本发明涉及智能网联汽车，尤其涉及一种用于高速场景中自动驾驶汽车编队的轨迹预测方法。
背景技术：
1、由于智能网联汽车行业是交通运输、电子信息和汽车等多领域交叉融合的新兴产业,同时也对未来国家实现节能减排、提高道路交通安全和国家创新能力具有重要的意义,使得其成为了全球未来发展的研究热点之一。自动驾驶技术作为智能网联汽车中的一项关键技术，对于实现上述目标具有重要价值。自动驾驶可以分为环境感知、轨迹预测和决策规划三个子任务。在自动驾驶场景中，自动驾驶车辆通过环境感知模块获取场景中的动态信息（包括智能体的历史轨迹和其他场景中动态变化的信息）和部分静态信息（静态障碍物和道路标识等），结合高精度地图可以构建出场景上下文模型，由轨迹预测模块给出场景中智能体在未来一段时间内的运动轨迹，将以上信息传递给决策规划模块用于对自动驾驶汽车的驾驶行为进行规划。
2、轨迹预测模块通常遵循一种编解码框架，首先将智能体的历史轨迹和地图相关数据处理为基于图像、向量或有向图的表征形式，再通过编码器进行编码，编码后的特征可以由解码器进行具体的轨迹预测。其中编解码器通常可以由cnn、rnn、transformer或简单的mlp实现。在编解码器之间可能会有特殊设计的模块进行多个智能体之间、智能体与静态环境之间的信息交互和传递更新。
3、中国专利“cn116552567a一种l3高速自动驾驶的交互增强轨迹预测方法及系统”提出了一种用于高速场景自动驾驶的轨迹预测方法，主要包括以下部分：获取预测主车和周围车辆的历史轨迹；构建轨迹预测模型，包括输入模块、目标编码模块、交互编码模块和解码模块，其中，输入模块对轨迹进行编码和添加位置信息，得到轨迹特征，目标编码模块预测主车的轨迹特征进行处理得到目标编码特征，交互编码模块对预测主车和周围车辆的轨迹特征进行处理得到交互编码特征，解码模块基于目标编码特征和交互编码特征进行解码，得到预测的未来轨迹。该专利提出的方法适用于高速场景的自动驾驶汽车，但对于高速上汽车编队场景中的预测只能够实现单车环境建模和单车单独预测周围车辆轨迹。除了存在计算冗余的问题之外，单车单独预测的轨迹可能存在冲突，导致后续车辆编队决策规划无法正常进行，影响车队行驶安全。
4、美国专利“us20210304018a1 systems and methods for predicting agenttrajectory”提出了一个预测交通环境中智能体轨迹的系统，该系统根据当前场景和智能体类别的不同而选择不同的预测算法。所述预测算法主要接受由各种车载传感器数据描述的上下文环境，同时考虑由定位数据和语义地图得到的当前交通场景（静态道路环境）信息。所述系统使用了较简单的基于神经网络的预测算法，且对于高速场景和车群对象没有覆盖。
5、现有轨迹预测方法通常针对的是自动驾驶汽车（单车）采集周围信息，并对周围智能体进行预测的场景，对于自动驾驶汽车编队来说，没有相关文献提出适用于编队决策规划、编队控制等场景的预测算法。
技术实现思路
1、本发明要解决的技术问题是针对上述现有技术的不足，提供一种用于高速场景中自动驾驶汽车编队的轨迹预测方法，不仅可以解决车队中单车预测情况下对于周边动静态场景编码的重复计算问题，也可以由车队整体预测来解决单独预测中对于场景理解存在差异，而造成的预测冲突，继而产生的安全性问题。
2、为解决上述技术问题，本发明所采取的技术方案是：
3、一种用于高速场景中自动驾驶汽车编队的轨迹预测方法，包括：
4、步骤1：基于单车传感器数据的感知结果聚合；
5、首先需要收集车队中各车辆通过环境传感器对于周边环境的感知结果，基于车队整体对于周边动态环境和静态环境的感知；
6、步骤2：通过编码器进行长距离、超长距离的历史轨迹信息编码；
7、步骤3：由解码器部分进行具体轨迹的多模态多目标联合预测。
8、进一步地，所述步骤1中，基于环境传感器的感知任务仍由单车各自进行，单车环境感知任务完成后，感知结果需要传输至车辆编队控制器，感知结果包括目标类别、目标id、目标3d位姿，由车辆编队控制器完成单车感知结果的聚合，进一步结合高精度地图数据后，完成车队所处环境中动态和静态上下文的建模部分。
9、进一步地，所述步骤2的编码使用hivt中的层次化编码器，在空间维度上划分为局部和全局两个层次，分别做局部编码和全局编码；
10、划分局部的方法是：针对场景中每个智能体，以其为中心，半径为r范围内的所有相邻智能体作为一个局部区域，即若有a个智能体则划分a个局部区域，在每个局部区域内，将相邻智能体的位置和角度转换为相对于中心智能体的位置和角度，则在每个局部区域内能实现智能体之间的轨迹信息交互编码，称为智能体-智能体交互；hivt的局部编码还从时间维度上进行解耦，具体是在智能体-智能体交互中按时间步划片，只在时间步t中进行智能体-智能体交互编码，完成所有智能体-智能体交互编码后再做时间维度编码。
11、进一步地，所述智能体-智能体交互编码中，使用cross-attention机制将每个局部区域内相邻节点的信息聚合到中心节点，得到该局部区域中聚合了邻域智能体交互关系的中心智能体的编码，如下式所示：
12、
13、其中，
14、
15、
16、
17、
18、以上公式中，、分别是局部区域的中心智能体i和其邻域智能体的位置信息编码，是智能体i周围的智能体集合；由线性变换，将中心智能体位置信息编码映射为查询向量qit，邻域智能体的位置编码映射为键向量kijt和值向量vijt；为线性变换的参数；为键向量kijt的第一个维度；为避免点积结果过大或过小，采用缩放点积注意力计算注意力分数αit，以向量维度的平方根作为缩放因子，最终得到该局部区域中聚合了邻域智能体交互关系的中心智能体的编码。
19、进一步地，所述时间维度编码中，使用self-attention机制将每个聚合了邻节点信息的智能体的所有历史时间步编码进行时间维度的加权聚合，如下：
20、
21、
22、其中，si是智能体 i在所有时间步的聚合了局部智能体交互关系的编码，采用线性变换将si分别映射为查询向量qi、键向量ki和值向量vi，为此处线性变换的参数；为键向量ki的第一个维度；使用缩放点积注意力的形式在历史时刻t步中做自注意力计算，得到的是智能体 i的聚合了时间、空间两个维度信息的编码；矩阵m用于保证按照时间顺序从0向t聚合信息，其中每个元素计算方式如下：
23、
24、其中，u、v表示不同时间步。
25、进一步地，所述全局编码中使用cross-attention机制对各局部区域的中心智能体编码进行全局聚合，如下：
26、
27、
28、
29、其中，hi、hj表示局部区域中心智能体 i、 j的编码，由聚合了时间、空间信息的智能体编码经过一个mlp映射得到；eij是智能体 i和 j之间的位置关系编码，由线性变换将局部区域智能体编码分别映射为查询向量、键向量、值向量，、为此处线性变换的参数；[·]表示向量连接操作；通过缩放点积注意力计算，得到关于智能体 i的聚合了全局时间、空间及与其他智能体交互关系编码higlobal：
30、
31、其中，为键向量的第一个维度。
32、进一步地，在解码器中经一次计算得到所有目标的未来轨迹，即以多目标联合预测的形式进行输出，给出k种模态的预测值；
33、解码器部分采用简单的3层mlp结构进行具体的轨迹以及分数预测。
34、采用上述技术方案所产生的有益效果在于：本发明提供的用于高速场景中自动驾驶汽车编队的轨迹预测方法，通过聚合高速汽车编队中多车感知数据，实现了长距离/超长距离的历史轨迹数据捕获，从而实现了长距离/超长距离驾驶场景的动态及静态环境上下文建模。基于上述环境建模，实现了基于高速车队感知数据的轨迹预测方法。相对于基于单车感知数据的轨迹预测方法，由于本发明将车队的感知数据整体建模，只进行一次预测，不仅降低了轨迹预测任务的计算冗余度，同时消除了多个单车预测结果的潜在冲突导致的安全隐患。另外，本发明采用了基于空间划片和时间解耦的层次化编码器结构，以及嵌入式设备友好型的解码器计算单元，进一步降低了轨迹预测任务的计算量。
1.一种用于高速场景中自动驾驶汽车编队的轨迹预测方法，其特征在于：包括：
2.根据权利要求1所述的用于高速场景中自动驾驶汽车编队的轨迹预测方法，其特征在于：所述步骤2的编码使用hivt中的层次化编码器，在空间维度上划分为局部和全局两个层次，分别做局部编码和全局编码；
3.根据权利要求2所述的用于高速场景中自动驾驶汽车编队的轨迹预测方法，其特征在于：所述智能体-智能体交互编码中，使用cross-attention机制将每个局部区域内相邻节点的信息聚合到中心节点，得到该局部区域中聚合了邻域智能体交互关系的中心智能体的编码，如下式所示：
4.根据权利要求2所述的用于高速场景中自动驾驶汽车编队的轨迹预测方法，其特征在于：所述时间维度编码中，使用self-attention机制将每个聚合了邻节点信息的智能体的所有历史时间步编码进行时间维度的加权聚合，如下：
5.根据权利要求2所述的用于高速场景中自动驾驶汽车编队的轨迹预测方法，其特征在于：所述全局编码中使用cross-attention机制对各局部区域的中心智能体编码进行全局聚合，如下：
6.根据权利要求1所述的用于高速场景中自动驾驶汽车编队的轨迹预测方法，其特征在于：在解码器中经一次计算得到所有目标的未来轨迹，即以多目标联合预测的形式进行输出，给出k种模态的预测值；
