CN115761702B - 车辆轨迹生成方法、装置、电子设备和计算机可读介质 - Google Patents

Abstract

本公开的实施例公开了车辆轨迹生成方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取前视图像信息；确定当前车辆对应的鸟瞰图融合信息；对前视图像信息进行图像特征提取，以生成图像特征向量；对图像特征向量和鸟瞰图融合信息进行特征融合，以生成融合特征向量；通过预先训练的车辆位置预测模型中的自注意力编码网络，对融合特征向量进行向量编码，以生成上下文特征向量；通过车辆位置预测模型中的自注意力解码网络，对上下文特征向量进行向量解码，以生成位置增量值序列；根据位置增量值序列，确定当前车辆周围的障碍物的预测行进轨迹。该实施方式实现了对车辆轨迹的准确预测，侧面保证了车辆的行驶安全性。

Description

车辆轨迹生成方法、装置、电子设备和计算机可读介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及车辆轨迹生成方法、装置、电子设备和计算机可读介质。

背景技术

车辆汇入是指车辆从当前车道汇入临近车道的行为。在实际的车辆行驶过程中所发生的很多危险场景，均与车辆突然汇入有关。目前，常见的车辆辅助驾驶***在进行车辆汇入判定时，通常采用的方式为：基于车辆的行为特征（如，车辆距离车道的距离）进行行为分类，以确定车辆是否要进行车辆汇入。

然而，发明人发现，当采用上述方式时，经常会存在如下技术问题：

第一，当前所采用的行为特征未能精准描述当前行驶环境下的车辆之间的交互关系，使得无法有效判定车辆是否要进行车辆汇入，从而影响行车安全性；

第二，现有的分类器对于时序型信息的处理能力较差，使得难以有效地基于时序类型信息进行车辆汇入的判断，从而影响行车安全性。

该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了车辆轨迹生成方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种车辆轨迹生成方法，该方法包括：获取前视图像信息，其中，上述前视图像信息是当前车辆的前视摄像头采集得到的图像信息；确定上述当前车辆对应的鸟瞰图融合信息，其中，上述鸟瞰图融合信息表征鸟瞰视角下的上述当前车辆的车辆周围环境情况；对上述前视图像信息进行图像特征提取，以生成图像特征向量；对上述图像特征向量和上述鸟瞰图融合信息进行特征融合，以生成融合特征向量；通过预先训练的车辆位置预测模型中的自注意力编码网络，对上述融合特征向量进行向量编码，以生成上下文特征向量；通过上述车辆位置预测模型中的自注意力解码网络，对上述上下文特征向量进行向量解码，以生成位置增量值序列；根据上述位置增量值序列，确定上述当前车辆周围的障碍物的预测行进轨迹。

第二方面，本公开的一些实施例提供了一种车辆轨迹生成装置，装置包括：获取单元，被配置成获取前视图像信息，其中，上述前视图像信息是当前车辆的前视摄像头采集得到的图像信息；第一确定单元，被配置成确定上述当前车辆对应的鸟瞰图融合信息，其中，上述鸟瞰图融合信息表征鸟瞰视角下的上述当前车辆的车辆周围环境情况；图像特征提取单元，被配置成对上述前视图像信息进行图像特征提取，以生成图像特征向量；特征融合单元，被配置成对上述图像特征向量和上述鸟瞰图融合信息进行特征融合，以生成融合特征向量；向量编码单元，被配置成通过预先训练的车辆位置预测模型中的自注意力编码网络，对上述融合特征向量进行向量编码，以生成上下文特征向量；向量解码单元，被配置成通过上述车辆位置预测模型中的自注意力解码网络，对上述上下文特征向量进行向量解码，以生成位置增量值序列；第二确定单元，被配置成根据上述位置增量值序列，确定上述当前车辆周围的障碍物的预测行进轨迹。

第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的车辆轨迹生成方法，保证了行车安全性。具体来说，造成行车安全性较低的原因在于：当前所采用的行为特征未能精准描述当前行驶环境下的车辆之间的交互关系，使得无法有效判定车辆是否要进行车辆汇入，从而影响行车安全性。基于此，本公开的一些实施例的车辆轨迹生成方法，首先，获取前视图像信息，其中，上述前视图像信息是当前车辆的前视摄像头采集得到的图像信息。接着，确定上述当前车辆对应的鸟瞰图融合信息，其中，上述鸟瞰图融合信息表征鸟瞰视角下的上述当前车辆的车辆周围环境情况。通过确定鸟瞰图融合信息，可以确定当前车辆的车辆周围环境情况，以此确定当前行驶环境下，当前车辆和周围车辆之间的交互关系。进一步，对上述前视图像信息进行图像特征提取，以生成图像特征向量。此外，对上述图像特征向量和上述鸟瞰图融合信息进行特征融合，以生成融合特征向量。以此将图像对应的特征向量和鸟瞰图融合信息进行组合。进一步，通过预先训练的车辆位置预测模型中的自注意力编码网络，对上述融合特征向量进行向量编码，以生成上下文特征向量。除此之外，通过上述车辆位置预测模型中的自注意力解码网络，对上述上下文特征向量进行向量解码，以生成位置增量值序列。从而确定当前车辆周围的车辆的位置变化情况。最后，根据上述位置增量值序列，确定上述当前车辆周围的障碍物的预测行进轨迹。通过此种方式实现了对车辆轨迹的准确预测，以此可以根据车辆轨迹判定车辆是否进行车辆汇入，侧面保证了车辆的行驶安全性。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是根据本公开的车辆轨迹生成方法的一些实施例的流程图；

图2是车辆位置预测模型对应的数据流向示意图；

图3是根据本公开的车辆轨迹生成装置的一些实施例的结构示意图；

图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

参考图1，示出了根据本公开的车辆轨迹生成方法的一些实施例的流程100。该车辆轨迹生成方法，包括以下步骤：

步骤101，获取前视图像信息。

在一些实施例中，车辆轨迹生成方法的执行主体（例如，计算设备）可以通过有线连接或无线连接的方式，获取上述前视图像信息。其中，上述前视图像信息可以是当前车辆的前视摄像头采集得到的图像信息。实践中，上述前视摄像头可以设置于上述当前车辆的前方。例如，上述前视摄像头可以是但不限于：前进气格栅处设置的摄像头，前挡风玻璃处设置的摄像头。

需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB（ultra wideband）连接、以及其他现在已知或将来开发的无线连接方式。

需要说明的是，上述计算设备可以是硬件，也可以是软件。当计算设备为硬件时可以实现单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如单个软件或软件模块。在此不做具体限定。

步骤102，确定当前车辆对应的鸟瞰图融合信息。

在一些实施例中，上述执行主体可以确定当前车辆对应的鸟瞰图融合信息。其中，鸟瞰图融合信息表征鸟瞰视角下的上述当前车辆的车辆周围环境情况。

作为示例，首先，上述执行主体可以通过V2V（Vehicle-to-Vehicle）通信，确定上述当前车辆周围的车辆，以得到障碍物坐标序列。其中，障碍物坐标序列中的障碍物坐标表征上述当前车辆周围的其他车辆的坐标。接着，对上述障碍物坐标序列中的障碍物坐标进行坐标转换，以生成自车坐标系下的车辆坐标，得到车辆坐标序列。其中，自车坐标系是指以上述当前车辆为原点、以上述当前车辆的行驶方向为Y轴、以与对面垂直且指向车顶的方向为Z轴、以面向当前车辆的行驶方向且右手所指方向为X轴的坐标系。最后，将上述车辆坐标系映射至当前车辆行驶的区域对应的高精度地图内，已得到上述鸟瞰图融合信息。

在一些实施例的一些可选的实现方式中，上述执行主体确定当前车辆对应的鸟瞰图融合信息，可以包括以下步骤：

第一步，获取上述当前车辆上设置的激光雷达采集的、上述当前车辆周围的点云数据。

第二步，对上述点云数据进行障碍物识别，以生成障碍物轨迹信息。

其中，障碍物轨迹信息包括障碍物在连续时间段内的至少一个位置坐标。

作为示例，首先，上述执行主体可以对上述点云数据进行离群点剔除。然后，上述执行主体可以对离群点剔除后的点云数据进行噪声数据剔除。接着，上述执行主体可以对噪声数据剔除后的点云数据进行体素化处理。进一步，对体素化处理后的电源数据进行聚簇处理，以生成至少一个障碍物坐标，作为上述障碍轨迹信息。

实践中，障碍物信息可以对应至少一个障碍物在连续时间段内的至少一个位置坐标，例如：障碍物信息可以是：，其中，/>表示障碍物信息。/>表示障碍物在连续时间段内的至少一个位置坐标。/>表示第一个障碍物对应的至少一个位置坐标。/>表示第2个障碍物对应的至少一个位置坐标。/>表示第3个障碍物对应的至少一个位置坐标。/>表示第/>个障碍物对应的至少一个位置坐标。

例如，障碍物在连续时间段内的至少一个位置坐标可以是：

，/>表示横坐标。/>表示纵坐标。/>表示0时刻的障碍物对应位置的横坐标。/>表示0时刻的障碍物对应位置的纵坐标。/>表示1时刻的障碍物对应位置的横坐标。/>表示1时刻的障碍物对应位置的纵坐标。/>表示/>时刻的障碍物对应位置的横坐标。/>表示/>时刻的障碍物对应位置的纵坐标。

第三步，根据上述当前车辆周围的至少一个车道线信息，生成地图环境信息。

其中，车道线信息包括车道线对应的至少一个形点、在自车坐标系下的坐标。实践中，形点可以是车道线的边缘上的点。例如，车道线信息可以是：，其中，/>表示车道线信息。/>表示横坐标。/>表示纵坐标。/>表示第/>个形点对应的横坐标。/>表示第/>个形点对应的纵坐标。/>表示第/>个形点对应的横坐标。/>表示第/>个形点对应的纵坐标。地图环境信息可以是：/>，其中，/>表示地图环境信息。/>表示第0个车道线信息。/>表示第/>个车道线信息。

第四步，将上述障碍物轨迹信息和上述地图环境信息进行组合，以生成上述鸟瞰图融合信息。

作为示例，鸟瞰图融合信息可以是：，其中，/>表示鸟瞰图融合信息。

在一些实施例的一些可选的实现方式中，上述执行主体确定上述当前车辆对应的鸟瞰图融合信息，可以包括以下步骤：

第一步，获取上述当前车辆上设置的摄像头采集的周围环境图像序列。

其中，周围环境图像序列可以是上述当前车辆车身周围设置的摄像头采集的多张图像。

第二步，对上述周围环境图像序列中的每张周围环境图像进行障碍物识别，以生成障碍物坐标，得到障碍物坐标序列。

其中，上述执行主体可以通过目标检测模型对周围环境图像进行障碍物识别，以生成障碍物坐标。障碍物坐标可以是图像坐标系下的障碍物的坐标。实践中，目标检测模型可以是YOLO模型。

第三步，对上述障碍物坐标序列中的障碍物坐标进行坐标转换，以生成自车坐标系下的车辆坐标，得到车辆坐标序列。

第四步，将上述车辆坐标序列，确定为障碍物轨迹信息。

第五步，对上述周围环境图像序列中的每张周围环境图像进行车道线识别，以生成车道线信息，得到车道线信息序列。

其中，上述执行主体可以通过车道线检测模型，对周围环境图像进行车道线识别，以生成车道线信息。其中，车道线信息包括车道线对应的至少一个形点、在自车坐标系下的坐标。实践中，车道线检测模型可以是R-CNN（Region-CNN，基于区域的卷积神经网络）模型。

第六步，将上述车道线信息序列，确定为地图环境信息。

第七步，将上述障碍物轨迹信息和上述地图环境信息进行组合，以生成上述鸟瞰图融合信息。

其中，上述执行主体可以将上述障碍物轨迹信息和上述地图环境信息进行拼接，以生成上述鸟瞰图融合信息。

步骤103，对前视图像信息进行图像特征提取，以生成图像特征向量。

在一些实施例中，上述执行主体可以对前视图像信息进行图像特征提取，以生成图像特征向量。其中，上述执行主体可以通过特征金字塔网络，对上述前视图像信息进行图像特征提取，以生成图像特征向量。

在一些实施例的一些可选的实现方式中，上述执行主体对前视图像信息进行图像特征提取，以生成图像特征向量，可以包括以下步骤：

第一步，通过上述车辆位置预测模型中的前视图像特征提取网络包括的特征提取骨干网络，对上述前视图像信息进行特征提取，以生成提取后特征向量。

第二步，将上述提取后特征向量，输入上述前视图像特征提取网络包括的全连接层，以生成上述图像特征向量。

作为示例，如图2所示的车辆位置预测模型对应的数据流向示意图，其中，前视图像特征提取网络包括：特征提取骨干网络和全连接层。实践中，特征提取骨干网络可以是卷积神经网络。特征提取骨干网络和全连接层前后相连接。上述执行主体可以将前视图像信息输入上述特征提取骨干网络。

步骤104，对图像特征向量和鸟瞰图融合信息进行特征融合，以生成融合特征向量。

在一些实施例中，上述执行主体可以对图像特征向量和鸟瞰图融合信息进行特征融合，以生成融合特征向量。

在一些实施例的一些可选的实现方式中，上述执行主体将上述图像特征向量和上述鸟瞰图融合信息进行向量拼接，以生成上述融合特征向量。实践中，如图2所示的车辆位置预测模型对应的数据流向示意图，上述执行主体可以对图像特征向量和上述鸟瞰图融合信息进行Concat操作，以实现向量拼接。

步骤105，通过预先训练的车辆位置预测模型中的自注意力编码网络，对融合特征向量进行向量编码，以生成上下文特征向量。

在一些实施例中，上述执行主体可以通过预先训练的车辆位置预测模型中的自注意力编码网络，对融合特征向量进行向量编码，以生成上下文特征向量。其中，上述自注意力编码网络可以是具有Transformer结构的编码网络。

步骤106，通过车辆位置预测模型中的自注意力解码网络，对上下文特征向量进行向量解码，以生成位置增量值序列。

在一些实施例中，上述执行主体可以通过车辆位置预测模型中的自注意力解码网络，对上下文特征向量进行向量解码，以生成位置增量值序列。其中，上述自注意力解码网络可以是具有Transformer结构的解码网络。

作为示例，位置增量值序列可以是：

，其中，/>表示位置增量值序列。/>表示位置增量。/>表示0时刻的位置增量。/>表示1时刻的位置增量。/>表示/>时刻的位置增量。/>表示/>时刻的位置增量。/>表示在/>基础上的位置增量。位置增量/>包括横坐标增量和纵坐标增量。例如，/>包括在/>时刻的横坐标增量和纵坐标增量。

上述车辆位置预测模型作为本公开的一个发明点，解决了背景技术提及的技术问题二，即“现有的分类器对于时序型信息的处理能力较差，使得难以有效地基于时序类型信息进行车辆汇入的判断，从而影响行车安全性”。实际情况中，当前车辆以及当前车辆周围的障碍物往往处于移动状态，因此，往往需要结合时序类型的数据进行车辆移动轨迹的预测，以保证预测轨迹的实时性和有效性。然而，现有的分类器对于时序型信息的处理能力较差，使得难以有效地基于时序类型信息进行车辆汇入的判断，从而影响行车安全性。基于此，本公开的车辆位置预测模型，首先，引入前视图像信息和时序性的鸟瞰图融合信息。从而实现了局部视角的特征和全局视角的特征的获取。考虑到图像信息难以直接与鸟瞰图融合信息进行直接融合。因此，本公开设置了前视图像特征提取网络对前视图像信息进行特征提取。接着，通过自注意力编码网络和自注意力解码网络对包含有时序特征的融合特征向量进行编码和解码，以得到位置增量。通过此种方式实现了对时序类型信息的有效处理，侧面实现了准确的车辆汇入判断，保证了行车安全性。

步骤107，根据位置增量值序列，确定当前车辆周围的障碍物的预测行进轨迹。

在一些实施例中，上述执行主体可以根据位置增量值序列，通过各种方式，确定当前车辆周围的障碍物的预测行进轨迹

在一些实施例的一些可选的实现方式中，上述执行主体根据位置增量值序列，确定当前车辆周围的障碍物的预测行进轨迹，可以包括以下步骤：

第一步，根据上述位置增量值序列，生成障碍物位置坐标序列。

第二步，对上述障碍物位置坐标序列中的障碍物位置坐标进行轨迹拟合，以生成上述预测行进轨迹。

例如，上述执行主体可以对上述障碍物位置坐标序列中的障碍物位置坐标进行曲线拟合，以生成上述预测行进轨迹。

可选地，上述执行主体还可以执行以下处理步骤：

响应于确定上述预测行进轨迹满足车道汇入条件，将上述障碍物确定为待汇入车辆，以及对上述当前车辆的行进轨迹进行轨迹优化。

其中，上述车辆汇入条件为：上述预测行进轨迹的起始位置位于上述当前车辆的临近车道内，且上述预测行进轨迹的结束位置位于上述当前车辆的当前车道内。实践中，上述执行主体可以通过轨迹优化算法，对当前车辆的行进轨迹进行轨迹优化。例如，上述轨迹优化算法可以是基于图搜索的轨迹优化算法，基于曲线拟合的轨迹优化算法。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的车辆轨迹生成方法，保证了行车安全性。具体来说，造成行车安全性较低的原因在于：当前所采用的行为特征未能精准描述当前行驶环境下的车辆之间的交互关系，使得无法有效判定车辆是否要进行车辆汇入，从而影响行车安全性。基于此，本公开的一些实施例的车辆轨迹生成方法，首先，获取前视图像信息，其中，上述前视图像信息是当前车辆的前视摄像头采集得到的图像信息。接着，确定上述当前车辆对应的鸟瞰图融合信息，其中，上述鸟瞰图融合信息表征鸟瞰视角下的上述当前车辆的车辆周围环境情况。通过确定鸟瞰图融合信息，可以确定当前车辆的车辆周围环境情况，以此确定当前行驶环境下，当前车辆和周围车辆之间的交互关系。进一步，对上述前视图像信息进行图像特征提取，以生成图像特征向量。此外，对上述图像特征向量和上述鸟瞰图融合信息进行特征融合，以生成融合特征向量。以此将图像对应的特征向量和鸟瞰图融合信息进行组合。进一步，通过预先训练的车辆位置预测模型中的自注意力编码网络，对上述融合特征向量进行向量编码，以生成上下文特征向量。除此之外，通过上述车辆位置预测模型中的自注意力解码网络，对上述上下文特征向量进行向量解码，以生成位置增量值序列。从而确定当前车辆周围的车辆的位置变化情况。最后，根据上述位置增量值序列，确定上述当前车辆周围的障碍物的预测行进轨迹。通过此种方式实现了对车辆轨迹的准确预测，以此可以根据车辆轨迹判定车辆是否进行车辆汇入，侧面保证了车辆的行驶安全性。

进一步参考图3，作为对上述各图所示方法的实现，本公开提供了一种车辆轨迹生成装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该车辆轨迹生成装置具体可以应用于各种电子设备中。

如图3所示，一些实施例的车辆轨迹生成装置300包括：获取单元301、第一确定单元302、图像特征提取单元303、特征融合单元304、向量编码单元305、向量解码单元306和第二确定单元307。其中，获取单元301，被配置成获取前视图像信息，其中，上述前视图像信息是当前车辆的前视摄像头采集得到的图像信息；第一确定单元302，被配置成确定上述当前车辆对应的鸟瞰图融合信息，其中，上述鸟瞰图融合信息表征鸟瞰视角下的上述当前车辆的车辆周围环境情况；图像特征提取单元303，被配置成对上述前视图像信息进行图像特征提取，以生成图像特征向量；特征融合单元304，被配置成对上述图像特征向量和上述鸟瞰图融合信息进行特征融合，以生成融合特征向量；向量编码单元305，被配置成通过预先训练的车辆位置预测模型中的自注意力编码网络，对上述融合特征向量进行向量编码，以生成上下文特征向量；向量解码单元306，被配置成通过上述车辆位置预测模型中的自注意力解码网络，对上述上下文特征向量进行向量解码，以生成位置增量值序列；第二确定单元307，被配置成根据上述位置增量值序列，确定上述当前车辆周围的障碍物的预测行进轨迹。

可以理解的是，该车辆轨迹生成装置300中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于车辆轨迹生成装置300及其中包含的单元，在此不再赘述。

下面参考图4，其示出了适于用来实现本公开的一些实施例的电子设备（例如，计算设备）400的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图4所示，电子设备400可以包括处理装置（例如中央处理器、图形处理器等）401，其可以根据存储在只读存储器402中的程序或者从存储装置408加载到随机访问存储器403中的程序而执行各种适当的动作和处理。在随机访问存储器403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、只读存储器402以及随机访问存储器403通过总线404彼此相连。输入/输出接口405也连接至总线404。

通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，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，本公开的一些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程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从只读存储器402被安装。在该计算机程序被处理装置401执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例中记载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——但不限于——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（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读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程序代码。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，该计算机可读信号介质可以发送、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程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP（Hyper Text TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述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。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取前视图像信息，其中，上述前视图像信息是当前车辆的前视摄像头采集得到的图像信息；确定上述当前车辆对应的鸟瞰图融合信息，其中，上述鸟瞰图融合信息表征鸟瞰视角下的上述当前车辆的车辆周围环境情况；对上述前视图像信息进行图像特征提取，以生成图像特征向量；对上述图像特征向量和上述鸟瞰图融合信息进行特征融合，以生成融合特征向量；通过预先训练的车辆位置预测模型中的自注意力编码网络，对上述融合特征向量进行向量编码，以生成上下文特征向量；通过上述车辆位置预测模型中的自注意力解码网络，对上述上下文特征向量进行向量解码，以生成位置增量值序列；根据上述位置增量值序列，确定上述当前车辆周围的障碍物的预测行进轨迹。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

附图中的流程图和框图，图示了按照本公开各种实施例的***、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。在这点上，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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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。

描述于本公开的一些实施例中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，例如，可以描述为：一种处理器包括获取单元、第一确定单元、图像特征提取单元、特征融合单元、向量编码单元、向量解码单元和第二确定单元。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，例如，图像特征提取单元还可以被描述为“对上述前视图像信息进行图像特征提取，以生成图像特征向量的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上***（SOC）、复杂可编程逻辑设备（CPLD）等等。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (9)

1.一种车辆轨迹生成方法，包括：

获取前视图像信息，其中，所述前视图像信息是当前车辆的前视摄像头采集得到的图像信息；

确定所述当前车辆对应的鸟瞰图融合信息，其中，所述鸟瞰图融合信息表征鸟瞰视角下的所述当前车辆的车辆周围环境情况；

对所述前视图像信息进行图像特征提取，以生成图像特征向量；

对所述图像特征向量和所述鸟瞰图融合信息进行特征融合，以生成融合特征向量；

通过预先训练的车辆位置预测模型中的自注意力编码网络，对所述融合特征向量进行向量编码，以生成上下文特征向量；

通过所述车辆位置预测模型中的自注意力解码网络，对所述上下文特征向量进行向量解码，以生成位置增量值序列，其中，自注意力编码网络是具有Transformer结构的编码网络，自注意力解码网络是具有Transformer结构的解码网络；

根据所述位置增量值序列，确定所述当前车辆周围的障碍物的预测行进轨迹，其中，

所述对所述前视图像信息进行图像特征提取，以生成图像特征向量，包括：

通过所述车辆位置预测模型中的前视图像特征提取网络包括的特征提取骨干网络，对所述前视图像信息进行特征提取，以生成提取后特征向量；

将所述提取后特征向量，输入所述前视图像特征提取网络包括的全连接层，以生成所述图像特征向量。

2.根据权利要求1所述的方法，其中，所述方法还包括：

响应于确定所述预测行进轨迹满足车道汇入条件，将所述障碍物确定为待汇入车辆，以及对所述当前车辆的行进轨迹进行轨迹优化，其中，所述车辆汇入条件为：所述预测行进轨迹的起始位置位于所述当前车辆的临近车道内，且所述预测行进轨迹的结束位置位于所述当前车辆的当前车道内。

3.根据权利要求2所述的方法，其中，所述对所述图像特征向量和所述鸟瞰图融合信息进行特征融合，以生成融合特征向量，包括：

将所述图像特征向量和所述鸟瞰图融合信息进行向量拼接，以生成所述融合特征向量。

4.根据权利要求3所述的方法，其中，所述根据所述位置增量值序列，确定所述当前车辆周围的障碍物的预测行进轨迹，包括：

根据所述位置增量值序列，生成障碍物位置坐标序列；

对所述障碍物位置坐标序列中的障碍物位置坐标进行轨迹拟合，以生成所述预测行进轨迹。

5.根据权利要求4所述的方法，其中，所述确定所述当前车辆对应的鸟瞰图融合信息，包括：

获取所述当前车辆上设置的激光雷达采集的、所述当前车辆周围的点云数据；

对所述点云数据进行障碍物识别，以生成障碍物轨迹信息，其中，所述障碍物轨迹信息包括障碍物在连续时间段内的至少一个位置坐标；

根据所述当前车辆周围的至少一个车道线信息，生成地图环境信息；

将所述障碍物轨迹信息和所述地图环境信息进行组合，以生成所述鸟瞰图融合信息。

6.根据权利要求4所述的方法，其中，所述确定所述当前车辆对应的鸟瞰图融合信息，包括：

获取所述当前车辆上设置的摄像头采集的周围环境图像序列；

对所述周围环境图像序列中的每张周围环境图像进行障碍物识别，以生成障碍物坐标，得到障碍物坐标序列；

对所述障碍物坐标序列中的障碍物坐标进行坐标转换，以生成自车坐标系下的车辆坐标，得到车辆坐标序列；

将所述车辆坐标序列，确定为障碍物轨迹信息；

对所述周围环境图像序列中的每张周围环境图像进行车道线识别，以生成车道线信息，得到车道线信息序列；

将所述车道线信息序列，确定为地图环境信息；

将所述障碍物轨迹信息和所述地图环境信息进行组合，以生成所述鸟瞰图融合信息。

7.一种车辆轨迹生成装置，包括：

获取单元，被配置成获取前视图像信息，其中，所述前视图像信息是当前车辆的前视摄像头采集得到的图像信息；

第一确定单元，被配置成确定所述当前车辆对应的鸟瞰图融合信息，其中，所述鸟瞰图融合信息表征鸟瞰视角下的所述当前车辆的车辆周围环境情况；

图像特征提取单元，被配置成对所述前视图像信息进行图像特征提取，以生成图像特征向量；

特征融合单元，被配置成对所述图像特征向量和所述鸟瞰图融合信息进行特征融合，以生成融合特征向量；

向量编码单元，被配置成通过预先训练的车辆位置预测模型中的自注意力编码网络，对所述融合特征向量进行向量编码，以生成上下文特征向量；

向量解码单元，被配置成通过所述车辆位置预测模型中的自注意力解码网络，对所述上下文特征向量进行向量解码，以生成位置增量值序列，其中，自注意力编码网络是具有Transformer结构的编码网络，自注意力解码网络是具有Transformer结构的解码网络；

第二确定单元，被配置成根据所述位置增量值序列，确定所述当前车辆周围的障碍物的预测行进轨迹，其中，

所述对所述前视图像信息进行图像特征提取，以生成图像特征向量，包括：

通过所述车辆位置预测模型中的前视图像特征提取网络包括的特征提取骨干网络，对所述前视图像信息进行特征提取，以生成提取后特征向量；

将所述提取后特征向量，输入所述前视图像特征提取网络包括的全连接层，以生成所述图像特征向量。

8.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至6中任一所述的方法。

9.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至6中任一所述的方法。