CN114547223A - 轨迹预测方法、轨迹预测模型的训练方法及装置 - Google Patents
轨迹预测方法、轨迹预测模型的训练方法及装置 Download PDFInfo
- Publication number
- CN114547223A CN114547223A CN202210172833.0A CN202210172833A CN114547223A CN 114547223 A CN114547223 A CN 114547223A CN 202210172833 A CN202210172833 A CN 202210172833A CN 114547223 A CN114547223 A CN 114547223A
- Authority
- CN
- China
- Prior art keywords
- data
- track
- trajectory
- road
- position information
- 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 99
- 238000012549 training Methods 0.000 title claims abstract description 45
- 238000004590 computer program Methods 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 230000000306 recurrent effect Effects 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 19
- 238000004891 communication Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/393—Trajectory determination or predictive tracking, e.g. Kalman filtering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种轨迹预测方法、轨迹预测模型的训练方法及装置，涉及计算机技术领域，尤其涉及智能交通、人工智能、深度学习技术领域。实现方案为：获取车辆的行驶轨迹数据，所述行驶轨迹数据包括多个轨迹点各自的位置信息；基于所述多个轨迹点各自的位置信息，确定所述行驶轨迹数据对应的道路数据；以及基于所述行驶轨迹数据和所述道路数据，确定所述车辆的预测轨迹数据，所述预测轨迹数据包括至少一个预测轨迹点各自的位置信息。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及智能交通、人工智能、深度学习技术领域，具体涉及一种轨迹预测方法及装置、轨迹预测模型的训练方法及装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
车辆通常设置有卫星定位模块。卫星定位模块可以接收卫星定位信号(例如北斗、GPS、GLONASS、GALILEO等)，并且基于这些信号产生位置信息(坐标)。由此，在车辆行驶的过程中，可以通过卫星定位模块来获取车辆在不同时刻的位置信息，并将不同时刻的位置信息存储至车辆本地或发送至服务器。车辆在不同时刻的位置信息形成该车辆的行驶轨迹。
车辆的行驶轨迹能够表征车辆的运动情况，在地图生产、城市规划、自动驾驶、信息推荐等领域得到广泛应用。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种轨迹预测方法及装置、轨迹预测模型的训练方法及装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面，提供了一种轨迹预测方法，包括：获取车辆的行驶轨迹数据，所述行驶轨迹数据包括多个轨迹点各自的位置信息；基于所述多个轨迹点各自的位置信息，确定所述行驶轨迹数据对应的道路数据；以及基于所述行驶轨迹数据和所述道路数据，确定所述车辆的预测轨迹数据，所述预测轨迹数据包括至少一个预测轨迹点各自的位置信息。
根据本公开的一方面，提供了一种轨迹预测模型的训练方法，包括：获取样本行驶轨迹数据，所述样本行驶轨迹数据包括第一数据片段和第二数据片段，所述第一数据片段包括多个第一轨迹点各自的位置信息，所述第二数据片段包括至少一个第二轨迹点各自的位置信息；基于所述多个第一轨迹点各自的位置信息，确定所述第一数据片段对应的样本道路数据；将所述第一数据片段和所述样本道路数据输入所述轨迹预测模型，以得到所述轨迹预测模型输出的预测轨迹数据，所述预测轨迹数据包括至少一个预测轨迹点各自的位置信息；基于所述预测轨迹数据和所述第二数据片段，确定所述轨迹预测模型的损失值；以及基于所述损失值，调整所述轨迹预测模型的参数。
根据本公开的一方面，提供了一种轨迹预测装置，包括：获取模块，被配置为获取车辆的行驶轨迹数据，所述行驶轨迹数据包括多个轨迹点各自的位置信息；确定模块，被配置为基于所述多个轨迹点各自的位置信息，确定所述行驶轨迹数据对应的道路数据；以及预测模块，被配置为基于所述行驶轨迹数据和所述道路数据，确定所述车辆的预测轨迹数据，所述预测轨迹数据包括至少一个预测轨迹点各自的位置信息。
根据本公开的一方面，提供了一种轨迹预测模型的训练装置，包括：获取模块，被配置为获取样本行驶轨迹数据，所述样本行驶轨迹数据包括第一数据片段和第二数据片段，所述第一数据片段包括多个第一轨迹点各自的位置信息，所述第二数据片段包括至少一个第二轨迹点各自的位置信息；第一确定模块，被配置为基于所述多个第一轨迹点各自的位置信息，确定所述第一数据片段对应的样本道路数据；预测模块，被配置为将所述第一数据片段和所述样本道路数据输入所述轨迹预测模型，以得到所述轨迹预测模型输出的预测轨迹数据，所述预测轨迹数据包括至少一个预测轨迹点各自的位置信息；第二确定模块，被配置为基于所述预测轨迹数据和所述第二数据片段，确定所述轨迹预测模型的损失值；以及调整模块，被配置为基于所述损失值，调整所述轨迹预测模型的参数。
根据本公开的一方面，提供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器，该存储器存储有可被上述至少一个处理器执行的指令，该指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行上述任一方面的方法。
根据本公开的一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行上述任一方面的方法。
根据本公开的一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现上述任一方面的方法。
根据本公开的一个或多个实施例，能够提高轨迹预测的准确性。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
图2示出了根据本公开的实施例的轨迹预测方法的流程图；
图3示出了根据本公开的实施例的行驶轨迹数据和道路数据的示意图；
图4示出了根据本公开的实施例的轨迹预测模型的训练方法的流程图；
图5示出了根据本公开的实施例的样本行驶轨迹数据的示意图；
图6示出了根据本公开的实施例的轨迹预测模型的训练过程的示意图；
图7示出了根据本公开的实施例的轨迹预测模型的训练及应用过程的示意图；
图8示出了根据本公开的实施例的轨迹预测装置的结构框图；
图9示出了根据本公开的实施例的轨迹预测模型的训练装置的结构框图；以及
图10示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
在本公开中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
在车辆行驶的过程中，可以通过卫星定位模块(可以是车载卫星定位模块，也可以是车辆中的用户使用的终端设备中的卫星定位模块)来获取车辆在不同时刻的位置信息，并将不同时刻的位置信息存储在车辆本地或发送至服务器。车辆在不同时刻的位置信息形成该车辆的行驶轨迹，车辆在单个时刻的位置信息对应于行驶轨迹中的一个轨迹点。车辆的行驶轨迹可以表征车辆的运动情况。
在一些情况中，还可以通过其他传感器模块来获取车辆在不同时刻的速度、方向等信息，将这些信息与车辆的位置信息一并存储或发送至服务器。相应地，车辆行驶轨迹中的每个轨迹点除了具有位置信息之外，还包括速度、方向等信息。
在车辆行驶的过程中，经常存在卫星定位模块无法接收卫星定位信号或者接收到不准确的卫星定位信号的情况。例如，卫星定位信号被高楼、树木、隧道等物体遮挡，导致卫星定位模块无法接收或者接收到不准确的卫星定位信号，相应地，导致车辆在部分时刻的行驶轨迹缺失(即轨迹点缺失)或者轨迹点的位置信息不准确。在这种情况下，需要对缺失的轨迹点进行填补(即“轨迹补偿”)或者对不准确的轨迹点进行纠正(即“轨迹纠偏”)。一种可行的解决方案是，基于车辆的行驶轨迹数据来进行轨迹预测，以预测出缺失或不准确的轨迹点的真实位置，然后基于预测结果来对行驶轨迹数据进行轨迹补偿或轨迹纠偏。
在相关技术中，通常采用隐马尔科夫模型(Hidden Markov Model，HMM)来将车辆已有的行驶轨迹数据与电子地图上的道路相匹配(该过程可以被称为“绑路”)，从而预测轨迹点的真实位置，基于预测结果来进行轨迹补偿或轨迹纠偏。该方法的预测结果不够准确。在复杂道路场景下(例如复杂路口、立交桥等)，预测结果(即绑路结果)很可能存在错误，甚至无法得出预测结果。
在另一些相关技术中，也可以将车辆已有的行驶轨迹(历史行驶轨迹)作为一个时间序列，预测车辆的未来行驶轨迹。该方法仅基于历史行驶轨迹来预测未来行驶轨迹，预测结果同样不够准确，尤其在复杂道路场景下(例如复杂路口、立交桥等)，容易发生错误。
为此，本公开的实施例提供一种轨迹预测方法，能够提高轨迹预测的准确性。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中，服务器120可以运行使得能够执行轨迹预测方法和/或轨迹预测模型的训练方法的一个或多个服务或软件应用。
在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来进行导航。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统；或包括各种移动操作系统，例如MICROSOFT Windows Mobile OS、iOS、WindowsPhone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、Wi-Fi)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音乐文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
为了本公开实施例的目的，图1所示的客户端设备101-106中可以包括客户端应用，客户端应用可以提供基于车辆行驶轨迹数据所实现的各种服务，例如地图服务、自动驾驶服务、信息推荐服务等。与此相应地，服务器120是该客户端应用对应的服务器。
例如，在图1的示例中，客户端设备101-106中可以包括电子地图应用，该电子地图应用可以提供基于电子地图的各种服务，例如在线导航、离线路径规划、地点查找等。与此相应地，服务器120可以是该电子地图应用对应的服务器。服务器120或客户端设备101-106例如可以通过执行本公开实施例的轨迹预测方法，来对车辆的行驶轨迹进行预测。所得到的预测结果可以用于优化行驶轨迹数据的质量(例如进行轨迹补偿、轨迹纠偏等)。进一步地，基于优化后的行驶轨迹数据，可以对地图中的道路要素(例如红绿灯、车道导向箭头、交通限制标牌等)进行更新，使电子地图数据更加准确，提升用户对电子地图应用的使用体验。
图2示出了根据本公开实施例的轨迹预测方法200的流程图。方法200可以在服务器(例如图1中所示的服务器120)处执行，也可以在客户端设备(例如图1中所示的客户端设备101、102、103、104、105和106)处执行。也即，方法200的各个步骤的执行主体可以是图1中所示的服务器120，也可以是图1中所示的客户端设备101、102、103、104、105和106。
如图2所示，方法200包括：
步骤210、获取车辆的行驶轨迹数据，行驶轨迹数据包括多个轨迹点各自的位置信息；
步骤220、基于多个轨迹点各自的位置信息，确定行驶轨迹数据对应的道路数据；以及
步骤230、基于行驶轨迹数据和道路数据，确定车辆的预测轨迹数据，预测轨迹数据包括至少一个预测轨迹点各自的位置信息。
车辆的行驶轨迹会受到真实道路情况的影响。根据本公开的实施例，通过确定车辆行驶轨迹附近的道路情况(即“道路数据”)，然后综合车辆行驶轨迹和道路情况来预测车辆的未来行驶轨迹(即“预测轨迹数据”)，提高了轨迹预测的准确性。
以下详细描述方法200的各个步骤。
在步骤210中，获取车辆的行驶轨迹数据，行驶轨迹数据包括多个轨迹点各自的位置信息。
车辆在不同时刻的位置信息形成该车辆的行驶轨迹。车辆的行驶轨迹包括多个轨迹点，每个轨迹点对应于一个特定的时刻，并且具有相应的位置信息。相应地，车辆的行驶轨迹数据包括多个轨迹点各自的位置信息。
轨迹点的位置信息通常由卫星定位模块采集得到，用于指示车辆在相应时刻的位置。位置信息例如可以是坐标，例如经纬度坐标、UTM(Universal Transverse Mercatorgrid system，通用横墨卡托格网系统)坐标等。
根据一些实施例，在车辆行驶的过程中，还可以通过其他传感器模块来采集不同时刻的速度、方向等信息，并将这些信息与位置信息一并存储至车辆本地或者上传至服务器。相应地，每个轨迹点除了具有位置信息之外，还具有速度、方向等信息，车辆的行驶轨迹数据除了包括多个轨迹点各自的位置信息之外，还包括多个轨迹点各自的速度信息和方向信息。
轨迹点的速度信息用于指示车辆在相应时刻的行驶速度。速度信息的单位通常为km/h或m/s。
轨迹点的方向信息用于指示车辆在相应时刻的行驶方向。方向信息可以表示为车辆的行驶方向与基准方向的角度。例如，以东方为基准方向，沿逆时针方向角度增加，方向信息的取值范围为0°～360°。若车辆向北方行驶，则方向信息为90°；若车辆向西南方行驶，则方向信息为225°。
车辆的行驶轨迹数据是一个由多个轨迹点的信息构成的时序序列。例如，车辆的行驶轨迹数据可以表示成时序序列{P1,P2,…,Pn}，其中，Pi为第i(i＝1,2,…,N)个轨迹点的信息向量。具体地，Pi可以仅包括位置信息，也可以包括位置、方向、速度等多种信息。
需要说明的是，步骤210所获取的车辆的行驶轨迹数据可以是车辆本地或服务器处存储的该车辆的行驶轨迹数据的全部，也可以已存储的行驶轨迹数据中的一部分。
在步骤220中，基于多个轨迹点各自的位置信息，确定行驶轨迹数据对应的道路数据。
根据一些实施例，步骤220包括以下步骤222-226：
步骤222、获取路网拓扑数据，路网拓扑数据包括多个道路节点各自的位置信息和多个道路节点之间的连接关系；
步骤224、基于多个轨迹点和多个道路节点各自的位置信息，从多个道路节点中确定与上述多个轨迹点对应的至少一个目标节点；
步骤226、基于上述至少一个目标节点，确定道路数据，道路数据包括至少一个目标节点各自的位置信息和/或至少一个目标节点之间的连接关系。
根据上述实施例，目标节点及其连接关系构成行驶轨迹所在的局部路网。将局部路网作为道路数据进行轨迹预测，能够提高轨迹预测的效率和准确性。
在路网拓扑中，每条道路由一系列有序的道路节点(node)构成，每个道路节点具有位置信息。两个相互连接的道路节点之间形成一个路段(link)。相应地，路网拓扑数据包括多个道路节点各自的位置信息和多个道路之间的连接关系。道路节点的位置信息例如可以是坐标，例如经纬度坐标，UTM坐标等。通常地，道路节点的坐标与轨迹点的坐标采用相同的坐标系。
根据一些实施例，针对步骤224，可以预设距离阈值，例如30m、50m等。对于每个轨迹点，将到该轨迹点的距离小于或等于距离阈值的道路节点作为该轨迹点对应的目标节点；然后将各轨迹点对应的目标节点汇合，得到至少一个目标节点。
通过步骤224确定了至少一个目标节点后，可以通过步骤226确定道路数据。道路数据包括上述至少一个目标节点各自的位置信息和/或至少一个目标节点之间的连接关系。
根据一些实施例，在存在两个及以上目标节点的情况下，目标节点之间的连接关系例如可以通过邻接矩阵来表示。邻接矩阵的行数和列数均等于目标节点的个数，邻接矩阵A中的第i行第j列的元素值aij用于表示目标节点i与目标节点j之间的连通性。例如，可以用数值1表示两个目标节点连通，用数值0表示两个目标节点不连通。特别地，可以设置aii＝0。相应地，道路数据可以包括各目标节点的位置信息和各目标节点之间的连接关系。
在仅存在一个目标节点的情况下，目标节点之间的连接关系可以设置为空值(null)。相应地，道路数据仅包括该目标节点的位置信息。
图3示出了根据本公开的实施例的行驶轨迹数据及其对应的道路数据的示意图。如图3所示，车辆的行驶轨迹310包括a-f六个轨迹点，相应地，车辆的行驶轨迹数据包括轨迹点a-f各自的位置信息。示例性的路网拓扑包括A-G七个道路节点以及这七个道路节点之间的连接，相应地，路网拓扑数据包括道路节点A-G各自的位置信息及其连接关系。
距离阈值例如可以设置为50m。对于每个轨迹点，将到该轨迹点的距离小于或等于50m的道路节点作为该轨迹点对应的目标节点。例如，对于轨迹点a，由于道路节点A到轨迹点a的距离小于50m，因此道路节点A为轨迹点a对应的目标节点。对于轨迹点c，其50m范围内不存在道路节点，因此其没有对应的目标节点。对于轨迹点e，由于道路节点F、G到轨迹点e的距离均小于50m，因此道路节点F、G为轨迹点e对应的目标节点。类似地，可以确定轨迹点b对应于目标节点C，轨迹点d对应于目标节点D，轨迹点f对应于目标节点G。
将轨迹点a-f对应的目标节点汇合，得到轨迹点a-f对应的目标节点为A、C、D、F、G。相应地，道路数据包括目标节点A、C、D、F、G的位置信息以及目标节点A、C、D、F、G之间的连接关系。该连接关系可以通过以下邻接矩阵来表示：
| A | C | D | F | G | |
| A | 0 | 1 | 0 | 0 | 0 |
| C | 1 | 0 | 1 | 0 | 0 |
| D | 0 | 1 | 0 | 1 | 0 |
| F | 0 | 0 | 1 | 0 | 1 |
| G | 0 | 0 | 0 | 1 | 0 |
在步骤230中，基于行驶轨迹数据和道路数据，确定车辆的预测轨迹数据，预测轨迹数据包括至少一个预测轨迹点各自的位置信息。
如前所述，行驶轨迹数据可以仅包括各轨迹点的位置信息，也可以包括各轨迹节点的位置、速度、方向等信息。在行驶轨迹数据包括各轨迹点的位置、速度、方向等多种信息的情况下，可以得到更丰富的预测依据。通过综合位置、速度、方向等多种信息和道路数据来进行轨迹预测，能够进一步提高轨迹预测的准确性。
根据一些实施例，在行驶轨迹数据包括各轨迹点的位置、速度、方向等多种信息的情况下，预测轨迹数据也可以相应地包括各预测轨迹点的位置、速度、方向等信息。
根据一些实施例，可以采用经训练的轨迹预测模型来确定预测轨迹数据，即，步骤230包括：将行驶轨迹数据和道路数据输入经训练的轨迹预测模型；以及获取轨迹预测模型输出的预测轨迹数据。
根据上述实施例，采用轨迹预测模型来进行轨迹预测，能够提高轨迹预测的泛化性和灵活性，使本公开实施例的轨迹预测方法能够适用于不同道路场景中。即使针对复杂的道路场景(例如复杂路口、立交桥等)，也能得到良好的预测效果。
轨迹预测模型可以是任意神经网络模型。根据一些实施例，轨迹预测模型例如可以是循环神经网络(Recurrent Neural Network,RNN)模型。循环神经网络模型适于处理序列数据，同时，车辆的行驶轨迹数据是一个时序序列。因此，采用循环神经网络模型来进行轨迹预测，能够使模型与数据相匹配，从而提高轨迹预测的准确性。
轨迹预测模型的训练方法将于下文进行详述。
根据另一些实施例，也可以采用诸如卡尔曼滤波等时间序列预测算法来确定车辆的预测轨迹数据。
根据一些实施例，在通过步骤230得到预测轨迹数据后，可以进一步基于预测轨迹数据，对车辆的行驶轨迹数据进行修正，从而提高行驶轨迹数据的质量。
根据一些实施例，可以基于预测轨迹数据，对步骤210获取的行驶轨迹数据进行轨迹补偿。具体地，可以将行驶轨迹数据与预测轨迹数据进行拼接，从而对行驶轨迹数据进行填补和扩充。
根据另一些实施例，可以基于预测轨迹数据，对步骤210获取的形式轨迹数据进行轨迹纠偏。具体地，可以获取行驶轨迹数据的接续轨迹数据，接续轨迹数据包括多个接续轨迹点各自的位置信息，多个接续轨迹点位于行驶轨迹数据所包括的多个轨迹点之后，并且多个接续轨迹点的数量与上述至少一个预测轨迹点的数量相同；将接续轨迹数据与预测轨迹数据进行融合，以得到融合轨迹数据；以及将行驶轨迹数据与融合轨迹数据进行拼接。
在上述实施例中，接续轨迹数据是车辆在采集到步骤210的行驶轨迹数据之后继续采集到的真实的轨迹数据。通过将接续轨迹数据与预测轨迹数据进行融合，能够对接续轨迹数据进行纠偏，以提高接续轨迹数据的质量；相应地，将行驶轨迹数据与融合轨迹数据进行拼接后，可以得到更准确的、质量更高的行驶轨迹数据。
根据一些实施例，可以通过加权求和的方式来将接续轨迹数据与预测轨迹数据相融合。即，对于每个接续轨迹点，将该接续轨迹点与相应的预测轨迹点的位置信息进行加权求和，得到融合后的位置信息。类似地，也可以将接续轨迹点与相应的预测轨迹点的速度信息或方向信息进行加权求和，以得到融合后的速度信息或方向信息。接续轨迹点和预测轨迹点的权重例如可以均为0.5，这表示在进行轨迹纠偏时，原始的轨迹数据与预测轨迹数据具有相同的重要性。
需要说明的是，除了用于进行轨迹补偿、轨迹纠偏来提高轨迹数据的质量之外，预测轨迹数据还可以有其他用途，例如用于对自动驾驶车辆进行实时路线规划等。本公开不限制预测轨迹数据的具体用途。
根据本公开的实施例，还提供了一种轨迹预测模型的训练方法。图4示出了根据本公开实施例的轨迹预测方法400的流程图。方法400通常在服务器(例如图1中所示的服务器120)处执行，也可以在客户端设备(例如图1中所示的客户端设备101、102、103、104、105和106)处执行。也即，方法400的各个步骤的执行主体可以是图1中所示的服务器120，也可以是图1中所示的客户端设备101、102、103、104、105和106。
如图4所示，方法400包括：
步骤410、获取样本行驶轨迹数据，所述样本行驶轨迹数据包括第一数据片段和第二数据片段，所述第一数据片段包括多个第一轨迹点各自的位置信息，所述第二数据片段包括至少一个第二轨迹点各自的位置信息；
步骤420、基于所述多个第一轨迹点各自的位置信息，确定所述第一数据片段对应的样本道路数据；
步骤430、将所述第一数据片段和所述样本道路数据输入所述轨迹预测模型，以得到所述轨迹预测模型输出的预测轨迹数据，所述预测轨迹数据包括至少一个预测轨迹点各自的位置信息；
步骤440、基于所述预测轨迹数据和所述第二数据片段，确定所述轨迹预测模型的损失值；以及
步骤450、基于所述损失值，调整所述轨迹预测模型的参数。
根据本公开的实施例，可以将车辆的原始行驶轨迹数据拆分成两个片段，将前一个片段(即第一数据片段)作为模型的输入数据，后一个片段(即第二数据片段)作为标签数据，从而得到模型的训练样本(即样本行驶轨迹数据)。训练样本由车辆的原始行驶轨迹数据自动生成，无需人工进行标注，大大提高了训练样本的生成效率，从而提高了模型的训练效率。
根据一些实施例，轨迹预测模型可以是循环神经网络模型。循环神经网络模型适于处理序列数据，同时，车辆的行驶轨迹数据是一个时序序列。因此，采用循环神经网络模型来进行轨迹预测，能够使模型与数据相匹配，从而提高轨迹预测的准确性。
根据一些实施例，为了提升训练样本的质量，以便提高模型的准确性，步骤410中的样本行驶轨迹数据可以通过对高质量的原始行驶轨迹数据进行轨迹降噪、轨迹平滑、轨迹抽稀、轨迹切片等一系列预处理操作而得到。
轨迹抽稀例如可以通过道格拉斯-普克(Douglas-Peuker)算法实现。
轨迹切片是为了将一条轨迹中的相关性较低的相邻片段切开，形成多条轨迹。例如，由于卫星定位信号丢失，可能存在两个轨迹点间隔时间较长的情况，例如轨迹中的第3、4个轨迹点的采集时间相差半个小时，这种情况下，这两个轨迹点可能相距较远，如果将二者连成一条轨迹，会使轨迹杂乱无章。因此需要切断二者之间的连接，从而将原始轨迹拆分成两条轨迹。又例如，如果相邻的两个轨迹点的角度差距很大，比如前一个轨迹点的方向角度是90°，后一个轨迹点的方向角度是270°，那么二者应该属于不同的轨迹，需要进行切片。
根据一些实施例，在通过步骤410获取到第一数据片段之后，还可以对第一数据片段添加随机噪声。随机噪声可以用于模拟现实世界中的GPS漂移等现象。通过对第一数据片段添加随机噪声，实现了训练样本的数据增强，能够提高模型的泛化性和鲁棒性。
根据一些实施例，第一数据片段还包括多个第一轨迹点各自的速度信息和方向信息。通过将速度信息和方向信息输入轨迹预测模型，可以使轨迹预测模型学习到更丰富的信息，综合位置信息、速度信息和方向信息来进行轨迹预测，从而提高轨迹预测的准确性。
图5示出了根据本公开的实施例的样本行驶轨迹数据的示意图。通过对车辆的原始行驶轨迹数据进行轨迹降噪、轨迹平滑、轨迹抽稀等预处理操作后，得到行驶轨迹数据510。如图5所示，行驶轨迹数据510包括9个轨迹点的位置、速度、方向等信息。
沿虚线540对行驶轨迹数据510进行拆分，可以得到样本行驶轨迹数据520(即训练样本)。如图5所示，样本行驶轨迹数据520包括第一数据片段522和第二数据片段524。第一数据片段522包括6个轨迹点的位置、速度、方向等信息，第二数据片段524包括3个轨迹点的位置、速度、方向等信息。在轨迹预测模型的训练过程中，第一数据片段522为输入数据，第二数据片段524为标签数据。
进一步地，为了提高轨迹预测模型的鲁棒性，使轨迹预测模型能够更好地应对不同场景，可以向第一数据片段522中添加随机噪声，即，对训练样本520进行数据增强。第二数据片段524保持不变。由此，可以得到新的第一数据片段532，从而得到增强后的训练样本530。
根据一些实施例，步骤420包括：获取路网拓扑数据，所述路网拓扑数据包括多个道路节点各自的位置信息和所述多个道路节点之间的连接关系；基于所述多个第一轨迹点和所述多个道路节点各自的位置信息，从所述多个道路节点中确定与所述多个第一轨迹点对应的至少一个目标节点；以及基于所述至少一个目标节点，确定所述样本道路数据，所述样本道路数据包括所述至少一个目标节点各自的位置信息和/或所述至少一个目标节点之间的连接关系。
根据上述实施例，目标节点及其连接关系构成行驶轨迹所在的局部路网。将局部路网作为样本道路数据进行轨迹预测，能够提高轨迹预测的效率和准确性。
步骤420的具体实施方式可以参考上文步骤222-226的相关描述，此处不再赘述。
如上所述，样本道路数据包括两部分，一部分是目标节点的位置信息，另一部分是目标节点之间的连接关系。目标节点之间的连接关系例如可以通过邻接矩阵来表示。根据一些实施例，在步骤430中，可以通过补零(padding)或截断的方式，来将目标节点的位置信息调整为第一固定长度。并且，对邻接矩阵进行编码(encoding)，以生成第二固定长度的特征向量。编码例如可以通过全连接层(Fully Connected layers，FC)来实现。将第一固定长度的位置信息和第二固定长度的特征向量进行拼接，得到固定长度的道路数据向量。然后将道路数据向量输入轨迹预测模型。
在步骤440中，基于预测轨迹数据(预测值)和第二数据片段(真实值)，确定轨迹预测模型的损失值。根据一些实施例，模型的损失值例如可以是预测轨迹数据与第二数据片段的均方误差(Mean Square Error，MSE)。
在步骤450中，例如可以通过反向传播算法来调整轨迹预测模型的参数。
图6示出了根据本公开的实施例的轨迹预测模型的训练过程的示意图。
如图6所示，在得到样本行驶轨迹数据(包括第一数据片段和第二数据片段)和样本道路数据后，将第一数据片段和样本道路数据输入轨迹预测模型610，轨迹预测模型610输出预测轨迹数据。随后，基于预测轨迹数据(预测值)和第二数据片段(真实值)来计算轨迹预测模型610的损失值(例如MSE损失)，然后基于损失值来更新轨迹预测模型610的参数。可以理解，在模型训练过程中，图6所示的过程可以被执行多次。
图7示出了根据本公开的实施例的轨迹预测模型的训练及应用过程的示意图。
如图7所示，轨迹预测模型的训练过程710包括步骤711-715。
在步骤711中，对车辆的原始轨迹数据进行降噪、平滑、抽稀、切片等预处理。然后对处理后的轨迹数据进行拆分，得到作为模型输入数据的第一数据片段和作为真实标签数据的第二数据片段。第一数据片段和第二数据片段组成样本行驶轨迹数据，即训练样本。
在步骤712中，对第一数据片段随机添加噪声扰动，得到增强后的训练样本，从而生成训练数据集。
在步骤713中，将训练样本和样本道路数据输入RNN模型，以对RNN模型进行训练。
在步骤714中，计算RNN模型的性能指标，以对其进行性能评估。若模型的性能达到预期目标，则执行步骤715，结束训练过程，保存RNN模型，保存的RNN模型可以被投入应用。若模型性能未达到预期目标，则执行步骤713，继续训练RNN模型。
轨迹预测模型的应用过程720包括步骤721-723。
在步骤721中，对待处理的轨迹数据进行降噪等预处理。
在步骤722中，将预处理后的轨迹数据与相应的道路数据一并输入模型，得到模型输出的预测轨迹数据。
在步骤723中，基于预测轨迹数据来对待处理的轨迹数据进行修正(例如轨迹补偿、轨迹纠偏等)，以得到修正后的轨迹数据。
本公开实施例的轨迹预测方法、轨迹预测模型的训练方法具有以下优点：
1、能够在较为复杂的路网情况下取得较好的性能，相比较于传统HMM算法来说，神经网络能够更好的学习出隐状态的表示方法，并利用隐状态推测出接下里的轨迹趋势，除此之外，RNN具有相似状态相同处理的能力，即使遇到之前没有见到过的情况，RNN也能评估出新状态与之前遇到过的哪一个历史状态相似，并做出相类似的处理。
2、能自动产生训练数据集。相比于其他算法，该模型能够自动从原始轨迹中生成大量带有标签的训练数据集，不用人工标注，节省大量的时间成本与人力成本。且在生成数据的过程中使用了数据增强策略，使得训练出的模型鲁棒性更好，能够更好的应对不同场景。
3、当轨迹中存在多条可能的路径时，神经网络能够自动结合路网数据来判断补偿的轨迹和纠偏轨迹应该映射到哪一条路上，解决了传统轨迹补偿任务中多条可能路径下无法得出结果的问题，使得轨迹补偿模型自由度更高，能够用在更为广泛的场景之中。
根据本公开的实施例，还提供了一种轨迹预测装置。图8示出了根据本公开实施例的轨迹预测装置800的结构框图。如图8所示，装置800包括：
获取模块810，被配置为获取车辆的行驶轨迹数据，所述行驶轨迹数据包括多个轨迹点各自的位置信息；
确定模块820，被配置为基于所述多个轨迹点各自的位置信息，确定所述行驶轨迹数据对应的道路数据；以及
预测模块830，被配置为基于所述行驶轨迹数据和所述道路数据，确定所述车辆的预测轨迹数据，所述预测轨迹数据包括至少一个预测轨迹点各自的位置信息。
根据本公开的实施例，根据本公开的实施例，通过确定车辆行驶轨迹附近的道路情况(即“道路数据”)，然后综合车辆行驶轨迹和道路情况来预测车辆的未来行驶轨迹(即“预测轨迹数据”)，提高了轨迹预测的准确性。
根据一些实施例，确定模块820进一步包括：获取单元，被配置为获取路网拓扑数据，所述路网拓扑数据包括多个道路节点各自的位置信息和所述多个道路节点之间的连接关系；第一确定单元，被配置为基于所述多个轨迹点和所述多个道路节点各自的位置信息，从所述多个道路节点中确定与所述多个轨迹点对应的至少一个目标节点；以及第二确定单元，被配置为基于所述至少一个目标节点，确定所述道路数据，其中，所述道路数据包括所述至少一个目标节点各自的位置信息和/或所述至少一个目标节点之间的连接关系。
根据本公开的实施例，还提供了一种轨迹预测模型的训练装置。图9示出了根据本公开实施例的轨迹预测模型的训练装置900的结构框图。如图9所示，装置900包括：
获取模块910，被配置为获取样本行驶轨迹数据，所述样本行驶轨迹数据包括第一数据片段和第二数据片段，所述第一数据片段包括多个第一轨迹点各自的位置信息，所述第二数据片段包括至少一个第二轨迹点各自的位置信息；
第一确定模块920，被配置为基于所述多个第一轨迹点各自的位置信息，确定所述第一数据片段对应的样本道路数据；
预测模块930，被配置为将所述第一数据片段和所述样本道路数据输入所述轨迹预测模型，以得到所述轨迹预测模型输出的预测轨迹数据，所述预测轨迹数据包括至少一个预测轨迹点各自的位置信息；
第二确定模块940，被配置为基于所述预测轨迹数据和所述第二数据片段，确定所述轨迹预测模型的损失值；以及
调整模块950，被配置为基于所述损失值，调整所述轨迹预测模型的参数。
根据本公开的实施例，根据本公开的实施例，可以将车辆的原始行驶轨迹数据拆分成两个片段，将前一个片段(即第一数据片段)作为模型的输入数据，后一个片段(即第二数据片段)作为标签数据，从而得到模型的训练样本(即样本行驶轨迹数据)。训练样本由车辆的原始行驶轨迹数据自动生成，无需人工进行标注，大大提高了训练样本的生成效率，从而提高了模型的训练效率。
根据一些实施例，轨迹预测模型包括循环神经网络模型。
应当理解，图8中所示装置800的各个模块或单元可以与参考图2描述的方法200中的各个步骤相对应，图9中所示装置900的各个模块或单元可以与参考图4描述的方法400中的各个步骤相对应。由此，上面针对方法200描述的操作、特征和优点同样适用于装置800及其包括的模块以及单元，上面针对方法400描述的操作、特征和优点同样适用于装置900及其包括的模块以及单元。为了简洁起见，某些操作、特征和优点在此不再赘述。
虽然上面参考特定模块讨论了特定功能，但是应当注意，本文讨论的各个模块的功能可以分为多个模块，和/或多个模块的至少一些功能可以组合成单个模块。例如，上面描述的获取模块810和确定模块820在一些实施例中可以组合成单个模块。
还应当理解，本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面关于图8、图9描述的各个模块可以在硬件中或在结合软件和/或固件的硬件中实现。例如，这些模块可以被实现为计算机程序代码/指令，该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地，这些模块可以被实现为硬件逻辑/电路。例如，在一些实施例中，模块810-950中的一个或多个可以一起被实现在片上系统(System on Chip,SoC)中。SoC可以包括集成电路芯片(其包括处理器(例如，中央处理单元(Central Processing Unit,CPU)、微控制器、微处理器、数字信号处理器(Digital Signal Processor,DSP)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件)，并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。
根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
参考图10，现将描述可以作为本公开的服务器或客户端的电子设备1000的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图10所示，电子设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
电子设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006、输出单元1007、存储单元1008以及通信单元1009。输入单元1006可以是能向设备1000输入信息的任何类型的设备，输入单元1006可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1007可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1008可以包括但不限于磁盘、光盘。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、Wi-Fi设备、WiMAX设备、蜂窝通信设备和/或类似物。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如方法200、方法400。例如，在一些实施例中，方法200和/或方法400可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的方法200和/或方法400的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200和/或方法400。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (20)
1.一种轨迹预测方法，包括：
获取车辆的行驶轨迹数据，所述行驶轨迹数据包括多个轨迹点各自的位置信息；
基于所述多个轨迹点各自的位置信息，确定所述行驶轨迹数据对应的道路数据；以及
基于所述行驶轨迹数据和所述道路数据，确定所述车辆的预测轨迹数据，其中，所述预测轨迹数据包括至少一个预测轨迹点各自的位置信息。
2.根据权利要求1所述的方法，其中，基于所述多个轨迹点各自的位置信息，确定所述行驶轨迹数据对应的道路数据包括：
获取路网拓扑数据，所述路网拓扑数据包括多个道路节点各自的位置信息和所述多个道路节点之间的连接关系；
基于所述多个轨迹点和所述多个道路节点各自的位置信息，从所述多个道路节点中确定与所述多个轨迹点对应的至少一个目标节点；以及
基于所述至少一个目标节点，确定所述道路数据，其中，所述道路数据包括所述至少一个目标节点各自的位置信息和/或所述至少一个目标节点之间的连接关系。
3.根据权利要求1或2所述的方法，其中，基于所述行驶轨迹数据和所述道路数据，确定所述车辆的预测轨迹数据包括：
将所述行驶轨迹数据和所述道路数据输入经训练的轨迹预测模型；以及
获取所述轨迹预测模型输出的所述预测轨迹数据。
4.根据权利要求3所述的方法，其中，所述轨迹预测模型包括循环神经网络模型。
5.根据权利要求1-4中任一项所述的方法，其中，所述行驶轨迹数据还包括所述多个轨迹点各自的速度信息和方向信息。
6.根据权利要求1-5中任一项所述的方法，还包括：
基于所述预测轨迹数据，对所述行驶轨迹数据进行修正。
7.根据权利要求6所述的方法，其中，基于所述预测轨迹数据，对所述行驶轨迹数据进行修正包括：
将所述行驶轨迹数据与所述预测轨迹数据进行拼接。
8.根据权利要求6所述的方法，其中，基于所述预测轨迹数据，对所述行驶轨迹数据进行修正包括：
获取所述行驶轨迹数据的接续轨迹数据，所述接续轨迹数据包括多个接续轨迹点各自的位置信息，其中，所述多个接续轨迹点位于所述多个轨迹点之后，并且所述多个接续轨迹点的数量与所述至少一个预测轨迹点的数量相同；
将所述接续轨迹数据与所述预测轨迹数据进行融合，以得到融合轨迹数据；以及
将所述行驶轨迹数据与所述融合轨迹数据进行拼接。
9.一种轨迹预测模型的训练方法，包括：
获取样本行驶轨迹数据，其中，所述样本行驶轨迹数据包括第一数据片段和第二数据片段，所述第一数据片段包括多个第一轨迹点各自的位置信息，所述第二数据片段包括至少一个第二轨迹点各自的位置信息；
基于所述多个第一轨迹点各自的位置信息，确定所述第一数据片段对应的样本道路数据；
将所述第一数据片段和所述样本道路数据输入所述轨迹预测模型，以得到所述轨迹预测模型输出的预测轨迹数据，其中，所述预测轨迹数据包括至少一个预测轨迹点各自的位置信息；
基于所述预测轨迹数据和所述第二数据片段，确定所述轨迹预测模型的损失值；以及
基于所述损失值，调整所述轨迹预测模型的参数。
10.根据权利要求9所述的方法，所述轨迹预测模型包括循环神经网络模型。
11.根据权利要求9或10所述的方法，其中，所述第一数据片段还包括所述多个第一轨迹点各自的速度信息和方向信息。
12.根据权利要求9-11中任一项所述的方法，还包括：对所述第一数据片段添加随机噪声。
13.根据权利要求9-12中任一项所述的方法，其中，基于所述多个第一轨迹点各自的位置信息，确定所述第一数据片段对应的样本道路数据包括：
获取路网拓扑数据，所述路网拓扑数据包括多个道路节点各自的位置信息和所述多个道路节点之间的连接关系；
基于所述多个第一轨迹点和所述多个道路节点各自的位置信息，从所述多个道路节点中确定与所述多个第一轨迹点对应的至少一个目标节点；以及
基于所述至少一个目标节点，确定所述样本道路数据，其中，所述样本道路数据包括所述至少一个目标节点各自的位置信息和/或所述至少一个目标节点之间的连接关系。
14.一种轨迹预测装置，包括：
获取模块，被配置为获取车辆的行驶轨迹数据，所述行驶轨迹数据包括多个轨迹点各自的位置信息；
确定模块，被配置为基于所述多个轨迹点各自的位置信息，确定所述行驶轨迹数据对应的道路数据；以及
预测模块，被配置为基于所述行驶轨迹数据和所述道路数据，确定所述车辆的预测轨迹数据，其中，所述预测轨迹数据包括至少一个预测轨迹点各自的位置信息。
15.根据权利要求14所述的装置，其中，所述确定模块包括：
获取单元，被配置为获取路网拓扑数据，所述路网拓扑数据包括多个道路节点各自的位置信息和所述多个道路节点之间的连接关系；
第一确定单元，被配置为基于所述多个轨迹点和所述多个道路节点各自的位置信息，从所述多个道路节点中确定与所述多个轨迹点对应的至少一个目标节点；以及
第二确定单元，被配置为基于所述至少一个目标节点，确定所述道路数据，其中，所述道路数据包括所述至少一个目标节点各自的位置信息和/或所述至少一个目标节点之间的连接关系。
16.一种轨迹预测模型的训练装置，包括：
获取模块，被配置为获取样本行驶轨迹数据，其中，所述样本行驶轨迹数据包括第一数据片段和第二数据片段，所述第一数据片段包括多个第一轨迹点各自的位置信息，所述第二数据片段包括至少一个第二轨迹点各自的位置信息；
第一确定模块，被配置为基于所述多个第一轨迹点各自的位置信息，确定所述第一数据片段对应的样本道路数据；
预测模块，被配置为将所述第一数据片段和所述样本道路数据输入所述轨迹预测模型，以得到所述轨迹预测模型输出的预测轨迹数据，其中，所述预测轨迹数据包括至少一个预测轨迹点各自的位置信息；
第二确定模块，被配置为基于所述预测轨迹数据和所述第二数据片段，确定所述轨迹预测模型的损失值；以及
调整模块，被配置为基于所述损失值，调整所述轨迹预测模型的参数。
17.根据权利要求16所述的装置，其中，所述轨迹预测模型包括循环神经网络模型。
18.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-13中任一项所述的方法。
19.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求1-13中任一项所述的方法。
20.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-13中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210172833.0A CN114547223A (zh) | 2022-02-24 | 2022-02-24 | 轨迹预测方法、轨迹预测模型的训练方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210172833.0A CN114547223A (zh) | 2022-02-24 | 2022-02-24 | 轨迹预测方法、轨迹预测模型的训练方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114547223A true CN114547223A (zh) | 2022-05-27 |
Family
ID=81676593
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210172833.0A Pending CN114547223A (zh) | 2022-02-24 | 2022-02-24 | 轨迹预测方法、轨迹预测模型的训练方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114547223A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115292962A (zh) * | 2022-09-14 | 2022-11-04 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于轨迹抽稀的路径相似度匹配方法、设备及存储介质 |
| CN115639826A (zh) * | 2022-11-04 | 2023-01-24 | 吉林大学 | 机器人驱动轨迹纠偏方法和系统 |
| CN116453333A (zh) * | 2023-03-24 | 2023-07-18 | 阿波罗智联(北京)科技有限公司 | 用于预测主要车流路径的方法及模型训练方法 |
| CN116521046A (zh) * | 2023-04-23 | 2023-08-01 | 西北核技术研究所 | 一种交通态势系统态势回溯功能的控制方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091708A (zh) * | 2019-12-13 | 2020-05-01 | 中国科学院深圳先进技术研究院 | 车辆轨迹预测方法及装置 |
| US20200309535A1 (en) * | 2019-03-29 | 2020-10-01 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, device, server and medium for determining quality of trajectory-matching data |
| CN112078592A (zh) * | 2019-06-13 | 2020-12-15 | 初速度（苏州）科技有限公司 | 一种车辆行为和/或车辆轨迹的预测方法及装置 |
| CN112212874A (zh) * | 2020-11-09 | 2021-01-12 | 福建牧月科技有限公司 | 车辆轨迹预测方法、装置、电子设备及计算机可读介质 |
| CN112598192A (zh) * | 2020-12-30 | 2021-04-02 | 北京优挂信息科技有限公司 | 一种车辆进入物流园区的预测方法、装置、存储介质及终端 |
| WO2022001773A1 (zh) * | 2020-07-02 | 2022-01-06 | 华为技术有限公司 | 轨迹预测方法及装置 |
| CN113989330A (zh) * | 2021-11-03 | 2022-01-28 | 中国电信股份有限公司 | 车辆轨迹预测方法、装置、电子设备和可读存储介质 |
-
2022
- 2022-02-24 CN CN202210172833.0A patent/CN114547223A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200309535A1 (en) * | 2019-03-29 | 2020-10-01 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, device, server and medium for determining quality of trajectory-matching data |
| CN112078592A (zh) * | 2019-06-13 | 2020-12-15 | 初速度（苏州）科技有限公司 | 一种车辆行为和/或车辆轨迹的预测方法及装置 |
| CN111091708A (zh) * | 2019-12-13 | 2020-05-01 | 中国科学院深圳先进技术研究院 | 车辆轨迹预测方法及装置 |
| WO2022001773A1 (zh) * | 2020-07-02 | 2022-01-06 | 华为技术有限公司 | 轨迹预测方法及装置 |
| CN112212874A (zh) * | 2020-11-09 | 2021-01-12 | 福建牧月科技有限公司 | 车辆轨迹预测方法、装置、电子设备及计算机可读介质 |
| CN112598192A (zh) * | 2020-12-30 | 2021-04-02 | 北京优挂信息科技有限公司 | 一种车辆进入物流园区的预测方法、装置、存储介质及终端 |
| CN113989330A (zh) * | 2021-11-03 | 2022-01-28 | 中国电信股份有限公司 | 车辆轨迹预测方法、装置、电子设备和可读存储介质 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115292962A (zh) * | 2022-09-14 | 2022-11-04 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于轨迹抽稀的路径相似度匹配方法、设备及存储介质 |
| CN115292962B (zh) * | 2022-09-14 | 2023-02-14 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于轨迹抽稀的路径相似度匹配方法、设备及存储介质 |
| CN115639826A (zh) * | 2022-11-04 | 2023-01-24 | 吉林大学 | 机器人驱动轨迹纠偏方法和系统 |
| CN116453333A (zh) * | 2023-03-24 | 2023-07-18 | 阿波罗智联(北京)科技有限公司 | 用于预测主要车流路径的方法及模型训练方法 |
| CN116453333B (zh) * | 2023-03-24 | 2024-04-16 | 阿波罗智联(北京)科技有限公司 | 用于预测主要车流路径的方法及模型训练方法 |
| CN116521046A (zh) * | 2023-04-23 | 2023-08-01 | 西北核技术研究所 | 一种交通态势系统态势回溯功能的控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109215372B (zh) | 路网信息更新方法、装置及设备 | |
| CN114547223A (zh) | 轨迹预测方法、轨迹预测模型的训练方法及装置 | |
| CN112668460A (zh) | 目标检测方法、电子设备、路侧设备和云控平台 | |
| CN111680362A (zh) | 一种自动驾驶仿真场景获取方法、装置、设备及存储介质 | |
| CN114202924B (zh) | 冗余交通限制信息的识别方法及装置、电子设备和介质 | |
| CN110823237B (zh) | 起点绑路及预测模型获取方法、装置及存储介质 | |
| CN114413920A (zh) | 车道数据处理方法、导航方法及装置 | |
| CN114386599B (zh) | 训练轨迹预测模型和轨迹规划的方法和装置 | |
| CN113739811A (zh) | 关键点检测模型的训练和高精地图车道线的生成方法设备 | |
| CN112800159A (zh) | 地图数据处理方法及装置 | |
| CN114758502A (zh) | 双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆 | |
| CN115164936A (zh) | 高精地图制作中用于点云拼接的全局位姿修正方法及设备 | |
| CN114187578A (zh) | 道路连接状态的识别方法及装置、电子设备和介质 | |
| CN114387410A (zh) | 道路数据融合的地图生成方法、装置以及电子设备 | |
| CN113706857B (zh) | 道路通行性的确定方法、装置、设备及存储介质 | |
| CN113276888B (zh) | 基于自动驾驶的乘车方法、装置、设备和存储介质 | |
| CN115675528A (zh) | 基于相似场景挖掘的自动驾驶方法和车辆 | |
| CN115797660A (zh) | 图像检测方法、装置、电子设备和存储介质 | |
| CN114528365A (zh) | 高速公路停车区域的识别方法及装置、电子设备和介质 | |
| CN115083037A (zh) | 用于更新地图路网数据的方法、装置、电子设备和车辆 | |
| CN114691809A (zh) | 道路轨迹确定方法及装置、电子设备和介质 | |
| CN114281832A (zh) | 基于定位结果的高精地图数据更新方法、装置和电子设备 | |
| US20230228579A1 (en) | Navigating method, electronic device and medium | |
| CN115683144A (zh) | 引导点确定方法、装置、电子设备、介质 | |
| CN115790632A (zh) | 一种轨迹确定方法、装置、电子设备及介质 |
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 |