CN111152796A - 一种车辆运动状态预测方法及装置 - Google Patents

Abstract

本说明书公开了一种车辆运动状态预测方法及装置，获取包括当前时刻在内的若干指定时刻该无人车的运动状态以及控制量，以确定特征向量，通过将特征向量输入预测模型的第一时间序列层，确定注意力加权向量，该注意力加权向量用于表征各指定时刻的控制量对下一时刻的运动状态的影响程度，然后根据注意力加权向量，对获取的各指定时刻的控制量进行加权处理，最后将注意力加权结果以及当前时刻的运动状态输入第二时间序列层，预测下一时刻该无人车的运动状态。利用若干指定时刻的控制量进行加权后的加权结果，使得预测运动状态考虑到了历史时刻的控制量对当前时刻运动状态的影响，增加了运动状态预测的准确性，提高了无人车控制准确程度。

Description

一种车辆运动状态预测方法及装置

技术领域

本申请涉及无人驾驶技术领域，尤其涉及一种车辆运动状态预测方法以及装置。

背景技术

目前，无人驾驶技术领域中，需要根据无人车的运动状态以及无人车的控制量，预测无人车未来的运动状态，以根据预测得到的运动状态，确定如何控制无人车。其中，控制量包括控制无人车运动的多种控制类型，以及每个控制类型的控制幅度，例如，控制类型可包括，如转向轮角度、油门开度、刹车开度等控制类型，分别对应控制幅度可以为向左10度、90%开度、30%开度。

但是，由于车辆硬件或者软件结构的影响，根据控制量向无人车的驱动装置发送控制指令后，无人车后可能会延时一定时间执行相应的动作，导致对无人车控制由于延后的时差而不够准确。也就是说，针对每个时刻，该时刻正在对无人车控制起作用的，并不是该时刻发送的控制指令，而可能是之前时刻发送的某个控制指令。

目前，现有技术中尚未在运动状态的预测过程中考虑控制延时执行带来的影响，导致对无人车的运动状态的预测不准确。

发明内容

本说明书实施例提供的一种车辆运动状态预测方法及装置，用于部分解决现有技术中存在的问题。

本说明书实施例采用下述技术方案：

本说明书提供的车辆运动状态预测方法，包括：

获取无人车在各指定时刻的运动状态以及控制量，所述指定时刻包含当前时刻和若干历史时刻；

根据获取的各指定时刻的运动状态以及控制量，确定特征向量；

将确定出的特征向量作为输入，输入预先训练的预测模型第一时间序列层，得到所述第一时间序列层输出的注意力加权向量，所述注意力加权向量表征各指定时刻的控制量对所述无人车下一时刻的运动状态的影响程度；

根据所述注意力加权向量，对各指定时刻的控制量进行注意力加权；

将注意力加权结果、所述无人车当前时刻的运动状态输入所述预测模型的第二时间序列层，得到所述第二时间序列层输出的所述无人车下一时刻的运动状态的预测结果。

可选地，根据获取的各指定时刻的运动状态以及控制量，确定特征向量，具体包括：

按照距离当前时刻从近到远的顺序，从当前时刻和若干历史时刻中，确定指定数量的时刻，作为指定时刻；

根据时间先后顺序，对确定出的各指定时刻的运动状态进行组合，得到运动状态向量，以及对确定出的各指定时刻的控制量进行组合，得到控制量向量；

根据所述运动状态向量和所述控制量向量，确定特征向量。

可选地，将确定出的特征向量作为输入，输入预先训练的预测模型第一时间序列层，得到所述第一时间序列层输出的注意力加权向量，具体包括：

确定预先训练的预测模型的第一时间序列层上一时刻的隐层特征；

将确定出的隐层特征以及所述特征向量作为输入，输入所述第一时间序列层，确定交互向量；

将所述交互向量输入所述预测模型的解码层，进行解码确定解码向量；

将所述解码向量输入所述预测模型的注意力层，确定注意力加权向量；

其中，所述解码向量以及所述注意力加权向量的维度数量为所述指定数量。

可选地，将确定出的隐层特征以及所述特征向量作为输入，输入所述第一时间序列层，确定交互向量，具体包括：

将所述特征向量作为输入，输入所述预测模型的编码层，确定编码向量；

将所述编码向量以及所述隐层特征作为输入，输入所述第一时间序列层，确定交互向量。

可选地，获取无人车在各指定时刻的运动状态，具体包括：

获取所述无人车分别在各指定时刻的速度以及加速度；

根据获取各指定时刻的速度以及加速度，分别确定各指定时刻的运动状态。

可选地，得到所述第二时间序列层输出的所述无人车下一时刻的运动状态的预测结果，具体包括：

得到所述第二时间序列层输出的所述无人车下一时刻的速度；

根据预测得到的速度，确定所述无人车下一时刻的加速度；

根据所述下一时刻的速度以及加速度，确定所述无人车下一时刻的运动状态的预测结果。

可选地，通过以下方法训练所述预测模型，其中：

获取若干历史行驶过程中各时刻车辆的运动状态以及控制量；

针对每个时刻，确定以该时刻对应的各指定时刻的运动状态以及控制量，作为训练样本，以该时刻的下一时刻车辆的运动状态为该训练样本的标签；

针对各训练样本，确定该训练样本对应的特征向量，并将确定出的特征向量输入待训练的预测模型，得到所述预测模型输出的预测结果；

以最小化预测结果与标签的差为优化目标，调整所述待训练的预测模型的模型参数。

本说明书提供的车辆运动状态预测装置，包括：

获取模块，获取无人车在各指定时刻的运动状态以及控制量，所述指定时刻包含当前时刻和若干历史时刻；

特征确定模块，根据获取的各指定时刻的运动状态以及控制量，确定特征向量；

权重确定模块，将确定出的特征向量作为输入，输入预先训练的预测模型第一时间序列层，得到所述第一时间序列层输出的注意力加权向量，所述注意力加权向量表征各指定时刻的控制量对所述无人车下一时刻的运动状态的影响程度；

注意力模块，根据所述注意力加权向量，对各指定时刻的控制量进行注意力加权；

预测模块，将注意力加权结果、所述无人车当前时刻的运动状态输入所述预测模型的第二时间序列层，得到所述第二时间序列层输出的所述无人车下一时刻的运动状态的预测结果。

可选地，所述特征确定模块，按照距离当前时刻从近到远的顺序，从当前时刻和若干历史时刻中，确定指定数量的时刻，作为指定时刻，根据时间先后顺序，对确定出的各指定时刻的运动状态进行组合，得到运动状态向量，以及对确定出的各指定时刻的控制量进行组合，得到控制量向量，根据所述运动状态向量和所述控制量向量，确定特征向量。

可选地，所述权重确定模块，确定预先训练的预测模型的第一时间序列层上一时刻的隐层特征，将确定出的隐层特征以及所述特征向量作为输入，输入所述第一时间序列层，确定交互向量，将所述交互向量输入所述预测模型的解码层，进行解码确定解码向量，将所述解码向量输入所述预测模型的注意力层，确定注意力加权向量，其中，所述解码向量以及所述注意力加权向量的维度数量为所述指定数量。

可选地，所述权重确定模块，将所述特征向量作为输入，输入所述预测模型的编码层，确定编码向量，将所述编码向量以及所述隐层特征作为输入，输入所述第一时间序列层，确定交互向量。

本说明书提供的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任一所述的方法。

本说明书提供的无人车，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任一所述的方法。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

获取包括当前时刻在内的若干指定时刻该无人车的运动状态以及控制量，以确定特征向量，通过将特征向量输入预测模型的第一时间序列层，确定注意力加权向量，该注意力加权向量用于表征各指定时刻的控制量对下一时刻的运动状态的影响程度，然后根据注意力加权向量，对获取的各指定时刻的控制量进行加权处理，最后将注意力加权结果以及当前时刻的运动状态输入第二时间序列层，预测下一时刻该无人车的运动状态。利用若干指定时刻的控制量进行加权后的加权结果，替代当前时刻的控制量作为输入，使得预测运动状态考虑到了历史时刻的控制量对当前时刻运动状态的影响，避免了没有考虑系统延时带来的影响，增加了运动状态预测的准确性，提高了无人车控制准确程度。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本说明书实施例提供的车辆运动状态预测流程示意图；

图2为本说明书实施例提供的注意力加权向量示意图；

图3为本说明书实施例提供的第一时间序列层的示意图；

图4为本说明书实施例提供的预测模型结构示意图；

图5为本说明书实施例提供的车辆运动状态预测装置的结构示意图；

图6为本说明书实施例提供的实现车辆运动状态预测方法的无人车示意图。

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申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，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，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图1为本说明书实施例提供的车辆运动状态预测流程示意图，包括：

S100：获取当前时刻和若干历史时刻，所述无人车的运动状态以及控制量。

对车辆运动状态的预测，主要应用于无人车控制过程中，通过预测得到的运动状态，决策模型可以确定如何控制无人车行驶。并且，对车辆运动状态的预测，也可用于训练该决策模型的仿真环境中，提供更准确的车辆运动状态的预测，使得仿真环境与真实环境的差异更小，为训练得到更好的决策模型提供支持。当然，目前还有其他需要应用车辆运动状态预测的场景，本说明书对此不再一一列举。

在本说明书一个或多个实施例中，并不限制该车辆运动状态预测过程具体应用在什么场景中，可根据需要具体设置。当然，为了方便描述本说明书后续以控制无人车行驶的场景为例，对该车辆运动状态预测过程进行描述，则执行该过程的具体可以是无人车。

具体的，在本说明书中该无人车在需要进行下一时刻运动状态预测时，首先可以获取该无人车在各指定时刻的运动状态，以及在各指定时刻输出的控制量。其中，该指定时刻包含当前时刻以及若干历史时刻。运动状态可以是通过无人车中的传感器确定的，在本说明书中该运动状态至少包括该无人车的速度，并且还可包含根据速度积分得到的加速度，因此该预测过程确定出的结果是下一时刻无人车的速度、加速度中的至少一种。当然，在本说明书仅以运动状态包括速度以及加速度为例进行说明，当需要预测的运动状态更多更复杂时，也可采用相同的过程实现，对复杂运动状态的预测。例如，需要预测悬挂系统的运动状态（如，压缩还是伸长，压缩或者伸长的幅度），则获取的运动状态就需要有各指定时刻的悬挂系统的运动状态。

另外，在本说明书中该无人车获取的各指定时刻的控制量，是与该运动状态变化相关的控制无人车行驶的控制量。例如，运动状态包括速度，则控制量中存在间接或直接对速度产生影响的控制量，如油门开度、刹车开度这种直接产生影响的控制量，如转向角度这种间接产生影响的控制量。当然，还可能包括，档位变化、手刹开度等等控制量。

如前所述控制量包括：控制类型以及控制幅度，如表1所示。

表1

表1所示为从T0时刻到Tn时刻的多个时刻无人车的输出的控制量，根据该控制量确定控制指令下发给驱动装置，使得驱动装置按照控制指令使无人车按照控制量对应的内容驱动无人车行驶。

另外，该无人车可以按照距离当前时刻从近到远的顺序，从当前时刻和若干历史时刻中，确定指定数量的时刻，作为指定时刻。继续沿用上例，假设指定数量为m，且m小于n，当前时刻为Tn，则按照时间从近到远的顺序，无人车可获取Tn-m至Tn供m个指定时刻该无人车的运动状态，以及各指定时刻输出的控制量。

S102：根据获取的各时刻的运动状态以及控制量，确定特征向量。

在本说明书中，通过步骤S100获取了连续的指定数量的指定时刻的运动状态以及控制量之后，无人车可对确定特征向量，作为后续步骤模型的输入。

具体的，该无人车可根据时间先后顺序，对确定出的各指定时刻的运动状态进行组合，得到运动状态向量，以及根据时间先后顺序，对确定出的各指定时刻的控制量进行组合，得到控制量向量。然后，再根据所述运动状态向量和所述控制量向量，确定特征向量。

例如，假设运动状态包括：无人车的速度以及加速度，控制量包括：转向角度、油门 开度以及刹车开度，速度以s表示、加速度以a表示、控制量以Cmd表示，获取的指定时刻为n- m时刻至n时刻，则可组合得到表示为

的运动 状态向量，长度为2m，组合控制量得到表示为

的控制量向量，长度为m。最后再将运 动状态向量和控制量向量组合，得到特征向量，该特征向量为1×3m形式的向量。

S104：将确定出的特征向量作为输入，输入预先训练的预测模型第一时间序列层，得到所述第一时间序列层输出的注意力加权向量，所述注意力加权向量表征各指定时刻的控制量对所述无人车下一时刻的运动状态的影响程度。

在本说明书中，当确定出特征向量之后，便可通过预先训练的预测模型的第一时间序列层，得到特征向量对应的注意力加权向量。由于根据控制量发送控制指令后，机械传统或者信号传输等影响，控制量要实际对车辆产生影响会有一定延时，因此当前时刻实际产生作用的控制量，有较大的概率是历史时刻确定出的控制量。例如，Tn-1时刻的控制量，由于延时在Tn时刻实际产生了作用，而Tn时刻的控制量同样在经过延时后，在Tn+1时刻产生了作用。而在当前时刻产生作用越大的控制量，对无人车下一时刻的运动状态的影响就越大。

但是，由于不确定到底哪个时刻的控制量能在当前时刻实际产生多少作用，因此在本说明书中可将各指定时刻对应的特征向量作为输入，通过预测模型的第一时间序列层，确定注意力加权向量。而该注意力加权向量表征的就是说输入的各指定时刻的控制量，对无人车下一时刻运动状态的影响程度。

图2为本说明书提供的注意力加权向量示意图，其中横轴为按照时间顺排列的各指定时刻的控制量，纵轴为控制量对下一时刻运动状态的影响程度。

具体的，确定该注意力加权向量的过程中，首先该无人车可确定预先训练的预测模型的第一时间序列层上一时刻的隐层特征。之后，将确定出的隐层特征以及该特征向量作为输入，输入所述第一时间序列层，得到该第一时间序列层输出的注意力加权向量。并且，由于该注意力加权向量是用于对各指定时刻的控制量进行注意力加权的，因此该注意力加权向量的维度数量为指定数量。也就是说，指定时刻有多少个则注意力加权向量的维度便有多少。

另外，在本说明书中，为了增加输出的注意力加权向量的准确性，该预测模型也可通过更多层确定该注意力加权向量，以避免通过单一一个第一时间序列层输出的注意力加权向量的效果不好、不够准确。

具体的，该无人车在将确定出的隐层特征以及该特征向量作为输入，输入第一时间序列层后，将第一时间序列层输出的结果作为交互向量。此时，对于该交互向量的维度本说明书并不做限定，当然为了更好体现不同时刻之间信息的交互，该交互向量的维度通常比输入的特征向量的维度要多。

其次，再将该交互向量输入该预测模型的解码层，进行解码确定解码向量，该解码层用于将该交互向量的维度压缩至指定数量。于是，在本说明书中该解码向量的维度也为该指定数量。

最后，将该解码向量输入该预测模型的注意力层，确定注意力加权向量。具体的，该注意力层可以采用softmax函数进行处理，得到注意力加权向量。当然，本说明书并不限定采用何种函数进行处理，只要得到的注意力加权向量的数值在[0，1]区内是归一化的即可，具体可根据需要设置。

更进一步地，在本说明书中，该预测模型还可包括编码层，在将特征向量输入第一时间序列层之前，可以先输入编码层确定编码向量，则该预测模型输出注意力加权向量的部分可视为是一个编码器-解码器（encoder-decoder）结构的模型，如图3所示。

图3所示的为预测模型中包含第一时间序列层的部分模型结构，包括：编码层、第一时间序列层、解码层、注意力层，其中，编码层和解码层具体可为全连接网络模型的结构，例如，多层感知机（MultilayerPerceptron，MLP）模型的结构，该第一时间序列层具体可为循环神经网络（Recurrent Neural Network，RNN）模型的结构或者更具体的是长短期记忆网络（Long Short-Term Memory，LSTM）模型的结构，注意力层可以是常见的注意力模型的结构。于是，在图3中输入为特征向量，假设其形式为1×3m，表示m个指定时刻对应的特征向量。在通过编码层（MLP1）后，输出编码向量，图3中MLP1层输出节点数量大于输入节点数量，表示编码向量维度可比特征向量的维度要多。再将编码向量输入第一时间序列层（LSTM）输出交互向量，图3中左侧指向LSTM的实线箭头表示输入LSTM的上一时刻的隐层特征，右侧虚线箭头表示后续该LSTM的隐层特征可继续用于其他时刻的计算。然后输入解码层（MLP2）输出解码向量，图3中MLP2层输出节点数量小于输入节点数量，表示编码向量维度可比特征向量的维度要小，且此时解码向量的维度已经压缩至1×m，然后再通过注意力层（Attention）得到注意力加权向量，图3中Attention层的曲线表示不同维度的加权可能不同。

需要说明的是，在步骤S104中该预测模型实际上就是基于各指定时刻的运动状态和控制量，确定出了无人车控制上延时的特点，并以注意力加权向量的形式输出。

S106：根据所述注意力加权向量，对各指定时刻的控制量进行注意力加权。

在本说明书中，该无人车确定出的注意力加权向量，表征了各指定时刻的控制量对该无人车下一时刻的运动状态的影响程度，因此可根据述注意力加权向量对各指定时刻的控制量进行注意力加权。其中，由于注意力加权向量的维度为指定数量，也就是各指定时刻的数量，因此可通过两个控制量向量与注意力加权向量叉乘得到注意力加权结果。该注意力加权结果是对各指定时刻的控制量进行加权后的结果，表征的就是各指定时刻的控制量，实际在当前时刻产生作用的概率分布。

S108：将注意力加权结果、所述无人车当前时刻的运动状态输入所述预测模型的第二时间序列层，得到所述第二时间序列层输出的所述无人车下一时刻的运动状态的预测结果。

在本说明书中，在确定出控制量的注意力加权结果后，便可将该注意力加权结果以及当前时刻的运动状态作为输入，输入该预测模型的第二时间序列层，得到所述第二时间序列层输出的所述无人车下一时刻的运动状态的预测结果。预测模型此部分便是输出预测结果的部分，输入的数据区别于现有仅输入当前时刻控制量的方式，通过确定若干时刻的控制量对下一时刻运动状态的影响程度，使得输入的注意力加权结果可以表征当前实际作用在无人车上的控制量。将延时这一重要因素加入预测运动状态的考虑之中，使得输出的预测结果更为准确。

基于图1所示的车辆运动状态预测方法，获取包括当前时刻在内的若干指定时刻该无人车的运动状态以及控制量，以确定特征向量，通过将特征向量输入预测模型的第一时间序列层，确定注意力加权向量，该注意力加权向量用于表征各指定时刻的控制量对下一时刻的运动状态的影响程度，然后根据注意力加权向量，对获取的各指定时刻的控制量进行加权处理，最后将注意力加权结果以及当前时刻的运动状态输入第二时间序列层，预测下一时刻该无人车的运动状态。利用若干指定时刻的控制量进行加权后的加权结果，替代当前时刻的控制量作为输入，使得预测运动状态考虑到了历史时刻的控制量对当前时刻运动状态的影响，避免了没有考虑系统延时带来的影响，增加了运动状态预测的准确性，提高了无人车控制准确程度。

图4为本说明书提供的详细预测模型的结构示意图，该示意图中横轴以时间线展开，虚线框内为当前时刻（即，Tn）模型的输入以及输出。图4中存在与图3相同的模型结构，其具体描述可参见图3相应的内容。另外，在本说明书中，该第二时间序列模型也可是RNN或者LSTM，本说明书对此不做限定。该无人车在确定出各障碍物的预测运动轨迹后，还可根据确定出的各障碍物的预测运动轨迹控制所述无人车运动。

另外，在本说明书中在训练该预测模型时，可以获取预先获取历史上若干次行驶过程中采集的数据。并根据采集的数据，确定每次行驶过程中的各时刻的无人车运动状态以及运动量。

然后，针对每个时刻，确定该时刻对应的各指定时刻的运动状态以及运动量，确定训练样本，并将该时刻的下一时刻无人车的实际运动状态作为该训练样本的“标签”。

针对每个训练样本，将该训练样本输入待训练的该预测模型中，确定预测模型输出的预测结果。

根据预测结果与“标签”（即，下一时刻无人车的实际运动状态）差值，确定损失，并以最小化损失为目标调整预测模型中的参数。

需要说明的是，在本说明书中该无人车可为用于无人配送，本说明书提供的上述车辆运动状态预测方法具体可应用于使用无人车进行配送的领域中，当无人车进行配送时，通过该车辆运动状态预测方法，确定无人车的运动状态的变化，以决策如何控制无人车行驶，如，使用无人车进行快递、外卖等配送的场景。

另外，在本说明书对该车辆运动状态预测过程的说明，是以运动状态为加速度和速度为例进行说明的。当然该运动状态也可以是车辆的其他信息，例如，车身俯仰角度、车身倾斜角度等，并且也可通过车辆内设置的传感器确定上述其他信息。例如，在不同控制量（油门开度、刹车开度、转向角度等）的作用下，车辆行驶时可能出现俯仰或者侧倾，通过本说明书提供的运动状态预测过程，可以预测下一时刻的车身俯仰角度、车身倾斜角度等。也就是说，本说明书中对于运动状态并不做具体限制，只要是在控制量的直接或间接影响下会出现变化的运动状态，均可通过本说明书提供的方法进行预测。

进一步地，在本说明书中无人车是对无人驾驶设备的统称，对无人驾驶的结构或者形式不构成限制。例如，配置有自动驾驶功能的车辆，在进行自动驾驶时，可以视为是本说明书中所述的无人车。

基于图1所示的车辆运动状态预测过程，本说明书实施例还对应提供车辆运动状态预测装置的结构示意图，如图5所示。

图5为本说明书实施例提供的车辆运动状态预测装置的结构示意图，所述装置包括：

获取模块200，获取无人车在各指定时刻的运动状态以及控制量，所述指定时刻包含当前时刻和若干历史时刻；

特征确定模块202，根据获取的各指定时刻的运动状态以及控制量，确定特征向量；

权重确定模块204，将确定出的特征向量作为输入，输入预先训练的预测模型第一时间序列层，得到所述第一时间序列层输出的注意力加权向量，所述注意力加权向量表征各指定时刻的控制量对所述无人车下一时刻的运动状态的影响程度；

注意力模块206，根据所述注意力加权向量，对各指定时刻的控制量进行注意力加权；

预测模块208，将注意力加权结果、所述无人车当前时刻的运动状态输入所述预测模型的第二时间序列层，得到所述第二时间序列层输出的所述无人车下一时刻的运动状态的预测结果。

可选地，所述特征确定模块202，按照距离当前时刻从近到远的顺序，从当前时刻和若干历史时刻中，确定指定数量的时刻，作为指定时刻，根据时间先后顺序，对确定出的各指定时刻的运动状态进行组合，得到运动状态向量，以及对确定出的各指定时刻的控制量进行组合，得到控制量向量，根据所述运动状态向量和所述控制量向量，确定特征向量。

可选地，所述权重确定模块204，确定预先训练的预测模型的第一时间序列层上一时刻的隐层特征，将确定出的隐层特征以及所述特征向量作为输入，输入所述第一时间序列层，确定交互向量，将所述交互向量输入所述预测模型的解码层，进行解码确定解码向量，将所述解码向量输入所述预测模型的注意力层，确定注意力加权向量，其中，所述解码向量以及所述注意力加权向量的维度数量为所述指定数量。

可选地，所述权重确定模块204，将所述特征向量作为输入，输入所述预测模型的编码层，确定编码向量，将所述编码向量以及所述隐层特征作为输入，输入所述第一时间序列层，确定交互向量。

可选地，所述获取模块200，获取所述无人车分别在各指定时刻的速度以及加速度，根据获取各指定时刻的速度以及加速度，分别确定各指定时刻的运动状态。

可选地，所述预测模块208，得到所述第二时间序列层输出的所述无人车下一时刻的速度，根据预测得到的速度，确定所述无人车下一时刻的加速度，根据所述下一时刻的速度以及加速度，确定所述无人车下一时刻的运动状态的预测结果。

可选地，所述装置还包括：训练模块210，获取若干历史行驶过程中各时刻车辆的运动状态以及控制量，针对每个时刻，确定以该时刻对应的各指定时刻的运动状态以及控制量，作为训练样本，以该时刻的下一时刻车辆的运动状态为该训练样本的标签，针对各训练样本，确定该训练样本对应的特征向量，并将确定出的特征向量输入待训练的预测模型，得到所述预测模型输出的预测结果，以最小化预测结果与标签的差为优化目标，调整所述待训练的预测模型的模型参数。

本说明书实施例还提供了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车辆运动状态预测方法中的任一个。

基于图1提供的车辆运动状态预测过程，本说明书实施例还提出了图6所示的无人车的示意结构图。如图6，在硬件层面，该无人车包括处理器、内部总线、网络接口、内存以及非易失性存储器，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，以实现上述车辆运动状态预测方法中的任一个。当然，该无人车中还可包括实现无人车其他功能所需要的硬件。例如，无人车移动所需的移动装置、进行通信所需的通信装置、采集周围环境信息的电子设备等等。

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 (10)

1.一种车辆运动状态预测方法，其特征在于，包括：

获取无人车在各指定时刻的运动状态以及控制量，所述指定时刻包含当前时刻和若干历史时刻；

根据获取的各指定时刻的运动状态以及控制量，确定特征向量；

将确定出的特征向量作为输入，输入预先训练的预测模型第一时间序列层，得到所述第一时间序列层输出的注意力加权向量，所述注意力加权向量表征各指定时刻的控制量对所述无人车下一时刻的运动状态的影响程度；

根据所述注意力加权向量，对各指定时刻的控制量进行注意力加权；

将注意力加权结果、所述无人车当前时刻的运动状态输入所述预测模型的第二时间序列层，得到所述第二时间序列层输出的所述无人车下一时刻的运动状态的预测结果。

2.如权利要求1所述的方法，其特征在于，根据获取的各指定时刻的运动状态以及控制量，确定特征向量，具体包括：

按照距离当前时刻从近到远的顺序，从当前时刻和若干历史时刻中，确定指定数量的时刻，作为指定时刻；

根据时间先后顺序，对确定出的各指定时刻的运动状态进行组合，得到运动状态向量，以及对确定出的各指定时刻的控制量进行组合，得到控制量向量；

根据所述运动状态向量和所述控制量向量，确定特征向量。

3.如权利要求2所述的方法，其特征在于，将确定出的特征向量作为输入，输入预先训练的预测模型第一时间序列层，得到所述第一时间序列层输出的注意力加权向量，具体包括：

确定预先训练的预测模型的第一时间序列层上一时刻的隐层特征；

将确定出的隐层特征以及所述特征向量作为输入，输入所述第一时间序列层，确定交互向量；

将所述交互向量输入所述预测模型的解码层，进行解码确定解码向量；

将所述解码向量输入所述预测模型的注意力层，确定注意力加权向量；

其中，所述解码向量以及所述注意力加权向量的维度数量为所述指定数量。

4.如权利要求3所述的方法，其特征在于，将确定出的隐层特征以及所述特征向量作为输入，输入所述第一时间序列层，确定交互向量，具体包括：

将所述特征向量作为输入，输入所述预测模型的编码层，确定编码向量；

将所述编码向量以及所述隐层特征作为输入，输入所述第一时间序列层，确定交互向量。

5.如权利要求1所述的方法，其特征在于，获取无人车在各指定时刻的运动状态，具体包括：

获取所述无人车分别在各指定时刻的速度以及加速度；

根据获取各指定时刻的速度以及加速度，分别确定各指定时刻的运动状态。

6.如权利要求5所述的方法，其特征在于，得到所述第二时间序列层输出的所述无人车下一时刻的运动状态的预测结果，具体包括：

得到所述第二时间序列层输出的所述无人车下一时刻的速度；

根据预测得到的速度，确定所述无人车下一时刻的加速度；

根据所述下一时刻的速度以及加速度，确定所述无人车下一时刻的运动状态的预测结果。

7.如权利要求1所述的方法，其特征在于，通过以下方法训练所述预测模型，其中：

获取若干历史行驶过程中各时刻车辆的运动状态以及控制量；

针对每个时刻，确定以该时刻对应的各指定时刻的运动状态以及控制量，作为训练样本，以该时刻的下一时刻车辆的运动状态为该训练样本的标签；

针对各训练样本，确定该训练样本对应的特征向量，并将确定出的特征向量输入待训练的预测模型，得到所述预测模型输出的预测结果；

以最小化预测结果与标签的差为优化目标，调整所述待训练的预测模型的模型参数。

8.一种车辆运动状态预测装置，其特征在于，包括：

获取模块，获取无人车在各指定时刻的运动状态以及控制量，所述指定时刻包含当前时刻和若干历史时刻；

特征确定模块，根据获取的各指定时刻的运动状态以及控制量，确定特征向量；

权重确定模块，将确定出的特征向量作为输入，输入预先训练的预测模型第一时间序列层，得到所述第一时间序列层输出的注意力加权向量，所述注意力加权向量表征各指定时刻的控制量对所述无人车下一时刻的运动状态的影响程度；

注意力模块，根据所述注意力加权向量，对各指定时刻的控制量进行注意力加权；

预测模块，将注意力加权结果、所述无人车当前时刻的运动状态输入所述预测模型的第二时间序列层，得到所述第二时间序列层输出的所述无人车下一时刻的运动状态的预测结果。

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1-7任一所述的方法。

10.一种无人车，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1-7任一所述的方法。

Images