一种知识数据联合驱动的自动驾驶车辆换道轨迹预测方法

本发明涉及自动驾驶的。

背景技术：

1、在自动驾驶系统中，车辆轨迹预测是一项重要的辅助功能。通过对自车未来行驶轨迹的预测，自动驾驶车辆可以更加准确地判断行驶风险，在城市道路等复杂交通场景中做出安全有效的交互行驶决策，提升通行效率和交通安全性。

2、近年来，随着人工智能与车联网技术的快速发展，基于深度学习的车辆轨迹预测方法凭借其强大的预测性能获得了不错的应用效果，但其多为基于纯数据驱动的黑盒模型，缺乏可解释性和透明度，限制了该类方法的继续发展及产业化。

3、如现有专利申请cn117141517公开了一种数据驱动与知识引导相结合的车辆轨迹预测模型的构建方法，该方法在编码器-解码器框架下提出了一种基于意图感知时空注意网络的车辆轨迹预测模型，并在损失函数层中引入交通规则辅助损失函数，以提高该数据驱动模型的性能；或现有专利申请cn118306403公开了一种考虑驾驶风格的车辆轨迹预测与行为决策方法和系统，其通过构建基于贝叶斯优化融合离散余弦变换注意力机制的长短时记忆网络提取车辆行驶过程中的车辆状态，以进行车辆的轨迹预测，同时引入了驾驶员风格来提升模型的预测性能；或现有专利申请cn117493424公开了一种不依赖地图信息的车辆轨迹预测方法，该方法将处理后的数据输入到不同的transformer时间编码器中对每个场景中车辆的时间信息进行编码，其后使用图卷积神经网络与注意力机制相结合的方式获取车辆间的交互关系，最后使用多个平行的线性残差层即残差网络解码器完成轨迹预测。以上现有预测方法缺少车辆之间的空间位置关系，对未来轨迹预测普遍具有较大的误差，特别是在长时域预测任务下，且其均采用的数据驱动的纯黑盒模型，透明性较差。

技术实现思路

1、针对现有技术的缺陷，本发明的目的在于提出一种知识数据联合驱动的自动驾驶车辆换道轨迹预测方法。该方法充分考虑了车辆之间的空间位置关系变化，将关于人的驾驶过程的知识融入到深度学习模型中，相对于仅使用数据驱动的深度学习模型，显著提升了模型的预测性能、透明度与可维护性。

2、本发明的技术方案如下：

3、一种知识数据联合驱动的自动驾驶车辆换道轨迹预测方法，其包括：其通过训练完成的知识数据联合驱动的自动驾驶车辆换道轨迹预测模型进行轨迹预测，其中，所述知识数据联合驱动的自动驾驶车辆换道轨迹预测模型即换道轨迹预测模型包括：用于自车及其最近周围车辆的当前特征状态量输入的输入模块、由n条驾驶员换道知识kn构建形成的换道驾驶知识库、根据所述输入模块的输入及所述换道驾驶知识库中的每条驾驶员换道知识分别进行任一换道知识ki指导下的自车换道轨迹预测的n个联合预测模块、将所述n个联合预测模块的预测结果进行汇总并得到最终轨迹预测结果的知识汇总模块、将所述知识汇总模块获得的最终轨迹预测结果进行输出的输出模块；其中，所述联合预测模块包括依次相连的动态空间模块、动态时序模块和轨迹预测模块；其中，所述动态空间模块可对自车及所述最近周围车辆之间的空间交互特征进行提取，其基于多头图注意力网络构建，包括将所述输入和任一换道知识ki进行联合编码的编码器层及进行解码的解码器层；所述动态时序模块可对自车及所述最近周围车辆之间的时间交互特征进行提取，其基于多头自注意力机制构建。

4、根据本发明的一些优选实施方式，所述最近周围车辆包括与所述自车位于同一车道上、且处于所述自车前方最近距离的当前车道前车，位于所述自车所在车道的相邻车道上、车头位于所述自车车尾后方且与自车的相距距离最近的目标车道后车，及位于所述自车所在车道的相邻车道上、车尾位于所述自车车头前方且与所述自车的相距距离最近的目标车道前车；所述特征状态量包括自车及所述最近周围车辆的类型、位置、速度、加速度、车辆之间的空间距离及时距。

5、根据本发明的一些优选实施方式，所述换道驾驶知识库包括含有驾驶员换道倾向的换道知识。

6、根据本发明的一些优选实施方式，所述动态空间模块的构建包括：

7、以各车辆分别作为独立节点vi，车辆之间的空间交互关系为边ei，节点记录的车辆的特征状态量的值即节点特征组成交通图g＝{v,e,a}，其中，vi表示第i个独立节点，ei表示第i条边，其数值为0或1，表示车辆之间是否会存在交互关系，v＝{v1,v2,...,vn}表示独立节点集合，e＝{e1,e2,...,en2}表示边集合，n表示车辆总数；

8、设置所述自车与所述最近周围车辆之间的交互关系为：自车会关注所有最近周围车辆的状态，后车会主动关注前车的状态，前车不会主动关注后车的状态，前车与前车之间及后车与后车之间存在相互专注状态，则得到边e如下式所示：

9、

10、基于所述交通图g＝{v,e,a}，通过所述编码器层和所述解码器层进行空间交互特征提取，如下：

11、

12、其中，g1表示经过编码器层更新之后的空间交互特征，g2表示经过解码器层解析过后的空间交互特征；a表示全部节点的节点特征组成的集合；kganenc表示编码器计算，gandec表示解码器计算；

13、其中，所述编码器计算和所述解码器计算包括：

14、(1)分别求解编码器层和解码器层中任一第i个节点与第j个节点之间的注意力值，如下：

15、编码器层：

16、解码器层：

17、其中，eij为第i个节点与第j个节点之间的注意力值；和分别为第i个节点与第j个节点的节点特征；leakyrelu表示leakyrelu激活函数；||表示向量的拼接操作；a,w,wk为待学习的权重系数；表示在知识指导下的第i个节点与第j个节点的交互特征，如下式所示：

18、

19、其中，ks表示第s条换道知识对应的知识矩阵，由根据换道知识ks对不同特征状态量进行权重赋值形成；

20、(2)求解第i个节点与第j个节点之间的注意力分数，如下：

21、

22、式中：αij为第i个节点与第j个节点之间的注意力分数；ni表示第i个节点的全部邻居节点的集合；k表示第i个节点的任一邻居节点，exp(·)表示以e为底的指数函数；

23、(3)对与第i个节点存在边关系的所有节点执行(1)-(2)的操作，执行完毕后通过下式进行节点的聚合更新：

24、

25、其中，表示更新后的节点特征；σ(·)表示sigmod激活函数；w0为待学习的权重系数，h为空间图注意力头数。

26、根据本发明的一些优选实施方式，所述动态时序模块包括依次相连的：输入层、位置编码模块、多头自注意力层、第一残差连接与归一化模块、全连接前馈神经网络层、第二残差连接与归一化模块及输出层，其中，所述位置编码模块可对输入添加位置编码，如下：

27、

28、其中，pos表示时间序列中单个节点的位置，dmodel为输入向量的维度，2l和2l+1表述输入向量中第2l个元素和第2l+1个元素的位置。

29、根据本发明的一些优选实施方式，所述多头自注意力层的输出为：

30、multihead(q,k,v)＝concat(head1,...,headh)wo

31、headi＝attention(qwiq,kwik,vwiv)

32、其中，q、k、v分别表示查询向量q、键向量k和值向量v，contact()表示contact函数，headi表示第i个注意力头，为起到投影作用的参数矩阵，其中，r表示维度空间，h表示总的注意力头数，dv表示值向量v的维度，dk表示键向量k的维度，attention()表示如下的注意力函数：

33、

34、其中，t表示转置操作。

35、根据本发明的一些优选实施方式，所述全连接前馈神经网络层包括两层全连接神经网络和其中间的线性激活层。

36、根据本发明的一些优选实施方式，所述第一残差连接与归一化模块和第二残差连接与归一化模块均包括残差连接层和归一化层。

37、根据本发明的一些优选实施方式，所述轨迹预测模块由两层全连接神经网络形成。

38、根据本发明的一些优选实施方式，所述知识汇总模块由一层全连接神经网络形成。

39、根据本发明的一些优选实施方式，所述训练包括根据均方根误差损失函数对所述换道轨迹预测模型进行优化调整。

40、本发明可将包括交通规则及驾驶换道倾向的驾驶换道知识融入至网络结构中，实现了知识与数据的联合驱动，提高了模型透明度、可维护性及预测准确性。