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：江苏大学

摘要：本发明公开基于双交叉Transformer的自动驾驶车辆轨迹预测方法及系统，包括S1：收集目标车辆以及周围车辆的历史轨迹数据和车辆状态数据作为输入序列X；S2：捕捉目标车辆和周围车辆之间的交互情况，输出目标车辆和周围车辆初步预测轨迹，并对个体不确定性和协同不确定性进行评估；S3：通过损失函数衡量预测效果，并更新优化参数。在车路协同环境下基于多个车辆进行模拟训练，充分考虑目标车辆与周围车辆的交互作用。不确定性评估器采用置等变换神经网络，能捕捉输入数据中各个车辆之间的互动，保持在排列输入数据和生成特征时的不变性；在特征空间中更为准确地获取个体和协作不确定性，从而提高不确定性的估计精度。

主权项：1.基于双交叉Transformer的自动驾驶车辆轨迹预测方法，其特征在于：包括以下步骤：S1：收集目标车辆以及周围车辆的历史轨迹数据和车辆状态数据作为输入序列X；所述S1具体为：历史轨迹数据获取：车辆的历史轨迹数据包括前三秒的历史轨迹点，以每秒十帧采集一次，轨迹点表示为x，y；车辆状态数据获取：包括车辆速度v和航向角θ，通过分析轨迹、车辆速度v和航向角θ，判断车辆行驶行为，预测目标车辆以及周围车辆的轨迹；将历史轨迹数据和车辆状态数据作为输入序列X；S2：捕捉目标车辆和周围车辆之间的交互情况，输出目标车辆和周围车辆初步预测轨迹，并对个体不确定性和协同不确定性进行评估；S201：将S1中的输入序列X进行位置编码：将S1中的输入序列X进行位置编码；使用不同频率的正弦和余弦函数进行位置编码，具体表示为： 其中，pos表示输入序列X中的位置；2k,2k+1表示维度索引；dmodel＝512，表示嵌入层的维度；S202：通过双向交叉注意力机制捕捉目标车辆和周围车辆之间的交互情况，获取交互特征Attenbidirfs,fg，并反复训练：通过双向交叉注意力机制捕捉目标车辆和周围车辆之间的交互情况，获取交互特征，并反复训练：将输入序列X转化成输入特征：从输入序列X中取两个目标车辆和周围车辆的输入特征fs,fg，其中，fs,fg∈X；将fs作为原输入序列，fg作为目标输入序列，将其输入到双向交叉注意力机制中，通过双向交叉注意力机制来学习目标车辆和周围车辆之间的交互关系：计算输入特征fs的Qs、Ks、Vs和fg的Qg、Kg、Vg，公式如下：Qs＝WQfs,Ks＝WKfs,Vs＝WVfs；Qg＝WQfg,Kg＝WKfg,Vg＝WVfg其中，WQ，WK，WV分别表示用于生成Qs、Ks、Vs和Qg、Kg、Vg的转换参数,d是输入特征fs和输入特征fg的维度，dq、dk、dv是Qs、Ks、Vs和Qg、Kg、Vg的维度；Qs、Ks、Vs分别为输入特征fs的查询query，键key、值value三个向量；Qg、Kg、Vg分别为输入特征fg的查询query，键key、值value三个向量；将输入特征fs、fg通过双向交叉注意力Transformer学习目标车辆和周围车辆之间的交互情况，提取目标车辆序列和周围车辆序列，以及目标车辆序列和周围车辆序列之间的初步交互特征Attenbidirfs,fg，具体公式如下： Attenbidirfs,fg＝MHAfs+MHAfg其中，nh是头的数量；CAs为输入特征fs通过交叉注意力后计算的输出，CAg为输入特征fg通过交叉注意力后计算的输出；MHAfs为多个CAs拼接一起的结果；MHAfg为多个CAg拼接一起的结果；S203：输出目标车辆和其周围车辆的初步预测轨迹；输出目标车辆和其周围车辆的初步预测轨迹：对实际观测的未来轨迹特征Y进行编码：Efin＝Ey+PEEy其中，Ey为实际观测的未来轨迹序列y的生成特征，y∈Y；Efin表示位置编码后的实际观测未来轨迹特征，对混合特征Z进行快速傅里叶变换得到FZ：FZ＝FFTZ其中，FFT表示快速傅里叶变换的计算；对处理过的特征FZ进行多尺度和自适应图卷积处理，以捕捉具体和全面的跨系列依赖关系： 其中，表示节点g的混合特征，s,g节点为目标车辆和周围车辆的抽象表示；θk用于缩放第k阶邻居贡献的系数；αsg是自适应权重，决定了节点g对节点s的贡献程度；Mk为第k阶邻居的权重矩阵；RELU是非线性激活函数；对节点s,g的特征重新塑形，以适应多头自注意力机制，利用多头注意力机制捕捉特征中的时序依赖性、空间关系、上下文信息和各数据间的相关性；通过重塑返回获取适应softmax函数的输入张量，输入到softmax函数中，通过Softmax函数优化网络权重，从而帮助稳定训练过程： 其中，Reshape表示重塑模块的计算；ReshapeBack表示重塑返回计算；正则化层处理特征然后输入到双层感知机MLP中，双层感知机MLP从输入特征中提取并组合数据，从而获得预测未来的目标车辆和周围车辆的位置或轨迹： 其中，W1和b1分别是第一层的权重和偏置；W2和b2是第二层的权重和偏置，输出是车辆未来轨迹预测值，h1为第一层感知机输出的预测特征；S204：对交互特征Attenbidirfs,fg进行个体不确定性和协同不确定性评估；S3：通过损失函数衡量预测效果，并更新优化参数。

全文数据：

权利要求：

百度查询： 江苏大学 基于双交叉Transformer的自动驾驶车辆轨迹预测方法及系统