买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：上海人工智能创新中心

摘要：本发明涉及一种基于异构图卷积网络的智能体运动预测方法，包括：构建表征动态场景的动态有向异构图，其中所述动态有向异构图联合编码了道路网络的拓扑结构和智能体的时空信息；以及基于所述动态有向异构图利用异构图卷积网络预测智能体的运动轨迹。通过构建动态有向异构图来表征场景中不同元素的变化及其间复杂的交互，利用动态图中的高阶交互信息和时序信息通过异构图卷积网络能够准确地预测智能体未来的轨迹。

主权项：1.一种基于异构图卷积网络的智能体运动预测方法，其特征在于，包括：构建表征动态场景的动态有向异构图，其中所述动态有向异构图联合编码了道路网络的拓扑结构和智能体的时空信息；以及基于所述动态有向异构图利用异构图卷积网络预测智能体的运动轨迹；其中构建表征动态场景的动态异构图包括节点的构造和节点之间动态边的构造，其中所述节点包括智能体节点和车道节点，每个智能体作为一个智能体节点，每个道路车道段作为一个车道节点，在所述节点之间构造动态边来表征节点之间的交互，包括车道-车道交互、智能体-车道交互、车道-智能体交互以及智能体-智能体交互；将时间片段t＝[-T′+1,-T′+2,…,0]分割成P个等时间间隔τ的组，τ*p＝T′，τ表示时间间隔长度，并利用每个时间间隔-τ*p,-τ*p-1]内的信息来构造动态异构图在相应时间间隔的离散快照Gp，p＝1,2,…,P；利用给定智能体的一系列历史状态Sh＝[s-T′+1,s-T′+2,…,s0]，构造了动态有向异构图{Gp}，p＝1,2,…,P，动态有向异构图单个时间片段的离散快照Gp＝{Vp,εp}，所述离散快照由节点集合和边集合构成，p＝1,2,…,P，其中和分别表示不同类型的节点集和边集；节点特征Xp,其中xp,i＝xpvi为对应节点vi∈Vp的特征，Xp＝[xp,i,xp，2,…,xp,n]T；假设节点集合Vp在动态异构图{Gp}中保持相同，p＝1,2,…,P，除了节点集合的属性随p而变化；按照道路网络的拓扑结构为车道节点构建边来表征车道-车道交互，包括：如果车道节点和按照道路方向首尾相连，则在车道节点和之间构造有向边由于道路拓扑是静态的，ε0在动态有向异构图的不同离散快照Gp中是相同的；基于车道节点之间边集ε0来进一步构建智能体节点和车道节点之间的动态边来表征智能体-车道交互和车道-智能体交互，包括：对于每一个智能体节点i，首先基于智能体节点i在t＝-τ*p-1，p＝1,2,…,P，时刻的位置cp,i,为其找到k个最近的车道节点，并舍弃其中属于反向车道的车道节点，其中在路口的道路车道段上，保留所有k个节点；从找到的邻近车道节点开始，沿ε0中的边执行深度优先搜索来探索智能体未来可能到达的车道节点，其中所述深度优先搜索的最大深度基于智能体的平均速度、相邻车道节点之间的平均间隙以及预测时间确定；以及用边将智能体节点链接到搜索得到的车道节点同时得到车道-智能体间的交互根据智能体节点的位置之间的距离来构建的智能体节点之间的动态边，包括：使用l1范数计算智能体节点和之间的距离，以近似智能体节点之间沿道路的距离，智能体节点和之间的距离的计算公式： 其中cp表示智能体节点的位置，dp表示智能体节点和之间的距离；如果任意两个智能体节点之间的距离满足则两个智能体节点在离散快照Gp中由边直接相连，其中δaa表示距离阈值的超参数。

全文数据：

权利要求：

百度查询： 上海人工智能创新中心 一种基于异构图卷积网络的智能体运动预测方法