一种基于风险接受程度的交通参与者轨迹预测方法及系统

摘要

本发明涉及一种基于风险接受程度的交通参与者轨迹预测方法及系统，包括：采集目标交通场景下的不同交通参与者的

说明书

技术领域

本发明涉及汽车智能交互技术领域，特别是涉及一种基于风险接受程度的交通参与者轨迹预测方法及系统。

背景技术

目前，随着城市道路交通参与者的数目不断增加，路况信息日趋复杂。模拟复杂城市环境下交通参与者的行为，准确地表达交通参与者的交互行为，对于自动驾驶汽车实现安全和社会可接受的运动规划至关重要。然而，由于交通参与者的运动不确定性和城市环境的复杂性，这种交互行为的准确表达仍然是一个挑战。

现阶段，对于交通参与者的交互行为的建模方法有很多，但是这些方法都有各自的一些缺陷。基于物理的运动模型无法处理预测时间超过1秒的自行车和行人的不确定性问题；“两阶段”预测框架不能同时考虑交通参与者之间的相互作用和预测未来的行为；“社会感知”方法应用了池机制和串联操作来直接融合交互参与者的特征，但是不具有可解释性。同时，上述方法没有考虑到不同交通参与者对于同一交互场景的不同认知和对危险的不同判断。因此得出，现有的交通参与者的交互行为的预测方法均不能准确的进行未来轨迹的预测，对此，本发明提供一种基于风险接受程度的交通参与者轨迹预测方法及系统。

发明内容

本发明的目的是提供一种基于风险接受程度的交通参与者轨迹预测方法及系统，能够准确的对交通参与者的轨迹进行预测。

为实现上述目的，本发明提供了如下方案：

一种基于风险接受程度的交通参与者轨迹预测方法，包括：

采集目标交通场景下的不同交通参与者的

对

利用

利用所述训练后的异构图模型对每一所述交通参与者的轨迹进行预测。

一种基于风险接受程度的交通参与者轨迹预测系统，包括：

轨迹信息获取及处理模块，用于采集目标交通场景下的不同交通参与者的

聚类模块，用于对

异构图模型训练模块，用于利用

轨迹预测模块，用于利用所述训练后的异构图模型对每一所述交通参与者的轨迹进行预测。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供一种基于风险接受程度的交通参与者轨迹预测方法及系统，包括：采集目标交通场景下的不同交通参与者的

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1提供的一种基于风险接受程度的交通参与者轨迹预测方法流程图；

图2为本发明实施例1提供的碰撞估计时间

图3为本发明实施例2提供的一种基于风险接受程度的交通参与者轨迹预测系统框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于风险接受程度的交通参与者轨迹预测方法及系统，能够准确的对交通参与者的轨迹进行预测。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1

如图1所示，本实施例提供一种基于风险接受程度的交通参与者轨迹预测方法，包括：

S1、采集目标交通场景下的不同交通参与者的

其中，步骤S1中对所述轨迹信息进行预处理具体包括：

从所述目标交通场景下的不同所述交通参与者中确定目标交通参与者；

确定每一非目标交通参与者与所述目标交通参与者的相对位置、相对速度和碰撞估计时间；所述预处理轨迹信息包括所述相对位置、所述相对速度和所述碰撞估计时间。

所述相对位置的表达式为：

所述相对速度的表达式为：

其中，

所述碰撞估计时间的表达式为：

其中，

S2、对

其中，步骤S2中，利用核主成分分析法结合K均值聚类算法对t时刻的预处理轨迹信息进行聚类；

核主成分分析（Kernel Principal Components Analysis，KPCA）方法首先通过非线性映射

所述K均值聚类算法的目标函数表达式为：

其中，

S3、利用

异构图模型构建了包含每一个交通参与者的实例层，每一个交通参与者为一个实例节点

其中，

异构图模型根据不同交通参与者的动态特性（如速度、加速度等）构建了包含具有相似运动模式的交通参与者的类别层，每一种运动模式为一个类别节点

实例层和类别层的关系为，模型对所有具有相同类型的实例节点

空间边

进一步得出步骤S3具体包括：

步骤S31、以每一所述交通参与者为实例节点，以所述交通参与者的所述相对位置、所述风险接受程度和交通参与者类型为所述实例节点的特征；

步骤S32、以每一所述交通参与者的运动模式为类别节点；所述运动模式包括步行模式、骑行模式和驾车模式；

步骤S33、以所述交通参与者之间的空间关系为空间边，以一个所述交通参与者在相邻两时刻的时间相关性为时间边；

步骤S34、根据所述实例节点、所述类别节点、所述空间边和所述时间边构建所述异构图模型；

其中，

步骤S35、将

其中，

S4、利用所述训练后的异构图模型对每一所述交通参与者的轨迹进行预测。

本实施例中，提供了一种基于风险接受程度的交互行为建模方法，通过对交互场景下众多交通参与者的风险接受程度进行聚类，然后在异构图模型中重新表达，最终用于交通参与者的轨迹预测。这种交互行为建模方法考虑了不同交通参与者对危险的个性化认知，更加符合真实的驾驶过程，具有很好的实用性，并且能够对交通参与者的未来轨迹进行准确预测。

实施例2

如图3所示，本实施例提供一种基于风险接受程度的交通参与者轨迹预测系统，包括：

轨迹信息获取及处理模块T1，用于采集目标交通场景下的不同交通参与者的

所述轨迹信息获取及处理模块T1包括：

目标交通参与者确定单元，用于从所述目标交通场景下的不同所述交通参与者中确定目标交通参与者；

特征提取单元，用于确定每一非目标交通参与者与所述目标交通参与者的相对位置、相对速度和碰撞估计时间；所述预处理轨迹信息包括所述相对位置、所述相对速度和所述碰撞估计时间。

聚类模块T2，用于对

异构图模型训练模块T3，用于利用

所述异构图模型训练模块T3包括：

实例节点确定单元，用于以每一所述交通参与者为实例节点，以所述交通参与者的所述相对位置、所述风险接受程度和交通参与者类型为所述实例节点的特征；

类别节点确定单元，用于以每一所述交通参与者的运动模式为类别节点；所述运动模式包括步行模式、骑行模式和驾车模式；

空间边和时间边确定单元，用于以所述交通参与者之间的空间关系为空间边，以一个所述交通参与者在相邻两时刻的时间相关性为时间边；

异构图模型构建单元，用于根据所述实例节点、所述类别节点、所述空间边和所述时间边构建所述异构图模型；

异构图模型训练单元，用于将

轨迹预测模块T4，用于利用所述训练后的异构图模型对每一所述交通参与者的轨迹进行预测。

对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。