CN114898311A - 一种轨迹预测处理方法和装置 - Google Patents
一种轨迹预测处理方法和装置 Download PDFInfo
- Publication number
- CN114898311A CN114898311A CN202210391339.3A CN202210391339A CN114898311A CN 114898311 A CN114898311 A CN 114898311A CN 202210391339 A CN202210391339 A CN 202210391339A CN 114898311 A CN114898311 A CN 114898311A
- Authority
- CN
- China
- Prior art keywords
- vector
- track
- target
- feature
- vectors
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 376
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000006243 chemical reaction Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims description 34
- 238000000605 extraction Methods 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 15
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 101100545395 Caenorhabditis elegans zyx-1 gene Proteins 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber 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
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例涉及一种轨迹预测处理方法和装置,所述方法包括:接收各个第一目标的历史轨迹序列作为对应的第一历史轨迹序列;并对各个第一历史轨迹序列进行轨迹特征向量转换生成对应的第一轨迹特征向量;接收各条第一车道的中心线关键点序列作为对应的第一关键点序列;并对各个第一关键点序列进行车道线特征向量转换生成对应的第一车道线特征向量;对任意第一目标与其他所有第一目标的关联特征进行识别生成对应的第一关联特征集合;对任意第一目标与所有第一车道的关联特征进行识别生成对应的第二关联特征集合;根据各个第一目标对应的第一、第二关联特征集合,对各个第一目标的轨迹进行预测生成对应的第一预测轨迹。通过本发明可提高预测精度。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种轨迹预测处理方法和装置。
背景技术
预测模块是自动驾驶的重要模块,预测模块的作用是对自车周围其他目标的运动轨迹进行预测,例如对自车周围的其他车辆的行驶轨迹进行预测并生成对应的预测轨迹输出到下游的规划模块,下游的规划模块再以及接收到的目标预测轨迹为规避参考对自车行驶轨迹进行规划。常规预测模块在处理单一目标车辆的轨迹预测时精度都比较高,但在多车道、多目标车辆的复杂交通环境下处理多目标的轨迹预测时精度都不理想。究其原因就是常规预测模块在复杂交通环境下只是基于目标数量叠加单一目标预测结果来实现多目标预测,并未考虑目标车辆之间、目标车辆与道路之间的关联关系,所以才会导致出现预测精度不够的问题。
发明内容
本发明的目的,就是针对现有技术的缺陷,提供一种轨迹预测处理方法、装置、电子设备及计算机可读存储介质,基于带选通的多层MLP网络(based on MLPs with gating,gMLPs)构建目标的轨迹特征向量,并由车道中心线关键点序列构建车道的特征向量,并使用多头注意(Multi-Head Attention)网络基于目标轨迹特征向量与车道特征向量对目标与目标之间、目标与车道之间的关联特征进行识别,并基于各个目标的关联特征集合对其进行轨迹预测。通过本发明,就可在复杂交通环境下结合目标车辆之间、目标车辆与道路之间的关联关系来对各个目标车辆进行轨迹预测,达到进一步提高预测精度的目的。
为实现上述目的,本发明实施例第一方面提供了一种轨迹预测处理方法,所述方法包括:
接收各个第一目标的历史轨迹序列作为对应的第一历史轨迹序列;并对各个所述第一历史轨迹序列进行轨迹特征向量转换生成对应的第一轨迹特征向量;
接收各条第一车道的中心线关键点序列作为对应的第一关键点序列;并对各个所述第一关键点序列进行车道线特征向量转换生成对应的第一车道线特征向量;
根据所有所述第一轨迹特征向量,对任意所述第一目标与其他所有所述第一目标的关联特征进行识别生成对应的第一关联特征集合;
根据任一所述第一轨迹特征向量和所有所述第一车道线特征向量,对任意所述第一目标与所有所述第一车道的关联特征进行识别生成对应的第二关联特征集合;
根据各个所述第一目标对应的所述第一、第二关联特征集合,对各个所述第一目标的轨迹进行预测生成对应的第一预测轨迹。
优选的,所述第一历史轨迹序列包括多个第一轨迹点数据;所述第一轨迹点数据至少包括横坐标、纵坐标、速度、朝向角和加速度;
所述第一关键点序列包括多个第一关键点数据;所述第一关键点数据至少包括横坐标、纵坐标、控制状态;所述控制状态至少包括左转状态、右转状态和直行状态;
所述第一关联特征集合包括多个第一关联特征数据;
所述第二关联特征集合包括多个第二关联特征数据。
优选的,所述对各个所述第一历史轨迹序列进行轨迹特征向量转换生成对应的第一轨迹特征向量,具体包括:
对各个所述第一历史轨迹序列进行向量转换生成对应的第一向量;所述第一向量由多个第二向量组成,每个所述第二向量对应一个所述第一轨迹点数据;所述第二向量的形状为X*1,X为向量维度;所述第一向量的形状为Y*X*1,Y为所述第一轨迹点数据的总数;
由所有所述第一目标的所述第一向量构成第一张量;所述第一张量的形状为Z*Y*X*1,Z为所述第一目标的总数;
将所述第一张量输入gMLPs网络得到对应的第二张量;所述第二张量包括Z个第三向量;每个所述第三向量与一个所述第一目标对应;
对各个所述第一历史轨迹序列的最后一个所述第一轨迹点数据进行向量转换得到对应的第四向量;
由各个所述第一目标对应的所述第三、第四向量组成对应的所述第一轨迹特征向量。
优选的,所述对各个所述第一关键点序列进行车道线特征向量转换生成对应的第一车道线特征向量,具体包括:
对各个所述第一关键点数据进行向量转换生成对应的第五向量;并由得到的多个所述第五向量组成对应的所述第一车道线特征向量。
优选的,所述根据所有所述第一轨迹特征向量,对任意所述第一目标与其他所有所述第一目标的关联特征进行识别生成对应的第一关联特征集合,具体包括:
从所有所述第一轨迹特征向量中任选一个作为第一目标向量,并将其他任意所述第一轨迹特征向量作为第二目标向量;并对所述第二目标向量的总数进行统计生成总数n;
将所述第一目标向量作为多头注意力网络的Q向量;并将任一所述第二目标向量作为所述多头注意力网络的K向量和V向量;并由所述Q向量和n对所述K、V向量组成n个输入向量组;每个所述输入向量组包括一对所述K、V向量和所述Q向量;
将n个所述输入向量组分别输入所述多头注意力网络,由所述多头注意力网络基于每个所述输入向量组进行注意力特征提取从而得到n个特征提取结果;
将每个所述特征提取结果作为对应的所述第一关联特征数据,并由得到的n个所述第一关联特征数据组成对应的所述第一关联特征集合。
优选的,所述根据任一所述第一轨迹特征向量和所有所述第一车道线特征向量,对任意所述第一目标与所有所述第一车道的关联特征进行识别生成对应的第二关联特征集合,具体包括:
将当前所述第一轨迹特征向量作为第三目标向量;将每个所述第一车道线特征向量都作为第一车道向量;并对所述第一车道向量的总数进行统计生成总数m;
将所述第三目标向量作为多头注意力网络的Q向量;并将任一所述第一车道向量作为所述多头注意力网络的K向量和V向量;并由所述Q向量和m对所述K、V向量组成m个输入向量组;每个所述输入向量组包括一对所述K、V向量和所述Q向量;
将m个所述输入向量组分别输入所述多头注意力网络,由所述多头注意力网络基于每个所述输入向量组进行注意力特征提取从而得到m个特征提取结果;
将每个所述特征提取结果作为对应的所述第二关联特征数据,并由得到的m个所述第一关联特征数据组成对应的所述第二关联特征集合。
优选的,所述根据各个所述第一目标对应的所述第一、第二关联特征集合,对各个所述第一目标的轨迹进行预测生成对应的第一预测轨迹,具体包括:
将与当前所述第一目标对应的所述第一、第二关联特征集合输入多模概率轨迹预测模型得到多个预测轨迹和对应的预测概率;并从中选出所述预测概率为最大值的所述预测轨迹作为对应的所述第一预测轨迹。
本发明实施例第二方面提供了一种用于实现上述第一方面所述的轨迹预测处理方法的装置,所述装置包括:历史轨迹数据处理模块、车道数据处理模块、交互特征提取模块和轨迹预测模块;
所述历史轨迹数据处理模块用于接收各个第一目标的历史轨迹序列作为对应的第一历史轨迹序列;并对各个所述第一历史轨迹序列进行轨迹特征向量转换生成对应的第一轨迹特征向量;
所述车道数据处理模块用于接收各条第一车道的中心线关键点序列作为对应的第一关键点序列;并对各个所述第一关键点序列进行车道线特征向量转换生成对应的第一车道线特征向量;
所述交互特征提取模块用于根据所有所述第一轨迹特征向量,对任意所述第一目标与其他所有所述第一目标的关联特征进行识别生成对应的第一关联特征集合;并根据任一所述第一轨迹特征向量和所有所述第一车道线特征向量,对任意所述第一目标与所有所述第一车道的关联特征进行识别生成对应的第二关联特征集合;
所述轨迹预测模块用于根据各个所述第一目标对应的所述第一、第二关联特征集合,对各个所述第一目标的轨迹进行预测生成对应的第一预测轨迹。
本发明实施例第三方面提供了一种电子设备,包括:存储器、处理器和收发器;
所述处理器用于与所述存储器耦合,读取并执行所述存储器中的指令,以实现上述第一方面所述的方法步骤;
所述收发器与所述处理器耦合,由所述处理器控制所述收发器进行消息收发。
本发明实施例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存储有计算机指令,当所述计算机指令被计算机执行时,使得所述计算机执行上述第一方面所述的方法的指令。
本发明实施例提供了一种轨迹预测处理方法、装置、电子设备及计算机可读存储介质,基于gMLPs网络构建目标的轨迹特征向量,由车道中心线关键点序列构建车道的特征向量,并使用多头注意网络基于目标轨迹特征向量与车道特征向量对目标与目标之间、目标与车道之间关联特征进行识别,并基于各个目标的关联特征集合对其进行轨迹预测。通过本发明,就可在复杂交通环境下结合目标车辆之间、目标车辆与道路之间的关联关系来对各个目标车辆进行轨迹预测,提高了多目标轨迹预测的预测精度。
附图说明
图1为本发明实施例一提供的一种轨迹预测处理方法示意图;
图2为本发明实施例二提供的一种轨迹预测处理装置的模块结构图;
图3为本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,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它实施例,都属于本发明保护的范围。
本发明实施例一提供一种轨迹预测处理方法,如图1为本发明实施例一提供的一种轨迹预测处理方法示意图所示,本方法主要包括如下步骤:
步骤1,接收各个第一目标的历史轨迹序列作为对应的第一历史轨迹序列;并对各个第一历史轨迹序列进行轨迹特征向量转换生成对应的第一轨迹特征向量;
具体包括:步骤11,接收各个第一目标的历史轨迹序列作为对应的第一历史轨迹序列;
其中,第一历史轨迹序列包括多个第一轨迹点数据;第一轨迹点数据至少包括横坐标、纵坐标、速度、朝向角和加速度;
这里的第一目标即是在自车行驶环境中处于自车周围的其他车辆,自车周围可能存在多个目标,则在对这多个目标进行轨迹预测之前,需要预先获得各个目标在当前时刻之前的历史轨迹信息也就是第一历史轨迹序列;第一历史轨迹序列按时间顺序由多个第一轨迹点数据构成,每个第一轨迹点数据对应一个时间点上的轨迹信息集合,其中包括横坐标、纵坐标、速度、朝向角和加速度等,也可为横坐标、纵坐标、速度、朝向角和加速度的任意组合;第一历史轨迹序列中,最后一个第一轨迹点数据对应的时间为当前时间,最后一个第一轨迹点数据为对应目标的当前横坐标、纵坐标、速度、朝向角和加速度信息集合;
步骤12,对各个第一历史轨迹序列进行轨迹特征向量转换生成对应的第一轨迹特征向量;
具体包括:步骤121,对各个第一历史轨迹序列进行向量转换生成对应的第一向量;第一向量由多个第二向量组成,每个第二向量对应一个第一轨迹点数据;
其中,第二向量的形状为X*1,X为向量维度;第一向量的形状为Y*X*1,Y为第一轨迹点数据的总数;
这里,在对各个第一历史轨迹序列进行向量转换时,基于各个第一轨迹点数据的5个轨迹信息(横坐标、纵坐标、速度、朝向角和加速度)进行X=5的5维向量转换得到对应的第二向量,并由Y个第二向量进行拼接构成第一向量;
步骤122,由所有第一目标的第一向量构成第一张量;
其中,第一张量的形状为Z*Y*X,Z为第一目标的总数;
这里,实际就是将所有第一向量拼接成一个形状为Z*Y*X的张量;
步骤123,将第一张量输入gMLPs网络得到对应的第二张量;
其中,第二张量包括Z个第三向量;每个第三向量与一个第一目标对应;gMLPs网络包括Z个并行的L模块,每个L模块对应一个第一目标,每个L模块的输入对应一个第一向量、输出对应一个第三向量;
具体包括:gMLPs网络从输入的第一张量中提取出多个第一向量;并将各个第一向量输入到对应的L模块得到对应的第三向量;并将得到的多个第三向量拼接成第二张量输出;
这里,gMLPs网络是由Google公开的一种以门限(gating)选通模块实现注意力关联的神经网络结构,gMLPs网络的实现详见Googl e团队的公开文献《Pay Attention toMLPs》(作者:Hanxiao Liu,Zihang Dai,David R.So,Quoc V.Le);由公开文献可知,gMLPs网络由多个并行的L模块组成,每个L模块带有一个门限选通模块也就是文献中的SpatialGating Unit单元;通过Spatial Gating Unit单元,所有L模块可在对各自输入的第一向量进行特征提取的同时向提取特征中加入全局关联特征,也就是说由各个L模块输出的第三向量彼此之间是带有关联性的;
步骤124,对各个第一历史轨迹序列的最后一个第一轨迹点数据进行向量转换得到对应的第四向量;
具体包括:将各个第一历史轨迹序列的最后一个第一轨迹点数据对应的第二向量记为当前第二向量;并使用预设的多层感知网络(Muti-Layer Perception,MLP)对当前第二向量的横坐标、纵坐标进行线性映射从而得到一个高维向量并记为第四向量;
这里,多层感知网络的线性映射实际就是对目标当前位置坐标进行坐标系转换,使之能与后续步骤中车道关键点使用的坐标系为同一坐标系;
步骤125,由各个第一目标对应的第三、第四向量组成对应的第一轨迹特征向量。
这里,对第三、第四向量进行拼接得到第一轨迹特征向量。
步骤2,接收各条第一车道的中心线关键点序列作为对应的第一关键点序列;并对各个第一关键点序列进行车道线特征向量转换生成对应的第一车道线特征向量;
具体包括:步骤21,接收各条第一车道的中心线关键点序列作为对应的第一关键点序列;
其中,第一关键点序列包括多个第一关键点数据;第一关键点数据至少包括横坐标、纵坐标、控制状态;控制状态至少包括左转状态、右转状态和直行状态,也可为左转状态、右转状态和直行状态的任意状态组合;
这里,在自车行驶环境中可能包括多个车道,每个车道即为一个第一车道;每条车道都有一条中心线,中心线上的点称为中心线关键点,中心线关键点是按车道行驶方向顺序排列的;在对自车行驶环境进行多目标轨迹预测之前,需要预先获得自车行驶环境中各个第一车道的中心线关键点信息也就是第一关键点序列;第一关键点序列按车道行驶方向由多个第一关键点数据构成,每个第一关键点数据对应一个中心线关键点的信息集合,该信息集合至少应包括中心线关键点的位置信息也就是横坐标、纵坐标,还应包括中心线关键点对应的车道控制状态信息,诸如左转、右转、直行状态;
步骤22,对各个第一关键点序列进行车道线特征向量转换生成对应的第一车道线特征向量;
具体包括:对各个第一关键点数据进行向量转换生成对应的第五向量;并由得到的多个第五向量组成对应的第一车道线特征向量;
其中,第五向量的形状为W*1,W为向量维度;第一车道线特征向量的形状为H*W*1,H为第一关键点数据的总数。
这里,在对各个第一关键点数据进行向量转换时,基于各个第一关键点数据的3个关键点信息(横坐标、纵坐标、控制状态)进行W=3的3维向量转换得到对应的第五向量,并由H个第五向量进行拼接构成第一车道线特征向量。
步骤3,根据所有第一轨迹特征向量,对任意第一目标与其他所有第一目标的关联特征进行识别生成对应的第一关联特征集合;
其中,第一关联特征集合包括多个第一关联特征数据;
此处,第一关联特征集合实际体现了自车行驶环境中某一指定目标与其他目标之间的关联特征,每个第一关联特征数据对应一个其他目标,第一关联特征数据为指定目标与对应其他目标的关联特征;
这里,当前步骤实际是利用多头注意(Multi-Head Attention)网络对自车行驶环境中各个第一目标与其他任意第一目标的两两关联特征进行提取,并根据提取结果构建出与各个第一目标对应的反映车辆对车辆关联关系的第一关联特征集合;
具体包括:步骤31,从所有第一轨迹特征向量中任选一个作为第一目标向量,并将其他任意第一轨迹特征向量作为第二目标向量;并对第二目标向量的总数进行统计生成总数n;
例如,自车行驶环境中存在3个目标,则所有第一轨迹特征向量包括第一轨迹特征向量1、2、3;从中选择第一轨迹特征向量1作为第一目标向量时,第二目标向量包括第一轨迹特征向量2、3,n=2;选择第一轨迹特征向量2作为第一目标向量时,第二目标向量包括第一轨迹特征向量1、3,n=2;选择第一轨迹特征向量3作为第一目标向量时,第二目标向量包括第一轨迹特征向量1、2,n=2;
步骤32,将第一目标向量作为多头注意力网络的Q向量;并将任一第二目标向量作为多头注意力网络的K向量和V向量;并由Q向量和n对K、V向量组成n个输入向量组;
其中,每个输入向量组包括一对K、V向量和Q向量;
这里,本发明实施例后续步骤会基于多头注意网络对第一目标向量和其他所有第二目标向量进行两两关联特征提取,此处的多头注意网络实际由多个单头的注意(Attention)网络并联而成,多头注意网络将输入的单个输入向量组分成对等的多个子输入向量组分别送入各个单头注意网络进行运算得到对应的单头输出数据,并将得到的多个单头输出数据进行拼接组成多头数据输出,关于多头注意网络、注意网络的详细结构与运算机制可从公开的技术文献获得,在此不做进一步赘述;此处只需说明一点,多头注意网络在进行运算之前,需要获得一组由K(key)、V(Value)、Q(Query)向量组成的输入向量组;而当前步骤就是在准备这些输入向量组;
本发明实施例此处使用多头注意网络对第一目标向量与任一第二目标向量的关联特征进行计算;计算时,多头注意网络以第一目标向量作为查询向量即Q向量,以对应的第二目标向量作为键值向量对即K-V向量对;所以,在为n个第二目标向量对应的多头注意网络准备输入数据时,需要准备n个输入向量组,每个输入向量组的Q向量都是相同的均为当前第一目标向量,K-V向量对都是不同的分别对应不同的第二目标向量;
步骤33,将n个输入向量组分别输入多头注意力网络,由多头注意力网络基于每个输入向量组进行注意力特征提取从而得到n个特征提取结果;
这里,将n个输入向量组分别输入多头注意力网络,由多头注意网络基于对应的K-V向量对和Q向量对第一目标向量与对应的第二目标向量的关联特征进行计算得到对应的特征提取结果,最终得到n个特征提取结果;
步骤34,将每个特征提取结果作为对应的第一关联特征数据,并由得到的n个第一关联特征数据组成对应的第一关联特征集合。
例如,自车行驶环境中存在3个第一目标,对应的所有第一轨迹特征向量为第一轨迹特征向量1-3;
通过步骤31选择第一轨迹特征向量1作为第一目标向量时,第二目标向量包括第一轨迹特征向量2、3,n=2;通过步骤32-34得到的第一目标1的第一关联特征集合为:第一关联特征数据目标1-目标2,第一关联特征数据目标1-目标3;
通过步骤31选择第一轨迹特征向量2作为第一目标向量时,第二目标向量包括第一轨迹特征向量1、3,n=2;通过步骤32-34得到的第一目标2的第一关联特征集合为:第一关联特征数据目标2-目标1,第一关联特征数据目标2-目标3;
通过步骤31选择第一轨迹特征向量3作为第一目标向量时,第二目标向量包括第一轨迹特征向量1、2,n=2;通过步骤32-34得到的第一目标3的第一关联特征集合为:第一关联特征数据目标3-目标1,第一关联特征数据目标3-目标2。
步骤4,根据任一第一轨迹特征向量和所有第一车道线特征向量,对任意第一目标与所有第一车道的关联特征进行识别生成对应的第二关联特征集合;
其中,第二关联特征集合包括多个第二关联特征数据;
此处,第二关联特征集合实际体现了自车行驶环境中某一指定目标与所有车道之间的关联特征,每个第二关联特征数据对应一个第一车道,第二关联特征数据为指定目标与对应车道的关联特征;
这里,当前步骤实际是利用多头注意网络对自车行驶环境中各个第一目标与任意第一车道的两两关联特征进行提取,并根据提取结果构建出与各个第一目标对应的反映车辆对车道关联关系也就是反映车辆对语义地图关联关系的第二关联特征集合;
具体包括:步骤41,将当前第一轨迹特征向量作为第三目标向量;将每个第一车道线特征向量都作为第一车道向量;并对第一车道向量的总数进行统计生成总数m;
例如,自车行驶环境中存在2个第一目标和3个第一车道,分别对应第一轨迹特征向量1、2和第一车道线特征向量1、2、3;将第一轨迹特征向量1作为第三目标向量时,第一车道向量包括第一车道线特征向量1、2、3,m=3;将第一轨迹特征向量2作为第三目标向量时,第一车道向量也是包括第一车道线特征向量1、2、3,m=3;
步骤42,将第三目标向量作为多头注意力网络的Q向量;并将任一第一车道向量作为多头注意力网络的K向量和V向量;并由Q向量和m对K、V向量组成m个输入向量组;
其中,每个输入向量组包括一对K、V向量和Q向量;
这里,本发明实施例此处使用多头注意网络对第三目标向量与任一第一车道向量的关联特征进行计算;计算时,多头注意网络以第三目标向量作为查询向量即Q向量、以对应的第一车道向量作为键值向量对即K-V向量对;所以,在为m个第一车道向量对应的多头注意网络输入数据时,需要准备m个输入向量组,每个输入向量组的Q向量都是相同的均为当前第三目标向量,K-V向量对都是不同的分别对应不同的第一车道向量;
步骤43,将m个输入向量组分别输入多头注意力网络,由多头注意力网络基于每个输入向量组进行注意力特征提取从而得到m个特征提取结果;
这里,将m个输入向量组分别输入多头注意力网络,多头注意力网络基于对应的K-V向量对和Q向量对第三目标向量与对应的第一车道向量的关联特征进行运算得到对应的特征提取结果,最终得到m个特征提取结果;
步骤44,将每个特征提取结果作为对应的第二关联特征数据,并由得到的m个第一关联特征数据组成对应的第二关联特征集合。
例如,自车行驶环境中存在2个第一目标和3个第一车道,对应的所有第一轨迹特征向量为第一轨迹特征向量1-2,所有第一车道线特征向量为第一车道线特征向量1-3;
通过步骤41选择第一轨迹特征向量1作为第三目标向量时,第一车道向量包括第一车道线特征向量1-3,m=3;通过步骤42-44,得到的第一目标1的第二关联特征集合为:第二关联特征数据目标1-车道1,第二关联特征数据目标1-车道2,第二关联特征数据目标1-车道3;
通过步骤41选择第一轨迹特征向量2作为第三目标向量时,第一车道向量包括第一车道线特征向量1-3,m=3;通过步骤42-44,得到的第一目标2的第二关联特征集合为:第二关联特征数据目标2-车道1,第二关联特征数据目标2-车道2,第二关联特征数据目标2-车道3。
步骤5,根据各个第一目标对应的第一、第二关联特征集合,对各个第一目标的轨迹进行预测生成对应的第一预测轨迹;
具体包括:将与当前第一目标对应的第一、第二关联特征集合输入多模概率轨迹预测模型得到多个预测轨迹和对应的预测概率;并从中选出预测概率为最大值的预测轨迹作为对应的第一预测轨迹。
这里,多模概率轨迹预测模型可基于反映指定目标与其周围其他目标交互特征的第一关联特征集合,以及反映指定目标与相邻车道交互特征的第二关联特征集合,对该指定目标未来时段的多种可能轨迹进行预测,并为每种预测轨迹给出一个对应的预测概率。多模概率轨迹预测模型由轨迹概率单元和轨迹预测单元构成;轨迹概率单元可由多层感知网络实现,轨迹预测单元可基于长短期记忆人工神经网络(Long Short-Term Memory,LSTM)实现;轨迹概率单元基于输入的第一、第二关联特征集合进行分支轨迹概率计算得到多个分支轨迹概率也就是预测概率;轨迹预测单元基于输入的第一、第二关联特征集合进行分支轨迹预测得到多个分支轨迹也就是预测轨迹;每个预测轨迹对应一个预测概率。
图2为本发明实施例二提供的一种轨迹预测处理装置的模块结构图,该装置为实现前述方法实施例的终端设备或者服务器,也可以为能够使得前述终端设备或者服务器实现前述方法实施例的装置,例如该装置可以是前述终端设备或者服务器的装置或芯片系统。如图2所示,该装置包括:历史轨迹数据处理模块101、车道数据处理模块102、交互特征提取模块103和轨迹预测模块104。
历史轨迹数据处理模块101用于接收各个第一目标的历史轨迹序列作为对应的第一历史轨迹序列;并对各个第一历史轨迹序列进行轨迹特征向量转换生成对应的第一轨迹特征向量。
车道数据处理模块102用于接收各条第一车道的中心线关键点序列作为对应的第一关键点序列;并对各个第一关键点序列进行车道线特征向量转换生成对应的第一车道线特征向量。
交互特征提取模块103用于根据所有第一轨迹特征向量,对任意第一目标与其他所有第一目标的关联特征进行识别生成对应的第一关联特征集合;并根据任一第一轨迹特征向量和所有第一车道线特征向量,对任意第一目标与所有第一车道的关联特征进行识别生成对应的第二关联特征集合。
轨迹预测模块104用于根据各个第一目标对应的第一、第二关联特征集合,对各个第一目标的轨迹进行预测生成对应的第一预测轨迹。
本发明实施例提供的一种轨迹预测处理装置,可以执行上述方法实施例中的方法步骤,其实现原理和技术效果类似,在此不再赘述。
需要说明的是,应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,历史轨迹数据处理模块可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上确定模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所描述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,ASIC),或,一个或多个数字信号处理器(Digital Signal Processor,DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(System-on-a-chip,SOC)的形式实现。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时,全部或部分地产生按照前述方法实施例所描述的流程或功能。上述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。上述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,上述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线路((Digital Subscriber Line,DSL))或无线(例如红外、无线、蓝牙、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。上述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。上述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
图3为本发明实施例三提供的一种电子设备的结构示意图。该电子设备可以为前述的终端设备或者服务器,也可以为与前述终端设备或者服务器连接的实现本发明实施例方法的终端设备或服务器。如图3所示,该电子设备可以包括:处理器301(例如CPU)、存储器302、收发器303;收发器303耦合至处理器301,处理器301控制收发器303的收发动作。存储器302中可以存储各种指令,以用于完成各种处理功能以及实现前述方法实施例描述的处理步骤。优选的,本发明实施例涉及的电子设备还包括:电源304、系统总线305以及通信端口306。系统总线305用于实现元件之间的通信连接。上述通信端口306用于电子设备与其他外设之间进行连接通信。
在图3中提到的系统总线305可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory,RAM),也可能还包括非易失性存储器(Non-Volatile Memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器CPU、网络处理器(NetworkProcessor,NP)、图形处理器(Graphics Processing Unit,GPU)等;还可以是数字信号处理器DSP、专用集成电路ASIC、现场可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
需要说明的是,本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中提供的方法和处理过程。
本发明实施例还提供一种运行指令的芯片,该芯片用于执行前述方法实施例描述的处理步骤。
本发明实施例提供了一种轨迹预测处理方法、装置、电子设备及计算机可读存储介质,基于gMLPs网络构建目标的轨迹特征向量,由车道中心线关键点序列构建车道的特征向量,并使用多头注意网络基于目标轨迹特征向量与车道特征向量对目标与目标之间、目标与车道之间的关联特征进行识别,并基于各个目标的关联特征集合对其进行轨迹预测。通过本发明,就可在复杂交通环境下结合目标车辆之间、目标车辆与道路之间的关联关系来对各个目标车辆进行轨迹预测,提高了多目标轨迹预测的预测精度。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种轨迹预测处理方法,其特征在于,所述方法包括:
接收各个第一目标的历史轨迹序列作为对应的第一历史轨迹序列;并对各个所述第一历史轨迹序列进行轨迹特征向量转换生成对应的第一轨迹特征向量;
接收各条第一车道的中心线关键点序列作为对应的第一关键点序列;并对各个所述第一关键点序列进行车道线特征向量转换生成对应的第一车道线特征向量;
根据所有所述第一轨迹特征向量,对任意所述第一目标与其他所有所述第一目标的关联特征进行识别生成对应的第一关联特征集合;
根据任一所述第一轨迹特征向量和所有所述第一车道线特征向量,对任意所述第一目标与所有所述第一车道的关联特征进行识别生成对应的第二关联特征集合;
根据各个所述第一目标对应的所述第一、第二关联特征集合,对各个所述第一目标的轨迹进行预测生成对应的第一预测轨迹。
2.根据权利要求1所述的轨迹预测处理方法,其特征在于,
所述第一历史轨迹序列包括多个第一轨迹点数据;所述第一轨迹点数据至少包括横坐标、纵坐标、速度、朝向角和加速度;
所述第一关键点序列包括多个第一关键点数据;所述第一关键点数据至少包括横坐标、纵坐标、控制状态;所述控制状态至少包括左转状态、右转状态和直行状态;
所述第一关联特征集合包括多个第一关联特征数据;
所述第二关联特征集合包括多个第二关联特征数据。
3.根据权利要求2所述的轨迹预测处理方法,其特征在于,所述对各个所述第一历史轨迹序列进行轨迹特征向量转换生成对应的第一轨迹特征向量,具体包括:
对各个所述第一历史轨迹序列进行向量转换生成对应的第一向量;所述第一向量由多个第二向量组成,每个所述第二向量对应一个所述第一轨迹点数据;所述第二向量的形状为X*1,X为向量维度;所述第一向量的形状为Y*X*1,Y为所述第一轨迹点数据的总数;
由所有所述第一目标的所述第一向量构成第一张量;所述第一张量的形状为Z*Y*X*1,Z为所述第一目标的总数;
将所述第一张量输入gMLPs网络得到对应的第二张量;所述第二张量包括Z个第三向量;每个所述第三向量与一个所述第一目标对应;
对各个所述第一历史轨迹序列的最后一个所述第一轨迹点数据进行向量转换得到对应的第四向量;
由各个所述第一目标对应的所述第三、第四向量组成对应的所述第一轨迹特征向量。
4.根据权利要求2所述的轨迹预测处理方法,其特征在于,所述对各个所述第一关键点序列进行车道线特征向量转换生成对应的第一车道线特征向量,具体包括:
对各个所述第一关键点数据进行向量转换生成对应的第五向量;并由得到的多个所述第五向量组成对应的所述第一车道线特征向量。
5.根据权利要求2所述的轨迹预测处理方法,其特征在于,所述根据所有所述第一轨迹特征向量,对任意所述第一目标与其他所有所述第一目标的关联特征进行识别生成对应的第一关联特征集合,具体包括:
从所有所述第一轨迹特征向量中任选一个作为第一目标向量,并将其他任意所述第一轨迹特征向量作为第二目标向量;并对所述第二目标向量的总数进行统计生成总数n;
将所述第一目标向量作为多头注意力网络的Q向量;并将任一所述第二目标向量作为所述多头注意力网络的K向量和V向量;并由所述Q向量和n对所述K、V向量组成n个输入向量组;每个所述输入向量组包括一对所述K、V向量和所述Q向量;
将n个所述输入向量组分别输入所述多头注意力网络,由所述多头注意力网络基于每个所述输入向量组进行注意力特征提取从而得到n个特征提取结果;
将每个所述特征提取结果作为对应的所述第一关联特征数据,并由得到的n个所述第一关联特征数据组成对应的所述第一关联特征集合。
6.根据权利要求2所述的轨迹预测处理方法,其特征在于,所述根据任一所述第一轨迹特征向量和所有所述第一车道线特征向量,对任意所述第一目标与所有所述第一车道的关联特征进行识别生成对应的第二关联特征集合,具体包括:
将当前所述第一轨迹特征向量作为第三目标向量;将每个所述第一车道线特征向量都作为第一车道向量;并对所述第一车道向量的总数进行统计生成总数m;
将所述第三目标向量作为多头注意力网络的Q向量;并将任一所述第一车道向量作为所述多头注意力网络的K向量和V向量;并由所述Q向量和m对所述K、V向量组成m个输入向量组;每个所述输入向量组包括一对所述K、V向量和所述Q向量;
将m个所述输入向量组分别输入所述多头注意力网络,由所述多头注意力网络基于每个所述输入向量组进行注意力特征提取从而得到m个特征提取结果;
将每个所述特征提取结果作为对应的所述第二关联特征数据,并由得到的m个所述第一关联特征数据组成对应的所述第二关联特征集合。
7.根据权利要求2所述的轨迹预测处理方法,其特征在于,所述根据各个所述第一目标对应的所述第一、第二关联特征集合,对各个所述第一目标的轨迹进行预测生成对应的第一预测轨迹,具体包括:
将与当前所述第一目标对应的所述第一、第二关联特征集合输入多模概率轨迹预测模型得到多个预测轨迹和对应的预测概率;并从中选出所述预测概率为最大值的所述预测轨迹作为对应的所述第一预测轨迹。
8.一种用于实现权利要求1-7任一项所述的轨迹预测处理方法的装置,其特征在于,所述装置包括:历史轨迹数据处理模块、车道数据处理模块、交互特征提取模块和轨迹预测模块;
所述历史轨迹数据处理模块用于接收各个第一目标的历史轨迹序列作为对应的第一历史轨迹序列;并对各个所述第一历史轨迹序列进行轨迹特征向量转换生成对应的第一轨迹特征向量;
所述车道数据处理模块用于接收各条第一车道的中心线关键点序列作为对应的第一关键点序列;并对各个所述第一关键点序列进行车道线特征向量转换生成对应的第一车道线特征向量;
所述交互特征提取模块用于根据所有所述第一轨迹特征向量,对任意所述第一目标与其他所有所述第一目标的关联特征进行识别生成对应的第一关联特征集合;并根据任一所述第一轨迹特征向量和所有所述第一车道线特征向量,对任意所述第一目标与所有所述第一车道的关联特征进行识别生成对应的第二关联特征集合;
所述轨迹预测模块用于根据各个所述第一目标对应的所述第一、第二关联特征集合,对各个所述第一目标的轨迹进行预测生成对应的第一预测轨迹。
9.一种电子设备,其特征在于,包括:存储器、处理器和收发器;
所述处理器用于与所述存储器耦合,读取并执行所述存储器中的指令,以实现权利要求1-7任一项所述的方法步骤;
所述收发器与所述处理器耦合,由所述处理器控制所述收发器进行消息收发。
10.一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,当所述计算机指令被计算机执行时,使得所述计算机执行权利要求1-7任一项所述的方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210391339.3A CN114898311A (zh) | 2022-04-14 | 2022-04-14 | 一种轨迹预测处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210391339.3A CN114898311A (zh) | 2022-04-14 | 2022-04-14 | 一种轨迹预测处理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114898311A true CN114898311A (zh) | 2022-08-12 |
Family
ID=82718390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210391339.3A Pending CN114898311A (zh) | 2022-04-14 | 2022-04-14 | 一种轨迹预测处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114898311A (zh) |
-
2022
- 2022-04-14 CN CN202210391339.3A patent/CN114898311A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20210038712A (ko) | 도로 교차로들의 유효성 검증 | |
CN110632617B (zh) | 一种激光雷达点云数据处理的方法及装置 | |
CN110796007B (zh) | 场景识别的方法与计算设备 | |
CN111422204B (zh) | 自动驾驶车辆通行判定方法及相关设备 | |
US20230103040A1 (en) | Vehicle travel control method and apparatus | |
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 | |
CN116182862A (zh) | 道路边界确定方法、装置、电子设备以及存储介质 | |
CN113867367B (zh) | 测试场景的处理方法、装置及计算机程序产品 | |
CN113741415B (zh) | 路径规划方法、装置、终端设备及计算机可读存储介质 | |
CN115112141A (zh) | 一种车辆路径规划方法、系统、电子设备及存储介质 | |
EP4206610A1 (en) | Map matching method and apparatus, and electronic device and storage medium | |
CN117765497A (zh) | 车道线确定方法、装置、计算机设备、介质和计算机产品 | |
CN114898311A (zh) | 一种轨迹预测处理方法和装置 | |
CN115456060A (zh) | 一种预测轨迹的处理方法和装置 | |
CN115339473A (zh) | 一种多障碍物全模态预测场景的处理方法和装置 | |
CN116010543A (zh) | 车道信息确定方法、装置、电子设备以及存储介质 | |
CN114689074A (zh) | 信息处理方法和导航方法 | |
CN114674328A (zh) | 地图生成方法、装置、电子设备、存储介质、及车辆 | |
CN114889639A (zh) | 一种基于规划分支时间进行规划轨迹查询的处理方法 | |
US20230175851A1 (en) | Data-analysis-based navigation system assistance | |
CN114889640A (zh) | 一种规划轨迹的处理方法 | |
US20230154086A1 (en) | Target tracking method and apparatus, terminal device, and storage medium | |
CN113723267A (zh) | 一种多轨迹预测模型的轨迹集成方法 | |
CN111310070A (zh) | 确定频繁行程的方法、装置、存储介质和电子设备 | |
Danylova et al. | AUTOMATED NAVIGATION FOR UNMANNED GROUND VEHICLES IN LOGISTICS. |
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 |