CN112528931A - 用于生成位置预测信息的方法、装置以及自动驾驶车辆 - Google Patents
用于生成位置预测信息的方法、装置以及自动驾驶车辆 Download PDFInfo
- Publication number
- CN112528931A CN112528931A CN202011526563.6A CN202011526563A CN112528931A CN 112528931 A CN112528931 A CN 112528931A CN 202011526563 A CN202011526563 A CN 202011526563A CN 112528931 A CN112528931 A CN 112528931A
- Authority
- CN
- China
- Prior art keywords
- traffic participants
- information
- traffic
- matrix
- interaction
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000011159 matrix material Substances 0.000 claims abstract description 160
- 230000003993 interaction Effects 0.000 claims abstract description 139
- 230000002452 interceptive effect Effects 0.000 claims abstract description 32
- 238000005259 measurement Methods 0.000 claims abstract description 5
- 230000004044 response Effects 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 13
- 238000012986 modification Methods 0.000 claims description 12
- 230000004048 modification Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000010813 municipal solid waste Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
- G06N3/045—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了用于生成位置预测信息的方法、装置以及自动驾驶车辆,涉及自动驾驶领域。具体实现方案为:获取目标帧中可行驶区域内的交通参与者的信息集合;基于该交通参与者的信息集合,生成元素位置矩阵和交互关系矩阵,其中,该元素位置矩阵中包括至少一个交通参与者的位置信息,该交互关系矩阵中包括交通参与者之间的关系度量信息;基于与该目标帧相关联的图像帧中可行驶区域内的交通参与者的信息集合、该元素位置矩阵和交互关系矩阵,生成元素位置张量和交互关系张量;将该元素位置张量和交互关系张量输入至预先训练的轨迹预测网络,生成与该目标帧中可行驶区域内的动态交通参与者对应的位置预测信息。从而提升了轨迹预测的准确性。
Description
技术领域
本申请涉及计算机技术领域,具体涉及自动驾驶领域中的轨迹预测技术。
背景技术
随着自动驾驶技术的飞速发展,如何理解自动驾驶周围目标的行为成为自动驾驶系统中至关重要一环。
现有技术中,对行人、车辆等交通参与者的轨迹预测主要包括两种。其一是基于卡尔曼滤波等传统方法,主要将各交通参与者当作独立的个体进行轨迹预测。其二是基于循环神经网络等复杂网络结构的轨迹预测方法,通过网络的池化操作或连接操作来体现交通参与者之间的交互。
发明内容
本申请提供了一种用于生成位置预测信息的方法、装置、自动驾驶车辆。
根据本申请的一方面,提供了一种用于生成位置预测信息的方法,该方法包括:获取目标帧中可行驶区域内的交通参与者的信息集合,其中,交通参与者的信息包括位置信息,交通参与者包括动态交通参与者;基于交通参与者的信息集合,生成元素位置矩阵和交互关系矩阵,其中,元素位置矩阵中包括至少一个交通参与者的位置信息,交互关系矩阵中包括交通参与者之间的关系度量信息;基于与目标帧相关联的图像帧中可行驶区域内的交通参与者的信息集合、元素位置矩阵和交互关系矩阵,生成元素位置张量和交互关系张量;将元素位置张量和交互关系张量输入至预先训练的轨迹预测网络,生成与目标帧中可行驶区域内的动态交通参与者对应的位置预测信息。
根据本申请的另一方面,提供了一种用于生成位置预测信息的装置,该装置包括:获取单元,被配置成获取目标帧中可行驶区域内的交通参与者的信息集合,其中,交通参与者的信息包括位置信息,交通参与者包括动态交通参与者;第一生成单元,被配置成基于交通参与者的信息集合,生成元素位置矩阵和交互关系矩阵,其中,元素位置矩阵中包括至少一个交通参与者的位置信息,交互关系矩阵中包括交通参与者之间的关系度量信息;第二生成单元,被配置成基于与目标帧相关联的图像帧中可行驶区域内的交通参与者的信息集合、元素位置矩阵和交互关系矩阵,生成元素位置张量和交互关系张量;第三生成单元,被配置成将元素位置张量和交互关系张量输入至预先训练的轨迹预测网络,生成与目标帧中可行驶区域内的动态交通参与者对应的位置预测信息。
根据本申请的又一方面,提供了一种电子设备,该电子设备包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器;其中,存储器存储有可被上述至少一个处理器执行的指令,上述指令被至少一个处理器执行,以使上述至少一个处理器能够执行如第一方面中任一实现方式所描述的方法。
根据本申请的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机能够执行如第一方面中任一实现方式所描述的方法。
根据本申请的另一方面,提供了一种自动驾驶车辆,包括如第三方面所描述的电子设备。
根据本申请的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式所描述的方法。
根据本申请的技术提供了一种轨迹预测方法,通过基于元素位置矩阵和交互关系矩阵所生成的张量可以同时表征交通参与者自身的轨迹以及与其他交通参与者之间的交互,实现了在具有明确物理意义的前提下为轨迹预测提供数据基础,有助于提升轨迹预测的准确性。从而解决了现有的轨迹预测技术由于对交通参与者之间的交互建模表征方式不恰当而造成的轨迹预测不准确。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请第一实施例的示意图;
图2是根据本申请第二实施例的示意图;
图3是可以实现本申请实施例的用于生成位置预测信息的方法的一个应用场景的示意图
图4是根据本申请实施例的用于生成位置预测信息的装置的示意图;
图5是用来实现本申请实施例的用于生成位置预测信息的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是示出了根据本申请第一实施例的示意图100。该用于生成位置预测信息的方法包括以下步骤:
S101,获取目标帧中可行驶区域内的交通参与者的信息集合。
在本实施例中,用于生成位置预测信息的方法的执行主体可以通过各种方式获取目标帧中可行驶区域内的交通参与者的信息集合。其中,上述交通参与者的信息可以包括位置信息。作为示例,上述位置信息可以包括各种形式,例如大地坐标系中的坐标(x,y)。上述交通参与者可以包括动态交通参与者。上述动态交通参与者例如可以包括车辆、骑行者、行人等。
在本实施例中,上述目标帧可以包括自动驾驶车辆行驶过程中所采集的针对道路交通环境拍摄的图像。通常,上述目标帧可以是所采集的图像序列中最近拍摄的图像帧。上述执行主体(例如自动驾驶车辆)可以从高精地图获取与当前位置相匹配的可行驶区域数据。而后,上述执行主体可以通过感知模块在上述可行驶区域范围内获取交通参与者的信息集合。
在本实施例的一些可选的实现方式中,上述交通参与者还可以包括静态交通参与者。上述静态交通参与者例如可以包括树木、路灯杆、垃圾箱、交通信号灯等。
S102,基于交通参与者的信息集合,生成元素位置矩阵和交互关系矩阵。
在本实施例中,基于步骤S101所获取的交通参与者的信息集合,上述执行主体可以通过各种方式生成元素位置矩阵和交互关系矩阵。其中,上述元素位置矩阵中可以包括至少一个交通参与者的位置信息。上述交互关系矩阵中可以包括交通参与者之间的关系度量信息。上述关系度量信息可以用于表征交通参与者之间的交互性的强弱。
作为示例,基于步骤S101所获取的交通参与者的信息集合,上述执行主体可以生成元素位置矩阵。其中,上述元素位置矩阵的第i行的行向量可以是上述目标帧中可行驶区域内的第i个交通参与者的位置信息。
作为示例,基于步骤S101所获取的交通参与者的信息集合,上述执行主体可以生成交互关系矩阵。其中,上述交互关系矩阵中的元素ai,j,可以用于表征上述目标帧中可行驶区域内的第i个交通参与者与第j个交通参与者之间的交互性。上述执行主体可以首先从高精地图中获取预先划分的区域信息。之后,上述执行主体可以将位于同一区域中的交通参与者对应的ai,j的值设置为1,将位于不同区域中的交通参与者对应的ai,j的值设置为0。
S103,基于与目标帧相关联的图像帧中可行驶区域内的交通参与者的信息集合、元素位置矩阵和交互关系矩阵,生成元素位置张量和交互关系张量。
在本实施例中,基于与目标帧相关联的图像帧中可行驶区域内的交通参与者的信息集合、元素位置矩阵和交互关系矩阵,上述执行主体可以通过各种生成元素位置张量和交互关系张量。其中,上述与目标帧相关联的图像帧可以包括自动驾驶车辆行驶过程中所采集的针对道路交通环境拍摄的图像序列中拍摄时间位于上述目标帧之前的图像帧。
在本实施例中,上述执行主体可以首先通过与步骤S101和步骤S102类似的方式生成与目标帧相关联的各图像帧对应的元素位置矩阵和交互关系矩阵。作为示例,上述元素位置矩阵的维度可以是[n,2]。其中,上述n可以是图像帧中包括的交通参与者的数目。上述执行主体可以将与上述目标帧相关联的图像帧对应的元素位置矩阵进行组合,生成元素位置张量。其中,上述元素位置张量的维度可以是[m,n,2]。其中,上述m可以是上述目标帧及与其相关联的图像帧的数目的总和。作为又一示例,上述m也可以是包含有效交通参与者的图像帧的数目的总和。其中,上述有效交通参与者例如可以是在与目标帧相关联的各图像帧中出现的次数大于预设次数阈值的交通参与者。
需要说明的是,生成上述交互关系张量的方式可以与上述生成元素位置张量的方式一致,此处不再赘述。
S104,将元素位置张量和交互关系张量输入至预先训练的轨迹预测网络,生成与目标帧中可行驶区域内的动态交通参与者对应的位置预测信息。
在本实施例中,上述执行主体可以将步骤S103所生成的元素位置张量和交互关系张量输入至预先训练的轨迹预测网络,生成与目标帧中可行驶区域内的动态交通参与者对应的位置预测信息。其中,上述预先训练的轨迹预测网络可以是各种通过机器学习方式训练得到的网络模型。通常,上述轨迹预测网络可以采用有监督方式训练得到。
在本实施例中,上述位置预测信息可以包括用于表征上述目标帧中可行驶区域内的动态交通参与者在预测帧中的位置的位置信息,例如大地坐标系中的坐标。其中,上述预测帧例如可以包括自动驾驶车辆行驶过程中所采集的针对道路交通环境拍摄的图像序列中拍摄时间位于上述目标帧之后的图像帧。
在本实施例的一些可选的实现方式中,上述位置预测信息可以是采用二维高斯分布表征的预测轨迹点信息。其中,上述预测轨迹点信息可以包括5个特征参数,例如(x,y,σx,σy,covxy)。上述x,y可以为大地坐标系中的横、纵坐标。上述σx,σy可以为所生成的预测轨迹点信息的方差。上述covxy可以为x,y的相关性系数。
在本实施例的一些可选的实现方式中,上述交通参与者的信息还可以包括元素移动信息。其中,上述元素移动信息可以表征交通参与者的移动状态。基于交通参与者的信息集合,上述执行主体可以按照如下步骤生成元素位置矩阵和交互关系矩阵:
第一步,基于交通参与者的信息集合,生成初始交互关系矩阵。
在这些实现方式中,基于步骤S101所获取的交通参与者的信息集合,上述执行主体可以通过各种方式生成初始交互关系矩阵。其中,上述初始交互关系矩阵中可以包括交通参与者之间的关系度量信息。
可选地,基于上述第一步所描述的可选的实现方式,上述执行主体还可以通过如下步骤生成初始交互关系矩阵:
S1、对于交通参与者的信息集合中的交通参与者的信息,确定该交通参与者与其他交通参与者之间的距离。
在这些实现方式中,作为示例,上述距离可以是欧式距离。
S2、基于所确定的距离,生成初始交互关系矩阵。
在这些实现方式中,上述初始交互关系矩阵中可以包括交通参与者之间的关系度量值。上述关系度量值可以与所确定的距离负相关。作为示例,上述关系度量值可以为所确定的距离的倒数。从而可以建立距离与交互强弱的关系,提升交互关系建模准确性。
可选地,基于上述步骤S2所描述的可选的实现方式,基于所确定的距离,上述执行主体可以通过如下步骤生成交互关系矩阵:
S21、确定所确定的距离是否大于目标阈值。
在这些实现方式中,上述目标阈值可以根据交通参与者的速度和预测时间之间的乘积而确定。
S22、响应于确定大于,将距离大于目标阈值的交通参与者所对应的关系度量值确定为0。
S23、响应于确定不大于,将距离不大于目标阈值的交通参与者所对应的关系度量值确定为距离的倒数。
S24、基于所生成的关系度量值,生成初始交互矩阵。
在这些实现方式中,上述初始交互矩阵中的关系度量值所对应的行列号可以分别与关系度量值所对应的交通参与者一致。例如,上述初始交互矩阵中的关系度量值ai,j可以用于表征交通参与者i和交通参与者j之间交互关系的强弱。
基于上述可选的实现方式,本方案可以仅考虑在预测时间之内交通参与者能够到达的范围之内的交互情况,从而在不过多牺牲准确性的前提下减少计算量,有效地提升了计算的实时性。
第二步,根据交通参与者的信息集合中的元素移动信息,生成交互关系矩阵。
在这些实现方式中,上述交互关系矩阵中可以包括对上述第一步所生成的初始交互关系矩阵中的元素进行修正后所生成的元素。作为示例,上述执行主体可以首先根据所获取的元素移动信息确定交通参与者之间的交互关系增强或减弱。而后,上述执行主体可以对上述第一步所生成的初始交互关系矩阵中相对应的元素的值增大或减小。
基于上述可选的实现方式,本方案可以根据元素移动信息对基于位置信息所生成的初始交互关系矩阵中的元素进行调整,从而提升交互关系矩阵的描述准确性。
可选地,基于上述第二步所描述的可选的实现方式,上述元素移动信息可以包括航向角。根据交通参与者的信息集合中的元素移动信息,上述执行主体可以通过如下步骤生成交互关系矩阵:
S1、根据交通参与者的信息集合中的航向角,确定预设范围内的交通参与者的移动方向。
在这些实现方式中,上述移动方向可以包括各种形式。作为示例,上述移动方向可以直接用航向角来表示。作为又一示例,上述移动方向可以用预设的方向区间来表示,例如“正南、正北、东南、西北”等。
S2、基于预设范围内的交通参与者的移动方向是否一致,确定交互关系矩阵中对应的元素的修正方式。
在这些实现方式中,上述移动方向是否一致可以通过各种方式确定。作为示例,可以根据航向角的偏差角度是否大于预设角度阈值来确定。作为又一示例,可以根据方向区间是否一致来确定。上述执行主体可以通过各种方式确定交互关系矩阵中对应的元素的修正方式。
可选地,基于上述步骤S2所描述的可选的实现方式,上述执行主体还可以按照如下步骤确定交互关系矩阵中对应的元素的修正方式:
S21、响应于确定预设范围内的交通参与者的移动方向之间的夹角大于预设阈值,基于位置信息确定移动方向之间的夹角大于预设阈值的交通参与者是否相对。
在这些实现方式中,移动方向之间的夹角大于预设阈值的交通参与者之间的关系通常可以包括:相对、相背、移动方向交叉。
S22、响应于确定相对,增大交互关系矩阵中对应的元素。
在这些实现方式中,上述增大交互关系矩阵中对应的元素可以包括各种方式,例如乘以大于1的系数。
基于上述可选的实现方式,本方案可以对相对移动的交通参与者之间的交互关系进行有针对性的建模,从而提升表征准确性,且具有可解释性。
可选地,基于上述步骤S2所描述的可选的实现方式,上述元素移动信息还可以包括速度。上述执行主体还可以按照以下步骤确定交互关系矩阵中对应的元素的修正方式:
S2’、响应于确定预设范围内的动态交通参与者的移动方向一致,基于预设范围内的交通参与者的速度,确定交互关系矩阵中对应的元素的修正方式。
可选地,基于上述步骤S2’所描述的可选的实现方式,基于预设范围内的交通参与者的速度,上述执行主体可以按照如下步骤确定交互关系矩阵中对应的元素的修正方式:
S2’1、基于位置信息确定移动方向一致的交通参与者的前后位置关系。
S2’2、基于位于在后位置的交通参与者的速度是否大于位于在前位置的交通参与者的速度,确定交互关系矩阵中对应的元素的修正方式。
在这些实现方式中,作为示例,响应于确定位于在后位置的交通参与者的速度大于位于在前位置的交通参与者的速度,上述执行主体可以增大交互关系矩阵中对应的元素的值。作为又一示例,响应于确定位于在后位置的交通参与者的速度大于位于在前位置的交通参与者的速度且速度差值大于预设速度差值,上述执行主体可以增大交互关系矩阵中对应的元素的值。
基于上述可选的实现方式,本方案可以进一步对同方向移动的交通参与者之间的交互关系进行有针对性的建模,从而提升表征准确性,且具有可解释性。
可选地,基于上述步骤S2’2所描述的可选的实现方式,响应于确定在后位置的交通参与者的速度属于预设快区间且在前位置的交通参与者的速度属于预设慢区间,上述执行主体可以增大交互关系矩阵中对应的元素。
在这些实现方式中,上述预设快区间和预设慢区间可以利用预设阈值(例如行人0.5m/s)进行划分。从而,本方案采用速度所属区间的比较方式,与直接比较速度数值相比能够提升计算速度,有助于本方案的实时性应用。
S3、基于所确定的修正方式对初始交互关系矩阵中的元素进行修正,生成交互关系矩阵。
在这些实现方式中,上述执行主体可以根据上述步骤S2所确定的对元素进行增大或减小的方式对初始交互关系矩阵中的元素进行修正,从而生成交互关系矩阵。
继续参见图2,图2是根据本申请第二实施例的示意图200。该用于生成位置预测信息的方法包括以下步骤:
S201,获取目标帧中可行驶区域内的交通参与者的信息集合。
在本实施例中,上述交通参与者还可以包括静态交通参与者。上述静态交通参与者例如可以包括树木、路灯杆、垃圾箱、交通信号灯等。
S202,基于交通参与者的信息集合,生成元素位置矩阵和交互关系矩阵。
S203,基于与目标帧相关联的图像帧中可行驶区域内的交通参与者的信息集合、元素位置矩阵和交互关系矩阵,生成元素位置张量和交互关系张量。
上述S201、S202和S203分别与前述实施例中的S101、S102和S103及其可选的实现方式一致,上文针对S101、S102、S103及其可选的实现方式的描述也适用于S201、S202和S203,此处不再赘述。
S204,将元素位置张量和交互关系张量输入至特征提取卷积层,得到特征向量。
在本实施例中,预先训练的轨迹预测网络可以包括包含残差结构的特征提取卷积层和和轨迹预测卷积层。其中,上述特征提取卷积层和和轨迹预测卷积层可以依次连接。用于生成位置预测信息的方法的执行主体可以将步骤S203所生成的元素位置张量和交互关系张量输入至特征提取卷积层,得到特征向量。其中,上述特征提取卷积层可以包括各种用于提取特征的网络。作为示例,上述特征提取卷积层可以包括卷积层、批归一化操作层、爱因斯坦求和操作层、激活函数层等。
在本实施例中,可选地,上述执行主体还可以首先对上述步骤S203所生成的交互关系张量进行拉普拉斯归一化操作,将归一化后的交互关系张量输入上述特征提取卷积层。
S205,将所得到的特征向量输入至轨迹预测卷积层,得到与目标帧对应的预设数目个预测帧中可行驶区域内的动态交通参与者对应的位置预测信息。
在本实施例中,上述轨迹预测卷积层可以包括卷积层、激活函数层等。上述轨迹预测卷积层可以输出与目标帧对应的预设数目个预测帧中可行驶区域内的动态交通参与者对应的位置预测信息。作为示例,为了预测未来5帧中的行人A的轨迹,上述执行主体可以从轨迹预测卷积层的输出得到行人A在未来5帧图像中的位置信息。其中,上述位置信息例如可以包括大地坐标系中的坐标。上述位置信息也可以与前述实施例中步骤S104的可选的实现方式中的描述一致,此处不再赘述。
从图2中可以看出,本实施例中的用于生成位置预测信息的方法的流程200细化了轨迹预测网络的结构以及通过上述轨迹预测网络生成位置预测信息的步骤。由此,本实施例描述的方案可以通过包含残差结构的网络模型在提升轨迹预测精度的同时,使得网络更加轻量化,从而有效提升轨迹预测的实时性,进而可以为自动驾驶车辆提供安全行驶保障。
继续参见图3,图3是根据本申请的实施例的用于生成位置预测信息的方法的应用场景的一个示意图。在图3的应用场景中,自动驾驶车辆301可以在行驶过程中通过高精地图获取车载相机拍摄的目标帧302中可行驶区域内的交通参与者(例如行人3021、3022、3023、3024)的位置信息的集合。可选地,上述交通参与者还可以包括树木3025。而后,自动驾驶车辆301可以根据上述目标帧302对应的交通参与者的信息集合,生成元素位置矩阵V(如图3中303所示)和交互关系矩阵A(如图中304所示)。其中,上述x1、y1例如可以是行人3021所处位置的横纵坐标。上述an1例如可以是行人3021与树木3025之间的关系度量值。之后,自动驾驶车辆301基于此前拍摄的6帧图像可以生成元素位置张量和交互关系张量。其中,上述元素位置张量的维度可以是[6,5,2]。上述交互关系张量的维度可以是[6,5,5]。最后,自动驾驶车辆301可以将所生成的元素位置张量和交互关系张量输入至预先训练的轨迹预测网络,生成位置预测信息(例如图3中所示的305)。
目前,现有技术之一通常是基于卡尔曼滤波等传统方法将各交通参与者当作独立的个体进行轨迹预测,导致进行轨迹预测时无法将交通参与者之间的交互作为影响因素。而基于循环神经网络等复杂网络结构的轨迹预测方法,仅仅能够通过网络的池化操作或连接操作来体现交通参与者之间的交互,导致对交互性的建模欠缺物理意义,对网络参数的调整较为困难,且准确度较差。而本申请的上述实施例提供的方法,通过基于元素位置矩阵和交互关系矩阵所生成的张量可以同时表征交通参与者自身的轨迹以及与其他交通参与者之间的交互,实现了在具有明确物理意义的前提下为轨迹预测提供数据基础。从而有助于提升轨迹预测的准确性。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了用于生成位置预测信息的装置的一个实施例,该装置实施例与图1或图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例提供的用于生成位置预测信息的装置400包括获取单元401、第一生成单元402、第二生成单元403和第三生成单元404。其中,获取单元401,被配置成获取目标帧中可行驶区域内的交通参与者的信息集合,其中,交通参与者的信息包括位置信息,交通参与者包括动态交通参与者;第一生成单元402,被配置成基于交通参与者的信息集合,生成元素位置矩阵和交互关系矩阵,其中,元素位置矩阵中包括至少一个交通参与者的位置信息,交互关系矩阵中包括交通参与者之间的关系度量信息;第二生成单元403,被配置成基于与目标帧相关联的图像帧中可行驶区域内的交通参与者的信息集合、元素位置矩阵和交互关系矩阵,生成元素位置张量和交互关系张量;第三生成单元404,被配置成将元素位置张量和交互关系张量输入至预先训练的轨迹预测网络,生成与目标帧中可行驶区域内的动态交通参与者对应的位置预测信息。
在本实施例中,用于生成位置预测信息的装置400中:获取单元401、第一生成单元402、第二生成单元403和第三生成单元404的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤S101、S102、S103和S104的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述交通参与者的信息还可以包括元素移动信息。上述第一生成单元402可以包括:第一生成子单元(图中未示出),被配置成基于交通参与者的信息集合,生成初始交互关系矩阵。其中,初始交互关系矩阵中可以包括交通参与者之间的关系度量信息。第二生成子单元(图中未示出),可以被配置成根据交通参与者的信息集合中的元素移动信息,生成交互关系矩阵。其中,上述交互关系矩阵中可以包括对初始交互关系矩阵中的元素进行修正后所生成的元素。
在本实施例的一些可选的实现方式中,上述第一生成子单元可以包括:第一确定模块(图中未示出),被配置成对于交通参与者的信息集合中的交通参与者的信息,确定该交通参与者与其他交通参与者之间的距离。第一生成模块(图中未示出),被配置成基于所确定的距离,生成初始交互关系矩阵。其中,上述初始交互关系矩阵中可以包括交通参与者之间的关系度量值。上述关系度量值可以与所确定的距离负相关。
在本实施例的一些可选的实现方式中,上述第一生成模块可以进一步被配置成:确定所确定的距离是否大于目标阈值;响应于确定大于,将距离大于目标阈值的交通参与者所对应的关系度量值确定为0;响应于确定不大于,将距离不大于目标阈值的交通参与者所对应的关系度量值确定为距离的倒数;基于所生成的关系度量值,生成初始交互矩阵。其中,上述目标阈值可以根据交通参与者的速度和预测时间之间的乘积而确定。上述初始交互矩阵中的关系度量值所对应的行列号可以分别与关系度量值所对应的交通参与者一致。
在本实施例的一些可选的实现方式中,上述元素移动信息可以包括航向角。上述第二生成子单元包括:第二确定模块(图中未示出),被配置成根据交通参与者的信息集合中的航向角,确定预设范围内的交通参与者的移动方向。第三确定模块(图中未示出),被配置确定基于预设范围内的交通参与者的移动方向是否一致,确定交互关系矩阵中对应的元素的修正方式。第二生成模块(图中未示出),被配置成基于所确定的修正方式对初始交互关系矩阵中的元素进行修正,生成交互关系矩阵。
在本实施例的一些可选的实现方式中,上述第三确定模块可以包括:第一确定子模块(图中未示出),被配置成响应于确定预设范围内的交通参与者的移动方向之间的夹角大于预设阈值,基于位置信息确定移动方向之间的夹角大于预设阈值的交通参与者是否相对。修正子模块(图中未示出),被配置成响应于确定相对,增大交互关系矩阵中对应的元素。
在本实施例的一些可选的实现方式中,上述元素移动信息还可以包括速度。上述第三确定模块可以被进一步配置成:响应于确定预设范围内的动态交通参与者的移动方向一致,基于预设范围内的交通参与者的速度,确定交互关系矩阵中对应的元素的修正方式。
在本实施例的一些可选的实现方式中,上述第三确定模块可以包括:第二确定子模块(图中未示出),被配置成基于位置信息确定移动方向一致的交通参与者的前后位置关系。第三确定子模块(图中未示出),被配置成基于位于在后位置的交通参与者的速度是否大于位于在前位置的交通参与者的速度,确定交互关系矩阵中对应的元素的修正方式。
在本实施例的一些可选的实现方式中,上述第三确定子模块可以被进一步配置成:响应于确定在后位置的交通参与者的速度属于预设快区间且在前位置的交通参与者的速度属于预设慢区间,增大交互关系矩阵中对应的元素。
在本实施例的一些可选的实现方式中,上述交通参与者还可以包括静态交通参与者。上述轨迹预测网络可以包括包含残差结构的特征提取卷积层和轨迹预测卷积层。上述第三生成单元404可以包括:第三生成子单元(图中未示出),被进一步配置成将元素位置张量和交互关系张量输入至特征提取卷积层,得到特征向量。第四生成子单元(图中未示出),被进一步配置成将所得到的特征向量输入至轨迹预测卷积层,得到与目标帧对应的预设数目个预测帧中可行驶区域内的动态交通参与者对应的位置预测信息。
本申请的上述实施例提供的装置,通过第二生成单元403基于第一生成单元402所生成的元素位置矩阵和交互关系矩阵生成张量,可以同时表征交通参与者自身的轨迹以及与其他交通参与者之间的交互,实现了在具有明确物理意义的前提下为轨迹预测提供数据基础。从而有助于提升轨迹预测的准确性。
下面参考图5,根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质、自动驾驶车辆和计算机程序产品。
如图5所示,是根据本申请实施例的用于生成位置预测信息的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,自动驾驶车辆的自动控制系统,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
本申请所提供的自动驾驶车辆,可以包括如图5所示的上述电子设备。
如图5所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的用于生成位置预测信息的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的用于生成位置预测信息的方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的用于生成位置预测信息的方法对应的程序指令/模块(例如,附图4所示的分割单元401、获取单元402、投影单元403和生成单元404)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的用于生成位置预测信息的方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据用于生成位置预测信息的电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至用于生成位置预测信息的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用于生成位置预测信息的方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与用于生成位置预测信息的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,通过基于元素位置矩阵和交互关系矩阵所生成的张量可以同时表征交通参与者自身的轨迹以及与其他交通参与者之间的交互,实现了在具有明确物理意义的前提下为轨迹预测提供数据基础,有助于提升轨迹预测的准确性。从而解决了现有的轨迹预测技术由于对交通参与者之间的交互建模表征方式不恰当而造成的轨迹预测不准确。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (24)
1.一种用于生成位置预测信息的方法,包括:
获取目标帧中可行驶区域内的交通参与者的信息集合,其中,所述交通参与者的信息包括位置信息,所述交通参与者包括动态交通参与者;
基于所述交通参与者的信息集合,生成元素位置矩阵和交互关系矩阵,其中,所述元素位置矩阵中包括至少一个交通参与者的位置信息,所述交互关系矩阵中包括交通参与者之间的关系度量信息;
基于与所述目标帧相关联的图像帧中可行驶区域内的交通参与者的信息集合、所述元素位置矩阵和交互关系矩阵,生成元素位置张量和交互关系张量;
将所述元素位置张量和交互关系张量输入至预先训练的轨迹预测网络,生成与所述目标帧中可行驶区域内的动态交通参与者对应的位置预测信息。
2.根据权利要求1所述的方法,其中,所述交通参与者的信息还包括元素移动信息;以及
所述基于所述交通参与者的信息集合,生成元素位置矩阵和交互关系矩阵,包括:
基于所述交通参与者的信息集合,生成初始交互关系矩阵,其中,所述初始交互关系矩阵中包括交通参与者之间的关系度量信息;
根据所述交通参与者的信息集合中的元素移动信息,生成交互关系矩阵,其中,所述交互关系矩阵中包括对所述初始交互关系矩阵中的元素进行修正后所生成的元素。
3.根据权利要求2所述的方法,其中,所述基于所述交通参与者的信息集合,生成初始交互关系矩阵,包括:
对于所述交通参与者的信息集合中的交通参与者的信息,确定该交通参与者与其他交通参与者之间的距离;
基于所确定的距离,生成初始交互关系矩阵,其中,所述初始交互关系矩阵中包括交通参与者之间的关系度量值,所述关系度量值与所确定的距离负相关。
4.根据权利要求3所述的方法,其中,所述基于所确定的距离,生成初始交互关系矩阵,包括:
确定所确定的距离是否大于目标阈值,其中,所述目标阈值根据交通参与者的速度和预测时间之间的乘积而确定;
响应于确定大于,将距离大于所述目标阈值的交通参与者所对应的关系度量值确定为0;
响应于确定不大于,将距离不大于所述目标阈值的交通参与者所对应的关系度量值确定为距离的倒数;
基于所生成的关系度量值,生成所述初始交互矩阵,其中,所述初始交互矩阵中的关系度量值所对应的行列号分别与关系度量值所对应的交通参与者一致。
5.根据权利要求2所述的方法,其中,所述元素移动信息包括航向角;以及
根据所述交通参与者的信息集合中的元素移动信息,生成交互关系矩阵,包括:
根据所述交通参与者的信息集合中的航向角,确定预设范围内的交通参与者的移动方向;
基于所述预设范围内的交通参与者的移动方向是否一致,确定所述交互关系矩阵中对应的元素的修正方式;
基于所确定的修正方式对所述初始交互关系矩阵中的元素进行修正,生成交互关系矩阵。
6.根据权利要求5所述的方法,其中,所述基于所述预设范围内的交通参与者的移动方向是否一致,确定所述交互关系矩阵中对应的元素的修正方式,包括:
响应于确定所述预设范围内的交通参与者的移动方向之间的夹角大于预设阈值,基于位置信息确定移动方向之间的夹角大于预设阈值的交通参与者是否相对;
响应于确定相对,增大所述交互关系矩阵中对应的元素。
7.根据权利要求5所述的方法,其中,所述元素移动信息还包括速度;以及
所述根据所述预设范围内的交通参与者的移动方向是否一致,确定所述交互关系矩阵中对应的元素的修正方式,包括:
响应于确定所述预设范围内的动态交通参与者的移动方向一致,基于所述预设范围内的交通参与者的速度,确定所述交互关系矩阵中对应的元素的修正方式。
8.根据权利要求7所述的方法,其中,所述基于所述预设范围内的交通参与者的速度,确定所述交互关系矩阵中对应的元素的修正方式,包括:
基于位置信息确定移动方向一致的交通参与者的前后位置关系;
基于位于在后位置的交通参与者的速度是否大于位于在前位置的交通参与者的速度,确定所述交互关系矩阵中对应的元素的修正方式。
9.根据权利要求8所述的方法,其中,所述基于位于在后位置的交通参与者的速度是否大于位于在前位置的交通参与者的速度,确定所述交互关系矩阵中对应的元素的修正方式,包括:
响应于确定在后位置的交通参与者的速度属于预设快区间且在前位置的交通参与者的速度属于预设慢区间,增大所述交互关系矩阵中对应的元素。
10.根据权利要求1-9之一所述的方法,其中,所述交通参与者还包括静态交通参与者,所述轨迹预测网络包括包含残差结构的特征提取卷积层和轨迹预测卷积层;以及
所述将所述元素位置张量和交互关系张量输入至预先训练的轨迹预测网络,生成与所述目标帧中可行驶区域内的动态交通参与者对应的位置预测信息,包括:
将所述元素位置张量和交互关系张量输入至所述特征提取卷积层,得到特征向量;
将所得到的特征向量输入至所述轨迹预测卷积层,得到与所述目标帧对应的预设数目个预测帧中可行驶区域内的动态交通参与者对应的位置预测信息。
11.一种用于生成位置预测信息的装置,包括:
获取单元,被配置成获取目标帧中可行驶区域内的交通参与者的信息集合,其中,所述交通参与者的信息包括位置信息,所述交通参与者包括动态交通参与者;
第一生成单元,被配置成基于所述交通参与者的信息集合,生成元素位置矩阵和交互关系矩阵,其中,所述元素位置矩阵中包括至少一个交通参与者的位置信息,所述交互关系矩阵中包括交通参与者之间的关系度量信息;
第二生成单元,被配置成基于与所述目标帧相关联的图像帧中可行驶区域内的交通参与者的信息集合、所述元素位置矩阵和交互关系矩阵,生成元素位置张量和交互关系张量;
第三生成单元,被配置成将所述元素位置张量和交互关系张量输入至预先训练的轨迹预测网络,生成与所述目标帧中可行驶区域内的动态交通参与者对应的位置预测信息。
12.根据权利要求11所述的装置,其中,所述交通参与者的信息还包括元素移动信息;所述第一生成单元包括:
第一生成子单元,被配置成基于所述交通参与者的信息集合,生成初始交互关系矩阵,其中,所述初始交互关系矩阵中包括交通参与者之间的关系度量信息;
第二生成子单元,被配置成根据所述交通参与者的信息集合中的元素移动信息,生成交互关系矩阵,其中,所述交互关系矩阵中包括对所述初始交互关系矩阵中的元素进行修正后所生成的元素。
13.根据权利要求12所述的装置,其中,所述第一生成子单元包括:
第一确定模块,被配置成对于所述交通参与者的信息集合中的交通参与者的信息,确定该交通参与者与其他交通参与者之间的距离;
第一生成模块,被配置成基于所确定的距离,生成初始交互关系矩阵,其中,所述初始交互关系矩阵中包括交通参与者之间的关系度量值,所述关系度量值与所确定的距离负相关。
14.根据权利要求13所述的装置,其中,所述第一生成模块进一步被配置成:
确定所确定的距离是否大于目标阈值,其中,所述目标阈值根据交通参与者的速度和预测时间之间的乘积而确定;
响应于确定大于,将距离大于所述目标阈值的交通参与者所对应的关系度量值确定为0;
响应于确定不大于,将距离不大于所述目标阈值的交通参与者所对应的关系度量值确定为距离的倒数;
基于所生成的关系度量值,生成所述初始交互矩阵,其中,所述初始交互矩阵中的关系度量值所对应的行列号分别与关系度量值所对应的交通参与者一致。
15.根据权利要求12所述的装置,其中,所述元素移动信息包括航向角;所述第二生成子单元包括:
第二确定模块,被配置成根据所述交通参与者的信息集合中的航向角,确定预设范围内的交通参与者的移动方向;
第三确定模块,被配置确定基于所述预设范围内的交通参与者的移动方向是否一致,确定所述交互关系矩阵中对应的元素的修正方式;
第二生成模块,被配置成基于所确定的修正方式对所述初始交互关系矩阵中的元素进行修正,生成交互关系矩阵。
16.根据权利要求15所述的装置,其中,所述第三确定模块,包括:
第一确定子模块,被配置成响应于确定所述预设范围内的交通参与者的移动方向之间的夹角大于预设阈值,基于位置信息确定移动方向之间的夹角大于预设阈值的交通参与者是否相对;
修正子模块,被配置成响应于确定相对,增大所述交互关系矩阵中对应的元素。
17.根据权利要求15所述的装置,其中,所述元素移动信息还包括速度;所述第三确定模块被进一步配置成:
响应于确定所述预设范围内的动态交通参与者的移动方向一致,基于所述预设范围内的交通参与者的速度,确定所述交互关系矩阵中对应的元素的修正方式。
18.根据权利要求17所述的装置,其中,所述第三确定模块包括:
第二确定子模块,被配置成基于位置信息确定移动方向一致的交通参与者的前后位置关系;
第三确定子模块,被配置成基于位于在后位置的交通参与者的速度是否大于位于在前位置的交通参与者的速度,确定所述交互关系矩阵中对应的元素的修正方式。
19.根据权利要求18所述的装置,其中,所述第三确定子模块被进一步配置成:
响应于确定在后位置的交通参与者的速度属于预设快区间且在前位置的交通参与者的速度属于预设慢区间,增大所述交互关系矩阵中对应的元素。
20.根据权利要求11-19之一所述的装置,其中,所述交通参与者还包括静态交通参与者,所述轨迹预测网络包括包含残差结构的特征提取卷积层和轨迹预测卷积层;所述第三生成单元包括:
第三生成子单元,被进一步配置成将所述元素位置张量和交互关系张量输入至所述特征提取卷积层,得到特征向量;
第四生成子单元,被进一步配置成将所得到的特征向量输入至所述轨迹预测卷积层,得到与所述目标帧对应的预设数目个预测帧中可行驶区域内的动态交通参与者对应的位置预测信息。
21.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-10中任一项所述的方法。
23.一种自动驾驶车辆,包括如权利要求21所述的电子设备。
24.一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现根据权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011526563.6A CN112528931B (zh) | 2020-12-22 | 2020-12-22 | 用于生成位置预测信息的方法、装置以及自动驾驶车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011526563.6A CN112528931B (zh) | 2020-12-22 | 2020-12-22 | 用于生成位置预测信息的方法、装置以及自动驾驶车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112528931A true CN112528931A (zh) | 2021-03-19 |
CN112528931B CN112528931B (zh) | 2024-03-15 |
Family
ID=75002264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011526563.6A Active CN112528931B (zh) | 2020-12-22 | 2020-12-22 | 用于生成位置预测信息的方法、装置以及自动驾驶车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528931B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113264066A (zh) * | 2021-06-03 | 2021-08-17 | 阿波罗智能技术(北京)有限公司 | 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备 |
CN114338974A (zh) * | 2021-12-02 | 2022-04-12 | 深圳市领航卫士安全技术有限公司 | 多通道的活动路径确定方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019045194A1 (ko) * | 2017-08-31 | 2019-03-07 | 현대엠엔소프트 주식회사 | 교통정보 예측 장치, 방법 및 서버 |
WO2019231456A1 (en) * | 2018-05-31 | 2019-12-05 | Nissan North America, Inc. | Probabilistic object tracking and prediction framework |
CN111931905A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法 |
CN112034833A (zh) * | 2019-05-15 | 2020-12-04 | 百度(美国)有限责任公司 | 规划用于自动驾驶车辆的开放空间轨迹的在线代理 |
CN112069643A (zh) * | 2019-05-24 | 2020-12-11 | 北京车和家信息技术有限公司 | 一种自动驾驶仿真场景生成方法及装置 |
-
2020
- 2020-12-22 CN CN202011526563.6A patent/CN112528931B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019045194A1 (ko) * | 2017-08-31 | 2019-03-07 | 현대엠엔소프트 주식회사 | 교통정보 예측 장치, 방법 및 서버 |
WO2019231456A1 (en) * | 2018-05-31 | 2019-12-05 | Nissan North America, Inc. | Probabilistic object tracking and prediction framework |
CN112034833A (zh) * | 2019-05-15 | 2020-12-04 | 百度(美国)有限责任公司 | 规划用于自动驾驶车辆的开放空间轨迹的在线代理 |
CN112069643A (zh) * | 2019-05-24 | 2020-12-11 | 北京车和家信息技术有限公司 | 一种自动驾驶仿真场景生成方法及装置 |
CN111931905A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法 |
Non-Patent Citations (1)
Title |
---|
任思琪: "深度学习技术在目标轨迹预测中的应用研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 6, pages 035 - 235 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113264066A (zh) * | 2021-06-03 | 2021-08-17 | 阿波罗智能技术(北京)有限公司 | 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备 |
CN114338974A (zh) * | 2021-12-02 | 2022-04-12 | 深圳市领航卫士安全技术有限公司 | 多通道的活动路径确定方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112528931B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111640140B (zh) | 目标跟踪方法、装置、电子设备及计算机可读存储介质 | |
CN110929639B (zh) | 用于确定图像中障碍物位置的方法、装置、设备和介质 | |
CN111553282B (zh) | 用于检测车辆的方法和装置 | |
CN110738183B (zh) | 路侧相机障碍物检测方法及装置 | |
CN111524192B (zh) | 车载相机外参的标定方法、装置、系统及存储介质 | |
CN111275983B (zh) | 车辆追踪方法、装置、电子设备和计算机可读存储介质 | |
CN110806215B (zh) | 车辆定位的方法、装置、设备及存储介质 | |
CN111722245B (zh) | 定位方法、定位装置和电子设备 | |
CN111539347B (zh) | 用于检测目标的方法和装置 | |
CN111783621A (zh) | 人脸表情识别及模型训练的方法、装置、设备及存储介质 | |
CN112330815B (zh) | 基于障碍物融合的三维点云数据处理方法、装置和设备 | |
CN111079079B (zh) | 数据修正方法、装置、电子设备及计算机可读存储介质 | |
CN111693059B (zh) | 环岛的导航方法、装置、设备及存储介质 | |
CN112528931A (zh) | 用于生成位置预测信息的方法、装置以及自动驾驶车辆 | |
CN111767853A (zh) | 车道线检测方法和装置 | |
CN111597987B (zh) | 用于生成信息的方法、装置、设备和存储介质 | |
CN111353466B (zh) | 车道线识别处理方法、设备、存储介质 | |
CN111462179B (zh) | 三维物体跟踪方法、装置及电子设备 | |
CN112528932B (zh) | 用于优化位置信息的方法、装置、路侧设备和云控平台 | |
CN111260722B (zh) | 车辆定位方法、设备及存储介质 | |
CN111833391A (zh) | 图像深度信息的估计方法及装置 | |
CN111597707A (zh) | 仿真场景的处理方法、装置、设备以及存储介质 | |
CN111402308A (zh) | 障碍物速度的确定方法、装置、设备和介质 | |
CN111814634B (zh) | 一种实时距离确定方法、装置、设备及介质 | |
CN111959496B (zh) | 用于车辆横向控制的模型生成方法、装置及电子设备 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211011 Address after: 100176 101, floor 1, building 1, yard 7, Ruihe West 2nd Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Applicant after: Apollo Zhilian (Beijing) Technology Co.,Ltd. Address before: 2 / F, baidu building, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |