CN114610020B - 障碍物运动轨迹的预测方法、装置、设备及存储介质 - Google Patents
障碍物运动轨迹的预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114610020B CN114610020B CN202210109041.9A CN202210109041A CN114610020B CN 114610020 B CN114610020 B CN 114610020B CN 202210109041 A CN202210109041 A CN 202210109041A CN 114610020 B CN114610020 B CN 114610020B
- Authority
- CN
- China
- Prior art keywords
- obstacle
- current
- information
- target
- cascade
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000006399 behavior Effects 0.000 claims description 93
- 238000004590 computer program Methods 0.000 claims description 13
- 230000004888 barrier function Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 9
- 230000002035 prolonged effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000003068 static effect Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Optics & Photonics (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及人工智能技术领域,提供一种障碍物运动轨迹的预测方法、装置、设备及存储介质,用于提高对障碍物运动轨迹的预测准确性。障碍物运动轨迹的预测方法包括:获取级联车辆的历史障碍物轨迹信息、至少一个当前目标障碍物的当前障碍物信息和目标匹配结果,所述目标匹配结果用于指示所述至少一个当前目标障碍物的当前障碍物信息与所述历史障碍物轨迹信息一一对应的匹配结果;通过所述历史障碍物轨迹信息、所述至少一个当前目标障碍物的当前障碍物信息和所述目标匹配结果,对所述至少一个当前目标障碍物的跟随行为进行确定,得到障碍物跟随行为信息;基于所述障碍物跟随行为信息修正所述目标匹配结果,并根据修正之后的目标匹配结果进行障碍物运动轨迹预测。
Description
技术领域
本发明涉及智能决策领域,尤其涉及一种障碍物运动轨迹的预测方法、装置、设备及存储介质。
背景技术
在自动驾驶的环境感知中,级联车辆(例如,货车、拖车和宇通小火车等)由于具有多节车厢的特点,在感知的过程中会有些特殊需要注意的地方:一方面由于观测视角的变化,容易造成车厢间的自遮挡;另一方面由于在检测输出时需要经过阈值过滤(非极大值抑制(Non-Max imum Suppression,NMS))这一步骤,级联车辆不同的运动状态(直行或者转弯)会使得模型对于转弯状态下的多厢车辆输出的包围框可能会存在较多重叠,重叠程度较高的包围框会被移除,从而出现对该类物体输出包围框数目不确定。这些因素使得检测对于同一个级联目标不同时刻输出的包围框数目不确定,也即障碍物表达形式发生了变化。这在一定程度上对下游的跟踪模块造成了困惑,不利于预测模块对障碍物的运动轨迹进行预测。在下游进行预测的时候由于只使用部分包围框对障碍物进行运动状态估计,导致输出的是错误的结果,导致了障碍物的整体运动轨迹的预测准确度较低。
发明内容
本发明提供一种障碍物运动轨迹的预测方法、装置、设备及存储介质,用于提高障碍物的整体运动轨迹的预测准确度。
本发明第一方面提供了一种障碍物运动轨迹的预测方法,包括:
获取级联车辆的历史障碍物轨迹信息、至少一个当前目标障碍物的当前障碍物信息和目标匹配结果,所述目标匹配结果用于指示所述至少一个当前目标障碍物的当前障碍物信息与所述历史障碍物轨迹信息一一对应的匹配结果;
通过所述历史障碍物轨迹信息、所述至少一个当前目标障碍物的当前障碍物信息和所述目标匹配结果,对所述至少一个当前目标障碍物的跟随行为进行确定,得到障碍物跟随行为信息;
基于所述障碍物跟随行为信息修正所述目标匹配结果,并根据修正之后的目标匹配结果进行障碍物运动轨迹预测。
可选的,在本发明第一方面的第一种实现方式中,所述通过所述历史障碍物轨迹信息、所述至少一个当前目标障碍物的当前障碍物信息和所述目标匹配结果,对所述至少一个当前目标障碍物的跟随行为进行确定,得到障碍物跟随行为信息,包括:
基于所述历史障碍物轨迹信息、所述至少一个当前目标障碍物的当前障碍物信息和所述目标匹配结果,对所述至少一个当前目标障碍物进行跟随关系判定和历史跟随关系召回,得到级联车辆的聚类结果;
通过所述级联车辆的聚类结果,对所述至少一个当前目标障碍物进行跟随行为确定,得到障碍物跟随行为信息。
可选的,在本发明第一方面的第二种实现方式中,所述基于所述历史障碍物轨迹信息、所述至少一个当前目标障碍物的当前障碍物信息和所述目标匹配结果,对所述至少一个当前目标障碍物进行跟随关系判定和历史跟随关系召回,得到级联车辆的聚类结果,包括:
对所述级联车辆进行障碍物聚类,得到级联车辆当前簇;
分别获取所述至少一个当前目标障碍物的包围框和多个候选障碍物的包围框,得到当前目标障碍物的包围框和候选障碍物的包围框,包围框用于指示障碍物的位置和大小;
判断所述当前目标障碍物的包围框和所述候选障碍物的包围框是否存在重叠;
若所述当前目标障碍物的包围框和所述候选障碍物的包围框存在重叠,则将对应的当前目标障碍物添加至所述级联车辆当前簇,得到级联车辆的聚类结果;
若所述当前目标障碍物的包围框和所述候选障碍物的包围框不存在重叠,则基于所述目标匹配结果和所述历史障碍物轨迹信息,对所述至少一个当前目标障碍物进行历史跟随关系召回并更新所述级联车辆当前簇,得到级联车辆的聚类结果。
可选的,在本发明第一方面的第三种实现方式中,所述若所述当前目标障碍物的包围框和所述候选障碍物的包围框不存在重叠,则基于所述目标匹配结果和所述历史障碍物轨迹信息,对所述至少一个当前目标障碍物进行历史跟随关系召回并更新所述级联车辆当前簇,得到级联车辆的聚类结果,包括:
若所述当前目标障碍物的包围框和所述候选障碍物的包围框不存在重叠,则通过所述目标匹配结果和所述历史障碍物轨迹信息获取历史跟随关系;
基于所述历史跟随关系和所述目标匹配结果,从所述至少一个当前目标障碍物中获取可能存在跟随关系的障碍物;
将所述可能存在跟随关系的障碍物,添加至所述级联车辆当前簇,得到级联车辆的聚类结果。
可选的,在本发明第一方面的第四种实现方式中,所述分别获取所述至少一个当前目标障碍物的包围框和多个候选障碍物的包围框,得到当前目标障碍物的包围框和候选障碍物的包围框,包括:
获取所述至少一个当前目标障碍物的包围框,得到当前目标障碍物的包围框;
获取鸟瞰图视角下多个当前帧初始障碍物的信息;
通过所述多个当前帧初始障碍物的信息,对所述多个当前帧初始障碍物进行选取和剔除,得到多个候选障碍物;
获取所述多个候选障碍物的包围框,得到候选障碍物的包围框。
可选的,在本发明第一方面的第五种实现方式中,所述通过所述多个当前帧初始障碍物的信息,对所述多个当前帧初始障碍物进行选取和剔除,得到多个候选障碍物,包括:
基于预设搜索距离阈值和各当前帧初始障碍物的位置信息,对所述多个当前帧初始障碍物的信息进行筛选,得到选取后的多个当前初始障碍物信息;
按照预设面积阈值,对所述选取后的多个当前初始障碍物信息进行删除,得到删除后的多个当前障碍物信息;
将所述删除后的多个当前障碍物信息对应的当前帧初始障碍物确定为多个候选障碍物。
可选的,在本发明第一方面的第六种实现方式中,所述通过所述级联车辆的聚类结果,对所述至少一个当前目标障碍物进行跟随行为确定,得到障碍物跟随行为信息,包括:
对所述级联车辆的聚类结果中每类里面包含的障碍物进行行为确定,得到级联车辆信息,所述级联车辆信息包括级联车辆的主体和车厢之间的连接顺序;
通过所述级联车辆的聚类结果和所述级联车辆信息,对所述至少一个当前目标障碍物进行投影值计算,得到障碍物跟随行为信息,所述障碍物跟随行为信息包括车厢的次序和所述至少一个当前目标障碍物的历史跟随关系。
可选的,在本发明第一方面的第七种实现方式中,所述基于所述障碍物跟随行为信息修正所述目标匹配结果,并根据修正之后的目标匹配结果进行障碍物运动轨迹预测,包括:
通过所述障碍物跟随行为信息中的所述车厢的次序和所述至少一个当前目标障碍物的历史跟随关系,对所述目标匹配结果进行修正;
通过修正之后的目标匹配结果更新障碍物信息,并从更新后的障碍物信息中获取待处理障碍物,所述待处理障碍物用于指示携带跟随关系的障碍物;
对所述待处理障碍物进行障碍物运动轨迹预测。
可选的,在本发明第一方面的第八种实现方式中,所述获取级联车辆的历史障碍物轨迹信息、至少一个当前目标障碍物的当前障碍物信息和目标匹配结果,包括:
获取级联车辆的历史障碍物轨迹信息和至少一个当前目标障碍物的当前障碍物信息;
通过预置的关联模型和二分图的最大匹配算法,将所述至少一个当前初始障碍物的当前障碍物信息与所述历史障碍物轨迹信息进行匹配,得到目标匹配结果。
本发明第二方面提供了一种障碍物运动轨迹的预测装置,包括:
获取模块,用于获取级联车辆的历史障碍物轨迹信息、至少一个当前目标障碍物的当前障碍物信息和目标匹配结果,所述目标匹配结果用于指示所述至少一个当前目标障碍物的当前障碍物信息与所述历史障碍物轨迹信息一一对应的匹配结果;
确定模块,用于通过所述历史障碍物轨迹信息、所述至少一个当前目标障碍物的当前障碍物信息和所述目标匹配结果,对所述至少一个当前目标障碍物的跟随行为进行确定,得到障碍物跟随行为信息;
预测模块,用于基于所述障碍物跟随行为信息修正所述目标匹配结果,并根据修正之后的目标匹配结果进行障碍物运动轨迹预测。
可选的,在本发明第二方面的第一种实现方式中,所述确定模块包括:
判定召回子模块,用于基于所述历史障碍物轨迹信息、所述至少一个当前目标障碍物的当前障碍物信息和所述目标匹配结果,对所述至少一个当前目标障碍物进行跟随关系判定和历史跟随关系召回,得到级联车辆的聚类结果;
确定子模块,用于通过所述级联车辆的聚类结果,对所述至少一个当前目标障碍物进行跟随行为确定,得到障碍物跟随行为信息。
可选的,在本发明第二方面的第二种实现方式中,所述判定召回子模块包括:
聚类单元,用于对所述级联车辆进行障碍物聚类,得到级联车辆当前簇;
获取单元,用于分别获取所述至少一个当前目标障碍物的包围框和多个候选障碍物的包围框,得到当前目标障碍物的包围框和候选障碍物的包围框,包围框用于指示障碍物的位置和大小;
判断单元,用于判断所述当前目标障碍物的包围框和所述候选障碍物的包围框是否存在重叠;
添加单元,用于若所述当前目标障碍物的包围框和所述候选障碍物的包围框存在重叠,则将对应的当前目标障碍物添加至所述级联车辆当前簇,得到级联车辆的聚类结果;
召回单元,用于若所述当前目标障碍物的包围框和所述候选障碍物的包围框不存在重叠,则基于所述目标匹配结果和所述历史障碍物轨迹信息,对所述至少一个当前目标障碍物进行历史跟随关系召回并更新所述级联车辆当前簇,得到级联车辆的聚类结果。
可选的,在本发明第二方面的第三种实现方式中,所述召回单元具体用于:
若所述当前目标障碍物的包围框和所述候选障碍物的包围框不存在重叠,则通过所述目标匹配结果和所述历史障碍物轨迹信息获取历史跟随关系;
基于所述历史跟随关系和所述目标匹配结果,从所述至少一个当前目标障碍物中获取可能存在跟随关系的障碍物;
将所述可能存在跟随关系的障碍物,添加至所述级联车辆当前簇,得到级联车辆的聚类结果。
可选的,在本发明第二方面的第四种实现方式中,所述获取单元包括:
第一获取子单元,用于获取所述至少一个当前目标障碍物的包围框,得到当前目标障碍物的包围框;
第二获取子单元,用于获取鸟瞰图视角下多个当前帧初始障碍物的信息;
选取剔除子单元,用于通过所述多个当前帧初始障碍物的信息,对所述多个当前帧初始障碍物进行选取和剔除,得到多个候选障碍物;
第三获取子单元,用于获取所述多个候选障碍物的包围框,得到候选障碍物的包围框。
可选的,在本发明第二方面的第五种实现方式中,所述选取剔除子单元具体用于:
基于预设搜索距离阈值和各当前帧初始障碍物的位置信息,对所述多个当前帧初始障碍物的信息进行筛选,得到选取后的多个当前初始障碍物信息;
按照预设面积阈值,对所述选取后的多个当前初始障碍物信息进行删除,得到删除后的多个当前障碍物信息;
将所述删除后的多个当前障碍物信息对应的当前帧初始障碍物确定为多个候选障碍物。
可选的,在本发明第二方面的第六种实现方式中,所述确定子模块具体用于:
对所述级联车辆的聚类结果中每类里面包含的障碍物进行行为确定,得到级联车辆信息,所述级联车辆信息包括级联车辆的主体和车厢之间的连接顺序;
通过所述级联车辆的聚类结果和所述级联车辆信息,对所述至少一个当前目标障碍物进行投影值计算,得到障碍物跟随行为信息,所述障碍物跟随行为信息包括车厢的次序和所述至少一个当前目标障碍物的历史跟随关系。
可选的,在本发明第二方面的第七种实现方式中,所述预测模块具体用于:
通过所述障碍物跟随行为信息中的所述车厢的次序和所述至少一个当前目标障碍物的历史跟随关系,对所述目标匹配结果进行修正;
通过修正之后的目标匹配结果更新障碍物信息,并从更新后的障碍物信息中获取待处理障碍物,所述待处理障碍物用于指示携带跟随关系的障碍物;
对所述待处理障碍物进行障碍物运动轨迹预测。
可选的,在本发明第二方面的第八种实现方式中,所述获取模块具体用于:
获取级联车辆的历史障碍物轨迹信息和至少一个当前目标障碍物的当前障碍物信息;
通过预置的关联模型和二分图的最大匹配算法,将所述至少一个当前初始障碍物的当前障碍物信息与所述历史障碍物轨迹信息进行匹配,得到目标匹配结果。
本发明第三方面提供了一种障碍物运动轨迹的预测设备,包括:存储器和至少一个处理器,所述存储器中存储有计算机程序;所述至少一个处理器调用所述存储器中的所述计算机程序,以使得所述障碍物运动轨迹的预测设备执行上述的障碍物运动轨迹的预测方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行上述的障碍物运动轨迹的预测方法。
本发明提供的技术方案中,获取级联车辆的历史障碍物轨迹信息、至少一个当前目标障碍物的当前障碍物信息和目标匹配结果,所述目标匹配结果用于指示所述至少一个当前目标障碍物的当前障碍物信息与所述历史障碍物轨迹信息一一对应的匹配结果;通过所述历史障碍物轨迹信息、所述至少一个当前目标障碍物的当前障碍物信息和所述目标匹配结果,对所述至少一个当前目标障碍物的跟随行为进行确定,得到障碍物跟随行为信息;基于所述障碍物跟随行为信息修正所述目标匹配结果,并根据修正之后的目标匹配结果进行障碍物运动轨迹预测。本发明实施例中,通过提供级联车辆整体的跟随关系描述,以及对级联车辆内部可能错误的跟随关系匹配结果进行修正,即基于障碍物跟随行为信息修正目标匹配结果,并增加对于级联车辆整体的关系描述,便于更准确地预测障碍物运动状态,提高了障碍物的整体运动轨迹的预测准确度。
附图说明
图1为本发明实施例中障碍物运动轨迹的预测方法的一个实施例示意图;
图2为本发明实施例中障碍物运动轨迹的预测方法的另一个实施例示意图;
图3为本发明实施例中障碍物运动轨迹的预测装置的一个实施例示意图;
图4为本发明实施例中障碍物运动轨迹的预测装置的另一个实施例示意图;
图5为本发明实施例中障碍物运动轨迹的预测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种障碍物运动轨迹的预测方法、装置、设备及存储介质,提高了障碍物的整体运动轨迹的预测准确度。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中障碍物运动轨迹的预测方法的一个实施例包括:
101、获取级联车辆的历史障碍物轨迹信息、至少一个当前目标障碍物的当前障碍物信息和目标匹配结果,目标匹配结果用于指示至少一个当前目标障碍物的当前障碍物信息与历史障碍物轨迹信息一一对应的匹配结果。
可以理解的是,本发明的执行主体可以为障碍物运动轨迹的预测装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
其中,级联车辆的历史障碍物轨迹信息包括但不限于该级联车辆过去帧中各个障碍物的位置、大小、速度和跟随关系(历史跟随关系)。当前目标障碍物用于指示级联车辆预设范围的对级联车辆造成障碍影响的物体,例如,级联车辆的车厢、行人和机动车(汽车、挂车、无轨电车和摩托车等)。当前障碍物信息包括但不限于级联车辆当前帧各当前目标障碍物的位置、大小、速度和朝向。目标匹配结果用于指示至少一个当前目标障碍物的当前障碍物信息与历史障碍物轨迹信息一一对应的匹配结果。
服务器通过级联车辆对数据库进行检索,得到对应的历史障碍物轨迹信息;通过相机和激光雷达获取至少一个当前目标障碍物,并通过预置的深度卷积网络模型对至少一个当前目标障碍物进行特征提取,得到当前障碍物信息;通过预置的匹配算法,将至少一个当前目标障碍物的当前障碍物信息与历史障碍物轨迹信息进行匹配,得到一一对应的匹配结果,即目标匹配结果,其中,一一对应意味着不会出现多个障碍物对应到同一条历史轨迹,也不会有多条历史轨迹对应到同一个障碍物,历史轨迹可理解为历史跟随关系,即级联车辆过去帧中障碍物的跟随关系,其中,匹配算法包括关联模型和二分图的最大匹配算法,每个历史轨迹都会有唯一的轨迹标识号track id来标识自己。
102、通过历史障碍物轨迹信息、至少一个当前目标障碍物的当前障碍物信息和目标匹配结果,对至少一个当前目标障碍物的跟随行为进行确定,得到障碍物跟随行为信息。
服务器基于历史障碍物轨迹信息、至少一个当前目标障碍物的当前障碍物信息和目标匹配结果,对至少一个当前目标障碍物进行跟随关系检测,得到级联车辆的聚类结果;通过级联车辆的聚类结果,对至少一个当前目标障碍物进行跟随行为确定,得到障碍物跟随行为信息。其中,基于历史障碍物轨迹信息、至少一个当前目标障碍物的当前障碍物信息和目标匹配结果,对至少一个当前目标障碍物进行跟随关系检测,得到级联车辆的聚类结果的执行过程可为:对级联车辆进行障碍物聚类,得到级联车辆当前簇;服务器判断当前目标障碍物是否跟随关系,若是,则将级联车辆当前簇确定为级联车辆的聚类结果;若否,则根据目标匹配结果从历史障碍物轨迹信息获取当前目标障碍的当前障碍物信息对应的历史跟随关系,得到召回的历史跟随关系,并基于召回的历史跟随关系对级联车辆当前簇进行更新,从而得到级联车辆的聚类结果。
其中,跟随行为用于指示级联车辆主体(车头)和车厢的连接顺序,以及当前目标障碍物于级联车辆的位置。
103、基于障碍物跟随行为信息修正目标匹配结果,并根据修正之后的目标匹配结果进行障碍物运动轨迹预测。
服务器通过障碍物跟随行为信息,对目标匹配结果中与障碍物跟随行为信息中轨迹匹配不正确或轨迹匹配不到的结果进行修正;通过预置预测模型,基于修正之后的目标匹配结果进行障碍物运动轨迹预测。其中,该预置预测模型可为单个预测模型,也可为多个预测模型的组合,例如,通过回归预测模型、卡尔曼滤波预测模型和反向传播神经网络(Back-ProPagation Network,BP)预测模型,分别基于修正之后的目标匹配结果进行障碍物运动轨迹预测,得到预测的第一障碍物运动轨迹、预测的第二障碍物运动轨迹和预测的第三障碍物运动轨迹,按照预设权重对预测的第一障碍物运动轨迹、预测的第二障碍物运动轨迹和预测的第三障碍物运动轨迹进行加权求和,得到最终的障碍物运动轨迹。
本发明实施例中,通过提供级联车辆整体的跟随关系描述,以及对级联车辆内部可能错误的跟随关系匹配结果进行修正,即基于障碍物跟随行为信息修正目标匹配结果,并增加对于级联车辆整体的关系描述,便于更准确地预测障碍物运动状态,提高了障碍物的整体运动轨迹的预测准确度。
请参阅图2,本发明实施例中障碍物运动轨迹的预测方法的另一个实施例包括:
201、获取级联车辆的历史障碍物轨迹信息、至少一个当前目标障碍物的当前障碍物信息和目标匹配结果,目标匹配结果用于指示至少一个当前目标障碍物的当前障碍物信息与历史障碍物轨迹信息一一对应的匹配结果。
具体的,服务器获取级联车辆的历史障碍物轨迹信息和至少一个当前目标障碍物的当前障碍物信息;通过预置的关联模型和二分图的最大匹配算法,将至少一个当前初始障碍物的当前障碍物信息与历史障碍物轨迹信息进行匹配,得到目标匹配结果。
服务器从预置数据库中提取级联车辆的历史障碍物轨迹信息;通过相机和激光雷达获取至少一个当前目标障碍物,并通过预置的深度卷积网络模型对至少一个当前目标障碍物进行特征提取,得到当前障碍物信息。
服务器通过预置的运动模型,对历史障碍物轨迹信息进行预设帧的特征提取,得到历史特征信息,该历史特征信息包括但不限于障碍物的速度和位置等信息;通过运动模型,基于历史特征信息预测当前帧障碍物可能在的位置,得到历史预测障碍物信息,例如,当前帧为第t帧,预设帧为t-1帧,历史特征信息为t-1帧障碍物的速度和位置,历史预测障碍物信息则为预测的第t帧的障碍物信息;通过预置的关联模型,将至少一个当前初始障碍物的当前障碍物信息与历史预测障碍物信息进行匹配,并计算两者的匹配得分,以判断两者的相似程度,得到相似度。
通过预置的二分图的最大匹配算法,基于相似度,对至少一个当前初始障碍物的当前障碍物信息与历史预测障碍物信息进行最优组合选择,从而得到当前目标障碍物的当前障碍物信息与历史障碍物轨迹信息一一对应的匹配结果,即目标匹配结果,其中,除了得到目标匹配结果之外,还得到存在跟随关系的障碍物和/或存在跟随关系的有序的级联车辆,该存在跟随关系的障碍物和/或存在跟随关系的有序的级联车辆可用于后续的障碍物信息及其对应历史轨迹的跟随关系的更新,或者目标匹配结果的修正。
其中,关联模可为神经网络模型,也可为卡尔曼滤波算法,也可为人工设置的得分机制,二分图的最大匹配算法可为组合优化算法(例如,匈牙利算法)或贪心算法等,在此不做限定。
通过预置的关联模型和二分图的最大匹配算法,将所述至少一个当前初始障碍物的当前障碍物信息与所述历史障碍物轨迹信息进行匹配,得到目标匹配结果,提供级联车辆整体的跟随关系描述,以及增加对于级联车辆整体的关系描述,便于更准确地预测障碍物运动状态,并提高了目标匹配结果的准确性。
202、基于历史障碍物轨迹信息、至少一个当前目标障碍物的当前障碍物信息和目标匹配结果,对至少一个当前目标障碍物进行跟随关系判定和历史跟随关系召回,得到级联车辆的聚类结果。
具体的,上述步骤202具体包括:对级联车辆进行障碍物聚类,得到级联车辆当前簇;分别获取至少一个当前目标障碍物的包围框和多个候选障碍物的包围框,得到当前目标障碍物的包围框和候选障碍物的包围框,包围框用于指示障碍物的位置和大小;判断当前目标障碍物的包围框和候选障碍物的包围框是否存在重叠;若当前目标障碍物的包围框和候选障碍物的包围框存在重叠,则将对应的当前目标障碍物添加至级联车辆当前簇,得到级联车辆的聚类结果;若当前目标障碍物的包围框和候选障碍物的包围框不存在重叠,则基于目标匹配结果和历史障碍物轨迹信息,对至少一个当前目标障碍物进行历史跟随关系召回并更新级联车辆当前簇,得到级联车辆的聚类结果。
服务器通过预置的聚类算法,对级联车辆进行障碍物聚类,得到级联车辆当前簇,其中,在进行映射关系遍历中不可以重复访问已经加入簇的障碍物。基于当前目标障碍物的当前障碍物信息设置对应的包围框,得到当前目标障碍物的包围框,当前目标障碍物的包围框表示当前目标障碍物的位置和大小,并获取多个候选障碍物的信息,并基于多个候选障碍物的信息设置各候选障碍物的包围框,得到候选障碍物的包围框,包围框用于指示障碍物的位置和大小;计算当前目标障碍物的包围框和候选障碍物的包围框之间的重叠度,其中,计算重叠度时,可通过预先设置的参数,分别对当前目标障碍物的包围框和候选障碍物的包围框进行长度延长,得到延长后的当前包围框(延长后的当前目标障碍物的包围框)和延长后的候选包围框(延长后的候选障碍物的包围框),计算延长后的当前包围框和延长后的候选包围框之间的重叠度,需要特别说明的是,为了避免错误匹配上平行行驶的无关车辆,长度延长的是包围框的长边的长度,不对包围框的宽边的长度进行延长,以及为了避免漏匹配,对所有包围框进行长度延长,以增强方法的鲁棒性,较稳定地获得跟随关系。
通过判断重叠度是否为预设值,作为示例而非限定的是,本实施例中的预设值为0,以判断当前目标障碍物的包围框和候选障碍物的包围框是否存在重叠;若当前目标障碍物的包围框和候选障碍物的包围框存在重叠(重叠度为预设值),则将对应的当前目标障碍物添加至级联车辆当前簇,得到级联车辆的聚类结果,并递归遍历其候选障碍物以进行检查;若当前目标障碍物的包围框和候选障碍物的包围框不存在重叠,则基于目标匹配结果和历史障碍物轨迹信息,对至少一个当前目标障碍物进行历史跟随关系召回并更新级联车辆当前簇,得到级联车辆的聚类结果。通过对至少一个当前目标障碍物进行跟随关系判定和历史跟随关系召回,实现对至少一个当前目标障碍物的筛查,从而提高后续跟随行为确定的准确性。
具体的,服务器分别获取至少一个当前目标障碍物的包围框和多个候选障碍物的包围框,得到当前目标障碍物的包围框和候选障碍物的包围框的执行过程,包括:获取至少一个当前目标障碍物的包围框,得到当前目标障碍物的包围框;获取鸟瞰图视角下多个当前帧初始障碍物的信息;通过多个当前帧初始障碍物的信息,对多个当前帧初始障碍物进行选取和剔除,得到多个候选障碍物;获取多个候选障碍物的包围框,得到候选障碍物的包围框。
具体的,服务器通过多个当前帧初始障碍物的信息,对多个当前帧初始障碍物进行选取和剔除,得到多个候选障碍物的执行过程,包括:基于预设搜索距离阈值和各当前帧初始障碍物的位置信息,对多个当前帧初始障碍物的信息进行筛选,得到选取后的多个当前初始障碍物信息;按照预设面积阈值,对选取后的多个当前初始障碍物信息进行删除,得到删除后的多个当前障碍物信息;将删除后的多个当前障碍物信息对应的当前帧初始障碍物确定为多个候选障碍物。
服务器基于当前目标障碍物的当前障碍物信息设置对应的包围框,得到当前目标障碍物的包围框。获取鸟瞰图视角下多个当前帧初始障碍物的信息,多个当前帧初始障碍物的信息用于指示当前帧属于车类的多个障碍物的信息。通过多个当前帧初始障碍物的信息,对多个当前帧初始障碍物进行选取和剔除,得到多个候选障碍物,具体的,基于预设搜索距离阈值,以各当前帧初始障碍物的位置信息对每个当前帧初始障碍物进行相关障碍物的选取和无关障碍物的剔除,从而得到可能存在跟随关系的候选障碍物,即选取后的多个当前初始障碍物信息,其中,预设搜索距离阈值为固定值;将选取后的多个当前初始障碍物信息中障碍物面积小于预设面积阈值的当前初始障碍物信息剔除,将删除后的多个当前障碍物信息对应的当前帧初始障碍物确定为多个候选障碍物,以防止错误的结果。得到多个候选障碍物后,基于多个候选障碍物生成映射关系图Map<obs,obs_list>,obs为每个车类的障碍物,obs_list为对应的在搜索距离内的候选障碍物。
服务器候选障碍物的信息生成多个候选障碍物的包围框,从而得到候选障碍物的包围框,候选障碍物的包围框表示候选障碍物的位置和大小。
通过获取至少一个当前目标障碍物的包围框,得到当前目标障碍物的包围框;获取鸟瞰图视角下多个当前帧初始障碍物的信息;通过多个当前帧初始障碍物的信息,对多个当前帧初始障碍物进行选取和剔除,得到多个候选障碍物;获取多个候选障碍物的包围框,得到候选障碍物的包围框,提高了候选障碍物的准确性,进一步提高了跟随关系判定和历史跟随关系召回的准确性。
具体的,服务器若当前目标障碍物的包围框和候选障碍物的包围框不存在重叠,则基于目标匹配结果和历史障碍物轨迹信息,对至少一个当前目标障碍物进行历史跟随关系召回并更新级联车辆当前簇,得到级联车辆的聚类结果的执行过程,包括:若当前目标障碍物的包围框和候选障碍物的包围框不存在重叠,则通过目标匹配结果和历史障碍物轨迹信息获取历史跟随关系;基于历史跟随关系和目标匹配结果,从至少一个当前目标障碍物中获取可能存在跟随关系的障碍物;将可能存在跟随关系的障碍物,添加至级联车辆当前簇,得到级联车辆的聚类结果。
历史跟随关系召回可以理解为当前帧没有找到该存在跟随关系的障碍物(级联车辆)即包围框没有重叠,通过历史存在跟随关系的轨迹,即目标匹配结果获取对应的当前帧的障碍物,例如,历史帧中轨迹标识号track id为1和track id为2的障碍物存在跟随关系,但是由于当前目标障碍物的包围框和候选障碍物的包围框不存在重叠而被判定当前目标障碍物与历史帧中的障碍物没有跟随关系,则可通过目标匹配结果获得到当前帧的轨迹标识号track id 1和track id2对应的障碍物,从而召回了跟随关系。
通过历史跟随关系召回,实现对至少一个当前目标障碍物的筛查,召回包围框不存在重叠但是实际存在跟随关系的障碍物,从而提高后续跟随行为确定的准确性。
203、通过级联车辆的聚类结果,对至少一个当前目标障碍物进行跟随行为确定,得到障碍物跟随行为信息。
具体的,服务器对级联车辆的聚类结果中每类里面包含的障碍物进行行为确定,得到级联车辆信息,级联车辆信息包括级联车辆的主体(车头)和车厢之间的连接顺序;通过级联车辆的聚类结果和级联车辆信息,对至少一个当前目标障碍物进行投影值计算,得到障碍物跟随行为信息,障碍物跟随行为信息包括车厢的次序和至少一个当前目标障碍物的历史跟随关系。
服务器对级联车辆的聚类结果中每类里面包含的障碍物进行行为确定,得到级联车辆信息后,基于级联车辆的聚类结果中的每一类和其中每个障碍物的朝向以获得整个级联车辆的近似朝向,得到整体近似朝向,然后计算每个障碍物的位置在这个整体近似朝向上的投影,得到投影值,通过投影值确定障碍物的跟随行为,从而得到障碍物跟随行为信息,障碍物跟随行为信息包括车厢的次序和至少一个当前目标障碍物的历史跟随关系,其中,投影值越大,说明当前目标障碍物在整个级联车辆中位置越靠前。
通过确定障碍物跟随行为信息,便于后续目标匹配结果的修正,从而提高目标匹配结果的准确性。
204、基于障碍物跟随行为信息修正目标匹配结果,并根据修正之后的目标匹配结果进行障碍物运动轨迹预测。
具体的,服务器通过障碍物跟随行为信息中的车厢的次序和至少一个当前目标障碍物的历史跟随关系,对目标匹配结果进行修正;通过修正之后的目标匹配结果更新障碍物信息,并从更新后的障碍物信息中获取待处理障碍物,待处理障碍物用于指示携带跟随关系的障碍物;对待处理障碍物进行障碍物运动轨迹预测。
服务器通过障碍物跟随行为信息中的车厢的次序和至少一个当前目标障碍物的历史跟随关系,对目标匹配结果中与障碍物跟随行为信息中轨迹匹配不正确或轨迹匹配不到的结果进行修正,例如,历史障碍物轨迹信息中车头属于track id为1的轨迹,但是当前帧匹配到了track id为2的轨迹或者没有匹配到(即目标匹配结果中与障碍物跟随行为信息中轨迹匹配不正确或轨迹匹配不到的结果),则对应修改;通过修正之后的目标匹配结果更新障碍物信息,并从更新后的障碍物信息中获取携带跟随关系的障碍物,即待处理障碍物。通过目标预测模型,对待处理障碍物进行障碍物运动轨迹预测。其中,该目标预测模型可包括静态预测模型和动态预测模型,静态预测模型用于获取目标匹配结果中对应的历史障碍物信息,并基于目标匹配结果中对应的历史障碍物信息,对待处理障碍物进行障碍物运动轨迹预测,得到静态预测的障碍物运动轨迹;动态预测模型用于获取当前预设时段的当前障碍物信息,并基于当前预设时段的当前障碍物信息,对待处理障碍物进行障碍物运动轨迹预测,得到动态预测的障碍物运动轨迹,其中,当前预设时段的当前障碍物信,例如,级联车辆当前运行10秒内的当前目标障碍物的信息;对静态预测的障碍物运动轨迹和动态预测的障碍物运动轨迹进行加权求和,得到最终的障碍物运动轨迹。
通过对级联车辆内部可能错误的跟随关系匹配结果进行修正,即基于障碍物跟随行为信息修正目标匹配结果,便于更准确地预测障碍物运动状态,提高了障碍物的整体运动轨迹的预测准确度。
本发明实施例中,通过提供级联车辆整体的跟随关系描述,以及对级联车辆内部可能错误的跟随关系匹配结果进行修正,即基于障碍物跟随行为信息修正目标匹配结果,并增加对于级联车辆整体的关系描述,便于更准确地预测障碍物运动状态,提高了障碍物的整体运动轨迹的预测准确度。
上面对本发明实施例中障碍物运动轨迹的预测方法进行了描述,下面对本发明实施例中障碍物运动轨迹的预测装置进行描述,请参阅图3,本发明实施例中障碍物运动轨迹的预测装置一个实施例包括:
获取模块301,用于获取级联车辆的历史障碍物轨迹信息、至少一个当前目标障碍物的当前障碍物信息和目标匹配结果,目标匹配结果用于指示至少一个当前目标障碍物的当前障碍物信息与历史障碍物轨迹信息一一对应的匹配结果;
确定模块302,用于通过历史障碍物轨迹信息、至少一个当前目标障碍物的当前障碍物信息和目标匹配结果,对至少一个当前目标障碍物的跟随行为进行确定,得到障碍物跟随行为信息;
预测模块303,用于基于障碍物跟随行为信息修正目标匹配结果,并根据修正之后的目标匹配结果进行障碍物运动轨迹预测。
上述障碍物运动轨迹的预测装置中各个模块的功能实现与上述障碍物运动轨迹的预测方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
本发明实施例中,通过提供级联车辆整体的跟随关系描述,以及对级联车辆内部可能错误的跟随关系匹配结果进行修正,即基于障碍物跟随行为信息修正目标匹配结果,并增加对于级联车辆整体的关系描述,便于更准确地预测障碍物运动状态,提高了障碍物的整体运动轨迹的预测准确度。
请参阅图4,本发明实施例中障碍物运动轨迹的预测装置的另一个实施例包括:
获取模块301,用于获取级联车辆的历史障碍物轨迹信息、至少一个当前目标障碍物的当前障碍物信息和目标匹配结果,目标匹配结果用于指示至少一个当前目标障碍物的当前障碍物信息与历史障碍物轨迹信息一一对应的匹配结果;
确定模块302,用于通过历史障碍物轨迹信息、至少一个当前目标障碍物的当前障碍物信息和目标匹配结果,对至少一个当前目标障碍物的跟随行为进行确定,得到障碍物跟随行为信息;
其中,确定模块302具体包括:
判定召回子模块3021,用于基于历史障碍物轨迹信息、至少一个当前目标障碍物的当前障碍物信息和目标匹配结果,对至少一个当前目标障碍物进行跟随关系判定和历史跟随关系召回,得到级联车辆的聚类结果;
确定子模块3022,用于通过级联车辆的聚类结果,对至少一个当前目标障碍物进行跟随行为确定,得到障碍物跟随行为信息;
预测模块303,用于基于障碍物跟随行为信息修正目标匹配结果,并根据修正之后的目标匹配结果进行障碍物运动轨迹预测。
可选的,判定召回子模块3021包括:
聚类单元30211,用于对级联车辆进行障碍物聚类,得到级联车辆当前簇;
获取单元30212,用于分别获取至少一个当前目标障碍物的包围框和多个候选障碍物的包围框,得到当前目标障碍物的包围框和候选障碍物的包围框,包围框用于指示障碍物的位置和大小;
判断单元30213,用于判断当前目标障碍物的包围框和候选障碍物的包围框是否存在重叠;
添加单元30214,用于若当前目标障碍物的包围框和候选障碍物的包围框存在重叠,则将对应的当前目标障碍物添加至级联车辆当前簇,得到级联车辆的聚类结果;
召回单元30215,用于若当前目标障碍物的包围框和候选障碍物的包围框不存在重叠,则基于目标匹配结果和历史障碍物轨迹信息,对至少一个当前目标障碍物进行历史跟随关系召回并更新级联车辆当前簇,得到级联车辆的聚类结果。
可选的,召回单元30215还可以具体用于:
若当前目标障碍物的包围框和候选障碍物的包围框不存在重叠,则通过目标匹配结果和历史障碍物轨迹信息获取历史跟随关系;
基于历史跟随关系和目标匹配结果,从至少一个当前目标障碍物中获取可能存在跟随关系的障碍物;
将可能存在跟随关系的障碍物,添加至级联车辆当前簇,得到级联车辆的聚类结果。
可选的,获取单元30212包括:
第一获取子单元302121,用于获取至少一个当前目标障碍物的包围框,得到当前目标障碍物的包围框;
第二获取子单元302122,用于获取鸟瞰图视角下多个当前帧初始障碍物的信息;
选取剔除子单元302123,用于通过多个当前帧初始障碍物的信息,对多个当前帧初始障碍物进行选取和剔除,得到多个候选障碍物;
第三获取子单元302124,用于获取多个候选障碍物的包围框,得到候选障碍物的包围框。
可选的,选取剔除子单元302123还可以具体用于:
基于预设搜索距离阈值和各当前帧初始障碍物的位置信息,对多个当前帧初始障碍物的信息进行筛选,得到选取后的多个当前初始障碍物信息;
按照预设面积阈值,对选取后的多个当前初始障碍物信息进行删除,得到删除后的多个当前障碍物信息;
将删除后的多个当前障碍物信息对应的当前帧初始障碍物确定为多个候选障碍物。
可选的,确定子模块3022还可以具体用于:
对级联车辆的聚类结果中每类里面包含的障碍物进行行为确定,得到级联车辆信息,级联车辆信息包括级联车辆的主体和车厢之间的连接顺序;
通过级联车辆的聚类结果和级联车辆信息,对至少一个当前目标障碍物进行投影值计算,得到障碍物跟随行为信息,障碍物跟随行为信息包括车厢的次序和至少一个当前目标障碍物的历史跟随关系。
可选的,预测模块303还可以具体用于:
通过障碍物跟随行为信息中的车厢的次序和至少一个当前目标障碍物的历史跟随关系,对目标匹配结果进行修正;
通过修正之后的目标匹配结果更新障碍物信息,并从更新后的障碍物信息中获取待处理障碍物,待处理障碍物用于指示携带跟随关系的障碍物;
对待处理障碍物进行障碍物运动轨迹预测。
可选的,获取模块301还可以具体用于:
获取级联车辆的历史障碍物轨迹信息和至少一个当前目标障碍物的当前障碍物信息;
通过预置的关联模型和二分图的最大匹配算法,将至少一个当前初始障碍物的当前障碍物信息与历史障碍物轨迹信息进行匹配,得到目标匹配结果。
上述障碍物运动轨迹的预测装置中各模块和各单元的功能实现与上述障碍物运动轨迹的预测方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
本发明实施例中,通过提供级联车辆整体的跟随关系描述,以及对级联车辆内部可能错误的跟随关系匹配结果进行修正,即基于障碍物跟随行为信息修正目标匹配结果,并增加对于级联车辆整体的关系描述,便于更准确地预测障碍物运动状态,提高了障碍物的整体运动轨迹的预测准确度。
上面图3和图4从模块化功能实体的角度对本发明实施例中的障碍物运动轨迹的预测装置进行详细描述,下面从硬件处理的角度对本发明实施例中障碍物运动轨迹的预测设备进行详细描述。
图5是本发明实施例提供的一种障碍物运动轨迹的预测设备的结构示意图,该障碍物运动轨迹的预测设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对障碍物运动轨迹的预测设备500中的一系列计算机程序操作。更进一步地,处理器510可以设置为与存储介质530通信,在障碍物运动轨迹的预测设备500上执行存储介质530中的一系列计算机程序操作。
障碍物运动轨迹的预测设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作系统531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5示出的障碍物运动轨迹的预测设备结构并不构成对障碍物运动轨迹的预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种障碍物运动轨迹的预测设备,包括:存储器和至少一个处理器,所述存储器中存储有计算机程序,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述计算机程序,以使得所述障碍物运动轨迹的预测设备执行上述障碍物运动轨迹的预测方法中的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,计算机可读存储介质中存储有计算机程序,当计算机程序在计算机上运行时,使得计算机执行障碍物运动轨迹的预测方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干计算机程序用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种障碍物运动轨迹的预测方法,其特征在于,所述障碍物运动轨迹的预测方法包括:
获取级联车辆的历史障碍物轨迹信息、至少一个当前目标障碍物的当前障碍物信息和目标匹配结果,所述目标匹配结果用于指示所述至少一个当前目标障碍物的当前障碍物信息与所述历史障碍物轨迹信息一一对应的匹配结果;
通过所述历史障碍物轨迹信息、所述至少一个当前目标障碍物的当前障碍物信息和所述目标匹配结果,对所述至少一个当前目标障碍物的跟随行为进行确定,得到障碍物跟随行为信息;
其中,所述通过所述历史障碍物轨迹信息、所述至少一个当前目标障碍物的当前障碍物信息和所述目标匹配结果,对所述至少一个当前目标障碍物的跟随行为进行确定,得到障碍物跟随行为信息,包括:
基于所述历史障碍物轨迹信息、所述至少一个当前目标障碍物的当前障碍物信息和所述目标匹配结果,对所述至少一个当前目标障碍物进行跟随关系判定和历史跟随关系召回,得到级联车辆的聚类结果;
通过所述级联车辆的聚类结果,对所述至少一个当前目标障碍物进行跟随行为确定,得到障碍物跟随行为信息;
所述通过所述级联车辆的聚类结果,对所述至少一个当前目标障碍物进行跟随行为确定,得到障碍物跟随行为信息,包括:
对所述级联车辆的聚类结果中每类里面包含的障碍物进行行为确定,得到级联车辆信息,所述级联车辆信息包括级联车辆的主体和车厢之间的连接顺序;
通过所述级联车辆的聚类结果和所述级联车辆信息,对所述至少一个当前目标障碍物进行投影值计算,得到障碍物跟随行为信息,所述障碍物跟随行为信息包括车厢的次序和所述至少一个当前目标障碍物的历史跟随关系;
基于所述障碍物跟随行为信息修正所述目标匹配结果,并根据修正之后的目标匹配结果进行障碍物运动轨迹预测。
2.根据权利要求1所述的障碍物运动轨迹的预测方法,其特征在于,所述基于所述历史障碍物轨迹信息、所述至少一个当前目标障碍物的当前障碍物信息和所述目标匹配结果,对所述至少一个当前目标障碍物进行跟随关系判定和历史跟随关系召回,得到级联车辆的聚类结果,包括:
对所述级联车辆进行障碍物聚类,得到级联车辆当前簇;
分别获取所述至少一个当前目标障碍物的包围框和多个候选障碍物的包围框,得到当前目标障碍物的包围框和候选障碍物的包围框,包围框用于指示障碍物的位置和大小;
判断所述当前目标障碍物的包围框和所述候选障碍物的包围框是否存在重叠;
若所述当前目标障碍物的包围框和所述候选障碍物的包围框存在重叠,则将对应的当前目标障碍物添加至所述级联车辆当前簇,得到级联车辆的聚类结果;
若所述当前目标障碍物的包围框和所述候选障碍物的包围框不存在重叠,则基于所述目标匹配结果和所述历史障碍物轨迹信息,对所述至少一个当前目标障碍物进行历史跟随关系召回并更新所述级联车辆当前簇,得到级联车辆的聚类结果。
3.根据权利要求2所述的障碍物运动轨迹的预测方法,其特征在于,所述若所述当前目标障碍物的包围框和所述候选障碍物的包围框不存在重叠,则基于所述目标匹配结果和所述历史障碍物轨迹信息,对所述至少一个当前目标障碍物进行历史跟随关系召回并更新所述级联车辆当前簇,得到级联车辆的聚类结果,包括:
若所述当前目标障碍物的包围框和所述候选障碍物的包围框不存在重叠,则通过所述目标匹配结果和所述历史障碍物轨迹信息获取历史跟随关系;
基于所述历史跟随关系和所述目标匹配结果,从所述至少一个当前目标障碍物中获取可能存在跟随关系的障碍物;
将所述可能存在跟随关系的障碍物,添加至所述级联车辆当前簇,得到级联车辆的聚类结果。
4.根据权利要求2所述的障碍物运动轨迹的预测方法,其特征在于,所述分别获取所述至少一个当前目标障碍物的包围框和多个候选障碍物的包围框,得到当前目标障碍物的包围框和候选障碍物的包围框,包括:
获取所述至少一个当前目标障碍物的包围框,得到当前目标障碍物的包围框;
获取鸟瞰图视角下多个当前帧初始障碍物的信息;
通过所述多个当前帧初始障碍物的信息,对所述多个当前帧初始障碍物进行选取和剔除,得到多个候选障碍物;
获取所述多个候选障碍物的包围框,得到候选障碍物的包围框。
5.根据权利要求4所述的障碍物运动轨迹的预测方法,其特征在于,所述通过所述多个当前帧初始障碍物的信息,对所述多个当前帧初始障碍物进行选取和剔除,得到多个候选障碍物,包括:
基于预设搜索距离阈值和各当前帧初始障碍物的位置信息,对所述多个当前帧初始障碍物的信息进行筛选,得到选取后的多个当前初始障碍物信息;
按照预设面积阈值,对所述选取后的多个当前初始障碍物信息进行删除,得到删除后的多个当前障碍物信息;
将所述删除后的多个当前障碍物信息对应的当前帧初始障碍物确定为多个候选障碍物。
6.根据权利要求1-5中任一项所述的障碍物运动轨迹的预测方法,其特征在于,所述基于所述障碍物跟随行为信息修正所述目标匹配结果,并根据修正之后的目标匹配结果进行障碍物运动轨迹预测,包括:
通过所述障碍物跟随行为信息中的车厢的次序和所述至少一个当前目标障碍物的历史跟随关系,对所述目标匹配结果进行修正;
通过修正之后的目标匹配结果更新障碍物信息,并从更新后的障碍物信息中获取待处理障碍物,所述待处理障碍物用于指示携带跟随关系的障碍物;
对所述待处理障碍物进行障碍物运动轨迹预测。
7.根据权利要求1所述的障碍物运动轨迹的预测方法,其特征在于,所述获取级联车辆的历史障碍物轨迹信息、至少一个当前目标障碍物的当前障碍物信息和目标匹配结果,包括:
获取级联车辆的历史障碍物轨迹信息和至少一个当前目标障碍物的当前障碍物信息;
通过预置的关联模型和二分图的最大匹配算法,将所述至少一个当前初始障碍物的当前障碍物信息与所述历史障碍物轨迹信息进行匹配,得到目标匹配结果。
8.一种障碍物运动轨迹的预测装置,其特征在于,所述障碍物运动轨迹的预测装置包括:
获取模块,用于获取级联车辆的历史障碍物轨迹信息、至少一个当前目标障碍物的当前障碍物信息和目标匹配结果,所述目标匹配结果用于指示所述至少一个当前目标障碍物的当前障碍物信息与所述历史障碍物轨迹信息一一对应的匹配结果;
确定模块,用于通过所述历史障碍物轨迹信息、所述至少一个当前目标障碍物的当前障碍物信息和所述目标匹配结果,对所述至少一个当前目标障碍物的跟随行为进行确定,得到障碍物跟随行为信息;
其中,所述确定模块具体用于基于所述历史障碍物轨迹信息、所述至少一个当前目标障碍物的当前障碍物信息和所述目标匹配结果,对所述至少一个当前目标障碍物进行跟随关系判定和历史跟随关系召回,得到级联车辆的聚类结果;
通过所述级联车辆的聚类结果,对所述至少一个当前目标障碍物进行跟随行为确定,得到障碍物跟随行为信息;
所述通过所述级联车辆的聚类结果,对所述至少一个当前目标障碍物进行跟随行为确定,得到障碍物跟随行为信息,包括:
对所述级联车辆的聚类结果中每类里面包含的障碍物进行行为确定,得到级联车辆信息,所述级联车辆信息包括级联车辆的主体和车厢之间的连接顺序;
通过所述级联车辆的聚类结果和所述级联车辆信息,对所述至少一个当前目标障碍物进行投影值计算,得到障碍物跟随行为信息,所述障碍物跟随行为信息包括车厢的次序和所述至少一个当前目标障碍物的历史跟随关系;
预测模块,用于基于所述障碍物跟随行为信息修正所述目标匹配结果,并根据修正之后的目标匹配结果进行障碍物运动轨迹预测。
9.一种障碍物运动轨迹的预测设备,其特征在于,所述障碍物运动轨迹的预测设备包括:存储器和至少一个处理器,所述存储器中存储有计算机程序;
所述至少一个处理器调用所述存储器中的所述计算机程序,以使得所述障碍物运动轨迹的预测设备执行如权利要求1-7中任意一项所述的障碍物运动轨迹的预测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质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如权利要求1-7中任一项所述障碍物运动轨迹的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210109041.9A CN114610020B (zh) | 2022-01-28 | 2022-01-28 | 障碍物运动轨迹的预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210109041.9A CN114610020B (zh) | 2022-01-28 | 2022-01-28 | 障碍物运动轨迹的预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114610020A CN114610020A (zh) | 2022-06-10 |
CN114610020B true CN114610020B (zh) | 2023-05-23 |
Family
ID=81859910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210109041.9A Active CN114610020B (zh) | 2022-01-28 | 2022-01-28 | 障碍物运动轨迹的预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114610020B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112785625A (zh) * | 2021-01-20 | 2021-05-11 | 北京百度网讯科技有限公司 | 目标跟踪方法、装置、电子设备及存储介质 |
CN113753077A (zh) * | 2021-08-17 | 2021-12-07 | 北京百度网讯科技有限公司 | 预测障碍物的运动轨迹的方法、装置及自动驾驶车辆 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6852534B2 (ja) * | 2017-04-12 | 2021-03-31 | アイシン精機株式会社 | 障害物検知報知装置、方法及びプログラム |
CN110077414B (zh) * | 2019-04-04 | 2020-12-01 | 合肥思艾汽车科技有限公司 | 一种基于驾驶员状态监测的车辆行驶安全保障方法及系统 |
CN111009153B (zh) * | 2019-12-04 | 2021-10-15 | 珠海深圳清华大学研究院创新中心 | 一种轨迹预测模型的训练方法、装置和设备 |
CN113811830B (zh) * | 2019-12-30 | 2022-05-10 | 深圳元戎启行科技有限公司 | 轨迹预测方法、装置、计算机设备和存储介质 |
CN112783766A (zh) * | 2021-01-15 | 2021-05-11 | 北京小马慧行科技有限公司 | 模拟车辆运行场景的编辑系统和编辑方法 |
CN113264066B (zh) * | 2021-06-03 | 2023-05-23 | 阿波罗智能技术(北京)有限公司 | 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备 |
CN113740837B (zh) * | 2021-09-01 | 2022-06-24 | 广州文远知行科技有限公司 | 一种障碍物跟踪方法、装置、设备及存储介质 |
-
2022
- 2022-01-28 CN CN202210109041.9A patent/CN114610020B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112785625A (zh) * | 2021-01-20 | 2021-05-11 | 北京百度网讯科技有限公司 | 目标跟踪方法、装置、电子设备及存储介质 |
CN113753077A (zh) * | 2021-08-17 | 2021-12-07 | 北京百度网讯科技有限公司 | 预测障碍物的运动轨迹的方法、装置及自动驾驶车辆 |
Non-Patent Citations (1)
Title |
---|
韩青.轨迹跟踪级联机器人编队控制方法.控制与决策.2016,第31卷(第2期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114610020A (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6944598B2 (ja) | 目標追跡方法及び装置、記憶媒体 | |
Mohajerin et al. | Multi-step prediction of occupancy grid maps with recurrent neural networks | |
US20210276598A1 (en) | Machine-learning based system for path and/or motion planning and method of training the same | |
US20190391268A1 (en) | Localization For Autonomous Vehicles Using Gaussian Mixture Models | |
CN112566032B (zh) | 多站点路基网络感知方法、终端和系统 | |
CN111723724B (zh) | 一种路面障碍物识别方法和相关装置 | |
CN110632916B (zh) | 行动预测装置以及自动驾驶装置 | |
Baig et al. | A robust motion detection technique for dynamic environment monitoring: A framework for grid-based monitoring of the dynamic environment | |
CN111707258B (zh) | 一种外部车辆监测方法、装置、设备及存储介质 | |
CN116430375A (zh) | 一种多传感器融合的多目标跟踪方法及对应的系统 | |
CN113942524A (zh) | 一种车辆行驶控制方法、系统及计算机可读存储介质 | |
Lindenmaier et al. | GM-PHD filter based sensor data fusion for automotive frontal perception system | |
Florbäck et al. | Offline object matching and evaluation process for verification of autonomous driving | |
CN114610020B (zh) | 障碍物运动轨迹的预测方法、装置、设备及存储介质 | |
CN112163521A (zh) | 一种车辆行驶行为的识别方法、装置及设备 | |
CN114829978A (zh) | 一种用于针对对抗干扰强化传感器数据的方法和设备 | |
JP4875010B2 (ja) | 運動クラス類別装置及び追尾処理装置 | |
WO2022089627A1 (en) | Method and system for motion planning for an autonmous vehicle | |
Baig et al. | Using fast classification of static and dynamic environment for improving Bayesian occupancy filter (BOF) and tracking | |
EP4050510A1 (en) | Object information calculation method and system | |
CN111114541B (zh) | 车辆控制方法、装置、控制器和智能车 | |
EP3896613A1 (en) | Device and method for training a classifier and assessing the robustness of a classifier | |
CN111684457B (zh) | 一种状态检测方法、装置及可移动平台 | |
CN114037967A (zh) | 多源车道线的融合方法、装置、车辆及存储介质 | |
Fu et al. | Behavior analysis of distant vehicles using LIDAR point cloud |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231121 Address after: Building 1801, Building 1, No. 2 South Ronghua Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing, 100176 Patentee after: Wenyuan Jingxing (Beijing) Technology Co.,Ltd. Address before: 511365 room 687, No. 333, jiufo Jianshe Road, Zhongxin Guangzhou Knowledge City, Guangzhou, Guangdong Patentee before: Guangzhou WeRide Technology Limited Company |