申请/专利权人：吉林大学

申请日：2024-01-30

公开（公告）日：2024-06-07

公开（公告）号：CN118153642A

主分类号：G06N3/0475

分类号：G06N3/0475;G06N3/0442;G06N3/0455;G06F18/213;G06N3/084

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.06.25#实质审查的生效;2024.06.07#公开

摘要：本发明提供一种智能汽车匝道汇入类人轨迹生成系统及方法，系统的建立过程包括获取并建立匝道场景专家示教数据集、建立与训练类人轨迹生成模型、建立类人轨迹编码空间、建立与训练交通态势映射网络等步骤；本发明创新性地引入生成网络，建立类人轨迹生成模型，利用生成网络的强大的特征提取能力，实现了高质量、类人性佳的类人轨迹生成；通过引入类人轨迹特征向量，建立类人轨迹编码空间，利用长短期记忆网络建立交通态势映射网络，实现了稳定且多样化的类人轨迹生成，生成稳定、高质量、多样化、类人性佳的匝道汇入类人轨迹，提高智能汽车匝道汇入轨迹规划的社会接受度与信任度。

主权项：1.一种智能汽车匝道汇入类人轨迹生成系统，其特征在于：通过以下步骤建立：步骤一、获取并建立匝道场景专家示教数据集1.1专家汇入示教数据获取与处理：采用自动驾驶仿真软件，记录专家汇入过程中匝道合并车道上的汇入车辆EV的绝对速度数据、绝对纵向位置数据、绝对横向位置数据、绝对加速度数据、EV航向角数据及主路上的跟随车辆FV的绝对速度数据、绝对纵向位置数据、绝对横向位置数据、绝对加速度数据、FV航向角数据及EV与FV的相对速度数据、相对纵向位置数据、相对横向位置数据，共计采样N条数据；数据采样频率为0.1s，采样时同时记录所有采样点的现实时刻；专家汇入轨迹数据以EV汇入状态开始的起始点为坐标原点，以EV汇入状态开始的现实时刻为汇入时间的零时刻，以主路车辆行进方向为x轴，以x轴逆时针90度方向为y轴建立局部直角坐标系，记录汇入轨迹在局部直角坐标系下的坐标及各坐标点的汇入时间；对专家汇入轨迹数据中的轨迹进行归一化处理后得到专家汇入轨迹数据格式如下： 其中，ζ1代表归一化后的专家汇入轨迹数据的集合，每条轨迹均包括K0个采样点，代表集合中的第i条轨迹，且该轨迹以汇入时间零时刻计算的汇入截止时刻为Ti，代表第t个采样点的时刻，代表该时刻车辆的纵坐标，代表该时刻车辆的横坐标；1.2交通态势表征数据获取与处理：依据步骤一1.1所获得的EV的绝对速度数据、绝对纵向位置数据、绝对横向位置数据、绝对加速度数据、EV航向角数据及FV的绝对速度数据、绝对纵向位置数据、绝对横向位置数据、绝对加速度数据、FV航向角数据及EV与FV的相对速度数据、相对纵向位置数据、相对横向位置数据，以EV汇入发生的起始点的现实时刻为终止时刻t，向前遍历数个采样点，提取时间窗H内的数据，对数据归一化后组成交通态势表征数据RTraffic：RTraffic＝[R1,R2,...,RN]Ri＝[Rt-H+0.1,Rt-H+0.2,...,Rt] 其中，RTraffic代表交通态势表征数据的集合，Ri代表RTraffic中的第i条轨迹的交通态势表征数据，H为时间窗的长度，代表Ri中时刻为th的采样点的数据，代表该时刻EV的绝对纵向位置，代表该时刻EV的绝对横向位置，代表该时刻EV的绝对速度，代表该时刻EV的绝对加速度，代表该时刻EV的航向角，代表该时刻FV的绝对纵向位置，代表该时刻FV的绝对横向位置，代表该时刻FV的绝对速度，代表该时刻FV的绝对加速度，代表该时刻FV的航向角，代表该时刻EV与FV的相对速度，该时刻EV与FV的相对纵向位置，代表该时刻EV与FV的相对横向位置；步骤二、建立与训练类人轨迹生成模型2.1类人轨迹生成模型网络框架设置：所述类人轨迹生成模型网络以VAE模型网络结构为初始模型，设置训练数据的输入维度为[batch_size,K0,feature_size]，其中batch_size为每次输入训练的ζ1中的类人轨迹的轨迹数量，K0为ζ1中轨迹的采样点个数，feature_size为ζ1中轨迹在每个采样时刻点的特征数量；编码器网络结构的输入层大小设置为与训练数据的输入维度匹配，解码器网络结构的输出层大小设置为与训练数据的输入维度匹配；2.2损失函数设置：设置的损失函数Loss1如下： 其中，L1为重构误差，L2为KL散度损失项，ζ1为归一化后的专家汇入轨迹数据，为类人轨迹生成模型网络所生成的专家汇入轨迹数据，α为调节参数；2.3梯度下降更新网络参数：完成上述步骤2.12.2后，每次从ζ1中随机抽取batch_size条轨迹作为训练数据，输入所述类人轨迹生成模型网络进行训练，计算损失函数Loss1，基于最优Adam优化器通过梯度下降更新网络参数，直至网络收敛；步骤三、建立类人轨迹编码空间3.1获取类人轨迹特征向量：将上述类人轨迹生成模型网络设置为调试模式，不再计算梯度，随后依次输入ζ1中的轨迹，获取编码器输出的对应输出类人轨迹特征向量；当输入ζ1中的轨迹为时，记输出的类人轨迹特征向量为χi，χi的数据维度与编码器的输出层大小匹配；3.2类人轨迹特征向量保存：依次将类人轨迹特征向量保存至类人轨迹编码空间χ：χ＝[χ1,χ2,χ3,...,χi,...,χN]步骤四、建立与训练交通态势映射网络4.1交通态势映射网络框架设置：获取LSTM模型网络结构为初始模型，设置交通态势映射网络包含双层LSTM结构，输入层大小设置为与Ri的维度相匹配，输出层大小设置为与χi的维度相匹配；4.2损失函数设置：设置的损失函数Loss2为交通态势映射网络输出的类人轨迹特征向量与步骤三中通过类人轨迹生成模型网络获取的类人轨迹编码空间中所对应类人轨迹特征向量的均方误差： 其中，为交通态势映射网络输出的类人轨迹特征向量所构成的类人轨迹编码空间，4.3梯度下降更新网络参数：完成上述4.14.2步后，每次训练随机抽取RTraffic中的Ri输入所述交通态势映射网络，计算损失函数Loss2，基于最优Adam优化器通过梯度下降更新网络参数，直至网络收敛，完成交通态势映射网络的建立与训练。

全文数据：

权利要求：

百度查询： 吉林大学 一种智能汽车匝道汇入类人轨迹生成系统及方法

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