[发明专利]一种基于时空金字塔的自动驾驶轨迹预测方法

权利要求书

1.一种基于时空金字塔的自动驾驶轨迹预测方法，其特征在于，包括以下步骤：

S1.对自动驾驶车辆所载传感器收集的雷达点云数据进行预处理，得到BEV图；

S2.提取自动驾驶车辆行驶道路的卫星图像，获取局部路径图；

S3.构建基于时空金字塔transformer的神经网络模型；

S4.将BEV图与局部路径图进行整合，将整合结果输入到神经网络模型进行处理，得到自动驾驶车辆的轨迹与交通参与者的分类结果。

2.根据权利要求1所述的一种基于时空金字塔的自动驾驶轨迹预测方法，其特征在于，将雷达点云数据量化为规则体素并形成三维体素格，采用二进制状态表示每个体素格的占用情况，将三维体素格的高度维数对应于二维伪图像的图像通道，从而将三维的雷达点云数据转换为二维伪图像，即所需的BEV图。

3.根据权利要求1所述的一种基于时空金字塔的自动驾驶轨迹预测方法，其特征在于，步骤S2获取局部路径图的过程为：

S11.获取自动驾驶车辆行驶道路对应的谷歌卫星图像，连接谷歌卫星图像中的道路交叉口点与急转弯点构造稀疏全局图；

S12.在稀疏全局图中的每条边上应用线性插值创建稠密的局部路径图；

S13.将稠密的局部路径图投影到具有固定宽度的虚拟路径的激光雷达BEV图上，将接收投影后的激光雷达BEV图转换为二进制图像得到局部路径图。

4.根据权利要求1所述的一种基于时空金字塔的自动驾驶轨迹预测方法，其特征在于，通过CNN网络对BEV图与局部路径图进行整合，得到语义分割图像的过程为：

S21.将鸟瞰图与局部路径图输入到CNN网络的卷积层学习深层抽象特征，其中局部路径图被用作地面真实值；

S22.将深层抽象特征进行归一化处理，得到归一化特征；

S23.通过ReLU激活函数对归一化特征进行非线性变换；

S24.通过最大池化对非线性变换后的归一化特征进行降采样，提取区域显著性特征；

S25.判断是否得到深层次语义特征，若是，则执行步骤S26，若不是，则将步骤S21中的输入替换为步骤24提取的区域显著性特征，返回步骤S21；

S26.利用双线性插值对深层次语义特征进行上采样；上采样后接入一个分类层识别像素点，识别完成后输出语义分割图像。

5.根据权利要求1所述的一种基于时空金字塔的自动驾驶轨迹预测方法，其特征在于，将鸟瞰图与局部路径图的深层抽象特征进行归一化处理表示为：

其中，c表示输入特征，μ是c的均值，σ²是c的方差，γ是可学习的缩放因子，β是可学习的平移因子。