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：西安理工大学

摘要：本发明公开了一种结合社会生成对抗网络的意图轨迹预测方法，具体按照以下步骤实施：步骤1、预处理车辆轨迹数据；步骤2、基于步骤1预处理后的数据识别驾驶意图并进行数据标记，生成特征向量；步骤3、由社会生成对抗网络构成轨迹输出模块，轨迹输出模块中的编码层将历史轨迹信息编码为上下文向量，解码层结合上下文向量和已识别的驾驶意图信息预测未来轨迹。本发明解决了现有技术中存在的社会生成对抗网络车辆间交互特征简单，没有考虑驾驶员自身行为对车辆轨迹的影响的问题。

主权项：1.一种结合社会生成对抗网络的意图轨迹预测方法，其特征在于，具体按照以下步骤实施：步骤1、预处理车辆轨迹数据；步骤2、基于步骤1预处理后的数据识别驾驶意图并进行数据标记，生成特征向量；所述步骤2中识别驾驶意图以及数据标记，具体如下，将轨迹片段分成向左换道、向右换道和直线行驶3类，并附上相应标记：向左换道标记为1，向右换道标记为2，直线行驶标记为3，分类依据是：首先求出车辆轨迹和车道线的交点，将交点定义为换道点，由车辆横向坐标xt和纵向坐标yt计算出车辆的航向角θ，航向角θ表示为 然后从换道点向时间轴反方向遍历每个采样点的航向角θ，若轨迹序列连续3个采样点的|θ≤θs，θs表示换道起始点航向角阈值，则将第1次达到阈值θs的位置定义为换道起点；最后从换道点时间轴正方向遍历每个采样点的航向角θ，若轨迹序列连续3个采样点的|θ≤θe，θe表示换道终止点航向角阈值，则将第1次达到阈值θe的位置定义为换道终点；所述步骤2中生成特征向量具体如下：将步骤1中预处理车辆轨迹数据It通过全连接网络处理后，随即输入长短时记忆网络，全连接网络包括128个神经元，全连接网络的激活函数为ReLU，长短时记忆网络读取当前时刻的预处理车辆轨迹数据It和上一时刻输出的历史轨迹信息的隐藏状态，以此更新当前时刻的隐藏状态，将当前时刻的隐藏状态输入逻辑回归函数，输出概率矩阵Ω＝ω1,ω2,ω3，其中ω1表示向左换道概率，ω2表示直线行驶的概率，ω3表示向右换道的概率，识别驾驶意图选用分类交叉熵作为损失函数，优化器采用随机优化Adam算法，学习率和衰减率均设为0.9，最后将概率矩阵Ω＝ω1,ω2,ω3输入全连接网络，输出固定长度的特征向量ht；步骤3、由社会生成对抗网络构成轨迹输出模块，轨迹输出模块中的编码层将历史轨迹信息编码为上下文向量，解码层结合上下文向量和已识别的驾驶意图信息预测未来轨迹，所述步骤3中轨迹输出模块由生成器和判别器两部分构成，生成器包含编码层、解码层和池化模块，判别器由编码层、全连接网络和多层感知器构成，通过损失函数对轨迹输出模块反向传播优化，减少各层损失值；生成器以预处理车辆轨迹数据It作为输入，输出预测结果；判别器以预测结果作为输入，输出分类结果，训练时每次迭代先单独训练判别器1次，再单独训练生成器1次；所述步骤3具体如下：步骤3.1、将步骤1中预处理车辆轨迹数据It输入生成器中的编码层，经由全连接网络得到定长向量，输入长短时记忆网络，输出所有车辆的隐藏状态；步骤3.2、池化模块包含最大池化层和多层感知器，将所有车辆的隐藏状态输入池化模块，计算当前时刻的车辆间相对位置信息，经过多层感知器得到合并的向量矩阵，通过最大池化层选取向量矩阵中的最大值为车辆间相对位置信息Pt，其中t表示当前时刻，t属于1到n之间的值，然后将随机生成的高斯噪声Z结合编码层上一时刻输出的隐藏状态、车辆间相对位置信息Pt，以及特征向量ht进行矩阵相加得到轨迹编码向量m，作为解码层的输入；步骤3.3、将轨迹编码向量m以及上一时刻解码层输出的隐藏状态输入解码层，经过长短时记忆网络得到当前时刻的隐藏状态，将每一时刻的隐藏状态通过多层感知器计算，得到预测轨迹点其中表示预测轨迹点的横向坐标，表示预测轨迹点的纵向坐标，t表示当前时刻，t属于1到n之间的值，n表示自然数；步骤3.4、将车辆的真实轨迹连接对应的预测轨迹点输入判别器，经过全连接层转化为定长向量，输入长短时记忆网络处理随即输入多层感知器得到分类结果，设置真实轨迹的阈值为[0.7～1.2]，计算结束后，判别器根据阈值判断分类结果是否属于真实轨迹；步骤3.5、通过损失函数计算损失值：损失函数由LGANG,D函数、LL2G函数两部分组成，其中，G表示生成器，D表示判别器，LGANG,D表示生成器与判别器的对抗训练损失值，LL2G表示真实轨迹与预测轨迹点的最小差值，λ作为权重用于平衡LGANG,D和LL2G的损失值，损失函数L公式为：L＝LGANG,D+λ·LL2G生成器与判别器的对抗训练损失值LGANG,D公式为： 式中：E为计算期望值；D表示判别器输出的分类结果，其中，T为真实轨迹；GIt表示生成器输出的预测结果；It表示预处理车辆轨迹数据，其中t为当前时刻；真实轨迹与预测轨迹点的最小差值LL2G公式为： 式中，k表示采样次数；Y表示与预测轨迹点相对应的真实轨迹；GIt表示生成器输出的预测结果；It表示预处理车辆轨迹数据，其中t为当前时刻；判别器的目的是令DTi接近1，令DGXi,z接近0，所以判别器要最大化LGANG,D，而生成器要最小化LGANG,D；从预测结果中选取多条轨迹，选择LL2G最小的轨迹作为预测轨迹点；步骤3.6、重复上述步骤3.1～3.5，循环交替训练直到判别器不能分辨样本来源，至此，结合步骤2中识别驾驶意图的轨迹预测方法训练预测完成。

全文数据：

权利要求：

百度查询： 西安理工大学 一种结合社会生成对抗网络的意图轨迹预测方法