CN110751683A - 轨迹预测方法、装置、可读存储介质及电子设备 - Google Patents
轨迹预测方法、装置、可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN110751683A CN110751683A CN201911032275.2A CN201911032275A CN110751683A CN 110751683 A CN110751683 A CN 110751683A CN 201911032275 A CN201911032275 A CN 201911032275A CN 110751683 A CN110751683 A CN 110751683A
- Authority
- CN
- China
- Prior art keywords
- image
- movement
- movable equipment
- feature data
- track
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000033001 locomotion Effects 0.000 claims abstract description 154
- 230000015654 memory Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 239000003550 marker Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 10
- 239000013598 vector Substances 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开实施例公开了一种轨迹预测方法和装置，其中，该方法包括：获取目标摄像头拍摄的包括当前图像帧的第一图像序列；将第一图像序列输入轨迹预测编码模型，得到当前图像帧中的每个可移动设备图像的移动轨迹特征数据；对于当前图像帧中的每个可移动设备图像，获取该可移动设备图像的移动习惯特征数据，并基于该可移动设备图像的移动习惯特征数据和移动轨迹特征数据，生成该可移动设备图像的轨迹预测用特征数据；将每个可移动设备图像的轨迹预测用特征数据输入轨迹预测解码模型，得到每个可移动设备图像的轨迹预测信息。本公开实施例实现了针对不同的可移动设备，获取不同的移动习惯特征数据进行轨迹预测，提高了轨迹预测的准确性。
Description
技术领域
本公开涉及计算机技术领域，尤其是一种轨迹预测方法、装置、可读存储介质及电子设备。
背景技术
在自动驾驶领域，为了更好地做好行驶规划，需要对其他可移动设备(例如车辆)的未来几秒的轨迹进行精确预测，但是其他车辆的未来移动轨迹不仅受周围环境的影响，而且受驾驶员驾驶习惯以及当前自身驾驶意图的影响，比如激进的驾驶员和保守的驾驶员在面对同样的交通情况时可能会采取完全不同的动作。例如在绿灯变红灯时，激进的驾驶员会在红灯亮之前加速通过，保守的驾驶员会减速并停车。
发明内容
本公开的实施例提供了一种轨迹预测方法、装置、可读存储介质及电子设备。
本公开的实施例提供了一种轨迹预测方法，该方法包括：获取目标摄像头拍摄的包括当前图像帧的第一图像序列，其中，第一图像序列的第一图像中包括至少一个可移动设备图像；将第一图像序列输入预先训练的轨迹预测编码模型，得到当前图像帧中的每个可移动设备图像的移动轨迹特征数据；对于当前图像帧中的每个可移动设备图像，获取该可移动设备图像的移动习惯特征数据，并基于该可移动设备图像的移动习惯特征数据和移动轨迹特征数据，生成该可移动设备图像的轨迹预测用特征数据；将每个可移动设备图像的轨迹预测用特征数据输入预先训练的轨迹预测解码模型，得到每个可移动设备图像的轨迹预测信息。
根据本公开实施例的另一个方面，提供了一种轨迹预测装置，该装置包括：第一获取模块，用于获取目标摄像头拍摄的包括当前图像帧的第一图像序列，其中，第一图像序列的第一图像中包括至少一个可移动设备图像；编码模块，用于将第一图像序列输入预先训练的轨迹预测编码模型，得到当前图像帧中的每个可移动设备图像的移动轨迹特征数据；生成模块，用于对于当前图像帧中的每个可移动设备图像，获取该可移动设备图像的移动习惯特征数据，并基于该可移动设备图像的移动习惯特征数据和移动轨迹特征数据，生成该可移动设备图像的轨迹预测用特征数据；解码模块，用于将每个可移动设备图像的轨迹预测用特征数据输入预先训练的轨迹预测解码模型，得到每个可移动设备图像的轨迹预测信息。
根据本公开实施例的另一个方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序用于执行上述轨迹预测方法。
根据本公开实施例的另一个方面，提供了一种电子设备，电子设备包括：处理器；用于存储处理器可执行指令的存储器；处理器，用于从存储器中读取可执行指令，并执行指令以实现上述轨迹预测方法。
基于本公开的上述实施例提供的轨迹预测方法、装置、可读存储介质及电子设备，通过实时获取目标摄像头拍摄的第一图像序列，再对第一图像序列进行识别，得到可移动设备图像的移动轨迹特征数据，再获取每个可移动设备图像的移动习惯特征数据，根据移动轨迹特征数据和移动习惯特征数据生成预测用特征数据，最后利用预测用特征数据进行轨迹预测，得到每个可移动设备图像的轨迹预测信息，从而实现了针对不同的可移动设备，获取不同的移动习惯特征数据进行轨迹预测，提高了轨迹预测的准确性。
下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。
附图说明
通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1是本公开所适用的系统图。
图2是本公开一示例性实施例提供的轨迹预测方法的流程示意图。
图3是本公开的实施例的轨迹预测方法的一个应用场景的示意图。
图4是本公开另一示例性实施例提供的轨迹预测方法的流程示意图。
图5是本公开一示例性实施例提供的轨迹预测装置的结构示意图。
图6是本公开另一示例性实施例提供的轨迹预测装置的结构示意图。
图7是本公开一示例性实施例提供的电子设备的结构图。
具体实施方式
下面，将参考附图详细地描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。
应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
还应理解，在本公开实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
另外，本公开中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。
还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
申请概述
现有的轨迹预测方法一般不去刻画不同驾驶员的驾驶习惯，而使用一个从标准高斯分布中采样一个随机隐变量来刻画不同驾驶员的驾驶随机性，以提高预测模型的随机性。该方案默认所有驾驶员的驾驶习惯都服从相同的分布，但实际情况是不同的驾驶员一般有着不同的驾驶习惯，比如保守的驾驶员一般会在绿灯快结束时选择刹车等下一个绿灯，而激进的驾驶员很有可能踩油门赶上这最后几秒绿灯。这种不同驾驶员的驾驶习惯信息在现有的方法中是没有被充分挖掘的。
示例性系统
图1示出了可以应用本公开的实施例的轨迹预测方法或轨迹预测装置的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101，网络102、服务器103和摄像头104。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如无线通信链路等。终端设备101与摄像头104通信连接。摄像头104用于拍摄各种可移动设备，可移动设备可以是各种设备，包括但不限于汽车、自行车、无人机等。摄像头104可以是各种摄像头，如安装在固定位置的监控摄像头，安装在车辆上的摄像头，安装在无人机上对地面进行拍摄的摄像头等。
用户可以使用终端设备101通过网络102与服务器103交互，以接收或发送消息等。终端设备101上可以安装有各种通讯客户端应用，例如导航类应用、地图类应用，图像处理类应用等。
终端设备101可以是各种电子设备，包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端。
服务器103可以是提供各种服务的服务器，例如对终端设备101上传的图像进行处理的后台图像处理服务器。后台图像处理服务器可以利用接收到的图像进行轨迹预测，得到轨迹预测信息。
需要说明的是，本公开的实施例所提供的轨迹预测方法可以由服务器103执行，也可以由终端设备101执行，相应地，轨迹预测装置可以设置于服务器103中，也可以设置于终端设备101中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。当轨迹预测所需的图像序列不需要从远程获取的情况下，上述系统架构可以不包括网络和服务器，只需终端设备。
示例性方法
图2是本公开一示例性实施例提供的轨迹预测方法的流程示意图。本实施例可应用在电子设备(如图1所示的终端设备101或服务器103)上，如图2所示，该方法包括如下步骤：
步骤201，获取目标摄像头拍摄的包括当前图像帧的第一图像序列。
在本实施例中，电子设备可以从远程或从本地获取目标摄像头拍摄的包括当前图像帧的第一图像序列。其中，第一图像序列的第一图像中包括至少一个可移动设备图像。目标摄像头可以是用于对道路上的可移动设备进行拍摄以得到第一图像序列的摄像头，例如图1所示的摄像头104。目标摄像头可以实时地对道路上的可移动设备进行拍摄，得到第一图像序列，第一图像序列包括的第一图像的数量可以是预设的数量，例如当前时刻之前的预设时间长内拍摄的各个图像作为第一图像序列。
步骤202，将第一图像序列输入预先训练的轨迹预测编码模型，得到当前图像帧中的每个可移动设备图像的移动轨迹特征数据。
在本实施例中，电子设备可以将第一图像序列输入预先训练的轨迹预测编码模型，得到当前图像帧中的每个可移动设备图像的移动轨迹特征数据。其中，移动轨迹特征数据用于表征可移动设备图像指示的可移动设备的速度、位置、所在车道、转弯角度等特征。
轨迹预测编码模型用于表征图像序列与移动轨迹特征数据的对应关系。作为示例，轨迹预测编码模型可以包括卷积神经网络(例如Unet分割网络)，该网络可以从输入的每一帧图像中确定可移动设备图像的位置、朝向以及大小等信息，并将不同帧之间的同一可移动设备识别出来并赋予相同的标识，输出每个可移动设备图像对应的移动轨迹特征数据。通常，移动轨迹特征数据可以为向量的形式，向量中的各个元素用于表征可移动设备的速度、位置、转向角度等特征。
轨迹预测编码模型可以是利用机器学习方法，基于预设的训练样本，对初始模型进行训练得到的模型。例如，训练样本可以包括样本图像序列和对样本图像序列中的每个样本图像标注的可移动设备的移动轨迹特征数据，电子设备可以将样本图像序列作为初始模型的输入，将输入的样本图像序列中的每个样本图像对应的移动轨迹特征数据作为期望输出，训练初始模型，得到轨迹预测编码模型。
步骤203，对于当前图像帧中的每个可移动设备图像，获取该可移动设备图像的移动习惯特征数据，并基于该可移动设备图像的移动习惯特征数据和移动轨迹特征数据，生成该可移动设备图像的轨迹预测用特征数据。
在本实施例中，对于当前图像帧中的每个可移动设备图像，电子设备可以执行如下步骤：
首先，获取该可移动设备图像的移动习惯特征数据。其中，移动习惯特征数据用于表征每个可移动设备图像指示的可移动设备的移动习惯。例如，移动习惯可以包括但不限于以下至少一种：移动速度、加速度、加速频率、减速频率、超车频率等。移动习惯特征数据可以是预先生成并存储的。
然后，基于该可移动设备图像的移动习惯特征数据和移动轨迹特征数据，生成该可移动设备图像的轨迹预测用特征数据。
可选的，电子设备可以将该可移动设备图像的移动习惯特征数据和移动轨迹特征数据合并，得到该可移动设备图像的预测用特征数据。通常，移动习惯特征数据和移动轨迹特征数据为向量，电子设备可以将两个向量合并为一个向量作为轨迹预测用特征数据。所生成的轨迹预测用特征数据由于针对不同的可移动设备添加了相应的移动习惯特征数据，因此，可以在轨迹预测时涉及到可移动设备的移动习惯，提高轨迹预测的准确性。
此外，电子设备还可以将合并后所得到的向量进行降维、升维等操作后，将得到的向量作为轨迹预测用特征数据。
步骤204，将每个可移动设备图像的轨迹预测用特征数据输入预先训练的轨迹预测解码模型，得到每个可移动设备图像的轨迹预测信息。
在本实施例中，电子设备可以将每个可移动设备图像的轨迹预测用特征数据输入预先训练的轨迹预测解码模型，得到每个可移动设备图像的轨迹预测信息。其中，轨迹预测信息用于表征可移动设备在未来的一段时间的移动轨迹。通常，在得到轨迹预测信息之后，可以以各种形式输出，例如在与电子设备连接的显示器上显示。轨迹预测信息可以包括但不限于以下至少一种形式的信息：图像、符号、数字等。
上述轨迹预测解码模型用于表征预测用特征数据与轨迹预测信息之间的对应关系。作为示例，轨迹预测解码模型可以包括诸如RNN(Recurrent Neural Network，循环神经网络)、LSTM(Long Short-Term Memory，长短期记忆网络)等用于分析时序数据的神经网络。电子设备可以利用机器学习方法，基于预设的训练样本，对初始模型进行训练，从而得到轨迹预测解码模型。
本公开的上述实施例提供的方法，通过实时获取目标摄像头拍摄的第一图像序列，再对第一图像序列进行识别，得到可移动设备图像的移动轨迹特征数据，再获取每个可移动设备图像的移动习惯特征数据，根据移动轨迹特征数据和移动习惯特征数据生成预测用特征数据，最后利用预测用特征数据进行轨迹预测，得到每个可移动设备图像的轨迹预测信息，从而实现了针对不同的可移动设备，获取不同的移动习惯特征数据进行轨迹预测，提高了轨迹预测的准确性。
在一些可选的实现方式中，在步骤204之后，电子设备还可以基于每个可移动设备图像的轨迹预测信息，在当前图像帧及当前图像帧之后的图像帧中显示每个可移动设备图像的预测位置标记。通常，电子设备可以预测出未来一段时间每个可移动设备图像在该段时间内拍摄的图像帧中的位置，该段时间可以是拍摄预设数量(例如20)的图像帧所占用的时间段。本实现方式可以在显示器上实时地显示各个可移动设备的预测轨迹，有助于向用户展示各个可移动设备即将达到的位置。
在一些可选的实现方式中，步骤203中，电子设备可以按照如下步骤获取可移动设备图像的移动习惯特征数据：
判断是否存在预先存储的可移动设备图像的移动习惯特征数据，如存在，则获取预先存储的可移动设备图像的移动习惯特征数据，如不存在，则随机生成移动习惯特征数据。
通常，移动习惯特征数据可以存储在预设的存储器中，该存储器可以设置在电子设备本地，也可以设置在与电子设备通信连接的其他电子设备中。每个可移动设备图像具有对应的标识，上述存储器中预先存储有多个移动设备图像的标识和对应的移动习惯特征数据。电子设备可以根据每个可移动设备图像的标识，从存储器中查找对应的移动习惯特征数据。存储的移动习惯特征数据是电子设备在当前时刻之前，基于各个图像帧中包括的可移动设备图像所生成的数据。上述随机生成移动习惯特征数据的方法可以是各种随机生成数据的方法，例如高斯分布随机抽样方法。
本实现方式通过获取预先存储的移动习惯特征数据，可以快速地得到某个可移动设备的移动习惯特征数据，有助于实现实时地对可移动设备的轨迹进行预测。
参见图3，图3是根据本实施例的轨迹预测方法的应用场景的一个示意图。在图3的应用场景中，电子设备301首先获取道路监控摄像头302(即目标摄像头)当前拍摄的第一图像序列303。其中，第一图像序列303包括6帧图像，每帧图像中包括车辆图像，例如图3所示的车辆图像3031和3032(即可移动设备图像)。然后，电子设备301将第一图像序列303输入预先训练的轨迹预测编码模型304，得到车辆图像3031和3032分别对应的移动轨迹特征数据3051和3052。再然后，电子设备301从存储器306中获取车辆图像3031和3032分别对应的移动习惯特征数据3061和3062，并将移动习惯特征数据3061和3062分别与移动轨迹特征数据3051和3052合并，得到车辆图像3031和3032分别对应的轨迹预测用特征数据3071和3072。最后，电子设备301将轨迹预测用特征数据3071和3072输入预先训练的轨迹预测解码模型308，得到车辆图像3031和3032分别对应的轨迹预测信息3091和3092，并根据轨迹预测信息3091和3092在当前图像中显示车辆图像3031和3032的预测轨迹。
进一步参考图4，示出了轨迹预测方法的又一个实施例的流程示意图。如图4所示，在上述图2所示实施例的基础上，在步骤201之前，电子设备可以执行如下步骤以得到移动习惯特征数据：
步骤401，获取目标摄像头拍摄的第二图像序列。
在本实施例中，电子设备可以从本地或从远程获取上述目标摄像头拍摄的第二图像序列。其中，第二图像序列中的第二图像中包括至少一个可移动设备图像。第二图像序列可以是当前时刻之前拍摄的图像序列。
步骤402，将第二图像序列输入预先训练的移动习惯识别模型，得到第二图像包括的可移动设备图像分别对应的移动习惯特征数据。
在本实施例中，电子设备可以将第二图像序列输入预先训练的移动习惯识别模型，得到第二图像包括的可移动设备图像分别对应的移动习惯特征数据。其中，移动习惯识别模型用于表征图像序列与移动习惯特征数据的对应关系。作为示例，移动习惯识别模型可以包括诸如LSTM、RNN、条件随机场等用于分析序列数据的模型。该模型可以从输入的每一帧图像中确定可移动设备图像的位置、朝向以及大小等信息，并将不同帧之间的同一可移动设备识别出来并赋予相同的标识，并针对多个图像帧中的对应于同一可移动设备的可移动设备图像的位置移动方式进行分析，从而得到移动习惯特征数据。
通常，电子设备可以利用机器学习方法，预先利用预设的训练样本对初始模型进行训练，得到移动习惯识别模型。
步骤403，将移动习惯特征数据存储。
在本实施例中，电子设备可以将移动习惯特征数据存储到存储器中。存储器可以设置在本地，也可以设置在与电子设备通信连接的其他电子设备中。电子设备可以将每个移动习惯特征数据和对应的可移动设备的标识关联存储，从而使电子设备可以根据可移动设备的标识从存储器中查找对应的移动习惯特征数据。
上述图4对应实施例提供的方法，通过使用预先训练的移动习惯识别模型对第二图像序列进行分析，得到移动习惯特征数据并存储，从而预先针对不同的可移动设备，确定每个可移动设备的移动习惯，从而实现了将各个可移动设备的移动习惯特征数据预先存储，有助于在轨迹预测时，将各个可移动设备的移动习惯作为轨迹预测的依据之一，有利于提高轨迹预测的准确性。
在一些可选的实现方式中，上述步骤402可以如下执行：
首先，将第二图像序列输入移动习惯识别模型包括的移动状态识别模型，得到至少一个设备移动状态信息。其中，至少一个移动状态信息中的每个移动状态信息用于表征同一可移动设备的移动状态。移动状态可以包括但不限于以下至少一种：可移动设备图像在图像中的位置、可移动设备图像的移动速度、可移动设备的加速度等信息。
移动习惯识别模型用于表征图像序列与移动状态信息的对应关系。作为示例，移动习惯识别模型可以包括各种目标检测网络(例如Unet网络、SSD(Single Shot MultiBoxDetector)网络、DPM(Deformable Part Model)网络、RPN(Region Proposal Networks)网络等)，目标检测网络可以从输入的各个图像中确定可移动设备图像的位置，并根据各个图像中的可移动设备图像的特征，确定表征同一可移动设备的可移动设备图像在不同的图像中的位置，并为每个可移动设备赋予一个标识。从而根据同一标识对应的多个可移动图像的位置得到移动状态信息。
然后，将至少一个设备移动状态信息输入移动习惯识别模型包括的移动习惯特征提取模型，得到第二图像包括的可移动设备图像分别对应的移动习惯特征数据。
其中，移动习惯特征提取模型用于表征移动状态信息与移动习惯特征数据的对应关系。作为示例，移动习惯特征提取模型可以包括LSTM模型、RNN模型等用于处理时序数据的模型。该模型可以根据不同时刻的可移动设备图像在第二图像中的位置，确定不同图像帧之间的可移动设备图像的位置关系，从而得到用于表征各个标识分别对应的可移动设备的移动习惯的移动习惯特征数据。
本实现方式通过使用移动状态识别模型和移动习惯特征提取模型，对第二图像序列进行分析以得到移动习惯特征数据，从而可以利用训练得到模型的数据分析能力，提高生成移动习惯特征数据的准确性。
示例性装置
图5是本公开一示例性实施例提供的轨迹预测装置的结构示意图。本实施例可应用在电子设备上，如图5所示，轨迹预测装置包括：第一获取模块501，用于获取目标摄像头拍摄的包括当前图像帧的第一图像序列，其中，第一图像序列的第一图像中包括至少一个可移动设备图像；编码模块502，用于将第一图像序列输入预先训练的轨迹预测编码模型，得到当前图像帧中的每个可移动设备图像的移动轨迹特征数据；生成模块503，用于对于当前图像帧中的每个可移动设备图像，获取该可移动设备图像的移动习惯特征数据，并基于该可移动设备图像的移动习惯特征数据和移动轨迹特征数据，生成该可移动设备图像的轨迹预测用特征数据；解码模块504，用于将每个可移动设备图像的轨迹预测用特征数据输入预先训练的轨迹预测解码模型，得到每个可移动设备图像的轨迹预测信息。
在本实施例中，第一获取模块501可以从远程或从本地获取目标摄像头拍摄的包括当前图像帧的第一图像序列。其中，第一图像序列的第一图像中包括至少一个可移动设备图像。目标摄像头可以是用于对道路上的可移动设备进行拍摄以得到第一图像序列的摄像头，例如图1所示的可移动设备104上安装的摄像头。目标摄像头可以实时地对道路上的可移动设备进行拍摄，得到第一图像序列，第一图像序列包括的第一图像的数量可以是预设的数量，例如当前时刻之前的预设时间长内拍摄的各个图像作为第一图像序列。
在本实施例中，编码模块502可以将第一图像序列输入预先训练的轨迹预测编码模型，得到当前图像帧中的每个可移动设备图像的移动轨迹特征数据。其中，移动轨迹特征数据用于表征可移动设备图像指示的可移动设备的速度、位置、所在车道、转弯角度等特征。
轨迹预测编码模型用于表征图像序列与移动轨迹特征数据的对应关系。作为示例，轨迹预测编码模型可以包括卷积神经网络(例如Unet分割网络)，该网络可以从输入的每一帧图像中确定可移动设备图像的位置、朝向以及大小等信息，并将不同帧之间的同一可移动设备识别出来并赋予相同的标识，输出每个可移动设备图像对应的移动轨迹特征数据。通常，移动轨迹特征数据可以为向量的形式，向量中的各个元素用于表征可移动设备的速度、位置、转向角度等特征。
轨迹预测编码模型可以是利用机器学习方法，基于预设的训练样本，对初始模型进行训练得到的模型。例如，训练样本可以包括样本图像序列和对样本图像序列中的每个样本图像标注的可移动设备的移动轨迹特征数据，编码模块502可以将样本图像序列作为初始模型的输入，将输入的样本图像序列中的每个样本图像对应的移动轨迹特征数据作为期望输出，训练初始模型，得到轨迹预测编码模型。
在本实施例中，对于当前图像帧中的每个可移动设备图像，生成模块503可以执行如下步骤：
首先，获取每个可移动设备图像的移动习惯特征数据。其中，移动习惯特征数据用于表征每个可移动设备图像指示的可移动设备的移动习惯。例如，移动习惯可以包括但不限于以下至少一种：移动速度、加速度、加速频率、减速频率、超车频率等。移动习惯特征数据可以是预先生成并存储的。
然后，基于该可移动设备图像的移动习惯特征数据和移动轨迹特征数据，生成该可移动设备图像的轨迹预测用特征数据。
在本实施例中，解码模块504可以将每个可移动设备图像的轨迹预测用特征数据输入预先训练的轨迹预测解码模型，得到每个可移动设备图像的轨迹预测信息。其中，轨迹预测信息用于表征可移动设备在未来的一段时间的移动轨迹。通常，在得到轨迹预测信息之后，可以以各种形式输出，例如在与上述装置连接的显示器上显示。轨迹预测信息可以包括但不限于以下至少一种形式的信息：图像、符号、数字等。
上述轨迹预测解码模型用于表征预测用特征数据与轨迹预测信息之间的对应关系。作为示例，轨迹预测解码模型可以包括诸如RNN(Recurrent Neural Network，循环神经网络)、LSTM(Long Short-Term Memory，长短期记忆网络)等用于分析时序数据的神经网络。上述装置或其他电子设备可以利用机器学习方法，基于预设的训练样本，对初始模型进行训练，从而得到轨迹预测解码模型。
参照图6，图6是本公开另一示例性实施例提供的轨迹预测装置的结构示意图。
在一些可选的实现方式中，生成模块503可以进一步用于：判断是否存在预先存储的可移动设备图像的移动习惯特征数据，如存在，则获取预先存储的可移动设备图像的移动习惯特征数据，如不存在，则随机生成移动习惯特征数据。
在一些可选的实现方式中，生成模块503可以进一步用于：将该可移动设备图像的移动习惯特征数据和移动轨迹特征数据合并，得到该可移动设备图像的预测用特征数据。
在一些可选的实现方式中，该装置还可以包括：第二获取模块505，用于获取目标摄像头拍摄的第二图像序列，其中，第二图像序列中的第二图像中包括至少一个可移动设备图像；识别模块506，用于将第二图像序列输入预先训练的移动习惯识别模型，得到第二图像包括的可移动设备图像分别对应的移动习惯特征数据；存储模块507，用于将移动习惯特征数据存储。
在一些可选的实现方式中，识别模块506可以包括：第一识别单元5061，用于将第二图像序列输入移动习惯识别模型包括的移动状态识别模型，得到至少一个设备移动状态信息，其中，至少一个移动状态信息中的每个移动状态信息用于表征同一可移动设备的移动状态；第二识别单元5062，用于将至少一个设备移动状态信息输入移动习惯识别模型包括的移动习惯特征提取模型，得到第二图像包括的可移动设备图像分别对应的移动习惯特征数据。
在一些可选的实现方式中，该装置还可以包括：显示模块508，用于基于每个可移动设备图像的轨迹预测信息，在当前图像帧及当前图像帧之后的图像帧中显示每个可移动设备图像的预测位置标记。
本公开上述实施例提供的轨迹预测装置，通过实时获取目标摄像头拍摄的第一图像序列，再对第一图像序列进行识别，得到可移动设备图像的移动轨迹特征数据，再获取每个可移动设备图像的移动习惯特征数据，根据移动轨迹特征数据和移动习惯特征数据生成预测用特征数据，最后利用预测用特征数据进行轨迹预测，得到每个可移动设备图像的轨迹预测信息，从而实现了针对不同的可移动设备，获取不同的移动习惯特征数据进行轨迹预测，提高了轨迹预测的准确性。
示例性电子设备
下面，参考图7来描述根据本公开实施例的电子设备。该电子设备可以是如图1所示的终端设备101和服务器103中的任一个或两者、或与它们独立的单机设备，该单机设备可以与终端设备101和服务器103进行通信，以从它们接收所采集到的输入信号。
图7图示了根据本公开实施例的电子设备的框图。
如图7所示，电子设备700包括一个或多个处理器701和存储器702。
处理器701可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备700中的其他组件以执行期望的功能。
存储器702可以包括一个或多个计算机程序产品，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器701可以运行程序指令，以实现上文的本公开的各个实施例的轨迹预测方法以及/或者其他期望的功能。在计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中，电子设备700还可以包括：输入装置703和输出装置704，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
例如，在该电子设备是终端设备101或服务器103时，该输入装置703可以是摄像头等设备，用于输入图像。在该电子设备是单机设备时，该输入装置703可以是通信网络连接器，用于从终端设备101和服务器103接收所输入的图像。
该输出装置704可以向外部输出各种信息，包括轨迹预测信息。该输出设备704可以包括例如显示器、扬声器、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图7中仅示出了该电子设备700中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备700还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的轨迹预测方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的轨迹预测方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
可能以许多方式来实现本公开的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种轨迹预测方法，包括：
获取目标摄像头拍摄的包括当前图像帧的第一图像序列，其中，所述第一图像序列的第一图像中包括至少一个可移动设备图像；
将所述第一图像序列输入预先训练的轨迹预测编码模型，得到所述当前图像帧中的每个可移动设备图像的移动轨迹特征数据；
对于所述当前图像帧中的每个可移动设备图像，获取该可移动设备图像的移动习惯特征数据，并基于该可移动设备图像的移动习惯特征数据和移动轨迹特征数据，生成该可移动设备图像的轨迹预测用特征数据；
将所述每个可移动设备图像的轨迹预测用特征数据输入预先训练的轨迹预测解码模型，得到所述每个可移动设备图像的轨迹预测信息。
2.根据权利要求1所述的方法，其中，所述获取该可移动设备图像的移动习惯特征数据，包括：
判断是否存在预先存储的可移动设备图像的移动习惯特征数据，如存在，则获取预先存储的可移动设备图像的移动习惯特征数据，如不存在，则随机生成移动习惯特征数据。
3.根据权利要求1所述的方法，其中，所述基于该可移动设备图像的移动习惯特征数据和移动轨迹特征数据，生成该可移动设备图像的轨迹预测用特征数据，包括：
将该可移动设备图像的移动习惯特征数据和移动轨迹特征数据合并，得到该可移动设备图像的预测用特征数据。
4.根据权利要求2所述的方法，其中，在所述获取目标摄像头拍摄的包括当前图像帧的第一图像序列之前，所述方法还包括：
获取所述目标摄像头拍摄的第二图像序列，其中，所述第二图像序列中的第二图像中包括至少一个可移动设备图像；
将所述第二图像序列输入预先训练的移动习惯识别模型，得到所述第二图像包括的可移动设备图像分别对应的移动习惯特征数据；
将所述移动习惯特征数据存储。
5.根据权利要求4所述的方法，其中，所述将所述第二图像序列输入预先训练的移动习惯识别模型，得到所述第二图像包括的可移动设备图像分别对应的移动习惯特征数据，包括：
将所述第二图像序列输入所述移动习惯识别模型包括的移动状态识别模型，得到至少一个设备移动状态信息，其中，所述至少一个移动状态信息中的每个移动状态信息用于表征同一可移动设备的移动状态；
将所述至少一个设备移动状态信息输入所述移动习惯识别模型包括的移动习惯特征提取模型，得到所述第二图像包括的可移动设备图像分别对应的移动习惯特征数据。
6.根据权利要求1-5之一所述的方法，其中，在所述得到所述每个可移动设备图像的轨迹预测信息之后，所述方法还包括：
基于所述每个可移动设备图像的轨迹预测信息，在所述当前图像帧及当前图像帧之后的图像帧中显示所述每个可移动设备图像的预测位置标记。
7.一种轨迹预测装置，包括：
第一获取模块，用于获取目标摄像头拍摄的包括当前图像帧的第一图像序列，其中，所述第一图像序列的第一图像中包括至少一个可移动设备图像；
编码模块，用于将所述第一图像序列输入预先训练的轨迹预测编码模型，得到所述当前图像帧中的每个可移动设备图像的移动轨迹特征数据；
生成模块，用于对于所述当前图像帧中的每个可移动设备图像，获取该可移动设备图像的移动习惯特征数据，并基于该可移动设备图像的移动习惯特征数据和移动轨迹特征数据，生成该可移动设备图像的轨迹预测用特征数据；
解码模块，用于将所述每个可移动设备图像的轨迹预测用特征数据输入预先训练的轨迹预测解码模型，得到所述每个可移动设备图像的轨迹预测信息。
8.根据权利要求7所述的装置，其中，所述生成模块进一步用于：
判断是否存在预先存储的可移动设备图像的移动习惯特征数据，如存在，则获取预先存储的可移动设备图像的移动习惯特征数据，如不存在，则随机生成移动习惯特征数据。
9.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-6任一所述的方法。
10.一种电子设备，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-6任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911032275.2A CN110751683A (zh) | 2019-10-28 | 2019-10-28 | 轨迹预测方法、装置、可读存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911032275.2A CN110751683A (zh) | 2019-10-28 | 2019-10-28 | 轨迹预测方法、装置、可读存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110751683A true CN110751683A (zh) | 2020-02-04 |
Family
ID=69280449
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911032275.2A Pending CN110751683A (zh) | 2019-10-28 | 2019-10-28 | 轨迹预测方法、装置、可读存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110751683A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111626219A (zh) * | 2020-05-28 | 2020-09-04 | 深圳地平线机器人科技有限公司 | 轨迹预测模型生成方法、装置、可读存储介质及电子设备 |
| CN111639591A (zh) * | 2020-05-28 | 2020-09-08 | 深圳地平线机器人科技有限公司 | 轨迹预测模型生成方法、装置、可读存储介质及电子设备 |
| CN112771842A (zh) * | 2020-06-02 | 2021-05-07 | 深圳市大疆创新科技有限公司 | 成像方法、成像装置、计算机可读存储介质 |
| CN113011323A (zh) * | 2021-03-18 | 2021-06-22 | 北京百度网讯科技有限公司 | 通行状态的获取方法、相关装置、路侧设备及云控平台 |
| CN113031600A (zh) * | 2021-03-02 | 2021-06-25 | 京东鲲鹏(江苏)科技有限公司 | 一种轨迹生成方法、装置、存储介质及电子设备 |
| CN113311984A (zh) * | 2020-02-27 | 2021-08-27 | 北京小米移动软件有限公司 | 触摸屏轨迹的数据处理方法和装置、移动终端及电子设备 |
| CN113379096A (zh) * | 2020-02-25 | 2021-09-10 | 本田技研工业株式会社 | 基于合成字段的单发(single shot)预测 |
| CN113435355A (zh) * | 2021-06-30 | 2021-09-24 | 中国农业大学 | 多目标奶牛身份识别方法及系统 |
| CN113703015A (zh) * | 2020-05-22 | 2021-11-26 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、设备及介质 |
| CN114140553A (zh) * | 2021-11-26 | 2022-03-04 | 武汉中海庭数据技术有限公司 | 一种基于条件变分自编码器的路口引导线生成方法及系统 |
| CN115265277A (zh) * | 2022-08-01 | 2022-11-01 | 北京千禧卫通装备技术有限公司 | 基于直升机无控武器动中精准射击系统及方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106767867A (zh) * | 2016-12-08 | 2017-05-31 | 努比亚技术有限公司 | 车辆导航装置和方法 |
| CN106864361A (zh) * | 2017-02-14 | 2017-06-20 | 驭势科技（北京）有限公司 | 车辆与车外人车交互的方法、系统、装置和存储介质 |
| CN107665579A (zh) * | 2016-07-27 | 2018-02-06 | 上海博泰悦臻网络技术服务有限公司 | 一种用户驾驶行为监控方法及装置 |
| CN108694367A (zh) * | 2017-04-07 | 2018-10-23 | 北京图森未来科技有限公司 | 一种驾驶行为模型的建立方法、装置和系统 |
| CN109059944A (zh) * | 2018-06-06 | 2018-12-21 | 上海国际汽车城（集团）有限公司 | 基于驾驶习惯学习的运动规划方法 |
| CN110015306A (zh) * | 2018-01-10 | 2019-07-16 | 华为技术有限公司 | 驾驶轨迹获取方法及装置 |
| CN110297494A (zh) * | 2019-07-15 | 2019-10-01 | 吉林大学 | 一种基于滚动博弈的自动驾驶车辆换道决策方法及系统 |
| CN110363320A (zh) * | 2018-03-26 | 2019-10-22 | 腾讯大地通途（北京）科技有限公司 | 一种预测估计到达时间的方法、装置和计算设备 |
-
2019
- 2019-10-28 CN CN201911032275.2A patent/CN110751683A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107665579A (zh) * | 2016-07-27 | 2018-02-06 | 上海博泰悦臻网络技术服务有限公司 | 一种用户驾驶行为监控方法及装置 |
| CN106767867A (zh) * | 2016-12-08 | 2017-05-31 | 努比亚技术有限公司 | 车辆导航装置和方法 |
| CN106864361A (zh) * | 2017-02-14 | 2017-06-20 | 驭势科技（北京）有限公司 | 车辆与车外人车交互的方法、系统、装置和存储介质 |
| CN108694367A (zh) * | 2017-04-07 | 2018-10-23 | 北京图森未来科技有限公司 | 一种驾驶行为模型的建立方法、装置和系统 |
| CN110015306A (zh) * | 2018-01-10 | 2019-07-16 | 华为技术有限公司 | 驾驶轨迹获取方法及装置 |
| CN110363320A (zh) * | 2018-03-26 | 2019-10-22 | 腾讯大地通途（北京）科技有限公司 | 一种预测估计到达时间的方法、装置和计算设备 |
| CN109059944A (zh) * | 2018-06-06 | 2018-12-21 | 上海国际汽车城（集团）有限公司 | 基于驾驶习惯学习的运动规划方法 |
| CN110297494A (zh) * | 2019-07-15 | 2019-10-01 | 吉林大学 | 一种基于滚动博弈的自动驾驶车辆换道决策方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 杜军平 等著: "《跨尺度运动图像的目标检测与跟踪》", 30 June 2018 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113379096B (zh) * | 2020-02-25 | 2024-05-14 | 本田技研工业株式会社 | 基于合成字段的单发(single shot)预测 |
| CN113379096A (zh) * | 2020-02-25 | 2021-09-10 | 本田技研工业株式会社 | 基于合成字段的单发(single shot)预测 |
| CN113311984A (zh) * | 2020-02-27 | 2021-08-27 | 北京小米移动软件有限公司 | 触摸屏轨迹的数据处理方法和装置、移动终端及电子设备 |
| CN113703015B (zh) * | 2020-05-22 | 2024-05-03 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、设备及介质 |
| CN113703015A (zh) * | 2020-05-22 | 2021-11-26 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、设备及介质 |
| CN111639591B (zh) * | 2020-05-28 | 2023-06-30 | 深圳地平线机器人科技有限公司 | 轨迹预测模型生成方法、装置、可读存储介质及电子设备 |
| CN111626219B (zh) * | 2020-05-28 | 2023-06-09 | 深圳地平线机器人科技有限公司 | 轨迹预测模型生成方法、装置、可读存储介质及电子设备 |
| CN111626219A (zh) * | 2020-05-28 | 2020-09-04 | 深圳地平线机器人科技有限公司 | 轨迹预测模型生成方法、装置、可读存储介质及电子设备 |
| CN111639591A (zh) * | 2020-05-28 | 2020-09-08 | 深圳地平线机器人科技有限公司 | 轨迹预测模型生成方法、装置、可读存储介质及电子设备 |
| CN112771842A (zh) * | 2020-06-02 | 2021-05-07 | 深圳市大疆创新科技有限公司 | 成像方法、成像装置、计算机可读存储介质 |
| CN113031600A (zh) * | 2021-03-02 | 2021-06-25 | 京东鲲鹏(江苏)科技有限公司 | 一种轨迹生成方法、装置、存储介质及电子设备 |
| CN113031600B (zh) * | 2021-03-02 | 2023-09-05 | 京东鲲鹏(江苏)科技有限公司 | 一种轨迹生成方法、装置、存储介质及电子设备 |
| CN113011323A (zh) * | 2021-03-18 | 2021-06-22 | 北京百度网讯科技有限公司 | 通行状态的获取方法、相关装置、路侧设备及云控平台 |
| US11783588B2 (en) | 2021-03-18 | 2023-10-10 | Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. | Method for acquiring traffic state, relevant apparatus, roadside device and cloud control platform |
| CN113435355A (zh) * | 2021-06-30 | 2021-09-24 | 中国农业大学 | 多目标奶牛身份识别方法及系统 |
| CN114140553A (zh) * | 2021-11-26 | 2022-03-04 | 武汉中海庭数据技术有限公司 | 一种基于条件变分自编码器的路口引导线生成方法及系统 |
| CN115265277A (zh) * | 2022-08-01 | 2022-11-01 | 北京千禧卫通装备技术有限公司 | 基于直升机无控武器动中精准射击系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110751683A (zh) | 轨迹预测方法、装置、可读存储介质及电子设备 | |
| CN109598066B (zh) | 预测模块的效果评估方法、装置、设备和存储介质 | |
| US10817714B2 (en) | Method and apparatus for predicting walking behaviors, data processing apparatus, and electronic device | |
| CN106952303B (zh) | 车距检测方法、装置和系统 | |
| KR102339323B1 (ko) | 타겟 인식 방법, 장치, 저장 매체 및 전자 기기 | |
| US9881221B2 (en) | Method and system for estimating gaze direction of vehicle drivers | |
| WO2020042984A1 (zh) | 一种车辆行为检测方法及装置 | |
| US11709282B2 (en) | Asset tracking systems | |
| Liu et al. | SafeShareRide: Edge-based attack detection in ridesharing services | |
| CN107944382B (zh) | 目标跟踪方法、装置及电子设备 | |
| CN111626219A (zh) | 轨迹预测模型生成方法、装置、可读存储介质及电子设备 | |
| US11250279B2 (en) | Generative adversarial network models for small roadway object detection | |
| CN110119725B (zh) | 用于检测信号灯的方法及装置 | |
| CN111639591B (zh) | 轨迹预测模型生成方法、装置、可读存储介质及电子设备 | |
| CN111563398A (zh) | 用于确定目标物的信息的方法和装置 | |
| CN112434566A (zh) | 客流统计方法、装置、电子设备及存储介质 | |
| CN110853364B (zh) | 数据监控方法和装置 | |
| CN116823884A (zh) | 多目标跟踪方法、系统、计算机设备及存储介质 | |
| Zarei et al. | Real‐time vehicle detection using segmentation‐based detection network and trajectory prediction | |
| CN115761692A (zh) | 轨迹预测方法、装置、可读存储介质和电子设备 | |
| CN113496167B (zh) | 确定目标运动轨迹的方法和装置 | |
| CN113610030A (zh) | 行为识别方法和行为识别装置 | |
| Sankaranarayanan et al. | Improved Vehicle Detection Accuracy and Processing Time for Video Based ITS Applications | |
| CN113689465B (zh) | 对目标对象进行预测的方法及装置、存储介质及电子设备 | |
| US11921601B1 (en) | Device configuration using sensitivity analysis |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200204 |