CN110275531A - 障碍物的轨迹预测方法、装置及无人驾驶设备 - Google Patents

Abstract

本申请提供一种障碍物的轨迹预测方法、装置及无人驾驶设备，所述方法的一具体实施方式包括：针对未来预设时段内多个目标时刻中的每个目标时刻，执行以下操作，以预测多个障碍物中每个障碍物在该目标时刻的轨迹点：确定所述无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息；基于所述定位信息，确定该上一时刻的全局交互向量；所述全局交互向量用于表示所述无人驾驶设备及所述多个障碍物相互间对运动的共同影响因素；基于所述全局交互向量，预测每个所述障碍物在该目标时刻的轨迹点。该实施方式预测得到的障碍物未来的轨迹更接近实际轨迹，从而使得无人驾驶设备的路径规划的结果更具合理性。

Description

障碍物的轨迹预测方法、装置及无人驾驶设备

技术领域

本申请涉及无人驾驶技术领域，特别涉及一种障碍物的轨迹预测方法、装置及无人驾驶设备。

背景技术

目前来说，在无人驾驶技术领域中，需要对无人驾驶设备进行路径规划，从而得到安全平滑的运行轨迹。为了使无人驾驶设备能够更准确的避开周围的障碍物，通常需要对障碍物未来的轨迹进行预测。一般来说，在相关技术中，通常是根据障碍物在当前以及当前之前预设时段内的运动状态，预测障碍物在未来多个预设时刻的轨迹点，从而得到障碍物未来的轨迹。但是，通过这种方式预测的障碍物未来的轨迹准确度较差，使得无人驾驶设备路径规划的结果缺乏合理性。

发明内容

为了解决上述技术问题之一，本申请提供一种障碍物的轨迹预测方法、装置及无人驾驶设备。

根据本申请实施例的第一方面，提供一种障碍物的轨迹预测方法，应用于无人驾驶设备，包括：

针对未来预设时段内多个目标时刻中的每个目标时刻，执行以下操作，以预测多个障碍物中每个障碍物在该目标时刻的轨迹点：

确定所述无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息；

基于所述定位信息，确定该上一时刻的全局交互向量；所述全局交互向量用于表示所述无人驾驶设备及所述多个障碍物相互间对运动的共同影响因素；

基于所述全局交互向量，预测每个所述障碍物在该目标时刻的轨迹点。

可选的，所述基于所述定位信息，确定该上一时刻的全局交互向量，包括：

基于所述定位信息，确定该上一时刻的空间关系向量；所述空间关系向量用于表示所述无人驾驶设备及所述多个障碍物相互间的全局空间关系因素；

基于所述空间关系向量，确定该上一时刻的全局交互向量。

可选的，通过如下方式基于所述定位信息，确定该上一时刻的空间关系向量，并基于所述空间关系向量，确定该上一时刻的全局交互向量：

将所述定位信息输入至第一神经网络；所述第一神经网络包括嵌入层，最大池化层以及第一循环层；

利用所述嵌入层提取所述定位信息的目标特征向量；

利用所述最大池化层对所述目标特征向量进行最大池化操作，得到所述空间关系向量；

利用所述第一循环层处理所述空间关系向量，得到所述全局交互向量。

可选的，所述基于所述全局交互向量，预测每个所述障碍物在该目标时刻的轨迹点，包括：

确定每个所述障碍物在该上一时刻之前的一个时刻间隔内的位移；

基于所述全局交互向量以及每个所述障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个所述障碍物在该目标时刻的轨迹点。

可选的，所述基于所述全局交互向量以及每个所述障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个所述障碍物在该目标时刻的轨迹点，包括：

基于所述全局交互向量及每个所述障碍物在该上一时刻的定位信息，确定每个所述障碍物在该上一时刻的个体交互向量；任意一个障碍物在该上一时刻的个体交互向量表示该障碍物的运动与全局的交互影响因素；

基于每个所述障碍物在该上一时刻的个体交互向量及每个所述障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个所述障碍物在该目标时刻的轨迹点。

可选的，通过如下方式基于所述全局交互向量及每个所述障碍物在该上一时刻的定位信息，确定每个所述障碍物在该上一时刻的个体交互向量，并基于每个所述障碍物在该上一时刻的个体交互向量及每个所述障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个所述障碍物在该目标时刻的轨迹点：

将所述全局交互向量及每个所述障碍物在该上一时刻的定位信息输入至第二神经网络；所述第二神经网络包括查询层，拼接层以及第二循环层；

利用所述查询层，基于所述全局交互向量及每个所述障碍物在该上一时刻的定位信息，计算每个所述障碍物在该上一时刻的个体交互向量；

针对每个所述障碍物，利用所述拼接层，将该障碍物在该上一时刻的个体交互向量、该障碍物在该上一时刻之前的一个时刻间隔内的位移以及随机噪声进行拼接，得到该障碍物对应的目标向量；

利用所述第二循环层对每个所述障碍物对应的目标向量进行预设处理；

基于所述预设处理的结果，确定每个所述障碍物在该目标时刻的轨迹点。

根据本申请实施例的第二方面，提供一种障碍物的轨迹预测装置，应用于无人驾驶设备，包括：控制模块，获取模块，确定模块和预测模块；

所述控制模块，用于针对未来预设时段内多个目标时刻中的每个目标时刻，控制所述获取模块，所述确定模块和所述预测模块，执行预测多个障碍物中每个障碍物在该目标时刻的轨迹点的操作；

所述获取模块，用于确定所述无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息；

所述确定模块，用于基于所述定位信息，确定该上一时刻的全局交互向量；所述全局交互向量用于表示所述无人驾驶设备及所述多个障碍物相互间对运动的共同影响因素；

所述预测模块，用于基于所述全局交互向量，预测每个所述障碍物在该目标时刻的轨迹点。

可选的，所述确定模块被配置用于：

基于所述定位信息，确定该上一时刻的空间关系向量；所述空间关系向量用于表示所述无人驾驶设备及所述多个障碍物相互间的全局空间关系因素；

基于所述空间关系向量，确定该上一时刻的全局交互向量。

根据本申请实施例的第三方面，提供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第一方面中任一项所述的方法。

根据本申请实施例的第四方面，提供一种电子设备，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第一方面中任一项所述的方法。

本申请的实施例提供的技术方案可以包括以下有益效果：

本申请的实施例提供的障碍物的轨迹预测方法和装置，针对未来预设时段内多个目标时刻中的每个目标时刻，执行以下操作，以预测多个障碍物中每个障碍物在该目标时刻的轨迹点：确定无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息，基于该定位信息确定该上一时刻的全局交互向量，并基于该上一时刻的全局交互向量，预测每个障碍物在该目标时刻的轨迹点。其中，该全局交互向量用于表示无人驾驶设备及多个障碍物相互间对运动的共同影响因素。由于本实施例考虑了无人驾驶设备及障碍物相互间对运动的共同影响因素，因此，预测得到的障碍物未来的轨迹更接近实际轨迹，从而使得无人驾驶设备的路径规划的结果更具合理性。

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。

图1是本申请根据一示例性实施例示出的一种障碍物的轨迹预测方法的流程图；

图2是本申请根据一示例性实施例示出的另一种障碍物的轨迹预测方法的流程图；

图3是本申请根据一示例性实施例示出的另一种障碍物的轨迹预测方法的流程图；

图4是本申请根据一示例性实施例示出的另一种障碍物的轨迹预测方法的流程图；

图5是本申请根据一示例性实施例示出的一种障碍物的轨迹预测装置的框图；

图6是本申请根据一示例性实施例示出的另一种障碍物的轨迹预测装置的框图；

图7是本申请根据一示例性实施例示出的一种电子设备的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

如图1所示，图1是根据一示例性实施例示出的一种障碍物的轨迹预测方法的流程图，该方法可以应用于无人驾驶设备中。本领域技术人员可以理解，该无人驾驶设备可以包括但不限于无人车、无人操作机器人、无人机、无人船等等。该方法的具体过程如下：

针对未来预设时段内多个目标时刻中的每个目标时刻，执行步骤101-步骤103，以预测多个障碍物中每个障碍物在每个目标时刻的轨迹点。

在本实施例中，在对无人驾驶设备进行路径规划时，需要对无人驾驶设备周围障碍物在未来预设时段内的轨迹进行预测。然后，再根据预测得到的障碍物的轨迹，规划无人驾驶设备在未来预设时段内的路径。其中，本申请所涉及的障碍物可以是无人驾驶设备周围预设范围内能够检测到的障碍物。未来预设时段可以是根据经验设定的任意合理的时段，例如，可以是未来20秒的时段，也可以是未来30秒的时段，也可以是未来1分钟的时段，还可以是未来3分钟的时段等等，本申请对未来预设时段的具体设定方面不限定。

具体来说，可以在未来预设时段内设定多个目标时刻，任意相邻的两个目标时刻之间的时间间隔均相同。然后按照时间先后顺序，依次针对每个目标时刻，预测多个障碍物中每个障碍物在该目标时刻的预测轨迹点。然后，可以根据每个障碍物在该目标时刻的预测轨迹点，规划无人驾驶设备在该目标时刻的规划轨迹点。

例如，按照时间先后顺序，未来预设时段内设定的多个目标时刻包括：时刻A，时刻B和时刻C。可以先预测每个障碍物在时刻A的预测轨迹点，并根据每个障碍物在时刻A的预测轨迹点，规划无人驾驶设备在时刻A的规划轨迹点。然后，预测每个障碍物在时刻B的预测轨迹点，并根据每个障碍物在时刻B的预测轨迹点，规划无人驾驶设备在时刻B的规划轨迹点。最后，预测每个障碍物在时刻C的预测轨迹点，并根据每个障碍物在时刻C的预测轨迹点，规划无人驾驶设备在时刻C的规划轨迹点。

其中，针对任意一个目标时刻，可以通过执行步骤101-步骤103，预测每个障碍物在该目标时刻的轨迹点，具体如下：

在步骤101中，确定无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息。

在本实施例中，可以确定无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息。其中，如果按照时间先后顺序，该目标时刻为未来预设时段内的首个目标时刻，则该目标时刻的上一时刻可以是当前时刻，或者也可以是当前之前的预设时刻。如果按照时间先后顺序，该目标时刻不是未来预设时段内的首个目标时刻，则该目标时刻的上一时刻为该未来预设时段内，在该目标时刻之前的相邻目标时刻。

例如，按照时间先后顺序，未来预设时段内设定的多个目标时刻包括：时刻A，时刻B，时刻C和时刻D。则时刻A的上一时刻可以是当前时刻，也可以是当前之前的预设时刻。时刻B的上一时刻可以是时刻A，时刻C的上一时刻可以是时刻B，时刻D的上一时刻可以是时刻C。

在本实施例中，如果按照时间先后顺序，该目标时刻为未来预设时段内的首个目标时刻，则可以获取安装于无人驾驶设备上的定位装置，在该目标时刻的上一时刻所采集的定位数据。并获取安装于无人驾驶设备上的传感器装置，在该目标时刻的上一时刻所采集的周围障碍物的位置信息。然后，根据上述定位数据以及上述位置信息，确定无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息。

在本实施例中，如果按照时间先后顺序，该目标时刻不是未来预设时段内的首个目标时刻，则可以获取针对该目标时刻的上一时刻所得到的预测结果和规划结果，并根据该预测结果和规划结果，确定无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息。其中，该预测结果可以包括每个障碍物在该目标时刻的上一时刻的预测轨迹点(即预测的定位信息)，该规划结果可以包括无人驾驶设备在该目标时刻的上一时刻的规划轨迹点(即规划的定位信息)。

在步骤102中，基于无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息，确定该上一时刻的全局交互向量。

在本实施例中，可以基于无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息，确定该上一时刻对应的全局交互向量。该全局交互向量可以用于表示无人驾驶设备及多个障碍物相互间对运动的共同影响因素，能够体现无人驾驶设备及多个障碍物相互之间运动的全局交互情况。

具体来说，在一种实现方式中，可以基于无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息，确定该上一时刻的空间关系向量。该空间关系向量用于表示无人驾驶设备及多个障碍物相互间的全局空间关系因素。然后，基于该空间关系向量，确定该上一时刻的全局交互向量。

在另一种实现方式中，还可以预先基于经验设定第一规则，该第一规则用于表征上述定位信息与上述全局交互向量之间的转换关系。可以利用该第一规则，基于无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息，确定该上一时刻的全局交互向量。

可以理解，还可以通过其它任意合理的方式确定该上一时刻的全局交互向量，本申请对此方面不限定。

在步骤103中，基于该上一时刻的全局交互向量，预测每个障碍物在该目标时刻的轨迹点。

在本实施例中，可以基于该上一时刻的全局交互向量，预测每个障碍物在该目标时刻的轨迹点。具体来说，首先，可以确定每个障碍物在该上一时刻之前的一个时刻间隔内的位移。然后，基于该上一时刻的全局交互向量以及每个障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个障碍物在该目标时刻的轨迹点。

本申请的上述实施例提供的障碍物的轨迹预测方法，针对未来预设时段内多个目标时刻中的每个目标时刻，执行以下操作，以预测多个障碍物中每个障碍物在该目标时刻的轨迹点：确定无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息，基于该定位信息确定该上一时刻的全局交互向量，并基于该上一时刻的全局交互向量，预测每个障碍物在该目标时刻的轨迹点。其中，该全局交互向量用于表示无人驾驶设备及多个障碍物相互间对运动的共同影响因素。由于本实施例考虑了无人驾驶设备及障碍物相互间对运动的共同影响因素，因此，预测得到的障碍物未来的轨迹更接近实际轨迹，从而使得无人驾驶设备的路径规划的结果更具合理性。

如图2所示，图2根据一示例性实施例示出的另一种障碍物的轨迹预测方法的流程图，该实施例描述了确定全局交互向量的过程，该方法可以应用于无人驾驶设备中。针对未来预设时段内的任意一个目标时刻，可以通过执行以下步骤，预测每个障碍物在该目标时刻的轨迹点：

在步骤201中，确定无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息。

在步骤202中，基于无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息，确定该上一时刻的空间关系向量。

在步骤203中，基于该上一时刻的空间关系向量，确定该上一时刻的全局交互向量。

在本实施例中，可以基于无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息，确定该上一时刻对应的空间关系向量。并基于该上一时刻的空间关系向量，确定该上一时刻对应的全局交互向量。其中，该空间关系向量用于表示无人驾驶设备及多个障碍物相互间的全局空间关系因素，能够体现无人驾驶设备及多个障碍物构成的整体的全局空间关系。

具体来说，可以通过如下方式基于无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息，确定该上一时刻的空间关系向量，并基于该上一时刻的空间关系向量，确定该上一时刻的全局交互向量：

首先，可以将无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息输入至预先训练的第一神经网络，该第一神经网络至少可以包括嵌入层，最大池化层以及第一循环层。可以利用该嵌入层将上述定位信息与预先调整的权重矩阵相乘，以提取上述定位信息的特征向量作为目标特征向量。再利用最大池化层对目标特征向量进行最大池化操作，从而得到该上一时刻的空间关系向量。

然后，可以将该空间关系向量输入至第一循环层，利用第一循环层对该空间关系向量进行处理，得到该上一时刻的全局交互向量。其中，第一循环层为循环网络，可以是LSTM(Long Short-Term Memory，长短期记忆网络)层，也可以是GRU(Gated RecurrentUnit，门控循环单元)层等，可以理解，本申请对第一循环层的具体类型方面不限定。

在步骤204中，基于该上一时刻的全局交互向量，预测每个障碍物在该目标时刻的轨迹点。

本申请的上述实施例提供的障碍物的轨迹预测方法，针对未来预设时段内多个目标时刻中的每个目标时刻，执行以下操作，以预测多个障碍物中每个障碍物在该目标时刻的轨迹点：确定无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息，基于该定位信息确定该上一时刻的空间关系向量，基于该上一时刻的空间关系向量，确定该上一时刻的全局交互向量，并基于该上一时刻的全局交互向量，预测每个障碍物在该目标时刻的轨迹点。由于本实施例能够确定该目标时刻的上一时刻的空间关系向量，该空间关系向量能够体现无人驾驶设备以及多个障碍物相互之间的空间位置关系，该空间位置关系影响无人驾驶设备以及多个障碍物相互之间的运动趋势。因此，所得到的全局交互向量能够更准确的反映无人驾驶设备以及多个障碍物相互之间对运动的共同影响因素，从而使得预测得到的障碍物未来的轨迹更接近实际轨迹，有助于提高无人驾驶设备的路径规划结果的合理性。

如图3所示，图3根据一示例性实施例示出的另一种障碍物的轨迹预测方法的流程图，该实施例描述了预测每个障碍物的轨迹点的过程，该方法可以应用于无人驾驶设备中。针对未来预设时段内的任意一个目标时刻，可以通过执行以下步骤，预测每个障碍物在该目标时刻的轨迹点：

在步骤301中，确定无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息。

在步骤302中，基于无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息，确定该上一时刻的全局交互向量。

在步骤303中，确定每个障碍物在该上一时刻之前一个时刻间隔内的位移。

在本实施例中，一个时刻间隔具有预设的时间长度，该预设的时间长度为未来预设时段内相邻两个目标时刻之间的间隔时长。该预设的时间长度可以是0.5秒，也可以是1秒，还可以是2秒等。可以理解，该预设的时间长度可以是任意合理的时间长度，本申请对该预设的时间长度的具体设定方面不限定。

例如，按照时间先后顺序，未来预设时段内设定的多个目标时刻包括：时刻A，时刻B，时刻C和时刻D。并且，相邻的两个目标时刻之间间隔为1秒。其中，时刻A的上一时刻之前的一个时刻间隔可以是从时刻A之前的第2秒至时刻A之前的第1秒之间的时刻间隔。时刻B的上一时刻之前的一个时刻间隔可以是从时刻A之前的第1秒至时刻A之间的时刻间隔。时刻C的上一时刻之前的一个时刻间隔可以是从时刻A至时刻B之间的时刻间隔。时刻D的上一时刻之前的一个时刻间隔可以是从时刻B至时刻C之间的时刻间隔。

在本实施例中，如果按照时间先后顺序，该目标时刻为未来预设时段内的首个目标时刻，则可以获取安装于无人驾驶设备上的定位装置，在该目标时刻的上一时刻以及之前一个时刻间隔所采集的定位数据。并获取安装于无人驾驶设备上的传感器装置，在该目标时刻的上一时刻以及之前一个时刻间隔所采集的周围障碍物的位置信息。然后，根据上述定位数据以及上述位置信息，确定无人驾驶设备和每个障碍物在该目标时刻的上一时刻之前的一个时刻间隔内的位移。

在本实施例中，如果按照时间先后顺序，该目标时刻不是未来预设时段内的首个目标时刻，则可以获取针对该目标时刻的上一时刻所得到的预测结果和规划结果，并根据该预测结果和规划结果，确定无人驾驶设备和每个障碍物在该目标时刻的上一时刻之前的一个时刻间隔内的位移。

在步骤304中，基于该上一时刻的全局交互向量以及每个障碍物在该上一时刻之前一个时刻间隔内的位移，预测每个障碍物在该目标时刻的轨迹点。

在本实施例中，该上一时刻的全局交互向量以及每个障碍物在该上一时刻之前一个时刻间隔内的位移，能够体现每个障碍物的运动趋势。因此，可以基于该上一时刻的全局交互向量以及每个障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个障碍物在该目标时刻的轨迹点。

具体来说，在一种实现方式中，可以基于该上一时刻的全局交互向量及每个障碍物在该上一时刻的定位信息，确定每个障碍物在该上一时刻的个体交互向量。其中，任意一个障碍物在该上一时刻的个体交互向量表示该障碍物的运动与全局的交互影响因素。然后，可以基于每个障碍物在该上一时刻的个体交互向量及每个障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个障碍物在该目标时刻的轨迹点。

在另一种实现方式中，还可以预先基于经验设定第二规则，该第二规则用于表征该上一时刻的全局交互向量以及每个障碍物在该上一时刻之前的一个时刻间隔内的位移，与每个障碍物在该目标时刻的轨迹点之间的关系。可以利用该第二规则，基于该上一时刻的全局交互向量以及每个障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个障碍物在该目标时刻的轨迹点。

可以理解，还可以通过其它任意合理的方式预测每个障碍物在该目标时刻的轨迹点，本申请对此方面不限定。

本申请的上述实施例提供的障碍物的轨迹预测方法，针对未来预设时段内多个目标时刻中的每个目标时刻，执行以下操作，以预测多个障碍物中每个障碍物在该目标时刻的轨迹点：确定无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息，基于该定位信息确定该上一时刻的全局交互向量，确定每个障碍物在该上一时刻之前的一个时刻间隔内的位移，并基于该上一时刻的全局交互向量以及每个障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个障碍物在该目标时刻的轨迹点。由于本实施例基于该上一时刻的全局交互向量以及每个障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个障碍物在该目标时刻的轨迹点。而该全局交互向量以及每个障碍物的上述位移，能够体现每个障碍物的运动趋势。因此，预测得到的障碍物的轨迹点更合理，有助于提高无人驾驶设备的路径规划结果的合理性。

如图4所示，图4根据一示例性实施例示出的另一种障碍物的轨迹预测方法的流程图，该实施例描述了预测每个障碍物的轨迹点的过程，该方法可以应用于无人驾驶设备中。针对未来预设时段内的任意一个目标时刻，可以通过执行以下步骤，预测每个障碍物在该目标时刻的轨迹点：

在步骤401中，确定无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息。

在步骤402中，基于无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息，确定该上一时刻的全局交互向量。

在步骤403中，确定每个障碍物在该上一时刻之前一个时刻间隔内的位移。

在步骤404中，基于该上一时刻的全局交互向量及每个障碍物在该上一时刻的定位信息，确定每个障碍物在该上一时刻的个体交互向量。

在本实施例中，任意一个障碍物在该上一时刻的个体交互向量表示该障碍物的运动与全局的交互影响因素。由于全局交互向量体现了无人驾驶设备及多个障碍物相互之间运动的全局交互，每个障碍物的定位信息体现了障碍物的空间分布情况。因此，根据全局交互向量和每个障碍物的定位信息，可以得到每个障碍物的个体与无人驾驶设备及其它障碍物的运动交互影响。所以，可以基于该上一时刻的全局交互向量及每个障碍物在该上一时刻的定位信息，确定每个障碍物在该上一时刻的个体交互向量。

在步骤405中，基于每个障碍物在该上一时刻的个体交互向量及每个障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个障碍物在该目标时刻的轨迹点。

在本实施例中，每个障碍物在该上一时刻的个体交互向量及每个障碍物在该上一时刻之前的一个时刻间隔内的位移，能够体现对每个障碍物运动趋势的影响。因此，可以基于每个障碍物在该上一时刻的个体交互向量及每个障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个障碍物在该目标时刻的轨迹点。

具体来说，可以通过如下方式基于该上一时刻的全局交互向量及每个障碍物在该上一时刻的定位信息，确定每个障碍物在该上一时刻的个体交互向量，并基于每个障碍物在该上一时刻的个体交互向量及每个障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个障碍物在该目标时刻的轨迹点：

首先，可以将该上一时刻的全局交互向量及每个障碍物在该上一时刻的定位信息输入至预先训练的第二神经网络，该第二神经网络至少可以包括查询层，拼接层以及第二循环层。可以先分别对每个障碍物在该上一时刻的定位信息进行升维，使经过升维的定位信息与全局交互向量的维度相同。针对每个障碍物，可以利用查询层计算经过升维后该障碍物在该上一时刻的定位信息与上述全局交互向量之间的哈达马积，作为该障碍物在该上一时刻的个体交互向量。

然后，针对每个障碍物，利用该拼接层将该障碍物在该上一时刻的个体交互向量、该障碍物在该上一时刻之前的一个时刻间隔内的位移以及一个随机生成的随机噪声进行拼接，得到该障碍物对应的目标向量。并将每个障碍物对应的目标向量输入至第二循环层，利用第二循环层对每个障碍物对应的目标向量进行预设处理，基于预设处理的结果，确定每个障碍物在该目标时刻的轨迹点。其中，第二循环层也是循环网络，可以是LSTM层，也可以是GRU层等，可以理解，本申请对第二循环层的具体类型方面不限定。

本申请的上述实施例提供的障碍物的轨迹预测方法，针对未来预设时段内多个目标时刻中的每个目标时刻，执行以下操作，以预测多个障碍物中每个障碍物在该目标时刻的轨迹点：确定无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息，基于该定位信息确定该上一时刻的全局交互向量，确定每个障碍物在该上一时刻之前的一个时刻间隔内的位移，基于该全局交互向量及每个障碍物在该上一时刻的定位信息，确定每个障碍物在该上一时刻的个体交互向量，并基于每个障碍物在该上一时刻的个体交互向量及每个障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个障碍物在该目标时刻的轨迹点。由于本实施例能够确定每个障碍物在该上一时刻的个体交互向量，并基于每个障碍物在该上一时刻的个体交互向量及每个障碍物在该上一时刻之前一个时刻间隔内的位移，预测每个障碍物在该目标时刻的轨迹点。而每个障碍物在该上一时刻的个体交互向量及每个障碍物在该上一时刻之前一个时刻间隔内的位移，能够体现对每个障碍物运动趋势的影响。因此，预测得到的障碍物的轨迹点更为准确和合理，进一步提高了无人驾驶设备的路径规划结果的合理性。

应当注意，尽管在上述实施例中，以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

与前述障碍物的轨迹预测方法实施例相对应，本申请还提供了障碍物的轨迹预测装置的实施例。

如图5所示，图5是本申请根据一示例性实施例示出的一种障碍物的轨迹预测装置框图，该装置可以包括：控制模块501，获取模块502，确定模块503和预测模块504。

其中，控制模块501，用于针对未来预设时段内多个目标时刻中的每个目标时刻，控制获取模块502，确定模块503和预测模块504，执行预测多个障碍物中每个障碍物在该目标时刻的轨迹点的操作。

获取模块502，用于确定无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息。

确定模块503，用于基于上述定位信息，确定该上一时刻的全局交互向量，该全局交互向量用于表示无人驾驶设备及多个障碍物相互间对运动的共同影响因素。

预测模块504，用于基于上述全局交互向量，预测每个障碍物在该目标时刻的轨迹点。

在一些可选实施方式中，确定模块503被配置用于：基于上述定位信息，确定该上一时刻的空间关系向量，该空间关系向量用于表示无人驾驶设备及多个障碍物相互间的全局空间关系因素。并基于上述空间关系向量，确定该上一时刻的全局交互向量。

在另一些可选实施方式中，确定模块503通过如下方式基于上述定位信息，确定该上一时刻的空间关系向量，并基于上述空间关系向量，确定该上一时刻的全局交互向量：

将上述定位信息输入至第一神经网络，该第一神经网络包括嵌入层，最大池化层以及第一循环层。利用上述嵌入层提取上述定位信息的目标特征向量，利用上述最大池化层对目标特征向量进行最大池化操作，得到上述空间关系向量。利用第一循环层处理上述空间关系向量，得到上述全局交互向量。

如图6所示，图6是本申请根据一示例性实施例示出的另一种障碍物的轨迹预测装置框图，该实施例在前述图5所示实施例的基础上，预测模块504可以包括：确定子模块601和预测子模块602。

其中，确定子模块601，用于确定每个障碍物在该上一时刻之前的一个时刻间隔内的位移。

预测子模块602，用于基于上述全局交互向量以及每个障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个障碍物在该目标时刻的轨迹点。

在另一些可选实施方式中，预测子模块602被配置用于：基于上述全局交互向量及每个障碍物在该上一时刻的定位信息，确定每个障碍物在该上一时刻的个体交互向量。任意一个障碍物在该上一时刻的个体交互向量表示该障碍物的运动与全局的交互影响因素。基于每个障碍物在该上一时刻的个体交互向量及每个障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个障碍物在该目标时刻的轨迹点。

在另一些可选实施方式中，预测子模块602通过如下方式基于上述全局交互向量及每个障碍物在该上一时刻的定位信息，确定每个障碍物在该上一时刻的个体交互向量，并基于每个障碍物在该上一时刻的个体交互向量及每个障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个障碍物在该目标时刻的轨迹点：

将上述全局交互向量及每个障碍物在该上一时刻的定位信息输入至第二神经网络，该第二神经网络包括查询层，拼接层以及第二循环层。利用查询层，基于上述全局交互向量及每个障碍物在该上一时刻的定位信息，计算每个障碍物在该上一时刻的个体交互向量。针对每个障碍物，利用上述拼接层，将该障碍物在该上一时刻的个体交互向量、该障碍物在该上一时刻之前的一个时刻间隔内的位移以及随机噪声进行拼接，得到该障碍物对应的目标向量，利用第二循环层对每个障碍物对应的目标向量进行预设处理，并基于预设处理的结果，确定每个障碍物在该目标时刻的轨迹点。

应当理解，上述装置可以预先设置在无人驾驶设备中，也可以通过下载等方式而加载到无人驾驶设备中。上述装置中的相应模块可以与无人驾驶设备中的模块相互配合以实现障碍物的轨迹预测方案。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本申请实施例还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1至图4任一实施例提供的障碍物的轨迹预测方法。

对应于上述的障碍物的轨迹预测方法，本申请实施例还提出了图7所示的根据本申请的一示例性实施例的电子设备的示意结构图。请参考图7，在硬件层面，该电子设备包括处理器、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，在逻辑层面上形成障碍物的轨迹预测装置。当然，除了软件实现方式之外，本申请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。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种障碍物的轨迹预测方法，应用于无人驾驶设备，其特征在于，所述方法包括：

针对未来预设时段内多个目标时刻中的每个目标时刻，执行以下操作，以预测多个障碍物中每个障碍物在该目标时刻的轨迹点：

确定所述无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息；

基于所述定位信息，确定该上一时刻的全局交互向量；所述全局交互向量用于表示所述无人驾驶设备及所述多个障碍物相互间对运动的共同影响因素；

基于所述全局交互向量，预测每个所述障碍物在该目标时刻的轨迹点。

2.根据权利要求1所述的方法，其特征在于，所述基于所述定位信息，确定该上一时刻的全局交互向量，包括：

基于所述定位信息，确定该上一时刻的空间关系向量；所述空间关系向量用于表示所述无人驾驶设备及所述多个障碍物相互间的全局空间关系因素；

基于所述空间关系向量，确定该上一时刻的全局交互向量。

3.根据权利要求2所述的方法，其特征在于，通过如下方式基于所述定位信息，确定该上一时刻的空间关系向量，并基于所述空间关系向量，确定该上一时刻的全局交互向量：

将所述定位信息输入至第一神经网络；所述第一神经网络包括嵌入层，最大池化层以及第一循环层；

利用所述嵌入层提取所述定位信息的目标特征向量；

利用所述最大池化层对所述目标特征向量进行最大池化操作，得到所述空间关系向量；

利用所述第一循环层处理所述空间关系向量，得到所述全局交互向量。

4.根据权利要求1-3中任一所述的方法，其特征在于，所述基于所述全局交互向量，预测每个所述障碍物在该目标时刻的轨迹点，包括：

确定每个所述障碍物在该上一时刻之前的一个时刻间隔内的位移；

基于所述全局交互向量以及每个所述障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个所述障碍物在该目标时刻的轨迹点。

5.根据权利要求4所述的方法，其特征在于，所述基于所述全局交互向量以及每个所述障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个所述障碍物在该目标时刻的轨迹点，包括：

基于所述全局交互向量及每个所述障碍物在该上一时刻的定位信息，确定每个所述障碍物在该上一时刻的个体交互向量；任意一个障碍物在该上一时刻的个体交互向量表示该障碍物的运动与全局的交互影响因素；

基于每个所述障碍物在该上一时刻的个体交互向量及每个所述障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个所述障碍物在该目标时刻的轨迹点。

6.根据权利要求5所述的方法，其特征在于，通过如下方式基于所述全局交互向量及每个所述障碍物在该上一时刻的定位信息，确定每个所述障碍物在该上一时刻的个体交互向量，并基于每个所述障碍物在该上一时刻的个体交互向量及每个所述障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个所述障碍物在该目标时刻的轨迹点：

将所述全局交互向量及每个所述障碍物在该上一时刻的定位信息输入至第二神经网络；所述第二神经网络包括查询层，拼接层以及第二循环层；

利用所述查询层，基于所述全局交互向量及每个所述障碍物在该上一时刻的定位信息，计算每个所述障碍物在该上一时刻的个体交互向量；

针对每个所述障碍物，利用所述拼接层，将该障碍物在该上一时刻的个体交互向量、该障碍物在该上一时刻之前的一个时刻间隔内的位移以及随机噪声进行拼接，得到该障碍物对应的目标向量；

利用所述第二循环层对每个所述障碍物对应的目标向量进行预设处理；

基于所述预设处理的结果，确定每个所述障碍物在该目标时刻的轨迹点。

7.一种障碍物的轨迹预测装置，应用于无人驾驶设备，其特征在于，所述装置包括：控制模块，获取模块，确定模块和预测模块；

所述控制模块，用于针对未来预设时段内多个目标时刻中的每个目标时刻，控制所述获取模块，所述确定模块和所述预测模块，执行预测多个障碍物中每个障碍物在该目标时刻的轨迹点的操作；

所述获取模块，用于确定所述无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息；

所述确定模块，用于基于所述定位信息，确定该上一时刻的全局交互向量；所述全局交互向量用于表示所述无人驾驶设备及所述多个障碍物相互间对运动的共同影响因素；

所述预测模块，用于基于所述全局交互向量，预测每个所述障碍物在该目标时刻的轨迹点。

8.根据权利要求7所述的方法，其特征在于，所述确定模块被配置用于：

基于所述定位信息，确定该上一时刻的空间关系向量；所述空间关系向量用于表示所述无人驾驶设备及所述多个障碍物相互间的全局空间关系因素；

基于所述空间关系向量，确定该上一时刻的全局交互向量。

9.一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1-6中任一项所述的方法。

10.一种无人驾驶设备，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1-6中任一项所述的方法。