1.本技术涉及自动驾驶技术领域，具体地，涉及一种基于数据驱动模态表征与区域注意力的多模轨迹预测方法。
背景技术：
2.准确可靠的车辆轨迹预测是自动驾驶车辆的核心功能之一，也是高质量的局部运动规划和决策的基础。然而，由于车辆间复杂的相互作用和机动类别的多样性，准确预测未来的轨迹是一项具有挑战性的任务。
3.在动态密集的交通场景中，车辆的运动不仅受自身历史路径的影响，还受周围车辆的影响。例如，目标车辆需要考虑周围的车辆，以避免在倾向于变道时发生碰撞，因此，车辆间的相互作用建模是车辆轨迹预测的关键。然而，如何为交互建模选择合适的范围成为一个棘手的问题。现有的一些方法只考虑距离目标车辆较近的周围车辆，而忽略了非局部的相互作用，使得相互作用表征不完整，影响了轨迹预测的精度。其他方法在建模交互时，通过考虑更大范围的周围车辆来捕捉完整的交互，这使得来自无关周围车辆的信息在交互表征中成为噪声，并最终干扰模型预测。此外，受驾驶员个性化特征、生理和心理因素的影响，目标车辆在同一交通场景中存在多种合理的机动选择，即使在做同样的机动时，不同车辆的执行方式也各不相同。单峰轨迹的预测会产生多模态的平均值，从而导致模态崩溃。因此，研究者开展了多模态轨迹预测的相关研究，现有的方法大多倾向于用独热编码作为不同机动类别的模态先验来解码多模态轨迹。然而，独热编码是一种低维稀疏向量，难以有效地表征复杂的轨迹模式，另外，所有具有相同机动类别的轨迹模态用相同的独热编码表示，忽略了轨迹内部的差异。
技术实现要素：
4.为了克服现有技术中的至少一个不足，本技术提供一种基于数据驱动模态表征与区域注意力的多模轨迹预测方法。
5.第一方面，提供一种基于数据驱动模态表征与区域注意力的多模轨迹预测方法，包括：
6.获取目标车辆及其周围车辆在历史时间段的运动信息；运动信息包括x方向的位置、速度和加速度，y方向的位置、速度和加速度；
7.将目标车辆及其周围车辆在历史时间段的运动信息输入到多模态轨迹预测模型中，得到目标车辆的多模态轨迹预测结果；多模态轨迹预测模型包括：基于意图的区域注意力机制模块ira、个性化模态表征模块dim、长短期记忆人工神经网络；
8.基于意图的区域注意力机制模块ira用于基于目标车辆及其周围车辆在历史时间段的运动信息，得到车辆间的相互作用；
9.个性化模态表征模块dim用于基于目标车辆及其周围车辆在历史时间段的运动信息，得到目标车辆的未来模态表征；
10.长短期记忆人工神经网络用于根据车辆间的相互作用、目标车辆的未来模态表征和目标车辆在历史时间段的运动信息，得到目标车辆的多模态轨迹预测结果。
11.在一个实施例中，基于意图的区域注意力机制模块ira，包括：二维多头注意力机制2d mha，卷积模块、三维多头注意力机制3dmha；
12.将目标车辆的在历史时间段的运动信息输入到二维多头注意力机制2d mha，得到驾驶员意图；
13.将目标车辆及其周围车辆在历史时间段的运动信息表示为张量；
14.将张量输入到卷积模块进行卷积操作，得到场景表征；
15.将驾驶员意图和场景表征输入到三维多头注意力机制3d mha，得到车辆间的相互作用。
16.在一个实施例中，将驾驶员意图和场景表征输入到三维多头注意力机制3d mha，得到车辆间的相互作用，包括：
17.三维多头注意力机制3d mha包括多个子空间，针对每个子空间，根据驾驶员意图计算查询向量q；根据场景表征计算键向量k和值向量v；
18.将查询向量q和键向量k通过softmax函数计算，得到注意力得分矩阵；
19.注意力得分矩阵和值向量v进行相乘，得到子空间对应的相互作用表征；
20.将所有子空间对应的相互作用表征进行加权聚合，得到车辆间的相互作用。
21.在一个实施例中，个性化模态表征模块dim，包括：历史模态表征模块eh、历史个性表征计算模块、拟合器、分类器、未来模态表征计算模块；
22.目标车辆及其周围车辆在历史时间段的运动信息输入到历史模态表征模块eh，得到历史模态表征rh；
23.将历史模态表征rh和历史共性表征mh输入到历史个性表征计算模块，得到历史个性表征σh；历史个性表征σh包括多个模态的历史个性表征；
24.将历史个性表征σh输入到拟合器，得到未来个性表征
25.将未来个性表征和未来共性表征mf输入到未来模态表征计算模块，得到目标车辆的未来模态表征目标车辆的未来模态表征包括多个模态的未来模态表征；
26.分类器用于根据历史模态表征rh，得到目标车辆执行多个模态的概率。
27.在一个实施例中，未来共性表征mf，采用以下方式获取：
28.根据设定时间段内的横向位移将训练样本分成三个子集；三个子集分别表示左转、直行和右转；每个子集包括多个样本；
29.针对每个子集，将样本的未来轨迹数据输入到未来模态表征模块ef，得到每个样本对应的未来模态表征；
30.求所有样本对应的未来模态表征rf的均值，得到每个子集对应的未来共性表征；所有子集对应的未来共性表征构成未来共性表征mf。
31.在一个实施例中，历史共性表征mh，采用以下方式获取：
32.根据设定时间段内的横向位移将训练样本分成三个子集；三个子集分别表示左转、直行和右转；每个子集包括多个样本；
33.针对每个子集，将样本的历史轨迹数据输入到历史模态表征模块eh，得到每个样
本对应的历史模态表征；
34.求所有样本对应的历史模态表征rh的均值，得到每个子集对应的历史共性表征；所有子集对应的历史共性表征构成历史共性表征mh。
35.在一个实施例中，长短期记忆人工神经网络，包括第一长短期记忆人工神经网络单元和第二长短期记忆人工神经网络单元；
36.将目标车辆的在历史时间段的运动信息和车辆间的相互作用输入到第一长短期记忆人工神经网络单元，得到输出结果；
37.将输出结果和目标车辆的未来模态表征进行拼接，并将拼接结果输入到第二长短期记忆人工神经网络单元，输出目标车辆的多模态轨迹预测结果。
38.第二方面，提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时，以实现上述的基于数据驱动模态表征与区域注意力的多模轨迹预测方法。
39.第三方面，提供一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现上述的基于数据驱动模态表征与区域注意力的多模轨迹预测方法。
40.相对于现有技术而言，本技术具有以下有益效果：
41.1、本技术将衡量车辆交互用强度的标准重新定义为目标车辆的意图，并构造了ira模块来将注意力分配到位于不同区域的周围车辆，注意力矩阵用于加权聚合不同区域的交互，可以在更大范围内对非局部交互进行建模，而不会引入与周围无关车辆产生的噪声。
42.2、本技术构造了dim模块，dim模块综合考虑了同一机动类型轨迹的模态共性和个性，并以数据驱动的方式进一步学习了轨迹的个性化高维模态表征，从而指导模型输出更准确合理的多模态轨迹。
43.3、本技术在真实的车辆轨迹数据集上进行了对比实验和消融实验，以全面评估所提出的方法，结果表明，本技术构建的模型具有明显的优势，尤其是在长期预测方面。
附图说明
44.本技术可以通过参考下文中结合附图所给出的描述而得到更好的理解，附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分。在附图中：
45.图1示出了根据本技术实施例的基于数据驱动模态表征与区域注意力的多模轨迹预测方法的流程框图；
46.图2示出了多模态轨迹预测模型的结构框图；
47.图3示出了三维多头注意力机制3d mha的结构框图；
48.图4示出了个性化模态表征模块dim的结构框图；
49.图5示出了消融实验在两个数据集上的实验结果图，其中(a)为消融实验在highd数据集上的实验结果图，(b)为消融实验在ngsim数据集上的实验结果图；
50.图6示出了三个机动类别对应的样本的注意力分布图，其中，(a)为左转类别对应的样本的注意力分布图，(b)为直行类别对应的样本的注意力分布图，(c)为右转类别对应的样本的注意力分布图；
51.图7示出了不同数据集上不同模型的性能对比图，其中，(a)为highd数据集上不同
模型的性能对比图，(b)为ngsim数据集上不同模型的性能对比图；
52.图8示出了目标车辆多模态轨迹和相应的概率示意图。
具体实施方式
53.在下文中将结合附图对本技术的示例性实施例进行描述。为了清楚和简明起见，在说明书中并未描述实际实施例的所有特征。然而，应该了解，在开发任何这种实际实施例的过程中可以做出很多特定于实施例的决定，以便实现开发人员的具体目标，并且这些决定可能会随着实施例的不同而有所改变。
54.在此，还需要说明的一点是，为了避免因不必要的细节而模糊了本技术，在附图中仅仅示出了与根据本技术的方案密切相关的装置结构，而省略了与本技术关系不大的其他细节。
55.应理解的是，本技术并不会由于如下参照附图的描述而只限于所描述的实施形式。在本文中，在可行的情况下，实施例可以相互组合、不同实施例之间的特征替换或借用、在一个实施例中省略一个或多个特征。
56.本技术实施例提供一种基于数据驱动模态表征与区域注意力的多模轨迹预测方法，图1示出了根据本技术实施例的基于数据驱动模态表征与区域注意力的多模轨迹预测方法的流程框图，参见图1，方法包括：
57.步骤s11，获取目标车辆及其周围车辆在历史时间段的运动信息；运动信息包括x方向的位置、速度和加速度，y方向的位置、速度和加速度。
58.这里，目标车辆及其周围车辆在历史时间段的时刻t的运动信息用x
t
表示，其中，为目标车辆在时刻t的运动信息，为周围n个车辆在时刻t的运动信息。
59.步骤s12，将目标车辆及其周围车辆在历史时间段的运动信息输入到多模态轨迹预测模型中，得到目标车辆的多模态轨迹预测结果；图2示出了多模态轨迹预测模型的结构框图，参见图2，多模态轨迹预测模型包括：基于意图的区域注意力机制模块ira、个性化模态表征模块dim、长短期记忆人工神经网络；
60.基于意图的区域注意力机制模块ira用于基于目标车辆及其周围车辆在历史时间段的运动信息，得到车辆间的相互作用；
61.个性化模态表征模块dim用于基于目标车辆及其周围车辆在历史时间段的运动信息，得到目标车辆的未来模态表征；
62.长短期记忆人工神经网络用于根据车辆间的相互作用、目标车辆的未来模态表征和目标车辆在历史时间段的运动信息，得到目标车辆的多模态轨迹预测结果。
63.本实施例将衡量车辆交互用强度的标准重新定义为目标车辆的意图，并构造了ira模块来将注意力分配到位于不同区域的周围车辆，注意力矩阵用于加权聚合不同区域的交互，可以在更大范围内对非局部交互进行建模，而不会引入与周围无关车辆产生的噪声。本实施例构造了dim模块，dim模块综合考虑了同一机动类型轨迹的模态共性和个性，并以数据驱动的方式进一步学习了轨迹的个性化高维模态表征，从而指导模型输出更准确合理的多模态轨迹。
64.在一个实施例中，为了在动态交通中实现精确的轨迹预测，必须对目标车辆与其周围车辆之间的复杂交互进行建模。使用提出的基于意图的区域注意力机制模块(ira)，将注意力分配到目标车辆意图引导的交通场景的不同区域，该机制允许对不同区域的车辆间交互进行加权聚合，可以在不引入噪声的情况下对更大范围的非局部交互进行建模，得到车辆间相互作用ivi。以下对各个ira模块的功能进行介绍。
65.基于意图的区域注意力机制模块ira，包括：二维多头注意力机制2d mha，卷积模块、三维多头注意力机制3d mha。
66.这里，将目标车辆的在历史时间段的运动信息输入到二维多头注意力机制2d mha，得到驾驶员意图int；其中，时刻t的运动信息对应的驾驶员意图用int
t
表示。
67.将目标车辆及其周围车辆在历史时间段的运动信息表示为张量f，其中时刻t的运动信息表示为张量f
t
，这里，张量f
t
的表示形式如下：
[0068][0069]
其中，(m,n)表示张量f
t
的网格位置，表示车辆k在时刻t的运动信息，表示车辆k在时刻t的位置，表示车辆k在时刻t的x方向的位置，表示车辆k在时刻t的y方向的位置，表示车辆k在时刻t的x方向的速度，表示车辆k在时刻t的y方向的速度，表示车辆k在时刻t的x方向的加速度，表示车辆k在时刻t的y方向的加速度。δ
mn
(
·
)是一个指示函数，如果在网格(m，n)中，其值为1，否则为0。
[0070]
将张量f输入到卷积模块进行卷积操作，得到场景表征sr；这里，卷积模块包括两个全卷积层。
[0071]
将驾驶员意图int和场景表征sr输入到三维多头注意力机制3dmha，得到车辆间的相互作用ivi。
[0072]
在一个实施例中，图3示出了三维多头注意力机制3d mha的结构框图，参见图3，可以采用以下方式得到车辆间的相互作用ivi：
[0073]
三维多头注意力机制3d mha包括多个子空间，首先，针对每个子空间，根据驾驶员意图计算查询向量q：根据场景表征计算键向量k和值向量v；
[0074][0075][0076][0077]
其中，和均表示线性变换，int
t
表示时刻t的驾驶员意图，w
iq
,w
ik
和w
iv
表示子空间i中对应于线性变换和的可学习参数矩阵，表示子空间i中时刻t的查询向量，表示子空间i中时刻t的键向量，表示子空间i中时刻t的值向量，sr
t
表示时刻t的场景表征。
[0078]
然后，将查询向量q和键向量k通过softmax函数计算，得到注意力得分矩阵：
[0079][0080]
其中，是子空间i中时刻t的注意力得分矩阵，用来衡量驾驶员在意图引导下对不同区域的注意力，di为子空间i中的比例因子，用于表示的维度。
[0081]
最后，注意力得分矩阵和值向量v进行相乘，得到子空间对应的相互作用表征；将所有子空间对应的相互作用表征进行加权聚合，得到车辆间的相互作用。采用以下公式表示：
[0082][0083][0084]
其中，是时刻t在子空间i中的相互作用表征，n为子空间的个数，可以为4，ivi
t
为时刻t的车辆间的相互作用，w
o1
和w
o2
是模型参数。
[0085]
在一个实施例中，针对单峰轨迹预测中的模态崩溃问题，构建了个性化模态表征模块dim，可以通过数据驱动的方式学习每条轨迹的个性化高维模态表征。同时，对于同一机动类别(模态)的轨迹，在模态表征中兼顾了共性和个性，实现了更精确的多模态轨迹预测。图4示出了个性化模态表征模块dim的结构框图，参见图4，个性化模态表征模块dim，包括：历史模态表征模块eh、历史个性表征计算模块、拟合器、分类器、未来模态表征计算模块；
[0086]
目标车辆及其周围车辆在历史时间段的运动信息输入到历史模态表征模块eh，得到历史模态表征rh；
[0087]
将历史模态表征rh和历史共性表征mh输入到历史个性表征计算模块，得到历史个性表征σh；其中，σh＝r
h-mh。这里，历史共性表征mh包括3个模态，3个模态包括左转、直行和右转，因此，得到的历史个性表征σh也包括3个模态的历史个性表征。
[0088]
将历史个性表征σh输入到拟合器fit，得到未来个性表征
[0089]
将未来个性表征和未来共性表征mf输入到未来模态表征计算模块，得到目标车辆的未来模态表征这里，未来共性表征mf包括3个模态，未来个性表征也包括3个模态，3个模态包括左转、直行和右转。因此，目标车辆的未来模态表征包括3个模态的未来模态表征。
[0090]
分类器用于根据历史模态表征rh，得到目标车辆执行多个模态的概率。多个模态的概率的不同值引导模型输出目标车辆在不同模态(左转、直行、右转)下的未来轨迹。
[0091]
上述实施例中，为了从车辆历史和未来运动信息中获取更有利于预测的深度表征，首先利用监督学习和自监督学习对历史模态表征模块eh和未来模态表征模块ef进行训练，并利用监督学习和自监督学习对车辆历史和未来运动信息进行编码和解码，根据训练后的eh和ef计算未来共性表征mf和历史共性表征mh，将它们保存起来，作为个性化模态表征模块dim的已知输入数据。其中未来共性表征mf可以采用以下方式获取：
[0092]
首先，根据设定时间段[th 1,th tf]内的横向位移将训练样本分成三个子集c
l
,ck和cr，其中，th 1为设定时间段的开始时刻，th tf为设定时间段的结束时刻，为时刻th tf在y方向的位置，为时刻th 1在y方向的位置，c
l
,ck和cr分别是由满足条件δ《-1.5m、|δ|《1.5m和δ》1.5m的训练样本组成的子集，三个子集分别表示左转、直行和右转；每个子集包括多个样本，每个样本包括历史轨迹数据和未来轨迹数据。参见图4，每个子集包括2个样本。
[0093]
然后，针对每个子集，将样本的未来轨迹数据输入到未来模态表征模块ef，得到每个样本对应的未来模态表征；
[0094]
然后，求所有样本对应的未来模态表征rf的均值，得到每个子集对应的未来共性表征；所有子集对应的未来共性表征构成未来共性表征mf。这里，mf中包括3个子集对应的未来共性表征。
[0095]
其中，历史共性表征mh，可以采用以下方式获取：
[0096]
根据设定时间段内的横向位移将训练样本分成三个子集；三个子集分别表示左转、直行和右转；每个子集包括多个样本；
[0097]
针对每个子集，将样本的历史轨迹数据输入到历史模态表征模块eh，得到每个样本对应的历史模态表征；
[0098]
求所有样本对应的历史模态表征rh的均值，得到每个子集对应的历史共性表征；所有子集对应的历史共性表征构成历史共性表征mh。
[0099]
在一个实施例中，长短期记忆人工神经网络，包括第一长短期记忆人工神经网络单元lstm和第二长短期记忆人工神经网络单元lstm；
[0100]
将目标车辆的在历史时间段的运动信息和车辆间的相互作用输入到第一长短期记忆人工神经网络单元，得到输出结果；
[0101]
将输出结果和目标车辆的未来模态表征进行拼接，并将拼接结果输入到第二长短期记忆人工神经网络单元，输出目标车辆的多模态轨迹预测结果。这里，目标车辆的多模态轨迹预测结果包括目标车辆在多个模态的轨迹预测结果，多个模态可以包括左转、直行和右转。
[0102]
进一步地，前文中的多模态轨迹预测模型为训练后得到的多模态轨迹预测模型，在模型训练过程中，使用两个公开的车辆轨迹数据集——ngsim和highd数据集对模型进行训练。ngsim数据集来自美国联邦公路管理局发起的下一代模拟研究项目，该数据集来自数码摄像机提取的图像信息，包含45分钟内通过us-101和i-80高速公路的所有车辆的数据。highd数据集包含来自6个地点、11.5小时的测量值，采样频率为25hz，记录了11万辆车、里程45000公里的数据。对数据集按比例进行训练集和测试集的划分，并对原数据集进行降采样，具体来说，对于ngsim数据集进行2倍下采样，而对于highd数据集进行5倍下采样，则处理后的数据集以40帧(即8秒)为一个试验样本，前15帧(即3秒)为历史轨迹序列th＝15，后25帧(即5秒)为未来轨迹序列tf＝25。
[0103]
本技术实施例提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时，以实现的基于数据驱动模态表征与区域注意力的多模轨迹预测方法。
[0104]
本技术实施例提供一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现的基于数据驱动模态表征与区域注意力的多模轨迹预测方法。
[0105]
为验证本技术方法的有效性，在两个公开可用的数据集highd和数据集ngsim上进行了实验验证和评估。ngsim数据集来自美国联邦公路管理局发起的下一代模拟研究项目。该数据集来自数码摄像机提取的图像信息，包含45分钟内通过us-101和i-80高速公路的所有车辆的数据。完整的highd数据集在六个地点的每个地点以25hz的频率捕获1.65小时，包括11万辆行驶里程为45,000公里的车辆和5600辆完整的车道变化。处理后的数据以40帧(即8秒)为一个试验样本，前15帧(即3秒)为历史轨迹序列th＝15，后25帧(即5秒)为未来轨迹序列tf＝25。
[0106]
本技术为了检测模型效果，使用均方根误差(rmse)来验证模型结果。rmse公式如下式所示。
[0107][0108]
其中，m是样本数量，和分别是样本i在时刻t的真实位置和预测位置。th、tf为历史轨迹序列长度和未来轨迹序列长度。rmse测量在预测时间范围内预测位置和真实位置的位移误差的平均大小，rmse越大，表示误差越大。
[0109]
首先，为了验证组成模块的有效性，设计消融实验。在消融实验中，模型rd-net被分解为lstm、ira和dim三个模块，以展示每个模块对预测精度的有效提升。具体来说，考虑以下模型，并在相同的参数设置下对它们进行测试。
[0110]
ira(k2):该模型的组成为lstm ira，通过对比lstm来验证ira的有效性，k2∈{1,2,3}中k2的不同值构成了不同的模型，可用于探讨sr中每个向量所代表的区域大小对模型性能的影响，该模型的输出为单模轨迹。
[0111]
dim:该模型的组合是lstm dim，用于验证dim与lstm相比的有效性。该模型根据不同的横向机动类别输出多模态轨迹。为了定量描述每个模块带来的改进，由下式量化：
[0112][0113]
其中，ms和m分别是有和没有模块s的lstm的性能评估，imps表示模块s带来的性能改进。
[0114]
图5示出了消融实验在两个数据集上的实验结果图，其中(a)为消融实验在highd数据集上的实验结果图，(b)为消融实验在ngsim数据集上的实验结果图，由图5可以看出，首先dim模型的整体性能高于ira模型，说明单模轨迹预测导致模式崩溃，严重限制了预测精度。因此，只要dim用于多模态轨迹预测，模型性能就可以大大提高，即使没有ira用于车辆间交互建模。其次，具有ira的模型的预测性能受到卷积核k2的大小的影响。当k2＝1时，区域级注意机制退化为目标级注意机制，并将注意力权重分配给每个周围车辆，而不是交通场景中的每个区域。当k2＝2时，模型的整体性能是最优的。因为目标车辆的未来轨迹不仅受其周围车辆的影响，还受周围无车辆的可行驶空间的影响。因此，当k2＝2时，场景表示(sr)包含周围的车辆信息和可驾驶空间信息，有利于提高模型的预测精度。最后，dim和ira
模块总体上对highd数据集带来了更显着的改进，这是因为ngsim数据集中的噪声干扰模态表示和车辆间交互的建模。此外，ira带来的性能提升几乎随着预测范围的增加而增加，这表明非局部跨车辆的交互对长期轨迹预测有更显着的影响，ira的积极影响在长期预测中更为明显。
[0115]
另外，为了直观地显示目标车辆意图引导的区域注意力分布，可视化了三个机动类别对应的一些样本的注意力分布，图6示出了三个机动类别对应的样本的注意力分布图，其中，(a)为左转类别对应的样本的注意力分布图，(b)为直行类别对应的样本的注意力分布图，(c)为右转类别对应的样本的注意力分布图，由图6可以看出，当目标车辆倾向于左转或右转时，目标车辆更关注位于目标车道上的周围车辆；当目标车辆倾向于保持直线时，它更关注自身和周围较近的车辆。可视化结果表明，车间交互不仅由车间距离决定，还由目标车的意图决定，模块ira可以有效对目标车意图引导的交互加权聚合。
[0116]
为了验证模型的性能，将本技术的模型rd-net与现有模型convolutionalsocial-lstm(cs-lstm)、social-gan(s-lstm)以及pip1在5秒内rmse指标进行了可视化，图7示出了不同数据集上不同模型的性能对比图，其中，(a)为highd数据集上不同模型的性能对比图，(b)为ngsim数据集上不同模型的性能对比图。由图7看出，本技术的模型rd-net几乎优于现有所有模型，这说明ira 建模的非局部车辆间交互和dim学习的个性化未来模态表示极大地提高了模型性能。在highd数据集上，当预测范围为1秒时，rd-net的性能略低于最优模型的性能，但rd-net在长期预测(3-5秒)中效果更好。对于ngsim数据集，当预测范围为1秒时，rd-net的性能与这些比较模型的最佳性能相当，rd-net在其他预测范围(2-5秒)中优于所有其他模型。此外，所有模型在highd上的预测性能明显优于ngsim上的预测性能。随着预测范围的增加，rd-net的性能优势增大，这是因为非局部交互和轨迹模态对目标车辆在长期预测中的未来轨迹的影响更大，因此，rd-net的模块ira和dim带来的性能提升在长期预测中更为显著。
[0117]
同时，为了定性地描述所提出模型的预测性能，可视化了本技术模型rd-net的预测结果，图8示出了目标车辆多模态轨迹和相应的概率示意图，根据图8可知，即使在拥挤的交通场景中，rd-net也能准确、平稳地预测目标车辆的多模态轨迹和相应的概率，直观地说明了rd-net的优异性能。
[0118]
综上，本技术具有以下有益效果：
[0119]
1、本技术将衡量车辆交互用强度的标准重新定义为目标车辆的意图，并构造了ira模块来将注意力分配到位于不同区域的周围车辆，注意力矩阵用于加权聚合不同区域的交互，可以在更大范围内对非局部交互进行建模，而不会引入与周围无关车辆产生的噪声。
[0120]
2、本技术构造了dim模块，dim模块综合考虑了同一机动类型轨迹的模态共性和个性，并以数据驱动的方式进一步学习了轨迹的个性化高维模态表征，从而指导模型输出更准确合理的多模态轨迹。
[0121]
3、本技术在真实的车辆轨迹数据集上进行了对比实验和消融实验，以全面评估所提出的方法，结果表明，本技术构建的模型具有明显的优势，尤其是在长期预测方面。
[0122]
以上所述，仅为本技术的各种实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵
盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。