CN114021080A - 轨迹预测模型训练以及轨迹预测方法、装置、设备及介质 - Google Patents

轨迹预测模型训练以及轨迹预测方法、装置、设备及介质 Download PDF

Info

Publication number
CN114021080A
CN114021080A CN202111266492.5A CN202111266492A CN114021080A CN 114021080 A CN114021080 A CN 114021080A CN 202111266492 A CN202111266492 A CN 202111266492A CN 114021080 A CN114021080 A CN 114021080A
Authority
CN
China
Prior art keywords
track
predicted
data
vehicle
sample 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
Application number
CN202111266492.5A
Other languages
English (en)
Inventor
高延熹
吕颖
韩佳琪
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.)
FAW Group Corp
Original Assignee
FAW Group Corp
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 FAW Group Corp filed Critical FAW Group Corp
Priority to CN202111266492.5A priority Critical patent/CN114021080A/zh
Publication of CN114021080A publication Critical patent/CN114021080A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例公开了轨迹预测模型训练以及轨迹预测方法、装置、设备及介质。该方法包括：通过轨迹预测模型，对样本车辆的历史轨迹数据和所述样本车辆的周围车辆的历史轨迹数据进行处理，得到所述样本车辆的预测轨迹数据和所述样本车辆的预测驾驶行为数据；根据所述样本车辆的预测轨迹数据、所述样本车辆的真实轨迹数据以及所述样本车辆的预测驾驶行为数据，确定损失函数；根据所述损失函数，对所述轨迹预测模型进行训练。通过本发明实施例提供的技术方案，训练的轨迹预测模型准确性更高，进而实现基于该轨迹预测模型对自动驾驶车辆进行更精准的轨迹预测。

Description

轨迹预测模型训练以及轨迹预测方法、装置、设备及介质
技术领域
本发明实施例涉及智能交通技术，尤其涉及轨迹预测模型训练以及轨迹预测方法、设备以及存储介质。
背景技术
随着智能汽车技术飞速发展，自动驾驶技术逐渐成为领域内的研究热点。
现有的智能驾驶解决方案在突发情况的应对上难以做到及时反应和处理，对于周围车辆的突然变道或者是急刹车的情况如果不能提前预知，智能驾驶的安全行将面临巨大威胁，因此面向高级自动驾驶的轨迹预测逐渐成为领域内的一项研究热点。
发明内容
本发明实施例提供的轨迹预测模型训练以及轨迹预测方法、装置、设备及介质，训练的轨迹预测模型准确性更高，进而实现基于该轨迹预测模型对自动驾驶车辆进行更精准的轨迹预测。
第一方面，本发明实施例提供了一种轨迹预测模型的训练方法，该方法包括：
通过轨迹预测模型，对样本车辆的历史轨迹数据和所述样本车辆的周围车辆的历史轨迹数据进行处理，得到所述样本车辆的预测轨迹数据和所述样本车辆的预测驾驶行为数据；
根据所述样本车辆的预测轨迹数据、所述样本车辆的真实轨迹数据，以及所述样本车辆的预测驾驶行为数据，确定损失函数；
根据所述损失函数，对所述轨迹预测模型进行训练。
第二方面，本发明实施例还提供了一种轨迹预测方法，该方法包括：
获取待预测车辆的历史轨迹数据和所述待预测车辆的周围车辆的历史轨迹数据；
通过轨迹预测模型，对所述待预测车辆的历史轨迹数据和所述待预测车辆的周围车辆的历史轨迹数据进行处理，得到所述待预测车辆的预测行驶轨迹；
其中，所述轨迹预测模型是根据本发明任意实施例中所提供的一种轨迹预测模型的训练方法训练得到。
第三方面，本发明实施例还提供了一种轨迹预测模型的训练装置，该装置包括：
轨迹预测模块，用于通过轨迹预测模型，对样本车辆的历史轨迹数据和所述样本车辆的周围车辆的历史轨迹数据进行处理，得到所述样本车辆的预测轨迹数据和所述样本车辆的预测驾驶行为数据；
损失函数确定模块，用于根据所述样本车辆的预测轨迹数据、所述样本车辆的真实轨迹数据，以及所述样本车辆的预测驾驶行为数据，确定损失函数；
训练模块，用于根据所述损失函数，对所述轨迹预测模型进行训练。
第四方面，本发明实施例还提供了一种轨迹预测装置，该装置包括：
获取模块，用获取待预测车辆的历史轨迹数据和所述待预测车辆的周围车辆的历史轨迹数据；
预测模块，用于通过轨迹预测模型，对所述待预测车辆的历史轨迹数据和所述待预测车辆的周围车辆的历史轨迹数据进行处理，得到所述待预测车辆的预测行驶轨迹；
其中，所述轨迹预测模型是根据本发明任意实施例中所提供的一种轨迹预测模型的训练方法训练得到。
第五方面，本发明实施例还提供了一种设备，该电子设备包括：
一个或多个处理器；
存储器，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中所提供的轨迹预测模型的训练方法，和/或轨迹预测方法。
第六方面，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。其中，该程序被处理器执行时实现如本发明任意实施例所提供的轨迹预测模型的训练方法，和/或轨迹预测方法。
本发明实施例提供的轨迹预测模型训练以及轨迹预测方法、设备以及存储介质，通过利用轨迹预测模型，对样本车辆的历史轨迹数据和样本车辆的周围车辆的历史轨迹数据进行处理，得到样本车辆的预测轨迹数据和预测驾驶行为数据，基于样本车辆的预测轨迹数据、样本车辆的真实轨迹数据以及样本车辆的预测驾驶行为数据确定损失函数，根据确定出的损失函数，对轨迹预测模型进行训练，从而训练得到考虑了驾驶行为的轨迹预测模型。进一步的，通过获取待预测车辆的历史轨迹数据和待预测车辆的周围车辆的历史轨迹数据，利用上述训练得到的考虑了驾驶行为的轨迹预测模型，对待预测车辆的历史轨迹数据和待预测车辆的周围车辆的历史轨迹数据进行处理，得到待预测车辆的预测行驶轨迹，实现待预测车辆的行驶轨迹预测，通过本发明实施例提供的技术方案，训练的轨迹预测模型准确性更高，进而实现基于该轨迹预测模型对自动驾驶车辆进行更精准的轨迹预测。
附图说明
图1为本发明实施例一提供的一种轨迹预测模型的训练方法的流程图；
图2A为本发明实施例二提供的一种轨迹预测模型的训练方法的流程图；
图2B为本发明实施例二提供的一种轨迹预测模型的结构示意图；
图3为本发明实施例三提供的一种轨迹预测方法的流程图；
图4为本发明实施例四提供的一种轨迹预测模型的训练装置的结构框图；
图5为本发明实施例五提供的一种轨迹预测装置的结构框图；
图6为本发明实施例六提供的一种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模型的训练方法的流程图，本实施例可适用于轨迹预测之前对轨迹预测模型进行训练的情况。该方法可以由轨迹预测模型的训练装置来执行，该装置可以采用软件和/或硬件方式实现，并可集成于具有轨迹预测模型训练功能的电子设备中。如图1所示，本实施例提供的轨迹预测模型的训练方法具体包括：
S101、通过轨迹预测模型，对样本车辆的历史轨迹数据和样本车辆的周围车辆的历史轨迹数据进行处理，得到样本车辆的预测轨迹数据和样本车辆的预测驾驶行为数据。
其中，轨迹预测模型指可以对输入的数据进行处理，输出预测的轨迹位置坐标的模型。历史轨迹数据是指车辆在预设预测时间段之前的一段预设时间的轨迹数据。所谓一段预设时间例如可以是5分钟、10分钟或15分钟。
历史轨迹数据可以包括样本车辆和样本车辆的周围车辆的历史轨迹数据，具体的，样本车辆的历史轨迹数据可以通过样本车辆本身的控制单元获取，样本车辆的周围车辆的历史轨迹数据可以通过样本车辆车身搭载的智能传感器获得。
预测轨迹数据可以包含轨迹预测模型预测的车辆在预设预测时间段内的轨迹预测结果，具体的，所谓轨迹预测结果至少包括样本车辆在预设预测时间段内每一预测时刻可能的位置坐标以及车辆在该时刻处于该位置的概率，进一步的，轨迹预测模型最终输出的位置坐标可以取最大概率值所对应的位置坐标；可选的，可以在预设预测时间段内每隔预设时间进行采样，所谓预设时间，可以是1分钟或2分钟等。
预测驾驶行为数据可以包含驾驶员在预测时域内可能产生的驾驶行为以及驾驶员在预测时域的预测时刻做出各驾驶行为的概率；所谓驾驶行为例如可以包括加速行驶、匀速行驶、减速行驶、向左变道、保持当前车道和向右变道等。
可选的，在预设历史时间段内的每一采样时刻，以样本车辆所处的位置为坐标原点，以样本车辆的行驶方向为y轴，样本车辆行驶方向的水平垂直方向为x轴，建立二维平面坐标系。可以在每一采样时刻利用样本车辆车身搭载的智能传感器对样本车辆的周围车辆的所处的位置坐标进行测量，从而获得样本车辆的周围车辆的历史轨迹数据；利用样本车辆本身的控制单元记录样本车辆在每一采样时刻的位置坐标，从而获得样本车辆的历史轨迹数据。
示例性的，样本车辆周围车辆的历史轨迹可以表示为：
Xt＝{(xt,yt)|t＝1,2,…,Tobs}
其中，(xt,yt)为样本车辆的周围车辆在采样时刻t时刻的位置坐标，Tobs表示对样本车辆周围车辆的历史观测时域。通过样本车辆本身的控制单元获得的样本车辆的历史轨迹数据的表示方式与上述表达式类似，此处不再赘述。
示例性的，通过轨迹预测模型，对样本车辆的历史轨迹数据和样本车辆的周围车辆的历史轨迹数据进行处理，也就是将样本车辆的历史轨迹数据和样本车辆的周围车辆的历史轨迹数据输入轨迹预测模型，轨迹预测模型对输入的样本车辆的历史轨迹数据和样本车辆的周围车辆的历史轨迹数据进行解析处理，输出样本车辆的预测轨迹数据和样本车辆的预测驾驶行为数据。
优选的，由于车辆在较短一段时间内的行驶距离便可以达到数百至数千米，当算法采用的量纲为米时，两极分化的轨迹数据会使得待训练参数的梯度呈现变化缓慢的特征，会导致存在拟合收敛效果不理想的问题，针对该问题，本实施例可以在通过轨迹预测模型，对样本车辆的历史轨迹数据和样本车辆的周围车辆的历史轨迹数据进行处理之前，还包括获取预设历史时间段内样本车辆以及样本车辆的周围车辆的历史轨迹数据并进行预处理，例如可以是归一化处理。
具体的，在获取到预设历史时间段内样本车辆以及样本车辆的周围车辆的历史轨迹数据之后，可以先利用如下公式进行归一化处理：
Figure BDA0003327122520000071
Figure BDA0003327122520000072
其中，
Figure BDA0003327122520000073
和
Figure BDA0003327122520000074
分别表示经归一化后样本车辆的周围车辆的横纵向位置坐标，max(·)表示取括号内参数的最大值，abs(·)表示取括号内参数的绝对值，经过归一化操作之后，轨迹数据的数值都被限制在了0-1的范围内，弥补了在数值较大时网络参数梯度不敏感的缺陷，消除了数据中较大的坐标点位置对整体轨迹趋势的影响，增强了网络训练的普适性。
S102、根据样本车辆的预测轨迹数据、样本车辆的真实轨迹数据以及样本车辆的预测驾驶行为数据，确定损失函数。
可选的，样本车辆的真实轨迹数据可以是预先存储在车辆控制单元的，且在每一采样时刻与样本车辆预测轨迹数据所一一对应的真实轨迹数据。
示例性的，本实施例首先通过轨迹预测模型，对样本车辆的历史轨迹数据和样本车辆的周围车辆的历史轨迹数据进行处理，得到样本车辆的预测轨迹数据和样本车辆的预测驾驶行为数据，再根据车辆控制单元获取样本车辆的真实轨迹数据，最后基于样本车辆的预测轨迹数据、样本车辆的真实轨迹数据以及样本车辆的预测驾驶行为数据，确定损失函数，用于对轨迹预测模型进行训练。
可选的，本实施例可以根据样本车辆的预测轨迹数据、样本车辆的真实轨迹数据以及样本车辆的预测驾驶行为数据，分别确定均方根误差损失函数和驾驶行为损失函数两种损失函数。即根据样本车辆的预测轨迹数据和样本车辆的真实轨迹数据确定均方根误差损失函数；根据样本车辆的预测驾驶行为数据和样本车辆的预测轨迹数据，确定驾驶行为损失函数。
具体的，在获得样本车辆的预测轨迹数据和样本车辆的预测轨迹数据对应的样本车辆的真实轨迹数据之后，可以通过如下公式计算预测模型的均方根误差损失函数LRMSE：
Figure BDA0003327122520000081
其中，Tobs和Tpred分别表示对样本车辆的历史观测时域以及预测时域，t表示采用时间，xt和yt分别表示样本车辆的预测轨迹数据中样本车辆横纵向的位置坐标，
Figure BDA0003327122520000082
和
Figure BDA0003327122520000083
分别表示样本车辆的真实轨迹数据中样本车辆横纵向的位置坐标。
进一步的，在获得样本车辆的预测驾驶行为数据和样本车辆的预测轨迹数据之后，可以通过如下公式计算预测模型的驾驶行为损失函数Lnll：
Figure BDA0003327122520000084
其中，Tobs和Tpred分别表示对样本车辆的历史观测时域以及预测时域，t表示采用时间，xt和yt分别表示样本车辆的预测轨迹数据中样本车辆横纵向的位置坐标，log(·)表示取对数，dk表示驾驶员在驾驶车辆时可能产生的驾驶行为，例如k可以取1、2、3、4、5或6，分别代表驾驶员加速行驶、匀速行驶、减速行驶、向左变道、保持当前车道和向右变道六种驾驶行为。ut、δt和ρt分别表示样本车辆的预测轨迹数据的均值、方差和相关系数。P(dk|ut,δt,ρt)表示在样本车辆的预测轨迹数据的均值、方差和相关系数取值为ut、δt和ρt时dk所取值的最大概率；P(xt,yt|dk)表示驾驶行为取值为dk条件下，样本车辆的预测轨迹位置坐标为(xt,yt)的概率。
S103、根据损失函数，对轨迹预测模型进行训练。
可选的，可以通过至少一种损失函数对轨迹预测模型进行训练，例如可以是平方损失函数、均方根误差损失函数和驾驶行为损失函数中的至少一种。
示例性的，在实际的训练过程中，可以先根据均方根误差损失函数对轨迹预测模型进行训练，在对样本车辆的历史轨迹数据和样本车辆的周围车辆的历史轨迹数据遍历训练预设次数(例如可以是10次)以后，获得一个预测准确性较高的预测模型，再根据驾驶行为损失函数对轨迹预测模型进一步训练，例如可以是根据驾驶行为损失函数对样本车辆的历史轨迹数据和样本车辆的周围车辆的历史轨迹数据遍历训练预设次数(例如可以是5次)，完成对轨迹预测模型的训练。
需要说明的是，通过均方根误差损失函数对轨迹预测模型进行训练，可以最大程度的降低轨迹预测模型的轨迹预测结果与真实轨迹数据之间的误差；在通过均方根误差损失函数对轨迹预测模型进行训练之后，再通过驾驶行为损失函数对轨迹预测模型进行训练，可以进一步对驾驶行为的多峰分布进行调整，得到考虑了驾驶员驾驶行为且预测结果更准确合理的轨迹预测模型。通过先后根据均方根误差损失函数和驾驶行为损失函数对轨迹预测模型进行训练的方式，可以提升轨迹预测模型预测的准确性与合理性。
可选的，在第一次执行S101至S103过程也就是对轨迹预测模型进行第一次训练时，轨迹预测模型的权重系数和网络参数等相关参数为初始值，初始值例如可设置为0，也可以是根据现有经验，从已知的参数集合随机选择获得。
可选的，可以通过S101至S103过程对轨迹预测模型进行多次训练，例如可以是对轨迹预测模型训练预设的训练次数，也可以是以损失函数收敛为训练结束条件对轨迹预测模型进行训练，通过这样的方式训练得到的轨迹预测模型准确性更高。
本实施例通过利用轨迹预测模型对样本车辆的历史轨迹数据和样本车辆的周围车辆的历史轨迹数据进行处理，得到样本车辆的预测轨迹数据和样本车辆的预测驾驶行为数据之后，确定损失函数，并根据至少一种类型的损失函数对轨迹预测模型进行训练迭代，将轨迹预测模型的权重系数和网络参数等训练参数不断调整，确定使得轨迹预测模型预测准确率最高的训练参数，从而获得训练好的轨迹预测模型，完成对轨迹预测模型的训练。通过这样的方式，训练好的轨迹预测模型准确性更高，且由于训练过程中考虑到了驾驶员驾驶行为对轨迹预测的影响，轨迹预测模型的轨迹预测结果更加合理，可以实现基于该轨迹预测模型对自动驾驶车辆进行更精准的轨迹预测。
实施例二
图2A为本发明实施例二提供的一种轨迹预测模型的训练方法的流程图，图2B为本发明实施例二提供的一种轨迹预测模型的结构示意图，如图2B所示，该轨迹预测模型执行从获取历史轨迹数据到输出预测轨迹数据和预测驾驶行为数据的过程中，依次经过编码器网络、池化卷积网络和解码器网络对历史轨迹数据进行处理，最终输出预测轨迹数据和预测驾驶行为数据。
接下来，本实施例在上述各实施例的基础上，结合图2B所示的轨迹预测模型，对图2A所示的轨迹预测模型的训练方法进行详细介绍，具体包括：
S201、通过轨迹预测模型的编码器网络，对样本车辆的历史轨迹数据和样本车辆的周围车辆的历史轨迹数据进行处理，得到第一轨迹编码信息。
可选的，轨迹预测模型的编码器网络可以是长短期记忆网络(LSTM，Long Short-Term Memory)。通过长短期记忆网络的遗忘门、输入门和输出门，对样本车辆的历史轨迹数据和样本车辆的周围车辆的历史轨迹数据进行处理，以将样本车辆的历史轨迹数据和样本车辆的周围车辆的历史轨迹数据由二维的坐标点集转换为轨迹编码信息，使得轨迹预测模型的下一模块可以识别。
S202、通过轨迹预测模型的池化卷积网络，对第一轨迹编码信息进行处理，得到第二轨迹编码信息。
可选的，通过轨迹预测模型的池化卷积网络，提取第一轨迹编码信息的特征信息，得到具有样本车辆与样本车辆的周围车辆特征信息的第二轨迹编码信息。其中，特征信息可以包含空间约束特征信息和局部约束特征信息。
需要说明的是，由于样本车辆与样本车辆的周围车辆在行驶的过程中具有交互式的影响，即样本车辆与样本车辆的周围车辆或样本车辆的周围车辆之间具有空间上的制约和影响，通过提取第一轨迹编码信息中的特征信息从而获得第二轨迹编码信息，可以更好地表征自动驾驶车辆的行驶特性。
可选的，轨迹预测模型的池化卷积网络包括：池化网络和卷积网络。
进一步的，通过轨迹预测模型的池化卷积网络，对第一轨迹编码信息进行处理，得到第二轨迹编码信息，包括：通过池化网络，提取第一轨迹编码信息的空间约束特征；通过卷积网络，从空间约束特征中提取局部约束特征，得到第二轨迹编码信息。
示例性的，通过池化网络中的社会池化层，提取第一轨迹编码信息的空间约束特征，即提取第一轨迹编码信息中的空间约束特征信息。具体的，第一轨迹编码信息中的空间约束特征信息表示样本车辆的周围车辆对样本车辆的影响，可以通过如下形式表示：
Figure BDA0003327122520000121
其中，
Figure BDA0003327122520000122
表示第一轨迹编码信息中的空间约束特征信息，代表了空间中对样本车辆有影响的样本车辆的周围车辆组成的网络隐藏状态，通过样本车辆的周围车辆各自的隐藏状态求和得到；Ai表示处在样本车辆一定范围内的样本车辆的周围车辆的集合，例如在样本车辆与样本车辆的周围车辆同向行驶在三车道上时，这一集合的取值范围为样本车辆的前后100m和左右6m。
Figure BDA0003327122520000123
表示上述范围内第j辆样本车辆的周围车辆的位置坐标，
Figure BDA0003327122520000124
表示样本车辆的位置坐标；
Figure BDA0003327122520000125
表示第j辆样本车辆的周围车辆的隐藏状态。
其中，1mn[·]表示二值函数，当样本车辆与样本车辆的周围车辆的空间距离小于设定的距离阈值时，1mn[·]取1，即考虑这些样本车辆的周围车辆对样本车辆的影响，当样本车辆与样本车辆的周围车辆之间的空间距离大于设定的距离阈值时，1mn[·]取0，即不考虑这些样本车辆的周围车辆对样本车辆的影响。
示例性的，以样本车辆为中心建立一个网格，网格的尺寸为m×n，例如m为13，n为3时，网格包含39个小方块，遍历所有小方块，若某个小方块中存在样本车辆的周围车辆，则1mn[·]取1，否则，1mn[·]取0。
进一步的，可以通过卷积网络，在通过池化网络提取第一轨迹编码信息的空间约束特征之后，对样本车辆与样本车辆的周围车辆之间的空间约束特征进一步筛选，提取出空间约束特征中的局部约束特征，得到具有样本车辆与样本车辆的周围车辆特征信息的第二轨迹编码信息
Figure BDA0003327122520000126
可以表示为：
Figure BDA0003327122520000127
其中，Cov[·]表示卷积网络。具体的，参见图2B，卷积网络可以包括卷积层和池化层，其中卷积层具有至少一个卷积核，例如卷积层可以包括一个尺寸为64的3x3卷积核和一个尺寸为16的3x1卷积核，池化层的尺寸例如可以是2x1；
Figure BDA0003327122520000131
表示第一轨迹编码信息中的空间约束特征信息。
可选的，本实施例也可以只执行通过轨迹预测模型的池化卷积网络中的池化网络，对第一轨迹编码信息进行处理，即提取第一轨迹编码信息的空间约束特征，将第一轨迹编码信息的空间约束特征作为第二轨迹编码信息。
S203、通过轨迹预测模型的解码器网络，对第二轨迹编码信息进行处理，得到样本车辆的预测轨迹数据和样本车辆的预测驾驶行为数据。
可选的，将第二轨迹编码信息输入轨迹预测模型的解码器网络之后，解码器网络利用线性变换将具有样本车辆与样本车辆的周围车辆特征信息的第二轨迹编码信息从特征空间映射到二维轨迹空间，得到样本车辆的初始预测轨迹数据，根据样本车辆的初始预测轨迹数据与样本车辆的真实轨迹数据，将样本车辆的初始预测轨迹数据与样本车辆的真实轨迹数据的偏差对权重参数求偏导，以使得样本车辆的初始预测轨迹数据与样本车辆的真实轨迹数据的偏差最小为原则调整权重参数，最后将第二轨迹编码信息再次输入具有最优权重参数的解码器网络，得到样本车辆的预测轨迹数据和样本车辆的预测驾驶行为数据。
需要说明的是，通过这样的方式，可以使得轨迹预测模型的解码器网络输出的样本车辆的预测轨迹数据和样本车辆的预测驾驶行为数据更准确合理。
进一步的，通过轨迹预测模型的解码器网络，对第二轨迹编码信息进行处理，得到样本车辆的预测轨迹数据和样本车辆的预测驾驶行为数据，包括：
通过轨迹预测模型的解码器网络的线性变换函数和归一化指数函数，对第二轨迹编码信息进行处理，得到样本车辆的预测驾驶行为数据。
通过线性变换函数，对样本车辆的预测驾驶行为数据进行处理，得到样本车辆的预测轨迹数据。
可选的，通过轨迹预测模型中解码器网络的线性变换函数可以将具有样本车辆与样本车辆的周围车辆特征信息的第二轨迹编码信息从特征空间映射到二维轨迹空间，得到从特征空间映射到二维轨迹空间的第二轨迹编码信息，其过程可以表示为：
Figure BDA0003327122520000141
其中，μt、δt和ρt分别是二维轨迹空间轨迹数据的均值、方差和相关系数；Wm是将具有样本车辆与样本车辆的周围车辆特征信息的第二轨迹编码信息从特征空间映射到驾驶行为空间的映射矩阵；
Figure BDA0003327122520000142
表示第二轨迹编码信息。
通过线性变换得到从特征空间映射到二维轨迹空间的第二轨迹编码信息之后，进一步的，利用归一化指数(softmax)函数，可以获得样本车辆的预测驾驶行为数据D，具体可以通过以下公式：
D＝softmax{FC(μt,δt,ρt；We)}
其中，We表示第二轨迹编码信息到驾驶行为数据的权重矩阵；样本车辆的预测驾驶行为数据D包括样本车辆驾驶员可能的驾驶行为dk以及执行该驾驶行为的行为概率P(dk|μt,δt,ρt)；FC(·)为实现线性变换的神经网络的全连接层；μt、δt和ρt表示从特征空间映射到二维轨迹空间的第二轨迹编码信息。
可选的，通过轨迹预测模型的解码器网络的线性变换函数和归一化指数函数，对第二轨迹编码信息进行处理，得到样本车辆的预测驾驶行为数据之后，进一步的，再通过线性变换函数，对样本车辆的预测驾驶行为数据进行处理，将样本车辆的预测驾驶行为数据映射为样本车辆的预测轨迹数据(xt,yt)，具体可以表示为：
(xt,yt)＝FC(D；Wn)
其中，Wn表示样本车辆的预测驾驶行为数据到样本车辆的预测轨迹数据的权重矩阵；D表示样本车辆的预测驾驶行为数据；FC(·)为实现线性变换的神经网络的全连接层。
S204、根据样本车辆的预测轨迹数据、样本车辆的真实轨迹数据以及样本车辆的预测驾驶行为数据，确定损失函数。
可选的，通过轨迹预测模型的编码器网络、池化卷积网络以及解码器网络，可以获得样本车辆的预测轨迹数据和样本车辆的预测驾驶行为数据，根据样本车辆的预测轨迹数据、样本车辆的真实轨迹数据以及样本车辆的预测驾驶行为数据，确定损失函数的方式在S102已给出详细解释，此处不再赘述。
S205、根据损失函数，对轨迹预测模型进行训练。
可选的，根据损失函数，对轨迹预测模型进行训练的方式在S103已给出详细解释，此处不再赘述。
本实施例所提供的技术方案通过利用轨迹预测模型的编码器网络、池化卷积网络以及解码器网络对样本车辆的历史轨迹数据和样本车辆的周围车辆的历史轨迹数据进行处理，得到样本车辆的预测轨迹数据和样本车辆的预测驾驶行为数据，确定损失函数，并根据损失函数对轨迹预测模型进行训练迭代，将轨迹预测模型的权重系数和网络参数等训练参数不断调整，确定出使得轨迹预测模型预测准确率最高的训练参数，从而获得训练好的轨迹预测模型，完成对轨迹预测模型的训练。通过这样的方式，本发明实施例训练好的轨迹预测模型准确性更高，且由于训练过程中考虑到了驾驶员驾驶行为对轨迹预测的影响，轨迹预测模型的轨迹预测结果更加合理，可以实现基于该轨迹预测模型对自动驾驶车辆进行更精准的轨迹预测。
实施例三
图3为本发明实施例三提供的一种轨迹预测方法的流程图，本实施例可适用于自动驾驶车辆中如何实现更精准的轨迹预测的情况，尤其适用于采用上述实施例训练的轨迹预测模型实现轨迹预测的情况，该方法可以由轨迹预测装置来执行，该装置可以采用软件和/或硬件方式实现，并可集成于具有轨迹预测功能的电子设备中。如图3所示，本实施例提供的轨迹预测方法具体包括：
S301、获取待预测车辆的历史轨迹数据和待预测车辆的周围车辆的历史轨迹数据。
其中，历史轨迹数据是指在车辆在预设预测时间段之前的一段预设历史时间的轨迹数据。所谓一段预设历史时间例如可以是5分钟、10分钟或15分钟。
历史轨迹数据可以包括待预测车辆和待预测车辆的周围车辆的历史轨迹数据，具体的，待预测车辆的历史轨迹数据可以通过待预测车辆本身的控制单元获取，待预测车辆的周围车辆的历史轨迹数据可以通过待预测车辆车身搭载的智能传感器获得。
可选的，待预测车辆的周围车辆的历史轨迹数据可以包含待预测车辆的周围车辆在预设历史时间内每一历史时刻的位置坐标。也可以每隔一段时间对待预测车辆的周围车辆的位置坐标进行采集，例如可以是每隔30秒或1分钟对待预测车辆的周围车辆的位置坐标进行采集。
示例性的，在预设历史时间段内的每一采样时刻，以待预测车辆所处的位置为坐标原点，以待预测车辆的行驶方向为y轴，以待预测车辆行驶方向的水平垂直方向为x轴，建立二维平面坐标系，通过待预测车辆车身搭载的智能传感器测量待预测车辆的周围车辆与待预测车辆的距离，得到待预测车辆的周围车辆相对于待预测车辆的位置坐标，从而获得待预测车辆的周围车辆的历史轨迹数据。
进一步的，利用待预测车辆本身的控制单元记录待预测车辆在每一采样时刻的位置坐标，从而获得预设历史时间段内待预测车辆的历史轨迹数据。
S302、通过轨迹预测模型，对待预测车辆的历史轨迹数据和待预测车辆的周围车辆的历史轨迹数据进行处理，得到待预测车辆的预测行驶轨迹。
其中，轨迹预测模型是根据本发明任意实施例中所提供的轨迹预测模型的训练方法来训练得到的。
可选的，通过轨迹预测模型的编码器网络，对待预测车辆的历史轨迹数据和待预测车辆的周围车辆的历史轨迹数据进行处理，得到第一轨迹编码信息；通过轨迹预测模型的池化卷积网络，对第一轨迹编码信息进行处理，得到第二轨迹编码信息；通过轨迹预测模型的解码器网络，对第二轨迹编码信息进行处理，得到待预测车辆的预测行驶轨迹。
需要说明的是，通过将获取的待预测车辆的历史轨迹数据和待预测车辆的周围车辆的历史轨迹数据，输入本发明任意实施例中所提供的轨迹预测模型的训练方法训练得到的轨迹预测模型，可以得到待预测车辆的预测行驶轨迹，完成轨迹预测。本发明任意实施例中所提供的轨迹预测模型的训练方法训练得到的轨迹预测模型考虑到了驾驶员的驾驶行为对轨迹预测的影响，通过这样的方式，本发明实施例提供的技术方案训练好的轨迹预测模型准确性更高，且由于训练过程中考虑到了驾驶员驾驶行为对轨迹预测的影响，轨迹预测模型的轨迹预测结果更加合理，可以实现基于该轨迹预测模型对自动驾驶车辆进行更精准的轨迹预测，可以面向更高级的自动驾驶车辆。
实施例四
图4为本发明实施例四提供的一种轨迹预测模型的训练装置的结构框图；本发明实施例所提供的轨迹预测模型的训练装置可执行本发明任一实施例所提供的轨迹预测模型的训练方法，具备执行该方法相应的功能模块和有益效果。
该轨迹预测模型的训练装置可以包括轨迹预测模块401、损失函数确定模块402和训练模块403。
其中，轨迹预测模块401，用于通过轨迹预测模型，对样本车辆的历史轨迹数据和样本车辆的周围车辆的历史轨迹数据进行处理，得到样本车辆的预测轨迹数据和样本车辆的预测驾驶行为数据；
损失函数确定模块402，用于根据样本车辆的预测轨迹数据、样本车辆的真实轨迹数据，以及样本车辆的预测驾驶行为数据，确定损失函数；
训练模块403，用于根据损失函数，对轨迹预测模型进行训练。
本发明实施例通过利用轨迹预测模型对样本车辆的历史轨迹数据和样本车辆的周围车辆的历史轨迹数据进行处理，得到样本车辆的预测轨迹数据和样本车辆的预测驾驶行为数据之后，确定损失函数，并根据至少一种类型的损失函数对轨迹预测模型进行训练迭代，将轨迹预测模型的权重系数和网络参数等训练参数不断调整，确定使得轨迹预测模型预测准确率最高的训练参数，从而获得训练好的轨迹预测模型，完成对轨迹预测模型的训练。通过这样的方式，训练好的轨迹预测模型既考虑到了驾驶员驾驶行为对轨迹预测的影响，又保证了轨迹预测结果较高的准确性，可以更好的应用于实际自动驾驶车辆的轨迹预测。
进一步的，损失函数确定模块402还包括：
均方根误差损失函数确定单元，用于根据样本车辆的预测轨迹数据和样本车辆的真实轨迹数据确定均方根误差损失函数；
驾驶行为损失函数确定单元，用于根据样本车辆的预测驾驶行为数据和样本车辆的预测轨迹数据，确定驾驶行为损失函数。
进一步的，轨迹预测模块401还包括：
第一轨迹编码信息获取单元，用于通过轨迹预测模型的编码器网络，对样本车辆的历史轨迹数据和样本车辆的周围车辆的历史轨迹数据进行处理，得到第一轨迹编码信息。
第二轨迹编码信息获取单元，用于通过轨迹预测模型的池化卷积网络，对第一轨迹编码信息进行处理，得到第二轨迹编码信息。
数据获取单元，用于通过轨迹预测模型的解码器网络，对第二轨迹编码信息进行处理，得到样本车辆的预测轨迹数据和样本车辆的预测驾驶行为数据。
可选的，轨迹预测模型的池化卷积网络包括：池化网络和卷积网络。
进一步的，第二轨迹编码信息获取单元还包括：
空间特征提取子单元，用于通过池化网络，提取第一轨迹编码信息的空间约束特征；
局部特征提取子单元，用于通过卷积网络，从空间约束特征中提取局部约束特征，得到第二轨迹编码信息。
可选的，数据获取单元还包括：
驾驶行为数据获取子单元，用于通过轨迹预测模型的解码器网络的线性变换函数和归一化指数函数，对第二轨迹编码信息进行处理，得到样本车辆的预测驾驶行为数据；
预测轨迹数据获取子单元，用于通过线性变换函数，对样本车辆的预测驾驶行为数据进行处理，得到样本车辆的预测轨迹数据。
实施例五
图5为本发明实施例五提供的一种轨迹预测装置的结构框图，本发明实施例所提供的轨迹预测装置可执行本发明任一实施例所提供的轨迹预测方法，具备执行该方法相应的功能模块和有益效果。
该轨迹预测装置可以包括获取模块501和预测模块502。
其中，获取模块501，用获取待预测车辆的历史轨迹数据和待预测车辆的周围车辆的历史轨迹数据；
预测模块502，用于通过轨迹预测模型，对待预测车辆的历史轨迹数据和待预测车辆的周围车辆的历史轨迹数据进行处理，得到待预测车辆的预测行驶轨迹；
其中，所述轨迹预测模型是根据本发明任意实施例中所提供的一种轨迹预测模型的训练方法训练得到。
本发明实施例提供的技术方案，通过将获取的待预测车辆的历史轨迹数据和待预测车辆的周围车辆的历史轨迹数据，输入本发明任意实施例中所提供的轨迹预测模型的训练方法训练得到的轨迹预测模型，可以得到待预测车辆的预测行驶轨迹，完成轨迹预测。本发明任意实施例中所提供的轨迹预测模型的训练方法训练得到的轨迹预测模型考虑到了驾驶员的驾驶行为对轨迹预测的影响，通过这样的方式，本发明实施例提供的技术方案训练好的轨迹预测模型准确性更高，且由于训练过程中考虑到了驾驶员驾驶行为对轨迹预测的影响，轨迹预测模型的轨迹预测结果更加合理，可以实现基于该轨迹预测模型对自动驾驶车辆进行更精准的轨迹预测，可以面向更高级的自动驾驶车辆。
实施例六
图6为本发明实施例六提供的一种电子设备的结构示意图，图6示出了适于用来实现本发明实施例实施方式的示例性设备的框图。图6显示的设备仅仅是一个示例，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6所示，电子设备12以通用计算设备的形式表现。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(高速缓存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6未显示，通常称为“硬盘驱动器”)。尽管图6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实施例各实施例的功能。
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通常执行本发明实施例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数据处理，例如实现本发明实施例所提供的轨迹预测模型的训练和/或轨迹预测方法。
实施例七
本发明实施例七还提供一种计算机可读存储介质，其上存储有计算机程序(或称为计算机可执行指令)，该程序被处理器执行时用于执行本发明实施例所提供的轨迹预测模型的训练和/或轨迹预测方法。
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实施例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)。
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实施例进行了较为详细的说明，但是本发明实施例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)

1.一种轨迹预测模型的训练方法，其特征在于，包括：
通过轨迹预测模型，对样本车辆的历史轨迹数据和所述样本车辆的周围车辆的历史轨迹数据进行处理，得到所述样本车辆的预测轨迹数据和所述样本车辆的预测驾驶行为数据；
根据所述样本车辆的预测轨迹数据、所述样本车辆的真实轨迹数据以及所述样本车辆的预测驾驶行为数据，确定损失函数；
根据所述损失函数，对所述轨迹预测模型进行训练。
2.根据权利要求1所述的方法，其特征在于，根据所述样本车辆的预测轨迹数据、所述样本车辆的真实轨迹数据以及所述样本车辆的预测驾驶行为数据，确定损失函数，包括：
根据所述样本车辆的预测轨迹数据和所述样本车辆的真实轨迹数据确定均方根误差损失函数；
根据所述样本车辆的预测驾驶行为数据和所述样本车辆的预测轨迹数据，确定驾驶行为损失函数。
3.根据权利要求1所述的方法，其特征在于，通过轨迹预测模型，对样本车辆的历史轨迹数据和所述样本车辆的周围车辆的历史轨迹数据进行处理，得到所述样本车辆的预测轨迹数据和所述样本车辆的预测驾驶行为数据，包括：
通过所述轨迹预测模型的编码器网络，对所述样本车辆的历史轨迹数据和所述样本车辆的周围车辆的历史轨迹数据进行处理，得到第一轨迹编码信息；
通过所述轨迹预测模型的池化卷积网络，对所述第一轨迹编码信息进行处理，得到第二轨迹编码信息；
通过所述轨迹预测模型的解码器网络，对所述第二轨迹编码信息进行处理，得到所述样本车辆的预测轨迹数据和所述样本车辆的预测驾驶行为数据。
4.根据权利要求3所述的方法，其特征在于，所述轨迹预测模型的池化卷积网络包括：池化网络和卷积网络；
相应的，所述通过所述轨迹预测模型的池化卷积网络，对所述第一轨迹编码信息进行处理，得到第二轨迹编码信息，包括：
通过所述池化网络，提取所述第一轨迹编码信息的空间约束特征；
通过所述卷积网络，从所述空间约束特征中提取局部约束特征，得到所述第二轨迹编码信息。
5.根据权利要求3所述的方法，其特征在于，所述通过所述轨迹预测模型的解码器网络，对所述第二轨迹编码信息进行处理，得到所述样本车辆的预测轨迹数据和所述样本车辆的预测驾驶行为数据，包括：
通过所述轨迹预测模型的解码器网络的线性变换函数和归一化指数函数，对第二轨迹编码信息进行处理，得到所述样本车辆的预测驾驶行为数据；
通过所述线性变换函数，对所述样本车辆的预测驾驶行为数据进行处理，得到所述样本车辆的预测轨迹数据。
6.一种轨迹预测方法，其特征在于，包括：
获取待预测车辆的历史轨迹数据和所述待预测车辆的周围车辆的历史轨迹数据；
通过轨迹预测模型，对所述待预测车辆的历史轨迹数据和所述待预测车辆的周围车辆的历史轨迹数据进行处理，得到所述待预测车辆的预测行驶轨迹；
其中，所述轨迹预测模型是根据如权利要求1至5中任一项所述的方法训练得到。
7.一种轨迹预测模型的训练装置，其特征在于，包括：
轨迹预测模块，用于通过轨迹预测模型，对样本车辆的历史轨迹数据和所述样本车辆的周围车辆的历史轨迹数据进行处理，得到所述样本车辆的预测轨迹数据和所述样本车辆的预测驾驶行为数据；
损失函数确定模块，用于根据所述样本车辆的预测轨迹数据、所述样本车辆的真实轨迹数据，以及所述样本车辆的预测驾驶行为数据，确定损失函数；
训练模块，用于根据所述损失函数，对所述轨迹预测模型进行训练。
8.一种轨迹预测装置，其特征在于，包括：
获取模块，用获取待预测车辆的历史轨迹数据和所述待预测车辆的周围车辆的历史轨迹数据；
预测模块，用于通过轨迹预测模型，对所述待预测车辆的历史轨迹数据和所述待预测车辆的周围车辆的历史轨迹数据进行处理，得到所述待预测车辆的预测行驶轨迹；
其中，所述轨迹预测模型是根据如权利要求1至5中任一项所述的方法训练得到。
9.一种设备，其特征在于，包括：
一个或多个处理器；
存储器，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1-5中任一项所述的轨迹预测模型的训练方法，和/或如权利要求6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1-5中任一项所述的轨迹预测模型的训练方法，和/或如权利要求6所述的轨迹预测方法。
CN202111266492.5A 2021-10-28 2021-10-28 轨迹预测模型训练以及轨迹预测方法、装置、设备及介质 Pending CN114021080A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111266492.5A CN114021080A (zh) 2021-10-28 2021-10-28 轨迹预测模型训练以及轨迹预测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111266492.5A CN114021080A (zh) 2021-10-28 2021-10-28 轨迹预测模型训练以及轨迹预测方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN114021080A true CN114021080A (zh) 2022-02-08

Family

ID=80058386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111266492.5A Pending CN114021080A (zh) 2021-10-28 2021-10-28 轨迹预测模型训练以及轨迹预测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114021080A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116052417A (zh) * 2022-12-21 2023-05-02 浙江零跑科技股份有限公司 一种行驶预测方法、装置、设备和可读存储介质
CN116560377A (zh) * 2023-05-31 2023-08-08 北京百度网讯科技有限公司 用于预测位置轨迹的自动驾驶模型及其训练方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116052417A (zh) * 2022-12-21 2023-05-02 浙江零跑科技股份有限公司 一种行驶预测方法、装置、设备和可读存储介质
CN116560377A (zh) * 2023-05-31 2023-08-08 北京百度网讯科技有限公司 用于预测位置轨迹的自动驾驶模型及其训练方法

Similar Documents

Publication Publication Date Title
CN109343061B (zh) 传感器标定方法、装置、计算机设备、介质和车辆
CN109870698B (zh) 一种超声波阵列障碍物检测结果处理方法及系统
CN107133645B (zh) 预估乘客取消订单行为的方法、设备及存储介质
CN109255341B (zh) 障碍物感知错误数据的提取方法、装置、设备及介质
CN114021080A (zh) 轨迹预测模型训练以及轨迹预测方法、装置、设备及介质
JP2021515178A (ja) 自動運転車両においてｒｎｎとｌｓｔｍを用いて時間平滑化を行うｌｉｄａｒ測位
CN114475781A (zh) 一种车辆控制方法、装置、设备以及存储介质
CN109297725B (zh) 车辆边界能力的测试方法、装置、设备、介质和车辆
CN112613584A (zh) 一种故障诊断方法、装置、设备及存储介质
WO2023082726A1 (zh) 换道策略生成方法和装置、计算机存储介质、电子设备
CN113895460B (zh) 行人轨迹预测方法、装置及存储介质
CN113822593A (zh) 一种安全态势评估方法、装置、存储介质及电子设备
CN111582589A (zh) 一种租车出险预测方法、装置、设备及存储介质
CN113762508A (zh) 一种图像分类网络模型的训练方法、装置、设备和介质
CN113723618A (zh) 一种shap的优化方法、设备及介质
CN109635868B (zh) 障碍物类别的确定方法、装置、电子设备及存储介质
CN115496201A (zh) 一种基于深度强化学习的列车精确停车控制方法
CN115016435A (zh) 一种自动驾驶车辆测试方法、装置、系统、设备和介质
CN114872730A (zh) 一种车辆行驶轨迹预测方法、装置、汽车及存储介质
CN111753959A (zh) 一种神经网络模型优化方法、装置、设备和存储介质
CN113033817B (zh) 基于隐空间的ood检测方法、装置、服务器及存储介质
CN114297022A (zh) 云环境异常检测方法、装置、电子设备和存储介质
CN113537602B (zh) 车辆行为预测方法、装置、设备及介质
CN113031600B (zh) 一种轨迹生成方法、装置、存储介质及电子设备
CN113753063B (zh) 一种车辆行驶指令确定方法、装置、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