基于数据驱动的周围车辆轨迹预测方法及其电子设备

技术领域

本发明涉及无人驾驶领域，尤其是涉及基于数据驱动的周围车辆轨迹预测方法。

背景技术

自动驾驶系统由环境感知、决策规划、执行控制三部分组成。轨迹预测通常位于感知和规控模块之间，在自动驾驶系统中扮演了承上启下的作用。对周围交通主体的行为意图、未来轨迹展开实时、精确的长期预测，有助于自动驾驶汽车从丰富多变的交通场景中识别出可行驶道路范围，理解环境车辆与自主车辆之间的交互用作关系，有前瞻性地对未来较长的一段时间内可能出现的周围车辆做出轨迹预测，并且规划出一条切实可行、安全舒适的行驶轨迹。

目前，轨迹预测的主要方法包括基于物理模型的轨迹预测方法和基于数据驱动的轨迹预测方法。

基于物理模型驱动轨迹预测方法是利用规律的动力学和运动学特性描述单个目标车辆，以相对较低的计算资源完成轨迹预测，在短时域内取得较好的预测精度。但是该方法未充分利用大量真实数据挖掘目标轨迹，无法描述驾驶环境和轨迹信息，忽略周围车辆间的交互关系，难以准确地预测真实场景下长期车辆行驶轨迹。

基于数据驱动的轨迹预测方法将车辆相关特性和车辆历史轨迹数据作为模型的输入，通过大规模数据上的训练拟合，输出预测后的车辆轨迹数据。该方法准确率高，可扩展性强，其中长短时记忆网络、卷积网络和图神经网络作为预测模型尤为突出。该模型仅采用原始数据，难以表征智能驾驶车辆周围环境特征，缺乏对未来的信息考虑，模型计算量大，容易出现过拟合等现象，导致预测误差大的问题。

综上，上述两种轨迹预测方法都难以准确地预测真实场景下的长期车辆行驶轨迹。

发明内容

本发明的目的就是为了通过深度学习处理周围车辆的多种数据，预测真实场景下长期车辆行驶轨迹。

本发明一个实施例中提出了以下技术方案来实现上述目的：

基于数据驱动的周围车辆轨迹预测方法，包括以下步骤：

1)周围车辆数据预处理S1：确定周围车辆的位置、运动和道路等轨迹特性表征参量；基于原始数据提取周围车辆轨迹数据信息，对周围车辆轨迹数据进行预处理，基于K-Modes聚类算法对子轨迹进行聚类以补全稀疏轨迹，建立周围车辆轨迹数据库；

2)轨迹时空特征提取S2：利用所述轨迹数据库中周围车辆的位置特征建立周围车辆时空图，通过具有两层时间卷积网络与一层空间卷积网络的时空卷积块，提取周围车辆间的时空特征；

3)周围车辆轨迹预测S3：利用结构化LSTM单元构建编-解码器，在编码过程中考虑周围车辆的所述时空特征、运动和道路等特征独立编码，在解码过程中结合图注意力机制，预测周围车辆轨迹。

所述的步骤1)轨迹特征选取具体特征表示如下：

(1)位置特征

相对横、纵向位置，周围车辆间横、纵向距离Δx、Δy：

Δx＝x-x'

Δy＝y-y'

其中，x表示目标周车的横向位置坐标，x'表示其他周车的横向位置坐标，y表示目标周车的纵向位置坐标，y'表示其他周车的纵向位置坐标；

(2)运动特征

横、纵向速度，横向速度v

其中，x

(3)道路特征

车道宽度W，车辆左车道线L，车辆右车道线R。若目标车辆存在左车道，则为1，否则为0。

所述的步骤1)的四个数据预处理方法如下：

(1)噪声过滤：利用中值法过对轨迹数据中轨迹停留点之间的平均时间和平均距离的计算，结合车辆驾驶速度的上限，去除周围车辆轨迹数据中的误差轨迹点、冗余轨迹点；

(2)数据平滑：利用对称指数移动平均法对周围车辆的横向运动特征进行处理，基于局部平滑法对周围车辆的纵向运动进行处理；

(3)子轨迹切分：根据时间间隔和空间距离，将不是发生在连续行驶时段内的轨迹进行拆分，获取用户多次驾驶行为所对应的轨迹数据；

(4)周围车辆的行驶轨迹补全：利用K-Modes聚类算法对车辆历史子轨迹进行聚类，基于聚类结果为稀疏轨迹补全轨迹点。

所述的步骤2)中，通过定义卷积算子改进图形卷积，基于因果卷积和空洞卷积设计时间卷积模型，将时间卷积块和图形卷积块交替堆叠，设计时空卷积块融合时间和空间特征。

所述的步骤2)中，所述的设计时空卷积块，图时空卷积网络模型由5个时空卷积块组成，时空卷积块由两层时间卷积网络和一层图形卷积网络构成。

所述的步骤3)中，交通场景中周围车辆的输入特征为：

X＝[x

其中，x

时空位置特征X

X

其中，x、y是观测周围车辆在时间t的横、纵坐标，n是观测周围车辆的数量；

车辆运动特征X

X

其中，v

道路约束特征X

X

其中，W为道路宽度，L为车辆左车道线类型，R为车辆右车道线类型。若目标车辆存在左车道，则为1，否则为0。

所述的步骤3)中，编码器共有t

所述的步骤3)中，本文中的解码器共t

所述的步骤3)中，计算注意力矩阵：

注意力向量q

预测未来时步为t'，t'＝t

利用特征注意力机制建模出不同特征之间的相关性，通过网络学习自主判断历史时刻的特征的对预测时刻的重要程度并赋值不同的权重系数。

可选地，以上的实施例的基于数据驱动的周围车辆轨迹预测方法中，所述的步骤3)中，还包括根据如下矩阵公式，计算注意力：

注意力向量q

预测未来时步为t'，t'＝t

利用特征注意力机制建模出不同特征之间的相关性，通过网络学习自主判断历史时刻的特征的对预测时刻的重要程度并赋值不同的权重系数。

可选地，上述或者下述的一些实施例的方法，还包括：

获取目标车辆周边的预定范围的车辆散布图；

将所述散布图进行网格化处理，以及

基于各个网格中车辆数量，分别计算所述散布图中各网格区域的权重；

根据所述各网格区域的权重，在整体上计算并通过所述显示器呈现所述散布图的重心。

进一步可选地，一些实施例的方法，还包括步骤：自动规划所述目标车辆的行进路线，该行进路线沿概率梯度下降最大的方向远离所述重心。从而，可以使得主车辆以最快速度远离概率上障碍车辆最密集的区域。

进一步可选地，一些实施例的方法，还包括步骤：根据所述各网格的权重随时间推移的变化，计算并通过显示器呈现所述散布图的重心随时间推移而产生的矢量轨迹。

根据目的地和路程时间的平衡，自动规划所述目标车辆的行进路线，该行进路线的方向与所述矢量轨迹的方向不一致或者相反，以使得所述行进路线最大程度地规避所述矢量轨迹。

另外，一般而言，在燃料电池汽车中，车轮直接受控于电控驱动机构，而由于锂电池在长时间运行之后，其动态特性将下降，使得电动汽车的动态机动性有所折损，所以，电控驱动机构的输出的电功率的产生不稳定、略有迟滞的响应性能，这都会导致最终对车轮的输出的机械功率的不稳定和无法以很高的动态性能去跟随操控机构，进而导致目标车辆无法较优地实现规划的轨迹，这包括规划轨迹中的方位、速度、加速度等指标，尤其对于自动巡航的场景下，这种缺陷表现得更加明显。

_____________________________________________________________________

为了解决随着锂电池的老化，电动汽车中的电控驱动机构的动态特性不够稳定、动态响应性能变差的问题，本申请的一些实施例中，在用于电动汽车的电控驱动机构中，设置电能缓存器作为电能的缓冲单元，从而在锂电池因其动态特性变差而导致其输出的电功率发生波动、滞后的情况下，可以使得电控驱动机构对车轮的机械功率的输出，保持稳定，从而车轮的机动性更接近期望值，包括方位、速度、加速度等指标在内的规划轨迹，会被更优地实现。

据此构思，在本申请的任一其他实施例的电动汽车，还可以包括：电控驱动机构；车轮；

电控驱动机构，驱动连接于所述车轮；

其中，所述电控驱动机构进一步包括：

电能缓存器，电连接于所述电控驱动机构的锂电池组件；所述电能缓存器进一步包括：

多个蓄电组件，该多个蓄电组件分别包括阳极和阴极；

第二蓄电组件；以及

一个或多个开关单元，其中所述一个或多个开关单元包括至少两个或两个以上的极，并且，其中：

在所述一个或多个开关单元的高电平模态中，第一蓄电组件和第二蓄电组件串行耦合，以及

在所述一个或多个开关单元的低电平模态中，第一蓄电组件和第二蓄电组件并行耦合。

可选地，在本申请的一个实施例的电动汽车的电控驱动机构中：

所述一个或多个开关单元包括第一单极双投开关和第二单极双投(又称为：单刀双掷)开关；

在高电平模态中，第一单极双投开关和第二单极双投开关均处于第一开关位置，由此将第一蓄电组件的阳极连接到第二蓄电组件的阴极；以及

在低电平模态中：

第一单极双投开关处于第二开关位置，由此将第一蓄电组件的阴极连接到第二蓄电组件的阴极；并且

第二单极双投开关处于第二开关位置，由此将第一蓄电组件的阳极连接到第二蓄电组件的阳极。

可选地，在本申请的一个实施例的电动汽车的电控驱动机构中：

所述一个或多个开关单元包括两个单极单投开关；

在高电平模态中：

两个单极单投开关中的第一个处于断开位置，并且

两个单极单投开关中的第二个处于接合通电位置，由此将第一蓄电组件的阳极连接到第二蓄电组件的阴极；以及

在低电平模态中：

两个单极单投开关中的第一个处于接合通电位置，由此将第一蓄电组件的阴极连接到第二蓄电组件的阴极，并且

两个单极单投开关中的第二个处于断开位置。

可选地，本申请的一个实施例的电动汽车的电控驱动机构中，所述电能缓存器还包括至少一个充电单元开关，所述至少一个充电单元开关被配置为将第一蓄电组件和第二蓄电组件连接到锂电池组件和从锂电池组件断开。

可选地，在本申请的一个实施例的电动汽车的电控驱动机构中，在高电平模态中：

车轮的正向扭矩输入端驱动耦合到第一蓄电组件的阳极；并且

车轮的反向扭矩输入端驱动耦合到第一蓄电组件的阴极。

可选地，在本申请的一个实施例的电动汽车的电控驱动机构中，所述电能缓存器还包括至少一个负载开关，所述至少一个负载开关包括至少两个或两个以上的极，其中，在高电平模态中：

当所述至少一个负载开关被设置为一个或多个第一开关位置时：

车轮的正向扭矩输入端驱动耦合到第一蓄电组件的阳极，并且

车轮的反向扭矩输入端驱动耦合到第一蓄电组件的阴极；以及当所述至少一个负载开关被设置为一个或多个第二开关位置时：

车轮的正向扭矩输入端驱动耦合到第二蓄电组件的阳极，并且

车轮的反向扭矩输入端驱动耦合到第一蓄电组件的阴极。

可选地，在本申请的一个实施例的电动汽车的电控驱动机构中，还包括控制电路，该控制电路被配置为，当处于高电平模态时，根据第一蓄电组件和第二蓄电组件中至少一个的状态参数来设置所述至少一个负载开关的位置。

可选地，在本申请的一个实施例的电动汽车的电控驱动机构中：

在高电平模态中，所述电能缓存器被配置为接收220伏特或240伏特以上360伏特以上的充电电压。

可选地，在本申请的一个实施例的电动汽车的电控驱动机构中，在充电配置中，电能缓存器被配置为向所述电控驱动机构的执行部(连接于所述车轮的扭矩输入端)，提供220、380、200伏特或36伏特以上的电压。

可选地，本申请的一个实施例的电动汽车的电控驱动机构，还包括储能控制单元，该储能控制单元被配置为在低电平模态和高电平模态之间进行选择。

在相应的这些实施例中，根据锂电池组件(或简称：锂电池)电压的变化，动态地对应调整电能缓存器与锂电池组件之间电连接的关系，和/或，动态地对应调整电能缓存器和车轮(扭矩输入端)之间的电连接的关系。从而，通过该居中的电能缓存器，在锂电池等电源与车轮之间建立稳定的馈电通道，从而使得电动汽车中的锂电池通过电控驱动机构后，向车轮的输出功率可以紧紧跟随车辆的操控，进而电控驱动机构及车轮的动态性能都可以得到改善。

例如，在一些实施例中，a)电能缓存器与电控驱动机构的执行部之间的电连接关系通过开关单元的协调工作，在串联和并联之间动态切换，或者b)电能缓存器与锂电池组件之间电连接的关系通过开关单元的协调工作，在串联和并联之间动态切换，这使得“锂电池组件→电能缓存器”的馈电通道，和/或，“电能缓存器→电控驱动机构的执行部”的馈电通道可以动态地弥补锂电池组件的动态特性的不足，例如电压变化速度、加速度的不足，从而使得车轮最终也能获得足够的机械机动性、机械动态性。

与现有技术相比，本发明具有以下优点：

通过本发明的轨迹预测方法可以实现车辆的轨迹预测，基于图时空网络的特征提取模型提取了相邻车辆的时空特征，并结合时空卷积块进行融合，可以预测出更加精准的车辆短期行为趋势。基于LSTM编-解码器建立的周围车辆轨迹预测模型，在编码阶段整合时空位置特征、运动特征、道路特征独立编码；在信息解码阶段结合注意力机制，使得在每个预测时刻，根据各个历史时刻信息对当前预测时刻的影响大小为其分配不同的权重。通过时空卷积块对车辆间依赖关系进行时间与空间的特征提取，LSTM用于对提取时间空位置特征、运动特征、道路特征向量进行存储记忆，确保历史信息不被丢失，并在预测过程中迭代使用，从而，准确预测长期轨迹。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明轨迹预测方法的流程示意图。

图2为双层LSTM单元的编码器结构图。

图3为双层LSTM单元的解码器。

图4为模型训练损失曲线图。

图5最终横向位置预测误差图。

图6最终纵向位置预测误差图。

图7示出了本发明的“可用于其他实施例中的电动汽车”的车轮与电控驱动机构之间的驱动连接结构示意图。

图8示出了图7所示的电动汽车的电控驱动机构中的电能缓存器与车轮之间的馈电电路拓扑示意图；

在附图的描述中，相同、相似或相应的附图标记代表相同、相似的或相应的单元、元件或功能。

具体实施方式

现在将详细地参考实施方案，这些实施方案的示例在附图中示出。在下面的详细描述中陈述了许多具体细节，以便提供对各种所描述的实施方案的充分理解。但是，对本领域的普通技术人员将显而易见的是，各种所描述的实施方案可以在没有这些具体细节的情况下被实践。在其他情况下，没有详细地描述众所周知的方法、过程、部件、电路和网络，从而不会不必要地使实施方案的各个方面晦涩难懂。

现在将详细地参考实施方案，这些实施方案的示例在附图中示出。在下面的详细描述中陈述了许多具体细节，以便提供对各种所描述的实施方案的充分理解。但是，对本领域的普通技术人员将显而易见的是，各种所描述的实施方案可以在没有这些具体细节的情况下被实践。在其他情况下，没有详细地描述众所周知的方法、过程、部件、电路和网络，从而不会不必要地使实施方案的各个方面晦涩难懂。

在本文中对各种所述实施方案的描述中所使用的术语只是为了描述特定实施方案的目的，而并非旨在进行限制。如在对各种所述实施方案中的描述和所附权利要求书中所使用的那样，单数形式“一个”(“a”，“an”)和“该”旨在也包括复数形式，除非上下文另外明确地指示。还将理解的是，本文中所使用的术语“和/或”是指并且涵盖相关联地列出的项目中的一个或多个项目的任何和全部可能的组合。还将理解的是，术语“包括”(“includes”、“including”、“compr ises”和/或“compr ising”)在本说明书中使用时是指定存在所陈述的特征、整数、步骤、操作、元件和/或部件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、部件和/或其分组。

取决于语境，如在此申请中所使用的词语“通过”可以被解释成为“借助”(by)、“依靠”(by vi rtue of)或“凭借”(by means of)。取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，在一些实施例中的“当……”或“当……时”也可以被解释成为“如果”、“如”等条件性假设。类似地，取决于语境，短语“如果(陈述的条件或事件)”,“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”。类似地，取决于语境，在一些实施例中的短语“响应于(陈述的条件或事件)”可以被解释成为“响应于检测(陈述的条件或事件)”或“响应于检测到(陈述的条件或事件)”。

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一也可以被称为第二，反之亦然。取决于语境，如在此所使用的词语“如果”可以被解释成为“在…时”或“当…时”或“响应于确定”。

下面通过实施例的方式进一步说明本申请，但并不因此将本申请限制在的实施例范围之中。

基于以上现有技术的不足，本发明所解决的技术问题在于提供一种车辆轨迹预测的方法，为了预测车辆的轨迹，以进行预处理过的周围车辆轨迹数据作为输入数据，由基于图时空网络的特征提取模型，提取周围车辆间交互的时空特征，并结合时空卷积块进行融合，由基于LSTM编-解码器的轨迹预测算法，使用三个独立的结构化LSTM编码器分别对时空位置特征、运动特征和道路特征进行编码，得到时空位置特征的历史隐藏状态，车辆运动特征的历史隐藏状态，道路约束特征的历史隐藏状态，将时空位置特征、运动特征和道路特征的历史隐藏状态拼接成一个上下文张量，结合注意力机制，使得在每个预测时刻，根据各个历史时刻信息对当前预测时刻的影响大小为其分配不同的权重，结构化LSTM单元作的解码器，通过结构化LSTM单元得到隐藏状态，经过线性变换层输出未来时刻的车辆轨迹序列。

为实现上述目的，本发明采用如下技术方案：

基于数据驱动的周围车辆轨迹预测方法，包括以下步骤：

步骤1、周围车辆数据预处理S1：确定周围车辆的位置、运动和道路等轨迹特性表征参量。基于原始数据提取周围车辆轨迹数据信息，对周围车辆轨迹数据进行预处理，基于K-Modes聚类算法对子轨迹进行聚类以补全稀疏轨迹，建立周围车辆轨迹数据库。

在步骤1中：

从数据集的车辆行驶特性中选取位置信息、运动信息和道路信息如下：

(1)位置特征

相对横、纵向位置，周围车辆间横、纵向距离Δx、Δy。

Δx＝x-x'

Δy＝y-y'

其中，x表示目标周车的横向位置坐标，x'表示其他周车的横向位置坐标，y表示目标周车的纵向位置坐标，y'表示其他周车的纵向位置坐标；

(2)运动特征

横、纵向速度，横向速度v

其中，x

(3)道路特征

车道宽度W，车辆左车道线L，车辆右车道线R。若目标车辆存在左车道，则为1，否则为0。

将目标车辆轨迹及周围车辆轨迹数据合并为一个数据，实现基础数据轨迹维度扩增。根据机器学习中划分数据集原则，将完整的周围车辆轨迹数据按7：3的比例分为模型训练集和验证集。

进行针对周围车辆轨迹数据中的误差轨迹点、冗余轨迹点，利用中值法对数据进行噪声过滤。中值法，目的是针对某一条轨迹中的某个轨迹点，对该点前后多个轨迹点间的距离进行分析，以轨迹点之间距离的大小为基础，判定轨迹点的合理性。

利用对称指数移动平均法对周围车辆的横向运动特征进行处理，基于局部平滑法对周围车辆的纵向运动进行处理。将原始轨迹数据切分成多个子轨迹。

用K-Modes聚类算法对空缺的轨迹点进行补全。

步骤2、基于图时空网络建立轨迹特征提取模型S2：改进图时空网络，建立时空卷积块提取并融合周围车辆间的时空特征，在步骤2中：

通过定义卷积算子改进图形卷积，采用切比雪夫多项式逼近方法计算核函数，图卷积函数为：

其中，T

基于因果卷积和空洞卷积设计时间卷积模型，在因果卷积的基础上引入空洞卷积，在因果卷积的卷积核上增加扩展率参数，用于控制感受野区域采样步长，降低模型的计算量，增大局部感受野。时间卷积网络是由一维全连接卷积和因果卷积构成。

将时间卷积块和图形卷积块交替堆叠，设计时空卷积块融合时间和空间特征，时空卷积块由两层时间卷积网络和一层图形卷积网络构成，图时空卷积网络模型由5个时空卷积块组成。

步骤3、周围车辆轨迹预测S3：利用结构化LSTM单元构建编-解码器，在编码过程中考虑周围车辆的时空位置、运动和道路等特征独立编码，在解码过程中结合图注意力机制，实现周围车辆轨迹的长期预测。在步骤3中：

交通场景中周围车辆的输入特征为：

X＝[x

其中，x

时空位置特征X

X

其中，x、y是观测周围车辆在时间t的横、纵坐标，n是观测周围车辆的数量；

车辆运动特征X

X

其中，v

道路约束特征X

X

其中，W为道路宽度，L为车辆左车道线类型，R为车辆右车道线类型。若目标车辆存在左车道，则为1，否则为0。

LSTM无法直接利用长度不等的轨迹序列进行训练，结合嵌入层将短轨迹进行填充，LSTM将会屏蔽填充位置点。编码器共有t

本文中的解码器共t

计算注意力矩阵：

注意力向量q

预测未来时步为t'，t'＝t

利用特征注意力机制建模出不同特征之间的相关性，通过网络学习自主判断历史时刻的特征的对预测时刻的重要程度并赋值不同的权重系数。

针对网络训练中可能产生的梯度消失和过拟合问题，利用随机梯度下降对网络进行优化。

具体实施如下：

基于数据驱动的周围车辆轨迹预测方法，如图1所示，包括以下步骤：

步骤1：确定周围车辆的位置、运动和道路等轨迹特性表征参量。从数据集的车辆行驶特性中选取位置信息、运动信息和道路信息如下：

(1)位置特征

相对横、纵向位置，周围车辆间横、纵向距离Δx、Δy。

Δx＝x-x'

Δy＝y-y'

其中，x表示目标周车的横向位置坐标，x'表示其他周车的横向位置坐标，y表示目标周车的纵向位置坐标，y'表示其他周车的纵向位置坐标；

(2)运动特征

横、纵向速度，横向速度v

/>

其中，x

(3)道路特征

车道宽度W，车辆左车道线L，车辆右车道线R。若目标车辆存在左车道，则为1，否则为0。

将目标车辆轨迹及周围车辆轨迹数据合并为一个数据，实现基础数据轨迹维度扩增。

基于原始数据提取周围车辆轨迹数据信息，对周围车辆轨迹数据进行预处理。

利用中值法过对轨迹数据中轨迹停留点之间的平均时间和平均距离的计算，结合车辆驾驶速度的上限，去除周围车辆轨迹数据中的误差轨迹点、冗余轨迹点。

利用对称指数移动平均法对周围车辆的横向运动特征进行处理，基于局部平滑法对周围车辆的纵向运动进行处理。

根据时间间隔和空间距离，将不是发生在连续行驶时段内的轨迹进行拆分，获取用户多次驾驶行为所对应的轨迹数据。

利用K-Modes聚类算法对车辆历史子轨迹进行聚类，基于聚类结果为稀疏轨迹补全轨迹点。

到此建立周围车辆轨迹数据库。

步骤2：通过时空卷积块分别提取时空图的时间特征和空间特征并融合。通过时间卷积将时空图传播到一个空间状态进行维度压缩和特征压缩。时空卷积网络的目的是从历史位置特征中提取周围车辆时空特征，时间卷积网络对时空卷积块的时间维度操作。通过使用时间卷积网络，时空卷积模型利用来自时空卷积块的时空图向量预测未来时间序列。时空图通过图时空卷积网络得到时空位置特征：

其中，V

步骤3：交通场景中周围车辆的输入特征为：

其中，x

时空位置特征X

X

其中，x、y是观测周围车辆在时间t的横、纵坐标，n是观测周围车辆的数量；

车辆运动特征X

X

其中，v

道路约束特征X

X

其中，W为道路宽度，L为车辆左车道线类型，R为车辆右车道线类型。若目标车辆存在左车道，则为1，否则为0。

将图时空卷积模型提取到的时空位置特征，周围车辆的运动特征、道路约束特征输入到编码器中。

本文基于结构化LSTM编-解码器建立周围车辆轨迹预测模型，模型参数如表1所示。轨迹预测模型的编-解码器均为两个结构化LSTM单元，将两个LSTM的隐藏单元数量设置为输出维度(2×n，其中n是目标车辆的数量，2是x、y坐标)。编码器的输入通道有256个通道，与特征提取模型的输出相同。

表1模型主要参数设置

编码器的结构如图2所示。编码器输入长度为t

e

其中，φ是ReLU激活函数，Wee是嵌入权重，LSTM(·)表示结构化LSTM单元层，W为结构化LSTM单元层的可训练权重。

得到时空位置特征的历史隐藏状态，车辆运动特征的历史隐藏状态，道路约束特征的历史隐藏状态。

将时空位置特征、运动特征和道路特征的历史隐藏状态拼接成一个上下文张量Q：

其中，M为输入特征数，d为历史隐藏状态维度，t

引入注意力向量q

其中，Tr为转置符号，h

注意力向量q

利用特征注意力机制建模出不同特征之间的相关性，通过网络学习自主判断历史时刻的特征的对预测时刻的重要程度并赋值不同的权重系数。

解码器的结构如图3所示。解码器输出长度为t

e

/>

其中，e

模型的输出Y是未来一段时间内周围车辆的行驶轨迹：

其中，x、y是所有周围车辆在时刻t的横纵坐标，n是车辆数量，t

利用Pytorch深度学习框架中Adam优化器进行优化，在训练过程中对损失函数进行求导，得到函数的梯度；初始化预测模型权重和偏置；设计小批量数据组容量为32，初始学习率为1×10-4，迭代次数为300；在每次迭代过程中，计算损失函数的梯度，更新模型参数，直至预测模型的损失函数收敛。

训练得到网络模型的损失误差曲线如图4所示，在训练预测模型过程中，在每一次迭代后损失函数减小并逐步趋于稳定，最终将损失值为0.23左右，即模型是收敛的。

对本发明数据驱动的周围车辆轨迹预测方法模型进行有效性验证。

对于轨迹预测，比较了一些现有解决方案：

LSTM：利用长短期记忆网络建立单目标车辆的轨迹预测模型；

CS-LSTM：基于机动卷积循环神经网络的多模态车辆轨迹预测框架；

ENC-DEC：基于类似于Seq2Seq模型的标准编解码器架构；

GRIP++：考虑固定图和可训练图，以速度作为输入并将GCN与LSTM编解码器结合的统一框架。

表2数据集上所有方法的预测误差

每种方法在数据集上的性能如表2所示。LSTM是基于单目标车辆历史轨迹对未来轨迹进行预测。CS-LSTM预测误差高，是因为机动分类错误导致会对轨迹预测不准确。ENC-DEC显然单一的编码器没有本文方法由三个独立的编码器进行编码特征预测的要好。GRIP++在自主车辆历史信息的基础上，增加周围车辆的历史信息，考虑车辆间的交互作用关系，降低预测误差。本文方法在GRIP++的基础上考虑更丰富的输入特征，包括被周围车辆的时空位置特征、运动特征和道路结构特征，使得解码器输出更符合真实交通场景的车辆行驶轨迹，提高模型的泛化能力。本文方法在Apol lo、NGSIM数据集中的预测误差低于其他方法，所以本文方法在高速公路场景和城市道路都有良好的表现。

对比了LSTM模型、CS-LSTM模型、ENC-DEC模型、GRIP++模型和本文预测模型的最终横向位置预测误差。如图5所示，当预测时步大于1秒时，LSTM模型的最终横向位置预测误差总是最高的；ENC-DEC模型和GRIP++模型获得相对更准确的最终横向位置预测结果，尤其是在预测时步小于2秒时，LSTM模型预测准确度是所有方法中最高的；当预测时长大于2秒时，本文预测方法和GRIP++模型得到更准确的最终横向位置预测结果。

通过增加周围车数量作为预测模型的输入，GRIP++模型比ENC-DEC模型得到更低的预测误差；在此基础上，本文模型考虑多特征独立编码进一步提高预测准确度。具体的不同预测时长下最终横向位置预测误差如表3所示。

表3不同预测时长下最终横向位置预测误差(米)

对比了LSTM模型、CS-LSTM模型、ENC-DEC模型、GRIP++模型和本文预测模型的最终纵向位置预测误差。如图6所示，验证结果表明，在1秒到2秒的各个预测时步下，LSTM模型的最终纵向位置预测误差总是居高不下；CS-LSTM模型可以得到相对更精准的纵向最终位置预测结果，特别是在预测时步为1秒时，CS-LSTM模型的预测准确性是所有方法中最好的；当预测时步大于1秒时，本文预测模型、ENC-DEC模型和GRIP++模型得到相对更准确的纵向最终位置预测结果。

同样的，横向最终位置误差相似，通过增加更多的周围车辆作为预测模型的输入，有利于提高长期(未来3秒至5秒)轨迹预测准确度。具体的不同预测时长下纵向最终位置预测误差如表4所示。

表4不同预测时长下最终横向位置预测误差(米)

为了验证本文算法不同模块的必要性，表5为不同模块对模型表现，评价指标为未来5s周围车辆的预测轨迹与真实轨迹间的平均距离误差。从中可以看出，在交通场景下，本文完整的周围车辆轨迹预测算法表现的最好，特征提取模型和多特征独立编码是预测模型中最重要的模块，能够提升其预测精度。

表5不同的模块对预测误差结果

综上，通过本发明的轨迹预测方法可以实现周围车辆长期未来轨迹的预测，通过周围车辆轨迹数据的预处理，扩充了轨迹数量，提升了数据质量，通过定义卷积算子改进图形卷积，基于因果卷积和空洞卷积设计时间卷积模型，将时间卷积块和图形卷积块交替堆叠，设计具有五个时空卷积块结构的图时空卷积模型融合时间和空间特征，能够捕获时间与空间上节点之间的相互依赖关系，建立结构化LSTM单元，在车辆历史轨迹的位置特征基础上加入运动特征和道路特征，将三个特征分别独立编码以提高预测长期轨迹精度，在预测过程中引入注意力机制，专注于有用的特征信息，使预测更加精确。基于数据驱动的周围车辆轨迹预测方法，其平均距离误差在合理范围内且有较好的性能预测，为决策规划模块提供有合理轨迹。

可选地，在上述一些实施例中，获取目标车辆ca007的周边预定范围F1、F2、F3、F4、F5、F6、F7、F8中的车辆散布图PD335。根据目标车辆ca007周边车辆散布图PD335之中的车辆ca99的数量所反映的该区域中作为障碍物的车辆的密度，可以控制目标车辆ca007规避那些障碍物密度较高的子区域而优先选择那些障碍物密度较低的子区域进行行进路线规划，如图所示。另外，为了便于计算各个子区域中的车辆等障碍物的权重，该散布图PD335可以被根据经纬度进行网格化处理，以网格为单位计算各个网格之中的车辆数量，结合网格的面积即可获得该网格内的车辆密度、障碍物权重。并且，根据各网格区域F1、F2、F3、F4、F5、F6、F7、F8的障碍物权重，计算并通过显示器呈现散布图PD335的整体重心DP1、DP2、DP3，如图所示。

一些实施例的方法，还进一步包括步骤：自动规划目标车辆ca007的行进路线EF23，该行进路线EF23在其起始段，是沿概率梯度下降最大的方向A23远离障碍物车辆的散布图的重心DP1、DP2、DP3，这样，目标车辆ca007可以以最优路径、最快速度远离那些障碍物分布较多的子区域F3、F4、F8等。

其中，障碍物车辆的分布信息，例如经纬数据等地理位置信息，可以来自于基于车联网的GPS服务等。具体而言，根据这些障碍物车辆ca99落入各个子区域F1、F2、F3、F4、F5、F6、F7、F8中的哪一个网格区域，判断a)各个网格区域中的障碍物车辆的数量的加和，或再结合b)各个子区域F1、F2、F3、F4、F5、F6、F7、F8的障碍物车辆的车型的大小(作为一个障碍物，尺寸差别较大，则其障碍度也有差异)的加权加和。例如，假定区域F1包括10个障碍车辆，区域F2包括10个障碍车辆，其他区域不存在障碍车辆，则当前重心DP1位于区域F1和F2之间的中点。这样，整个车辆散布图PD335的重心可以由各个网格化的子区域中的障碍物车辆的数量、或再结合车辆的型号尺寸而综合确定。

尽管如在此已经说明了实施例的某些特征，但是现在本领域的技术人员将想到许多修改、替换、改变和等效物、因此，要理解的是，权利要求旨在覆盖落入实施例的真正精神内的所有的这种修改和改变。可选地，一些实施例的目标车辆ca007包括车载处理器，该处理器被配置为：将整体重心DP1、DP2、DP3在车辆散布图PD335上的位置信息，无线传输至车载导航显示设备，或者车载终端设备，并指示这些设备：根据所述各网格的权重(障碍物车辆的数量)随时间推移的变化，计算并通过设备的显示器呈现散布图PD335的重心DP1、DP2、DP3随时间推移而产生的矢量轨迹TP31，如图所示。亦即：由车辆散布图PD335上的位置信息随时间的动态变化，会为散布图PD335的整体重心形成一个变化轨迹TP31。具体而言，随着时间推移，障碍物车辆的位置会有所变化，从而，各个网格中障碍物车辆的数量以及整个散布图PD335的重心也会发生对应的变化，本申请的一些实施中，可以将不同的分钟的重心分布，例如第一分钟的车辆散布图PD335的整体重心DP1，第2分钟的车辆散布图PD335的整体重心DP2，第3分钟的车辆散布图PD335的整体重心DP3串联并形成矢量TP31，如图所示。

根据目的地和路程时间的平衡，自动规划目标车辆ca007的行进路线EF23，该行进路线EF23的方向与矢量轨迹TP31的方向不一致或者相反，以最大程度地规避所述矢量轨迹TP31。如图所示，障碍物车辆ca99的分布中心，随时间推移而沿着网格区域F4、F8到网格区域F1、F5的方向，如箭头A12所示，发生移动，如移动轨迹TP31所示。而在本实施例的方法中，根据目标车辆针对该移动轨迹TP31所做的行进路线的规划，在行进路线EF23在其起始段，是沿概率梯度下降最大的方向A23迅速远离障碍物车辆的散布图的当前重心DP1，并根据散布图的重心的移动轨迹TP31中的重心DP2、DP3连线所表征的预判性的移动方向，进一步规避障碍物车辆ca99的整体的移动方向，这样，目标车辆ca007可以以最优路径EF23，从概率上最大程度地规避那些障碍物车辆ca99的当前高密度分布和未来的高密度分布趋势。

籍此，使得车载导航设备上可以以图形化方式直观表现出障碍物车辆的整体分布、分布的变化情况/变化趋势，以及这大大提升了障碍物形式趋势的图形化的呈现以及这种趋势性信息针对用户的可访问性/可获得性。并且，也从几何分布的概率上，最大概率地避开车辆密集分布的位置。

当然，为提升各个网格子区域的车辆分布信息的可访问性、可获得性，也可以针对各个网格子区域的重心及其随时间的变化，以矢量连线的图形化方式呈现在用户车载导航设备/智能终端的显示器上。

_____________________________________________________________________

图7示出了本发明的“可用于其他实施例中的电动汽车”的车轮与电控驱动机构之间的驱动连接结构示意图。图8示出了图7所示的电动汽车的电控驱动机构中的电能缓存器与车轮之间的馈电电路拓扑示意图；

图8示出了根据本申请一些实施例的蓄电组件210和211、电气组件和子组件的示意性的蓄电组件与电控驱动机构的执行部31之间电连接拓扑C311的宏观示意图。蓄电组件210和211中的每一个包括一连接端阳极和一连接端阴极。例如，蓄电组件210具有连接到母线234的一连接端阳极和连接到母线B341的一连接端阴极。另外，蓄电组件211具有连接到母线B343的一连接端阳极和连接到开关ONOFF361的一连接端阴极。

如图8中所示，开关ONOFF361、ONOFF362、ONOFF365和ONOFF367是单极双投(单极双投)的。例如，开关ONOFF361、ONOFF362、ONOFF365和ONOFF367中的任何一个或全部可以是单极双投开关的“ON-ON”或“ON-OFF-ON”类型。开关ONOFF361、ONOFF362、ONOFF365和ONOFF367中的任何一个或全部可以包括一个或多个接触器、继电器、晶体管。例如，开关ONOFF361、ONOFF362、ONOFF365和ONOFF367都可以是单极双投接触器。在另一个实施例中，开关ONOFF361、ONOFF362、ONOFF365和ONOFF367均可以包括适当地布线以实现单极双投连接性的两个单刀单掷(单极单投)接触器。如图8中所示，开关ONOFF371和ONOFF373均为单极单投开关，被配置为将锂电池PG3的对应一连接端连接到母线B341和B343和从其断开。开关ONOFF371和ONOFF373中的任一个或两者可以包括接触器、继电器、晶体管。

如图8中所示，蓄电组件210和211串行耦合。例如，开关ONOFF361和开关ONOFF362被配置为将蓄电组件210的一连接端阳极连接到蓄电组件211的一连接端阴极。图中的电动汽车中的电控驱动机构的执行部31被示为通过开关ONOFF367和开关ONOFF365连接到蓄电组件210、211。如图8中所示，开关ONOFF367将母线B341连接到执行部31的负向扭矩输入端，而开关ONOFF365将母线234连接到执行部31的正向扭矩输入端。

在一些实施例中，蓄电组件210也可以被称为电池单元，还可以包括模块313、315、317和319。在一些实施例中，蓄电组件211也可以包括子模块203、205、207和209，其也可以被称为电池单元。例如，蓄电组件210可以被称为“一串电池单元”(即，串行耦合的电池单元)。蓄电组件210的电压可以是电池单元313、315、317和319的组合。例如，如图8中所示意，蓄电组件210的电压是电池单元313、315、317和319中每一个的电压之和。在另一个实施例中，蓄电组件(例如，蓄电组件210或蓄电组件211)可以包括并行耦合的一个或多个电池单元(例如，以增加蓄电组件的电流容量)。为了清楚起见，根据蓄电组件描述本申请。

为了简单起见，拓扑C311图示了两个蓄电组件，但是根据本申请，可以管理多于两个蓄电组件。例如，可以利用并行地(例如，以110V充电)或串联(例如，以220、240伏特充电)的开关配置来连接分别以220V操作的三个蓄电组件。在另一个实施例中，每个均以220伏特操作(即运行，operate)的三个蓄电组件可以并行地(即并联)配置(例如，以220伏特充电)，或者三个中的两个可以并行地配置，然后再与第三个串联(例如，以220V、240伏特充电)。根据本申请，可以管理任何合适数量的蓄电组件(例如，与开关配置串联或并行耦合)。可以被理解的是，蓄电组件可以包括一个或多个子模块(例如，可以耦合在一起以形成模块的单独子模块)。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，各个可选的技术特征，均可以被以任意合理的方式结合于与其他实施例中，各个实施例之间、各个标题下的内容也可以发生任意的合理组合。每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其它含义，“多种”一般包含至少两种。应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

_____________________________________________________________________

虽然以上描述了本申请的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本申请的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本申请的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本申请的保护范围。