中，车辆轨迹预测模型包括车辆信息动态编码模块、多信息融合模块和车辆轨迹预测模块，车辆信息动态编码模块用于对所有场景车辆的历史轨迹序列进行动态编码得到每辆场景车辆的动力学序列特征；多信息融合模块用于对所有场景车辆的动力学序列特征进行处理得到场景车辆之间的环境交互信息、每辆场景车辆的车辆行为特征以及目标车辆的自车信息编码结果后进行信息融合得到融合特征，场景车辆之间的环境交互信息反映不同场景车辆之间的交互影响关系，每辆场景车辆的车辆行为特征反映场景车辆的车辆行驶行为；车辆轨迹预测模块用于对多信息融合模块输出的融合特征进行解码处理得到所有场景车辆的预测轨迹序列。

其进一步的技术方案为，多信息融合模块包括交互信息提取单元、行为特征识别单元、自车信息编码单元和融合单元；

交互信息提取单元基于卷积层构建，并用于对所有场景车辆的动力学序列特征进行信息提取得到场景车辆之间的环境交互信息；