(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 202210387072.0 (22)申请日 2022.04.13 (71)申请人 浙江工业大 学 地址 310014 浙江省杭州市拱 墅区潮王路 18号 (72)发明人 孔祥杰　季展豪　沈国江　刘志　 王钧涛　 (74)专利代理 机构 杭州天正专利事务所有限公 司 33201 专利代理师 楼明阳 (51)Int.Cl. G06T 7/246(2017.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01)G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于时空交互神经网络的车辆轨迹跟 踪方法 (57)摘要 一种基于时空交互神经网络的车辆轨迹跟 踪方法， 包括： 首先预处理传感器数据， 将相对坐 标转换为地理坐标， 并进行聚类得到平均地理坐 标点； 其次将车辆观测值与跟踪器轨迹匹配， 更 新跟踪器轨迹记录； 然后使用基于时空交互的预 测模型对跟踪器的轨迹记录进行单步预测， 等待 下一轮车辆观测值的匹配； 在训练阶段还要使用 改进的深度匈牙利网络计算当前预测的跟踪精 度， 以调整预测模型的参数。 本发明能够利用多 个传感器的车辆坐标进行共同处理； 在考虑车辆 时间因素和空间因素的情况下对车辆位置进行 预测； 借助改进的深度匈牙利网络实现以跟踪精 度为指标对预测模型进行端到端训练。 权利要求书4页 说明书9页 附图1页 CN 114782489 A 2022.07.22 CN 114782489 A 1.一种基于时空 交互神经网络的车辆 轨迹跟踪方法， 其特 征在于， 包括以下步骤： S1.预处理传感器数据， 将相对坐标转换为 地理坐标， 并聚类得到平均地理坐标点； S2.将车辆观测值与跟踪器预测值匹配， 更新跟踪器轨 迹记录； S3.使用预测模型对跟踪器的跟踪轨 迹进行单步预测， 进入下一轮匹配； S4.使用改进的深度匈 牙利网络对预测模型进行以跟踪精度为目标的端到端训练。 2.如权利要求1所述的一种基于时空交互神经网络的车辆轨迹跟踪方法， 其特征在于： 所述步骤S1具体包 含： S1.1.将传感器获得的相对坐标记为 其中 表示第j个传感器获得的第i 个坐标； 将其 转换为地理坐标的近似值 其中 和 表示车辆经过转换得到的地理坐标的经纬度； lng0和lat0表示传感器 的地理坐标的经纬度， 作为 坐标原点； R表示 地球半径， 以米为单位； S1.2.将所有同一路段的传感器经过转换后的地理坐标， 以半米为距离， 使用基于距离 的聚类算法进行聚类， 然后取簇内平均值： 其中， 表示聚类簇c的簇内地理坐标平均值， 作为该聚类簇的代表； 是聚类簇c的 簇内地理坐标个数； 和 分别表示聚类簇 c内的第i个点的经纬度； S1.3.将路网上所有传感器经过转换后的地理坐标， 以半米为距离， 使用基于距离的聚 类算法进行聚类， 采用式(3)取簇内平均值； 最终得到处理完毕的数据坐标点集Pt， 表示t时 刻处理得到的所有车辆观测值。 3.如权利要求1所述的一种基于时空交互神经网络的车辆轨迹跟踪方法， 其特征在于： 所述步骤S2包 含如下步骤： S2.1.计算对Pt和跟踪器的预测值Pt计算两两之间的坐标距离： 其中， di,j表示第i个跟踪器在t时刻的预测坐标点 和第j个车辆在同一时刻的坐标点 之间的距离； D是一个 大小的矩阵， 表示t时刻跟踪器个数， 表示t时刻车权　利　要　求　书 1/4 页 2 CN 114782489 A 2辆观测值个数； Di,j表示矩阵中第i行和第j列的数值， 当di,j≤1(米)时取di,j， 否则取Inf表 示无穷大； S2.2.利用匈 牙利算法对D进行计算， 得到跟踪器和车辆观测值的最小成本匹配； S2.3.对于有匹配对象的车辆观测值， 将其添加到匹配的跟踪器 中， 作为跟踪器的轨迹 记录； 对于没有匹配对 象的车辆观测值， 每有一个观测值则产生一个新跟踪器并将其加入 该跟踪器； 对于没有匹配对象的跟踪器， 将其 当前时刻的预测 添加到轨迹记 录中， 若跟踪 器的未匹配的连续时间超过阈值 ε， 则 删除该跟踪器； S2.4.对于每个跟踪器， 都会储存两个内容， 分别是轨迹记录Tri和隐藏状态Hi， 其中Hi 可以被拆分为四部分， 分别是 和 在初始化阶段， Tri中有一个观测值， 而Hi的 值被全部设置为0， 即 4.如权利要求1所述的一种基于时空交互神经网络的车辆轨迹跟踪方法， 其特征在于： 所述步骤S3包 含如下步骤： S3.1.对于第i个跟踪器， 从轨迹记录中取出最新两个时刻的车辆坐标点， 计算其经纬 度的相对位移： 其中， 和 分别表示第i个跟踪器轨 迹记录在t ‑1时刻的车辆坐标点； S3.2.将经纬度的相对位移进行拼接， 即为第i个跟踪器所表示车辆在t ‑1时刻的整体 位移 将其作为长短期记 忆网络的输入： 其中， ‖表示拼接操作； L ‑LSTM是第一个LSTM， 被称为本地LSTM， 用于编码单个车辆的时 间嵌入； 和 分别表示第i个跟踪器在t时刻对应L ‑LSTM网络的隐藏状态和细 胞状态； Wl 和bl分别表示 L‑LSTM的权 重和偏移， 被同一时刻的所有车辆共享； S3.3.然后将 作为图注意力网络的输入， 得到车辆间隐式空间交 互的注意力系数： 其中， 是t时刻节点j对节点i的注意力系数； ·T表示矩阵转置； 表示节点i在图上 的邻居节点集合； W∈RF′ ×F是所有节点共享的权重矩阵， 用于对每个节点的特征做线性变 换， 其中F表示 的维度， 而F ′是输出的维度； a∈R2F′是用于计算注意力系数的共享注意力 机制； a经 过矩阵运 算， 然后通过激活函数LeackyReLU和Softmax方法被标准 化； S3.4.使用注意力系数进行计算， 得到第i个跟踪器所表示车辆的空间嵌入 权　利　要　求　书 2/4 页 3 CN 114782489 A 3