CN110400490A - 轨迹预测方法和装置 - Google Patents
轨迹预测方法和装置 Download PDFInfo
- Publication number
- CN110400490A CN110400490A CN201910729763.2A CN201910729763A CN110400490A CN 110400490 A CN110400490 A CN 110400490A CN 201910729763 A CN201910729763 A CN 201910729763A CN 110400490 A CN110400490 A CN 110400490A
- Authority
- CN
- China
- Prior art keywords
- lane
- target
- information
- target vehicle
- prediction model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种轨迹预测方法和装置；本发明实施例可以获取地图信息、目标车辆的行驶信息、车道预测模型、运动预测模型；基于地图信息以及目标车辆的行驶信息，确定目标车辆的关联车道，以及目标车辆相对于关联车道的行车特征；采用车道预测模型，根据行车特征在关联车道中预测目标车辆即将驶入的目标车道；采用运动预测模型，根据行车特征预测目标车辆在目标车道上的运动信息；基于行驶信息、目标车道和运动信息，计算目标车辆的运动轨迹。在本发明实施例中通过不同的预测模型来预测车辆的目标车道以及车辆在目标车道上的运动信息，从而进行轨迹计算。由此，该方案可以提升轨迹预测的预测精度。
Description
技术领域
本发明涉及计算机领域，具体涉及一种轨迹预测方法和装置。
背景技术
随着物联网的普及，车辆可以通过计算机技术的辅助来规划路线、规避碰撞事故，同时提高行车效率。比如，车载计算机除了可以分辨出自身车辆周围的静态障碍物，还可以预测周围其他车辆的行驶轨迹，并根据周围车辆的行驶轨迹来判断周围车辆是否对自身车辆构成潜在的安全威胁。
然而，目前轨迹预测的方法的预测准确度较低。
发明内容
本发明实施例提供一种轨迹预测方法和装置，可以提升轨迹预测的预测精度。
本发明实施例提供一种轨迹预测方法，包括：
获取地图信息、目标车辆的行驶信息、车道预测模型、运动预测模型，其中，所述车道预测模型、运动预测模型由训练样本训练而成；
基于所述地图信息以及目标车辆的行驶信息，确定目标车辆的关联车道，以及目标车辆相对于所述关联车道的行车特征；
采用车道预测模型，根据所述行车特征在所述关联车道中预测目标车辆即将驶入的目标车道；
采用运动预测模型，根据所述行车特征预测目标车辆在所述目标车道上的运动信息；
基于所述行驶信息、目标车道和运动信息，计算目标车辆的运动轨迹。
在一些实施例中，所述运动预测模型包括第一运动预测模型、第二运动预测模型，所述在所述目标车道上的运动信息包括在预设时刻相对于所述目标车道的目标速度信息和目标距离信息，所述目标车道包括目标车道中心线；
所述采用运动预测模型，根据所述行车特征预测目标车辆在所述目标车道上的运动信息，包括：
采用第一运动预测模型，根据所述行车特征预测目标车辆在预设时刻相对于所述目标车道的目标速度信息；
采用第二运动预测模型，根据所述行车特征预测目标车辆在预设时刻相对于所述目标车道中心线的目标距离信息；
所述基于所述行驶信息、目标车道和运动信息，计算目标车辆的运动轨迹，包括：
基于所述行驶信息、目标车道、目标速度信息和目标距离信息，计算目标车辆的运动轨迹。
在一些实施例中，所述行驶信息包括初始位置信息、初始速度信息；
基于所述行驶信息、目标车道、目标速度信息和目标距离信息，计算目标车辆的运动轨迹，包括：
根据所述目标车道和目标距离信息，确定目标车辆在预设时刻的目标位置信息；
基于所述初始位置信息、目标位置信息、初始速度信息、目标速度信息计算目标车辆的运动轨迹。
在一些实施例中，所述采用车道预测模型，根据所述行车特征在所述关联车道中预测目标车辆即将驶入的目标车道，包括：
采用车道预测模型，根据所述行车特征计算目标车辆在预设时刻驶入所述关联车道的驶入概率；
根据所述驶入概率，从所述关联车道中确定目标车道。
在一些实施例中，所述车道预测模型包括多个车道预测子模型，采用车道预测模型，根据所述行车特征计算目标车辆在预设时刻驶入所述关联车道的驶入概率，包括：
采用车道预测子模型，根据所述行车特征计算目标车辆在预设时刻驶入所述关联车道的驶入子概率；
对所述驶入子概率进行加权求和，得到目标车辆在预设时刻驶入所述关联车道的驶入概率。
在一些实施例中，获取地图信息、目标车辆的行驶信息、车道预测模型、运动预测模型，之前，还包括：
获取训练样本以及初始预测模型，所述训练样本中的每一个对应多个样本标注；
对所述训练样本对应的样本标注进行剔除处理，得到车道训练样本以及运动训练样本；
采用所述车道训练样本对初始预测模型进行训练，得到车道预测模型；
采用所述运动训练样本对初始预测模型进行训练，得到运动预测模型。
在一些实施例中，所述样本标注包括车道标注、距离标注、速度标注，所述运动训练样本包括距离训练样本和速度训练样本；
对所述训练样本对应的样本标注进行剔除处理，得到车道训练样本以及运动训练样本，包括：
丢弃所述训练样本的距离标注和速度标注，得到仅保留了车道标注的车道训练样本；
丢弃所述训练样本的车道标注和距离标注，得到仅保留了速度标注的速度训练样本；
丢弃所述训练样本的车道标注和速度标注，得到仅保留了距离标注的距离训练样本。
在一些实施例中，所述运动训练样本包括速度训练样本、距离训练样本，所述速度训练样本包括速度训练子样本，所述距离训练样本包括距离训练子样本，所述运动预测模型包括速度预测模型、距离预测模型；
采用所述运动训练样本对初始预测模型进行训练，得到运动预测模型，包括：
采用所述速度训练子样本对初始预测模型进行训练，得到速度预测模型；
采用所述距离训练子样本对初始预测模型进行训练，得到距离预测模型。
在一些实施例中，基于所述地图信息以及目标车辆的行驶信息，确定目标车辆的关联车道，以及目标车辆相对于所述关联车道的行车特征，包括：
根据所述地图信息以及目标车辆的行驶信息，确定目标车辆的当前车道；
根据所述地图信息对目标车辆的当前车道进行拓扑分析，得到与所述当前车道相关联的关联车道；
基于所述关联车道以及目标车辆的行驶信息，计算目标车辆相对于所述关联车道的行车特征。
本发明实施例还提供一种轨迹预测装置，包括：
获取单元，用于获取地图信息、目标车辆的行驶信息、车道预测模型、运动预测模型，其中，所述车道预测模型、运动预测模型由训练样本训练而成；
关联单元，用于基于所述地图信息以及目标车辆的行驶信息，确定目标车辆的关联车道，以及目标车辆相对于所述关联车道的行车特征；
车道单元，用于采用车道预测模型，根据所述行车特征在所述关联车道中预测目标车辆即将驶入的目标车道；
运动单元，用于采用运动预测模型，根据所述行车特征预测目标车辆在所述目标车道上的运动信息；
轨迹单元，用于基于所述行驶信息、目标车道和运动信息，计算目标车辆的运动轨迹。
本发明实施例可以获取地图信息、目标车辆的行驶信息、车道预测模型、运动预测模型，其中，车道预测模型、运动预测模型由训练样本训练而成；基于地图信息以及目标车辆的行驶信息，确定目标车辆的关联车道，以及目标车辆相对于关联车道的行车特征；采用车道预测模型，根据行车特征在关联车道中预测目标车辆即将驶入的目标车道；采用运动预测模型，根据行车特征预测目标车辆在目标车道上的运动信息；基于行驶信息、目标车道和运动信息，计算目标车辆的运动轨迹。
在本发明实施例中通过不同的预测模型来预测车辆的目标车道以及车辆在目标车道上的运动信息，从而进行轨迹计算。由此，该方案可以提升轨迹预测的预测精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1a是本发明实施例提供的轨迹预测方法的场景示意图；
图1b是本发明实施例提供的轨迹预测方法的流程示意图；
图1c是本发明实施例提供的高精度地图的地图层结构示意图；
图1d是本发明实施例提供的目标车辆与当前车道的关系示意图；
图1e是本发明实施例提供的随机森林模型的结构示意图；
图1f是本发明实施例提供的运动轨迹计算的原理示意图；
图2是本发明实施例提供包括模型预测过程的轨迹预测方法流程示意图；
图3a是本发明实施例提供的轨迹预测装置的第一种结构示意图；
图3b是本发明实施例提供的轨迹预测装置的第二种结构示意图；
图3c是本发明实施例提供的轨迹预测装置的第三种结构示意图；
图3d是本发明实施例提供的轨迹预测装置的第四种结构示意图；
图3e是本发明实施例提供的轨迹预测装置的第五种结构示意图；
图4是本发明实施例提供的网络设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种轨迹预测方法和装置。
其中，该轨迹预测装置具体可以集成在电子设备中，该电子设备可以为终端、服务器等设备。其中，终端可以为自动驾驶仪、智能手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑(Personal Computer，PC)等设备；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群。
在一些实施例中，该轨迹预测装置还可以集成在多个电子设备中，比如，轨迹预测装置可以集成在多个服务器中，由多个服务器来实现本发明的轨迹预测方法。
比如，该电子设备可以为自动驾驶仪并被车辆所搭载，自动驾驶仪可以于网络通信，以及通过车辆上搭载的传感器获取周围车辆的行驶信息。例如，参考图1a，轨迹预测装置集成在自动驾驶仪中，本车搭载了的该自动驾驶仪，通过本车的传感器，可以获得本车周围其他车辆的行驶信息。譬如，可以通过网络获取地图信息、车道预测模型、运动预测模型，以及通过车辆的传感器***获取周围其他车辆的行驶信息(比如，周围其他车辆的行驶速度、车辆类型、与本车之间的距离、行车方向，等等)；然后，自动驾驶仪可以基于地图信息以及周围其他车辆的行驶信息，来确定周围其他车辆当前的关联车道，以及周围其他车辆相对于关联车道的行车特征；再采用车道预测模型，根据行车特征在关联车道中预测周围其他车辆即将驶入的目标车道，采用运动预测模型，根据行车特征预测周围其他车辆在目标车道上的运动信息；最后基于行驶信息、目标车道和运动信息，计算周围其他车辆的运动轨迹。
以下分别进行详细说明。需说明的是，以下实施例的序号不作为对实施例优选顺序的限定。
在本实施例中，提供了一种轨迹预测方法，如图1b所示，该轨迹预测方法的具体流程可以如下：
101、获取地图信息、目标车辆的行驶信息、车道预测模型、运动预测模型。
其中，地图信息可以是描绘了现实世界中道路、交通状况、行政区域等空间信息的图像信息，也可以是自定义的虚拟世界的地图数据。地图信息可以用于地面交通管制、车辆导航、车辆行车路线规划等等。
在一些实施例中，地图信息可以包括高精度地图，该高精度地图可以包含静态高精地图层和动态高精地图层。
其中，静态高精地图层中可以包含车道层、道路部件层、道路属性层等包含静态信息的地图层。具体地，车道层中可以包含道路细节信息，如车道线、车道中心线、车道宽度、曲率、坡度、航向、车道规则等信息。道路部件层中可以包含交通标志牌、路面标志等道路部件，比如记录交通信号灯的精确位置以及高度等等。
其中，动态高精地图层可以包括道路拥堵层、施工情况层、交通事故层、交通管制层、天气层等包含动态交通信息的地图层。比如，施工情况层中可以包含如整修、道路标识线磨损及重漆、交通标示改变等信息。
例如，如图1c所示，提供了一种高精度地图的地图层结构示意图，包括静态高精地图层和动态高精地图层，其中静态高精地图层中包含车道层和道路部件层，动态高精地图层包括了天气层。
在本发明实施例中，可以将搭载了轨迹预测装置车辆称为本车，目标车辆是除本车以外、本车周围一定距离内的其他车辆。该距离可以由用户设置，也可以由技术人员设置，还可以与本车传感器感应距离有关。
目标车辆的行驶信息是指目标车辆在行驶过程中能够被本车所检测到的信息，比如定位位置、行驶速度、行驶方向、车辆牌照、车辆类型等。
车道预测模型可以是一种用于预测目标车辆在未来时刻(比如，3秒后)所在车道的数学模型，类似的，运动预测模型是一种用于预测目标车辆在未来时刻运动信息的预测的数学模型。
其中，获取地图信息、目标车辆的行驶信息、车道预测模型、运动预测模型的方式多样，地图信息、目标车辆的行驶信息、车道预测模型、运动预测模型可以以同样的方式获取，也可以以不同的方式获取。
比如，可以从本地内存中读取地图信息、车道预测模型、运动预测模型，并通过传感器***获取目标车辆的行驶信息。
再比如，可以通过网络获取车道预测模型和运动预测模型，再从本地内存中读取地图信息，并通过传感器***获取目标车辆的行驶信息，等等。
102、基于地图信息以及目标车辆的行驶信息，确定目标车辆的关联车道，以及目标车辆相对于关联车道的行车特征。
由于车辆在未来时刻有可能保持当前时刻该车辆所在的车道，也可能向左变道、向右变道，甚至连变两道，因此，进行轨迹预测之前，需要基于地图信息以及目标车辆的行驶信息筛选出该车辆在未来时刻有可能驶入的车道，将这些车道记作关联车道。
关联车道是指与目标车辆当前所在车道相关的车道。具体地，关联车道是指目标车辆可以从当前车道驶入的车道。
需要注意的是，关联车道可以是目标车辆当前所在车道。
在一些实施例中，步骤102具体可以包括如下步骤：
(1)根据地图信息以及目标车辆的行驶信息，确定目标车辆的当前车道。
其中，目标车辆的行驶信息是本车通过传感器***所采集的本车辆与目标车辆之间的相对位置关系信息，通过结合本车在高精度地图上的位置，可以推导出目标车辆在高精度地图上的精确位置，根据目标车辆在高精度地图上的精确位置确定目标车辆在高精度地图上所处的当前车道。
例如，在本实施例中，参考图1d所示，提供了目标车辆在高精度地图上所处的当前车道的原理示意图，已知本车在高精度地图上的位置坐标为(x＝0，y＝0)，采集到目标车辆与本车之间的距离为d＝3米，目标车辆与本车之间的位置夹角为θ＝60°，则可以计算出目标车辆与本车在精确地图坐标轴上的相对距离，即目标车辆与本车在X轴之间的距离为d*sinθ，Y轴之间的距离为d*cosθ，则目标车辆在高精度地图上的位置坐标为(x＝1.5，y＝-2.6)，可知，该坐标落入车道2的区域范围(1<x<2，-20<y<20)内，判定目标车辆所在的当前车道为车道2。
(2)根据地图信息对目标车辆的当前车道进行拓扑分析，得到与当前车道相关联的关联车道。
当确定目标车辆当前所在的车道后，可以对目标车辆的当前车道进行拓扑分析，得到与当前车道相关联的关联车道，具体地，通过获取目标车辆当前所在的车道拓扑关系，根据该拓扑关系，可以得到与目标车辆当前所在车道相关联的关联车道。
其中，该拓扑关系可以包括邻接、关联、包含和连通等关系，在一些实施例中，地图信息可以包括所有道路之间的拓扑关系。
(3)基于关联车道以及目标车辆的行驶信息，计算目标车辆相对于关联车道的行车特征。
在上述步骤中，可以获得每个目标车辆对应的一个或多个关联车道，通过目标车辆的行驶信息可以计算目标车辆相对于关联车道的行车特征。
其中，行车特征是指车辆行驶时的物理特征，比如，目标车辆相对于关联车道的行车特征可以是目标车辆与关联车道之间的距离、目标车辆与关联车道的相对速度、目标车辆与关联车道上障碍物之间的相对距离等等。
比如，目标车辆相对于关联车道的行车特征可以包括目标车辆与关联车道上障碍物之间的相对速度，其中，障碍物是指在关联车道上可能对目标车辆造成阻碍的物体，该障碍物可以是静态物体，也可以是动态物体，比如，障碍物可以是交通信号灯、机动车、非机动车、绿化带，等等。
具体地，目标车辆相对于关联车道的行车特征可以包括关联车道中障碍物的占地面积、大小、类型、运动状态，以及关联车道中障碍物与目标车辆之间的相对速度、相对距离，等等。
103、采用车道预测模型，根据行车特征在关联车道中预测目标车辆即将驶入的目标车道。
其中，车道预测模型的类型具有多种，比如，车道预测模型可以为神经网络模型，例如卷积神经网络模型(Convolutional Neural Networks，CNN)、深度神经网络模型(DeepNeural Networks，DNN)、循环神经网络模型(Recurrent Neural Networks，CNN)，等等。
例如，在一些实施例中，车道预测模型可以是基于随机森林算法的深度神经网络模型。
其中，随机森林算法是指利用多棵决策树来对样本进行训练并预测的一种算法。随机森林模型中可以包含多个决策树，比如，参考图1e所示的随机森林模型，其中包括两颗决策树，该随机森林模型输出的类别可以由部分决策树模型输出的类别决定，其数值为：
其中，P1(c|f)是图1e中左侧决策树的输出，Pn(c|f)是图1e中右侧决策树的输出，P(c|f)是该随机森林模型输出。
具体地，在一些实施例中，步骤103可以包括如下步骤：
(1)采用车道预测模型，根据行车特征计算目标车辆在预设时刻驶入关联车道的驶入概率。
比如，在一些实施例中，为了降低过拟合、提高处理高维特征的效率、适应大量多样的预测数据，车道预测模型可以是基于随机森林算法的深度神经网络模型。此时，采用该车道预测模型对行车特征进行处理，可以得到目标车辆在预设时刻驶入一个关联车道的多个驶入子概率，对这些驶入子概率进行加权求和可以求出目标车辆在预设时刻驶入关联车道的驶入概率。
(2)根据驶入概率，从关联车道中确定目标车道。
比如，在一些实施例中，车道预测模型可以包括多个车道预测子模型(比如决策树模型)，采用车道预测模型，根据行车特征计算目标车辆在预设时刻驶入关联车道的驶入概率具体可以包括如下步骤：
(a)采用车道预测子模型，根据行车特征计算目标车辆在预设时刻驶入关联车道的驶入子概率；
(b)对驶入子概率进行加权求和，得到目标车辆在预设时刻驶入关联车道的驶入概率。
根据目标车辆驶入关联车道驶入概率，可以从关联车道中确定一个或多个目标车道。
其中，从关联车道中确定一个或多个目标车道的方法具有多种，比如，在一些实施例中，对驶入概率由大到小排序，将前预设数量个的驶入概率所对应的关联车道记为目标车道；例如，预设数量为3，对驶入概率由大到小排序，将前3个的驶入概率所对应的关联车道记为目标车道。
在一些实施例中，还可以将驶入概率与预设概率范围进行比对，将属于预设概率范围的驶入概率所对应的关联车道记为目标车道。比如，预设概率范围为[0.8，1]，则将概率数值大于等于0.8的驶入概率所对应的所有关联车道记为目标车道。
其中，预设数量以及预设概率范围可以通过读取本地内存获取，也可以通过网络从服务器获取，还可以由用户设置，等等。
104、用于采用运动预测模型，根据行车特征预测目标车辆在目标车道上的运动信息。
其中，运动信息可以包括目标车辆行驶时在目标车道上的行驶速度、行驶方向、相对距离、定位位置等信息。
其中，运动预测模型的类型具有多种，比如，运动预测模型可以也可以是神经网络模型，例如卷积神经网络模型、深度神经网络模型、循环神经网络模型，等等。
类似地，运动预测模型也可以是基于随机森林算法的深度神经网络模型。
在一些实施例中，运动预测模型包括第一运动预测模型、第二运动预测模型，运动信息包括目标速度信息和目标距离信息，目标车道可以包括目标车道中心线，目标车辆在目标车道上的运动信息可以指目标车辆在预设时刻相对于目标车道的目标速度信息和目标距离信息，步骤104可以包括如下步骤：
(1)采用第一运动预测模型，根据行车特征预测目标车辆在预设时刻相对于目标车道的目标速度信息；
(2)采用第二运动预测模型，根据行车特征预测目标车辆在预设时刻相对于目标车道中心线的目标距离信息。
其中，目标车道中心线是指从目标车道的车道中心线。具体地，车道中心线是指从车道的起点到终点，由车道路基边缘之间的中心点依次连接而成的线。高精度地图中可以存储各个车道的车道中心线信息。
105、基于行驶信息、目标车道和运动信息，计算目标车辆的运动轨迹。
在一些实施例中，在获取目标车辆在预设时刻相对于目标车道的目标速度信息、目标车辆在预设时刻相对于目标车道的目标距离信息后，步骤105可以具体可以是基于行驶信息、目标车道、目标速度信息和目标距离信息，计算目标车辆的运动轨迹。
在一些实施例中，目标车辆的行驶信息包括初始位置信息、初始速度信息，其中，初始位置信息可以指目标车辆与目标车辆当前所在车道的车道中线之间的距离，初始速度信息可以指目标车辆当前的速度，步骤105具体可以包括如下步骤：
(1)根据目标车道和目标距离信息，确定目标车辆在预设时刻的目标位置信息；
(2)基于初始位置信息、目标位置信息、初始速度信息、目标速度信息计算目标车辆的运动轨迹。
计算目标车辆从当前到未来时刻之间的运动轨迹的方法具有多种。比如，具体可以利用三次多项式曲线、五次多项式曲线、S曲线、梯形曲线等等进行轨迹计算，等等。
例如，计算方式可以参考图1f，V1为目标车辆的当前速度，V2为预测得出的目标车辆在未来时刻(比如，3秒后)的目标速度；d1为目标车辆当前与其当前所在车道中心线之间的距离，d2为目标车辆在未来时刻与其未来时刻所在目标车道中心线之间的距离，d为目标车辆当前所在车道与目标车道之间的距离。
其中，车道中心线可以从高精度地图中获取，目标车辆与未来目标车辆之间的距离D的计算公式如下：
D＝d1+d2+d
此时，通过距离D与目标车辆当前速度V1，以及目标车辆在未来时刻的目标速度V2，可以计算得出目标车辆从当前到未来时刻之间的运动轨迹。
具体地，采用五次多项式曲线进行运动轨迹Q的计算的方法如下：
Q(tstart,tend)＝q(tstart)+q(tstart+1)+q(tstart+2)+...q(tend)＝∑q(ti)
其中，q为某时刻时目标车辆所在的位置点；Q是由多个位置点所连成的线，即运动轨迹；tstart为初始时刻；tend为未来时刻；ti为初始时刻和未来时刻之间的采样时刻，该采样时刻可以由技术人员配置，也可以由用户设定。
目标车辆在采样时刻所处的位置点q(ti)可以由以下公式求出：
q(ti)＝q(tsatrt)+w1(ti-tstrat)+w2(ti-tstrat)2+w3(ti-tstrat)3+w4(ti-tstrat)4+w5(ti-tstrat)5
其中，w1、w2、w3、w4、w5为该五次多项式的系数。
已知物理公式如下，在ti时刻，速度v可以由位置点q求一阶导数得出，运动加速度a可以由位置点q求二阶导数得出：
q′(ti)＝v(ti)，q″(ti)＝a(ti)
可以得出系数w1、w2、w3、w4、w5的计算公式如下：
w1＝vstart
其中，h＝q(ti)-q(tstart)。
由上可知，本发明实施例可以获取地图信息、目标车辆的行驶信息、车道预测模型、运动预测模型，其中，车道预测模型、运动预测模型由训练样本训练而成；基于地图信息以及目标车辆的行驶信息，确定目标车辆的关联车道，以及目标车辆相对于关联车道的行车特征；采用车道预测模型，根据行车特征在关联车道中预测目标车辆即将驶入的目标车道；采用运动预测模型，根据行车特征预测目标车辆在目标车道上的运动信息；基于行驶信息、目标车道和运动信息，计算目标车辆的运动轨迹。
由此本方案可以通过不同的预测模型来预测车辆的目标车道以及车辆在目标车道上的运动信息，从而进行轨迹计算。由此，该方案可以提升轨迹预测的预测精度。
根据上述实施例所描述的方法，以下将作进一步详细说明。
本发明实施例提供的轨迹预测方案可以应用在各种交通场景中，用于各个级别的自动驾驶车辆***，以实现自动驾驶车辆对周围车辆的运动轨迹预测。
在本实施例中，将以服务器训练车道预测模型和运动预测模型，自动驾驶车辆通过这些服务器训练得到的模型对周围车辆3秒内的运动轨迹进行预测为例，参考图2，对本发明实施例的方法进行详细说明，其具体流程如下：
201、服务器获取训练样本以及初始预测模型，每个训练样本对应多个样本标注。
其中，服务器获取训练样本以及初始预测模型的方式具有多种，比如，服务器通过网络获取训练样本、服务器在其本地内存中直接读取初始预测模型、服务器通过网络获取训练数据，并对训练数据进行标注，得到可用的训练样本，等等。
该训练数据可以由装配有激光雷达、摄像头、高精度惯导等传感器以及相应感知算法的采集车辆采集。其中，采集车辆可以为专用于训练数据采集的车辆，也可以是搭载了自动驾驶***的车辆。
比如，采集车辆可以采集其周围的交通状况，并根据高精度地图记录交通状况所发生的地点。比如，采集车辆可以采集其周围障碍物的图片、所在的车道、所在的位置、速度、运动方向、加速度、角速度，以及障碍物的编号，等等。其中，障碍物可以包括车辆、交通指示灯、行人等可以对车辆行驶造成阻碍的人和物。
譬如，采集车辆可以采集周围15米内其他车辆3秒内的行驶速度、行驶方向，以及在该3秒内的起始位置、最终位置，从而得到周围15米内其他车辆起始时刻所在车道和的3秒后所在的目标车道。
在一些实施例中，服务器可以对训练数据进行标注，得到可用的训练样本，具体步骤如下：
(1)确定障碍物的关联车道，以及目标车道。
其中，目标车道是障碍物在未来时刻(比如3秒后)所在的车道，该目标车道信息可以包括于训练数据。
其中，障碍物的关联车道是指与障碍物当前所在车道相关联的车道，具体确定障碍物的关联车道的方式具有多种，比如如下步骤所示：
a.根据高精度地图以及障碍物的定位位置，确定障碍物的当前车道；
b.根据高精度地图对障碍物的当前车道进行拓扑分析，得到障碍物的关联车道。
其中，障碍物的定位位置可以通过采集车辆的采集到其与障碍物之间的相对位置关系，与采集车辆在高精度地图上的位置，来结合推导。
其中，拓扑关系可以从高精度地图中获取，该拓扑关系可以包括邻接、关联、包含和连通等关系。
(2)根据训练数据，确定障碍物对于关联车道的行车特征。
其中，障碍物对于关联车道的行车特征可以包括关联车道中障碍物的占地面积、大小、类型、运动状态，以及关联车道中障碍物与目标车辆之间的相对速度、相对距离，等等。
比如，参考表1所示的行车特征列表可知，障碍物对于关联车道的行车特征具有多种：
表1
(3)根据目标车道对训练数据进行标注。
其中，每个训练样本可以对应多个类型的样本标注，例如，在一些实施例中，每个训练样本可以对应三个样本标注，分别为车道标注、距离标注、速度标注，等等。
在本实施例中，可以根据目标车道来对训练数据中的关联车道进行标注。比如，当目标车道与关联车道相同时，生成该关联车道对应训练数据的车道标注为正样本标注，当目标车道与关联车道不同时，生成该关联车道对应训练数据的车道标注为负样本标注。
譬如，障碍物的关联车道为车道A、车道B、车道C，则可以根据车道产生特征集合[A]、[B]、[C]。
例如，障碍物在3秒后所在的车道为车道B，则障碍物的目标车道为车道B，可知障碍物的目标车道与车道A不同、与车道B相同、与车道C不同，则此时将特征集合[A]作为负样本，标注为[A，0]；将特征集合[B]作为正样本，标注为[B，1]；将特征集合[C]作为负样本，标注为[C，0]。
在一些实施例中，还可以根据障碍物在3秒后的行驶速度对特征集合进行标注，其中，被标注为负样本的数据无需标注行驶速度，例如，障碍物在3秒后的行驶速度为v，则将负样本[A，0]标注为[A，0，0]；将正样本[B，1]标注为[B，1，v]；将负样本[C，0]标注为[C，0，0]。
在一些实施例中，还可以根据障碍物在3秒后相对于目标车道的距离对特征集合进行标注，其中，被标注为负样本的数据无需标注距离，例如，障碍物在3秒后与目标车道的距离为D，则将负样本[A，0，0]标注为[A，0，0，0]，将正样本[B，1，v]标注为[B，1，v，D]，将负样本[C，0，0]标注为[C，0，0，0]。
202、服务器对训练样本对应的样本标注进行剔除处理，得到车道训练样本以及运动训练样本。
对训练样本对应的不同类型的样本标注进行剔除处理后，训练样本可以保留部分类型的样本标注。比如，在一些实施例中，样本标注包括车道标注、距离标注、速度标注，运动训练样本包括距离训练样本和速度训练样本，对训练样本对应的样本标注进行剔除处理，得到车道训练样本以及运动训练样本具体可以包括以下步骤：
(a)丢弃训练样本的距离标注和速度标注，得到仅保留了车道标注的车道训练样本；
(b)丢弃训练样本的车道标注和距离标注，得到仅保留了速度标注的速度训练样本；
(c)丢弃训练样本的车道标注和速度标注，得到仅保留了距离标注的距离训练样本。
例如，当训练样本为负样本[A，0，0，0]、正样本[B，1，v，D]、负样本[C，0，0，0]，其中，训练样本的第一项指候选车道，第二项指训练样本的样本类型(如正样本类型、负样本类型)，第三项指障碍物在目标车道上的行驶速度，第四项指障碍物与目标车道之间的距离。
比如，对上述训练样本执行步骤a，即可丢弃训练样本三项的速度标注和第四项的距离标注，则得到车道训练样本[A，0]、[B，1]、[C，0]。
比如，对上述训练样本执行步骤b，即可丢弃训练样本第一项的车道标注和第四项的距离标注，则得到速度训练样本[0，0]、[1，v]、[0，0]。
比如，对上述训练样本执行步骤c，即可丢弃训练样本第一项的车道标注和第三项的速度标注，则得到距离训练样本[0，0]、[1，D]、[0，0]。
203、服务器采用车道训练样本对初始预测模型进行训练，得到车道预测模型。
比如，服务器采用车道训练样本[A，0]、[B，1]、[C，0]对初始预测模型进行训练，直至收敛，得到车道预测模型。
204、服务器采用运动训练样本对初始预测模型进行训练，得到运动预测模型。
在一些实施例中，运动训练样本包括速度训练样本、距离训练样本，速度训练样本包括速度训练正样本，距离训练样本包括距离训练子样本，运动预测模型包括速度预测模型、距离预测模型，采用运动训练样本对初始预测模型进行训练，得到运动预测模型具体可以包括以下步骤：
(a)采用速度训练子样本对初始预测模型进行训练，得到速度预测模型；
(b)采用距离训练子样本对初始预测模型进行训练，得到距离预测模型。
比如，速度训练样本[0，0]、[1，v]、[0，0]中第一项是样本类型，其中，0代表负样本，1代表正样本，则速度训练样本[0，0]、[1，v]、[0，0]中包括两个负样本[0，0]，以及一个正样本[1，v]。
205、自动驾驶车辆从服务器获取地图信息、车道预测模型、运动预测模型，并通过传感器采集目标车辆的行驶信息。
其中，自动驾驶车辆可以通过网络从服务器获取地图信息、车道预测模型、运动预测模型，也可以通过存储设备从服务器导入地图信息、车道预测模型、运动预测模型，等等。
206、自动驾驶车辆基于地图信息、目标车辆的行驶信息，采用车道预测模型和运动预测模型预测目标车辆的运动轨迹。
步骤(六)可以参考上述步骤102、103、104、105，在此不做赘述。
由上可知，在本发明实施例中，服务器通过获取训练样本以及初始预测模型，并对训练样本对应的样本标注进行剔除处理，得到车道训练样本以及运动训练样本，服务器可以采用车道训练样本对初始预测模型进行训练，得到车道预测模型、采用运动训练样本对初始预测模型进行训练，得到运动预测模型。自动驾驶车辆从服务器获取地图信息、车道预测模型、运动预测模型，并通过传感器采集目标车辆的行驶信息；自动驾驶车辆从服务器获取地图信息、车道预测模型、运动预测模型，并通过传感器采集目标车辆的行驶信息。
由此，在本发明实施例中通过不同的预测模型来预测车辆的目标车道以及车辆在目标车道上的运动信息，从而进行轨迹计算。由此，该方案可以提高轨迹预测的效率，同时提升轨迹预测的预测精度。
为了更好地实施以上方法，本发明实施例还提供一种轨迹预测装置，该轨迹预测装置具体可以集成在电子设备中，该电子设备可以为终端、服务器等设备。其中，该电子设备具体可以为自动驾驶仪、服务器，等等。
比如，在本实施例中，将以轨迹预测装置集成在服务器中为例，对本发明实施例的方法进行详细说明。
例如，如图3a所示，该轨迹预测装置可以包括获取单元301、关联单元302、车道单元303、运动单元304以及轨迹单元305如下：
(一)获取单元301：
获取单元301，用于获取地图信息、目标车辆的行驶信息、车道预测模型、运动预测模型，其中，车道预测模型、运动预测模型由训练样本训练而成。
参考图3b，在一些实施例中，获取单元301还可以包括获取子单元3011、剔除子单元3012、车道模型子单元3013和运动模型子单元3014，如下：
(1)获取子单元3011：
获取子单元，用于获取训练样本以及初始预测模型，每个训练样本对应多个样本标注；
(2)剔除子单元3012：
剔除子单元，用于对训练样本对应的样本标注进行剔除处理，得到车道训练样本以及运动训练样本；
(3)车道模型子单元3013：
车道模型子单元，用于采用车道训练样本对初始预测模型进行训练，得到车道预测模型；
(4)运动模型子单元3014：
运动模型子单元，用于采用运动训练样本对初始预测模型进行训练，得到运动预测模型。
在一些实施例中，样本标注包括车道标注、距离标注、速度标注，运动训练样本包括距离训练样本和速度训练样本，剔除子单元3012具体可以用于：
丢弃训练样本的距离标注和速度标注，得到仅保留了车道标注的车道训练样本；
丢弃训练样本的车道标注和距离标注，得到仅保留了速度标注的速度训练样本；
丢弃训练样本的车道标注和速度标注，得到仅保留了距离标注的距离训练样本。
在一些实施例中，运动训练样本包括速度训练样本、距离训练样本，速度训练样本包括速度训练正样本，距离训练样本包括距离训练子样本，运动预测模型包括速度预测模型、距离预测模型，运动模型子单元3014具体可以用于：
采用速度训练子样本对初始预测模型进行训练，得到速度预测模型；
采用距离训练子样本对初始预测模型进行训练，得到距离预测模型。
(二)关联单元302：
关联单元302，用于基于地图信息以及目标车辆的行驶信息，确定目标车辆的关联车道，以及目标车辆相对于关联车道的行车特征。
在一些实施例中，关联单元302具体可以用于：
根据地图信息以及目标车辆的行驶信息，确定目标车辆的当前车道；
根据地图信息对目标车辆的当前车道进行拓扑分析，得到与当前车道相关联的关联车道；
基于关联车道以及目标车辆的行驶信息，计算目标车辆相对于关联车道的行车特征。
(三)车道单元303：
车道单元303，用于采用车道预测模型，根据行车特征在关联车道中预测目标车辆即将驶入的目标车道。
在一些实施例中，参考图3c，车道单元303可以包括概率子单元3031和车道子单元3032，如下：
(1)概率子单元3031：
概率子单元，用于采用车道预测模型，根据行车特征计算目标车辆在预设时刻驶入关联车道的驶入概率；
(2)车道子单元3032：
车道子单元，用于根据驶入概率，从关联车道中确定目标车道。
在一些实施例中，车道预测模型包括多个车道预测子模型，概率子单元3031具体可以用于：
采用车道预测子模型，根据行车特征计算目标车辆在预设时刻驶入关联车道的驶入子概率；
对驶入子概率进行加权求和，得到目标车辆在预设时刻驶入关联车道的驶入概率。
(四)运动单元304：
运动单元304，用于采用运动预测模型，根据行车特征预测目标车辆在目标车道上的运动信息。
在一些实施例中，运动预测模型包括第一运动预测模型、第二运动预测模型，运动信息包括目标速度信息和目标距离信息，参考图3d，运动单元304可以包括第一运动子单元3041和第二运动子单元3042，如下：
(1)第一运动单元3041：
第一运动单元，用于采用第一运动预测模型，根据行车特征预测目标车辆在预设时刻相对于目标车道的目标速度信息；
(2)第二运动单元3042：
第二运动单元，用于采用第二运动预测模型，根据行车特征预测目标车辆在预设时刻相对于目标车道的目标距离信息。
(五)轨迹单元305：
轨迹单元305，用于基于行驶信息、目标车道和运动信息，计算目标车辆的运动轨迹。
在一些实施例中，轨迹单元305具体可以用于基于行驶信息、目标车道、目标速度信息和目标距离信息，计算目标车辆的运动轨迹。
在一些实施例中，行驶信息包括初始位置信息、初始速度信息；参考图3e，轨迹单元305可以包括位置子单元3051和轨迹子单元3052，如下：
(1)位置子单元3051：
位置子单元，用于根据目标车道和目标距离信息，确定目标车辆在预设时刻的目标位置信息；
(2)轨迹子单元3052：
轨迹子单元，用于基于初始位置信息、目标位置信息、初始速度信息、目标速度信息计算目标车辆的运动轨迹。
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
由上可知，本实施例的轨迹预测装置由获取单元获取地图信息、目标车辆的行驶信息、车道预测模型、运动预测模型；由关联单元基于地图信息以及目标车辆的行驶信息，确定目标车辆的关联车道，以及目标车辆相对于关联车道的行车特征；由车道单元采用车道预测模型，根据行车特征在关联车道中预测目标车辆即将驶入的目标车道；由运动单元采用运动预测模型，根据行车特征预测目标车辆在目标车道上的运动信息；由轨迹单元基于行驶信息、目标车道和运动信息，计算目标车辆的运动轨迹。
由于该方案可以通过不同的预测模型来预测车辆的目标车道以及车辆在目标车道上的运动信息，从而进行轨迹计算。由此，该方案可以提升轨迹预测的预测精度。
本发明实施例还提供一种电子设备，该电子设备可以为智能手机、智能手表、平板电脑、微型计算机、自动驾驶仪、服务器等等。如图4所示，其示出了本发明实施例所涉及的电子设备的结构示意图，具体来讲：
该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403、输入单元404，除此之外，还可以包括传感器***405、定位***406等部件。本领域技术人员可以理解，图4中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器401是该电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过行驶或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。在一些实施例中，处理器401可包括一个或多个处理核心；在一些实施例中，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作***、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成在处理器401中。
存储器402可用于存储软件程序以及模块，处理器401通过行驶存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
电子设备还包括给各个部件供电的电源403，在一些实施例中，电源403可以通过电源管理***与处理器401逻辑相连，从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入单元404，该输入单元404可用于接收输入的数字、字符、图像、定位信息等等，以及产生与用户设置以及功能控制有关的按键、虚拟键盘、方向盘、操作杆、传感器等信号输入，比如，输入单元可以接收传感器***和定位***输入的图像、地理位置以及行驶信息等等。
该电子设备还可包括传感器***405，该传感器***405可以包括多种传感器，比如，雷达、摄像头、红外传感器，等等。传感器***405的结构可以为集中式、分布式、分级式、混合式以及多级式等，其中的多种传感器可以包括敏感元件、转换原件、辅助电源以及变换电路等部件，敏感元件可以直接感受、测量，并输出与被测量有确定关系的物理量信号；转换元件将敏感元件输出的物理量信号转换为电信号；变换电路负责对转换元件输出的电信号进行放大调制；转换元件和变换电路一般还需要辅助电源供电。
该电子设备还可包括定位***406，该定位***406可以接收、跟踪、变换和测量位置信号，实时给出载体的位置和速度。定位***406可以由天线单元、接收机主机单元和电源三部组成，天线单元的可以将获取的定位导航信号转化为电流，并对这种信号电流进行放大和变频处理；接收机单元可以对经过放大和变频处理的信号电源进行跟踪、处理和测量。
尽管未示出，电子设备还可以包括显示单元、通信单元等，在此不再赘述。具体在本实施例中，电子设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来行驶存储在存储器402中的应用程序，从而实现各种功能，如下：
获取地图信息、目标车辆的行驶信息、车道预测模型、运动预测模型，其中，车道预测模型、运动预测模型由训练样本训练而成；
基于地图信息以及目标车辆的行驶信息，确定目标车辆的关联车道，以及目标车辆相对于关联车道的行车特征；
采用车道预测模型，根据行车特征在关联车道中预测目标车辆即将驶入的目标车道；
采用运动预测模型，根据行车特征预测目标车辆在目标车道上的运动信息；
基于行驶信息、目标车道和运动信息，计算目标车辆的运动轨迹。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
由上可知，在本发明实施例中，电子设备可以获取地图信息、目标车辆的行驶信息、车道预测模型、运动预测模型；基于地图信息以及目标车辆的行驶信息，确定目标车辆的关联车道，以及目标车辆相对于关联车道的行车特征；采用车道预测模型，根据行车特征在关联车道中预测目标车辆即将驶入的目标车道；采用运动预测模型，根据行车特征预测目标车辆在目标车道上的运动信息；基于行驶信息、目标车道和运动信息，计算目标车辆的运动轨迹。由此该方案可以通过不同的预测模型来预测车辆的目标车道以及车辆在目标车道上的运动信息，从而进行轨迹计算。由此，该方案可以提升轨迹预测的预测精度。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本发明实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的任一种轨迹预测方法中的步骤。例如，该指令可以执行如下步骤：
获取地图信息、目标车辆的行驶信息、车道预测模型、运动预测模型，其中，车道预测模型、运动预测模型由训练样本训练而成；
基于地图信息以及目标车辆的行驶信息，确定目标车辆的关联车道，以及目标车辆相对于关联车道的行车特征；
采用车道预测模型，根据行车特征在关联车道中预测目标车辆即将驶入的目标车道；
采用运动预测模型，根据行车特征预测目标车辆在目标车道上的运动信息；
基于行驶信息、目标车道和运动信息，计算目标车辆的运动轨迹。
其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本发明实施例所提供的任一种轨迹预测方法中的步骤，因此，可以实现本发明实施例所提供的任一种轨迹预测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本发明实施例所提供的一种轨迹预测方法和装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种轨迹预测方法，其特征在于，包括：
获取地图信息、目标车辆的行驶信息、车道预测模型、运动预测模型，其中，所述车道预测模型、运动预测模型由训练样本训练而成；
基于所述地图信息以及目标车辆的行驶信息，确定目标车辆的关联车道，以及目标车辆相对于所述关联车道的行车特征；
采用车道预测模型，根据所述行车特征在所述关联车道中预测目标车辆即将驶入的目标车道；
采用运动预测模型，根据所述行车特征预测目标车辆在所述目标车道上的运动信息；
基于所述目标车道、运动信息以及行驶信息，计算目标车辆的运动轨迹。
2.如权利要求1所述的轨迹预测方法，其特征在于，所述运动预测模型包括第一运动预测模型、第二运动预测模型，所述在所述目标车道上的运动信息包括在预设时刻相对于所述目标车道的目标速度信息和目标距离信息，所述目标车道包括目标车道中心线；
所述采用运动预测模型，根据所述行车特征预测目标车辆在所述目标车道上的运动信息，包括：
采用第一运动预测模型，根据所述行车特征预测目标车辆在预设时刻相对于所述目标车道的目标速度信息；
采用第二运动预测模型，根据所述行车特征预测目标车辆在预设时刻相对于所述目标车道中心线的目标距离信息；
所述基于所述行驶信息、目标车道和运动信息，计算目标车辆的运动轨迹，包括：
基于所述行驶信息、目标车道、目标速度信息和目标距离信息，计算目标车辆的运动轨迹。
3.如权利要求2所述的轨迹预测方法，其特征在于，所述行驶信息包括初始位置信息、初始速度信息；
基于所述行驶信息、目标车道、目标速度信息和目标距离信息，计算目标车辆的运动轨迹，包括：
根据所述目标车道和目标距离信息，确定目标车辆在预设时刻的目标位置信息；
基于所述初始位置信息、目标位置信息、初始速度信息、目标速度信息计算目标车辆的运动轨迹。
4.如权利要求1所述的轨迹预测方法，其特征在于，所述采用车道预测模型，根据所述行车特征在所述关联车道中预测目标车辆即将驶入的目标车道，包括：
采用车道预测模型，根据所述行车特征计算目标车辆在预设时刻驶入所述关联车道的驶入概率；
根据所述驶入概率，从所述关联车道中确定目标车道。
5.如权利要求4所述的轨迹预测方法，其特征在于，所述车道预测模型包括多个车道预测子模型，采用车道预测模型，根据所述行车特征计算目标车辆在预设时刻驶入所述关联车道的驶入概率，包括：
采用车道预测子模型，根据所述行车特征计算目标车辆在预设时刻驶入所述关联车道的驶入子概率；
对所述驶入子概率进行加权求和，得到目标车辆在预设时刻驶入所述关联车道的驶入概率。
6.如权利要求1所述的轨迹预测方法，其特征在于，获取地图信息、目标车辆的行驶信息、车道预测模型、运动预测模型，之前，还包括：
获取训练样本以及初始预测模型，所述训练样本中的每一个对应多个样本标注；
对所述训练样本对应的样本标注进行剔除处理，得到车道训练样本以及运动训练样本；
采用所述车道训练样本对初始预测模型进行训练，得到车道预测模型；
采用所述运动训练样本对初始预测模型进行训练，得到运动预测模型。
7.如权利要求6所述的轨迹预测方法，其特征在于，所述样本标注包括车道标注、距离标注、速度标注，所述运动训练样本包括距离训练样本和速度训练样本；
对所述训练样本对应的样本标注进行剔除处理，得到车道训练样本以及运动训练样本，包括：
丢弃所述训练样本的距离标注和速度标注，得到仅保留了车道标注的车道训练样本；
丢弃所述训练样本的车道标注和距离标注，得到仅保留了速度标注的速度训练样本；
丢弃所述训练样本的车道标注和速度标注，得到仅保留了距离标注的距离训练样本。
8.如权利要求6所述的轨迹预测方法，其特征在于，所述运动训练样本包括速度训练样本、距离训练样本，所述速度训练样本包括速度训练子样本，所述距离训练样本包括距离训练子样本，所述运动预测模型包括速度预测模型、距离预测模型；
采用所述运动训练样本对初始预测模型进行训练，得到运动预测模型，包括：
采用所述速度训练子样本对初始预测模型进行训练，得到速度预测模型；
采用所述距离训练子样本对初始预测模型进行训练，得到距离预测模型。
9.如权利要求1所述的轨迹预测方法，其特征在于，基于所述地图信息以及目标车辆的行驶信息，确定目标车辆的关联车道，以及目标车辆相对于所述关联车道的行车特征，包括：
根据所述地图信息以及目标车辆的行驶信息，确定目标车辆的当前车道；
根据所述地图信息对目标车辆的当前车道进行拓扑分析，得到与所述当前车道相关联的关联车道；
基于所述关联车道以及目标车辆的行驶信息，计算目标车辆相对于所述关联车道的行车特征。
10.一种轨迹预测装置，其特征在于，包括：
获取单元，用于获取地图信息、目标车辆的行驶信息、车道预测模型、运动预测模型，其中，所述车道预测模型、运动预测模型由训练样本训练而成；
关联单元，用于基于所述地图信息以及目标车辆的行驶信息，确定目标车辆的关联车道，以及目标车辆相对于所述关联车道的行车特征；
车道单元，用于采用车道预测模型，根据所述行车特征在所述关联车道中预测目标车辆即将驶入的目标车道；
运动单元，用于采用运动预测模型，根据所述行车特征预测目标车辆在所述目标车道上的运动信息；
轨迹单元，用于基于所述行驶信息、目标车道和运动信息，计算目标车辆的运动轨迹。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910729763.2A CN110400490B (zh) | 2019-08-08 | 2019-08-08 | 轨迹预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910729763.2A CN110400490B (zh) | 2019-08-08 | 2019-08-08 | 轨迹预测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110400490A true CN110400490A (zh) | 2019-11-01 |
| CN110400490B CN110400490B (zh) | 2022-02-25 |
Family
ID=68327772
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910729763.2A Active CN110400490B (zh) | 2019-08-08 | 2019-08-08 | 轨迹预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110400490B (zh) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111114554A (zh) * | 2019-12-16 | 2020-05-08 | 苏州智加科技有限公司 | 行驶轨迹预测方法、装置、终端及存储介质 |
| CN111340880A (zh) * | 2020-02-17 | 2020-06-26 | 北京百度网讯科技有限公司 | 用于生成预测模型的方法和装置 |
| CN111428943A (zh) * | 2020-04-23 | 2020-07-17 | 福瑞泰克智能***有限公司 | 障碍物车辆轨迹预测的方法、设备和计算机设备 |
| CN111583715A (zh) * | 2020-04-29 | 2020-08-25 | 宁波吉利汽车研究开发有限公司 | 一种车辆轨迹预测方法、车辆碰撞预警方法、装置及存储介质 |
| CN111752272A (zh) * | 2020-04-16 | 2020-10-09 | 北京京东乾石科技有限公司 | 一种轨迹预测方法、装置、设备及存储介质 |
| CN111824157A (zh) * | 2020-07-14 | 2020-10-27 | 广州小鹏车联网科技有限公司 | 一种自动驾驶方法和装置 |
| CN112562328A (zh) * | 2020-11-27 | 2021-03-26 | 腾讯科技（深圳）有限公司 | 一种车辆行为预测方法及装置 |
| CN112833903A (zh) * | 2020-12-31 | 2021-05-25 | 广州文远知行科技有限公司 | 一种轨迹预测方法、装置、设备和计算机可读存储介质 |
| WO2021174445A1 (zh) * | 2020-03-04 | 2021-09-10 | 华为技术有限公司 | 预测车辆驶出口的方法和装置 |
| CN114005280A (zh) * | 2021-11-17 | 2022-02-01 | 同济大学 | 一种基于不确定性估计的车辆轨迹预测方法 |
| CN113997954A (zh) * | 2021-11-29 | 2022-02-01 | 广州文远知行科技有限公司 | 一种车辆行驶意图预测方法、装置、设备及可读存储介质 |
| WO2022022384A1 (zh) * | 2020-07-31 | 2022-02-03 | 华为技术有限公司 | 车辆运动状态识别方法及装置 |
| CN114283576A (zh) * | 2020-09-28 | 2022-04-05 | 华为技术有限公司 | 一种车辆意图预测方法及相关装置 |
| WO2022178858A1 (zh) * | 2021-02-26 | 2022-09-01 | 华为技术有限公司 | 一种车辆行驶意图预测方法、装置、终端及存储介质 |
| CN115123252A (zh) * | 2022-07-05 | 2022-09-30 | 小米汽车科技有限公司 | 车辆控制方法、装置、车辆及存储介质 |
| CN116153084A (zh) * | 2023-04-20 | 2023-05-23 | 智慧互通科技股份有限公司 | 车辆流向预测方法、预测***及城市交通信号机控制方法 |
| WO2023123456A1 (zh) * | 2021-12-31 | 2023-07-06 | 深圳市大疆创新科技有限公司 | 一种车辆位置的预测方法、装置、车辆及存储介质 |
| WO2023159915A1 (zh) * | 2022-02-23 | 2023-08-31 | 中国第一汽车股份有限公司 | 车辆轨迹的预测方法、装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140032108A1 (en) * | 2012-07-30 | 2014-01-30 | GM Global Technology Operations LLC | Anchor lane selection method using navigation input in road change scenarios |
| CN103809593A (zh) * | 2012-11-06 | 2014-05-21 | 现代摩比斯株式会社 | 汽车变车道控制装置及其控制方法 |
| EP2950294A1 (en) * | 2014-05-30 | 2015-12-02 | Honda Research Institute Europe GmbH | Method and vehicle with an advanced driver assistance system for risk-based traffic scene analysis |
| CN107919027A (zh) * | 2017-10-24 | 2018-04-17 | 北京汽车集团有限公司 | 预测车辆变道的方法、装置和*** |
| CN108981729A (zh) * | 2017-06-02 | 2018-12-11 | 腾讯科技（深圳）有限公司 | 车辆定位方法和装置 |
| CN109583151A (zh) * | 2019-02-20 | 2019-04-05 | 百度在线网络技术（北京）有限公司 | 车辆的行驶轨迹预测方法及装置 |
| CN109885066A (zh) * | 2019-03-26 | 2019-06-14 | 北京经纬恒润科技有限公司 | 一种运动轨迹预测方法及装置 |
| CN110020748A (zh) * | 2019-03-18 | 2019-07-16 | 杭州飞步科技有限公司 | 轨迹预测方法、装置、设备和存储介质 |
-
2019
- 2019-08-08 CN CN201910729763.2A patent/CN110400490B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140032108A1 (en) * | 2012-07-30 | 2014-01-30 | GM Global Technology Operations LLC | Anchor lane selection method using navigation input in road change scenarios |
| CN103809593A (zh) * | 2012-11-06 | 2014-05-21 | 现代摩比斯株式会社 | 汽车变车道控制装置及其控制方法 |
| EP2950294A1 (en) * | 2014-05-30 | 2015-12-02 | Honda Research Institute Europe GmbH | Method and vehicle with an advanced driver assistance system for risk-based traffic scene analysis |
| CN108981729A (zh) * | 2017-06-02 | 2018-12-11 | 腾讯科技（深圳）有限公司 | 车辆定位方法和装置 |
| CN107919027A (zh) * | 2017-10-24 | 2018-04-17 | 北京汽车集团有限公司 | 预测车辆变道的方法、装置和*** |
| CN109583151A (zh) * | 2019-02-20 | 2019-04-05 | 百度在线网络技术（北京）有限公司 | 车辆的行驶轨迹预测方法及装置 |
| CN110020748A (zh) * | 2019-03-18 | 2019-07-16 | 杭州飞步科技有限公司 | 轨迹预测方法、装置、设备和存储介质 |
| CN109885066A (zh) * | 2019-03-26 | 2019-06-14 | 北京经纬恒润科技有限公司 | 一种运动轨迹预测方法及装置 |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111114554A (zh) * | 2019-12-16 | 2020-05-08 | 苏州智加科技有限公司 | 行驶轨迹预测方法、装置、终端及存储介质 |
| CN111114554B (zh) * | 2019-12-16 | 2021-06-11 | 苏州智加科技有限公司 | 行驶轨迹预测方法、装置、终端及存储介质 |
| CN111340880A (zh) * | 2020-02-17 | 2020-06-26 | 北京百度网讯科技有限公司 | 用于生成预测模型的方法和装置 |
| CN111340880B (zh) * | 2020-02-17 | 2023-08-04 | 北京百度网讯科技有限公司 | 用于生成预测模型的方法和装置 |
| WO2021174445A1 (zh) * | 2020-03-04 | 2021-09-10 | 华为技术有限公司 | 预测车辆驶出口的方法和装置 |
| CN111752272A (zh) * | 2020-04-16 | 2020-10-09 | 北京京东乾石科技有限公司 | 一种轨迹预测方法、装置、设备及存储介质 |
| CN111428943B (zh) * | 2020-04-23 | 2021-08-03 | 福瑞泰克智能***有限公司 | 障碍物车辆轨迹预测的方法、设备和计算机设备 |
| CN111428943A (zh) * | 2020-04-23 | 2020-07-17 | 福瑞泰克智能***有限公司 | 障碍物车辆轨迹预测的方法、设备和计算机设备 |
| CN111583715A (zh) * | 2020-04-29 | 2020-08-25 | 宁波吉利汽车研究开发有限公司 | 一种车辆轨迹预测方法、车辆碰撞预警方法、装置及存储介质 |
| CN111824157A (zh) * | 2020-07-14 | 2020-10-27 | 广州小鹏车联网科技有限公司 | 一种自动驾驶方法和装置 |
| WO2022022384A1 (zh) * | 2020-07-31 | 2022-02-03 | 华为技术有限公司 | 车辆运动状态识别方法及装置 |
| CN114056347A (zh) * | 2020-07-31 | 2022-02-18 | 华为技术有限公司 | 车辆运动状态识别方法及装置 |
| CN114283576A (zh) * | 2020-09-28 | 2022-04-05 | 华为技术有限公司 | 一种车辆意图预测方法及相关装置 |
| CN112562328A (zh) * | 2020-11-27 | 2021-03-26 | 腾讯科技（深圳）有限公司 | 一种车辆行为预测方法及装置 |
| CN112833903A (zh) * | 2020-12-31 | 2021-05-25 | 广州文远知行科技有限公司 | 一种轨迹预测方法、装置、设备和计算机可读存储介质 |
| CN112833903B (zh) * | 2020-12-31 | 2024-04-23 | 广州文远知行科技有限公司 | 一种轨迹预测方法、装置、设备和计算机可读存储介质 |
| EP4286972A4 (en) * | 2021-02-26 | 2024-03-27 | Huawei Technologies Co., Ltd. | METHOD AND DEVICE FOR PREDICTING THE DRIVING INTENTION OF A VEHICLE, TERMINAL AND STORAGE MEDIUM |
| WO2022178858A1 (zh) * | 2021-02-26 | 2022-09-01 | 华为技术有限公司 | 一种车辆行驶意图预测方法、装置、终端及存储介质 |
| CN114005280A (zh) * | 2021-11-17 | 2022-02-01 | 同济大学 | 一种基于不确定性估计的车辆轨迹预测方法 |
| CN113997954A (zh) * | 2021-11-29 | 2022-02-01 | 广州文远知行科技有限公司 | 一种车辆行驶意图预测方法、装置、设备及可读存储介质 |
| CN113997954B (zh) * | 2021-11-29 | 2023-11-21 | 广州文远知行科技有限公司 | 一种车辆行驶意图预测方法、装置、设备及可读存储介质 |
| WO2023123456A1 (zh) * | 2021-12-31 | 2023-07-06 | 深圳市大疆创新科技有限公司 | 一种车辆位置的预测方法、装置、车辆及存储介质 |
| WO2023159915A1 (zh) * | 2022-02-23 | 2023-08-31 | 中国第一汽车股份有限公司 | 车辆轨迹的预测方法、装置 |
| CN115123252B (zh) * | 2022-07-05 | 2023-03-31 | 小米汽车科技有限公司 | 车辆控制方法、装置、车辆及存储介质 |
| CN115123252A (zh) * | 2022-07-05 | 2022-09-30 | 小米汽车科技有限公司 | 车辆控制方法、装置、车辆及存储介质 |
| CN116153084A (zh) * | 2023-04-20 | 2023-05-23 | 智慧互通科技股份有限公司 | 车辆流向预测方法、预测***及城市交通信号机控制方法 |
| CN116153084B (zh) * | 2023-04-20 | 2023-09-08 | 智慧互通科技股份有限公司 | 车辆流向预测方法、预测***及城市交通信号机控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110400490B (zh) | 2022-02-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110400490A (zh) | 轨迹预测方法和装置 | |
| CN109059944B (zh) | 基于驾驶习惯学习的运动规划方法 | |
| CN110388931A (zh) | 将对象的二维边界框转换成自动驾驶车辆的三维位置的方法 | |
| CN110531749A (zh) | 确定避开移动障碍物的自动驾驶的驾驶路径 | |
| CN110345955A (zh) | 用于自动驾驶的感知与规划协作框架 | |
| CN110378483A (zh) | 部署在模拟平台上的用于训练机器学习模型的***和方法 | |
| CN110239562A (zh) | 自动驾驶车辆的基于周围车辆行为的实时感知调整与驾驶调适 | |
| CN109937343A (zh) | 用于自动驾驶车辆交通预测中的预测轨迹的评估框架 | |
| CN108732589A (zh) | 利用3d lidar和定位自动采集用于对象识别的训练数据 | |
| CN110389584A (zh) | 用于评估自动驾驶车辆的轨迹候选项的方法 | |
| CN110377024A (zh) | 用于自动驾驶车辆的自动数据标注 | |
| CN110389583A (zh) | 生成自动驾驶车辆的轨迹的方法 | |
| CN109429518A (zh) | 基于地图图像的自动驾驶交通预测 | |
| CN110325935A (zh) | 用于自动驾驶车辆的路径规划的基于驾驶场景的车道引导线 | |
| CN110377025A (zh) | 用于自动驾驶车辆的传感器聚合框架 | |
| CN110389581A (zh) | 用于为自动驾驶车辆生成障碍物的预测轨迹的方法 | |
| CN108089572A (zh) | 用于稳健且有效的车辆定位的算法和基础设施 | |
| CN110386142A (zh) | 用于自动驾驶车辆的俯仰角校准方法 | |
| CN110389585A (zh) | 用于自动驾驶车辆的基于学习的速度规划器 | |
| CN110096053A (zh) | 用于自动驾驶车辆的驾驶轨迹生成方法、***和机器可读介质 | |
| CN108139884A (zh) | 模拟自动驾驶车辆移动的物理模型和结合机器学习的方法 | |
| CN108995657A (zh) | 操作自动驾驶车辆的方法和数据处理*** | |
| CN111771207A (zh) | 增强的车辆跟踪 | |
| CN107310550A (zh) | 道路交通工具行驶控制方法和装置 | |
| CN107985313A (zh) | 用于自主车辆的基于弹簧***的变换车道方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |