CN113997955A - 轨迹预测方法、装置、电子设备以及存储介质 - Google Patents
轨迹预测方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN113997955A CN113997955A CN202111514748.XA CN202111514748A CN113997955A CN 113997955 A CN113997955 A CN 113997955A CN 202111514748 A CN202111514748 A CN 202111514748A CN 113997955 A CN113997955 A CN 113997955A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- time sequence
- neighborhood
- prediction
- current vehicle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012545 processing Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
- B60W60/0016—Planning or execution of driving tasks specially adapted for safety of the vehicle or its occupants
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
- B60W2530/201—Dimensions of vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种轨迹预测方法、装置、电子设备以及存储介质。该方法包括:获取当前车辆的车辆位置和车辆尺寸,以及所述当前车辆所在邻域范围内的各邻域车辆的车辆位置和车辆尺寸,分别生成各车辆的时序输入信息;将所述当前车辆以及邻域车辆的时序输入信息输入至预先训练的轨迹预测模型中,生成所述当前车辆的轨迹预测信息。通过本发明实施例公开的技术方案,实现了提高自动驾驶中轨迹预测的合理性以及准确性。
Description
技术领域
本发明实施例涉及自动驾驶技术领域,尤其涉及一种轨迹预测方法、装置、电子设备以及存储介质。
背景技术
在复杂的交通环境中,车辆要想安全快速行驶,不光要规划好自身的路径,更要根据周围障碍物的实时变化,动态的规划接下来的驾驶动作,如何准确的预测车辆的未来行驶轨迹变得尤其重要。
由于现有技术在预测过程中所依赖的信息不够全面以及使用的预测算法存在误差,可能会预测出不合理的运动轨迹,进而影响对车辆的行驶轨迹的预测,从而对自动驾驶的安全性、可靠性以及舒适性都会产生很大影响。
发明内容
本发明提供一种轨迹预测方法、装置、电子设备以及存储介质,以实现提高自动驾驶中轨迹预测的合理性以及准确性。
第一方面,本发明实施例提供了一种轨迹预测方法,该方法包括:
获取当前车辆的车辆位置和车辆尺寸,以及所述当前车辆所在邻域范围内的各邻域车辆的车辆位置和车辆尺寸,分别生成各车辆的时序输入信息;
将所述当前车辆以及邻域车辆的时序输入信息输入至预先训练的轨迹预测模型中,生成所述当前车辆的轨迹预测信息。
可选的,获取所述当前车辆所在邻域范围内的各邻域车辆的车辆尺寸,包括:
识别所述邻域车辆的车辆类型,基于所述车辆类型确定所述邻域车辆的车辆尺寸;或者,
基于激光雷达采集所述邻域车辆的车辆尺寸。
可选的,所述车辆尺寸包括车辆宽度;
所述基于激光雷达采集所述邻域车辆的车辆尺寸,包括:
所述基于激光雷达采集所述邻域车辆的车辆宽度;或者,
所述基于激光雷达采集所述邻域车辆的车辆长度,并基于车辆包围盒的长宽比例确定所述邻域车辆的车辆宽度。
可选的,获取所述当前车辆所在邻域范围内的各邻域车辆的车辆位置,包括:
基于激光雷达采集所述邻域车辆与所述当前车辆之间的距离;
基于所述当前车辆的当前坐标、所述距离以及所述邻域车辆的车辆尺寸确定得到所述邻域车辆的车辆坐标。
可选的,所述轨迹预测模型包括:
多个第一时序处理模块,分别用于接收当前车辆和各邻域车辆的时序输入信息,并分别对接收的时序输入信息进行时序特征的提取;
卷积模块,分别与各所述第一时序处理模块连接,对各所述第一时序处理模块提取的时序特征进行融合处理,并得到融合时序特征;
第二时序处理模块,用于接收当前车辆的时序输入信息,并对当前车辆时序输入信息进行时序特征的提取;
特征拼接模块,分别与所述卷积模块与所述第二时序处理模块连接,将所述融合时序特征和所述第二时序处理模块输出的时序特征进行特征拼接;
预测模块,与所述特征拼接模块连接,用于基于拼接处理得到特征得到当前车辆的轨迹预测信息。
可选的,所述预测模块包括横向预测单元、纵向预测单元和坐标预测单元,相应的,所述当前车辆的轨迹预测信息包括所述当前车辆的横向行驶预测概率分布、纵向行驶预测概率分布、以及坐标预测信息。
可选的,所述轨迹预测模型的训练方法包括:
获取历史轨迹数据以及所述历史轨迹数据对应的样本输入信息;
将所述样本输入信息输入至待训练的轨迹预测模型中,得到所述轨迹预测模型输出的预测轨迹数据;
基于预测轨迹数据和所述历史轨迹数据得到损失项,并基于所述损失项和约束项得到损失函数,其中,所述约束项基于当前车辆与各领域车辆的距离确定;
基于所述损失函数对所述轨迹预测模型进行迭代训练,直到满足训练条件,得到训练完成的轨迹预测模型。
第二方面,本发明实施例还提供了一种轨迹预测装置,该装置包括:
时序输入信息生成模块,用于获取当前车辆的车辆位置和车辆尺寸,以及所述当前车辆所在邻域范围内的各邻域车辆的车辆位置和车辆尺寸,分别生成各车辆的时序输入信息;
轨迹预测信息生成模块,用于将所述当前车辆以及邻域车辆的时序输入信息输入至预先训练的轨迹预测模型中,生成所述当前车辆的轨迹预测信息。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任意实施例提供的轨迹预测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例提供的轨迹预测方法。
本发明实施例提供的技术方案通过获取当前车辆的车辆位置和车辆尺寸,以及当前车辆所在邻域范围内的各邻域车辆的车辆位置和车辆尺寸,分别生成各车辆的时序输入信息;获取了更加全面的车辆相关信息,以得到更加准确的轨迹预测信息;进一步地,将当前车辆以及邻域车辆的时序输入信息输入至预先训练的轨迹预测模型中,生成当前车辆的轨迹预测信息;实现提高自动驾驶中轨迹预测的合理性以及准确性,从而提高了自动驾驶的安全性。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案,下面对描述实施例中所需要用到的附图做一简单介绍。显然,所介绍的附图只是本发明所要描述的一部分实施例的附图,而不是全部的附图,对于本领域普通技术人员,在不付出创造性劳动的前提下,还可以根据这些附图得到其他的附图。
图1是本发明实施例一提供的轨迹预测方法的流程示意图;
图2是本发明实施例二提供的车辆包围盒的结构示意图;
图3是本发明实施例二提供的车道坐标系的结构示意图;
图4是本发明实施例二提供的轨迹预测模型的结构示意图;
图5是本发明实施例二提供的轨迹预测方法的流程示意图;
图6是本发明实施例三提供的轨迹预测装置的结构示意图;
图7为本发明实施例四提供的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种轨迹预测方法的流程图,本实施例可适用于对当前车辆的行驶轨迹进行预测的情况;具体的,更适用于基于周围车辆信息以及当前车辆尺寸对当前车辆的行驶轨迹进行预测的情况。该方法可以由轨迹预测装置来执行,该装置可以由软件和/或硬件的方式来实现。
在对本发明实施例提供的技术方案进行介绍之前,先对该本发明实施例的应用场景进行示例性的介绍,当然本发明实施例提供的技术方案还可以应用于其他应用场景,本实施例对技术方案的应用场景不加以限制。具体的,本实施例的应用场景包括:在复杂的交通环境中,车辆行驶的轨迹预测的精确度及与现实情况的匹配程度直接影响着行车安全及乘客的舒适程度,车辆要想安全快速行驶,不光要规划好自身的路径,更要根据周围障碍物的实时变化,动态的规划接下来的驾驶动作。所以,如何准确的预测车辆未来行驶轨迹变得尤其重要。
由于现有技术在预测过程中所依赖的信息不够全面以及使用的预测算法存在误差,可能会预测出不合理的运动轨迹,进而影响对车辆的行驶轨迹的预测。具体的,一些预测方法采用直接根据车辆历史轨迹进行预测,该方法忽略了车辆行驶过程中车辆之间的相互影响,当一辆车改变行驶轨迹后势必会影响周围车辆的行驶轨迹,将车辆间的相互联系忽略会导致车辆的轨迹预测结果与实际情况相差较远。一些研究者基于上述局限进行了完善,将不同车辆的轨迹信息采用LSTM进行特征提取,将提取出来的特征采用socialpooling方法进行融合,然后结合目标车辆自身的轨迹信息进行预测,得到未来轨迹预测结果。上述两类方法在进行车辆轨迹预测时均将车辆看作质点,未考虑车辆自身的大小,但实际中,车辆由于其体积较大,相对于预测出的轨迹而言不可忽略,但现有预测方法在预测过程中未能考虑车辆实际大小导致预测得出的轨迹与实际情况有较大的差异。
为了得到更加准确的行驶轨迹预测信息,本实施例的技术方案对现有技术中的车辆轨迹预测方法进行了优化,引入了包围盒思想,将传统预测方法中基于坐标的方法扩展到了平面,在预测过程中考虑了车辆本身大小,对于车辆轨迹预测增加了物理限制,能够优化车辆预测轨迹,使得预测出来的轨迹能与现实情况更加符合。
具体的,本发明实施例提供的技术方案通过获取当前车辆的车辆位置和车辆尺寸,以及当前车辆所在邻域范围内的各邻域车辆的车辆位置和车辆尺寸,分别生成各车辆的时序输入信息;获取了更加全面的车辆相关信息,以得到更加准确的轨迹预测信息;进一步地,将当前车辆以及邻域车辆的时序输入信息输入至预先训练的轨迹预测模型中,生成当前车辆的轨迹预测信息;实现提高自动驾驶中轨迹预测的合理性以及准确性,从而提高了自动驾驶的安全性。
如图1所示,该技术方案具体包括以下步骤:
S110、获取当前车辆的车辆位置和车辆尺寸,以及当前车辆所在邻域范围内的各邻域车辆的车辆位置和车辆尺寸,分别生成各车辆的时序输入信息。
在本发明实施例中,车辆位置可以是当前车辆在车道中的位置。可选的,基于当前车辆行驶的各车道建立车道坐标系,当前车辆的车辆位置可以解释为当前车辆在该车道坐标系中的位置坐标;具体的,该位置坐标包括横向位置以及纵向位置。车辆尺寸可以是当前车辆的具体尺寸;在本实施例中,车辆尺寸等效于车辆宽度,所以,本实施例中获取当前车辆的车辆尺寸可以理解为获取当前车辆的车辆宽度。可选的,车辆宽度的获取方法可以是直接获取车辆宽度,也可以是基于车辆长度进行间接确定,当然还可以是基于当前车辆在车道上所占的面积而确定车辆宽度。邻域范围可以包括但不限于当前车辆所在车道相邻的其他车道;当然还包括当前车辆所在车道的其他位置。相应的,邻域车辆可以解释为在相邻的其他车道或者在当前车道的其他位置上行驶的车辆。车辆的时序输入信息可以包括车辆在当前时刻以及之前时刻的车辆位置以及车辆尺寸;其中,车辆位置包括但不限于车辆在其行驶车道上的坐标位置。
可选的,获取当前车辆的车辆尺寸的方法可以是基于读取车辆预先存储的车辆数据而得到当前车辆的车辆宽度。
可选的,获取当前车辆所在邻域范围内的各邻域车辆的车辆尺寸的方法包括识别邻域车辆的车辆类型,基于车辆类型确定邻域车辆的车辆尺寸;或者,基于激光雷达采集邻域车辆的车辆尺寸。
其中,车辆类型包括基于车辆的尺寸对车辆进行分类所得到的车辆类型。例如,车辆类型包括但不限于公交车、轿车、越野车、厢货车等车辆类型。当然,本实施例中的车辆还可以基于其他分类标准进行车辆分类,本实施例对分类方式以及车辆类型不加以限制。
具体的,基于车辆类型识别车辆尺寸可以包括基于当前车辆的摄像头扫描邻域车辆的车辆标识,并基于该车辆标识以及邻域车辆的车辆轮廓确定该邻域车辆的车辆类型,并基于预先存储的车辆类型与车辆尺寸的车辆数据信息库确定该邻域车辆的车辆宽度,从而确定该邻域车辆的车辆尺寸。
具体的,基于激光雷达采集邻域车辆的车辆尺寸可以包括基于当前车辆安装的激光雷达对邻域车辆进行扫描,并基于扫描结果确定邻域车辆的车辆尺寸。
可选的,基于扫描结果确定邻域车辆的车辆尺寸的方法可以包括:基于激光雷达采集邻域车辆的车辆宽度;或者,基于激光雷达采集邻域车辆的车辆长度,并基于车辆包围盒的长宽比例确定邻域车辆的车辆宽度。
示例性的,若邻域车辆在当前车辆的前方或者后方,则可以直接扫描到邻域车辆的车辆宽度,进一步地基于扫描结果可以直接获取邻域车辆的车辆宽度,从而确定邻域车辆的车辆尺寸。再例如,若邻域车辆与当前车辆并列行驶,则基于激光雷达的扫描结果仅可以得到邻域车辆的车辆长度,进一步地基于扫描到的车辆长度和预设的车辆包围盒的长宽比例确定邻域车辆的车辆宽度。其中,车辆包围盒可以是基于车辆的长度和宽度代替车辆大小的包围盒;车辆包围盒的长宽比例可以是基于各种车辆的长宽比例预先设置的。可选的,车辆包围盒的长宽比例可以设置为1:2~6,即根据不同的车辆类型确定不同的长宽比例;例如,公交车的车辆包围盒的长宽比例为1:5;再例如,轿车的车辆包围盒的长宽比例为1:3;如图2所示,将图中的车辆等效为三个包围盒,车宽为l,可以等效认为车长约为车宽3倍,即可以将长方形车等效为3个正方形,在计算距离时正方形较为复杂,因而进一步等效为3个半径相同的圆形。在预测轨迹时认为整个车辆的中心为O2,O1与O2之间的距离为与车宽相等,圆O1,O2,O3的半径当然,上述车辆包围盒的长宽比例只是作为可选实施例,还可以根据实际车辆进行具体的设置,本实施例对此不加以限定。
具体的,获取当前车辆的车辆位置可以包括基于当前车辆预先设置的定位装置确定当前车辆的位置;
具体的,获取当前车辆所在邻域范围内的各邻域车辆的车辆位置可以包括基于激光雷达采集邻域车辆与当前车辆之间的距离;进一步的,基于当前车辆的当前坐标、距离以及邻域车辆的车辆尺寸确定得到邻域车辆的车辆坐标。
具体的如图3所示,基于当前车辆所在公路预先建立车道坐标系;具体的,以当前车辆所在位置为坐标原点,以车辆行驶方向为纵轴,以车辆行驶的垂直方向为横轴。进一步的,基于激光雷达的采集结果,确定邻域车辆与当前车辆之间的距离,并基于当前车辆在车道坐标系中的当前坐标、邻域车辆与当前车辆之间的距离以及邻域车辆的车辆尺寸确定该邻域车辆在同一车道坐标系中的车辆坐标位置。
需要说明的是,上述车道坐标系中可以以当前车辆为坐标原点,也可以以其他任意位置作为坐标原点,本实施例对坐标系的选取不加以限定。并且,上述获取当前车辆的车辆位置和车辆尺寸,以及当前车辆所在邻域范围内的各邻域车辆的车辆位置和车辆尺寸的方法只是可选实施例,本实施还可以根据实际情况采用其他的方式进行车辆位置和车辆尺寸的获取,本实施例对获取方法不加以限定。
进一步的,基于上述获取当前车辆的车辆位置和车辆尺寸,以及当前车辆所在邻域范围内的各邻域车辆的车辆位置和车辆尺寸的方法,获取当前时刻以及之前各时刻的各车辆的车辆位置和车辆尺寸,并生成各车辆的时序输入信息,以实现基于各车辆的时序输入信息生成当前车辆的轨迹预测信息。
其中,t表示时间;x表示车辆的车辆位置和车辆尺寸;
其中,x0表示当前车辆的横向坐标位置,y0表示当前车辆的纵向坐标位置,d0表示当前车辆的车辆尺寸;x1表示当前车辆的第一辆邻域车辆的横向坐标位置,y1表示当前车辆的第一辆邻域车辆的纵向坐标位置,d1表示当前车辆的第一辆邻域车辆的车辆尺寸;xn表示当前车辆的第n辆邻域车辆的横向坐标位置,yn表示当前车辆的第n辆邻域车辆的纵向坐标位置,dn表示当前车辆的第n辆邻域车辆的车辆尺寸。
S120、将当前车辆以及邻域车辆的时序输入信息输入至预先训练的轨迹预测模型中,生成当前车辆的轨迹预测信息。
在本实施例中,在基于上述实施例得到当前车辆以及邻域车辆的时序输入信息之后,将该时序输入信息输入至预先训练的轨迹预测模型中,并基于该模型的输出结果生成当前车辆的轨迹预测信息。
具体的,本实施例中的轨迹预测模型包括多个第一时序处理模块,分别用于接收当前车辆和各邻域车辆的时序输入信息,并分别对接收的时序输入信息进行时序特征的提取;卷积模块,分别与各第一时序处理模块连接,对各第一时序处理模块提取的时序特征进行融合处理,并得到融合时序特征;第二时序处理模块,用于接收当前车辆的时序输入信息,并对当前车辆时序输入信息进行时序特征的提取;特征拼接模块,分别与卷积模块与第二时序处理模块连接,将融合时序特征和第二时序处理模块输出的时序特征进行特征拼接;预测模块,与特征拼接模块连接,用于基于拼接处理得到特征得到当前车辆的轨迹预测信息。
具体的如图4所示,第一时序处理模块提取当前车辆和各邻域车辆的时序输入信信息,得到各车辆的时序输入信息的时序特征,考虑当前车辆的邻域车辆对当前车辆的影像,以得到更加准确的轨迹预测信息;其中,第一时序处理模块可以由至少一个TCN(Temporal convolutional network,时序卷积网络)编码器组成。换言之,本实施例中的第一时序处理模块包括多个TCN编码器。本实施例中,任一个TCN编码器对应任一车辆,用于接收以该车辆为当前车辆,以其他车辆为邻域车辆的时序输入信息;相应的,基于各TCN编码器分别得到以各车辆为当前车辆,以其他车辆为邻域车辆的各车辆的时序输入信息。
进一步的,卷积模块将上述各车辆的时序输入信息的时序特征进行融合处理,得到各车辆的融合时序特征,以得到各车辆之间的相互作用关系。
进一步的,第二时序处理模块获取当前车辆的时序输入信息,得到当前车辆的时序输入信息的时序特征,进一步加深当前车辆的信息特征,以得到更加准确的轨迹预测信息;
进一步的,特征拼接模块将上述各车辆的融合时序特征与当前车辆的时序特征进行拼接,得到拼接时序特征,基于更多的特征对当前车辆的轨迹模型进行预测,以得到更加准确的轨迹预测信息;
进一步的,将拼接模块输出的拼接时序特征输入至预测模块,得到预测模块输出的当前车辆的轨迹预测信息。其中,预测模块包括横向预测单元、纵向预测单元和坐标预测单元;相应的,当前车辆的轨迹预测信息包括当前车辆的横向行驶预测概率分布、纵向行驶预测概率分布、以及坐标预测信息。
具体的,横向预测单元、纵向预测单元可以分别包括横向softmax函数及纵向softmax函数,用于输出当前车辆的横向行驶预测概率分布和纵向行驶预测概率分布。坐标预测单元可以包括TCN解码器,用于输出出当前车辆的坐标预测信息。
示例性的,轨迹预测信息可以用Y表示;示例性的,Y的表达式包括:Y=[Sx,Sy,x];其中,Sx表示当前车辆的横向行驶预测概率;Sy表示当前车辆的纵向行驶预测概率;x表示当前车辆的坐标预测信息;具体的,x的表达式包括:
本发明实施例提供的技术方案通过获取当前车辆的车辆位置和车辆尺寸,以及当前车辆所在邻域范围内的各邻域车辆的车辆位置和车辆尺寸,分别生成各车辆的时序输入信息;获取了更加全面的车辆相关信息,以得到更加准确的轨迹预测信息;进一步地,将当前车辆以及邻域车辆的时序输入信息输入至预先训练的轨迹预测模型中,生成当前车辆的轨迹预测信息;实现提高自动驾驶中轨迹预测的合理性以及准确性,从而提高了自动驾驶的安全性。
实施例二
图5为本发明实施例二提供的一种轨迹预测方法的流程图,本实施例在上述各实施例的基础上,在步骤“获取当前车辆的车辆位置和车辆尺寸”之前增加了步骤“预先对轨迹预测模型进行训练”其中与上述各实施例相同或相应的术语的解释在此不再赘述。参见图5,本实施例提供的轨迹预测方法包括:
S210、预先对轨迹预测模型进行训练。
在本发明实施例中,在基于轨迹预测模型对当前车辆进行轨迹预测之前,需要预先对轨迹模型进行训练,以得到训练好的轨迹预测模型。
可选的,对轨迹预测模型的训练方法包括:获取历史轨迹数据以及历史轨迹数据对应的样本输入信息;将样本输入信息输入至待训练的轨迹预测模型中,得到轨迹预测模型输出的预测轨迹数据;基于预测轨迹数据和历史轨迹数据得到损失项,并基于损失项和约束项得到损失函数,其中,约束项基于当前车辆与各领域车辆的距离确定;基于损失函数对轨迹预测模型进行迭代训练,直到满足训练条件,得到训练完成的轨迹预测模型。
具体的,轨迹预测模型的损失函数的表达式如下所示:
其中,P(Y|X)表示轨迹预测模型的模型损失函数;θ表示约束项;表示损失项;具体的,X为历史轨迹数据,Y为预测轨迹坐标,mi为人工将误差函数分段;θ表示未来每个时间步长的二元高斯分布的参数;示例性的,θ表达式如下所示:
其中,j表示当前车辆的3个车辆包围盒;k表示当前车辆的邻域车辆i的3个包围盒;其中,j,k在本实施例中的取值均可以为1、2、3。(x02,y02)表示当前车辆的坐标信息,(x01,y01)=(x02,y02+l0),(x03,y03)=(x02,y02-l0)。l表示当前车辆的车辆宽度;还可以表示当前车辆的两个包围盒之间的距离。
具体的,若预测结果满足目标车辆三个包围盒坐标与周围车辆三个包围盒坐标之间的距离大于二者的半径之和,则约束项为0,,若为其他结构,则约束项为1。
具体的,基于上述实施例的损失函数对训练中的轨迹预测模型进行重复训练,直到模型在训练样本中收敛,即模型的损失值趋于零或者长时间趋于稳定不再随着训练次数的增加而改变,确定此时的特征提取模型满足训练停止条件,即完成模型训练,得到训练完成的轨迹预测模型。
S220、获取当前车辆的车辆位置和车辆尺寸,以及当前车辆所在邻域范围内的各邻域车辆的车辆位置和车辆尺寸,分别生成各车辆的时序输入信息。
S230、将当前车辆以及邻域车辆的时序输入信息输入至预先训练的轨迹预测模型中,生成当前车辆的轨迹预测信息。
本发明实施例提供的技术方案通过获取当前车辆的车辆位置和车辆尺寸,以及当前车辆所在邻域范围内的各邻域车辆的车辆位置和车辆尺寸,分别生成各车辆的时序输入信息;获取了更加全面的车辆相关信息,以得到更加准确的轨迹预测信息;进一步地,将当前车辆以及邻域车辆的时序输入信息输入至预先训练的轨迹预测模型中,生成当前车辆的轨迹预测信息;实现提高自动驾驶中轨迹预测的合理性以及准确性,从而提高了自动驾驶的安全性。
以下是本发明实施例提供的轨迹预测装置的实施例,该装置与上述各实施例的轨迹预测方法属于同一个发明构思,在轨迹预测装置的实施例中未详尽描述的细节内容,可以参考上述轨迹预测方法的实施例。
实施例三
图6为本发明实施例三提供的轨迹预测装置的结构示意图,本实施例可适用于在软件测试中进行性能测试的情况。参见图6,该轨迹预测装置的具体结构包括:时序输入信息生成模块310和轨迹预测信息生成模块320;其中,
时序输入信息生成模块310,用于获取当前车辆的车辆位置和车辆尺寸,以及所述当前车辆所在邻域范围内的各邻域车辆的车辆位置和车辆尺寸,分别生成各车辆的时序输入信息;
轨迹预测信息生成模块320,用于将所述当前车辆以及邻域车辆的时序输入信息输入至预先训练的轨迹预测模型中,生成所述当前车辆的轨迹预测信息。
本发明实施例提供的技术方案通过获取当前车辆的车辆位置和车辆尺寸,以及所述当前车辆所在邻域范围内的各邻域车辆的车辆位置和车辆尺寸,分别生成各车辆的时序输入信息;获取了更加全面的车辆相关信息,以得到更加准确的轨迹预测信息;进一步地,将所述当前车辆以及邻域车辆的时序输入信息输入至预先训练的轨迹预测模型中,生成所述当前车辆的轨迹预测信息;实现提高自动驾驶中轨迹预测的合理性以及准确性,从而提高了自动驾驶的安全性。
在上述各实施例的基础上,时序输入信息生成模块310,包括:
车辆尺寸识别单元,用于识别所述邻域车辆的车辆类型,基于所述车辆类型确定所述邻域车辆的车辆尺寸;或者,
车辆尺寸采集单元,用于基于激光雷达采集所述邻域车辆的车辆尺寸。
在上述各实施例的基础上,所述车辆尺寸包括车辆宽度;
车辆尺寸识别单元,包括:
车辆宽度采集子单元,用于所述基于激光雷达采集所述邻域车辆的车辆宽度;或者,
车辆长度采集子单元,用于所述基于激光雷达采集所述邻域车辆的车辆长度,并基于车辆包围盒的长宽比例确定所述邻域车辆的车辆宽度。
在上述各实施例的基础上,时序输入信息生成模块310,包括:
距离确定单元,用于基于激光雷达采集所述邻域车辆与所述当前车辆之间的距离;
车辆坐标确定单元,用于基于所述当前车辆的当前坐标、所述距离以及所述邻域车辆的车辆尺寸确定得到所述邻域车辆的车辆坐标。
在上述各实施例的基础上,所述轨迹预测模型包括:
多个第一时序处理模块,分别用于接收当前车辆和各邻域车辆的时序输入信息,并分别对接收的时序输入信息进行时序特征的提取;
卷积模块,分别与各所述第一时序处理模块连接,对各所述第一时序处理模块提取的时序特征进行融合处理,并得到融合时序特征;
第二时序处理模块,用于接收当前车辆的时序输入信息,并对当前车辆时序输入信息进行时序特征的提取;
特征拼接模块,分别与所述卷积模块与所述第二时序处理模块连接,将所述融合时序特征和所述第二时序处理模块输出的时序特征进行特征拼接;
预测模块,与所述特征拼接模块连接,用于基于拼接处理得到特征得到当前车辆的轨迹预测信息。
在上述各实施例的基础上,所述预测模块包括横向预测单元、纵向预测单元和坐标预测单元,相应的,所述当前车辆的轨迹预测信息包括所述当前车辆的横向行驶预测概率分布、纵向行驶预测概率分布、以及坐标预测信息。
在上述各实施例的基础上,所述轨迹预测模型的训练方法包括:
获取历史轨迹数据以及所述历史轨迹数据对应的样本输入信息;
将所述样本输入信息输入至待训练的轨迹预测模型中,得到所述轨迹预测模型输出的预测轨迹数据;
基于预测轨迹数据和所述历史轨迹数据得到损失项,并基于所述损失项和约束项得到损失函数,其中,所述约束项基于当前车辆与各领域车辆的距离确定;
基于所述损失函数对所述轨迹预测模型进行迭代训练,直到满足训练条件,得到训练完成的轨迹预测模型。
本发明实施例所提供的轨迹预测装置可执行本发明任意实施例所提供的轨迹预测方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述轨迹预测装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例四
图7为本发明实施例四提供的一种电子设备的结构示意图。图7示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图7显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,电子设备12以通用计算电子设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示,通常称为“硬盘驱动器”)。尽管图7中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如系统存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图7所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图7中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及样本数据获取,例如实现本发实施例所提供的一种轨迹预测方法步骤,轨迹预测方法包括:
获取当前车辆的车辆位置和车辆尺寸,以及所述当前车辆所在邻域范围内的各邻域车辆的车辆位置和车辆尺寸,分别生成各车辆的时序输入信息;
将所述当前车辆以及邻域车辆的时序输入信息输入至预先训练的轨迹预测模型中,生成所述当前车辆的轨迹预测信息。
当然,本领域技术人员可以理解,处理器还可以实现本发明任意实施例所提供的样本数据获取方法的技术方案。
实施例五
本实施例五提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现例如实现本发实施例所提供的一种轨迹预测方法步骤,轨迹预测方法包括:
获取当前车辆的车辆位置和车辆尺寸,以及所述当前车辆所在邻域范围内的各邻域车辆的车辆位置和车辆尺寸,分别生成各车辆的时序输入信息;
将所述当前车辆以及邻域车辆的时序输入信息输入至预先训练的轨迹预测模型中,生成所述当前车辆的轨迹预测信息。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种轨迹预测方法,其特征在于,包括:
获取当前车辆的车辆位置和车辆尺寸,以及所述当前车辆所在邻域范围内的各邻域车辆的车辆位置和车辆尺寸,分别生成各车辆的时序输入信息;
将所述当前车辆以及邻域车辆的时序输入信息输入至预先训练的轨迹预测模型中,生成所述当前车辆的轨迹预测信息。
2.根据权利要求1所述的方法,其特征在于,获取所述当前车辆所在邻域范围内的各邻域车辆的车辆尺寸,包括:
识别所述邻域车辆的车辆类型,基于所述车辆类型确定所述邻域车辆的车辆尺寸;或者,
基于激光雷达采集所述邻域车辆的车辆尺寸。
3.根据权利要求1或2所述的方法,其特征在于,所述车辆尺寸包括车辆宽度;
所述基于激光雷达采集所述邻域车辆的车辆尺寸,包括:
所述基于激光雷达采集所述邻域车辆的车辆宽度;或者,
所述基于激光雷达采集所述邻域车辆的车辆长度,并基于车辆包围盒的长宽比例确定所述邻域车辆的车辆宽度。
4.根据权利要求1所述的方法,其特征在于,获取所述当前车辆所在邻域范围内的各邻域车辆的车辆位置,包括:
基于激光雷达采集所述邻域车辆与所述当前车辆之间的距离;
基于所述当前车辆的当前坐标、所述距离以及所述邻域车辆的车辆尺寸确定得到所述邻域车辆的车辆坐标。
5.根据权利要求1所述的方法,其特征在于,所述轨迹预测模型包括:
多个第一时序处理模块,分别用于接收当前车辆和各邻域车辆的时序输入信息,并分别对接收的时序输入信息进行时序特征的提取;
卷积模块,分别与各所述第一时序处理模块连接,对各所述第一时序处理模块提取的时序特征进行融合处理,并得到融合时序特征;
第二时序处理模块,用于接收当前车辆的时序输入信息,并对当前车辆时序输入信息进行时序特征的提取;
特征拼接模块,分别与所述卷积模块与所述第二时序处理模块连接,将所述融合时序特征和所述第二时序处理模块输出的时序特征进行特征拼接;
预测模块,与所述特征拼接模块连接,用于基于拼接处理得到特征得到当前车辆的轨迹预测信息。
6.根据权利要求5所述的方法,其特征在于,所述预测模块包括横向预测单元、纵向预测单元和坐标预测单元,相应的,所述当前车辆的轨迹预测信息包括所述当前车辆的横向行驶预测概率分布、纵向行驶预测概率分布、以及坐标预测信息。
7.根据权利要求1所述的方法,其特征在于,所述轨迹预测模型的训练方法包括:
获取历史轨迹数据以及所述历史轨迹数据对应的样本输入信息;
将所述样本输入信息输入至待训练的轨迹预测模型中,得到所述轨迹预测模型输出的预测轨迹数据;
基于预测轨迹数据和所述历史轨迹数据得到损失项,并基于所述损失项和约束项得到损失函数,其中,所述约束项基于当前车辆与各领域车辆的距离确定;
基于所述损失函数对所述轨迹预测模型进行迭代训练,直到满足训练条件,得到训练完成的轨迹预测模型。
8.一种轨迹预测装置,其特征在于,包括:
时序输入信息生成模块,用于获取当前车辆的车辆位置和车辆尺寸,以及所述当前车辆所在邻域范围内的各邻域车辆的车辆位置和车辆尺寸,分别生成各车辆的时序输入信息;
轨迹预测信息生成模块,用于将所述当前车辆以及邻域车辆的时序输入信息输入至预先训练的轨迹预测模型中,生成所述当前车辆的轨迹预测信息。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的轨迹预测方法。
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,该程序被处理器执行时实现如权利要求1-7中任一所述的轨迹预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111514748.XA CN113997955A (zh) | 2021-12-13 | 2021-12-13 | 轨迹预测方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111514748.XA CN113997955A (zh) | 2021-12-13 | 2021-12-13 | 轨迹预测方法、装置、电子设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113997955A true CN113997955A (zh) | 2022-02-01 |
Family
ID=79932000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111514748.XA Pending CN113997955A (zh) | 2021-12-13 | 2021-12-13 | 轨迹预测方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113997955A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110834644A (zh) * | 2019-10-30 | 2020-02-25 | 中国第一汽车股份有限公司 | 一种车辆控制方法、装置、待控制车辆及存储介质 |
CN110843789A (zh) * | 2019-11-19 | 2020-02-28 | 苏州智加科技有限公司 | 一种基于时序卷积网络的车辆换道意图预测方法 |
CN111583645A (zh) * | 2020-05-09 | 2020-08-25 | 北京京东乾石科技有限公司 | 车辆协同行驶的质量评估方法、装置、服务器及介质 |
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 |
CN112868022A (zh) * | 2018-10-16 | 2021-05-28 | 法弗人工智能有限公司 | 自动驾驶车辆的驾驶场景 |
CN113261035A (zh) * | 2019-12-30 | 2021-08-13 | 华为技术有限公司 | 一种轨迹预测方法及相关设备 |
CN113544035A (zh) * | 2019-01-11 | 2021-10-22 | 祖克斯有限公司 | 遮挡预测和轨迹评估 |
-
2021
- 2021-12-13 CN CN202111514748.XA patent/CN113997955A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112868022A (zh) * | 2018-10-16 | 2021-05-28 | 法弗人工智能有限公司 | 自动驾驶车辆的驾驶场景 |
CN113544035A (zh) * | 2019-01-11 | 2021-10-22 | 祖克斯有限公司 | 遮挡预测和轨迹评估 |
CN110834644A (zh) * | 2019-10-30 | 2020-02-25 | 中国第一汽车股份有限公司 | 一种车辆控制方法、装置、待控制车辆及存储介质 |
CN110843789A (zh) * | 2019-11-19 | 2020-02-28 | 苏州智加科技有限公司 | 一种基于时序卷积网络的车辆换道意图预测方法 |
CN113261035A (zh) * | 2019-12-30 | 2021-08-13 | 华为技术有限公司 | 一种轨迹预测方法及相关设备 |
CN111583645A (zh) * | 2020-05-09 | 2020-08-25 | 北京京东乾石科技有限公司 | 车辆协同行驶的质量评估方法、装置、服务器及介质 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110286387B (zh) | 应用于自动驾驶系统的障碍物检测方法、装置及存储介质 | |
CN109284348B (zh) | 一种电子地图的更新方法、装置、设备和存储介质 | |
CN110260870B (zh) | 基于隐马尔可夫模型的地图匹配方法、装置、设备和介质 | |
US20210302585A1 (en) | Smart navigation method and system based on topological map | |
CN112212874B (zh) | 车辆轨迹预测方法、装置、电子设备及计算机可读介质 | |
CN109558854B (zh) | 障碍物感知方法、装置、电子设备及存储介质 | |
CN114212110B (zh) | 障碍物轨迹预测方法、装置、电子设备及存储介质 | |
CN113554643B (zh) | 一种目标检测方法、装置、电子设备及存储介质 | |
CN115540896A (zh) | 路径规划方法、装置、电子设备和计算机可读介质 | |
CN112906823B (zh) | 目标对象识别模型训练方法、识别方法及识别装置 | |
CN109859505B (zh) | 高速站点的预警处理方法、装置、服务器和介质 | |
CN114997307A (zh) | 一种轨迹预测方法、装置、设备及存储介质 | |
CN112712036A (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN115782867A (zh) | 轨迹碰撞风险评估方法、装置、电子设备和存储介质 | |
CN114092909A (zh) | 一种车道线提取方法、装置、车辆及存储介质 | |
CN114475656A (zh) | 行驶轨迹预测方法、装置、电子设备以及存储介质 | |
CN113895460A (zh) | 行人轨迹预测方法、装置及存储介质 | |
CN113902793A (zh) | 基于单视觉遥感影像端到端建筑物高度预测方法、系统和电子设备 | |
CN111951328A (zh) | 一种物体位置检测方法、装置、设备和存储介质 | |
CN114429631B (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
CN113997955A (zh) | 轨迹预测方法、装置、电子设备以及存储介质 | |
CN116091716A (zh) | 一种基于深度学习的高精度地图自动化制作系统及方法 | |
CN112379692B (zh) | 无人机航线的确定方法、装置、设备及存储介质 | |
CN113624245B (zh) | 导航方法及装置、计算机存储介质、电子设备 | |
CN114550116A (zh) | 一种对象识别方法和装置 |
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 |