(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210693521.4 (22)申请日 2022.06.17 (71)申请人 同济大学 地址 200092 上海市杨 浦区四平路1239号 (72)发明人 倪颖　李建强　孙剑　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 专利代理师 夏健君 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/20(2020.01) B60W 60/00(2020.01) (54)发明名称 一种非机动车轨 迹预测方法 (57)摘要 本发明涉及提供一种非机动车轨迹预测方 法， 包括基于待预测场景信息计算待测非机动车 终点的可行域， 并通过离散采样得到可行终点集 合； 采用预先构建并训练好的深度学习模型， 根 据待预测场景信息和可行终点集合， 生成待测非 机动车的备选轨迹集合； 采用预先构建的非机动 车的行为解析模型， 对备选轨迹集合进行评估， 并选择最大效用轨迹； 行为解析模 型用于计算轨 迹效用， 该轨迹效用量化为预期轨迹风险和轨迹 效率的异质性求和。 与现有技术相比， 本发明可 以适应非机动车灵活多变的行为特征， 在消除迭 代预测中的累计误差和针对非机动车突变行为 的轨迹预测方面均具有一定的优势， 极大地提高 了非机动车轨 迹预测的准确性和可靠性。 权利要求书3页 说明书12页 附图1页 CN 115186576 A 2022.10.14 CN 115186576 A 1.一种非机动车轨 迹预测方法， 其特 征在于， 包括以下步骤： S1： 基于待预测场景信息， 计算待测非机动车的终点的可行域， 并通过离散采样得到可 行终点集合； S2： 采用预先构建并训练好的深度学习模型， 根据待预测场景信息和可行终点集合， 生 成待测非机动车的备选 轨迹集合； S3： 采用预先构建的非机动车的行为解析模型， 对备选轨迹集合进行评估， 并选择最大 效用轨迹； 所述行为解析模型用于计算轨迹效用， 该轨迹效用量化为预期轨迹风险和轨迹 效率的异质性 求和。 2.根据权利要求1所述的一种非机动车轨迹预测方法， 其特征在于， 所述待预测场景信 息包括待测非机动车信息、 其它交通参与者信息以及环境信息； 所述非机动车 的所有可行 终点的预测过程包括： 根据待预测场景信 息计算待测非机动车在前进方向和横向的最大最小位移， 生成终点 的可行域； 在该可行域中去除其它交通参与者的占位区域， 得到待测非机动车所有终点的 可行域。 3.根据权利要求2所述的一种非机动车轨迹预测方法， 其特征在于， 所述待测非机动车 在前进方向和横向的最大最小位移的计算表达式为： 式中， xmax、 xmin、 ymax和ymin分别是待测非机动车沿x轴和y轴的在预测时间内可能到达的 最远和最近距离； xcurrent和ycurrent分别是待测非机动车的当前x、 y坐标； 和 分别是待测非机动车的当前在x、 y轴方向的速度； 和 分别是待测 非机动车在x轴和y轴正向和负向的最大加速度； 所述在该 可行域中去除其它交通 参与者的占位区域的计算表达式为： 式中， xocc和yocc表示待测非机动车的可行域内的物体位置； Ω表示以(xocc， yocc)为质心 的空间形状； 为空集， 表示该区域 不算在可行域内。 4.根据权利要求1所述的一种非机动车轨迹预测方法， 其特征在于， 所述离散采样具体 为， 以菱形占位为基准进 行空间离散化采样； 所述菱形占位是动态可变的， 所述菱形占位的 表达式为： S＝Ω(a， σ a) 式中， S为采样空间的面； Ω(a， σ a)表示菱形区域， 其中a为菱形的长轴， 即描述待测非 机动车前进方向空间的采样； σ a为菱 形的短轴， 描述待测非机动车运动 横向空间的采样， 其 中0＜σ ＜1， 通过调整σ 和a的取值改变空间采样的密集度， 实现算法在运行速度和预测准确权　利　要　求　书 1/3 页 2 CN 115186576 A 2性之间的平衡。 5.根据权利要求1所述的一种非机动车轨迹预测方法， 其特征在于， 所述深度 学习模型 用于根据输入的轨迹起点信息和轨迹终点信息， 生成轨迹的中点信息； 所述待测非机动车 的备选轨迹集合的生成过程具体为： 根据待测非机动车的起点和可行终点集合， 采用轨迹生成算法， 通过所述深度学习模 型不断迭代生成轨迹终点， 从而得到非机动车轨迹； 遍历所述可行终点集合中的各个终点， 得到所述备选 轨迹集合。 6.根据权利要求5所述的一种非机动车轨迹预测方法， 其特征在于， 所述轨迹生成算法 的计算过程包括以下步骤： S201： 选取 可行终点集合中的第i个终点作为当前的轨 迹生成终点， 设置迭代 代数K； S202： 基于起 点信息和已知终点 位置生成完整的起终点特 征向量； S203： 将所述起终点特征向量载入训练好的深度学习模型中， 生成中间轨迹点的绝对 位置坐标； S204： 将所述中间轨 迹点的绝对位置坐标转 化为比例坐标； S205： 根据所有已知的轨 迹点信息， 选取终点 位置， 返回步骤S202， 并执 行K＝K‑1： S206： 判断K＝0是否成立， 若成立则执 行步骤S207， 若不成立则循环执 行步骤S20 5； S207： 设置i＝i+1， 重复执行步骤S201至S206， 直至完成预设的轨迹集合的全部生成任 务。 7.根据权利要求5所述的一种非机动车轨迹预测方法， 其特征在于， 完整的起终点特征 向量包括待测非机动车和交互对象起点和终点位置的参数， 该参数包括坐标、 速度、 加速 度、 曲率和车辆类型； 待测非机动车和交 互对象终点 位置的速度和 加速度的计算表达式为： 式中， P、 V、 A、 s分别表示位置坐标、 速度、 加速度和车辆类型； 其中P＝{x， y}， V＝{v_x， v_y}， A＝{a_x， a_y}， 分别表示研究对象在x、 y坐标轴上位置、 速度和加速度； s＝{0， 1， 2}， 分别表示代表机动车、 电动自行车和常规自行车； 上标host、 int分别表示研究主体和交互 对象； 下标start、 end和mid分别表示起终点和中间轨迹点； t表示预测时间； 所述交互对象 为当前时刻下与待测非机动车欧氏距离最近的一个其 他交通参与者。 8.根据权利要求1所述的一种非机动车轨迹预测方法， 其特征在于， 所述轨迹效用的计 算表达式为： 权　利　要　求　书 2/3 页 3 CN 115186576 A 3