CN111238523A - 一种运动轨迹的预测方法及装置 - Google Patents

Abstract

本说明书公开了运动轨迹的预测方法及装置，本说明书不仅考虑了各障碍物在历史时刻的交互，还考虑了各障碍物在未来时刻的交互，由于各障碍物通常也都是智能体，因此各障碍物自身通常也可以预测到各障碍物在未来时刻的交互，进而各障碍物会根据其预测到的未来时刻的交互结果而改变其运动的策略，而本说明书实施例正是将各障碍物在预测到未来时刻的交互后对运动策略的改变也考虑在内，进而预测出障碍物改变其运动策略后的未来运动轨迹，得到精确预测轨迹，使得对障碍物运动轨迹的预测的准确性得到有效的提升。

Description

一种运动轨迹的预测方法及装置

技术领域

本说明书涉及无人驾驶技术领域，尤其涉及一种运动轨迹的预测方法及装置。

背景技术

目前，车辆的智能化作为人工智能技术的重要组成部分，在社会生产、生活中的作用日益凸显，成为引导交通技术发展的主要方向之一。

在对无人车及具有辅助驾驶功能的车辆（以下统称“车辆”）进行轨迹规划时，需要考虑该车辆周围障碍物的运动轨迹，以使车辆能够避开周围的障碍物。因此，如何对可运动的动态障碍物的运动轨迹进行预测，是对车辆进行轨迹规划过程中的一个重要问题。

发明内容

本说明书实施例提供一种运动轨迹的预测方法及装置，以部分解决上述现有技术存在的问题。

本说明书实施例采用下述技术方案：

本说明书提供的一种运动轨迹的预测方法，包括：

获取各障碍物的历史运动轨迹；

根据所述各障碍物的历史运动轨迹，确定各障碍物的历史交互特征；并基于所述各障碍物的历史运动轨迹，预测各障碍物的未来运动轨迹，作为粗略预测轨迹；

根据预测的各障碍物的粗略预测轨迹，确定各障碍物的未来交互特征；

针对所述各障碍物中的待预测障碍物，根据所述各障碍物的历史交互特征、所述各障碍物的未来交互特征以及所述待预测障碍物的历史运动轨迹，预测所述待预测障碍物的未来运动轨迹，作为所述待预测障碍物的精确预测轨迹。

可选的，获取各障碍物的历史运动轨迹，具体包括：

获取各障碍物在各历史时刻的分别所处的位置；

根据所述各障碍物的历史运动轨迹，确定各障碍物的历史交互特征，具体包括：

针对各历史时刻，根据各障碍物在该历史时刻分别所处的位置，确定各障碍物在该历史时刻的位置特征；

根据各障碍物在该历史时刻的位置特征，确定各障碍物在该历史时刻的历史交互子特征；

根据各障碍物在每个历史时刻的历史交互子特征，确定各障碍物的历史交互特征。

可选的，根据各障碍物在该历史时刻的位置特征，确定各障碍物在该历史时刻的历史交互子特征，具体包括：

对各障碍物在该历史时刻的位置特征进行池化操作，得到各障碍物在该历史时刻的历史交互子特征。

可选的，根据各障碍物在每个历史时刻的历史交互子特征，确定各障碍物的历史交互特征，具体包括：

将各障碍物在每个历史时刻的历史交互子特征进行拼接，得到历史交互子特征矩阵；

采用预先获得的第一注意力矩阵对所述历史交互子特征矩阵进行加权，得到各障碍物的历史交互特征。

可选的，预测各障碍物的未来运动轨迹，具体包括：

预测各障碍物在各未来时刻分别所处的位置；

根据预测的各障碍物的粗略预测轨迹，确定各障碍物的未来交互特征，具体包括：

针对各未来时刻，根据各障碍物在该未来时刻分别所处的位置，确定各障碍物在该未来时刻的位置特征；

根据各障碍物在该未来时刻的位置特征，确定各障碍物在该未来时刻的未来交互子特征；

根据各障碍物在每个未来时刻的未来交互子特征，确定各障碍物的未来交互特征。

可选的，根据各障碍物在该未来时刻的位置特征，确定各障碍物在该未来时刻的未来交互子特征，具体包括：

对各障碍物在该未来时刻的位置特征进行池化操作，得到各障碍物在该未来时刻的未来交互子特征。

可选的，根据各障碍物在每个未来时刻的未来交互子特征，确定各障碍物的未来交互特征，具体包括：

将各障碍物在每个未来时刻的未来交互子特征进行拼接，得到未来交互子特征矩阵；

采用预先获得的第二注意力矩阵对所述未来交互子特征矩阵进行加权，得到各障碍物的未来交互特征。

可选的，根据所述各障碍物的历史交互特征、所述各障碍物的未来交互特征以及所述待预测障碍物的历史运动轨迹，预测所述待预测障碍物的未来运动轨迹，具体包括：

识别所述待预测障碍物的类型；

根据识别出的类型，将所述各障碍物的历史交互特征、所述各障碍物的未来交互特征以及所述待预测障碍物的历史运动轨迹输入预先训练的与所述类型对应的预测子模型，得到所述预测子模型输出的所述待预测障碍物的未来运动轨迹。

本说明书提供的一种运动轨迹的预测装置，包括：

获取模块，用于获取各障碍物的历史运动轨迹；

历史交互特征预测模块，用于根据所述各障碍物的历史运动轨迹，确定各障碍物的历史交互特征；

粗略预测模块，用于基于所述各障碍物的历史运动轨迹，预测各障碍物的未来运动轨迹，作为粗略预测轨迹；

未来交互特征预测模块，用于根据预测的各障碍物的粗略预测轨迹，确定各障碍物的未来交互特征；

精确预测模块，用于针对所述各障碍物中的待预测障碍物，根据所述各障碍物的历史交互特征、所述各障碍物的未来交互特征以及所述待预测障碍物的历史运动轨迹，预测所述待预测障碍物的未来运动轨迹，作为所述待预测障碍物的精确预测轨迹。

本说明书提供的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的运动轨迹的预测方法。

本说明书提供的一种电子设备，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的运动轨迹的预测方法。

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：

本说明书实施例不仅考虑了各障碍物在历史时刻的交互，还考虑了各障碍物在未来时刻的交互，由于各障碍物通常也都是智能体，因此各障碍物自身通常也可以预测到各障碍物在未来时刻的交互，进而各障碍物会根据其预测到的未来时刻的交互结果而改变其运动的策略，而本说明书实施例正是将各障碍物在预测到未来时刻的交互后对运动策略的改变也考虑在内，进而预测出障碍物改变其运动策略后的未来运动轨迹，得到精确预测轨迹，使得对障碍物运动轨迹的预测的准确性得到有效的提升。

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为本说明书实施例提供的运动轨迹的预测流程示意图；

图2为本说明书实施例提供的用于确定历史交互特征的第一子模型结构示意图；

图3为本说明书实施例提供的用于确定未来交互特征的第二子模型结构示意图；

图4为本说明书实施例提供的用于精确预测运动轨迹的预测模型结构示意图；

图5为本说明书实施例提供的运动轨迹的预测装置结构示意图；

图6为本说明书实施例提供的无人设备的结构示意图。

具体实施方式

在现有技术中，在对障碍物的运动轨迹进行预测时，虽然也存在考虑各障碍物之间的交互（障碍物之间的交互是指各障碍物在运动时的相互影响）的技术方案，但是，这种技术大多只考虑从某个历史时刻到当前时刻为止各障碍物之间的交互，也就是历史上的交互，并据此预测出各障碍物在该交互下的预测轨迹。

而由于在实际应用场景中，大多障碍物同样也是智能体，如行人、有人驾驶的车辆或无人车，这些智能体也会预测其他障碍物在未来的运动轨迹，并根据预测出的其他障碍物在未来的运动轨迹而在智能体原有的运动策略上作出改变。

显然，现有技术中只考虑了历史上的交互来预测障碍物的运动轨迹，并未考虑在障碍物也是智能体的情况下，智能体本身也会预测其他障碍物未来的运动轨迹，并因此作出运动策略的改变，从而使得预测出的运动轨迹的准确性较低。

例如，一辆汽车在车道上行驶，与此同时一个行人正在横穿该车道。该汽车与该行人均是障碍物，也均是智能体。

在完全不考虑交互的情况下，可直接根据汽车与行人的历史运动轨迹，预测汽车与行人在未来仍会按照同样的运动策略（如匀速直线运动）运动。

而在上述现有技术中仅考虑历史上的交互的情况下，由于汽车与行人会相互影响，则按照现有技术的方案，通常会得出汽车与行人均会减速并且相互绕行避让的结论。

但在实际应用场景中，通常的结果是：如果行人发现汽车减速，则作为智能体的行人会预测到汽车将会主动让路，因此行人会加速横穿马路，也即改变原本行人也要减速避让汽车的运动策略。

显然，上例中通过现有技术预测出的行人的运动轨迹与实际应用场景中行人的运动轨迹并不相符。

基于此，本说明书提供的运动轨迹预测方法，不只考虑了各障碍物在历史上的交互，还考虑了各障碍物在未来的交互，未来的交互所体现的就是作为智能体的障碍物在预测到其他障碍物的未来运动轨迹后所做出的改变，因此，使得最终预测出的障碍物的运动轨迹更加准确。

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为本说明书实施例提供的运动轨迹的预测流程示意图，包括：

S100：获取各障碍物的历史运动轨迹。

在本说明书实施例中，预测各障碍物的运动轨迹的设备可以是车辆，如无人车或具有辅助驾驶功能的车辆，当然也可以是任何具有计算能力的电子设备，本说明书对此不作限制。

以下以无人车为例进行说明。

无人车可先识别其当前所处环境中的各障碍物，并获取识别到的各障碍物在过去指定时间段内的运动轨迹，作为各障碍物的历史运动轨迹。具体的，无人车可获取各障碍物在上述过去指定时间段内的各历史时刻分别所处的位置。

以下将无人车识别出的各障碍物中的第i个障碍物在历史上的t-k时刻所处的位 置记为

，其中，t时刻为当前时刻。

S102：根据所述各障碍物的历史运动轨迹，确定各障碍物的历史交互特征。

在本说明书实施例中，可针对各历史时刻，根据各障碍物在该历史时刻分别所处的位置，确定各障碍物在该历史时刻的位置特征，并根据各障碍物在该历史时刻的位置特征，确定各障碍物在该历史时刻的历史交互子特征，最后根据各障碍物在每个历史时刻的历史交互子特征，确定各障碍物的历史交互特征。

其中，在确定各障碍物在某个历史时刻的历史交互子特征时，可通过对各障碍物在该历史时刻的位置特征进行池化操作，来得到各障碍物再改历史时刻的历史交互子特征。所述的池化操作包括但不限于最大池化操作、最小池化操作、平均池化操作等。

在根据各障碍物在每个历史时刻的历史交互子特征确定各障碍物的历史交互特征时，可将各障碍物在每个历史时刻的历史交互子特征进行拼接，得到历史交互子特征矩阵，并采用预先获得的第一注意力矩阵对历史交互子特征矩阵进行加权，得到历史交互特征。

需要说明的是，各障碍物的历史交互特征用于表征各障碍物按照各自的历史运动轨迹运动时的相互影响，各障碍物在一个历史时刻的历史交互子特征用于表征各障碍物各自处在该历史时刻所处的位置时所产生的相互影响。

具体的，步骤S102中确定各障碍物的历史交互特征的方法可通过如图2所示的第一子模型来确定。

如图2所示，针对历史时刻t-k，可将各障碍物在t-k时刻分别所处的位置

输入第一子模型的特征提取层中，得到特征提取层输出的这些 障碍物在t-k时刻的位置特征，记为

。其中，

表 示第一子模型的特征提取层的模型参数。

再对每个障碍物在t-k时刻的位置特征输入池化层，以进行池化操作。假设采用最 大池化操作，则得到的各障碍物在t-k时刻的历史交互子特征

。

类似的，采用上述方法得到了各障碍物在每个历史时刻的历史交互子特征

、

、……

后，可将每个历史时刻的历史交互子特征进行拼接，得到历史交互子特 征矩阵

，再采用预先获得的第一注意力矩阵对历史交 互子特征矩阵

进行注意力加权，得到各障碍物的历史交互特征

，其 中，

为第一注意力矩阵。

如图2所示，上述的第一注意力矩阵也可通过历史交互子特征矩阵

获得。具体 的，可将历史交互子特征矩阵

输入第一子模型中的注意力网络，得到注意力网络输出 的第一注意力矩阵

，再采用第一注意力矩阵

对历史交互子特征矩阵

进行注意 力加权，得到历史交互特征

。

S104：基于所述各障碍物的历史运动轨迹，预测各障碍物的未来运动轨迹，作为粗略预测轨迹。

在本说明书实施例中，可根据步骤S100获取到的各障碍物的历史运动轨迹，粗略预测各障碍物在未来指定时间段内的未来运动轨迹，作为粗略预测轨迹。具体的，可针对每个障碍物，根据该障碍物在各历史时刻所处的位置，预测该障碍物在未来指定时间段内的各未来时刻分别所处的位置。

在粗略预测各障碍物的未来运动轨迹时，可直接根据各障碍物的历史运动轨迹，按照各障碍物作匀速直线运动的方式，预测各障碍物的未来运动轨迹，即，完全不考虑各障碍物在历史上的交互。

也可以根据各障碍物的历史运动轨迹确定各障碍物在历史上的历史交互特征（例如采用上述步骤S102的方法），并根据历史交互特征预测各障碍物的未来运动轨迹，即，仅考虑各障碍物在历史上的交互。此时，则可直接采用本说明书实施例中提供的用于精确预测各障碍物未来运动轨迹的预测子模型，来粗略预测各障碍物的未来运动轨迹，此处先不详述。

以下将各障碍物中的第i个障碍物在未来的t+k时刻所处的位置记为

，其中， t时刻为当前时刻。

S106：根据预测的各障碍物的粗略预测轨迹，确定各障碍物的未来交互特征。

与上述步骤S102确定历史交互特征类似的，本说明书实施例在确定各障碍物的未来交互特征时，可针对各未来时刻，根据各障碍物在该未来时刻分别所处的位置，确定各障碍物在该未来时刻的位置特征，并根据各障碍物在该未来时刻的位置特征，确定各障碍物在该未来时刻的未来交互子特征，最后根据各障碍物在每个未来时刻的未来交互子特征，确定各障碍物的未来交互特征。

其中，在确定各障碍物在某个未来时刻的未来交互子特征时，可通过对各障碍物在该未来时刻的位置特征进行池化操作，来得到各障碍物再该未来时刻的未来交互子特征。所述的池化操作包括但不限于最大池化操作、最小池化操作、平均池化操作等。

在根据各障碍物在每个未来时刻的未来交互子特征确定各障碍物的未来交互特征时，可将各障碍物在每个未来时刻的未来交互子特征进行拼接，得到未来交互子特征矩阵，并采用预先获得的第一注意力矩阵对未来交互子特征矩阵进行加权，得到未来交互特征。

需要说明的是，各障碍物的未来交互特征用于表征各障碍物按照各自的粗略运动轨迹运动时的相互影响，各障碍物在一个未来时刻的未来交互子特征用于表征各障碍物各自处在该未来时刻所处的位置时所产生的相互影响。

具体的，步骤S106中确定各障碍物的未来交互特征的方法可通过如图3所示的第二子模型来确定。

如图3所示，针对未来时刻t+k，可将各障碍物在t+k时刻分别所处的位置

输入第二子模型的特征提取层中，得到特征提取层输出的这 些障碍物在t+k时刻的位置特征，记为

。其中，

表 示第二子模型的特征提取层的模型参数。

再将每个障碍物在t+k时刻的位置特征输入池化层，以进行池化操作。假设采用最 大池化操作，则得到的各障碍物在t+k时刻的未来交互子特征

。

类似的，采用上述方法得到了各障碍物在每个未来时刻的未来交互子特征

、

、……

后，可将每个未来时刻的未来交互子特征进行拼接，得到未来交互子特 征矩阵

，再采用预先获得的第二注意力矩阵对未来交互 子特征矩阵

进行注意力加权，得到各障碍物的未来交互特征

，其中，

为第二注意力矩阵。

如图3所示，上述的第二注意力矩阵也可通过未来交互子特征矩阵

获得。具体 的，可将未来交互子特征矩阵

输入第二子模型中的注意力网络，得到注意力网络输出 的第二注意力矩阵

，再采用第二注意力矩阵

对未来交互子特征矩阵

进行注意 力加权，得到未来交互特征

。

S108：针对所述各障碍物中的待预测障碍物，根据所述各障碍物的历史交互特征、所述各障碍物的未来交互特征以及所述待预测障碍物的历史运动轨迹，预测所述待预测障碍物的未来运动轨迹，作为所述待预测障碍物的精确预测轨迹。

为了预测出作为智能体的障碍物在获知未来交互特征而对自身的运动策略作出的改变，本说明书实施例可将各障碍物的历史交互特征、各障碍物的未来交互特征以及待预测障碍物的历史运动轨迹输入预先训练的预测子模型，得到该预测子模型输出的该待预测障碍物的未来运动轨迹，作为精确预测轨迹，也就是最终的预测结果。

也就是说，本说明书提供的用于预测障碍物的运动轨迹的预测模型可包括三个部分：第一子模型、第二子模型和预测子模型。如图4所示。

第一子模型用于确定各障碍物的历史交互特征，包括特征提取层、池化层和注意力网络。

第二子模型用于确定各障碍物的未来交互特征，包括特征提取层、池化层和注意力网络。

预测子模型则用于对待预测障碍物的未来运动轨迹进行精确预测。

在图4中，若同样采用该预测子模型执行步骤S104，即，使用该预测子模型对各障碍物的粗略运动轨迹进行预测，则可在第一子模型确定出历史交互特征后，针对每个障碍物，将该历史交互特征、默认的未来交互特征和该障碍物的历史运动轨迹输入预测子模型，以得到预测子模型输出的该障碍物的未来运动轨迹，作为粗略运动轨迹。其中，上述默认的未来交互特征可以是0。后续的，得到了预测子模型输出的粗略运动轨迹后，则可通过第二子模型得到未来交互特征，最后将历史交互特征、未来交互特征以及待预测障碍物的历史运动轨迹再次输入预测子模型，得到预测子模型输出的该待预测障碍物的精确运动轨迹。也就是说，预测子模型在一个预测过程中需要使用两次。

在训练如图4所示的预测模型时，可采用有监督学习的方式，对如图4所示的预测模型中的第一子模型、第二子模型和预测子模型同时进行训练。即，可采集各障碍物在同一时间段内的运动轨迹，并将各障碍物在指定时刻之前的运动轨迹作为训练样本，将各障碍物在指定时刻之后的运动轨迹作为训练样本的标注。将训练样本输入如图4所示的预测模型，并采用如图1所示的方法得到预测模型最终输出的待预测障碍物的精确运动轨迹，根据该精确运动轨迹与该待预测障碍物对应的标注确定损失，以损失最小化为训练目标，训练如图4所示的预测模型，即，以损失最小化为训练目标，调整第一子模型的模型参数（包括第一子模型中的注意力网络的参数）、第二子模型的模型参数（包括第二子模型中的注意力网络的参数）、预测子模型的模型参数。

需要说明的是，如图1所示的过程中，步骤S104和步骤S106需要顺序执行，但这两个步骤可以与步骤S102同步执行，即，步骤S104、S106的执行时间可以与步骤S102的执行时间有部分或全部的重叠。

进一步的，在本说明书实施例中，可通过上述的步骤S108，得到每个测障碍物的精确预测轨迹（也就是将每个障碍物都作为待预测障碍物），在得到每个障碍物的精确预测轨迹后，还可将每个精确预测轨迹重新作为粗略预测轨迹，并返回步骤S106，即，根据重新确定的各障碍物的粗略预测轨迹，重新确定各障碍物的未来交互特征，并针对任一待预测障碍物，根据各障碍物的历史交互特征、重新确定的各障碍物的未来交互特征以及该待预测障碍物的历史运动轨迹，预测该待预测障碍物的未来运动轨迹，作为该待预测障碍物的精确运动轨迹，直至该待预测障碍物的精确运动轨迹与最近一次得到的该待预测障碍物的粗略运动轨迹的相似度大于预设阈值，或针对该待预测障碍物预测精确运动轨迹的次数达到预设次数为止。也即，图1所示的过程中步骤S106和步骤S108可循环迭代执行，则此时图4所示的预测子模型在针对一个待预测障碍物的预测过程中需要使用两次以上。其中，上述精确运动轨迹与粗略运动轨迹的相似度可以采用精确运动轨迹与粗略运动轨迹上的各轨迹点之间的距离来表征，距离越小，相似度越高，反之相似度越低。也可将精确运动轨迹和粗略运动轨迹均转换成相应的向量，根据向量之间的欧氏距离来表征相似度，欧式距离越小，相似度越高，反之相似度越低。

另外，为了更进一步提升预测的运动轨迹的准确性，在对待预测障碍物的精确运动轨迹进行预测时，可根据该待预测障碍物的类型进行精确预测。具体的，在步骤S108中，可先识别待预测障碍物的类型，如汽车、摩托车、电瓶车、行人等，再根据识别出的类型，将各障碍物的历史交互特征、各障碍物的未来交互特征以及待预测障碍物的历史运动轨迹输入预先训练的与该待预测障碍物所属的类型对应的预测子模型，得到该预测子模型输出的该待预测障碍物的未来运动轨迹，也即，精确运动轨迹。

也就是说，在区分待预测障碍物类型时，如图4所示的预测模型中所包含的预测子模型不止一个，每一个类型均需要训练一个预测子模型。

通过上述方法，可预测作为智能体的障碍物所能获知的未来交互特征，并预测作为智能体的障碍物在获知该未来交互特征后对其自身的运动策略所作出的改变，以此预测出的障碍物的运动轨迹相比于现有技术可有效提高准确性。

本说明书提供的上述运动轨迹的预测方法可应用于无人车对其周围障碍物的运动轨迹进行预测的场景。无人车可以为无人配送车。该无人配送车可以应用于使用无人配送车进行配送的领域，如，使用无人配送车进行快递、外卖等配送的场景。

以上为本说明书实施例提供的运动轨迹的预测方法，基于同样的思路，本说明书还提供了相应的装置、存储介质和电子设备。

图5为本说明书实施例提供的一种车辆行驶决策模型的训练装置的结构示意图，所述装置包括：

获取模块501，用于获取各障碍物的历史运动轨迹；

历史交互特征预测模块502，用于根据所述各障碍物的历史运动轨迹，确定各障碍物的历史交互特征；

粗略预测模块503，用于基于所述各障碍物的历史运动轨迹，预测各障碍物的未来运动轨迹，作为粗略预测轨迹；

未来交互特征预测模块504，用于根据预测的各障碍物的粗略预测轨迹，确定各障碍物的未来交互特征；

精确预测模块505，用于针对所述各障碍物中的待预测障碍物，根据所述各障碍物的历史交互特征、所述各障碍物的未来交互特征以及所述待预测障碍物的历史运动轨迹，预测所述待预测障碍物的未来运动轨迹，作为所述待预测障碍物的精确预测轨迹。

可选地，所述获取模块501具体用于，获取各障碍物在各历史时刻的分别所处的位置；

所述历史交互特征预测模块502具体用于，针对各历史时刻，根据各障碍物在该历史时刻分别所处的位置，确定各障碍物在该历史时刻的位置特征；根据各障碍物在该历史时刻的位置特征，确定各障碍物在该历史时刻的历史交互子特征；根据各障碍物在每个历史时刻的历史交互子特征，确定各障碍物的历史交互特征。

可选地，所述历史交互特征预测模块502具体用于，对各障碍物在该历史时刻的位置特征进行池化操作，得到各障碍物在该历史时刻的历史交互子特征。

可选地，所述历史交互特征预测模块502具体用于，将各障碍物在每个历史时刻的历史交互子特征进行拼接，得到历史交互子特征矩阵；采用预先获得的第一注意力矩阵对所述历史交互子特征矩阵进行加权，得到各障碍物的历史交互特征。

可选地，所述粗略预测模块503具体用于，预测各障碍物在各未来时刻分别所处的位置；

所述未来交互特征预测模块504具体用于，针对各未来时刻，根据各障碍物在该未来时刻分别所处的位置，确定各障碍物在该未来时刻的位置特征；根据各障碍物在该未来时刻的位置特征，确定各障碍物在该未来时刻的未来交互子特征；根据各障碍物在每个未来时刻的未来交互子特征，确定各障碍物的未来交互特征。

可选地，所述未来交互特征预测模块504具体用于，对各障碍物在该未来时刻的位置特征进行池化操作，得到各障碍物在该未来时刻的未来交互子特征。

可选地，所述未来交互特征预测模块504具体用于，将各障碍物在每个未来时刻的未来交互子特征进行拼接，得到未来交互子特征矩阵；采用预先获得的第二注意力矩阵对所述未来交互子特征矩阵进行加权，得到各障碍物的未来交互特征。

可选地，所述精确预测模块505具体用于，识别所述待预测障碍物的类型；根据识别出的类型，将所述各障碍物的历史交互特征、所述各障碍物的未来交互特征以及所述待预测障碍物的历史运动轨迹输入预先训练的与所述类型对应的预测子模型，得到所述预测子模型输出的所述待预测障碍物的未来运动轨迹。

本说明书还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可用于执行上述图1提供的运动轨迹的预测方法。

基于图1所示的运动轨迹的预测方法，本说明书实施例还提供了图6所示的无人设备的结构示意图。如图6，在硬件层面，该无人设备包括处理器、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，以实现上述图1所述的运动轨迹的预测方法。

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。

本说明书是参照根据本说明书实施例的方法、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 (11)

1.一种运动轨迹的预测方法，其特征在于，包括：

获取各障碍物的历史运动轨迹；

根据所述各障碍物的历史运动轨迹，确定各障碍物的历史交互特征；并基于所述各障碍物的历史运动轨迹，预测各障碍物的未来运动轨迹，作为粗略预测轨迹；

根据预测的各障碍物的粗略预测轨迹，确定各障碍物的未来交互特征；

针对所述各障碍物中的待预测障碍物，根据所述各障碍物的历史交互特征、所述各障碍物的未来交互特征以及所述待预测障碍物的历史运动轨迹，预测所述待预测障碍物的未来运动轨迹，作为所述待预测障碍物的精确预测轨迹。

2.如权利要求1所述的方法，其特征在于，获取各障碍物的历史运动轨迹，具体包括：

获取各障碍物在各历史时刻的分别所处的位置；

根据所述各障碍物的历史运动轨迹，确定各障碍物的历史交互特征，具体包括：

针对各历史时刻，根据各障碍物在该历史时刻分别所处的位置，确定各障碍物在该历史时刻的位置特征；

根据各障碍物在该历史时刻的位置特征，确定各障碍物在该历史时刻的历史交互子特征；

根据各障碍物在每个历史时刻的历史交互子特征，确定各障碍物的历史交互特征。

3.如权利要求2所述的方法，其特征在于，根据各障碍物在该历史时刻的位置特征，确定各障碍物在该历史时刻的历史交互子特征，具体包括：

对各障碍物在该历史时刻的位置特征进行池化操作，得到各障碍物在该历史时刻的历史交互子特征。

4.如权利要求2所述的方法，其特征在于，根据各障碍物在每个历史时刻的历史交互子特征，确定各障碍物的历史交互特征，具体包括：

将各障碍物在每个历史时刻的历史交互子特征进行拼接，得到历史交互子特征矩阵；

采用预先获得的第一注意力矩阵对所述历史交互子特征矩阵进行加权，得到各障碍物的历史交互特征。

5.如权利要求1所述的方法，其特征在于，预测各障碍物的未来运动轨迹，具体包括：

预测各障碍物在各未来时刻分别所处的位置；

根据预测的各障碍物的粗略预测轨迹，确定各障碍物的未来交互特征，具体包括：

针对各未来时刻，根据各障碍物在该未来时刻分别所处的位置，确定各障碍物在该未来时刻的位置特征；

根据各障碍物在该未来时刻的位置特征，确定各障碍物在该未来时刻的未来交互子特征；

根据各障碍物在每个未来时刻的未来交互子特征，确定各障碍物的未来交互特征。

6.如权利要求5所述的方法，其特征在于，根据各障碍物在该未来时刻的位置特征，确定各障碍物在该未来时刻的未来交互子特征，具体包括：

对各障碍物在该未来时刻的位置特征进行池化操作，得到各障碍物在该未来时刻的未来交互子特征。

7.如权利要求5所述的方法，其特征在于，根据各障碍物在每个未来时刻的未来交互子特征，确定各障碍物的未来交互特征，具体包括：

将各障碍物在每个未来时刻的未来交互子特征进行拼接，得到未来交互子特征矩阵；

采用预先获得的第二注意力矩阵对所述未来交互子特征矩阵进行加权，得到各障碍物的未来交互特征。

8.如权利要求1所述的方法，其特征在于，根据所述各障碍物的历史交互特征、所述各障碍物的未来交互特征以及所述待预测障碍物的历史运动轨迹，预测所述待预测障碍物的未来运动轨迹，具体包括：

识别所述待预测障碍物的类型；

根据识别出的类型，将所述各障碍物的历史交互特征、所述各障碍物的未来交互特征以及所述待预测障碍物的历史运动轨迹输入预先训练的与所述类型对应的预测子模型，得到所述预测子模型输出的所述待预测障碍物的未来运动轨迹。

9.一种运动轨迹的预测装置，其特征在于，包括：

获取模块，用于获取各障碍物的历史运动轨迹；

历史交互特征预测模块，用于根据所述各障碍物的历史运动轨迹，确定各障碍物的历史交互特征；

粗略预测模块，用于基于所述各障碍物的历史运动轨迹，预测各障碍物的未来运动轨迹，作为粗略预测轨迹；

未来交互特征预测模块，用于根据预测的各障碍物的粗略预测轨迹，确定各障碍物的未来交互特征；

精确预测模块，用于针对所述各障碍物中的待预测障碍物，根据所述各障碍物的历史交互特征、所述各障碍物的未来交互特征以及所述待预测障碍物的历史运动轨迹，预测所述待预测障碍物的未来运动轨迹，作为所述待预测障碍物的精确预测轨迹。

10.一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1-8任一项所述的方法。

11.一种无人设备，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1-8任一项所述的方法。

Images