一种L3高速自动驾驶的交互增强轨迹预测方法及系统

本发明涉及自动驾驶，尤其是涉及一种l3高速自动驾驶的交互增强轨迹预测方法及系统。

背景技术：

1、汽车工程学会将自动驾驶分为了五个等级，其中l2级和l3级分别代表部分自动驾驶和有条件自动驾驶。近年来越来越多的汽车拥有了l2级自动驾驶的水平，能够完成自主泊车、自适应巡航等功能。为了突破l3级自动驾驶的瓶颈，不少公司从高速场景入手，打造安全鲁棒的自动驾驶算法，这需要准确的预测周围交通车。

2、然而在高速场景下进行准确的轨迹预测具有如下困难。首先，待预测车辆的运动轨迹受周围交通车的影响很大，在轨迹预测时必须要考虑交通车的影响；其次，在大面积高速场景下提供高精度地图是非常昂贵的，因此需要开发不依赖于高精度地图的轨迹预测算法；然后，虽然硬件设备和软件算法均在不断升级，在感知输出时仍存在部分帧缺失目标物的情况。

技术实现思路

1、本发明的目的是为了提供一种l3高速自动驾驶的交互增强轨迹预测方法及系统，能够很好的捕捉周围交通车与预测车辆之间的交互信息，提高轨迹预测准确性；同时，基于注意力机制设计预测模型，均采用了并行计算的方式，提高了预测速度；并且可以自适应的处理缺失数据，提高轨迹预测的鲁棒性。

2、本发明的目的可以通过以下技术方案来实现：

3、一种l3高速自动驾驶的交互增强轨迹预测方法，包括以下步骤：

4、在l3高速自动驾驶场景中，获取预测主车和周围车辆的历史轨迹；

5、构建轨迹预测模型，所述轨迹预测模型包括输入模块、目标编码模块、交互编码模块和解码模块，其中，所述输入模块对轨迹进行编码和添加位置信息，得到轨迹特征，所述目标编码模块基于多头注意力机制对预测主车的轨迹特征进行处理得到目标编码特征，所述交互编码模块基于多头注意力机制对预测主车和周围车辆的轨迹特征进行处理得到交互编码特征，所述解码模块基于目标编码特征和交互编码特征进行解码，得到预测的未来轨迹；

6、利用历史轨迹对轨迹预测模型进行训练，并基于训练完成的轨迹预测模型进行l3高速自动驾驶场景下的交互增强轨迹预测。

7、所述输入模块使用线性层网络对轨迹进行编码，并利用位置编码层对时序轨迹添加位置信息，表示为：

8、

9、

10、

11、

12、其中，av代表待预测的主车，sv代表周围车辆，wlinear表示线性层网络的权重矩阵，表示长度为obs的历史轨迹，即其中(xt,yt)代表车辆在t时刻的坐标，d为向量的长度，d∈{1,2,…,d}。

13、所述目标编码模块将预测主车的轨迹特征送入多头注意力机制中，并利用残差模块和批量归一化模块减少其误差，再将其送入前馈网络和归一化层得到目标编码特征，其中，多头注意力机制表示为：

14、multiheadq,k,v)＝concat(head1,…,headh)wo

15、其中head＝attention(qwiq,kwik,vwiv)

16、其中的q，k，v分别代表询问矩阵、关键词矩阵和价值矩阵，在目标编码模块中q，k，v均为输入模块的输出。

17、所述交互编码模块中，预测主车的轨迹特征被送入批量归一化模块，周围车辆的轨迹特征进行连接后送入线性层，输出后的特征输入到多头注意力机制当中，其中预测主车的轨迹特征作为注意力机制的询问矩阵q，周围车辆的轨迹特征作为注意力机制的关键词矩阵和价值矩阵k和v，并使用残差网络将周围车辆的轨迹特征与多头注意力机制的结果进行加和，后送入前馈网络、归一化层和一层目标编码模块，得到交互编码特征。

18、所述解码模块在训练时直接采用预测主车的未来轨迹特征，在应用时将与预测主车未来轨迹相同维度的全0向量送入多头注意力机制得到未来轨迹编码特征，将未来轨迹编码特征作为下一个多头注意力机制的询问矩阵q，将来自目标编码模块和交互编码模块的特征的加权和作为注意力机制的关键词矩阵和价值矩阵k和v，其中，加权和表示为em＝oae+λ×ose，其中oae表示来自目标编码模块的特征，ose表示来自交互编码模块的特征，λ表示加权系数；之后使用前馈网络和层归一化，再经过一层线性层得到预测主车的未来预测轨迹。

19、一种l3高速自动驾驶的交互增强轨迹预测系统，包括：

20、轨迹采集单元，用于在l3高速自动驾驶场景中，获取预测主车和周围车辆的历史轨迹；

21、轨迹预测模型构建单元，所述轨迹预测模型包括输入模块、目标编码模块、交互编码模块和解码模块，其中，所述输入模块对轨迹进行编码和添加位置信息，得到轨迹特征，所述目标编码模块基于多头注意力机制对预测主车的轨迹特征进行处理得到目标编码特征，所述交互编码模块基于多头注意力机制对预测主车和周围车辆的轨迹特征进行处理得到交互编码特征，所述解码模块基于目标编码特征和交互编码特征进行解码，得到预测的未来轨迹；

22、轨迹预测模型训练单元，用于利用历史轨迹对轨迹预测模型进行训练；

23、轨迹预测单元，用于基于训练完成的轨迹预测模型进行l3高速自动驾驶场景下的交互增强轨迹预测。

24、所述输入模块使用线性层网络对轨迹进行编码，并利用位置编码层对时序轨迹添加位置信息，表示为：

25、

26、

27、

28、

29、其中，av代表待预测的主车，sv代表周围车辆，wlinear表示线性层网络的权重矩阵，表示长度为obs的历史轨迹，即其中(xt,yt)代表车辆在t时刻的坐标，d为向量的长度，d∈{1,2,…,d}。

30、所述目标编码模块将预测主车的轨迹特征送入多头注意力机制中，并利用残差模块和批量归一化模块减少其误差，再将其送入前馈网络和归一化层得到目标编码特征，其中，多头注意力机制表示为：

31、multihead(q,k,v)＝concat(head1,…,headh)wo

32、其中head＝attention(qwiq,kwik,vwiv)

33、其中的q，k，v分别代表询问矩阵、关键词矩阵和价值矩阵，在目标编码模块中q，k，v均为输入模块的输出。

34、所述交互编码模块中，预测主车的轨迹特征被送入批量归一化模块，周围车辆的轨迹特征进行连接后送入线性层，输出后的特征输入到多头注意力机制当中，其中预测主车的轨迹特征作为注意力机制的询问矩阵q，周围车辆的轨迹特征作为注意力机制的关键词矩阵和价值矩阵k和v，并使用残差网络将周围车辆的轨迹特征与多头注意力机制的结果进行加和，后送入前馈网络、归一化层和一层目标编码模块，得到交互编码特征。

35、所述解码模块在训练时直接采用预测主车的未来轨迹特征，在应用时将与预测主车未来轨迹相同维度的全0向量送入多头注意力机制得到未来轨迹编码特征，将未来轨迹编码特征作为下一个多头注意力机制的询问矩阵q，将来自目标编码模块和交互编码模块的特征的加权和作为注意力机制的关键词矩阵和价值矩阵k和v，其中，加权和表示为em＝oae+λ×ose，其中oae表示来自目标编码模块的特征，ose表示来自交互编码模块的特征，λ表示加权系数；之后使用前馈网络和层归一化，再经过一层线性层得到预测主车的未来预测轨迹。

36、与现有技术相比，本发明具有以下有益效果：

37、(1)本发明使用车辆坐标作为输入，没有使用高精度地图，可以适用于所有的高速场景。

38、(2)本发明的所有模块均基于注意力机制，采用并行计算方式进行计算，计算效率高，适合多批次长时域预测。

39、(3)本发明在输入模块中添加了位置编码层，使得在自动驾驶感知算法出现缺失目标物时，能够跳过缺失位置，而不影响整体预测算法的运行，提高了自动驾驶的鲁棒性。

40、(4)本发明考虑了周围车辆对轨迹的交互影响，提高了轨迹预测精度。