本发明属于无人驾驶，尤其涉及一种基于车队协同感知的融合多目标预测方法。
背景技术：
1、随着自动驾驶技术的发展，为了实现无人驾驶车辆在复杂交通环境中安全行驶，车辆和行人的轨迹预测显得尤为重要。预测车辆和行人的轨迹在不同环境下的运动轨迹可以为提高无人驾驶的安全保障，从而提高无人驾驶技术的决策能力，特别是通过车队协同感知，给出视野范围内外的多个障碍运动信息。因此，基于车队协同感知的融合多目标预测的生成对抗网络设计具有重要的理论和应用价值。
2、当前，在无人驾驶领域中避障技术对于无人车实时的测量信息要求较高。由于车队车辆制动和运动能力的限制，使得无人驾驶感知和避障能力较差。如果能够预测障碍物的运动轨迹，这必然会极大地提升无人驾驶避障技术。现有技术中，基于测量的轨迹预测技术则通常应用于车辆行驶路况简单、障碍物数量单一，由于障碍物数量会发生变化且不同障碍物之间会相互遮挡，车辆之间会有信息交互，这就造成了难以接受的轨迹预测误差，即预测的轨迹与真实轨迹间误差。
技术实现思路
1、本发明实施例的目的在于提供一种基于车队协同感知的融合多目标预测方法，旨在解决背景技术中提出的问题。
2、为实现上述目的，本发明实施例提供如下技术方案：
3、一种基于车队协同感知的融合多目标预测方法，所述方法包括以下步骤：
4、确定车队队形、锚节点以及通讯拓扑；
5、获取车载摄像头采集的局部信息，在所述局部信息中，提取在局部地图下的多目标局部序列信息；
6、获取邻居通信传递的多目标局部序列信息，融合转化为多目标全局序列信息；
7、根据所述多目标全局序列信息，设计多目标预测的对抗网络结构和参数。
8、作为本发明实施例技术方案进一步的限定，所述确定车队队形、锚节点以及通讯拓扑具体包括以下步骤：
9、确定车队队形；
10、根据所述车队队形，确定车队的锚节点；
11、设计车队间不同车辆的双向通讯拓扑网络。
12、作为本发明实施例技术方案进一步的限定，所述根据所述车队队形，确定车队的锚节点中，选取所述车队队形中距离最远的三辆车作为车队的锚节点，采用三边测量法确定定位节点位置，将锚节点与待定位节点之间的角度以及锚节点的坐标构建三个圆，根据求得的圆心坐标和圆半径采用三边测量法计算待定位节点的位置信息，计算公式为：
13、；
14、其中，、和分别为不同锚节点与定位节点在水平和竖直坐标系下的距离。
15、作为本发明实施例技术方案进一步的限定，所述获取车载摄像头采集的局部信息，在所述局部信息中，提取在局部地图下的多目标局部序列信息具体包括以下步骤：
16、获取车载摄像头采集的车辆与障碍的局部信息；
17、将所述局部信息输入yolo v5网络处理；
18、将处理后的局部信息转化为多目标局部序列信息。
19、作为本发明实施例技术方案进一步的限定，所述获取邻居通信传递的多目标局部序列信息，融合转化为多目标全局序列信息具体包括以下步骤：
20、由所述双向通讯拓扑网络，获取车队每车和障碍的多目标局部序列信息，并分类同一和不同障碍目标的局部序列信息；
21、将分类好的多目标局部序列信息融合，得到当前车辆的多目标全局序列信息。
22、作为本发明实施例技术方案进一步的限定，所述将分类好的多目标局部序列信息融合，得到当前车辆的多目标全局序列信息中，将分类好的多目标局部序列信息中每个特征序列按照时间顺序进行排序，不同邻居传递分类后的多目标局部障碍的特征点根据时间顺序合并成一个特征序列，不同特征序列的特征向量按照时间顺序融合成一个多目标全局序列信息，第无人车输出图片中第个障碍所在的位置，即：
23、；
24、其中，、和分别表示观测时刻第个在地图中所处的横坐标和纵坐标。
25、作为本发明实施例技术方案进一步的限定，所述根据所述多目标全局序列信息，设计多目标预测的对抗网络结构和参数具体包括以下步骤：
26、根据所述多目标全局序列信息，确定生成对抗网络中transformer网络的网络结构与网络参数；
27、根据所述多目标全局序列信息，确定生成对抗网络中协同感知器的网络结构与网络参数；
28、根据所述多目标全局序列信息，确定生成对抗网络中和轨迹生成器与鉴别器的网络结构与网络参数。
29、作为本发明实施例技术方案进一步的限定，所述根据所述多目标全局序列信息，确定生成对抗网络中transformer网络的网络结构与网络参数中，提取全局坐标序列输入嵌入层网络，得到观测时刻的位置特征并将其转换为时空张量，即：
30、；
31、其中，是带有激活函数的嵌入层网络，为激活函数的参数；
32、将时空张量输入到transformer网络，提取运动中时间特征，通过多头自注意力层将输入序列的每个位置与所有其他位置进行比较，捕捉全局依赖特征关系，得到速度和加速度隐藏特征，即：
33、；
34、其中，为lstm的网络参数，为前一时刻障碍物隐藏特征；
35、令为第无人车提取到的第个障碍的隐藏特征，从transformer网络中获取当前车辆观测到的所有障碍目标的隐藏特征。
36、与现有技术相比，本发明的有益效果是：
37、本发明实施例通过确定车队队形、锚节点以及通讯拓扑；获取车载摄像头采集的局部信息，在局部信息中，提取在局部地图下的多目标局部序列信息；获取邻居通信传递的多目标局部序列信息，融合转化为多目标全局序列信息；根据多目标全局序列信息，设计多目标预测的对抗网络结构和参数。能够确定车队队形并选择合适的锚节点搭建车辆间双向通讯拓扑网络，再通过车辆间通讯传递不同车辆所观测到的信息，形成完整的全局信息，从而将全局地图信息输入设计的生成对抗网络输出融合多目标下的预测轨迹信息，为自动驾驶提供安全保障。
1.一种基于车队协同感知的融合多目标预测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于车队协同感知的融合多目标预测方法，其特征在于，所述确定车队队形、锚节点以及通讯拓扑具体包括以下步骤：
3.根据权利要求2所述的基于车队协同感知的融合多目标预测方法，其特征在于，所述根据所述车队队形，确定车队的锚节点中，选取所述车队队形中距离最远的三辆车作为车队的锚节点，采用三边测量法确定定位节点位置，将锚节点与待定位节点之间的角度以及锚节点的坐标构建三个圆，根据求得的圆心坐标和圆半径采用三边测量法计算待定位节点的位置信息，计算公式为：
4.根据权利要求1所述的基于车队协同感知的融合多目标预测方法，其特征在于，所述获取车载摄像头采集的局部信息，在所述局部信息中，提取在局部地图下的多目标局部序列信息具体包括以下步骤：
5.根据权利要求2所述的基于车队协同感知的融合多目标预测方法，其特征在于，所述获取邻居通信传递的多目标局部序列信息，融合转化为多目标全局序列信息具体包括以下步骤：
6.根据权利要求5所述的基于车队协同感知的融合多目标预测方法，其特征在于，所述将分类好的多目标局部序列信息融合，得到当前车辆的多目标全局序列信息中，将分类好的多目标局部序列信息中每个特征序列按照时间顺序进行排序，不同邻居传递分类后的多目标局部障碍的特征点根据时间顺序合并成一个特征序列，不同特征序列的特征向量按照时间顺序融合成一个多目标全局序列信息，第无人车输出图片中第个障碍所在的位置，即：
7.根据权利要求6所述的基于车队协同感知的融合多目标预测方法，其特征在于，所述根据所述多目标全局序列信息，设计多目标预测的对抗网络结构和参数具体包括以下步骤：
8.根据权利要求7所述的基于车队协同感知的融合多目标预测方法，其特征在于，所述根据所述多目标全局序列信息，确定生成对抗网络中transformer网络的网络结构与网络参数中，提取全局坐标序列输入嵌入层网络，得到观测时刻的位置特征并将其转换为时空张量，即：