本发明涉及车辆换道轨迹预测，特别是涉及一种基于物理信息深度学习的车辆换道轨迹预测方法。
背景技术：
1、随着传感技术、控制理论和人工智能的广泛发展，自动驾驶已被认为是降低道路交通事故发生率的有效解决方案。自动驾驶车辆需要具备像人类驾驶员一样实时预测自身车辆和周围车辆的未来状态的能力，以便提前识别潜在的危险状况并规划安全的行驶路径，从而提高驾驶安全性。
2、作为车辆基本的驾驶行为，跟驰和换道行为是无人驾驶车辆的轨迹预测的重要研究方向。近些年，跟驰轨迹预测已被广泛研究，并且已经开发了很多模型和方法。由于换道行为的复杂性，对换道进行轨迹预测的研究工作不如跟驰多。然而，车辆换道轨迹预测对于驾驶安全性至关重要，需要进一步被深入研究。
3、物理驱动方法和数据驱动方法是现有的换道轨迹预测的两个主要研究方向。物理驱动的换道轨迹预测方法通常采用运动学模型或者微观交通流模型进行轨迹预测，如五次多项式模型、正弦模型、gipps模型、元胞自动机模型等。数据驱动的换道轨迹预测方法是指利用先进的机器学习方法挖掘人类的历史的驾驶行为信息，并模仿人类的驾驶行为，如强化学习、lstm、transformer、tcn等。
4、物理驱动方法和数据驱动方法各有其优势和劣势。一方面，融入了物理知识的物理驱动方法对于交通现象具有很强的可解释性，然而，物理驱动模型被构建为具有有限参数的数学函数的形式，这些参数限制了其在复杂驾驶环境中描述车辆换道行为的能力。另一方面，虽然基于深度学习的数据驱动方法可以挖掘复杂交通环境中人类的驾驶行为信息，但是由于其黑箱模型的特点，数据驱动方法对于轨迹预测的可解释性和可靠性较差。
技术实现思路
1、基于此，有必要针对数据驱动方法对于轨迹预测的可解释性差以及物理驱动方法对于轨道预测的描述性差的问题，提供一种基于物理信息深度学习的车辆换道轨迹预测方法。
2、本发明提出了一种基于物理信息深度学习的车辆换道轨迹预测方法，其包括：如下步骤：s1：利用公开的轨迹数据集构建数据集，并将数据集划分为训练集、验证集和测试集，从训练集中提取观测状态和搭配状态ij，并从验证集中提取观测状态s2：构建物理预测模型，并与attention-tcn模型组成物理信息深度学习模型，并利用构建的数据集对所述物理信息深度学习模型进行训练，以得到训练后的物理信息深度学习模型，具体训练步骤如下：s21：初始化参数α、nepoch和best_loss；令epoch＝nepoch；其中，是attention-tcn模型的参数，是物理预测模型的参数，α是权重参数，nepoch是训练次数，best_loss是最优的损失值；s22：令epoch＝epoch-1；s23：将观测状态输入到attention-tcn模型中得到对应的预测轨迹坐标将搭配状态ij分别输入到attention-tcn模型和物理预测模型中，分别得到对应的预测轨迹坐标和s24：计算损失函数s25：将验证集中的观测状态输入到attention-tcn模型中得到对应的预测轨迹坐标值，并从验证集中提取与观测状态对应的观测轨迹坐标计算预测轨迹坐标值与观测轨迹坐标的均方误差，得到验证集上的损失lossval；s26：判断验证集上的损失lossval与损失函数以及lossval与best_loss之间的大小；
3、若：且lossval＜best_loss，则保存参数和并令否则，则对参数和进行更新；s27：若epoch>0，则转到步骤s22；若epoch＝0，则停止循环；s3：利用训练后的物理信息深度学习模型进行测试实验，对比不同的换道轨迹预测模型的预测性能。
4、作为本发明的进一步改进，对所述物理信息深度学习模型进行训练的具体步骤为：损失函数的表达式为：
5、
6、上式中：msedat为描述观测轨迹坐标pi和预测轨迹坐标之间数据误差的均方根误差；msephy为描述预测轨迹坐标与预测轨迹坐标之间数据误差的均方根误差；pi是训练集中与观测状态对应的观测轨迹坐标，α是平衡msedat和msephy的权重，和分别为pi、和在t时刻的值。
7、作为本发明的进一步改进，在s26中，分别利用学习率为lrdat和lrphy的优化器对参数和进行更新。
8、作为本发明的进一步改进，s1中构建数据集的具体步骤为：s11：从公开的轨迹数据集中提取车辆的输入状态i和标签p，并将输入状态i和标签p组成数据对；其中，输入状态i由目标车辆和周围车辆的过去k时间步长的历史特征向量组成，标签p由目标车辆未来l时间步长的换道轨迹坐标组成；s12：将输入状态i按照no：nc的比例划分为观测状态ii和搭配状态ij，从数据对中提取与观测状态ii相对应的观测轨迹坐标pi，将观测轨迹坐标pi和观测状态ii配对组成观测数据集，并将观测数据集划分为训练子集、验证集和测试集；其中，观测状态ii包括训练集里的观测状态验证集里的观测状态和测试集里的观测状态观测轨迹坐标pi是p中与观测状态ii相对应的标签；所述no和nc分别是观测数据和搭配数据的数量；s13：从搭配状态ij中提取子搭配状态将子搭配状态输入到物理预测模型中，以获取目标车辆的搭配轨迹坐标将搭配状态ij和目标车辆的搭配轨迹坐标配对组成搭配数据集；其中，子搭配状态是由目标车辆在p时刻的轨迹横坐标、轨迹纵坐标、横向速度以及纵向速度组成；s14：将搭配数据集和观测数据集中的训练子集合并组成完整的训练集。
9、作为本发明的进一步改进，所述p时刻是目标车辆产生换道意图的时刻；所述历史特征向量由从时间步p-k+1到p的轨迹横坐标、轨迹纵坐标、横向速度、纵向速度、横向加速度以及纵向加速度组成；所述换道轨迹坐标由从时间步p+1到p+l的轨迹横坐标和轨迹纵坐标组成。
10、作为本发明的进一步改进，s11中从公开数据集中提取车辆的输入状态i和标签p，具体步骤为：s111：从公开数据集中筛选出只进行一次换道操作且变道轨迹完整的乘用车的轨迹；s112：根据换道起始时刻和结束时刻对筛选出的轨迹进行提取，以得到换道轨迹。
11、作为本发明的进一步改进，所述attention-tcn模型利用tcn作为换道轨迹特征的提取器，并且借助时间意力机制和空间注意力机制捕捉不同时间和空间下的车辆动态交互信息。
12、作为本发明的进一步改进，利用五次多项式对物理预测模型进行建模，得到的物理预测模型中以最大横向加速度为参数的横向轨迹坐标的表达式为：
13、
14、上式中，w为车道宽度，为最大横向加速度，t为时间，为图像坐标系下目标车辆在换道开始时刻的横向轨迹坐标。
15、作为本发明的进一步改进，将训练后的物理信息深度学习模型在测试集上进行测试实验，对比不同的换道轨迹预测模型的性能，不同的换道轨迹预测模型包括：数据驱动的attention-tcn模型、物理驱动的物理预测模型、lstm模型和transformer模型。
16、作为本发明的进一步改进，利用平均位移误差、最终位移误差以及相对位移误差对上述不同的换道轨迹预测模型的性能进行评价。
17、与现有技术相比，本发明具备如下有益效果：
18、1、本发明中，通过构建物理预测模型，并将物理预测模型与attention-tcn模型结合组成物理信息深度学习模型，此物理信息深度学习模型相比较于单独的物理预测模型和attention-tcn模型，植根于物理原理，提高了换道轨迹预测的可解释性和可理解性。
19、2、本发明提出的attention-tcn模型借助时间和空间注意力机制捕捉不同时空下的车辆动态交互信息，提高了tcn对复杂和高交互驾驶环境下车辆的特征的提取能力。
20、3、本发明可以预测长时序的换道轨迹，并具有较高的预测精度，而且具有较高的实际应用性，能够帮助无人驾驶车辆提前检测潜在的危险状况，并用于轨迹规划和决策，进而提高驾驶安全性。
1.一种基于物理信息深度学习的车辆换道轨迹预测方法，其特征在于，其包括：如下步骤：
2.根据权利要求1所述的一种基于物理信息深度学习的车辆换道轨迹预测方法，其特征在于，对所述物理信息深度学习模型进行训练的具体步骤为：损失函数的表达式为：
3.根据权利要求1所述的一种基于物理信息深度学习的车辆换道轨迹预测方法，其特征在于，在s26中，利用优化器对参数和进行更新。
4.根据权利要求1所述的一种基于物理信息深度学习的车辆换道轨迹预测方法，其特征在于，s1中构建数据集的具体步骤为：
5.根据权利要求4所述的一种基于物理信息深度学习的车辆换道轨迹预测方法，其特征在于，所述p时刻是目标车辆产生换道意图的时刻；
6.根据权利要求4所述的一种基于物理信息深度学习的车辆换道轨迹预测方法，其特征在于，s11中从公开数据集中提取车辆的输入状态i和标签p，具体步骤为：
7.根据权利要求1所述的一种基于物理信息深度学习的车辆换道轨迹预测方法，其特征在于，所述attention-tcn模型利用tcn作为换道轨迹特征的提取器，并且借助时间意力机制和空间注意力机制捕捉不同时间和空间下的车辆动态交互信息。
8.根据权利要求1所述的一种基于物理信息深度学习的车辆换道轨迹预测方法，其特征在于，利用五次多项式对物理预测模型进行建模，得到的物理预测模型中以最大横向加速度为参数的横向轨迹坐标的表达式为：
9.根据权利要求1所述的一种基于物理信息深度学习的车辆换道轨迹预测方法，其特征在于，将训练后的物理信息深度学习模型在测试集上进行测试实验，对比不同的换道轨迹预测模型的性能，不同的换道轨迹预测模型包括：数据驱动的attention-tcn模型、物理驱动的物理预测模型、lstm模型和transformer模型。
10.根据权利要求9所述的一种基于物理信息深度学习的车辆换道轨迹预测方法，其特征在于，利用平均位移误差、最终位移误差以及相对位移误差对上述不同的换道轨迹预测模型的性能进行评价。
