申请/专利权人：中兵智能创新研究院有限公司

申请日：2023-11-22

公开（公告）日：2024-03-29

公开（公告）号：CN117782121A

主分类号：G01C21/34

分类号：G01C21/34;G06N3/042;G06N3/0464;G06N3/0442;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.16#实质审查的生效;2024.03.29#公开

摘要：本发明属于车辆轨迹规划技术领域，具体涉及一种基于图卷积神经网络的车辆野外行动轨迹预测方法，所述方法包括：1车辆基础数据准备；2野外规划场景确定；3高精度惯导正常运行；4车辆预测任务建立；5多层GCN网络预训练；6自身行动特征编码；7协同交互特征编码；8任务规则特征编码；9微调多层GCN网络训练参数；10特征解码，得到车辆预测；11轨迹可视化，增强可解释性；12样本数据存库；实施本发明实施例，可基于复杂多变的野外环境，无需提前探测各类型车辆的行进路线，针对集群、自主、多类型车辆同时进行轨迹预测，避免行驶环境破坏后的临机数据重采集及路线重规划，满足任务突发、计划临机改变的车辆行驶需求。

主权项：1.一种基于图卷积神经网络的车辆野外行动轨迹预测方法，其特征在于，包括以下步骤：步骤S1：准备车辆的基础数据，包括车辆本身性能参数以及野外行动的行驶数据；四种类型的车俩分别表示为C小型、C中型、C重型、C仿生；其中，车辆本身性能参数包含长、宽、高、接近角、离去角、离地间隙、承重参数；车辆野外行动的行驶数据包括载重行驶速度、转弯半径、越障高度、爬坡能力、涉水能力以及不同地形、不同气象下的平均时速的数据；步骤S2：野外规划场景确定；主要指野外环境参数的确定，是车辆野外行驶的初始输入条件，包括地表地质参数q地，气象条件参数q气，障碍参数q障，干扰条件下安全通行参数q通，风险参数q风，地面承重参数q承重；步骤S3：高精度惯导正常运行；指依据高精度惯导，能够获得车辆的位姿信息，包括车辆的位置、方向、当前速度信息，以及车辆的状态信息，包括上坡upx、下坡downx、左转lx、右转rx、直行gd、倒车rd朝向信息；步骤S4：车辆预测任务建立；假设场景中有n辆无人车，包括C小型、C中型、C重型、C仿生4种类型，通过观察t＝1,2,...,To时刻野外场景内各类型无人车的轨迹坐标X＝X1,X2,X3,......,Xn，预测t＝To+1,...,Tend时刻各类型无人车的未来轨迹坐标每辆无人车i＝1,2,...,n在t＝1,2,...,To,To+1,...,Tend时刻的真实坐标为每辆无人车i＝1,2,...,n在t＝To+1,...,Tend时刻的预测坐标为预测时长为车辆预测任务初步建立，任意时刻t＝1,2,...,To,To+1,...,Tend，任意车辆i＝1,2,...,n都可能与同类型或不同类型、不同位姿的其他车辆发生协同关系，且车辆因类型不同存在结构特征和本身的行动模式，以向量形式表示每辆无人车的所有信息，包括ID、类别、位置、速度、朝向、协同车辆、行动模式7维，其中，类别代表车辆的长、宽、高、接近角、离去角、离地间隙、承重的性能参数，以及载重行驶速度、转弯半径、越障高度、爬坡能力、涉水能力、不同地形、不同气象下的平均时速的行驶数据已录入，则某一时刻t＝1,2,...,To,To+1,...,Tend具有协同关系所有车辆形成一张图数据结构；步骤S5：多层GCN网络预训练；无向图G＝V,E中有n个顶点，代表野外环境的n辆车辆，车辆集群表示为V＝{Vi|i∈{1,2,3,...,n}}，连接车辆顶点的边为根据车辆集群V之间的边E，构成的n*n维的邻接矩阵A；每个车辆顶点Vi包含3维特征，分别是自身行动特征、协同交互特征和任务规则特征，通过LSTM构建三个基于GCN的子模型来对这三种特征进行编码；在邻接矩阵A的基础上，对三种特征输出进行融合，依据不同特征对车辆轨迹预测的特殊性进行参数微调；最后，通过ReLU函数激活多层GCN网络的调参结果，利用LSTM结构进行解码得到行动轨迹的预测结果；单层GCN网络结构为其中B＝A+I，A为上述的邻接矩阵，I是单位矩阵，是规范化的对称邻接矩阵；GCNl为l层的车辆的特征；为l层的图卷积权重，σ是激活函数；多层GCN网络之间的连接关系由矩阵B表示，对于所有车辆的网络综合输入特征V，通过多层GCN网络的输出特征为Z＝fV,B，其中f是多层GCN网络之间车辆特征的传播函数；步骤S6：自身行动特征编码；针对每辆无人车的历史路径进行编码；每辆无人车的位姿变化表示为将其编码为固定长度的运动向量其中，φ是车辆相对位姿变化的编码函数，WQ是车辆相对位姿变化的编码权重；通过LSTM结构编码得到各车辆自身的行动特征其中，fLSTM是编码器，是编码器在t-1时刻的隐藏状态，Wm是编码器的编码权重；步骤S7：协同交互特征编码；所述方法使用基于LSTM的全局时序交互计算网络，基于LSTM的全局时序交互计算网络包括静态和动态两张地图；静态地图获取车辆t时刻的位置信息，通过全连接网络和最大池化操作得到一个固定长度的特征向量；动态地图通过LSTM网络对固定长度的特征向量进行时序编码，从而得到车辆间的协同交互特征向量同样使用图结构Gt＝Vt,Et表示t时刻车辆之间的协同交互关系，Vt＝{Vit|i∈{1,2,3,...,n}}，其中Vit第i辆车辆具有的协同交互特征，eijt的值为0或1，0表示车辆i与车辆j之间没有交互，否则车辆之间存在交互关系；将经过LSTM编码的自身行动特征作为GCN网络中顶点的输入特征Vit，得到t时刻改进的邻接矩阵其中k是GCN网络额外权重系数，I是单位矩阵；通过多层GCN网络中车辆的特征传输，得到第i辆车辆的特征输出：野外场景的整体特征输出为通过LSTM结构编码得到各车辆的协同交互特征其中，fLSTM是编码器，是编码器在t-1时刻的隐藏状态，Wm是编码器的编码权重；步骤S8：任务规则特征编码；通过LSTM结构编码得到各车辆的任务规则特征其中，fLSTM是编码器，是编码器在t-1时刻的隐藏状态，VAGt是网络全局特征，是网络边权重，Wm是编码器的编码权重；针对同类无人车运动轨迹趋于一致的情形，所述方法采用深度图信息最大化方法使局部特征与全局特征间的互信息最大化；设定全局特征为所有局部特征的平均值，表示为具体步骤为：步骤S801：利用腐蚀函数Erode添加扰动，对每个车辆特征的顺序打乱，形成网络负样本步骤S802：将负样本通过多层GCN网络，得到局部特征步骤S803：使用判别器D判别局部特征Zti、属于全局特征VAGt的概率；步骤S804：通过训练，使判别器D尽可能给正样本打高分，且给负样本打低分，完成对任务规则特征提取效果的优化；其中，训练判别器的损失函数为 针对车辆交互因位置、朝向等因素不满足任务规则的情形，应主动筛除不满足任务规则的相关车辆间的权重分配；例如，t时刻背向而行的两辆无人车不满足任务规则：X1＝x1,y1,z1、X2＝x2,y2,z2，两辆无人车的速度向量与相对位置向量满足[ΔX1X1-X2][ΔX2X1-X2]＜0，将此种情形的边权重设为0，具体表示为： 步骤S9：微调多层GCN网络训练参数；训练多层GCN网络参数的目标是使得车辆的轨迹最优，因此构建不同规划目标的代价函数goalDmin，Tmin，Rmin，Umin：a地表距离最短目标：计算公式：其中：Di,i+1，n1，为某路径上的第i个节点到第i+1个节点间的距离，n为路径上的节点个数；b时间最短目标：计算公式：式中，Vi＝v标×q地×q气×q障×q通×q风×q承重，0≤q地≤1,0≤q气≤1,0≤q障≤1,0≤q通≤1,0≤q风≤1,0≤q承重≤1；其中：Di,i+1，n1，Di,i+1为某路径上的第i个节点到第i+1个节点间的距离，n为路径上的节点个数，Vi为第i个路段的平均机动速度；v标为在理想标准条件下的机动速度，q地为地形修正系数，q气为气象条件修正系数，q障为车辆越障能力修正系数，q通为在干扰条件下的安全通行参数，q风为风险参数，q承重为地面承重参数；c风险最小目标：计算公式：其中：Di,i+1，n1，为某路径上的第i个节点到第i+1个节点间的距离，n为路径上的节点个数，Ri为第i个路段的风险系数；d油耗最少目标：计算公式：Ui＝u标×q地×q气×q障×q通×q风×q承重，0≤q地≤1,0≤q气≤1,0≤q障≤1,0≤q通≤1,0≤q风≤1,0≤q承重≤1；其中：u标为理想标准条件下的每公里耗油量，q地为地形修正系数，q气为气象条件修正系数，q障为车辆越障能力修正系数，q通为干扰条件下的安全通行参数，q风为风险参数，q承重为地面承重参数；多层GCN网络预训练的参数包括地形修正系数q地，气象条件修正系数q气，车辆越障能力修正系数q障，干扰条件下的安全通行参数q通，风险参数q风，地面承重参数q承重，理想标准条件下的每公里耗油量u标，理想标准条件下的机动速度v标，l层的图卷积权重Wgl，车辆相对位姿变化的编码权重WQ，编码器的编码权重Wm，解码器的解码权重Wd，GCN网络额外权重系数k；步骤S10：特征解码，得到车辆预测；为引入野外真实场景中车辆行动的不确定性，所述方法从标准正态分布中抽取噪声z，将z与自身行动特征、协同交互特征和任务规则特征叠加，得到To时刻的轨迹解码特征通过LSTM结构将解码，得出车辆在野外行进的下一时刻的轨迹解码特征其中，f′LSTM是解码器，是每辆车辆编码过的运动向量，To+1时刻的位置为车辆的预测位置，Wd是解码器的解码权重；由此，未来每辆车辆的预测轨迹为： σ是激活函数，此处采用的损失函数为其中，Xi是t＝To+1,...,Tend时刻各类型车辆的未来真实的轨迹坐标，是t＝To+1,...,Tend时刻各类型车辆的未来预测的轨迹坐标，p是多层GCN网络生成的样本数。

全文数据：

权利要求：

百度查询： 中兵智能创新研究院有限公司 一种基于图卷积神经网络的车辆野外行动轨迹预测方法

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