CN115564800A - 行动轨迹预测方法和装置 - Google Patents

行动轨迹预测方法和装置 Download PDF

Info

Publication number
CN115564800A
CN115564800A CN202211254292.2A CN202211254292A CN115564800A CN 115564800 A CN115564800 A CN 115564800A CN 202211254292 A CN202211254292 A CN 202211254292A CN 115564800 A CN115564800 A CN 115564800A
Authority
CN
China
Prior art keywords
environment
characteristic information
target
action
predicted
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
Application number
CN202211254292.2A
Other languages
English (en)
Inventor
邓雅文
李肖赫
樊子德
张伊丹
刘晓暄
耿莹
赵新昱
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202211254292.2A priority Critical patent/CN115564800A/zh
Publication of CN115564800A publication Critical patent/CN115564800A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及行动轨迹技术领域，尤其涉及一种行动轨迹预测方法和装置。其中，行动轨迹预测方法包括：通过获取待监测目标在第一环境中的第一环境特征信息，将第一环境特征信息输入到预先训练好的行动轨迹预测模型中，根据第一环境特征信息在数字孪生虚拟环境中预测得到至少一条预测行动轨迹以及每条预测行动轨迹在周围环境中对应的预测环境特征信息，然后将第二环境特征信息与预测环境特征信息相匹配，根据匹配程度确定至少一条预测行动轨迹作为目标运行轨迹。本发明在预测监测目标的行动轨迹时，充分考虑到监测目标周围环境特征的变化，根据环境特征的变化以及匹配度确定目标运行轨迹，提高了监测目标的行动轨迹的预测的精度。

Description

行动轨迹预测方法和装置
技术领域
本发明涉及行动轨迹技术领域，尤其涉及一种行动轨迹预测方法和装置。
背景技术
近年来，随着科技的发展和人们生活质量的不断提高，越来越多的城市致力于建设智能化城市，以进一步改善居民的生活环境，其中智能交通已经成为智能化城市不可或缺的组成部分。
而智能交通的实现又依赖于对环境中的目标物的运动行动轨迹的预测，现有技术中对目标物的运动轨迹的预测方法主要是将目标物抽象为一个可移动的点，然后根据该点的历史位置预测出该点下一时刻的位置，进而根据预测出的该点下一时刻的位置，绘制该目标物在下一时刻的运动轨迹。公知的，目标物的移动轨迹一般随着环境的变化而时刻发生改变，仅仅根据历史位置信息进行运动轨迹预测，忽略了目标物所处的环境特征，减少了预测过程中的可供使用的有价值信息，使得预测得到的目标物的运动轨迹精确度不高。
发明内容
本发明提供一种行动轨迹预测方法和装置，用以解决现有技术中预测的目标物的运动轨迹精确度不高的技术缺陷。
一方面，本发明提供一种行动轨迹预测方法，包括：
获取待监测目标在第一环境中的第一环境特征信息；
将所述第一环境特征信息输入到预先训练好的行动轨迹预测模型中，所述行动轨迹预测模型用于根据所述第一环境特征信息选择对应的数字孪生虚拟环境，并根据所述第一环境特征信息在所述数字孪生虚拟环境中预测得到至少一条预测行动轨迹以及每条预测行动轨迹在周围环境中对应的预测环境特征信息；
获取所述待监测目标在第二环境中的第二环境特征信息；
将所述第二环境特征信息与所述预测环境特征信息相匹配，根据匹配程度确定至少一条预测行动轨迹作为目标运行轨迹。
根据本发明提供的一种行动轨迹预测方法，所述行动轨迹预测模型通过以下方法训练获取：
获取待监测环境中多位移动目标对应的监控视频；
对所述监控视频进行特征提取，得到每位移动目标开始移动时对应的第三环境特征信息作为训练输入数据集；
对所述监控视频进行特征提取，得到每位移动目标对应的行动轨迹以及行动轨迹的周围的第四环境特征信息；将所述每位移动目标对应的行动轨迹以及行动轨迹的周围的第四环境特征信息作为训练输出数据集；
采用所述训练输入数据集和训练输出数据集对初始行动轨迹预测模型进行训练，得到所述训练好的行动轨迹预测模型。
根据本发明提供的一种行动轨迹预测方法，所述第一环境特征信息、第二环境特征信息、第三环境特征信息和第四环境特征信息均包括位置信息、标志性建筑信息、路标信息和目标转向信息中的一种或多种。
根据本发明提供的一种行动轨迹预测方法，所述将所述第二环境特征信息与所述预测环境特征信息相匹配，根据匹配程度确定至少一条预测行动轨迹作为目标运行轨迹包括：
计算所述第二环境特征信息与所述预测环境特征信息之间的匹配度，确定匹配度排名靠前的一个或者多个预测行动轨迹作为目标运行轨迹。
根据本发明提供的一种行动轨迹预测方法，在获取待监测目标在第一环境中的第一环境特征信息之前还包括：
从监控区块链中获取待监测目标的监控视频；
对所述监控视频进行特征提取得到所述待监测目标在第一环境中的第一环境特征信息。
另一方面，本发明还提供一种行动轨迹预测装置，包括：
第一特征提取模块，用于获取待监测目标在第一环境中的第一环境特征信息；
预测行动轨迹确定模块，用于将所述第一环境特征信息输入到预先训练好的行动轨迹预测模型中，所述行动轨迹预测模型用于根据所述第一环境特征信息选择对应的数字孪生虚拟环境，并根据所述第一环境特征信息在所述数字孪生虚拟环境中预测得到至少一条预测行动轨迹以及每条预测行动轨迹在周围环境中对应的预测环境特征信息；
第二特征提取模块，用于获取所述待监测目标在第二环境中的第二环境特征信息；
目标运行轨迹确定模块，用于将所述第二环境特征信息与所述预测环境特征信息相匹配，根据匹配程度确定至少一条预测行动轨迹作为目标运行轨迹。
根据本发明提供的一种行动轨迹预测装置，所述行动轨迹预测模型通过以下方法训练获取：
获取待监测环境中多位移动目标对应的监控视频；
对所述监控视频进行特征提取，得到每位移动目标开始移动时对应的第三环境特征信息作为训练输入数据集；
对所述监控视频进行特征提取，得到每位移动目标对应的行动轨迹以及行动轨迹的周围的第四环境特征信息；将所述每位移动目标对应的行动轨迹以及行动轨迹的周围的第四环境特征信息作为训练输出数据集；
采用所述训练输入数据集和训练输出数据集对初始行动轨迹预测模型进行训练，得到所述训练好的行动轨迹预测模型。
另一方面，本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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上述任一种所述行动轨迹预测方法。
另一方面，本发明还提供一种非暂态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上述任一种所述行动轨迹预测方法。
另一方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述行动轨迹预测方法。
本发明提供的行动轨迹预测方法，通过获取待监测目标在第一环境中的第一环境特征信息，将第一环境特征信息输入到预先训练好的行动轨迹预测模型中，根据第一环境特征信息在数字孪生虚拟环境中预测得到至少一条预测行动轨迹以及每条预测行动轨迹在周围环境中对应的预测环境特征信息，然后将第二环境特征信息与预测环境特征信息相匹配，根据匹配程度确定至少一条预测行动轨迹作为目标运行轨迹。本发明在预测监测目标的行动轨迹时，充分考虑到监测目标周围环境特征的变化，根据环境特征的变化以及匹配度确定目标运行轨迹，提高了监测目标的行动轨迹的预测的精度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的行动轨迹预测方法的流程示意图；
图2是本发明提供的行动轨迹预测模型训练方法的流程示意图；
图3是本发明提供的行动轨迹预测装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。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。
下面结合图1-图3描述本发明的技术方案。
本发明基于数字孪生技术，将移动目标的周围环境特征信息作为重要的预测依据，通过将上一时刻的第一环境特征信息输入到训练好的行动轨迹预测模型中，根据第一环境特征信息预测得到至少一条预测行动轨迹以及每条预测行动轨迹对应的预测环境特征信息；进一步获取当前时刻的第二环境特征信息，将第二环境特征信息与预测环境特征信息相匹配，根据匹配程度即可确定至少一条预测行动轨迹作为目标运行轨迹。
实施例一：
本实施例提供一种行动轨迹预测方法，如图1，该行动轨迹预测方法包括：
步骤101：获取待监测目标在第一环境中的第一环境特征信息。
可以理解的是，随着待监测目标的移动，其周围的环境不断发生变化，因此其周围的环境对应的环境特征信息也在不断的发生变化。其中，第一环境也可以理解第一时刻下的周围环境，通常情况下，待监测目标是不断移动的，因此在不同的时刻，其周围的环境对应的环境特征信息也在不断的发生变化。
本实施例中，从监控区块链中获取待监测目标的监控视频，然后确定在监控视频中确定待监测目标后，对监控视频进行特征提取得到待监测目标在第一环境中的第一环境特征信息。
步骤102：将第一环境特征信息输入到预先训练好的行动轨迹预测模型中，行动轨迹预测模型用于根据第一环境特征信息选择对应的数字孪生虚拟环境，并根据第一环境特征信息在数字孪生虚拟环境中预测得到至少一条预测行动轨迹以及每条预测行动轨迹在周围环境中对应的预测环境特征信息。
其中，行动轨迹预测模型预先获取大量的监控数据，可以生成不同区域对应的数字孪生虚拟环境，因此可以根据输入的第一环境特征信息确定，该第一环境特征信息出现在那个数字孪生虚拟环境，从而确定选择那个数字孪生虚拟环境。其中，行动轨迹预测模型通过大量数据训练，其可以根据当前输入的环境特征信息，预测出和该环境特征信息相关的行动轨迹。例如，当前输入的第一环境特征信息包括：第一小学门口，则行动轨迹预测模型根据“第一小学门口”，即可预测出经过第一小学门口可能存在的几条预测行动轨迹，同时根据历史的训练数据，可以同时获取每条预测行动轨迹上周围环境对应的预测环境特征信息，该预测环境特征信息即预测行动轨迹上的环境特征信息，即可以理解为随着行动轨迹的变化，周围环境中的环境特征信息也在不断的变化，因此同时获取每个预测行动轨迹上不断变化的环境特征信息。
步骤103：获取待监测目标在第二环境中的第二环境特征信息。
其中，第一环境可以理解为在上一时刻的待监测目标周围的环境，在第一环境中对应的第一环境特征信息即为上一时刻的待监测目标周围的环境特征信息。在第二环境可以理解为在当前时刻待监测目标周围的环境，对应的，第二环境特征信息即为在当前时刻待监测目标周围的环境特征信息。
步骤104：将第二环境特征信息与预测环境特征信息相匹配，根据匹配程度确定至少一条预测行动轨迹作为目标运行轨迹。
其中，本实施例中采用特征匹配的方法计算第二环境特征信息与预测环境特征信息之间的匹配度，确定匹配度排名靠前的一个或者多个预测行动轨迹作为目标运行轨迹。例如，行动轨迹预测模型输出五条预测行动轨迹以及每条预测行动轨迹对应的预测环境特征信息。将第二环境特征信息和预测环境特征信息进行特征匹配后，得到匹配度最高的一条预测行动轨迹作为目标运行轨迹。如果将第二环境特征信息和预测环境特征信息进行特征匹配后，得到匹配度相近的两条预测行动轨迹，这将这两条预测行动轨迹均作为目标运行轨迹，到下一时刻继续采集监测目标周围的环境特征信息，通过进一步的和这两条目标运行轨迹进行特征匹配，确定匹配度高的一条预测行动轨迹作为最终的目标运行轨迹。
本实施例的行动轨迹预测方法充分考虑到了环境特征信息对预测精度的影响，同时采用数字孪生和神经网络的知识，基于数字孪生技术生成虚拟环境，通过神经网络的深度学习技术在虚拟环境中预测出可能的预测行动轨迹，最后通过一次或者多次环境特征匹配，得到匹配度高的预测行动轨迹作为最终的目标运行轨迹。经过测试，采用本实施例的行动轨迹预测方法，预测精度较高。
其中，本实施例的第一环境特征信息、第二环境特征信息、第三环境特征信息和第四环境特征信息分别指的是在不同的环境下周围的环境特征信息，本实施例的环境特征信息考虑的主要特征包括：位置信息、标志性建筑信息、路标信息和目标转向信息中的一种或多种。
其中，位置信息即为待监测目标在当前大的环境中的位置，例如将一个城市的环境信息通过数字孪生技术虚拟成一个三维地图，则待监测目标则表示待监测目标在虚拟的三维地图中的坐标。标志性建筑信息即为可以作为路标的建筑，有时候建筑本身占地较大，例如同时毗邻两个道路，此时标志性建筑信息也可以理解为建筑的某一面信息或者建筑的大门信息等，只要能够根据建筑的特征信息确定当前的道路信息或者方位信息即可。其中，路标信息是一个重要的特征信息，路标信息明确的指示了当前道路的名称和方向，因此需要重点采集。同时，也要采集目标的转向信息等，例如待监测目标是车辆时，可以采用车辆的转向信息，例如待监测目标是行人的话，可以采用行人的头部的转向或者身体转向信息。
其中，本实施例中在获取待监测目标在不同环境中的环境特征信息时，首先从监控区块链中获取待监测目标的监控视频。一般每个地区均设有独立的监控区块链，通过摄像头采集的视频资料都上传至监控区块链中。对监控视频进行特征提取得到待监测目标在当前环境中的环境特征信息，然后根据路径的位置信息将环境特征信息进行对应存储，以方便后续进行环境特征信息匹配。
其中，行动轨迹预测模型可以是针对一个区域训练一个，也可以是针对一个城市训练一个行动轨迹预测模型。并且，根据需要预测的待监测目标的不同，训练时候的数据集选择也不同。例如，仅仅为了预测某一类工作的人群的行动轨迹，则可以仅仅只选择这一类工作的人员的历史行动轨迹作为训练数据，例如仅仅需要预测环卫工人的行动轨迹，则可以采集当前区域内多名环卫工作的历史行动轨迹以及历史行动轨迹周围的环境特征信息作为训练数据即可。如果需要对某一个区域内任意一个人员的行动轨迹进行预测，则可以采集某一个区域内一段时间内的任意多个路人的历史行动轨迹以及对应的环境特征信息作为训练数据集，用于训练行动轨迹预测模型。在一种实施例中，当待监测目标为车辆时，也可以采用多个车辆的历史行动轨迹作为训练数据来训练行动轨迹预测模型。
本实施例中的行动轨迹预测模型通过以下方法训练获取：
步骤201：获取待监测环境中多位移动目标对应的监控视频。
步骤202：对监控视频进行特征提取，得到每位移动目标开始移动时对应的第三环境特征信息作为训练输入数据集。
可以理解的是，由于每位移动目标开始移动时所处的位置不同且开始移动的时刻不同，因此对应的第三环境特征信息也不同。
步骤203：对监控视频进行特征提取，得到每位移动目标对应的行动轨迹以及行动轨迹的周围的第四环境特征信息；将每位移动目标对应的行动轨迹以及行动轨迹的周围的第四环境特征信息作为训练输出数据集。
其中，每位移动目标对应的行动轨迹可以通过移动目标在移动过程中的坐标拟合而成。
步骤204：采用训练输入数据集和训练输出数据集对初始行动轨迹预测模型进行训练，得到训练好的行动轨迹预测模型。
本实施例采用大量的训练输入数据集输入到初始行动轨迹预测模型中，以每个每个移动目标对应的行动轨迹以及对应的第四环境特征信息作为训练输出数据集，以此训练行动轨迹预测模型，直到通过对行动轨迹预测模型进行验证，确定行动轨迹预测模型的预测精度达到要求，则确定行动轨迹预测模型训练完成。
实施例二：
下面对本发明提供的行动轨迹预测装置进行描述，下文描述的行动轨迹预测装置与上文描述的行动轨迹预测方法可相互对应参照。
一种行动轨迹预测装置，如图3，该行动轨迹预测装置包括：第一特征提取模块301、预测行动轨迹确定模块302、第二特征提取模块303和目标运行轨迹确定模块304。
其中，第一特征提取模块301用于获取待监测目标在第一环境中的第一环境特征信息。预测行动轨迹确定模块302用于将第一环境特征信息输入到预先训练好的行动轨迹预测模型中，行动轨迹预测模型用于根据第一环境特征信息选择对应的数字孪生虚拟环境，并根据第一环境特征信息在数字孪生虚拟环境中预测得到至少一条预测行动轨迹以及每条预测行动轨迹在周围环境中对应的预测环境特征信息。第二特征提取模块303用于获取待监测目标在第二环境中的第二环境特征信息。目标运行轨迹确定模块304用于将第二环境特征信息与预测环境特征信息相匹配，根据匹配程度确定至少一条预测行动轨迹作为目标运行轨迹。
其中，本实施例的行动轨迹预测模型的训练方法和上述实施例一中相同，另外，本实施例中各个功能模块的实现方法和上述实施例一中相同，此处不再赘述。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行上述各个方法提供的行动轨迹预测方法，该方法包括：获取待监测目标在第一环境中的第一环境特征信息；将第一环境特征信息输入到预先训练好的行动轨迹预测模型中，行动轨迹预测模型用于根据第一环境特征信息选择对应的数字孪生虚拟环境，并根据第一环境特征信息在数字孪生虚拟环境中预测得到至少一条预测行动轨迹以及每条预测行动轨迹在周围环境中对应的预测环境特征信息；获取待监测目标在第二环境中的第二环境特征信息；将第二环境特征信息与预测环境特征信息相匹配，根据匹配程度确定至少一条预测行动轨迹作为目标运行轨迹。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的行动轨迹预测方法，该方法包括：获取待监测目标在第一环境中的第一环境特征信息；将第一环境特征信息输入到预先训练好的行动轨迹预测模型中，行动轨迹预测模型用于根据第一环境特征信息选择对应的数字孪生虚拟环境，并根据第一环境特征信息在数字孪生虚拟环境中预测得到至少一条预测行动轨迹以及每条预测行动轨迹在周围环境中对应的预测环境特征信息；获取待监测目标在第二环境中的第二环境特征信息；将第二环境特征信息与预测环境特征信息相匹配，根据匹配程度确定至少一条预测行动轨迹作为目标运行轨迹。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的行动轨迹预测方法，该方法包括：获取待监测目标在第一环境中的第一环境特征信息；将第一环境特征信息输入到预先训练好的行动轨迹预测模型中，行动轨迹预测模型用于根据第一环境特征信息选择对应的数字孪生虚拟环境，并根据第一环境特征信息在数字孪生虚拟环境中预测得到至少一条预测行动轨迹以及每条预测行动轨迹在周围环境中对应的预测环境特征信息；获取待监测目标在第二环境中的第二环境特征信息；将第二环境特征信息与预测环境特征信息相匹配，根据匹配程度确定至少一条预测行动轨迹作为目标运行轨迹。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种行动轨迹预测方法，其特征在于，包括：
获取待监测目标在第一环境中的第一环境特征信息；
将所述第一环境特征信息输入到预先训练好的行动轨迹预测模型中，所述行动轨迹预测模型用于根据所述第一环境特征信息选择对应的数字孪生虚拟环境，并根据所述第一环境特征信息在所述数字孪生虚拟环境中预测得到至少一条预测行动轨迹以及每条预测行动轨迹在周围环境中对应的预测环境特征信息；
获取所述待监测目标在第二环境中的第二环境特征信息；
将所述第二环境特征信息与所述预测环境特征信息相匹配，根据匹配程度确定至少一条预测行动轨迹作为目标运行轨迹。
2.根据权利要求1所述的行动轨迹预测方法，其特征在于，所述行动轨迹预测模型通过以下方法训练获取：
获取待监测环境中多位移动目标对应的监控视频；
对所述监控视频进行特征提取，得到每位移动目标开始移动时对应的第三环境特征信息作为训练输入数据集；
对所述监控视频进行特征提取，得到每位移动目标对应的行动轨迹以及行动轨迹的周围的第四环境特征信息；将所述每位移动目标对应的行动轨迹以及行动轨迹的周围的第四环境特征信息作为训练输出数据集；
采用所述训练输入数据集和训练输出数据集对初始行动轨迹预测模型进行训练，得到所述训练好的行动轨迹预测模型。
3.根据权利要求1所述的行动轨迹预测方法，其特征在于，所述第一环境特征信息、第二环境特征信息、第三环境特征信息和第四环境特征信息均包括位置信息、标志性建筑信息、路标信息和目标转向信息中的一种或多种。
4.根据权利要求1所述的行动轨迹预测方法，其特征在于，所述将所述第二环境特征信息与所述预测环境特征信息相匹配，根据匹配程度确定至少一条预测行动轨迹作为目标运行轨迹包括：
计算所述第二环境特征信息与所述预测环境特征信息之间的匹配度，确定匹配度排名靠前的一个或者多个预测行动轨迹作为目标运行轨迹。
5.根据权利要求1所述的行动轨迹预测方法，其特征在于，在获取待监测目标在第一环境中的第一环境特征信息之前还包括：
从监控区块链中获取待监测目标的监控视频；
对所述监控视频进行特征提取得到所述待监测目标在第一环境中的第一环境特征信息。
6.一种行动轨迹预测装置，其特征在于，包括：
第一特征提取模块，用于获取待监测目标在第一环境中的第一环境特征信息；
预测行动轨迹确定模块，用于将所述第一环境特征信息输入到预先训练好的行动轨迹预测模型中，所述行动轨迹预测模型用于根据所述第一环境特征信息选择对应的数字孪生虚拟环境，并根据所述第一环境特征信息在所述数字孪生虚拟环境中预测得到至少一条预测行动轨迹以及每条预测行动轨迹在周围环境中对应的预测环境特征信息；
第二特征提取模块，用于获取所述待监测目标在第二环境中的第二环境特征信息；
目标运行轨迹确定模块，用于将所述第二环境特征信息与所述预测环境特征信息相匹配，根据匹配程度确定至少一条预测行动轨迹作为目标运行轨迹。
7.根据权利要求1所述的行动轨迹预测装置，其特征在于，所述行动轨迹预测模型通过以下方法训练获取：
获取待监测环境中多位移动目标对应的监控视频；
对所述监控视频进行特征提取，得到每位移动目标开始移动时对应的第三环境特征信息作为训练输入数据集；
对所述监控视频进行特征提取，得到每位移动目标对应的行动轨迹以及行动轨迹的周围的第四环境特征信息；将所述每位移动目标对应的行动轨迹以及行动轨迹的周围的第四环境特征信息作为训练输出数据集；
采用所述训练输入数据集和训练输出数据集对初始行动轨迹预测模型进行训练，得到所述训练好的行动轨迹预测模型。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述行动轨迹预测方法。
9.一种非暂态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至5任一项所述行动轨迹预测方法。
10.一种计算机程序产品，包括计算机程序，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至5任一项所述行动轨迹预测方法。
CN202211254292.2A 2022-10-13 2022-10-13 行动轨迹预测方法和装置 Pending CN115564800A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211254292.2A CN115564800A (zh) 2022-10-13 2022-10-13 行动轨迹预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211254292.2A CN115564800A (zh) 2022-10-13 2022-10-13 行动轨迹预测方法和装置

Publications (1)

Publication Number Publication Date
CN115564800A true CN115564800A (zh) 2023-01-03

Family

ID=84744098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211254292.2A Pending CN115564800A (zh) 2022-10-13 2022-10-13 行动轨迹预测方法和装置

Country Status (1)

Country Link
CN (1) CN115564800A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117311396A (zh) * 2023-11-30 2023-12-29 中国科学院空天信息创新研究院 飞行监控方法、装置、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117311396A (zh) * 2023-11-30 2023-12-29 中国科学院空天信息创新研究院 飞行监控方法、装置、设备及介质
CN117311396B (zh) * 2023-11-30 2024-04-09 中国科学院空天信息创新研究院 飞行监控方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
US11131993B2 (en) Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout
CN112015847B (zh) 一种障碍物的轨迹预测方法、装置、存储介质及电子设备
CN110377025A (zh) 用于自动驾驶车辆的传感器聚合框架
JP5278419B2 (ja) 運転シーンの遷移予測装置及び車両用推奨運転操作提示装置
Niranjan et al. Deep learning based object detection model for autonomous driving research using carla simulator
CN112734808B (zh) 一种车辆行驶环境下易受伤害道路使用者的轨迹预测方法
WO2021127507A1 (en) Vehicle intent prediction neural network
US20230150550A1 (en) Pedestrian behavior prediction with 3d human keypoints
CN114446049B (zh) 基于社会价值取向的交通流预测方法、系统、终端及介质
EP4060626A1 (en) Agent trajectory prediction using context-sensitive fusion
CN112329645B (zh) 图像检测方法、装置、电子设备及存储介质
CN113159403B (zh) 路口行人轨迹预测的方法及装置
Schäfer et al. Context-aware scene prediction network (caspnet)
CN116467615A (zh) 车辆轨迹的聚类方法和装置、存储介质和电子装置
CN115564800A (zh) 行动轨迹预测方法和装置
CN113160279A (zh) 一种地铁环境中行人异常行为检测方法及装置
CN116859931A (zh) 轨迹规划模型的训练方法、车辆控制方式及装置
WO2022104256A1 (en) Processing sparse top-down input representations of an environment using neural networks
CN118171723A (zh) 智能驾驶策略的部署方法、装置、设备、存储介质和程序产品
CN115984634B (zh) 图像检测方法、装置、设备、存储介质和程序产品
CN111179610B (zh) 一种交通信号设备的控制方法及装置
US20230082365A1 (en) Generating simulated agent trajectories using parallel beam search
CN116501820A (zh) 车辆轨迹预测方法、装置、设备及存储介质
CN113119996B (zh) 一种轨迹预测方法、装置、电子设备及存储介质
CN115115084A (zh) 使用占用流场预测代理在环境中的未来移动

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