申请/专利权人：重庆长安汽车股份有限公司

申请日：2022-06-28

公开（公告）日：2024-06-04

公开（公告）号：CN115147790B

主分类号：G06V20/56

分类号：G06V20/56;G06V10/762;G06V10/764;G06V10/774;G06V10/82;G06N3/042;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.06.04#授权;2022.10.25#实质审查的生效;2022.10.04#公开

摘要：本发明公开了一种基于图神经网络的车辆未来轨迹预测方法，包括如下步骤：步骤1：数据采集：步骤2：制作训练数据：步骤3：神经网络搭建：步骤4：进行模型训练：步骤5：将测试集输入训练完成的图神经网络模型，得到轨迹预测的结果。本发明所述方法是基于图神经网络GNN的多模态轨迹预测算法，道路图和待预测车辆的时间序列会输入深度学习模型，输出预测轨迹；模型输出的是多条轨迹及其对应的置信概率，从而避免模型为了降低损失函数值而输出多条轨迹的均值的行为模式崩塌；当神经网络训练好之后，在模型见到训练数据中没有存在过的实时路况和交通参与者的状态时，模型会基于已有经验对新数据作出预测。

主权项：1.一种基于图神经网络的车辆未来轨迹预测方法，其特征在于，包括如下步骤：步骤1：数据采集：获取交通参与者、周边交通参与者的视觉感知信息、传感定位信息以及高精地图信息，并对获取的信息进行处理；步骤2：制作训练数据：根据传感定位信息和高精地图构建道路图，然后构建周边交通参与者和自车轨迹的时间序列，生成真值未来轨迹和多模态轨迹；步骤3：神经网络搭建：基于自车、周边交通参与者的时间序列，以及道路图中包含的每个节点中的空间序列，使用循环神经网络LSTM进行编码，并用LSTM中的隐向量来表征整个序列特征；步骤4：进行模型训练：构建关于多模态分类和元素偏移量准确性的负对数似然损失函数： 式中，M表示模态数量、H表示预测的时间步数，N表示二维高斯分布、s表示真实轨迹点、a表示静态轨迹anchor、μ表示高斯分布均值、Σ表示二维高斯分布的协方差矩阵、x表示输入样本、θ表示网络参数；神经网络模型通过梯度反向传播优化模型参数，使损失函数逐步下降、性能指标逐步提升；步骤5：将测试集输入训练完成的图神经网络模型，得到轨迹预测的结果；在步骤3中，将经过LSTM编码后的交通参与者特征向量和道路图节点的特征向量一起输入多头注意力层；经过多头注意力层处理后，道路图同时包含道路信息和交通参与者信息，采用图神经网络对道路图进行特征提取；通过两个全连接层输出预测向量。

全文数据：

权利要求：

百度查询： 重庆长安汽车股份有限公司 一种基于图神经网络的车辆未来轨迹预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD