CN114771572A - 一种自动驾驶轨迹预测方法、装置、设备和存储介质 - Google Patents

Abstract

本发明实施例公开了一种自动驾驶轨迹预测方法、装置、设备和存储介质。该方法包括：获取自动驾驶车辆的第一历史轨迹数据、周围障碍物的第二历史轨迹数据以及当前地图数据；对第一历史轨迹数据、第二历史轨迹数据和当前地图数据进行预处理，确定第一历史轨迹特征信息、第二历史轨迹特征信息和当前地图特征信息；基于车道类型，对当前地图特征信息中的车道节点进行降采样，获得降采样后的目标地图特征信息；将第一历史轨迹特征信息、第二历史轨迹特征信息和目标地图特征信息输入至预设轨迹预测模型，并基于预设轨迹预测模型的输出，获得自动驾驶车辆周围障碍物的目标预测轨迹，从而可以提高自动驾驶车辆周围障碍物的轨迹预测效率。

Description

一种自动驾驶轨迹预测方法、装置、设备和存储介质

技术领域

本发明实施例涉及自动驾驶技术，尤其涉及一种自动驾驶轨迹预测方法、装置、设备和存储介质。

背景技术

为了保证自动驾驶车辆在道路上安全有效地运动，自动驾驶汽车不仅需要感知周围的障碍物的当前状态，还需要主动预测其未来的运动轨迹，以便做出合理、安全的行为决策。

目前，自动驾驶车辆可以基于感知到的障碍物运动轨迹和地图环境信息进行轨迹预测，但由于道路与障碍物的复杂情况会导致预测耗时较长，难以满足预测实时性的要求。

发明内容

本发明实施例提供了一种自动驾驶轨迹预测方法、装置、设备和存储介质，以提高自动驾驶车辆周围障碍物的轨迹预测效率。

根据本发明的一方面，提供了一种自动驾驶轨迹预测方法，包括：

获取自动驾驶车辆的第一历史轨迹数据、周围障碍物的第二历史轨迹数据以及当前地图数据；

对所述第一历史轨迹数据、所述第二历史轨迹数据和所述当前地图数据进行预处理，确定第一历史轨迹特征信息、第二历史轨迹特征信息和当前地图特征信息；

基于车道类型，对所述当前地图特征信息中的车道节点进行降采样，获得降采样后的目标地图特征信息；

将所述第一历史轨迹特征信息、所述第二历史轨迹特征信息和所述目标地图特征信息输入至预设轨迹预测模型，并基于所述预设轨迹预测模型的输出，获得所述自动驾驶车辆周围障碍物的目标预测轨迹。

根据本发明的另一方面，提供了一种自动驾驶轨迹预测装置，包括：

数据获取模块，用于获取自动驾驶车辆的第一历史轨迹数据、周围障碍物的第二历史轨迹数据以及当前地图数据；

数据处理模块，用于对所述第一历史轨迹数据、所述第二历史轨迹数据和所述当前地图数据进行预处理，确定第一历史轨迹特征信息、第二历史轨迹特征信息和当前地图特征信息；

降采样模块，用于基于车道类型，对所述当前地图特征信息中的车道节点进行降采样，获得降采样后的目标地图特征信息；

轨迹预测模块，用于将所述第一历史轨迹特征信息、所述第二历史轨迹特征信息和所述目标地图特征信息输入至预设轨迹预测模型，并基于所述预设轨迹预测模型的输出，获得所述自动驾驶车辆周围障碍物的目标预测轨迹。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

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计算机程序，所述计算机程序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本发明任一实施例所述的自动驾驶轨迹预测方法。

根据本发明的另一方面，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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的自动驾驶轨迹预测方法。

本发明实施例的技术方案，通过获取自动驾驶车辆的第一历史轨迹数据、周围障碍物的第二历史轨迹数据以及当前地图数据，并对第一历史轨迹数据、第二历史轨迹数据和当前地图数据进行预处理，分别确定第一历史轨迹特征信息、第二历史轨迹特征信息和当前地图特征信息，根据当前地图特征信息中的车道类型对当前地图特征信息中的车道节点进行降采样，获得降采样后的目标地图特征信息，从而减少地图特征数量，进而降低轨迹预测时间，提高轨迹预测效率。而且将第一历史轨迹特征信息、第二历史轨迹特征信息和目标地图特征信息输入至预设轨迹预测模型中，预设轨迹预测模型在预测自动驾驶车辆的轨迹的同时可以预测出自动驾驶车辆周围所有障碍物的轨迹，并将自动驾驶车辆周围障碍物的目标预测轨迹进行输出，从而基于预设轨迹预测模型可以更加快速获得自动驾驶车辆周围障碍物的目标预测轨迹，进而在保证轨迹预测准确性的情况下大大降低了障碍物的轨迹预测耗时，提高了轨迹预测效率。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的一种自动驾驶轨迹预测方法的流程图；

图2是本发明实施例一所涉及的一种对车道节点进行降采样的示例图；

图3是本发明实施例二提供的另一种自动驾驶轨迹预测方法的流程图；

图4是本发明实施例提供的一种自动驾驶轨迹预测模型训练过程的流程图；

图5是本发明实施例提供的一种自动驾驶轨迹预测模型使用过程的流程图；

图6是本发明实施例三提供的一种自动驾驶轨迹预测装置的结构图；

图7是实现本发明实施例的自动驾驶轨迹预测方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，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”等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，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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。

实施例一

图1为本发明实施例一提供的一种自动驾驶轨迹预测方法的流程图，本实施例可适用于自动驾驶车辆行驶时预测周围障碍物的运动轨迹的情况。该方法可以由自动驾驶轨迹预测装置来执行，该装置可以采用硬件和/或软件的形式实现，该装置可配置于车辆的电子设备中。如图1所示，该方法具体包括以下步骤：

S110、获取自动驾驶车辆的第一历史轨迹数据、周围障碍物的第二历史轨迹数据以及当前地图数据。

其中，第一历史轨迹数据可以是当前时刻之前自动驾驶车辆自身行驶时的历史轨迹数据；第二历史轨迹数据可以是当前时刻之前自动驾驶车辆行驶时周围的每个障碍物的历史轨迹数据。周围障碍物可以是指以车辆为中心预设范围内的影响车辆行驶的各个障碍物，也就是需要预测运动轨迹的各个障碍物。周围障碍物的数量可以为一个或多个。可以理解的是，障碍物可以是指车辆行驶时道路中的其他车辆，也可以是道路中行人和非机动车辆等。本发明实施例中周围障碍物可以是其中一种或多种，本发明对此并不限定。当前地图数据可以是以自动驾驶车辆当前位置为中心预设范围内的地图数据。当前地图数据可以包括车辆周围的各个行驶道路数据。

具体的，自动驾驶车辆可以获取在当前时刻之前实际行驶的第一历史轨迹数据，并且可以获得该车辆周围的每个障碍物当前时刻之前的第二历史轨迹数据，该第二历史轨迹数据可以是通过预测装置当前时刻之前预测出的障碍物的运动轨迹数据，或者是感知到的障碍物实际运动轨迹。本实施例可以获取自动驾驶车辆当前位置信息，并以当前位置信息为中心获得预设范围内的当前地图数据。

S120、对所述第一历史轨迹数据、所述第二历史轨迹数据和所述当前地图数据进行预处理，确定第一历史轨迹特征信息、第二历史轨迹特征信息和当前地图特征信息。

其中，第一历史轨迹特征信息可以是第一历史轨迹数据通过特征提取后获得的各个历史轨迹位置点。第二历史轨迹特征信息可以是第二历史轨迹数据通过特征提取后获得的各个历史轨迹位置点。当前地图特征信息可以是当前地图数据通过特征提取后的各个地图特征点，即各个车道节点Lane node。本实施例可以将每条车道的中心线上的各个离散点作为车道节点。通常，当前地图特征信息中的车道节点的数据量较大，达到10⁵数量级。

具体的，可以通过现有的特征提取方式对车辆的第一历史轨迹数据进行预处理，获得第一历史轨迹特征信息。通过现有的特征提取方式对第二历史轨迹数据进行预处理，获得第二历史轨迹特征信息。通过特征提取规则对当前地图数据进行预处理，获得当前地图信息，即车辆周围一定范围内的各个道路中的各个车道节点。

S130、基于车道类型，对所述当前地图特征信息中的车道节点进行降采样，获得降采样后的目标地图特征信息。

其中，车道类型可以是指行驶道路所对应的道路类型。例如，车道类型可以包括：直行车道和转弯车道。降采样可以是降低车道节点的数量。本发明实施例根据不同的车道类型，对当前地图特征信息中的每个车道上的各个车道节点进行降采样，获得降采样后每条车道上的目标车道节点，即目标地图特征信息。

具体的，通过基于当前地图特征信息中的每个车道所对应的车道类型，选择匹配车道类型的降采样方式对当前地图特征信息中每个车道上的所有车道节点进行降采样，获取到各个车道上的所有车道节点降采样后的目标地图特征信息。可以理解的是，对车道划分不同的车道类型，通过更适用的车道类型降采样方式能够提高车辆轨迹预测的准确性。本实施例通过对当前地图特征信息中的车道节点进行降采样，可以使当前地图特征信息中的车道节点数量从O(n)降低到O(k)，其中，n>k，其中，n为降采样前的车道节点数量，k为降采样后的车道节点数量，从而通过降低车道节点的数量，可以在保证预测准确度的前提下，提高了预测的时间性能。

可选的，S130可以包括：获取所述当前地图特征信息中的每条车道上的各个车道节点；若车道的车道类型为直行车道，则基于预设距离采样方式，对该条车道上的各个车道节点进行降采样，获得该条车道降采样后的目标车道节点；若车道的车道类型为转弯车道，则基于预设角度采样方式，对该条车道上的各个车道节点进行降采样，获得该条车道降采样后的目标车道节点。

其中，预设距离采样方式可以是预先设置的，基于两个车道节点之间的距离进行降采样的方式。预设角度采样方式可以预先设置的，基于两个车道节点之间的角度进行降采样的方式。

具体的，获取当前地图特征信息中的每条车道上的各个车道节点，判断每条车道所属的车道类型，如果车道的车道类型为直行车道，则基于预设距离采样方式，基于相邻两个车道节点之间的距离对该条车道上的各个车道节点进行降采样，获得该条车道降采样后的目标车道节点；如果车道的车道类型为转弯车道，则基于预设角度采样方式，基于相邻两个车道节点之间的角度对该条车道上的各个车道节点进行降采样，从而可以在保证车辆轨迹预测的准确性的前提下降低地图特征数量。

示例性的，所述基于预设距离采样方式，对该条车道上的各个车道节点进行降采样，获得该条车道降采样后的目标车道节点，可以包括：确定该条车道上的每组相邻两个车道节点之间的第一节点距离，并对所述第一节点距离进行累加；在当前累加的第一节点总距离每次大于或等于预设距离阈值时进行一次降采样，获得该条车道降采样后的目标车道节点。

其中，预设距离阈值可以是预先设置的，采样后的相邻两个目标车道节点之间的最小距离。目标车道节点可以是经过降采样后保留的车道节点。图2给出了一种对车道节点进行降采样的示例，如图2所示，针对当前地图特征信息中的每条车道而言，在车道的车道类型为直行车道时，通过预设距离采样方式以距离作为参考进行降采样，计算该条车道上每组相邻两个车道节点之间的第一节点距离，并将第一节点距离进行累加，当累加的第一节点总距离每次大于或等于预设距离阈值时，则进行一次降采样，保留当前累加的第一节点总距离每次大于或等于预设距离阈值时第一个车道节点和最后一个车道节点；当累加的第一节点总距离每次小于预设距离阈值时，则继续累加第一节点距离，直至最终获得该条车道降采样后的目标车道节点，从而可以每间隔固定距离进行采样一次。其中，每组相邻两个车道节点之间的第一节点距离的计算公式如下所示：

其中，lane_nodes为车道节点集合，x₁为第一车道节点的x轴位置坐标，x₂为与第一车道节点相邻的第二车道节点的x轴位置坐标，y₁为第一车道节点的y轴位置坐标，y₂为与第一车道节点相邻的第二车道节点的y轴位置坐标。

示例性的，预设距离阈值可以为50米，则对某个车道上的所有车道节点进行降采样时，第一次降采样过程：计算第一个车道节点和第二个车道节点的累加总距离为20米，累加总距离小于预设距离阈值，则继续累加第三个车道节点与第二个车道节点之间的距离，得到的累加总距离为45米，累加总距离仍然小于预设距离阈值，则继续累加第四个车道节点与第三个车道节点之间的距离，得到的累加总距离为65米，累加总距离大于预设距离阈值，则保留当前累加总距离的第一个车道节点和第四个车道节点，将第一个车道节点和第四个车道节点作为目标车道节点；第二次降采样过程：累加第四个车道节点和第五个车道节点的累加总距离为50米，累加总距离等于预设距离阈值则保留当前累加总距离的第五个车道节点，将第五个车道节点作为目标车道节点，依次类推。

示例性地，所述基于预设角度采样方式，对该条车道上的各个车道节点进行降采样，获得该条车道降采样后的目标车道节点，可以包括：确定该条车道上的每组相邻两个车道节点之间的节点角度，并对所述节点角度进行累加；在当前累加的节点总距离每次大于或等于预设角度阈值时进行一次降采样，获得该条车道降采样后的目标车道节点。具体地，在车道类型为转弯车道时，可以类似于上述描述的预设距离阈值，通过设置一个预设角度阈值对转弯车道上的各个车道节点进行降采样，从而可以每间隔固定角度进行采样一次。

S140、将所述第一历史轨迹特征信息、所述第二历史轨迹特征信息和所述目标地图特征信息输入至预设轨迹预测模型，并基于所述预设轨迹预测模型的输出，获得所述自动驾驶车辆周围障碍物的目标预测轨迹。

其中，预设轨迹预测模型可以是预先设置的，用于预测自动驾驶车辆和周围障碍物的运动轨迹的预测模型。示例性地，预设轨迹预测模型可以是但不限于节点图卷积网络LaneGCN(Graph Convolutional Network)模型。本实施例中的预设轨迹预测模型是预先基于样本数据和预设,损失函数进行训练获得的，以便在预测自动驾驶车辆的轨迹的同时可以预测出周围所有障碍物的轨迹。

具体地，可以将第一历史轨迹特征信息、所述第二历史轨迹特征信息和所述目标地图特征信息输入至训练后的预设轨迹预测模型中，预设轨迹预测模型在预测自动驾驶车辆未来一段时间的运动轨迹的同时也可以预测出该车辆周围的每个障碍物未来一段时间的运动轨迹，并将预测出的各个运动轨迹进行输出。由于本实施例中的预测装置仅需要预测出自动驾驶车辆周围障碍物的运动轨迹，从而基于预设轨迹预测模型的输出，可以一次性获得自动驾驶车辆周围所有障碍物的目标预测轨迹。相比于现有方式，本实施例中的预测次数从O(M)降低到O(1)，其中M为障碍物的数量，从而本实施例通过利用预设轨迹预测模型可以更加快速获得自动驾驶车辆周围所有障碍物的目标预测轨迹，进而在保证轨迹预测准确性的情况下大大降低了障碍物的轨迹预测耗时，提高了轨迹预测效率。

需要说明的是，本实施例可以将预测装置预测出的自动驾驶车辆周围所有障碍物的目标预测轨迹输入至规划装置中，以使规划装置基于输入的周围障碍物的目标预测轨迹进行车辆运动的规划，从而决策出自动驾驶车辆当前的控制操作，进而在自动驾驶车辆行使过程中避免与障碍物发生碰撞。

本发明实施例的技术方案，通过获取自动驾驶车辆的第一历史轨迹数据、周围障碍物的第二历史轨迹数据以及当前地图数据，并对第一历史轨迹数据、第二历史轨迹数据和当前地图数据进行预处理，分别确定第一历史轨迹特征信息、第二历史轨迹特征信息和当前地图特征信息，根据当前地图特征信息中的车道类型对当前地图特征信息中的车道节点进行降采样，获得降采样后的目标地图特征信息，从而减少地图特征数量，进而降低轨迹预测时间，提高轨迹预测效率。而且将第一历史轨迹特征信息、第二历史轨迹特征信息和目标地图特征信息输入至预设轨迹预测模型中，预设轨迹预测模型在预测自动驾驶车辆的轨迹的同时可以预测出自动驾驶车辆周围所有障碍物的轨迹，并将自动驾驶车辆周围障碍物的目标预测轨迹进行输出，从而基于预设轨迹预测模型可以更加快速获得自动驾驶车辆周围障碍物的目标预测轨迹，进而在保证轨迹预测准确性的情况下大大降低了障碍物的轨迹预测耗时，提高了轨迹预测效率。

在上述技术方案的基础上，所述基于预设角度采样方式，对该条车道上的各个车道节点进行降采样，获得该条车道降采样后的目标车道节点，还可以包括：确定每次采样时的第一组相邻两个车道节点之间的节点角度；基于所述节点角度确定当前距离阈值；确定所述第一组相邻两个车道节点之间的第二节点距离以及后续每组相邻两个车道节点之间的第二节点距离，并对所述第二节点距离进行累加；在当前累加的第二节点总距离大于或等于所述当前距离阈值时进行降采样，获得该条车道降采样后的目标车道节点。

如图2所示，针对该条车道的车道类型为弯道车道的情况，在每次开始采样时，可以先确定出待采样的第一组相邻两个车道节点(即第一个车道节点与第二车道节点)之间的节点角度，并基于该节点角度动态确定出当次采样需要参考的当前距离阈值，并对该次采样的每组相邻两个车道节点之间的第二节点距离进行累积，直到累积的第二节点总距离大于或等于所述当前距离阈值时进行一次降采样，也就是将最后一个车道节点作为当次采样后的目标车道节点。通过基于预设距离阈值，在直行车道上每间隔固定距离进行一次采样，以及通过基于节点角度动态确定出的当前距离阈值，在转弯车道上每隔与节点角度相匹配的当前距离进行一次采样，从而可以达到直行车道上采样点稀疏，转弯车道采样点密集的效果，进而可以保留更多的转弯车道上的细节信息，从而利用这种角度采样方式可以进一步提高轨迹预测的准确性。

示例性地，所述基于所述节点角度确定当前距离阈值，可以包括：检测所述节点角度是否大于预设角度阈值；若是，则确定所述预设角度阈值与所述节点角度之间的比值，并基于所述比值和预设距离阈值确定当前距离阈值；若否，则将预设距离阈值作为当前距离阈值。

其中，预设角度阈值可以是预先设置的，需要重新确定距离阈值的最小角度。本发明实施例中，通过节点角度计算公式对每次采样时的第一组相邻两个车道节点之间的节点角度进行计算，节点角度计算公式如下所示：

其中，a为第一组相邻两个车道节点中的第一个车道节点与弯道圆心所组成的向量，b为第一组相邻两个车道节点中的第二个车道节点与弯道圆心所组成的向量，θ为第一组相邻两个车道节点之间的节点角度。如果第一组相邻两个车道节点之间的节点角度大于预设角度阈值时，则确定预设角度阈值与节点角度之间的比值，并将该比值与预设距离阈值之间的乘积确定为当前距离阈值，以使当前距离阈值小于预设距离阈值，从而可以在节点角度较大时降低采样时的车道节点距离间隔，从而可以采样出更多的目标车道节点。例如，可以基于如下公式计算当前距离阈值：

其中，T_dis为当前距离阈值，T_θ为预设角度阈值，T为预设距离阈值。

实施例二

图3为本发明实施例二提供的另一种自动驾驶轨迹预测方法的流程图，实施例在上述实施例的基础上，增加了预设轨迹预测模型的训练过程。其中与上述各实施例相同或相应的术语的解释在此不再赘述。如图3所示，本实施例提供的预设轨迹预测模型的训练过程具体包括以下步骤：

S210、获取自动驾驶车辆对应的训练数据，所述训练数据包括：自动驾驶车辆的第一历史轨迹样本数据和相应的第一实际轨迹、周围障碍物的第二历史轨迹样本数据和相应的第二实际轨迹以及自动驾驶车辆周围的地图样本数据。

其中，第一历史轨迹样本数据可以是当前时刻之前自动驾驶车辆自身行驶时的历史轨迹样本数据；第二历史轨迹样本数据可以是自动驾驶车辆行驶时除车辆自身外周围每个障碍物的历史轨迹样本数据，地图样本数据可以是以自动驾驶车辆样本位置为中心预设范围内的地图样本数据。第一实际轨迹可以是当前时刻之前自动驾驶车辆自身行驶时的实际轨迹，第二实际轨迹可以是周围每个障碍物的实际轨迹。

具体的，自动驾驶车辆可以获取在当前时刻之前实际行驶的第一历史轨迹样本数据和相应的第一实际轨迹，并且可以获得该车辆周围的每个障碍物当前时刻之前的第二历史轨迹样本数据和相应的第二实际轨迹。获取自动驾驶车辆的样本位置信息，并以样本位置信息为中心获得预设范围内的当前地图样本数据。

S220、对所述第一历史轨迹样本数据、所述第二历史轨迹样本数据和所述地图样本数据进行预处理，确定第一历史轨迹样本特征信息、第二历史轨迹样本特征信息和地图样本特征信息。

其中，第一历史轨迹样本特征信息可以是通过特征提取后的历史轨迹样本点，第二历史轨迹样本特征信息可以是第二历史轨迹样本数据通过特征提取后的历史轨迹样本点，地图特征样本信息可以是包含地图特征样本信息据通过特征提取后的每个样本车道中的各个车道节点。

S230、基于车道类型，对所述地图样本特征信息中的车道节点进行降采样，获得降采样后的目标地图样本特征信息。

具体地，可以基于上述实施例所描述的降采样方式，对地图样本特征信息中的车道节点进行降采样，获得降采样后的目标地图样本特征信息。

S240、将所述第一历史轨迹样本特征信息、所述第二历史轨迹样本特征信息和所述目标地图样本特征信息输入至待训练的预设轨迹预测模型中，获得所述自动驾驶车辆的第一样本预测轨迹和周围障碍物的第二样本预测轨迹。

其中，第一样本预测轨迹可以是预设轨迹预测模型输出的自动驾驶车辆的预测轨迹；第二样本预测轨迹可以是预设轨迹预测模型输出的周围障碍物的预测轨迹。

S250、基于预设损失函数，根据所述第一样本预测轨迹、所述第二样本预测轨迹、所述第一实际轨迹和所述第二实际轨迹确定训练误差，并将所述训练误差反向传播至待训练的预设轨迹预测模型中，调整待训练的预设轨迹预测模型中的网络参数，直至达到预设收敛条件时训练结束。

其中，预设损失函数可以是预先基于第一样本预测轨迹和所述第二样本预测轨迹设置的损失函数；预设收敛条件可以是指预先设置的模型训练结束条件，例如，预设收敛条件可以是训练误差小于预设误差、训练误差的变化趋于稳定或者训练迭代次数达到预设次数等。可选的，预设损失函数可以如下所示：

其中，L_reg为训练误差；p_m,t为第m个物体在第t秒下的样本预测位置；

为第m个物体在第t秒下的实际位置，其中，第m个物体为所述自动驾驶车辆或者所述障碍物；reg()为预设误差函数；M为自动驾驶车辆和周围的障碍物的总数量，T为预测总时刻。其中，预设误差函数可以是但不限于均方误差函数、平均绝对值误差函数或者交叉熵误差函数。

本发明实施例的技术方案，通过基于预设损失函数，通过第一样本预测轨迹、第二样本预测轨迹、第一实际轨迹和第二实际轨迹确定训练误差，将训练得到的训练误差反向传播至待训练的预设轨迹预测模型中，进而调整待训练的预设轨迹预测模型中的网络参数，直至达到预设收敛条件时结束训练，从而使得训练后的预设轨迹预测模型可以在预测自动驾驶车辆轨迹的同时预测出周围所有障碍物的轨迹，从而可以进一步提高障碍物轨迹的预测效率。

示例性地，在本发明的另一种实施例中，图4给出了一种自动驾驶轨迹预测模型训练过程的流程图，其中，如图4所示具体包括以下步骤：

S410、获取感知车辆的轨迹数据以及周围地图数据，并对数据进行预处理，提取车辆特征及地图特征。执行步骤420。

S420、对预处理得到的地图特征根据一定规则进行降采样，得到训练样本集。对每条道路上的车道节点执行步骤S430-S490。

S430、对某条道路的车道节点进行降采样，判断车道节点数量是否大于4，如果是，则执行步骤S440；否则，跳过对此条道路的降采样步骤，将所有车道节点都加入目标车道节点集合中，执行步骤S490。

步骤S440、判断道路是直行车道还是转弯车道以决定降采样的规则。如果直行车道，执行步骤S470；如果是转弯车道，执行步骤S450。

步骤S450、计算相邻车道节点构成向量之间的节点角度，如果大于预设角度阈值，执行步骤S460，否则执行步骤S470。

步骤S460、计算公式计算当前距离阈值，执行步骤S480。

步骤S470、设定当前距离阈值为预设距离阈值，执行步骤S480。

步骤S480、对车道节点按照距离进行采样，计算车道节点之间的距离，每隔预设距离阈值采样一个车道节点，执行步骤S490。

步骤S490、降采样得到的目标车道节点加入目标采样集合，对应地图特征用于训练样本集中，对所有道路循环执行步骤S420-S480，直到遍历完所有道路，执行步骤S4100。

步骤S4100、将训练样本集输入预先构建好的节点图卷积网络LaneGCN模型进行训练，并对训练好的轨迹预测模型进行性能评估。

可选的，在本发明的另一种实施例中，图5给出了一种自动驾驶轨迹预测模型使用过程的流程图，其中，如图5所示具体包括以下步骤：

车辆轨迹预测的预测过程具体包括以下步骤：

步骤S510、对自动驾驶车辆实时轨迹数据以及周围地图数据进行预处理，提取车辆特征及地图特征。

步骤S520、对预处理得到的地图特征根据一定规则进行降采样。对每条道路上的车道节点执行步骤S530-S590。

步骤S530、对某条道路的车道节点进行降采样，判断车道节点数量是否大于4，如果是，则执行步骤S540；否则，跳过对此条道路的降采样步骤，将所有车道节点都加入目标车道节点集合中，执行步骤S590。

步骤S540、判断道路是直行车道还是转弯车道以决定降采样的规则。如果直行车道，执行步骤S570；如果是转弯车道，执行步骤S540。

步骤S550、计算相邻车道节点构成向量之间的节点角度，如果大于预设角度阈值，执行步骤S560，否则执行步骤S570。

步骤S560、计算当前距离阈值，执行步骤S580。

步骤S570、设定当前距离阈值为预设距离阈值，执行步骤S580。

步骤S580、对车道节点按照距离进行采样，计算车道节点之间的距离，每隔预设距离阈值采样一个车道节点，执行步骤S590。

步骤S590、降采样得到的目标车道节点加入目标采样集合，对应地图特征用于训练样本集中，对所有道路循环执行步骤S520-S580，直到遍历完所有道路，执行步骤S5100。

步骤S5100、将训练样本集输入预先构建好的节点图卷积网络LaneGCN模型进行训练，并对训练好的轨迹预测模型进行性能评估。

实施例三

图6为本发明实施例三提供的一种自动驾驶轨迹预测装置的结构示意图。如图6所示，该装置具体包括：数据获取模块610、数据处理模块620、降采样模块630和轨迹预测模块640。其中：

数据获取模块610，用于获取自动驾驶车辆的第一历史轨迹数据、周围障碍物的第二历史轨迹数据以及当前地图数据；

数据处理模块620，用于对所述第一历史轨迹数据、所述第二历史轨迹数据和所述当前地图数据进行预处理，确定第一历史轨迹特征信息、第二历史轨迹特征信息和当前地图特征信息；

降采样模块630，用于基于车道类型，对所述当前地图特征信息中的车道节点进行降采样，获得降采样后的目标地图特征信息；

轨迹预测模块640，用于将所述第一历史轨迹特征信息、所述第二历史轨迹特征信息和所述目标地图特征信息输入至预设轨迹预测模型，并基于所述预设轨迹预测模型的输出，获得所述自动驾驶车辆周围障碍物的目标预测轨迹。

本发明实施例的技术方案，通过获取自动驾驶车辆的第一历史轨迹数据、周围障碍物的第二历史轨迹数据以及当前地图数据，进而根据第一历史轨迹数据、周围障碍物的第二历史轨迹数据以及当前地图数据进行预处理生成第一历史轨迹特征信息、第二历史轨迹特征信息和当前地图特征信息，根据不同的车道类型对轨迹特征信息中的车道节点进行降采样，根据第一历史轨迹特征信息、所述第二历史轨迹特征信息和所述目标地图特征信息输入至预设轨迹预测模型，并基于所述预设轨迹预测模型的输出，获得所述自动驾驶车辆周围障碍物的目标预测轨迹，本申请使用降采样后的车道节点，大量减少了计算的采样点，从而在保障轨迹预测的准确性的同时，大量降低预测轨迹的计算量和减少轨迹预测的预测时间，解决了现有技术中道路与障碍物的复杂情况会导致预测耗时较长，难以满足预测实时性的要求的技术问题，达到了提高预测的效率的技术效果。

可选的，降采样模块630具体用于：

获取所述当前地图特征信息中的每条车道上的各个车道节点；

若车道的车道类型为直行车道，则基于预设距离采样方式，对该条车道上的各个车道节点进行降采样，获得该条车道降采样后的目标车道节点；

若车道的车道类型为转弯车道，则基于预设角度采样方式，对该条车道上的各个车道节点进行降采样，获得该条车道降采样后的目标车道节点。

可选的，降采样模块630具体还用于：

确定该条车道上的每组相邻两个车道节点之间的第一节点距离，并对所述第一节点距离进行累加；

在当前累加的第一节点总距离每次大于或等于预设距离阈值时进行一次降采样，获得该条车道降采样后的目标车道节点。

可选的，降采样模块630具体还用于：

确定每次采样时的第一组相邻两个车道节点之间的节点角度；

基于所述节点角度确定当前距离阈值；

确定所述第一组相邻两个车道节点之间的第二节点距离以及后续每组相邻两个车道节点之间的第二节点距离，并对所述第二节点距离进行累加；

在当前累加的第二节点总距离大于或等于所述当前距离阈值时进行降采样，获得该条车道降采样后的目标车道节点。

可选的，降采样模块630具体还用于：

检测所述节点角度是否大于预设角度阈值；

若是，则确定所述预设角度阈值与所述节点角度之间的比值，并基于所述比值和预设距离阈值确定当前距离阈值；

若否，则将预设距离阈值作为当前距离阈值。

可选的，所述装置具体还用于：

获取自动驾驶车辆对应的训练数据，所述训练数据包括：自动驾驶车辆的第一历史轨迹样本数据和相应的第一实际轨迹、周围障碍物的第二历史轨迹样本数据和相应的第二实际轨迹以及自动驾驶车辆周围的地图样本数据；

对所述第一历史轨迹样本数据、所述第二历史轨迹样本数据和所述地图样本数据进行预处理，确定第一历史轨迹样本特征信息、第二历史轨迹样本特征信息和地图样本特征信息；

基于车道类型，对所述地图样本特征信息中的车道节点进行降采样，获得降采样后的目标地图样本特征信息；

将所述第一历史轨迹样本特征信息、所述第二历史轨迹样本特征信息和所述目标地图样本特征信息输入至待训练的预设轨迹预测模型中，获得所述自动驾驶车辆的第一样本预测轨迹和周围障碍物的第二样本预测轨迹；

基于预设损失函数，根据所述第一样本预测轨迹、所述第二样本预测轨迹、所述第一实际轨迹和所述第二实际轨迹确定训练误差，并将所述训练误差反向传播至待训练的预设轨迹预测模型中，调整待训练的预设轨迹预测模型中的网络参数，直至达到预设收敛条件时训练结束。

可选的，所述装置具体还用于，基于如下预设损失函数确定训练误差：

其中，L_reg为训练误差；p_m,t为第m个物体在第t秒下的样本预测位置；

为第m个物体在第t秒下的实际位置，其中，第m个物体为所述自动驾驶车辆或者所述障碍物；reg()为预设误差函数；M为自动驾驶车辆和周围的障碍物的总数量，T为预测总时刻。

可选的，所述装置具体还用于：

所述预设轨迹预测模型为节点图卷积网络LaneGCN模型。

本发明实施例所提供的自动驾驶轨迹预测装置可执行本发明任意实施例所提供的自动驾驶轨迹预测方法，具备执行自动驾驶轨迹预测方法相应的功能模块和有益效果。

值得注意的是，上述自动驾驶轨迹预测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

实施例四

图7示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，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，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)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/或者要求的本发明的实现。

如图7所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。

处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，例如自动驾驶轨迹预测方法。

在一些实施例中，自动驾驶轨迹预测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的自动驾驶轨迹预测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行自动驾驶轨迹预测方法。

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)、负载可编程逻辑设备(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。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。

在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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)、区块链网络和互联网。

计算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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

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，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

实施例五

本实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的自动驾驶轨迹预测方法步骤，该方法包括：

获取自动驾驶车辆的第一历史轨迹数据、周围障碍物的第二历史轨迹数据以及当前地图数据；

对所述第一历史轨迹数据、所述第二历史轨迹数据和所述当前地图数据进行预处理，确定第一历史轨迹特征信息、第二历史轨迹特征信息和当前地图特征信息；

基于车道类型，对所述当前地图特征信息中的车道节点进行降采样，获得降采样后的目标地图特征信息；

将所述第一历史轨迹特征信息、所述第二历史轨迹特征信息和所述目标地图特征信息输入至预设轨迹预测模型，并基于所述预设轨迹预测模型的输出，获得所述自动驾驶车辆周围障碍物的目标预测轨迹。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (11)

1.一种自动驾驶轨迹预测方法，其特征在于，包括：

获取自动驾驶车辆的第一历史轨迹数据、周围障碍物的第二历史轨迹数据以及当前地图数据；

对所述第一历史轨迹数据、所述第二历史轨迹数据和所述当前地图数据进行预处理，确定第一历史轨迹特征信息、第二历史轨迹特征信息和当前地图特征信息；

基于车道类型，对所述当前地图特征信息中的车道节点进行降采样，获得降采样后的目标地图特征信息；

将所述第一历史轨迹特征信息、所述第二历史轨迹特征信息和所述目标地图特征信息输入至预设轨迹预测模型，并基于所述预设轨迹预测模型的输出，获得所述自动驾驶车辆周围障碍物的目标预测轨迹。

2.根据权利要求1所述的方法，其特征在于，所述基于车道类型，对所述当前地图特征信息中的车道节点进行降采样，获得降采样后的目标地图特征信息，包括：

获取所述当前地图特征信息中的每条车道上的各个车道节点；

若车道的车道类型为直行车道，则基于预设距离采样方式，对该条车道上的各个车道节点进行降采样，获得该条车道降采样后的目标车道节点；

若车道的车道类型为转弯车道，则基于预设角度采样方式，对该条车道上的各个车道节点进行降采样，获得该条车道降采样后的目标车道节点。

3.根据权利要求2所述的方法，其特征在于，所述基于预设距离采样方式，对该条车道上的各个车道节点进行降采样，获得该条车道降采样后的目标车道节点，包括：

确定该条车道上的每组相邻两个车道节点之间的第一节点距离，并对所述第一节点距离进行累加；

在当前累加的第一节点总距离每次大于或等于预设距离阈值时进行一次降采样，获得该条车道降采样后的目标车道节点。

4.根据权利要求2所述的方法，其特征在于，所述基于预设角度采样方式，对该条车道上的各个车道节点进行降采样，获得该条车道降采样后的目标车道节点，包括：

确定每次采样时的第一组相邻两个车道节点之间的节点角度；

基于所述节点角度确定当前距离阈值；

确定所述第一组相邻两个车道节点之间的第二节点距离以及后续每组相邻两个车道节点之间的第二节点距离，并对所述第二节点距离进行累加；

在当前累加的第二节点总距离大于或等于所述当前距离阈值时进行降采样，获得该条车道降采样后的目标车道节点。

5.根据权利要求4所述的方法，其特征在于，所述基于所述节点角度确定当前距离阈值，包括：

检测所述节点角度是否大于预设角度阈值；

若是，则确定所述预设角度阈值与所述节点角度之间的比值，并基于所述比值和预设距离阈值确定当前距离阈值；

若否，则将预设距离阈值作为当前距离阈值。

6.根据权利要求1所述的方法，其特征在于，在使用所述预设轨迹预测模型之前，还包括所述预设轨迹预测模型的训练过程，具体包括：

获取自动驾驶车辆对应的训练数据，所述训练数据包括：自动驾驶车辆的第一历史轨迹样本数据和相应的第一实际轨迹、周围障碍物的第二历史轨迹样本数据和相应的第二实际轨迹以及自动驾驶车辆周围的地图样本数据；

对所述第一历史轨迹样本数据、所述第二历史轨迹样本数据和所述地图样本数据进行预处理，确定第一历史轨迹样本特征信息、第二历史轨迹样本特征信息和地图样本特征信息；

基于车道类型，对所述地图样本特征信息中的车道节点进行降采样，获得降采样后的目标地图样本特征信息；

将所述第一历史轨迹样本特征信息、所述第二历史轨迹样本特征信息和所述目标地图样本特征信息输入至待训练的预设轨迹预测模型中，获得所述自动驾驶车辆的第一样本预测轨迹和周围障碍物的第二样本预测轨迹；

基于预设损失函数，根据所述第一样本预测轨迹、所述第二样本预测轨迹、所述第一实际轨迹和所述第二实际轨迹确定训练误差，并将所述训练误差反向传播至待训练的预设轨迹预测模型中，调整待训练的预设轨迹预测模型中的网络参数，直至达到预设收敛条件时训练结束。

7.根据权利要求6所述的方法，其特征在于，基于如下预设损失函数确定训练误差：

其中，L_reg为训练误差；p_m,t为第m个物体在第t秒下的样本预测位置；

为第m个物体在第t秒下的实际位置，其中，第m个物体为所述自动驾驶车辆或者所述障碍物；reg()为预设误差函数；M为自动驾驶车辆和周围的障碍物的总数量，T为预测总时刻。

8.根据权利要求1-7任一项所述的方法，其特征在于，所述预设轨迹预测模型为节点图卷积网络LaneGCN模型。

9.一种自动驾驶轨迹预测装置，其特征在于，包括：

数据获取模块，用于获取自动驾驶车辆的第一历史轨迹数据、周围障碍物的第二历史轨迹数据以及当前地图数据；

数据处理模块，用于对所述第一历史轨迹数据、所述第二历史轨迹数据和所述当前地图数据进行预处理，确定第一历史轨迹特征信息、第二历史轨迹特征信息和当前地图特征信息；

降采样模块，用于基于车道类型，对所述当前地图特征信息中的车道节点进行降采样，获得降采样后的目标地图特征信息；

轨迹预测模块，用于将所述第一历史轨迹特征信息、所述第二历史轨迹特征信息和所述目标地图特征信息输入至预设轨迹预测模型，并基于所述预设轨迹预测模型的输出，获得所述自动驾驶车辆周围障碍物的目标预测轨迹。

10.一种电子设备，其特征在于，所述电子设备包括：

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计算机程序，所述计算机程序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1-8中任一项所述的自动驾驶轨迹预测方法。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-8中任一项所述的自动驾驶轨迹预测方法。

Images