CN115009301A - 轨迹预测方法、装置、电子设备和存储介质 - Google Patents

Abstract

本申请提出一种轨迹预测方法、装置、电子设备和存储介质，涉及自动驾驶技术领域，其中，方法包括：获取目标车辆周围的第一障碍物在第一目标采样时段的第一监测轨迹，获取第一障碍物的至少一段历史预测轨迹，历史预测轨迹，是根据第一障碍物在第一目标采样时段之前的历史采样时段的第二监测轨迹，对第一障碍物在第二监测轨迹之后的轨迹进行预测得到的，将第一障碍物的第一监测轨迹和至少一段历史预测轨迹进行特征融合得到融合轨迹特征，根据融合轨迹特征预测得到第一障碍物在第一监测轨迹之后的第一预测轨迹，通过融合轨迹特征预测第一监测轨迹之后的第一预测轨迹，实现了基于历史预测轨迹对第一预测轨迹进行平滑，提高了连续轨迹预测的准确性。

Description

轨迹预测方法、装置、电子设备和存储介质

技术领域

本申请涉及自动驾驶技术领域，尤其涉及一种轨迹预测方法、装置、电子设备和存储介质。

背景技术

轨迹预测是自动驾驶系统中承上启下的重要一环。相关技术中，通过获取上游感知模块对周围障碍物的感知信息，推理出周围障碍物未来数秒钟的行驶轨迹。而实际应用场景下，需要对周围障碍物连续的预测未来的行驶轨迹，而连续轨迹预测时，障碍物的位置和数量并未发生较大的变化，而预测到的轨迹会截然不同，导致连续预测的轨迹存在跳变，准确性较差。

发明内容

本申请提出一种轨迹预测方法、装置、电子设备和存储介质，避免了连续轨迹预测时预测轨迹存在跳变的问题，提高了连续轨迹预测的准确性。

本申请一方面实施例提出了一种轨迹预测方法，包括：

获取目标车辆周围的第一障碍物在第一目标采样时段的第一监测轨迹；

获取所述第一障碍物的至少一段历史预测轨迹；所述历史预测轨迹，是根据所述第一障碍物在所述第一目标采样时段之前的历史采样时段的第二监测轨迹，对所述第一障碍物在所述第二监测轨迹之后的轨迹进行预测得到的；

将所述第一障碍物的第一监测轨迹和至少一段历史预测轨迹进行特征融合，以确定所述第一障碍物的融合轨迹特征；

根据所述第一障碍物的融合轨迹特征，预测得到所述第一障碍物在所述第一监测轨迹之后的第一预测轨迹。

本申请另一方面方面实施例提出了一种轨迹预测装置，包括：

第一获取模块，用于获取目标车辆周围的第一障碍物在第一目标采样时段的第一监测轨迹；

第二获取模块，用于获取所述第一障碍物的至少一段历史预测轨迹；所述历史预测轨迹，是根据所述第一障碍物在所述第一目标采样时段之前的历史采样时段的第二监测轨迹，对所述第一障碍物在所述第二监测轨迹之后的轨迹进行预测得到的；

融合模块，用于将所述第一障碍物的第一监测轨迹和所述至少一段历史预测轨迹进行特征融合，以确定所述第一障碍物的融合轨迹特征；

预测模块，用于根据所述第一障碍物的融合轨迹特征，预测得到所述第一障碍物在所述第一监测轨迹之后的第一预测轨迹。

本申请另一方面实施例提出了一种车辆，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如前述一方面所述的轨迹预测方法。

本申请另一方面实施例提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如前述一方面所述的轨迹预测方法。

本申请另一方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述一方面所述的轨迹预测方法。

本申请另一方面实施例提出了一种计算机程序产品，其上存储有计算机程序，所述程序被处理器执行时实现如前述一方面所述的轨迹预测方法。

本申请提出的轨迹预测方法、装置、电子设备和存储介质，获取目标车辆周围的第一障碍物在第一目标采样时段的第一监测轨迹，获取第一障碍物的至少一段历史预测轨迹，其中，历史预测轨迹，是根据第一障碍物在第一目标采样时段之前的历史采样时段的第二监测轨迹，对第一障碍物在第二监测轨迹之后的轨迹进行预测得到的，将第一障碍物的第一监测轨迹和至少一段历史预测轨迹进行特征融合，以确定第一障碍物的融合轨迹特征，根据第一障碍物的融合轨迹特征，预测得到第一障碍物在第一监测轨迹之后的第一预测轨迹，通过将至少一段历史预测轨迹和第一监测轨迹进行特征融合，基于融合轨迹特征预测第一监测轨迹之后的第一预测轨迹，实现了基于历史预测轨迹对第一预测轨迹进行平滑，避免了跳变现象，提高了连续轨迹预测的准确性。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请实施例所提供的一种轨迹预测方法的流程示意图；

图2为本申请实施例提供的一种轨迹预测的时序示意图；

图3为本申请实施例提供的另一种估计预测方法的流程示意图；

图4为本申请实施例提供的一种轨迹预测的场景示意图之一；

图5为本申请实施例提供的一种轨迹预测的场景示意图之二；

图6为本申请实施例提供的一种预测模型的训练方法的流程示意图；

图7为本申请实施例提供的另一种预测模型的训练方法的流程示意图；

图8为本申请实施例提供的一种轨迹预测装置的结构示意图；

图9为本申请实施例提供的一种电子设备的框图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

下面参考附图描述本申请实施例的轨迹预测方法、装置、电子设备和存储介质。

图1为本申请实施例所提供的一种轨迹预测方法的流程示意图。

本申请实施例的轨迹预测方法的执行主体为轨迹预测装置，该装置可设置于电子设备中，电子设备，可以是任意能够进行数据处理的静止或者移动计算设备，例如笔记本电脑、智能手机、可穿戴设备等移动计算设备，或者台式计算机等静止的计算设备，或者服务器，或者其它类型的车载设备等，本公开对此不作限制。其中，上述车载终端是指可以安装在车辆中的终端设备，例如智能车载系统。

如图1所示，该方法可以包括以下步骤：

步骤101，获取目标车辆周围的第一障碍物在第一目标采样时段的第一监测轨迹。

其中，目标车辆即为需要对周围障碍物的轨迹进行预测的一个车辆。

目标车辆的周围环境中通常包含至少一个障碍物，基于第一目标采样时段对应的感知信息可确定周围的至少一个障碍物，本实施例中以一个障碍物为例进行说明，称为第一障碍物。第一障碍物，可以为目标车辆周围的其它车辆、行人、建筑物等，本实施例中不进行限定。

本申请实施例的一种实现方式中，获取目标车辆上安装的多个传感器在第一目标采样时刻采集到的周围环境的感知信息，其中，传感器包括图像传感器、激光雷达传感器等。感知信息包含目标车辆周围的至少一个第一障碍物的信息。进而，基于在第一目标采样时刻采集到的周围环境的感知信息，可识别得到周围的第一障碍物，并确定第一障碍物在第一目标采样时刻对应的第一监测轨迹，其中，第一障碍物的第一监测轨迹包含该障碍物的轨迹点，各个轨迹点指示了该障碍物在车辆坐标系下的位置。

步骤102，获取第一障碍物的至少一段历史预测轨迹。

其中，历史预测轨迹，是根据第一障碍物在第一目标采样时段之前的历史采样时段的第二监测轨迹，对第一障碍物在第二监测轨迹之后的轨迹进行预测得到的。其中，历史预测轨迹可以为一个或多个，本实施例中不进行限定。

在一种场景下，若第一目标采样时刻为初始采样时刻，则不存在第一目标采样时刻之前的历史采样时刻，则第一障碍物没有对应的至少一段历史预测轨迹，也就是说后续进行轨迹融合时，融合得到的轨迹仍然为第一障碍物对应的第一监测轨迹。

在另一种场景下，若第一目标采样时刻不为初始采样时刻，则存在第一目标采样时刻之前的至少一个历史采样时刻，则可获取至少一个历史采样时刻对应的第二监测轨迹，，并基于第二监测轨迹预测得到对应的历史预测轨迹。

作为一种示例，图2为本申请实施例提供的一种轨迹预测的时序示意图，如图2所示，以历史采样时刻为2个为例进行说明，为了便于区别称为历史采样时段1和历史采样时段2，历史采样时段2为历史采样时段1之前的历史时段。其中，第一目标采样时段为某个目标时段，本实施例中以帧指示第一目标采样时段的时长，例如，第一目标采样时段对应t100-t150帧的时间，那么历史采样时段1对应t50-t100帧的时间，历史采样时段2对应t0-t50帧的时间，从而，第一监测轨迹是根据第一目标采样时段t100-t150帧的时间对应的感知信息确定，而历史的第二监测轨迹1是根据历史采样时段1，即t50-t100帧的时间对应的感知信息确定的，历史的第二监测轨迹2是根据历史采样时段2，即t0-t50帧的时间对应的感知信息确定的，本申请实施例中，获取的是基于第二监测轨迹1预测得到的对应t100-t150帧的时间的历史预测轨迹1，以及基于第二监测轨迹2预测得到的对应t50-t100帧的时间的历史预测轨迹2，进而，将历史预测轨迹1、历史预测轨迹2和第一监测轨迹进行特征融合，融合得到的融合轨迹特征用于预测得到第一预测轨迹。

需要说明的是，本申请实施例中是以监测轨迹和预测轨迹所对应的帧时长为例说明，例如，历史采样时段1，即t50-t100帧的时间对应的第二监测轨迹1，预测得到的是t100-t150帧的时间对应的历史预测轨迹1，实际应用场景中，预测轨迹对应的帧时长可以长于监测轨迹，如图2所示，历史采样时段2，即t0-t50帧的时间对应的第二监测轨迹2，对应预测得到的是t50-t120帧的时间对应的历史预测轨迹2’，历史采样时段1，即t50-t100帧的时间对应的第二监测轨迹1，对应预测得到的是t100-t170帧的时间对应的历史预测轨迹1’，进而，将历史预测轨迹1’、历史预测轨迹2’和第一监测轨迹进行特征融合，融合得到的融合轨迹特征用于预测得到第一预测轨迹’。

步骤103，将第一障碍物的第一监测轨迹和至少一段历史预测轨迹进行特征融合，以确定第一障碍物的融合轨迹特征。

本申请实施例中，将第一障碍物对应的第一监测轨迹转化为对应的特征向量和至少一个的历史预测轨迹对应的特征向量进行特征融合，在进行特征融合时可以是基于相同维度的特征向量进行融合，以得到第一障碍物对应的融合轨迹特征，融合轨迹特征中包含了该第一障碍物历史预测轨迹的特征，以使得在后续对该障碍物的轨迹进行连续预测时，通过参考多个历史预测轨迹的特征，避免了对同一个第一障碍物未来轨迹进行连续预测时，预测结果的差异较大，导致预测结果的跳变，降低预测的准确性。

作为一种示例，至少一段历史预测轨迹为2段历史预测轨迹，如图2所示，即为历史预测轨迹1和历史预测轨迹2，将历史预测轨迹2、历史预测轨迹1和第一监测轨迹进行特征融合，得到第一障碍物对应的融合轨迹特征。

步骤104，根据第一障碍物的融合轨迹特征，预测得到第一障碍物在第一监测轨迹之后的第一预测轨迹。

实际场景下，由于短时间内周围障碍物的位置等不会发生较大的改变，针对目标车辆周围的障碍物轨迹进行连续预测的过程中，障碍物的轨迹不应该发生较大的变化，从而，本申请实施例中，在基于第一障碍物的第一监测轨迹进行未来轨迹连续预测的场景下，将第一障碍物对应的至少一段历史预测轨迹的特征和第一障碍物的第一监测轨迹对应的轨迹特征进行特征融合，得到融合轨迹特征，基于融合轨迹特征，预测得到平滑的第一障碍物在第一目标采样时段之后的第一预测轨迹，也就是说第一监测轨迹之后的第一预测轨迹。同时，在实际场景下，目标车辆周围的至少一个障碍物间的轨迹需要相互参照，因此，基于至少一个第一障碍物的融合轨迹特征进行预测，考虑了至少一个第一障碍物间的相互影响，提高了每一个第一障碍物预测得到的第一预测轨迹的准确性。

本申请实施例的轨迹预测方法中，获取目标车辆周围的第一障碍物在第一目标采样时段的第一监测轨迹，获取第一障碍物的至少一段历史预测轨迹，其中，历史预测轨迹，是根据第一障碍物在第一目标采样时段之前的历史采样时段的第二监测轨迹，对第一障碍物在第二监测轨迹之后的轨迹进行预测得到的，将第一障碍物的第一监测轨迹和至少一段历史预测轨迹进行特征融合得到融合轨迹特征，根据融合轨迹特征预测得到第一障碍物在第一监测轨迹之后的第一预测轨迹，通过融合轨迹特征预测第一监测轨迹之后的第一预测轨迹，实现了基于历史预测轨迹对第一预测轨迹进行平滑，使得预测得到的连续轨迹更加稳定，避免了预测轨迹的跳变现象，提高了连续轨迹预测的准确性。

基于上述实施例，图3为本申请实施例提供的另一种估计预测方法的流程示意图，以轨迹预测是基于预测模型预测得到的为例进行说明。如图3所示，该方法包含以下步骤：

步骤301，获取目标车辆周围的第一障碍物在第一目标采样时段的第一监测轨迹。

步骤302，获取第一障碍物的至少一段历史预测轨迹。

其中，步骤301和步骤302可参照前述实施例中的解释说明，原理相同，此处不再赘述。

步骤303，将第一障碍物对应的第一监测轨迹和各段历史预测轨迹，输入预测模型的融合模块分别进行特征提取，以提取得到第一监测轨迹的第一轨迹特征和各段历史预测轨迹的历史预测轨迹特征。

其中，融合模块，是基于多层感知机(Multilayer Perceptron，MLP)构建的神经网络。

其中，采用融合模块对第一监测轨迹进行特征提取，提取到的特征用于指示第一障碍物在第一目标采样时段内轨迹变化的信息。

其中，采用融合模块对每一段历史预测轨迹进行特征提取，提取到的特征用于指示基于第一障碍物在历史采样时段监测到的第二监测轨迹预测到的轨迹变化的信息。

步骤304，将第一轨迹特征和各段历史预测轨迹特征输入预测模型的融合模块进行特征融合，得到第一障碍物的融合轨迹特征。

其中，可设定各段历史预测轨迹特征的融合权重，作为一种示例，可设定各段历史预测轨迹特征的融合权重相同；作为另一种示例，可基于各段历史预测轨迹特征对应的预测时段，确定各段历史预测轨迹特征对应的融合权重，其中，预测时段和第一目标采样时段越临近，则预测时段对应的历史预测轨迹特征的权重越大，通过临近时间的历史预测轨迹对第一轨迹特征进行平滑和修正，可以提高融合轨迹特征的准确性，相较于仅通过第一监测轨迹预测第一预测轨迹的方式，本申请充分考虑了历史预测轨迹的变化情况，可提高后续第一预测轨迹预测的准确性，避免连续轨迹预测的跳变。

其中，预测模型是预先训练得到的，其训练方法，后续实施例中会详细说明。

步骤305，将第一障碍物的融合轨迹特征输入预测模型的预测模块，以预测得到第一障碍物在第一监测轨迹之后的第一预测轨迹。

其中，预测模块，可以是基于Transform的模型。

为了进一步说明，作为一种示例，图4为本申请实施例提供的一种轨迹预测的场景示意图之一，如图4所示，目标车辆周围的第一障碍物可以为多个，本实施例中，以第一障碍物为2个为例进行说明，分别称为第一障碍物1和第一障碍物2。其中，在通过融合模块进行特征融合阶段，第一障碍物1的至少一段历史预测轨迹例如为连续预测得到的4个历史预测轨迹，分别称为历史预测轨迹1、历史预测轨迹2、历史预测轨迹3和历史预测轨迹4。对于第一障碍物1，将第一障碍物1对应的第一监测轨迹，历史预测轨迹1、历史预测轨迹2、历史预测轨迹3和历史预测轨迹4，一起输入至融合模块进行特征融合得到融合后的第一障碍物1的融合轨迹特征。同理，可得到第一障碍物2的融合轨迹特征。

进而，图5为本申请实施例提供的一种轨迹预测的场景示意图之二，如图5所示，仍以第一障碍物1和第一障碍物2进行轨迹预测为例进行说明，其他第一障碍物的轨迹预测原理相同，此处不再赘述。其中，将第一障碍物1的融合轨迹特征和第一障碍物2的融合轨迹特征输入预测模块进行预测，得到第一障碍物1的第一预测轨迹和第一障碍物2的第一预测轨迹，实现了基于融合轨迹特征，进行未来设定时长内的轨迹预测，提高了连续预测时每一次预测到的预测轨迹的稳定性，提高了连续轨迹预测时的可靠性。

本申请实施例中，基于训练得到的预测模型对第一障碍物的融合轨迹特征进行预测，以预测得到第一障碍物在第一监测轨迹之后的第一预测轨迹，由于在进行轨迹预测时考虑了历史预测轨迹，通过历史预测轨迹对当前的第一监测轨迹进行平滑和修正，避免了当前预测得到的轨迹相对于历史预测轨迹存在较大的变化，使得针对同一障碍物进行连续轨迹预测时，避免预测轨迹出现跳变的问题，提高了轨迹预测的可靠性。

本申请实施例的轨迹预测方法中，在进行轨迹预测时考虑了历史预测轨迹，通过历史预测轨迹对当前的第一监测轨迹进行平滑和修正，避免了当前预测得到的轨迹相对于历史预测轨迹存在较大的变化，使得针对同一障碍物进行连续轨迹预测时，避免预测轨迹出现跳变的问题，提高了轨迹预测的可靠性。

基于上述实施例，本申请实施例提供了一种预测模型的训练方法，图6为本申请实施例提供的一种预测模型的训练方法的流程示意图，如图6所示，该方法包含以下步骤：

步骤601，获取训练样本。

其中，训练样本包含第二障碍物在第二目标采样时段的第三监测轨迹，以及第二障碍物的至少一段历史预测轨迹，其中，历史预测轨迹，是根据第二障碍物在第二目标采样时段之前的历史采样时段的第四监测轨迹，对第二障碍物在第四监测轨迹之后的轨迹进行预测得到的。具体可参照前述实施例中关于第一障碍物的至少一段历史预测轨迹的说明，原理相同，此处不再赘述。

训练样本标注有第二障碍物在第三监测轨迹之后的目标真实轨迹，以及第二障碍物在第二目标采样时段之前的历史采样时段的历史真实轨迹。其中，目标真实轨迹是第二目标采样时段之后的设定时段内的真实轨迹，设定时段的时长和第二目标采样时段的时长可以相同，也可以不同。而历史采样时段和第二目标采样时段的时长可以相同。

需要说明的是，预测模型训练过程中采用的训练样本中包含的第二障碍物，可以与第一障碍物为同一个障碍物也可以为不同的障碍物，为了区分，称为第二障碍物。而第二目标采样时间可以和第一目标采样时段相同，也可以不同，此处不进行限定。从而为了区分，第二障碍物在第二目标采样时段的监测轨迹称为第二监测轨迹。

步骤602，将训练样本输入预测模型，预测得到第二障碍物在第三监测轨迹之后的第二预测轨迹。

其中，基于第二障碍物的第三监测轨迹和第二障碍物的至少一段历史预测轨迹，预测得到第二障碍物在第二目标采样时段之后，即第三监测轨迹之后的第二预测轨迹的过程，可参照前述实施例中的解释说明，原理相同，此处不再赘述。

步骤603，根据第二障碍物的第二预测轨迹、目标真实轨迹和历史真实轨迹，确定预测模型的目标损失函数。

本申请实施例的一种实现方式中，根据第二障碍物预测得到的第二预测轨迹与目标真实轨迹间的差异，确定第二障碍物对应的第一损失函数，根据第二障碍物对应的第二预测轨迹和历史真实轨迹间的相似度，确定第二障碍物对应的第二损失函数，根据第二障碍物对应的第一损失函数和第二损失函数，确定预测模型的目标损失函数，本申请实施例中，在确定预测模型的目标损失函数的过程中，计算预测模型针对第二障碍物在第二目标采样时段的第三监测轨迹预测得到的第二预测轨迹和历史真实轨迹间的相似度，将该轨迹间的相似度作为评价指标确定损失函数，也就是说预测模型训练过程中会将当前预测到的预测轨迹和历史预测轨迹对应的历史真实轨迹间的相似程度作为评价指标，以在模型训练过程中更加关注连续轨迹预测时输出的轨迹预测结果的稳定性，提高了预测模型的训练效果。

步骤604，采用目标损失函数，对预测模型进行训练。

本申请实施例中，根据目标损失函数调整预测模型的参数，基于调整得到的参数，采用其他训练样本继续训练，基于每一次训练过程确定的目标损失函数不断的调整预测模型的参数，直至预测模型的损失函数最小，或者是达到预设的训练次数，又或者是预测模型的损失函数的变化小于设定阈值，则确定预测模型训练完成。

本申请实施例的预测模型的训练方法中，在确定预测模型的目标损失函数的过程中，计算预测模型针对第二障碍物在第二目标采样时段的第三监测轨迹预测得到的第二预测轨迹和历史真实轨迹间的相似度，将该轨迹间的相似度作为评价指标确定损失函数，也就是说预测模型训练过程中会将当前预测到的预测轨迹和历史预测轨迹对应的历史真实轨迹间的相似程度作为评价指标，以在模型训练过程中基于历史真实轨迹对当前预测到的预测轨迹进行平滑处理，提高了预测模型的训练效果。

基于上述实施例，图7为本申请实施例提供的另一种预测模型的训练方法的流程示意图，针对第二障碍物为多个的场景下，如何确定预测模型的目标损失函数进行说明，如图7所示，步骤603包含以下步骤：

步骤701，根据各个第二障碍物的第二预测轨迹和目标真实轨迹间的差异，确定各个第二障碍物对应的第一损失函数。

本实施例中，针对每一个第二障碍物，将该第二障碍物的第二预测轨迹和对应的目标真实轨迹间的差异，确定该第二障碍物对应的第一损失函数。

步骤702，根据各个第二障碍物的第二预测轨迹和历史真实轨迹间的相似度，确定各个第二障碍物对应的第二损失函数。

本实施例中，针对每一个第二障碍物，将该第二障碍物的第二预测轨迹和历史真实轨迹间的相似度，作为该第二障碍物对应的第二损失函数。其中，对于前述相似度的确定，作为一种实现方式，可将该第二障碍物的第二预测轨迹转化为第一特征向量，将历史真实轨迹转化为第二特征向量，计算第一特征向量和第二特征向量间的欧式距离，根据计算得到的欧式距离确定相似度。

其中，针对每一个第二障碍物，历史真实轨迹可以为一个或多个，而与第二目标采样时段相邻的前一个历史采样时段，与和第二目标采样时段时间上较为临近，第二障碍物的轨迹不会发生较大的变化，从而将历史真实轨迹中和第二目标采样时段相邻的前一个历史采样时段对应的历史真实轨迹作为参照，计算该第二障碍物对应的第二预测轨迹和历史真实轨迹间的第一相似度，基于该第一相似度，确定第二障碍物对应的第二损失函数，提高了第二损失函数确定的准确性。

步骤703，根据各个第二障碍物对应的第一损失函数和第二损失函数，确定各个第二障碍物对应的候选损失函数。

本申请实施例中，针对每一个第二障碍物，将该第二障碍物对应的第一损失函数和第二损失函数进行加权求和，以确定该第二障碍物对应的候选损失函数。

步骤704，根据多个第二障碍物对应的候选损失函数和各个候选损失函数对应的设定权重值，确定预测模型的目标损失函数。

本申请实施例中，在车辆周围存在多个第二障碍物的场景下，针对多个第二障碍物对应的候选损失函数，需要确定预测模型的目标损失函数，作为一种实现方式，根据多个第二障碍物对应的候选损失函数和各个候选损失函数对应的设定权重值，确定预测模型的目标损失函数。

其中，各个候选损失函数对应的设定权重值的确定，作为一种实现方式，根据各个第二障碍物对应的第二目标预测轨迹包含的轨迹点的数量确定，其中，设定权重值和轨迹点的数量呈正相关关系，这是因为预测得到的轨迹中轨迹越多，预测通常越准确。从而，第二障碍物对应的第二目标预测轨迹包含的轨迹点的数量越多，该第二障碍物对应的候选损失函数的设定权重值越大，反之，则越小。

本申请实施例的预测模型的训练方法中，在模型训练的过程中，针对确定的多个第二障碍物的候选损失函数和各个候选损失函数对应的权重值，加权求和确定预测模型的目标损失函数，提高了目标损失函数确定的准确性，进而提高了预测模型的训练效果。

为了实现上述实施例，本申请实施例还提出一种轨迹预测装置。

图8为本申请实施例提供的一种轨迹预测装置的结构示意图。

如图8所示，该装置可以包括：

第一获取模块81，用于获取目标车辆周围的第一障碍物在第一目标采样时段的第一监测轨迹。

第二获取模块82，用于获取所述第一障碍物的至少一段历史预测轨迹；所述历史预测轨迹，是根据所述第一障碍物在所述第一目标采样时段之前的历史采样时段的第二监测轨迹，对所述第一障碍物在所述第二监测轨迹之后的轨迹进行预测得到的。

融合模块83，用于将所述第一障碍物的第一监测轨迹和所述至少一段历史预测轨迹进行特征融合，以确定所述第一障碍物的融合轨迹特征。

预测模块84，用于根据所述第一障碍物的融合轨迹特征，预测得到所述第一障碍物在所述在第一监测轨迹之后的第一预测轨迹。

进一步，在本申请实施例的一种实现方式中，融合模块83，具体用于：

将所述第一障碍物对应的第一监测轨迹和各段所述历史预测轨迹，输入预测模型的融合模块分别进行特征提取，以提取得到第一监测轨迹的第一轨迹特征和各段所述历史预测轨迹的历史预测轨迹特征；

将所述第一轨迹特征和各段所述历史预测轨迹特征进行融合，得到所述第一障碍物的融合轨迹特征。

在本申请实施例的一种实现方式中，预测模块84，具体用于将所述第一障碍物的融合轨迹特征输入预测模型的预测模块，以预测得到所述第一障碍物在所述第一监测轨迹之后的第一预测轨迹。

在本申请实施例的一种实现方式中，该装置还包括：训练模块，所述训练模块包括：

获取单元，用于获取训练样本，所述训练样本包含第二障碍物在第二目标采样时段的第三监测轨迹，以及所述第二障碍物的至少一段历史预测轨迹；所述训练样本标注有所述第二障碍物在第三监测轨迹之后的目标真实轨迹，以及所述第二障碍物在所述第二目标采样时段之前的历史采样时段的历史真实轨迹。

预测单元，用于将所述训练样本输入预测模型，预测得到所述第二障碍物在所述第三监测轨迹之后的第二预测轨迹。

第一确定单元，用于根据所述第二障碍物的所述第二预测轨迹、所述目标真实轨迹和所述历史真实轨迹，确定所述预测模型的目标损失函数；

训练单元，用于采用所述目标损失函数，对所述预测模型进行训练。

在本申请实施例的一种实现方式中，第一确定单元，具体用于：

根据所述第二预测轨迹和所述目标真实轨迹间的差异，确定所述第二障碍物对应的第一损失函数；根据所述第二预测轨迹和所述历史真实轨迹间的相似度，确定所述第二障碍物对应的第二损失函数；根据所述第二障碍物对应的第一损失函数和所述第二损失函数，确定所述预测模型的目标损失函数。

在本申请实施例的一种实现方式中，所述第二障碍物为多个，第一确定单元，具体还用于：

根据各个所述第二障碍物对应的第一损失函数和第二损失函数，确定各个所述第二障碍物对应的候选损失函数；根据多个所述第二障碍物对应的候选损失函数和各个候选损失函数对应的设定权重值，确定所述预测模型的目标损失函数。

在本申请实施例的一种实现方式中，训练模块，还包括：

第二确定单元，用于根据各个所述第二障碍物对应的第二目标预测轨迹包含的轨迹点的数量，确定各个所述第二障碍物对应的设定权重值；其中，所述设定权重值和轨迹点的数量呈正相关关系。

在本申请实施例的一种实现方式中，所述历史真实轨迹包括与所述第二目标采样时段相邻的前一个历史采样时段对应的历史真实轨迹，上述第一确定单元，具体还用于：

确定所述第二预测轨迹，和所述第二目标采样时段相邻的前一个历史采样时段对应的历史真实轨迹间的第一相似度；根据所述第一相似度，确定所述第二障碍物对应的所述第二损失函数。

需要说明的是，前述对方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。

本申请实施例的轨迹预测装置中，获取目标车辆周围的第一障碍物在第一目标采样时段的第一监测轨迹，获取第一障碍物的至少一段历史预测轨迹，其中，历史预测轨迹，是根据第一障碍物在第一目标采样时段之前的历史采样时段的第二监测轨迹，对第一障碍物在第二监测轨迹之后的轨迹进行预测得到的，将第一障碍物的第一监测轨迹和至少一段历史预测轨迹进行特征融合得到融合轨迹特征，根据融合轨迹特征预测得到第一障碍物在第一监测轨迹之后的第一预测轨迹，通过融合轨迹特征预测第一监测轨迹之后的第一预测轨迹，实现了基于历史预测轨迹对第一预测轨迹进行平滑，避免了跳变现象，提高了连续轨迹预测的准确性。

为了实现上述实施例，本申请还提出了一种车辆，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如前述方法实施例所述的方法。

为了实现上述实施例，本申请还提出一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如前述方法实施例所述的方法。

为了实现上述实施例，本申请还提出一种非临时性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，实现如前述方法实施例所述的方法。

为了实现上述实施例，本申请还提出一种计算机程序产品，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述方法实施例所述的方法。

图9为本申请实施例提供的一种电子设备的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图9，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电力组件806为电子设备800的各种组件提供电力。电力组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

输入/输出接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，4G或5G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由电子设备800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (12)

1.一种轨迹预测方法，其特征在于，包括：

获取目标车辆周围的第一障碍物在第一目标采样时段的第一监测轨迹；

获取所述第一障碍物的至少一段历史预测轨迹；所述历史预测轨迹，是根据所述第一障碍物在所述第一目标采样时段之前的历史采样时段的第二监测轨迹，对所述第一障碍物在所述第二监测轨迹之后的轨迹进行预测得到的；

将所述第一障碍物的第一监测轨迹和所述至少一段历史预测轨迹进行特征融合，以确定所述第一障碍物的融合轨迹特征；

根据所述第一障碍物的融合轨迹特征，预测得到所述第一障碍物在所述第一监测轨迹之后的第一预测轨迹。

2.如权利要求1所述的方法，其特征在于，所述将所述第一障碍物的第一监测轨迹和所述至少一段历史预测轨迹进行特征融合，以确定所述第一障碍物的融合轨迹特征，包括：

将所述第一障碍物对应的第一监测轨迹和各段所述历史预测轨迹，输入预测模型的融合模块分别进行特征提取，以提取得到第一监测轨迹的第一轨迹特征和各段所述历史预测轨迹的历史预测轨迹特征；

将所述第一轨迹特征和各段所述历史预测轨迹特征进行特征融合，得到所述第一障碍物的融合轨迹特征。

3.如权利要求1所述的方法，其特征在于，所述根据所述第一障碍物的融合轨迹特征，预测得到所述第一障碍物在所述第一监测轨迹之后的第一预测轨迹，包括：

将所述第一障碍物的融合轨迹特征输入预测模型的预测模块，以预测得到所述第一障碍物在所述第一监测轨迹之后的第一预测轨迹。

4.如权利要求2或3所述的方法，其特征在于，所述预测模型采用下述方法训练得到：

获取训练样本，所述训练样本包含第二障碍物在第二目标采样时段的第三监测轨迹，以及所述第二障碍物的至少一段历史预测轨迹；所述训练样本标注有所述第二障碍物在所述第三监测轨迹之后的目标真实轨迹，以及所述第二障碍物在所述第二目标采样时段之前的历史采样时段的历史真实轨迹；

将所述训练样本输入预测模型，预测得到所述第二障碍物在所述第三监测轨迹之后的第二预测轨迹；

根据所述第二障碍物的所述第二预测轨迹、所述目标真实轨迹和所述历史真实轨迹，确定所述预测模型的目标损失函数；

采用所述目标损失函数，对所述预测模型进行训练。

5.如权利要求4所述的方法，其特征在于，所述根据所述第二障碍物的所述第二预测轨迹、所述目标真实轨迹和所述历史真实轨迹，确定所述预测模型的目标损失函数，包括：

根据所述第二预测轨迹和所述目标真实轨迹间的差异，确定所述第二障碍物对应的第一损失函数；

根据所述第二预测轨迹和所述历史真实轨迹间的相似度，确定所述第二障碍物对应的第二损失函数；

根据所述第二障碍物对应的第一损失函数和所述第二损失函数，确定所述预测模型的目标损失函数。

6.如权利要求5所述的方法，其特征在于，所述第二障碍物为多个，所述根据所述第二障碍物对应的第一损失函数和所述第二损失函数，确定所述预测模型的目标损失函数，包括：

根据各个所述第二障碍物对应的第一损失函数和第二损失函数，确定各个所述第二障碍物对应的候选损失函数；

根据多个所述第二障碍物对应的候选损失函数和各个候选损失函数对应的设定权重值，确定所述预测模型的目标损失函数。

7.如权利要求6所述的方法，其特征在于，所述方法，还包括：

根据各个所述第二障碍物对应的第二目标预测轨迹包含的轨迹点的数量，确定各个所述第二障碍物对应的设定权重值；其中，所述设定权重值和轨迹点的数量呈正相关关系。

8.如权利要求5所述的方法，其特征在于，所述历史真实轨迹包括与所述第二目标采样时段相邻的前一个历史采样时段对应的历史真实轨迹，所述根据所述第二预测轨迹和所述历史真实轨迹间的相似度，确定所述第二障碍物对应的第二损失函数，包括：

确定所述第二预测轨迹，和所述第二目标采样时段相邻的前一个历史采样时段对应的历史真实轨迹间的第一相似度；

根据所述第一相似度，确定所述第二障碍物对应的所述第二损失函数。

9.一种轨迹预测装置，其特征在于，包括：

第一获取模块，用于获取目标车辆周围的第一障碍物在第一目标采样时段的第一监测轨迹；

第二获取模块，用于获取所述第一障碍物的至少一段历史预测轨迹；所述历史预测轨迹，是根据所述第一障碍物在所述第一目标采样时段之前的历史采样时段的第二监测轨迹，对所述第一障碍物在所述第二监测轨迹之后的轨迹进行预测得到的；

融合模块，用于将所述第一障碍物的第一监测轨迹和所述至少一段历史预测轨迹进行特征融合，以确定所述第一障碍物的融合轨迹特征；

预测模块，用于根据所述第一障碍物的融合轨迹特征，预测得到所述第一障碍物在所述第一监测轨迹之后的第一预测轨迹。

10.一种车辆，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-8中任一所述的方法。

11.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-8中任一所述的方法。

12.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8中任一所述的方法。

Images