CN112629550B - 一种预测障碍物轨迹以及模型训练的方法及装置 - Google Patents

一种预测障碍物轨迹以及模型训练的方法及装置 Download PDF

Info

Publication number
CN112629550B
CN112629550B CN202011454164.3A CN202011454164A CN112629550B CN 112629550 B CN112629550 B CN 112629550B CN 202011454164 A CN202011454164 A CN 202011454164A CN 112629550 B CN112629550 B CN 112629550B
Authority
CN
China
Prior art keywords
obstacle
information
track
predicted
trained
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.)
Active
Application number
CN202011454164.3A
Other languages
English (en)
Other versions
CN112629550A (zh
Inventor
樊明宇
任冬淳
周浩
夏华夏
朱炎亮
钱德恒
杨旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN202011454164.3A priority Critical patent/CN112629550B/zh
Publication of CN112629550A publication Critical patent/CN112629550A/zh
Application granted granted Critical
Publication of CN112629550B publication Critical patent/CN112629550B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Abstract

本申请是202011087583.8的分案申请，公开了一种预测障碍物轨迹以及模型训练的方法及装置，其中，针对各障碍物，获取该障碍物在历史上的指定时长内的轨迹，以及该障碍物在指定时长内对应于预设的各信息类型的信息，针对每个训练过程，在各障碍物在指定时刻之前的轨迹以及各障碍物在指定时长内对应于各信息类型的信息中，选择至少一种信息，并将选择的信息输入待训练的预测模型，得到待训练的预测模型输出的待优化预测轨迹，根据样本轨迹以及待优化预测轨迹，对待训练的预测模型进行训练。本说明书可选择信息输入预测模型得到预测轨迹，基于选择的信息来预测障碍物的轨迹，平衡无人设备预测障碍物轨迹所消耗的计算力以及障碍物轨迹的精确度关系。

Description

一种预测障碍物轨迹以及模型训练的方法及装置
本申请是分案申请，原申请的申请号为202011087583.8，申请日为2020年10月13日，发明名称为“一种预测障碍物轨迹以及模型训练的方法及装置”。
技术领域
本说明书涉及无人驾驶技术领域，尤其涉及一种预测障碍物轨迹以及模型训练的方法及装置。
背景技术
目前，无人设备在运行时，可预测周围环境中各障碍物的轨迹，基于预测的各障碍物的轨迹，合理规划自身未来的轨迹，对控制量进行预先判断和调整。
通常，无人设备可获取诸如障碍物的历史轨迹、电子地图、交通灯、天气和行人姿态等信息，基于获取的信息来预测障碍物的轨迹，获取的信息越多，预测得到的障碍物的轨迹越精确，可靠预测的时间段也会更长。然而，若获取的信息越多，无人设备所需要的计算量越大，预测障碍物的轨迹所耗费的时间越长。因此，需要根据上下游功能模块在预测精度和预测频率需求来动态调整预测模型的输入信息类型。
发明内容
本说明书实施例提供一种预测障碍物轨迹以及模型训练的方法及装置，以部分解决现有技术存在的上述问题。
本说明书实施例采用下述技术方案：
本说明书提供的一种模型训练的方法，所述方法包括：
针对各障碍物，获取该障碍物在历史上的指定时长内的轨迹，以及该障碍物在指定时长内对应于预设的各信息类型的信息；
确定指定时刻，将获取的该障碍物在所述指定时刻之后的轨迹作为样本轨迹；
针对每个训练过程，在该训练过程中，在各障碍物在所述指定时刻之前的轨迹以及各障碍物在指定时长内对应于各信息类型的信息中，选择至少一种信息，并将选择的信息输入待训练的预测模型，得到所述待训练的预测模型输出的待优化预测轨迹；
根据所述样本轨迹以及所述待优化预测轨迹，对所述待训练的预测模型进行训练。
可选地，在各障碍物在所述指定时刻之前的轨迹以及各障碍物在指定时长内对应于各信息类型的信息中，选择至少一种信息，具体包括：
确定该障碍物在所述指定时刻的驾驶场景，并且，确定该障碍物的待优化预测轨迹的预测时长；
根据该障碍物在所述指定时刻的驾驶场景和/或所述待优化预测轨迹的预测时长，在各障碍物在所述指定时刻之前的轨迹以及各障碍物在指定时长内对应于各信息类型的信息中，选择至少一种信息。
可选地，根据该障碍物在所述指定时刻的驾驶场景，在各障碍物在所述指定时刻之前的轨迹以及各障碍物在指定时长内对应于各信息类型的信息中，选择至少一种信息，具体包括：
获取预先确定的各驾驶场景与各信息类型之间的对应关系；
根据所述对应关系以及该障碍物在所述指定时刻的驾驶场景，在各信息类型中，确定至少一种信息类型；
根据确定的信息类型，在各障碍物在所述指定时刻之前的轨迹以及各障碍物在指定时长内对应于各信息类型的信息中，选择至少一种信息。
可选地，所述待优化预测轨迹的预测时长与选择的信息类型的数量正相关。
可选地，将选择的信息输入待训练的预测模型，得到所述待训练的预测模型输出的待优化预测轨迹，具体包括：
将选择的信息输入所述待训练的预测模型，通过所述待训练的预测模型，确定各障碍物对应于选择的信息的特征；
根据各障碍物对应于选择的信息的特征，通过所述待训练的预测模型，对各障碍物对应于选择的各信息类型的特征进行处理，得到指导特征；
针对各障碍物，获取该障碍物的当前位置信息，将该障碍物的当前位置信息输入所述待训练的预测模型，得到所述待训练的预测模型确定的该障碍物的待优化预测轨迹。
可选地，根据所述样本轨迹以及所述待优化预测轨迹，对所述待训练的预测模型进行训练，具体包括：
根据所述样本轨迹以及所述待优化预测轨迹，确定损失；
以损失最小化为训练目标，优化所述待训练的预测模型的参数，对所述待训练的预测模型进行训练。
本说明书提供的一种预测障碍物轨迹的方法，所述方法包括：
确定无人设备当前所在的驾驶场景，并且，确定规划所述无人设备的轨迹时所需的各障碍物的预测轨迹的预测时长；
根据所述驾驶场景和/或所述预测时长，在预设的若干种信息类型中，选择至少一种信息类型；
针对选择的每个信息类型，获取各障碍物的该信息类型的信息；
针对各障碍物，将选择的信息输入预先训练的预测模型，得到所述预测模型输出的预测轨迹，其中，所述预测模型通过上述模型训练方法进行预先训练。
本说明书提供一种模型训练的装置，所述装置包括：
获取模块，用于针对各障碍物，获取该障碍物在历史上的指定时长内的轨迹，以及该障碍物在指定时长内对应于预设的各信息类型的信息；
确定时刻模块，用于确定指定时刻，将获取的该障碍物在所述指定时刻之后的轨迹作为样本轨迹；
输入模块，用于针对每个训练过程，在该训练过程中，在各障碍物在所述指定时刻之前的轨迹以及各障碍物在指定时长内对应于各信息类型的信息中，选择至少一种信息，并将选择的信息输入待训练的预测模型，得到所述待训练的预测模型输出的待优化预测轨迹；
训练模块，用于根据所述样本轨迹以及所述待优化预测轨迹，对所述待训练的预测模型进行训练。
本说明书提供一种预测障碍物轨迹的装置，所述装置包括：
确定时长模块，用于确定无人设备当前所在的驾驶场景，并且，确定规划所述无人设备的轨迹时所需的各障碍物的预测轨迹的预测时长；
选择模块，用于根据所述驾驶场景和/或所述预测时长，在预设的若干种信息类型中，选择至少一种信息类型；
确定特征模块，用于针对选择的每个信息类型，获取各障碍物的该信息类型的信息；
预测模块，用于针对各障碍物，将选择的信息输入预先训练的预测模型，得到所述预测模型输出的预测轨迹，其中，所述预测模型通过上述模型训练方法进行预先训练。
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预测障碍物轨迹以及模型训练的方法。
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预测障碍物轨迹以及模型训练的方法。
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：
在本说明书中，针对各障碍物，获取该障碍物在历史上的指定时长内的轨迹，以及该障碍物在指定时长内对应于预设的各信息类型的信息，确定指定时刻，将获取的该障碍物在指定时刻之后的轨迹作为样本轨迹，针对每个训练过程，在该训练过程中，在各障碍物在指定时刻之前的轨迹以及各障碍物在指定时长内对应于各信息类型的信息中，选择至少一种信息，并将选择的信息输入待训练的预测模型，得到待训练的预测模型输出的待优化预测轨迹，根据样本轨迹以及待优化预测轨迹，对待训练的预测模型进行训练。本说明书可选择信息输入预测模型得到预测轨迹，基于选择的信息类型的信息来提升预测障碍物的轨迹效果，也可以平衡无人设备预测障碍物轨迹所消耗的计算力以及障碍物轨迹的精确度关系，在复杂场景下按需要给出不同上下游功能/模块需求的预测结果，达到了在保障无人设备预测障碍物轨迹实时性的基础上提高障碍物轨迹的精确度的效果。
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一种预测障碍物轨迹的方法流程图；
图2为本说明书实施例提供的一种模型训练的方法流程图；
图3为本说明书实施例提供的一种预测障碍物轨迹的装置的结构示意图；
图4为本说明书实施例提供的一种模型训练的装置的结构示意图；
图5为本说明书实施例提供的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、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。
在无人驾驶领域中，无人设备在运行时需要实时规划自身的轨迹，以避开周围环境中的各障碍物，实现安全驾驶。而在无人设备所在的周围环境中，障碍物可包括静态障碍物和动态障碍物，因此，为更好地规划无人设备的轨迹，无人设备可预测周围环境中各动态障碍物的轨迹，基于预测的各障碍物的轨迹，来规划无人设备自身的轨迹。
现有的技术中，无人设备在预测障碍物的轨迹时，可获取各障碍物对应于多种信息类型的信息，信息类型可包括轨迹类型、地图类型等，例如，可获取各障碍物的历史轨迹、电子地图信息等，基于获取各障碍物对应于各信息类型的信息，提取各信息的特征，从而基于提取的特征，预测障碍物的轨迹。通常情况下，无人设备获取的信息类型的数量越多(也即，获取的信息种类越多)，预测得到的障碍物的轨迹越精确，同时，预测障碍物的轨迹所需要的计算量也越大，所需要耗费的时间越长，而由于无人设备需要实时规划自身的轨迹，因此，无人设备预测障碍物的轨迹也必然要求实时性，这就导致无人设备预测障碍物的轨迹所耗费的时长较长以至于影响无人设备规划自身轨迹，从而影响无人设备的正常运行。
因此，本说明书提供一种预测障碍物的轨迹的方法，考虑到无人设备规划自身轨迹时对周围环境中各障碍物的预测轨迹的需求以及无人设备运行时所在的驾驶场景等因素，在各信息类型中，选择信息类型，基于选择的信息类型获取信息，并根据获取的信息预测障碍物的轨迹。不仅保障了无人设备运行时对障碍物预测轨迹实时性的需求，而且在此基础上充分利用算力资源以得到精确的障碍物的预测轨迹。
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一种预测障碍物轨迹的方法流程图，具体可包括以下步骤：
S100：确定无人设备当前所在的驾驶场景，并且，确定规划所述无人设备的轨迹时所需的各障碍物的预测轨迹的预测时长。
通常，在规划无人设备的轨迹之前，可预测无人设备周围环境中各障碍物的轨迹。在本说明书中，可由无人设备来预测各障碍物的轨迹，也可由无人设备将预测各障碍物的轨迹所需要的信息发送给服务器，由服务器来预测各障碍物的轨迹。其中，无人设备主要包括无人车、无人机等智能无人驾驶设备，主要用于代替人工配送物品，例如在大型货物仓储中心运输分拣后的货物，或将货物从某一地点运输到另一地点。服务器可以是用于进行调度的电子设备，并且可以是单独的一台设备或者是多台设备组成的分布式服务器，本说明书对此不做限制。
为了便于描述，本说明书以无人设备预测各障碍物的轨迹为例进行说明。
首先，无人设备可确定当前所在的驾驶场景。
具体的，无人设备可预先存储电子地图，并且，在电子地图中划分若干个的区域，不同的区域对应不同的驾驶场景。例如，在电子地图中确定高速公路所在的区域对应的驾驶场景为高速公路驾驶场景，确定道路交叉口所在的区域对应的驾驶场景为普通道路驾驶场景。
无人设备可实时定位当前所在的位置，例如，通过安装在无人设备上的全球定位系统(Global Positioning System，GPS)模块确定无人设备当前所在的位置，又如，无人设备上可安装有图像传感器，通过图像传感器采集图像数据，基于采集得到的图像数据，采用计算机视觉定位等技术，确定无人设备当前所在的位置。
无人设备可根据电子地图中的各区域以及当前所在的位置，确定无人设备所在的电子地图中的区域，基于各区域与各驾驶场景的对应关系，确定无人设备当前所在的驾驶场景。
或者，在本说明书中，无人设备还可通过安装的传感器采集传感数据，例如，通过安装的图像传感器采集图像数据，通过安装的激光雷达采集点云数据等，基于传感数据，通过语义分割等方式，确定无人设备所处环境的场景信息，根据无人设备所处环境的场景信息，确定无人设备当前所在的驾驶场景，例如，若确定无人设备所处环境的场景信息中包括交通信号灯、行人等信息，可确定无人设备当前所在的驾驶场景为普通道路驾驶场景。
在本说明书中，基于上述提供的实施例，可确定出无人设备当前所在的驾驶场景，当然，可能还有其他方式可确定出无人设备当前所在的驾驶场景，例如，从服务器中获取当前所在的驾驶场景的信息等，而本说明书对无人设备的驾驶场景的种类不做限制。
同时，无人设备还可确定规划无人设备自身的轨迹时所需的各障碍物的预测轨迹的预测时长。
具体的，在本说明书中，规划无人设备的轨迹是对未来一段时间内无人设备的行驶轨迹的规划，同样的，预测障碍物的轨迹是对未来一段时间内障碍物可能的行驶轨迹的预测。因此，无论是规划的无人设备的轨迹还是预测的障碍物的轨迹，均是未来时刻的未行驶的轨迹。
由于预测的障碍物的预测轨迹是未来一段时间内的未行驶的轨迹，因此，在本说明书中，若预测障碍物在未来指定时长内的预测轨迹，则所述预测时长为所述指定时长，也即，若预测障碍物在N秒内的预测轨迹，则预测时长为N秒。
通常，无人设备在规划自身轨迹时，可分为若干个模块，例如，环境感知模块、障碍物轨迹预测模块、规划模块、控制模块等，由环境感知模块确定无人设备周围环境中各障碍物的信息以及其他诸如环境信息等，从而向障碍物轨迹预测模块提供各种信息类型的信息，由障碍物轨迹预测模块确定各障碍物的预测轨迹，由规划模块确定无人设备的规划轨迹，由控制模块对无人设备进行控制等。因此，规划无人设备自身的轨迹时所需的各障碍物的预测轨迹的预测时长通常可由诸如规划模块、控制模块等下游模块来确定，并将下游模块确定出的预测时长发送给障碍物轨迹预测模块，也即，本说明书无人设备中对障碍物的预测轨迹进行后续处理的模块可确定出预测时长，无人设备可获取该预测时长，基于该预测时长对各障碍物的轨迹进行预测。
例如，无人设备的规划模块确定需要未来五秒内的各障碍物的预测轨迹，则预测时长为五秒，无人设备可获取该五秒的预测时长，并将预测时长用于预测各障碍物的轨迹。
另外，下游模块还可确定调用各障碍物的预测轨迹的频率，作为预测频率，也即，下游模块多久从障碍物轨迹预测模块调用一次障碍物的预测轨迹，其中，预测频率与预测时长负相关，也即，预测频率越高，预测时长越短。
当然，除了上述从后续处理模块(例如，规划模块)中获取预测时长之外，本说明书中还可通过其他方式确定预测时长，例如，确定无人设备的算力资源，根据算力资源确定预测时长等，又如，可在各预测时长的取值中，随机选择预测时长的取值等。
S102：根据所述驾驶场景和/或所述预测时长，在预设的若干种信息类型中，选择至少一种信息类型。
在确定无人设备当前所在的驾驶场景以及各障碍物的预测轨迹的预测时长之后，无人设备可在预设的若干种信息类型中，选择至少一种信息类型。
其中，信息类型可包括轨迹信息类型、天气信息类型、地图信息类型、交通信号灯信息类型、行人信息类型等。当然，除了上述列举的各信息类型之外，还可包括其他信息类型，例如，障碍物类型等信息类型，本说明书对信息类型的数量不作限制。各信息类型的信息均可用于预测障碍物的轨迹。
首先来说根据驾驶场景选择至少一种信息类型。
无人设备可获取预先确定的各驾驶场景与各信息类型之间的对应关系，根据对应关系以及无人设备当前所在的驾驶场景，在各信息类型中，选择至少一种信息类型。
具体的，无人设备可预先确定各驾驶场景与各信息类型之间的对应关系，通常，考虑到实际情况，不同的信息类型的信息在不同的驾驶场景中对预测障碍物轨迹的贡献程度不一样，例如，在高速公路驾驶场景中，极少出现行人、交通信号灯等信息，而在普通道路驾驶场景(例如，道路交叉口区域)中，行人与信号交通灯出现的概率极大，因此，行人信息类型、交通信号灯信息类型等信息类型的信息在不同的驾驶场景中出现的概率不同，因此，可基于实际情况确定各驾驶场景与各信息类型之间的对应关系。例如，可设置普通道路驾驶场景对应的信息类型为行人信息类型、交通信号灯信息类型以及轨迹信息类型等。
或者，由于无人设备确定驾驶场景时可通过语义分割等方式，确定无人设备所处环境的场景信息，若场景信息中包含道路交叉口，可将该驾驶场景与交通信号灯信息类型对应，若场景信息中包含行人信息，可将该驾驶场景与行人信息类型对应，若场景信息中包含高架桥等信息，可将该驾驶场景与地图信息类型对应，若场景信息中包含天气变化信息，可将该驾驶场景与天气信息类型对应等。
综上，在本说明书中，可预先设置各驾驶场景与各信息类型之间的对应关系，基于当前的驾驶场景以及对应关系，在各信息类型中选择至少一个信息类型。
再来说根据预测时长选择至少一种信息类型。
无人设备在确定预测时长之后，可根据预测时长与选择的信息类型的数量的关系，在各信息类型中，选择至少一种信息类型。
具体的，预测时长与选择的信息类型的数量正相关。也即，预测时长越长，选择的信息类型的数量越多，预测时长越短，选择的信息类型的数量越少。同样地，无人设备也可根据预测频率选择至少一种信息类型，预测频率越高，选择的信息类型的数量越少，也即，预测频率与选择的信息类型的数量负相关。这是因为，规划无人设备的轨迹所需的障碍物的预测轨迹的预测时长越长，预测频率越低，说明所需障碍物的预测轨迹越精确，并且，预留出越长的时间用来预测障碍物的轨迹，因此，可获取越多的信息类型的信息用于预测障碍物的轨迹，既保障了障碍物轨迹预测的精确性，又充分利用了算力资源和预留出的时间。
通常情况下，预测时长的取值存在取值区间，当预测时长取最小值时，可选择一种信息类型，当预测时长取最大值时，可选择全部种类的信息类型。同样的，预测频率的取值也存在取值区间，当预测频率取最小值时，可选择全部种类的信息类型，当预测频率取最大值时，可选择一种信息类型。若预测时长取某个值，确定该取值对应的信息类型的数量后，选择该取值对应的信息类型的数量个信息类型的方式，在本说明书中并不作出限制。例如，预测时长取五秒，确定五秒对应的信息类型的数量为三个，选择三种信息类型的方式，在本说明书中可以在各信息类型中随机选择三种信息类型，也可对各信息类型进行排序，根据排序结果，由前向后的顺序依次选择三种信息类型等。
基于上述内容，本说明书还可同时根据驾驶场景以及预测时长、预测频率等，在各信息类型中，选择至少一种信息类型。
具体的，在确定当前驾驶场景以及预测时长、预测频率后，可根据预测时长对应的信息类型的数量以及驾驶场景对应的各信息类型，在当前驾驶场景对应的各信息类型中，选择预测时长对应的信息类型的数量的信息类型或者预测频率对应的信息类型的数量的信息类型。沿用上例，当前驾驶场景对应的信息类型为行人信息类型、交通信号灯信息类型以及轨迹信息类型等，预测时长对应的信息类型的数量为三个，则可在行人信息类型、交通信号灯信息类型以及轨迹信息类型等信息类型中，随机选择三种信息类型，或者对当前驾驶场景对应的各信息类型进行排序，根据排序结构选择三种信息类型。或者，当当前驾驶场景对应的各信息类型的数量少于预测时长对应的信息类型的数量，可选择当前驾驶场景对应的各信息类型，并在当前驾驶场景未对应的其他各信息类型中，随机选择若干个信息类型，以使选择的信息类型的数量与预测时长或预测频率对应的信息类型的数量对应。
在本说明书中，无人设备还可根据诸如环境感知模块等上游模块确定是否能够提供各种信息类型的信息，根据各信息类型的信息是否能够提供，选择至少一种信息类型。在上游模块能够提供信息的各信息类型中，选择至少一种信息类型。当然，若无人设备根据其他诸如驾驶场景、预测时长等选择了若干种信息类型，无人设备确定上游模块无法提供选择的信息类型中的一种或多种，则无人设备可再次选择其他信息类型，也可以不选择其他信息类型。
另外，除了根据驾驶场景、预测时长、预测频率等信息，在各信息类型中，选择至少一种信息类型之外，还可根据其他条件，选择信息类型。也即，在本说明书中，除了确定驾驶场景以及预测时长之外，还可存在其他情况来触发选择信息类型的动作。例如，可确定各障碍物的类型，其中，障碍物的类型可包括行人障碍物、大型车辆障碍物、小型车辆障碍物等，根据障碍物的类型选择信息类型等。因此，在本说明书中，在各信息类型中选择至少一种信息类型是必要的步骤，而在进行信息类型选择之前，可确定驾驶场景、预测时长、各障碍物的类型等，基于驾驶场景、预测时长、各障碍物的类型等信息来选择信息类型，也可以确定其他信息，基于其他信息来选择信息类型。
还需要说明的是，由于本说明书中选择至少一个信息类型，因此，还可将各信息类型进行分类，得到必选类的信息类型和可选类的信息类型。其中，依据实际情况，必选类的信息类型可包括轨迹信息类型，可选类的信息类型可包括除轨迹信息类型之外的其他信息类型。当然，按照其他规则，也可将其他任一信息类型作为必选类的信息类型，将轨迹信息类型作为可选类的信息类型。另外，本说明书对必选类中包含的信息类型的数量与可选类中包含的信息类型的数量不作限制。
S104：针对选择的每个信息类型，获取各障碍物的该信息类型的信息，并根据获取的各障碍物的该信息类型的信息，确定各障碍物对应于该信息类型的特征。
在选择信息类型后，首先可针对选择的每个信息类型，获取各障碍物的该信息类型的信息。然后根据获取的各障碍物的该类型的信息，确定各障碍物对应于该信息类型的特征。
当选择的信息类型为轨迹信息类型时，针对轨迹信息类型，无人设备可获取各障碍物在过去指定时长内的历史轨迹，针对过去指定时长内的任一时刻，根据各障碍物在该时刻的位置信息，确定各障碍物在该时刻的空间交互特征，空间交互特征表征各障碍物在该时刻的交互信息，根据各障碍物在过去指定时长内的各时刻的空间交互特征，确定各障碍物在当前时刻的时空交互特征，时空交互特征表征各障碍物在过去指定时长内的交互信息。
具体的，针对各障碍物，无人设备可获取该障碍物在过去N秒内的历史轨迹，针对过去N秒内的每个时刻，根据该障碍物在该时刻的位置信息，提取该障碍物的位置特征，根据各障碍物在该时刻的位置特征，对各障碍物在该时刻的位置特征进行池化计算，得到各障碍物在该时刻的空间交互特征，以此类推，得到过去N秒内每个时刻的空间交互特征。无人设备可将过去N秒内每个时刻的空间交互特征输入预先训练的机器学习模型，得到当前时刻的过去N秒内各障碍物的时空交互特征。
其中，机器学习模型可以是神经网络模型，尤其是诸如长短期记忆(Long Short-Term Memory，LSTM)模型、门控循环单元(gated recurrent unit，GRU)模型等循环神经网络(Recurrent Neural Network，RNN)模型。
当选择的信息类型为行人信息类型时，针对行人信息类型，无人设备可确定无人设备周围环境中的若干个行人类型的障碍物，获取各行人类型的障碍物的动作信息，针对每个行人类型的障碍物，根据该行人类型的障碍物的动作信息，确定该行人类型的障碍物的动作特征，根据各行人类型的障碍物的动作特征，确定各行人类型的障碍物的全局动作特征，全局动作特征用于表征各行人类型的障碍物的交互信息。
具体的，无人设备可通过语义分割、目标检测等方式确定周围环境中各障碍物的类型，从而确定行人类型的障碍物(也即，行人)。针对每个行人类型的障碍物，无人设备可获取该行人的动作信息。在本说明书中，无人设备可通过感知模块感知行人的动作信息，当然，也可以采用其他现有的方式获取行人的动作信息。根据该行人的动作信息，提取该行人的动作特征。根据每个行人的动作特征，可将各行人的动作特征通过池化计算等方式对各行人的动作特征进行融合，得到全局动作特征。
当选择的信息类型为地图信息类型时，针对每个障碍物，无人设备可根据该障碍物的位置信息，获取该障碍物周围指定范围内的地图信息，地图信息可包括车道线信息、道路行驶方向等信息，将地图信息输入卷积神经网络(Convolutional Neural Networks，CNN)模型中，通过CNN的卷积核对地图信息进行卷积，得到地图特征。由于各障碍物均为无人设备周围环境中的障碍物，因此各障碍物周围指定范围内的地图信息可以为同一个地图信息或者各障碍物周围指定范围内的地图信息可以拼接在一起成为一个完整的地图信息，可将各障碍物周围的地图信息输入CNN模型中，得到地图特征。
当选择的信息类型为交通信号灯信息类型时，针对每个障碍物，无人设备可根据该障碍物所在的位置，确定该障碍物周围环境中的交通信号灯，交通信号灯信息可包括交通信号灯的位置信息、当前信号灯的状态以及当前信号灯状态保持时间等信息，在提取交通信号灯特征时，可设置交通信号灯参数，根据获取的交通信号灯信息以及交通信号灯参数，确定该障碍物周围环境中的交通信号灯的特征，作为该障碍物对应的交通信号灯信息类型的信息的特征。参考上述关于地图信息类型的描述，各障碍物中可能存在一个或多个障碍物共同对应同一个交通信号灯的情况，可直接将该信号灯的信息的特征作为各障碍物对应于交通信号灯信息类型的特征。
当选择的信息类型为天气信息类型时，无人设备可获取各障碍物所在环境的天气信息，同样参考上述关于地图信息类型的描述，由于各障碍物对应于天气信息类型的信息为同一种天气信息，其中，天气信息可包括天气种类，例如雨、雾、雪、晴等，天气信息还可包括表征天气信息的程度，例如，小雪、大雪、暴雪等。无人设备可直接获取天气信息，在提取天气特征时，可设置天气参数，根据获取的天气信息以及天气参数，提取天气信息的特征作为各障碍物对应于天气信息类型的信息的特征。
当然，除了上述确定各信息类型的信息的特征的方式之外，在本说明书中，还可为每种信息类型设置特征提取模型，针对每种信息类型对应的特征提取模型，可将各障碍物对应于该种信息类型的信息输入特征提取模型，通过特征提取模型得到各障碍物对应于该种信息类型的信息的特征。其中，特征提取模型为机器学习模型，可包括LSTM、CNN等神经网络模型，也可以是其他诸如支持向量机(Support Vector Machine，SVM)模型等机器学习模型。
如上述内容所述，本说明书中可包括多种信息类型，上述提供的轨迹信息类型、行人信息类型等信息类型只是本说明书中的优选实施例，针对其他信息类型，也可将各障碍物对应于该种信息类型的信息输入特征提取模型，得到各障碍物对应于该种信息类型的信息的特征。S106：针对各障碍物，根据该障碍物的当前位置以及确定的各障碍物对应于选择的各信息类型的特征，确定该障碍物在所述预测时长内的预测轨迹。
在确定各障碍物对应于选择的各信息类型的特征之后，针对各障碍物，无人设备可根据该障碍物的信息以及各障碍物对应于选择的各信息类型的特征，确定该障碍物的预测轨迹。
首先，无人设备可根据确定的各障碍物对应于选择的各信息类型的特征，对各障碍物对应于选择的各信息类型的特征进行处理，得到指导特征。
具体的，无人设备可将各障碍物对应于选择的各信息类型的特征进行池化、连接等操作，得到指导特征，由于将选择的各信息类型的特征采用连接操作时得到的特征的维度发生了改变，因此，若采用连接操作，可将连接后得到的特征进行投影，以使连接后得到的特征的维度与连接前得到的特征的维度相同。
然后，针对各障碍物，无人设备可获取该障碍物的当前位置信息，根据该障碍物的当前位置以及所述指导特征，确定该障碍物在所述预测时长内的预测轨迹。
具体的，根据该障碍物的当前位置以及所述指导特征，确定该障碍物的个体特征，将所述个体特征、所述指导特征以及该障碍物的当前位置输入预先训练的预测模型，得到所述预测模型确定的该障碍物的预测轨迹。
例如，可基于该障碍物的当前位置，确定该障碍物的当前位置特征，将指导特征以及该障碍物的当前位置特征进行诸如求和、池化等处理，得到该障碍物的个体特征，该障碍物的个体特征表征了该障碍物运行的特性。在本说明书中，可将该障碍物的个体特征、指导特征以及该障碍物的当前位置输入预测模型，得到该障碍物在预测时长内的预测轨迹，其中，预测模型可以是诸如LSTM、GRU等模型。
另外，在本说明书中，还可将该障碍物的当前位置以及确定的各障碍物对应于选择的各信息类型的特征输入预先训练的机器学习模型，得到机器学习模型输出的该障碍物的预测轨迹。或者，在本说明书中，可将获取的该障碍物的当前位置以及各障碍物对应于选择的各信息类型的信息输入预先训练的机器学习模型，得到机器学习模型输出的该障碍物的预测轨迹。同样的，该机器学习模型可以为LSTM、GRU等模型。
以上是以无人设备预测障碍物的轨迹为例进行说明的，在本说明书中，服务器也可预测障碍物的轨迹。服务器可确定无人设备当前所在的驾驶场景，并确定规划无人设备的轨迹所需要的各障碍物的预测轨迹的预测时长。然后，服务器可根据预存的各驾驶场景与各信息类型之间的对应关系，和/或，根据预存的预测时长的取值与选择的信息类型的数量之间的相关关系，在各信息类型中选择至少一种信息类型。针对选择的每个信息类型，服务器可获取各障碍物的该信息类型的信息，根据获取的各障碍物的该信息类型的信息，确定各障碍物对应于该信息类型的特征，然后，对各障碍物对应于各信息类型的特征进行处理，得到指导特征。针对各障碍物，将该障碍物的当前位置以及指导特征等信息输入预测模型，得到预测模型输出的该障碍物在预测时长内的预测轨迹。其中，各步骤的详细描述可参考上述无人设备预测障碍物的轨迹的内容，此处不再一一赘述。
基于上述内容，本说明书还提供一种模型训练的方法，如图2所示，图2为本说明书实时例提供的一种模型训练的方法流程图，具体可包括以下步骤：
S200：针对各障碍物，获取该障碍物在历史上的指定时长内的轨迹，以及该障碍物在指定时长内对应于预设的各信息类型的信息。
S202：确定指定时刻，将获取的该障碍物在所述指定时刻之后的轨迹作为样本轨迹。
S204：针对每个训练过程，在该训练过程中，在各障碍物在所述指定时刻之前的轨迹以及各障碍物在指定时长内对应于各信息类型的信息中，选择至少一种信息，并将选择的信息输入待训练的预测模型，得到所述待训练的预测模型输出的待优化预测轨迹。
S206：根据所述样本轨迹以及每个训练过程中得到的待优化预测轨迹，对所述待训练的预测模型进行训练。
具体的，在本说明书中，无人设备可获取各障碍物在过去指定时间段内的轨迹以及各障碍物在过去指定时间段内的对应于预设的各信息类型的信息，例如，当前为t时刻，无人设备可获取t-n时刻到t-n+m时刻内的各障碍物的轨迹以及各障碍物的对应于各信息类型的信息，其中，过去指定时间段为t-n时刻到t-n+m时刻。另外，如上述内容所述，信息类型可包括轨迹信息类型、天气信息类型、地图信息类型、交通信号灯信息类型、行人信息类型等。当然，本说明书中还可包括其他信息类型，此处不再赘述。此外，无人设备针对不同的障碍物也可获取在过去不同时间段内的轨迹，在训练预测模型的过程中，每次输入模型的信息时，可将单个障碍物的历史轨迹以及该障碍物对应于选择的若干个信息类型的信息输入待训练的预测模型，以使待训练的预测模型得到该障碍物的预测轨迹。
在获取障碍物的历史轨迹以及障碍物对应于各信息类型的信息之后，可确定指定时刻，将获取的在指定时刻之前的信息作为待训练的预测模型的输入信息，将获取的在指定时刻之后的轨迹作为样本轨迹。沿用上例，在t-n时刻到t-n+m时刻中，选择时刻t-k作为指定时刻，则t-n时刻到t-k时刻内的障碍物的历史轨迹以及障碍物对应于各信息类型的信息可作为输入信息，t-k+1时刻到t-n+m时刻内障碍物的历史轨迹可作为样本轨迹。其中，在确定输入信息时，可在t-n时刻到t-k时刻内的障碍物的历史轨迹以及障碍物对应于各信息类型的信息中，选择至少一种信息作为输入信息，输入至待训练的预测模型。
在本说明书中，针对待训练的预测模型的每个训练过程，在该训练过程中，无人设备可在各信息中选择至少一种信息作为输入信息，可选择的信息包括各障碍物在指定时刻之前的轨迹、各障碍物在指定时刻之前对应于各信息类型的信息，其中，各训练过程中对输入信息的选择互不影响，每个训练过程中对选择输入信息的方式可包括随机选择、按照规则选择等，规则可包括预测时长与选择的信息类型的数量正相关、根据驾驶场景对应的各信息类型等，具体内容可参考上述内容。或者，当前训练过程选择的信息为上一训练过程中未选择的信息类型的信息。例如，在上一训练过程中，选择的输入信息为各障碍物的历史轨迹、该障碍物对应于天气信息类型的信息等，在该训练过程中，选择的输入信息可以为各障碍物的历史轨迹与该障碍物对应于天气信息类型的信息，也可以为各障碍物的历史轨迹与该障碍物对应于交通信号灯信息类型的信息等。
在选择出输入信息之后，可将选择的输入信息输入待训练的预测模型，得到待训练的预测模型输出的待优化预测轨迹。其中，待优化预测轨迹为待训练的预测模型基于选择的输入信息预测的。
为了使待训练的预测模型得到较准确的待优化预测轨迹，可根据样本轨迹以及待优化预测轨迹，确定损失，以损失最小化对待训练的预测模型进行训练。其中，可确定样本轨迹与待优化预测轨迹的差异作为损失，例如，确定样本轨迹与待优化预测轨迹的交叉熵等。然后，可根据梯度下降等方式，优化待训练的预测模型的参数，当经过预设的训练次数或者损失的值小于预设的损失阈值后，无人设备可完成对预测模型的训练。
以上是以无人设备训练预测模型为例对模型训练的内容进行描述，在本说明书中，服务器也可训练预测模型，参考无人设备训练预测模型的内容，本说明书不再一一赘述。
本说明书提供的上述预测障碍物轨迹的方法，具体可应用于使用无人设备进行配送的领域，例如，使用无人设备进行快递、外卖等配送的场景。具体的，在上述的场景中，可使用多个无人设备所构成的无人驾驶车队进行配送。
基于图1所示的预测障碍物轨迹的方法，本说明书实施例还对应提供一种预测障碍物轨迹的装置的结构示意图，如图3所示。
图3为本说明书实施例提供的一种预测障碍物轨迹的装置的结构示意图，所述装置包括：
确定时长模块301，用于确定无人设备当前所在的驾驶场景，并且，确定规划所述无人设备的轨迹时所需的各障碍物的预测轨迹的预测时长；
选择模块302，用于根据所述驾驶场景和/或所述预测时长，在预设的若干种信息类型中，选择至少一种信息类型；
确定特征模块303，用于针对选择的每个信息类型，获取各障碍物的该信息类型的信息，并根据获取的各障碍物的该信息类型的信息，确定各障碍物对应于该信息类型的特征；
预测模块304，用于针对各障碍物，根据该障碍物的当前位置以及确定的各障碍物对应于选择的各信息类型的特征，确定该障碍物在所述预测时长内的预测轨迹。
本说明书提供一种预测障碍物的轨迹的方法，考虑到无人设备规划自身轨迹时对周围环境中各障碍物的预测轨迹的需求以及无人设备运行时所在的驾驶场景等因素，在各信息类型中，选择信息类型，基于选择的信息类型获取信息，并根据获取的信息预测障碍物的轨迹。不仅保障了无人设备运行时对障碍物预测轨迹实时性的需求，而且在此基础上充分利用算力资源以得到精确的障碍物的预测轨迹。
可选地，所述选择模块302具体用于，获取预先确定的各驾驶场景与各信息类型之间的对应关系；根据所述对应关系以及所述驾驶场景，在各信息类型中，选择至少一种信息类型。
可选地，所述预测时长与选择的信息类型的数量正相关。
可选地，选择的信息类型包括轨迹信息类型；
所述确定特征模块303具体用于，获取各障碍物在过去指定时长内的历史轨迹；针对过去指定时长内的任一时刻，根据各障碍物在该时刻的位置信息，确定各障碍物在该时刻的空间交互特征，所述空间交互特征表征各障碍物在该时刻的交互信息；根据各障碍物在过去指定时长内的各时刻的空间交互特征，确定各障碍物在当前时刻的时空交互特征，所述时空交互特征表征各障碍物在过去指定时长内的交互信息。
可选地，选择的信息类型包括行人信息类型；
所述确定特征模块303具体用于，确定所述无人设备周围环境中的若干个行人类型的障碍物；获取各行人类型的障碍物的动作信息；针对每个行人类型的障碍物，根据该行人类型的障碍物的动作信息，确定该行人类型的障碍物的动作特征；根据各行人类型的障碍物的动作特征，确定各行人类型的障碍物的全局动作特征，所述全局动作特征用于表征各行人类型的障碍物的交互信息。
可选地，所述预测模块204具体用于，根据确定的各障碍物对应于选择的各信息类型的特征，对各障碍物对应于选择的各信息类型的特征进行处理，得到指导特征；根据该障碍物的当前位置以及所述指导特征，确定该障碍物在所述预测时长内的预测轨迹。
可选地，所述预测模块304具体用于，根据该障碍物的当前位置以及所述指导特征，确定该障碍物的个体特征；将所述个体特征、所述指导特征以及该障碍物的当前位置输入预先训练的预测模型，得到所述预测模型确定的该障碍物的预测轨迹。
基于图2所示的模型训练的方法，本说明书实施例还对应提供一种模型训练的装置的结构示意图，如图4所示。
图4为本说明书实施例提供的一种模型训练的装置的结构示意图，所述装置包括：
获取模块401，用于针对各障碍物，获取该障碍物在历史上的指定时长内的轨迹，以及该障碍物在指定时长内对应于预设的各信息类型的信息；
确定时刻模块402，用于确定指定时刻，将获取的该障碍物在所述指定时刻之后的轨迹作为样本轨迹；
输入模块403，用于针对每个训练过程，在该训练过程中，在各障碍物在所述指定时刻之前的轨迹以及各障碍物在指定时长内对应于各信息类型的信息中，选择至少一种信息，并将选择的信息输入待训练的预测模型，得到所述待训练的预测模型输出的待优化预测轨迹；
训练模块404，用于根据所述样本轨迹以及每个训练过程中得到的待优化预测轨迹，对所述待训练的预测模型进行训练。
本说明书实施例还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述内容提供的预测障碍物轨迹以及模型训练的方法。
基于上述内容提供的预测障碍物轨迹以及模型训练的方法，本说明书实施例还提出了图5所示的电子设备的示意结构图。如图5，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述内容提供的预测障碍物轨迹以及模型训练的方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本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 (9)

1.一种模型训练的方法，其特征在于，所述方法包括：
针对各障碍物，获取该障碍物在历史上的指定时长内的轨迹，以及该障碍物在指定时长内对应于预设的各信息类型的信息；
确定指定时刻，将获取的该障碍物在所述指定时刻之后的轨迹作为样本轨迹；
针对每个训练过程，在该训练过程中，在各障碍物在所述指定时刻之前的轨迹以及各障碍物在指定时长内对应于各信息类型的信息中，选择至少一种信息，并将选择的信息输入待训练的预测模型，得到所述待训练的预测模型输出的待优化预测轨迹；
根据所述样本轨迹以及所述待优化预测轨迹，对所述待训练的预测模型进行训练；其中，在各障碍物在所述指定时刻之前的轨迹以及各障碍物在指定时长内对应于各信息类型的信息中，选择至少一种信息，具体包括：
确定该障碍物在所述指定时刻的驾驶场景，并且，确定该障碍物的待优化预测轨迹的预测时长；
根据该障碍物在所述指定时刻的驾驶场景和/或所述待优化预测轨迹的预测时长，在各障碍物在所述指定时刻之前的轨迹以及各障碍物在指定时长内对应于各信息类型的信息中，选择至少一种信息。
2.如权利要求1所述的方法，其特征在于，根据该障碍物在所述指定时刻的驾驶场景，在各障碍物在所述指定时刻之前的轨迹以及各障碍物在指定时长内对应于各信息类型的信息中，选择至少一种信息，具体包括：
获取预先确定的各驾驶场景与各信息类型之间的对应关系；
根据所述对应关系以及该障碍物在所述指定时刻的驾驶场景，在各信息类型中，确定至少一种信息类型；
根据确定的信息类型，在各障碍物在所述指定时刻之前的轨迹以及各障碍物在指定时长内对应于各信息类型的信息中，选择至少一种信息。
3.如权利要求1所述的方法，其特征在于，所述待优化预测轨迹的预测时长与选择的信息类型的数量正相关。
4.如权利要求1所述的方法，其特征在于，将选择的信息输入待训练的预测模型，得到所述待训练的预测模型输出的待优化预测轨迹，具体包括：
将选择的信息输入所述待训练的预测模型，通过所述待训练的预测模型，确定各障碍物对应于选择的信息的特征；
根据各障碍物对应于选择的信息的特征，通过所述待训练的预测模型，对各障碍物对应于选择的各信息类型的特征进行处理，得到指导特征；
针对各障碍物，获取该障碍物的当前位置信息，将该障碍物的当前位置信息输入所述待训练的预测模型，得到所述待训练的预测模型确定的该障碍物的待优化预测轨迹。
5.如权利要求1所述的方法，其特征在于，根据所述样本轨迹以及所述待优化预测轨迹，对所述待训练的预测模型进行训练，具体包括：
根据所述样本轨迹以及所述待优化预测轨迹，确定损失；
以损失最小化为训练目标，优化所述待训练的预测模型的参数，对所述待训练的预测模型进行训练。
6.一种预测障碍物轨迹的方法，其特征在于，所述方法包括：
确定无人设备当前所在的驾驶场景，并且，确定规划所述无人设备的轨迹时所需的各障碍物的预测轨迹的预测时长；
根据所述驾驶场景和/或所述预测时长，在预设的若干种信息类型中，选择至少一种信息类型；
针对选择的每个信息类型，获取各障碍物的该信息类型的信息；
针对各障碍物，将选择的信息输入预先训练的预测模型，得到所述预测模型输出的预测轨迹，其中，所述预测模型通过权利要求1-5任一所述的方法进行预先训练。
7.一种预测障碍物轨迹的装置，其特征在于，所述装置包括：
确定时长模块，用于确定无人设备当前所在的驾驶场景，并且，确定规划所述无人设备的轨迹时所需的各障碍物的预测轨迹的预测时长；
选择模块，用于根据所述驾驶场景和/或所述预测时长，在预设的若干种信息类型中，选择至少一种信息类型；
确定特征模块，用于针对选择的每个信息类型，获取各障碍物的该信息类型的信息；
预测模块，用于针对各障碍物，将选择的信息输入预先训练的预测模型，得到所述预测模型输出的预测轨迹，其中，所述预测模型通过权利要求1-5任一所述的方法进行预先训练。
8.一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1-5或6任一所述的方法。
9.一种电子设备，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，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1-5或6任一所述的方法。
CN202011454164.3A 2020-10-13 2020-10-13 一种预测障碍物轨迹以及模型训练的方法及装置 Active CN112629550B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011454164.3A CN112629550B (zh) 2020-10-13 2020-10-13 一种预测障碍物轨迹以及模型训练的方法及装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202011454164.3A CN112629550B (zh) 2020-10-13 2020-10-13 一种预测障碍物轨迹以及模型训练的方法及装置
CN202011087583.8A CN111912423B (zh) 2020-10-13 2020-10-13 一种预测障碍物轨迹以及模型训练的方法及装置

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN202011087583.8A Division CN111912423B (zh) 2020-10-13 2020-10-13 一种预测障碍物轨迹以及模型训练的方法及装置

Publications (2)

Publication Number Publication Date
CN112629550A CN112629550A (zh) 2021-04-09
CN112629550B true CN112629550B (zh) 2024-03-01

Family

ID=73265217

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202011454164.3A Active CN112629550B (zh) 2020-10-13 2020-10-13 一种预测障碍物轨迹以及模型训练的方法及装置
CN202011087583.8A Active CN111912423B (zh) 2020-10-13 2020-10-13 一种预测障碍物轨迹以及模型训练的方法及装置

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202011087583.8A Active CN111912423B (zh) 2020-10-13 2020-10-13 一种预测障碍物轨迹以及模型训练的方法及装置

Country Status (1)

Country Link
CN (2) CN112629550B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112270306B (zh) * 2020-11-17 2022-09-30 中国人民解放军军事科学院国防科技创新研究院 一种基于拓扑路网的无人车轨迹预测与导航方法
CN113325855B (zh) * 2021-08-02 2021-11-30 北京三快在线科技有限公司 基于迁移场景用于预测障碍物轨迹的模型训练方法
CN113753077A (zh) * 2021-08-17 2021-12-07 北京百度网讯科技有限公司 预测障碍物的运动轨迹的方法、装置及自动驾驶车辆

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110989636A (zh) * 2020-02-26 2020-04-10 北京三快在线科技有限公司 一种障碍物的轨迹预测方法及装置
CN111079721A (zh) * 2020-03-23 2020-04-28 北京三快在线科技有限公司 一种障碍物的轨迹预测方法及装置
CN111126362A (zh) * 2020-03-26 2020-05-08 北京三快在线科技有限公司 一种预测障碍物轨迹的方法及装置
CN111114543A (zh) * 2020-03-26 2020-05-08 北京三快在线科技有限公司 一种轨迹预测方法及装置
CN111238523A (zh) * 2020-04-23 2020-06-05 北京三快在线科技有限公司 一种运动轨迹的预测方法及装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239556B (zh) * 2014-09-25 2017-07-28 西安理工大学 基于密度聚类的自适应轨迹预测方法
US10019006B2 (en) * 2015-04-08 2018-07-10 University Of Maryland, College Park Surface vehicle trajectory planning systems, devices, and methods
US10551842B2 (en) * 2017-06-19 2020-02-04 Hitachi, Ltd. Real-time vehicle state trajectory prediction for vehicle energy management and autonomous drive
CN107426703B (zh) * 2017-08-24 2020-04-03 北京邮电大学 一种在室外人流密集场所基于模糊聚类的移动性预测方法
JP2019124982A (ja) * 2018-01-11 2019-07-25 愛知機械テクノシステム株式会社 無人搬送車
CN108564118B (zh) * 2018-03-30 2021-05-11 陕西师范大学 基于社会亲和力长短期记忆网络模型的拥挤场景行人轨迹预测方法
US10780897B2 (en) * 2019-01-31 2020-09-22 StradVision, Inc. Method and device for signaling present driving intention of autonomous vehicle to humans by using various V2X-enabled application
CN111731283B (zh) * 2020-05-26 2022-05-24 北京百度网讯科技有限公司 自动驾驶车辆碰撞风险识别方法、装置以及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110989636A (zh) * 2020-02-26 2020-04-10 北京三快在线科技有限公司 一种障碍物的轨迹预测方法及装置
CN111079721A (zh) * 2020-03-23 2020-04-28 北京三快在线科技有限公司 一种障碍物的轨迹预测方法及装置
CN111126362A (zh) * 2020-03-26 2020-05-08 北京三快在线科技有限公司 一种预测障碍物轨迹的方法及装置
CN111114543A (zh) * 2020-03-26 2020-05-08 北京三快在线科技有限公司 一种轨迹预测方法及装置
CN111238523A (zh) * 2020-04-23 2020-06-05 北京三快在线科技有限公司 一种运动轨迹的预测方法及装置

Also Published As

Publication number Publication date
CN111912423B (zh) 2021-02-02
CN112629550A (zh) 2021-04-09
CN111912423A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
CN112629550B (zh) 一种预测障碍物轨迹以及模型训练的方法及装置
CN111190427B (zh) 一种轨迹规划的方法及装置
EP4131062A1 (en) Trajectory prediction method and apparatus for obstacle
CN111208838B (zh) 一种无人驾驶设备的控制方法及装置
CN110262486B (zh) 一种无人驾驶设备运动控制方法及装置
CN112766468B (zh) 一种轨迹预测方法、装置、存储介质及电子设备
CN111114543B (zh) 一种轨迹预测方法及装置
CN112306059B (zh) 一种控制模型的训练方法、控制方法以及装置
CN111238523B (zh) 一种运动轨迹的预测方法及装置
CN113296541B (zh) 一种基于未来碰撞风险的无人设备控制方法及装置
CN111062372B (zh) 一种预测障碍物轨迹的方法及装置
CN112677993A (zh) 一种模型训练的方法及装置
CN111076739A (zh) 一种路径规划的方法及装置
CN110942181A (zh) 一种障碍物轨迹预测的方法及装置
CN111126362A (zh) 一种预测障碍物轨迹的方法及装置
CN112327864A (zh) 一种无人驾驶设备的控制方法及控制装置
CN113968243B (zh) 一种障碍物轨迹预测方法、装置、设备及存储介质
CN112883871B (zh) 一种模型训练以及确定无人车运动策略方法及装置
CN111123957B (zh) 一种轨迹规划的方法及装置
CN114153207B (zh) 一种无人驾驶设备的控制方法及控制装置
CN113848913B (zh) 一种无人驾驶设备的控制方法及控制装置
CN113325855B (zh) 基于迁移场景用于预测障碍物轨迹的模型训练方法
CN116300842A (zh) 一种无人设备控制方法、装置、存储介质及电子设备
CN114194213A (zh) 一种目标物轨迹预测方法、装置、存储介质及电子设备
CN114280960A (zh) 一种自动驾驶仿真方法、装置、存储介质及电子设备

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
GR01 Patent grant
GR01 Patent grant