CN119389241A 一种自动驾驶轨迹预测方法、系统、存储介质及设备 （江西五十铃汽车有限公司）

模块和GRU解码器。通过设置完整的深度学习网2根据预设时间间隔以及预设空间间隔分别将所述智能体轨迹与所述地图特征转化为多个通过局部子图编码器将每个交通参与者的历史轨迹和附近道路片段编码为局部特征者及其相关的道路片段构建为一独立子图，各子图之间通过图神经网络GNN进行交互以传将所述全局交互图输入至FusionNet融合模块以融合动态物体与场景信息，并对FusionNet融合模块进行模型训练以得到训练后的FusionNet融合模块，根据训练后的基于GRU解码器将所述局部嵌入特征与所述全局嵌入特征进行融合编码，利用多层感预设空间间隔分别将所述智能体轨迹与所述地图特征转化为多个轨迹向量和地图向量的获取原始地图，根据所述原始地图选取一起点和方向，根;j表示整数ID的节点特征。;3将轨迹向量和地图向量的坐标进行归一化处理以使输入节点特征对目标智能体的位至FusionNet融合模块以融合动态物体与;交互模块，用于通过局部子图编码器将每个交通参与者的每个交通参与者及其相关的道路片段构建为一独立子图，各子图之间通过图神经网络GNN行全局交互以生成场景的全局特征而构建得到全局交互图，全局交互图包括子图以及边融合模块，用于将所述全局交互图输入至FusionNet融合模块以融合动态物体与场景预测模块，用于基于GRU解码器将所述局部嵌入特征与所述全局嵌入特征进行融合编行时实现如权利要求1－6任意一项所述的自动驾驶轨9.一种数据处理设备，包括存储器、处理器以及45基于VectorNet网络获取智能体轨迹以及原始地图的地图特征，所述智能体包括通过局部子图编码器将每个交通参与者的历史轨迹和附近道路片段编码为局部参与者及其相关的道路片段构建为一独立子图，各子图之间通过图神经网络GNN进行交互将所述全局交互图输入至FusionNet融合模块以融合动态物体与场景信息，并对FusionNet融合模块进行模型训练以得到训练后的FusionNet融合模块，根据训练后的基于GRU解码器将所述局部嵌入特征与所述全局嵌入特征进行融合编码，利用多6统的基于栅格化和图像提取道路特征不同，引入图神经网络GNN来处理局部信息和全局信系和上下文信息。这种分层聚合的方式使得VectorNet网络能够有效的捕捉道路和场景中;;y"表示节点i在第l层的节点特征；表示节点i在第l+1层的节点特征；[0011]进一步地，将所述全局交互图输入至FusionNet融合模块以融合动态物体与场景;pf表示为节点i在第l层的特征集合；p"表示节点i在第l+1层的特征集7图特征转化为多个轨迹向量和地图向量，依序连接多个轨迹向量或地图向量以生成折线，融合模块，用于将所述全局交互图输入至FusionNet融合模块以融合动态物体与据训练后的FusionNet融合模块输出融合特征，融合特征包括局部嵌入特征以及全局嵌入预测模块，用于基于GRU解码器将所述局部嵌入特征与所述全局嵌入特征进行融8提升了图神经网络GNN在道路轨迹预测中的应用效果，使得提高预测准确度成为了一个关下文信息。这种分层聚合的方式使得VectorNet网络能够有效的捕捉道路和场景中的细微预设时间间隔对轨迹关键点进行采样，并将采样得到的轨迹关键点依序连接成轨迹向量，9;j表示整数ID的节点特征。交通参与者及其相关的道路片段构建为一独立子图，各子图之间通过图神经网络GNN进行;y"表示节点i在第l层的节点特征；表示节点i在第l+1层的节点特征；;FusionNet融合模块进行模型训练以得到训练后的FusionNet融合模块，根据训练后的;;[0033]FusionNet融合模块中的各个模块可以进一步处理FusionNet融合模块的输入特;层归一化与ReLU非线性层的结合；j表示第j个节点；Δi为节点和车道之间的相对位置特[0035]在本实施例中，使用基于GRU解码器对融合了各个元素特征的向量进行解码。FusionNet融合模块输出了一系列融合的特征，这些特征包括场景中的不同元素的状态信[0040]局部嵌入特征和全局嵌入特征被整合到GRU解码器的输入中，根据这些输入预测GNN来处理局部信息和全局信息，在全局级别通过进一步的消息传递机制整合所有子图的够有效的捕捉道路和场景中的细微结构和全局关系。FusionNet融合模块通过多层次的特图特征转化为多个轨迹向量和地图向量，依序连接多个轨迹向量或地图向量以生成折线，融合模块，用于将所述全局交互图输入至FusionNet融合模块以融合动态物体与据训练后的FusionNet融合模块输出融合特征，融合特征包括局部嵌入特征以及全局嵌入预测模块，用于基于GRU解码器将所述局部嵌入特征与所述全局嵌入特征进行融GNN来处理局部信息和全局信息，在全局级别通过进一步的消息传递机制整合所有子图的够有