CN111114554A - 行驶轨迹预测方法、装置、终端及存储介质 - Google Patents

行驶轨迹预测方法、装置、终端及存储介质 Download PDF

Info

Publication number
CN111114554A
CN111114554A CN201911300100.5A CN201911300100A CN111114554A CN 111114554 A CN111114554 A CN 111114554A CN 201911300100 A CN201911300100 A CN 201911300100A CN 111114554 A CN111114554 A CN 111114554A
Authority
CN
China
Prior art keywords
vehicle
target vehicle
time period
lane
data
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.)
Granted
Application number
CN201911300100.5A
Other languages
English (en)
Other versions
CN111114554B (zh
Inventor
张笑枫
江頔
赵琛
韩坪良
王维
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.)
Zhijia (USA)
Suzhou Zhijia Technology Co Ltd
Original Assignee
Suzhou Zhijia 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 Suzhou Zhijia Technology Co Ltd filed Critical Suzhou Zhijia Technology Co Ltd
Priority to CN201911300100.5A priority Critical patent/CN111114554B/zh
Publication of CN111114554A publication Critical patent/CN111114554A/zh
Application granted granted Critical
Publication of CN111114554B publication Critical patent/CN111114554B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种行驶轨迹预测方法、装置、终端及存储介质，属于车辆技术领域。所述方法包括：采集目标车辆在第一时间段内的行驶数据，获取多台第一车辆在第一时间段内的行驶数据，将目标车辆在第一时间段内的行驶数据、多台第一车辆在第一时间段内的行驶数据输入时序卷积网络，通过时序卷积网络预测目标车辆在第二时间段内的行驶轨迹。通过采集目标车辆和多台第一车辆在第一时间段内的行驶数据，将其输入时序卷积网络，预测目标车辆在第二时间段内的行驶轨迹。时序卷积网络是对时间序列预测的神经网络，时序卷积网络的网络结构使输出包含有较多的输入特征，能够提高对时间序列预测的精确性，能够对目标车辆的行驶轨迹做出精确的预测。

Description

行驶轨迹预测方法、装置、终端及存储介质
技术领域
本申请涉及车辆技术领域，特别涉及一种行驶轨迹预测方法、装置、终端及存储介质。
背景技术
无人驾驶汽车的出现使得人们的生活更加便捷，无人驾驶汽车在行驶过程中能够根据其他车辆的行驶轨迹做出行驶决策，如超车、减速和换道等。为了在保证无人驾驶汽车的安全性的同时及时的做出行驶决策，无人驾驶汽车需要有能够预测其他车辆行驶轨迹的能力。因此，亟需一种行驶轨迹预测方法。
相关技术中,行驶轨迹预测方法主要为：采集车辆的历史行驶数据，记录车辆行驶过程中每一时间值对应的轨迹点坐标，将车辆的时间和轨迹点坐标作为多项式函数的输入变量，设置多项式函数的参数后，经过多项式拟合，得到多项式函数对应的拟合曲线，将该拟合曲线作为车辆的行驶轨迹。
相关技术中将拟合曲线作为车辆的行驶轨迹，该拟合曲线是根据车辆的历史行驶数据拟合得到的，且拟合曲线的参数较少，无法对车辆的行驶轨迹做出精确的预测。
发明内容
本申请实施例提供了一种行驶轨迹预测方法、装置、终端及存储介质，能够解决相关技术中无法对车辆的行驶轨迹做出精确的预测的问题。所述技术方案如下：
一方面，提供了一种行驶轨迹预测方法，所述方法包括：
采集目标车辆在第一时间段内的行驶数据，所述行驶数据用于指示所述目标车辆的行驶状态和道路状态，所述目标车辆为所述车辆的感知范围内的车辆；
获取多台第一车辆在所述第一时间段内的行驶数据，每台所述第一车辆为与所述目标车辆之间符合目标位置条件的车辆；
将所述目标车辆在所述第一时间段内的行驶数据、多台所述第一车辆在所述第一时间段内的行驶数据输入时序卷积网络，通过所述时序卷积网络预测所述目标车辆在第二时间段内的行驶轨迹，所述第二时间段为所述第一时间段的下一时间段。
可选的，所述采集目标车辆在第一时间段内的行驶数据，包括：
采集包括所述目标车辆所在车道的实时道路数据；
基于所述实时道路数据，以所述目标车辆所在车道的中心线的切线方向为纵轴，以所述目标车辆所在车道的中心线的法线方向为横轴，建立目标坐标系；
基于所述目标坐标系，采集所述目标车辆相对于所述目标车辆所在车道的速度、位移和朝向差。
可选的，所述获取多台第一车辆在所述第一时间段内的行驶数据之前，所述方法还包括：
通过所述车辆的感知系统，确定所述目标车辆所在车道上的车辆以及所述目标车辆所在车道的相邻车道上的车辆；
基于所述目标车辆所在车道的中心线的法线，以及所获取到的车辆与所述法线的垂直距离，进行筛选，筛选得到每条车道上分别位于所述法线两侧且距离所述法线最近的两台所述第一车辆。
可选的，所述将所述目标车辆在所述第一时间段内的行驶数据、多台所述第一车辆在所述第一时间段内的行驶数据输入时序卷积网络，包括：
对所述目标车辆在所述第一时间段内的行驶数据中的车辆状态特征、道路数据中的道路状态特征以及在所述第一时间段内多台所述第一车辆相对于所述目标车辆的车辆状态特征进行拼接，将拼接得到的特征输入所述时序卷积网络。
可选的，所述将所述目标车辆在所述第一时间段内的行驶数据、多台所述第一车辆在所述第一时间段内的行驶数据输入时序卷积网络，预测所述目标车辆在第二时间段内的行驶轨迹，包括：
基于所述目标车辆在所述第一时间段内的行驶数据，确定所述目标车辆的运动状态，所述运动状态包括车辆换道状态和车辆保持状态；
当所述目标车辆处于所述车辆换道状态时，将所述目标车辆在所述第一时间段内的行驶数据、多台所述第一车辆在所述第一时间段内的行驶数据输入第一时序卷积网络，预测所述目标车辆在所述第二时间段内的行驶轨迹，所述第一时序卷积网络基于处于车辆换道状态的行驶数据训练得到；
当所述目标车辆处于所述车辆保持状态时，将所述目标车辆在所述第一时间段内的行驶数据、多台所述第一车辆在所述第一时间段内的行驶数据输入第二时序卷积网络，预测所述目标车辆在所述第二时间段内的行驶轨迹，所述第二时序卷积网络基于处于车辆保持状态的行驶数据训练得到。
一方面，提供了一种行驶轨迹预测装置，所述装置包括：
采集模块，用于采集目标车辆在第一时间段内的行驶数据，所述目标车辆为所述车辆的感知范围内的车辆；
获取模块，用于获取多台第一车辆在所述第一时间段内的行驶数据，每台所述第一车辆为与所述目标车辆之间符合目标位置条件的车辆；
预测模块，用于将所述目标车辆在所述第一时间段内的行驶数据、多台所述第一车辆在所述第一时间段内的行驶数据输入时序卷积网络，通过所述时序卷积网络预测所述目标车辆在第二时间段内的行驶轨迹，所述第二时间段为所述第一时间段的下一时间段。
可选的，所述采集模块，还用于：
采集包括所述目标车辆所在车道的实时道路数据；
基于所述实时道路数据，以所述目标车辆所在车道的中心线的切线方向为纵轴，以所述目标车辆所在车道的中心线的法线方向为横轴，建立目标坐标系；
基于所述目标坐标系，采集所述目标车辆相对于所述目标车辆所在车道的速度、位移和朝向差。
可选的，所述装置还包括筛选模块，用于：
通过所述车辆的感知系统，确定所述目标车辆所在车道上的车辆以及所述目标车辆所在车道的相邻车道上的车辆；
基于所述目标车辆所在车道的中心线的法线，以及所获取到的车辆与所述法线的垂直距离，进行筛选，筛选得到每条车道上分别位于所述法线两侧且距离所述法线最近的两台所述第一车辆。
可选的，所述预测模块，还用于：
对所述目标车辆在所述第一时间段内的行驶数据中的车辆状态特征、道路数据中的道路状态特征以及在所述第一时间段内多台所述第一车辆相对于所述目标车辆的车辆状态特征进行拼接，将拼接得到的特征输入所述时序卷积网络。
可选的，所述预测模块，还用于：
基于所述目标车辆在所述第一时间段内的行驶数据，确定所述目标车辆的运动状态，所述运动状态包括车辆换道状态和车辆保持状态；
当所述目标车辆处于所述车辆换道状态时，将所述目标车辆在所述第一时间段内的行驶数据、多台所述第一车辆在所述第一时间段内的行驶数据输入第一时序卷积网络，预测所述目标车辆在所述第二时间段内的行驶轨迹，所述第一时序卷积网络基于处于车辆换道状态的行驶数据训练得到；
当所述目标车辆处于所述车辆保持状态时，将所述目标车辆在所述第一时间段内的行驶数据、多台所述第一车辆在所述第一时间段内的行驶数据输入第二时序卷积网络，预测所述目标车辆在所述第二时间段内的行驶轨迹，所述第二时序卷积网络基于处于车辆保持状态的行驶数据训练得到。
一方面，提供了一种终端，所述终端包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述的行驶轨迹预测方法所执行的操作。
一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述的行驶轨迹预测方法所执行的操作。
本申请实施例提供的技术方案带来的有益效果是：
通过采集目标车辆在第一时间段内的行驶数据、多台第一车辆在第一时间段内的行驶数据，将其输入时序卷积网络，预测目标车辆在第二时间段内的行驶轨迹。时序卷积网络是对时间序列预测的神经网络，时序卷积网络的网络结构使输出包含有较多的输入特征，能够提高对时间序列预测的精确性，能够对目标车辆的行驶轨迹做出精确的预测。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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人员来讲，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。
图1是本申请实施例提供的一种行驶轨迹预测方法的实施环境的示意图；
图2是本申请实施例提供的一种行驶轨迹预测方法的流程图；
图3是本申请实施例提供的一种行驶轨迹预测方法的流程图；
图4是本申请实施例提供的一种Frenet坐标系的示意图；
图5是本申请实施例提供的一种目标车辆所在车道及目标车辆所在车道的相邻车道的道路示意图；
图6是本申请实施例提供的一种扩展卷积层的网络结构；
图7是本申请实施例提供的一种残差模块的网络结构；
图8是本申请实施例提供的一种残差模块的连接示意图；
图9是本申请实施例提供的一种目标车辆的跟踪轨迹示意图；
图10是本申请实施例提供的一种行驶轨迹预测方法的流程图；
图11是本申请实施例提供的一种行驶轨迹预测装置的结构示意图；
图12是本申请实施例提供的一种终端的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
图1是本申请实施例提供的一种行驶轨迹预测方法的实施环境的示意图。参见图1，该实施环境包括：车载终端101和感知系统102。车辆可以为无人驾驶车辆，也可以为正常驾驶车辆，车辆的类型可以为轿车、卡车、越野车等。
车辆上可以安装有车载终端101和感知系统102，车载终端101可以为无人驾驶系统，感知系统102可以支持车载终端101，感知系统102包括相机、激光雷达和毫米波雷达等。感知系统102可以将感知得到的数据发送给车载终端101。
图2是本申请实施例提供的一种行驶轨迹预测方法的流程图。参见图2，该实施例包括：
在步骤201中，采集目标车辆在第一时间段内的行驶数据。
在步骤202中，获取多台第一车辆在第一时间段内的行驶数据。
在步骤203中，将目标车辆在第一时间段内的行驶数据、多台第一车辆在第一时间段内的行驶数据输入时序卷积网络，通过时序卷积网络预测目标车辆在第二时间段内的行驶轨迹。
本申请实施例提供的技术方案带来的有益效果是：
通过采集目标车辆在第一时间段内的行驶数据、多台第一车辆在第一时间段内的行驶数据，将其输入时序卷积网络，预测目标车辆在第二时间段内的行驶轨迹。时序卷积网络是对时间序列预测的神经网络，时序卷积网络的网络结构使输出包含有较多的输入特征，能够提高对时间序列预测的精确性，能够对目标车辆的行驶轨迹做出精确的预测。
图3是本申请实施例提供的一种行驶轨迹预测方法的流程图。参见图3，该实施例包括：
在步骤301中，采集目标车辆在第一时间段内的行驶数据。
其中，第一时间段包括当前时间点和历史时间点与当前时间点之间的时间段，如第一时间段可以包括过去n-1帧和当前帧，共n帧，n的取值范围是正整数。目标车辆为车辆的感知范围内的车辆。行驶数据用于指示目标车辆的行驶状态和道路状态，行驶数据可以包括车辆行驶数据和道路数据，车辆行驶数据可以包括目标车辆的物理信息、车辆速度、车辆位移和车辆朝向等，道路数据可以包括车辆位置、目标车辆所在车道及目标车辆所在车道相邻车道等。
在实施中，在目标车辆的行驶过程中，车载终端可以采集包括目标车辆所在车道的实时道路数据，根据实时道路数据，以目标车辆所在车道的中心线的切线方向为纵轴，以目标车辆所在车道的中心线的法线方向为横轴，建立目标坐标系。基于该目标坐标系，采集目标车辆相对于目标车辆所在车道的速度、位移和朝向差。
可选的，车载终端在实时道路图像中建立目标坐标系时，可以采用Frenet坐标系作为目标坐标系。基于Frenet坐标系，采集目标车辆相对于目标车辆所在车道的速度、位移和朝向差。
其中，Frenet坐标系是将车道的中心线作为参考线，利用参考线的切线方向和法线方向定义坐标系，如图4所示，图4是本申请实施例提供的一种Frenet坐标系的示意图，将参考线的切线方向作为纵向坐标轴，记为S轴，将参考线的法线方向作为横向坐标轴，记为L轴。目标车辆相对于Frenet坐标系中心线的切线方向距离s和法线方向距离l为目标车辆在Frenet坐标系上的坐标(s,l)。
例如，车载终端根据Frenet坐标系，可以采集到目标车辆在第一时间段的行驶数据。如表1所示，目标车辆相对于目标车辆所在车道的速度包括S方向速度和L方向速度，为Float数据类型(浮点型数据类型)，均为标量。目标车辆相对于目标车辆所在车道的位移可以为L方向坐标，为Float数据类型。目标车辆相对于目标车辆所在车道的朝向差可以为目标车辆朝向方向与目标车辆所在车道投影点上切线方向的角度差，为Float数据类型。
表1
Figure BDA0002319922400000071
在步骤302中，在目标车辆所在车道上的车辆以及目标车辆所在车道的相邻车道上的车辆中筛选出多台第一车辆。
其中，每台第一车辆为与目标车辆之间符合目标位置条件的车辆。
在实施中，车载终端通过车辆的感知系统，可以确定目标车辆所在车道上的车辆以及目标车辆所在车道的相邻车道上的车辆。基于目标车辆所在车道的中心线的法线，以及所获取到的车辆与法线的垂直距离，进行筛选，筛选得到每条车道上分别位于法线两侧且距离法线最近的两台第一车辆。
可选的，对于目标车辆所在车道，目标车辆前后可以各选取一台车辆。该法线与目标车辆所在车道的相邻车道相交，可以得到两个交点，对于每条相邻车道，在该相邻车道对应的交点的前后可以各选取一台车辆，得到该车道上的两个第一车辆。因此，当目标车辆所在车道和目标车辆所在车道的相邻车道中均有2台或2台以上车辆时，可以筛选得到法线两侧距离垂线最近的6台第一车辆。
例如，目标车辆所在车道的相邻车道可以为目标车辆左侧车道和目标车辆右侧车道，可以设置预设距离上限为100米，如图5所示，图5是本申请实施例提供的一种目标车辆所在车道及目标车辆所在车道的相邻车道的道路示意图，图中黑色车辆目标车辆，在目标车辆所在车道、目标车辆左侧车道和目标车辆右侧车道中，共有八台车辆。其中，目标车辆左侧车道中有三台车辆，目标车辆所在车道中有三台车辆，目标车辆右侧车道中有两台车辆。对于目标车辆左侧车道，仅有车辆2在预设距离上限100米内，将车辆2作为一台第一车辆。对于目标车辆所在车道，由于一条车道上目标车辆前后各选取一台车辆，因此将车辆5和车辆6作为两台第一车辆。对于目标车辆右侧车道，将车辆7和车辆8作为两台第一车辆。在该示例中，共筛选得到5台第一车辆。如图5所示，从目标车辆对应的多台第一车辆的位置，可以发现目标车辆继续在目标车辆所在车道上行驶的可能性更高。如果车辆2、车辆7、车辆8的速度比目标车辆的速度小很多或大很多，目标车辆换道去目标车辆左侧车道或目标车辆右侧车道也有可能。
在步骤303中，获取多台第一车辆在第一时间段内的行驶数据。
在实施中，车载终端筛选出多台第一车辆后，对于每台第一车辆，可以根据目标坐标系，采集在第一时间段内每台第一车辆相对于目标车辆的速度、位移和朝向差。
可选的，车载终端在实时道路图像中，可以基于Frenet坐标系，采集在第一时间段内第一车辆相对于目标车辆的速度、位移和朝向差。
表2
特征名称 类型 描述
相对S距离 Float 第一车辆距离目标车辆在S方向的相对距离
相对L距离 Float 第一车辆距离目标车辆在L方向的相对距离
相对朝向差 Float 第一车辆距离目标车辆在L方向的相对朝向差
相对S速度 Float 第一车辆相对于目标车辆的S方向速度
相对L速度 Float 第一车辆相对于目标车辆的L方向速度
例如，车载终端在第一时间段内采集第一车辆的行驶数据时，对于每台第一车辆，根据Frenet坐标系，采集该第一车辆的相对S距离、相对L距离、相对朝向差、相对S速度和相对L速度，该第一车辆的行驶数据可以作为第一车辆状态特征。如表2所示，相对S距离为该第一车辆距离目标车辆在S方向的相对距离，为Float数据类型。相对L距离为该第一车辆距离目标车辆在L方向的相对距离，为Float数据类型。相对朝向差为该第一车辆距离目标车辆在L方向的相对朝向差，为Float数据类型。相对S速度为该第一车辆距离目标车辆在S方向的相对速度，为Float数据类型，为标量。相对L速度为该第一车辆距离目标车辆在L方向的相对速度，为Float数据类型，为标量。
可选的，车载终端可以先获取在第一时间段内目标车辆所在车道上的车辆以及目标车辆所在车道的相邻车道上的车辆的行驶数据，筛选出多台第一车辆后，提取该多台第一车辆在第一时间段内的行驶数据。或者，车载终端也可以先筛选出多台第一车辆后，再采集在第一时间段内该多台第一车辆的行驶数据。
在步骤304中，获取时序卷积网络的输入特征。
在实施中，获取到目标车辆在第一时间段内的行驶数据和多台第一车辆在第一时间段内的行驶数据后，对目标车辆在第一时间段内的行驶数据中的车辆状态特征、道路数据中的道路状态特征以及在第一时间段内多台第一车辆相对于目标车辆的车辆状态特征进行拼接，将拼接得到的特征作为时序卷积网络的输入特征，输入时序卷积网络，再进行后续操作。
例如，车载终端在获取目标车辆在第一时间段内的行驶数据时，可以采集目标车辆所在车道中与目标车辆之间符合目标位置条件的车辆的数目，为Int数据类型(整数类型)，如表3所示。
表3
Figure BDA0002319922400000091
根据上述步骤301采集得到的目标车辆的S方向速度、L方向速度、L方向距离和车辆朝向可以作为目标车辆的车辆状态特征。根据上述步骤303可以筛选得到垂线两侧距离垂线最近的6台第一车辆，采集该6台第一车辆的相对S距离、相对L距离、相对朝向差、相对S速度和相对L速度可以作为6台第一车辆相对于目标车辆的车辆状态特征。因此，共获取到4+5*6+1＝35个特征，可以得到n×35的特征矩阵，将该特征矩阵作为时序卷积网络的输入特征。其中，当目标车辆所在车道和目标车辆所在车道的相邻车道中车辆较少，筛选得到的第一车辆小于6台时，可以将第一车辆相对于目标车辆的车辆状态特征中空缺的特征向量设置为0。
在步骤305中，将目标车辆在第一时间段内的行驶数据、多台第一车辆在第一时间段内的行驶数据输入时序卷积网络，通过时序卷积网络预测目标车辆在第二时间段内的行驶轨迹。
其中，第二时间段为第一时间段的下一时间段，第二时间段与上述第一时间段同理。时序卷积网络(Temporal Neural Network，TCN)是一种基于时间序列预测算法的神经网络模型。
在实施中，车载终端将目标车辆在第一时间段内的行驶数据、多台第一车辆在第一时间段内的行驶数据输入时序卷积网络后，通过时序卷积网络，输出目标车辆在第二时间段相对于第一时间段的位移和速度，输出的位移和速度可以为离散值，将位移和速度作为目标车辆在第二时间段内的行驶轨迹。
例如，根据上述示例，车载终端实时采集到35个特征后，将第一时间段n帧内的35个特征作为时序卷积网络的输入特征。通过时序卷积网络的特征提取层，可以得到时序卷积网络的输入特征，大小为n×35，输出可以为未来30帧目标车辆相对于第一时间段内的位移和速度，即输出可以为目标车辆在未来30帧相对于当前帧的L方向位移、L方向速度、S方向位移和S方向速度，则输出矩阵的大小可以为4×30，根据实际需求不同，输入矩阵和输出矩阵的尺寸可以有所变化。其中，每帧为0.1秒，30帧为3秒，车载终端采集得到的行驶数据可以为点云数据，点云数据是指以点的形式记录的数据，点云数据可以用帧进行表述。
本申请实施例还提供了一种时序卷积网络的网络结构，时序卷积网络的网络结构可以为：因果卷积层和扩展卷积层形成一个标准卷积层，该标准卷积层与恒等映射封装为一个残差模块，多个残差模块堆叠形成时序卷积网络。图6是本申请实施例提供的一种扩展卷积层的网络结构，如图6所示，表示扩展系数d为1,2,4，卷积核大小为3的扩展卷积层，扩展卷积层包括输入层(Input)、输出层(Output)和隐藏层(Hidden)，输入层是指第一个层，输出层是指最后一个层，隐藏层是指输入层与输出层之间的每个层。如图6所示，越到输出层，扫描窗口越大，扫描窗口中的空孔越多。扩展系数d用于表征空孔的多少。扩展卷积具有更大的感受野，使每个卷积输出都包含较大范围的输入信息。感受野是指卷积核在图像上看到的大小。图7是本申请实施例提供的一种残差模块的网络结构，图7中残差模块(k,d)，k表示卷积核大小，d表示扩展系数，一个残差模块包括两层卷积层，每层卷积层包括正则化网络、激活函数、参数重写和扩张因果卷积，正则化网络通过Dropout实现，Dropout是一种防止时序卷积网络过拟合的简单方法，能够实现正则化网络，避免过拟合。激活函数使用RelU函数实现，使用RelU函数能够加速收敛，提高时序卷积网络运算效率。参数重写通过WeightNorm实现，对参数进行归一化，不断进行更新，能够加速收敛，使时序卷积网络堆叠更深。残差模块通过恒等映射，将上一层的输入特征z(i-1)与卷积处理后的输出特征z(i)连接，使每一层的输出特征中添加上一层的输入特征，使网络更深，包含的输入特征更多。当输出层和输入层的特征矩阵具有不同的维数时，可以增加1×1卷积，实现降维，再进行连接。图8是本申请实施例提供的一种残差模块的连接示意图，图8中k＝3，d＝1，即卷积核大小为3，扩展系数为1，如图8所示，实线表示卷积核大小，每一层的空孔为一个，虚线表示恒等映射，通过恒等映射将两层卷积层连接。
可选的，车载终端基于目标车辆在第一时间段内的行驶数据，可以确定目标车辆的运动状态。当目标车辆处于车辆换道状态时，将目标车辆在第一时间段内的行驶数据、多台第一车辆在第一时间段内的行驶数据输入第一时序卷积网络，预测目标车辆在第二时间段内的行驶轨迹。当目标车辆处于车辆保持状态时，将目标车辆在第一时间段内的行驶数据、多台第一车辆在第一时间段内的行驶数据输入第二时序卷积网络，预测目标车辆在第二时间段内的行驶轨迹。
其中，运动状态包括车辆换道状态和车辆保持状态。第一时序卷积网络基于处于车辆换道状态的行驶数据训练得到，第二时序卷积网络基于处于车辆保持状态的行驶数据训练得到。
在实施中，车载终端获取到目标车辆在第一时间段内的行驶数据后，可以通过人工或自动追踪，得到目标车辆的跟踪轨迹。目标车辆的跟踪轨迹可以根据相对于目标车辆所在车道的意图分为车辆保持轨迹和车辆换道轨迹，图9是本申请实施例提供的一种目标车辆的跟踪轨迹示意图，如图9所示，图9中包括车辆保持轨迹和车辆换道轨迹。根据目标车辆的跟踪轨迹可以确定目标车辆的运动状态。时序卷积网络包括第一时序卷积网络和第二时序卷积网络两个训练模型，对车辆换道状态和车辆保持状态的目标车辆分开预测行驶轨迹。
图10是本申请实施例提供的一种行驶轨迹预测方法的流程图，如图10所示，将目标车辆在第一时间段内的行驶数据、第一车辆在第一时间段内的行驶数据输入时序卷积网络，经过时序卷积网络的特征提取层，在第i帧，对第i-n帧到第i帧进行特征提取，得到特征矩阵，将该特征矩阵输入时序卷积网络，在时序卷积网络内进行车辆行驶轨迹的预测，根据时序卷积网络的输入和输出可以构建回归模型，将输出作为回归模型的目标函数，根据时间卷积网络中的权重向量可以确定目标损失函数，进行回归分析，优化目标损失函数，使目标损失函数最小化，使输出的值更接近于正确结果，预测得到目标车辆在下一帧相对于当前帧的Frenet位移和Frenet速度(Δs,Δl,vs,vl)，其中，Δs是指目标车辆在下一帧相对于当前帧的S方向位移，Δl是指目标车辆在下一帧相对于当前帧的L方向位移，vs是指目标车辆在下一帧相对于当前帧的S方向速度，vl是指目标车辆在下一帧相对于当前帧的L方向速度。
可选的，根据上述步骤301至步骤302得到目标车辆在第一时间段内的行驶数据和多台第一车辆在第一时间段内的行驶数据后，还可以将目标车辆在第一时间段内的行驶数据和第一车辆在第一时间段内的行驶数据输入时间递归神经网络(LSTM神经网络)，预测目标车辆在第二时间段内的行驶轨迹。其中，时间递归神经网络是一种序列预测的神经网络。
本申请实施例提供的技术方案带来的有益效果是：
通过采集目标车辆在第一时间段内的行驶数据、多台第一车辆在第一时间段内的行驶数据，将其输入时序卷积网络，预测目标车辆在第二时间段内的行驶轨迹。时序卷积网络是对时间序列预测的神经网络，时序卷积网络的网络结构使输出包含有较多的输入特征，能够提高对时间序列预测的精确性，能够对目标车辆的行驶轨迹做出精确的预测。
上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
图11是本申请实施例提供的一种行驶轨迹预测装置的结构示意图，参见图11，该装置包括：
采集模块1101，用于采集目标车辆在第一时间段内的行驶数据；
获取模块1102，用于获取多台第一车辆在第一时间段内的行驶数据；
预测模块1103，用于将目标车辆在第一时间段内的行驶数据、多台第一车辆在第一时间段内的行驶数据输入时序卷积网络，通过时序卷积网络预测目标车辆在第二时间段内的行驶轨迹。
可选的，采集模块1101，还用于：
采集包括目标车辆所在车道的实时道路数据；
基于实时道路数据，以目标车辆所在车道的中心线的切线方向为纵轴，以目标车辆所在车道的中心线的法线方向为横轴，建立目标坐标系；
基于目标坐标系，采集目标车辆相对于目标车辆所在车道的速度、位移和朝向差。
可选的，装置还包括筛选模块，用于：
通过车辆的感知系统，确定目标车辆所在车道上的车辆以及目标车辆所在车道的相邻车道上的车辆；
基于目标车辆所在车道的中心线的法线，以及所获取到的车辆与法线的垂直距离，进行筛选，筛选得到每条车道上分别位于法线两侧且距离法线最近的两台第一车辆。
可选的，预测模块1103，还用于：
对目标车辆在第一时间段内的行驶数据中的车辆状态特征、道路数据中的道路状态特征以及在第一时间段内多台第一车辆相对于目标车辆的车辆状态特征进行拼接，将拼接得到的特征输入时序卷积网络。
可选的，预测模块1103，还用于：
基于目标车辆在第一时间段内的行驶数据，确定目标车辆的运动状态，运动状态包括车辆换道状态和车辆保持状态；
当目标车辆处于车辆换道状态时，将目标车辆在第一时间段内的行驶数据、多台第一车辆在第一时间段内的行驶数据输入第一时序卷积网络，预测目标车辆在第二时间段内的行驶轨迹，第一时序卷积网络基于处于车辆换道状态的行驶数据训练得到；
当目标车辆处于车辆保持状态时，将目标车辆在第一时间段内的行驶数据、多台第一车辆在第一时间段内的行驶数据输入第二时序卷积网络，预测目标车辆在第二时间段内的行驶轨迹，第二时序卷积网络基于处于车辆保持状态的行驶数据训练得到。
本申请实施例提供的技术方案带来的有益效果是：
通过采集目标车辆在第一时间段内的行驶数据、多台第一车辆在第一时间段内的行驶数据，将其输入时序卷积网络，预测目标车辆在第二时间段内的行驶轨迹。时序卷积网络是对时间序列预测的神经网络，时序卷积网络的网络结构使输出包含有较多的输入特征，能够提高对时间序列预测的精确性，能够对目标车辆的行驶轨迹做出精确的预测。
需要说明的是：上述实施例提供的行驶轨迹预测装置在确定车辆行驶轨迹时，仅以上述各功能模块的划分进行举例说明，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，即将设备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。另外，上述实施例提供的行驶轨迹预测装置与行驶轨迹预测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图12是本申请实施例提供的一种终端的结构示意图。该终端1200可以是：智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端1200还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常，终端1200包括有：处理器1201和存储器1202。
处理器1201可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器1201可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1201也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器1201可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器1201还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器1202可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器1202还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器1202中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器1201所执行以实现本申请中方法实施例提供的行驶轨迹预测方法。
在一些实施例中，终端1200还可选包括有：外围设备接口1203和至少一个外围设备。处理器1201、存储器1202和外围设备接口1203之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1203相连。具体地，外围设备包括：射频电路1204、触摸显示屏1205、摄像头1206、音频电路1207、定位组件1208和电源1209中的至少一种。
外围设备接口1203可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器1201和存储器1202。在一些实施例中，处理器1201、存储器1202和外围设备接口1203被集成在同一芯片或电路板上；在一些其他实施例中，处理器1201、存储器1202和外围设备接口1203中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路1204用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路1204通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1204将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路1204包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1204可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路1204还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏1205用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1205是触摸显示屏时，显示屏1205还具有采集在显示屏1205的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1201进行处理。此时，显示屏1205还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏1205可以为一个，设置终端1200的前面板；在另一些实施例中，显示屏1205可以为至少两个，分别设置在终端1200的不同表面或呈折叠设计；在再一些实施例中，显示屏1205可以是柔性显示屏，设置在终端1200的弯曲表面上或折叠面上。甚至，显示屏1205还可以设置成非矩形的不规则图形，也即异形屏。显示屏1205可以采用LCD(Liquid Crystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件1206用于采集图像或视频。可选地，摄像头组件1206包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件1206还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
音频电路1207可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器1201进行处理，或者输入至射频电路1204以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端1200的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1201或射频电路1204的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路1207还可以包括耳机插孔。
定位组件1208用于定位终端1200的当前地理位置，以实现导航或LBS(LocationBased Service，基于位置的服务)。定位组件1208可以是基于美国的GPS(GlobalPositioning System，全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。
电源1209用于为终端1200中的各个组件进行供电。电源1209可以是交流电、直流电、一次性电池或可充电电池。当电源1209包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
本领域技术人员可以理解，图12中示出的结构并不构成对终端1200的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述实施例中行驶轨迹预测方法。例如，所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种行驶轨迹预测方法，其特征在于，应用于车辆，所述方法包括：
采集目标车辆在第一时间段内的行驶数据，所述行驶数据用于指示所述目标车辆的行驶状态和道路状态，所述目标车辆为所述车辆的感知范围内的车辆；
获取多台第一车辆在所述第一时间段内的行驶数据，每台所述第一车辆为与所述目标车辆之间符合目标位置条件的车辆；
将所述目标车辆在所述第一时间段内的行驶数据、多台所述第一车辆在所述第一时间段内的行驶数据输入时序卷积网络，通过所述时序卷积网络预测所述目标车辆在第二时间段内的行驶轨迹，所述第二时间段为所述第一时间段的下一时间段。
2.根据权利要求1所述的方法，其特征在于，所述采集目标车辆在第一时间段内的行驶数据，包括：
采集包括所述目标车辆所在车道的实时道路数据；
基于所述实时道路数据，以所述目标车辆所在车道的中心线的切线方向为纵轴，以所述目标车辆所在车道的中心线的法线方向为横轴，建立目标坐标系；
基于所述目标坐标系，采集所述目标车辆相对于所述目标车辆所在车道的速度、位移和朝向差。
3.根据权利要求2所述的方法，其特征在于，所述获取多台第一车辆在所述第一时间段内的行驶数据之前，所述方法还包括：
通过所述车辆的感知系统，确定所述目标车辆所在车道上的车辆以及所述目标车辆所在车道的相邻车道上的车辆；
基于所述目标车辆所在车道的中心线的法线，以及所获取到的车辆与所述法线的垂直距离，进行筛选，筛选得到每条车道上分别位于所述法线两侧且距离所述法线最近的两台所述第一车辆。
4.根据权利要求1所述的方法，其特征在于，所述将所述目标车辆在所述第一时间段内的行驶数据、多台所述第一车辆所述第一时间段内的行驶数据输入时序卷积网络，包括：
对所述目标车辆在所述第一时间段内的行驶数据中的车辆状态特征、道路数据中的道路状态特征以及在所述第一时间段内多台所述第一车辆相对于所述目标车辆的车辆状态特征进行拼接，将拼接得到的特征输入所述时序卷积网络。
5.根据权利要求1所述的方法，其特征在于，所述将所述目标车辆在所述第一时间段内的行驶数据、多台所述第一车辆在所述第一时间段内的行驶数据输入时序卷积网络，预测所述目标车辆在第二时间段内的行驶轨迹，包括：
基于所述目标车辆在所述第一时间段内的行驶数据，确定所述目标车辆的运动状态，所述运动状态包括车辆换道状态和车辆保持状态；
当所述目标车辆处于所述车辆换道状态时，将所述目标车辆在所述第一时间段内的行驶数据、多台所述第一车辆在所述第一时间段内的行驶数据输入第一时序卷积网络，预测所述目标车辆在所述第二时间段内的行驶轨迹，所述第一时序卷积网络基于处于车辆换道状态的行驶数据训练得到；
当所述目标车辆处于所述车辆保持状态时，将所述目标车辆在所述第一时间段内的行驶数据、多台所述第一车辆在所述第一时间段内的行驶数据输入第二时序卷积网络，预测所述目标车辆在所述第二时间段内的行驶轨迹，所述第二时序卷积网络基于处于车辆保持状态的行驶数据训练得到。
6.一种行驶轨迹预测装置，其特征在于，应用于车辆，所述装置包括：
采集模块，用于采集目标车辆在第一时间段内的行驶数据，所述目标车辆为所述车辆的感知范围内的车辆；
获取模块，用于获取多台第一车辆在所述第一时间段内的行驶数据，每台所述第一车辆为与所述目标车辆之间符合目标位置条件的车辆；
预测模块，用于将所述目标车辆在所述第一时间段内的行驶数据、多台所述第一车辆在所述第一时间段内的行驶数据输入时序卷积网络，通过所述时序卷积网络预测所述目标车辆在第二时间段内的行驶轨迹，所述第二时间段为所述第一时间段的下一时间段。
7.根据权利要求6所述的装置，其特征在于，所述采集模块，还用于：
采集包括所述目标车辆所在车道的实时道路数据；
基于所述实时道路数据，以所述目标车辆所在车道的中心线的切线方向为纵轴，以所述目标车辆所在车道的中心线的法线方向为横轴，建立目标坐标系；
基于所述目标坐标系，采集所述目标车辆相对于所述目标车辆所在车道的速度、位移和朝向差。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括筛选模块，用于：
通过所述车辆的感知系统，确定所述目标车辆所在车道上的车辆以及所述目标车辆所在车道的相邻车道上的车辆；
基于所述目标车辆所在车道的中心线的法线，以及所获取到的车辆与所述法线的垂直距离，进行筛选，筛选得到每条车道上分别位于所述法线两侧且距离所述法线最近的两台所述第一车辆。
9.一种终端，其特征在于，所述终端包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如权利要求1至权利要求5任一项所述的行驶轨迹预测方法所执行的操作。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1至权利要求5任一项所述的行驶轨迹预测方法所执行的操作。
CN201911300100.5A 2019-12-16 2019-12-16 行驶轨迹预测方法、装置、终端及存储介质 Active CN111114554B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911300100.5A CN111114554B (zh) 2019-12-16 2019-12-16 行驶轨迹预测方法、装置、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911300100.5A CN111114554B (zh) 2019-12-16 2019-12-16 行驶轨迹预测方法、装置、终端及存储介质

Publications (2)

Publication Number Publication Date
CN111114554A true CN111114554A (zh) 2020-05-08
CN111114554B CN111114554B (zh) 2021-06-11

Family

ID=70498192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911300100.5A Active CN111114554B (zh) 2019-12-16 2019-12-16 行驶轨迹预测方法、装置、终端及存储介质

Country Status (1)

Country Link
CN (1) CN111114554B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111661061A (zh) * 2020-06-18 2020-09-15 东软睿驰汽车技术（沈阳）有限公司 一种车辆行驶意图识别方法及装置
CN112614373A (zh) * 2020-12-29 2021-04-06 厦门大学 一种基于BiLSTM周车换道意图预测方法
CN113159403A (zh) * 2021-04-13 2021-07-23 青岛大学 路口行人轨迹预测的方法及装置
CN113240198A (zh) * 2021-06-07 2021-08-10 兰州大学 一种基于tcn模型的港口船舶轨迹预测方法
CN113378722A (zh) * 2021-06-11 2021-09-10 西安电子科技大学 基于3d卷积和多级语义信息融合的行为识别方法及系统
CN113568416A (zh) * 2021-09-26 2021-10-29 智道网联科技(北京)有限公司 无人车轨迹规划方法、装置和计算机可读存储介质
CN113771867A (zh) * 2020-06-10 2021-12-10 华为技术有限公司 一种行驶状态的预测方法、装置和终端设备
WO2022022384A1 (zh) * 2020-07-31 2022-02-03 华为技术有限公司 车辆运动状态识别方法及装置
CN115009275A (zh) * 2022-08-08 2022-09-06 北京理工大学前沿技术研究院 面向城市场景下车辆轨迹预测方法、系统及存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115610435B (zh) * 2022-12-02 2023-04-11 福思(杭州)智能科技有限公司 对象行驶意图的预测方法和装置、存储介质及电子装置

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107492113A (zh) * 2017-06-01 2017-12-19 南京行者易智能交通科技有限公司 一种视频图像中运动目标位置预测模型训练方法、位置预测方法及轨迹预测方法
CN107672589A (zh) * 2017-09-26 2018-02-09 苏州观瑞汽车技术有限公司 一种基于雷达探测数据的车辆轨迹实时预测方法和装置
US20180134288A1 (en) * 2016-11-14 2018-05-17 Nec Laboratories America, Inc. Advanced driver-assistance system using accurate object proposals by tracking detections
CN108803617A (zh) * 2018-07-10 2018-11-13 深圳大学 轨迹预测方法及装置
US20180339710A1 (en) * 2017-05-24 2018-11-29 Toyota Jidosha Kabushiki Kaisha Vehicle system
CN109583151A (zh) * 2019-02-20 2019-04-05 百度在线网络技术（北京）有限公司 车辆的行驶轨迹预测方法及装置
CN109631915A (zh) * 2018-12-19 2019-04-16 百度在线网络技术（北京）有限公司 轨迹预测方法、装置、设备及计算机可读存储介质
CN109927719A (zh) * 2017-12-15 2019-06-25 百度在线网络技术（北京）有限公司 一种基于障碍物轨迹预测的辅助驾驶方法和系统
US20190204843A1 (en) * 2016-12-21 2019-07-04 Baidu Usa Llc Method and system to predict one or more trajectories of a vehicle based on context surrounding the vehicle
CN110146100A (zh) * 2018-02-13 2019-08-20 华为技术有限公司 轨迹预测方法、装置及存储介质
CN110168312A (zh) * 2017-05-16 2019-08-23 大陆汽车有限责任公司 基于目标预测动态物体的方法和装置
KR20190104474A (ko) * 2019-08-20 2019-09-10 엘지전자 주식회사 차량 주행 제어 장치 및 방법
CN110293968A (zh) * 2019-06-18 2019-10-01 百度在线网络技术（北京）有限公司 自动驾驶车辆的控制方法、装置、设备及可读存储介质
CN110400490A (zh) * 2019-08-08 2019-11-01 腾讯科技（深圳）有限公司 轨迹预测方法和装置
CN110415266A (zh) * 2019-07-19 2019-11-05 东南大学 一种基于本车周围车辆轨迹预测安全行驶的方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180134288A1 (en) * 2016-11-14 2018-05-17 Nec Laboratories America, Inc. Advanced driver-assistance system using accurate object proposals by tracking detections
US20190204843A1 (en) * 2016-12-21 2019-07-04 Baidu Usa Llc Method and system to predict one or more trajectories of a vehicle based on context surrounding the vehicle
CN110168312A (zh) * 2017-05-16 2019-08-23 大陆汽车有限责任公司 基于目标预测动态物体的方法和装置
US20180339710A1 (en) * 2017-05-24 2018-11-29 Toyota Jidosha Kabushiki Kaisha Vehicle system
CN107492113A (zh) * 2017-06-01 2017-12-19 南京行者易智能交通科技有限公司 一种视频图像中运动目标位置预测模型训练方法、位置预测方法及轨迹预测方法
CN107672589A (zh) * 2017-09-26 2018-02-09 苏州观瑞汽车技术有限公司 一种基于雷达探测数据的车辆轨迹实时预测方法和装置
CN109927719A (zh) * 2017-12-15 2019-06-25 百度在线网络技术（北京）有限公司 一种基于障碍物轨迹预测的辅助驾驶方法和系统
CN110146100A (zh) * 2018-02-13 2019-08-20 华为技术有限公司 轨迹预测方法、装置及存储介质
CN108803617A (zh) * 2018-07-10 2018-11-13 深圳大学 轨迹预测方法及装置
CN109631915A (zh) * 2018-12-19 2019-04-16 百度在线网络技术（北京）有限公司 轨迹预测方法、装置、设备及计算机可读存储介质
CN109583151A (zh) * 2019-02-20 2019-04-05 百度在线网络技术（北京）有限公司 车辆的行驶轨迹预测方法及装置
CN110293968A (zh) * 2019-06-18 2019-10-01 百度在线网络技术（北京）有限公司 自动驾驶车辆的控制方法、装置、设备及可读存储介质
CN110415266A (zh) * 2019-07-19 2019-11-05 东南大学 一种基于本车周围车辆轨迹预测安全行驶的方法
CN110400490A (zh) * 2019-08-08 2019-11-01 腾讯科技（深圳）有限公司 轨迹预测方法和装置
KR20190104474A (ko) * 2019-08-20 2019-09-10 엘지전자 주식회사 차량 주행 제어 장치 및 방법

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113771867A (zh) * 2020-06-10 2021-12-10 华为技术有限公司 一种行驶状态的预测方法、装置和终端设备
CN113771867B (zh) * 2020-06-10 2023-03-03 华为技术有限公司 一种行驶状态的预测方法、装置和终端设备
WO2021249020A1 (zh) * 2020-06-10 2021-12-16 华为技术有限公司 一种行驶状态的预测方法、装置和终端设备
CN111661061B (zh) * 2020-06-18 2022-02-11 东软睿驰汽车技术（沈阳）有限公司 一种车辆行驶意图识别方法及装置
CN111661061A (zh) * 2020-06-18 2020-09-15 东软睿驰汽车技术（沈阳）有限公司 一种车辆行驶意图识别方法及装置
WO2022022384A1 (zh) * 2020-07-31 2022-02-03 华为技术有限公司 车辆运动状态识别方法及装置
CN114056347A (zh) * 2020-07-31 2022-02-18 华为技术有限公司 车辆运动状态识别方法及装置
CN112614373A (zh) * 2020-12-29 2021-04-06 厦门大学 一种基于BiLSTM周车换道意图预测方法
CN113159403A (zh) * 2021-04-13 2021-07-23 青岛大学 路口行人轨迹预测的方法及装置
CN113159403B (zh) * 2021-04-13 2024-03-12 青岛大学 路口行人轨迹预测的方法及装置
CN113240198A (zh) * 2021-06-07 2021-08-10 兰州大学 一种基于tcn模型的港口船舶轨迹预测方法
CN113378722A (zh) * 2021-06-11 2021-09-10 西安电子科技大学 基于3d卷积和多级语义信息融合的行为识别方法及系统
CN113568416A (zh) * 2021-09-26 2021-10-29 智道网联科技(北京)有限公司 无人车轨迹规划方法、装置和计算机可读存储介质
CN115009275A (zh) * 2022-08-08 2022-09-06 北京理工大学前沿技术研究院 面向城市场景下车辆轨迹预测方法、系统及存储介质
CN115009275B (zh) * 2022-08-08 2022-12-16 北京理工大学前沿技术研究院 面向城市场景下车辆轨迹预测方法、系统及存储介质

Also Published As

Publication number Publication date
CN111114554B (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN111114554B (zh) 行驶轨迹预测方法、装置、终端及存储介质
CN111126182B (zh) 车道线检测方法、装置、电子设备及存储介质
CN111192341A (zh) 生成高精地图的方法、装置、自动驾驶设备及存储介质
CN113205515B (zh) 目标检测方法、装置、及计算机存储介质
CN110796248A (zh) 数据增强的方法、装置、设备及存储介质
CN114332821A (zh) 决策信息获取方法、装置、终端及存储介质
CN111010537B (zh) 车辆控制方法、装置、终端及存储介质
CN116108910A (zh) 用于终端部署的图像处理模型压缩方法、装置以及设备
WO2022205868A1 (zh) 检测车辆的超限源头的方法、装置及计算机存储介质
CN112269939B (zh) 自动驾驶的场景搜索方法、装置、终端、服务器及介质
CN111179628B (zh) 自动驾驶车辆的定位方法、装置、电子设备及存储介质
CN110163862B (zh) 图像语义分割方法、装置及计算机设备
CN111709993A (zh) 物体的位姿信息确定方法、装置、终端及存储介质
CN111275300B (zh) 路网数据处理方法、装置、设备及存储介质
CN114283395A (zh) 车道线检测的方法、装置、设备及计算机可读存储介质
CN113920222A (zh) 获取地图建图数据的方法、装置、设备及可读存储介质
CN116052461A (zh) 虚拟车位确定方法、显示方法、装置、设备、介质及程序
CN111445286A (zh) 资源调度方法、装置、电子设备及可读存储介质
CN113239901B (zh) 场景识别方法、装置、设备及存储介质
CN113734199B (zh) 车辆控制方法、装置、终端及存储介质
CN115311851B (zh) 路况信息确定方法、装置、电子设备及存储介质
CN113658283B (zh) 图像处理方法、装置、电子设备及存储介质
CN113734167B (zh) 车辆控制方法、装置、终端及存储介质
CN110458289B (zh) 多媒体分类模型的构建方法、多媒体分类方法及装置
CN117173520A (zh) 三维融合数据的确定方法和装置

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
TA01 Transfer of patent application right

Effective date of registration: 20200612

Address after: 215100 16 / F, Lingyu Business Plaza, 66 qinglonggang Road, high speed rail new town, Xiangcheng District, Suzhou City, Jiangsu Province

Applicant after: SUZHOU ZHIJIA TECHNOLOGY Co.,Ltd.

Applicant after: Zhijia (Cayman) Company

Applicant after: Zhijia (USA)

Address before: 215100 16 / F, Lingyu Business Plaza, 66 qinglonggang Road, high speed rail new town, Xiangcheng District, Suzhou City, Jiangsu Province

Applicant before: SUZHOU ZHIJIA TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210315

Address after: 16 / F, Lingyu Business Plaza, 66 qinglonggang Road, high speed rail new town, Xiangcheng District, Suzhou City, Jiangsu Province

Applicant after: SUZHOU ZHIJIA TECHNOLOGY Co.,Ltd.

Applicant after: Zhijia (USA)

Address before: 215100 16 / F, Lingyu Business Plaza, 66 qinglonggang Road, high speed rail new town, Xiangcheng District, Suzhou City, Jiangsu Province

Applicant before: SUZHOU ZHIJIA TECHNOLOGY Co.,Ltd.

Applicant before: Zhijia (Cayman) Company

Applicant before: Zhijia (USA)

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant