CN115042798B 一种交通参与者未来轨迹预测方法及系统、存储介质 （广州汽车集团股份有限公司）

一种交通参与者未来轨迹预测方法及系统、本发明涉及一种交通参与者未来轨迹预测标输入预先训练好的GAT模型进行处理输出多个量获得多个交通参与者的当前时刻轨迹点特征时刻轨迹点特征向量获得用于表示多个交通参输入预先训练好的Transformer模型进行预测输出多个交通参与者在未来预设时间段内的轨迹2将所述当前时刻位置坐标输入预先训练好的GAT模型进行处理输出多个节点的特征向的交通参与者与其它节点对应的交通参与者之根据所述多个交通参与者的当前时刻位置坐标、所述多个交通获取所述多个交通参与者在过去预设时间段内的历史时刻轨迹述当前时刻轨迹点特征向量以及所述历史时刻轨迹点特征向量获得用于表示多个交通参将所述轨迹序列数据输入预先训练好的Transformer模型进行预测输出所述多个交通所述将所述当前时刻位置坐标输入预先训练好的GAT模型进行处理输出多个节点的特采用双随机邻接矩阵描述节点之间的空间关系信息；所述空间关系获取节点的初始特征向量；根据所述节点的初始特征向量以及注意力机制计算注意力系获取当前时刻本车周围环境图像，对所述本车周围环境图像进行图标系中的位置坐标获得该多个交通参与者在世界坐标系中的采用多头注意力机制计算多组注意力系数，并根据所述节点之间的3所述编码器用于对所述轨迹序列数据进行位置编码获得轨迹序列轨迹序列编码数据输入依次叠加的多个Transformer_block进行信息编码输出待处理编码编码后的轨迹点特征向量为位置编码加上所述轨迹序列数据中对应位置的轨迹点特征向所述解码器用于对所述待处理编码数据进行解码预测输出所述多个交通参与者在未社会交互单元，用于将所述当前时刻位置坐标输入预先训练好的GAT模型进行处理输征向量表示节点对应的交通参与者与其它节点对应的交通参与者之间第一轨迹点特征处理单元，用于根据所述多个交通参与多个交通参与者对应节点的特征向量获得所述多个交通参与者的当前时刻轨迹点特征向第二轨迹点特征处理单元，用于获取所述多个未来轨迹预测单元，用于将所述轨迹序列数据输入预先训练好的Transformer模型进行预测输出所述多个交通参与者在未来预设时间段内的轨迹点空间关系确定单元，用于采用双随机邻接矩阵描第一节点特征处理单元，用于根据所述空间关系信息以第二节点特征处理单元，用于根据所述节点的初始特征向量力系数，并根据所述节点之间的连接边特征量和所述注意力系数获得所有节点的特征向4所述编码器用于对所述轨迹序列数据进行位置编码获得轨迹序列轨迹序列编码数据输入依次叠加的多个Transformer_block进行信息编码输出待处理编码编码后的轨迹点特征向量为位置编码加上所述轨迹序列数据中对应位置的轨迹点特征向所述解码器用于对所述待处理编码数据进行解码预测输出所述多个交通参与者在未处理器执行时实现权利要求1～4中任一项所述交通参与者未来轨迹预测方5果进行提前决策，在沿规划出的路径行驶时适当调整轨迹避免与所述交通参与者发生碰[0003]目前的交通参与者未来轨迹预测方式未考虑现实场景中交通参与者之间运动状[0007]将所述当前时刻位置坐标输入预先训练好的GAT模型进行处理输出多个节点的特对应的交通参与者与其它节点对应的交通参与者之间的据所述当前时刻轨迹点特征向量以及所述历史时刻轨迹点特征向量获得用于表示多个交[0010]将所述轨迹序列数据输入预先训练好的Transformer模型进行预测输出所述多个像坐标系中的位置坐标获得该多个交通参与者在世界坐标[0013]可选地，所述将所述当前时刻位置坐标输入预先训练好的GAT模型进行处理输出6[0015]根据所述空间关系信息以及节点所对应的交通参与者位置坐标获取节点的初始之间的连接边特征量和所述注意力系数获得所有节所述轨迹序列编码数据输入依次叠加的多个Transformer_block进行信息编码输出待处理位置编码后的轨迹点特征向量为位置编码加上所述轨迹序列数据中对应位置的轨迹点特[0027]所述解码器用于对所述待处理编码数据进行解码预测输出所述多个交通参与者[0030]社会交互单元，用于将所述当前时刻位置坐标输入预先训练好的GAT模型进行处的特征向量表示节点对应的交通参与者与其它节点对应的交通参与者之间的社会交互信7[0031]第一轨迹点特征处理单元，用于根据所述多个交通参与者的当前时刻位置坐标、所述多个交通参与者对应节点的特征向量获得所述多个交通参与者的当前时刻轨迹点特[0033]未来轨迹预测单元，用于将所述轨迹序列数据输入预先训练好的Transformer模型进行预测输出所述多个交通参与者在未来预设时间段内的轨迹所述轨迹序列编码数据输入依次叠加的多个Transformer_block进行信息编码输出待处理位置编码后的轨迹点特征向量为位置编码加上所述轨迹序列数据中对应位置的轨迹点特[0040]所述解码器用于对所述待处理编码数据进行解码预测输出所述多个交通参与者算机程序被处理器执行时实现初始方面所述交通参与者未来轨训练好的Transformer模型对所述历史轨迹进行预测处理能够获得交通参与者的未来轨自然语言处理领域的Transformer模型进行特征提取可以直接利用自注意力机制自动地集8所有交通参与者过去状态为即截止至当前[0054]步骤S2、将所述当前时刻位置坐标输入预先训练好的GAT模型进行处理输出多个9表示节点对应的交通参与者与其它节点对应的交通参与者之间应节点的特征向量获得所述多个交通参与者的当前时刻处的轨迹点位置坐标以及其与其他交通参与者的社会交互信息组合得到一个包含交通参点特征向量可以获得用于表示多个交通参与者截止至当前时刻的预设记录时长的轨迹序[0061]步骤S5、将所述轨迹序列数据输入预先训练好的Transformer模型进行预测输出所述多个交通参与者在未来预设时间段内的轨迹[0062]具体而言，Transformer模型的编码器通过多头自注意力机制在并行计算的同时表示，最后Transformer模型的解码器逐时间步地生成未来轨迹的时间跨度的多个预测轨有效避免邻接矩阵在信息传递过程中发生数值爆炸或收缩为零等现象，从而有助于GAT模型的图的稳定过程，而后可以利用双随机邻接矩阵的边特征来指导GAT模型中的注意力操[0072]步骤S22、根据所述空间关系信息以及节点所对应的交通参与者位置坐标获取节断优化得到的，为在t时刻节点i对应的交通参与者位置坐标，Ws为特征映射权重，置项；所述节点之间的连接边特征量和所述注意力系数获得所有节点[0077]具体而言，经过以上步骤可以得到更新后的节点特征向量以作为GAT模型的输入来捕获各交通参与者在空间域的交互关系，GAT模型中注意力机制的作用在于根征向量相乘的权值矩阵，作用是将F1维数据转换成1维，W1用于与当前节点i的特征向量相获取节点vi的新特征向量，也即加权求和是指将节点i与其他节点的连接边乘以权重再求其中各个时刻对象i的特征向量都蕴藏了邻居对象对它的社置坐标的历史轨迹序列数据融合后产生的序列数据包含截止至当前时刻的整体时间和空下文信息生成场景内未来的预测轨迹，常见的包括传统RNN、LSTM或其变体等循环神经网[0089]本发明实施例的所述编码器用于对所述轨迹序列数据进行位置编码获得轨迹序列编码数据，并将所述轨迹序列编码数据输入依次叠加的多个Transformer_block进行信在t时刻的向量；位置编码的目的是区分序列中轨迹点的前后位置[0099]本发明实施例的Transformer模型中采用点积注意力计算模式的多头自注意力机一个Transformer_block的输出作为另一个Transformer_bloc[0113]所述解码器用于对所述待处理编码数据进行解码预测输出所述多个交通参与者[0114]本发明实施例中的Transformer的解码器结构大部分和编Transformer模型的编码器遍历整个轨迹序列，可以提取到表征该预测对象运动模式的全例方法所对应的交通轨迹预测模型的结构以及原理，所述交通轨迹预测模型包括所述GAT的特征向量表示节点对应的交通参与者与其它节点对应的交通参与者之间的社会交互信所述多个交通参与者对应节点的特征向量获得所述多个交通参与者的当前时刻轨迹点特[0123]第二轨迹点特征处理单元4，用于获取所述多个交通参与者在过去预设时间段内型进行预测输出所述多个交通参与者在未来预设时间段内的轨迹所述轨迹序列编码数据输入依次叠加的多个Transformer_block进行信息编码输出待处理位置编码后的