本發(fā)明涉及自動(dòng)駕駛，特別是指一種適應(yīng)不同駕駛風(fēng)格的車(chē)輛軌跡預(yù)測(cè)方法及裝置。

背景技術(shù)：

1、交通參與者不同的駕駛習(xí)慣以及他們與環(huán)境的復(fù)雜相互作用使得對(duì)未來(lái)軌跡的準(zhǔn)確預(yù)測(cè)成為一個(gè)巨大的挑戰(zhàn)。值得注意的是，人類(lèi)駕駛員通常會(huì)觀察周?chē)慕煌▍⑴c者，并預(yù)測(cè)他們未來(lái)的狀態(tài)，然后再進(jìn)行適當(dāng)?shù)鸟{駛操作，包括加速、剎車(chē)或換道。因此，如何在高度復(fù)雜的駕駛環(huán)境中建立高效、準(zhǔn)確的軌跡預(yù)測(cè)系統(tǒng)已成為自動(dòng)駕駛車(chē)輛面臨的主要挑戰(zhàn)之一。

2、目前對(duì)車(chē)輛軌跡預(yù)測(cè)的方法包括：基于物理模型的方法、基于經(jīng)典機(jī)器學(xué)習(xí)的方法以及基于深度學(xué)習(xí)的方法；其中，基于物理模型的方法可進(jìn)行短期軌跡預(yù)測(cè)，但沒(méi)有考慮駕駛風(fēng)格對(duì)車(chē)輛行駛軌跡的形響；基于經(jīng)典機(jī)器學(xué)習(xí)的方法采用數(shù)據(jù)驅(qū)動(dòng)的方法進(jìn)行軌跡預(yù)測(cè)，但通常需要預(yù)先確定或提供相關(guān)特征，限制可在處理復(fù)雜環(huán)境中的任務(wù)時(shí)的有效性；基于深度學(xué)習(xí)的方法通過(guò)利用大量數(shù)據(jù)進(jìn)行訓(xùn)練預(yù)測(cè)車(chē)輛軌跡，但不能對(duì)不同駕駛風(fēng)格進(jìn)行車(chē)輛軌跡預(yù)測(cè)，并且基于深度學(xué)習(xí)的方法在處理長(zhǎng)時(shí)間的序列時(shí)，計(jì)算的時(shí)間較長(zhǎng)，導(dǎo)致預(yù)測(cè)的準(zhǔn)確性差。

技術(shù)實(shí)現(xiàn)思路

1、為了解決現(xiàn)有技術(shù)存在的不能對(duì)不同駕駛風(fēng)格進(jìn)行車(chē)輛軌跡預(yù)測(cè)，并且基于深度學(xué)習(xí)的方法在處理長(zhǎng)時(shí)間的序列時(shí)，計(jì)算的時(shí)間較長(zhǎng)，導(dǎo)致預(yù)測(cè)的準(zhǔn)確性差的技術(shù)問(wèn)題，本發(fā)明實(shí)施例提供了一種適應(yīng)不同駕駛風(fēng)格的車(chē)輛軌跡預(yù)測(cè)方法及裝置。所述技術(shù)方案如下：

2、一方面，提供了一種適應(yīng)不同駕駛風(fēng)格的車(chē)輛軌跡預(yù)測(cè)方法，該方法由適應(yīng)不同駕駛風(fēng)格的車(chē)輛軌跡預(yù)測(cè)設(shè)備實(shí)現(xiàn)，該方法包括：

3、s1、獲取原始的車(chē)輛軌跡的樣本數(shù)據(jù)集；

4、s2、對(duì)所述樣本數(shù)據(jù)集進(jìn)行濾波處理，獲得濾波處理后的樣本數(shù)據(jù)集；

5、s3、根據(jù)所述濾波處理后的樣本數(shù)據(jù)集，采用主成分分析法進(jìn)行降維處理，獲得降維后的數(shù)據(jù)；

6、s4、采用模糊c均值聚類(lèi)算法對(duì)所述降維后的數(shù)據(jù)進(jìn)行軟聚類(lèi)處理，得到所述降維后的數(shù)據(jù)對(duì)于每個(gè)駕駛風(fēng)格的隸屬度，根據(jù)最大隸屬度確定降維后的數(shù)據(jù)的硬標(biāo)簽，將硬標(biāo)簽添加到濾波處理后的樣本數(shù)據(jù)集；

7、s5、構(gòu)建初始的基于全局-局部注意力機(jī)制殘差雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)；

8、s6、根據(jù)添加硬標(biāo)簽后的樣本數(shù)據(jù)集，對(duì)所述初始的基于全局-局部注意力機(jī)制殘差雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得訓(xùn)練好的基于全局-局部注意力機(jī)制殘差雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)；

9、s7、獲取目標(biāo)車(chē)輛在觀察時(shí)間域內(nèi)的狀態(tài)信息；將所述目標(biāo)車(chē)輛在觀察時(shí)間的狀態(tài)信息輸入所述訓(xùn)練好的基于全局-局部注意力機(jī)制殘差雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)中，獲得在預(yù)測(cè)時(shí)間域內(nèi)目標(biāo)車(chē)輛的未來(lái)軌跡。

10、另一方面，提供了一種適應(yīng)不同駕駛風(fēng)格的車(chē)輛軌跡預(yù)測(cè)裝置，該裝置應(yīng)用于適應(yīng)不同駕駛風(fēng)格的車(chē)輛軌跡預(yù)測(cè)方法，該裝置包括：

11、第一獲取單元，用于獲取原始的車(chē)輛軌跡的樣本數(shù)據(jù)集；

12、預(yù)處理單元，用于對(duì)所述樣本數(shù)據(jù)集進(jìn)行濾波處理，獲得濾波處理后的樣本數(shù)據(jù)集；

13、第二獲取單元，用于根據(jù)所述濾波處理后的樣本數(shù)據(jù)集，采用主成分分析法進(jìn)行降維處理，獲得降維后的數(shù)據(jù)；

14、第三獲取單元，采用模糊c均值聚類(lèi)算法對(duì)所述降維后的數(shù)據(jù)進(jìn)行軟聚類(lèi)處理，得到所述降維后的數(shù)據(jù)對(duì)于每個(gè)駕駛風(fēng)格的隸屬度，根據(jù)最大隸屬度確定降維后的數(shù)據(jù)的硬標(biāo)簽，將硬標(biāo)簽添加到濾波處理后的樣本數(shù)據(jù)集；

15、構(gòu)建單元，用于構(gòu)建初始的基于全局-局部注意力機(jī)制殘差雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)；

16、訓(xùn)練單元，用于根據(jù)添加硬標(biāo)簽后的樣本數(shù)據(jù)集，對(duì)所述初始的基于全局-局部注意力機(jī)制殘差雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得訓(xùn)練好的基于全局-局部注意力機(jī)制殘差雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)；

17、預(yù)測(cè)單元，用于獲取目標(biāo)車(chē)輛在觀察時(shí)間域內(nèi)的狀態(tài)信息；將所述目標(biāo)車(chē)輛在觀察時(shí)間的狀態(tài)信息輸入所述訓(xùn)練好的基于全局-局部注意力機(jī)制殘差雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)中，獲得在預(yù)測(cè)時(shí)間域內(nèi)目標(biāo)車(chē)輛的未來(lái)軌跡。

18、另一方面，提供一種適應(yīng)不同駕駛風(fēng)格的車(chē)輛軌跡預(yù)測(cè)設(shè)備，所述適應(yīng)不同駕駛風(fēng)格的車(chē)輛軌跡預(yù)測(cè)設(shè)備包括：處理器；存儲(chǔ)器，所述存儲(chǔ)器上存儲(chǔ)有計(jì)算機(jī)可讀指令，所述計(jì)算機(jī)可讀指令被所述處理器執(zhí)行時(shí)，實(shí)現(xiàn)如上述適應(yīng)不同駕駛風(fēng)格的車(chē)輛軌跡預(yù)測(cè)方法中的任一項(xiàng)方法。

19、另一方面，提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)中存儲(chǔ)有至少一條指令，所述至少一條指令由處理器加載并執(zhí)行以實(shí)現(xiàn)上述適應(yīng)不同駕駛風(fēng)格的車(chē)輛軌跡預(yù)測(cè)方法中的任一項(xiàng)方法。

20、本發(fā)明實(shí)施例提供的技術(shù)方案帶來(lái)的有益效果至少包括：

21、獲取原始的車(chē)輛軌跡的樣本數(shù)據(jù)集；對(duì)樣本數(shù)據(jù)集進(jìn)行濾波處理，獲得濾波處理后的樣本數(shù)據(jù)集；根據(jù)濾波處理后的樣本數(shù)據(jù)集，采用主成分分析法進(jìn)行降維處理，獲得降維后的數(shù)據(jù)；采用模糊c均值聚類(lèi)算法對(duì)降維后的數(shù)據(jù)進(jìn)行軟聚類(lèi)處理，得到降維后的數(shù)據(jù)對(duì)于每個(gè)駕駛風(fēng)格的隸屬度，根據(jù)最大隸屬度確定降維后的數(shù)據(jù)的硬標(biāo)簽，將硬標(biāo)簽添加到濾波處理后的樣本數(shù)據(jù)集；構(gòu)建初始的基于全局-局部注意力機(jī)制殘差雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)；根據(jù)添加硬標(biāo)簽后的樣本數(shù)據(jù)集，對(duì)初始的基于全局-局部注意力機(jī)制殘差雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得訓(xùn)練好的基于全局-局部注意力機(jī)制殘差雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)；獲取目標(biāo)車(chē)輛在觀察時(shí)間域內(nèi)的狀態(tài)信息；將目標(biāo)車(chē)輛在觀察時(shí)間的狀態(tài)信息輸入訓(xùn)練好的基于全局-局部注意力機(jī)制殘差雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)中，獲得在預(yù)測(cè)時(shí)間域內(nèi)目標(biāo)車(chē)輛的未來(lái)軌跡。本發(fā)明實(shí)施例采用模糊c均值算法對(duì)不同的駕駛員風(fēng)格進(jìn)行軟聚類(lèi)，并將聚類(lèi)結(jié)果轉(zhuǎn)化為明確的硬標(biāo)簽；本發(fā)明所提出的車(chē)輛軌跡預(yù)測(cè)網(wǎng)絡(luò)綜合考慮了不同的駕駛風(fēng)格和環(huán)境不確定性，提高了車(chē)輛軌跡預(yù)測(cè)網(wǎng)絡(luò)的準(zhǔn)確性和適應(yīng)性；為能夠?qū)﹂L(zhǎng)期序列特征進(jìn)行有效的提取，本發(fā)明實(shí)施例將車(chē)輛建模為波形，更好地理解長(zhǎng)期序列特征；此外，本發(fā)明實(shí)施例提出了一種新的注意力機(jī)制來(lái)聚合全局特征和局部特征，以確保有效和適當(dāng)?shù)乩锰卣?。本發(fā)明所提出軌跡預(yù)測(cè)網(wǎng)絡(luò)模型將長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)lstm編解碼器結(jié)構(gòu)與殘差結(jié)構(gòu)相結(jié)合，簡(jiǎn)化了訓(xùn)練過(guò)程，提高了預(yù)測(cè)的穩(wěn)定性和準(zhǔn)確性。

技術(shù)特征：

1.一種適應(yīng)不同駕駛風(fēng)格的車(chē)輛軌跡預(yù)測(cè)方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的適應(yīng)不同駕駛風(fēng)格的車(chē)輛軌跡預(yù)測(cè)方法，其特征在于，所述s2的對(duì)所述樣本數(shù)據(jù)集進(jìn)行濾波處理，獲得濾波處理后的樣本數(shù)據(jù)集，包括：

3.根據(jù)權(quán)利要求2所述的適應(yīng)不同駕駛風(fēng)格的車(chē)輛軌跡預(yù)測(cè)方法，其特征在于，所述s4的采用模糊c均值聚類(lèi)算法對(duì)所述降維后的數(shù)據(jù)進(jìn)行軟聚類(lèi)處理，得到所述降維后的數(shù)據(jù)對(duì)于每個(gè)駕駛風(fēng)格的隸屬度，根據(jù)最大隸屬度確定降維后的數(shù)據(jù)的硬標(biāo)簽，將硬標(biāo)簽添加到濾波處理后的樣本數(shù)據(jù)集，包括：

4.根據(jù)權(quán)利要求1所述的適應(yīng)不同駕駛風(fēng)格的車(chē)輛軌跡預(yù)測(cè)方法，其特征在于，所述s5的初始的基于全局-局部注意力機(jī)制殘差雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)，包括：全局注意力模塊、局部注意力模塊以及殘差雙向長(zhǎng)短期記憶網(wǎng)絡(luò)；

5.根據(jù)權(quán)利要求4所述的適應(yīng)不同駕駛風(fēng)格的車(chē)輛軌跡預(yù)測(cè)方法，其特征在于，所述s6的根據(jù)添加硬標(biāo)簽后的樣本數(shù)據(jù)集，對(duì)所述初始的基于全局-局部注意力機(jī)制殘差雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得訓(xùn)練好的基于全局-局部注意力機(jī)制殘差雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)，包括：

6.根據(jù)權(quán)利要求1所述的適應(yīng)不同駕駛風(fēng)格的車(chē)輛軌跡預(yù)測(cè)方法，其特征在于，所述s7的目標(biāo)車(chē)輛在觀察時(shí)間域內(nèi)的狀態(tài)信息，包括：目標(biāo)車(chē)輛的類(lèi)型、目標(biāo)車(chē)輛的運(yùn)行狀態(tài)以及目標(biāo)車(chē)輛與周?chē)系K車(chē)輛的時(shí)空關(guān)系。

7.一種適應(yīng)不同駕駛風(fēng)格的車(chē)輛軌跡預(yù)測(cè)裝置，所述適應(yīng)不同駕駛風(fēng)格的車(chē)輛軌跡預(yù)測(cè)裝置用于實(shí)現(xiàn)如權(quán)利要求1-6任一項(xiàng)所述適應(yīng)不同駕駛風(fēng)格的車(chē)輛軌跡預(yù)測(cè)方法，其特征在于，所述裝置包括：

8.根據(jù)權(quán)利要求7所述的適應(yīng)不同駕駛風(fēng)格的車(chē)輛軌跡預(yù)測(cè)裝置，其特征在于，所述預(yù)處理單元，用于：

9.一種適應(yīng)不同駕駛風(fēng)格的車(chē)輛軌跡預(yù)測(cè)設(shè)備，其特征在于，所述適應(yīng)不同駕駛風(fēng)格的車(chē)輛軌跡預(yù)測(cè)設(shè)備包括：

10.一種計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)，其特征在于，所述計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中存儲(chǔ)有程序代碼，所述程序代碼可被處理器調(diào)用執(zhí)行如權(quán)利要求1至6任一項(xiàng)所述的方法。

技術(shù)總結(jié)
本發(fā)明提供一種適應(yīng)不同駕駛風(fēng)格的車(chē)輛軌跡預(yù)測(cè)方法及裝置，涉及自動(dòng)駕駛技術(shù)領(lǐng)域。所述適應(yīng)不同駕駛風(fēng)格的車(chē)輛軌跡預(yù)測(cè)方法包括：獲取原始的車(chē)輛軌跡的樣本數(shù)據(jù)集；對(duì)樣本數(shù)據(jù)集進(jìn)行濾波處理，獲得濾波處理后的樣本數(shù)據(jù)集；采用主成分分析法進(jìn)行降維處理，獲得降維后的數(shù)據(jù)；采用模糊C均值聚類(lèi)算法進(jìn)行軟聚類(lèi)處理，獲得硬標(biāo)簽；構(gòu)建初始的基于全局?局部注意力機(jī)制殘差雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)；對(duì)初始的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得訓(xùn)練好的基于全局?局部注意力機(jī)制殘差雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)；獲取目標(biāo)車(chē)輛在觀察時(shí)間域內(nèi)的狀態(tài)信息；將狀態(tài)信息輸入訓(xùn)練好的網(wǎng)絡(luò)中，獲得在預(yù)測(cè)時(shí)間域內(nèi)目標(biāo)車(chē)輛的未來(lái)軌跡。采用本發(fā)明，可提高車(chē)輛軌跡預(yù)測(cè)的準(zhǔn)確性。

技術(shù)研發(fā)人員：胡鉅奇,王采妮,高赫佳,孫長(zhǎng)銀,黃大榮,劉海濤
受保護(hù)的技術(shù)使用者：安徽大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19