CN112677993A - 一种模型训练的方法及装置 - Google Patents
一种模型训练的方法及装置 Download PDFInfo
- Publication number
- CN112677993A CN112677993A CN202110007853.8A CN202110007853A CN112677993A CN 112677993 A CN112677993 A CN 112677993A CN 202110007853 A CN202110007853 A CN 202110007853A CN 112677993 A CN112677993 A CN 112677993A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- historical
- obstacles
- feature
- moment
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种模型训练的方法及装置，获取指定设备在第一历史时刻对应的传感数据以及地图数据，并输入到待训练预测模型包含的编码层中，确定该障碍物在第一历史时刻对应的障碍物特征，作为基础障碍物特征。其次，将基础障碍物特征与从各历史障碍物确定出与该障碍物相匹配的历史障碍物的历史障碍物特征进行特征融合，将融合后障碍物特征输入到预测模型的解码层中，以预测该障碍物在第二历史时刻的预测轨迹，并以最小化预测轨迹与该障碍物在第二历史时刻的实际行驶轨迹之间的偏差为优化目标，对预测模型进行训练。本方法能够避免运动轨迹的跟踪出现错误，并提高预测出的预测轨迹的准确性，进而使无人驾驶设备规划的运动轨迹更加安全、合理。
Description
技术领域
本说明书涉及无人驾驶领域，尤其涉及一种模型训练的方法及装置。
背景技术
在无人驾驶领域中，无人驾驶设备需要根据附近的道路参与者的位置和运动对该道路参与者接下来的运动轨迹进行预测，无人驾驶设备基于此结果对自身的运动轨迹进行规划。无人驾驶设备对附近的道路参与者的感知、跟踪和预测的运动轨迹越精确合理，无人驾驶设备所规划出的运动轨迹就越可靠安全，在现有技术中，无人驾驶设备在面对复杂的交通状况时，对多个道路参与者的运动轨迹跟踪可能出现错误，例如当多个道路参与者的运动轨迹出现交叉时，可能会导致预测出的运动轨迹与实际不符，从而导致无人驾驶设备规划的运动轨迹出现错误。
因此，如何能够有效地提高预测模型预测道路参与者的运动轨迹的准确性，则是一个亟待解决的问题。
发明内容
本说明书提供一种模型训练的方法及装置，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种模型训练的方法，包括：
获取指定设备在第一历史时刻对应的传感数据以及地图数据；
将所述传感数据以及地图数据输入到待训练预测模型包含的编码层中，以针对所述第一历史时刻位于所述指定设备周围的每个障碍物，确定该障碍物在所述第一历史时刻对应的障碍物特征，作为基础障碍物特征；
根据所述基础障碍物特征，从各历史障碍物确定出与该障碍物相匹配的历史障碍物，作为历史目标障碍物；
根据缓存的所述历史目标障碍物在所述第一历史时刻之前的历史障碍物特征，对所述基础障碍物特征进行特征融合，得到该障碍物在所述第一历史时刻对应的融合后障碍物特征；
将所述融合后障碍物特征输入到所述预测模型的解码层中，以预测该障碍物在第二历史时刻的预测轨迹，并以最小化所述预测轨迹与该障碍物在所述第二历史时刻的实际行驶轨迹之间的偏差为优化目标，对所述预测模型进行训练，所述第二历史时刻为所述第一历史时刻的下一时刻。
可选地，将所述融合后障碍物特征输入到所述预测模型的解码层中之前，所述方法还包括：
若确定所述各历史障碍物不存在与该障碍物相匹配的历史目标障碍物，将该障碍物作为在所述第一历史时刻的新增障碍物；
将所述融合后障碍物特征输入到所述预测模型的解码层中，以预测该障碍物在第二历史时刻的预测轨迹，具体包括：
将所述新增障碍物在所述第一历史时刻对应的基础障碍物特征输入到所述预测模型的解码层中，以得到针对所述新增障碍物在所述第二历史时刻的至少一条候选轨迹；
从所述至少一条候选轨迹中选取所述新增障碍物在所述第二历史时刻的预测轨迹。
可选地，将所述传感数据以及地图数据输入到待训练预测模型包含的编码层中，以针对所述第一历史时刻位于所述指定设备周围的每个障碍物，确定该障碍物在所述第一历史时刻对应的障碍物特征，作为基础障碍物特征，具体包括：
将所述传感数据以及地图数据输入到待训练预测模型包含的特征提取层中，以得到所述指定设备在所述第一历史时刻下的全局特征；
将所述指定设备在所述第一历史时刻下的全局特征输入到所述预测模型包含的编码层中，以针对所述第一历史时刻位于所述指定设备周围的每个障碍物，确定该障碍物在所述第一历史时刻对应的障碍物特征，作为基础障碍物特征。
可选地，根据所述基础障碍物特征，从各历史障碍物确定出与该障碍物相匹配的历史障碍物，作为历史目标障碍物，具体包括：
将所述基础障碍物特征，与缓存的各历史障碍物在所述第一历史时刻之前的历史障碍物特征进行匹配，以从所述各历史障碍物中确定与该障碍物相匹配的历史障碍物，作为历史目标障碍物。
本说明书提供了一种轨迹预测的方法，包括：
获取无人驾驶设备在当前时刻对应的传感数据以及地图数据；
将所述传感数据以及地图数据输入到预设的预测模型包含的编码层中，以针对所述当前时刻位于所述无人驾驶设备周围的每个障碍物，确定该障碍物在所述当前时刻对应的障碍物特征，作为基础障碍物特征，所述预测模型是通过上述模型训练的方法进行训练得到的；
根据所述基础障碍物特征，从各历史障碍物确定出与该障碍物相匹配的历史障碍物，作为目标障碍物；
根据缓存的所述目标障碍物的历史障碍物特征，对所述基础障碍物特征进行特征融合，得到该障碍物在所述当前时刻对应的融合后障碍物特征；
将所述融合后障碍物特征输入到所述预测模型的解码层中，以预测该障碍物在下一时刻的行驶轨迹。
可选地，将所述传感数据以及地图数据输入到预设的预测模型包含的编码层中，以针对所述当前时刻位于所述无人驾驶设备周围的每个障碍物，确定该障碍物在所述当前时刻对应的障碍物特征，作为基础障碍物特征，具体包括：
根据所述传感数据以及地图数据输入到所述预测模型包含的特征提取层中，以得到所述无人驾驶设备在所述当前时刻下的全局特征；
将所述全局特征输入到所述预测模型包含的编码层中，以针对所述当前时刻位于所述无人驾驶设备周围的每个障碍物，确定该障碍物在所述当前时刻对应的障碍物特征，作为基础障碍物特征。
可选地，根据所述基础障碍物特征，从各历史障碍物确定出与该障碍物相匹配的历史障碍物，作为目标障碍物，具体包括：
将所述基础障碍物特征，与缓存的各历史障碍物的历史障碍物特征进行匹配，以从所述各历史障碍物中确定与该障碍物相匹配的历史障碍物，作为目标障碍物。
可选地，所述方法还包括：
若确定所述各历史障碍物不存在与该障碍物相匹配的目标障碍物，将该障碍物在所述当前时刻对应的障碍物特征，作为该障碍物在所述当前时刻对应的融合后障碍物特征。
可选地，所述方法还包括：
针对所述各历史障碍物中的每个历史障碍物，若确定所述当前时刻位于所述无人驾驶设备周围的每个障碍物中不存在与该历史障碍物相匹配的障碍物，将缓存的该障碍物对应的历史障碍物特征进行删除。
本说明书提供了一种模型训练的装置，包括：
获取模块，用于获取指定设备在第一历史时刻对应的传感数据以及地图数据；
确定模块，用于将所述传感数据以及地图数据输入到待训练预测模型包含的编码层中，以针对所述第一历史时刻位于所述指定设备周围的每个障碍物，确定该障碍物在所述第一历史时刻对应的障碍物特征，作为基础障碍物特征；
匹配模块，用于根据所述基础障碍物特征，从各历史障碍物确定出与该障碍物相匹配的历史障碍物，作为历史目标障碍物；
融合模块，用于根据缓存的所述历史目标障碍物在所述第一历史时刻之前的历史障碍物特征，对所述基础障碍物特征进行特征融合，得到该障碍物在所述第一历史时刻对应的融合后障碍物特征；
训练模块，用于将所述融合后障碍物特征输入到所述预测模型的解码层中，以预测该障碍物在第二历史时刻的预测轨迹，并以最小化所述预测轨迹与该障碍物在所述第二历史时刻的实际行驶轨迹之间的偏差为优化目标，对所述预测模型进行训练，所述第二历史时刻为所述第一历史时刻的下一时刻。
本说明书提供了一种轨迹预测的装置，包括：
获取模块，用于获取无人驾驶设备在当前时刻对应的传感数据以及地图数据；
确定模块，用于将所述传感数据以及地图数据输入到预设的预测模型包含的编码层中，以针对所述当前时刻位于所述无人驾驶设备周围的每个障碍物，确定该障碍物在所述当前时刻对应的障碍物特征，作为基础障碍物特征，所述预测模型是通过上述模型训练的方法进行训练得到的；
匹配模块，用于根据所述基础障碍物特征，从各历史障碍物确定出与该障碍物相匹配的历史障碍物，作为目标障碍物；
融合模块，用于根据缓存的所述目标障碍物的历史障碍物特征，对所述基础障碍物特征进行特征融合，得到该障碍物在所述当前时刻对应的融合后障碍物特征；
预测模块，用于将所述融合后障碍物特征输入到所述预测模型的解码层中，以预测该障碍物在下一时刻的行驶轨迹。
本说明书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实现上述模型训练的方法和轨迹预测的方法。
本说明书提供了一种电子设备，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模型训练的方法和轨迹预测的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
在本说明书提供的模型训练的方法中，获取指定设备在第一历史时刻对应的传感数据以及地图数据，并将所述传感数据以及地图数据输入到待训练预测模型包含的编码层中，以针对所述第一历史时刻位于所述指定设备周围的每个障碍物，确定该障碍物在所述第一历史时刻对应的障碍物特征，作为基础障碍物特征。其次，根据所述基础障碍物特征，从各历史障碍物确定出与该障碍物相匹配的历史障碍物，作为历史目标障碍物。而后，根据缓存的所述历史目标障碍物在所述第一历史时刻之前的历史障碍物特征，对所述基础障碍物特征进行特征融合，得到该障碍物在所述第一历史时刻对应的融合后障碍物特征。最后，将所述融合后障碍物特征输入到所述预测模型的解码层中，以预测该障碍物在第二历史时刻的预测轨迹，并以最小化所述预测轨迹与该障碍物在所述第二历史时刻的实际行驶轨迹之间的偏差为优化目标，对所述预测模型进行训练。
从上述方法中可以看出，本方法能够将同一障碍物的基础障碍物特征和历史障碍物特征进行特征融合，融合后障碍物特征不但具有当前时刻障碍物的障碍物特征，还具有历史障碍物的历史障碍物特征。因此，根据融合后障碍物特征，预测出的该障碍物下一时刻的预测轨迹，相比于现有技术来说，提高了预测模型预测出的预测轨迹的准确性，进而使无人驾驶设备基于预测轨迹规划的运动轨迹更加安全、合理。
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为本说明书中一种模型训练的方法的流程示意图；
图2为本说明书中一种轨迹预测的方法的流程示意图；
图3为本说明书中一种模型训练的装置的结构示意图；
图4为本说明书中一种轨迹预测的装置的结构示意图；
图5为本说明书提供的对应于图1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。
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。
在现有技术中，服务器可以通过预测模型，预测道路参与者的运动轨迹，该预测模型在多个道路参与者的运动轨迹出现交叉时，可能会将道路参与者与道路参与者对应的运动轨迹匹配错误，导致预测出的运动轨迹与实际不符，预测出的结果准确性较低。
为了解决以上问题，本说明书提供了一种模型训练的方法，服务器获取指定设备在第一历史时刻对应的传感数据以及地图数据，通过待训练预测模型，针对第一历史时刻位于指定设备周围的每个障碍物，确定该障碍物在第一历史时刻对应的障碍物特征，作为基础障碍物特征，根据基础障碍物特征，从各历史障碍物确定出与该障碍物相匹配的历史障碍物，作为历史目标障碍物，并将同一障碍物对应的基础障碍物特征和历史障碍物特征进行特征融合，确定出该障碍物对应的融合后障碍物特征，根据融合后障碍物特征，预测该障碍物在下一时刻的预测轨迹。本方法可以从各历史障碍物确定出与该障碍物相匹配的历史障碍物，作为历史目标障碍物，避免在多个道路参与者的运动轨迹出现交叉时，运动轨迹的跟踪出现错误，并且，将同一障碍物的基础障碍物特征和历史障碍物特征进行特征融合，提高了预测模型预测出的预测轨迹的准确性，进而使无人驾驶设备基于预测轨迹规划的运动轨迹更加安全、合理。
图1为本说明书中一种模型训练的方法的流程示意图，具体包括以下步骤：
S100：获取指定设备在第一历史时刻对应的传感数据以及地图数据。
在本说明书实施例中，指定设备在运动过程中，可以采集指定设备周围的障碍物在第一历史时刻对应的传感数据以及地图数据，其中，这里提到的指定设备是指在模型训练过程中进行数据采集的设备，如人为驾驶的汽车、有人操控的机器人等设备。这里提到的传感数据可以是通过车辆上设置的诸如摄像机、激光雷达等传感器获取到的传感数据，而不同类型的传感器所对应的地图数据的形式也有所不同。例如，若是传感数据为激光雷达获取到的点云数据，则这里提到的地图数据可以是指俯视视角的高精度地图，其中，指定设备还包含有定位功能，随着指定设备的移动，实时更新地图数据。这里提到的第一历史时刻可以是预先设定的历史时刻。
对模型训练的方法的执行主体可以是服务器，也可以是诸如台式电脑等电子设备，为了便于描述，下面仅以服务器为执行主体，对本说明书提供的模型训练的方法进行说明。
本说明书中训练后的预测模型可以部署到无人驾驶设备中进行轨迹预测，其中，无人驾驶设备可以是指无人车、机器人、自动配送设备等能够实现自动驾驶的设备。基于此，应用本说明书提供的模型训练的方法以及轨迹预测的方法的无人驾驶设备可以用于执行配送领域的配送任务，如，使用无人驾驶设备进行快递、物流、外卖等配送的业务场景。
服务器可以获取指定设备周围在第一历史时刻对应的传感数据以及地图数据。也就是说，指定设备主要负责模型训练的前期数据采集。其中，获取到的传感数据可以包括：指定设备周围的障碍物的位置数据、指定设备周围的障碍物的速度数据、指定设备周围的障碍物的转向角数据、指定设备周围的障碍物的形态数据等，因此，指定设备可以针对周围每一个障碍物，采集并获取这些障碍物的传感数据。
S102：将所述传感数据以及地图数据输入到待训练预测模型包含的编码层中，以针对所述第一历史时刻位于所述指定设备周围的每个障碍物，确定该障碍物在所述第一历史时刻对应的障碍物特征，作为基础障碍物特征。
在本说明书实施例中，传感数据以及地图数据包含有指定设备周围的所有障碍物的数据，将传感数据以及地图数据输入到待训练预测模型包含的编码层中，得到在第一历史时刻位于指定设备周围的每个障碍物对应的障碍物特征，作为基础障碍物特征。该基础障碍物特征可以包括障碍物的运动特征以及障碍物的位置特征，障碍物的运动特征可以是指用于表征障碍物的形态特征、障碍物与其他障碍物的方位以及距离的特征向量，障碍物的位置特征可以是指用于表征障碍物在地图数据中对应的位置的特征向量。
其中，服务器在将传感数据以及地图数据输入到待训练预测模型之前，还可以将传感数据以及地图数据输入到待训练预测模型包含的特征提取层中，以得到指定设备在第一历史时刻下的全局特征。这里的全局特征包含了在第一历史时刻下指定设备周围的所有障碍物的障碍物特征。例如，可以将点云数据(传感数据)与以指定设备的位置为地图定位中心的俯视视角的高精度地图(地图数据)输入到待训练预测模型包含的特征提取层中，得到指定设备在第一历史时刻下的鸟瞰视角的特征图(全局特征)。
服务器可以将指定设备在第一历史时刻下的全局特征输入到预测模型包含的编码层中，以针对第一历史时刻位于指定设备周围的每个障碍物，确定该障碍物在第一历史时刻对应的障碍物特征，这里的全局特征中还可以包含有所有障碍物对应的运动特征以及位置特征。例如，服务器可以将鸟瞰视角的特征图(全局特征)输入到预测模型包含的编码层中，得到在第一历史时刻位于指定设备周围的每个障碍物对应的障碍物的运动特征以及位置特征(障碍物特征)，作为基础障碍物特征。
需要说明的是，上述提到的预测模型确定障碍物的基础障碍物特征的实际形式可以有多种。例如，服务器中包含有多个编码层，服务器需要先通过该预测模型中包含的卷积神经网络(Convolutional Neural Networks,CNN)，将该传感数据以及地图数据转换成该传感数据以及地图数据对应的特征向量，再将该传感数据以及地图数据对应的特征向量输入到每个编码层中，得到每个障碍物对应的障碍物特征。编码层可以使用自注意力机制(Self-attention Mechanism)、多头注意力机制(Multi-head attention)等，预测模型可以是常规模型，例如，Transformer模型、循环神经网络(Recurrent Neural Network,RNN)等，在此不对预测模型进行限定。
S104：根据所述基础障碍物特征，从各历史障碍物确定出与该障碍物相匹配的历史障碍物，作为历史目标障碍物。
S106：根据缓存的所述历史目标障碍物在所述第一历史时刻之前的历史障碍物特征，对所述基础障碍物特征进行特征融合，得到该障碍物在所述第一历史时刻对应的融合后障碍物特征。
在本说明书实施例中，服务器可以通过多种方式确定与该障碍物相匹配的历史目标障碍物。例如，确定一条历史障碍物对应的历史轨迹，将与该历史轨迹距离最近的障碍物作为与历史障碍物相匹配的障碍物；再例如，服务器可以基于上述基础障碍物特征，预测出该障碍物对应的历史预测轨迹，进而将与该障碍物对应的历史预测轨迹最接近的历史轨迹对应的历史障碍物，作为与该障碍物相匹配的历史障碍物。
在本说明书实施例中，服务器也可以将指定设备周围的障碍物在第一历史时刻对应的基础障碍物特征，与缓存的各历史障碍物在第一历史时刻之前的历史障碍物特征进行匹配，其中，各历史障碍物在第一历史时刻之前的历史障碍物特征可以缓存在特征缓存器中。所以，可以从各历史障碍物中确定与指定设备周围的障碍物相匹配的历史障碍物，作为历史目标障碍物，进而根据历史目标障碍物在第一历史时刻之前的历史障碍物特征，与相匹配的指定设备周围的障碍物在第一历史时刻对应的基础障碍物特征进行特征融合，得到指定设备周围的障碍物在第一历史时刻对应的融合后障碍物特征。
例如，将第一历史时刻作为T时刻，并选取第一历史时刻之前的两个时刻T-1时刻和T-2时刻。对于在T时刻位于指定设备周围的一个障碍物来说，该障碍物在T时刻对应的融合后障碍物特征，是通过T-1时刻与该障碍物相匹配的历史目标障碍物所对应的历史障碍物特征，与该障碍物在T时刻的基础障碍物特征进行融合后得到的。
而该历史目标障碍物在T-1时刻对应的历史障碍物特征可以是指：该历史目标障碍物在T-1时刻对应的基础障碍物特征与该历史目标障碍物在T-2时刻对应的历史障碍物特征进行融合后，得到的该历史目标障碍物在T-1时刻对应的融合后障碍物特征。
所以，该障碍物在T时刻对应的融合后障碍物特征，也可以作为在确定该障碍物在T+1时刻对应的融合后障碍物特征时所用到的，该障碍物在T时刻对应的历史障碍物特征。
在实际应用中，指定设备周围的障碍物会随着障碍物的运动以及自身的运动出现或消失。若确定各历史障碍物不存在与指定设备周围的障碍物相匹配的目标障碍物，将该障碍物作为新增障碍物，进而可以将该新增障碍物在第一历史时刻对应的基础障碍物特征，作为该新增障碍物在第一历史时刻对应的融合后障碍物特征，并缓存在特征缓存器中，作为第一历史时刻的下一时刻的历史障碍物特征。而针对各历史障碍物中的每个历史障碍物，若确定第一历史时刻位于指定设备周围的每个障碍物中不存在与该历史障碍物相匹配的障碍物，将缓存的该障碍物对应的历史障碍物特征进行删除。
需要说明的是，在障碍物特征匹配的过程中，服务器也可以根据基础障碍物特征中包含的障碍物的运动特征或障碍物的位置特征单独进行匹配，在障碍物和历史障碍物匹配完成后，将障碍物的运动特征以及障碍物位置特征分别进行特征融合，得到障碍物对应的融合后运动特征以及融合后位置特征，并将融合后运动特征以及融合后位置特征缓存在特征缓存器中，作为第一历史时刻的下一时刻的历史障碍物特征。
S108：将所述融合后障碍物特征输入到所述预测模型的解码层中，以预测该障碍物在第二历史时刻的预测轨迹，并以最小化所述预测轨迹与该障碍物在所述第二历史时刻的实际行驶轨迹之间的偏差为优化目标，对所述预测模型进行训练，所述第二历史时刻为所述第一历史时刻的下一时刻。
在本说明书实施例中，服务器将融合后障碍物特征输入到预测模型的解码层中，预测该障碍物在第二历史时刻的预测轨迹。若出现各历史障碍物不存在与该障碍物相匹配的历史目标障碍物，则将该障碍物作为在所述第一历史时刻的新增障碍物。将新增障碍物在第一历史时刻对应的基础障碍物特征输入到预测模型的解码层中，得到针对新增障碍物在第二历史时刻的至少一条候选轨迹，从至少一条候选轨迹中选取新增障碍物在第二历史时刻的预测轨迹。
也就是说，在训练过程中，新增障碍物在第二历史时刻的对应有多条候选轨迹，可以根据该多条候选轨迹在下一时刻的所在的位置，选择新增障碍物所在位置与该多条候选轨迹在下一时刻的所在位置最近的候选轨迹，作为该新增障碍物在下一时刻的预测轨迹，也可以对新出现的新增障碍物在第二历史时刻的对应的多条预测轨迹进行随机选择。
需要说明的是，在训练过程中，新增障碍物在第二历史时刻的对应有多条候选轨迹，还可以将新增障碍物和候选轨迹根据匈牙利算法进行匹配，将匈牙利算法的匹配结果和实际的匹配结果之间的偏差最小为优化目标，优化该预测模型中各部分网络对应的网络参数(如该预测模型中编码层、解码层等部分网络的网络参数)对预测模型进行训练，从而可以使得在实际使用的过程中匹配结果更加准确。
在本说明书实施例中，服务器可以以指定设备周围的障碍物的实际行驶轨迹作为训练样本，来对预测模型进行有监督训练。基于此，服务器可以将融合后障碍物特征输入到预测模型中，以针对指定设备周围的每个障碍物，通过预测模型，根据融合后障碍物特征，预测每个障碍物在下一时刻的预测轨迹。服务器可以针对指定设备周围的每个障碍物，以指定设备周围的每个障碍物对应的预测轨迹以及指定设备周围的每个障碍物对应的实际行驶轨迹之间的偏差最小为优化目标，对该预测模型进行训练。
在上述过程中可以看出，由于在模型训练过程中考虑到了将基础障碍物特征和历史障碍物特征进行匹配，使得运动轨迹的跟踪更加准确。同时，将同一障碍物的基础障碍物特征和历史障碍物特征进行特征融合，融合后障碍物特征不但具有当前时刻障碍物的基础障碍物特征，还具有该障碍物对应的历史障碍物的历史障碍物特征，提高了预测模型预测出的预测轨迹的准确性，进而使无人驾驶设备基于预测轨迹规划的运动轨迹更加安全、合理。
本说明书实施例在预测模型的训练完成后，可以将训练后的预测模型部署到无人驾驶设备中，以实现对无人驾驶设备周围的障碍物的轨迹预测，如图2所示。
图2为本说明书中一种轨迹预测的方法的流程示意图。
S200：获取无人驾驶设备在当前时刻对应的传感数据以及地图数据。
在本说明书实施例中，服务器可以获取无人驾驶设备可以通过自身设置的各种传感器(如摄像机、激光雷达等)，获取无人驾驶设备和无人驾驶设备周围的障碍物在当前时刻的传感数据以及以无人驾驶设备在当前时刻为地图定位中心的高精度地图。
S202：将所述传感数据以及地图数据输入到预设的预测模型包含的编码层中，以针对所述当前时刻位于所述无人驾驶设备周围的每个障碍物，确定该障碍物在所述当前时刻对应的障碍物特征，作为基础障碍物特征，所述预测模型是通过上述模型训练的方法进行训练得到的。
在本说明书实施例中，服务器可以先将传感数据以及地图数据输入到预测模型包含的特征提取层中，以得到无人驾驶设备在当前时刻下的全局特征，这里的全局特征包含了在当前时刻下无人驾驶设备周围的所有障碍物的障碍物特征，再将全局特征输入到预测模型包含的编码层中，以针对当前时刻位于无人驾驶设备周围的每个障碍物，确定该障碍物在当前时刻对应的障碍物特征，作为基础障碍物特征。
S204：根据所述基础障碍物特征，从各历史障碍物确定出与该障碍物相匹配的历史障碍物，作为目标障碍物。
S206：根据缓存的所述目标障碍物的历史障碍物特征，对所述基础障碍物特征进行特征融合，得到该障碍物在所述当前时刻对应的融合后障碍物特征。
在实际应用中，无人驾驶设备若检测到新出现的障碍物，从各历史障碍物特征中确定出与该障碍物对应基础障碍物特征相匹配的历史障碍物特征，将该障碍物在当前时刻对应的基础障碍物特征，作为该障碍物在当前时刻对应的融合后障碍物特征，并缓存在特征缓存器中，作为下一时刻的历史障碍物特征。针对各历史障碍物中的每个历史障碍物，若确定当前时刻位于无人驾驶设备周围的每个障碍物中，不存在与该历史障碍物相匹配的障碍物，将缓存的该历史障碍物特征进行删除。
例如，在当前时刻时，出现多个障碍物的轨迹出现交叉的情况，若一个障碍物被其他障碍物挡住，则特征缓存器中的各历史障碍物特征在无人驾驶设备周围的所有障碍物对应的基础障碍物特征中没有匹配的基础障碍物特征，则判断该历史障碍物从无人驾驶设备周围消失。在下一时刻时，当该障碍物重新出现，该障碍物对应的基础障碍物特征在特征缓存器中没有匹配的历史障碍物特征，则判断该障碍物为无人驾驶设备周围新出现的障碍物。这种方法可以在多个道路参与者的轨迹出现交叉时，避免当前时刻的基础障碍物特征和历史障碍物特征出现匹配错误，从而导致预测出的预测轨迹的准确性降低。
S208：将所述融合后障碍物特征输入到所述预测模型的解码层中，以预测该障碍物在下一时刻的行驶轨迹。
将融合后障碍物特征输入到所述预测模型的解码层中，以预测该障碍物在下一时刻的行驶轨迹，并将该融合后障碍物特征，缓存到特征缓存器中，作为下一时刻的历史障碍物特征。进一步地，在预测出各障碍物的行驶轨迹后，无人驾驶设备还可以根据障碍物的类别，朝向角度，确定该障碍物的检测框的变化大小，这里指的检测框是指用正方形线框尽可能的贴近被包围的障碍物，进而根据检测框中标注出的障碍物以及预测出的各障碍物的行驶轨迹，对下一时刻针对无人驾驶设备自身的控制进行决策。
在上述过程中可以看出，服务器使用了特征缓存器对障碍物特征进行增加或删除，避免了在多个障碍物运动轨迹交叉后出现匹配错误，并将匹配后的当前时刻障碍物的基础障碍物特征和历史障碍物特征进行特征融合，融合后障碍物特征不但具有当前时刻障碍物的基础障碍物特征，还具有该障碍物对应的历史障碍物的历史障碍物特征，提高了预测模型预测出的预测轨迹的准确性，进而使无人驾驶设备基于预测轨迹规划的运动轨迹更加安全、合理。
以上为本说明书的一个或多个实施例提供的模型训练的方法，基于同样的思路，本说明书还提供了相应的模型训练的装置，如图3所示。
图3为本说明书提供的一种模型训练的装置示意图，具体包括：
获取模块300，用于获取指定设备在第一历史时刻对应的传感数据以及地图数据；
确定模块302，用于将所述传感数据以及地图数据输入到待训练预测模型包含的编码层中，以针对所述第一历史时刻位于所述指定设备周围的每个障碍物，确定该障碍物在所述第一历史时刻对应的障碍物特征，作为基础障碍物特征；
匹配模块304，用于根据所述基础障碍物特征，从各历史障碍物确定出与该障碍物相匹配的历史障碍物，作为历史目标障碍物；
融合模块306，用于根据缓存的所述历史目标障碍物在所述第一历史时刻之前的历史障碍物特征，对所述基础障碍物特征进行特征融合，得到该障碍物在所述第一历史时刻对应的融合后障碍物特征；
训练模块308，用于将所述融合后障碍物特征输入到所述预测模型的解码层中，以预测该障碍物在第二历史时刻的预测轨迹，并以最小化所述预测轨迹与该障碍物在所述第二历史时刻的实际行驶轨迹之间的偏差为优化目标，对所述预测模型进行训练，所述第二历史时刻为所述第一历史时刻的下一时刻。
可选地，所述确定模块302具体用于，若确定所述各历史障碍物不存在与该障碍物相匹配的历史目标障碍物，将该障碍物作为在所述第一历史时刻的新增障碍物，将所述新增障碍物在所述第一历史时刻对应的基础障碍物特征输入到所述预测模型的解码层中，以得到针对所述新增障碍物在所述第二历史时刻的至少一条候选轨迹，从所述至少一条候选轨迹中选取所述新增障碍物在所述第二历史时刻的预测轨迹。
可选地，所述融合模块306具体用于，将所述传感数据以及地图数据输入到待训练预测模型包含的特征提取层中，以得到所述指定设备在所述第一历史时刻下的全局特征，将所述指定设备在所述第一历史时刻下的全局特征输入到所述预测模型包含的编码层中，以针对所述第一历史时刻位于所述指定设备周围的每个障碍物，确定该障碍物在所述第一历史时刻对应的障碍物特征，作为基础障碍物特征。
可选地，所述匹配模块304具体用于，将所述基础障碍物特征，与缓存的各历史障碍物在所述第一历史时刻之前的历史障碍物特征进行匹配，以从所述各历史障碍物中确定与该障碍物相匹配的历史障碍物，作为历史目标障碍物。
图4为本说明书提供的一种轨迹预测的装置示意图，具体包括：
获取模块400，用于获取无人驾驶设备在当前时刻对应的传感数据以及地图数据；
确定模块402，用于将所述传感数据以及地图数据输入到预设的预测模型包含的编码层中，以针对所述当前时刻位于所述无人驾驶设备周围的每个障碍物，确定该障碍物在所述当前时刻对应的障碍物特征，作为基础障碍物特征，所述预测模型是通过上述模型训练的方法进行训练得到的；
匹配模块404，用于根据所述基础障碍物特征，从各历史障碍物确定出与该障碍物相匹配的历史障碍物，作为目标障碍物；
融合模块406，用于根据缓存的所述目标障碍物的历史障碍物特征，对所述基础障碍物特征进行特征融合，得到该障碍物在所述当前时刻对应的融合后障碍物特征；
预测模块408，用于将所述融合后障碍物特征输入到所述预测模型的解码层中，以预测该障碍物在下一时刻的行驶轨迹。
可选地，所述确定模块402具体用于，根据所述传感数据以及地图数据输入到所述预测模型包含的特征提取层中，以得到所述无人驾驶设备在所述当前时刻下的全局特征，将所述全局特征输入到所述预测模型包含的编码层中，以针对所述当前时刻位于所述无人驾驶设备周围的每个障碍物，确定该障碍物在所述当前时刻对应的障碍物特征，作为基础障碍物特征。
可选地，所述匹配模块404还用于，将所述基础障碍物特征，与缓存的各历史障碍物的历史障碍物特征进行匹配，以从所述各历史障碍物中确定与该障碍物相匹配的历史障碍物，作为目标障碍物。
可选地，所述匹配模块404还用于，若确定所述各历史障碍物不存在与该障碍物相匹配的目标障碍物，将该障碍物在所述当前时刻对应的障碍物特征，作为该障碍物在所述当前时刻对应的融合后障碍物特征。
可选地，所述匹配模块404还用于，针对所述各历史障碍物中的每个历史障碍物，若确定所述当前时刻位于所述无人驾驶设备周围的每个障碍物中不存在与该历史障碍物相匹配的障碍物，将缓存的该障碍物对应的历史障碍物特征进行删除。
本说明书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图1所示的模型训练的方法或上述图2所示的轨迹预测的方法。
本说明书还提供了图5所示的电子设备的示意结构图。如图5所述，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，以实现上述图1所示的模型训练的方法或上述图2所示的轨迹预测的方法。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 (13)
1.一种模型训练的方法，其特征在于，包括：
获取指定设备在第一历史时刻对应的传感数据以及地图数据；
将所述传感数据以及地图数据输入到待训练预测模型包含的编码层中，以针对所述第一历史时刻位于所述指定设备周围的每个障碍物，确定该障碍物在所述第一历史时刻对应的障碍物特征，作为基础障碍物特征；
根据所述基础障碍物特征，从各历史障碍物确定出与该障碍物相匹配的历史障碍物，作为历史目标障碍物；
根据缓存的所述历史目标障碍物在所述第一历史时刻之前的历史障碍物特征，对所述基础障碍物特征进行特征融合，得到该障碍物在所述第一历史时刻对应的融合后障碍物特征；
将所述融合后障碍物特征输入到所述预测模型的解码层中，以预测该障碍物在第二历史时刻的预测轨迹，并以最小化所述预测轨迹与该障碍物在所述第二历史时刻的实际行驶轨迹之间的偏差为优化目标，对所述预测模型进行训练，所述第二历史时刻为所述第一历史时刻的下一时刻。
2.如权利要求1所述的方法，其特征在于，将所述融合后障碍物特征输入到所述预测模型的解码层中之前，所述方法还包括：
若确定所述各历史障碍物不存在与该障碍物相匹配的历史目标障碍物，将该障碍物作为在所述第一历史时刻的新增障碍物；
将所述融合后障碍物特征输入到所述预测模型的解码层中，以预测该障碍物在第二历史时刻的预测轨迹，具体包括：
将所述新增障碍物在所述第一历史时刻对应的基础障碍物特征输入到所述预测模型的解码层中，以得到针对所述新增障碍物在所述第二历史时刻的至少一条候选轨迹；
从所述至少一条候选轨迹中选取所述新增障碍物在所述第二历史时刻的预测轨迹。
3.如权利要求1所述的方法，其特征在于，将所述传感数据以及地图数据输入到待训练预测模型包含的编码层中，以针对所述第一历史时刻位于所述指定设备周围的每个障碍物，确定该障碍物在所述第一历史时刻对应的障碍物特征，作为基础障碍物特征，具体包括：
将所述传感数据以及地图数据输入到待训练预测模型包含的特征提取层中，以得到所述指定设备在所述第一历史时刻下的全局特征；
将所述指定设备在所述第一历史时刻下的全局特征输入到所述预测模型包含的编码层中，以针对所述第一历史时刻位于所述指定设备周围的每个障碍物，确定该障碍物在所述第一历史时刻对应的障碍物特征，作为基础障碍物特征。
4.如权利要求1所述的方法，其特征在于，根据所述基础障碍物特征，从各历史障碍物确定出与该障碍物相匹配的历史障碍物，作为历史目标障碍物，具体包括：
将所述基础障碍物特征，与缓存的各历史障碍物在所述第一历史时刻之前的历史障碍物特征进行匹配，以从所述各历史障碍物中确定与该障碍物相匹配的历史障碍物，作为历史目标障碍物。
5.一种轨迹预测的方法，其特征在于，包括：
获取无人驾驶设备在当前时刻对应的传感数据以及地图数据；
将所述传感数据以及地图数据输入到预设的预测模型包含的编码层中，以针对所述当前时刻位于所述无人驾驶设备周围的每个障碍物，确定该障碍物在所述当前时刻对应的障碍物特征，作为基础障碍物特征，所述预测模型是通过如权利要求1～4任一项所述的方法进行训练得到的；
根据所述基础障碍物特征，从各历史障碍物确定出与该障碍物相匹配的历史障碍物，作为目标障碍物；
根据缓存的所述目标障碍物的历史障碍物特征，对所述基础障碍物特征进行特征融合，得到该障碍物在所述当前时刻对应的融合后障碍物特征；
将所述融合后障碍物特征输入到所述预测模型的解码层中，以预测该障碍物在下一时刻的行驶轨迹。
6.如权利要求5所述的方法，其特征在于，将所述传感数据以及地图数据输入到预设的预测模型包含的编码层中，以针对所述当前时刻位于所述无人驾驶设备周围的每个障碍物，确定该障碍物在所述当前时刻对应的障碍物特征，作为基础障碍物特征，具体包括：
根据所述传感数据以及地图数据输入到所述预测模型包含的特征提取层中，以得到所述无人驾驶设备在所述当前时刻下的全局特征；
将所述全局特征输入到所述预测模型包含的编码层中，以针对所述当前时刻位于所述无人驾驶设备周围的每个障碍物，确定该障碍物在所述当前时刻对应的障碍物特征，作为基础障碍物特征。
7.如权利要求5所述的方法，其特征在于，根据所述基础障碍物特征，从各历史障碍物确定出与该障碍物相匹配的历史障碍物，作为目标障碍物，具体包括：
将所述基础障碍物特征，与缓存的各历史障碍物的历史障碍物特征进行匹配，以从所述各历史障碍物中确定与该障碍物相匹配的历史障碍物，作为目标障碍物。
8.如权利要求5所述的方法，其特征在于，所述方法还包括：
若确定所述各历史障碍物不存在与该障碍物相匹配的目标障碍物，将该障碍物在所述当前时刻对应的障碍物特征，作为该障碍物在所述当前时刻对应的融合后障碍物特征。
9.如权利要求5所述的方法，其特征在于，所述方法还包括：
针对所述各历史障碍物中的每个历史障碍物，若确定所述当前时刻位于所述无人驾驶设备周围的每个障碍物中不存在与该历史障碍物相匹配的障碍物，将缓存的该障碍物对应的历史障碍物特征进行删除。
10.一种模型训练的装置，其特征在于，包括：
获取模块，用于获取指定设备在第一历史时刻对应的传感数据以及地图数据；
确定模块，用于将所述传感数据以及地图数据输入到待训练预测模型包含的编码层中，以针对所述第一历史时刻位于所述指定设备周围的每个障碍物，确定该障碍物在所述第一历史时刻对应的障碍物特征，作为基础障碍物特征；
匹配模块，用于根据所述基础障碍物特征，从各历史障碍物确定出与该障碍物相匹配的历史障碍物，作为历史目标障碍物；
融合模块，用于根据缓存的所述历史目标障碍物在所述第一历史时刻之前的历史障碍物特征，对所述基础障碍物特征进行特征融合，得到该障碍物在所述第一历史时刻对应的融合后障碍物特征；
训练模块，用于将所述融合后障碍物特征输入到所述预测模型的解码层中，以预测该障碍物在第二历史时刻的预测轨迹，并以最小化所述预测轨迹与该障碍物在所述第二历史时刻的实际行驶轨迹之间的偏差为优化目标，对所述预测模型进行训练，所述第二历史时刻为所述第一历史时刻的下一时刻。
11.一种轨迹预测的装置，其特征在于，包括：
获取模块，用于获取无人驾驶设备在当前时刻对应的传感数据以及地图数据；
确定模块，用于将所述传感数据以及地图数据输入到预设的预测模型包含的编码层中，以针对所述当前时刻位于所述无人驾驶设备周围的每个障碍物，确定该障碍物在所述当前时刻对应的障碍物特征，作为基础障碍物特征，所述预测模型是通过如权利要求1～4任一项所述的方法进行训练得到的；
匹配模块，用于根据所述基础障碍物特征，从各历史障碍物确定出与该障碍物相匹配的历史障碍物，作为目标障碍物；
融合模块，用于根据缓存的所述目标障碍物的历史障碍物特征，对所述基础障碍物特征进行特征融合，得到该障碍物在所述当前时刻对应的融合后障碍物特征；
预测模块，用于将所述融合后障碍物特征输入到所述预测模型的解码层中，以预测该障碍物在下一时刻的行驶轨迹。
12.一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1～4或5～9任一项所述的方法。
13.一种电子设备，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1～4或5～9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110007853.8A CN112677993A (zh) | 2021-01-05 | 2021-01-05 | 一种模型训练的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110007853.8A CN112677993A (zh) | 2021-01-05 | 2021-01-05 | 一种模型训练的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112677993A true CN112677993A (zh) | 2021-04-20 |
Family
ID=75457264
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110007853.8A Pending CN112677993A (zh) | 2021-01-05 | 2021-01-05 | 一种模型训练的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112677993A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113887351A (zh) * | 2021-09-22 | 2022-01-04 | 北京三快在线科技有限公司 | 一种用于无人驾驶的障碍物检测方法及障碍物检测装置 |
| CN113888624A (zh) * | 2021-09-01 | 2022-01-04 | 北京三快在线科技有限公司 | 一种构建地图的方法及装置 |
| CN115257727A (zh) * | 2022-09-27 | 2022-11-01 | 禾多科技（北京）有限公司 | 障碍物信息融合方法、装置、电子设备和计算机可读介质 |
| CN117390585A (zh) * | 2023-12-12 | 2024-01-12 | 之江实验室 | 基于三维全连接融合的时序数据预测方法及模型训练方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110942181A (zh) * | 2019-11-13 | 2020-03-31 | 北京三快在线科技有限公司 | 一种障碍物轨迹预测的方法及装置 |
| CN111179311A (zh) * | 2019-12-23 | 2020-05-19 | 全球能源互联网研究院有限公司 | 多目标跟踪方法、装置及电子设备 |
| CN111402294A (zh) * | 2020-03-10 | 2020-07-10 | 腾讯科技（深圳）有限公司 | 目标跟踪方法、装置、计算机可读存储介质和计算机设备 |
| KR20200101855A (ko) * | 2019-02-20 | 2020-08-28 | 바이두 온라인 네트웍 테크놀러지 (베이징) 캄파니 리미티드 | 차량의 주행 궤적 예측 방법 및 장치 |
| CN111798492A (zh) * | 2020-07-16 | 2020-10-20 | 商汤国际私人有限公司 | 轨迹预测方法、装置、电子设备及介质 |
| CN112000756A (zh) * | 2020-08-21 | 2020-11-27 | 上海商汤智能科技有限公司 | 轨迹预测的方法、装置、电子设备及存储介质 |
| US20200379461A1 (en) * | 2019-05-29 | 2020-12-03 | Argo AI, LLC | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout |
-
2021
- 2021-01-05 CN CN202110007853.8A patent/CN112677993A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200101855A (ko) * | 2019-02-20 | 2020-08-28 | 바이두 온라인 네트웍 테크놀러지 (베이징) 캄파니 리미티드 | 차량의 주행 궤적 예측 방법 및 장치 |
| US20200379461A1 (en) * | 2019-05-29 | 2020-12-03 | Argo AI, LLC | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout |
| CN110942181A (zh) * | 2019-11-13 | 2020-03-31 | 北京三快在线科技有限公司 | 一种障碍物轨迹预测的方法及装置 |
| CN111179311A (zh) * | 2019-12-23 | 2020-05-19 | 全球能源互联网研究院有限公司 | 多目标跟踪方法、装置及电子设备 |
| CN111402294A (zh) * | 2020-03-10 | 2020-07-10 | 腾讯科技（深圳）有限公司 | 目标跟踪方法、装置、计算机可读存储介质和计算机设备 |
| CN111798492A (zh) * | 2020-07-16 | 2020-10-20 | 商汤国际私人有限公司 | 轨迹预测方法、装置、电子设备及介质 |
| CN112000756A (zh) * | 2020-08-21 | 2020-11-27 | 上海商汤智能科技有限公司 | 轨迹预测的方法、装置、电子设备及存储介质 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113888624A (zh) * | 2021-09-01 | 2022-01-04 | 北京三快在线科技有限公司 | 一种构建地图的方法及装置 |
| CN113888624B (zh) * | 2021-09-01 | 2023-04-07 | 北京三快在线科技有限公司 | 一种构建地图的方法及装置 |
| CN113887351A (zh) * | 2021-09-22 | 2022-01-04 | 北京三快在线科技有限公司 | 一种用于无人驾驶的障碍物检测方法及障碍物检测装置 |
| CN115257727A (zh) * | 2022-09-27 | 2022-11-01 | 禾多科技（北京）有限公司 | 障碍物信息融合方法、装置、电子设备和计算机可读介质 |
| CN115257727B (zh) * | 2022-09-27 | 2022-12-23 | 禾多科技（北京）有限公司 | 障碍物信息融合方法、装置、电子设备和计算机可读介质 |
| CN117390585A (zh) * | 2023-12-12 | 2024-01-12 | 之江实验室 | 基于三维全连接融合的时序数据预测方法及模型训练方法 |
| CN117390585B (zh) * | 2023-12-12 | 2024-03-22 | 之江实验室 | 基于三维全连接融合的时序数据预测方法及模型训练方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111190427B (zh) | 一种轨迹规划的方法及装置 | |
| CN112766468B (zh) | 一种轨迹预测方法、装置、存储介质及电子设备 | |
| CN112677993A (zh) | 一种模型训练的方法及装置 | |
| CN111114543B (zh) | 一种轨迹预测方法及装置 | |
| CN111079721A (zh) | 一种障碍物的轨迹预测方法及装置 | |
| CN112629550B (zh) | 一种预测障碍物轨迹以及模型训练的方法及装置 | |
| CN111208838B (zh) | 一种无人驾驶设备的控制方法及装置 | |
| CN110488821B (zh) | 一种确定无人车运动策略的方法及装置 | |
| CN112306059B (zh) | 一种控制模型的训练方法、控制方法以及装置 | |
| CN111288971B (zh) | 一种视觉定位方法及装置 | |
| CN113968243B (zh) | 一种障碍物轨迹预测方法、装置、设备及存储介质 | |
| CN111126362B (zh) | 一种预测障碍物轨迹的方法及装置 | |
| 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 | |
| CN111399523B (zh) | 一种路径规划的方法及装置 | |
| CN111238523A (zh) | 一种运动轨迹的预测方法及装置 | |
| CN112947495B (zh) | 模型训练的方法、无人驾驶设备的控制方法以及装置 | |
| CN110942181A (zh) | 一种障碍物轨迹预测的方法及装置 | |
| CN112327864A (zh) | 一种无人驾驶设备的控制方法及控制装置 | |
| CN112033421A (zh) | 一种检测电子地图中车道的方法及装置 | |
| CN112883871B (zh) | 一种模型训练以及确定无人车运动策略方法及装置 | |
| CN113033527A (zh) | 一种场景识别方法、装置、存储介质及无人设备 | |
| CN114019981B (zh) | 一种无人驾驶设备的轨迹规划方法及规划装置 | |
| CN113642616B (zh) | 一种基于环境数据的训练样本的生成方法及装置 | |
| CN112393723B (zh) | 一种定位方法、设备、介质及无人设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210420 |
|
| RJ01 | Rejection of invention patent application after publication |