CN114332808A - 一种预测转向意图的方法及装置 - Google Patents

Abstract

本说明书公开了一种预测转向意图的方法及装置，无人驾驶设备通过获取障碍物的图像，并提取该障碍物边界的方向梯度直方图，以根据该方向梯度直方图以及训练完成的第一分类器，确定该障碍物的第一转向意图，并分别针对该障碍物可能行驶的各个方向，通过训练完成的多个第二分类器，确定该障碍物的在各个方向上的各第二转向意图，最终根据该第一转向意图以及各第二转向意图，确定该障碍物的最终转向意图，以基于该最终转向意图确定避障策略。通过对障碍物边界的方向梯度直方图对该障碍物的转向意图进行预测，降低了计算复杂度，提高了预测时效性，并通过多个分类器确定最终转向意图的方式兼顾了预测准确率。

Description

一种预测转向意图的方法及装置

技术领域

本说明书涉及自动驾驶领域，尤其涉及一种预测转向意图的方法及装置。

背景技术

随着自动驾驶技术的发展，无人驾驶设备在道路行驶过程中的安全性也越来越受到人们的关注。为了保障无人驾驶设备在道路行驶过程中的安全，需要对道路中行驶的动态障碍物的转向意图进行预测，以控制无人驾驶设备避障。

在现有技术中，对道路中行驶的动态障碍物的转向意图进行预测时，需要获取该动态障碍物的速度、尺寸、位置等特征信息，再根据该特征信息对该动态障碍物行驶的轨迹线进行预测，最后根据预测出的该动态障碍物行驶的轨迹线，对该动态障碍物的转向意图进行预测。

但是，由于预测动态障碍物的行驶轨迹的算法较为复杂，一方面对无人驾驶设备的算力要求较高，另一方面耗时较长，预测结果的时效性较低。导致无人驾驶设备难以及时预测动态障碍物的转向意图，难以预先避让改变运动方向的动态障碍物，使得无人驾驶设备的安全难以得到保障。

发明内容

本说明书提供一种预测转向意图的方法及装置，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预测转向意图的方法，包括：

获取障碍物的图像；

根据所述图像，提取表征所述障碍物边界的方向梯度直方图；

将所述方向梯度直方图，输入训练完成的第一分类器，得到所述第一分类器输出的所述障碍物的第一转向意图；

将所述障碍物的方向梯度直方图，分别输入训练完成的各转向意图对应各第二分类器，得到所述各第二分类器的输出的所述障碍物的各第二转向意图；

根据所述第一转向意图以及所述各第二转向意图，确定所述障碍物的最终转向意图，以基于所述最终转向意图确定避障策略。

可选的，根据所述图像，提取表征所述障碍物边界的方向梯度直方图之前，所述方法还包括：

根据所述图像，对所述图像进行灰度化处理；

根据进行灰度化处理后的所述图像，以及预设的尺寸，将所述图像转化为大小为预设的尺寸的图像。

可选的，根据所述图像，提取表征所述障碍物边界的方向梯度直方图，具体包括：

根据所述图像，将所述图像划分为若干个区域；

针对每个区域，根据预设的各梯度方向，确定该区域内各梯度方向对应的特征向量；

根据各区域内的各梯度方向对应的特征向量，确定表征所述障碍物边界的方向梯度直方图。

可选的，将所述方向梯度直方图，输入训练完成的第一分类器，得到所述第一分类器输出的所述障碍物的第一转向意图，具体包括：

根据所述方向梯度直方图，以及训练完成的第一分类器，将所述方向梯度直方图作为所述第一分类器的输入，得到所述第一分类器的输出结果，作为所述障碍物的第一转向意图。

可选的，将所述障碍物的方向梯度直方图，分别输入训练完成的各转向意图对应各第二分类器，得到所述各第二分类器的输出的所述障碍物的各第二转向意图，具体包括：

根据所述方向梯度直方图，以及训练完成的右转第二分类器、直行第二分类器、左转第二分类器、掉头第二分类器，将所述方向梯度直方图作为输入，分别确定所述右转第二分类器的输出，作为所述障碍物的右转第二转向意图，所述直行第二分类器的输出，作为所述障碍物的直行第二转向意图，所述左转第二分类器的输出，作为所述障碍物的左转第二转向意图，所述掉头第二分类器的输出，作为所述障碍物的掉头第二转向意图。

可选的，根据所述第一转向意图以及所述各第二转向意图，确定所述障碍物的最终转向意图，具体包括：

根据所述第一转向意图，确定所述第一转向意图对应的方向的第一置信度；

根据所述各第二转向意图，确定所述各第二转向意图对应的各方向的第二置信度；

根据所述第一转向意图对应的方向的第一置信度以及所述各第二转向意图对应的各方向的第二置信度，确定所述障碍物的最终转向意图。

可选的，方法还包括：

根据所述第一转向意图对应的方向，确定梯度方向，根据所述第一转向意图对应的第一置信度，确定参考置信度；

针对每个第二转向意图对应的方向，确定该方向与所述梯度方向之间进行变换的步骤数量，根据所述步骤数量确定该第二转向意图对应的方向与所述梯度方向的梯度；

根据各第二转向意图、各第二转向意图对应的方向与所述梯度方向的梯度以及参考置信度，分别确定各第二转向意图对应的方向的第二置信度。

本说明书提供了一种预测转向意图的装置，包括：

获取模块：用于获取障碍物的图像；

表征模块：用于根据所述图像，提取表征所述障碍物边界的方向梯度直方图；

第一模块：用于将所述方向梯度直方图，输入训练完成的第一分类器，得到所述第一分类器输出的所述障碍物的第一转向意图；

第二模块：用于将所述障碍物的方向梯度直方图，分别输入训练完成的各转向意图对应各第二分类器，得到所述各第二分类器的输出的所述障碍物的各第二转向意图；

确定模块：用于根据所述第一转向意图以及所述各第二转向意图，确定所述障碍物的最终转向意图，以基于所述最终转向意图确定避障策略。

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预测转向意图的方法。

本说明书提供了一种无人驾驶设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述预测转向意图的方法。

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：

在本说明书提供的预测转向意图的方法中，无人驾驶设备可获取障碍物的图像，并提取该图像的方向梯度直方图，以根据该方向梯度直方图以及训练完成的第一分类器，确定该障碍物的第一转向意图，并采用多个第二分类器，分别针对该障碍物可能行驶的各个方向，确定该障碍物的各第二转向意图，最终根据该第一转向意图以及各第二转向意图，确定该障碍物的最终转向意图，以基于该最终转向意图确定避障策略。

从上述方法中可以看出，本方法通过对障碍物边界的方向梯度直方图对该障碍物的转向意图进行预测，降低了计算复杂度，提高了预测时效性，并通过多个分类器确定最终转向意图的方式兼顾了预测准确率。

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为本说明书中一种预测转向意图的方法的流程示意图；

图2为本说明书提供的一种障碍物转向示意图；

图3为本说明书提供的一种预测转向意图的结构示意图；

图4为本说明书提供的一种预测转向意图的装置的示意图；

图5为本说明书提供的对应于图1的无人驾驶设备示意图。

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，都属于本申请保护的范围。

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。

图1为本说明书中一种预测转向意图的流程示意图，具体包括以下步骤：

S100：获取障碍物的图像。

由于交通参与者通常只有在交叉口才会执行转向操作，本说明书提供的预测转向意图的方法，可针对交叉口中障碍物的转向意图进行预测。并且，由于交叉口交通情况较为复杂，变化速度快，并且进行障碍物的转向意图的预测，其目的是为了无人驾驶设备进行避障，对于预测的时效性要求较高，因此在本说明书一个或多个实施例中，该预测转向意图的方法，可由无人驾驶设备执行。

具体的，首先，该无人驾驶设备行驶至交叉口时，可由该无人驾驶设备上的图像传感器采集包含该交叉口内的各障碍物的图像。

其中，该无人驾驶设备可根据全球定位系统(Global Positioning System，GPS)中的芯片接收到的定位数据，确定自身是否到达交叉口，并在确定到达时获取图像传感器采集的该交叉口的图像。当然，在本说明书中，该无人驾驶设备也可采用其他方式确定是否到达交叉口。例如，通过目标物识别的方法确定该无人驾驶设备前方预设的距离内是否有交通信号灯，若是则确定到达交叉口，等等。具体采用何种方法确定无人驾驶设备行驶至交叉口，可根据需要设置，本说明书不做限制。

其次，由于该图像可能包含机动车、非机动车、行人、树木、楼宇等障碍物，而只有动态障碍物才需要预测转向意图，因此该无人驾驶设备可对采集到的图像进行障碍物识别，并确定其中的动态障碍物，作为该图像中的障碍物。其中，动态障碍物包括机动车、非机动车、行人等参与交通的障碍物。

当然，具体如何识别障碍物以及确定障碍物的类别，已经是较为成熟技术，本说明书对此不做限制，可根据需要设置。

最后，根据识别出的该图像中的障碍物，确定该障碍物在该图像中对应的区域，并提取该区域的图像，作为该障碍物的图像。

当然，对该无人驾驶设备采集到的图像进行目标物识别后，该图像中的可能存在一个或多个障碍物，因此，针对该图像中包含的每个障碍物，均可通过本说明书图1提供的方法确定该障碍物的转向意图。为了方便描述，本说明书以该无人驾驶设备采集到的图像进行目标物识别后仅包含一个障碍物为例进行说明。

本说明书中提到的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预测转向意图的方法的无人驾驶设备可以用于执行无人驾驶领域的驾驶任务、配送领域的配送任务等，例如，使用无人驾驶设备进行快递、物流、外卖等配送的业务场景。

S102：根据所述图像，提取表征所述障碍物边界的方向梯度直方图。

由于基于神经网络对障碍物进行轨迹预测，以确定避障策略的方法，需要大量算力用于轨迹预测。而该无人驾驶设备的算力有限，而确定避障策略等还需要一定的算力，为了避免轨迹预测耗算力资源消耗多的问题。在本说明书的一个或多个实施例中，该无人驾驶设备可采用确定表征该障碍物的边界的方向梯度直方图(Histogram of orientedgradient，HOG)，再通过多个第二分类器对该方向梯度直方图进行分类，预测该障碍物的转向意图，以进行避障。而由于确定HOG算法较为简单，且分类器通常来说相对于神经网络模型也更为简单，因此可以有效避免资源占用的情况，减少预测耗时。

具体的，首先，该无人驾驶设备可根据预设的尺寸，将提取后的该区域的图像，调整为大小为预设的尺寸的图像，以便于确定表征该障碍物的边界的HOG特征。并根据调整后的图像，将该图像划分为若干个区域。针对该图像的每个区域，分别确定该区域内各像素点的梯度幅值以及该区域内各像素点的梯度方向。再根据预设的各梯度方向，以及该区域内各像素点的梯度方向和各像素点的梯度幅值，确定各像素点在预设的各梯度方向上的梯度幅值。

其次，针对预设的每个梯度方向，根据该区域内各像素点在该梯度方向上的梯度幅值，将区域内各像素点在该梯度方向上的梯度幅值进行累加，确定该区域内该梯度方向的特征向量。并根据该图像中各区域内的各梯度方向对应的特征向量，确定表征该障碍物边界的HOG特征。

当然，在说明书的一个或多个实施例中，还可采用其他方式表征该障碍物的边界信息，例如，基于图像语义分割技术确定该障碍物的边界信息，当然，也可采用其它方式表征该障碍物的边界信息，可根据需要设置，本说明书不做限制。

采用确定表征该障碍物边界的HOG特征的方式，可以在占用算力较少的情况下，快速确定交叉口中障碍物的信息，从而对交叉口中的障碍物的转向意图进行预测。

S104：将所述方向梯度直方图，输入训练完成的第一分类器，得到所述第一分类器输出的所述障碍物的第一转向意图。

在本说明书的一个或多个实施例中，确定表征该障碍物边界的HOG特征后，便可基于该HOG特征，采用训练完成的分类器，对该障碍物的转向意图进行预测，实现在占用算力较少的情况下，快速确定该障碍物的转向意图的预测结果，以基于该预测结果确定避障策略。

具体的，该无人驾驶设备可根据确定出的表征该障碍物边界的HOG特征，以及训练完成的第一分类器，将该HOG特征作为该第一分类器的输入，得到该第一分类器的输出结果，作为该障碍物的第一转向意图。

其中，该第一分类器可采用支持向量机(support vector machine，SVM)分类器。当然，也可采用其他分类器，例如，随机森林分类器、朴素贝叶斯分类器等。具体采用何种分类器，可根据需要设置，本说明书不做限制。

为了方便描述，以该障碍物为机动车为例进行说明。如图2所示，图2为本说明书提供的一种障碍物转向示意图。由于无人驾驶设备200在交叉口行驶过程中，获取位于交叉口中的机动车202的图像，并确定该机动车202在交叉口可以进行右转、直行、左转以及掉头四种行驶方向中的一种。如图所示，图中标识该机动车202行驶方向的指示线，从左到右分别为右转、直行、左转以及掉头。因此该第一转向意图可为该障碍物四种行驶方向中的一种。即，右转、直行、左转以及掉头四种行驶方向的一种。

其中，在对该第一分类器进行训练时，可基于任何途径获取的包含障碍物的图像，采用步骤S100～S102相同过程确定各图像包含的各障碍物的HOG特征，并以确定出的各障碍物的HOG特征作为训练样本，并采用人工标注的方法对各训练样本进行标注。并通过标注完成的各训练样本，对该第一分类器进行训练。

采用上述方式，可以在占用算力较少的情况下，基于表征交叉口中的障碍物的边界的HOG特征，采用第一分类器对该HOG特征进行处理，以确定该第一分类器的输出结果，实现对交叉口中的障碍物的转向意图进行预测，并及时给出对交叉口中的障碍物的转向意图的预测结果，以便于该无人驾驶设备基于该预测结果确定避障策略。

S106：将所述障碍物的方向梯度直方图，分别输入训练完成的各转向意图对应各第二分类器，得到所述各第二分类器的输出的所述障碍物的各第二转向意图。

在本说明书的一个或多个实施例中，为了更准确的对交叉口中的障碍物的转向意图进行预测，在确定该第一分类器输出的该障碍物的第一转向意图后，还可将表征该障碍物边界的HOG特征输入至训练完成的多个第二分类器中，确定该多个第二分类器分别输出的该障碍物的第二转向意图。以根据该第一转向意图以及多个第二转向意图，确定该障碍物的最终转向意图，实现对交叉口中的障碍物的转向意图更准确的预测。其中，各第二分类器分别针对每个方向，对该方向的转向意图进行预测。

具体的，该无人驾驶设备可根据确定出的表征该障碍物边界的HOG特征，以及训练完成的右转第二分类器、直行第二分类器、左转第二分类器、掉头第二分类器，将该HOG特征作为该右转第二分类器的输入，确定该右转第二分类器的输出，作为该障碍物的右转第二转向意图，将该HOG特征作为该直行第二分类器的输入，确定该直行第二分类器的输出，作为该障碍物的直行第二转向意图，将该HOG特征作为该左转第二分类器的输入，确定该左转第二分类器的输出，作为该障碍物的左转第二转向意图，将该HOG特征作为该掉头第二分类器的输入，确定该掉头第二分类器的输出，作为该障碍物的掉头第二转向意图。

其中，该右转第二分类器、该直行第二分类器、该左转第二分类器以及该掉头第二分类器，均为训练完成的第二分类器，并且，上述各第二分类器仅可输出该障碍物在该第二分类器对应的方向上的转向意图。例如，该右转第二分类器仅可输出是或否。是，代表该障碍物的转向意图为右转，否，代表该障碍物的转向意图不为右转。当然，是或否只是一种输出形式，该右转第二分类器也可输出其他形式的数据，可根据需要设置，本说明书不做限制。

需要说明的是，在对个第二分类器进行训练时，可基于任何途径确定的包含障碍物的图像，采用本说明书图1提供的方法确定各图像包含的障碍物的HOG特征，并以确定出的各障碍物的HOG特征作为训练样本，并采用人工标注的方法对各训练样本进行标注。以便于使用标注完成的各训练样本，对各第二分类器进行训练。

采用上述方式，该无人驾驶设备可确定该障碍物的多个第二转向意图，以便以该无人驾驶设备根据该第一转向意图以及多个第二转向意图，确定该障碍物的最终转向意图，实现对该障碍物的转向意图更准确的预测。

S108：根据所述第一转向意图以及所述各第二转向意图，确定所述障碍物的最终转向意图，以基于所述最终转向意图确定避障策略。

在本说明书的一个或多个实施例中，确定该第一转向意图以及各第二转向意图后，便可根据该第一转向意图以及各第二转向意图，确定该障碍物的最终转向意图，实现对该障碍物的转向意图的预测，以便于根据该预测结果确定避障策略

如图3所示，图3为本说明书提供的一种预测转向意图的结构示意图。无人驾驶设备可从图像提取该图像的HOG特征，并将该图像的HOG特征输入至第一分类器以及各第二分类器中，确定该第一分类器的输出结果为第一转向意图，并确定各第二分类器的输出结果为多个第二转向意图，再根据该第一转向意图以及多个第二转向意图，确定最终转向意图。以实现对障碍物转向意图的预测，从而确定避障策略。

具体的，首先，该无人驾驶设备可根据确定出的该障碍物的第一转向意图，确定该第一转向意图对应的方向，并根据预设的第一值，确定该方向的第一置信度，并确定其它方向的第一置信度为0。例如，第一转向意图的方向为左转，预设的第一值为1，则确定左转第一置信度为1，右转第一置信度为0，直行第一置信度为0，掉头第一置信度为0。

其次，根据确定出的各方向的第一置信度以及各方向的第二置信度，将相同方向的置信度进行相加，确定各方向的意图置信度。例如，左转第一置信度为1，左转第二置信度为0.6，则左转意图置信度为1.6。并将各方向的意图置信度，作为该障碍物的最终转向意图，例如，最终转向意图为(右转：0.7，直行：0.8，左转：0.5，掉头：0)。

基于图1所示的预测转向意图的方法，无人驾驶设备可获取障碍物的图像，并提取该图像的HOG特征，以根据该HOG特征以及训练完成的第一分类器，确定该障碍物的第一转向意图，并采用多个二分类器，分别针对该障碍物可能行驶的各个方向，确定该障碍物的各第二转向意图，最终根据该第一转向意图以及各第二转向意图，确定该障碍物的最终转向意图，以基于该最终转向意图确定避障策略。

从上述方法中可以看出，本方法通过对障碍物边界的方向梯度直方图对该障碍物的转向意图进行预测，降低了计算复杂度，提高了预测时效性，并通过多个分类器确定最终转向意图的方式兼顾了预测准确率。

另外，在本说明书的一个或多个实施例中，为了兼顾本说明书图1所提供的方法的算力需求，以及确定该无人驾驶设备的避障策略的时效性，可采用其他装置实施本说明书图1所提供的方法，例如，计算平台、网络拓扑中距离该无人驾驶设备较近的计算终端等等，具体采用什么装置，本说明书不做限制，可根据需要设置。

另外，在本说明书的一个或多个实施例中，为了减弱环境中光照、色彩等因素对该图像的HOG特征的影响，该无人驾驶设备可在步骤S102之前，对该图像进行预处理。

具体的，根据该图像，对该图像进行灰度化处理。当然，也可采用其它方式对该图像进行预处理，例如，图像滤波算法、伽马校正等方式，具体采用何种方式对该图像进行预处理，可根据需要设置，本说明书不做限制。

采用上述方式，该无人驾驶设备可减弱环境中光照、色彩等因素对该图像的影响，便于提取该图像的HOG特征。

另外，在本说明书的一个或多个实施例中，本说明书图1所提供的方法是对障碍物的转向意图进行一次预测。但由于交叉口路况较为复杂，障碍物的行动也可能出现变化，因此该无人驾驶设备也可对交叉口内障碍物进行多次转向意图的预测。例如，每隔10毫秒进行一次预测，每行驶1米进行一次预测等等，可根据需要设置，本说明书不做限制。

而且，在对交叉口中各障碍物的转向意图的预测过程中，可根据对各障碍物的转向意图的预测结果，确定该无人驾驶设备的避障策略。

并且，该无人驾驶设备可在连续两次的最终转向意图中，最高置信度的方向发生变化时，可更新该避障策略。例如，在前一次的预测结果中，置信度最高的方向为左转，而本次预测结果中置信度最高的方向为右转时，更新该避障策略。或者，在连续两次的最终转向意图中，各方向的置信度的差的变化大于预设的阈值时，可更新该避障策略。例如，连续两次的预测结果中，置信度最高值与置信度最低值的差值分别为1和0.1，预设的阈值为0.5，由于1-0.1＝0.9＞0.5，因此变化大于阈值，更新该避障策略。当然，也可采用其他方式判断是否更新避障策略。具体如何判断是否更新避障策略，可根据需要进行设置，本说明书不做限制。

另外，在本说明书的一个或多个实施例中，为了更准确的提取表征该障碍物边界的HOG特征，在步骤S102中，可采用以下方式提取表征该障碍物边界的HOG特征。

具体的，首先，该无人驾驶设备可根据预设的尺寸，将提取后的该区域的图像，调整为大小为预设的尺寸的图像，以便于确定表征该障碍物的边界的HOG特征。并根据调整后的图像，将该图像划分为若干个区域。并针对每个区域，采用水平方向的滤波器与垂直方向的滤波器分别计算该区域内各像素点在水平方向的梯度幅值，以及该区域内各像素点在垂直方向的梯度幅值，进而确定该区域内各像素点的梯度幅值以及该区域内各像素点的梯度方向。其中，采用的水平方向的滤波器与垂直方向的滤波器可根据需要进行设置。例如，采用(1，0，-1)和(1，0，-1)^T两个滤波器进行计算，或采用大小为3*3的索贝尔滤波器进行计算，当然，也可采用其他滤波器，也可采用其它大小的滤波器，可根据需要进行设置，本说明书不作限制。

上述确定各像素点的梯度幅值以及各像素点的梯度方向的过程，可采用公式表示：

θ＝arctan(DY/DX)

其中，针对每个像素点，D为该像素点的梯度幅值，DX为该像素点在水平方向上的梯度幅值，DY为像素点在垂直方向上的梯度幅值，θ为该像素点的梯度方向。具体的，根据该像素点在水平方向与垂直方向上的梯度幅值确定该该像素点的梯度幅值，采用arctan函数，根据该像素点在水平方向与垂直方向上的梯度幅值确定该该像素点的梯度方向。

其次，根据按照预设的各梯度方向，以及该区域内各像素点的梯度方向和各像素点的梯度幅值，确定各像素点在各梯度方向上的梯度幅值。

再次，针对每个梯度方向，根据该区域内各像素点在该梯度方向上的梯度幅值，将各像素点在该梯度方向上的梯度幅值进行累加，确定该区域内该梯度方向的梯度直方图，进而确定该区域内各梯度方向的梯度直方图。

然后，根据该区域对应各梯度方向的梯度直方图，获取该区域内各梯度方向上的梯度幅值，并确定该区域内各梯度方向上的梯度幅值的和，作为该区域的梯度总值。

最后，根据该区域的梯度总值以及该区域内各梯度方向上的梯度幅值，确定该区域内各梯度方向上的梯度幅值在该区域内的梯度总值中的占比，实现对该区域内各梯度方向上的梯度幅值的归一化处理。进而根据归一化处理后的该区域内各梯度方向上的梯度幅值在该区域内的梯度总值中的占比，确定表征该障碍物的边界的HOG特征图。

另外，在本说明书的一个或多个实施例中，为了节省对训练样本进行标注的时间，在步骤S104与步骤S106中，训练该第一分类器以及各第二分类器中，在获取训练样本时，可采用高精地图、全球定位系统等方式，直接获取包含该障碍物所在车道的指示信息的图像，例如，该图像中仅有一辆机动车，位于该交叉口的左转车道出口处，则可确定该机动车的转向意图为右转。当然，也可采用其他方式，提取该障碍物的HOG特征前，确定该障碍物的转向意图，具体采用何种方式，可根据需要设置，本说明书不做限制。

另外，在本说明书的一个或多个实施例中，为了更准确的确定该障碍物的转向意图，在步骤S104中，确定该第一转向意图时，该第一转向意图可为该障碍物四种行驶方案的置信度。即，右转、直行、左转以及掉头四种行驶方案的置信度。例如，该第一转向意图为(右转：0.6，直行：0.3，左转：0.8，掉头：0.2)。

进一步地，在本说明书的一个或多个实施例中，为了更准确的确定该障碍物的转向意图，在步骤S108中，确定各方向对应的第二置信度时，可采用以下方式进行确定。

具体的，首先，该无人驾驶设备可根据确定出的该障碍物四种行驶方案的置信度，分别确定的该障碍物的左转第一置信度，直行第一置信度，右转第一置信度，掉头第一置信度。并根据各第二转向意图的结果，以及预设的候选置信度，分别确定各第二转向意图对应的各方向的第二置信度。例如，预设的候选置信度为0.5，若左转第二转向意图的结果为，是，则该左转第二置信度为0.5，当左转第二转向意图的结果为，否，则该左转第二置信度为0。

其次，根据确定出的各方向的第一置信度以及各方向的第二置信度，将相同方向的置信度进行相加，确定各方向的意图置信度。例如，左转第一置信度为0.3，左转第二置信度为0.6，则左转意图置信度为0.9。并将各方向的意图置信度，作为该障碍物的最终转向意图，例如，最终转向意图为(右转：0.7，直行：0.8，左转：0.5，掉头：0)。

另外，在本说明书的一个或多个实施例中，为了更准确的确定该障碍物的转向意图，在步骤S108中，确定各方向对应的第二置信度时，可采用以下方式进行确定。

具体的，首先，根据确定出的该障碍物的第一转向意图对应的方向，确定梯度方向，并根据该第一转向意图对应的第一置信度，确定参考置信度。

其次，针对每个第二转向意图对应的方向，确定该方向与所述梯度方向之间进行变换的步骤数量。并根据该步骤数量，确定该第二转向意图对应的方向与所述梯度方向的梯度。其中，以机动车为例，车头指向的方向向左或者向右变换90度角记为一次变换，即，变换的步骤数量为1。例如，机动车由直行变更为左转需要一次变换，步骤数量为1，机动车由直行变更为掉头需要两次变换，步骤数量为2。

再次，根据该步骤数量确定梯度时，该步骤数量与该梯度成正比。例如，确定变换的步骤数量为0的两个方向之间的梯度为0，确定变换的步骤数量为1的两个方向之间的梯度为1，确定变换的步骤数量为2的两个方向之间的梯度为2，确定变换的步骤数量为3的两个方向之间的梯度为3。

然后，根据不同的梯度，分别确定不同梯度的两个方向的置信度参考值。继续引用上例，确定梯度为0的两个方向的置信度参考值为1，梯度为1的两个方向的置信度参考值为0.5，确定梯度,2的两个方向的置信度参考值为0.25，确定梯度为3的两个方向的置信度参考值为0.125。当然，也可确定其它梯度参考值，可根据需要设置，本说明书不做限制。

最后，根据各第二转向意图对应的方向与该梯度方向的梯度、各梯度对应的梯度参考值、各第二转向意图以及确定出的参考置信度，分别确定各第二转向意图对应的方向的第二置信度。

其中，继续引用上例，当参考置信度为1，梯度方向为右转，右转第二意图为是，梯度为0，梯度参考值为1时，则可确定右转第二置信度为该参考置信度与该梯度参考值的积，即右转第二置信度为1，右转第二意图为否，则可确定右转第二置信度为0。当然，各方向对应的第二置信度还可根据其它方式进行设置，具体采用何种方式，可根据需要设置，本说明书不做限制。

另外，在本说明书的一个或多个实施例中，为了更准确的确定该障碍物的转向意图，在步骤S108中，确定任意两个方向的梯度时，可采用以下方式。

具体的，首先，根据该障碍物可能行驶的各个方向，将各个方向按照右转、直行、左转、掉头的顺序进行排序。并根据任意两个方向在该排序中的距离，确定该任意两个方向的梯度。其中，该任意两个方向的梯度与该任意两个方向在该排序中的距离成正比。

例如，确定排序中相同的两个方向的距离为0，确定距离为0的任意两个方向的梯度为1，确定排序间隔一个方向的任意两个方向距离为1，确定距离为1的两个方向的梯度为2，确定排序间隔两个方向的任意两个方向的距离为2，确定距离为2的两个方向的梯度为3。

另外，在本说明书的一个或多个实施例中，为了实现基于该障碍物的HOG特征，更准确的确定该障碍物的第一转向意图，在步骤S104中，可采用以下方式确定该障碍物的第一转向意图。

具体的，该无人驾驶设备可根据确定出的表征该障碍物边界的HOG特征，以及训练完成的第一分类器，将该HOG特征作为该第一分类器的输入，得到该第一分类器的输出结果，作为该障碍物的第一转向意图。

其中，该第一转向意图仅包含右转、直行、左转以及掉头四种行驶方案的一种，以及该行驶方案对应的置信度。例如，该第一转向意图为，左转，0.8。其中，0.8为左转的置信度。并且，在步骤S106后续执行的各步骤中，将该第一转向意图输出的方向作为梯度方向，将该行驶方案对应的置信度作为参考置信度，而其它方向的第一置信度为0。

另外，在本说明书的一个或多个实施例中，为了更准确的确定该障碍物的最终转向意图，在步骤S108中，确定最终转向意图时，可对最终转向意图进行归一化处理。

具体的，分别根据各方向的意图置信度，确定各方向的意图置信度的和，作为总置信度。并根据各方向的意图置信度以及该总置信度，分别确定各方向的意图置信度占据总置信度的比例，并将各方向的意图置信度占据总置信度的比例，作为最终转向意图。继续引用上例，右转意图置信度为0.7，直行意图置信度为0.8，左转意图置信度为0.5，掉头意图置信度为0，则总置信度为2，右转意图置信度占比为35％，直行意图置信度占比为40％，左转意图置信度占比为25％，掉头意图置信度占比为0％，则最终转向意图为(右转：0.35，直行：0.4，左转：0.25，掉头：0)。

上述对最终转向意图进行归一化处理的过程，可采用公式进行表示：

其中，i＝1表示右转，i＝2表示直行，i＝3表示左转，i＝4表示掉头，p_i表示i对应的方向的置信度的占比，eⁱ表示i对应的方向的置信度，∑eⁱ表示各方向的置信度的和。通过以上公式，可根据各方向的置信度，确定各方向的置信度的占比，从而对该最终转向意图进行归一化处理，便于确定避障策略。

另外，在本说明书的一个或多个实施例中，为了更准确的确定交叉口中各障碍物的转向意图，以便于为该无人驾驶设备确定避障策略，在确定右转、直行、左转以及掉头四个方向的转向意图外，还可确定其他方向的转向意图。

具体的，步骤S104中以障碍物在交叉口仅可能右转、直行、左转以及掉头为例进行说明，但在实际的行驶过程中，交叉口中的障碍物的行为可能更加复杂，交叉口中的障碍物可能采用其它的行驶方案。例如，左转并线、直行并线等等。因此可确定多个方向的转向意图，以更准确的确定避障策略，具体确定哪些方向的转向意图，看根据需要进行设置，本说明书不做限制。为了方便描述，本说明书以该第一转向意图仅为右转、直行、左转以及掉头四种行驶方案进行说明。

另外，在本说明书的一个或多个实施例中，为了更准确的确定交叉口中各障碍物的转向意图，以便于为该无人驾驶设备确定避障策略，可根据交叉口的情况，确定最终转向意图。

具体的，由于不同交叉口，可能有不同的行驶方向。例如，无人驾驶设备行驶至三叉路口时，仅可能有两种行驶方向，仅需要确定两个方向对应的转向意图。因此，可根据不同交叉口的类型，设置多种第一分类器以及多种第二分类器。具体如何设置第一分类器与多种第二分类器，可根据需要设置，本说明书不做限制。

以上为本说明书的一个或多个实施例提供的预测转向意图的方法，基于同样的思路，本说明书还提供了相应的预测转向意图的装置，如图4所示。

图4为本说明书提供的一种预测转向意图的装置示意图，具体包括：

获取模块400：用于获取障碍物的图像；

表征模块402：用于根据所述图像，提取表征所述障碍物边界的方向梯度直方图；

第一模块404：用于将所述方向梯度直方图，输入训练完成的第一分类器，得到所述第一分类器输出的所述障碍物的第一转向意图；

第二模块406：用于将所述障碍物的方向梯度直方图，分别输入训练完成的各转向意图对应各第二分类器，得到所述各第二分类器的输出的所述障碍物的各第二转向意图；

确定模块408：用于根据所述第一转向意图以及所述各第二转向意图，确定所述障碍物的最终转向意图，以基于所述最终转向意图确定避障策略。

可选的，所述表征模块402，根据所述图像，对所述图像进行灰度化处理根据进行灰度化处理后的所述图像，以及预设的尺寸，将所述图像转化为大小为预设的尺寸的图像。

可选的，所述表征模块402，根据所述图像，将所述图像划分为若干个区域。针对每个区域，根据预设的各梯度方向，确定该区域内各梯度方向对应的特征向量，根据各区域内的各梯度方向对应的特征向量，确定表征所述障碍物边界的方向梯度直方图。

可选的，所述第一模块404，根据所述方向梯度直方图，以及训练完成的第一分类器，将所述方向梯度直方图作为所述第一分类器的输入，得到所述第一分类器的输出结果，作为所述障碍物的第一转向意图。

可选的，所述第二模块406，根据所述方向梯度直方图，以及训练完成的右转第二分类器、直行第二分类器、左转第二分类器、掉头第二分类器，将所述方向梯度直方图作为输入，分别确定所述右转第二分类器的输出，作为所述障碍物的右转第二转向意图，所述直行第二分类器的输出，作为所述障碍物的直行第二转向意图，所述左转第二分类器的输出，作为所述障碍物的左转第二转向意图，所述掉头第二分类器的输出，作为所述障碍物的掉头第二转向意图。

可选的，所述确定模块408，根据所述第一转向意图，确定所述第一转向意图对应的方向的第一置信度，根据所述各第二转向意图，确定所述各第二转向意图对应的各方向的第二置信度，根据所述第一转向意图对应的方向的第一置信度以及所述各第二转向意图对应的各方向的第二置信度，确定所述障碍物的最终转向意图。

可选的，所述确定模块408，根据所述第一转向意图对应的方向，确定梯度方向，根据所述第一转向意图对应的第一置信度，确定参考置信度，针对每个第二转向意图对应的方向，确定该方向与所述梯度方向之间进行变换的步骤数量，根据所述步骤数量确定该第二转向意图对应的方向与所述梯度方向的梯度，根据各第二转向意图、各第二转向意图对应的方向与所述梯度方向的梯度以及参考置信度，分别确定各第二转向意图对应的方向的第二置信度。

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提供的预测转向意图的方法。

本说明书还提供了图5所示的无人驾驶设备的示意结构图。如图5所述，在硬件层面，该无人驾驶设备包括处理器、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所述的预测转向意图的方法。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，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种预测转向意图的方法，其特征在于，包括：

获取障碍物的图像；

根据所述图像，提取表征所述障碍物边界的方向梯度直方图；

将所述方向梯度直方图，输入训练完成的第一分类器，得到所述第一分类器输出的所述障碍物的第一转向意图；

将所述障碍物的方向梯度直方图，分别输入训练完成的各转向意图对应各第二分类器，得到所述各第二分类器的输出的所述障碍物的各第二转向意图；

根据所述第一转向意图以及所述各第二转向意图，确定所述障碍物的最终转向意图，以基于所述最终转向意图确定避障策略。

2.如权利要求1所述的方法，其特征在于，所述根据所述图像，提取表征所述障碍物边界的方向梯度直方图之前，所述方法还包括：

根据所述图像，对所述图像进行灰度化处理；

根据进行灰度化处理后的所述图像，以及预设的尺寸，将所述图像转化为大小为预设的尺寸的图像。

3.如权利要求1所述的方法，其特征在于，所述根据所述图像，提取表征所述障碍物边界的方向梯度直方图，具体包括：

根据所述图像，将所述图像划分为若干个区域；

针对每个区域，根据预设的各梯度方向，确定该区域内各梯度方向对应的特征向量；

根据各区域内的各梯度方向对应的特征向量，确定表征所述障碍物边界的方向梯度直方图。

4.如权利要求1所述的方法，其特征在于，所述将所述方向梯度直方图，输入训练完成的第一分类器，得到所述第一分类器输出的所述障碍物的第一转向意图，具体包括：

根据所述方向梯度直方图，以及训练完成的第一分类器，将所述方向梯度直方图作为所述第一分类器的输入，得到所述第一分类器的输出结果，作为所述障碍物的第一转向意图。

5.如权利要求1所述的方法，其特征在于，所述将所述障碍物的方向梯度直方图，分别输入训练完成的各转向意图对应各第二分类器，得到所述各第二分类器的输出的所述障碍物的各第二转向意图，具体包括：

根据所述方向梯度直方图，以及训练完成的右转第二分类器、直行第二分类器、左转第二分类器、掉头第二分类器，将所述方向梯度直方图作为输入，分别确定所述右转第二分类器的输出，作为所述障碍物的右转第二转向意图，所述直行第二分类器的输出，作为所述障碍物的直行第二转向意图，所述左转第二分类器的输出，作为所述障碍物的左转第二转向意图，所述掉头第二分类器的输出，作为所述障碍物的掉头第二转向意图。

6.如权利要求1所述的方法，其特征在于，所述根据所述第一转向意图以及所述各第二转向意图，确定所述障碍物的最终转向意图，具体包括：

根据所述第一转向意图，确定所述第一转向意图对应的方向的第一置信度；

根据所述各第二转向意图，确定所述各第二转向意图对应的各方向的第二置信度；

根据所述第一转向意图对应的方向的第一置信度以及所述各第二转向意图对应的各方向的第二置信度，确定所述障碍物的最终转向意图。

7.如权利要求6所述的方法，其特征在于，所述方法还包括：

根据所述第一转向意图对应的方向，确定梯度方向，根据所述第一转向意图对应的第一置信度，确定参考置信度；

针对每个第二转向意图对应的方向，确定该方向与所述梯度方向之间进行变换的步骤数量，根据所述步骤数量确定该第二转向意图对应的方向与所述梯度方向的梯度；

根据各第二转向意图、各第二转向意图对应的方向与所述梯度方向的梯度以及参考置信度，分别确定各第二转向意图对应的方向的第二置信度。

8.一种预测转向意图的装置，其特征在于，包括：

获取模块：用于获取障碍物的图像；

表征模块：用于根据所述图像，提取表征所述障碍物边界的方向梯度直方图；

第一模块：用于将所述方向梯度直方图，输入训练完成的第一分类器，得到所述第一分类器输出的所述障碍物的第一转向意图；

第二模块：用于将所述障碍物的方向梯度直方图，分别输入训练完成的各转向意图对应各第二分类器，得到所述各第二分类器的输出的所述障碍物的各第二转向意图；

确定模块：用于根据所述第一转向意图以及所述各第二转向意图，确定所述障碍物的最终转向意图，以基于所述最终转向意图确定避障策略。

9.一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1～7任一项所述的方法。

10.一种无人驾驶设备，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1～7任一项所述的方法。

Images