CN115009275B - 面向城市场景下车辆轨迹预测方法、***及存储介质 - Google Patents
面向城市场景下车辆轨迹预测方法、***及存储介质 Download PDFInfo
- Publication number
- CN115009275B CN115009275B CN202210943631.1A CN202210943631A CN115009275B CN 115009275 B CN115009275 B CN 115009275B CN 202210943631 A CN202210943631 A CN 202210943631A CN 115009275 B CN115009275 B CN 115009275B
- Authority
- CN
- China
- Prior art keywords
- lane
- track
- candidate
- predicted target
- sequence
- 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 47
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 239000013598 vector Substances 0.000 claims abstract description 51
- 230000003993 interaction Effects 0.000 claims abstract description 38
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 33
- 238000013507 mapping Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 230000002452 interceptive effect Effects 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000002093 peripheral effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005304 joining Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000002679 ablation Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008846 dynamic interplay Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 101150049349 setA gene Proteins 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012800 visualization Methods 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
- 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
- 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
- B60W60/0017—Planning or execution of driving tasks specially adapted for safety of other traffic participants
-
- 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
-
- 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
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/53—Road markings, e.g. lane marker or crosswalk
-
- 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)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及自动驾驶领域,公开一种面向城市场景下车辆轨迹预测方法、***及存储介质,方法包括:搜索预测目标周边一定范围内的车道序列,从车道序列中提取预测目标的候选车道序列得到候选目标点集合;采用向量表示预测目标周边智能体的轨迹序列及车道序列,并提取预测目标的空间交互特征;对空间交互特征和轨迹时序特征进行融合得到场景上下文特征;对候选点目标集合及场景上下文特征进行解码输出预测目标的未来轨迹。结合高精地图信息的轨迹预测方式更高的精度,生成的多条轨迹不仅能匹配多种行驶场景下车辆行为意图的不确定性,而且符合车道拓扑结构信息以及车辆行驶规则的约束,提高了车辆轨迹预测的精度。
Description
技术领域
本申请涉及自动驾驶的技术领域,尤其是涉及一种面向城市场景下车辆轨迹预测方法、***及存储介质。
背景技术
随着科技的高速发展和汽车智能化时代的到来,自动驾驶汽车将在未来智能交通***中占据极其重要的地位。
自动驾驶车辆需要对周边车辆的运动轨迹准确预测,帮助决策规划***实时规划出一条的高效、无碰撞的局部路径,保证自动驾驶***的安全与稳定运行。
复杂城市道路的交通参与者类型多样,各智能体之间常存在不同程度的交互作用,使得各自的行为意图和运动轨迹有着高度的动态性和不确定性,这给轨迹预测问题带来了巨大的挑战。目前传统的车辆轨迹预测方法主要根据场景将车辆意图离散为几个固定值(如换道场景的直行、左换道和右换道),然后基于意图识别的结果和历史轨迹序列生成目标的未来轨迹。这种建模方式只能适用于某一类特定的行驶场景,模型鲁棒性较差,无法有效应对动态变化的实际行驶场景。
发明内容
为了提高复杂城市道路场景中车辆轨迹预测的效果,本申请提供一种面向城市场景下车辆轨迹预测方法、***及存储介质。
第一方面,本申请提供的一种面向城市场景下车辆轨迹预测方法,采用如下的技术方案:
一种面向城市场景下车辆轨迹预测方法,包括:
根据高精地图信息构建车道拓扑结构信息;
基于所述车道拓扑结构信息搜索预测目标周边一定范围内的车道序列;
从所述车道序列中提取预测目标的候选车道序列,得到候选目标点集合;
采用向量表示预测目标周边智能体的轨迹序列以及车道序列,并基于层级的网络结构提取预测目标的空间交互特征;
获取预测目标的历史轨迹信息,并利用LSTM网络提取预测目标历史轨迹信息中的轨迹时序特征;
对所述空间交互特征和轨迹时序特征进行交互融合,得到场景上下文特征;
对所述候选目标点集合以及场景上下文特征进行解码,输出预测目标的未来轨迹。
通过采用上述技术方案,采用基于车道拓扑结构信息的意图预测方式,通过搜索车道序列并获取候选目标点,表征车辆运动意图的不确定性;另外,综合考虑车辆运动意图、车道信息和智能体动态交互的影响,并对空间交互特征和轨迹时序特征进行交互融合,得到场景上下文特征,生成多条可能的未来轨迹。结合高精地图信息的轨迹预测方式具有比其他单一轨迹预测方式更高的精度,同时,生成的多条轨迹不仅能匹配多种行驶场景下车辆行为意图的不确定性,而且符合车道拓扑结构信息以及车辆行驶规则的约束,提高了车辆轨迹预测的精度。
可选的,所述基于所述车道拓扑结构信息搜索预测目标周边一定范围内的车道序列步骤,具体包括:
根据预测目标当前位置和朝向,获取预测目标当前所处或距离最近的车道,并将所述车道加入车道序列集合中;
以预测目标当前所处或距离最近的车道为起点,由高精地图信息提供的车道拓扑结构信息,搜索当前所处车道的左邻和右邻车道,并将所述左邻和右邻车道加入车道序列集合中;
以所述车道序列集合中的左邻和右邻车道为起点,搜索每个邻和右邻车道的后继车道并开始递归,直至车道的累计长度超过设定的搜索范围,并将所述后继车道加入车道序列集合中。
可选的,所述从所述车道序列中提取预测目标的候选车道序列,得到候选目标点集合步骤,具体包括:
根据所述车道序列集合中所有的车道序列,等距采样获取车道中心线点集;
获取所述车道中心线点集中所有的车道中心线点与预测目标当前位置的欧式距离;
将所述欧式距离小于等于设定最大距离且大于等于设定最小距离的车道中心线点作为目标点,得到候选目标点集。
可选的,所述采用向量表示预测目标周边智能体的轨迹序列以及车道序列,并基于层级的网络结构提取预测目标的空间交互特征步骤,具体包括:
用向量表示预测目标周边智能体的轨迹序列以及车道序列;
将所述轨迹序列以及车道序列中的向量特征分别映射到高维空间,并在时间维度采用最大池化,得到对应的高阶特征向量;
利用图注意力网络对轨迹序列特征以及车道序列特征进行高阶交互,得到预测目标的空间交互特征;其中,所述轨迹序列特征以及车道序列特征为对应高阶特征向量的集合。
可选的,所述获取预测目标的历史轨迹信息,并利用LSTM网络提取预测目标历史轨迹信息中的轨迹时序特征步骤,具体包括:
获取预测目标的历史轨迹信息;其中,预测目标的历史轨迹信息用位置、速度和航向角组成的多维特征向量表示;
将所述维特征向量映射到高维空间,获得高维特征向量;
将所述高维特征向量输入LSTM网络,输出轨迹时序特征。
可选的,所述对所述候选点目标集合以及场景上下文特征进行解码,输出预测目标的未来轨迹步骤,具体包括:
利用双层MLP和softmax层堆叠组成分类分支;
将所述候选点目标集合以及场景上下文特征作为分类分支的输入,并由softmax层输出候选点目标集合对应的概率值;
利用双层MLP组成回归分支;
将所述候选点目标集合以及场景上下文特征作为回归分支的输入,输出预测目标的候选轨迹集合;
按照所述概率值由高到低对候选轨迹集合进行筛选,输出预测目标的未来轨迹。
可选的,所述按照所述概率值由高到低对预测目标的候选轨迹进行筛选,最终输出预测目标的未来轨迹步骤,具体包括:
按照所述概率值由高到低对候选轨迹集合中的候选轨迹排序;
从所述选轨迹集合选择概率值最大的候选轨迹加入未来轨迹集合,并将所述候选轨迹从候选轨迹集合中删除;
遍历所述候选轨迹集合中的剩余候选轨迹,计算剩余候选轨迹与概率值最大的候选轨迹的最终位移误差,在所述最终位移误差小于预设阈值的情况下,将对应的候选轨迹从候选轨迹集合中删除;
重复以上步骤,直至所述候选轨迹集合为空或者未来轨迹集合中的未来轨迹数量达到设定数量。
第二方面,本申请提供的一种面向城市场景下车辆轨迹预测***,采用如下的技术方案:
一种面向城市场景下车辆轨迹预测***,包括:
意图预测模型,用于根据车道拓扑结构信息搜索预测目标周边一定范围内的车道序列,并从所述车道序列中提取预测目标的候选车道序列,得到候选目标点集合;
轨迹生成模型,所述轨迹生成模型包括:
空间交互模块,用于采用向量表示预测目标周边智能体的轨迹以及车道序列,并基于层级的网络结构提取预测目标的空间交互特征;
轨迹编码模块,用于获取预测目标的历史轨迹信息,并利用LSTM网络提取预测目标历史轨迹信息中的轨迹时序特征;
特征融合模块,用于对所述空间交互特征和轨迹时序特征进行交互融合,得到场景上下文特征;
轨迹输出模块,用于对所述候选目标点集合以及场景上下文特征进行解码,输出预测目标的未来轨迹以及未来轨迹对应的概率值。
第三方面,本申请提供的一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,存储有能够被处理器加载并执行如第一方面所述的计算机程序。
综上所述,本申请包括以下至少一种有益技术效果:
采用基于车道拓扑结构信息的意图预测方式,通过搜索车道序列并获取候选目标点,表征车辆运动意图的不确定性;另外,综合考虑车辆运动意图、车道信息和智能体动态交互的影响,并对空间交互特征和轨迹时序特征进行交互融合,得到场景上下文特征,生成多条可能的未来轨迹。结合高精地图信息的轨迹预测方式具有比其他单一轨迹预测方式更高的精度,同时,生成的多条轨迹不仅能匹配多种行驶场景下车辆行为意图的不确定性,而且符合车道拓扑结构信息以及车辆行驶规则的约束,提高了车辆轨迹预测的精度。
附图说明
图1是本申请实施例示出的车辆轨迹预测方法的流程图。
图2是本申请实施例示出的车道序列结构。
图3是本申请实施例示出的车道拓扑结构图。
图4是本申请实施例示出的车辆轨迹预测方法中候选目标点的生成方法。
图5是本申请实施例示出的车辆轨迹预测方法中用于体现步骤400的网络结构图。
图6是本申请实施例示出的车辆轨迹预测方法中用于体现步骤500的网络结构图。
图7是本申请实施例示出的车辆轨迹预测方法中用于体现步骤600的网络结构图。
图8是本申请实施例示出的车辆轨迹预测方法中用于体现步骤700的网络结构图。
图9(a)是本申请实施例示出的不同场景下模型预测精度对比图。
图9(b)是本申请实施例示出的不同场景下模型Recall对比图。
图10是本申请实施例示出的车辆轨迹预测***中轨迹生成模型的架构图。
具体实施方式
以下结合图1-图10对本申请作进一步详细说明。
首先,对本申请实施例涉及的名词进行介绍。
无迹卡尔曼滤波(Unscented Kalman Filter,UKF)是较早用于车辆状态和轨迹预测的模型,根据时间的先后顺序向前传播估计状态,基于严格的车辆运动学模型假设使其在短时预测(一般为1s内)时优势显著。
VectorNet是基于高精地图的车辆轨迹预测方法,通过考虑各场景元素的空间交互特征预测目标的未来轨迹,是目前较为主流的车辆轨迹预测方式,但VectorNet只能输出单一的预测轨迹。
自动驾驶车辆需要对周边车辆的运动轨迹准确预测,帮助决策规划***实时规划出一条的高效、无碰撞的局部路径,保证自动驾驶***的安全与稳定运行。例如,自动驾驶车辆换道时需要预测目标车道和本车道上其他车辆的未来轨迹,保证自身换道安全;匝道和辅路上行驶的自动驾驶车辆要汇入主干道时,需要对汇入车道的车流进行轨迹预测,确定最佳汇入时机;在无保护的城市交叉口左转时需要注意对向直行车的运动,通过对其未来轨迹精准预测以确保左转安全。
尽管车辆运动具有一定的动态性,但是很大程度上会受到车辆动力学和车道线的约束,正常情况下,车辆会沿着当前车道保持行驶或者按照一定的路径行驶到目标车道上。
基于车辆运动的这种特性,本申请实施例公开一种面向城市场景下车辆轨迹预测方法,通过搜索车道序列获得一组候选目标点来构建车辆运动意图不确定性,并在这种先验信息的基础上,解码场景上下文特征生成多条可能的未来轨迹。
作为车辆轨迹预测方法的一种实施方式,如图1所示,包括以下步骤:
100,根据高精地图信息构建车道拓扑结构信息。
城市交通场景下车辆目标的运动不仅受其他智能体的影响,更受到道路拓扑结构的引导与约束。
利用Apollo OpenDrive格式的高精地图提供丰富的地图路网信息,其中,ApolloOpenDrive相对于标准OpenDrive的改动主要集中在以下几点:(1)Apollo OpenDrive采用UTM坐标系下的坐标序列描述车道边界形状,不需要再通过参考线方程和偏移量获取坐标;(2)Apollo OpenDrive用多条车道来表示地图路网结构,每条车道都记录了前继、后继、左邻和右邻车道;(3)增加了人行横道、减速带等道路元素以及元素间的关联描述。
高精地图信息中的车道之间存在一定的逻辑连接关系,每一条车道都有其前继、后继和相邻车道,且在高精地图信息中的每一条车道都记录了其前后左右车道的序号,根据这些信息,以图2所示的车道序列结构为例,可以创建出如图3所示的车道拓扑结构图,其中,虚线双向箭头表示两车道是左右邻居关系,实现箭头表示两车道是前后继关系。
200,基于所述车道拓扑结构信息搜索预测目标周边一定范围内的车道序列。
需要说明的是,利用Argoverse运动预测数据集提供车辆轨迹序列和高精地图数据。具体的,使用与Argo AI自动驾驶技术完全集成的采集车收集据,采集车的主传感器包括2个堆叠的VLP-32C激光雷达、7个呈环状分布的200万像素摄像头和1个500万像素双目摄像头。Argoverse 运动预测数据集提供了较为丰富的场景和运动信息,同时增加了交叉口等典型人车交互场景下的行人标注。本申请基于上述Argoverse运动预测数据集构建车辆轨迹预测模型的训练集和验证集。
具体的,根据轨迹预测任务的需求,将Argoverse运动预测数据集中每条数据处理成8s的轨迹片段,包含预测目标P、周边智能体的轨迹。车辆轨迹的观测时长=2s,预测时长=3s。Argoverse原始数据是基于车载传感器的感知结果处理得到,难免会存在一定的误差,本申请采用Savitzky-Golay平滑滤波器对轨迹序列进行预处理。其中,Savitzky-Golay平滑滤波器是一种基于最小二乘法拟合的滤波方式。
为了提取有明显的交互的周边智能体,考虑到算法速度和实际需要,交互范围设为=100m,根据观测时长最后一帧的智能***置,筛选在交互范围R内的周边智能体轨迹,删除静止目标及长度不足0.3的轨迹,对不完整的轨迹进行插值补充,最终得到长度为的预测目标P和周边智能体的轨迹序列数据。
基于车辆轨迹序列和高精地图数据处理Argoverse数据,具体的,本申请改进的Argoverse数据集包含的场景信息包括轨迹信息和地图信息,其中,轨迹信息包括运动信息(位置x、y,速度v,朝向)、尺寸信息(长度L,宽度W,高度H)以及其他信息(目标ID);地图信息包括位置信息(道路点坐标x、y)以及其他信息(是否转弯、是否位于路口以及是否有交通信号灯控制)。
其中,步骤200包括:
具体的,以车道序列集合中的左邻和右邻车道为起点进行深度优先搜索,搜索每个左邻和右邻车道的后继车道并开始递归,最终搜索到车道序列集合包含条车道序列,其中车道序列集合,递归退出的条件是的累计长度超过设定的搜索范围;其中,为起始车道,为初始车道序列。
300,从所述车道序列中提取预测目标的候选车道序列,得到候选目标点集合。
其中,结合图4,步骤300包括:
301,根据所述车道序列集合中所有的车道序列,等距采样获取车道中心线点集;
302,获取所述车道中心线点集中所有的车道中心线点与预测目标当前位置的欧式距离;
303,将所述欧式距离小于等于设定最大距离且大于等于设定最小距离的车道中心线点作为目标点,得到候选目标点集合。
具体来说,遍历车道序列集合中所有车道序列,按等距采样获得车道中心线点集,根据设定最大距离和设定最小距离,筛选车道中心线点集中满足的车道中心线点,并将满足条件的车道中心线点作为目标点,从而得到候选目标点集合。其中,表示车道中心线点和预测目标当前位置之间的欧式距离,代表预测目标未来可能要到达的位置,表征了车辆运动意图的不确定性。
其中,为了确定最佳采样间隔,分别设定不同的采样间隔,=8.0m,=4.0m,=2.0m和=1.0m进行实验,基于Argoverse数据集对比了不同采样间隔下的模型预测精度。根据表1.1的结果,本申请选取=2.0m作为最终的采样间隔,用于生成候选目标点集合,为后续生成轨迹提供先验信息。
400,采用向量表示预测目标周边智能体的轨迹以及车道序列,并基于层级的网络结构提取预测目标的空间交互特征。
其中,结合图5,步骤400包括:
401,用向量表示预测目标周边智能体的轨迹序列以及车道序列;
402,将所述轨迹序列以及车道序列中的向量特征分别映射到高维空间,并在时间维度采用最大池化,得到对应的高阶特征向量;
403,利用图注意力网络对轨迹序列特征以及车道序列特征进行高阶交互,得到预测目标的空间交互特征;其中,所述轨迹序列特征以及车道序列特征为对应高阶特征向量的集合。
需要说明的是,车辆行驶时受车道线约束,除了采用向量表示周边智能体的轨迹,将车道序列向量化作为输入。
其中,智能体轨迹集合可表示为,代表预测目标的轨迹序列,代表周边m个其他智能体的轨迹序列,每条轨迹序列为不同时刻的向量集合,其中,。表示历史轨迹的长度20,是一个8维的向量,且向量中包含丰富的位置和语义信息,。其中,代表向量的起点和终点,对应前后两帧中智能体的位置;代表智能体的长度和宽度外观属性,代表归一化的序列时间戳,表示向量与轨迹序列之间的从属关系,属于同一条轨迹序列的向量具有相同的。
图注意力网络使用注意力机制和邻接矩阵来描述邻接节点对于目标节点的重要性,与图卷积神经网络GCN相比,通过注意力机制来对邻居节点权重自适应分配,提高了图神经网络的表达能力。利用改进后的图注意力网络GAT_v2在对轨迹序列特征进行高阶交互时,每一个序列特征对应于图注意力网络GAT中的一个节点,每条边代表两条轨迹序列之间的关联度。
其中,图注意力网络GAT_v2通过改变线性层Linear和激活函数LeakyReLU的计算顺序,克服了传统GAT只能提供静态注意力的不足,本申请利用改进后的图注意力网络GAT_v2在对轨迹序列特征进行高阶交互:
其中,表示经过图注意力网络聚合后的轨迹序列特征,维度同样为64,代表初始化线性变换的权重矩阵,由MLP层实现,用于计算两个特征之间的相似度。和为激活函数,H为图注意力网络的头数,这里可以设为8;为归一化的注意力分数。
500,获取预测目标的历史轨迹信息,并利用LSTM网络提取预测目标历史轨迹信息中的轨迹时序特征。
其中,结合图6,步骤500包括:
501,获取预测目标的历史轨迹信息;其中,预测目标的历史轨迹信息用位置、速度和航向角组成的多维特征向量表示;
502,将所述多维特征向量映射到高维空间,获得高维特征向量;
503,将所述高维特征向量输入LSTM网络,输出轨迹时序特征。
600,对所述空间交互特征和轨迹时序特征进行交互融合,得到场景上下文特征。
其中,结合图7,步骤600具体包括:
601,以所述空间交互特征作为多头注意机制的键和值,所述轨迹时序特征作为查询向量,评估预测目标和周边智能体的关联程度;
602,根据所述关联程度对不同空间区域加权,计算场景上下文特征。
需要说明的是,现有技术中常使用各类池化函数或者直接拼接来合并特征,这类方法往往缺乏有效的特征融合机制,可能忽略一些重要的交互信息,导致对最终的预测结果造成负面影响。
本申请采用多头注意力机制对空间交互特征和轨迹时序特征进行交汇融合,以历史轨迹的轨迹时序特征作为查询向量Q,空间交互特征作为多头注意机制的键K和值V,计算预测目标与其他智能体之间的交互强弱,并分配不同的关注度,使网络更加关注对预测目标产生较大影响的个体,最终得到场景上下文特征。
需要说明的是,多头注意力机制可以看做是一种软寻址操作:输入信息X作为容器中的存储内容,存储内容由键(Key)值(Value)对表示,对于一个键为Query的查询,需要计算容器中对应的Value。软寻址通过计算Query与所有键的相似度来决定从对应值中取出多少,即由Query与Key的相似性来计算每个Value的权重,对所有Value进行加权求和的结果就是最终的Attention。
以上计算可以归纳为三个过程:
第三步:根据softmax归一化的结果计算Value的加权值。
在Transformer中使用的注意力机制是Scaled Dot-Product Attention,计算公式如下:
其中,分别代表查询向量Query,键Key和值Value,这里之间的映射采用常用的点积方式,这种方式能直接建立关系映射,计算速度更快,能够降低模型的复杂度;代表分数的调节银子,保证点积结果不至于过大。
多头注意力机制将网络分为多个子空间,可以关注不同层次的信息,相较于一般的注意力机制可以有效防止网络过拟合。
具体来说,空间交互特征作为多头注意力机制的K和V,轨迹时序特征作为查询向量Q,评估预测对象和周边智能体的关联程度,这本质上是一种空间软注意力机制,Attention加权作用在空间尺度上,通过对不同空间区域加权,计算场景上下文特征。其中场景上下文特征的计算公式如下:
700,对所述候选目标点集合以及场景上下文特征进行解码,输出预测目标的未来轨迹以及未来轨迹对应的概率值。
其中,结合图8,步骤700包括:
701,利用双层MLP和softmax层堆叠组成分类分支;
702,所述候选点目标集合以及场景上下文特征作为分类分支的输入,并由softmax层输出候选点目标集合对应的概率值;
703,利用双层MLP组成回归分支;
704,将所述候选点目标集合以及场景上下文特征作为回归分支的输入,输出预测目标的候选轨迹集合;
705,按照所述概率值由高到低对候选轨迹集合进行筛选,输出预测目标的未来轨迹。
分类损失函数基于交叉熵损失(Cross Entroy Loss)函数实现,由于有候选点目标集合作为先验条件,可以保证模型训练时不会发生模态坍缩。从中找到一个距离真实轨迹终点最近的候选目标点作为正确分类的标签,分类损失函数定位为:。
其中,(,)为预测目标每一帧的预测位置,是二元混合高斯分布的参数,表示预测轨迹在t时刻的位置,代表轨迹点的标准差,反映了每个轨迹点位置的不确定性,是相关系数,上述5个参数由输出维度为5的FC层对高维特征做线性变换得到;和为该预测目标在时刻t的真实轨迹位置,N为预测轨迹的数目,代表预测时长。
另外,为保证轨迹预测的多模态并将未来轨迹限制在合适的子集中,使用目标检测领域的非极大值抑制机制,按照概率值由高到低对回归分支生成的多条候选轨迹进行筛选,最终输出包含有K条未来轨迹的未来轨迹集合,其中是对候选轨迹进行非极大值抑制机制(NMS)筛选的阈值。
其中,步骤705具体包括:
另外,针对典型的城市交通场景进行可视化研究,进一步分析本申请中车辆轨迹预测方法的性能。为验证模型多模态轨迹预测的优越性,选取VectorNet单一轨迹预测方法以及无迹卡尔曼滤波(Unscented Kalman Filter,UKF)作为对比,针对城市路段和路口场景,分别比较三种模型的预测效果,minADE、minFDE和Recall对比如表1.2和表1.3所示。对于单一轨迹预测模型,认为minADE相当于ADE、minFDE相当于FDE。
根据结果显示,本申请的预测方法在路段场景和路口场景的预测精度和召回率都超过了其他模型,两种场景下UKF模型的预测误差相对较大,Tpred=3s时的minFDE分别为3.49m和5.28m,这说明UKF模型难以用于长时轨迹预测。
本申请的预测方法和VectorNet在不同场景下预测3s轨迹的指标对比如图9(a)和图9(b)所示,对于VectorNet模型,路段场景下的minFDE和Recall分别为2.03m和0.68,路口场景下的minFDE和Recall分别为3.90m和0.35,minFDE增长了92.1%,Recall降低了48.5%。而本申请的预测方法在路段场景下minFDE和Recall分别为1.67m和0.82,路口场景minFDE和Recall分别为2.13m和0.62,minFDE仅增长27.5%,Recall仅降低24.3%。这表明VectorNet这类单一轨迹预测方式缺少地图信息的引导与约束,复杂路口场景下的预测精度相对路段场景显著降低,难以可靠输出预测轨迹。而本申请的预测方法得益于结合车道拓扑结构进行轨迹预测,路口场景的精度损失较低。通过验证结果表明,本申请这种具有先验知识的轨迹预测方式不仅可以有效建模目标意图的不确定性,输出多条合理的未来轨迹,而且在城市路段和复杂路口等多种场景下都能保持较高的精度,鲁棒性更好。
基于上述面向城市场景下车辆轨迹预测方法,本实施例还公开了一种面向城市场景下车辆轨迹预测***。
作为车辆轨迹预测***的一种实施方式,如图10所示,包括:
意图预测模型,用于根据车道拓扑结构信息搜索预测目标周边一定范围内的车道序列,并从所述车道序列中提取预测目标的候选车道序列,得到候选目标点集合;
轨迹生成模型,轨迹生成模型包括:
空间交互模块,用于采用向量表示预测目标周边智能体的轨迹以及车道序列,并基于层级的网络结构提取预测目标的空间交互特征;
轨迹编码模块,用于获取预测目标的历史轨迹信息,并利用LSTM网络提取预测目标历史轨迹信息中的轨迹时序特征;
特征融合模块,用于对所述空间交互特征和轨迹时序特征进行交互融合,得到场景上下文特征;
轨迹输出模块,用于对所述候选目标点集合以及场景上下文特征进行解码,输出预测目标的未来轨迹以及未来轨迹对应的概率值。
需要说明的是,为了验证轨迹生成模型中各个模块的有效性,设计了消融实验。表1.4显示了只有空间交互模块、只有轨迹编码模块和完整结构的轨迹预测结果,预测时长为3s,NMS最终筛选3条轨迹(K=3)。消融实验结果显示,完整结构的模型具有最小的minADE和minFDE,预测精度明显高于单一模块,各个模块的有效性得到验证。
本申请实施例还公开了一种计算机可读存储介质,存储有能够被处理器加载并执行如上述中央摆渡车运行控制方法的计算机程序,该计算机可读存储介质例如包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (10)
1.一种面向城市场景下车辆轨迹预测方法,其特征在于,包括:
根据高精地图信息构建车道拓扑结构信息;
基于所述车道拓扑结构信息搜索预测目标周边一定范围内的车道序列;
从所述车道序列中提取预测目标的候选车道序列,得到候选目标点集合;
采用向量表示预测目标周边智能体的轨迹序列以及车道序列,并基于层级的网络结构提取预测目标的空间交互特征;
获取预测目标的历史轨迹信息,并利用LSTM网络提取预测目标历史轨迹信息中的轨迹时序特征;
对所述空间交互特征和轨迹时序特征进行交互融合,得到场景上下文特征;
对所述候选目标点集合以及场景上下文特征进行解码,输出预测目标的未来轨迹。
2.根据权利要求1所述的一种面向城市场景下车辆轨迹预测方法,其特征在于,所述基于所述车道拓扑结构信息搜索预测目标周边一定范围内的车道序列步骤,具体包括:
根据预测目标当前位置和朝向,获取预测目标当前所处或距离最近的车道,并将所述车道加入车道序列集合中;
以预测目标当前所处或距离最近的车道为起点,由高精地图信息提供的车道拓扑结构信息,搜索当前所处车道的左邻和右邻车道,并将所述左邻和右邻车道加入车道序列集合中;
以所述车道序列集合中的左邻和右邻车道为起点,搜索每个邻和右邻车道的后继车道并开始递归,直至车道的累计长度超过设定的搜索范围,并将所述后继车道加入车道序列集合中。
3.根据权利要求2所述的一种面向城市场景下车辆轨迹预测方法,其特征在于,所述从所述车道序列中提取预测目标的候选车道序列,得到候选目标点集合步骤,具体包括:
根据所述车道序列集合中所有的车道序列,等距采样获取车道中心线点集;
获取所述车道中心线点集中所有的车道中心线点与预测目标当前位置的欧式距离;
将所述欧式距离小于等于设定最大距离且大于等于设定最小距离的车道中心线点作为目标点,得到候选目标点集合。
5.根据权利要求1所述的一种面向城市场景下车辆轨迹预测方法,其特征在于:所述采用向量表示预测目标周边智能体的轨迹序列以及车道序列,并基于层级的网络结构提取预测目标的空间交互特征步骤,具体包括:
用向量表示预测目标周边智能体的轨迹序列以及车道序列;
将所述轨迹序列以及车道序列中的向量特征分别映射到高维空间,并在时间维度采用最大池化,得到对应的高阶特征向量;
利用图注意力网络对轨迹序列特征以及车道序列特征进行高阶交互,得到预测目标的空间交互特征;其中,所述轨迹序列特征以及车道序列特征为对应高阶特征向量的集合。
6.根据权利要求1所述的一种面向城市场景下车辆轨迹预测方法,其特征在于,所述获取预测目标的历史轨迹信息,并利用LSTM网络提取预测目标历史轨迹信息中的轨迹时序特征步骤,具体包括:
获取预测目标的历史轨迹信息;其中,预测目标的历史轨迹信息用位置、速度和航向角组成的多维特征向量表示;
将所述多维特征向量映射到高维空间,获得高维特征向量;
将所述高维特征向量输入LSTM网络,输出轨迹时序特征。
7.根据权利要求1所述的一种面向城市场景下车辆轨迹预测方法,其特征在于,所述对所述候选目标点集合以及场景上下文特征进行解码,输出预测目标的未来轨迹步骤,具体包括:
利用双层MLP和softmax层堆叠组成分类分支;
将所述候选目标点集合以及场景上下文特征作为分类分支的输入,并由softmax层输出候选目标点集合对应的概率值;
利用双层MLP组成回归分支;
将所述候选目标点集合以及场景上下文特征作为回归分支的输入,输出预测目标的候选轨迹集合;
按照所述概率值由高到低对候选轨迹集合进行筛选,输出预测目标的未来轨迹。
8.根据权利要求7所述的一种面向城市场景下车辆轨迹预测方法,其特征在于,所述按照所述概率值由高到低对预测目标的候选轨迹进行筛选,最终输出预测目标的未来轨迹步骤,具体包括:
按照所述概率值由高到低对候选轨迹集合中的候选轨迹排序;
从所述选轨迹集合选择概率值最大的候选轨迹加入未来轨迹集合,并将所述候选轨迹从候选轨迹集合中删除;
遍历所述候选轨迹集合中的剩余候选轨迹,计算剩余候选轨迹与概率值最大的候选轨迹的最终位移误差,在所述最终位移误差小于预设阈值的情况下,将对应的候选轨迹从候选轨迹集合中删除;
重复以上步骤,直至所述候选轨迹集合为空或者未来轨迹集合中的未来轨迹数量达到设定数量。
9.一种面向城市场景下车辆轨迹预测***,其特征在于,包括:
意图预测模型,用于根据车道拓扑结构信息搜索预测目标周边一定范围内的车道序列,并从所述车道序列中提取预测目标的候选车道序列,得到候选目标点集合;
轨迹生成模型,所述轨迹生成模型包括:
空间交互模块,用于采用向量表示预测目标周边智能体的轨迹以及车道序列,并基于层级的网络结构提取预测目标的空间交互特征;
轨迹编码模块,用于获取预测目标的历史轨迹信息,并利用LSTM网络提取预测目标历史轨迹信息中的轨迹时序特征;
特征融合模块,用于对所述空间交互特征和轨迹时序特征进行交互融合,得到场景上下文特征;
轨迹输出模块,用于对所述候选目标点集合以及场景上下文特征进行解码,输出预测目标的未来轨迹以及未来轨迹对应的概率值。
10.一种计算机可读存储介质,其特征在于:存储有能够被处理器加载并执行如权利要求1-8中任一种方法中的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210943631.1A CN115009275B (zh) | 2022-08-08 | 2022-08-08 | 面向城市场景下车辆轨迹预测方法、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210943631.1A CN115009275B (zh) | 2022-08-08 | 2022-08-08 | 面向城市场景下车辆轨迹预测方法、***及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115009275A CN115009275A (zh) | 2022-09-06 |
CN115009275B true CN115009275B (zh) | 2022-12-16 |
Family
ID=83065996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210943631.1A Active CN115009275B (zh) | 2022-08-08 | 2022-08-08 | 面向城市场景下车辆轨迹预测方法、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115009275B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341721B (zh) * | 2023-03-02 | 2023-10-31 | 石家庄铁道大学 | 一种基于车辆轨迹的运行目的地预测方法及*** |
CN116061973B (zh) * | 2023-03-15 | 2023-07-07 | 安徽蔚来智驾科技有限公司 | 车辆轨迹预测方法、控制装置、可读存储介质及车辆 |
CN116740664A (zh) * | 2023-05-19 | 2023-09-12 | 清华大学 | 一种轨迹预测方法和装置 |
CN117496476B (zh) * | 2024-01-02 | 2024-03-26 | 安徽蔚来智驾科技有限公司 | 路网生成方法、可读存储介质及智能设备 |
CN117493424B (zh) * | 2024-01-03 | 2024-03-22 | 湖南工程学院 | 一种不依赖地图信息的车辆轨迹预测方法 |
CN117698752B (zh) * | 2024-02-05 | 2024-05-14 | 苏州万集车联网技术有限公司 | 目标筛选方法和装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046919A (zh) * | 2019-11-21 | 2020-04-21 | 南京航空航天大学 | 一种融合行为意图的周围动态车辆轨迹预测***及方法 |
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 |
CN113657433A (zh) * | 2021-07-01 | 2021-11-16 | 华南理工大学 | 一种车辆轨迹多模态预测方法 |
CN113850363A (zh) * | 2020-06-25 | 2021-12-28 | 英特尔公司 | 将驾驶规范应用于自动车辆行为预测的技术 |
CN113954864A (zh) * | 2021-09-22 | 2022-01-21 | 江苏大学 | 一种融合周边车辆交互信息的智能汽车轨迹预测***及方法 |
CN113989330A (zh) * | 2021-11-03 | 2022-01-28 | 中国电信股份有限公司 | 车辆轨迹预测方法、装置、电子设备和可读存储介质 |
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 |
CN114372116A (zh) * | 2021-12-30 | 2022-04-19 | 华南理工大学 | 一种基于lstm和时空注意力机制的车辆轨迹预测方法 |
CN114802296A (zh) * | 2022-03-17 | 2022-07-29 | 浙江工业大学 | 一种基于动态交互图卷积的车辆轨迹预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12005892B2 (en) * | 2019-11-14 | 2024-06-11 | Nec Corporation | Simulating diverse long-term future trajectories in road scenes |
US12001958B2 (en) * | 2020-03-19 | 2024-06-04 | Nvidia Corporation | Future trajectory predictions in multi-actor environments for autonomous machine |
US11926347B2 (en) * | 2020-10-30 | 2024-03-12 | Waymo Llc | Conditional agent trajectory prediction |
CN113362367B (zh) * | 2021-07-26 | 2021-12-14 | 北京邮电大学 | 一种基于多精度交互的人群轨迹预测方法 |
-
2022
- 2022-08-08 CN CN202210943631.1A patent/CN115009275B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046919A (zh) * | 2019-11-21 | 2020-04-21 | 南京航空航天大学 | 一种融合行为意图的周围动态车辆轨迹预测***及方法 |
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 |
CN113850363A (zh) * | 2020-06-25 | 2021-12-28 | 英特尔公司 | 将驾驶规范应用于自动车辆行为预测的技术 |
CN113657433A (zh) * | 2021-07-01 | 2021-11-16 | 华南理工大学 | 一种车辆轨迹多模态预测方法 |
CN113954864A (zh) * | 2021-09-22 | 2022-01-21 | 江苏大学 | 一种融合周边车辆交互信息的智能汽车轨迹预测***及方法 |
CN113989330A (zh) * | 2021-11-03 | 2022-01-28 | 中国电信股份有限公司 | 车辆轨迹预测方法、装置、电子设备和可读存储介质 |
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 |
CN114372116A (zh) * | 2021-12-30 | 2022-04-19 | 华南理工大学 | 一种基于lstm和时空注意力机制的车辆轨迹预测方法 |
CN114802296A (zh) * | 2022-03-17 | 2022-07-29 | 浙江工业大学 | 一种基于动态交互图卷积的车辆轨迹预测方法 |
Non-Patent Citations (1)
Title |
---|
基于时间序列的目标车辆轨迹预测算法;孙影等;《汽车实用技术》;20200330(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115009275A (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115009275B (zh) | 面向城市场景下车辆轨迹预测方法、***及存储介质 | |
Messaoud et al. | Trajectory prediction for autonomous driving based on multi-head attention with joint agent-map representation | |
Messaoud et al. | Attention based vehicle trajectory prediction | |
Zyner et al. | Naturalistic driver intention and path prediction using recurrent neural networks | |
KR102001798B1 (ko) | 비디오 이해를 위한 모션-기반 어텐션에 의한 순환 네트워크들 | |
Narayanan et al. | Divide-and-conquer for lane-aware diverse trajectory prediction | |
Zhang et al. | Map-adaptive goal-based trajectory prediction | |
Xie et al. | Obstacle detection and tracking method for autonomous vehicle based on three-dimensional LiDAR | |
CN109885891A (zh) | 一种智能车gpu并行加速轨迹规划方法 | |
CN115071762B (zh) | 面向城市场景下行人轨迹预测方法、模型及存储介质 | |
Huang et al. | Conditional predictive behavior planning with inverse reinforcement learning for human-like autonomous driving | |
Sulistiyo et al. | Attribute-aware semantic segmentation of road scenes for understanding pedestrian orientations | |
Zeng et al. | Robust multivehicle tracking with wasserstein association metric in surveillance videos | |
KR20210118995A (ko) | 딥러닝 기반 자율주행차량의 유턴 경로 생성 방법 및 장치 | |
Kawasaki et al. | Multimodal trajectory predictions for autonomous driving without a detailed prior map | |
CN116050245A (zh) | 基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法与*** | |
Chen et al. | Social relation and physical lane aggregator: Integrating social and physical features for multimodal motion prediction | |
Zuo et al. | Trajectory prediction network of autonomous vehicles with fusion of historical interactive features | |
Kong et al. | Explicit points-of-interest driven Siamese transformer for 3D LiDAR place recognition in outdoor challenging environments | |
Tanaka et al. | Offline map matching using time-expanded graph for low-frequency data | |
CN116448134B (zh) | 基于风险场与不确定分析的车辆路径规划方法及装置 | |
Tian et al. | RSG-GCN: predicting semantic relationships in urban traffic scene with map geometric prior | |
WO2023135271A1 (en) | Motion prediction and trajectory generation for mobile agents | |
Chen et al. | Grid-based multi-object tracking with Siamese CNN based appearance edge and access region mechanism | |
Cui et al. | Ellipse loss for scene-compliant motion prediction |
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 |