CN115366919A - 一种轨迹预测方法、***、电子设备及存储介质 - Google Patents

Abstract

本申请提供一种轨迹预测方法、***、电子设备及存储介质，首先获取目标车辆；以及与目标车辆处于预设范围内的目标对象；然后根据目标车辆和目标对象相对于大地坐标系的位置坐标，确定目标车辆与目标对象的相对位置关系；再基于相对位置关系，确定目标对象相对于目标车辆的移动趋势；再根据当前道路信息以及目标对象相对于目标车辆的移动趋势，预测目标对象的目的地；最后对目标对象的历史移动轨迹点、当前位置点和预测目的地进行拟合，生成目标对象的预测路径轨迹。本申请可以先预测目标对象的移动意图，然后利用该意图结合道路信息推理生成目标对象的预测路径轨迹，帮助智能驾驶车辆更好地做出决策和动作，使得智能驾驶车辆整体更加拟人化。

Description

一种轨迹预测方法、***、电子设备及存储介质

技术领域

本申请涉及智能驾驶技术领域，具体涉及一种轨迹预测方法、***、电子设备及存储介质。

背景技术

在自动驾驶***运行中，行人目标是不得不关注的要素，尤其当智能驾驶车辆行驶在城区、街道等行人目标较多的路段，行人目标的动作具有不确定性，如果不能对行人目标的未来行走轨迹进行预测，那么当前智能驾驶车辆(或本车)就只能根据当前观测到的行人目标状态采取措施，这样做很可能会避之不及，例如对横穿车道的行人目标避让较晚。或者，做出了不必要的制动，例如对虽处于车道中但正在转弯的行人目标误制动。因此，需要对行人目标有一定的预判，这样可以帮助智能驾驶车辆更好地做出决策和动作，使得智能驾驶车辆整体更加拟人化。

发明内容

鉴于以上所述现有技术的缺点，本申请提供一种轨迹预测方法、***、电子设备及存储介质，以解决上述技术问题。

本申请提供一种轨迹预测方法，所述方法包括以下步骤：

获取预先或实时确定的车辆，作为目标车辆；以及，获取与所述目标车辆处于预设范围内的目标对象；

根据所述目标车辆相对于大地坐标系的位置坐标、所述目标对象相对于所述大地坐标系的位置坐标，确定所述目标车辆与所述目标对象的相对位置关系；

基于所述目标车辆与所述目标对象的相对位置关系，确定所述目标对象相对于所述目标车辆的移动趋势；

根据当前道路信息以及所述目标对象相对于所述目标车辆的移动趋势，预测所述目标对象的目的地；

对所述目标对象的历史移动轨迹点、所述目标对象的当前位置点和所述目标对象的预测目的地进行拟合，生成所述目标对象的预测路径轨迹。

于本申请的一实施例中，基于所述目标车辆与所述目标对象的相对位置关系，确定所述目标对象相对于所述目标车辆的移动趋势的过程包括：

基于所述相对位置关系获取所述目标对象在当前时刻相对于所述目标车辆的位置，记为第一位置；以及，

基于所述相对位置关系获取所述目标对象在上一时刻相对于所述目标车辆的位置信息，记为第二位置；

根据所述第一位置和所述第二位置，确定所述目标对象相对于所述目标车辆的移动趋势。

于本申请的一实施例中，根据所述第一位置和所述第二位置，确定所述目标对象相对于所述目标车辆的移动趋势的过程包括：

计算所述第一位置与所述目标车辆的距离，记为第一距离值；

计算所述第二位置与所述目标车辆的距离，记为第二距离值；

判断所述第一距离值是否小于所述第二距离值；

若所述第一距离值小于所述第二距离值，则所述目标对象相对于所述目标车辆的移动趋势为靠近所述目标车辆；

若所述第一距离值大于所述第二距离值，则所述目标对象相对于所述目标车辆的移动趋势为远离所述目标车辆；

若所述第一距离值等于所述第二距离值，则所述目标对象相对于所述目标车辆的移动趋势为静止。

于本申请的一实施例中，对所述目标对象的历史移动轨迹点、所述目标对象的当前位置点和所述目标对象的预测目的地进行拟合，生成所述目标对象的预测路径轨迹的过程包括：

对所述目标对象的历史移动轨迹点、所述目标对象的当前位置点和所述目标对象的预测目的地进行组合，生成待拟合点集；

对所述待拟合点集进行多次曲线拟合，生成预测路径线；

将横向移动作为关键步，并在所述目标对象按照横向速度移动至预设位置时，以拟合曲线的切线方向进行延伸，获取所述目标对象行驶距离，并将所述行驶距离平移至曲线上，得到与所述预测路径线对应的等效曲线移动点；

获取所有等效曲线移动点，并对所有等效曲线移动点进行连接，生成所述目标对象的预测路径轨迹。

于本申请的一实施例中，在生成待拟合点集后，所述方法还包括：

对所述待拟合点集中的历史移动轨迹点、当前位置点和预测目的地进行删减，调整所述待拟合点集，以使所述待拟合点集整体连续；或者，

对所述待拟合点集中的历史移动轨迹点、当前位置点和预测目的地进行插值，调整所述待拟合点集，以使所述待拟合点集整体连续。

于本申请的一实施例中，所述目标车辆包括以下至少之一：L0级驾驶车辆、L1级驾驶车辆、L2级驾驶车辆、L3级驾驶车辆、L4级驾驶车辆和L5级驾驶车辆。

于本申请的一实施例中，所述目标对象包括行人。

本申请还提供一种轨迹预测***，所述***包括有：

数据采集模块，用于获取预先或实时确定的车辆，作为目标车辆；以及，获取与所述目标车辆处于预设范围内的目标对象；

位置关系模块，用于根据所述目标车辆相对于大地坐标系的位置坐标、所述目标对象相对于所述大地坐标系的位置坐标，确定所述目标车辆与所述目标对象的相对位置关系；

移动趋势模块，用于根据所述目标车辆与所述目标对象的相对位置关系，确定所述目标对象相对于所述目标车辆的移动趋势；

目的地预测模块，用于根据当前道路信息以及所述目标对象相对于所述目标车辆的移动趋势，预测所述目标对象的目的地；

轨迹预测模块，用于对所述目标对象的历史移动轨迹点、所述目标对象的当前位置点和所述目标对象的预测目的地进行拟合，生成所述目标对象的预测路径轨迹。

本申请还提供一种电子设备，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如上述中任一项所述的轨迹预测方法。

本申请还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被计算机的处理器执行时，使计算机执行如上述中任一项所述的轨迹预测方法。

如上所述，本申请提供一种轨迹预测方法、***、电子设备及存储介质，具有以下有益效果：

本申请首先获取预先或实时确定的车辆，作为目标车辆；以及，获取与目标车辆处于预设范围内的目标对象；然后根据目标车辆相对于大地坐标系的位置坐标、目标对象相对于大地坐标系的位置坐标，确定目标车辆与目标对象的相对位置关系；再基于目标车辆与目标对象的相对位置关系，确定目标对象相对于目标车辆的移动趋势；再根据当前道路信息以及目标对象相对于目标车辆的移动趋势，预测目标对象的目的地；最后对目标对象的历史移动轨迹点、目标对象的当前位置点和目标对象的预测目的地进行拟合，生成目标对象的预测路径轨迹。由此可知，本申请可以先预测目标对象的移动意图，然后利用该意图结合道路信息推理生成目标对象的预测路径轨迹，从而可以对目标对象有一定的预判，帮助智能驾驶车辆更好地做出决策和动作，使得智能驾驶车辆整体更加拟人化。同时，本申请可以有效利用目标历史轨迹信息与道路信息，融合了专家规则和深度学习的优势，具有原型开发快速、性能可兜底、数据可闭环等特点。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术者来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为应用本申请中一个或多个实施例中技术方案的示例性***架构的示意图；

图2为本申请中一实施例提供的轨迹预测方法的流程示意图；

图3为本申请中一实施例提供的预测出的行人轨迹示意图；

图4为本申请中另一实施例提供的轨迹预测方法的流程示意图；

图5为本申请中一实施例提供的轨迹预测***的硬件结构示意图；

图6为适用于实现本申请中一个或多个实施例的电子设备的硬件结构示意图。

具体实施方式

以下将参照附图和优选实施例来说明本申请的实施方式，本领域技术人员可由本说明书中所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。应当理解，优选实施例仅为了说明本申请，而不是为了限制本申请的保护范围。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，遂图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

在下文描述中，探讨了大量细节，以提供对本申请实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情况下实施本申请的实施例是显而易见的，在其他实施例中，以方框图的形式而不是以细节的形式来示出公知的结构和设备，以避免使本申请的实施例难以理解。

图1示出了一种可以应用本申请中一个或多个实施例中技术方案的示例性***架构的示意图。如图1所示，***架构100可以包括终端设备110、网络120和服务器130。终端设备110可以包括智能手机、平板电脑、笔记本电脑、台式电脑等各种电子设备。服务器130可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式***，还可以是提供云计算服务的云服务器。网络120可以是能够在终端设备110和服务器130之间提供通信链路的各种连接类型的通信介质，例如可以是有线通信链路或者无线通信链路。

根据实现需要，本申请实施例中的***架构可以具有任意数目的终端设备、网络和服务器。例如，服务器130可以是由多个服务器设备组成的服务器群组。另外，本申请实施例提供的技术方案可以应用于终端设备110，也可以应用于服务器130，或者可以由终端设备110和服务器130共同实施，本申请对此不做特殊限定。

在本申请的一个实施例中，本申请的终端设备110或服务器130可以首先获取预先或实时确定的车辆，作为目标车辆；以及，获取与目标车辆处于预设范围内的目标对象；然后根据目标车辆相对于大地坐标系的位置坐标、目标对象相对于大地坐标系的位置坐标，确定目标车辆与目标对象的相对位置关系；再基于目标车辆与目标对象的相对位置关系，确定目标对象相对于目标车辆的移动趋势；再根据当前道路信息以及目标对象相对于目标车辆的移动趋势，预测目标对象的目的地；最后对目标对象的历史移动轨迹点、目标对象的当前位置点和目标对象的预测目的地进行拟合，生成目标对象的预测路径轨迹。利用终端设备110或服务器130执行轨迹预测方法，可以先预测目标对象的移动意图，然后利用该意图结合道路信息推理生成目标对象的预测路径轨迹，从而可以对目标对象有一定的预判，帮助智能驾驶车辆更好地做出决策和动作，使得智能驾驶车辆整体更加拟人化。同时，可以有效利用目标历史轨迹信息与道路信息，融合了专家规则和深度学习的优势，具有原型开发快速、性能可兜底、数据可闭环等特点。

以上部分介绍了应用本申请技术方案的示例性***架构的内容，接下来继续介绍本申请的轨迹预测方法。

图2示出了本申请一实施例提供的轨迹预测方法流程示意图。具体地，在一示例性实施例中，如图2所示，本实施例提供一种轨迹预测方法，该方法包括以下步骤：

S210，获取预先或实时确定的车辆，作为目标车辆；以及，获取与所述目标车辆处于预设范围内的目标对象。作为示例，本实施例中的目标车辆包括以下至少之一：L0级驾驶车辆、L1级驾驶车辆、L2级驾驶车辆、L3级驾驶车辆、L4级驾驶车辆和L5级驾驶车辆。本实施例中的目标对象包括行人、动物等。

S220，根据所述目标车辆相对于大地坐标系的位置坐标、所述目标对象相对于所述大地坐标系的位置坐标，确定所述目标车辆与所述目标对象的相对位置关系。具体地，本申请在确定所述目标车辆与所述目标对象的相对位置关系时，可以基于大地坐标系下的定位进行坐标同步转换。即首先获取到本车基于大地坐标系下的定位，然后将行人目标的基于自车坐标系下的横纵向距离，转换为行人目标基于大地坐标系的位置，后续还可以根据需要再将行人目标基于大地坐标系下的位置，转换为实时的基于自车的相对位置关系，便于计算相对位置。

S230，基于所述目标车辆与所述目标对象的相对位置关系，确定所述目标对象相对于所述目标车辆的移动趋势；

S240，根据当前道路信息以及所述目标对象相对于所述目标车辆的移动趋势，预测所述目标对象的目的地；

S250，对所述目标对象的历史移动轨迹点、所述目标对象的当前位置点和所述目标对象的预测目的地进行拟合，生成所述目标对象的预测路径轨迹。

由此可知，本实施例可以先预测目标对象的移动意图，然后利用该意图结合道路信息推理生成目标对象的预测路径轨迹，从而可以对目标对象有一定的预判，帮助智能驾驶车辆更好地做出决策和动作，使得智能驾驶车辆整体更加拟人化。同时，本实施例可以有效利用目标历史轨迹信息与道路信息，融合了专家规则和深度学习的优势，具有原型开发快速、性能可兜底、数据可闭环等特点。

在一示例性实施例中，步骤S230基于所述目标车辆与所述目标对象的相对位置关系，确定所述目标对象相对于所述目标车辆的移动趋势的过程包括：基于所述相对位置关系获取所述目标对象在当前时刻相对于所述目标车辆的位置，记为第一位置；以及，基于所述相对位置关系获取所述目标对象在上一时刻相对于所述目标车辆的位置信息，记为第二位置；根据所述第一位置和所述第二位置，确定所述目标对象相对于所述目标车辆的移动趋势。

其中，根据所述第一位置和所述第二位置，确定所述目标对象相对于所述目标车辆的移动趋势的过程包括：计算所述第一位置与所述目标车辆的距离，记为第一距离值；以及，计算所述第二位置与所述目标车辆的距离，记为第二距离值；判断所述第一距离值是否小于所述第二距离值；若所述第一距离值小于所述第二距离值，则所述目标对象相对于所述目标车辆的移动趋势为靠近所述目标车辆；若所述第一距离值大于所述第二距离值，则所述目标对象相对于所述目标车辆的移动趋势为远离所述目标车辆；若所述第一距离值等于所述第二距离值，则所述目标对象相对于所述目标车辆的移动趋势为静止。

由此可知，本实施例基于行人的历史轨迹信息，推理计算行人目标的历史移动趋势，首先计算一些统计量，如行人目标每时刻相对上一时刻是更靠近本车还是更偏离本车，分别进行计数，而后根据一定的统计规则和标定值，判断行人目标历史轨迹信息所表征的移动趋势是向本车靠近，还是偏离本车，或者处于静止，最后输出相应标志位。

在一示例性实施例中，步骤S250对所述目标对象的历史移动轨迹点、所述目标对象的当前位置点和所述目标对象的预测目的地进行拟合，生成所述目标对象的预测路径轨迹的过程包括：对所述目标对象的历史移动轨迹点、所述目标对象的当前位置点和所述目标对象的预测目的地进行组合，生成待拟合点集；对所述待拟合点集进行多次曲线拟合，生成预测路径线；将横向移动作为关键步，并在所述目标对象按照横向速度移动至预设位置时，以拟合曲线的切线方向进行延伸，获取所述目标对象行驶距离，并将所述行驶距离平移至曲线上，得到与所述预测路径线对应的等效曲线移动点；获取所有等效曲线移动点，并对所有等效曲线移动点进行连接，生成所述目标对象的预测路径轨迹。其中，行人轨迹的预测效果如图3所示。

由此可知，本实施例根据专家规则统计得出的行人目标历史移动趋势，预测行人目标目的地，结合道路信息，依据行人应该行驶于道路之外、道路中仅仅是穿越目的、并不常驻在道路中的原则思路，为行人预设终点。同时，本申请在得到预测路径线的基础上，利用以直线代曲线的思路，划分行人目标每时刻的位置，具体来说，以横向移动为关键步，在行人按照横向速度移动到某点后，以曲线的切线方向进行延伸，取行人综合速度行驶过的距离，然后平移至曲线上，得到等效曲线移动点，以此类推，形成一系列行人在曲线上行走留下的轨迹点，得到最终的行人目标轨迹预测点集。

在一示例性实施例中，在生成待拟合点集后，所述方法还包括：对所述待拟合点集中的历史移动轨迹点、当前位置点和预测目的地进行删减，调整所述待拟合点集，以使所述待拟合点集整体连续；或者，对所述待拟合点集中的历史移动轨迹点、当前位置点和预测目的地进行插值，调整所述待拟合点集，以使所述待拟合点集整体连续。

由此可知，本实施例将行人目标历史轨迹位置点、当前位置点以及预测目的地三类点组合成待拟合点集，同时通过删减或插值调整三类点集之间的数量，使得整体连续，同时兼具历史惯性、当前准确性和未来预测性，随后对点集进行三次曲线拟合，生成预测路径线。

在本申请另一示例性实施例中，如图4所示，本申请还提供一种轨迹预测方法，包括以下步骤：

第一步，首先深度学习模块，将会和专家规则模块分线程运行，输入为行人目标历史数帧的原始图像，按照20ms周期的约定时间不断输出行人目标的意图信号。其次是与专家规则融合，不断记录与更新行人目标历史轨迹，定义一个静态数组存储行人目标的一种状态信息如纵向距离，然后随着时序不断将静态数组循环移位，填充新的时刻行人目标的。在本实施例中，记录更新行为目标的位置和速度信息时，可以使用队列式数据格式进行滚动更新。

第二步，进行坐标同步转换，本实施例基于大地坐标系下的定位，首先获取到本车基于大地坐标系下的定位，然后将行人目标的基于自车坐标系下的横纵向距离，转换为行人目标基于大地坐标系的位置，后续还可以根据需要再将行人目标基于大地坐标系下的位置，转换为实时的基于自车的相对位置关系，便于计算相对位置。由于行人目标的感知是基于自车坐标系的，所以记录到的目标位置信息体现为相对自车的横纵向坐标，但这样一来，坐标系在随着本车运行而变化，不同时刻的信息不是处在同一坐标系下的，无法有效描述目标的历史序列，因此，需要进行坐标同步。而本实施例结合本车定位，可以利用大地坐标系进行行人目标的坐标同步。

第三步，基于行人的历史轨迹信息，推理计算行人目标的历史移动趋势，首先计算一些统计量，如行人目标每时刻相对上一时刻是更靠近本车还是更偏离本车，分别进行计数，而后根据一定的统计规则和标定值，判断行人目标历史轨迹信息所表征的移动趋势是向本车靠近，还是偏离本车，或者处于静止，最后输出相应标志位。相当于本实施例可以根据历史轨迹信息，判断目标的历史移动趋势，移动趋势的判断主要是基于历史轨迹中的位置信息，以及与本车未来行驶参考线的相对距离变化，统计历史轨迹上的变化趋势，根据统计特征量判断移动趋势，包括静止、向本车参考线侵入、远离本车参考线等。

第四步，根据深度学习模块输出的行人目标预测移动意图，以及根据专家规则统计得出的行人目标历史移动趋势，预测行人目标目的地，结合道路信息，依据行人应该行驶于道路之外、道路中仅仅是穿越目的、并不常驻在道路中的原则思路，为行人预设终点。即本实施例通过深度学习输出的行人目标移动意图和之前步骤得到的行人目标历史移动趋势，结合道路信息，预测行人目标的终点。终点的确定可以基于一些专家规则逻辑推理，例如若发现行人目标向本车移动，那么行人目标的终点应该是越过本车之后的车道边缘或路沿。

第五步，将行人目标历史轨迹位置点、当前位置点以及预测目的地三类点组合成待拟合点集，同时通过删减或插值调整三类点集之间的数量，使得整体连续，同时兼具历史惯性、当前准确性和未来预测性，随后对点集进行三次曲线拟合，生成预测路径线。

第六步，在上一步骤得到的预测路径线上，本实施例利用以直线代曲线的思路，划分行人目标每时刻的位置，具体来说，例如以横向移动为关键步，先使行人按照横向速度移动到某点，然后以切线方向延伸，取行人综合速度行驶过的距离，然后平移至曲线上，得到等效曲线移动点，以此类推，形成一系列行人在曲线上行走留下的轨迹点，得到最终的行人目标轨迹预测点集。即本实施例在得到预测轨迹线的基础上，可以通过以直代曲的微分处理方式，按照行人的速度划分出行人每时刻走到的位置点，每时刻走到的点即为预测该时间的位置点，最终得到行人目标未来8s时间每0.1s时刻的预测轨迹点集。其中，行人轨迹的预测效果如图3所示。

由此可知，本实施例基本思路可以分为两个部分，第一部分是利用深度学习模型预测行人目标的移动意图，第二部分是利用该意图结合道路信息推理生成行人目标的预测轨迹。其中，主要算法步骤为：首先，从深度学习算法模块输出行人目标的移动意图，该意图可以定义为一个二分类，即向本车移动意图和远离本车移动。其次是专家规则部分，用于推理生成预测轨迹。所以，本实施例基于专家规则与深度学习算法组合的方式，有效利用目标历史轨迹信息与道路信息，融合了专家规则和深度学习的优势，具有原型开发快速、性能可兜底、数据可闭环等特点。

综上所述，本申请提供一种轨迹预测方法，首先获取预先或实时确定的车辆，作为目标车辆；以及，获取与目标车辆处于预设范围内的目标对象；然后根据目标车辆相对于大地坐标系的位置坐标、目标对象相对于大地坐标系的位置坐标，确定目标车辆与目标对象的相对位置关系；再基于目标车辆与目标对象的相对位置关系，确定目标对象相对于目标车辆的移动趋势；再根据当前道路信息以及目标对象相对于目标车辆的移动趋势，预测目标对象的目的地；最后对目标对象的历史移动轨迹点、目标对象的当前位置点和目标对象的预测目的地进行拟合，生成目标对象的预测路径轨迹。由此可知，本方法可以先预测目标对象的移动意图，然后利用该意图结合道路信息推理生成目标对象的预测路径轨迹，从而可以对目标对象有一定的预判，帮助智能驾驶车辆更好地做出决策和动作，使得智能驾驶车辆整体更加拟人化。同时，本方法可以有效利用目标历史轨迹信息与道路信息，融合了专家规则和深度学习的优势，具有原型开发快速、性能可兜底、数据可闭环等特点。

如图5所示，本申请还提供一种轨迹预测***，所述***包括有：

数据采集模块510，用于获取预先或实时确定的车辆，作为目标车辆；以及，获取与所述目标车辆处于预设范围内的目标对象。作为示例，本实施例中的目标车辆包括以下至少之一：L0级驾驶车辆、L1级驾驶车辆、L2级驾驶车辆、L3级驾驶车辆、L4级驾驶车辆和L5级驾驶车辆。本实施例中的目标对象包括行人、动物等。

位置关系模块520，用于根据所述目标车辆相对于大地坐标系的位置坐标、所述目标对象相对于所述大地坐标系的位置坐标，确定所述目标车辆与所述目标对象的相对位置关系。具体地，本申请在确定所述目标车辆与所述目标对象的相对位置关系时，可以基于大地坐标系下的定位进行坐标同步转换。即首先获取到本车基于大地坐标系下的定位，然后将行人目标的基于自车坐标系下的横纵向距离，转换为行人目标基于大地坐标系的位置，后续还可以根据需要再将行人目标基于大地坐标系下的位置，转换为实时的基于自车的相对位置关系，便于计算相对位置。

移动趋势模块530，用于根据所述目标车辆与所述目标对象的相对位置关系，确定所述目标对象相对于所述目标车辆的移动趋势；

目的地预测模块540，用于根据当前道路信息以及所述目标对象相对于所述目标车辆的移动趋势，预测所述目标对象的目的地；

轨迹预测模块550，用于对所述目标对象的历史移动轨迹点、所述目标对象的当前位置点和所述目标对象的预测目的地进行拟合，生成所述目标对象的预测路径轨迹。

由此可知，本实施例可以先预测目标对象的移动意图，然后利用该意图结合道路信息推理生成目标对象的预测路径轨迹，从而可以对目标对象有一定的预判，帮助智能驾驶车辆更好地做出决策和动作，使得智能驾驶车辆整体更加拟人化。同时，本实施例可以有效利用目标历史轨迹信息与道路信息，融合了专家规则和深度学习的优势，具有原型开发快速、性能可兜底、数据可闭环等特点。

在一示例性实施例中，移动趋势模块530基于所述目标车辆与所述目标对象的相对位置关系，确定所述目标对象相对于所述目标车辆的移动趋势的过程包括：基于所述相对位置关系获取所述目标对象在当前时刻相对于所述目标车辆的位置，记为第一位置；以及，基于所述相对位置关系获取所述目标对象在上一时刻相对于所述目标车辆的位置信息，记为第二位置；根据所述第一位置和所述第二位置，确定所述目标对象相对于所述目标车辆的移动趋势。

其中，根据所述第一位置和所述第二位置，确定所述目标对象相对于所述目标车辆的移动趋势的过程包括：计算所述第一位置与所述目标车辆的距离，记为第一距离值；以及，计算所述第二位置与所述目标车辆的距离，记为第二距离值；判断所述第一距离值是否小于所述第二距离值；若所述第一距离值小于所述第二距离值，则所述目标对象相对于所述目标车辆的移动趋势为靠近所述目标车辆；若所述第一距离值大于所述第二距离值，则所述目标对象相对于所述目标车辆的移动趋势为远离所述目标车辆；若所述第一距离值等于所述第二距离值，则所述目标对象相对于所述目标车辆的移动趋势为静止。

由此可知，本实施例基于行人的历史轨迹信息，推理计算行人目标的历史移动趋势，首先计算一些统计量，如行人目标每时刻相对上一时刻是更靠近本车还是更偏离本车，分别进行计数，而后根据一定的统计规则和标定值，判断行人目标历史轨迹信息所表征的移动趋势是向本车靠近，还是偏离本车，或者处于静止，最后输出相应标志位。

在一示例性实施例中，轨迹预测模块550对所述目标对象的历史移动轨迹点、所述目标对象的当前位置点和所述目标对象的预测目的地进行拟合，生成所述目标对象的预测路径轨迹的过程包括：对所述目标对象的历史移动轨迹点、所述目标对象的当前位置点和所述目标对象的预测目的地进行组合，生成待拟合点集；对所述待拟合点集进行多次曲线拟合，生成预测路径线；将横向移动作为关键步，并在所述目标对象按照横向速度移动至预设位置时，以拟合曲线的切线方向进行延伸，获取所述目标对象行驶距离，并将所述行驶距离平移至曲线上，得到与所述预测路径线对应的等效曲线移动点；获取所有等效曲线移动点，并对所有等效曲线移动点进行连接，生成所述目标对象的预测路径轨迹。其中，行人轨迹的预测效果如图3所示。

由此可知，本实施例根据专家规则统计得出的行人目标历史移动趋势，预测行人目标目的地，结合道路信息，依据行人应该行驶于道路之外、道路中仅仅是穿越目的、并不常驻在道路中的原则思路，为行人预设终点。同时，本申请在得到预测路径线的基础上，利用以直线代曲线的思路，划分行人目标每时刻的位置，具体来说，以横向移动为关键步，在行人按照横向速度移动到某点后，以曲线的切线方向进行延伸，取行人综合速度行驶过的距离，然后平移至曲线上，得到等效曲线移动点，以此类推，形成一系列行人在曲线上行走留下的轨迹点，得到最终的行人目标轨迹预测点集。

在一示例性实施例中，在生成待拟合点集后，所述方法还包括：对所述待拟合点集中的历史移动轨迹点、当前位置点和预测目的地进行删减，调整所述待拟合点集，以使所述待拟合点集整体连续；或者，对所述待拟合点集中的历史移动轨迹点、当前位置点和预测目的地进行插值，调整所述待拟合点集，以使所述待拟合点集整体连续。

由此可知，本实施例将行人目标历史轨迹位置点、当前位置点以及预测目的地三类点组合成待拟合点集，同时通过删减或插值调整三类点集之间的数量，使得整体连续，同时兼具历史惯性、当前准确性和未来预测性，随后对点集进行三次曲线拟合，生成预测路径线。

需要说明的是，上述实施例所提供轨迹预测***与上述实施例所提供的轨迹预测方法属于同一构思，其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。上述实施例所提供的轨迹预测***在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将***的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能，本处也不对此进行限制。

在本申请另一示例性实施例中，本申请还提供一种轨迹预测***，用于执行以下步骤：

第一步，首先深度学习模块，将会和专家规则模块分线程运行，输入为行人目标历史数帧的原始图像，按照20ms周期的约定时间不断输出行人目标的意图信号。其次是与专家规则融合，不断记录与更新行人目标历史轨迹，定义一个静态数组存储行人目标的一种状态信息如纵向距离，然后随着时序不断将静态数组循环移位，填充新的时刻行人目标的。在本实施例中，记录更新行为目标的位置和速度信息时，可以使用队列式数据格式进行滚动更新。

第二步，进行坐标同步转换，本实施例基于大地坐标系下的定位，首先获取到本车基于大地坐标系下的定位，然后将行人目标的基于自车坐标系下的横纵向距离，转换为行人目标基于大地坐标系的位置，后续还可以根据需要再将行人目标基于大地坐标系下的位置，转换为实时的基于自车的相对位置关系，便于计算相对位置。由于行人目标的感知是基于自车坐标系的，所以记录到的目标位置信息体现为相对自车的横纵向坐标，但这样一来，坐标系在随着本车运行而变化，不同时刻的信息不是处在同一坐标系下的，无法有效描述目标的历史序列，因此，需要进行坐标同步。而本实施例结合本车定位，可以利用大地坐标系进行行人目标的坐标同步。

第三步，基于行人的历史轨迹信息，推理计算行人目标的历史移动趋势，首先计算一些统计量，如行人目标每时刻相对上一时刻是更靠近本车还是更偏离本车，分别进行计数，而后根据一定的统计规则和标定值，判断行人目标历史轨迹信息所表征的移动趋势是向本车靠近，还是偏离本车，或者处于静止，最后输出相应标志位。相当于本实施例可以根据历史轨迹信息，判断目标的历史移动趋势，移动趋势的判断主要是基于历史轨迹中的位置信息，以及与本车未来行驶参考线的相对距离变化，统计历史轨迹上的变化趋势，根据统计特征量判断移动趋势，包括静止、向本车参考线侵入、远离本车参考线等。

第四步，根据深度学习模块输出的行人目标预测移动意图，以及根据专家规则统计得出的行人目标历史移动趋势，预测行人目标目的地，结合道路信息，依据行人应该行驶于道路之外、道路中仅仅是穿越目的、并不常驻在道路中的原则思路，为行人预设终点。即本实施例通过深度学习输出的行人目标移动意图和之前步骤得到的行人目标历史移动趋势，结合道路信息，预测行人目标的终点。终点的确定可以基于一些专家规则逻辑推理，例如若发现行人目标向本车移动，那么行人目标的终点应该是越过本车之后的车道边缘或路沿。

第五步，将行人目标历史轨迹位置点、当前位置点以及预测目的地三类点组合成待拟合点集，同时通过删减或插值调整三类点集之间的数量，使得整体连续，同时兼具历史惯性、当前准确性和未来预测性，随后对点集进行三次曲线拟合，生成预测路径线。

第六步，在上一步骤得到的预测路径线上，本实施例利用以直线代曲线的思路，划分行人目标每时刻的位置，具体来说，例如以横向移动为关键步，先使行人按照横向速度移动到某点，然后以切线方向延伸，取行人综合速度行驶过的距离，然后平移至曲线上，得到等效曲线移动点，以此类推，形成一系列行人在曲线上行走留下的轨迹点，得到最终的行人目标轨迹预测点集。即本实施例在得到预测轨迹线的基础上，可以通过以直代曲的微分处理方式，按照行人的速度划分出行人每时刻走到的位置点，每时刻走到的点即为预测该时间的位置点，最终得到行人目标未来8s时间每0.1s时刻的预测轨迹点集。其中，行人轨迹的预测效果如图3所示。

由此可知，本实施例基本思路可以分为两个部分，第一部分是利用深度学习模型预测行人目标的移动意图，第二部分是利用该意图结合道路信息推理生成行人目标的预测轨迹。其中，主要算法步骤为：首先，从深度学习算法模块输出行人目标的移动意图，该意图可以定义为一个二分类，即向本车移动意图和远离本车移动。其次是专家规则部分，用于推理生成预测轨迹。所以，本实施例基于专家规则与深度学习算法组合的方式，有效利用目标历史轨迹信息与道路信息，融合了专家规则和深度学习的优势，具有原型开发快速、性能可兜底、数据可闭环等特点。

综上所述，本申请提供一种轨迹预测***，首先获取预先或实时确定的车辆，作为目标车辆；以及，获取与目标车辆处于预设范围内的目标对象；然后根据目标车辆相对于大地坐标系的位置坐标、目标对象相对于大地坐标系的位置坐标，确定目标车辆与目标对象的相对位置关系；再基于目标车辆与目标对象的相对位置关系，确定目标对象相对于目标车辆的移动趋势；再根据当前道路信息以及目标对象相对于目标车辆的移动趋势，预测目标对象的目的地；最后对目标对象的历史移动轨迹点、目标对象的当前位置点和目标对象的预测目的地进行拟合，生成目标对象的预测路径轨迹。由此可知，本***可以先预测目标对象的移动意图，然后利用该意图结合道路信息推理生成目标对象的预测路径轨迹，从而可以对目标对象有一定的预判，帮助智能驾驶车辆更好地做出决策和动作，使得智能驾驶车辆整体更加拟人化。同时，本***可以有效利用目标历史轨迹信息与道路信息，融合了专家规则和深度学习的优势，具有原型开发快速、性能可兜底、数据可闭环等特点。

本申请的实施例还提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现上述各个实施例中提供的轨迹预测方法。

图6示出了适于用来实现本申请实施例的电子设备的计算机***的结构示意图。需要说明的是，图6示出的电子设备的计算机***1000仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机***1000包括中央处理单元(Central Processing Unit，CPU)1001，其可以根据存储在只读存储器(Read-Only Memory，ROM)1002中的程序或者从储存部分1008加载到随机访问存储器(Random Access Memory，RAM)1003中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 1003中，还存储有***操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(Input/Output，I/O)接口1005也连接至总线1004。

以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分1007；包括硬盘等的储存部分1008；以及包括诸如LAN(Local AreaNetwork，局域网)卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入储存部分1008。

特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时，执行本申请的***中限定的各种功能。

需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

本申请的另一方面还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机的处理器执行时，使计算机执行如前所述的轨迹预测方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中。

本申请的另一方面还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各个实施例中提供的轨迹预测方法。

上述实施例仅示例性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，但凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。

Claims (10)

1.一种轨迹预测方法，其特征在于，所述方法包括以下步骤：

获取预先或实时确定的车辆，作为目标车辆；以及，获取与所述目标车辆处于预设范围内的目标对象；

根据所述目标车辆相对于大地坐标系的位置坐标、所述目标对象相对于所述大地坐标系的位置坐标，确定所述目标车辆与所述目标对象的相对位置关系；

基于所述目标车辆与所述目标对象的相对位置关系，确定所述目标对象相对于所述目标车辆的移动趋势；

根据当前道路信息以及所述目标对象相对于所述目标车辆的移动趋势，预测所述目标对象的目的地；

对所述目标对象的历史移动轨迹点、所述目标对象的当前位置点和所述目标对象的预测目的地进行拟合，生成所述目标对象的预测路径轨迹。

2.根据权利要求1所述的轨迹预测方法，其特征在于，基于所述目标车辆与所述目标对象的相对位置关系，确定所述目标对象相对于所述目标车辆的移动趋势的过程包括：

基于所述相对位置关系获取所述目标对象在当前时刻相对于所述目标车辆的位置，记为第一位置；以及，

基于所述相对位置关系获取所述目标对象在上一时刻相对于所述目标车辆的位置信息，记为第二位置；

根据所述第一位置和所述第二位置，确定所述目标对象相对于所述目标车辆的移动趋势。

3.根据权利要求2所述的轨迹预测方法，其特征在于，根据所述第一位置和所述第二位置，确定所述目标对象相对于所述目标车辆的移动趋势的过程包括：

计算所述第一位置与所述目标车辆的距离，记为第一距离值；

计算所述第二位置与所述目标车辆的距离，记为第二距离值；

判断所述第一距离值是否小于所述第二距离值；

若所述第一距离值小于所述第二距离值，则所述目标对象相对于所述目标车辆的移动趋势为靠近所述目标车辆；

若所述第一距离值大于所述第二距离值，则所述目标对象相对于所述目标车辆的移动趋势为远离所述目标车辆；

若所述第一距离值等于所述第二距离值，则所述目标对象相对于所述目标车辆的移动趋势为静止。

4.根据权利要求1至3中任一所述的轨迹预测方法，其特征在于，对所述目标对象的历史移动轨迹点、所述目标对象的当前位置点和所述目标对象的预测目的地进行拟合，生成所述目标对象的预测路径轨迹的过程包括：

对所述目标对象的历史移动轨迹点、所述目标对象的当前位置点和所述目标对象的预测目的地进行组合，生成待拟合点集；

对所述待拟合点集进行多次曲线拟合，生成预测路径线；

将横向移动作为关键步，并在所述目标对象按照横向速度移动至预设位置时，以拟合曲线的切线方向进行延伸，获取所述目标对象行驶距离，并将所述行驶距离平移至曲线上，得到与所述预测路径线对应的等效曲线移动点；

获取所有等效曲线移动点，并对所有等效曲线移动点进行连接，生成所述目标对象的预测路径轨迹。

5.根据权利要求4所述的轨迹预测方法，其特征在于，在生成待拟合点集后，所述方法还包括：

对所述待拟合点集中的历史移动轨迹点、当前位置点和预测目的地进行删减，调整所述待拟合点集，以使所述待拟合点集整体连续；或者，

对所述待拟合点集中的历史移动轨迹点、当前位置点和预测目的地进行插值，调整所述待拟合点集，以使所述待拟合点集整体连续。

6.根据权利要求1所述的轨迹预测方法，其特征在于，所述目标车辆包括以下至少之一：L0级驾驶车辆、L1级驾驶车辆、L2级驾驶车辆、L3级驾驶车辆、L4级驾驶车辆和L5级驾驶车辆。

7.根据权利要求1所述的轨迹预测方法，其特征在于，所述目标对象包括行人。

8.一种轨迹预测***，其特征在于，所述***包括有：

数据采集模块，用于获取预先或实时确定的车辆，作为目标车辆；以及，获取与所述目标车辆处于预设范围内的目标对象；

位置关系模块，用于根据所述目标车辆相对于大地坐标系的位置坐标、所述目标对象相对于所述大地坐标系的位置坐标，确定所述目标车辆与所述目标对象的相对位置关系；

移动趋势模块，用于根据所述目标车辆与所述目标对象的相对位置关系，确定所述目标对象相对于所述目标车辆的移动趋势；

目的地预测模块，用于根据当前道路信息以及所述目标对象相对于所述目标车辆的移动趋势，预测所述目标对象的目的地；

轨迹预测模块，用于对所述目标对象的历史移动轨迹点、所述目标对象的当前位置点和所述目标对象的预测目的地进行拟合，生成所述目标对象的预测路径轨迹。

9.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如权利要求1至7中任一项所述的轨迹预测方法。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，当所述计算机程序被计算机的处理器执行时，使计算机执行如权利要求1至7中任一项所述的轨迹预测方法。

Images