CN115148025B - 一种交通目标轨迹预测方法及可读存储介质 - Google Patents

Abstract

本发明提供了一种交通目标轨迹预测方法及可读存储介质，该方法借助了交通可移动区域的高精地图信息、目标交通物体的历史轨迹信息、以及目标周围预设定范围内的交通参与者的历史轨迹信息并进行坐标重叠，从而基于高精地图能够确认目标交通物体及其周围的交通参与者的运行区域及轨迹特征，因此利用残差神经网络构建交通轨迹预测模型并基于这些特征信息进行训练自动调整模型参数以达到最佳匹配效果后，即可针对目标交通物体的交通参与者类型和运行轨迹加以准确和客观的预测，从而具备针对不同类型的交通参与者以及较复杂的交通环境的轨迹预测能力以及较高的预测准确性，提高交通目标轨迹预测判断的准确性和技术应用适应能力。

Description

一种交通目标轨迹预测方法及可读存储介质

技术领域

本发明涉及智能安全驾驶技术领域，具体涉及一种交通目标轨迹预测方法及可读存储介质。

背景技术

在驾驶活动中，人类司机需要时刻关注道路、交通信号牌、周围车辆行人等信息，在决定换道、加减速等操作时需要预判周围移动目标动向。随着自动驾驶和辅助驾驶技术的不断发展，汽车正在逐渐进入智能化时代。在智能安全驾驶技术应用中的轨迹预测环节所起到的作用与人类司机预判道路目标动向时的思维活动几乎是等同的，轨迹预测的能力上，也希望尽可能的达到、甚至超越人类司机预判道路目标动向的能力。因此，智能安全驾驶技术应用领域中，如何提升对交通目标轨迹的预测能力，也是一项热点研究课题。

针对交通目标轨迹预测的问题，申请号为2021101270883的中国专利公开了“一种基于移动轨迹大数据的短时交通流量预测方法及系统”，其方法对交通移动轨迹数据进行数据预处理，得到训练数据；根据所述训练数据，构建在Spark框架下基于正态分布和注意力机制加权的并行NAW-DBLSTM算法；基于RDD执行所述并行NAW-DBLSTM算法，并输出预测结果；构建Spark框架下基于正态分布和注意力机制加权的并行NAW-DBLSTM算法，再结合RDD执行并行NAW-DBLSTM算法，考虑各路段之间空间相关性的影响权重以及捕捉交通流量非线性特征的能力，输出预测结果。该方案主要针对于车辆在道路中的形式轨迹以及相应路段交通流量进行轨迹预测，但却未涉及到对非机动车、行人等其它交通参与者以及人行道、非机动车道、红绿灯等道路相关交通环境条件的考量和约束，而主要针对车辆为识别主体、且主要考量车行道交通流量对于轨迹预测的影响，预测能力较为有限，预测对象无法覆盖多种不同类型的交通参与者，同时对涉及人行道、非机动车道、红绿灯等复杂交通环境的应用适应能力也较为有限，因此其技术应用也受到较多限制。

因此，如何使得轨迹预测技术针对不同类型的交通参与者以及较复杂的交通环境更好的实现交通目标轨迹预测，成为了智能安全驾驶领域亟待解决的技术问题。

发明内容

针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种交通目标轨迹预测方法，以能够针对多种不同类型的交通参与者以及涉及人行道、非机动车道、红绿灯等复杂交通环境更好的实现交通目标的轨迹预测，从而能够提高交通目标轨迹预测判断的准确性和技术应用适应能力。

为了解决上述技术问题，本发明采用了如下的技术方案：

一种交通目标轨迹预测方法，其特征在于，包括以下步骤：

S1：获取交通可移动区域的高精地图信息、目标交通物体的历史轨迹信息、以及目标交通物体周围预设定范围内的交通参与者的历史轨迹信息；

S2：对所述高精地图信息、目标交通物体的历史轨迹信息、以及目标周围预设定范围内的交通参与者的历史轨迹信息进行坐标重叠处理，将坐标重叠后所得的数据信息作为目标交通物体的轨迹特征数据向量；

S3：将所述目标交通物体的轨迹特征数据向量输入经过训练的交通轨迹预测模型中，输出目标交通物体的交通参与者类型预测结果和轨迹预测结果；所述交通轨迹预测模型基于残差神经网络构建，并基于真实交通参与者的运行轨迹数据训练得到；

S4：基于目标交通物体的交通参与者类型预测结果和轨迹预测结果，绘制所述目标交通物体此后的运行轨迹预测路线。

优选的，所述步骤S1中，高精地图信息包括机动车可行驶区域及各机动车道边界、非机动车可行驶区域及各非机动车道边界、人行道区域及边界、交通信号灯状态及切换规则、以及前述各数据对应的时间戳。

优选的，所述步骤S1中，目标交通物体的历史轨迹信息包括目标交通物体的历史位置坐标、历史运行速度、历史运行加速度、历史运行方位角、历史运行方位角变化率以及前述各数据对应的时间戳；

交通参与者的历史轨迹信息包括交通参与者的历史位置坐标、历史运行速度、历史运行加速度、历史运行方位角、历史运行方位角变化率以及前述各数据对应的时间戳；

优选的，所述步骤S2具体包括：

S201：建立参照坐标系；

S202：将高精地图信息、目标交通物体的历史轨迹信息、交通参与者的历史轨迹信息的时间戳对齐，并按照预设的采样频率进行采样，得到高精地图信息、目标交通物体的历史轨迹信息、交通参与者的历史轨迹信息在不同时刻的采样数据帧；

S203：将高精地图信息、目标交通物体的历史轨迹信息、交通参与者的历史轨迹信息在同一时刻的采样数据帧叠加到参照坐标系，形成目标交通物体在该时刻的参照系叠加历史数据帧；由此，分别叠加处理获得目标交通物体在不同时刻的参照系叠加历史数据帧；

S204：将所得到的目标交通物体在各不同时刻的参照系叠加历史数据帧的集合，作为目标交通物体的轨迹特征数据向量。

优选的，所述参照坐标系是高精地图信息、目标交通物体的历史轨迹信息、交通参与者的历史轨迹信息之中任一信息数据所在的坐标系。

优选的，所述步骤S3中的交通轨迹预测模型通过如下步骤训练获得：

S301：基于获取的交通可移动区域的高精地图信息、多个样本目标交通物体的历史轨迹信息、以及每个样本目标交通物体周围预设定范围内的交通参与者的历史轨迹信息，处理得到各样本目标交通物体的轨迹特征数据向量及对应的轨迹标签向量；所述样本目标交通物体及其周围预设定范围内的交通参与者均为交通可移动区域内的真实交通参与者；

S302：从获取的样本目标交通物体中选取训练对象和测试对象，并标注确定各训练对象和测试对象各自所属的交通参与者类型标签，将各训练对象的集合作为训练数据集，将测试对象的集合作为测试数据集；

S303：将训练数据集中各训练对象的交通参与者类型标签、轨迹特征数据向量及对应的轨迹标签向量输入至交通轨迹预测模型进行训练，用以调整交通轨迹预测模型的参数；

S304：将测试数据集中各测试对象的轨迹特征数据向量输入交通轨迹预测模型中，基于各测试对象对应的交通参与者类型标签和轨迹标签向量与交通轨迹预测模型输出的交通参与者类型预测结果和轨迹预测结果进行匹配对比，评估交通轨迹预测模型的性能；

S305：若交通轨迹预测模型的性能未达到预设目标，则返回执行步骤S303；若交通轨迹预测模型的性能达到预设目标，则完成训练，得到经过训练的交通轨迹预测模型。

优选的，所述步骤S301具体包括如下步骤：

S3011：获取交通可移动区域的高精地图信息，以及交通可移动区域中多个真实交通参与者的历史轨迹信息；建立参照坐标系，设定训练参考时刻；

S3012：针对单个真实交通参与者，将其自身作为样本目标交通物体，将进入其周围预设定范围内的其他真实交通参与者作为样本关联交通参与者；

S3013：将交通可移动区域的高精地图信息、样本目标交通物体的历史轨迹信息、样本关联交通参与者的历史轨迹信息的时间戳对齐，并按照预设的采样频率进行采样，得到高精地图信息、样本目标交通物体的历史轨迹信息、样本关联交通参与者的历史轨迹信息在不同时刻的采样数据帧；

S3014：将高精地图信息、样本目标交通物体的历史轨迹信息、样本关联交通参与者的历史轨迹信息在同一时刻的采样数据帧叠加到参照坐标系，形成目标交通物体在该时刻的参照系叠加历史数据帧；由此，分别叠加处理获得样本目标交通物体在不同时刻的参照系叠加历史数据帧；

S3015：将所得到的样本目标交通物体在训练参考时刻及之前各时刻的参照系叠加历史数据帧的集合作为样本目标交通物体的轨迹特征数据向量，将所得到的样本目标交通物体在训练参考时刻之后各时刻的参照系叠加历史数据帧的集合作为样本目标交通物体的轨迹标签向量；

S3016：针对各不同的真实交通参与者，重复执行步骤S3012至S3015，得到各样本目标交通物体的轨迹特征数据向量及对应的轨迹标签向量。

优选的，所述交通轨迹预测模型能够设置交通参与者类型预测规则，使得交通轨迹预测模型能够根据所设置的交通参与者类型预测规则执行交通参与者类型的预测；

所述交通参与者类型预测规则中，预设定有交通参与者类型的可预测种类数量，并针对每一种交通参与者类型设置有对应的预测属性参数，所述预测属性参数包括：交通参与者类型的合理运行位置区域范围及其运行位置区域匹配率下限阈值、合理运行速度区间值及其运行速度匹配率下限阈值、合理运行加速度区间值及其运行加速度匹配率下限阈值、合理运行方位角区间值及其运行方位角匹配率下限阈值、以及合理运行方位角变化率区间值及其运行方位角变化率匹配率下限阈值；

每种交通参与者类型的各预测属性参数均通过对交通轨迹预测模型训练而确定。

优选的，所述通轨迹预测模型能够根据交通参与者类型预测规则执行交通参与者类型预测的具体方式为：

S311：基于目标交通物体的轨迹特征数据向量分析确认目标交通物体在不同时刻的运行位置区域、运行速度、运行加速度、运行方位角以及运行方位角变化率；

S312：分别计算目标交通物体相对于各种交通参与者类型的如下参数：

运行位置区域匹配率：目标交通物体在不同时刻的运行位置区域落在交通参与者类型的合理运行位置区域范围以内的概率；

运行速度匹配率：目标交通物体在不同时刻的运行速度落在交通参与者类型的合理运行速度区间值以内的概率；

运行加速度匹配率：目标交通物体在不同时刻的运行加速度落在交通参与者类型的合理运行加速度区间值以内的概率；

运行方位角匹配率：目标交通物体在不同时刻的运行方位角落在交通参与者类型的合理运行方位角区间值以内的概率；

运行方位角变化率匹配率：目标交通物体在不同时刻的运行方位角变化率落在交通参与者类型的合理运行方位角变化率区间值以内的概率；

S313：根据步骤S312所计算参数进行判断，如果目标交通物体相对于一种交通参与者类型的运行位置区域匹配率、运行速度匹配率、运行加速度匹配率、运行方位角匹配率和运行方位角变化率匹配率均分别超过了该交通参与者类型对应的运行位置区域匹配率下限阈值、运行速度匹配率下限阈值、运行加速度匹配率下限阈值、运行方位角匹配率下限阈值和运行方位角变化率匹配率下限阈值，则判定目标交通物体属于该交通参与者类型，作为目标交通物体的交通参与者类型预测结果。

本发明还公开了一种可读存储介质，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本发明所述的交通目标轨迹预测方法的步骤。

本发明的技术方案与现有技术相比，具有如下有益效果：

本发明的交通目标轨迹预测方法，借助了交通可移动区域的高精地图信息、目标交通物体的历史轨迹信息、以及目标周围预设定范围内的交通参与者的历史轨迹信息并进行坐标重叠，从而基于高精地图能够确认目标交通物体及其周围的交通参与者的运行区域及轨迹特征，而由于行人、非机动车、机动车等不同类型的交通参与者的运行区域(所在位置区域或者车道区域)以及轨迹特性(运行速度、运行加速度、运行方位角、方位角变化率等)都具有可区分的特性特征，并且这些不同类型交通参与者之间的运行轨迹相互影响、同时还受到交通环境区域条件(人行道、非机动车道、机动车道、红绿灯等)的限制约束，因此利用残差神经网络构建交通轨迹预测模型并基于这些特征信息进行训练自动调整模型参数以达到最佳匹配效果后，即可针对目标交通物体的交通参与者类型和运行轨迹加以准确和客观的预测，从而具备针对不同类型的交通参与者以及较复杂的交通环境的轨迹预测能力以及较高的预测准确性，提高交通目标轨迹预测判断的准确性和技术应用适应能力。

附图说明

为了使发明的目的、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的详细描述，其中：

图1为本发明交通目标轨迹预测方法的逻辑框图；

图2为一个时刻的参照系叠加历史数据帧的效果图；

图3为目标交通物体的轨迹预测结果的效果图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。此外，术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜的。在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

下面通过具体实施方式进一步详细的说明：

实施例一：

本实施例中公开了一种交通目标轨迹预测方法。

如图1所示，该交通目标轨迹预测方法，包括以下步骤：

S1：获取交通可移动区域的高精地图信息、目标交通物体的历史轨迹信息、以及目标交通物体周围预设定范围内的交通参与者的历史轨迹信息；

S2：对所述高精地图信息、目标交通物体的历史轨迹信息、以及目标周围预设定范围内的交通参与者的历史轨迹信息进行坐标重叠处理，将坐标重叠后所得的数据信息作为目标交通物体的轨迹特征数据向量；

S3：将所述目标交通物体的轨迹特征数据向量输入经过训练的交通轨迹预测模型中，输出目标交通物体的交通参与者类型预测结果和轨迹预测结果；

本实施例中，交通轨迹预测模型基于残差神经网络(ResNet)构建，并基于真实交通参与者的运行轨迹数据训练得到；

S4：基于目标交通物体的交通参与者类型预测结果和轨迹预测结果，绘制所述目标交通物体此后的运行轨迹预测路线。

需要说明的是，本发明中交通目标轨迹预测方法可通过程序编程的方式生对应的成软件代码或软件服务，进而能够在服务器和计算机上运行和实施。

本发明的交通目标轨迹预测方法，借助了交通可移动区域的高精地图信息、目标交通物体的历史轨迹信息、以及目标周围预设定范围内的交通参与者的历史轨迹信息并进行坐标重叠，从而基于高精地图能够确认目标交通物体及其周围的交通参与者的运行区域及轨迹特征，而由于行人、非机动车、机动车等不同类型的交通参与者的运行区域(所在位置区域或者车道区域)以及轨迹特性(运行速度、运行加速度、运行方位角、方位角变化率等)都具有可区分的特性特征，并且这些不同类型交通参与者之间的运行轨迹相互影响、同时还受到交通环境区域条件(人行道、非机动车道、机动车道、红绿灯等)的限制约束，因此利用残差神经网络构建交通轨迹预测模型并基于这些特征信息进行训练自动调整模型参数以达到最佳匹配效果后，即可针对目标交通物体的交通参与者类型和运行轨迹加以准确和客观的预测，从而具备针对不同类型的交通参与者以及较复杂的交通环境的轨迹预测能力以及较高的预测准确性，提高交通目标轨迹预测判断的准确性和技术应用适应能力。

具体应用实施中，交通可移动区域的高精地图信息、目标交通物体的历史轨迹信息、以及目标交通物体周围预设定范围内的交通参与者的历史轨迹信息等数据，可以通过采集交通可移动区域的BEV图(Bird Eye View,鸟瞰图)经过图像要素提取处理而获得，针对BEV图的图像要素提取处理方法是成熟的现有技术，较容易实现或获得。

获取的高精地图信息可以至少包括机动车可行驶区域及各机动车道边界、非机动车可行驶区域及各非机动车道边界、人行道区域及边界、交通信号灯状态及切换规则、以及前述各数据对应的时间戳。具体应用实施中，高精地图信息中不同类型的数据信息可通过不同的颜色加以区分指示。高精地图信息中呈现的这些信息特征有助于很好的体现行人、非机动车、机动车等不同类型的交通参与者的运行区域区分特性。

获取的目标交通物体的历史轨迹信息可以至少包括目标交通物体的历史位置坐标、历史运行速度、历史运行加速度、历史运行方位角、历史运行方位角变化率以及前述各数据对应的时间戳；获取的交通参与者的历史轨迹信息可以至少包括交通参与者的历史位置坐标、历史运行速度、历史运行加速度、历史运行方位角、历史运行方位角变化率以及前述各数据对应的时间戳。具体应用实施中，不同时刻(即不同图像帧)的历史轨迹信息可分别作为不同的数据通道，历史轨迹信息中不同类型的数据信息可可通过不同的颜色加以区分指示。历史轨迹信息中呈现的这些信息特征有助于很好的体现行人、非机动车、机动车等不同类型的交通参与者的轨迹特性。

通过这些信息，能够更有效的呈现和区分行人、非机动车、机动车等不同类型的交通参与者的运行区域以及轨迹特性，有利于针对于交通轨迹预测模型进行有效训练，以及有利于针对于交通参与者类型和运行轨迹的有效预测。

具体实施过程中，步骤S2具体包括：

S201：建立参照坐标系；

S202：将高精地图信息、目标交通物体的历史轨迹信息、交通参与者的历史轨迹信息的时间戳对齐，并按照预设的采样频率进行采样(可通过降采样或插值处理，使达到同样的预设采样频率)，得到高精地图信息、目标交通物体的历史轨迹信息、交通参与者的历史轨迹信息在不同时刻的采样数据帧；

S203：将高精地图信息、目标交通物体的历史轨迹信息、交通参与者的历史轨迹信息在同一时刻的采样数据帧叠加到参照坐标系，形成目标交通物体在该时刻的参照系叠加历史数据帧；由此，分别叠加处理获得目标交通物体在不同时刻的参照系叠加历史数据帧；

S204：将所得到的目标交通物体在各不同时刻的参照系叠加历史数据帧的集合，作为目标交通物体的轨迹特征数据向量。

具体实施过程中，参照坐标系可以是创建的一个新的坐标系，或者，也可以是高精地图信息、目标交通物体的历史轨迹信息、交通参与者的历史轨迹信息之中任一个信息数据所在的坐标系；参照坐标系优选用高精地图信息、目标交通物体的历史轨迹信息、交通参与者的历史轨迹信息三个坐标系中之一，更有利于简化计算量。

例如，以高精地图信息所在的坐标系作为参照坐标系，进行数据叠加处理后得到的一个时刻的参照系叠加历史数据帧效果图如图2所示；相应的，以此参照坐标系所得到目标交通物体的轨迹预测结果，绘制出目标交通物体此后的运行轨迹预测路线，其效果图如图3所示。

具体实施过程中，交通轨迹预测模型通过如下步骤训练获得：

S301：基于获取的交通可移动区域的高精地图信息、多个样本目标交通物体的历史轨迹信息、以及每个样本目标交通物体周围预设定范围内的交通参与者的历史轨迹信息，处理得到各样本目标交通物体的轨迹特征数据向量及对应的轨迹标签向量；所述样本目标交通物体及其周围预设定范围内的交通参与者均为交通可移动区域内的真实交通参与者；

S302：从获取的样本目标交通物体中选取训练对象和测试对象，并标注确定各训练对象和测试对象各自所属的交通参与者类型标签，将各训练对象的集合作为训练数据集，将测试对象的集合作为测试数据集；

S303：将训练数据集中各训练对象的交通参与者类型标签、轨迹特征数据向量及对应的轨迹标签向量输入至交通轨迹预测模型进行训练，用以调整交通轨迹预测模型的参数；

S304：将测试数据集中各测试对象的轨迹特征数据向量输入交通轨迹预测模型中，基于各测试对象对应的交通参与者类型标签和轨迹标签向量与交通轨迹预测模型输出的交通参与者类型预测结果和轨迹预测结果进行匹配对比，评估交通轨迹预测模型的性能；

S305：若交通轨迹预测模型的性能未达到预设目标，则返回执行步骤S303；若交通轨迹预测模型的性能达到预设目标，则完成训练，得到经过训练的交通轨迹预测模型。

其中，交通可移动区域的高精地图信息以及其中真实交通参与者的历史轨迹信息，可以通过采集交通可移动区域的BEV图(Bird Eye View,鸟瞰图)经过图像要素提取处理而获得，或者，也可以使用公开的交通可移动区域的BEV图数据集过图像要素提取处理而获得；针对BEV图的图像要素提取处理方法是成熟的现有技术，较容易实现或获得。

在具体实施中，评估交通轨迹预测模型的性能指标包括精确率、查准率、召回率和F值。这些是进行卷积神经网络训练所常用性能指标。

在具体实施中，所使用的交通轨迹预测模型可采用ResNet18(也可以用其他版本的ResNet)作为骨干网，修改第一卷积层的通道数以适应输入(多通道BEV)；然后，可以添加一个全连接层接受骨干网的输出，再添加一个全连接层将输出转化成多轨迹以及对应的概率(用softmax函数转化为和为1的概率)加以输出。

交通轨迹预测模型所使用的损失函数可以采用负的对数似然函数表示。例如，真实的运行轨迹可以用x₁，...，x_T，y₁，...，y_T加以表示，其中x₁，...，x_T分别表示第1至第T个时刻的轨迹点位置横坐标，y₁，...，y_T分别表示第1至第T个时刻的轨迹点位置纵坐标；交通轨迹预测模型输出的K个轨迹预测结果可以用表示，其中/>分别表示其中第k个轨迹预测结果中第1至第T个时刻的轨迹点位置横坐标，/>分别表示其中第k个轨迹预测结果中第1至第T个时刻的轨迹点位置纵坐标；用c^k来表示第k条轨迹的概率；那么损失函数可表示为：

特别是在交通轨迹预测模型的训练中，由于有时位置坐标的估计有置信度度量，实际计算轨迹预测结果值与真实轨迹的误差时，可代入置信度加以性能评估。

具体实施过程中，步骤S301具体包括如下步骤：

S3011：获取交通可移动区域的高精地图信息，以及交通可移动区域中多个真实交通参与者的历史轨迹信息；建立参照坐标系，设定训练参考时刻；

S3012：针对单个真实交通参与者，将其自身作为样本目标交通物体，将进入其周围预设定范围内的其他真实交通参与者作为样本关联交通参与者；

S3013：将交通可移动区域的高精地图信息、样本目标交通物体的历史轨迹信息、样本关联交通参与者的历史轨迹信息的时间戳对齐，并按照预设的采样频率进行采样(可通过降采样或插值处理，使达到同样的预设采样频率)，得到高精地图信息、样本目标交通物体的历史轨迹信息、样本关联交通参与者的历史轨迹信息在不同时刻的采样数据帧；

S3014：将高精地图信息、样本目标交通物体的历史轨迹信息、样本关联交通参与者的历史轨迹信息在同一时刻的采样数据帧叠加到参照坐标系，形成目标交通物体在该时刻的参照系叠加历史数据帧；由此，分别叠加处理获得样本目标交通物体在不同时刻的参照系叠加历史数据帧；

S3015：将所得到的样本目标交通物体在训练参考时刻及之前各时刻的参照系叠加历史数据帧的集合作为样本目标交通物体的轨迹特征数据向量，将所得到的样本目标交通物体在训练参考时刻之后各时刻的参照系叠加历史数据帧的集合作为样本目标交通物体的轨迹标签向量；

训练参考时刻可以设置在历史轨迹信息的中段或中段靠后的时刻，这样可以使得样本目标交通物体的轨迹特征数据向量的数据点相对较多、轨迹标签向量的数据点相对较少，较多的轨迹特征数据向量有助于增加交通轨迹预测模型的训练数据量，从而保证较好的训练效果，而轨迹标签向量主要起到训练性能验证作用，不需要过多的数据量；

S3016：针对各不同的真实交通参与者，重复执行步骤S3012至S3015，得到各样本目标交通物体的轨迹特征数据向量及对应的轨迹标签向量。

这样，通过获取到的交通可移动区域的高精地图信息，以及交通可移动区域中多个真实交通参与者的历史轨迹信息，就可以分别以不同的交通参与者作为样本目标交通物体，组建众多不同的训练样本轨迹特征数据向量及对应的轨迹标签向量，从而能够在同样有限的历史轨迹信息数据量条件下获得更大量的训练样本数据进行交通轨迹预测模型的训练，有利于更好的保证训练效果。在步骤S302从获取的样本目标交通物体中选取训练对象和测试对象时，也可以交替选取不同的交通参与者作为样本目标交通物体，用以对交通轨迹预测模型进行反复训练，更好的提升训练所得交通轨迹预测模型的预测性能。

同时，通过上述利用交通轨迹预测模型的轨迹预测过程以及针对交通轨迹预测模型的训练过程可以看到，本发明将交通可移动区域的高精地图信息、目标交通物体的历史轨迹信息、交通参与者的历史轨迹信息的时间戳对齐，并按照预设的采样频率进行采样，得到不同时刻的采样数据帧后，针对每一时刻的采样数据帧叠加到参照坐标系，以得到不同时刻的参照系叠加历史数据帧来作为轨迹特征数据向量，这样的叠加处理使得轨迹特征数据向量中能够结合高精地图信息和历史轨迹信息来呈现交通参与者的运行区域(所在位置区域或者车道区域)以及轨迹特性(运行速度、运行加速度、运行方位角、方位角变化率等)，这些信息有利于交通轨迹预测模型有效区分不同的交通参与者类型(行人、非机动车、机动车等)，并且这些不同类型交通参与者之间的运行轨迹相互影响、同时还受到交通环境区域条件(人行道、非机动车道、机动车道、红绿灯等)的限制约束，从而能够更客观、真实的反应不同类型的交通参与者的运行轨迹变化意图及趋势，使得本发明方案针对目标交通物体的交通参与者类型和运行轨迹加以更加准确和客观的预测。

具体应用实施中，可以针对交通轨迹预测模型进行约束条件的设计，使其能够设置交通参与者类型预测规则，进而使得交通轨迹预测模型能够根据所设置的交通参与者类型预测规则执行交通参与者类型的预测。

交通参与者类型预测规则中，预设定有交通参与者类型的可预测种类数量(可以包括机动车、非机动车、行人等)，并针对每一种交通参与者类型设置有对应的预测属性参数，所述预测属性参数包括：交通参与者类型的合理运行位置区域范围及其运行位置区域匹配率下限阈值、合理运行速度区间值及其运行速度匹配率下限阈值、合理运行加速度区间值及其运行加速度匹配率下限阈值、合理运行方位角区间值及其运行方位角匹配率下限阈值、以及合理运行方位角变化率区间值及其运行方位角变化率匹配率下限阈值。

每种交通参与者类型的各预测属性参数均通过对交通轨迹预测模型训练而确定。

由此，通轨迹预测模型能够根据交通参与者类型预测规则执行交通参与者类型预测的具体方式可以设计为：

S311：基于目标交通物体的轨迹特征数据向量分析确认目标交通物体在不同时刻的运行位置区域、运行速度、运行加速度、运行方位角以及运行方位角变化率；

S312：分别计算目标交通物体相对于各种交通参与者类型的如下参数：

运行位置区域匹配率：目标交通物体在不同时刻的运行位置区域落在交通参与者类型的合理运行位置区域范围以内的概率；

运行速度匹配率：目标交通物体在不同时刻的运行速度落在交通参与者类型的合理运行速度区间值以内的概率；

运行加速度匹配率：目标交通物体在不同时刻的运行加速度落在交通参与者类型的合理运行加速度区间值以内的概率；

运行方位角匹配率：目标交通物体在不同时刻的运行方位角落在交通参与者类型的合理运行方位角区间值以内的概率；

运行方位角变化率匹配率：目标交通物体在不同时刻的运行方位角变化率落在交通参与者类型的合理运行方位角变化率区间值以内的概率；

S313：根据步骤S312所计算参数进行判断，如果目标交通物体相对于一种交通参与者类型的运行位置区域匹配率、运行速度匹配率、运行加速度匹配率、运行方位角匹配率和运行方位角变化率匹配率均分别超过了该交通参与者类型对应的运行位置区域匹配率下限阈值、运行速度匹配率下限阈值、运行加速度匹配率下限阈值、运行方位角匹配率下限阈值和运行方位角变化率匹配率下限阈值，则判定目标交通物体属于该交通参与者类型，作为目标交通物体的交通参与者类型预测结果。

由此根据设计的交通参与者类型预测规则执行交通参与者类型的预测，能够针对性的根据不同类型的交通参与者在运行位置区域、运行速度、运行加速度、运行方位角、运行方位角变化率等多个具有关联性的信息维度呈现其具有可识别性的轨迹特性，有效提高针对不同交通参与者类型预测的真实性和准确性，同时，不同类型的交通参与者其轨迹运行的趋势也具有明显区别，因此交通参与者类型预测的准确性提升也能够相应辅助对交通参与者轨迹预测的准确性提升，从而进一步提高交通目标轨迹预测判断的准确性和技术应用适应能力。

实施例二：

本实施例中公开了一种可读存储介质。

一种可读存储介质，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本发明的交通目标轨迹预测方法的步骤。可读存储介质可以是U盘或计算机等具有可读存储功能的设备。

最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种交通目标轨迹预测方法，其特征在于，包括以下步骤：

S1：获取交通可移动区域的高精地图信息、目标交通物体的历史轨迹信息、以及目标交通物体周围预设定范围内的交通参与者的历史轨迹信息；

S2：对所述高精地图信息、目标交通物体的历史轨迹信息、以及目标周围预设定范围内的交通参与者的历史轨迹信息进行坐标重叠处理，将坐标重叠后所得的数据信息作为目标交通物体的轨迹特征数据向量；

S3：将所述目标交通物体的轨迹特征数据向量输入经过训练的交通轨迹预测模型中，输出目标交通物体的交通参与者类型预测结果和轨迹预测结果；所述交通轨迹预测模型基于残差神经网络构建，并基于真实交通参与者的运行轨迹数据训练得到；

S4：基于目标交通物体的交通参与者类型预测结果和轨迹预测结果，绘制所述目标交通物体此后的运行轨迹预测路线；

所述交通轨迹预测模型能够设置交通参与者类型预测规则，使得交通轨迹预测模型能够根据所设置的交通参与者类型预测规则执行交通参与者类型的预测；

所述交通参与者类型预测规则中，预设定有交通参与者类型的可预测种类数量，并针对每一种交通参与者类型设置有对应的预测属性参数，所述预测属性参数包括：交通参与者类型的合理运行位置区域范围及其运行位置区域匹配率下限阈值、合理运行速度区间值及其运行速度匹配率下限阈值、合理运行加速度区间值及其运行加速度匹配率下限阈值、合理运行方位角区间值及其运行方位角匹配率下限阈值、以及合理运行方位角变化率区间值及其运行方位角变化率匹配率下限阈值；

每种交通参与者类型的各预测属性参数均通过对交通轨迹预测模型训练而确定；

所述通轨迹预测模型能够根据交通参与者类型预测规则执行交通参与者类型预测的具体方式为：

S311：基于目标交通物体的轨迹特征数据向量分析确认目标交通物体在不同时刻的运行位置区域、运行速度、运行加速度、运行方位角以及运行方位角变化率；

S312：分别计算目标交通物体相对于各种交通参与者类型的如下参数：

运行位置区域匹配率：目标交通物体在不同时刻的运行位置区域落在交通参与者类型的合理运行位置区域范围以内的概率；

运行速度匹配率：目标交通物体在不同时刻的运行速度落在交通参与者类型的合理运行速度区间值以内的概率；

运行加速度匹配率：目标交通物体在不同时刻的运行加速度落在交通参与者类型的合理运行加速度区间值以内的概率；

运行方位角匹配率：目标交通物体在不同时刻的运行方位角落在交通参与者类型的合理运行方位角区间值以内的概率；

运行方位角变化率匹配率：目标交通物体在不同时刻的运行方位角变化率落在交通参与者类型的合理运行方位角变化率区间值以内的概率；

S313：根据步骤S312所计算参数进行判断，如果目标交通物体相对于一种交通参与者类型的运行位置区域匹配率、运行速度匹配率、运行加速度匹配率、运行方位角匹配率和运行方位角变化率匹配率均分别超过了该交通参与者类型对应的运行位置区域匹配率下限阈值、运行速度匹配率下限阈值、运行加速度匹配率下限阈值、运行方位角匹配率下限阈值和运行方位角变化率匹配率下限阈值，则判定目标交通物体属于该交通参与者类型，作为目标交通物体的交通参与者类型预测结果。

2.根据权利要求1所述的交通目标轨迹预测方法，其特征在于，所述步骤S1中，高精地图信息包括机动车可行驶区域及各机动车道边界、非机动车可行驶区域及各非机动车道边界、人行道区域及边界、交通信号灯状态及切换规则、以及前述各数据对应的时间戳。

3.根据权利要求1所述的交通目标轨迹预测方法，其特征在于，所述步骤S1中，目标交通物体的历史轨迹信息包括目标交通物体的历史位置坐标、历史运行速度、历史运行加速度、历史运行方位角、历史运行方位角变化率以及前述各数据对应的时间戳；

交通参与者的历史轨迹信息包括交通参与者的历史位置坐标、历史运行速度、历史运行加速度、历史运行方位角、历史运行方位角变化率以及前述各数据对应的时间戳。

4.根据权利要求1所述的交通目标轨迹预测方法，其特征在于，所述步骤S2具体包括：

S201：建立参照坐标系；

S202：将高精地图信息、目标交通物体的历史轨迹信息、交通参与者的历史轨迹信息的时间戳对齐，并按照预设的采样频率进行采样，得到高精地图信息、目标交通物体的历史轨迹信息、交通参与者的历史轨迹信息在不同时刻的采样数据帧；

S203：将高精地图信息、目标交通物体的历史轨迹信息、交通参与者的历史轨迹信息在同一时刻的采样数据帧叠加到参照坐标系，形成目标交通物体在该时刻的参照系叠加历史数据帧；由此，分别叠加处理获得目标交通物体在不同时刻的参照系叠加历史数据帧；

S204：将所得到的目标交通物体在各不同时刻的参照系叠加历史数据帧的集合，作为目标交通物体的轨迹特征数据向量。

5.根据权利要求4所述的交通目标轨迹预测方法，其特征在于，所述参照坐标系是高精地图信息、目标交通物体的历史轨迹信息、交通参与者的历史轨迹信息之中任一信息数据所在的坐标系。

6.根据权利要求1所述的交通目标轨迹预测方法，其特征在于，所述步骤S3中的交通轨迹预测模型通过如下步骤训练获得：

S301：基于获取的交通可移动区域的高精地图信息、多个样本目标交通物体的历史轨迹信息、以及每个样本目标交通物体周围预设定范围内的交通参与者的历史轨迹信息，处理得到各样本目标交通物体的轨迹特征数据向量及对应的轨迹标签向量；所述样本目标交通物体及其周围预设定范围内的交通参与者均为交通可移动区域内的真实交通参与者；

S302：从获取的样本目标交通物体中选取训练对象和测试对象，并标注确定各训练对象和测试对象各自所属的交通参与者类型标签，将各训练对象的集合作为训练数据集，将测试对象的集合作为测试数据集；

S303：将训练数据集中各训练对象的交通参与者类型标签、轨迹特征数据向量及对应的轨迹标签向量输入至交通轨迹预测模型进行训练，用以调整交通轨迹预测模型的参数；

S304：将测试数据集中各测试对象的轨迹特征数据向量输入交通轨迹预测模型中，基于各测试对象对应的交通参与者类型标签和轨迹标签向量与交通轨迹预测模型输出的交通参与者类型预测结果和轨迹预测结果进行匹配对比，评估交通轨迹预测模型的性能；

S305：若交通轨迹预测模型的性能未达到预设目标，则返回执行步骤S303；若交通轨迹预测模型的性能达到预设目标，则完成训练，得到经过训练的交通轨迹预测模型。

7.根据权利要求6所述的交通目标轨迹预测方法，其特征在于，所述步骤S301具体包括如下步骤：

S3011：获取交通可移动区域的高精地图信息，以及交通可移动区域中多个真实交通参与者的历史轨迹信息；建立参照坐标系，设定训练参考时刻；

S3012：针对单个真实交通参与者，将其自身作为样本目标交通物体，将进入其周围预设定范围内的其他真实交通参与者作为样本关联交通参与者；

S3013：将交通可移动区域的高精地图信息、样本目标交通物体的历史轨迹信息、样本关联交通参与者的历史轨迹信息的时间戳对齐，并按照预设的采样频率进行采样，得到高精地图信息、样本目标交通物体的历史轨迹信息、样本关联交通参与者的历史轨迹信息在不同时刻的采样数据帧；

S3014：将高精地图信息、样本目标交通物体的历史轨迹信息、样本关联交通参与者的历史轨迹信息在同一时刻的采样数据帧叠加到参照坐标系，形成目标交通物体在该时刻的参照系叠加历史数据帧；由此，分别叠加处理获得样本目标交通物体在不同时刻的参照系叠加历史数据帧；

S3015：将所得到的样本目标交通物体在训练参考时刻及之前各时刻的参照系叠加历史数据帧的集合作为样本目标交通物体的轨迹特征数据向量，将所得到的样本目标交通物体在训练参考时刻之后各时刻的参照系叠加历史数据帧的集合作为样本目标交通物体的轨迹标签向量；

S3016：针对各不同的真实交通参与者，重复执行步骤S3012至S3015，得到各样本目标交通物体的轨迹特征数据向量及对应的轨迹标签向量。

8.一种可读存储介质，其特征在于，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权利要求1-7任一项所述的交通目标轨迹预测方法的步骤。