CN110942181A - 一种障碍物轨迹预测的方法及装置 - Google Patents

一种障碍物轨迹预测的方法及装置 Download PDF

Info

Publication number
CN110942181A
CN110942181A CN201911108687.XA CN201911108687A CN110942181A CN 110942181 A CN110942181 A CN 110942181A CN 201911108687 A CN201911108687 A CN 201911108687A CN 110942181 A CN110942181 A CN 110942181A
Authority
CN
China
Prior art keywords
data
image
obstacle
training
acquired
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
Application number
CN201911108687.XA
Other languages
English (en)
Inventor
任冬淳
郭潇阳
朱炎亮
穆荣均
夏华夏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN201911108687.XA priority Critical patent/CN110942181A/zh
Publication of CN110942181A publication Critical patent/CN110942181A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Multimedia (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本说明书公开了一种障碍物轨迹预测的方法及装置，无人驾驶设备基于确定出的环境特征数据，可以预测出经过设定时间后采集到的障碍物的图像数据，而基于预测图像中障碍物的图像所处的位置，可以预测出障碍物未来所处的位置。随着得到的预测图像的数量的不断增加，基于障碍物的图像在各预测图像中的位置最终可以得到障碍物未来一段时间内的运动轨迹，从而使得无人驾驶设备可以基于预测出的障碍物的运动轨迹，对障碍物进行及时的避让，进一步地保证了无人驾驶设备的行进安全。

Description

一种障碍物轨迹预测的方法及装置
技术领域
本说明书涉及无人驾驶设备领域，尤其涉及一种障碍物轨迹预测的方法及装置。
背景技术
目前，无人车、机器人等无人驾驶设备已在多个领域中得到了广泛的应用。而随着科技水平的不断提升，无人驾驶设备还将在各个领域得到进一步地发展，从而给人们的实际生活带来更多的便利。
为了保障无人驾驶设备能够顺利行驶，需要对无人驾驶设备所处周围环境包含的各障碍物的行驶状况进行预测，以使无人驾驶设备在行驶过程中能够根据预测出的各障碍物的行驶状况对各障碍物进行及时的避让。
以无人车为例，在现有技术中无人车可以通过诸如激光雷达、红外等传感器采集传感数据，并根据采集到的传感数据来预测无人车周围障碍物在未来一段时间内所处的车道。
然而，虽然无人车可以通过现有技术来预测周围障碍物在未来一段时间内所处的车道，但却不能预测出周围障碍物未来一段时间的运动轨迹，这就导致无人车在预测出周围障碍物接下来所处的车道后可能依然会和周围障碍物发生碰撞，即，通过现有技术无法保证无人车的顺利行驶。
所以，如何能够对无人驾驶设备周围的障碍物的运动轨迹进行预测，则是一个亟待解决的问题。
发明内容
本说明书提供一种障碍物轨迹预测的方法及装置，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种障碍物轨迹预测的方法，包括：
获取无人驾驶设备采集的障碍物的传感数据，并确定所述无人驾驶设备采集所述传感数据时的位置信息，所述传感数据包括：所述障碍物的图像数据；
将所述传感数据以及所述位置信息输入到特征分析模型，以确定所述障碍物对应的环境特征数据；
将所述环境特征数据输入到预测模型中，以预测出经过设定时间后采集到的障碍物的图像数据，作为预测图像；
根据所述预测图像，预测所述障碍物的运动轨迹。
可选地，获取无人驾驶设备采集的障碍物的传感数据，具体包括：
获取所述无人驾驶设备连续采集的所述障碍物的传感数据；
将所述传感数据以及所述位置信息输入到特征分析模型，以确定所述障碍物对应的环境特征数据，具体包括：
针对获取到的每个传感数据，将该传感数据以及所述无人驾驶设备采集该传感数据所基于的位置信息输入到所述特征分析模型中，以确定该传感数据对应的环境特征数据。
可选地，将所述环境特征数据输入到预测模型中，以预测出经过设定时间后采集到的障碍物的图像数据，作为预测图像，具体包括：
针对每个传感数据，将该传感数据对应的环境特征数据输入所述预测模型中，以预测出经过所述设定时间后所述无人驾驶设备采集到的障碍物的图像数据，作为该传感数据对应的预测图像。
可选地，根据所述预测图像，预测所述障碍物的运动轨迹，具体包括：
根据所述障碍物的图像在每个传感数据对应的预测图像中所处的图像位置，预测所述障碍物的运动轨迹。
可选地，根据所述障碍物的图像在每个传感数据对应的预测图像中所处的图像位置，预测所述障碍物的运动轨迹，具体包括：
根据所述障碍物的图像在每个传感数据对应的预测图像中所处的图像位置，以及预估出的所述无人驾驶设备采集每个传感数据对应的预测图像所基于的实际位置，预测所述障碍物的运动轨迹。
可选地，根据所述障碍物的图像在每个传感数据对应的预测图像中所处的图像位置，以及预估出的所述无人驾驶设备采集每个传感数据对应的预测图像所基于的实际位置，预测所述障碍物的运动轨迹，具体包括：
针对每个传感数据对应的预测图像，根据所述障碍物的图像在该预测图像中所处的图像位置，确定所述无人驾驶设备采集该预测图像时所述障碍物相对于所述无人驾驶设备的相对位置，作为该预测图像对应的障碍物相对位置；
根据该预测图像对应的障碍物相对位置，以及预估出的所述无人驾驶设备采集该预测图像所基于的实际位置，预测所述无人驾驶设备采集该预测图像时所述障碍物的实际位置，作为该预测图像对应的障碍物实际位置；
根据每个预测图像对应的障碍物实际位置，预测所述障碍物的运动轨迹。
可选地，预估所述无人驾驶设备采集每个传感数据对应的预测图像所基于的实际位置，具体包括：
针对每个传感数据，将该传感数据对应的环境特征数据以及预测图像输入到位置预估模型中，以预估出所述无人驾驶设备采集该预测图像所基于的实际位置。
可选地，所述特征分析模型，通过以下方式训练得到：
获取历史上若干次行驶过程中采集的第一训练数据，以及所述第一训练数据对应的第一训练位置信息，所述第一训练数据包括行驶过程中采集到的第一训练图像；
针对每个第一训练数据，将该第一训练数据以及该第一训练数据对应的第一训练位置信息输入到所述特征分析模型中，得到该第一训练数据对应的环境特征数据；
将该第一训练数据对应的环境特征数据输入到与所述特征分析模型对应的对抗模型中，得到第二训练图像；
以最大化该第一训练数据中的第一训练图像与所述第二训练图像之间的相似度为优化目标，调整所述特征分析模型中的参数，直至达到预设训练目标为止。
可选地，所述预测模型，通过以下方式训练得到：
获取历史上若干次行驶过程中采集的第一训练数据以及所述第一训练数据对应的第一训练位置信息，所述第一训练数据包括行驶过程中采集到的第一训练图像；
针对每个第一训练数据，将该第一训练数据以及该第一训练数据对应的第一训练位置信息输入到所述特征分析模型中，得到该第一训练数据对应的环境特征数据；
将该第一训练数据对应的环境特征数据输入到所述预测模型中，得到预测图像；
确定以采集该第一训练数据的时刻起经过设定时间后采集到的图像数据作为目标训练图像；
以最大化所述预测图像与所述目标训练图像之间的相似度为优化目标，调整所述预测模型中的参数，直至达到预设训练目标为止。
可选地，所述位置预估模型，通过以下方式训练得到：
获取历史上若干次行驶过程中采集的第一训练数据以及所述第一训练数据对应的第一训练位置信息，所述第一训练数据包括行驶过程中采集到的第一训练图像；
针对每个第一训练数据，将该第一训练数据以及该第一训练数据对应的第一训练位置信息输入到所述特征分析模型中，得到该第一训练数据对应的环境特征数据；
将该第一训练数据以及该第一训练数据对应的环境特征数据输入到所述位置预估模型中，得到预估位置信息；
以最小化所述预估位置信息与该第一训练数据对应的第一训练位置信息之间的位置偏差为优化目标，调整所述位置预估模型中的参数，直至达到预设训练目标为止。
本说明书提供了一种障碍物轨迹预测的装置，包括：
获取模块，用于获取所述装置采集的障碍物的传感数据，并确定所述装置采集所述传感数据时的位置信息，所述传感数据包括：所述障碍物的图像数据；
特征确定模块，用于将所述传感数据以及所述位置信息输入到特征分析模型，以确定所述障碍物对应的环境特征数据；
图像确定模块，用于将所述环境特征数据输入到预测模型中，以预测出经过设定时间后采集到的障碍物的图像数据，作为预测图像；
轨迹预测模块，用于根据所述预测图像，预测所述障碍物的运动轨迹。
本说明书提供了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障碍物轨迹预测的方法。
本说明书提供了一种电子设备，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障碍物轨迹预测的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
获取无人驾驶设备采集的障碍物的传感数据，并确定该无人驾驶设备采集传感数据时的位置信息，该传感数据中包括无人驾驶设备采集到的障碍物的图像数据，将传感数据及其位置信息输入到特征分析模型，以确定该障碍物对应的环境特征数据，将得到的环境特征数据输入到预测模型中，以预测出经过设定时间后采集到的障碍物的图像数据，作为预测图像，进而根据该预测图像，预测障碍物的运动轨迹。
从上述方法可以看出，无人驾驶设备基于确定出的环境特征数据，可以预测出经过设定时间后采集到的障碍物的图像数据，而基于预测图像中障碍物的图像所处的位置，可以预测出障碍物未来所处的位置。随着得到的预测图像的数量的不断增加，无人驾驶设备可以基于障碍物的图像在各预测图像中的位置最终得到障碍物未来一段时间内的运动轨迹，从而使得无人驾驶设备可以基于预测出的障碍物的运动轨迹，对障碍物进行及时的避让，进一步地保证了无人驾驶设备的行进安全。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书提供的一种障碍物轨迹预测的流程示意图；
图2为本说明书提供的无人驾驶设备行驶过程中采集周围障碍物的传感数据的示意图；
图3为本说明书提供的对特征分析模型进行训练的示意图；
图4为本说明书提供的通过采集到的传感数据得到预测图像的示意图；
图5为本说明书提供的一种障碍物轨迹预测的装置示意图；
图6为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书中技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的一种障碍物轨迹预测的流程示意图，具体包括以下步骤：
S101：获取无人驾驶设备采集的障碍物的传感数据，并确定所述无人驾驶设备采集所述传感数据时的位置信息，所述传感数据包括：所述障碍物的图像数据。
无人驾驶设备在行驶的过程中，可以采集周围障碍物的传感数据，以使无人驾驶设备自身获取到这些传感数据。其中，这里提到的无人驾驶设备是指无人车、机器人、自动配送设备等能够实现自动驾驶的设备。基于此，本说明书提供的障碍物轨迹预测的方法具体可应用于使用无人驾驶设备进行配送的领域，如，使用无人驾驶设备进行快递、物流、外卖等配送的业务场景。而为了保证无人驾驶设备能够在这些业务场景中顺利行进，需要对无人驾驶设备中周围障碍物的运动轨迹进行预测。
无人驾驶设备周围的障碍物是指诸如机动车、行人、护栏、建筑物等能够对无人驾驶设备的行进造成阻碍的物体。而障碍物的传感数据并不是指用于衡量障碍物自身状态的数据，而是指无人驾驶设备通过设置在无人驾驶设备上的图像传感器(如摄像头、深度相机等)采集到周围障碍物的图像数据、通过设置在无人驾驶设备上的测距传感器(如激光雷达、超声波传感器、红外线测距传感器)采集到的与周围障碍物之间的间距等传感数据，如图2所示。
图2为本说明书提供的无人驾驶设备行驶过程中采集周围障碍物的传感数据的示意图。
假设，无人驾驶设备为无人车，在图2中，无人车A的周围有若干机动车行驶，前方人行横道处还有一个过马路的行人，由于这些无人车A周围的机动车以及前方的行人均可能会对无人车A的行驶造成阻碍，所以，均可以算作是无人车A的障碍物。而无人车A在行驶的过程中，可以通过设置在车前处的图像传感器和测距传感器，采集无人车A前方锥形范围内的传感数据，即，采集前方锥形范围内的机动车、行人的图像数据、采集与前方锥形范围内的机动车、行人之间的间距数据等。
需要说明的是，在实际应用中，无人驾驶设备不仅可以采集如图2中所示的前方锥形范围内障碍物的传感数据，也可以采集两侧或是后方的障碍物的传感数据。这主要取决于各传感器在无人驾驶设备上设置的位置。也就是说，可以在无人驾驶设备上四周均设有传感器，相应的，无人驾驶设备在行进过程中，可以采集到四周障碍物的传感数据，这样不仅可以使无人驾驶设备基于采集到的传感数据预测出车前方障碍物的运动轨迹，也可以基于采集到的传感数据，预测出无人驾驶设备左右两侧以及后方的障碍物的运动轨迹，从而进一步地保证了无人驾驶设备在行驶过程中的行驶安全。
在本说明书中，无人驾驶设备在行驶过程中可以不断的采集周围障碍物的传感数据，所以，无人驾驶设备采集到的障碍物的传感数据其实是时间上连续的传感数据，后续无人驾驶设备可以基于通过连续采集所获取到的障碍物的传感数据，来预测障碍物在未来一段时间内的运动轨迹。
而在采集周围障碍物的传感数据的同时，无人驾驶设备也需要确定出采集传感数据时自身所处的位置信息。具体的，无人驾驶设备可以通过全球定位系统(GlobalPositioning System，GPS)对采集传感数据时自身所处的位置进行定位，从而得到相应的位置信息。其中，确定出的位置信息具体可以经纬度的形式进行表示。
由于无人驾驶设备在行驶过程中将连续采集障碍物的传感数据，所以，无人驾驶设备每采集到一个传感数据，就需要确定出采集该传感数据时自身所处的位置信息。即，每个传感数据均对应有一个位置信息。
S102：将所述传感数据以及所述位置信息输入到特征分析模型，以确定所述障碍物对应的环境特征数据。
无人驾驶设备采集到传感数据后，可以将采集到的传感数据以及采集传感数据时的位置信息输入到预先训练的特征分析模型中，从而得到周围障碍物对应的环境特征数据。
由于无人驾驶设备在行驶过程中将连续采集障碍物的传感数据，所以，对于采集到的每个传感数据来说，将该传感数据以及无人驾驶设备采集该传感数据时的位置信息输入到该特征分析模型中，将得到无人驾驶设备采集该传感数据时周围障碍物对应的环境特征数据。也就是说，一个传感数据对应一个环境特征数据。
进一步地，针对每个传感数据，无人驾驶设备可以从该传感数据以及采集该传感数据时的位置信息中提取出特征分析模型所需特征维度的特征数据，进而将提取出的特征数据输入到该特征分析模型中，从而得到无人驾驶设备采集该传感数据时周围障碍物对应的环境特征数据。这里提到的环境特征数据主要用于表征无人驾驶设备采集该传感数据时周围障碍物以及周围环境在图像上的图像特征。而特征分析模型具体可以采用长短期记忆网络(Long Short-Term Memory，LSTM)进行构建。
而从上述可以看出，虽然通过特征分析模型得到的环境特征数据用于表征周围障碍物在图像上的图像特征，但是，输入到特征分析模型中的数据并不只有周围障碍物的图像数据。也就是说，除了需要将周围障碍物的图像数据输入到该特征分析模型中外，还需要将采集到的周围障碍物的其他传感数据以及无人驾驶设备采集传感数据时所基于的位置信息一并输入到特征分析模型中，以通过该其他传感数据以及位置信息，进一步强化并准确的表征出周围障碍物在图像上的图像特征。
为了能够得到准确的环境特征数据，在本说明书中，需要预先对特征分析模型进行训练。其中，对特征分析模型进行训练具体可以采用对抗网络的方式来实施。具体的，可以先获取指定设备(这里提到的驾驶设备可以是无人驾驶设备，也可以是人为驾驶的机动车辆)在历史上若干次行驶过程中采集的第一训练数据，以及采集第一训练数据时所基于的位置信息，作为第一训练位置信息。这里提到的第一训练数据可以是多个指定设备在历史的行驶过程中采集到的数据。采集到的每个第一训练数据均对应一个第一训练位置信息。
在对特征分析模型进行训练的过程中，可以针对每个第一训练数据，将该第一训练数据以及该第一训练数据对应的第一训练位置信息输入到特征分析模型中，以得到该第一训练数据对应的环境特征数据。而后，将该第一训练数据对应的环境特征数据输入到与该特征分析模型对应的对抗模型中，得到该环境特征数据对应的图像数据，作为第二训练图像。进一步地，可以最大化该第一训练数据中的第一训练图像与该第二训练图像之间的相似度为优化目标，调整特征分析模型中的参数，直到达到预设训练目标为止，如图3所示。
图3为本说明书提供的对特征分析模型进行训练的示意图。
图3中所示的第一训练图像为指定设备在历史行驶过程中通过设置在该指定设备左侧的图像传感器采集到的一帧图像。而在对特征分析模型进行训练的过程中，可以将包含有该第一训练图像的第一训练数据以及该第一训练数据对应的位置信息输入到该特征分析模型中，得到环境特征数据，并将该环境特征数据输入到该特征分析模型对应的对抗模型中，得到第二训练图像。
从图3中可以看出，在训练8万次的时候，对抗模型基于特征分析模型输出的环境特征数据还无法输出与第一训练图像相接近的第二训练图像。在训练次数达到16万次时，对抗模型基于特征分析模型输出的环境特征数据能够在一定程度上得到与第一训练图像相接近的第二训练图像，但是，图像中的多处与该第一训练图像还存在较大的差异。随着训练次数的不断增加，在达到48万次训练的训练后，对抗模型基本上可以基于特征分析模型输出的环境特征数据得到与第一训练图像十分接近的第二训练图像，从而达到预设的训练目标。
从上述示例可知，通过不断增加对抗网络的训练次数，特征分析模型能够对第一训练图像中包含的障碍物图像“认知”的更加全面，相应的，特征分析模型输出的环境特征数据能够有效的表征出第一训练图像中各障碍物在图像上的图像特征。进一步地，由于特征分析模型输出的环境特征数据愈发的准确，所以，对抗网络中的对抗模型基于环境特征数据所输出的第二训练图像，也将愈发的接近第一训练图像。换句话说，对抗模型可以基于该环境特征数据，在一定程度上还原出第一训练图像。
在本说明书中，确定第一训练图像和第二训练图像之间相似度的方式可以有很多，例如，可以采用欧式距离、余弦夹角、Jaccard距离等。当然，也可以先确定第一训练图像和第二训练图像之间的证据下界(Evidence Lower Bound，ELBO)，并根据得到的ELBO，确定出第一训练图像和第二训练图像之间的相似度。
由于上述列举出的确定相似度的方式以及确定ELBO的方式均为已经较为成熟的技术，所以，具体的实施过程本说明书不再详细赘述。而需要说明的是，由于确定图像之间相似度的方式较多，所以，本说明书中不对所采用的相似度确定方式进行限定。而对特征分析模型进行训练的执行主体可以是电脑等终端设备，也可以是服务器，本说明书对此不做具体的限定。
S103：将所述环境特征数据输入到预测模型中，以预测出经过设定时间后采集到的障碍物的图像数据，作为预测图像。
在实际应用中，无人驾驶设备通过上述训练后的特征分析模型，得到环境特征数据后，可以将该环境特征数据输入到预先训练的预测模型中，从而预测出经过设定时间后采集到的障碍物的图像数据，作为预测图像。具体的，由于无人驾驶设备连续采集了周围障碍物的多个传感数据，所以，无人驾驶设备通过上述特征分析模型，可以得到每个传感数据对应的环境特征数据。而将每个环境特征数据分别输入到预测模型中后，将得到每个传感数据对应的预测图像。这里提到的预测图像是指预测模型基于环境特征数据所预测出的无人驾驶设备在未来一段时间可能采集到的周围障碍物的图像数据，如图4所示。
图4为本说明书提供的通过采集到的传感数据得到预测图像的示意图。
在图4中，图A为无人驾驶设备在一个时刻采集到的周围障碍物(即图A中的机动车)的一帧图像，无人驾驶设备将采集这一帧图像时所采集到的周围障碍物的传感数据(包括这一帧图像)以及采集该传感数据时的位置信息输入到特征分析模型中，得到相应的环境特征数据。而无人驾驶设备将该环境特征数据输入到预测模型中后，将得到图B所示的预测图像。从图B中可以看出，周围障碍物相对于无人驾驶设备的位置发生了变化，而这一变化其实是无人驾驶设备通过该预测模型预测出来的。
从上述示例中可以看出，无人驾驶设备将每个环境特征数据输入到预测模型中，即可得到相应的预测图像。而由于预测图像能够反映出周围障碍物在未来一段时间相对于无人驾驶设备的位置变化情况，所以，后续无人驾驶设备可以基于得到的各预测图像，预测出周围障碍物的运动轨迹。
在使用该预测模型得到预测图像之前，需要预先对该预测模型进行训练。具体的，在对预测模型进行训练的过程中，可以先获取到各指定设备历史上若干次行驶过程中采集到的第一训练数据以及采集第一训练数据时所基于的位置信息，作为第一训练位置信息。这里提到的第一训练数据中包含有行驶过程中采集到的第一训练图像。
在获取到各第一训练数据后，可以针对每个第一训练数据，将该第一训练数据以及该第一训练数据对应的第一训练位置信息输入到特征分析模型中，得到该第一训练数据对应的环境特征数据，并将该第一训练数据对应的环境特征数据输入到需要训练的预测模型中，得到预测图像。而后，由于获取到的第一训练数据均为历史数据，所以，可以进一步地确定出以采集该第一训练数据的时刻起经过设定时间后采集到的图像数据，作为目标训练图像，进而以最大化该预测图像与该目标训练图像之间的相似度为优化目标，调整该预测模型中的参数，直到达到预测训练目标为止。
例如，假设获取到的一个第一训练数据为指定设备在t0这一历史时刻采集到的，通过特征分析模型，可以确定出该第一训练数据对应的环境特征数据，并将该环境特征数据输入到需要训练的预测模型中，得到预测图像。同时，可以从采集到的众多图像数据中确定出指定设备在t0+Δt这一历史时刻所采集到的图像数据，作为目标训练图像，其中，Δt即为上述提到的设定时间。最终，可以将该预测图像逐渐接近该目标训练图像这一实际采集到的图像数据为优化目标，对该预测模型进行训练。
需要说明的是，确定预测图像和目标训练图像之间相似度所采用的方式均为常规的方式，本说明书对此不做具体的限定。在训练预测模型时所采用的特征分析模型可以是训练后的模型。该预测模型具体可以采用LSTM进行构建。而对预测模型进行训练的执行主体可以是电脑等终端设备，也可以是服务器，本说明书对此不做具体的限定。
S104：根据所述预测图像，预测所述障碍物的运动轨迹。
通过上述预测模型，可以得到每个环境特征数据对应的预测图像(即，每个传感数据对应的预测图像)。无人驾驶设备可以根据障碍物的图像在每个预测图像中所处的图像位置，来预测障碍物的运动轨迹。具体的，无人驾驶设备在实际行驶过程中，周围往往存在多个障碍物，相应的，无人驾驶设备通过预测模型得到的预测图像中也可能存有多个障碍物。所以，在得到各预测图像时，无人驾驶设备需要先确定出这些预测图像中都包含了哪些障碍物的图像。其中，从预测图像中确定障碍物的图像所采用的方式为常规的目标识别方式，在此不做具体的限定。
对于识别出的每个障碍物来说，由于障碍物会发生移动，所以，并不是每个预测图像中都会存在该障碍物的图像。因此，无人驾驶设备需要选取出包含有该障碍物图像的预测图像，并在选取出的这些预测图像中，分别确定出该障碍物的图像在选取出的预测图像中所处的图像位置。
而基于确定出的障碍物在预测图像中的图像位置，只能确定出无人驾驶设备与障碍物之间的相对位置，所以，在本说明书中，无人驾驶设备还要基于每个预测图像，预估出在采集该预测图像时无人驾驶设备所基于的实际位置。
具体的，无人驾驶设备可以针对采集到的每个传感数据，将该传感数据对应的环境特征数据以及预测图像输入到预先训练的位置预估模型中，以预估出无人驾驶设备采集该预测图像时所基于的实际位置。其中，这里提到的位置预估模型可以采用LSTM进行构建。
在训练上述位置预估模型的过程中，同样可以获取到各指定设备历史上若干次行驶过程中采集到的第一训练数据以及采集第一训练数据时所基于的位置信息，作为第一训练数据对应的第一训练位置信息。而针对每个第一训练数据，可以将该第一训练数据以及该第一训练数据对应的第一训练位置信息输入到特征分析模型中，得到该第一训练数据对应的环境特征数据。这里提到的特征分析模型可以视为已经训练好的特征分析模型。
进一步地，可以将该第一训练数据以及该第一训练数据对应的环境特征数据输入到需要训练的位置预估模型中，得到预估位置信息。该预估位置信息即为位置预估模型预估出的指定设备在采集该第一训练数据时具体处于哪一位置。而后，可以最小化该预估位置信息与该第一训练数据对应的第一训练位置信息之间的位置偏差为优化目标，调整该位置预估模型中的参数，直到达到预设训练目标为止。也就是说，该位置预估模型所输出的预估位置信息对应的位置与该第一训练位置信息对应的实际位置之间的偏差越小越好。
在本说明书中，针对每个预测图像，无人驾驶设备根据该障碍物的图像在该预测图像中所处的图像位置，确定出无人驾驶设备采集该预测图像时障碍物相对于无人驾驶设备的相对位置，作为该预测图像对应的障碍物相对位置。而在预估出无人驾驶设备采集各预测图像所基于的实际位置后，无人驾驶设备可以进一步地根据确定出的各障碍物相对位置，预测出障碍物未来出现的各实际位置，进而基于这些预测出的实际位置，预测出障碍物的运动轨迹。
例如，假设无人驾驶设备在t1～t5这一时间段连续采集了5个时刻的传感数据，可以通过上述特征分析模型以及预测模型，分别得到这5个传感数据对应的预测图像A1～A5。这5个预测图像是指无人驾驶设备基于t1～t5这5个时刻的传感数据预测出的未来5个时刻可能采集到周围障碍物的图像数据，这5个预测图像与t1～t5这5个时刻的对应关系具体如下表所示。
Figure BDA0002272066560000141
Figure BDA0002272066560000151
表1
其中，Δt的时间长度可以大于t5-t1的时间长度。也就是说，对于任意的预测图像来说，该预测图像是指无人驾驶设备在t1～t5这5个时刻后采集到的图像数据。而在得到上述5个预测图像后，可以分别预估出无人驾驶设备采集这5个预测图像所基于的实际位置p1～p5。同时，对于这5个预测图像中所包含的一个障碍物来说，无人驾驶设备可以基于该障碍物在这5个预测图像中的图像位置，确定出无人驾驶设备采集这5个预测图像时该障碍物相对于无人驾驶设备的障碍物相对位置p′1～p′5。进一步地，无人驾驶设备可以基于这5个障碍物相对位置以及预测出的采集上述5个预测图像所基于的实际位置，确定出障碍物未来一段时间内的5个障碍物实际位置，具体如下表所示。
Figure BDA0002272066560000152
表2
在得到障碍物的5个障碍物实际位置后，即可以根据预设的电子地图，得到障碍物的运动轨迹。通过上述方式，无人驾驶设备可以预测出周围每个障碍物在未来一段时间内的运动轨迹，进而可以基于这些运动轨迹进行避障，保证了无人驾驶设备在行驶过程中的行驶安全。
需要说明的是，通过障碍物在预测图像中的图像位置来确定障碍物相对于无人驾驶设备的相对位置为常规技术，在此不做详细赘述了。相应的，通过障碍物相对位置以及无人驾驶设备的实际位置来确定障碍物实际位置也为常规技术，在此也不做详细赘述了。
从上述方法可以看出，无人驾驶设备基于确定出的环境特征数据，可以预测出经过设定时间后采集到的障碍物的图像数据，而基于预测图像中障碍物的图像所处的位置，可以预测出障碍物未来所处的位置。随着得到的预测图像的数量的不断增加，基于障碍物的图像在各预测图像中的位置最终可以得到障碍物未来一段时间内的运动轨迹，从而使得无人驾驶设备可以基于预测出的障碍物的运动轨迹，对障碍物进行及时的避让，进一步地保证了无人驾驶设备的行进安全。
在本说明书中，障碍物不仅限于行人、机动车辆等动态障碍物，也包括电线杆、路障等静态障碍物。相应的，当障碍物为动态障碍物时，通过本说明书提供的障碍物轨迹预测的方法所预测出的障碍物的运动轨迹应为线状的轨迹，而当障碍物为静态障碍物时，无人驾驶设备所预测出的障碍物的运动轨迹应是一个点。所以，无人驾驶设备除了可以通过上述方法预测出周围各障碍物的运动轨迹，还能够通过各障碍物的运动轨迹的具体形式，确定出障碍物的类别，即，哪些是静态障碍物，哪些是动态障碍物，进而通过结合预测出的障碍物的运动轨迹以及障碍物的类别，做出更为准确的行为决策。
还需说明的是，本说明书提供的障碍物轨迹预测的方法的执行主体除了可以是上述提到的无人驾驶设备，也可以是服务器。即，无人驾驶设备将连续采集到的传感数据以及采集传感数据所基于的位置信息上传给服务器，服务器根据无人驾驶设备上传的这些数据，预测出无人驾驶设备周围障碍物的运动轨迹，并将预测出的运动轨迹返回给无人驾驶设备。对于这种情况来说，上述特征分析模型、预测模型以及位置预估模型可以设置于服务器中。
以上为本说明书的一个或多个实施例提供的障碍物轨迹预测的方法，基于同样的思路，本说明书还提供了相应的障碍物轨迹预测的装置，如图5所示。
图5为本说明书提供的一种障碍物轨迹预测的装置示意图，具体包括：
获取模块501，用于获取所述装置采集的障碍物的传感数据，并确定所述装置采集所述传感数据时的位置信息，所述传感数据包括：所述障碍物的图像数据；
特征确定模块502，用于将所述传感数据以及所述位置信息输入到特征分析模型，以确定所述障碍物对应的环境特征数据；
图像确定模块503，用于将所述环境特征数据输入到预测模型中，以预测出经过设定时间后采集到的障碍物的图像数据，作为预测图像；
轨迹预测模块504，用于根据所述预测图像，预测所述障碍物的运动轨迹。
可选地，所述获取模块501具体用于，获取所述装置连续采集的所述障碍物的传感数据；
所述特征确定模块502具体用于，针对获取到的每个传感数据，将该传感数据以及所述装置采集该传感数据所基于的位置信息输入到所述特征分析模型中，以确定该传感数据对应的环境特征数据。
可选地，所述图像确定模块503具体用于，针对每个传感数据，将该传感数据对应的环境特征数据输入所述预测模型中，以预测出经过所述设定时间后所述装置采集到的障碍物的图像数据，作为该传感数据对应的预测图像。
可选地，所述轨迹预测模块504具体用于，根据所述障碍物的图像在每个传感数据对应的预测图像中所处的图像位置，预测所述障碍物的运动轨迹。
可选地，所述轨迹预测模块504具体用于，根据所述障碍物的图像在每个传感数据对应的预测图像中所处的图像位置，以及预估出的所述装置采集每个传感数据对应的预测图像所基于的实际位置，预测所述障碍物的运动轨迹。
可选地，所述轨迹预测模块504具体用于，针对每个传感数据对应的预测图像，根据所述障碍物的图像在该预测图像中所处的图像位置，确定所述装置采集该预测图像时所述障碍物相对于所述装置的相对位置，作为该预测图像对应的障碍物相对位置；根据该预测图像对应的障碍物相对位置，以及预估出的所述装置采集该预测图像所基于的实际位置，预测所述装置采集该预测图像时所述障碍物的实际位置，作为该预测图像对应的障碍物实际位置；根据每个预测图像对应的障碍物实际位置，预测所述障碍物的运动轨迹。
可选地，所述轨迹预测模块504具体用于，针对每个传感数据，将该传感数据对应的环境特征数据以及预测图像输入到位置预估模型中，以预估出所述装置采集该预测图像所基于的实际位置。
可选地，所述装置还包括：
训练模块505，用于获取历史上若干次行驶过程中采集的第一训练数据，以及所述第一训练数据对应的第一训练位置信息，所述第一训练数据包括行驶过程中采集到的第一训练图像；针对每个第一训练数据，将该第一训练数据以及该第一训练数据对应的第一训练位置信息输入到所述特征分析模型中，得到该第一训练数据对应的环境特征数据；将该第一训练数据对应的环境特征数据输入到与所述特征分析模型对应的对抗模型中，得到第二训练图像；以最大化该第一训练数据中的第一训练图像与所述第二训练图像之间的相似度为优化目标，调整所述特征分析模型中的参数，直至达到预设训练目标为止。
可选地，所述训练模块505还用于，获取历史上若干次行驶过程中采集的第一训练数据以及所述第一训练数据对应的第一训练位置信息，所述第一训练数据包括行驶过程中采集到的第一训练图像；针对每个第一训练数据，将该第一训练数据以及该第一训练数据对应的第一训练位置信息输入到所述特征分析模型中，得到该第一训练数据对应的环境特征数据；将该第一训练数据对应的环境特征数据输入到所述预测模型中，得到预测图像；确定以采集该第一训练数据的时刻起经过设定时间后采集到的图像数据作为目标训练图像；以最大化所述预测图像与所述目标训练图像之间的相似度为优化目标，调整所述预测模型中的参数，直至达到预设训练目标为止。
可选地，所述训练模块505还用于，获取历史上若干次行驶过程中采集的第一训练数据以及所述第一训练数据对应的第一训练位置信息，所述第一训练数据包括行驶过程中采集到的第一训练图像；针对每个第一训练数据，将该第一训练数据以及该第一训练数据对应的第一训练位置信息输入到所述特征分析模型中，得到该第一训练数据对应的环境特征数据；将该第一训练数据以及该第一训练数据对应的环境特征数据输入到所述位置预估模型中，得到预估位置信息；以最小化所述预估位置信息与该第一训练数据对应的第一训练位置信息之间的位置偏差为优化目标，调整所述位置预估模型中的参数，直至达到预设训练目标为止。
本说明书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障碍物轨迹预测的方法。
本说明书还提供了图6所示的电子设备的示意结构图。如图6所述，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，以实现上述障碍物轨迹预测的方法。当然，除了软件实现方式之外，本说明书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。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，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。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (13)

1.一种障碍物轨迹预测的方法，其特征在于，包括：
获取无人驾驶设备采集的障碍物的传感数据，并确定所述无人驾驶设备采集所述传感数据时的位置信息，所述传感数据包括：所述障碍物的图像数据；
将所述传感数据以及所述位置信息输入到特征分析模型，以确定所述障碍物对应的环境特征数据；
将所述环境特征数据输入到预测模型中，以预测出经过设定时间后的障碍物的图像数据，作为预测图像；
根据所述预测图像，预测所述障碍物的运动轨迹。
2.如权利要求1所述的方法，其特征在于，获取无人驾驶设备采集的障碍物的传感数据，具体包括：
获取所述无人驾驶设备连续采集的所述障碍物的传感数据；
将所述传感数据以及所述位置信息输入到特征分析模型，以确定所述障碍物对应的环境特征数据，具体包括：
针对获取到的每个传感数据，将该传感数据以及所述无人驾驶设备采集该传感数据所基于的位置信息输入到所述特征分析模型中，以确定该传感数据对应的环境特征数据。
3.如权利要求2所述的方法，其特征在于，将所述环境特征数据输入到预测模型中，以预测出经过设定时间后采集到的障碍物的图像数据，作为预测图像，具体包括：
针对每个传感数据，将该传感数据对应的环境特征数据输入所述预测模型中，以预测出经过所述设定时间后所述无人驾驶设备采集到的障碍物的图像数据，作为该传感数据对应的预测图像。
4.如权利要求3所述的方法，其特征在于，根据所述预测图像，预测所述障碍物的运动轨迹，具体包括：
根据所述障碍物的图像在每个传感数据对应的预测图像中所处的图像位置，预测所述障碍物的运动轨迹。
5.如权利要求4所述的方法，其特征在于，根据所述障碍物的图像在每个传感数据对应的预测图像中所处的图像位置，预测所述障碍物的运动轨迹，具体包括：
根据所述障碍物的图像在每个传感数据对应的预测图像中所处的图像位置，以及预估出的所述无人驾驶设备采集每个传感数据对应的预测图像所基于的实际位置，预测所述障碍物的运动轨迹。
6.如权利要求5所述的方法，其特征在于，根据所述障碍物的图像在每个传感数据对应的预测图像中所处的图像位置，以及预估出的所述无人驾驶设备采集每个传感数据对应的预测图像所基于的实际位置，预测所述障碍物的运动轨迹，具体包括：
针对每个传感数据对应的预测图像，根据所述障碍物的图像在该预测图像中所处的图像位置，确定所述无人驾驶设备采集该预测图像时所述障碍物相对于所述无人驾驶设备的相对位置，作为该预测图像对应的障碍物相对位置；
根据该预测图像对应的障碍物相对位置，以及预估出的所述无人驾驶设备采集该预测图像所基于的实际位置，预测所述无人驾驶设备采集该预测图像时所述障碍物的实际位置，作为该预测图像对应的障碍物实际位置；
根据每个预测图像对应的障碍物实际位置，预测所述障碍物的运动轨迹。
7.如权利要求5所述的方法，其特征在于，预估所述无人驾驶设备采集每个传感数据对应的预测图像所基于的实际位置，具体包括：
针对每个传感数据，将该传感数据对应的环境特征数据以及预测图像输入到位置预估模型中，以预估出所述无人驾驶设备采集该预测图像所基于的实际位置。
8.如权利要求1所述的方法，其特征在于，所述特征分析模型，通过以下方式训练得到：
获取历史上若干次行驶过程中采集的第一训练数据，以及所述第一训练数据对应的第一训练位置信息，所述第一训练数据包括行驶过程中采集到的第一训练图像；
针对每个第一训练数据，将该第一训练数据以及该第一训练数据对应的第一训练位置信息输入到所述特征分析模型中，得到该第一训练数据对应的环境特征数据；
将该第一训练数据对应的环境特征数据输入到与所述特征分析模型对应的对抗模型中，得到第二训练图像；
以最大化该第一训练数据中的第一训练图像与所述第二训练图像之间的相似度为优化目标，调整所述特征分析模型中的参数，直至达到预设训练目标为止。
9.如权利要求1所述的方法，其特征在于，所述预测模型，通过以下方式训练得到：
获取历史上若干次行驶过程中采集的第一训练数据以及所述第一训练数据对应的第一训练位置信息，所述第一训练数据包括行驶过程中采集到的第一训练图像；
针对每个第一训练数据，将该第一训练数据以及该第一训练数据对应的第一训练位置信息输入到所述特征分析模型中，得到该第一训练数据对应的环境特征数据；
将该第一训练数据对应的环境特征数据输入到所述预测模型中，得到预测图像；
确定以采集该第一训练数据的时刻起经过设定时间后采集到的图像数据作为目标训练图像；
以最大化所述预测图像与所述目标训练图像之间的相似度为优化目标，调整所述预测模型中的参数，直至达到预设训练目标为止。
10.如权利要求7所述的方法，其特征在于，所述位置预估模型，通过以下方式训练得到：
获取历史上若干次行驶过程中采集的第一训练数据以及所述第一训练数据对应的第一训练位置信息，所述第一训练数据包括行驶过程中采集到的第一训练图像；
针对每个第一训练数据，将该第一训练数据以及该第一训练数据对应的第一训练位置信息输入到所述特征分析模型中，得到该第一训练数据对应的环境特征数据；
将该第一训练数据以及该第一训练数据对应的环境特征数据输入到所述位置预估模型中，得到预估位置信息；
以最小化所述预估位置信息与该第一训练数据对应的第一训练位置信息之间的位置偏差为优化目标，调整所述位置预估模型中的参数，直至达到预设训练目标为止。
11.一种障碍物轨迹预测的装置，其特征在于，包括：
获取模块，用于获取所述装置采集的障碍物的传感数据，并确定所述装置采集所述传感数据时的位置信息，所述传感数据包括：所述障碍物的图像数据；
特征确定模块，用于将所述传感数据以及所述位置信息输入到特征分析模型，以确定所述障碍物对应的环境特征数据；
图像确定模块，用于将所述环境特征数据输入到预测模型中，以预测出经过设定时间后采集到的障碍物的图像数据，作为预测图像；
轨迹预测模块，用于根据所述预测图像，预测所述障碍物的运动轨迹。
12.一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1～10任一项所述的方法。
13.一种无人驾驶设备，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1～10任一项所述的方法。
CN201911108687.XA 2019-11-13 2019-11-13 一种障碍物轨迹预测的方法及装置 Pending CN110942181A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911108687.XA CN110942181A (zh) 2019-11-13 2019-11-13 一种障碍物轨迹预测的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911108687.XA CN110942181A (zh) 2019-11-13 2019-11-13 一种障碍物轨迹预测的方法及装置

Publications (1)

Publication Number Publication Date
CN110942181A true CN110942181A (zh) 2020-03-31

Family

ID=69906524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911108687.XA Pending CN110942181A (zh) 2019-11-13 2019-11-13 一种障碍物轨迹预测的方法及装置

Country Status (1)

Country Link
CN (1) CN110942181A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016759A (zh) * 2020-09-03 2020-12-01 珠海大横琴科技发展有限公司 一种监控盲区的船只轨迹预测方法、装置及电子设备
CN112255628A (zh) * 2020-10-09 2021-01-22 新石器慧义知行智驰(北京)科技有限公司 障碍物轨迹预测方法、装置、设备和介质
CN112677993A (zh) * 2021-01-05 2021-04-20 北京三快在线科技有限公司 一种模型训练的方法及装置
CN112987754A (zh) * 2021-04-14 2021-06-18 北京三快在线科技有限公司 一种无人设备的控制方法、装置、存储介质及电子设备
US20220066455A1 (en) * 2020-08-26 2022-03-03 Toyota Jidosha Kabushiki Kaisha Autonomous mobile robot control system, control method thereof, a non-transitory computer readable medium storing control program thereof, and autonomous mobile robot control device
CN115781693A (zh) * 2023-01-09 2023-03-14 广东隆崎机器人有限公司 工业机器人的避障方法、装置、工业机器人及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6678394B1 (en) * 1999-11-30 2004-01-13 Cognex Technology And Investment Corporation Obstacle detection system
CN109131348A (zh) * 2018-07-24 2019-01-04 大连理工大学 一种基于生成式对抗网络的智能车驾驶决策方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6678394B1 (en) * 1999-11-30 2004-01-13 Cognex Technology And Investment Corporation Obstacle detection system
CN109131348A (zh) * 2018-07-24 2019-01-04 大连理工大学 一种基于生成式对抗网络的智能车驾驶决策方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220066455A1 (en) * 2020-08-26 2022-03-03 Toyota Jidosha Kabushiki Kaisha Autonomous mobile robot control system, control method thereof, a non-transitory computer readable medium storing control program thereof, and autonomous mobile robot control device
CN112016759A (zh) * 2020-09-03 2020-12-01 珠海大横琴科技发展有限公司 一种监控盲区的船只轨迹预测方法、装置及电子设备
CN112255628A (zh) * 2020-10-09 2021-01-22 新石器慧义知行智驰(北京)科技有限公司 障碍物轨迹预测方法、装置、设备和介质
CN112677993A (zh) * 2021-01-05 2021-04-20 北京三快在线科技有限公司 一种模型训练的方法及装置
CN112987754A (zh) * 2021-04-14 2021-06-18 北京三快在线科技有限公司 一种无人设备的控制方法、装置、存储介质及电子设备
CN115781693A (zh) * 2023-01-09 2023-03-14 广东隆崎机器人有限公司 工业机器人的避障方法、装置、工业机器人及存储介质
CN115781693B (zh) * 2023-01-09 2023-05-26 广东隆崎机器人有限公司 工业机器人的避障方法、装置、工业机器人及存储介质

Similar Documents

Publication Publication Date Title
CN110942181A (zh) 一种障碍物轨迹预测的方法及装置
CN111190427B (zh) 一种轨迹规划的方法及装置
CN111208838B (zh) 一种无人驾驶设备的控制方法及装置
CN110262486B (zh) 一种无人驾驶设备运动控制方法及装置
CN112015847B (zh) 一种障碍物的轨迹预测方法、装置、存储介质及电子设备
CN112766468B (zh) 一种轨迹预测方法、装置、存储介质及电子设备
CN111076739B (zh) 一种路径规划的方法及装置
CN111912423B (zh) 一种预测障碍物轨迹以及模型训练的方法及装置
CN110674723A (zh) 一种确定无人驾驶车辆行驶轨迹的方法及装置
CN113296541B (zh) 一种基于未来碰撞风险的无人设备控制方法及装置
CN112306059B (zh) 一种控制模型的训练方法、控制方法以及装置
CN111126362B (zh) 一种预测障碍物轨迹的方法及装置
CN111238523A (zh) 一种运动轨迹的预测方法及装置
CN111062372B (zh) 一种预测障碍物轨迹的方法及装置
CN111127551B (zh) 一种目标检测的方法及装置
CN113968243B (zh) 一种障碍物轨迹预测方法、装置、设备及存储介质
CN111038501B (zh) 无人驾驶设备的控制方法及装置
CN112327864A (zh) 一种无人驾驶设备的控制方法及控制装置
CN112677993A (zh) 一种模型训练的方法及装置
CN112883871B (zh) 一种模型训练以及确定无人车运动策略方法及装置
CN111426299B (zh) 一种基于目标物的景深进行测距的方法及装置
CN113033527A (zh) 一种场景识别方法、装置、存储介质及无人设备
CN114194213A (zh) 一种目标物轨迹预测方法、装置、存储介质及电子设备
CN112987754B (zh) 一种无人设备的控制方法、装置、存储介质及电子设备
CN112734851B (zh) 一种位姿确定的方法以及装置

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