本技术介绍了一种利用双交叉Transformer架构的自动驾驶车辆轨迹预测技术与系统。该系统通过以下步骤实现:首先,收集目标车辆及其周围车辆的历史轨迹和状态数据,形成输入序列X。其次,分析目标车辆与周围车辆的交互,生成初步预测轨迹,并评估个体与协同不确定性。最后,通过损失函数优化预测效果并更新参数。该系统在车路协同环境中进行模拟训练,重视车辆间的交互作用。不确定性评估器使用等变换神经网络,有效捕捉车辆间的互动,并在特征空间中提高个体与协作不确定性的估计精度。
背景技术
自动驾驶车辆轨迹预测是自动驾驶技术中的一个关键领域,它涉及到预测自动驾驶车辆在未来一段时间内的运动轨迹。对于自动驾驶系统而言,这种预测至关重要,因为它能够帮助车辆做出更准确的决策,避免潜在的危险或冲突。在复杂交通环境中,准确预测车辆的未来轨迹不仅受到复杂道路结构的影响,还受到车辆间交互的影响。这些基于复杂道路环境的交互作用显著增加了预测的难度。因此,在该环境下,自动驾驶车辆实现准确、高效、可靠的轨迹预测构成了一项重要挑战。
目前,自动驾驶领域生出了许多关于轨迹预测的方法,这些方法主要是传统和基于深度学习的方法,传统的方法主要依赖于完善的数学和统计技术,同时根据历史数据和预定义的模型进行预测,例如基于物理的方法、基于机动的方法。
其中,基于物理的方法主要是针对车辆运动的低级属性、物理规律和动力学进行建模。通常,由于其利用物理规律,这种方法可以在短期(小于一秒)的预测中取得良好的性能。然而,由于缺乏对高级车辆信息的考虑,它在长期预测方面是不足的。
基于机动的方法是基于车辆行驶特征和行为模式的方法,通过识别和建模车辆可能执行的不同机动行为来进行轨迹预测,它假设未来车辆轨迹与已识别车辆趋向执行的动作意图一致,其模型首先对驾驶行为或意图进行评估,然后再执行轨迹预测。总体而言,虽然基于机动方法考虑了不同的行为模式和车辆可能的动作,可对车辆进行高级推理,但是面对复杂的道路环境和多样的车辆行为,存在许多未知变化或难以分类的机动行为,这将会导致轨迹预测的准确性降低;此外,基于机动的方法很难应用到其它拓扑结构的道路。
因此,传统的轨迹预测方法在相对简单的场景计算效率较高且容易实现,但是在面对错综复杂、不确定性的场景时将会受到限制,预测准确性会降低且应用范围较为狭窄。
实现思路