CN114758502B - 双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆 - Google Patents

双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆 Download PDF

Info

Publication number
CN114758502B
CN114758502B CN202210476358.6A CN202210476358A CN114758502B CN 114758502 B CN114758502 B CN 114758502B CN 202210476358 A CN202210476358 A CN 202210476358A CN 114758502 B CN114758502 B CN 114758502B
Authority
CN
China
Prior art keywords
point
vehicle
target point
information
target
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
Application number
CN202210476358.6A
Other languages
English (en)
Other versions
CN114758502A (zh
Inventor
卢帅
王静
潘屹峰
李丁
张启超
赵东斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210476358.6A priority Critical patent/CN114758502B/zh
Publication of CN114758502A publication Critical patent/CN114758502A/zh
Application granted granted Critical
Publication of CN114758502B publication Critical patent/CN114758502B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control

Abstract

本公开提供了一种双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆，涉及人工智能技术领域，尤其涉及自动驾驶、智能交通技术。实现方案为：获取第一车辆的第一历史轨迹信息和第一环境信息，以及第二车辆的第二历史轨迹信息和第二环境信息；基于第一历史轨迹信息和第一环境信息，确定第一车辆可能将途经的至少一个第一目标点；基于第二历史轨迹信息、第二环境信息和任一第一目标点，确定第二车辆可能将途经的与该第一目标点对应的至少一个第二目标点；生成至少一个目标点对；基于第一历史轨迹信息、第二历史轨迹信息和至少一个目标点对，确定与至少一个目标点对分别对应的至少一个候选轨迹对；以及从至少一个候选轨迹对中确定目标轨迹对。

Description

双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆
技术领域
本公开涉及人工智能技术领域，尤其涉及自动驾驶、智能交通技术领域，具体涉及一种双车联合轨迹预测方法及装置、电子设备、计算机可读存储介质、计算机程序产品、自动驾驶车辆、路侧设备以及云控平台。
背景技术
自动驾驶技术涉及环境感知、路径规划以及运动控制等多个方面。依赖于传感器、视觉计算系统和定位系统的协同合作，具有自动驾驶功能的车辆(下文称为“自动驾驶车辆”)可以在无需驾驶员进行操作或仅需驾驶员进行少量操作的情况下自动地运行。
在一些情况中，可以对自动驾驶车辆未来的行驶轨迹进行预测，然后基于预测轨迹来控制自动驾驶车辆的行驶行为。
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
本公开提供了一种双车联合轨迹预测方法及装置、电子设备、计算机可读存储介质、计算机程序产品、自动驾驶车辆、路侧设备以及云控平台。
根据本公开的一方面，提供了一种双车联合轨迹预测方法，包括：获取第一车辆的第一历史轨迹信息和第一环境信息，以及第二车辆的第二历史轨迹信息和第二环境信息；基于所述第一历史轨迹信息和所述第一环境信息，确定所述第一车辆可能将途经的至少一个第一目标点；对于所述至少一个第一目标点中的每个第一目标点，基于所述第二历史轨迹信息、所述第二环境信息和该第一目标点，确定所述第二车辆可能将途经的与该第一目标点对应的至少一个第二目标点；基于所述至少一个第一目标点各自对应的至少一个第二目标点，生成至少一个目标点对，所述至少一个目标点对中的每个目标点对包括一个第一目标点和与所述第一目标点对应的一个第二目标点；基于所述第一历史轨迹信息、所述第二历史轨迹信息和所述至少一个目标点对，确定与所述至少一个目标点对分别对应的至少一个候选轨迹对，所述至少一个候选轨迹对中的每个候选轨迹对包括所述第一车辆的第一预测轨迹和所述第二车辆的第二预测轨迹；以及从所述至少一个候选轨迹对中确定目标轨迹对。
根据本公开的一方面，提供了一种双车联合轨迹预测装置，包括：获取模块，被配置为获取第一车辆的第一历史轨迹信息和第一环境信息，以及第二车辆的第二历史轨迹信息和第二环境信息；第一确定模块，被配置为基于所述第一历史轨迹信息和所述第一环境信息，确定所述第一车辆可能将途经的至少一个第一目标点；第二确定模块，被配置为对于所述至少一个第一目标点中的每个第一目标点，基于所述第二历史轨迹信息、所述第二环境信息和该第一目标点，确定所述第二车辆可能将途经的与该第一目标点对应的至少一个第二目标点；生成模块，被配置为基于所述至少一个第一目标点各自对应的至少一个第二目标点，生成至少一个目标点对，所述至少一个目标点对中的每个目标点对包括一个第一目标点和与所述第一目标点对应的一个第二目标点；第三确定模块，被配置为基于所述第一历史轨迹信息、所述第二历史轨迹信息和所述至少一个目标点对，确定与所述至少一个目标点对分别对应的至少一个候选轨迹对，所述至少一个候选轨迹对中的每个候选轨迹对包括所述第一车辆的第一预测轨迹和所述第二车辆的第二预测轨迹；以及第四确定模块，被配置为从所述至少一个候选轨迹对中确定目标轨迹对。
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上述方法。
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，其中，所述计算机指令用于使所述计算机执行上述方法。
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，其中，所述计算机程序在被处理器执行时实现上述方法。
根据本公开的一方面，提供了一种自动驾驶车辆，包括上述电子设备。
根据本公开的一方面，提供了一种路侧设备，包括上述电子设备。
根据本公开的一方面，提供了一种云控平台，包括上述电子设备。
根据本公开的一个或多个实施例，能够提高车辆交互场景下的车辆轨迹预测的准确性。
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1A、1B示出了根据本公开实施例的车辆交互场景的示意图；
图2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3示出了根据本公开的实施例的双车联合轨迹预测方法的流程图；
图4示出了根据本公开的实施例的周围车辆的示意图；
图5示出了根据本公开的实施例的确定候选轨迹对的示意图；
图6示出了根据本公开的实施例的双车联合轨迹预测装置的结构框图；以及
图7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。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
在自动驾驶领域，常常出现自动驾驶车辆需要基于其他车辆(例如自动驾驶车辆、手动驾驶车辆、非机动车辆等)的行为而调整自身行为的场景，这种场景被称为“车辆交互场景”，该自动驾驶车辆与影响其行为的其他车辆具有“交互关系”。
进一步地，自动驾驶车辆需要频繁地基于其他车辆(例如自动驾驶车辆、手动驾驶车辆、非机动车辆等)的行为而调整自身行为的场景被称为“强交互场景”，该自动驾驶车辆与频繁影响其行为的其他车辆具有“强交互关系”。
图1A、1B示出了示例性的车辆交互场景的示意图。
具体地，图1A示出了车道切换交互场景的示意图。如图1A所示，车辆110为自动驾驶车辆，其当前在车道120行驶。车辆130为手动驾驶车辆，其当前在车道140行驶。在图1A所示的场景中，车辆110意图从车道120切换至车道140行驶。在车辆110切换车道的过程中，车辆110需要基于车辆130的行为而调整自身行为，从而避免与车辆130发生碰撞。实际上，车辆130的司机也会基于车辆110的行为来调整其驾驶行为，从而避免与车辆110发生碰撞。在该示例中，车辆110和车辆130具有交互关系。进一步地，由于车辆在道路中的行驶速度通常比较快，因此车辆110需要频繁感知车辆130的行为并据此调整自身行为，即，车辆110与车辆130具有强交互关系。
图1B示出了路口会车交互场景的示意图。如图1B所示，车辆150在路口160处左转，车辆170在路口160处直行。车辆150和车辆170均为自动驾驶车辆。车辆150和车辆170需要基于对方的行为而调整自身行为，从而避免与对方发生碰撞。由于路口处的车辆通常较多，行车情况较为复杂，为保证行车安全，车辆150和车辆170需要频繁感知对方行为并据此调整自身行为，因此车辆150和车辆170具有强交互关系。
具有交互关系的两个车辆的行为彼此影响，二者的行驶轨迹体现出较强的交互性和关联性。相关技术中，在对自动驾驶车辆进行轨迹预测时，往往忽略了车辆之间的未来交互过程，导致预测轨迹不够准确，与真实轨迹的偏差较大。
为此，本公开实施例提供了一种双车联合轨迹预测方法，能够提高车辆交互场景下的轨迹预测的准确性。
在描述本公开的实施例之前，首先对本公开实施例所采用的理论假设进行介绍。本公开的实施例采用以下理论假设：
假设1：车辆A的未来轨迹预测过程对车辆B的未来轨迹预测过程产生影响。
基于假设1，双车联合轨迹概率分布p(Y∣X,C)可以被分解为：
p(Y∣X,C)＝p(TA∣X,C)p(YB∣YA,X,C)， (1)
其中，X表示车辆A的历史轨迹信息和车辆B的历史轨迹信息的集合，C表示车辆A的环境信息和车辆B的环境信息的集合，Y表示车辆A和车辆B的联合轨迹，YA、YB分别表示车辆A、车辆B的未来轨迹，ρ表示概率分布。
进一步地，针对车辆B的预测轨迹，建立假设2。
假设2：车辆B的未来轨迹条件概率分布在很大程度上取决于车辆A的目标点变化的影响。即：
p(YB∣YA,X,C)＝p(YB∣GA,X,C)， (2)
其中，GA表示车辆A的目标点候选集合，其提供了多个目标点的坐标信息用以表征车辆A的多种可能的未来意图。进一步地，车辆B的未来轨迹条件概率分布可以分解为：
其中，GB表示车辆B的目标点候选集合，其提供了多个目标点的坐标信息用以表征车辆B的多种可能的未来意图。gA,q表示车辆A的第q个目标点，gB,k分别表示车辆B的第k个目标点。
由上式(3)可知，车辆B的未来轨迹条件概率分布由其目标点条件概率分布p(gB,k∣gA,q,X,C)和以车辆A的目标点为导向的未来轨迹条件概率分布p(YB∣gB,k,gA,q,X,C)两部分所决定。与此同时，目标点条件概率分布p(gB,k∣gA,q,X,C)的建立也可以显式地体现出，本公开实施例所提出的双车联合轨迹预测过程最终归结于双车目标点之间的交互预测。
下面将结合附图详细描述本公开的实施例。
图2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200的示意图。参考图2，该系统200包括机动车辆210、服务器220以及将机动车辆210耦接到服务器220的一个或多个通信网络230。
在本公开的实施例中，机动车辆210可以包括根据本公开实施例的电子设备和/或被配置以用于执行根据本公开实施例的方法。
服务器220可以运行使得能够执行双车联合轨迹预测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220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。在图2所示的配置中，服务器220可以包括实现由服务器220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。机动车辆210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220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200不同。因此，图2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。
服务器220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220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220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220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220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220可以包括一个或多个应用程序，以分析和合并从机动车辆210接收的数据馈送和/或事件更新。服务器220还可以包括一个或多个应用程序，以经由机动车辆210的一个或多个显示设备来显示数据馈送和/或实时事件。
网络230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230可以是卫星通信网络、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(包括例如蓝牙、Wi-Fi)和/或这些与其他网络的任意组合。
系统200还可以包括一个或多个数据库250。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250中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库250可以驻留在各种位置。例如，由服务器220使用的数据库可以在服务器220本地，或者可以远离服务器220且可以经由基于网络或专用的连接与服务器220通信。数据库250可以是不同的类型。在某些实施例中，由服务器220使用的数据库可以是关系数据库或非关系数据库。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250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。
机动车辆210可以包括用于感知周围环境的传感器211。传感器211可以包括下列传感器中的一个或多个：视觉摄像头、红外摄像头、超声波传感器、毫米波雷达以及激光雷达(LiDAR)。不同的传感器可以提供不同的检测精度和范围。摄像头可以安装在车辆的前方、后方或其他位置。视觉摄像头可以实时捕获车辆内外的情况并呈现给驾驶员和/或乘客。此外，通过对视觉摄像头捕获的画面进行分析，可以获取诸如交通信号灯指示、交叉路口情况、其他车辆运行状态等信息。红外摄像头可以在夜视情况下捕捉物体。超声波传感器可以安装在车辆的四周，用于利用超声波方向性强等特点来测量车外物体距车辆的距离。毫米波雷达可以安装在车辆的前方、后方或其他位置，用于利用电磁波的特性测量车外物体距车辆的距离。激光雷达可以安装在车辆的前方、后方或其他位置，用于检测物体边缘、形状信息，从而进行物体识别和追踪。由于多普勒效应，雷达装置还可以测量车辆与移动物体的速度变化。
机动车辆210还可以包括通信装置212。通信装置212可以包括能够从卫星241接收卫星定位信号(例如，北斗、GPS、GLONASS以及GALILEO)并且基于这些信号产生坐标的卫星定位模块。通信装置212还可以包括与移动通信基站242进行通信的模块，移动通信网络可以实施任何适合的通信技术，例如GSM/GPRS、CDMA、LTE等当前或正在不断发展的无线通信技术(例如5G技术)。通信装置212还可以具有车联网或车联万物(Vehicle-to-Everything，V2X)模块，被配置用于实现例如与其它车辆243进行车对车(Vehicle-to-Vehicle，V2V)通信和与基础设施244进行车辆到基础设施(Vehicle-to-Infrastructure，V2I)通信的车与外界的通信。例如，通信装置212可以实现机动车辆210与设置于道路一侧的路侧设备的通信，从而实现车路协同，保证交通安全，提高机动车辆210的行驶效率。此外，通信装置212还可以具有被配置为例如通过使用IEEE802.11标准的无线局域网或蓝牙与用户终端245(包括但不限于智能手机、平板电脑或诸如手表等可佩戴装置)进行通信的模块。利用通信装置212，机动车辆210还可以经由网络230接入服务器220。
机动车辆210还可以包括控制装置213。控制装置213可以包括与各种类型的计算机可读存储装置或介质通信的处理器，例如中央处理单元(CPU)或图形处理单元(GPU)，或者其他的专用处理器等。控制装置213可以包括用于自动控制车辆中的各种致动器的自动驾驶系统。自动驾驶系统被配置为经由多个致动器响应来自多个传感器211或者其他输入设备的输入而控制机动车辆210(未示出的)动力总成、转向系统以及制动系统等以分别控制加速、转向和制动，而无需人为干预或者有限的人为干预。控制装置213的部分处理功能可以通过云计算实现。例如，可以使用车载处理器执行某一些处理，而同时可以利用云端的计算资源执行其他一些处理。控制装置213可以被配置以执行根据本公开的方法。此外，控制装置213可以被实现为根据本公开的机动车辆侧(客户端)的电子设备的一个示例。
图2的系统200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。
图3示出了根据本公开实施例的双车联合轨迹预测方法300的流程图。方法300可以在机动车辆(例如图2中所示的机动车辆210)处执行，可以在服务器(例如云控平台、图2中所示的服务器220等)处执行，也可以在路侧设备处执行。即，方法300的各个步骤的执行主体可以是机动车辆(具体地，可以是机动车辆中的控制装置，例如图2中所示的机动车辆210的控制装置213)、服务器或者路侧设备。
如图3所示，方法300包括步骤S310-S360。
在步骤S310中，获取第一车辆的第一历史轨迹信息和第一环境信息，以及第二车辆的第二历史轨迹信息和第二环境信息。
在步骤S320中，基于第一历史轨迹信息和第一环境信息，确定第一车辆可能将途经的至少一个第一目标点。
在步骤S330中，对于至少一个第一目标点中的每个第一目标点，基于第二历史轨迹信息、第二环境信息和该第一目标点，确定第二车辆可能将途经的与该第一目标点对应的至少一个第二目标点。
在步骤S340中，基于至少一个第一目标点各自对应的至少一个第二目标点，生成至少一个目标点对，其中，至少一个目标点对中的每个目标点对包括一个第一目标点和与该第一目标点对应的一个第二目标点。
在步骤S350中，基于第一历史轨迹信息、第二历史轨迹信息和至少一个目标点对，确定与至少一个目标点对分别对应的至少一个候选轨迹对，其中，至少一个候选轨迹对中的每个候选轨迹对包括第一车辆的第一预测轨迹和第二车辆的第二预测轨迹。
在步骤S360中，从至少一个候选轨迹对中确定目标轨迹对。
根据本公开的实施例，能够以第一车辆未来可能途经的第一目标点为条件，预测第二车辆未来可能途经的第二目标点。进一步地，以由第一目标点和第二目标点组成的目标点对为导向，指导生成双车联合轨迹对，由此充分考虑了车辆之间的未来交互过程，能够提高车辆交互场景下的轨迹预测的准确性。
在本公开的实施例中，第一车辆和第二车辆具有交互关系，二者的行为相互影响，相应地，二者的预测轨迹具有较强的交互性和关联性。
根据一些实施例，可以采用一定的规则或算法来识别出道路交通中的具有交互关系的两个车辆，将两个车辆中的一个作为第一车辆，另一个作为第二车辆。应当指出，本公开对用于识别具有交互关系的两个车辆的规则或算法不作限制。
根据一些实施例，第一车辆和第二车辆中的至少之一为自动驾驶车辆。相应地，根据本公开实施例所确定的目标轨迹对，可以制定针对其中的自动驾驶车辆的自动驾驶策略，并控制该自动驾驶车辆按照制定的驾驶策略运行。
在本公开的实施例中，第一车辆的第一历史轨迹信息包括第一车辆的多个历史轨迹点，第二车辆的第二历史轨迹信息包括第二车辆的多个历史轨迹点。每个历史轨迹点可以表示为一个二维坐标，相应地，第一车辆的第一历史轨迹信息以及第二车辆的第二历史轨迹信息均可以表示为由多个历史时间点的二维坐标(即历史轨迹点)组成的时间序列。
根据一些实施例，第一历史轨迹信息和第二历史轨迹信息中的每个历史轨迹点可以具有相应的属性信息。历史轨迹点的属性信息例如可以包括相应车辆(即第一车辆或第二车辆)在该历史轨迹点的速度、加速度、行驶方向，以及相应车辆的尺寸、类型(例如轿车、货车、自行车等)等。
车辆未来的行驶轨迹受周围道路情况的影响。因此，根据一些实施例，第一车辆的第一环境信息可以包括第一道路信息，第一道路信息包括第一车辆可能将途经的多条第一车道上的多个第一参考点。例如，可以将与第一车辆的当前行驶车道相连通的车道作为第一车辆未来可能途径的第一车道。第一参考点可以是第一车道上的任意点。例如，可以按照设定的距离间隔对每条第一车道的车道中心线上的位置点进行采样，以得到多个第一参考点。每个第一参考点可以表示为一个二维坐标。
根据一些实施例，每条第一车道对应于一个第一参考点序列，第一参考点序列包括位于相应的第一车道上的多个第一参考点。相应地，第一道路信息可以包括与多条第一车道分别对应的多个第一参考点序列。
根据一些实施例，第二车辆的第二环境信息例如可以包括第二道路信息，第二道路信息包括第二车辆可能将途经的多条第二车道上的多个第二参考点。例如，可以将与第二车辆的当前行驶车道相连通的车道作为第二车辆未来可能途径的第二车道。第二参考点可以是第二车道上的任意点。例如，可以按照设定的距离间隔对每条第二车道的车道中心线上的位置点进行采样，以得到多个第二参考点。每个第二参考点可以表示为一个二维坐标。
根据一些实施例，每条第二车道对应于一个第二参考点序列，第二参考点序列包括位于相应的第二车道上的多个第二参考点。相应地，第二道路信息可以包括与多条第二车道分别对应的多个第二参考点序列。
根据一些实施例，第一道路信息、第二道路信息中的每个参考点可以具有相应的属性信息。参考点的属性信息例如可以包括该参考点所在的车道的宽度、驶出方向(直行、左转、右转)、限速信息等。
根据一些实施例，为了便于计算，第一道路信息和第二道路信息可以对应于相同数量的车道(即第一车道的数量与第二车道的数量相同)，例如均对应于6条车道。并且，对每条车道采样相同数量的参考点(即第一参考点序列所包括的第一参考点的数量与第二参考点序列所包括的第二参考点的数量相同)，例如对每条车道均采样100个参考点。
车辆未来的行驶轨迹受其周围车辆的行为的影响。因此，根据一些实施例，第一车辆的第一环境信息还包括第一车辆的至少一个周围车辆的历史轨迹信息(下文记为“第三历史轨迹信息”)，第二车辆的第二环境信息还包括第二车辆的至少一个周围车辆的历史轨迹信息(下文记为“第四历史轨迹信息”)。与上文所述的第一历史轨迹信息、第二历史轨迹信息类似地，第三历史轨迹信息、第四历史轨迹信息分别是由多个历史轨迹点组成的时间序列。每个历史轨迹点可以表示为一个二维坐标，进一步地，可以具有速度、加速度、行驶方向等属性信息。
根据一些实施例，可以将第一车辆或第二车辆的预设邻域内的除第一车辆、第二车辆以外的车辆作为其周围车辆。图4示出了根据本公开实施例的周围车辆的示意图。如图4所示，第一车辆410的预设邻域430是以第一车辆410为圆心，基于预设邻域半径(例如50米)生成的圆形区域。预设邻域430内的车辆440、450为第一车辆410的周围车辆。类似地，第二车辆420的预设邻域460是以第二车辆420为圆心，基于预设邻域半径生成的圆形区域。预设邻域460内的车辆450、470、480为第二车辆420的周围车辆。
根据一些实施例，为了便于计算，第一环境信息、第二环境信息可以包括相同数量(例如10个)的周围车辆的历史轨迹信息(即第三历史轨迹信息与第四历史轨迹信息的数量相同)。
根据一些实施例，可以将第一历史轨迹信息、第一环境信息均转换至以第一车辆为原点的坐标系下，将第二历史轨迹信息、第二环境信息均转换至以第二车辆为原点的坐标系下。由此能够提高轨迹预测的准确性和鲁棒性，减小不同车辆对(包括第一车辆和第二车辆)的预测轨迹准确性的差异，避免出现因各位置点(例如历史轨迹点、参考点等)在世界坐标系下的二维坐标值的不同而造成的轨迹预测结果不稳定、不准确的情况。
根据一些实施例，第一目标点可以通过以下步骤确定：基于第一历史轨迹信息和第一环境信息，确定与多个第一参考点分别对应的多个第一参考点特征；以及基于多个第一参考点特征，确定至少一个第一目标点。每个第一目标点可以表示为一个二维坐标。
根据上述实施例，第一参考点特征能够全面反映第一车辆的历史轨迹信息和环境信息。基于第一参考点特征来预测第一目标点，能够提高第一目标点的准确性。
根据一些实施例，第一参考点特征可以通过以下步骤确定：对于多个第一参考点中的每个第一参考点：至少基于该第一参考点的属性信息，确定该第一参考点的自身特征；基于第一目标参考点序列所包括的各第一参考点的自身特征，确定第一目标参考点序列的局部特征，第一目标参考点序列为该第一参考点所属的第一参考点序列；基于第一历史轨迹信息和第一环境信息，确定第一车辆的全局特征；以及基于上述自身特征、局部特征和全局特征，确定该第一参考点的第一参考点特征。
根据上述实施例，第一参考点特征能够全面表达其自身、车道局部、车辆及周围环境全局的信息，从而提高第一目标点的准确性。
根据一些实施例，任一第一参考点的自身特征可以通过以下步骤确定：基于该第一参考点的属性信息，确定该第一参考点的初始自身特征；以及基于第一目标参考点序列所包括的各第一参考点的初始自身特征，对该第一参考点的初始自身特征进行更新，以得到该第一参考点的自身特征。
根据上述实施例，够实现第一参考点与其邻居参考点的信息交互，提高其自身特征的准确性。
具体地，第一参考点的初始自身特征可以通过对其二维坐标和属性信息进行编码而生成。进一步地，可以以第一目标参考点序列所包括的各第一参考点为节点，构造全连通图。随后，采用图神经网络算法，通过消息传递的方式对各节点的初始自身特征进行聚合更新，从而得到各节点的更新后的自身特征。
根据一些实施例，第一目标参考点序列的局部特征可以通过以下步骤确定：对第一目标参考点序列所包括的各第一参考点的自身特征进行聚合，以得到其局部特征。由此，能够使第一目标参考点序列的局部特征充分反映其组成节点的信息，从而提高局部特征的准确性。
具体地，可以以第一目标参考点序列所包括的各第一参考点为节点，构造全连通图。在通过图神经网络算法得到各节点的更新后的自身特征后，对各节点的自身特征进行最大池化聚合，以得到第一目标参考点序列的局部特征。
根据一些实施例，第一车辆的全局特征可以通过以下步骤确定：确定第一历史轨迹信息的局部特征；以及将第一历史轨迹信息的局部特征和多个第一参考点序列各自的局部特征进行聚合，以得到第一车辆的全局特征。由此，能够使全局特征充分表达车辆自身及其环境的信息，提高全局特征的准确性。
与上述第一目标参考点序列的局部特征的确定方式类似地，第一历史轨迹信息的局部特征也可以采用图神经网络算法来得到。例如，对于第一历史轨迹信息所包括的每个历史轨迹点，可以对该历史轨迹点的二维坐标和属性信息进行编码，以生成该历史轨迹点的初始自身特征。进一步地，可以以第一历史轨迹信息所包括的各历史轨迹点为节点，构造全连通图。随后，采用神经网络算法，通过消息传递的方式对各节点的初始自身特征进行聚合更新，从而得到各节点的更新后的自身特征。随后，对各节点的自身特征进行最大池化聚合，以得到第一历史轨迹信息的局部特征。
在得到第一历史轨迹信息的局部特征后，可以以第一历史轨迹信息和各个第一参考点序列为节点，构造全连通图。随后，采用基于注意力机制的图神经网络来对各节点的局部特征进行聚合，以得到第一车辆的全局特征。
根据另一些实施例，在第一环境信息还包括周围车辆的至少一组第三历史轨迹信息的情况下，第一车辆的全局特征也可以通过以下步骤确定：确定第一历史轨迹信息的局部特征和至少一组第三历史轨迹信息各自的局部特征；以及将第一历史轨迹信息的局部特征、至少一组第三历史轨迹信息各自的局部特征和多个第一参考点序列各自的局部特征进行聚合，以得到第一车辆的全局特征。根据该实施例，全局特征中进一步融合了周围车辆的历史轨迹信息，使得全局特征所表达的信息更加全面，提高了全局特征的准确性。
第三历史轨迹信息的局部特征的确定方式可以参考上文描述的第一历史轨迹信息的局部特征的确定方式，此处不再赘述。在得到第一历史轨迹信息以及各第三历史轨迹信息的局部特征后，可以以第一历史轨迹信息、各第三历史轨迹信息以及各第一参考点序列为节点，构造全连通图。随后，采用基于注意力机制的图神经网络来对各节点的局部特征进行聚合，以得到第一车辆的全局特征。
根据一些实施例，在通过上述实施例得到第一参考点对应的自身特征、局部特征和全局特征后，可以将该自身特征、局部特征和全局特征进行拼接，以得到该第一参考点的第一参考点特征。拼接操作能够最大化地、完整地保留自身、局部和全局特征，避免特征信息的损失，从而有利于提高第一目标点预测的准确性。
根据另一些实施例，也可以将自身特征、局部特征和全局特征三者的均值或加权求和结果作为第一参考点的第一参考点特征。在又一些实施例中，也可以将自身特征、局部特征和全局特征输入预设的多层感知机(MultiLayer Perceptron，MLP)，将多层感知机的输出作为第一参考点的第一参考点特征。
根据一些实施例，在得到分别与多个第一参考点对应的多个第一参考点特征后，可以通过以下步骤来确定第一车辆未来将途径的至少一个目标点：分别将多个第一参考点特征输入预设的第一分类器，以得到每个第一参考点为第一目标点的第一概率；以及基于多个第一参考点各自的第一概率，从多个第一参考点中确定至少一个第一目标点。例如，可以将第一概率最大的至少一个第一参考点作为至少一个第一目标点。
根据上述实施例，能够从多个第一参考点中筛选得出至少一个第一目标点。第一目标点的集合是第一参考点的集合的子集，无需对第一参考点进行其他计算，能够提高计算效率。
根据另一些实施例，在得到分别与多个第一参考点对应的多个第一参考点特征后，也可以通过以下步骤来确定第一车辆未来将途径的至少一个目标点：分别将多个第一参考点特征输入预设的第一分类器，以得到每个第一参考点对应于第一目标点的第一概率；基于多个第一参考点各自的第一概率，从多个第一参考点中确定与至少一个第一目标点分别对应的至少一个第一候选点(例如可以将第一概率最大的至少一个第一参考点作为第一候选点)；分别将至少一个第一候选点对应的第一参考点特征输入预设的第一回归器，以得到每个第一候选点到相应的第一目标点的位置偏差；以及分别将至少一个第一候选点与相应的位置偏差叠加，以得到至少一个第一目标点。
根据上述实施例，首先从多个第一参考点中确定能够用于生成第一目标点的第一参考点，即第一候选点。随后，预测每个第一候选点与相应的第一目标点的位置偏差，通过将第一候选点与相应的位置偏差叠加，可以得到各第一目标点。在该实施例中，所生成的至少一个第一目标点更加多样，能够模拟现实世界中的复杂多样的车辆行驶情况，从而提高轨迹预测的准确性。
在确定了第一车辆未来可能途径的至少一个第一目标点后，可以分别以每个第一目标点为条件，预测第二车辆未来可能途径的至少一个第二目标点。以第一目标点为条件预测第二目标点，能够体现第一车辆与第二车辆的未来交互情况，从而提高双车轨迹预测的准确性。
根据一些实施例，第二目标点可以通过以下步骤确定：基于第二历史轨迹信息和第二环境信息，确定与多个第二参考点分别对应的多个第二参考点特征；以及基于多个第二参考点特征和该第一目标点，确定与该第一目标点对应的至少一个第二目标点。每个第二目标点可以表示为一个二维坐标。
根据上述实施例，第二参考点特征能够全面反映第二车辆的历史轨迹信息和环境信息。基于第二参考点特征来预测第二目标点，能够提高第二目标点的准确性。
第二参考点特征的确定方式可以参考上文描述的第一参考点特征的确定方式，此处不再赘述。具体地，通过将上文描述的用于确定第一参考点特征的实施例中的“第一”替换为“第二”，即可得到用于确定第二参考点特征的实施例。
根据一些实施例，基于所确定的多个第二参考点特征，可以通过以下步骤来确定每个第一目标点对应的至少一个第二目标点：对于多个第二参考点特征中的每个第二参考点特征，将该第二参考点特征和该第一目标点输入预设的第二分类器，以得到每个第二参考点为第二目标点的第二概率；以及基于多个第二参考点各自的第二概率，从多个第二参考点中确定与该第一目标点对应的至少一个第二目标点。例如，可以将第二概率最大的至少一个第二参考点作为至少一个第二目标点。
根据上述实施例，能够从多个第二参考点中筛选得出当前第一目标点所对应的至少一个第二目标点。第二目标点的集合是第二参考点的集合的子集，无需对第二参考点进行其他计算，能够提高计算效率。
根据另一些实施例，基于所确定的多个第二参考点特征，也可以通过以下步骤来确定每个第一目标点对应的至少一个第二目标点：对于多个第二参考点特征中的每个第二参考点特征，将该第二参考点特征和该第一目标点输入预设的第二分类器，以得到每个第二参考点对应于第二目标点的第二概率；基于多个第二参考点各自的第二概率，从多个第二参考点中确定与至少一个第二目标点分别对应的至少一个第二候选点(例如可以将第二概率最大的至少一个第二参考点作为第二候选点)；将每个第二候选点对应的第二参考点特征和该第一目标点输入预设的第二回归器，以得到每个第二候选点到相应的第二目标点的位置偏差；以及分别将至少一个第二候选点与相应的位置偏差叠加，以得到至少一个第二目标点。
根据上述实施例，首先从多个第二参考点中确定能够用于生成第二目标点的第二参考点，即第二候选点。随后，预测每个第二候选点与相应的第二目标点的位置偏差，通过将第二候选点与相应的位置偏差叠加，可以得到各第二目标点。在该实施例中，所生成的至少一个第二目标点更加多样，能够模拟现实世界中的复杂多样的车辆行驶情况，从而提高轨迹预测的准确性。
根据一些实施例，基于所确定的至少一个目标点以及各第一目标点对应的至少一个第二目标点，可以生成至少一个目标点对。每个目标点对包括一个第一目标点和与该第一目标点对应的一个第二目标点。
进一步地，可以分别以每个目标点对为导向，指导生成一个候选轨迹对。每个候选轨迹对包括第一车辆的第一预测轨迹和第二车辆的第二预测轨迹。即，每个候选轨迹对是一个双车联合轨迹对。
根据一些实施例，每个目标点对对应的候选轨迹对可以通过以下步骤确定：将第一历史轨迹信息输入预设的第一编码器，以得到第一车辆的第一隐藏状态信息；将第二历史轨迹信息输入预设的第二编码器，以得到第二车辆的第二隐藏状态信息；将第一隐藏状态信息和目标点对中的第一目标点输入预设的第一解码器，以得到第一车辆在多个未来时间点的第一预测轨迹点；以及将第二隐藏状态信息和目标点对中的第二目标点输入预设的第二解码器，以得到第二车辆在多个未来时间点的第二预测轨迹点。
在第一解码器和第二解码器的解码过程中，除了第一个未来时间点之外，每个未来时间点的第一预测轨迹点是基于上一未来时间点的第二预测轨迹点和第一目标点确定的，每个未来时间点的第二预测轨迹点是基于上一未来时间点的第一预测轨迹点和第二目标点确定的。第一解码器和第二解码器采用交互式预测的方式来生成候选轨迹对，充分体现了第一车辆与第二车辆未来的交互过程，从而提高了双车轨迹预测的准确性。
第一预测轨迹点、第二预测轨迹点均可以表示为二维坐标。由第一解码器输出的多个第一预测轨迹点所形成的时间序列即为第一车辆的第一预测轨迹。由第二解码器输出的多个第二预测轨迹点所形成的时间序列即为第二车辆的第二预测轨迹。
根据一些实施例，第一编码器、第二编码器例如可以实现为基于门控递归单元(Gated Recurrent Unit，GRU)的编码器。第一解码器、第二解码器例如可以实现为基于门控递归单元的解码器。
图5示出了采用编码器和解码器来确定候选轨迹对的示意图。
如图5所示，第一编码器510包括多个第一编码单元512。第一车辆的各历史轨迹点被输入各第一编码单元512中，最后一个第一编码单元512输出第一车辆的第一隐藏状态信息。
第二编码器520包括多个第二编码单元522。第二车辆的各历史轨迹点被输入各第二编码单元522中，最后一个第二编码单元522输出第二车辆的第二隐藏状态信息。
第一解码器530包括多个第一解码单元532，每个第一解码单元532对应于一个未来时间点，用于输出相应的未来时间点的第一预测轨迹点(如图5中的空心三角形所示)。第二解码器540包括多个第二解码单元542，每个第二解码单元542对应于一个未来时间点，用于输出相应的未来时间点的第二预测轨迹点(如图5中的阴影三角形所示)。
在第一解码器530中，第一个第一解码单元532的输入为第一编码器510输出的第一隐藏状态信息和目标点对中的第一目标点550。第二个至最后一个第一解码单元532的输入为上一个第一解码单元532输出的隐藏状态信息、上一未来时间点的第二解码单元542输出的第二预测轨迹点和目标点对中的第一目标点550。
在第二解码器540中，第一个第二解码单元542的输入为第二编码器520输出的第二隐藏状态信息和目标点对中的第二目标点560。第二个至最后一个第二解码单元542的输入为上一个第二解码单元542输出的隐藏状态信息、上一未来时间点的第一解码单元532输出的第一预测轨迹点和目标点对中的第二目标点560。
根据一些实施例，可以从所确定的至少一个候选轨迹对中确定目标轨迹对。目标轨迹对可以用于对第一车辆和/或第二车辆进行控制。
根据一些实施例，目标轨迹对可以通过以下步骤确定：对于至少一个候选轨迹对中的每个候选轨迹对，获取相应的目标点对中的第一目标点的第一概率和第二目标点的第二概率，并且基于第一概率和第二概率，确定该候选轨迹对的第三概率。以及，基于至少一个候选轨迹对各自的第三概率，确定目标轨迹对。
根据上述实施例，基于第三概率来确定目标轨迹对，能够模拟车辆未来的多模态性(即车辆未来状态的多样性)，提高轨迹预测的置信度。
在上述实施例中，第一目标点的第一概率可以是上文描述的第一分类器所输出的第一概率。第二目标点的第二概率可以是上文描述的第二分类器所输出的第二概率。候选轨迹对的第三概率可以是相应目标点对中的第一目标点的第一概率与第二目标点的第二概率的乘积。
根据一些实施例，目标轨迹对可以是至少一个候选轨迹对中的第三概率最大的候选轨迹对。
根据另一些实施例，目标轨迹对也可以是至少一个候选轨迹对中的双车预测轨迹未发生碰撞的、第三概率最大的候选轨迹对。
根据一些实施例，基于所确定的目标轨迹对，可以对第一车辆和第二车辆中的自动驾驶车辆进行自动控制。具体地，在仅第一车辆为自动驾驶车辆的情况下，可以基于目标轨迹对，对第一车辆进行自动控制。在仅第二车辆为自动驾驶车辆的情况下，可以基于目标轨迹对，对第二车辆进行自动控制。在第一车辆和第二车辆均为自动驾驶车辆的情况下，可以基于目标轨迹对，对第一车辆和第二车辆进行联合自动控制。
此外，基于所确定的目标轨迹对，可以向第一车辆和第二车辆中的手动驾驶车辆发出提示消息，以便司机及时了解车辆行驶情况以及调整驾驶策略。
根据一些实施例，可以基于目标轨迹对，确定第一车辆和/或第二车辆的行驶路径；以及控制第一车辆和/或第二车辆按照相应的行驶路径行驶。由此可以对第一车辆和第二车辆中的自动驾驶车辆进行自动控制。
具体地，在目标轨迹对中的第一预测轨迹和第二预测轨迹未发生碰撞的情况下，可以将第一预测轨迹、第二预测轨迹分别作为第一车辆、第二车辆的行驶路径，并控制第一车辆和/或第二车辆按照相应的行驶路径行驶。
在目标轨迹对中的第一预测轨迹和第二预测轨迹发生碰撞的情况下，可以保持其中的一条预测轨迹不变，作为相应车辆的行驶路径；对另一条预测轨迹进行调整以避免与对方车辆发生碰撞，将调整后的预测轨迹作为另一个车辆的行驶路径，并控制第一车辆和/或第二车辆按照相应的行驶路径行驶。
根据本公开的实施例，还提供了一种双车联合轨迹预测装置。图6示出了根据本公开实施例的双车联合轨迹预测装置600的结构框图。如图6所示，装置600包括：
获取模块610，被配置为获取第一车辆的第一历史轨迹信息和第一环境信息，以及第二车辆的第二历史轨迹信息和第二环境信息；
第一确定模块620，被配置为基于所述第一历史轨迹信息和所述第一环境信息，确定所述第一车辆可能将途经的至少一个第一目标点；
第二确定模块630，被配置为对于所述至少一个第一目标点中的每个第一目标点，基于所述第二历史轨迹信息、所述第二环境信息和该第一目标点，确定所述第二车辆可能将途经的与该第一目标点对应的至少一个第二目标点；
生成模块640，被配置为基于所述至少一个第一目标点各自对应的至少一个第二目标点，生成至少一个目标点对，所述至少一个目标点对中的每个目标点对包括一个第一目标点和与所述第一目标点对应的一个第二目标点；
第三确定模块650，被配置为基于所述第一历史轨迹信息、所述第二历史轨迹信息和所述至少一个目标点对，确定与所述至少一个目标点对分别对应的至少一个候选轨迹对，所述至少一个候选轨迹对中的每个候选轨迹对包括所述第一车辆的第一预测轨迹和所述第二车辆的第二预测轨迹；以及
第四确定模块660，被配置为从所述至少一个候选轨迹对中确定目标轨迹对。
根据本公开的实施例，能够以第一车辆未来可能途经的第一目标点为条件，预测第二车辆未来可能途经的第二目标点。进一步地，以由第一目标点和第二目标点组成的目标点对为导向，指导生成双车联合轨迹对，由此充分考虑了车辆之间的未来交互过程，能够提高车辆交互场景下的轨迹预测的准确性。
应当理解，图6中所示装置600的各个模块或单元可以与参考图3描述的方法300中的各个步骤相对应。由此，上面针对方法300描述的操作、特征和优点同样适用于装置600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，上面描述的第二确定模块630和生成模块640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6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610-660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，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上述双车联合轨迹预测方法。
根据本公开的实施例，还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，其中，所述计算机指令用于使所述计算机执行上述双车联合轨迹预测方法。
根据本公开的实施例，还提供了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上述双车联合轨迹预测方法。
根据本公开的实施例，还提供了一种自动驾驶车辆，包括上述电子设备。
根据本公开的实施例，还提供了一种路侧设备，包括上述电子设备。
根据一些实施例，路侧设备除了包括电子设备，还可以包括通信部件等，电子设备可以和通信部件一体集成，也可以分体设置。电子设备可以获取路侧感知设备(如路侧相机)的数据，例如图片和视频等，从而进行图像视频处理和数据计算，再经由通信部件向云控平台传送处理和计算结果。可以理解，路侧设备是一种边缘计算设备。
根据本公开的实施例，还提供了一种云控平台，包括上述电子设备。
根据一些实施例，云控平台在云端执行处理，例如进行图像视频处理和数据计算，云控平台也可以称为车路协同管理平台、V2X平台、云计算平台、中心系统、云端服务器等。
参考图7，现将描述可以作为本公开的服务器或客户端的电子设备700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7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向电子设备700输入信息的任何类型的设备，输入单元706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707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708可以包括但不限于磁盘、光盘。通信单元709允许电子设备700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701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701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701执行上文所描述的各个方法和处理，例如方法300。例如，在一些实施例中，方法300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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的方法300的一个或多个步骤。备选地，在其他实施例中，计算单元701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300。
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 (22)

1.一种双车联合轨迹预测方法，包括：
获取第一车辆的第一历史轨迹信息和第一环境信息，以及第二车辆的第二历史轨迹信息和第二环境信息；
基于所述第一历史轨迹信息和所述第一环境信息，确定所述第一车辆可能将途经的至少一个第一目标点；
对于所述至少一个第一目标点中的每个第一目标点，基于所述第二历史轨迹信息、所述第二环境信息和该第一目标点，确定所述第二车辆可能将途经的与该第一目标点对应的至少一个第二目标点；
基于所述至少一个第一目标点各自对应的至少一个第二目标点，生成至少一个目标点对，其中，所述至少一个目标点对中的每个目标点对包括一个第一目标点和与所述第一目标点对应的一个第二目标点；
基于所述第一历史轨迹信息、所述第二历史轨迹信息和所述至少一个目标点对，确定与所述至少一个目标点对分别对应的至少一个候选轨迹对，其中，所述至少一个候选轨迹对中的每个候选轨迹对包括所述第一车辆的第一预测轨迹和所述第二车辆的第二预测轨迹；以及
从所述至少一个候选轨迹对中确定目标轨迹对。
2.根据权利要求1所述的方法，其中，所述第一环境信息包括第一道路信息，所述第一道路信息包括所述第一车辆可能将途经的多条第一车道上的多个第一参考点，并且其中，基于所述第一历史轨迹信息和所述第一环境信息，确定所述第一车辆未来将途经的至少一个第一目标点包括：
基于所述第一历史轨迹信息和所述第一环境信息，确定与所述多个第一参考点分别对应的多个第一参考点特征；以及
基于所述多个第一参考点特征，确定所述至少一个第一目标点。
3.根据权利要求2所述的方法，其中，所述第一环境信息包括与所述多条第一车道分别对应的多个第一参考点序列，并且其中，基于所述第一历史轨迹信息和所述第一环境信息，确定与所述多个第一参考点分别对应的多个第一参考点特征包括：
对于所述多个第一参考点中的每个第一参考点：
至少基于该第一参考点的属性信息，确定该第一参考点的自身特征；
基于第一目标参考点序列所包括的各第一参考点的自身特征，确定所述第一目标参考点序列的局部特征，其中，所述第一目标参考点序列为该第一参考点所属的第一参考点序列；
基于所述第一历史轨迹信息和所述第一环境信息，确定所述第一车辆的全局特征；以及
基于所述自身特征、所述局部特征和所述全局特征，确定该第一参考点的第一参考点特征。
4.根据权利要求3所述的方法，其中，至少基于该第一参考点的属性信息，确定该第一参考点的自身特征包括：
基于该第一参考点的属性信息，确定该第一参考点的初始自身特征；以及
基于所述第一目标参考点序列所包括的各第一参考点的初始自身特征，对该第一参考点的初始自身特征进行更新，以得到该第一参考点的自身特征。
5.根据权利要求3或4所述的方法，其中，基于第一目标参考点序列所包括的各第一参考点的自身特征，确定所述第一目标参考点序列的局部特征包括：
对所述第一目标参考点序列所包括的各第一参考点的自身特征进行聚合，以得到所述局部特征。
6.根据权利要求3所述的方法，其中，基于所述第一历史轨迹信息和所述第一环境信息，确定所述第一车辆的全局特征包括：
确定所述第一历史轨迹信息的局部特征；以及
将所述第一历史轨迹信息的局部特征和所述多个第一参考点序列各自的局部特征进行聚合，以得到所述第一车辆的全局特征。
7.根据权利要求3所述的方法，其中，所述第一环境信息还包括与所述第一车辆的至少一个周围车辆分别对应的至少一组第三历史轨迹信息，并且其中，基于所述第一历史轨迹信息和所述第一环境信息，确定所述第一车辆的全局特征包括：
确定所述第一历史轨迹信息的局部特征和所述至少一组第三历史轨迹信息各自的局部特征；以及
将所述第一历史轨迹信息的局部特征、所述至少一组第三历史轨迹信息各自的局部特征和所述多个第一参考点序列各自的局部特征进行聚合，以得到所述第一车辆的全局特征。
8.根据权利要求3所述的方法，其中，基于所述自身特征、所述局部特征和所述全局特征，确定该第一参考点的第一参考点特征包括：
将所述自身特征、所述局部特征和所述全局特征进行拼接，以得到该第一参考点的第一参考点特征。
9.根据权利要求2所述的方法，其中，基于所述多个第一参考点特征，确定所述至少一个第一目标点包括：
分别将所述多个第一参考点特征输入预设的第一分类器，以得到每个第一参考点为第一目标点的第一概率；以及
基于所述多个第一参考点各自的第一概率，从所述多个第一参考点中确定所述至少一个第一目标点。
10.根据权利要求2所述的方法，其中，基于所述多个第一参考点特征，确定所述至少一个第一目标点包括：
分别将所述多个第一参考点特征输入预设的第一分类器，以得到每个第一参考点对应于第一目标点的第一概率；
基于所述多个第一参考点各自的第一概率，从所述多个第一参考点中确定与所述至少一个第一目标点分别对应的至少一个第一候选点；
分别将所述至少一个第一候选点对应的第一参考点特征输入预设的第一回归器，以得到每个第一候选点到相应的第一目标点的位置偏差；以及
分别将所述至少一个第一候选点与相应的位置偏差叠加，以得到所述至少一个第一目标点。
11.根据权利要求1所述的方法，其中，所述第二环境信息包括第二道路信息，所述第二道路信息包括所述第二车辆可能将途经的多条第二车道上的多个第二参考点，并且其中，基于所述第二历史轨迹信息、所述第二环境信息和该第一目标点，确定所述第二车辆可能将途经的与该第一目标点对应的至少一个第二目标点包括：
基于所述第二历史轨迹信息和所述第二环境信息，确定与所述多个第二参考点分别对应的多个第二参考点特征；以及
基于所述多个第二参考点特征和该第一目标点，确定与该第一目标点对应的至少一个第二目标点。
12.根据权利要求11所述的方法，其中，基于所述多个第二参考点特征和该第一目标点，确定与该第一目标点对应的至少一个第二目标点包括：
对于所述多个第二参考点特征中的每个第二参考点特征，将该第二参考点特征和该第一目标点输入预设的第二分类器，以得到每个第二参考点为第二目标点的第二概率；以及
基于所述多个第二参考点各自的第二概率，从所述多个第二参考点中确定所述至少一个第二目标点。
13.根据权利要求11所述的方法，其中，基于所述多个第二参考点特征和该第一目标点，确定与该第一目标点对应的至少一个第二目标点包括：
对于所述多个第二参考点特征中的每个第二参考点特征，将该第二参考点特征和该第一目标点输入预设的第二分类器，以得到每个第二参考点对应于第二目标点的第二概率；
基于所述多个第二参考点各自的第二概率，从所述多个第二参考点中确定与所述至少一个第二目标点分别对应的至少一个第二候选点；
将每个第二候选点对应的第二参考点特征和该第一目标点输入预设的第二回归器，以得到每个第二候选点到相应的第二目标点的位置偏差；以及
分别将所述至少一个第二候选点与相应的位置偏差叠加，以得到所述至少一个第二目标点。
14.根据权利要求1所述的方法，其中，基于所述第一历史轨迹信息、所述第二历史轨迹信息和所述至少一个目标点对，确定与所述至少一个目标点对分别对应的至少一个候选轨迹对包括：
对于所述至少一个目标点对中的每个目标点对：
将所述第一历史轨迹信息输入预设的第一编码器，以得到所述第一车辆的第一隐藏状态信息；
将所述第二历史轨迹信息输入预设的第二编码器，以得到所述第二车辆的第二隐藏状态信息；
将所述第一隐藏状态信息和所述目标点对中的第一目标点输入预设的第一解码器，以得到所述第一车辆在多个未来时间点的第一预测轨迹点；以及
将所述第二隐藏状态信息和所述目标点对中的第二目标点输入预设的第二解码器，以得到所述第二车辆在所述多个未来时间点的第二预测轨迹点，
其中，除了第一个未来时间点之外，每个未来时间点的第一预测轨迹点是基于上一未来时间点的第二预测轨迹点和所述第一目标点确定的，每个未来时间点的第二预测轨迹点是基于上一未来时间点的第一预测轨迹点和所述第二目标点确定的。
15.根据权利要求1所述的方法，其中，从所述至少一个候选轨迹对中确定目标轨迹对包括：
对于所述至少一个候选轨迹对中的每个候选轨迹对：
获取相应的目标点对中的第一目标点的第一概率和第二目标点的第二概率；
基于所述第一概率和所述第二概率，确定该候选轨迹对的第三概率；以及
基于所述至少一个候选轨迹对各自的第三概率，确定所述目标轨迹对。
16.根据权利要求1所述的方法，还包括：
基于所述目标轨迹对，确定所述第一车辆和/或所述第二车辆的行驶路径；以及
控制所述第一车辆和/或所述第二车辆按照相应的行驶路径行驶。
17.一种双车联合轨迹预测装置，包括：
获取模块，被配置为获取第一车辆的第一历史轨迹信息和第一环境信息，以及第二车辆的第二历史轨迹信息和第二环境信息；
第一确定模块，被配置为基于所述第一历史轨迹信息和所述第一环境信息，确定所述第一车辆可能将途经的至少一个第一目标点；
第二确定模块，被配置为对于所述至少一个第一目标点中的每个第一目标点，基于所述第二历史轨迹信息、所述第二环境信息和该第一目标点，确定所述第二车辆可能将途经的与该第一目标点对应的至少一个第二目标点；
生成模块，被配置为基于所述至少一个第一目标点各自对应的至少一个第二目标点，生成至少一个目标点对，其中，所述至少一个目标点对中的每个目标点对包括一个第一目标点和与所述第一目标点对应的一个第二目标点；
第三确定模块，被配置为基于所述第一历史轨迹信息、所述第二历史轨迹信息和所述至少一个目标点对，确定与所述至少一个目标点对分别对应的至少一个候选轨迹对，其中，所述至少一个候选轨迹对中的每个候选轨迹对包括所述第一车辆的第一预测轨迹和所述第二车辆的第二预测轨迹；以及
第四确定模块，被配置为从所述至少一个候选轨迹对中确定目标轨迹对。
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1-16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所述计算机执行根据权利要求1-16中任一项所述的方法。
20.一种自动驾驶车辆，包括如权利要求18所述的电子设备。
21.一种路侧设备，包括如权利要求18所述的电子设备。
22.一种云控平台，包括如权利要求18所述的电子设备。
CN202210476358.6A 2022-04-29 2022-04-29 双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆 Active CN114758502B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210476358.6A CN114758502B (zh) 2022-04-29 2022-04-29 双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210476358.6A CN114758502B (zh) 2022-04-29 2022-04-29 双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆

Publications (2)

Publication Number Publication Date
CN114758502A CN114758502A (zh) 2022-07-15
CN114758502B true CN114758502B (zh) 2023-08-18

Family

ID=82333730

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210476358.6A Active CN114758502B (zh) 2022-04-29 2022-04-29 双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆

Country Status (1)

Country Link
CN (1) CN114758502B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115116236B (zh) * 2022-08-30 2022-11-25 福思(杭州)智能科技有限公司 行驶行为的预测方法、装置、存储介质和电子装置
CN115973162A (zh) * 2023-02-14 2023-04-18 吉咖智能机器人有限公司 用于确定车辆行驶轨迹的方法、装置、电子设备和介质
CN117128976B (zh) * 2023-10-26 2024-03-12 小米汽车科技有限公司 道路中心线的获取方法、装置、车辆和存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006273230A (ja) * 2005-03-30 2006-10-12 Aisin Aw Co Ltd 車両制御装置及び車両制御方法
CN108475057A (zh) * 2016-12-21 2018-08-31 百度（美国）有限责任公司 基于车辆周围的情境预测车辆的一个或多个轨迹的方法和系统
CN109583151A (zh) * 2019-02-20 2019-04-05 百度在线网络技术（北京）有限公司 车辆的行驶轨迹预测方法及装置
CN111009153A (zh) * 2019-12-04 2020-04-14 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
CN111797751A (zh) * 2020-06-29 2020-10-20 中国第一汽车股份有限公司 行人轨迹预测方法、装置、设备及介质
WO2021062594A1 (en) * 2019-09-30 2021-04-08 Beijing Voyager Technology Co., Ltd. Systems and methods for jointly predicting trajectories of multiple moving objects
CN113053112A (zh) * 2021-03-10 2021-06-29 北京星云互联科技有限公司 车辆轨迹预测方法、车辆预测轨迹分析方法、装置及车辆
CN113261035A (zh) * 2019-12-30 2021-08-13 华为技术有限公司 一种轨迹预测方法及相关设备
CN113537445A (zh) * 2020-04-14 2021-10-22 北京京东乾石科技有限公司 一种轨迹预测方法、装置、设备和存储介质
CN113593301A (zh) * 2021-07-22 2021-11-02 上汽通用五菱汽车股份有限公司 车辆加塞的预判断方法、车辆及计算机可读存储介质
CN114291116A (zh) * 2022-01-24 2022-04-08 广州小鹏自动驾驶科技有限公司 周围车辆轨迹预测方法、装置、车辆及存储介质
CN114379595A (zh) * 2022-02-22 2022-04-22 无锡物联网创新中心有限公司 基于车辆行为特征与环境交互信息的车辆轨迹预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8315756B2 (en) * 2009-08-24 2012-11-20 Toyota Motor Engineering and Manufacturing N.A. (TEMA) Systems and methods of vehicular path prediction for cooperative driving applications through digital map and dynamic vehicle model fusion
JP6722280B2 (ja) * 2017-06-22 2020-07-15 バイドゥドットコム タイムズ テクノロジー （ベイジン） カンパニー リミテッドＢａｉｄｕ．ｃｏｍ Ｔｉｍｅｓ Ｔｅｃｈｎｏｌｏｇｙ （Ｂｅｉｊｉｎｇ） Ｃｏ．， Ｌｔｄ． 自律走行車の交通予測における予測軌跡の評価フレームワーク
US20210174668A1 (en) * 2019-12-10 2021-06-10 Samsung Electronics Co., Ltd. Systems and methods for trajectory prediction

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006273230A (ja) * 2005-03-30 2006-10-12 Aisin Aw Co Ltd 車両制御装置及び車両制御方法
CN108475057A (zh) * 2016-12-21 2018-08-31 百度（美国）有限责任公司 基于车辆周围的情境预测车辆的一个或多个轨迹的方法和系统
CN109583151A (zh) * 2019-02-20 2019-04-05 百度在线网络技术（北京）有限公司 车辆的行驶轨迹预测方法及装置
WO2021062594A1 (en) * 2019-09-30 2021-04-08 Beijing Voyager Technology Co., Ltd. Systems and methods for jointly predicting trajectories of multiple moving objects
CN111009153A (zh) * 2019-12-04 2020-04-14 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
CN113261035A (zh) * 2019-12-30 2021-08-13 华为技术有限公司 一种轨迹预测方法及相关设备
CN113537445A (zh) * 2020-04-14 2021-10-22 北京京东乾石科技有限公司 一种轨迹预测方法、装置、设备和存储介质
CN111797751A (zh) * 2020-06-29 2020-10-20 中国第一汽车股份有限公司 行人轨迹预测方法、装置、设备及介质
CN113053112A (zh) * 2021-03-10 2021-06-29 北京星云互联科技有限公司 车辆轨迹预测方法、车辆预测轨迹分析方法、装置及车辆
CN113593301A (zh) * 2021-07-22 2021-11-02 上汽通用五菱汽车股份有限公司 车辆加塞的预判断方法、车辆及计算机可读存储介质
CN114291116A (zh) * 2022-01-24 2022-04-08 广州小鹏自动驾驶科技有限公司 周围车辆轨迹预测方法、装置、车辆及存储介质
CN114379595A (zh) * 2022-02-22 2022-04-22 无锡物联网创新中心有限公司 基于车辆行为特征与环境交互信息的车辆轨迹预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于环境约束的不确定车辆轨迹预测方法;张海基;;软件导刊(第01期);全文 *

Also Published As

Publication number Publication date
CN114758502A (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
US20200160559A1 (en) Multi-Task Multi-Sensor Fusion for Three-Dimensional Object Detection
CN114758502B (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
JP7355877B2 (ja) 車路協同自動運転の制御方法、装置、電子機器及び車両
CN114179832A (zh) 用于自动驾驶车辆的变道方法
CN114047760B (zh) 路径规划方法、装置、电子设备及自动驾驶车辆
CN115019060A (zh) 目标识别方法、目标识别模型的训练方法及装置
CN114212108A (zh) 自动驾驶方法、装置、车辆、存储介质及产品
CN114394111B (zh) 用于自动驾驶车辆的变道方法
CN115675528A (zh) 基于相似场景挖掘的自动驾驶方法和车辆
CN115583243B (zh) 确定车道线信息的方法、车辆控制方法、装置和设备
CN115019278B (zh) 一种车道线拟合方法、装置、电子设备和介质
CN116859724B (zh) 时序自回归同时决策和预测的自动驾驶模型及其训练方法
CN114333368B (zh) 语音提醒方法、装置、设备和介质
CN115235487B (zh) 数据处理方法及装置、设备和介质
CN116414845A (zh) 用于更新地图数据的方法、装置、电子设备和介质
CN116776151A (zh) 可与车外人员进行自主交互的自动驾驶模型和训练方法
CN116880462A (zh) 自动驾驶模型、训练方法和自动驾驶方法和车辆
CN117601898A (zh) 能够实现多模态交互的自动驾驶模型、方法、装置和车辆
CN117707172A (zh) 自动驾驶车辆的决策方法及装置、车辆、设备和介质
CN117034732A (zh) 基于真实与仿真对抗学习的自动驾驶模型训练方法
CN116469069A (zh) 用于自动驾驶的场景编码模型训练方法、装置及介质
CN116881707A (zh) 自动驾驶模型、训练方法、装置和车辆
CN117010265A (zh) 能够进行自然语言交互的自动驾驶模型及其训练方法
CN116882122A (zh) 用于自动驾驶的仿真环境的构建的方法和装置
CN115366920A (zh) 用于自动驾驶车辆的决策方法及装置、设备和介质

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
GR01 Patent grant
GR01 Patent grant