(19)中华 人民共和国 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 202111222534.5 (22)申请日 2021.10.20 (71)申请人 南京理工大 学 地址 210094 江苏省南京市玄武区孝陵卫 200号 (72)发明人 何赏璐　罗开杰　叶茂　郭孝洁　 詹毓超　朱吕恺　 (74)专利代理 机构 南京苏创专利代理事务所 (普通合伙) 32273 代理人 张学彪 (51)Int.Cl. G08G 1/01(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G06F 30/27(2020.01) (54)发明名称 基于时空图神经网络的智能网联车换道决 策建模方法 (57)摘要 本发明涉及一种基于时空图神经网络的智 能网联车换道决策建模 方法,属于智能网联汽车 控制技术领域， 包括步骤获取车辆轨迹与运动参 数的历史数据并生成特征向量； 构建关联车辆的 图结构并生成与图结构对应的图数据； 构建时空 图神经网络模 型； 对时空图神经网络模型进行训 练和优化； 利用模型进行实际换道决策。 本发明 引入图注意力单元， 使得在车辆进行换道决策 时， 能够着 重关注空间上对换道决策有重大影 响 的周围车辆状态， 降低对其他非重要车辆的关 注； 同时引入门控循环单元， 在车辆进行换道决 策时， 丢弃时间上重复且非重要信息数据， 根据 重要信息数据进行决策， 从而有效提升决策效 率。 权利要求书3页 说明书7页 附图4页 CN 114170789 A 2022.03.11 CN 114170789 A 1.一种基于时空图神经网络的智能网联车换道决策建模方法， 其特征在于： 包括以下 步骤： 步骤1： 获取车辆轨迹与运动参数的历史数据， 并根据车辆轨迹与运动参数的历史数据 生成车辆特 征向量， 所述车辆特 征向量表示目标 车辆当前时刻特 征； 步骤2： 构建 关联车辆的图结构并生成与图结构对应的图数据 步骤2.1： 将某一时刻目标车辆以及相邻车道LaneN,T上与其有直接联系的M辆周围车辆 作为图结构中的节点， 目标 车辆与M辆车的联系作为图结构的边， 将此图结构记为GN,T。 步骤2.2： 将步骤1中获取的历史数据进行处 理， 生成与图结构对应的图数据； 步骤2.3： 分割数据集： 将原始车辆历史轨迹数据处理为车辆时空图结构数据后， 将数 据根据车辆编号N随机打乱， 并以一定比例将其划分为训练数据集Tr ainingSet、 验证数据 集ValidationSet和测试数据集TestSet； 步骤3： 构建时空图神经网络模型， 所述时空图神经网络模型包括输入层、 输出层和两 个隐藏层， 所述两个隐藏层分别为图注意力层和门控循环单 元层； 步骤4： 对时空图神经网络模型进行训练和优化 步骤4.1： 模型参数初始化， 所述模型参数包括隐藏状态h0， 可学习权重ω， 偏置项b， 时 空图神经 单元中的激活函数am以及模型每一层神经 元个数； 步骤4.2： 利用训练数据集Trai ningSet对换道决策模型进行训练； 步骤4.3： 对换道决策模型进行优化； 步骤4.4： 使用测试 数据集TestSet对换道决策模型进行性能测试； 步骤5： 向时空图神经网络模型输入车辆实时的轨迹与运动参数， 输出换道决策结果 YN* ,T。 2.根据权利要求1所述的基于时空图神经网络的智能网联车换道决策建模方法， 其特 征在于： 所述车辆轨迹与运动参数包括目标车辆的车辆编号N、 车道编号LaneN,T、 时间T、 车 辆坐标、 速度VN,T、 加速度AN,T、 车辆长度LN、 车辆宽度WN、 车辆朝向ON,T和车辆状态LabelN,T， 所 述车辆坐标包括横向距离XN,T和纵向距离YN,T， 所述车辆朝向为当前时刻车辆中心点坐标与 下一时刻车辆中心点坐标连线与水平线夹角， 所述车辆状态Lab elN,T表示车辆是否正在进 行换道， 即换道状态标记为1， 跟驰状态标记为0 。 3.根据权利要求1所述的基于时空图神经网络的智能网联车换道决策建模方法， 其特 征在于： 所述车辆特征向量通过目标车辆当前时刻除车辆编号N、 时间T与车辆状态 LabelN,T 的其它数据集 合而成， 记为FN,T＝[LaneN,T,XN,T,YN,T,VN,T,AN,T,LN,WN,ON,T]。 4.根据权利要求1所述的基于时空图神经网络的智能网联车换道决策建模方法， 其特 征在于： 所述图数据包括边数据EN,T、 边属性数据EFN,T、 节点标签数据NLN,T、 节点位置数据 NPN,T和节点属性数据NFN,T， 车辆的时空图结构数据表示为上述图数据的集合， 即GFN,T＝ [EN,T,EFN,T,NLN,T,NPN,T,NFN,T]。 5.根据权利要求4所述的基于时空图神经网络的智能网联车换道决策建模方法， 其特 征在于： 所述 步骤2.2的具体过程 为： 步骤2.2.1： 生成边数据： 以车辆编号对的形式表示车辆之间有直接联系， 以点对 的形 式表示两节点之间的边， 所述图结构是无向的， 两个节点之间的边通过两个数值位置对换 的点对表示， 所述数值为车辆编号N， 所述图的边数据 表示为中心节点与周围节点的点对集权　利　要　求　书 1/3 页 2 CN 114170789 A 2合， 即EN,T＝[(i,j),(j,i), …]； 步骤2.2.2： 生成边属性数据： 所述边属性数据 为碰撞时间TTC， 目标车辆i与周围车辆j 的碰撞时间T TC计算公式如下： ： 图的边属性数据表示为中心节点与周围节点之间碰撞时间TTC值的集合， 即EFN,T＝ [TTCi,j,…]； 步骤2.2.3： 生成节点标签数据： 所述节点标签为车辆状态LabelN,T， 图的节点标签数据 表示为所有节点标签的集 合， 即NLN,T＝[labeli,labelj,…](i＜j)； 步骤2.2.4： 生成节点位置数据： 所述节点位置为当前时刻车辆坐标， 所述车辆坐标为 包含横向位置和纵向位置的点对(xi,t,yi,t)， 图的节点位置数据表示为所有车辆坐标的集 合， 即NPN,T＝[(xi,yi),(xj,yj),…](i＜j)； 步骤2.2.5： 生成节点属性数据： 所述节点属性为车辆特征， 图的节点属性数据表示为 当前时刻图中所有车辆特 征向量的集 合， 即 NFN,T＝[(Lanei,xi,yi,vi,ai,li,wi,oi),(Lanej,xj,yj,vj,aj,lj,wj,oj),…](i＜j)。 6.根据权利要求1所述的基于时空图神经网络的智能网联车换道决策建模方法， 其特 征在于： 所述 步骤3的具体过程 为： 步骤3.1： 构建模型输入层： 将当前时刻图中所有节点属性按照编号大小顺序拼接起来 作为输入向量， 向量中的每一个数据对应输入层的一个神经 元数值； 步骤3.2： 将输入层向量输入隐藏层的图注意力层， 以经过图注意力单元加权运算后的 目标车辆隐藏特 征ft'作为输出， 计算公式如下： 其中eij为注意力系数， αij为softmax归一化后的概率分布， ft′为图注意力单元加权运 算后的目标车辆隐藏特征， am为第m个激活函数， ω为可学习权重， fi为目标车辆特征， fj为 周围车辆特征，Ni是节点i包含自身的所有相邻节点集合。 因为目标车辆存在自环， 因此存在 i＝j； 步骤3.3： 将图注意力加权运算后的目标车辆隐藏特征ft'输入隐藏层的门控循环单元 层， 以经过门控循环单 元加权运 算后的隐藏状态ht作为输出， 计算公式如下： 权　利　要　求　书 2/3 页 3 CN 114170789 A 3