CN112766468B - 一种轨迹预测方法、装置、存储介质及电子设备 - Google Patents
一种轨迹预测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112766468B CN112766468B CN202110374711.5A CN202110374711A CN112766468B CN 112766468 B CN112766468 B CN 112766468B CN 202110374711 A CN202110374711 A CN 202110374711A CN 112766468 B CN112766468 B CN 112766468B
- Authority
- CN
- China
- Prior art keywords
- track
- historical
- obstacle
- trajectory
- planned
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims description 21
- 230000003993 interaction Effects 0.000 claims abstract description 87
- 238000000605 extraction Methods 0.000 claims description 165
- 230000015654 memory Effects 0.000 claims description 38
- 230000002452 interceptive effect Effects 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 13
- 230000007787 long-term memory Effects 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 230000004888 barrier function Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 11
- 230000006872 improvement Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/04—Traffic conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
- B60W60/00274—Planning or execution of driving tasks using trajectory prediction for other traffic participants considering possible movement changes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/50—Safety; Security of things, users, data or systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4041—Position
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4044—Direction of movement, e.g. backwards
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4045—Intention, e.g. lane change or imminent movement
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/10—Historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Toxicology (AREA)
- Computer Security & Cryptography (AREA)
- Environmental & Geological Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种轨迹预测方法、装置、存储介质及电子设备,本说明书实施例根据指定目标与各障碍物的历史轨迹,确定指定目标与各障碍物之间的历史交互特征,对指定目标的运动轨迹进行预测,得到初始预测轨迹。然后,根据初始预测轨迹与各障碍物的规划轨迹,确定指定目标与各障碍物之间的未来交互特征。根据未来交互特征,得到指定目标的最终预测轨迹。此方法中,在对指定目标的初始预测轨迹进行预测时所基于的轨迹的时间维度都是历史时间维度,在对指定目标的最终预测轨迹进行预测时所基于的轨迹的时间维度都是未来时间维度。这样可以避免时间维度不同的问题,从而提高指定目标的运动轨迹的预测精度。
Description
技术领域
本说明书涉及无人驾驶领域,尤其涉及一种轨迹预测方法、装置、存储介质及电子设备。
背景技术
在无人驾驶领域,无人设备需要根据自身周围的环境变化,实时为自身规划相应的运动轨迹。而无人设备为自身规划的运动轨迹是否合理,取决于无人设备对自身周围的障碍物的运动轨迹的预测。
现有技术中,可以将无人设备需要预测的障碍物作为指定目标。在对指定目标进行预测时,可以将获取到的指定目标的历史运动轨迹、指定目标周围的其他障碍物的历史运动轨迹以及无人设备自身的初始规划轨迹输入预测模型中,通过该预测模型,直接将无人设备自身的初始规划轨迹的特征与各历史运动轨迹的特征进行融合,然后,根据融合结果,对指定目标的运动轨迹进行预测。
由于现有技术中的预测模型直接将初始规划轨迹的特征与历史运动轨迹的特征相融合,并没有考虑初始规划轨迹与历史运动轨迹在时间维度上的不同,导致该预测模型对指定目标的运动轨迹预测不准。
发明内容
本说明书实施例提供一种轨迹预测方法、装置、存储介质及电子设备,以部分解决上述现有技术存在的问题。
本说明书实施例采用下述技术方案:
本说明书提供的一种轨迹预测方法,包括:
获取指定目标周围预设范围内各障碍物的轨迹以及所述指定目标的历史轨迹,其中,所述各障碍物的轨迹包括:历史轨迹和规划轨迹;
根据所述各障碍物的历史轨迹以及所述指定目标的历史轨迹,确定所述各障碍物与所述指定目标之间的历史交互特征;
根据所述历史交互特征,对所述指定目标的运动轨迹进行预测,得到初始预测轨迹;
根据所述初始预测轨迹以及所述各障碍物的规划轨迹,确定所述各障碍物与所述指定目标之间的未来交互特征;
根据所述未来交互特征,对所述初始预测轨迹进行调整,得到所述指定目标的最终预测轨迹。
可选地,所述指定目标为动态的非无人设备。
可选地,获取指定目标周围预设范围内各障碍物的轨迹,具体包括:
针对指定目标周围预设范围内的每个障碍物,若该障碍物为无人设备,基于车联网获取该障碍物自身规划的规划轨迹;
根据所述初始预测轨迹以及所述各障碍物的规划轨迹,确定所述各障碍物与所述指定目标之间的未来交互特征,具体包括:
若该障碍物为动态的非无人设备,将对该障碍物预测得到的初始预测轨迹,作为该障碍物的规划轨迹。
可选地,根据所述各障碍物的历史轨迹以及所述指定目标的历史轨迹,确定所述各障碍物与所述指定目标之间的历史交互特征,具体包括:
将所述各障碍物的历史轨迹以及所述指定目标的历史轨迹输入预先训练的预测模型中的历史轨迹特征提取子模型,以获得所述历史轨迹特征提取子模型输出的所述各障碍物与所述指定目标之间的历史交互特征;
根据所述历史交互特征,对所述指定目标的运动轨迹进行预测,得到初始预测轨迹,具体包括:
将所述历史交互特征输入所述预测模型中的自编码器,以获得所述自编码器输出的所述指定目标的初始预测轨迹;
根据所述初始预测轨迹以及所述各障碍物的规划轨迹,确定所述各障碍物与所述指定目标之间的未来交互特征,具体包括:
将所述初始预测轨迹以及所述各障碍物的规划轨迹输入所述预测模型中的规划轨迹特征提取子模型,以获得所述规划轨迹特征提取子模型输出的所述各障碍物与所述指定目标之间的未来交互特征;
根据所述未来交互特征,对所述初始预测轨迹进行调整,得到所述指定目标的最终预测轨迹,具体包括:
将所述未来交互特征输入所述预测模型中的预测子模型,以获得所述预测子模型输出的所述指定目标的最终预测轨迹。
可选地,将所述各障碍物的历史轨迹以及所述指定目标的历史轨迹输入预先训练的预测模型中的历史轨迹特征提取子模型,以获得所述历史轨迹特征提取子模型输出的所述各障碍物与所述指定目标之间的历史交互特征,具体包括:
将所述指定目标的历史轨迹输入所述历史轨迹特征提取子模型中的第一提取模型,通过所述第一提取模型,对所述指定目标的历史轨迹进行特征提取,得到第一历史轨迹特征;将所述各障碍物的历史轨迹输入所述历史轨迹特征提取子模型中的第二提取模型,通过所述第二提取模型,对所述各障碍物的历史轨迹进行特征提取,得到第二历史轨迹特征;
将所述第一历史轨迹特征与所述第二历史轨迹特征输入所述历史轨迹特征提取子模型中的第一特征处理模型,通过所述第一特征处理模型,对所述第一历史轨迹特征与所述第二历史轨迹特征进行融合,得到所述各障碍物与所述指定目标之间的历史交互特征。
可选地,将所述指定目标的历史轨迹输入所述历史轨迹特征提取子模型中的第一提取模型,具体包括:
将所述指定目标的历史轨迹依次输入所述第一提取模型中的嵌入层、长短期记忆网络层和全连接层;
将所述各障碍物的历史轨迹输入所述历史轨迹特征提取子模型中的第二提取模型,具体包括:
将所述各障碍物的历史轨迹依次输入所述第二提取模型的嵌入层和长短期记忆网络层。
可选地,将所述初始预测轨迹以及所述各障碍物的规划轨迹输入所述预测模型中的规划轨迹特征提取子模型,以获得所述规划轨迹特征提取子模型输出的所述各障碍物与所述指定目标之间的未来交互特征,具体包括:
将所述初始预测轨迹输入所述规划轨迹特征提取子模型中的第三提取模型,通过所述第三提取模型,对所述初始预测轨迹进行特征提取,得到初始预测轨迹特征;将所述各障碍物的规划轨迹输入所述规划轨迹特征提取子模型中的第四提取模型,通过所述第四提取模型,对所述各障碍物的规划轨迹进行特征提取,得到规划轨迹特征;
将所述初始预测轨迹特征与所述规划轨迹特征输入所述规划轨迹特征提取子模型中的第二特征处理模型,通过所述第二特征处理模型,对所述初始预测轨迹特征与所述规划轨迹特征进行融合,得到所述各障碍物与所述指定目标之间的未来交互特征。
可选地,将所述初始预测轨迹输入所述规划轨迹特征提取子模型中的第三提取模型,具体包括:
将所述初始预测轨迹依次输入所述第三提取模型中的嵌入层、长短期记忆网络层和全连接层;
将所述各障碍物的规划轨迹输入所述规划轨迹特征提取子模型中的第四提取模型,具体包括:
将所述各障碍物的规划轨迹依次输入所述第四提取模型的嵌入层和长短期记忆网络层。
可选地,预先训练所述预测模型,具体包括:
预先获取样本目标周围预设范围内各样本障碍物的轨迹以及所述样本目标的历史轨迹,其中,所述各样本障碍物的轨迹包括:历史轨迹和规划轨迹;
将所述样本目标的历史轨迹以及各样本障碍物的历史轨迹输入所述历史轨迹特征提取子模型,得到所述历史轨迹特征提取子模型输出的待优化历史交互特征;
将所述待优化历史交互特征输入所述预测模型中的自编码器,得到所述自编码器输出的所述样本目标的待优化初始预测轨迹;
将所述待优化初始预测轨迹与各样本障碍物的规划轨迹输入所述规划轨迹特征提取子模型,得到所述规划轨迹特征提取子模型输出的待优化未来交互特征;
将所述待优化未来交互特征输入所述预测子模型,得到所述样本目标的待优化最终预测轨迹;
以所述待优化最终预测轨迹与所述样本目标的真实运动轨迹的差异最小化为训练目标,对所述预测模型进行训练。
本说明书提供的一种轨迹预测装置,包括:
获取模块,用于获取指定目标周围预设范围内各障碍物的轨迹以及所述指定目标的历史轨迹,其中,所述各障碍物的轨迹包括:历史轨迹和规划轨迹;
第一确定模块,用于根据所述各障碍物的历史轨迹以及所述指定目标的历史轨迹,确定所述各障碍物与所述指定目标之间的历史交互特征;
初始预测模块,用于根据所述历史交互特征,对所述指定目标的运动轨迹进行预测,得到初始预测轨迹;
第二确定模块,用于根据所述初始预测轨迹以及所述各障碍物的规划轨迹,确定所述各障碍物与所述指定目标之间的未来交互特征;
最终预测模块,用于根据所述未来交互特征,对所述初始预测轨迹进行调整,得到所述指定目标的最终预测轨迹。
本说明书提供的一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的轨迹预测方法。
本说明书提供的一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的轨迹预测方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
本说明书实施例根据指定目标与各障碍物的历史轨迹,确定指定目标与各障碍物之间的历史交互特征,对指定目标的运动轨迹进行预测,得到初始预测轨迹。然后,根据初始预测轨迹与各障碍物的规划轨迹,确定指定目标与各障碍物之间的未来交互特征。根据未来交互特征,得到指定目标的最终预测轨迹。此方法中,在对指定目标的初始预测轨迹进行预测时所基于的轨迹的时间维度都是历史时间维度,在对指定目标的最终预测轨迹进行预测时所基于的轨迹的时间维度都是未来时间维度。而不是直接根据指定目标的历史轨迹和各障碍物的规划轨迹,对指定目标的最终预测轨迹进行预测。因此,可以避免时间维度不同的问题,从而提高指定目标的运动轨迹的预测精度。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书实施例提供的轨迹预测流程示意图;
图2a为本说明书实施例提供的无人设备预设范围的示意图;
图2b为本说明书实施例提供的指定目标预设范围的示意图;
图3为本说明书实施例提供的预测模型的结构示意图;
图4为本说明书实施例提供的轨迹预测装置结构示意图;
图5为本说明书实施例提供的电子设备的结构示意图。
具体实施方式
现有技术中,将无人设备需要预测的障碍物作为指定目标。先获取指定目标周围所有障碍物的历史轨迹和该无人设备的规划轨迹。其中,该无人设备的规划轨迹为该无人设备当前的初始规划轨迹。由于规划轨迹是未来一段时间的轨迹,而历史轨迹是过去一段时间的轨迹,因此将规划轨迹与各历史轨迹进行融合时存在时间维度的不同,而融合得到的交互特征既不是历史交互特征也不是未来交互特征。也就是说,融合后的交互特征不能准确表示指定目标与各障碍物在历史上的相互影响,也不能准确表示指定目标与各障碍物在未来时间上的相互影响。所以,通过融合后的交互特征对指定目标未来时间维度上的运动轨迹进行预测,会导致指定目标的预测结果不准确。
而本说明书实例中,在历史时间维度上,先根据指定目标周围的障碍物的历史轨迹与指定目标的历史轨迹,确定指定目标与各障碍物之间的历史交互特征,然后,在未来时间维度上,根据历史交互特征而得到指定目标的初始预测轨迹与各障碍物的规划轨迹,确定指定目标与各障碍物之间的未来交互特征。其中,各障碍物的规划轨迹可以是各障碍物的初始规划轨迹,如,无人设备的初始规划轨迹。根据未来交互特征,得到指定目标的最终预测轨迹。最后,根据指定目标的最终预测轨迹,对无人设备当前的初始规划轨迹进行更新,以控制无人设备基于当前最新的规划轨迹进行行驶。不管是对指定目标的初始预测轨迹进行预测,还是对指定目标的最终预测轨迹进行预测,需要进行融合的指定目标的轨迹和各障碍物的轨迹都处于相同的时间维度,从而提高了对指定目标的运动轨迹的预测精度。
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书实施例提供的轨迹预测流程示意图,包括:
S100:获取指定目标周围预设范围内各障碍物的轨迹以及所述指定目标的历史轨迹,其中,所述各障碍物的轨迹包括:历史轨迹和规划轨迹。
在本说明书实施例中,图1所示的轨迹预测的方法可以应用于控制无人设备的服务器,也可以应用于无人设备。接下来,以将轨迹预测的方法应用于无人设备为例,对图1所示的轨迹预测方法进行说明。本说明书中所述的无人设备可包括无人车和无人机,所述的无人设备可用于物流配送领域,既包括外卖、配送等即时配送领域,也包括其他非即时配送领域。
在本说明书实施例中,先确定无人设备周围预设范围内的各障碍物,从确定的各障碍物中选择出动态的非无人设备,并可以将每个动态的非无人设备作为指定目标。其中,无人设备可以是无人车,动态的非无人设备可以是具有移动功能的有人驾驶的设备,比如,有人驾驶的车辆。
进一步,针对每个指定目标,可以获取该指定目标周围预设范围内各障碍物的轨迹以及该指定目标的历史轨迹。其中,对于指定目标来说,指定目标周围预设范围内的各障碍物包括:无人设备和动态的非无人设备。如图2a~图2b所示。
在图2a中,黑点代表无人设备,白点代表动态的非无人设备。其中一个无人设备为a,以a为中心,25m*5m的矩形范围作为a的预设范围。在a周围预设范围中的各障碍物有:其他无人设备:b和c,动态的非无人设备:1、2和3。其中,1、2和3都是指定目标。
在图2b中,将1作为指定目标进行说明,以1为中心,25m*5m的矩形范围作为1的预设范围。在1周围预设范围中的各障碍物有:无人设备:a、b和c,动态的非无人设备:2。
进一步,对于指定目标周围预设范围内的无人设备,可以获取无人设备的历史轨迹和规划轨迹;其中,无人设备的规划轨迹可以是无人设备当前的初始规划轨迹。对于指定目标周围预设范围内的动态的非无人设备,可以获取动态的非无人设备的历史轨迹。
在图2b中,获取a、b和c的历史轨迹和规划轨迹以及获取2的历史轨迹。
在获取指定目标周围预设范围内的各障碍物的规划轨迹时,对于无人设备来说,可以基于车联网获取无人设备自身对未来的行驶轨迹进行规划的轨迹,作为规划轨迹;对于动态的非无人设备来说,以有人驾驶的车辆为例,司机可以自行决定未来的行驶轨迹,不需要车辆自身对未来的行驶轨迹进行规划。因此,在动态的非无人设备自身并不需要对未来行驶轨迹进行规划的情况下,无人设备可以获取动态的非无人设备的空轨迹作为规划轨迹,也可以获取任意指定的轨迹作为动态的非无人设备的规划轨迹。此外,动态的非无人设备还可以根据司机的驾驶行为与自身周围的环境,预测自身的行驶轨迹。在这种情况下,无人设备可以直接获取动态的非无人设备预测的自身的行驶轨迹,作为规划轨迹。
需要说明的是,本说明书实施例仅以无人设备获取动态的非无人设备的空轨迹或任意指定的轨迹为例的情况下,对图1所示的轨迹预测方法进行详细说明。
S102:根据所述各障碍物的历史轨迹以及所述指定目标的历史轨迹,确定所述各障碍物与所述指定目标之间的历史交互特征。
在本说明书实施例中,针对每个指定目标,获取该指定目标周围预设范围内的各障碍物的轨迹以及该指定目标的历史轨迹之后,将各障碍物的历史轨迹以及该指定目标的历史轨迹输入预先训练的预测模型中的历史轨迹特征提取子模型,通过该历史轨迹特征提取模型,获得该历史轨迹特征提取子模型输出的各障碍物与该指定目标之间的历史交互特征。其中,历史交互特征是指历史上包括所有障碍物和该指定目标在内的所有实体两两之间的交互特征。所谓交互,是指参与交通的不同实体之间的相互影响。
其中,上述预先训练的预测模型的结构示意图,如图3所示。在图3中,该预测模型可包括:历史轨迹特征提取子模型、自编码器、规划轨迹特征提取子模型、预测子模型。其中,历史轨迹特征提取子模型可包括:第一提取模型、第二提取模型和第一特征处理模型。规划轨迹特征提取子模型可包括:第三提取模型、第四提取模型和第二特征处理模型。第一提取模型可包括:嵌入层、长短期记忆网络层和全连接层。第二提取模型可包括:嵌入层、长短期记忆网络层。第三提取模型与第一提取模型的结构相同,第四提取模型与第二提取模型相同。
具体的,基于图3所示的预测模型,可以将该指定目标的历史轨迹输入历史轨迹特征提取子模型中的第一提取模型,通过第一提取模型的嵌入层、长短期记忆网络层和全连接层,对该指定目标的历史轨迹进行特征提取,得到第一历史轨迹特征。同时,将各障碍物的历史轨迹输入历史轨迹特征提取子模型中的第二提取模型,通过第二提取模型的嵌入层和长短期记忆网络层,对各障碍物的历史轨迹进行特征提取,得到第二历史轨迹特征。然后,将第一历史轨迹特征与第二历史轨迹特征输入历史轨迹特征提取子模型中的第一特征处理模型,通过第一特征处理模型,对第一历史轨迹特征与第二历史轨迹特征进行融合,得到各障碍物与所述指定目标之间的历史交互特征。其中,融合的方法可包括:拼接和池化。
S104:根据所述历史交互特征,对所述指定目标的运动轨迹进行预测,得到初始预测轨迹。
在本说明书实施例中,针对每个指定目标,确定该指定目标周围预测范围内的各障碍物与该指定目标之间的历史交互特征之后,可以将历史交互特征输入预测模型的自编码器中,通过自编码器,对该指定目标的运动轨迹进行预测,得到该指定目标的初始预测轨迹。
S106:根据所述初始预测轨迹以及所述各障碍物的规划轨迹,确定所述各障碍物与所述指定目标之间的未来交互特征。
在本说明书实施例中,可先通过上述步骤S100~步骤S104的方法,预测出所有指定目标(此处的指定目标是指动态的非无人设备)的初始预测轨迹,再针对每个指定目标,将除了该指定目标之外的其他指定目标的初始预测轨迹作为其他指定目标各自的规划轨迹,并执行步骤S106。在预测该指定目标的最终预测轨迹时,可以根据该指定目标的初始预测轨迹、无人设备的规划轨迹和其他指定目标的规划轨迹,确定该指定目标周围预设范围内的各障碍物与该指定目标之间的未来交互特征。
在图2b中,在1的预设范围内的动态的非无人设备只有1和2。所以1和2都是a的指定目标,可以先针对1执行上述步骤S100~步骤S104,得到1的初始预测轨迹。然后,再针对2执行上述步骤S100~步骤S104,得到2的初始预测轨迹。这样,1和2的初始预测轨迹都可以得到。在需要预测1的最终预测轨迹的情况下,可以将2的初始预测轨迹作为2的规划轨迹。这样,可以根据1的初始预测轨迹、2的规划轨迹、a的规划轨迹、b的规划轨迹和c的规划轨迹,预测1的最终预测轨迹。
具体的,将该指定目标的初始预测轨迹输入规划轨迹特征提取子模型中的第三提取模型,通过第三提取模型的嵌入层、长短期记忆网络层和全连接层,对初始预测轨迹进行特征提取,得到初始预测轨迹特征。同时,将无人设备和其他指定目标的规划轨迹输入规划轨迹特征提取子模型中的第四提取模型,通过第四提取模型的嵌入层和长短期记忆网络层,对输入的规划轨迹进行特征提取,得到规划轨迹特征。将初始预测轨迹特征与规划轨迹特征输入规划轨迹特征提取子模型中的第二特征处理模型,通过第二特征处理模型,对初始预测轨迹特征与规划轨迹特征进行融合,得到各障碍物与该指定目标之间的未来交互特征。
S108:根据所述未来交互特征,对所述初始预测轨迹进行调整,得到所述指定目标的最终预测轨迹。
在本说明书实施例中,针对每个指定目标,将该指定目标与各障碍物之间的未来交互特征输入预测模型的预测子模型中,通过预测子模型,对该指定目标的初始预测轨迹进行调整,得到该指定目标的最终预测轨迹。其中,预测子模型可以是Transformer模型。调整可以是对初始预测轨迹进行局部修改,也可以对初始预测轨迹进行替换。
在本说明书实施例中,在得到无人设备预设范围内所有指定目标的最终预测轨迹之后,可以根据每个指定目标的最终预测轨迹,对无人设备当前的初始规划轨迹进行更新,以控制无人设备基于当前最新的规划轨迹进行行驶。
通过上述图1所示的方法可见,本说明书针对每个指定目标,根据该指定目标与该指定目标周围预设范围内的各障碍物的历史轨迹,确定该指定目标与各障碍物之间的历史交互特征,即,历史上该指定目标的轨迹与各障碍物的轨迹之间的相互影响。根据历史交互特征,对该指定目标的运动轨迹进行预测,得到初始预测轨迹。这样,根据该指定目标历史时间维度的历史轨迹,得到该指定目标未来时间维度的初始预测轨迹。在得到该指定目标的初始预测轨迹之后,还要考虑该指定目标周围预设范围内的各障碍物未来时间维度的规划轨迹,以确定在未来时间维度上该指定目标的轨迹与各障碍物的轨迹之间的相互影响。也就是,根据初始预测轨迹与各障碍物的规划轨迹,确定该指定目标与各障碍物之间的未来交互特征。根据未来交互特征,得到该指定目标的最终预测轨迹。由于在步骤S102中,将指定目标与各障碍物的轨迹进行融合得到历史交互特征时,所基于的轨迹的时间维度均是历史时间维度,在步骤S106中,将指定目标与各障碍物的轨迹进行融合得到未来交互特征时,虽然指定目标的初始预测并不准确,但所基于的轨迹的时间维度均是未来时间维度,因此可以避免时间维度不同的问题,从而提高指定目标的运动轨迹的预测精度。
进一步的,在如图1所示的步骤S100之前,需要对本说明书实施例中的预测模型进行训练。
在对该预测模型进行训练时,可以将该预测模型中的多个子模型进行联合训练。
具体的,可以获取样本目标周围预设范围内各样本障碍物的轨迹以及样本目标的历史轨迹,其中,所述各样本障碍物的轨迹包括:历史轨迹和规划轨迹。先将样本目标的历史轨迹以及各样本障碍物的历史轨迹输入历史轨迹特征提取子模型,得到历史轨迹特征提取子模型输出的待优化历史交互特征。再将待优化历史交互特征输入预测模型中的自编码器,得到自编码器输出的样本目标的待优化初始预测轨迹。然后,将待优化初始预测轨迹与各样本障碍物的规划轨迹输入规划轨迹特征提取子模型,得到规划轨迹特征提取子模型输出的待优化未来交互特征。最后,将待优化未来交互特征输入预测子模型,得到样本目标的待优化最终预测轨迹。以待优化最终预测轨迹与样本目标的真实运动轨迹的差异最小化为训练目标,对该预测模型进行训练。
此外,还可以预先对历史轨迹特征提取子模型和规划轨迹特征提取子模型进行训练,然后,将训练完成后的历史轨迹特征提取子模型和规划轨迹特征提取子模型应用于该预测模型中。此时,对该预测模型进行训练时,可以将自编码器和预测子模型进行联合训练。
具体的,将获取到的样本目标周围预设范围内各样本障碍物的轨迹以及样本目标的历史轨迹输入历史轨迹特征提取子模型中,得到历史交互特征。将历史交互特征输入自编码器中,得到待优化初始预测轨迹。再将待优化初始预测轨迹与各样本障碍物的规划轨迹输入规划轨迹特征提取模型中,得到未来交互特征。将未来交互特征输入预测子模型,得到待优化最终预测轨迹。然后,以待优化最终预测轨迹与指定目标的真实运动轨迹的差异最小化为目标,对自编码器和预测子模型中的参数进行调整。
以上为本说明书实施例提供的轨迹预测方法,基于同样的思路,本说明书还提供了相应的装置、存储介质和电子设备。
图4为本说明书实施例提供的一种轨迹预测装置的结构示意图,所述装置包括:
获取模块401,用于获取指定目标周围预设范围内各障碍物的轨迹以及所述指定目标的历史轨迹,其中,所述各障碍物的轨迹包括:历史轨迹和规划轨迹;
第一确定模块402,用于根据所述各障碍物的历史轨迹以及所述指定目标的历史轨迹,确定所述各障碍物与所述指定目标之间的历史交互特征;
初始预测模块403,用于根据所述历史交互特征,对所述指定目标的运动轨迹进行预测,得到初始预测轨迹;
第二确定模块404,用于根据所述初始预测轨迹以及所述各障碍物的规划轨迹,确定所述各障碍物与所述指定目标之间的未来交互特征;
最终预测模块405,用于根据所述未来交互特征,对所述初始预测轨迹进行调整,得到所述指定目标的最终预测轨迹。
可选地,所述指定目标为动态的非无人设备。
可选地,所述获取模块401具体用于,针对指定目标周围预设范围内的每个障碍物,若该障碍物为无人设备,基于车联网获取该障碍物自身规划的规划轨迹。
可选地,所述第一确定模块402具体用于,将所述各障碍物的历史轨迹以及所述指定目标的历史轨迹输入预先训练的预测模型中的历史轨迹特征提取子模型,以获得所述历史轨迹特征提取子模型输出的所述各障碍物与所述指定目标之间的历史交互特征。
可选地,所述第一确定模块402具体用于,将所述指定目标的历史轨迹输入所述历史轨迹特征提取子模型中的第一提取模型,通过所述第一提取模型,对所述指定目标的历史轨迹进行特征提取,得到第一历史轨迹特征;将所述各障碍物的历史轨迹输入所述历史轨迹特征提取子模型中的第二提取模型,通过所述第二提取模型,对所述各障碍物的历史轨迹进行特征提取,得到第二历史轨迹特征;将所述第一历史轨迹特征与所述第二历史轨迹特征输入所述历史轨迹特征提取子模型中的第一特征处理模型,通过所述第一特征处理模型,对所述第一历史轨迹特征与所述第二历史轨迹特征进行融合,得到所述各障碍物与所述指定目标之间的历史交互特征。
可选地,所述第一确定模块402具体用于,将所述指定目标的历史轨迹依次输入所述第一提取模型中的嵌入层、长短期记忆网络层和全连接层;将所述各障碍物的历史轨迹依次输入所述第二提取模型的嵌入层和长短期记忆网络层。
可选地,所述初始预测模块403具体用于,将所述历史交互特征输入所述预测模型中的自编码器,以获得所述自编码器输出的所述指定目标的初始预测轨迹。
可选地,所述第二确定模块404具体用于,将所述初始预测轨迹以及所述各障碍物的规划轨迹输入所述预测模型中的规划轨迹特征提取子模型,以获得所述规划轨迹特征提取子模型输出的所述各障碍物与所述指定目标之间的未来交互特征。
可选地,所述第二确定模块404具体用于,将所述初始预测轨迹输入所述规划轨迹特征提取子模型中的第三提取模型,通过所述第三提取模型,对所述初始预测轨迹进行特征提取,得到初始预测轨迹特征;将所述各障碍物的规划轨迹输入所述规划轨迹特征提取子模型中的第四提取模型,通过所述第四提取模型,对所述各障碍物的规划轨迹进行特征提取,得到规划轨迹特征;将所述初始预测轨迹特征与所述规划轨迹特征输入所述规划轨迹特征提取子模型中的第二特征处理模型,通过所述第二特征处理模型,对所述初始预测轨迹特征与所述规划轨迹特征进行融合,得到所述各障碍物与所述指定目标之间的未来交互特征。
可选地,所述第二确定模块404具体用于,将所述初始预测轨迹依次输入所述第三提取模型中的嵌入层、长短期记忆网络层和全连接层;将所述各障碍物的规划轨迹依次输入所述第四提取模型的嵌入层和长短期记忆网络层。
可选地,所述第二确定模块404具体用于,若该障碍物为动态的非无人设备,将对该障碍物预测得到的初始预测轨迹,作为该障碍物的规划轨迹。
可选地,所述最终预测模块405具体用于,将所述未来交互特征输入所述预测模型中的预测子模型,以获得所述预测子模型输出的所述指定目标的最终预测轨迹。
可选地,所述装置还包括:训练模块406;
所述训练模块406用于,预先获取样本目标周围预设范围内各样本障碍物的轨迹以及所述样本目标的历史轨迹,其中,所述各样本障碍物的轨迹包括:历史轨迹和规划轨迹;将所述样本目标的历史轨迹以及各样本障碍物的历史轨迹输入所述历史轨迹特征提取子模型,得到所述历史轨迹特征提取子模型输出的待优化历史交互特征;将所述待优化历史交互特征输入所述预测模型中的自编码器,得到所述自编码器输出的所述样本目标的待优化初始预测轨迹;将所述待优化初始预测轨迹与各样本障碍物的规划轨迹输入所述规划轨迹特征提取子模型,得到所述规划轨迹特征提取子模型输出的待优化未来交互特征;将所述待优化未来交互特征输入所述预测子模型,得到所述样本目标的待优化最终预测轨迹;以所述待优化最终预测轨迹与所述样本目标的真实运动轨迹的差异最小化为训练目标,对所述预测模型进行训练。
本说明书还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可用于执行上述图1提供的轨迹预测方法。
基于图1所示的运动轨迹的预测方法,本说明书实施例还提供了图5所示的无人设备的结构示意图。如图5,在硬件层面,该无人设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的轨迹预测方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、***、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (11)
1.一种轨迹预测方法,其特征在于,包括:
获取指定目标周围预设范围内各障碍物的轨迹以及所述指定目标的历史轨迹,其中,所述各障碍物的轨迹包括:历史轨迹和规划轨迹;
根据所述各障碍物的历史轨迹以及所述指定目标的历史轨迹,确定所述各障碍物与所述指定目标之间的历史交互特征;
根据所述历史交互特征,对所述指定目标的运动轨迹进行预测,得到初始预测轨迹;
根据所述初始预测轨迹以及所述各障碍物的规划轨迹,确定所述各障碍物与所述指定目标之间的未来交互特征;
根据所述未来交互特征,对所述初始预测轨迹进行调整,得到所述指定目标的最终预测轨迹;
其中,根据所述各障碍物的历史轨迹以及所述指定目标的历史轨迹,确定所述各障碍物与所述指定目标之间的历史交互特征,具体包括:
将所述各障碍物的历史轨迹以及所述指定目标的历史轨迹输入预先训练的预测模型中的历史轨迹特征提取子模型,以获得所述历史轨迹特征提取子模型输出的所述各障碍物与所述指定目标之间的历史交互特征;
根据所述历史交互特征,对所述指定目标的运动轨迹进行预测,得到初始预测轨迹,具体包括:
将所述历史交互特征输入所述预测模型中的自编码器,以获得所述自编码器输出的所述指定目标的初始预测轨迹;
根据所述初始预测轨迹以及所述各障碍物的规划轨迹,确定所述各障碍物与所述指定目标之间的未来交互特征,具体包括:
将所述初始预测轨迹以及所述各障碍物的规划轨迹输入所述预测模型中的规划轨迹特征提取子模型,以获得所述规划轨迹特征提取子模型输出的所述各障碍物与所述指定目标之间的未来交互特征;
根据所述未来交互特征,对所述初始预测轨迹进行调整,得到所述指定目标的最终预测轨迹,具体包括:
将所述未来交互特征输入所述预测模型中的预测子模型,以获得所述预测子模型输出的所述指定目标的最终预测轨迹。
2.如权利要求1所述的方法,其特征在于,所述指定目标为动态的非无人设备。
3.如权利要求2所述的方法,其特征在于,获取指定目标周围预设范围内各障碍物的轨迹,具体包括:
针对指定目标周围预设范围内的每个障碍物,若该障碍物为无人设备,基于车联网获取该障碍物自身规划的规划轨迹;
根据所述初始预测轨迹以及所述各障碍物的规划轨迹,确定所述各障碍物与所述指定目标之间的未来交互特征,具体包括:
若该障碍物为动态的非无人设备,将对该障碍物预测得到的初始预测轨迹,作为该障碍物的规划轨迹。
4.如权利要求1所述的方法,其特征在于,将所述各障碍物的历史轨迹以及所述指定目标的历史轨迹输入预先训练的预测模型中的历史轨迹特征提取子模型,以获得所述历史轨迹特征提取子模型输出的所述各障碍物与所述指定目标之间的历史交互特征,具体包括:
将所述指定目标的历史轨迹输入所述历史轨迹特征提取子模型中的第一提取模型,通过所述第一提取模型,对所述指定目标的历史轨迹进行特征提取,得到第一历史轨迹特征;将所述各障碍物的历史轨迹输入所述历史轨迹特征提取子模型中的第二提取模型,通过所述第二提取模型,对所述各障碍物的历史轨迹进行特征提取,得到第二历史轨迹特征;
将所述第一历史轨迹特征与所述第二历史轨迹特征输入所述历史轨迹特征提取子模型中的第一特征处理模型,通过所述第一特征处理模型,对所述第一历史轨迹特征与所述第二历史轨迹特征进行融合,得到所述各障碍物与所述指定目标之间的历史交互特征。
5.如权利要求4所述的方法,其特征在于,将所述指定目标的历史轨迹输入所述历史轨迹特征提取子模型中的第一提取模型,具体包括:
将所述指定目标的历史轨迹依次输入所述第一提取模型中的嵌入层、长短期记忆网络层和全连接层;
将所述各障碍物的历史轨迹输入所述历史轨迹特征提取子模型中的第二提取模型,具体包括:
将所述各障碍物的历史轨迹依次输入所述第二提取模型的嵌入层和长短期记忆网络层。
6.如权利要求1所述的方法,其特征在于,将所述初始预测轨迹以及所述各障碍物的规划轨迹输入所述预测模型中的规划轨迹特征提取子模型,以获得所述规划轨迹特征提取子模型输出的所述各障碍物与所述指定目标之间的未来交互特征,具体包括:
将所述初始预测轨迹输入所述规划轨迹特征提取子模型中的第三提取模型,通过所述第三提取模型,对所述初始预测轨迹进行特征提取,得到初始预测轨迹特征;将所述各障碍物的规划轨迹输入所述规划轨迹特征提取子模型中的第四提取模型,通过所述第四提取模型,对所述各障碍物的规划轨迹进行特征提取,得到规划轨迹特征;
将所述初始预测轨迹特征与所述规划轨迹特征输入所述规划轨迹特征提取子模型中的第二特征处理模型,通过所述第二特征处理模型,对所述初始预测轨迹特征与所述规划轨迹特征进行融合,得到所述各障碍物与所述指定目标之间的未来交互特征。
7.如权利要求6所述的方法,其特征在于,将所述初始预测轨迹输入所述规划轨迹特征提取子模型中的第三提取模型,具体包括:
将所述初始预测轨迹依次输入所述第三提取模型中的嵌入层、长短期记忆网络层和全连接层;
将所述各障碍物的规划轨迹输入所述规划轨迹特征提取子模型中的第四提取模型,具体包括:
将所述各障碍物的规划轨迹依次输入所述第四提取模型的嵌入层和长短期记忆网络层。
8.如权利要求1所述的方法,其特征在于,预先训练所述预测模型,具体包括:
预先获取样本目标周围预设范围内各样本障碍物的轨迹以及所述样本目标的历史轨迹,其中,所述各样本障碍物的轨迹包括:历史轨迹和规划轨迹;
将所述样本目标的历史轨迹以及各样本障碍物的历史轨迹输入所述历史轨迹特征提取子模型,得到所述历史轨迹特征提取子模型输出的待优化历史交互特征;
将所述待优化历史交互特征输入所述预测模型中的自编码器,得到所述自编码器输出的所述样本目标的待优化初始预测轨迹;
将所述待优化初始预测轨迹与各样本障碍物的规划轨迹输入所述规划轨迹特征提取子模型,得到所述规划轨迹特征提取子模型输出的待优化未来交互特征;
将所述待优化未来交互特征输入所述预测子模型,得到所述样本目标的待优化最终预测轨迹;
以所述待优化最终预测轨迹与所述样本目标的真实运动轨迹的差异最小化为训练目标,对所述预测模型进行训练。
9.一种轨迹预测装置,其特征在于,包括:
获取模块,用于获取指定目标周围预设范围内各障碍物的轨迹以及所述指定目标的历史轨迹,其中,所述各障碍物的轨迹包括:历史轨迹和规划轨迹;
第一确定模块,用于根据所述各障碍物的历史轨迹以及所述指定目标的历史轨迹,确定所述各障碍物与所述指定目标之间的历史交互特征;
初始预测模块,用于根据所述历史交互特征,对所述指定目标的运动轨迹进行预测,得到初始预测轨迹;
第二确定模块,用于根据所述初始预测轨迹以及所述各障碍物的规划轨迹,确定所述各障碍物与所述指定目标之间的未来交互特征;
最终预测模块,用于根据所述未来交互特征,对所述初始预测轨迹进行调整,得到所述指定目标的最终预测轨迹;
所述第一确定模块,具体用于将所述各障碍物的历史轨迹以及所述指定目标的历史轨迹输入预先训练的预测模型中的历史轨迹特征提取子模型,以获得所述历史轨迹特征提取子模型输出的所述各障碍物与所述指定目标之间的历史交互特征;
所述初始预测模块,具体用于将所述历史交互特征输入所述预测模型中的自编码器,以获得所述自编码器输出的所述指定目标的初始预测轨迹;
所述第二确定模块,具体用于将所述初始预测轨迹以及所述各障碍物的规划轨迹输入所述预测模型中的规划轨迹特征提取子模型,以获得所述规划轨迹特征提取子模型输出的所述各障碍物与所述指定目标之间的未来交互特征;
所述最终预测模块,具体用于将所述未来交互特征输入所述预测模型中的预测子模型,以获得所述预测子模型输出的所述指定目标的最终预测轨迹。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-8任一项所述的方法。
11.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1-8任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110374711.5A CN112766468B (zh) | 2021-04-08 | 2021-04-08 | 一种轨迹预测方法、装置、存储介质及电子设备 |
US17/674,773 US20220324483A1 (en) | 2021-04-08 | 2022-02-17 | Trajectory prediction method and apparatus, storage medium, and electronic device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110374711.5A CN112766468B (zh) | 2021-04-08 | 2021-04-08 | 一种轨迹预测方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766468A CN112766468A (zh) | 2021-05-07 |
CN112766468B true CN112766468B (zh) | 2021-07-30 |
Family
ID=75691239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110374711.5A Active CN112766468B (zh) | 2021-04-08 | 2021-04-08 | 一种轨迹预测方法、装置、存储介质及电子设备 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220324483A1 (zh) |
CN (1) | CN112766468B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113264066B (zh) * | 2021-06-03 | 2023-05-23 | 阿波罗智能技术(北京)有限公司 | 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备 |
CN115131393B (zh) * | 2021-08-16 | 2024-04-23 | 北京百度网讯科技有限公司 | 轨迹预测方法、碰撞检测方法、装置、电子设备及介质 |
CN113740837B (zh) * | 2021-09-01 | 2022-06-24 | 广州文远知行科技有限公司 | 一种障碍物跟踪方法、装置、设备及存储介质 |
CN114019981B (zh) * | 2021-11-16 | 2023-12-22 | 北京三快在线科技有限公司 | 一种无人驾驶设备的轨迹规划方法及规划装置 |
CN114355839B (zh) * | 2022-03-18 | 2022-07-29 | 浙江西图盟数字科技有限公司 | 一种运动轨迹处理方法、装置、设备及存储介质 |
CN114722232B (zh) * | 2022-04-18 | 2023-12-12 | 北京航迹科技有限公司 | 预测运动轨迹的方法、装置、设备和存储介质 |
CN116558513B (zh) * | 2023-07-06 | 2023-10-03 | 中国电信股份有限公司 | 室内终端定位方法、装置、设备及介质 |
CN116952222B (zh) * | 2023-09-18 | 2023-12-08 | 中安锐达(北京)电子科技有限公司 | 一种低慢小目标探测***多源数据融合方法 |
CN117251748B (zh) * | 2023-10-10 | 2024-04-19 | 中国船舶集团有限公司第七〇九研究所 | 一种基于历史规律挖掘的航迹预测方法、设备及存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018105014B4 (de) * | 2017-03-06 | 2021-06-10 | GM Global Technology Operations LLC | Vorrichtung zum Vorhersagen eines Crashs unter Verwendung eines Radarsensors und eines UPA-Sensors |
US11086320B2 (en) * | 2018-05-23 | 2021-08-10 | Qualcomm Incorporated | Wireless communications between vehicles |
US10902726B2 (en) * | 2018-08-23 | 2021-01-26 | Intel Corporation | Rogue vehicle detection and avoidance |
CN111079721B (zh) * | 2020-03-23 | 2020-07-03 | 北京三快在线科技有限公司 | 一种障碍物的轨迹预测方法及装置 |
CN111238523B (zh) * | 2020-04-23 | 2020-08-07 | 北京三快在线科技有限公司 | 一种运动轨迹的预测方法及装置 |
KR20210153998A (ko) * | 2020-06-11 | 2021-12-20 | 현대자동차주식회사 | 차량 및 그 제어방법 |
US11702105B2 (en) * | 2020-06-27 | 2023-07-18 | Intel Corporation | Technology to generalize safe driving experiences for automated vehicle behavior prediction |
CN112348293A (zh) * | 2021-01-07 | 2021-02-09 | 北京三快在线科技有限公司 | 一种障碍物的轨迹预测方法及装置 |
-
2021
- 2021-04-08 CN CN202110374711.5A patent/CN112766468B/zh active Active
-
2022
- 2022-02-17 US US17/674,773 patent/US20220324483A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220324483A1 (en) | 2022-10-13 |
CN112766468A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112766468B (zh) | 一种轨迹预测方法、装置、存储介质及电子设备 | |
CN111190427B (zh) | 一种轨迹规划的方法及装置 | |
CN111208838B (zh) | 一种无人驾驶设备的控制方法及装置 | |
CN111076739B (zh) | 一种路径规划的方法及装置 | |
CN110989636A (zh) | 一种障碍物的轨迹预测方法及装置 | |
CN110488821B (zh) | 一种确定无人车运动策略的方法及装置 | |
CN112990375B (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN111062372B (zh) | 一种预测障碍物轨迹的方法及装置 | |
CN111912423B (zh) | 一种预测障碍物轨迹以及模型训练的方法及装置 | |
CN111238523B (zh) | 一种运动轨迹的预测方法及装置 | |
CN112348293A (zh) | 一种障碍物的轨迹预测方法及装置 | |
CN113968243B (zh) | 一种障碍物轨迹预测方法、装置、设备及存储介质 | |
CN111126362A (zh) | 一种预测障碍物轨迹的方法及装置 | |
CN112677993A (zh) | 一种模型训练的方法及装置 | |
CN110942181A (zh) | 一种障碍物轨迹预测的方法及装置 | |
CN113325855B (zh) | 基于迁移场景用于预测障碍物轨迹的模型训练方法 | |
CN112883871B (zh) | 一种模型训练以及确定无人车运动策略方法及装置 | |
CN111123957B (zh) | 一种轨迹规划的方法及装置 | |
CN112949756A (zh) | 一种模型训练以及轨迹规划的方法及装置 | |
CN112734851B (zh) | 一种位姿确定的方法以及装置 | |
CN112925331B (zh) | 一种无人设备控制方法、装置、存储介质及电子设备 | |
CN114194213A (zh) | 一种目标物轨迹预测方法、装置、存储介质及电子设备 | |
CN114545940A (zh) | 一种无人设备的控制方法、装置及电子设备 | |
CN114280960A (zh) | 一种自动驾驶仿真方法、装置、存储介质及电子设备 | |
CN114153207A (zh) | 一种无人驾驶设备的控制方法及控制装置 |
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 |