本发明涉及自动驾驶轨迹预测领域，尤其涉及考虑融合知识和多阶段目标指导的车辆轨迹预测方法。
背景技术：
1、准确预测周围车辆的轨迹对于自动驾驶系统实现高效、安全和拟人化的运动规划至关重要。在交互式环境中，轨迹预测的关键挑战是捕获运动目标的不确定性以及确保预测结果的场景一致性。近年来，目标指导的车辆轨迹预测方法的主要步骤是：首先确定车辆运动目标，然后再基于这些目标预测轨迹。该方法通过将未来轨迹分布与车辆的目标意图关联，显著提升了长时域轨迹预测的性能。然而，目前大多数的目标指导车辆轨迹预测方法只估计一个最终的长期目标点，忽视了车辆的运动目标会随时间动态变化和在行驶过程中通常会提前规划多个中间目标。此外，车辆会根据当前状态和周围环境来选择符合道路拓扑结构和交通规则的潜在目标，而不会不加区分地关注所有物理空间。然而，现有方法通常在不受约束的二维空间中采样目标点，忽略了车辆运动受道路几何形状、地图拓扑结构和交通规则约束的事实。以上两个问题通常导致预测轨迹偏离车道或违反交通规则，从而降低预测场景一致性和稳定性。因此，如何整合领域知识和交通规则，设计一个动态目标筛选区域以过滤大量不合法的虚假候选目标，并在此区域内估计多个合理的中间目标以指导和约束车辆轨迹预测，从而促进自动驾驶系统产生稳定和可靠的驾驶决策，是亟待解决的问题。
技术实现思路
1、为解决现有技术存在的上述问题，本发明要提出一种融合知识的多阶段目标指导车辆轨迹预测方法，利用多阶段目标车道段约束和指导的车辆轨迹预测，并通过整合领域知识和交通规则设计一个动态目标筛选区域过滤大量不合法的虚假候选目标，在实现更快和更准确轨迹预测的同时，提高预测的场景一致性和稳定性。
2、为了实现上述目的，本发明的技术方案如下：一种融合知识的多阶段目标指导车辆轨迹预测方法，包括以下步骤：
3、a、车辆信息与局部高精地图预处理
4、a1、利用自动驾驶系统的感知和定位技术，获得周围n个车辆历史th个时刻的信息以及米范围内的高精地图信息所述的周围n个车辆包括本车。并将所有信息规范化到局部坐标系中，所述局部坐标系原点设定为目标车辆的当前位置，目标车辆的纵向前进方向定义为局部坐标系的y轴正方向。
5、a2、对于周围车辆i，将其相邻时刻的信息连接成向量。因此，周围车辆i历史th个时刻的信息被表示成th-1个向量的集合si，向量维度设置为vdim，即：
6、
7、式中，上标t∈[-th+2,0]是时间戳，下标i∈[1,n]是周围车辆编号，是向量起点位置，是向量起点的x轴坐标，是向量起点的y轴坐标，是向量终点位置，是向量终点的x轴坐标，是向量终点的y轴坐标，是速度，是朝向，是
8、加速度，onehot(i)是用于本车、目标车辆和其他车辆的独热编码，padveh是零填充。最终，n个周围车辆th个时刻的信息表征如下：
9、
10、式中，表示周围车辆i在t时刻的向量特征。
11、a3、对于局部高精地图，所有车道中心线被分割为l个不重叠的片段，每段由d个等距点组成。对于车道段l，将相邻的点连接成向量。因此，d个等距点被表示成d-1向量的集合ml，向量维度设置为vdim，表示如下：
12、
13、式中，上标d∈[1,d-1]是等距点的编号，下标l∈[1,l]是车道段编号，是向量起点位置，是向量起点的x轴坐标，是向量起点的y轴坐标，是向量终点位置，是向量终点的x轴坐标，是向量终点的y轴坐标，是向量偏航角，是转弯方向、所述转弯方向包括左转、右转和直行，表示是否位于路口，表示是否存在后邻居，表示是否存在前邻居，idx是车道段的索引，padmap是零填充。最终，l个由d个等距点组成的车道段被表征如下：
14、
15、式中，表示车道段l第d个等距点的向量特征。
16、b、基于交通规则和领域知识过滤掉不合法的车道段
17、b1、基于交通规则确定种子车道段
18、计算每个车道段等距点的位置与目标车辆当前位置的最小距离δd，下标l是车道段的编号，上标d是等距点的编号，下标tar表示目标车辆，上标0表示当前时刻。然后，计算每个车道段等距点的偏航角与目标车辆当前朝向的最小差值δy，表示如下：
19、
20、
21、式中，dist(·)是计算欧式距离的函数，min(·)是取最小值的函数。
22、在确定种子车道段的第一阶段，将满足条件δd<τd且δy<τy的车道段标记为候选种子车道段，其中τd是设定的距离阈值，τy是设定的朝向差阈值。在确定种子车道段的第二阶段，依据交通规则和车道拓扑关系，将每个车道中离目标车辆当前位置最近的候选种子车道段视为种子车道段seedlane，种子车道段来自当前车道或相邻车道。
23、b2、基于领域知识搜索合法车道段
24、首先根据目标车辆的当前状态以及运动学知识，确定前向搜索深度τsucc和后向搜索深度τprec，表示如下：
25、
26、τprec＝δ
27、式中，tf是预测时长，目标车辆的当前速度，目标车辆的当前加速度，0<δ<500是固定常量。
28、然后，以步骤b1确定的种子车道段seedlane作为搜索起点，基于广度优先搜索算法获得合法的车道段表示如下：
29、
30、
31、
32、式中，bfs(·)是广度优先搜索算法，linksucc是车道前向邻接关系，linkprec是车道后向邻接关系，是前向合法车道段，是后向合法车道段，是全部合法车道段。最后，采用步骤a3预处理
33、c、车辆和地图信息编码与社会交互捕获
34、c1、基于车辆历史信息和高精地图信息的统一表征，采用由门控多层感知器即gmlp构成的结构相同、权重不同的三个编码器，分别编码步骤a2、步骤a3和步骤b2表征的向量集合和提取车辆特征fv、全部车道段特征fm和合法车道段特征表示如下：
35、
36、
37、
38、式中，vehiclenet(·)是车辆特征编码器，wv是提取车辆特征的权重，mapnet(·)是地图特征编码器，wm是提取全部车道段特征的权重，是提取合法车道段特征的权重。
39、c2、基于步骤c1提取的车辆特征fv、全部车道段特征fm和合法车道段特征采用由自注意力机制构成的车辆-车辆交互器捕获车辆-车辆交互特征fv2v，采用由交叉注意力机制构成的车辆-地图交互器捕获车辆-地图交互特征fv2m，采用由交叉注意力机制构成的地图-地图交互器捕获地图-地图交互特征表示如下：
40、fv2v＝sa(fv,fv)
41、fv2m＝ca(fv2v,fm)
42、
43、式中，sa(·)自注意力机制模块，ca(·)交叉注意力机制模块。
44、d、多阶段目标预测与基于目标指导的解码
45、d1、基于车辆在运动时提前规划多个中间目标以确保安全到达目的地的事实，因此利用合法车道段特征车辆-地图交互特征fv2m和地图-地图交互特征从合法车道段内估计k组j阶段的目标车道段表示如下：
46、
47、
48、
49、
50、
51、式中，φcat(·)是特征拼接操作，是多层感知器即mlp，softmax(·)是softmax函数，scorej是第j阶段的概率得分表，argtop(·,k)是取top k值索引函数，index(·)是按索引取值函数。
52、d2、遵循目标指导方法的范式，利用步骤d1的多阶段目标车道段引导和约束轨迹预测。
53、首先，为促进预测场景一致性和稳定性，通过交叉注意力机制将多阶段目标车道段和车辆-地图交互fv2m进行融合，得到融合特征表示如下：
54、
55、然后，为避免预测轨迹与目标车道段随着时间的推移相互偏离，基于可学习的query构建一个动态自适应调整器，表示如下：
56、
57、式中，φ是可学习的query，⊙是逐元素点积操作，θ是动态自适应调整器的输出特征。
58、最后，为增强对场景信息的深度理解，将地图-地图交互特征作为门控循环单元即gru的初始隐藏状态，并将其作为概率预测的条件之一。利用gru解码得到多条轨迹，利用mlp解码得到相关的概率，表示如下：
59、
60、
61、式中，υk是预测的第k条轨迹，pk是预测的第k条轨迹的概率，k是预测轨的编号。
62、进一步地，步骤b2所述广度优先搜索算法用深度优先搜索算法或蒙特卡洛树搜索算法代替。
63、与现有技术相比，本发明具有以下有益效果：
64、1、本发明基于车辆在通往目的地的过程中会提前规划多个中间目标的事实，在沿途估计多阶段的目标车道段来指导和约束轨迹预测。通过利用目标车道段提供的合理先验和有益的信息减少预测过程中的累积误差，从而提高轨迹预测的场景一致性和稳定性。
65、2、本发明考虑车辆通常会根据当前状态和周围环境来选择符合道路拓扑结构和交通规则的目标，通过整合领域知识和交通规则设计动态目标车道段筛选区域，过滤大量不合法的虚假候选目标的干扰，实现更快、更准确的轨迹预测。
1.一种融合知识的多阶段目标指导车辆轨迹预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述一种融合知识的多阶段目标指导车辆轨迹预测方法，其特征在于：步骤b2所述广度优先搜索算法用深度优先搜索算法或蒙特卡洛树搜索算法代替。
