CN114987546A - 轨迹预测模型的训练方法、装置、设备及存储介质 - Google Patents
轨迹预测模型的训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114987546A CN114987546A CN202210655850.XA CN202210655850A CN114987546A CN 114987546 A CN114987546 A CN 114987546A CN 202210655850 A CN202210655850 A CN 202210655850A CN 114987546 A CN114987546 A CN 114987546A
- Authority
- CN
- China
- Prior art keywords
- track
- training
- target
- track point
- prediction model
- 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
- 238000012549 training Methods 0.000 title claims abstract description 221
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000009499 grossing Methods 0.000 claims abstract description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 description 41
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种轨迹预测模型的训练方法、装置、设备及存储介质。该方法包括：对预先获取的训练轨迹点集合中的每个原始训练轨迹点进行平滑预处理，得到对应的目标训练轨迹点，将目标训练轨迹点输入至预先创建的原始轨迹预测模型中，得到对应的目标轨迹预测模型。本发明实施例，通过对预先获取的训练轨迹点集合中的每个原始训练轨迹点进行平滑预处理，得到对应的目标训练轨迹点，将目标训练轨迹点输入至预先创建的原始轨迹预测模型中，以得到对应的目标轨迹预测模型，能够解决自动驾驶系统中轨迹预测值不稳定的问题，使得最终预测的轨迹坐标具有连续性和稳定性，提高预测精度的同时保证预测轨迹的可靠性。
Description
技术领域
本发明涉及自动驾驶技术领域，尤其涉及一种轨迹预测模型的训练方法、装置、设备及存储介质。
背景技术
在自动驾驶系统的轨迹预测方法中，现有技术主要使用基于规则的动力学方程或者基于深度学习的方法来预测车辆的未来轨迹。基于规则的动力学方程虽然构建简单，但是泛化性不足，无法考虑更多的意外情况；基于深度学习的方法则是通过神经网络来预测车辆的未来轨迹，具有泛化性强等特点，而在预测车辆未来轨迹时，均是采用直接回归车辆的坐标等方式。直接回归车辆轨迹的坐标值严重依赖学习数据的准确性，而实际实施中，车辆的过往轨迹是通过感知模块获取，受限于感知模块的波动，因此所获得的学习数据的轨迹点亦是波动不稳定的，同时也直接预测车辆的轨迹点的方式未考虑车辆轨迹坐标值间的相关连续性，因此导致预测的轨迹点具有波动性大，不连续等特点，使得自动驾驶系统中轨迹预测值出现不稳定且不连续的问题，降低了预测的精度。
公开内容
有鉴于此，本发明提供一种轨迹预测模型的训练方法、装置、设备及介质，能够解决自动驾驶系统中轨迹预测值不稳定的问题，使得最终预测的车辆轨迹坐标具有连续性和稳定性，提高预测精度的同时保证预测轨迹的可靠性。。
根据本发明的一方面，本发明实施例提供了一种轨迹预测模型的训练方法，该方法包括：
对预先获取的训练轨迹点集合中的每个原始训练轨迹点进行平滑预处理，得到对应的目标训练轨迹点，其中，所述训练轨迹点集合包括与目标车辆相对应的目标障碍物的历史行驶轨迹中的多个轨迹点；
将所述目标训练轨迹点输入至预先创建的原始轨迹预测模型中，得到对应的目标轨迹预测模型。
根据本发明的另一方面，本发明实施例还提供了一种轨迹预测模型的训练方法装置，该装置包括：
训练轨迹点获得模块，用于对预先获取的训练轨迹点集合中的每个原始训练轨迹点进行平滑预处理，得到对应的目标训练轨迹点，其中，所述训练轨迹点集合包括与目标车辆相对应的目标障碍物的历史行驶轨迹中的多个轨迹点；
轨迹预测模型获得模块，用于将所述目标训练轨迹点输入至预先创建的原始轨迹预测模型中，得到对应的目标轨迹预测模型。
根据本发明的另一方面，本发明实施例还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轨迹预测模型的训练方法。
根据本发明的另一方面，本发明实施例还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轨迹预测模型的训练方法。
本发明实施例的上述技术方案，通过对预先获取的训练轨迹点集合中的每个原始训练轨迹点进行平滑预处理，得到对应的目标训练轨迹点，将目标训练轨迹点输入至预先创建的原始轨迹预测模型中，得到对应的目标轨迹预测模型，能够解决自动驾驶系统中轨迹预测值不稳定的问题，在轨迹预测模型中充分考虑交通参与者的运动不确定性以及周围坏境的不确定，使得最终预测的车辆轨迹坐标具有连续性和稳定性，提高预测精度的同时保证预测轨迹的可靠性。
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为本发明一实施例提供的一种轨迹预测模型的训练方法的流程图；
图2为本发明一实施例提供的一种网络结构的流程示意图；
图3为本发明一实施例提供的一种网络组件的示意图；
图4为本发明一实施例提供的一种轨迹预测模型的训练方法的流程图；
图5为本发明一实施例提供的一种轨迹预测模型的训练装置的结构框图；
图6为本发明一实施例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“目标”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。
在一实施例中，图1为本发明一实施例提供的一种轨迹预测模型的训练方法的流程图，本实施例可适用于对物体的行动轨迹进行预测时的情况，该方法可以由轨迹预测模型的训练装置来执行，该轨迹预测模型的训练装置可以采用硬件和/或软件的形式实现，该轨迹预测模型的训练装置可配置于电子设备中。如图1所示，该方法包括：
S110、对预先获取的训练轨迹点集合中的每个原始训练轨迹点进行平滑预处理，得到对应的目标训练轨迹点，其中，训练轨迹点集合包括与目标车辆相对应的目标障碍物的历史行驶轨迹中的多个轨迹点。
其中，训练轨迹点集合可以理解为存放目标障碍物的每一条轨迹点的训练轨迹点集合，是目标车辆预先采集的相关视频中至少一个障碍物的轨迹点。原始训练轨迹点可以理解为目标障碍物在当前时刻之前所形成的每一条轨迹点，为预先进行采集的目标障碍物的行驶轨迹点。目标训练轨迹点可以理解为进行训练的目标障碍物所对应的轨迹点。目标车辆可以理解为当前正在自动驾驶行驶过程中的车辆。目标障碍物可以理解为影响目标车辆正常行驶的相关障碍物，例如可以为行人、其他车辆、物品等等，当然，目标障碍物可以为静态形式的相关障碍物，也可以为动态形式的相关障碍物，目标障碍物的个数可以为一个或多个。本实施例对障碍物的状态及个数均不做限制。平滑预处理可以理解为对需要进行训练的每个目标障碍物的轨迹点进行平滑预处理。
在本实施例中，训练轨迹点集合中包含与目标车辆相对应的目标障碍物的历史行驶轨迹中的多个轨迹点，目标障碍物的个数越多，所形成的轨迹点也越多。
在本实施例中，需要对预先获取的训练轨迹点集合中的每个原始训练轨迹点进行平滑预处理，以得到对应的目标训练轨迹点。具体的，可以通过预先配置的训练轨迹点子集中所包含的每个训练轨迹点与当前训练轨迹点之间的滑动窗口角度，由滑动窗口角度所组成的集合确定当前训练轨迹点的相应的滑动窗口角度均值，以得到对应的目标训练轨迹点。
S120、将目标训练轨迹点输入至预先创建的原始轨迹预测模型中，得到对应的目标轨迹预测模型。
其中，预先创建的原始轨迹预测模型可以理解为具有角度约束的轨迹预测模型结构，示例性的，可以为transformer结构网络，transformer结构网络可作为特征编码器和解码器。目标轨迹预测模型可以理解为得到的对目标障碍物的轨迹预测模型，用于对车辆周围的障碍物进行相应的轨迹预测。
在本实施例中，可以通过将目标训练轨迹点输入至预先创建的原始轨迹预测模型中，以通过原始轨迹预测模型输出目标障碍物的预测行驶轨迹，由目标障碍物的预测行驶轨迹和目标障碍物的目标真实轨迹点，确定出轨迹损失值，将轨迹损失值与预设损失阈值进行相应的比较，通过比较结果得到对应的目标轨迹预测模型。
在本实施例中，通过原始轨迹预测模型可以确定目标障碍物的预测行驶轨迹，以进行相应的输出。示例性的，图2为本发明一实施例提供的一种网络结构的流程示意图。其中，本实施例中的目标障碍物以其他车辆和行人为例进行说明。图3为本发明一实施例提供的一种网络组件的示意图。如图2所示，将目标障碍物，例如可以为车辆和行人的2秒轨迹进行10HZ采样得到对应的特征矩阵，并将局部高精地图信息进行降采样得到对应特征矩阵，将目标障碍物对应的特征矩阵以及高精度地图对应的特征矩阵进行拼接以得到最终表述车辆、行人、道路信息的特征矩阵。通过multi-self-attention模块对目标障碍物对应的特征矩阵以及高精度地图对应的特征矩阵进行拼接的特征矩阵进行特征融合，将每一个特征矩阵融合为一个128特征向量，得到融合后的特征矩阵H，特征矩阵H的大小可以表示为(车辆数量+行人数量+道路数量)×128。通过multi-self-attention模块将车辆、行人、道路的特征进行交互融合，得到新的特征矩阵H，特征矩阵H的大小为(车辆数量+行人数量+道路数量)×128，从特征矩阵H中截取车辆和行人对应的特征矩阵H_v,特征矩阵H_v大小可以为(车辆数量+行人数量)×128；从特征矩阵H中截取道路对应的特征矩阵H_l，特征矩阵H_l大小为道路数量×128。通过multi-self-attention模块对上述特征矩阵H_v进行特征融合，得到融合后的特征矩阵H_v，H_v的大小为(车辆数量+行人数量)×128。通过multi-self-attention模块对上述特征矩阵H_l特征矩阵进行特征融合，得到融合后的特征矩阵H_l，特征矩阵H_l的大小为道路数量×128。将特征矩阵H_v(车辆和行人组成的矩阵)和特征矩阵H_l(道路组成的矩阵)通过mult-cross_attention进行交互，得到特征矩阵H_vl，特征矩阵H_vl大小为(车辆数量+行人数量)×128。将特征矩阵H_l(道路组成的矩阵)和特征矩阵H_vl通过mult-cross_attention进行交互，得到特征矩阵H_lvl，特征矩阵H_lvl大小为道路数量×128。将特征矩阵H_v(车辆和行人组成的矩阵)和特征矩阵H_lvl通过mult-cross_attention进行交互，得到特征矩阵H_vlvl，特征矩阵H_vlvl大小为(车辆数量+行人数量)×128。将特征矩阵H_vlvl通过一层移动定位协议(Mobile Location Protocol，MLP)和Linear层输出60个值，以表示车辆和行人最终的3秒预测轨迹点(30个点，每个点包含x,y两个值)。
本发明实施例的上述技术方案，通过对预先获取的训练轨迹点集合中的每个原始训练轨迹点进行平滑预处理，得到对应的目标训练轨迹点，能够使用训练数据进行角度信息平滑去噪，将目标训练轨迹点输入至预先创建的原始轨迹预测模型中，得到对应的目标轨迹预测模型，能够解决自动驾驶系统中轨迹预测值不稳定的问题，在轨迹预测模型中充分考虑交通参与者的运动不确定性以及周围坏境的不确定，使得最终预测的车辆轨迹坐标具有连续性和稳定性，提高预测精度的同时保证预测轨迹的可靠性。
在一实施例中，轨迹预测方法，包括：
获取目标车辆周围的至少一个障碍物的历史行驶轨迹；
将历史行驶轨迹输入至预先创建的目标轨迹预测模型中，得到所述障碍物的预测行驶轨迹；
按照预测行驶轨迹自动控制目标车辆的行驶轨迹。
其中，历史行驶轨迹可以理解为车辆周围的障碍物的相关历史行驶轨迹，目标障碍物可以在车辆的前方，也可以在车辆的后方，还可以在车辆的侧方，本实施例对目标障碍物的所处方位不做限制。需要说明的是，每一个目标障碍物均有相对应的历史行为轨迹，历史行为轨迹可以由目标障碍物的多个轨迹点组成。预先创建的目标轨迹预测模型可以理解为将目标训练轨迹点输入至预先创建的原始轨迹预测模型中，所得到的对应的目标轨迹预测模型。
在本实施例中，可以获取当前形势车辆周围的至少一个障碍物的历史行驶轨迹，并将历史行驶轨迹输入至预先创建的目标轨迹预测模型中，以通过目标轨迹预测模型得到车辆周围至少一个障碍物的预测行驶轨迹，以按照对至少一个障碍物的预测行驶轨迹，自动控制目标车辆的行驶轨迹。
在一实施例中，图4为本发明一实施例提供的又一种轨迹预测模型的训练方法的流程图，本实施例在上述各实施例地基础上，将对预先获取的训练轨迹点集合中的每个原始训练轨迹点进行平滑预处理，得到对应的目标训练轨迹点，以及将目标训练轨迹点输入至预先创建的原始轨迹预测模型中，得到对应的目标轨迹预测模型进行了进一步的细化，如图4所示，本实施例中的轨迹预测模型的训练方法具体可以包含如下步骤：
S410、确定预先配置的训练轨迹点子集中每个训练轨迹点与当前训练轨迹点之间的滑动窗口角度。
其中，训练轨迹点子集为从训练轨迹点集合中选取的目标数量的训练轨迹点，并且，训练轨迹点子集中训练轨迹点的时间点位于当前训练轨迹点的时间点之前。
其中，预先配置的训练轨迹点子集可以理解为除去当前训练轨迹点之外的其他训练轨迹点所组成的集合。当前训练轨迹点可以理解为当前需要进行计算的训练轨迹点。滑动窗口角度可以理解为当前训练轨迹点与训练轨迹点子集中其他每个训练轨迹点之间的角度，示例性的，当前训练轨迹点表示为p3，训练轨迹点子集中每个训练轨迹点包含p0、p1、p2，则p0与p3、p1与p3、p2与p3之间所形成的角度可称为滑动窗口角度，由这些滑动窗口角度所组成的角度序列集合可以称为滑动窗口角度集合。需要说明的是，滑动窗口角度为0-360的角度周期值。
在本实施例中，可以通过分别计算预先配置的训练轨迹点子集中每个训练轨迹点与当前训练轨迹点之间的滑动窗口角度，以确定预先配置的训练轨迹点子集中每个训练轨迹点与当前训练轨迹点之间所形成的滑动窗口角度集合，需要说明的是，训练轨迹点子集为从训练轨迹点集合中，所选取的具有一定数量且连续，例如可以为连续4个、连续3个、连续5个等等的训练轨迹点，并且，训练轨迹点子集中训练轨迹点的时间点需要位于当前训练轨迹点的时间点之前。
在本实施例中，若出现只有当前训练轨迹点一个轨迹点时，不对该轨迹点进行任何处理；若是训练轨迹点子集包含一个训练轨迹点，则需要计算训练轨迹点与当前训练轨迹点之间的滑动窗口角度；若是训练轨迹点子集包含3个训练轨迹点，则需要计算子集中所包含的3个训练轨迹点与当前训练轨迹点之间的滑动窗口角度，往后依次类推。
示例性的，以训练轨迹点集合包含5个连续的训练轨迹点进行说明，5个轨迹点坐标分别表示为p0＝(x0,y0)、p1＝(x1,y1)、p2＝(x2,y2)、p3＝(x3,y3)以及p4＝(x4,y4)，其中，训练轨迹点子集中每个训练轨迹点包含p0、p1、p2以及p3，当前训练轨迹点表示为p4，分别计算p0与p4、p1与p4、p2与p4以及p3与p4之间的滑动窗口角度，以得到相应的滑动窗口角度集合，可以表示为θ0、θ1、θ2、θ3。其中，θi＝arctan((yi-y4),(xi-x4))，i取1,2,3。
S420、根据目标数量的滑动窗口角度确定当前训练轨迹点的滑动窗口角度均值。
其中，目标数量的滑动窗口角度可以理解为一定数目的滑动窗口角度，与训练轨迹点子集中的训练轨迹点个数有关，示例性的，训练轨迹点子集中所包含的训练轨迹点为5个，则可以确定滑动窗口角度的数量为5个；训练轨迹点子集中所包含的训练轨迹点为2个，则可以确定滑动窗口角度的数量为2个；本实施例在此不做限制。
在本实施例中，可以通过计算滑动窗口角度的余弦值的均值以及计算滑动窗口角度的正弦值的均值进行确定当前训练轨迹点的滑动窗口角度均值。示例性的，取目标数量的滑动窗口角度n为4，则此时滑动窗口角度的余弦值的均值可以表示为
滑动窗口角度的正弦值的均值可以表示为
则得到的滑动窗口角度均值可以表示为θ'＝arctan(S/C)。
S430、将滑动窗口角度均值作为当前训练轨迹点的滑动窗口角度，直至完成每个原始训练轨迹点的平滑预处理，得到对应的目标训练轨迹点。
在本实施例中，将得到的滑动窗口角度均值作为当前训练轨迹点的滑动窗口角度，直至完成每个原始训练轨迹点的平滑预处理，得到对应的目标训练轨迹点。
S440、将目标训练轨迹点输入至预先创建的原始轨迹预测模型中，以通过原始轨迹预测模型输出目标障碍物的预测行驶轨迹。
其中，预测行驶轨迹可以理解为通过预先创建的原始轨迹预测模型进行预测出来的目标障碍物的相关行驶轨迹。
在本实施例中，可以将目标训练轨迹点输入至预先创建的原始轨迹预测模型中，以通过原始轨迹预测模型进行输出目标障碍物的预测行驶轨迹。
S450、根据预测行驶轨迹和目标障碍物的目标真实轨迹点确定轨迹损失值。
其中，目标真实轨迹点为目标车辆预先采集的相关视频中至少一个障碍物的轨迹点。示例性的，采集视频中包含有10秒的行驶轨迹，可以将最后3秒的目标障碍物的行驶轨迹作为目标真实轨迹点。
在本实施例中，依据预测行驶轨迹和目标障碍物的目标真实轨迹点，以确定相应的轨迹损失值，可以有两种进行确定轨迹损失值，一种是：根据预测行驶轨迹中每个预测轨迹点的坐标预测值，以及对应目标真实轨迹点的坐标真实值确定坐标损失值，并根据预测行驶轨迹中每个预测轨迹点的滑动窗口预测角度和对应目标真实轨迹点的滑动窗口真实角度确定角度损失值，以依据得到的坐标损失值和角度损失值确定轨迹损失值；另一种是：在确定坐标损失值以及角度损失值的基础上，确定角度损失值的权重系数，并根据权重系数、坐标损失值和角度损失值确定轨迹损失值。
在一实施例中，在根据所述预测行驶轨迹和所述目标障碍物的真实行驶轨迹确定轨迹损失值之前，还包括：
对目标障碍物的真实行驶轨迹中每个原始真实轨迹点进行平滑预处理，得到对应的目标真实轨迹点。
在本实施例中，对目标障碍物的真实行驶轨迹中每个原始真实轨迹点进行平滑预处理，得到对应的目标真实轨迹点。具体的，可以通过确定预先配置的训练轨迹点子集中每个训练轨迹点与当前训练轨迹点之间的滑动窗口角度，并依据相应数量的滑动窗口角度，以确定当前训练轨迹点的滑动窗口角度均值，将滑动窗口角度均值作为当前训练轨迹点的滑动窗口角度，直至完成每个原始训练轨迹点的平滑预处理，得到对应的目标训练轨迹点。
在一实施例中，根据预测行驶轨迹和目标障碍物的目标真实行驶轨迹确定轨迹损失值，包括：
根据预测行驶轨迹中每个预测轨迹点的坐标预测值和对应目标真实轨迹点的坐标真实值确定坐标损失值；
根据预测行驶轨迹中每个预测轨迹点的滑动窗口预测角度和对应目标真实轨迹点的滑动窗口真实角度确定角度损失值；
根据坐标损失值和角度损失值确定轨迹损失值。
在本实施例中，预测轨迹点的坐标预测值和目标真实轨迹点的坐标真实值的轨迹点是相对应的。示例性的，坐标预测值的预测轨迹点为第3个轨迹点，则坐标真实值所对应的目标真实轨迹点也为第3个轨迹点。其中，坐标预测值可以称为轨迹点回归值。
在本实施例中，预测行驶轨迹中每个预测轨迹点的滑动窗口预测角度与目标真实轨迹点的滑动窗口真实角度的轨迹点也是相对应的，即为当预测轨迹点的滑动窗口预测角度取哪个预测轨迹点，所对应的滑动窗口真实角度为哪个目标真实轨迹点，以根据滑动窗口预测角度与滑动窗口真实角度确定相应的角度损失值。示例性的，滑动窗口预测角度对应的预测点为第1个预测点，则滑动窗口真实角度所对应的目标真实轨迹点也为第1个预测点；滑动窗口预测角度对应的预测点为第2个预测点，则滑动窗口真实角度所对应的目标真实轨迹点也为第2个预测点，本实施例在此不做限制。
在本实施例中，依据预测行驶轨迹中每个预测轨迹点的坐标预测值，以及对应目标真实轨迹点的坐标真实值，可以确定坐标损失值；并通过预测行驶轨迹中每个预测轨迹点的滑动窗口预测角度，以及对应目标真实轨迹点的滑动窗口真实角度，可以确定角度损失值，由坐标损失值和角度损失值确定轨迹损失值。
示例性的，在预先创建的原始轨迹预测模型中输出回归轨迹点位置的同时为每个轨迹点回归一个角度，该角度的真实值可以通过滑动窗口角度均值计算得到，关于角度的损失函数使用smoothl1计算，smoothl1计算公式如下：
其中，在角度损失值x＝θ真-θ预；坐标损失值中x＝pprei-pi，最终关于轨迹损失计算公式为Losstra＝Ltra+L1angular。其中，Ltra的计算是通过将坐标损失值x＝pprei-pi带入
进行得到，其中，pprei表示模型预测第i个轨迹点的坐标值，pi表示第i个轨迹点的坐标真值，需要说明的是，当轨迹点取值为大于1时，x的值计算方式为多个预测轨迹点的平均值，示例性的，当轨迹点的个数为3时，x取值为先算出3个轨迹点的pprei-pi的值，然后将算出的3个轨迹点值取平均值为当前x取值。L1angular的计算可以由将角度损失值x＝θ真-θ预带入至
进行得到，其中，θ真表示角度的真值，θ预表示模型的预测值，需要说明的是，当轨迹点取值为大于1时，x的值计算方式为多个预测轨迹点的平均值，示例性的，当轨迹点的个数为3时，x取值为先算出3个轨迹点的θ真-θ预的值，然后将算出的3个轨迹点值取平均值为当前x取值。
在一实施例中，根据预测行驶轨迹和目标障碍物的目标真实行驶轨迹确定轨迹损失值，包括：
根据预测行驶轨迹中每个预测轨迹点的坐标预测值和对应目标真实轨迹点的坐标真实值确定坐标损失值；
根据预测行驶轨迹中每个预测轨迹点的滑动窗口预测角度和对应目标真实轨迹点的滑动窗口真实角度确定角度损失值；
确定角度损失值的权重系数；
根据权重系数、坐标损失值和角度损失值确定轨迹损失值。
在本实施例中，依据预测行驶轨迹中每个预测轨迹点的坐标预测值，以及对应目标真实轨迹点的坐标真实值，可以确定坐标损失值，并依据预测行驶轨迹中每个预测轨迹点的滑动窗口预测角度，以及对应目标真实轨迹点的滑动窗口真实角度，可以确定角度损失值，在此基础上确定角度损失值的权重系数，依据根据权重系数、坐标损失值和角度损失值，以确定轨迹损失值。
示例性的，通过对预测轨迹点的值进行步骤1的方式计算得到角度值，再通过计算该角度值与真值间的差异来为预测轨迹点的损失赋予权重，其中损失权重w计算方式如下：
其中，L1表示为
因此，最终的轨迹损失值计算表示为
其中，pprei表示模型预测第i个轨迹点的坐标值，pi表示第i个点的坐标真值。
S460、在轨迹损失值达到预设损失阈值的情况下，对原始轨迹预测模型进行重训练，直至轨迹损失值低于预设损失阈值为止，得到对应的目标轨迹预测模型。
其中，预设损失阈值可以理解为预先设置的损失阈值，用以判断轨迹损失值是否达到预设损失阈值，预设损失阈值可以通过经验进行相应的设置，也可以通过实际情况进行相应的设置，本实施例在此不做限制。
在本实施例中，在轨迹损失值达到预先设置的损失阈值的情况下，需要对原始轨迹预测模型进行重新训练，直至轨迹损失值低于预设损失阈值为止，将本次的轨迹训练模型作为目标轨迹预测模型。
本发明实施例的上述技术方案，通过确定预先配置的训练轨迹点子集中每个训练轨迹点与当前训练轨迹点之间的滑动窗口角度，根据目标数量的滑动窗口角度确定当前训练轨迹点的滑动窗口角度均值，将滑动窗口角度均值作为当前训练轨迹点的滑动窗口角度，直至完成每个原始训练轨迹点的平滑预处理，得到对应的目标训练轨迹点，能够使用训练数据进行角度信息平滑去噪，以平滑窗的方式将角度约束考虑到目标轨迹的坐标值回归过程中；将目标训练轨迹点输入至预先创建的原始轨迹预测模型中，以通过原始轨迹预测模型输出目标障碍物的预测行驶轨迹，根据预测行驶轨迹和目标障碍物的目标真实轨迹点确定轨迹损失值，在轨迹损失值达到预设损失阈值的情况下，对原始轨迹预测模型进行重训练，直至轨迹损失值低于预设损失阈值为止，得到对应的目标轨迹预测模型，能够进一步解决自动驾驶系统中轨迹预测值不稳定的问题，在轨迹预测模型中充分考虑交通参与者的运动不确定性以及周围坏境的不确定，使得最终预测的车辆轨迹坐标具有连续性和稳定性，提高预测精度的同时保证预测轨迹的可靠性。
在一实施例中，图5为本发明一实施例提供的一种轨迹预测模型的训练装置的结构框图，该装置适用于对充电桩的异常计量点档案进行筛选时的情况，该装置可以由硬件/软件实现。可配置于电子设备中来实现本发明实施例中的一种轨迹预测模型的训练方法。如图5所示，该装置包括：训练轨迹点获得模块510以及轨迹预测模型获得模块520。
其中，训练轨迹点获得模块510，用于对预先获取的训练轨迹点集合中的每个原始训练轨迹点进行平滑预处理，得到对应的目标训练轨迹点，其中，所述训练轨迹点集合包括与目标车辆相对应的目标障碍物的历史行驶轨迹中的多个轨迹点；
轨迹预测模型获得模块520，用于将所述目标训练轨迹点输入至预先创建的原始轨迹预测模型中，得到对应的目标轨迹预测模型。
本发明实施例，训练轨迹点获得模块，通过对预先获取的训练轨迹点集合中的每个原始训练轨迹点进行平滑预处理，得到对应的目标训练轨迹点，轨迹预测模型获得模块，将目标训练轨迹点输入至预先创建的原始轨迹预测模型中，得到对应的目标轨迹预测模型，能够解决自动驾驶系统中轨迹预测值不稳定的问题，在轨迹预测模型中充分考虑交通参与者的运动不确定性以及周围坏境的不确定，使得最终预测的车辆轨迹坐标具有连续性和稳定性，提高预测精度的同时保证预测轨迹的可靠性。
在一实施例中，训练轨迹点获得模块510，包括：
窗口角度确定单元，用于确定预先配置的训练轨迹点子集中每个训练轨迹点与当前训练轨迹点之间的滑动窗口角度，其中，所述训练轨迹点子集为从训练轨迹点集合中选取的目标数量的训练轨迹点，并且，所述训练轨迹点子集中训练轨迹点的时间点位于当前训练轨迹点的时间点之前；
均值确定单元，用于根据目标数量的所述滑动窗口角度确定所述当前训练轨迹点的滑动窗口角度均值；
轨迹点获得单元，用于将所述滑动窗口角度均值作为当前训练轨迹点的滑动窗口角度，直至完成每个原始训练轨迹点的平滑预处理，得到对应的目标训练轨迹点。
在一实施例中，轨迹预测模型获得模块520，包括：
行驶轨迹输出单元，用于将所述目标训练轨迹点输入至预先创建的原始轨迹预测模型中，以通过所述原始轨迹预测模型输出目标障碍物的预测行驶轨迹；
轨迹损失值确定单元，用于根据所述预测行驶轨迹和所述目标障碍物的目标真实轨迹点确定轨迹损失值；
预测模型获得单元，用于在所述轨迹损失值达到预设损失阈值的情况下，对所述原始轨迹预测模型进行重训练，直至轨迹损失值低于预设损失阈值为止，得到对应的目标轨迹预测模型。
在一实施例中，损失值确定单元，包括：
真实轨迹点获得子单元，用于在所述根据所述预测行驶轨迹和所述目标障碍物的真实行驶轨迹确定轨迹损失值之前，对所述目标障碍物的真实行驶轨迹中每个原始真实轨迹点进行平滑预处理，得到对应的目标真实轨迹点。
在一实施例中，轨迹损失值确定单元，还包括：
第一坐标损失值确定子单元，用于根据预测行驶轨迹中每个预测轨迹点的坐标预测值和对应目标真实轨迹点的坐标真实值确定坐标损失值；
第一角度损失值确定子单元，用于根据预测行驶轨迹中每个预测轨迹点的滑动窗口预测角度和对应目标真实轨迹点的滑动窗口真实角度确定角度损失值；
第一损失值确定子单元，用于根据所述坐标损失值和所述角度损失值确定轨迹损失值。
在一实施例中，轨迹损失值确定单元，还包括：
第二坐标损失值确定子单元，根据预测行驶轨迹中每个预测轨迹点的坐标预测值和对应目标真实轨迹点的坐标真实值确定坐标损失值；
第二角度损失值确定子单元，根据预测行驶轨迹中每个预测轨迹点的滑动窗口预测角度和对应目标真实轨迹点的滑动窗口真实角度确定角度损失值；
系数确定子单元，用于确定所述角度损失值的权重系数；
第二损失值确定子单元，根据所述权重系数、所述坐标损失值和所述角度损失值确定轨迹损失值。
在一实施例中，所述轨迹预测装置，包括：
轨迹获取模块，用于获取目标车辆周围的至少一个障碍物的历史行驶轨迹；
轨迹获得模块，用于将所述历史行驶轨迹输入至预先创建的目标轨迹预测模型中，得到所述障碍物的预测行驶轨迹；
轨迹控制模块，用于按照所述预测行驶轨迹自动控制目标车辆的行驶轨迹。
本发明实施例所提供的轨迹预测模型的训练装置可执行本发明任意实施例所提供的轨迹预测模型的训练方法，具备执行方法相应的功能模块和有益效果。
在一实施例中，图6为本发明实施例五提供的一种电子设备的结构示意图。电子设备10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6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，例如轨迹预测模型的训练方法。
在一些实施例中，轨迹预测模型的训练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轨迹预测模型的训练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)而被配置为执行轨迹预测模型的训练方法。
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。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种轨迹预测模型的训练方法，其特征在于，包括：
对预先获取的训练轨迹点集合中的每个原始训练轨迹点进行平滑预处理，得到对应的目标训练轨迹点，其中，所述训练轨迹点集合包括与目标车辆相对应的目标障碍物的历史行驶轨迹中的多个轨迹点；
将所述目标训练轨迹点输入至预先创建的原始轨迹预测模型中，得到对应的目标轨迹预测模型。
2.根据权利要求1所述的方法，其特征在于，所述对预先获取的训练轨迹点集合中的每个原始训练轨迹点进行平滑预处理，得到对应的目标训练轨迹点，包括：
确定预先配置的训练轨迹点子集中每个训练轨迹点与当前训练轨迹点之间的滑动窗口角度，其中，所述训练轨迹点子集为从训练轨迹点集合中选取的目标数量的训练轨迹点，并且，所述训练轨迹点子集中训练轨迹点的时间点位于当前训练轨迹点的时间点之前；
根据目标数量的所述滑动窗口角度确定所述当前训练轨迹点的滑动窗口角度均值；
将所述滑动窗口角度均值作为当前训练轨迹点的滑动窗口角度，直至完成每个原始训练轨迹点的平滑预处理，得到对应的目标训练轨迹点。
3.根据权利要求1所述的方法，其特征在于，所述将所述目标训练轨迹点输入至预先创建的原始轨迹预测模型中，得到对应的目标轨迹预测模型，包括：
将所述目标训练轨迹点输入至预先创建的原始轨迹预测模型中，以通过所述原始轨迹预测模型输出目标障碍物的预测行驶轨迹；
根据所述预测行驶轨迹和所述目标障碍物的目标真实轨迹点确定轨迹损失值；
在所述轨迹损失值达到预设损失阈值的情况下，对所述原始轨迹预测模型进行重训练，直至轨迹损失值低于预设损失阈值为止，得到对应的目标轨迹预测模型。
4.根据权利要求3所述的方法，其特征在于，在所述根据所述预测行驶轨迹和所述目标障碍物的真实行驶轨迹确定轨迹损失值之前，还包括：
对所述目标障碍物的真实行驶轨迹中每个原始真实轨迹点进行平滑预处理，得到对应的目标真实轨迹点。
5.根据权利要求3或4所述的方法，其特征在于，根据所述预测行驶轨迹和所述目标障碍物的目标真实行驶轨迹确定轨迹损失值，包括：
根据预测行驶轨迹中每个预测轨迹点的坐标预测值和对应目标真实轨迹点的坐标真实值确定坐标损失值；
根据预测行驶轨迹中每个预测轨迹点的滑动窗口预测角度和对应目标真实轨迹点的滑动窗口真实角度确定角度损失值；
根据所述坐标损失值和所述角度损失值确定轨迹损失值。
6.根据权利要求3或4所述的方法，其特征在于，根据所述预测行驶轨迹和所述目标障碍物的目标真实行驶轨迹确定轨迹损失值，包括：
根据预测行驶轨迹中每个预测轨迹点的坐标预测值和对应目标真实轨迹点的坐标真实值确定坐标损失值；
根据预测行驶轨迹中每个预测轨迹点的滑动窗口预测角度和对应目标真实轨迹点的滑动窗口真实角度确定角度损失值；
确定所述角度损失值的权重系数；
根据所述权重系数、所述坐标损失值和所述角度损失值确定轨迹损失值。
7.一种如权利要求1-6任一项所述的轨迹预测方法，其特征在于，包括：
获取目标车辆周围的至少一个障碍物的历史行驶轨迹；
将所述历史行驶轨迹输入至预先创建的目标轨迹预测模型中，得到所述障碍物的预测行驶轨迹；
按照所述预测行驶轨迹自动控制目标车辆的行驶轨迹。
8.一种轨迹预测模型的训练装置，其特征在于，包括：
训练轨迹点获得模块，用于对预先获取的训练轨迹点集合中的每个原始训练轨迹点进行平滑预处理，得到对应的目标训练轨迹点，其中，所述训练轨迹点集合包括与目标车辆相对应的目标障碍物的历史行驶轨迹中的多个轨迹点；
轨迹预测模型获得模块，用于将所述目标训练轨迹点输入至预先创建的原始轨迹预测模型中，得到对应的目标轨迹预测模型。
9.一种电子设备，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1-7中任一项所述的轨迹预测模型的训练方法。
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，所述计算机指令用于使处理器执行时实现权利要求1-8中任一项所述的轨迹预测模型的训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210655850.XA CN114987546A (zh) | 2022-06-10 | 2022-06-10 | 轨迹预测模型的训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210655850.XA CN114987546A (zh) | 2022-06-10 | 2022-06-10 | 轨迹预测模型的训练方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114987546A true CN114987546A (zh) | 2022-09-02 |
Family
ID=83032491
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210655850.XA Pending CN114987546A (zh) | 2022-06-10 | 2022-06-10 | 轨迹预测模型的训练方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114987546A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115359096A (zh) * | 2022-10-21 | 2022-11-18 | 中智行(苏州)科技有限公司 | 一种基于深度学习模型的轨迹预测去噪方法、装置及存储介质 |
| CN116558540A (zh) * | 2023-07-11 | 2023-08-08 | 新石器慧通（北京）科技有限公司 | 模型训练方法和装置、轨迹生成方法和装置 |
| CN116597397A (zh) * | 2023-07-17 | 2023-08-15 | 腾讯科技（深圳）有限公司 | 预测车辆轨迹的模型训练方法和装置及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150266455A1 (en) * | 2013-12-06 | 2015-09-24 | Christopher Kenneth Wilson | Systems and Methods for Building Road Models, Driver Models, and Vehicle Models and Making Predictions Therefrom |
| CN111767475A (zh) * | 2020-03-20 | 2020-10-13 | 吉利汽车研究院（宁波）有限公司 | 一种目标行人轨迹预测模型训练方法、装置、电子设备及存储介质 |
| CN112612001A (zh) * | 2020-11-30 | 2021-04-06 | 天津光电通信技术有限公司 | 一种基于bp神经网络算法的轨迹预测方法及装置 |
| US20210403008A1 (en) * | 2020-06-29 | 2021-12-30 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Method and system for predicting a trajectory of a target vehicle in an environment of a vehicle |
| CN114021080A (zh) * | 2021-10-28 | 2022-02-08 | 中国第一汽车股份有限公司 | 轨迹预测模型训练以及轨迹预测方法、装置、设备及介质 |
| CN114219759A (zh) * | 2021-11-10 | 2022-03-22 | 浙江大华技术股份有限公司 | 一种检测方法、检测装置和计算机可读存储介质 |
-
2022
- 2022-06-10 CN CN202210655850.XA patent/CN114987546A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150266455A1 (en) * | 2013-12-06 | 2015-09-24 | Christopher Kenneth Wilson | Systems and Methods for Building Road Models, Driver Models, and Vehicle Models and Making Predictions Therefrom |
| CN111767475A (zh) * | 2020-03-20 | 2020-10-13 | 吉利汽车研究院（宁波）有限公司 | 一种目标行人轨迹预测模型训练方法、装置、电子设备及存储介质 |
| US20210403008A1 (en) * | 2020-06-29 | 2021-12-30 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Method and system for predicting a trajectory of a target vehicle in an environment of a vehicle |
| CN112612001A (zh) * | 2020-11-30 | 2021-04-06 | 天津光电通信技术有限公司 | 一种基于bp神经网络算法的轨迹预测方法及装置 |
| CN114021080A (zh) * | 2021-10-28 | 2022-02-08 | 中国第一汽车股份有限公司 | 轨迹预测模型训练以及轨迹预测方法、装置、设备及介质 |
| CN114219759A (zh) * | 2021-11-10 | 2022-03-22 | 浙江大华技术股份有限公司 | 一种检测方法、检测装置和计算机可读存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115359096A (zh) * | 2022-10-21 | 2022-11-18 | 中智行(苏州)科技有限公司 | 一种基于深度学习模型的轨迹预测去噪方法、装置及存储介质 |
| CN116558540A (zh) * | 2023-07-11 | 2023-08-08 | 新石器慧通（北京）科技有限公司 | 模型训练方法和装置、轨迹生成方法和装置 |
| CN116558540B (zh) * | 2023-07-11 | 2023-10-03 | 新石器慧通（北京）科技有限公司 | 模型训练方法和装置、轨迹生成方法和装置 |
| CN116597397A (zh) * | 2023-07-17 | 2023-08-15 | 腾讯科技（深圳）有限公司 | 预测车辆轨迹的模型训练方法和装置及存储介质 |
| CN116597397B (zh) * | 2023-07-17 | 2023-10-24 | 腾讯科技（深圳）有限公司 | 预测车辆轨迹的模型训练方法和装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114987546A (zh) | 轨迹预测模型的训练方法、装置、设备及存储介质 | |
| CN114771572A (zh) | 一种自动驾驶轨迹预测方法、装置、设备和存储介质 | |
| US20220165064A1 (en) | Method for acquiring traffic state, relevant apparatus, roadside device and cloud control platform | |
| CN114506343B (zh) | 轨迹规划方法、装置、设备、存储介质及自动驾驶车辆 | |
| CN114815851A (zh) | 机器人跟随方法、装置、电子设备以及存储介质 | |
| CN116499487B (zh) | 一种车辆的路径规划方法、装置、设备及介质 | |
| CN117168488A (zh) | 一种车辆的路径规划方法、装置、设备及介质 | |
| CN114919661B (zh) | 一种泊车控制方法、装置、设备和存储介质 | |
| CN117261880A (zh) | 一种车辆控制方法、装置、设备以及存储介质 | |
| US20230123671A1 (en) | Localization and mapping | |
| CN115447584A (zh) | 一种车道中心线的确定方法、装置、设备及存储介质 | |
| CN115792985A (zh) | 一种车辆定位方法、装置、电子设备、存储介质及车辆 | |
| CN116311893A (zh) | 一种交通拥堵时间预测方法、装置、电子设备及存储介质 | |
| CN115959154A (zh) | 变道轨迹的生成方法、装置和存储介质 | |
| CN117589188B (zh) | 行车路径规划方法、装置、电子设备和存储介质 | |
| CN117804480A (zh) | 自动驾驶车辆的循迹路线生成方法、装置、设备及介质 | |
| CN116679573B (zh) | 一种一致性跟踪控制方法、装置、电子设备及存储介质 | |
| CN116483085A (zh) | 一种规划轨迹确定方法、装置、设备及存储介质 | |
| CN113177077B (zh) | 用于自动驾驶的异常事件确定方法、装置及电子设备 | |
| CN116572997B (zh) | 车辆控制器、车辆及车辆控制方法 | |
| CN118010049A (zh) | 轨迹规划方法、装置、电子设备及存储介质 | |
| CN117928577A (zh) | 一种路径规划方法、装置、电子设备及存储介质 | |
| CN116700065A (zh) | 无人驾驶设备的控制方法、装置、电子设备及存储介质 | |
| CN117494043A (zh) | 一种目标运动轨迹预测方法、装置、电子设备及介质 | |
| CN115585817A (zh) | 一种高精地图数据处理方法、装置、系统、设备及车辆 |
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 |