一种轨迹预测方法及系统与流程

1.本发明属于轨迹预测技术领域，具体地涉及一种轨迹预测方法及系统。


背景技术：

2.轨迹预测是一项极具挑战性的任务，轨迹预测是预测汽车、公共汽车、行人、人力车和动物等道路主体在1-3 秒短期和3-5 秒长期空间坐标的问题。这些交通参与的道路主体具有不同的动态行为，可能对应于激进或保守的驾驶风格，甚至是异常的驾驶情况。
3.提高对道路主体轨迹预测的准确性可减小道路交通事故的发生，减小人民生命和财产方面损失。
4.现有对车辆的行为轨迹预测其存在准确度不高的问题。


技术实现要素：

5.为了解决现有方法对车辆行为轨迹预测不准的问题,本发明提供一种轨迹预测方法及系统，其可提高行车轨迹预测的准确性。
6.本发明的目的通过以下技术方案来实现：本发明第一方面提供一种轨迹预测方法，包括以下步骤：获取待预测目标在预测时间点之前一时间段内的行驶轨迹数据，所述行驶轨迹数据包括在该时间段内的位置数据；对所述行驶轨迹数据进行预处理,得到表征待预测目标周围道路主体存在情况的第一邻接矩阵和与待预测目标相关的第一特征图；利用至少两个串联连接的时间卷积模块对所述第一特征图、第一邻接矩阵进行处理,得到第二特征图和第二邻接矩阵，所述第二特征图包括图特征；对所述图特征进行编码解码输出所述待预测目标的预测轨迹。
7.本发明第二方面提供一种轨迹预测系统，包括依次信号连接的数据获取单元、数据预处理单元、时间卷积单元和编解码单元，所述数据获取单元用于获取待预测目标在预测时间点之前一时间段内的行驶轨迹数据，所述行驶轨迹数据包括在该时间段内的位置数据；所述数据预处理单元用于对所述行驶轨迹数据进行预处理,得到表征待预测目标周围道路主体存在情况的第一邻接矩阵和与待预测目标相关的第一特征图；所述时间卷积单元包括至少两个串联连接的时间卷积模块；所述编解码单元对所述时间卷积单元输出的图特征进行编码解码输出所述待预测目标的预测轨迹。
8.本发明与现有技术相比，至少具有以下优点和有益效果：本发明利用时间卷积模块对交通实体的相互影响进行编码，提高车辆行为轨迹的编码能力，并通过gru组成的解码网络，对交通实体的图特征进行解码，大大提高行车的轨迹预测准确性。
附图说明
9.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
10.图1 为本发明轨迹预测方法的流程图；图2 为本发明轨迹预测系统的原理图。
具体实施方式
11.为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。通常在此处附图中描述和示出的本发明实施方式的组件可以以各种不同的配置来布置和设计。
12.因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
13.需要说明的是，在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。
14.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
15.在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
16.在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
17.当前车辆的行为轨迹预测主要问题之一是算法对对驾驶行为的编码不足，常见的问题包括没有将车辆的行使博弈过程作为一个编码要素。一个车辆的行使状态除了和自身有关系之外，也和其周围的交通参与者有很大的联系，由于缺乏对周围的交通参与者的因素的考虑，因此导致其预测精度低。对此，本发明第一方面公开一种轨迹预测方法，该轨迹预测方法可以由轨迹预测系统实现，具体的，如图1所示，该轨迹预测方法包括步骤s01至步骤s04。
18.步骤s01、获取待预测目标在预测时间点之前一时间段内的行驶轨迹数据，所述行
驶轨迹数据包括在该时间段内的位置数据。
19.在轨迹预测的行驶轨迹数据中，对于输入的一组历史数据通常包含不同时间节点下采集的行驶轨迹数据，时间范围在3s左右，这些数据在时间序列上的位置变化量对于车辆的行为轨迹预测来说，是有意义的。
20.步骤s02、对所述行驶轨迹数据进行预处理,得到表征待预测目标周围道路主体存在情况的第一邻接矩阵和与待预测目标相关的第一特征图。
21.步骤s03、利用至少两个串联连接的时间卷积模块对所述第一特征图、第一邻接矩阵进行处理,得到第二特征图和第二邻接矩阵，所述第二特征图包括图特征。
22.时间卷积模块是本方案的创新点之一，本方案的时间卷积模块包括用于对特征图进行卷积的卷积模块和采用爱因斯坦求和算法对所述卷积模块输出和邻接矩阵进行求和的第一求和模块。
23.特征提取的准确性是本方案中与轨迹预测准确性相关的重要因素之一。通过至少两个串联的时间卷积模块对特征图和邻接矩阵进行处理，有效的提高特征提取的准确性。但是，时间卷积模块过多，势必降低预测速度且增大系统的规模。对此，经试验，时间卷积模块tcn设置为3个，卷积模块为二维卷积层，二维卷积层的卷积核大小为(1,1)，步长为1，可兼顾特征提取准确性、预测速度的问题。
24.基于上述设置，即时间卷积模块tcn设置为3个，该步骤的具体方法为：采用第一时间卷积模块tcn对第一特征图和第一邻接矩阵进行处理。具体的，对所述第一特征图进行卷积处理；采用爱因斯坦求和算法对步骤a卷积后的输出和第一邻接矩阵进行求和，得到第一中间特征图、第一中间邻接矩阵。
25.再采用第二时间卷积模块tcn对第一中间特征图、第一中间邻接矩阵进行处理。具体的，对所述第一中间特征图进行卷积处理；采用爱因斯坦求和算法对步骤c卷积后的输出和第一中间邻接矩阵进行求和，得到第二中间特征图、第二中间邻接矩阵。
26.最后采用第三时间卷积模块tcn对第二中间特征图、第二中间邻接矩阵进行处理。具体的，对所述第二中间特征图进行卷积处理；采用爱因斯坦求和算法对步骤e卷积后的输出和第二中间邻接矩阵进行求和，得到第二特征图和第二邻接矩阵。
27.步骤s04、对所述图特征进行编码解码输出所述待预测目标的预测轨迹。
28.具体的，先采用基于门控循环神经网络单元gru的编码模块对所述图特征进行编码；再对编码后的图特征采用基于门控循环神经网络单元gru的解码模块进行解码输出待预测目标的预测轨迹。
29.为了提高对轨迹预测的准确性，在解码时，可对编码后的图特征分别采用至少两个基于门控循环神经网络单元gru的解码模块进行解码；再对至少两个解码模块的输出进行求和输出待预测目标的预测轨迹。
30.本方案利用图卷积网络，对行车实体的相互博弈信息进行编码，提高车辆行为轨迹的编码能力，并通过gru组成的解码网络，对交通实体的图特征进行解码，可提高轨迹预测的准确性。
31.基于上述行车轨迹预测方法，本发明第二方面公开一种轨迹预测系统，如图2所示，该轨迹预测系统包括依次信号连接的数据获取单元、数据预处理单元、时间卷积单元和编解码单元。
32.数据获取单元用于获取待预测目标在预测时间点之前一时间段内的行驶轨迹数据，所述行驶轨迹数据包括在该时间段内的位置数据。行驶轨迹数据可以是历史存储数据，也可以是实时采集的行车数据。
33.数据预处理单元用于对所述行驶轨迹数据进行预处理,得到表征待预测目标周围道路主体存在情况的第一邻接矩阵和与待预测目标相关的第一特征图。
34.时间卷积单元包括至少两个串联连接的时间卷积模块tcn。具体的，时间卷积模块tcn包括用于对特征图进行卷积的卷积模块和采用爱因斯坦求和算法对所述卷积模块输出和邻接矩阵进行求和的第一求和模块。优选的，卷积模块为二维卷积层，所述二维卷积层的卷积核大小为(1,1)，步长为1。
35.时间卷积单元的时间卷积模块tcn至少有2个且所有的时间卷积模块tcn信号串联连接。tcn模块，主要包含的操作和顺序如下：1.批归一化bn层；2.激活函数relu层；3.2d卷积层，输入通道和输出通道数量相同；4.批归一化bn层；5.提高模型泛化能力的dropout层。
36.编解码单元对所述时间卷积单元输出的图特征进行编码解码输出所述待预测目标的预测轨迹。编解码单元的结构包括：1.循环神经网络单元gru层；2.接入dropout层以提高模型的泛化能力；3.接入全连接层。经过上述三个贯序网络层输出解码模块的结果。
37.具体的，编解码单元包括编码模块和用于对编码模块输出进行解码的解码模块，所述编码模块和所述解码模块基于门控循环神经网络单元gru。
38.解码模块可采用一个解码模块，为了提高预测准确性，可采用多个解码模块。具体的，多个解码模块至少有2个且至少两个解码模块中的所有解码模块相并联连接，所有解码模块输出与一第二求和模块信号连接，第二求和模块信号对解码模块的输出做求和处理后输出。
39.尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种轨迹预测方法，其特征在于，包括以下步骤：获取待预测目标在预测时间点之前一时间段内的行驶轨迹数据，所述行驶轨迹数据包括在该时间段内的位置数据；对所述行驶轨迹数据进行预处理,得到表征待预测目标周围道路主体存在情况的第一邻接矩阵和与待预测目标相关的第一特征图；利用至少两个串联连接的时间卷积模块对所述第一特征图、第一邻接矩阵进行处理,得到第二特征图和第二邻接矩阵，所述第二特征图包括图特征；对所述图特征进行编码解码输出所述待预测目标的预测轨迹。2.根据权利要求1所述的轨迹预测方法，其特征在于：所述利用至少两个串联连接的时间卷积模块对所述第一特征图、第一邻接矩阵进行处理，为：利用三个串联连接的时间卷积模块对所述第一特征图、第一邻接矩阵进行处理。3.根据权利要求2所述的轨迹预测方法，其特征在于：所述利用三个串联连接的时间卷积模块对所述第一特征图、第一邻接矩阵进行处理，包括：a、对所述第一特征图进行卷积处理；b、采用爱因斯坦求和算法对步骤a卷积后的输出和第一邻接矩阵进行求和，得到第一中间特征图、第一中间邻接矩阵；c、对所述第一中间特征图进行卷积处理；d、采用爱因斯坦求和算法对步骤c卷积后的输出和第一中间邻接矩阵进行求和，得到第二中间特征图、第二中间邻接矩阵；e、对所述第二中间特征图进行卷积处理；f、采用爱因斯坦求和算法对步骤e卷积后的输出和第二中间邻接矩阵进行求和，得到第二特征图和第二邻接矩阵。4.根据权利要求1所述的轨迹预测方法，其特征在于：所述对所述图特征进行编码解码输出所述待预测目标的预测轨迹，包括：采用基于门控循环神经网络单元gru的编码模块对所述图特征进行编码；对编码后的图特征采用基于门控循环神经网络单元gru的解码模块进行解码输出待预测目标的预测轨迹。5.根据权利要求4所述的轨迹预测方法，其特征在于，所述对编码后的图特征采用基于门控循环神经网络单元gru的解码模块进行解码输出待预测目标的预测轨迹，包括：对编码后的图特征分别采用至少两个基于门控循环神经网络单元gru的解码模块进行解码；对至少两个解码模块的输出进行求和输出待预测目标的预测轨迹。6.一种轨迹预测系统，其特征在于，包括依次信号连接的数据获取单元、数据预处理单元、时间卷积单元和编解码单元，所述数据获取单元用于获取待预测目标在预测时间点之前一时间段内的行驶轨迹数据，所述行驶轨迹数据包括在该时间段内的位置数据；所述数据预处理单元用于对所述行驶轨迹数据进行预处理,得到表征待预测目标周围道路主体存在情况的第一邻接矩阵和与待预测目标相关的第一特征图；所述时间卷积单元包括至少两个串联连接的时间卷积模块；
所述编解码单元对所述时间卷积单元输出的图特征进行编码解码输出所述待预测目标的预测轨迹。7.根据权利要求6所述的一种轨迹预测系统，其特征在于，所述时间卷积模块包括：用于对特征图进行卷积的卷积模块；采用爱因斯坦求和算法对所述卷积模块输出和邻接矩阵进行求和的第一求和模块。8.根据权利要求7所述的一种轨迹预测系统，其特征在于：所述卷积模块为二维卷积层，所述二维卷积层的卷积核大小为(1,1)，步长为1。9.根据权利要求6所述的一种轨迹预测系统，其特征在于，所述编解码单元包括编码模块和用于对编码模块输出进行解码的解码模块，所述编码模块和所述解码模块基于门控循环神经网络单元gru。10.根据权利要求9所述的一种轨迹预测系统，其特征在于，所述解码模块至少有2个且至少两个解码模块中的所有解码模块相并联连接，所述编解码单元还包括所有解码模块输出进行求和的第二求和模块。

技术总结
本发明公开了一种轨迹预测方法及系统，包括以下步骤：获取待预测目标在预测时间点之前一时间段内的行驶轨迹数据，所述行驶轨迹数据包括在该时间段内的位置数据；对所述行驶轨迹数据进行预处理,得到表征待预测目标周围道路主体存在情况的第一邻接矩阵和与待预测目标相关的第一特征图；利用至少两个串联连接的时间卷积模块对所述第一特征图、第一邻接矩阵进行处理,得到第二特征图和第二邻接矩阵，所述第二特征图包括图特征；对所述图特征进行编码解码输出所述待预测目标的预测轨迹。其可提高行车轨迹预测的准确性。行车轨迹预测的准确性。行车轨迹预测的准确性。


技术研发人员：高延龙 冯偲 宋旭芳 薛寒
受保护的技术使用者：宁算（南京）科技有限公司
技术研发日：2023.07.14
技术公布日：2023/10/15