原文传递
基于时空图自注意力机制的无人驾驶轨迹预测研究
| 论文题名： | 基于时空图自注意力机制的无人驾驶轨迹预测研究 |
| 关键词： | 无人驾驶;轨迹预测;金字塔感知网络;时空图自注意力机制;鸟瞰图 |
| 摘要： | 随着智能交通和人工智能的迅速发展，自动驾驶已成为一个热门话题，智能感知周围环境和合理规划行驶路线至关重要。自动驾驶车辆可以通过精确预测周围交通参与者的未来轨迹，从而避免交通事故。因此对自动驾驶车辆周围交通参与者的未来轨迹预测是自动驾驶车辆合理规划路线、安全驾驶的关键问题。车辆的运行轨迹会受到相邻交通参与者的影响，同时车辆本身也会影响相邻交通参与者的行驶轨迹，不同的影响定义为不同的交互信息。针对以上问题，本文主要研究周围交通参与者的交互信息的获取，具体研究内容如下： 1.为了有效地进行轨迹预测，本文首先提出了基于鸟瞰图(Bird’sEyeView,BEV)的实时端到端轨迹预测框架来同时学习交互信息和场景信息。该框架主要由图交互网络和金字塔感知网络两个模块组成：前者通过时空图卷积网络对交通参与者之间的交互信息进行编码，将周围交通参与者建模为图数据结构的节点，图数据结构的边即为交通参与者的交互，通过加权邻接矩阵获得交互程度，得到交互特征；后者采用时空金字塔网络对周围信息进行场景建模获取场景特征。然后，交互特征和场景特征在进行单一尺度融合后可以进行分类和轨迹预测任务。 2.图卷积可以很好建模周围交通参与者的交互关系，但图卷积主要关注局部节点的结构，Transformer则可以获取空间上具有长距离间隔的特征之间的依赖关系，于是提出了基于图自注意力机制的轨迹预测方法。建立时间和空间Transformer，时间Transformer将历史轨迹嵌入输入到自注意力网络中，计算每个交通参与者的注意力值，空间Transformer则是将Transformer应用到图结构中，交通参与者为图的节点，Transformer则来传递节点之间的交互信息。随后交错使用时间和空间Transformer来获取时空交互信息，将场景感知特征与交互特征融合进行轨迹预测和分类任务。通过在大规模开源数据集NuScenes上的实验和分析，所提框架与当前先进算法MotionNet相比，轨迹预测平均位移误差在速度小于5m/s时降低了7.13％，在速度大于5m/s时，平均位移误差降低了6.48%。因此从实验结果可知该模型具有更好的性能，更符合实际自动驾驶环境的轨迹预测需求。 |
| 作者： | 赵婷 |
| 专业： | 信息与通信工程 |
| 导师： | 刘期烈 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆邮电大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
