Page 31 - 2024年第55卷第7期

向量 ｅ。Ｔｒａｊｅｃｔｒｏｎ ＋＋ 使用条件变分自编码器（ＣｏｎｄｉｔｉｏｎａｌＶａｒｉａｔｉｏｎａｌＡｕｔｏ － Ｅｎｃｏｄｅｒｓ，ＣＶＡＥ）来获得轨迹
ｘ
的多模态分布 ［３２］ ，将 ｅ输入到全连接层编码，并通过随机采样获得隐变量 ｚ，表征高级的潜在行为模
ｘ
式 ［３２］ 。在解码端，将 ｅ和 ｚ连接一起先经过全连接层计算门限循环网络（ＧａｔｅＲｅｃｕｒｒｅｎｔＵｎｉｔ，ＧＲＵ）单
ｘ
元的初始隐层状态，再通过 ＧＲＵ网络单元递归计算未来一段时间可能轨迹的二元高斯分布参数，进
而构建二元高斯混合模型（ＧＭＭ）来采样获得未来每一时刻施工机械行驶的加速度，最终通过动态整
合模块计算未来每一时刻的预测轨迹。由于原始 Ｔｒａｊｅｃｔｒｏｎ ＋＋ 考虑了人和车辆不同节点的动力特性 ［３２］ ，
在本研究中只考虑施工机械之间的影响，因此，动态整合模块使用更为接近车辆动力特性的动态扩展
车辆模型 ［３２］ 。此外，原始 Ｔｒａｊｅｃｔｒｏｎ ＋＋ 还包括道路地图的编码，由于坝面不存在道路的约束，本研究
简化了该模块以提高模型计算效率。综上，综合编码器和解码器的输出，Ｔｒａｊｅｃｔｒｏｎ ＋＋ 的目标函数定义
如下式：
Ｎ
ｍａｘ ∑ ｚ～ｑ φ （ｚ ｘ ｉ ，ｙ ｉ ）［ｌｏｇｐ（ｙ ｘ，ｚ）］ － β Ｄ （ｑ（ｚｘ，ｙ） ｐ（ｚｘ））＋α Ｉ（ｘ；ｚ） （１）
ＫＬ
φ
ｉ
ψ
ｉ
ｉ
ｑ
ｉ
ｉ
ｉ
θ
φ ，θ ，ψ ｉ ＝１
· ｔ － ｔ ０ ：ｔ
ｔ － ｔ ０ ：ｔ
ｔ － ｔ ０ ：ｔ
¨ ｔ － ｔ ０ ：ｔ
¨ ｔ － ｔ ０ ：ｔ
· ｔ － ｔ ０ ：ｔ
式中：ｘ为前序 ｔ时间步的轨迹状态信息［ｐ ；ｐ ； ｐ ； ｐ ；ｐ ；ｐ ］所组成的第 ｉ个输
ｉ ０ ｉ ，ｘ ｉ ，ｙ ｉ ，ｘ ｉ ，ｙ ｉ ，ｘ ｉ ，ｙ
ｔ － ｔ ０ ：ｔ
· ｔ － ｔ ０ ：ｔ
· ｔ － ｔ ０ ：ｔ
入样本，ｐ ｔ － ｔ ０ ：ｔ 和 ｐ 分别表示前序 ｔ时间步的二维位置信息，ｐ 和 ｐ 分别对应前序 ｔ时间步的速
ｉ ，ｘ ｉ ，ｙ ０ ｉ ，ｘ ｉ ，ｙ ０
¨ ｔ － ｔ ０ ：ｔ
¨ ｔ － ｔ ０ ：ｔ
度信息，ｐ 和 ｐ 分别对应前序 ｔ时间步的加速度信息；ｙ为第 ｉ样本对应预测的后续 ｔ时间步的
ｉ ，ｘ ｉ ，ｙ ０ ｉ １
轨迹位置输出［ｐ ｔ：ｔ ＋ ｔ １ ；ｐ ｔ：ｔ ＋ ｔ １ ］；ｚ为潜在空间的离散隐变量；ｐ（ｙ ｘ，ｚ）和 ｑ（ｚｘ，ｙ）分别对应于深
ｉ，ｙ
ｉ
ｉ，ｘ
ｉ
ｉ
ｉ
φ
ψ
度神经网络所构建的解码器和编码器；ｐ（ｚｘ）为编码器所近似的离散隐变量 ｚ的 条件 先验分布，
θ ｉ
Ｉ（ｘ；ｚ）为 ｘ和 ｚ在 ｑ（ｘ，ｚ）分布下的互信息；α和 β 为超参数；ψ 、φ和 θ 为对应深度神经网络的可
ｑ ｉ ｉ φ ｉ
训练参数；Ｎ为样本总数。
综上，在 Ｔｒａｊｅｃｔｒｏｎ ＋＋ 算法预测大量不同施工机械在未来时间段行驶轨迹的基础上，进一步分析
施工机械行驶中的潜在碰撞风险。

图 ２ Ｔｒａｊｅｃｔｒｏｎ ＋＋ 网络结构图

３．２ 基于模糊－ 证据融合的坝面施工机械潜在碰撞风险分级预警
３．２．１ 潜在碰撞风险指标及模糊隶属度函数的确定 现场施工机械实时碰撞风险评估一般采用接近度
和拥挤度两个指标 ［３，１４］ ，接近度用于衡量与目标最近的施工机械间的距离，拥挤度用于衡量与目标距
离一定范围内的其他施工机械的数量。然而，上述两个指标并不能很好反映施工机械在未来一段时间
内可能发生的潜在碰撞风险。例如，假设未来 ２ｓ与未来 ５ｓ时的接近度和拥挤度相同，便判定对现在
的风险预警等级也相同，这并不符合实际情况。因此，本文针对施工机械的潜在碰撞风险提出了行驶

— ７ ８ ３ —