CN113609947A - 运动轨迹预测方法、装置、计算机设备和存储介质 - Google Patents
运动轨迹预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113609947A CN113609947A CN202110858918.XA CN202110858918A CN113609947A CN 113609947 A CN113609947 A CN 113609947A CN 202110858918 A CN202110858918 A CN 202110858918A CN 113609947 A CN113609947 A CN 113609947A
- Authority
- CN
- China
- Prior art keywords
- lane
- track
- points
- current
- data
- 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
Classifications
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种运动轨迹预测方法、装置、计算机设备和存储介质。所述方法包括:获取交通参与者的当前运动轨迹以及与当前轨迹相关的当前车道图;根据当前运动轨迹上轨迹点的轨迹点数量、各轨迹点的第一位置信息、速度信息和对应交通参与者的标识,构造当前交通参与者特征;根据当前车道图中各车道图的车道点数量、各车道点的第二位置信息、方向信息和对应车道的标识,构造当前车道图特征;根据当前交通参与者特征和当前车道图特征进行高维嵌入特征学习,得到考虑了轨迹点与轨迹点,轨迹点与车道点,车道点和车道点之间相关性的目标特征数据,根据目标特征数据进行轨迹预测,得到指定时长内的预测轨迹。采用本方法能够提高轨迹预测的准确性。
Description
技术领域
本申请涉及自动驾驶技术领域,特别是涉及一种运动轨迹预测方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展,出现了自动驾驶技术,自动驾驶技术逐步应用在各个领域,例如,矿石开采、工地巡检、变电站巡检等;在自动驾驶过程中需要通过预测其他交通参与者的行驶轨迹来规划当前的行驶轨迹,确保自动驾驶能够安全准确地到达目的地。目前Transformer技术能被应用与轨迹预测任务中;Transformer是一种没有使用循环神经网络(RNN)或者卷积网络(CNN),完全通过自注意(self-attention)机制表示输入输出数据的深度网络模型。
然而,目前Transformer在预测任务中通过考虑交通参与者轨迹与交通参与者轨迹,交通参与者轨迹与地图中心线,地图中心线与地图中心线间的相关性进行预测。这种线级别的相关性无法充分考虑,轨迹点或车道线点之间的相关性,进而导致轨迹预测的准确性无法进一步提升。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高轨迹预测准确性的运动轨迹预测方法、装置、计算机设备和存储介质。
一种运动轨迹预测方法,所述方法包括:
获取交通参与者的当前运动轨迹以及与所述当前轨迹相关的当前车道图;
根据所述当前运动轨迹上轨迹点的轨迹点数量、各所述轨迹点的第一位置信息、速度信息和对应交通参与者的标识,构造当前交通参与者特征;
根据所述当前车道图中各车道图的车道点数量、各所述车道点的第二位置信息、方向信息和对应车道的标识,构造当前车道图特征;
对所述当前交通参与者特征和当前车道图特征进行高维嵌入特征处理,得到目标特征数据;所述目标特征数据是指考虑了所述轨迹点与轨迹点,轨迹点与车道点,车道点和车道点之间相关性的特征数据;
根据目标特征数据进行轨迹预测,得到交通参与者在指定时长内的预测轨迹。
在其中一个实施例中,所述根据当前交通参与者特征和当前车道图特征进行高维嵌入特征处理,得到目标特征数据,包括:
对所述当前交通参与者特征和所述当前车道图特征进行数据特征提取,得到第一批数据;
对所述第一批数据进行高维嵌入特征处理,得到目标特征数据。
在其中一个实施例中,所述对所述第一批数据进行高维嵌入特征处理,得到目标特征数据,包括:
对所述第一批数据进行批数据转化,得到特征维数相同的第二批数据;
将第二批数据输入至多层神经网络中进行特征变换,得到变换后的高维嵌入特征;
对所述变换后的高维嵌入特征进行矩阵转换,得到矩阵转换后的高维嵌入特征;
对所述矩阵转换后的高维嵌入特征进行位置嵌入处理,得到位置嵌入后的高维嵌入特征;
对所述位置嵌入后的高维嵌入特征进行特征处理,得到目标特征数据。
在其中一个实施例中,所述根据所述当前运动轨迹上轨迹点的轨迹点数量、各所述轨迹点的第一位置信息、速度信息和对应交通参与者的标识,构造当前交通参与者特征,包括:
获取所述当前运动轨迹上轨迹点的轨迹点数量,以及各所述轨迹点的第一位置信息;
根据所述轨迹点中相邻轨迹点的第一位置信息和相邻轨迹点的时间间隔确定各所述轨迹点的速度信息;
获取表征交通参与者数据的第一维度特征;
根据各所述运动轨迹的轨迹点数量、各所述轨迹点的第一位置信息、速度信息、第一维度特征和对应交通参与者的第一标识,构造交通参与者特征。
在其中一个实施例中,所述根据所述当前车道图中各车道图的车道点数量、各所述车道点的第二位置信息、方向信息和对应车道的标识,构造当前车道图特征,包括:
获取所述当前车道图中各车道图的车道点数量,以及各所述车道点的第二位置信息;
根据所述车道点中相邻车道点的第四位置信息的矢量差值确定各所述车道点的方向信息;
获取表征地图数据的第二维度特征;
根据各所述车道中心线的车道点数量、各所述车道点的第四位置信息、方向信息、第二维度特征和对应车道的第二标识,构造车道图特征。
在其中一个实施例中,所述根据各所述车道中心线的车道点数、各所述车道点的第四位置信息、方向信息、第二维度特征和对应车道的第二标识,构造车道图特征,包括:
根据各所述车道中心线的车道点数量、各所述车道点的第二位置信息、方向信息、第二维度特征和对应车道的第二标识,构造各所述车道中心线的车道线特征;
对各所述车道线特征进行拼接,得到车道图特征。
在其中一个实施例中,所述对各所述车道线特征进行拼接,得到车道图特征,包括:
对各所述车道线特征在车道中心线维度上进行拼接,得到车道图特征。
一种运动轨迹预测装置,所述装置包括:
获取模块,用于获取交通参与者的当前运动轨迹以及与所述当前轨迹相关的当前车道图;
第一构造模块,用于根据所述当前运动轨迹上轨迹点的轨迹点数量、各所述轨迹点的第一位置信息、速度信息和对应交通参与者的标识,构造当前交通参与者特征;
第二构造模块,用于根据所述当前车道图中各车道图的车道点数量、各所述车道点的第二位置信息、方向信息和对应车道的标识,构造当前车道图特征;
嵌入特征学习模块,用于对当前交通参与者特征和当前车道图特征输入训练好的运动轨迹预测模型进行高维嵌入特征处理,得到目标特征数据;所述目标特征数据是指考虑了所述轨迹点与轨迹点,轨迹点与车道点,车道点和车道点之间相关性的特征数据;
预测模块,用于根据目标特征数据进行轨迹预测,得到交通参与者在指定时长内的预测轨迹。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取交通参与者的当前运动轨迹以及与所述当前轨迹相关的当前车道图;
根据所述当前运动轨迹上轨迹点的轨迹点数量、各所述轨迹点的第一位置信息、速度信息和对应交通参与者的标识,构造当前交通参与者特征;
根据所述当前车道图中各车道图的车道点数量、各所述车道点的第二位置信息、方向信息和对应车道的标识,构造当前车道图特征;
对所述当前交通参与者特征和当前车道图特征进行高维嵌入特征处理,得到目标特征数据;所述目标特征数据是指考虑了所述轨迹点与轨迹点,轨迹点与车道点,车道点和车道点之间相关性的特征数据;
根据目标特征数据进行轨迹预测,得到交通参与者在指定时长内的预测轨迹。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取交通参与者的当前运动轨迹以及与所述当前轨迹相关的当前车道图;
根据所述当前运动轨迹上轨迹点的轨迹点数量、各所述轨迹点的第一位置信息、速度信息和对应交通参与者的标识,构造当前交通参与者特征;
根据所述当前车道图中各车道图的车道点数量、各所述车道点的第二位置信息、方向信息和对应车道的标识,构造当前车道图特征;
对所述当前交通参与者特征和当前车道图特征进行高维嵌入特征处理,得到目标特征数据;所述目标特征数据是指考虑了所述轨迹点与轨迹点,轨迹点与车道点,车道点和车道点之间相关性的特征数据;
根据目标特征数据进行轨迹预测,得到交通参与者在指定时长内的预测轨迹。
上述运动轨迹预测方法、装置、计算机设备和存储介质,通过获取交通参与者的当前运动轨迹以及与当前轨迹相关的当前车道图;根据当前运动轨迹上轨迹点的轨迹点数、各轨迹点的第一位置信息、速度信息和对应交通参与者的标识,构造交通参与者特征;根据当前车道图中各车道图的车道点数、各车道点的第二位置信息、方向信息和对应车道的标识,构造车道图特征;根据交通参与者特征和车道图特征进行高维嵌入特征处理,得到考虑了所述轨迹点与轨迹点,轨迹点与车道点,车道点和车道点之间相关性的目标特征数据;根据考虑同一个交通参与者轨迹中不同轨迹点间的相关系,以及考虑交通参与者轨迹点与车道中心线点之间的相关性的运动轨迹预测模型进行预测,提高了运动轨迹预测模型的预测性能。
附图说明
图1为一个实施例中运动轨迹预测方法的流程示意图;
图2为一个实施例中运动轨迹预测模型的示意图;
图3为另一个实施例中运动轨迹预测方法的流程示意图;
图4为一个实施例中运动轨迹预测模型的训练方法的流程示意图;
图5为一个实施例中构造交通参与者特征方法的流程示意图;
图6为一个实施例中构造车道图特征方法的流程示意图;
图7为一个实施例中高维嵌入特征学习方法的流程示意图;
图8为一个实施例中运动轨迹预测装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种运动轨迹预测方法,本实施例以该方法应用于终端(终端可以但不仅限于是车辆设备,该车辆设备上搭载了轨迹数据采集设备)进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤102,获取交通参与者的当前运动轨迹以及与当前轨迹相关的当前车道图。
其中,每个交通参与者存在对应的标识,交通参与者可以但不仅限于是车辆,自行车和行人。运动轨迹由若干个轨迹点构成,每条运动轨迹的轨迹点数可以但不仅限于是50;每个轨迹点存在对应的位置信息(即坐标值,每个轨迹点由x和y坐标值构成)。车道图包括多条车道中心线,各车道中心线由若干个车道点构成,每条车道存在对应的车道标识,用于区分不同的车道,例如,车道1,车道2,车道3。当前轨迹相关的当前车道图中包括多条车道中心线,不同交通参与者轨迹对应的车道图中的车道中心线数目可能不一样。
具体地,终端从服务器中获取交通参与者的当前运动轨迹以及与当前轨迹相关的当前车道图。
步骤104,根据当前运动轨迹上轨迹点的轨迹点数量、各轨迹点的第一位置信息、速度信息和对应交通参与者的标识,构造当前交通参与者特征。
其中,第一位置信包括x和y轴坐标值,每个轨迹点存在不同的维度特征,包括位置维度特征、速度维度特征、交通参与者维度特征、数据属性维度特征,位置维度特征包括第一位置信息中的x和x轴坐标值,速度维度特征包括每个轨迹点的速度信息,速度信息包括在x轴方向上的速度和x轴方向上的速度;各轨迹点的速度信息是根据相临的两个轨迹点在x和y方向的位置坐标分别进行相减,位置相减再除以两个轨迹点间时间,就得到速度,将得到的速度作为后一个轨迹点速度,本申请中,默认第一个轨迹点速度与第二个轨迹点速度相等。
交通参与者维度特征是指各交通参与者的标识,用于区别不同的交通参与者;数据属性维度特征是指数据类型,例如,根据数据属性维度特征可以确定数据地图数据还是交通参与者数据,可以用1代表地图数据,用0代表交通参与者数据。
交通参与者特征可以用矩阵进行表示,交通参与者特征可以但不仅限于是一个二维矩阵。
具体地,获取当前运动轨迹上轨迹点的轨迹点数量,以及各轨迹点的第一位置信息;根据轨迹点中相邻轨迹点的第一位置信息和相邻轨迹点的时间间隔确定各轨迹点的速度信息;获取表征交通参与者数据的第一维度特征;根据各运动轨迹的轨迹点数量、各轨迹点的第一位置信息、速度信息、第一维度特征和对应交通参与者的第一标识,构造当前交通参与者特征;即获取交通参与者数据,根据获取的交通参与者数据确定当前运动轨迹中的轨迹点数,以及确定各轨迹点的位置坐标信息(x和y轴坐标值),并在位置坐标信息上添加Z轴坐标值,即数据属性维度特征;根据相邻轨迹点的位置信息以及时间间隔,确定各轨迹点的速度信息,并确定交通参与者的标识,根据位置坐标信息、速度信息以及交通参与者的标识确定每个轨迹点的维度特征,根据各轨迹点的维度特征和当前运动轨迹上的轨迹点数,构建交通参与者特征。其中,构建方法可以通过现有的构建算法实现,在此不做赘述。
步骤106,根据当前车道图中各车道图的车道点数量、各车道点的第二位置信息、方向信息和对应车道的标识,构造当前车道图特征。
其中,第二位置信息包括x和y轴坐标值,每个车道点存在不同的维度特征,包括位置维度特征、方向维度特征、车道维度特征、数据属性维度特征以,位置维度特征包括第二位置信息中的x和y轴坐标值,方向维度特征包括每个车道点的方向信息;各车道点的方向信息是根据相临的两个车道点在x和y方向的位置坐标分别进行矢量相减,确定该车道点的方向,将得到的方向作为后一个车道点方向,本申请中,默认第一个车道点方向与第二个车道点方向相等。方向信息包括x轴方向的方向信息和y轴方向的方向信息。
车道维度特征是指各车道的标识,用于区别不同的车道;数据属性维度特征是指数据类型,例如,根据数据属性维度特征可以确定数据地图数据还是车道数据,可以用1代表地图数据,例如车道图数据。车道图特征可以用矩阵进行表示,车道图特征可以但不仅限于是一个二维矩阵。
具体地,获取当前车道图中各车道图的车道点数量,以及各车道点的第二位置信息;根据车道点中相邻车道点的第四位置信息的矢量差值确定各车道点的方向信息;获取表征地图数据的第二维度特征;根据各车道中心线的车道点数量、各车道点的第二位置信息、方向信息、第二维度特征和对应车道的第二标识,构造当前车道图特征;即确定与交通参与者当前运动轨迹相关的当前车道图,以及确定当前车道图中车道中心线,车道中心线由若干个车道点构成,确定各车道中心线上的车道点数以及各车道点为第二位置信息(x和y轴坐标值),并添加Z轴坐标值;根据各车道点的第二位置信息确定各车道点的方向信息,确定车道的车道标识,根据位置坐标信息、方向信息以及车道的标识确定每个车道点的维度特征,根据各车道点的维度特征和当前车道图上的车道点数,构建车道图特征。其中,构建方法可以通过现有的构建算法实现,在此不做赘述。
步骤108,对当前交通参与者特征和当前车道图特征进行高维嵌入特征提处理,得到目标特征数据。
其中,对高维嵌入特征提处理是指将当前交通参与者特征和当前车道图特征输入训练好的运动轨迹预测模型中,进行特征处理,得到目标特征数据。
运动轨迹预测模型结构如图2所示,包括回归网络(prediction head)、transformer block(transformer由若干个注意力Attention模块和前馈FeedForward模块构成)和MLP网络(多层神经网络)。运动轨迹预测模型的训练方法如图4所示。
目标特征数据是指考虑了同一个交通参与者轨迹中不同轨迹点间的相关系(时间相关性),不同车道中心线点间的相关性以及考虑交通参与者轨迹点与车道中心线点之间的相关性(空间相关性);即考虑了轨迹点与轨迹点,轨迹点与车道点,车道点和车道点之间相关性的特征数据;高维嵌入特征学习是指将交通参与者特征和车道图特征输入MLP网络中,进行时间和空间关系的特征transformer_feature学习。
具体地,对当前交通参与者特征和当前车道图特征进行数据特征提取,得到第一批数据;对第一批数据进行高维嵌入特征处理,得到目标特征数据;也就是说,对当前交通参与者特征和当前车道图特征进行数据特征提取,得到第一批数据,对第一批数据进行批数据转化,得到特征维数相同的第二批数据;将第二批数据输入至多层神经网络中进行特征变换,得到变换后的高维嵌入特征;对变换后的高维嵌入特征进行矩阵转换,得到矩阵转换后的高维嵌入特征;对矩阵转换后的高维嵌入特征进行位置嵌入处理,得到位置嵌入后的高维嵌入特征;对位置嵌入后的高维嵌入特征进行特征处理,得到目标特征数据。如:
根据交通参与者特征和车道图特征进行数据特征提取,得到三维的第一批数据,对第一批数据进行批数据转化,得到特征维数相同的第二批数据,将第二批数据输入至MLP网络中进行位置嵌入处理,对得到第二维数的高维嵌入特征进行矩阵转换,得到第一维数的高维嵌入特征,对第一维数的高维嵌入特征进行特征学习,得到目标特征数据。
步骤110,根据目标特征数据进行轨迹预测,得到交通参与者在指定时长内的预测轨迹。
具体地,将目标特征数据输入值运动轨迹预测模型的输入回归网络(predictionhead)中,得到交通参与者在指定时长内的预测轨迹。
上述运动轨迹预测方法中,通过获取交通参与者的当前运动轨迹以及与当前轨迹相关的当前车道图;根据当前运动轨迹上轨迹点的轨迹点数量、各轨迹点的第一位置信息、速度信息和对应交通参与者的标识,构造交通参与者特征;根据当前车道图中各车道图的车道点数量、各车道点的第二位置信息、方向信息和对应车道的标识,构造车道图特征;根据交通参与者特征和车道图特征进行高维嵌入特征学习,得到考虑了轨迹点与轨迹点,轨迹点与车道点,车道点和车道点之间相关性的目标特征数据;根据目标特征数据进行轨迹预测;即根据运动轨迹上轨迹点与轨迹点,轨迹点与地图车道线中心点,地图车道线中心点和地图车道线中心点三种点级别的特征来预测交通参与者的运动轨迹,提高了运动轨迹预测模型的预测性能。
在另一个实施例中,如图3所示,提供了一种运动轨迹预测方法,本实施例以该方法应用于终端进行举例说明。本实施例中,该方法包括以下步骤:
步骤302,获取交通参与者的当前运动轨迹以及与当前轨迹相关的当前车道图。
步骤304,根据当前运动轨迹上轨迹点的轨迹点数量、各轨迹点的第一位置信息、速度信息和对应交通参与者的标识,构造当前交通参与者特征。
步骤306,根据当前车道图中各车道图的车道点数量、各车道点的第二位置信息、方向信息和对应车道的标识,构造各车道中心线的车道线特征。
具体地,当前车道图中各车道图的车道点数量,以及各车道点的第二位置信息;根据车道点中相邻车道点的第四位置信息的矢量差值确定各车道点的方向信息;获取表征地图数据的第二维度特征;根据各车道中心线的车道点数量、各车道点的第二位置信息、方向信息、第二维度特征和对应车道的第二标识,构造各车道中心线的车道线特征。
步骤308,对各车道线特征进行拼接,得到当前车道图特征。
具体地,对各车道线特征在车道中心线维度上进行拼接,得到当前车道图特征。例如,通过确定与交通参与者当前运动轨迹相关的当前车道图,以及确定当前车道图中车道中心线,车道中心线由若干个车道点构成,确定各车道中心线上的车道点数以及各车道点的第二位置信息(x和y轴坐标值),并添加Z轴坐标值;根据各车道点的第二位置信息确定各车道点的方向信息,确定车道的车道标识,根据位置坐标信息、方向信息以及车道的标识确定每个车道点的维度特征,根据各车道点的维度特征和当前车道图上的车道点数构建其中一条车道线的车道线特征,即得到一个二维矩阵,通过遍历车道图中每条车道线,将每条车道线的车道线特征进行拼接,得到车道图特征。
步骤310,对当前交通参与者特征和当前车道图特征进行高维嵌入特征处理,得到目标特征数据。
具体地,对当前交通参与者特征和当前车道图特征进行数据特征提取,得到第一批数据,对第一批数据进行批数据转化,得到特征维数相同的第二批数据;将第二批数据输入至多层神经网络中进行特征变换,得到变换后的高维嵌入特征;对变换后的高维嵌入特征进行矩阵转换,得到矩阵转换后的高维嵌入特征;对矩阵转换后的高维嵌入特征进行位置嵌入处理,得到位置嵌入后的高维嵌入特征;对位置嵌入后的高维嵌入特征进行特征处理,得到目标特征数据。
步骤312,根据目标特征数据进行轨迹预测,得到交通参与者在指定时长内的预测轨迹。
上述运动轨迹预测方法、装置、计算机设备和存储介质,通过获取交通参与者的当前运动轨迹以及与当前轨迹相关的当前车道图;根据当前运动轨迹上轨迹点的轨迹点数、各轨迹点的第一位置信息、速度信息和对应交通参与者的标识,构造交通参与者特征;根据当前车道图中各车道图的车道点数、各车道点的第二位置信息、方向信息和对应车道的标识,构造各车道中心线的车道线特征,通过对各车道线特征进行拼接,得到车道图特征;根据交通参与者特征和车道图特征进行高维嵌入特征处理,得到考虑了轨迹点与轨迹点,轨迹点与车道点,车道点和车道点之间相关性的目标特征数据;根据考虑同一个交通参与者轨迹中不同轨迹点间的相关系,以及考虑交通参与者轨迹点与车道中心线点之间的相关性的运动轨迹预测模型进行预测,提高了运动轨迹预测模型的预测性能。
在一个实施例中,如图4所示,提供了一种运动轨迹预测模型的训练方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤402,获取交通参与者在指定区域的运动轨迹样本集以及与运动轨迹样本集相关的车道图集。
其中,指定区域包括Junction区域,即十字路口;运动轨迹样本集中的运动轨迹样本是指轨迹点的曲率发生变化的轨迹,包括左转,右转,U型掉头,环岛行驶、以及发生变道或他车辆从别的车道变道到自动驾驶车辆所在车道等。运动轨迹样本集中的各运动轨迹由若干个轨迹点构成,各轨迹点存在对应的位置信息;车道图集中各车道图包括多条车道中心线,各车道中心线由若干个车道点构成。
具体地,获取交通参与者的轨迹数据;轨迹数据可以是通过自动驾驶感知算法(包括检测算法和跟踪算法)处理足量的传感器数据得到的;从轨迹数据中确定交通参与者在指定区域的运动轨迹,得到运动轨迹样本集;运动轨迹是指轨迹点的曲率发生变化和/或加速度发生变化的轨迹;识别与各运动轨迹相关的车道图,得到车道图集。例如,根据获取的轨迹数据构成了交通参与者轨迹样本集A={a_1,a_2,...,a_n},其中n为轨迹总数(通常n>30万),a_i为轨迹样本集合中的第i条轨迹,每一条轨迹由若干个轨迹点(通常为50)构成,每个轨迹点由x和y坐标值构成。找到轨迹a_i相关的车道图M_i,其中M_i={m_i_1,m_i_2,...,m_i_k}表示当前的车道图由k条车道中心线构成,不同交通参与者轨迹对应的车道图中的车道中心线数目k可能不一样。上述寻找轨迹a_i相关车道图的方式可以与传统的车道图寻找方式一样(如百度apollo中lane graph构建方式)。遍历轨迹集合A,找到所有交通参与者轨迹对应的车道图,该车道图集合为M={M_1,M_2,...M_n}。
步骤404,根据运动轨迹样本集中各运动轨迹的轨迹点数量、各轨迹点的第三位置信息、速度信息和对应交通参与者的第一标识,构造交通参与者特征。
如图5所示,提供了一种构造交通参与者特征方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤502,获取运动轨迹样本集中各运动轨迹的轨迹点数和各轨迹点的第三位置信息。
其中,第三位置信息包括x和y轴坐标值,每个轨迹点存在不同的维度特征,每个轨迹点存在不同的维度特征,包括位置维度特征、速度维度特征、交通参与者维度特征、数据属性维度特征等,位置信息为位置维度特征。
步骤504,获根据轨迹点中相邻轨迹点的第三位置信息和相邻轨迹点的时间间隔确定各轨迹点的速度信息。
其中,速度信息为速度维度特征,各轨迹点的速度信息是根据相临的两个轨迹点在x和y方向的位置坐标分别进行相减,位置相减再除以两个轨迹点间时间,就得到速度,将得到的速度作为后一个轨迹点速度,本申请中,默认第一个轨迹点速度与第二个轨迹点速度相等。
步骤506,获取表征交通参与者数据的第一维度特征。
其中,第一维度特征是指数据属性维度特征,即用于区分数据是地图数据还是交通参与者数据,车道图属于地图数据,运动轨迹属于交通参与者数据,可以用0表示数据为交通参与者数据,1表示地图数据。
步骤508,根据各运动轨迹的轨迹点数量、各轨迹点的第三位置信息、速度信息、第一维度特征和对应交通参与者的第一标识,构造交通参与者特征。
例如,第i条交通参与者轨迹a_i包含若干轨迹点,我们用P表示一条交通参与者轨迹的轨迹点个数,则a_i原始数据可以用一个大小为P×2的矩阵表示,其中P为轨迹点个数,2表示x和y轴坐标值(位置信息),即得到位置维度特征;为了区分交通参与者数据与地图数据,我们对每一个轨迹点引入z轴数值,取z=0表示交通参与者数据,即得到数据属性维度特征,则a_i数据可以用一个P×3的矩阵表示;将相邻的两个轨迹点的位置信息分布在x和y方向分别相减,相减的值作为后一个轨迹点的速度。我们默认第一个轨迹点速度与第二个轨迹点速度相等,得到速度维度特征。并将轨迹点的速度信息也加入矩阵中得到一个P×5的矩阵;我们对每一个轨迹点增加交通参与者的id(由tracking算法得到),即交通参与者维度特征,得到一个P×6的矩阵,则该矩阵为交通参与者轨迹特征。
该构造交通参与者特征方法,通过获取运动轨迹样本集中各运动轨迹的轨迹点数和各轨迹点的第三位置信息,获根据轨迹点中相邻轨迹点的第三位置信息和相邻轨迹点的时间间隔确定各轨迹点的速度信息,获取表征交通参与者数据的第一维度特征,根据各运动轨迹的轨迹点数量、各轨迹点的第三位置信息、速度信息、第一维度特征和对应交通参与者的第一标识,构造交通参与者特征,准确获取和轨迹点与轨迹点之间的关系。
步骤406,根据车道图集中各车道图的车道点数量、各车道点的第四位置信息、方向信息和对应车道的第二标识,构造车道图特征。
如图6所示,提供了一种构造车道图特征方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤602,获取车道图集中各车道图中各车道中心线的车道点数量、各车道点的第四位置信息。
其中,车道图中包含多条中心线,每条中心线由若干各车道点组成;第四位置信息是指车道点的x和y轴坐标值,每个车道点存在不同的维度特征,包括位置维度特征、方向维度特征、车道维度特征、数据属性维度特征等,位置信息为位置维度特征。
步骤604,根据车道点中相邻车道点的第四位置信息的矢量差值确定各车道点的方向信息。
其中,方向信息为方向维度特征,各车道点的方向信息是根据相临的两个车道点在x和y方向的位置坐标分别进行矢量计算,根据矢量差值得到方向,将得到的方向作为后一个车道点方向,本申请中,默认第一个车道点方向与第二个车道点方向相等。
步骤606,获取表征地图数据的第二维度特征。
其中,第二维度特征是指数据属性维度特征,数据属性维度特征用于区分数据是地图数据还是交通参与者数据,车道图属于地图数据,第二维度特征是指地图数据。
步骤608,根据各车道中心线的车道点数量、各车道点的第四位置信息、方向信息、第二维度特征和对应车道的第二标识,构造车道中心线的车道线特征。
具体地,根据各车道中心线的车道点数、各车道点的第四位置信息、方向信息、第二维度特征和对应车道的第二标识构造一个二维矩阵,得到车道中心线的车道线特征。
步骤610,对各车道线特征进行拼接,得到车道图特征。
例如,第i条交通参与者轨迹a_i对应的车道图为M_i={m_i_1,m_i_2,...,m_i_k},其中车道图中每一条车道中心线m_i_j由若干车道点构成,不失一般性,我们用P_i_j表示m_i_j的车道中心线上点的个数,则P_i_j原始数据可以用一个大小为P_i_j×2的矩阵表示,其中P_i_j为点个数,2表示x和y轴坐标值(位置信息);为了区分交通参与者数据与地图数据,我们对每一个车道点引入z轴数值,取z=1表示地图数据,则m_i_j数据可以用一个P_i_j×3的矩阵表示;进一步地,我们计算每一个车道点在车道线上的方向,将相邻的两个车道点在x和y方向分别相减,相减的值作为后一个车道点的方向,本实施中认为第一个车道点方向与第二个车道点方向相同;根据各车道点的方向信息也加入矩阵中得到一个P_i_j×5的矩阵;每一个车道点增加车道的lane id,即车道维度特征,得到一个P_i_j×6的矩阵,即为车道线特征;遍历M_i中每一个车道线,得到k个矩阵,将k个矩阵在第一维度(车道图中心线)上拼接,得到一个P_i×6的大矩阵,该大矩阵称为车道图特征,其中P_i为M_i车道图中所有车道点的个数。
上述构造车道图特征方法中,通过获取车道图集中各车道图中各车道中心线的车道点数、各车道点的第四位置信息;根据车道点中相邻车道点的第四位置信息的矢量差值确定各轨迹点的速度信息;获取表征地图数据的第二维度特征;根据各车道中心线的车道点数量、各车道点的第四位置信息、方向信息、第二维度特征和对应车道的第二标识,构造车道中心线的车道线特征;对各车道线特征进行拼接,得到车道图特征,将车道图上各车道点的不同维度的特征以矩阵的方式进行构建,构建运动轨迹预测模型训练的训练样本数据。
步骤408,根据交通参与者特征和车道图特征对运动轨迹预测模型进行训练,直到满足预设训练条件时得到训练好的运动轨迹预测模型。
其中,运动轨迹预测模型结构如图2所示,包括回归网络(prediction head)、transformer block(transformer由若干个注意力Attention模块和前馈FeedForward模块构成)和MLP网络(多层神经网络)。
具体地,对交通参与者特征和车道图特征进行数据特征提取,得到第一维数(即三维)的第一批数据;对第一批数据进行高维嵌入特征学习,得到目标特征数据;目标特征数据是指考虑了轨迹点与轨迹点,轨迹点与车道点,车道点和车道点之间相关性的特征数据;根据目标特征数据,利用反向传播算法对运动轨迹预测模型进行训练,直到满足预设训练条件时(即损失收敛到预设损失值,或者达到预设的训练次数后),停止训练并将训练好的网络及其参数保存,得到训练好的运动轨迹预测模型。
上述运动轨迹预测模型训练方法中,通过获取交通参与者在指定区域的运动轨迹样本集以及与运动轨迹样本集相关的车道图集;根据运动轨迹样本集中各运动轨迹的轨迹点数量、各轨迹点的第一位置信息、速度信息和对应交通参与者的第一标识,构造交通参与者特征;根据车道图集中各车道图的车道点数、各车道点的第二位置信息、方向信息和对应车道的第二标识,构造车道图特征;根据交通参与者特征和车道图特征对运动轨迹预测模型进行训练,直到满足预设训练条件时得到训练好的运动轨迹预测模型;即通过考虑运动轨迹上轨迹点与轨迹点,轨迹点与地图车道线中心点,地图车道线中心点和地图车道线中心点三种点级别之间相关性的特征构造训练数据,对运动轨迹预测模型进行训练,提高了运动轨迹预测模型的预测性能。
在一个实施例中,如图7所示,提供了一种高维嵌入特征处理方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤702,对交通参与者特征和车道图特征进行数据特征提取,得到第一维数的第一批数据。
其中,第一维数是指三维。
具体地,对交通参与者特征和车道图特征进行数据特征提取,得到三维的第一批数据;例如,将第i个交通参与者的特征(P×6矩阵)与其对应的车道图特征(P_i×6矩阵)进行拼接,得到T_i×6的矩阵;若T_i小于预定的阈值T则对T_i×6的矩阵进行补零操作得到T×6的矩阵,若T_i>T,则将超过T的矩阵行删除,得到T×6的矩阵,该矩阵称为输入数据特征;将B个输入数据特征合在一起构成一个第一批数据(batch),并用一个B×T×6的矩阵表示。
步骤704,对第一批数据进行批数据转化,得到特征维数相同的第二批数据。
例如,将B×T×6的三维矩阵表示的第一批数据转化为(B×T)×6二维矩阵表示的第二批数据。
步骤706,将第二批数据输入至多层神经网络中进行特征变换,得到变换后的高维嵌入特征。
步骤708,对变换后的高维嵌入特征进行矩阵转换,得到矩阵转换后的高维嵌入特征。
步骤710,对矩阵转换后的高维嵌入特征进行位置嵌入处理,得到位置嵌入后的高维嵌入特征。具体地,将第二批数据输入至MLP网络中进行位置嵌入处理,进行时间和空间关系的特征transformer_feature学习,即考虑轨迹点与轨迹点,车道点与车道点,轨迹点和车道点之间的相关性,得到第二维数的高维嵌入特征,并对第二维数的高维嵌入特征进行矩阵转换,得到第一维数的高维嵌入特征。例如,将该二维矩阵输入MLP网络中,得到(B×T)×dim的高维嵌入特征(其中dim>6,dim=64);将(B×T)×dim的矩阵转换为B×T×dim的三维矩阵。MLP网络可以为任意层数的前馈网络,该前馈网络带batch normalization归一化,为了防止过拟合我们通常取4层以下。
步骤710,对位置嵌入后的高维嵌入特征进行特征处理,得到目标特征数据。
其中,目标特征数据是用来训练运动轨迹预测模型的;特征学习是学习有时间和空间关系的特征transformer_feature,即轨迹点与轨迹点,车道点与车道点,轨迹点与车道点之间的相关性。例如,将位置嵌入后的第一维数的高维嵌入特征输入N个transformerblock中,得到考虑了时间和空间关系的特征transformer_feature,该特征的维度仍然为B×T×dim。其中,transformer block可以是常见的transformer模块,该transformer由若干个注意力(Attention)模块和前馈(FeedForward)模块构成。
上述高维嵌入特征处理方法中,通过对交通参与者特征和车道图特征进行数据特征提取,得到第一维数的第一批数据;对第一批数据进行降维处理,得到特征维数相同的第二批数据;将第二批数据输入至MLP网络中进行位置嵌入处理,对得到第二维数的高维嵌入特征进行矩阵转换,得到第一维数的高维嵌入特征;对第一维数的高维嵌入特征进行特征学习,得到目标特征数据;即从点级别上考虑同一个交通参与者轨迹中不同轨迹点间的相关系(时间相关性),以及考虑交通参与者轨迹点与车道中心线点之间的相关性(空间相关性),构建了运动轨迹预测模型的训练样本数据,提高了模型的预测性能。
应该理解的是,虽然图1、图3-7的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1、图3-7中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种运动轨迹预测装置,包括:获取模块802、第一构造模块804、第二构造模块806、嵌入特征处理模块808和预测模块810,其中:
获取模块802,用于获取交通参与者的当前运动轨迹以及与当前轨迹相关的当前车道图。
第一构造模块804,用于根据当前运动轨迹上轨迹点的轨迹点数量、各轨迹点的第一位置信息、速度信息和对应交通参与者的标识,构造当前交通参与者特征。
第二构造模块806,用于根据当前车道图中各车道图的车道点数量、各车道点的第二位置信息、方向信息和对应车道的标识,构造当前车道图特征。
嵌入特征处理模块808,用于对当前交通参与者特征和当前车道图特征进行高维嵌入特征处理,得到目标特征数据;目标特征数据是指考虑了轨迹点与轨迹点,轨迹点与车道点,车道点和车道点之间相关性的特征数据。
预测模块810,用于根据目标特征数据进行轨迹预测,得到交通参与者在指定时长内的预测轨迹。
上述运动轨迹预测方法中,通过获取交通参与者的当前运动轨迹以及与当前轨迹相关的当前车道图;根据当前运动轨迹上轨迹点的轨迹点数、各轨迹点的第一位置信息、速度信息和对应交通参与者的标识,构造交通参与者特征;根据当前车道图中各车道图的车道点数、各车道点的第二位置信息、方向信息和对应车道的标识,构造车道图特征;根据交通参与者特征和车道图特征进行高维嵌入特征学习,得到考虑了所述轨迹点与轨迹点,轨迹点与车道点,车道点和车道点之间相关性的目标特征数据;根据目标特征数据进行轨迹预测;即根据运动轨迹上轨迹点与轨迹点,轨迹点与地图车道线中心点,地图车道线中心点和地图车道线中心点三种点级别的特征构造训练数据,对运动轨迹预测模型进行训练,提高了运动轨迹预测模型的预测性能。
在一个实施例中,提供了一种运动轨迹预测装置,除包括:获取模块802、第一构造模块804、第二构造模块806、嵌入特征处理模块808和预测模块810之外,还包括:特征提取模块、特征处理模块、批数据转化模块、特征变换模块、矩阵转换模块、位置嵌入处理模块、确定模块和拼接模块,其中:
特征提取模块,用于对当前交通参与者特征和当前车道图特征进行数据特征提取,得到第一批数据。
特征处理模块,用于对第一批数据进行高维嵌入特征处理,得到目标特征数据。
批数据转化模块,用于对第一批数据进行批数据转化,得到特征维数相同的第二批数据。
特征变换模块,用于将第二批数据输入至多层神经网络中进行特征变换,得到变换后的高维嵌入特征。
矩阵转换模块,用于对变换后的高维嵌入特征进行矩阵转换,得到矩阵转换后的高维嵌入特征。
位置嵌入处理模块,用于对矩阵转换后的高维嵌入特征进行位置嵌入处理,得到位置嵌入后的高维嵌入特征;对位置嵌入后的高维嵌入特征进行特征处理,得到目标特征数据。
获取模块802,还用于获取当前运动轨迹上轨迹点的轨迹点数量,以及各轨迹点的第一位置信息。
确定模块,用于根据轨迹点中相邻轨迹点的第一位置信息和相邻轨迹点的时间间隔确定各轨迹点的速度信息。
获取模块802,还用于获取表征交通参与者数据的第一维度特征;
第一构建模块804,还用于根据各运动轨迹的轨迹点数量、各轨迹点的第一位置信息、速度信息、第一维度特征和对应交通参与者的第一标识,构造当前交通参与者特征。
获取模块802,还用于获取当前车道图中各车道图的车道点数量,以及各车道点的第二位置信息。
确定模块还用于根据车道点中相邻车道点的第四位置信息的矢量差值确定各车道点的方向信息。
获取模块802,还用于获取表征地图数据的第二维度特征。
第二构造模块806,还用于根据各车道中心线的车道点数量、各车道点的第二位置信息、方向信息、第二维度特征和对应车道的第二标识,构造当前车道图特征。
第二构造模块806,还用于根据各车道中心线的车道点数、各车道点的第四位置信息、方向信息、第二维度特征和对应车道的第二标识,构造各车道中心线的车道线特征;
拼接模块,用于对各车道线特征进行拼接,得到当前车道图特征;还用于对各车道线特征在车道中心线维度上进行拼接,得到当前车道图特征。
可选地,在一个实施例中,获取模块802还用于获取交通参与者在指定区域的运动轨迹样本集以及与运动轨迹样本集相关的车道图集;运动轨迹样本集中的各运动轨迹由若干个轨迹点构成,各轨迹点存在对应的位置信息;车道图集中各车道图包括多条车道中心线,各车道中心线由若干个车道点构成。
可选地,在一个实施例中,第一构造模块804还用于根据运动轨迹样本集中各运动轨迹的轨迹点数量、各轨迹点的第三位置信息、速度信息和对应交通参与者的第一标识,构造交通参与者特征。
可选地,在一个实施例中,第二构造模块806还用于根据车道图集中各车道图的车道点数量、各车道点的第四位置信息、方向信息和对应车道的第二标识,构造车道图特征。
可选地,在一个实施例中,训练模块,用于根据交通参与者特征和车道图特征对运动轨迹预测模型进行训练,直到满足预设训练条件时得到训练好的运动轨迹预测模型。
可选地,在一个实施例中,特征提取模块,用于对交通参与者特征和车道图特征进行数据特征提取,得到第一维数的第一批数据。
可选地,在一个实施例中,特征处理模块,用于对第一批数据进行高维嵌入特征处理,得到目标特征数据。
可选地,在一个实施例中,训练模块还用于根据目标特征数据对运动轨迹预测模型进行训练,直到满足预设训练条件时得到训练好的运动轨迹预测模型。
可选地,在一个实施例中,获取模块802还用于获取运动轨迹样本集中各运动轨迹的轨迹点数和各轨迹点的第三位置信息。
可选地,在一个实施例中,确定模块,用于根据轨迹点中相邻轨迹点的第三位置信息和相邻轨迹点的时间间隔确定各轨迹点的速度信息。
可选地,在一个实施例中,获取模块802还用于获取表征交通参与者数据的第一维度特征。
可选地,在一个实施例中,第一构造模块804还用于根据各运动轨迹的轨迹点数量、各轨迹点的第三位置信息、速度信息、第一维度特征和对应交通参与者的第一标识,构造交通参与者特征。
可选地,在一个实施例中,获取模块802还用于获取车道图集中各车道图中各车道中心线的车道点数量、各车道点的第四位置信息。
可选地,在一个实施例中,确定模块还用于根据车道点中相邻车道点的第四位置信息的矢量差值确定各轨迹点的速度信息。
可选地,在一个实施例中,获取模块802还用于获取表征地图数据的第二维度特征。
可选地,在一个实施例中,第二构造模块806还用于根据各车道中心线的车道点数量、各车道点的第四位置信息、方向信息、第二维度特征和对应车道的第二标识,构造车道中心线的车道线特征。
可选地,在一个实施例中,拼接模块,用于对各车道线特征进行拼接,得到车道图特征。
可选地,在一个实施例中,获取模块802还用于获取交通参与者的轨迹数据。
可选地,在一个实施例中,识别模块,用于从轨迹数据中确定交通参与者在指定区域的运动轨迹,得到运动轨迹样本集;运动轨迹是指轨迹点的曲率发生变化的轨迹;识别与各运动轨迹相关的车道图,得到车道图集。
在一个实施例中,通过获取交通参与者在指定区域的运动轨迹样本集以及与运动轨迹样本集相关的车道图集;运动轨迹样本集中的各运动轨迹由若干个轨迹点构成,各轨迹点存在对应的位置信息;车道图集中各车道图包括多条车道中心线,各车道中心线由若干个车道点构成;根据运动轨迹样本集中各运动轨迹的轨迹点数、各轨迹点的第三位置信息、速度信息和对应交通参与者的第一标识,构造交通参与者特征;根据车道图集中各车道图的车道点数、各车道点的第四位置信息、方向信息和对应车道的第二标识,构造车道图特征;根据交通参与者特征和车道图特征对运动轨迹预测模型进行训练,直到满足预设训练条件时得到训练好的运动轨迹预测模型。
当获取交通参与者的当前运动轨迹以及与当前轨迹相关的当前车道图时,根据当前运动轨迹上轨迹点的轨迹点数、各轨迹点的第一位置信息、速度信息和对应交通参与者的标识,构造交通参与者特征;根据当前车道图中各车道图的车道点数、各车道点的第二位置信息、方向信息和对应车道的标识,构造车道图特征;根据交通参与者特征和车道图特征输入训练好的运动轨迹预测模型进行高维嵌入特征学习,得到目标特征数据;目标特征数据包括轨迹点与轨迹点,轨迹点与车道点,车道点和车道点的特征;根据目标特征数据进行轨迹预测,得到交通参与者在指定时长内的预测轨迹;即利用transformer学习交通参与者轨迹点于轨迹点间的关系,学习交通参与者轨迹点与地图中心线点间的关系,使交通参与者轨迹点同时考虑了时间和空间关系,对运动轨迹预测模型进行训练,从而进一步提高了轨迹预测的性能以及预测的准确性。
关于运动轨迹预测装置的具体限定可以参见上文中对于运动轨迹预测方法的限定,在此不再赘述。上述运动轨迹预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种运动轨迹预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种运动轨迹预测方法,其特征在于,所述方法包括:
获取交通参与者的当前运动轨迹以及与所述当前轨迹相关的当前车道图;
根据所述当前运动轨迹上轨迹点的轨迹点数量、各所述轨迹点的第一位置信息、速度信息和对应交通参与者的标识,构造当前交通参与者特征;
根据所述当前车道图中各车道图的车道点数量、各所述车道点的第二位置信息、方向信息和对应车道的标识,构造当前车道图特征;
对所述当前交通参与者特征和当前车道图特征进行高维嵌入特征处理,得到目标特征数据;所述目标特征数据是指考虑了所述轨迹点与轨迹点,轨迹点与车道点,车道点和车道点之间相关性的特征数据;
根据目标特征数据进行轨迹预测,得到交通参与者在指定时长内的预测轨迹。
2.根据权利要求1所述的方法,其特征在于,所述根据当前交通参与者特征和当前车道图特征进行高维嵌入特征处理,得到目标特征数据,包括:
对所述当前交通参与者特征和所述当前车道图特征进行数据特征提取,得到第一批数据;
对所述第一批数据进行高维嵌入特征处理,得到目标特征数据。
3.根据权利要求2所述的方法,其特征在于,所述对所述第一批数据进行高维嵌入特征处理,得到目标特征数据,包括:
对所述第一批数据进行批数据转化,得到特征维数相同的第二批数据;
将第二批数据输入至多层神经网络中进行特征变换,得到变换后的高维嵌入特征;
对所述变换后的高维嵌入特征进行矩阵转换,得到矩阵转换后的高维嵌入特征;
对所述矩阵转换后的高维嵌入特征进行位置嵌入处理,得到位置嵌入后的高维嵌入特征;
对所述位置嵌入后的高维嵌入特征进行特征处理,得到目标特征数据。
4.根据权利要求1所述的方法,其特征在于,所述根据所述当前运动轨迹上轨迹点的轨迹点数量、各所述轨迹点的第一位置信息、速度信息和对应交通参与者的标识,构造当前交通参与者特征,包括:
获取所述当前运动轨迹上轨迹点的轨迹点数量,以及各所述轨迹点的第一位置信息;
根据所述轨迹点中相邻轨迹点的第一位置信息和相邻轨迹点的时间间隔确定各所述轨迹点的速度信息;
获取表征交通参与者数据的第一维度特征;
根据各所述运动轨迹的轨迹点数量、各所述轨迹点的第一位置信息、速度信息、第一维度特征和对应交通参与者的第一标识,构造当前交通参与者特征。
5.根据权利要求1所述的方法,其特征在于,所述根据所述当前车道图中各车道图的车道点数量、各所述车道点的第二位置信息、方向信息和对应车道的标识,构造当前车道图特征,包括:
获取所述当前车道图中各车道图的车道点数量,以及各所述车道点的第二位置信息;
根据所述车道点中相邻车道点的第四位置信息的矢量差值确定各所述车道点的方向信息;
获取表征地图数据的第二维度特征;
根据各所述车道中心线的车道点数量、各所述车道点的第二位置信息、方向信息、第二维度特征和对应车道的第二标识,构造当前车道图特征。
6.根据权利要求5所述的方法,其特征在于,所述根据各所述车道中心线的车道点数、各所述车道点的第四位置信息、方向信息、第二维度特征和对应车道的第二标识,构造当前车道图特征,包括:
根据各所述车道中心线的车道点数、各所述车道点的第二位置信息、方向信息、第二维度特征和对应车道的第二标识,构造各所述车道中心线的车道线特征;
对各所述车道线特征进行拼接,得到当前车道图特征。
7.根据权利要求6所述的方法,其特征在于,所述对各所述车道线特征进行拼接,得到当前车道图特征,包括:
对各所述车道线特征在车道中心线维度上进行拼接,得到当前车道图特征。
8.一种运动轨迹预测装置,其特征在于,所述装置包括:
获取模块,用于获取交通参与者的当前运动轨迹以及与所述当前轨迹相关的当前车道图;
第一构造模块,用于根据所述当前运动轨迹上轨迹点的轨迹点数量、各所述轨迹点的第一位置信息、速度信息和对应交通参与者的标识,构造当前交通参与者特征;
第二构造模块,用于根据所述当前车道图中各车道图的车道点数量、各所述车道点的第二位置信息、方向信息和对应车道的标识,构造当前车道图特征;
嵌入特征处理模块,用于对所述当前交通参与者特征和所述当前车道图特征进行高维嵌入特征处理,得到目标特征数据;所述目标特征数据是指考虑了所述轨迹点与轨迹点,轨迹点与车道点,车道点和车道点之间相关性的特征数据;
预测模块,用于根据目标特征数据进行轨迹预测,得到交通参与者在指定时长内的预测轨迹。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110858918.XA CN113609947A (zh) | 2021-07-28 | 2021-07-28 | 运动轨迹预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110858918.XA CN113609947A (zh) | 2021-07-28 | 2021-07-28 | 运动轨迹预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113609947A true CN113609947A (zh) | 2021-11-05 |
Family
ID=78338527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110858918.XA Pending CN113609947A (zh) | 2021-07-28 | 2021-07-28 | 运动轨迹预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113609947A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114994673A (zh) * | 2022-08-04 | 2022-09-02 | 南京隼眼电子科技有限公司 | 用于雷达的道路地图生成方法、装置及存储介质 |
-
2021
- 2021-07-28 CN CN202110858918.XA patent/CN113609947A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114994673A (zh) * | 2022-08-04 | 2022-09-02 | 南京隼眼电子科技有限公司 | 用于雷达的道路地图生成方法、装置及存储介质 |
CN114994673B (zh) * | 2022-08-04 | 2022-10-21 | 南京隼眼电子科技有限公司 | 用于雷达的道路地图生成方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230144209A1 (en) | Lane line detection method and related device | |
CN110221600B (zh) | 路径规划方法、装置、计算机设备和存储介质 | |
CN111507150B (zh) | 利用基于深度神经网络的多重图像块组合识别人脸的方法 | |
US20210148727A1 (en) | Simulating diverse long-term future trajectories in road scenes | |
CN112734808B (zh) | 一种车辆行驶环境下易受伤害道路使用者的轨迹预测方法 | |
JP2021515724A (ja) | 自動運転車において3dcnnネットワークを用いてソリューション推断を行うlidar測位 | |
CN110210604A (zh) | 一种终端设备移动轨迹预测方法及装置 | |
CN110414526B (zh) | 语义分割网络的训练方法、训练装置、服务器和存储介质 | |
CN109285105A (zh) | 水印检测方法、装置、计算机设备和存储介质 | |
CN111931720A (zh) | 跟踪图像特征点的方法、装置、计算机设备和存储介质 | |
CN112256037B (zh) | 应用于自动驾驶的控制方法、装置、电子设备及介质 | |
CN111923919A (zh) | 车辆控制方法、装置、计算机设备和存储介质 | |
Jin et al. | Conflict-based search with D* lite algorithm for robot path planning in unknown dynamic environments | |
CN112815948A (zh) | 识别偏航模式的方法、装置、计算机设备和存储介质 | |
CN116194351A (zh) | 使用目标位置的代理轨迹预测 | |
CN113609947A (zh) | 运动轨迹预测方法、装置、计算机设备和存储介质 | |
Haddad et al. | Self-growing spatial graph network for context-aware pedestrian trajectory prediction | |
CN113383283A (zh) | 感知信息处理方法、装置、计算机设备和存储介质 | |
CN114348019A (zh) | 车辆轨迹预测方法、装置、计算机设备和存储介质 | |
CN111008622B (zh) | 一种图像对象检测方法、装置以及计算机可读存储介质 | |
CN110824496B (zh) | 运动估计方法、装置、计算机设备和存储介质 | |
CN115147720A (zh) | 基于坐标注意力和长短距上下文的sar舰船检测方法 | |
CN115237097A (zh) | 自动驾驶仿真测试方法、装置、计算机设备和存储介质 | |
EP3855120A1 (en) | Method for long-term trajectory prediction of traffic participants | |
CN114489043B (zh) | 多智能体路径规划方法、装置、电子设备及存储介质 |
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 |