CN114348019A

CN114348019A - 车辆轨迹预测方法、装置、计算机设备和存储介质

Info

Publication number: CN114348019A
Application number: CN202111564726.4A
Authority: CN
Inventors: 黄晋; 张博维; 于伟光; 江昆; 杨殿阁
Original assignee: Tsinghua University
Current assignee: Tsinghua University
Priority date: 2021-12-20
Filing date: 2021-12-20
Publication date: 2022-04-15
Anticipated expiration: 2041-12-20
Also published as: CN114348019B

Abstract

本申请涉及一种车辆轨迹预测方法、装置、计算机设备和存储介质和计算机程序产品。所述方法包括：采集周围车辆的行驶轨迹信息；根据采集到的行驶轨迹信息和轨迹预测模型，确定周围车辆的预测轨迹信息，并继续采集周围车辆的行驶轨迹信息，作为真实轨迹信息；根据目标预测轨迹信息以及目标预测时段的真实轨迹信息，确定轨迹偏差值；在轨迹偏差值大于预设阈值的情况下，确定预测轨迹信息为无效信息，并更新行驶轨迹信息，返回根据采集到的行驶轨迹信息和轨迹预测模型，确定周围车辆的预测轨迹信息的步骤，直到偏差值小于预设阈值时，确定预测轨迹信息为周围车辆预测轨迹信息。采用本方法能够提高自动驾驶车辆的预测轨迹信息的精确度。

Description

车辆轨迹预测方法、装置、计算机设备和存储介质

技术领域

本申请涉及汽车自动驾驶技术领域，特别是涉及一种车辆轨迹预测方法、装置、计算机设备和存储介质。

背景技术

随着汽车自动驾驶技术的发展，预测周围车辆未来的可能行驶轨迹是自动驾驶汽车应当具备的能力。高精确度的轨迹预测是自动驾驶汽车在行驶过程中的重要环节。

传统的轨迹预测方法大多通过建立车辆的动力学模型，依据车辆遵守的动力学与运动学规律建立描述未来可能行驶轨迹的多项式进行预测。

然而，基于深度学习的预测方法对数据集的依赖较明显，数据集中数据量的大小和质量对神经网络预测效果的影响较大。因此在实际应用过程中，预测的轨迹与车辆实际行驶的轨迹间偏差较大。

发明内容

基于此，有必要针对上述技术问题，提供一种车辆轨迹预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种车辆轨迹预测方法。所述方法包括：

采集周围车辆的行驶轨迹信息；

根据采集到的行驶轨迹信息和轨迹预测模型，确定所述周围车辆的预测轨迹信息，并继续采集所述周围车辆的行驶轨迹信息，作为真实轨迹信息；

在所述预测轨迹信息中选取目标预测时段内的目标预测轨迹信息，根据所述目标预测轨迹信息以及所述目标预测时段的真实轨迹信息，确定轨迹偏差值；

在所述轨迹偏差值大于预设阈值的情况下，确定所述预测轨迹信息为无效信息，并将所述目标预测时段的真实轨迹信息作为更新后的行驶轨迹信息，返回根据采集到的行驶轨迹信息和轨迹预测模型，确定所述周围车辆的预测轨迹信息，并继续采集所述周围车辆的行驶轨迹信息，作为真实轨迹信息的步骤，直到所述偏差值小于预设阈值时，确定所述预测轨迹信息为周围车辆预测轨迹信息。

可选的，所述轨迹预测模型包括驾驶意图预测网络和轨迹预测网络，所述根据采集到的行驶轨迹信息和轨迹预测模型，确定所述周围车辆的预测轨迹信息，包括：

根据所述采集到的行驶轨迹信息和所述驾驶意图预测网络，确定驾驶意图预测信息；

根据所述驾驶意图预测信息和所述轨迹预测网络，确定所述周围车辆的预测轨迹信息。

可选的，所述根据所述采集到的行驶轨迹信息和所述驾驶意图预测网络，确定驾驶意图预测信息，包括：

根据所述行驶轨迹信息和所述驾驶意图预测网络，确定驾驶员采取各驾驶行为的概率；

选取概率最大的驾驶行为，作为驾驶意图预测信息。

可选的，所述根据所述驾驶意图预测信息和所述轨迹预测网络，确定所述周围车辆的预测轨迹信息，包括：

根据所述驾驶意图预测信息中的驾驶行为所对应的行驶轨迹信息和所述轨迹预测网络，确定所述周围车辆的预测轨迹信息。

可选的，所述在所述预测轨迹信息中选取目标预测时段内的目标预测轨迹信息，根据所述目标预测轨迹信息以及所述目标预测时段的真实轨迹信息，确定轨迹偏差值，包括：

根据所述目标预测时段内的目标预测轨迹信息，确定目标预测轨迹向量；

根据所述目标预测时段内的真实轨迹信息，确定目标预测时段的真实轨迹向量；

根据所述目标预测轨迹向量和所述目标预测时段所对应的真实轨迹向量，确定轨迹偏差角，将所述轨迹偏差角作为轨迹偏差值。

可选的，所述方法还包括：

获取样本数据集，所述样本数据集包含多个样本轨迹信息、所述样本轨迹信息对应的样本真实轨迹信息、以及所述样本真实轨迹信息对应的真实驾驶意图信息；所述样本真实轨迹信息反映样本车辆在样本轨迹信息之后的行驶轨迹；

针对每个样本轨迹信息，将所述样本轨迹信息输入初始驾驶意图识别网络，得到所述样本轨迹信息对应的样本驾驶意图预测信息；

将所述驾驶意图预测信息输入初始轨迹预测网络，得到预测轨迹信息；

根据所述驾驶意图预测信息，以及所述样本轨迹信息对应的真实驾驶意图信息，确定第一损失函数的函数值；并根据所述预测轨迹信息，以及所述样本轨迹信息对应的真实轨迹信息，确定第二损失函数的函数值；

根据所述第一损失函数的函数值和所述第二损失函数的函数值的和值，对所述初始驾驶意图识别网络和所述初始轨迹预测网络的网络参数进行调整，以得到训练后的驾驶意图识别网络和所述训练后的轨迹预测网络。

第二方面，本申请提供了一种车辆轨迹预测装置。所述装置包括：

采集模块，用于采集周围车辆的行驶轨迹信息；

第一确定模块，用于根据采集到的行驶轨迹信息和轨迹预测模型，确定所述周围车辆的预测轨迹信息，并继续采集所述周围车辆的行驶轨迹信息，作为真实轨迹信息；

第二确定模块，用于在所述预测轨迹信息中选取目标预测时段内的目标预测轨迹信息，根据所述目标预测轨迹信息以及所述目标预测时段的真实轨迹信息，确定轨迹偏差值；

判断模块，用于在所述轨迹偏差值大于预设阈值的情况下，确定所述预测轨迹信息失效，将所述目标预测时段的真实轨迹信息作为更新后的行驶轨迹信息，返回根据采集到的行驶轨迹信息和轨迹预测模型，确定所述周围车辆的预测轨迹信息，并继续采集所述周围车辆的行驶轨迹信息，作为真实轨迹信息步骤，直到所述偏差值小于预设阈值时，确定所述预测轨迹信息为周围车辆预测轨迹信息。

可选的，所述第一确定模块，具体用于：

选取概率最大的驾驶行为，作为驾驶意图预测信息。

可选的，所述第一确定模块，具体用于：

可选的，所述第二确定模块，具体用于：

可选的，所述装置还包括：

获取模块，用于获取样本数据集，所述样本数据集包含多个样本轨迹信息、所述样本轨迹信息对应的样本真实轨迹信息、以及所述样本真实轨迹信息对应的样本真实驾驶意图信息；所述样本真实轨迹信息反映样本车辆在样本轨迹信息之后的行驶轨迹；

第一输入模块，用于针对每个样本轨迹信息，将所述样本轨迹信息输入初始驾驶意图识别网络，得到所述样本轨迹信息对应的样本驾驶意图预测信息；

第二输入模块，用于将所述样本驾驶意图预测信息输入初始轨迹预测网络，得到样本预测轨迹信息；

第三确定模块，用于根据所述样本驾驶意图预测信息，以及所述样本真实轨迹信息对应的样本真实驾驶意图信息，确定第一损失函数的函数值；并根据所述样本预测轨迹信息，以及所述样本轨迹信息对应的样本真实轨迹信息，确定第二损失函数的函数值；

调整模块，用于根据所述第一损失函数的函数值和所述第二损失函数的函数值的和值，对所述初始驾驶意图识别网络和所述初始轨迹预测网络的网络参数进行调整，以得到训练后的驾驶意图识别网络和所述训练后的轨迹预测网络。

第三方面，本申请提供了一种计算机设备。所述计算机设备包括：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第一方面中任一项所述的方法的步骤。

第四方面，本申请提供了一种计算机可读存储介质。所述存储介质包括：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第一方面中任一项所述的方法的步骤。

第五方面，本申请提供了一种计算机程序产品。所述计算机程序产品包括：计算机程序，其特征在于，该计算机程序被处理器执行时实现第一方面中任一项所述的方法的步骤。

上述车辆轨迹预测方法、装置、计算机设备和存储介质，包括，采集周围车辆的行驶轨迹信息；根据采集到的行驶轨迹信息和轨迹预测模型，确定所述周围车辆的预测轨迹信息，并继续采集所述周围车辆的行驶轨迹信息，作为真实轨迹信息；在所述预测轨迹信息中选取目标预测时段内的目标预测轨迹信息，根据所述目标预测轨迹信息以及所述目标预测时段的真实轨迹信息，确定轨迹偏差值；在所述轨迹偏差值大于预设阈值的情况下，确定所述预测轨迹信息为无效信息，并将所述目标预测时段的真实轨迹信息作为更新后的行驶轨迹信息，返回根据采集到的行驶轨迹信息和轨迹预测模型，确定所述周围车辆的预测轨迹信息，并继续采集所述周围车辆的行驶轨迹信息，作为真实轨迹信息的步骤，直到所述偏差值小于预设阈值时，确定所述预测轨迹信息为周围车辆预测轨迹信息。通过轨迹预测模型对周围车辆的行驶轨迹进行预测，得到预测轨迹信息，并对预测轨迹信息进行优化反馈得到优化后的预测轨迹信息，提高了自动驾驶车辆的预测轨迹信息的精确度。

附图说明

图1为一个实施例中车辆轨迹预测方法的流程示意图；

图2为一个实施例中预测车辆轨迹的流程示意图；

图3为一个实施例中融入驾驶意图判别模块的轨迹预测模型示意图；

图4为一个实施例中确定轨迹偏差角的流程示意图；

图5为一个实施例中训练轨迹预测模型的流程示意图；

图6为另一个实施例中车辆轨迹预测方法的流程示意图；

图7为一个实施例中车辆轨迹预测装置的结构框图；

图8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。

本申请实施例提供的车辆轨迹预测方法，可以应用于终端，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。其中，终端可以包括但不限于是各种个人计算机、笔记本电脑、平板电脑等。该终端用于通过数据采集装置采集车辆的行驶轨迹信息，并通过轨迹预测模型和行驶轨迹信息确定车辆的预测轨迹信息，并根据预测轨迹信息与真实轨迹信息实时调整预测轨迹信息最终确定车辆的预测轨迹。

在一个实施例中，如图1所示，提供了一种车辆轨迹预测方法，本实施例以该方法应用于终端进行举例说明，该方法包括以下步骤：

步骤S101，采集周围车辆的行驶轨迹信息。

本实施例中，周围车辆为在以自动驾驶车辆为圆心，终端探测范围为半径的范围之内的所有车辆。终端通过数据采集装置，持续采集周围车辆的行驶轨迹信息。数据采集装置可以包括但不限于是传感器，感应器，探测器，测距器等装置。行驶轨迹信息用于反映车辆的行驶轨迹，行驶轨迹信息包含在多个单位时间内采集到的车辆物理属性，车辆物理属性至少包含车辆水平坐标、车辆的横纵向速度以及车辆的横纵向加速度中的一项或多项。其中，一个单位时间可称为一帧，且行驶轨迹信息的帧数按照时间顺序依次递增。

行驶轨迹信息是基于在以道路中央车道线为参考线的frenet坐标系得到的信息，并且，车辆行驶轨迹信息与驾驶行为相对应。其中，驾驶行为可以包含左换道、右换道和车道保持三种驾驶行为，具体行驶轨迹信息表达式为：

P＝{p₁,p₂,…,p_m}

上式中x_i,y_i为车辆的水平坐标，

为车辆的横纵向速度，

为车辆的横纵向加速度，m为车辆行驶轨迹信息的帧数，P为行驶轨迹信息，p_i为车辆单帧的物理属性。

步骤S102，根据采集到的行驶轨迹信息和轨迹预测模型，确定周围车辆的预测轨迹信息，并继续采集周围车辆的行驶轨迹信息，作为真实轨迹信息。

本实施例中，终端通过步骤S101所采集到的周围车辆的行驶轨迹信息，将该行驶轨迹信息输入轨迹预测模型，轨迹预测模型可以是LSTM编码器-解码器神经网络架构。终端通过轨迹预测模型获取到该车辆的预测轨迹信息，预测轨迹信息用于反映该车辆的预测轨迹、预测轨迹信息包含预测该车辆在未来多个单位时间内的车辆物理属性，车辆物理属性包含车辆水平坐标、车辆的横纵向速度以及车辆的横纵向加速度。终端获取到该预测轨迹信息之后，从当前时刻开始，继续采集从车辆当前所处位置开始、在预设时长内的行驶轨迹信息，并将该行驶轨迹信息标记为真实轨迹信息，该预设时长可以包含多个单位时间，比如为5s。终端采集的第一单位时间(即第一帧)的轨迹信息为p₁、第二单位时间的轨迹信息为p₂、…、预设时长内最后一个单位时间的轨迹信息为p_n。

步骤S103，在预测轨迹信息中选取目标预测时段内的目标预测轨迹信息，根据目标预测轨迹信息以及目标预测时段的真实轨迹信息，确定轨迹偏差值。

本实施例中，目标预测轨迹信息为预测轨迹信息在目标预测时段内的预测轨迹信息，终端从预设时长内选取目标预测时段。目标预测时段是以车辆开始第二次采集车辆的行驶轨迹信息的时刻为开始时刻的包含M帧轨迹信息的时段。，M帧轨迹信息为连续M个单位时间的轨迹信息，并选取目标预测时段内的目标预测轨迹信息，以及该目标预测时段内的真实轨迹信息，该目标预测时段的时长应小于预设时长。

这样，终端可以得到M帧目标预测轨迹信息、以及M帧真实轨迹信息，针对每一帧目标预测轨迹信息，可以确定与该帧目标预测轨迹信息对应的真实轨迹信息，然后计算该帧目标预测轨迹信息与该帧目标预测轨迹信息对应的真实轨迹信息的偏差角α₁，从而得到每帧目标预测轨迹信息对应的偏差角 α_i(i为帧数)。终端通过计算各帧目标预测轨迹信息对应的偏差角的平均值，得到目标预测轨迹信息和真实轨迹的轨迹偏差角

步骤S104，在轨迹偏差值大于预设阈值的情况下，确定预测轨迹信息为无效信息，并将目标预测时段的真实轨迹信息作为更新后的行驶轨迹信息，返回根据采集到的行驶轨迹信息和轨迹预测模型，确定周围车辆的预测轨迹信息，并继续采集周围车辆的行驶轨迹信息，作为真实轨迹信息的步骤，直到偏差值小于预设阈值时，确定预测轨迹信息为周围车辆预测轨迹信息。

在本实施例中，终端判断轨迹偏差角与夹角临界值(即预设阈值)的大小，若目标预测时段所对应的目标预测轨迹信息和真实轨迹信息的轨迹偏差角大于夹角临界值，说明预测轨迹信息所对应的驾驶意图与真实驾驶意图不符，终端可以确定目标预测时段中M帧预测轨迹信息均为预测失效帧。然后，终端将真实轨迹信息作为更新后的行驶轨迹信息，返回执行步骤S102，重新确定预测轨迹信息，以获得偏差角更小的预测轨迹信息，从而减少预测轨迹信息与真实轨迹信息的偏差，提高预测轨迹信息的精度。

在目标预测时段所对应的目标预测轨迹信息和真实轨迹信息的轨迹偏差角小于夹角临界值的情况下，确定目标预测时段中的M帧预测轨迹信息为有效帧，将该目标预测轨迹信息对应的预测轨迹信息，确定为周围车辆的预测轨迹信息。

基于上述方案，通过轨迹预测模型对周围车辆的行驶轨迹进行预测，得到预测轨迹信息，并对预测轨迹信息进行优化反馈得到优化后的预测轨迹信息，提高了自动驾驶车辆的预测轨迹信息的精确度。

可选的，如图2所示，轨迹预测模型包括驾驶意图预测网络和轨迹预测网络，根据采集到的行驶轨迹信息和轨迹预测模型，确定周围车辆的预测轨迹信息，包括：

步骤S201，根据采集到的行驶轨迹信息和驾驶意图预测网络，确定驾驶意图预测信息。

在本实施例中，如图3所示，为融入驾驶意图模块的轨迹预测模型结构图，轨迹预测模型可以是LSTM编码器-解码器神经网络；驾驶意图预测网络可以是 LSTM编码器-解码器神经网络中的LSTM编码器；轨迹预测网络可以是LSTM 编码器-解码器神经网络中的LSTM解码器。其中，p₀、p₁、…、p_m为终端采集到的各帧行驶轨迹信息，q₀、q₁、…、q_n为与各帧行驶轨迹信息对应的通过 LSTM编码器-解码器神经网络预测的各帧预测轨迹信息，其中m与n的个数相同。终端根据采集到的周围车辆的行驶轨迹信息，输入到驾驶意图预测网络，驾驶意图预测网络根据行驶轨迹信息获取轨迹向量，并根据轨迹向量通过驾驶意图预测网络中的驾驶意图识别模块，识别驾驶意图预测信息，驾驶意图预测信息包含预测的驾驶意图和该驾驶意图对应的行驶轨迹信息。

步骤S202，根据驾驶意图预测信息和轨迹预测网络，确定周围车辆的预测轨迹信息。

在本实施例中，如图3所示，终端根据驾驶意图对应的行驶轨迹信息，输入到轨迹预测网络，输出周围车辆的预测轨迹信息。

基于上述轨迹预测模型，在S104确定轨迹偏差值大于预设阈值的情况下，可以将预测轨迹信息认为无效信息。终端通过真实行驶轨迹信息，判定该车辆在真实行驶轨迹信息中所采取的驾驶意图，并将该驾驶意图输入轨迹预测网络，重新确定周围车辆的预测轨迹信息，并返回执行步骤S104。

在一个实施例中，当终端确定预测轨迹信息为无效信息时，终端通过在目标预测时段内目标车辆的真实轨迹信息，判定目标车辆此时所采取的驾驶意图 (即真实驾驶意图)，具体的处理过程为：

Δt时间(一个单位时间为Δt)内车辆的行驶轨迹信息可近似用直线来确定。当车辆采取左换道、右换道和车道保持等不同驾驶意图时，可依据在Δt时间内真实行驶轨迹信息的斜率判断目标车辆此时所采取的驾驶意图。使用最小二乘法近似拟合该段轨迹信息，得到其在frenet坐标下斜率表达式：

其中

为真实轨迹信息上第i帧轨迹信息的车辆坐标信息，N为该段轨迹信息上单位时间的数目(即帧数)。

终端预先存储预测失效的夹角临界值α_thr和当前行驶状态的斜率判定阈值 k_thr1,k_thr2。例如设定α_thr＝1/4v，k_thr1＝-4v，k_thr2＝4v，其中v为目标车辆y方向的车速。当斜率k的倒数在区间(-∞,1//_thr1)时，终端确定当前驾驶意图为左换道；在区间[1/k_thr1,1/k_thr2]内时，终端确定当前驾驶意图为车道保持；在区间(1/k_thr2,+∞)内时，终端确定当前驾驶意图为右换道。

终端依据上述判定过程得到的驾驶意图，确定真实轨迹信息中心的真实轨迹信息对应的驾驶意图。并将该真实轨迹信息输入轨迹信息预测模型，重新确定预测轨迹信息并重新确定每帧目标预测轨迹信息和每帧真实轨迹信息的各帧轨迹信息偏差角α_i。

基于上述方案，通过将驾驶行为意图融入轨迹预测模型，再结合意图识别结果确定预测轨迹，有利于为规划决策模块提供更准确的环境认知信息，确保了自动驾驶车辆的预测轨迹信息与实际轨迹更加相符。

可选的，根据采集到的行驶轨迹信息和驾驶意图预测网络，确定驾驶意图预测信息，包括：根据行驶轨迹信息和驾驶意图预测网络，确定驾驶员采取各驾驶行为的概率，选取概率最大的驾驶行为，作为驾驶意图预测信息。

在本实施例中，终端根据采集到的周围车辆的行驶轨迹信息，输入驾驶意图预测网络。驾驶意图预测网络通过将采集到的周围车辆的行驶轨迹信息编码后获取隐藏层向量，根据隐藏层向量判断周围车辆可能采取的驾驶行为，确定该车辆采取各驾驶行为的概率。

在一种实施例中，终端通过将行驶轨迹信息P输入LSTM编码器并编码获得隐藏层向量H后，将H使用神经网络的全连接层降维至3维向量Ω。再用 Softmax函数归一化得到驾驶员即将采取的各驾驶行为的概率向量

具体函数表达式如下：

式中

表示在当前交通场景下，驾驶员即将采取第i(i＝0,1,2)种驾驶行为的概率，i表示驾驶行为。i＝0表示左换道、i＝1表示右换道、i＝2表示保持原道。

在本实施例中，终端通过获取到的驾驶员即将采取各驾驶行为的概率，选取概率最大的驾驶行为，作为该驾驶员即将采取的驾驶意图预测信息。

基于上述方案，通过判断驾驶行为的概率确定驾驶意图预测信息，提升了预测轨迹信息的精确度。

可选的，根据驾驶意图预测信息和轨迹预测网络，确定周围车辆的预测轨迹信息，包括：

根据驾驶意图预测信息中的驾驶行为所对应的行驶轨迹信息和轨迹预测网络，确定周围车辆的预测轨迹信息。

在本实施例中，通过驾驶意图预测信息中的驾驶行为对应的行驶轨迹信息P 获取到的隐藏层向量H，输入轨迹信息预测网络，得到与该驾驶意图对应的周围车辆的预测轨迹信息。

在一个实施例中，终端在选取

最大值的驾驶行为之后，将

转化为one-hot 向量

具体转化过程如下式：

上式中，i表示驾驶行为。i＝0表示左换道、i＝1表示右换道、i＝2表示保持原道。

终端通过将

向量与H相乘后，再将相乘得到的向量输入LSTM解码器中，即可解码输出与该驾驶意图对应的周围车辆的预测轨迹信息。

基于上述方案，通过驾驶意图确定周围车辆的预测轨迹信息，能更好的提升该预测轨迹信息的精度。

可选的，如图4所示，在预测轨迹信息中选取目标预测时段内的目标预测轨迹信息，根据目标预测轨迹信息以及目标预测时段的真实轨迹信息，确定轨迹偏差值，包括：

步骤S401，根据目标预测时段内的目标预测轨迹信息，确定目标预测轨迹向量。

在实施例中，终端获取预测轨迹信息中每一帧预测轨迹信息的车辆坐标信息，针对每一帧目标预测轨迹信息，可以将该帧预测轨迹信息的车辆坐标信息与该帧的前一帧目标预测轨迹信息对应的真实轨迹信息的车辆坐标信息相连线，得到各帧目标预测轨迹向量。则各帧预测轨迹向量

的向标表达式如下：

其中，各帧预测轨迹信息的坐标信息为{(μ_x,μ_y)_i}，各帧目标预测轨迹向量为

一个单位时间(即一帧)为Δt，每帧与前一帧的时间区间为[y₀-Δt,t₀]， t₀为该帧所处时刻，前一帧目标预测轨迹信息对应的真实轨迹信息的车辆坐标信息为

步骤S402，根据目标预测时段内的真实轨迹信息，确定目标预测时段的真实轨迹向量。

在实施例中，终端获取真实轨迹信息中每一帧目标预测轨迹信息对应的真实轨迹信息的车辆坐标信息，针对每一帧目标预测轨迹信息对应的真实轨迹信息，可以将该帧目标预测轨迹信息对应的真实轨迹信息的车辆坐标信息与该帧的前一帧目标预测轨迹信息对应的真实轨迹信息的车辆坐标信息相连线，得到各帧目标预测轨迹信息对应的真实轨迹向量。则

向标表达式如下：

其中，各帧目标预测轨迹信息对应的真实轨迹信息的车辆坐标信息为 {(x_gt,y_gt)_i}，各帧真实轨迹向量为

一个单位时间(即一帧)为Δt，每帧与前一帧的时间区间为[t₀-Δt,t₀]，t₀为该帧所处时刻，各帧的前一帧目标预测轨迹信息对应的真实轨迹信息的车辆坐标信息为

步骤S403，根据目标预测轨迹向量和目标预测时段所对应的真实轨迹向量，确定轨迹偏差角，将轨迹偏差角作为轨迹偏差值。

在实施例中，通过各帧目标预测轨迹向量

和目标预测时段所对应的各帧真实轨迹向量

确定各帧目标预测轨迹信息对应的偏差角α_i，α_i表达式如下：

其中：

终端通过计算各帧目标预测轨迹信息对应的偏差角的平均值，得到目标预测轨迹信息和真实轨迹的轨迹偏差角

基于上述方案，通过计算各帧预测轨迹的向量与各帧真实轨迹的向量间的偏差角，可以进一步缩小偏差角的误差值，提高偏差反馈机制的精度。

可选的，本申请实施例还提供了轨迹预测模型的训练过程，如图5所示，还包括：

步骤S501，获取样本数据集。

其中，样本数据集包含多个样本轨迹信息、样本轨迹信息对应的样本真实轨迹信息、以及样本真实轨迹信息对应的样本真实驾驶意图信息；样本真实轨迹信息反映样本车辆在样本轨迹信息之后的行驶轨迹。

在本实施例中，终端获取各样本车辆的行驶轨迹信息集(即样本数据集)，样本轨迹信息为样本车辆行驶轨迹信息，样本轨迹信息包含在多个单位时间内获取到的样本车辆物理属性，样本车辆物理属性包含样本车辆水平坐标、样本车辆的横纵向速度以及样本车辆的横纵向加速度。样本真实轨迹信息对应的真实驾驶意图信息通过标记的方式预设在其对应的样本真实轨迹信息中。样本轨迹信息和样本真实轨迹信息均建立在以道路中央车道线为参考线的frenet坐标系下。

步骤S502，针对每个样本轨迹信息，将样本轨迹信息输入初始驾驶意图识别网络，得到样本轨迹信息对应的样本驾驶意图预测信息。

在本实施例中，终端在各样本轨迹信息中选取一个样本轨迹信息，并将该样本轨迹信息输入初始驾驶意图识别网络，终端通过初始驾驶意图识别网络，识别该样本轨迹信息对应的样本驾驶意图预测信息。该步骤的具体处理过程可以参照上述步骤S201的相关解释，此处不再赘述。

步骤S503，将样本驾驶意图预测信息输入初始轨迹预测网络，得到样本预测轨迹信息。

在本实施例中，终端通过将步骤S502获得的样本轨迹信息对应的样本驾驶意图预测信息和样本轨迹信息相乘，并将相乘后得到的向量输入初始轨迹预测网络，输出该样本驾驶意图预测信息对应的样本预测轨迹信息。该步骤的具体处理过程可以参照上述步骤S202的相关解释，此处不再赘述。

步骤S504，根据样本驾驶意图预测信息，以及样本真实轨迹信息对应的样本真实驾驶意图信息，确定第一损失函数的函数值；并根据样本预测轨迹信息，以及样本轨迹信息对应的样本真实轨迹信息，确定第二损失函数的函数值。

在本实施例中，终端通过计算样本轨迹信息对应的样本驾驶意图预测信息与样本真实轨迹信息对应的样本真实驾驶意图信息之间的交叉熵，确定第一损失函数的函数值。终端通过计算样本驾驶意图预测信息对应的样本预测轨迹信息和样本真实轨迹信息的均方误差，确定第二损失函数的函数值。

步骤S505，根据第一损失函数的函数值和第二损失函数的函数值的和值，对初始驾驶意图识别网络和初始轨迹预测网络的网络参数进行调整，以得到训练后的驾驶意图识别网络和训练后的轨迹预测网络。

在本实施例中，终端先将第一损失函数的函数值和第二损失函数的函数值加和得到和值，在和值大于预设值的情况下。终端通过将和值运用调整算法对初始驾驶意图识别网络和初始轨迹预测网络的网络参数进行调整，得到调整后的驾驶意图识别网络和调整后的轨迹预测网络，并重新在除已参加训练的样本轨迹信息之外的各样本轨迹信息中选取一个样本轨迹信息，返回执行步骤S502。在和值小于预设值的情况下，终端确定最后一次迭代得到的调整后的驾驶意图识别网络和调整后的轨迹预测网络为训练后的驾驶意图识别网络和训练后的轨迹预测网络。

基于上述方案，通过将样本数据集代入初始轨迹预测模型进行训练得到训练后的轨迹预测模型，为之后判别驾驶员驾驶意图并预测驾驶轨迹奠定了基础。

本申请还提供了一种车辆轨迹预测的示例，如图6所示，具体处理过程包括以下步骤：

步骤S601，采集周围车辆的行驶轨迹信息。

步骤S602，根据行驶轨迹信息和驾驶意图预测网络，确定驾驶员采取各驾驶行为的概率。

步骤S603，选取概率最大的驾驶行为，作为驾驶意图预测信息。

步骤S604，根据驾驶意图预测信息中的驾驶行为所对应的行驶轨迹信息和轨迹预测网络，确定周围车辆的预测轨迹信息，并继续采集周围车辆的行驶轨迹信息，作为真实轨迹信息。

步骤S605，根据目标预测时段内的目标预测轨迹信息，确定目标预测轨迹向量。

步骤S606，根据目标预测时段内的真实轨迹信息，确定目标预测时段的真实轨迹向量。

步骤S607，根据目标预测轨迹向量和目标预测时段所对应的真实轨迹向量，确定轨迹偏差角，将轨迹偏差角作为轨迹偏差值。

步骤S608，判断轨迹偏差值是否小于预设阈值，

如果是，则执行步骤S609，如果否，则将目标预测时段的真实轨迹信息作为更新后的行驶轨迹信息，执行步骤S602。

步骤S609，确定预测轨迹信息为周围车辆预测轨迹信息。

应该理解的是，虽然如上所述的各实施例所涉及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，如上所述的各实施例所涉及的流程图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。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的车辆轨迹预测方法的车辆轨迹预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个车辆轨迹预测装置实施例中的具体限定可以参见上文中对于车辆轨迹预测方法的限定，在此不再赘述。

在一个实施例中，如图7所示，提供一种车辆轨迹预测装置，包括采集模块710，第一确定模块720，第二确定模块730，判断模块740，其中：

采集模块710，用于采集周围车辆的行驶轨迹信息。

第一确定模块720，用于根据采集到的行驶轨迹信息和轨迹预测模型，确定周围车辆的预测轨迹信息，并继续采集周围车辆的行驶轨迹信息，作为真实轨迹信息。

第二确定模块730，用于在预测轨迹信息中选取目标预测时段内的目标预测轨迹信息，根据目标预测轨迹信息以及目标预测时段的真实轨迹信息，确定轨迹偏差值。

判断模块740，用于在轨迹偏差值大于预设阈值的情况下，确定预测轨迹信息失效，将目标预测时段的真实轨迹信息作为更新后的行驶轨迹信息，返回根据采集到的行驶轨迹信息和轨迹预测模型，确定周围车辆的预测轨迹信息，并继续采集周围车辆的行驶轨迹信息，作为真实轨迹信息步骤，直到偏差值小于预设阈值时，确定预测轨迹信息为周围车辆预测轨迹信息。

可选的，第一确定模块720，具体用于：

根据采集到的行驶轨迹信息和驾驶意图预测网络，确定驾驶意图预测信息。

根据驾驶意图预测信息和轨迹预测网络，确定周围车辆的预测轨迹信息。

可选的，第一确定模块720，具体用于：

根据行驶轨迹信息和驾驶意图预测网络，确定驾驶员采取各驾驶行为的概率。

选取概率最大的驾驶行为，作为驾驶意图预测信息。

可选的，第一确定模块720，具体用于：

可选的，第二确定模块730，具体用于：

根据目标预测时段内的目标预测轨迹信息，确定目标预测轨迹向量。

根据目标预测时段内的真实轨迹信息，确定目标预测时段的真实轨迹向量。

根据目标预测轨迹向量和目标预测时段所对应的真实轨迹向量，确定轨迹偏差角，将轨迹偏差角作为轨迹偏差值。

可选的，装置还包括：

获取模块，用于获取样本数据集，样本数据集包含多个样本轨迹信息、样本轨迹信息对应的样本真实轨迹信息、以及样本真实轨迹信息对应的样本真实驾驶意图信息；样本真实轨迹信息反映样本车辆在样本轨迹信息之后的行驶轨迹。

第一输入模块，用于针对每个样本轨迹信息，将样本轨迹信息输入初始驾驶意图识别网络，得到样本轨迹信息对应的样本驾驶意图预测信息。

第二输入模块，用于将样本驾驶意图预测信息输入初始轨迹预测网络，得到样本预测轨迹信息。

第三确定模块，用于根据样本驾驶意图预测信息，以及样本真实轨迹信息对应的样本真实驾驶意图信息，确定第一损失函数的函数值；并根据样本预测轨迹信息，以及样本轨迹信息对应的样本真实轨迹信息，确定第二损失函数的函数值。

调整模块，用于根据第一损失函数的函数值和第二损失函数的函数值的和值，对初始驾驶意图识别网络和初始轨迹预测网络的网络参数进行调整，以得到训练后的驾驶意图识别网络和训练后的轨迹预测网络。

上述车辆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8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、移动蜂窝网络、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车辆轨迹预测方法。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8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。

在实施例中，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方法实施例中的步骤。

在实施例中，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方法实施例中的步骤。

在实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述方法实施例中的步骤。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。

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、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-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(MagnetoresistiveRandomAccessMemory，MRAM)、铁电存储器 (FerroelectricRandomAccessMemory，FRAM)、相变存储器 (PhaseChangeMemory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(RandomAccessMemory，RAM)或外部高速缓冲存储器等。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(StaticRandomAccessMemory，SRAM)或动态随机存取存储器(DynamicRandomAccessMemory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

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本申请专利范围的限制。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，本申请的保护范围应以所附权利要求为准。

Claims

1.一种车辆轨迹预测方法，其特征在于，所述方法包括：

采集周围车辆的行驶轨迹信息；

2.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驾驶意图预测网络和轨迹预测网络，所述根据采集到的行驶轨迹信息和轨迹预测模型，确定所述周围车辆的预测轨迹信息，包括：

3.根据权利要求2所述的方法，其特征在于，所述根据所述采集到的行驶轨迹信息和所述驾驶意图预测网络，确定驾驶意图预测信息，包括：

选取概率最大的驾驶行为，作为驾驶意图预测信息。

4.根据权利要求2所述的方法，其特征在于，所述根据所述驾驶意图预测信息和所述轨迹预测网络，确定所述周围车辆的预测轨迹信息，包括：

5.根据权利要求1所述的方法，其特征在于，所述在所述预测轨迹信息中选取目标预测时段内的目标预测轨迹信息，根据所述目标预测轨迹信息以及所述目标预测时段的真实轨迹信息，确定轨迹偏差值，包括：

6.根据权利要求2所述的方法，其特征在于，所述方法还包括：

获取样本数据集，所述样本数据集包含多个样本轨迹信息、所述样本轨迹信息对应的样本真实轨迹信息、以及所述样本真实轨迹信息对应的样本真实驾驶意图信息；所述样本真实轨迹信息反映样本车辆在样本轨迹信息之后的行驶轨迹；

将所述样本驾驶意图预测信息输入初始轨迹预测网络，得到样本预测轨迹信息；

根据所述样本驾驶意图预测信息，以及所述样本真实轨迹信息对应的样本真实驾驶意图信息，确定第一损失函数的函数值；并根据所述样本预测轨迹信息，以及所述样本轨迹信息对应的样本真实轨迹信息，确定第二损失函数的函数值；

7.一种车辆轨迹预测装置，其特征在于，所述装置包括：

采集模块，用于采集周围车辆的行驶轨迹信息；

8.一种计算机设备，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6中任一项所述的方法的步骤。

9.一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6中任一项所述的方法的步骤。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。