CN114872718A - 车辆轨迹预测方法、装置、计算机设备和存储介质 - Google Patents

车辆轨迹预测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN114872718A
CN114872718A CN202210374183.8A CN202210374183A CN114872718A CN 114872718 A CN114872718 A CN 114872718A CN 202210374183 A CN202210374183 A CN 202210374183A CN 114872718 A CN114872718 A CN 114872718A
Authority
CN
China
Prior art keywords
vehicle
target vehicle
track
vector
surrounding
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
Application number
CN202210374183.8A
Other languages
English (en)
Other versions
CN114872718B (zh
Inventor
张博维
黄晋
于伟光
江昆
杨殿阁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202210374183.8A priority Critical patent/CN114872718B/zh
Publication of CN114872718A publication Critical patent/CN114872718A/zh
Application granted granted Critical
Publication of CN114872718B publication Critical patent/CN114872718B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
    • 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
    • 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
    • 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
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • 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
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • 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
    • B60W2554/402—Type
    • B60W2554/4023—Type large-size vehicles, e.g. trucks
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—Historical data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种车辆轨迹预测方法、装置、计算机设备和存储介质。方法包括：获取目标车辆的历史轨迹信息和各周围车辆的历史轨迹信息；历史轨迹信息为车辆在历史时段各时刻的轨迹信息；将目标车辆在当前时刻的轨迹信息和各周围车辆的历史轨迹信息，输入轨迹预测模型，得到目标车辆的初始预测轨迹向量；根据目标车辆在每个时刻的空间位置信息、各周围车辆在每个时刻的空间位置信息、以及影响特征提取策略，确定目标车辆与各周围车辆之间的各影响特征向量；根据目标车辆的初始预测轨迹向量、以及目标车辆与各周围车辆之间的各影响特征向量，确定目标车辆的预测轨迹。采用本方法能够提升预测的目标车辆行驶轨迹的精确度。

Description

车辆轨迹预测方法、装置、计算机设备和存储介质
技术领域
本申请涉及自动驾驶技术领域，特别是涉及一种车辆轨迹预测方法、装置、计算机设备和存储介质。
背景技术
随着自动驾驶技术的发展，自动驾驶车辆利用感知信息预测周围车辆未来一段时间内的行驶轨迹，有助于提升自动驾驶车辆路线规划、决策的可靠性，降低事故发生风险，提高车辆自动驾驶的安全性。
传统车辆轨迹预测方法是通过将目标车辆和周围车辆的位置、速度、车头时距等信息输入深度神经网络，通过神经网络来预测周围车辆的未来行驶轨迹。但该方法未考虑目标车辆和周围车辆之间的相互影响情况(即由于周围车辆在历史时段与目标的相对距离、以及空间位置的产生变化，从而影响预测目标车辆的行驶轨迹的情况)，从而导致预测的目标车辆行驶轨迹的精确度较低。
发明内容
基于此，有必要针对上述技术问题，提供一种车辆轨迹预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种车辆轨迹预测方法。所述方法包括：
获取目标车辆的历史轨迹信息和各周围车辆的历史轨迹信息；所述周围车辆为目标车辆周围的车辆，所述历史轨迹信息为车辆在历史时段各时刻的轨迹信息，所述轨迹信息包括车辆的空间位置信息；
将所述目标车辆在当前时刻的轨迹信息和各所述周围车辆的历史轨迹信息，输入轨迹预测模型，得到所述目标车辆的初始预测轨迹向量；
根据所述目标车辆在每个时刻的空间位置信息、各所述周围车辆在每个时刻的空间位置信息、以及影响特征提取策略，确定所述目标车辆与各所述周围车辆之间的各影响特征向量；
根据所述目标车辆的初始预测轨迹向量、以及所述目标车辆与各所述周围车辆之间的各影响特征向量，确定所述目标车辆的预测轨迹。
可选的，所述轨迹信息包括空间位置信息，所述轨迹预测模型包括编码网络和卷积网络；所述将所述目标车辆在当前时刻的轨迹信息和各所述周围车辆的历史轨迹信息，输入轨迹预测模型，得到所述目标车辆的初始预测轨迹向量，包括：
将所述目标车辆在当前时刻的轨迹信息和各所述周围车辆的历史轨迹信息输入编码网络，得到各所述周围车辆的目标轨迹向量；所述目标轨迹向量为基于所述目标车辆在当前时刻的轨迹信息的所述周围车辆的历史轨迹向量；
根据各所述周围车辆的目标轨迹向量、所述目标车辆在当前时刻的轨迹信息、以及所述卷积网络，确定所述目标车辆的初始预测轨迹向量。
可选的，所述历史轨迹向量为车辆在历史时段中各时刻的轨迹向量；所述根据各所述周围车辆的历史轨迹向量、所述目标车辆在当前时刻的轨迹信息、以及所述卷积网络，确定所述目标车辆的初始预测轨迹向量，包括：
根据各所述周围车辆在当前时刻的轨迹向量、以及各所述周围车辆的空间位置信息，确定各所述周围车辆的空间轨迹向量；
根据各所述周围车辆的空间轨迹向量、所述目标车辆在当前时刻的轨迹信息、以及所述卷积网络，确定所述目标车辆的初始预测轨迹向量。
可选的，所述根据所述目标车辆在每个时刻的空间位置信息、各所述周围车辆在每个时刻的空间位置信息、以及影响特征提取策略，确定所述目标车辆与各所述周围车辆之间的各影响特征向量，包括：
根据各所述时刻的所述目标车辆的空间位置信息、以及各所述时刻的各所述周围车辆的空间位置信息，建立各所述时刻的车辆有向图模型；
根据各所述时刻的车辆有向图模型和影响系数算法，确定每个时刻的所述目标车辆与各所述周围车辆之间的各影响系数；
根据每个时刻的所述目标车辆与各所述周围车辆之间的各影响系数、以及编码网络，确定所述目标车辆与各所述周围车辆之间的各影响特征向量。
可选的，所述根据每个时刻的所述目标车辆与各所述周围车辆之间的各影响系数、以及编码网络，确定所述目标车辆与各所述周围车辆之间的各影响特征向量，包括：
针对每个时刻，根据所述时刻的各影响系数，建立所述时刻的影响系数矩阵；
将所述时刻的影响系数矩阵进行压缩降维，得到所述时刻的低维影响系数矩阵；
将各所述时刻的低维影响系数矩阵输入编码网络，得到所述目标车辆与各所述周围车辆之间的各影响特征向量。
可选的，所述根据所述目标车辆的初始预测轨迹向量、以及所述目标车辆与各所述周围车辆之间的各影响特征向量，确定所述目标车辆的预测轨迹，包括：
根据所述目标车辆的初始预测轨迹向量、以及所述目标车辆与各所述周围车辆之间的影响特征向量，确定所述目标车辆的目标预测轨迹向量；
将所述目标车辆的目标预测轨迹向量输入解码网络，得到所述目标车辆的预测轨迹。
第二方面，本申请还提供了一种车辆轨迹预测装置。所述装置包括：
获取模块，用于获取目标车辆的历史轨迹信息和各周围车辆的历史轨迹信息；所述周围车辆为目标车辆周围的车辆，所述历史轨迹信息为车辆在历史时段各时刻的轨迹信息，所述轨迹信息包括车辆的空间位置信息；
预测模块，用于将所述目标车辆在当前时刻的轨迹信息和各所述周围车辆的历史轨迹信息，输入轨迹预测模型，得到所述目标车辆的初始预测轨迹向量；
确定模块，用于根据所述目标车辆在每个时刻的空间位置信息、各所述周围车辆在每个时刻的空间位置信息、以及影响特征提取策略，确定所述目标车辆与各所述周围车辆之间的各影响特征向量；
解码模块，用于根据所述目标车辆的初始预测轨迹向量、所述目标车辆与各所述周围车辆之间的各影响特征向量、以及解码网络，确定所述目标车辆的预测轨迹。
可选的，所述轨迹信息包括空间位置信息，所述预测模块，具体用于：
将所述目标车辆在当前时刻的轨迹信息和各所述周围车辆的历史轨迹信息输入编码网络，得到各所述周围车辆的目标轨迹向量；所述目标轨迹向量为基于所述目标车辆在当前时刻的轨迹信息的所述周围车辆的历史轨迹向量；
根据各所述周围车辆的目标轨迹向量、所述目标车辆在当前时刻的轨迹信息、以及所述卷积网络，确定所述目标车辆的初始预测轨迹向量。
可选的，所述历史轨迹向量为车辆在历史时段中各时刻的轨迹向量；所述预测模块，具体用于：
根据各所述周围车辆在当前时刻的轨迹向量、以及各所述周围车辆的空间位置信息，确定各所述周围车辆的空间轨迹向量；
根据各所述周围车辆的空间轨迹向量、所述目标车辆在当前时刻的轨迹信息、以及所述卷积网络，确定所述目标车辆的初始预测轨迹向量。
可选的，所述确定模块，具体用于：
根据各所述时刻的所述目标车辆的空间位置信息、以及各所述时刻的各所述周围车辆的空间位置信息，建立各所述时刻的车辆有向图模型；
根据各所述时刻的车辆有向图模型和影响系数算法，确定每个时刻的所述目标车辆与各所述周围车辆之间的各影响系数；
根据每个时刻的所述目标车辆与各所述周围车辆之间的各影响系数、以及编码网络，确定所述目标车辆与各所述周围车辆之间的各影响特征向量。
可选的，所述确定模块，具体用于：
针对每个时刻，根据所述时刻的各影响系数，建立所述时刻的影响系数矩阵；
将所述时刻的影响系数矩阵进行压缩降维，得到所述时刻的低维影响系数矩阵；
将各所述时刻的低维影响系数矩阵输入编码网络，得到所述目标车辆与各所述周围车辆之间的各影响特征向量。
可选的，所述解码模块，具体用于：
根据所述目标车辆的初始预测轨迹向量、以及所述目标车辆与各所述周围车辆之间的影响特征向量，确定所述目标车辆的目标预测轨迹向量；
将所述目标车辆的目标预测轨迹向量输入解码网络，得到所述目标车辆的预测轨迹。
第三方面，本申请提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面中任一项所述的方法的步骤。
第四方面，本申请提供了一种计算机可读存储介质。其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。
第五方面，本申请提供了一种计算机程序产品。所述计算机程序产品包括计算机程序，该计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。
上述车辆轨迹预测方法、装置、计算机设备和存储介质，通过获取目标车辆的历史轨迹信息和各周围车辆的历史轨迹信息；所述周围车辆为目标车辆周围的车辆，所述历史轨迹信息为车辆在历史时段各时刻的轨迹信息，所述轨迹信息包括车辆的空间位置信息；将所述目标车辆在当前时刻的轨迹信息和各所述周围车辆的历史轨迹信息，输入轨迹预测模型，得到所述目标车辆的初始预测轨迹向量；根据所述目标车辆在每个时刻的空间位置信息、各所述周围车辆在每个时刻的空间位置信息、以及影响特征提取策略，确定所述目标车辆与各所述周围车辆之间的各影响特征向量；根据所述目标车辆的初始预测轨迹向量、以及所述目标车辆与各所述周围车辆之间的各影响特征向量，确定各所述周围车辆的预测轨迹。基于影响特征提取策略，在预测目标车辆的行驶轨迹时，通过目标车辆与各周围车辆之间的相互影响情况对预测的目标车辆的行驶轨迹进行调整，从而提升了预测的目标车辆行驶轨迹的精确度。
附图说明
图1为一个实施例中车辆轨迹预测方法的流程图；
图1a为一个实施例中车载红外测距仪的测量范围的示意图；
图2为一个实施例中初始预测轨迹向量的确定步骤的流程示意图；
图3为一个实施例中影响特征向量的确定步骤的流程示意图；
图3a为一个实施例中车辆有向图模型的示意图；
图4为另一个实施例中影响特征向量的确定步骤的流程示意图；
图5为一个实施例中车辆轨迹预测示例的流程示意图；
图6为一个实施例中车辆轨迹预测装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的车辆轨迹预测方法，可以应用于终端中，也可以应用于服务器，还可以应用于包括终端和服务器的***，并通过终端和服务器的交互实现。其中，终端可以包括但不限于是各种个人计算机、笔记本电脑、平板电脑等。该终端用于获取目标车辆和各周围车辆的历史轨迹信息，并基于影响特征提取策略，在预测目标车辆的行驶轨迹时，通过目标车辆与各周围车辆之间的相互影响情况对预测的目标车辆的行驶轨迹进行调整，从而提升了预测的目标车辆的行驶轨迹的精确度。
在一个实施例中，如图1所示，提供了一种车辆轨迹预测方法，以该方法应用于终端为例进行说明，包括以下步骤：
步骤S101，获取目标车辆的历史轨迹信息和各周围车辆的历史轨迹信息。
其中，周围车辆为目标车辆周围的车辆，历史轨迹信息为车辆在历史时段各时刻的轨迹信息，轨迹信息包括车辆的空间位置信息。
本实施例中，终端通过在预测车辆周围设置的车载红外测距仪，获取在历史时段内的目标车辆各时刻的轨迹信息、以及在历史时段内目标车辆的周围车辆(即各周围车辆)各时刻的轨迹信息。预测车辆执行上述步骤，并预测目标车辆的行驶轨迹的车辆，该车辆可以但不限于是自动驾驶车辆。目标车辆为预测车辆周围各车辆中的其中的任意一个车辆。车载红外测距仪的数量可以但不限于一个，轨迹信息为包括车辆的空间位置信息、速度、以及加速度的数据。
预测车辆周围设置的车载红外测距仪的测量范围为一个矩形，该矩形宽度为以目标车辆所在的车道为中心，两边宽度各为一个车道宽度的距离，该矩形的长度为车载红外测距仪所能测量的最远直线距离。该最远直线距离不做限定。例如，如图1a所示，矩形R为3×k的栅格，单个栅格宽度b为一个车道宽，长度a＝l/k(k为矩形长度)依据红外测距仪的测距半径决定，每个栅格可容纳一个车辆，目标车辆处于中央栅格中。
目标车辆的空间位置、以及目标车辆的周围车辆的空间位置建立在以车道线为参考线的二维frenet坐标系中。车辆速度包括车辆的横向速度、以及车辆的纵向速度，车辆加速度包括车辆的横向加速度、以及车辆的纵向加速度。历史时段为当前时刻之前的固定时间范围内的时间段，该时间段可以为3S、4S、5S。
在一个实施例中，目标车辆在历史时段的轨迹信息的表达式可以为：
Figure BDA0003590126730000071
其中
Figure BDA0003590126730000072
为时间序列中第i帧时刻车辆的位置坐标、X方向与y方向的速度和加速度。m为帧数(即历史时段所包含的各时刻的数量)。
步骤S102，将目标车辆在当前时刻的轨迹信息和各周围车辆的历史轨迹信息，输入轨迹预测模型，得到目标车辆的初始预测轨迹向量。
本实施例中，轨迹预测模型包括编码器和轨迹预测网络，终端通过编码器对目标车辆在当前时刻的轨迹信息、以及各周围车辆的历史轨迹信息进行编码，得到可供轨迹预测网络处理的各周围车辆相对于目标车辆的历史轨迹向量，并通过轨迹预测网络对各周围车辆相对于目标车辆的历史轨迹向量进行处理，从而对目标车辆未来的行驶轨迹进行处理，得到目标车辆的初始预测轨迹向量。
编码器可以但不限于是长短期记忆网络(Long Short-term Memory，LSTM)，该网络可以在轨迹信息中提取车辆的空间位置信息、速度、以及加速度，并将上述信息转化为包含车辆行驶方向的向量。
轨迹预测网络可以但不限于是卷积神经网络，该卷积神经网络通过对各周围车辆相对于目标车辆的历史轨迹向量进行卷积、池化操作，得到目标车辆在当前时刻的初始预测轨迹向量，该初始预测轨迹向量为包含车辆的空间位置信息和车辆的运动学信息(即车辆的加速度和速度)的向量。
步骤S103，根据目标车辆在每个时刻的空间位置信息、各周围车辆在每个时刻的空间位置信息、以及影响特征提取策略，确定目标车辆与各周围车辆之间的各影响特征向量。
本实施例中，终端针对历史时段的每个时刻，通过影响特征提取策略，建立该时刻的目标车辆以及各周围车辆的空间位置信息的车辆有向图模型。终端将历史时段所有时刻的车辆有向图模型进行处理，并按照时间序列的顺序进行排序，得到已排序处理的各车辆有向图模型。终端将已排序处理的各车辆有向图模型，输入编码器，从而得到目标车辆与各周围车辆之间的各影响特征向量。具体处理过程后续将详细说明。
车辆有向图模型的建立以目标车辆的车载红外探测仪所能探测的距离为限定，即，车辆有向图模型的范围大小与车载红外探测仪所能探测的范围大小相同。
影响特征提取策略包含三个步骤，一是建立各时刻的车辆有向图模型，二是将各时刻的车辆有向图模型进行处理，三是将处理后的各车辆有向图模型，输入编码器，从而得到目标车辆与各周围车辆之间的各影响特征向量。
编码器可以但不限于是长短期记忆网络(Long Short-term Memory，LSTM)中的编码器，该编码器用于提取在历史时段中，目标车辆与各周围车辆之间的影响特征向量，该影响特征向量表示为包含车辆行驶方向和空间位置信息的向量。
影响特征向量包括车辆之间的位置信息以及单位时间内车辆之间的位置变化情况。车辆之间的位置信息包括车辆之间的空间位置信息以及车辆之间的直线距离。单位时间内车辆之间的位置变化情况包括单位时间内车辆之间的空间位置变化情况、以及单位之间内车辆之间的直线距离变化情况。例如，一个单位时间内A车与目标车辆的位置变化情况为，一个单位时间内A车从目标车辆的左后方，行驶到目标车辆的左前方；一个单位时间内A车与目标车辆的距离从3m，变化到1m。该单位时间不做限定。
步骤S104，根据目标车辆的初始预测轨迹向量、以及目标车辆与各周围车辆之间的各影响特征向量，确定目标车辆的预测轨迹。
本实施例中，终端根据目标车辆的初始预测轨迹向量、以及目标车辆与各周围车辆之间的影响特征向量进行拼接，得到拼接后的初始预测轨迹向量。终端将拼接后的初始预测轨迹向量输入解码器，得到目标车辆的预测轨迹。预测轨迹表示为概率分布的各预测的包含车辆行驶方向、车辆速度、以及车辆加速度的轨迹信息。
例如，目标在当前时刻的位置为预测车辆的正左方车道，且距离预测车辆5m，而目标车辆的预测轨迹为：一、目标车辆第一预测的位置为位于预测车辆的所在车道的正前方，且距离预测车辆的直线距离为3m，车辆速度为40km/h，车辆加速度为1m/s(概率50％)；二、目标车辆第二预测的位置为位于预测车辆的左侧车道的前方，且距离预测车辆的直线距离为2m，车辆速度为50km/h，车辆加速度为1.2m/s(概率30％)；三、目标车辆第三预测的位置为位于预测车辆的左侧车道的后方，且距离预测车辆的直线距离为1m，车辆速度为30km/h，车辆加速度为-1m/s(概率20％)。
解码器可以但不限于是长短期记忆网络(Long Short-term Memory，LSTM)中的编码器，解码器与上述编码器同属同一长短期记忆网络。
基于上述方案，基于影响特征提取策略，在预测目标车辆的行驶轨迹时，通过目标车辆与各周围车辆之间的相互影响情况对预测的目标车辆的行驶轨迹进行调整，从而提升了预测的目标车辆行驶轨迹的精确度。
可选的，轨迹信息包括空间位置信息，轨迹预测模型包括编码网络和卷积网络；相当于，如图2所示，将目标车辆在当前时刻的轨迹信息和各周围车辆的历史轨迹信息，输入轨迹预测模型，得到目标车辆的初始预测轨迹向量，包括：
步骤S201，将目标车辆在当前时刻的轨迹信息和各周围车辆的历史轨迹信息输入编码网络，得到各周围车辆的目标轨迹向量。
其中，目标轨迹向量为基于目标车辆在当前时刻的轨迹信息的周围车辆的历史轨迹向量。
本实施例中，轨迹预测模型包括编码器(即编码网络)和卷积神经网络(卷积网络)。终端针对每个周围车辆，分别将该周围车辆在历史时段中各时刻的空间位置信息，按照目标车辆在当前时刻的空间位置信息进行转化，得到以目标车辆在当前时刻的空间位置信息为坐标原点的新空间位置信息，并将目标车辆的当前时刻的空间位置信息标记为原点。终端将已转化的该周围车辆的历史轨迹信息输入编码器，得到该周围车辆的目标轨迹向量，重复上述步骤，直到得到所有周围车辆的目标轨迹向量。
例如，目标车辆的当前时刻为t0时刻，各周围车辆的数目为N，获取各周围车辆过去ts，his时间内的历史轨迹Ps，his的公式为：
Figure BDA0003590126730000101
其中
Figure BDA0003590126730000102
包含第i帧的空间位置信息、速度和加速度。mi为帧数，由周车历史轨迹时长和采集频率确定。i∈[1，N]为周围车辆的虚拟编号。
终端将Pt，his中车辆的空间位置坐标转化为，以t0时刻目标车辆所在位置为圆心的坐标系，并将转化后的每个时刻的轨迹信息
Figure BDA0003590126730000103
通过全连接层嵌入至32维，并使用LeakyRelu函数激活，获得32×m维张量。终端将该张量输入一个具有64个隐藏单元的单层LSTM网络的编码器中，取最后一个时间步编码得到的64维隐藏层向量ht，m(即周围车辆的目标轨迹向量)，该向量ht，m蕴含周围车辆的运动学信息(即车辆速度和车辆加速度)。终端将ht，m使用全连接层降维至32维，使用LeakyRelu函数激活获得张量Vt。上述过程可用下式表示：
Figure BDA0003590126730000104
Vt＝LeakyRelu(FCN64→32(ht，m))
其中，ct，m为第m时间步编码器的输出张量。
步骤S202，根据各周围车辆的目标轨迹向量、目标车辆在当前时刻的轨迹信息、以及卷积网络，确定目标车辆的初始预测轨迹向量。
本实施例中，终端根据各周围车辆在当前时刻的已转化的新空间位置信息、各周围车辆的目标轨迹向量、以及目标车辆在当前时刻的轨迹信息，建立多层向量，并通过卷积神经网络对该多层向量进行两次卷积操作，一次池化操作，得到目标车辆的初始预测轨迹向量。初始预测轨迹向量包括终端预测得到的目标车辆的空间位置信息、以及预测的目标车辆的运动学信息(即速度、加速度)。
基于上述方案，通过编码器和卷积神经网络对目标车辆在当前时刻的轨迹信息和各周围车辆的历史轨迹信息进行处理、预测，得到目标车辆的初始预测轨迹向量，从而提升了预测目标车辆的初始轨迹向量的准确度。
可选的，历史轨迹向量为车辆在历史时段中各时刻的轨迹向量；根据各周围车辆的历史轨迹向量、目标车辆在当前时刻的轨迹信息、以及卷积网络，确定目标车辆的初始预测轨迹向量，包括：根据各周围车辆在当前时刻的轨迹向量、以及各周围车辆的空间位置信息，确定各周围车辆的空间轨迹向量；根据各周围车辆的空间轨迹向量、目标车辆在当前时刻的轨迹信息、以及卷积网络，确定目标车辆的初始预测轨迹向量。
本实施例中，终端根据各周围车辆在当前时刻的已转化的新空间位置信息，建立以目标车辆当前时刻的空间位置信息为圆心的矩形栅格中，并将各周围车辆的目标轨迹向量，放置于各周围车辆在矩形栅格中的对应位置，得到多层向量(即各周围车辆的空间轨迹向量)，并通过卷积神经网络对多层向量进行两次卷积操作，一次池化操作，得到目标车辆的初始预测轨迹向量。
在一个实施例中，矩形栅格为矩形R，终端通过将步骤S201中得到的各周围车辆的目标轨迹向量
Figure BDA0003590126730000111
以及目标车辆在当前时刻的轨迹信息置于该栅格中，构造包含各周围车辆的运动学信息及其空间位置信息、以及目标车辆在当前时刻的轨迹信息的多层向量T0，该多层向量层的维度为3×k×64(单层维度为3×k，k为矩形长度)。各层向量层的超参数，如表1所示，终端对各层向量层使用LeakyRelu函数激活。
表1卷积神经网络超参数
Figure BDA0003590126730000112
Figure BDA0003590126730000121
对已激活的向量层，终端通过卷积神经网络进行卷积、池化操作，具体操作公式如下：
T1＝conv1(LeakyRelu(T0))#(5)
T2＝conv2(LeakyRelu(T1))#(6)
T3＝maxpooling(LeakyRelu(T2))#(7)
T＝flatten(T3)#(8)
上式中，conv1，conv2和MaxPooling表示两次卷积操作和一次最大池化操作，flatten表示维度变换操作。
通过上述操作，终端得到目标车辆的初始预测轨迹向量T，该初始预测轨迹向量包含目标车辆未来的空间位置信息、以及目标车辆未来的运动学信息
基于上述方案，通过对空间结构化的各周围车辆的空间轨迹向量、以及目标车辆在当前时刻的轨迹信息进行卷积、池化操作，从而提升预测的初始轨迹信息的准确度。
可选的，如图3所示，根据目标车辆在每个时刻的空间位置信息、各周围车辆在每个时刻的空间位置信息、以及影响特征提取策略，确定目标车辆与各周围车辆之间的各影响特征向量，包括：
步骤S301，根据各时刻的目标车辆的空间位置信息、以及各时刻的各周围车辆的空间位置信息，建立各时刻的车辆有向图模型。
本实施例中，终端针对历史时段中每个时刻，根据该时刻的目标车辆的车辆空间位置信息、以及该时刻的各周围车辆的空间位置信息，建立该时刻的车辆有向图模型。终端重复上述步骤，直到建立完成所有时刻的车辆有向图模型。
车辆有向图模型的公式如下：
Gi(V，E)(i∈[1，m])
该模型表示为一个栅格，i为车辆的虚拟编号，V为车辆的空间位置信息，E为周围车辆与目标车辆之间的距离信息。如图3a所示，每个子栅格代表一个节点，例如在第i帧时，栅格中包含N辆周围车辆，则Gi中目标车辆与各周围车辆，占据栅格相对应的(N+1)个节点，没有车辆占据的栅格对应的节点为空。
步骤S302，根据各时刻的车辆有向图模型和影响系数算法，确定每个时刻的目标车辆与各周围车辆之间的各影响系数。
本实施例中，终端针对每个时刻的车辆有向图模型，根据该时刻的车辆有向图模型中各车辆之间的空间位置信息和影响系数算法，确定该时刻的各车辆之间的影响系数，并在各车辆之间的影响系数中，选择目标车辆与各周围车辆之间的各影响系数。
具体的，当S车和T车的空间位置信息分别为Vs与Vt时，则影响系数算法的公式如下：
Figure BDA0003590126730000131
Figure BDA0003590126730000132
其中dst＝dts为Vs与Vt对应的两车中心的欧氏距离，λ为缩放常数，可根据矩形R的长度设定；μst和μts为方位影响系数。
由于在驾驶过程中驾驶员更关注在自己视野内的前方车辆，而对后方车辆的关注较少，因此μst和μts用于区分车辆的方位影响系数的影响。若S车在T车前方(即ys＞yt)，则规定μst＝0.8，而μts＝0.2。负指数函数形式将距离映射到(0，1)权重区间内，在dst＝dts＝0的情况。影响系数算法公式的表示如下所示：
Figure BDA0003590126730000133
Figure BDA0003590126730000134
其中dst＝dts为Vs与Vt对应的两车中心的欧氏距离，λ为缩放常数，可根据矩形R的长度设定；μst和μts为方位影响系数。
步骤S303，根据每个时刻的目标车辆与各周围车辆之间的各影响系数、以及编码网络，确定目标车辆与各周围车辆之间的各影响特征向量。
本实施例中，终端针对每个时刻，将该时刻的目标车辆与各周围车辆之间的影响系数进行处理，并通过编码器进行编码，得到目标车辆与各周围车辆之间的各影响特征向量。具体处理过程后续将详细说明。
基于上述方案，通过影响特征提取策略得到目标车辆与各周围车辆之间的各影响特征向量，从而提升了预测轨迹的精确度。
可选的，如图4所示，根据每个时刻的目标车辆与各周围车辆之间的各影响系数、以及编码网络，确定目标车辆与各周围车辆之间的各影响特征向量，包括：
步骤S401，针对每个时刻，根据该时刻的各影响系数，建立该时刻的影响系数矩阵。
本实施例中，终端针对历史时段的每个时刻，根据该时刻的各影响系数，按照该时刻的车辆有向图模型，建立该时刻的影响系数图模型，并对该影响时刻图模型进行矩阵化处理，得到该时刻的影响系数矩阵。该系数矩阵可以但不限于是邻接矩阵。
步骤S402，将该时刻的影响系数矩阵进行压缩降维，得到该时刻的低维影响系数矩阵。
本实施例中，终端将该时刻的影响系数矩阵进行压缩降维，得到该时刻的低维影响系数矩阵。具体将影响系数矩阵压缩降维至低维影响系数矩阵Ai的压缩降维公式如下：
Figure BDA0003590126730000141
∑i为对角矩阵，对角线元素为Ai的奇异值。取其中值最大的三个奇异值作为对角线元素组成矩阵∑sub，i，Ui与
Figure BDA0003590126730000142
中对应的奇异向量组成矩阵Usub，i和
Figure BDA0003590126730000143
终端分别使用全连接层将∑sub，i，Usub，i和Vsub，i映射至32维，并串联，得到向量
Figure BDA0003590126730000151
向量
Figure BDA0003590126730000152
可代表该时刻的低维影响系数矩阵Ai。
步骤S403，将各时刻的低维影响系数矩阵输入编码网络，得到目标车辆与各周围车辆之间的各影响特征向量。
本实施例中，终端使用LeakyRelu函数激活各时刻的向量
Figure BDA0003590126730000153
(即低维影响系数矩阵)，并按照时间排列顺序，将各时刻的向量
Figure BDA0003590126730000154
(即低维影响系数矩阵)输入编码器中编码，得到目标车辆与各周围车辆之间的各影响特征向量。
具体的，终端在将某时刻的向量
Figure BDA0003590126730000155
(即低维影响系数矩阵)输入编码器中编码之后，终端取最后一个时间步编码得到的64维隐藏层张量hg，m，并抽取目标车辆与各周围车辆的影响特征hg，m。终端将各影响特征hg，m通过全连接层降维至16维，得到目标车辆与各周围车辆之间的各影响特征向量Gv。编码公式及降维公式如下：
hg，m，cg，m＝LSTM(LeakyRelu(FCN3k→16(VG)))
Gv＝FCN64→16(hg，m)
上式中，ct，m为第m时间步LSTM网络的输出张量。
基于上述方案，终端通过目标车辆与各周围车辆之间的影响系数、以及编码网络，确定目标车辆与各周围车辆之间的各影响特征向量，从而提取了目标车辆与各周围车辆之间的影响特征向量，从而为之后优化初始预测轨迹向量做准备。
可选的，根据目标车辆的初始预测轨迹向量、以及目标车辆与各周围车辆之间的各影响特征向量，确定目标车辆的预测轨迹，包括：根据目标车辆的初始预测轨迹向量、以及目标车辆与各周围车辆之间的影响特征向量，确定目标车辆的目标预测轨迹向量；将目标车辆的目标预测轨迹向量输入解码网络，得到目标车辆的预测轨迹。
本实施例中，终端将目标车辆的初始预测轨迹向量、以及目标车辆与各周围车辆之间的影响特征向量进行合并串接，得到目标车辆的目标预测轨迹向量。终端将目标车辆的目标轨迹预测向量输入解码网络，得到各周围车辆的预测轨迹。
具体的，终端将目标车辆的Vt，T，Gv三个向量串接得到1×(16+32+8(k-3))维向量Ω，并将目标车辆的Ω向量输入LSTM解码器中进行解码，得到各周围车辆的预测轨迹。
在未来每一时刻，将目标车辆的Ω和上一时刻的轨迹信息对应的轨迹向量输入具有128个隐藏单元的LSTM解码器中，由全连接层降维至输出量维度。预测轨迹表示为概率分布参数形式的各预测的轨迹信息。假设未来轨迹上各采样点的坐标均服从二元高斯分布，其概率密度函数表达式为：
Figure BDA0003590126730000161
上式中，二元高斯分布的五个参数{μX，μY，σX，σY，ρ}分别对应该时刻的周围车辆的横坐标均值(μX)、纵坐标均值(μY)、横坐标方差(σX)、纵坐标方差(σY)、以及相关系数(ρ)。
基于上述方案，通过目标车辆的初始预测轨迹向量、以及目标车辆与各周围车辆之间的各影响特征向量，确定怒表车辆的预测轨迹，从而提升了预测的目标车辆的预测轨迹的精确度。
本申请还提供了一种轨迹预测示例，如图5所示，具体处理过程包括以下步骤：
步骤S501，获取目标车辆的历史轨迹信息和各周围车辆的历史轨迹信息。
其中，周围车辆为目标车辆周围的车辆，历史轨迹信息为车辆在历史时段各时刻的轨迹信息，轨迹信息包括车辆的空间位置信息。
步骤S502，将目标车辆在当前时刻的轨迹信息和各周围车辆的历史轨迹信息输入编码网络，得到各周围车辆的目标轨迹向量。
其中，目标轨迹向量为基于目标车辆在当前时刻的轨迹信息的周围车辆的历史轨迹向量。
步骤S503，根据各周围车辆在当前时刻的轨迹向量、以及各周围车辆的空间位置信息，确定各周围车辆的空间轨迹向量。
步骤S504，根据各周围车辆的空间轨迹向量、目标车辆在当前时刻的轨迹信息、以及卷积网络，确定目标车辆的初始预测轨迹向量。
步骤S505，根据各时刻的目标车辆的空间位置信息、以及各时刻的各周围车辆的空间位置信息，建立各时刻的车辆有向图模型。
步骤S506，根据各时刻的车辆有向图模型和影响系数算法，确定每个时刻的目标车辆与各周围车辆之间的各影响系数。
步骤S507，针对每个时刻，根据时刻的各影响系数，建立时刻的影响系数矩阵。
步骤S508，将时刻的影响系数矩阵进行压缩降维，得到时刻的低维影响系数矩阵。
步骤S509，将各时刻的低维影响系数矩阵输入编码网络，得到目标车辆与各周围车辆之间的各影响特征向量。
步骤S510，根据目标车辆的初始预测轨迹向量、以及目标车辆与各周围车辆之间的影响特征向量，确定目标车辆的目标预测轨迹向量。
步骤S511，将目标车辆的目标预测轨迹向量输入解码网络，得到目标车辆的预测轨迹。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的车辆轨迹预测方法的车辆轨迹预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个车辆轨迹预测装置实施例中的具体限定可以参见上文中对于车辆轨迹预测方法的限定，在此不再赘述。
在一个实施例中，如图6所示，提供了一种车辆轨迹预测装置，包括：获取模块610、预测模块620、确定模块630和解码模块640，其中：
获取模块610，用于获取目标车辆的历史轨迹信息和各周围车辆的历史轨迹信息；周围车辆为目标车辆周围的车辆，历史轨迹信息为车辆在历史时段各时刻的轨迹信息，轨迹信息包括车辆的空间位置信息；
预测模块620，用于将目标车辆在当前时刻的轨迹信息和各周围车辆的历史轨迹信息，输入轨迹预测模型，得到目标车辆的初始预测轨迹向量；
确定模块630，用于根据目标车辆在每个时刻的空间位置信息、各周围车辆在每个时刻的空间位置信息、以及影响特征提取策略，确定目标车辆与各周围车辆之间的各影响特征向量；
解码模块640，用于根据目标车辆的初始预测轨迹向量、目标车辆与各周围车辆之间的各影响特征向量、以及解码网络，确定目标车辆的预测轨迹。
可选的，轨迹信息包括空间位置信息，预测模块620，具体用于：
将目标车辆在当前时刻的轨迹信息和各周围车辆的历史轨迹信息输入编码网络，得到各周围车辆的目标轨迹向量；目标轨迹向量为基于目标车辆在当前时刻的轨迹信息的周围车辆的历史轨迹向量；
根据各周围车辆的目标轨迹向量、目标车辆在当前时刻的轨迹信息、以及卷积网络，确定目标车辆的初始预测轨迹向量。
可选的，历史轨迹向量为车辆在历史时段中各时刻的轨迹向量；预测模块620，具体用于：
根据各周围车辆在当前时刻的轨迹向量、以及各周围车辆的空间位置信息，确定各周围车辆的空间轨迹向量；
根据各周围车辆的空间轨迹向量、目标车辆在当前时刻的轨迹信息、以及卷积网络，确定目标车辆的初始预测轨迹向量。
可选的，确定模块630，具体用于：
根据各时刻的目标车辆的空间位置信息、以及各时刻的各周围车辆的空间位置信息，建立各时刻的车辆有向图模型；
根据各时刻的车辆有向图模型和影响系数算法，确定每个时刻的目标车辆与各周围车辆之间的各影响系数；
根据每个时刻的目标车辆与各周围车辆之间的各影响系数、以及编码网络，确定目标车辆与各周围车辆之间的各影响特征向量。
可选的，确定模块630，具体用于：
针对每个时刻，根据时刻的各影响系数，建立时刻的影响系数矩阵；
将时刻的影响系数矩阵进行压缩降维，得到时刻的低维影响系数矩阵；
将各时刻的低维影响系数矩阵输入编码网络，得到目标车辆与各周围车辆之间的各影响特征向量。
可选的，解码模块640，具体用于：
根据目标车辆的初始预测轨迹向量、以及目标车辆与各周围车辆之间的影响特征向量，确定目标车辆的目标预测轨迹向量；
将目标车辆的目标预测轨迹向量输入解码网络，得到目标车辆的预测轨迹。
上述车辆轨迹预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种车辆轨迹预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种车辆轨迹预测方法，其特征在于，所述方法包括：
获取目标车辆的历史轨迹信息和各周围车辆的历史轨迹信息；所述周围车辆为目标车辆周围的车辆，所述历史轨迹信息为车辆在历史时段各时刻的轨迹信息，所述轨迹信息包括车辆的空间位置信息；
将所述目标车辆在当前时刻的轨迹信息和各所述周围车辆的历史轨迹信息，输入轨迹预测模型，得到所述目标车辆的初始预测轨迹向量；
根据所述目标车辆在每个时刻的空间位置信息、各所述周围车辆在每个时刻的空间位置信息、以及影响特征提取策略，确定所述目标车辆与各所述周围车辆之间的各影响特征向量；
根据所述目标车辆的初始预测轨迹向量、以及所述目标车辆与各所述周围车辆之间的各影响特征向量，确定目标车辆的预测轨迹。
2.根据权利要求1所述的方法，其特征在于，所述轨迹信息包括空间位置信息，所述轨迹预测模型包括编码网络和卷积网络；所述将所述目标车辆在当前时刻的轨迹信息和各所述周围车辆的历史轨迹信息，输入轨迹预测模型，得到所述目标车辆的初始预测轨迹向量，包括：
将所述目标车辆在当前时刻的轨迹信息和各所述周围车辆的历史轨迹信息输入编码网络，得到各所述周围车辆的目标轨迹向量；所述目标轨迹向量为基于所述目标车辆在当前时刻的轨迹信息的所述周围车辆的历史轨迹向量；
根据各所述周围车辆的目标轨迹向量、所述目标车辆在当前时刻的轨迹信息、以及所述卷积网络，确定所述目标车辆的初始预测轨迹向量。
3.根据权利要求2所述的方法，其特征在于，所述历史轨迹向量为车辆在历史时段中各时刻的轨迹向量；所述根据各所述周围车辆的历史轨迹向量、所述目标车辆在当前时刻的轨迹信息、以及所述卷积网络，确定所述目标车辆的初始预测轨迹向量，包括：
根据各所述周围车辆在当前时刻的轨迹向量、以及各所述周围车辆的空间位置信息，确定各所述周围车辆的空间轨迹向量；
根据各所述周围车辆的空间轨迹向量、所述目标车辆在当前时刻的轨迹信息、以及所述卷积网络，确定所述目标车辆的初始预测轨迹向量。
4.根据权利要求1所述的方法，其特征在于，所述根据所述目标车辆在每个时刻的空间位置信息、各所述周围车辆在每个时刻的空间位置信息、以及影响特征提取策略，确定所述目标车辆与各所述周围车辆之间的各影响特征向量，包括：
根据各所述时刻的所述目标车辆的空间位置信息、以及各所述时刻的各所述周围车辆的空间位置信息，建立各所述时刻的车辆有向图模型；
根据各所述时刻的车辆有向图模型和影响系数算法，确定每个时刻的所述目标车辆与各所述周围车辆之间的各影响系数；
根据每个时刻的所述目标车辆与各所述周围车辆之间的各影响系数、以及编码网络，确定所述目标车辆与各所述周围车辆之间的各影响特征向量。
5.根据权利要求4所述的方法，其特征在于，所述根据每个时刻的所述目标车辆与各所述周围车辆之间的各影响系数、以及编码网络，确定所述目标车辆与各所述周围车辆之间的各影响特征向量，包括：
针对每个时刻，根据所述时刻的各影响系数，建立所述时刻的影响系数矩阵；
将所述时刻的影响系数矩阵进行压缩降维，得到所述时刻的低维影响系数矩阵；
将各所述时刻的低维影响系数矩阵输入编码网络，得到所述目标车辆与各所述周围车辆之间的各影响特征向量。
6.根据权利要求1所述的方法，其特征在于，所述根据所述目标车辆的初始预测轨迹向量、以及所述目标车辆与各所述周围车辆之间的各影响特征向量，确定所述目标车辆的预测轨迹，包括：
根据所述目标车辆的初始预测轨迹向量、以及所述目标车辆与各所述周围车辆之间的影响特征向量，确定所述目标车辆的目标预测轨迹向量；
将所述目标车辆的目标预测轨迹向量输入解码网络，得到所述目标车辆的预测轨迹。
7.一种车辆轨迹预测装置，其特征在于，所述装置包括：
获取模块，用于获取目标车辆的历史轨迹信息和各周围车辆的历史轨迹信息；所述周围车辆为目标车辆周围的车辆，所述历史轨迹信息为车辆在历史时段各时刻的轨迹信息，所述轨迹信息包括车辆的空间位置信息；
预测模块，用于将所述目标车辆在当前时刻的轨迹信息和各所述周围车辆的历史轨迹信息，输入轨迹预测模型，得到所述目标车辆的初始预测轨迹向量；
确定模块，用于根据所述目标车辆在每个时刻的空间位置信息、各所述周围车辆在每个时刻的空间位置信息、以及影响特征提取策略，确定所述目标车辆与各所述周围车辆之间的各影响特征向量；
解码模块，用于根据所述目标车辆的初始预测轨迹向量、所述目标车辆与各所述周围车辆之间的各影响特征向量、以及解码网络，确定所述目标车辆的预测轨迹。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202210374183.8A 2022-04-11 2022-04-11 车辆轨迹预测方法、装置、计算机设备和存储介质 Active CN114872718B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210374183.8A CN114872718B (zh) 2022-04-11 2022-04-11 车辆轨迹预测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210374183.8A CN114872718B (zh) 2022-04-11 2022-04-11 车辆轨迹预测方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN114872718A true CN114872718A (zh) 2022-08-09
CN114872718B CN114872718B (zh) 2024-06-25

Family

ID=82669475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210374183.8A Active CN114872718B (zh) 2022-04-11 2022-04-11 车辆轨迹预测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN114872718B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115817515A (zh) * 2023-01-18 2023-03-21 禾多科技（北京）有限公司 车辆控制方法、装置、电子设备和计算机可读介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110146100A (zh) * 2018-02-13 2019-08-20 华为技术有限公司 轨迹预测方法、装置及存储介质
CN111091708A (zh) * 2019-12-13 2020-05-01 中国科学院深圳先进技术研究院 车辆轨迹预测方法及装置
CN111260950A (zh) * 2020-01-17 2020-06-09 清华大学 一种基于轨迹预测的轨迹跟踪方法、介质和车载设备
CN111931905A (zh) * 2020-07-13 2020-11-13 江苏大学 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法
WO2021134172A1 (zh) * 2019-12-30 2021-07-08 华为技术有限公司 一种轨迹预测方法及相关设备
CN113291321A (zh) * 2021-06-16 2021-08-24 苏州智加科技有限公司 一种车辆轨迹预测方法、装置、设备及存储介质
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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110146100A (zh) * 2018-02-13 2019-08-20 华为技术有限公司 轨迹预测方法、装置及存储介质
CN111091708A (zh) * 2019-12-13 2020-05-01 中国科学院深圳先进技术研究院 车辆轨迹预测方法及装置
WO2021134172A1 (zh) * 2019-12-30 2021-07-08 华为技术有限公司 一种轨迹预测方法及相关设备
CN113261035A (zh) * 2019-12-30 2021-08-13 华为技术有限公司 一种轨迹预测方法及相关设备
CN111260950A (zh) * 2020-01-17 2020-06-09 清华大学 一种基于轨迹预测的轨迹跟踪方法、介质和车载设备
CN111931905A (zh) * 2020-07-13 2020-11-13 江苏大学 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法
CN113291321A (zh) * 2021-06-16 2021-08-24 苏州智加科技有限公司 一种车辆轨迹预测方法、装置、设备及存储介质
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
蔡英凤;朱南楠;邰康盛;刘擎超;王海;: "基于注意力机制的车辆行为预测", 江苏大学学报(自然科学版), no. 02, 10 March 2020 (2020-03-10) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115817515A (zh) * 2023-01-18 2023-03-21 禾多科技（北京）有限公司 车辆控制方法、装置、电子设备和计算机可读介质
CN115817515B (zh) * 2023-01-18 2023-05-26 禾多科技（北京）有限公司 车辆控制方法、装置、电子设备和计算机可读介质

Also Published As

Publication number Publication date
CN114872718B (zh) 2024-06-25

Similar Documents

Publication Publication Date Title
CN109155104B (zh) 推荐估计到达时间的***和方法
CN109478364B (zh) 确定预计到达时间的方法及***
KR102292277B1 (ko) 자율 주행 차량에서 3d cnn 네트워크를 사용하여 솔루션을 추론하는 lidar 위치 추정
KR102335389B1 (ko) 자율 주행 차량의 lidar 위치 추정을 위한 심층 학습 기반 특징 추출
KR102350181B1 (ko) 자율 주행 차량에서 rnn 및 lstm을 사용하여 시간적 평활화를 수행하는 lidar 위치 추정
EP3186662B1 (en) Measuring traffic speed in a road network
CN112101169A (zh) 基于注意力机制的道路图像目标检测方法及相关设备
CN110910180B (zh) 信息推送方法、装置、电子设备和存储介质
CN113537445B (zh) 一种轨迹预测方法、装置、设备和存储介质
CN111667693B (zh) 用于确定预计到达时间的方法、装置、设备及介质
CN111582559A (zh) 一种到达时间的预估方法及装置
WO2019222903A1 (en) Systems and methods for providing travelling suggestion
CN113643532B (zh) 一种区域交通的预测方法以及设备
CN111415024A (zh) 一种到达时间预估方法以及预估装置
CN114872718A (zh) 车辆轨迹预测方法、装置、计算机设备和存储介质
CN115164922A (zh) 一种路径规划方法、***、设备及存储介质
CN111104953B (zh) 驾驶行为特征检测方法、装置、电子设备和计算机可读存储介质
CN114348019A (zh) 车辆轨迹预测方法、装置、计算机设备和存储介质
CN116443032A (zh) 一种未来长时车速预测方法、***、设备和存储介质
Wang et al. Vehicle Position Prediction Using Particle Filtering Based on 3D CNN-LSTM Model
CN114724414B (zh) 城市空中交通分担率的确定方法、装置、电子设备及介质
CN114782926A (zh) 驾驶场景识别方法、装置、设备、存储介质和程序产品
CN116811895B (zh) 车辆运行速度确定模型处理方法和车辆运行速度确定方法
CN116644585B (zh) 基于目标车辆危险度的险态场景数据生成方法和装置
CN111613068B (zh) 一种基于路径的交通监控方法、装置、存储介质及终端

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