买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉吉林大学申请的专利一种考虑逐步双向交互的车辆轨迹预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119920093B 。

龙图腾网通过国家知识产权局官网在2025-11-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510001196.4，技术领域涉及：G06F16/9537；该发明授权一种考虑逐步双向交互的车辆轨迹预测方法是由郭洪艳;谢鸿楠;孟庆瑜;刘嫣然;邵小龙;胡仕博设计研发完成，并于2025-01-02向国家知识产权局提交的专利申请。

本一种考虑逐步双向交互的车辆轨迹预测方法在说明书摘要公布了：本发明提供的一种考虑逐步双向交互的车辆轨迹预测方法，构建了可以充分提取车辆之间双向交互信息的网络模型，通过逐步提取被预测车辆与周围其他车辆的轨迹和空间位置信息作为输入，使用编码架构对车辆轨迹进行运动编码，结合车辆之间的逐步双向交互关系，准确预测出车辆的未来轨迹，并且充分考虑车辆之间复杂的相互影响，为被预测车辆和周围车辆针对各自情况构建了不同的观测张量，并使用卷积池化网络提取车辆间的空间信息，合理处理不同车辆间的相互作用信息，最后将提取出的交互信息输入解码器中，分多段得到被预测车辆的未来轨迹，充分考虑被预测车辆和周围车辆的未来轨迹对彼此的影响，提高轨迹预测的精度。

本发明授权一种考虑逐步双向交互的车辆轨迹预测方法在权利要求书中公布了：1.一种考虑逐步双向交互的车辆轨迹预测方法，通过逐步提取被预测车辆与周围其他车辆的轨迹和空间位置信息并输入搭建的网络模型来充分提取车辆之间的双向交互信息，分多段准确预测出车辆的未来轨迹，其特征在于，本方法具体步骤如下： 步骤一、对车辆轨迹数据集进行处理： 首先，按照时间顺序提取出数据集中车辆的方位信息，即车辆的横纵向位置绝对坐标x，y；然后，对所有车辆坐标进行进一步处理，处理步骤包含车辆轨迹提取、观测张量的构建以及车车之间相对坐标的转换； 在车辆轨迹提取中，定义被预测车辆的历史轨迹绝对坐标TargHist和未来真实轨迹绝对坐标TargFut分别为： 其中，为被预测车辆在t时刻的横纵向绝对坐标，为被预测车辆在t时刻的横向绝对坐标，为被预测车辆在t时刻的纵向绝对坐标，t∈{1,2,...,Tobs}，Tobs为被预测车辆历史轨迹的观测时长，也为当前时刻，为被预测车辆在未来k时刻的真实横纵向绝对坐标，为被预测车辆在未来k时刻的横向绝对坐标，为被预测车辆在未来k时刻的纵向绝对坐标，k∈{1,2,...,Tpred}，Tpred为被预测车辆的未来轨迹预测时长； 定义被预测车辆的周围车辆的历史轨迹绝对坐标NbrsHist和未来真实轨迹绝对坐标NbrsFut分别为： 其中，n∈N为被预测车辆的周围车辆的数量，N为大于0的正整数，后面将被预测车辆的周围车辆简称为：周围车辆；为n辆周围车辆在t时刻的横纵向绝对坐标的集合，具体来说，为n辆周围车辆在t时刻的横向绝对坐标的集合，为n辆周围车辆在t时刻的纵向绝对坐标的集合，t∈{1,2,...,Tobs'}，Tobs'为周围车辆历史轨迹的观测时长，因为模型要求输入的被预测车辆和周围车辆的历史轨迹观测时长一样，所以Tobs'＝Tobs，为n辆周围车辆在未来k时刻的真实横纵向绝对坐标的集合，具体来说，为n辆周围车辆在未来k时刻的真实横向绝对坐标的集合，为n辆周围车辆在未来k时刻的真实纵向绝对坐标的集合，k∈{1,2,...,Tpred'}，Tpred'为周围车辆的未来轨迹预测时长，因为模型要求输出的被预测车辆和周围车辆的未来轨迹预测时长一样，所以Tpred'＝Tpred； 在观测张量的构建中，取被预测车辆前后各30米、左右各5米内的环境，以被预测车辆的质心为中心建立一张5×25的二维空间网格，5×25中的5代表被预测车辆的横向的观测范围，5×25中的25代表被预测车辆的纵向的观测范围，被预测车辆的质心位于二维空间网格最中心的位置，即二维空间网格中横向第3格、纵向第13格的位置，定义二维空间网格中的每个小方格的长为2.4米、宽为2米，二维空间网格中记录周围车辆的方位情况；在这个5×25的二维空间网格中，有车辆的小方格置TRUE，无车辆的小方格置FALSE，周围车辆的数量为n，进而得到由TRUE和FALSE表示的周围车辆方位的观测张量CentGrid∈R5×25，通过观测张量CentGrid∈R5×25能够提取被预测车辆和周围车辆之间的空间交互特征； 在车-车之间相对坐标的转换中，将被预测车辆的历史轨迹绝对坐标TargHist和未来真实轨迹绝对坐标TargFut分别减去当前时刻Tobs下的被预测车辆的横纵向绝对坐标得到转换后的被预测车辆的相对历史轨迹坐标TargCentHist和转换后的被预测车辆的相对未来轨迹坐标TargCentFut： 其中，TargCentHist用于模型的输入，TargCentFut用于模型计算损失值，为转换后的被预测车辆在t时刻的相对历史轨迹坐标，被预测车辆在t时刻的横纵向绝对坐标，为当前时刻Tobs下的被预测车辆的横纵向绝对坐标，t∈{1,2,...,Tobs}，为转换后的被预测车辆在未来k时刻的相对未来轨迹坐标，为转换后的被预测车辆在未来k时刻的相对未来轨迹横坐标，为转换后的被预测车辆在未来k时刻的相对未来轨迹纵坐标，k∈{1,2,...,Tpred}； 将周围车辆的历史轨迹绝对坐标NbrsHist和未来真实轨迹绝对坐标NbrsFut分别减去当前时刻Tobs下的被预测车辆横纵向绝对坐标得到转换后的周围车辆的相对历史轨迹坐标NbrsCentHist和转换后的周围车辆的相对未来轨迹坐标NbrsCentFut： 其中，NbrsCentHist用于模型的输入，NbrsCentFut用于模型计算损失值，为转换后的周围车在t时刻的相对历史轨迹坐标，t'∈{1,2,...,Tobs'}；为转换后的周围车辆在未来k'时刻的相对未来轨迹坐标，为转换后的周围车辆在未来k'时刻的相对未来轨迹横坐标，转换后的周围车辆在未来k'时刻的相对未来轨迹纵坐标，k'∈{1,2,...,Tpred'}； 步骤二、设计车辆的轨迹预测模型 轨迹预测模型包括被预测车辆轨迹预测模型TargModel和周围车辆轨迹预测模型NbrsModel，预测车辆轨迹预测模型TargMode和周围车辆轨迹预测模型NbrsModel的模型结构相同，但模型中参数不同，预测车辆轨迹预测模型TargMode和周围车辆轨迹预测模型NbrsModel中均包含了车辆运动轨迹信息提取模块和车辆轨迹预测模块： 针对车辆运动轨迹信息提取模块，先将步骤一中的被预测车辆相对历史轨迹坐标和周围车辆的相对历史轨迹坐标的维度分别转变为和将输入到一维卷积神经网络Conv1D3提取被预测车辆的运动信息，将输入到另一个一维卷积神经网络Conv1D3'提取周围车辆的运动信息，得到被预测车辆的运动嵌入TargCentHistemb和周围车辆的运动嵌入NbrsCentHistemb： 其中，为被预测车辆的运动编码信息，为周围车辆的运动编码信息，Conv1D3和Conv1D3'均为卷积核大小为3的一维卷积层，输入通道数为2、输出特征数为32、步长为1，为Conv1D3的权重参数，为Conv1D3'的为权重参数，为Conv1D3的偏置参数，为Conv1D3'的偏置参数； 将被预测车辆的运动编码信息的维度转换为将周围车辆的运动编码信息的维度转换为然后输入到编码器中得到被预测车辆的编码信息和周围车辆的编码信息 其中，为被预测车辆的隐藏状态，为周围车辆的隐藏状态，Encoder为被预测车辆的运动编码器，Encoder'为周围车辆的运动编码器，编码器由长短期记忆网络LongShort-TermMemory即LSTM网络组成，编码器中LSTM网络的输入特征数为32、隐藏特征数为64、层数为1，为Encoder的权重参数，为Encoder'的权重参数，为Encoder的偏置参数，为Encoder'的偏置参数； 将被预测车辆的运动编码信息经过全连接层对编码信息进行聚合： 其中，是特征数为32的被预测车辆的运动信息编码，φ是全连接层的嵌入函数，为聚合被预测车辆编码信息的全连接层的权重参数，为聚合被预测车辆编码信息的全连接层的偏置参数； 将周围车辆的运动编码信息按照其在网格中的位置依次填入步骤一中的观测张量CentGrid∈R5×25，也就是将填充到CentGrid∈R5×25中为TRUE的位置，而为False的位置则用0填充，若网格中只有一个位置为TRUE，那就不考虑车辆在网格中的位置关系，直接将填入该位置，将填充到CentGrid∈R5×25之后得到观测特征张量CentGridH，然后将CentGridH作为输入，使用二维图卷积Conv2D3×3来提取被预测车辆和其周围车辆之间的空间交互信息的特征： 其中，NbrsGridConv∈R64×5×25为车车之间的空间交互特征，Conv2D3×3是卷积核大小为3×3的二维卷积层，输入特征数与输出特征数均为64，步长为1，为Conv2D3×3的权重参数，为Conv2D3×3的偏置参数； 对车车之间的空间交互特征NbrsGridConv进行池化操作以减少维度保留关键信息并提高模型的泛化程度： 其中，NbrsGridPool∈R64×9×1，MaxPool3×3是池化核为3×3的最大池化层，步长为2，为权重参数，为偏置参数； 为了进一步增强预测网络对空间特征数据的理解和建模能力，对NbrsGridPool进一步进行再卷积和再池化步骤，也就是将NbrsGridPool输入到卷积核为3×1的二维卷积层后，再输入到池化核为2×1的最大池化层中，最后得到车辆间的空间交互信息并将维度转变为 车辆轨迹预测模块通过获取车辆车辆运动信息和车辆间空间信息来预测未来时间长度为Tpred内的车辆轨迹；具体操作如下：对被预测车辆的运动信息编码和车辆间的空间交互信息进行拼接并复制Tpred次，得到特征数为112的车辆信息聚合特征将该聚合特征输入到轨迹预测模块中，得到被预测车辆的未来预测轨迹Pred： 式中， 为被预测车辆在Tobs+m时刻的相对预测轨迹坐标，为被预测车辆在Tobs+m时刻的相对预测轨迹横坐标，为被预测车辆在Tobs+m时刻的相对预测轨迹纵坐标，m∈{1,2,...,Tpred}，Decoder为解码器，解码器由长短期记忆网络LSTM网络组成，解码器中LSTM网络的输入特征数为112、隐藏特征数为128、层数为1，为解码器的权重参数，为解码器的偏置参数，φ是全连接层的嵌入函数，为全连接层的权重参数，为全连接层的偏置参数，输入特征数为128，输出维度为2； 步骤三、构造损失函数 损失函数Loss的表达式为： 其中，为被预测车辆在p时刻的相对真实轨迹横坐标，为被预测车辆在p时刻的相对真实轨迹纵坐标，为模型输出的被预测车辆在p时刻的相对预测轨迹横坐标，为模型输出的被预测车辆在p时刻的相对预测轨迹纵坐标； 步骤四、逐步双向交互式预测轨迹 将被预测车辆记作Cartarg，设定预测Cartarg未来轨迹的时长为T，预测周围车辆的未来轨迹的时长为T'，因为模型要求输入的周围车辆的预测未来轨迹的时长为Cartarg的一半，所以Cartarg的历史观测时长为Tobs，周围车辆的历史观测时长为Tobs'，因为模型要求输入的Cartarg和周围车辆的历史观测时长相同，所以Tobs'＝Tobs； 模型分2阶段依次预测Cartarg的未来轨迹： 第1阶段中模型输出Cartarg未来时域内的相对预测轨迹和周围车辆未来0～T'时域内的相对预测轨迹； 第2阶段中模型输出Cartarg未来时域内的相对预测轨迹； 最后将预测时域为和的两段被预测车辆的相对预测轨迹按照时间顺序拼接，得到Cartarg完整的时长为T的未来相对预测轨迹； 首先，获得被预测车辆的第一段预测轨迹： 将Cartarg的观测张量CentGrid∈R5×25、Cartarg的相对历史轨迹坐标TargCentHist和周围车辆的相对历史轨迹坐标NbrsCentHist输入到被预测车辆轨迹预测模型TargModel中，得到Cartarg未来时域内的预测轨迹TargPred： 其中，为Cartarg在第Tobs+a时刻的预测轨迹坐标，为Cartarg在第Tobs+a时刻的预测横坐标，为Cartarg在第Tobs+a时刻的预测纵坐标， 接着，对Cartarg和周围车辆进行相对坐标转换： 轮流选定所有周围车辆，将被选定的周围车辆记作Carg，其中g∈N表示第g辆周围车辆，设Carg的原相对历史轨迹坐标SelHist为： 其中，为Carg在b时刻的原相对历史轨迹坐标，b∈{1,2,...,Tobs'}，将Carg的当前时刻Tobs'下的位置设为坐标原点并建立新的参考坐标系，将Carg的历史轨迹坐标转换为新参考坐标系下的坐标，得到Carg的新相对历史轨迹坐标TurnHist： 将Cartarg的原相对历史轨迹坐标转换为新参考坐标系下的新相对历史轨迹坐标TargNewHist： 其中，TargCentHist为Cartarg的原相对历史轨迹坐标； 然后，获得Carg的观测张量SelCentGrid： 在Cartarg的观测张量Centgrid∈R5×25的基础上，将网格中Carg所在位置的小方格置TRUE，其余小方格的内容均置FALSE，得到Carg的观测张量SelCentGrid∈R5×25； 其次，轮流选定所有周围车辆并分别获得其下一段预测轨迹： Cartarg的周围车辆的数量为n，每次按顺序轮流选定一辆周围车Carg，进行周围车辆轨迹预测过程： 将由上一步得到的Carg的观测张量SelCentGrid∈R5×25、Carg的新相对历史轨迹坐标TurnHist，Cartarg的新相对历史轨迹坐标TargNewHist输入到周围车辆轨迹预测模型NbrsModel中，得到Carg以自身质心为参考系原点的未来0～T'时域内的预测轨迹； 以上周围车辆轨迹预测过程进行n'次后可以得到所有周围车辆在以各自质心为参考系原点的新参考系下的预测轨迹坐标SelNbrsPred，因为有多少辆车就需要进行多少次周围车辆轨迹预测过程，所以n'＝n： 其中，为周围车辆在未来c时刻的预测轨迹坐标，为周围车辆在未来c时刻的预测轨迹横坐标，为周围车辆在未来c时刻的预测轨迹纵坐标，c∈{1,2,...,T'}； 继续，将SelNbrsPred转换为以Cartarg为参考系的预测轨迹坐标： SelNbrsPred是以Carg为原点中心的参考系下的轨迹坐标，要将其转化为Cartarg的参考系下的坐标，只需将SelNbrsPred直接和相加，便能够得到Cartarg参考系下的周围车辆下一段预测轨迹坐标NbrsPred： 其中，为Carg在Tobs时刻的原相对历史轨迹坐标； 最后，将被预测车辆和周围车辆的下一段预测轨迹坐标替换到各自的旧历史轨迹中得到新历史轨迹坐标： 舍弃旧历史轨迹TargCentHist中的前个轨迹点，将TargPred加入到TargCentHist作为最新个时刻的轨迹点，得到更新后的新历史轨迹TargRepHist： 其中，为最新个时刻的被预测车辆的预测轨迹点，为被预测车辆在d时刻的新历史轨迹， 并且以被预测车辆的最新轨迹点作为新的参考系原点并建立新的参考坐标系，得到被预测车辆的新相对历史轨迹TargCentHist2： 其中，为被预测车辆在新参考坐标系下的e时刻的新相对历史轨迹坐标，且 同理，用周围车辆的预测轨迹NbrsPred替换掉旧历史轨迹NbrsCentHist中的前0～T'个轨迹点，得到更新后的新历史轨迹NbrsRepHist： 其中，为最新T'个时刻的周围车辆的预测轨迹点，为周围车辆在f时刻的新历史轨迹，f∈{T'+1,T'+2…,Tobs'-1,Tobs',Tobs'+1,…,Tobs'+T'}； 并且以被预测车辆最新轨迹点作为新的原点坐标，得到新参考坐标系下的周围车新相对历史轨迹NbrsCentHist2： 其中，为周围车辆在以为原点的l时刻的新相对历史轨迹坐标，且l∈[T'+1,T'+2,...,Tobs'+T'-1,Tobs'+T']； 将得到的被预测车辆的新相对历史轨迹TargCentHist2、周围车辆的新相对历史轨迹NbrsCentHist2和观测张量CentGrid输入到被预测车辆轨迹预测模型TargModel中，得到被预测车辆未来时域内的预测轨迹TargPred2： 其中，为被预测车辆在第Tobs+p时刻的预测轨迹坐标，为被预测车辆在第Tobs+p时刻的预测横坐标，为被预测车辆在第Tobs+p时刻的预测纵坐标， 最后，对被预测车辆的第一阶段预测轨迹TargPred和第二阶段预测轨迹TargPred2进行拼接，得到被预测车辆的完整预测轨迹Pred： 其中，为被预测车辆在第Tobs+q时刻的预测轨迹坐标，为被预测车辆在第Tobs+q时刻的预测横坐标，为被预测车辆在第Tobs+q时刻的预测纵坐标，

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人吉林大学，其通讯地址为：130012 吉林省长春市长春高新技术产业开发区前进大街2699号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。