CN115859631A - 交通对象行为预测方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种交通对象行为预测方法、装置、设备及存储介质。选定目标交通对象，并以目标交通对象为中心，选取第一预设范围内的若干点作为感知点，针对目标交通对象第二预设范围内的参考交通对象，以参考交通对象为有向距离场的场源，计算每一感知点在有向距离场中的距离和梯度值，将感知点在有向距离场中的距离和梯度值转换为参考交通对象对目标交通对象的行为影响的影响因子，基于所有参考交通对象对目标交通对象的影响因子，确定目标交通对象与所有参考交通对象的交互特征，基于交互特征预测目标交通对象的行为，能够提高预测准确度，并学习到具有高泛化性的交互预测能力。

Description

交通对象行为预测方法、装置、设备及存储介质

技术领域

本发明涉及自动驾驶技术，尤其涉及一种交通对象行为预测方法、装置、设备及存储介质。

背景技术

自动驾驶技术通过搭载的传感器对其周围环境进行感知，采集环境信息，通过控制装置(即，车载智能大脑)中预先训练的无人驾驶模型对环境信息进行精准的计算分析，并最终通过向ECU(Electronic Control Unit，电子控制单元)发出指令来分别控制自动驾驶车辆中的不同设备，从而实现车辆的全自动运行，达到动驶的目的。

在自动驾驶技术中，为了更好地预测交通对象的行为，作出正确的决策，需要对交通对象之间交互进行建模，提取交互特征。

现有的行为预测方案大多基于深度神经网络，将交通对象之间交互行为的建模问题转化为了对交通对象交互行为的特征提取和融合问题。但是，深度神经网络提取的特征包含对外界而言不可观测的信息，如该交通对象的意图，导致深度神经网络无法有效学习到交通对象之间的交互机制，无法准确预测交通对象的行为。

发明内容

本发明提供一种交通对象行为预测方法、装置、设备及存储介质，能够提高预测准确度，并学习到具有高泛化性的交互预测能力。

第一方面，本发明提供了一种交通对象行为预测方法，包括：

选定目标交通对象，并以所述目标交通对象为中心，选取第一预设范围内的若干点作为感知点；

针对所述目标交通对象第二预设范围内的参考交通对象，以所述参考交通对象为有向距离场的场源，计算每一所述感知点在所述有向距离场中的距离和梯度值；

将所述感知点在所述有向距离场中的距离和梯度值转换为所述参考交通对象对所述目标交通对象的行为影响的影响因子；

基于所有参考交通对象对所述目标交通对象的影响因子，确定所述目标交通对象与所有参考交通对象的交互特征；

基于所述交互特征预测所述目标交通对象的行为。

可选的，以所述目标交通对象为中心，选取第一预设范围内的若干点作为感知点，包括：

确定所述目标交通对象的包络盒；

选取所述包络盒上的四个顶点作为感知点。

可选的，以所述参考交通对象为有向距离场的场源，计算每一所述感知点在所述有向距离场中的距离和梯度值，包括：

以所述参考交通对象为有向距离场的场源，构建有向距离场中的点到所述场源的距离函数；

将所述感知点的坐标代入所述距离函数，计算所述感知点在所述有向距离场中的距离；

计算所述距离函数在所述感知点处的梯度值。

可选的，将所述感知点在所述有向距离场中的距离和梯度值转换为所述参考交通对象对所述目标交通对象的行为影响的影响因子，包括：

采用预设的单调递减且可微的变换函数对所述距离和所述梯度值进行变换，将所述距离和所述梯度值变换为第一影响因子和第二影响因子；

在只考虑参考交通对象在全局坐标中运动的情况下，计算所述感知点在全局坐标系下第一影响因子的时间偏导数作为第三影响因子；

在考虑参考交通对象和目标交通对象在全局坐标中相对运动的情况下，计算所述感知点在全局坐标系下第一影响因子的时间全导数作为第四影响因子。

可选的，采用预设的单调递减且可微的变换函数对所述距离和所述梯度值进行变换，将所述距离和所述梯度值变换为第一影响因子和第二影响因子，包括：

将所述距离代入所述变换函数，得到第一影响因子；

计算所述变换函数在所述距离处的导数；

计算所述导数与所述梯度的乘积，得到所述第二影响因子。

可选的，基于所有参考交通对象对所述目标交通对象的影响因子，确定所述目标交通对象与所有参考交通对象的交互特征，包括：

针对每一所述参考交通对象，将所述影响因子和表征所述参考交通对象的本征属性的属性向量组合成特征向量；

提取每一所述特征向量的高维特征；

聚合所有所述特征向量的高维特征，得到所述目标交通对象与所有参考交通对象的交互特征。

可选的，聚合所有所述特征向量的高维特征，得到所述目标交通对象与所有参考交通对象的交互特征，包括：

将所有所述特征向量的高维特征组合成特征矩阵；

对所述特征矩阵中的每一维度的多个元素作池化操作，得到所述目标交通对象与所有参考交通对象的交互特征。

可选的，所述池化操作包括最大池化、最小池化和平均池化。

第二方面，本发明还提供了一种交通对象行为预测装置，包括：

感知点确定模块，用于选定目标交通对象，并以所述目标交通对象为中心，选取第一预设范围内的若干点作为感知点；

计算模块，用于针对所述目标交通对象第二预设范围内的参考交通对象，以所述参考交通对象为有向距离场的场源，计算每一所述感知点在所述有向距离场中的距离和梯度值；

转换模块，用于将所述感知点在所述有向距离场中的距离和梯度值转换为所述参考交通对象对所述目标交通对象的行为影响的影响因子；

交互特征确定模块，用于基于所有参考交通对象对所述目标交通对象的影响因子，确定所述目标交通对象与所有参考交通对象的交互特征；

行为预测模块，用于基于所述交互特征预测所述目标交通对象的行为。

第三方面，本发明还提供了一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明第一方面提供的交通对象行为预测方法。

第四方面，本发明还提供了一种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本发明第一方面提供的交通对象行为预测方法。

本发明提供的交通对象行为预测方法，包括：选定目标交通对象，并以目标交通对象为中心，选取第一预设范围内的若干点作为感知点，针对目标交通对象第二预设范围内的参考交通对象，以参考交通对象为有向距离场的场源，计算每一感知点在有向距离场中的距离和梯度值，将感知点在有向距离场中的距离和梯度值转换为参考交通对象对目标交通对象的行为影响的影响因子，基于所有参考交通对象对目标交通对象的影响因子，确定目标交通对象与所有参考交通对象的交互特征，基于交互特征预测目标交通对象的行为，本发明以参考交通对象为有向距离场的场源，计算目标交通对象的感知点在有向距离场中的距离和梯度值，将距离和梯度值转换为参考交通对象对目标交通对象的行为影响的影响因子，并基于影响因子确定目标交通对象与所有参考交通对象的交互特征，能够有效地提取包含对外界而言不可观测的信息，提高预测准确度，提取到的交互特征使得深度神经网络能够高效地表征和处理多交通对象的交互，从而得以学习到具有高泛化性的交互预测能力。

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为本发明实施例提供的一种交通对象行为预测方法的流程图；

图2为本发明实施例提供的一种交通对象行为预测装置的结构示意图；

图3为本发明的实施例提供的一种电子设备的结构示意图。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

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“第一”、“第二”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。

图1为本发明实施例提供的一种交通对象行为预测方法的流程图，本实施例可适用于交通对象的行为预测的情况，该方法可以由本发明实施例提供的交通对象行为预测装置来执行，该装置可以由软件和/或硬件的方式实现，通常配置于电子设备中，如图1所示，交通对象行为预测方法具体包括如下步骤：

S101、选定目标交通对象，并以目标交通对象为中心，选取第一预设范围内的若干点作为感知点。

在本发明实施例中，选择交通场景中的任意交通参与对象为目标交通对象A，示例性的，目标交通对象A可以自动驾驶车辆自身或其他交通参与对象，例如，其他车辆、非机动车或行人等，本发明实施例在此不做限定。

在选定目标交通对象A之后，以目标交通对象A为中心，选取第一预设范围内的若干点作为感知点，得到感知点集合{A_i}。

在交通对象行为预测的前置步骤中通常会涉及交通对象的识别与检测，在检测出交通对象后，为了便于建模，通常采用能够包裹交通对象的最小立方体(即包络盒)表示交通对象。示例性的，在本发明的一些实施例中，在选定目标交通对象A之后，确定目标交通对象A的包络盒，从包络盒上取若干点作为感知点A_i。示例性的，为了选取方便，选取包络盒上的四个顶点作为感知点A_i。在本发明的其他实施例中，也可以选择包络盒上的其他点作为感知点，例如，包络盒的边的中点等，本发明实施例在此不做限定。

S102、针对目标交通对象第二预设范围内的参考交通对象，以参考交通对象为有向距离场的场源，计算每一感知点在有向距离场中的距离和梯度值。

在本发明实施例中，以目标交通对象A为中心，将目标交通对象A第二预设范围内的其他交通参与对象视为参考交通对象B_j，得到一个参考交通对象的集合{B_j}。针对每一参考交通对象B_j，以参考交通对象B_j为有向距离场(Signed Distance Field，SDF)的场源，计算每一感知点在有向距离场中的距离和梯度值。该有向距离场是由空间中的点(感知点)到参考交通对象B_j的表面的最短有向距离组成的，通常，在参考交通对象B_j内部的点到参考交通对象B_j表面的距离为负，在参考交通对象B_j外部的点到参考交通对象B_j表面的距离为正。

示例性的，在本发明的一些实施例中，以参考交通对象B_j为有向距离场的场源，构建有向距离场中的点到场源的距离函数。在选定感知点之后，针对每一感知点A_i，将感知点A_i的坐标代入距离函数，计算感知点A_i在有向距离场中的距离，记为SDF(A_i；B_j)，同时，计算距离函数在感知点A_i处的梯度值，记为grad(SDF(A_i；B_j))。

S103、将感知点在有向距离场中的距离和梯度值转换为参考交通对象对目标交通对象的行为影响的影响因子。

在本发明实施例中，感知点A_i在以参考交通对象B_j为场源的有向距离场中的距离可以表征参考交通对象对目标交通对象的影响，但是这种影响是呈反相关的关系，即感知点A_i在以参考交通对象B_j为场源的有向距离场中的距离越大，参考交通对象对目标交通对象的影响越小，因此，可以将感知点在有向距离场中的距离和梯度值转换为参考交通对象对目标交通对象的行为影响的影响因子，影响因子表征参考交通对象对目标交通对象的影响，且呈正相关的关系。示例性的，可以通过多种变换，得到多个影响因子，本发明实施例在此不做限定。

示例性的，在本发明的一些实施例中，上述步骤S103包括如下子步骤：

1、采用预设的单调递减且可微的变换函数对距离和梯度值进行变换，将距离和梯度值变换为第一影响因子和第二影响因子。

在本发明实施例中，为了将与表征参考交通对象对目标交通对象的影响反相关的距离和梯度值转换为与表征参考交通对象对目标交通对象的影响正相关的影响因子，采用预设的单调递减且可微的变换函数对距离和梯度值进行变换，将距离和梯度值分别变换为第一影响因子和第二影响因子。在本发明实施例中，考虑到目标交通对象上的感知点不可能位于参考交通对象内部，因此，变换函数可设置为在[0，+∞)区间单调递减且可微。

示例性的，在本发明一具体实施例中，变换函数可以为f(x)＝exp(-x)，满足在[0，+∞)区间单调递减且可微，且f(x)在自变量正无穷大时趋近于0，契合无穷远处的参考交通对象对目标交通对象的影响几乎为0。具体的，将距离SDF(A_i；B_j)代入变换函数f(x)，得到第一影响因子f(SDF(A_i；B_j))，记为s_ij。计算变换函数f(x)在SDF(A_i；B_j)处的导数f’(SDF(A_i；B_j))，计算导数与梯度grad(SDF(A_i；B_j))的乘积f’(SDF(A_i；B_j))*grad(SDF(A_i；B_j))，得到所述第二影响因子，记为g_ij。在本发明的其他实施例中，变换函数也可以是其他在[0，+∞)区间单调递减且可微的函数，本发明实施例在此不做限定。

2、在只考虑参考交通对象在全局坐标中运动的情况下，计算感知点在全局坐标系下第一影响因子的时间偏导数作为第三影响因子。

进一步的，考虑到参考交通对象是运动的，时间因素也会影响参考交通对象与目标交通对象的交互，因此，在本发明实施例中，在只考虑参考交通对象在全局坐标中运动的情况下，计算感知点在全局坐标系下第一影响因子的时间偏导数作为第三影响因子。

具体的，以包络盒ABCD表示参考交通对象，A、B、C、D分别为包络盒的顶点。令l＝SDF(Ai；Bj)，第三影响因子pt_ij的计算公式如下：

其中，V_k为参考交通对象上k点在全局坐标系下的移动速度，S为包络盒ABCD确定的有符号距离场，

为采样点Ai处SDF值对场源点k的梯度。

3、在考虑参考交通对象和目标交通对象在全局坐标中相对运动的情况下，计算感知点在全局坐标系下第一影响因子的时间全导数作为第四影响因子。

实际交通场景中，参考交通对象和目标交通对象都处于运动中，都会对目标交通对象的行为产生影响。因此，在本发明实施例中，在考虑参考交通对象和目标交通对象在全局坐标中相对运动的情况下，计算感知点在全局坐标系下第一影响因子的时间全导数作为第四影响因子。具体的，第四影响因子dt_ij的计算公式如下：

其中，V为目标交通对象在全局坐标系下的移动速度，

为梯度值grad(SDF(A_i；B_j))。

S104、基于所有参考交通对象对目标交通对象的影响因子，确定目标交通对象与所有参考交通对象的交互特征。

在本发明实施例中，融合所有参考交通对象对目标交通对象的影响因子，包括前文中所述的第一影响因子、第二影响因子、第三影响因子和第三影响因子，可以得到目标交通对象与所有参考交通对象的交互特征。

示例性的，在本发明的一些实施例中，步骤S104包括如下子步骤：

1、针对每一参考交通对象，将影响因子和表征参考交通对象的本征属性的属性向量组合成特征向量。

在本发明实施例中，考虑到参考交通对象的本征属性对目标交通对象的影响，针对每一参考交通对象，将影响因子和表征参考交通对象的本征属性的属性向量组合成特征向量。示例性的，参考交通对象的本征属性包括参考交通对象的车型，属性向量用于表示参考交通对象的车型，例如，普通车辆遇到大型车辆、救援车辆时，通常会选择减速避让。示例性的，在本发明实施例中，属性向量可以采用one-hot形式的编码进行表示。

示例性的，在本发明实施例中，针对每一参考交通对象B_j，按照{A_i}的顺序排列好影响因子s_ij，g_ij，pt_ij，dt_ij，然后将排列好的影响因子与属性向量拼接，得到一个特征向量，即为x_j。

2、提取每一特征向量的高维特征。

示例性的，在本发明实施例中，针对每一参考交通对象B_j对应的特征向量x_j，采用深度神经网络(Deep Neural Networks，DNN)对特征向量进行处理，提取特征向量的高维特征，在保留特征向量中重要信息的同时，滤除一些非必要的信息，从而减少计算负担，提高计算效率。本发明实施例对深度神经网络的具体网络结构不做限定，例如，可以是常见的多层感知机等，只要能够满足提取高维特征即可。

3、聚合所有特征向量的高维特征，得到目标交通对象与所有参考交通对象的交互特征。

在本发明实施例中，聚合所有特征向量的高维特征，得到目标交通对象与所有参考交通对象的交互特征。其中，向量的聚合可以是对所有高维特征中相同维度的元素求最大值、最小值、平均值、求和、求方差、求中位数等，本发明实施例在此不做限定。

示例性的，在本发明一实施例中，将所有参考交通对象B_j的高维特征按照{B_j}的顺序排列，组合成特征矩阵，对特征矩阵中的每一维度的多个元素作池化操作，得到目标交通对象与所有参考交通对象的交互特征。需要说明的是，所选取的池化操作要求其结果不受元素排列顺序影响。

示例性的，参考交通对象B_j的特征向量的高维特征记为t_j＝[t_1j,t_2j,…t_mj]，m为t_j为维数。则特征矩阵T记为：

其中，j＝1、2…n。

以池化操作为最大池化为例，对特征矩阵中的每一维度的多个元素作池化操作，即筛选出上述特征矩阵T每一列中所有元素的最大值，得到目标交通对象与所有参考交通对象的交互特征。

S105、基于交互特征预测目标交通对象的行为。

示例性的，在本发明的一些实施例中，可以将交互特征、目标交通对象在隐空间中的状态特征和地图信息的采样特征进行拼接，得到拼接向量，然后将拼接向量输入预先构建的预测模型中进行处理，得到目标交通对象在下一时刻下行为，目标交通对象的行为可以用目标交通对象相对于上一时刻的位移，此刻速度、朝向等来表征。预测模型可以是长短期记忆网络模型，或其他时间循环网络模型，本发明实施例在此不做限定。

其中，地图信息可以是预先构建的高精度地图的信息，地图信息的采样特征可以是目标交通对象预设范围内的特征。示例性的，可以采用卷积神经网络对地图信息进行编码，得到地图编码特征，然后基于目标交通对象在当前时刻的位置对地图编码特征进行采样，得到地图信息的采样特征。

目标交通对象在隐空间中的状态特征可以基于目标交通对象的历史轨迹和后验分布确定。后验分布为根据样本(障碍物的未来轨迹)分布和未知参数的先验分布，利用概率论中获得条件概率分布方法求出的概率分布。示例性的，基于目标交通对象的历史位置对后验分布进行采样，得到后验分布的采样特征。然后融合后验分布向量的采样特征和历史位置，得到表征目标交通对象在隐空间中的状态特征。

本发明实施例提供的交通对象行为预测方法，包括：选定目标交通对象，并以目标交通对象为中心，选取第一预设范围内的若干点作为感知点，针对目标交通对象第二预设范围内的参考交通对象，以参考交通对象为有向距离场的场源，计算每一感知点在有向距离场中的距离和梯度值，将感知点在有向距离场中的距离和梯度值转换为参考交通对象对目标交通对象的行为影响的影响因子，基于所有参考交通对象对目标交通对象的影响因子，确定目标交通对象与所有参考交通对象的交互特征，基于交互特征预测目标交通对象的行为，本发明实施例以参考交通对象为有向距离场的场源，计算目标交通对象的感知点在有向距离场中的距离和梯度值，将距离和梯度值转换为参考交通对象对目标交通对象的行为影响的影响因子，并基于影响因子确定目标交通对象与所有参考交通对象的交互特征，能够有效地提取包含对外界而言不可观测的信息，提高预测准确度，提取到的交互特征使得深度神经网络能够高效地表征和处理多交通对象的交互，从而得以学习到具有高泛化性的交互预测能力。

本发明实施例还提供了一种交通对象行为预测装置，图2为本发明实施例提供的一种交通对象行为预测装置的结构示意图，如图2所示，交通对象行为预测装置包括：

感知点确定模块201，用于选定目标交通对象，并以所述目标交通对象为中心，选取第一预设范围内的若干点作为感知点；

计算模块202，用于针对所述目标交通对象第二预设范围内的参考交通对象，以所述参考交通对象为有向距离场的场源，计算每一所述感知点在所述有向距离场中的距离和梯度值；

转换模块203，用于将所述感知点在所述有向距离场中的距离和梯度值转换为所述参考交通对象对所述目标交通对象的行为影响的影响因子；

交互特征确定模块204，用于基于所有参考交通对象对所述目标交通对象的影响因子，确定所述目标交通对象与所有参考交通对象的交互特征；

行为预测模块205，用于基于所述交互特征预测所述目标交通对象的行为。

在本发明的一些实施例中，感知点确定模块201包括：

包络盒确定子模块，用于确定所述目标交通对象的包络盒；

感知点选取子模块，用于选取所述包络盒上的四个顶点作为感知点。

在本发明的一些实施例中，计算模块202包括：

距离函数构建子模块，用于以所述参考交通对象为有向距离场的场源，构建有向距离场中的点到所述场源的距离函数；

距离计算子模块，用于将所述感知点的坐标代入所述距离函数，计算所述感知点在所述有向距离场中的距离；

梯度值计算子模块，用于计算所述距离函数在所述感知点处的梯度值。

在本发明的一些实施例中，转换模块203包括：

变换子模块，用于采用预设的单调递减且可微的变换函数对所述距离和所述梯度值进行变换，将所述距离和所述梯度值变换为第一影响因子和第二影响因子；

偏导计算子模块，用于在只考虑参考交通对象在全局坐标中运动的情况下，计算所述感知点在全局坐标系下第一影响因子的时间偏导数作为第三影响因子；

全导计算子模块，用于在考虑参考交通对象和目标交通对象在全局坐标中相对运动的情况下，计算所述感知点在全局坐标系下第一影响因子的时间全导数作为第四影响因子。

在本发明的一些实施例中，变换子模块包括：

第一影响因子计算单元，用于将所述距离代入所述变换函数，得到第一影响因子；

求导单元，用于计算所述变换函数在所述距离处的导数；

第二影响因子计算单元，用于计算所述导数与所述梯度的乘积，得到所述第二影响因子。

在本发明的一些实施例中，交互特征确定模块204包括：

向量组合子模块，用于针对每一所述参考交通对象，将所述影响因子和表征所述参考交通对象的本征属性的属性向量组合成特征向量；

特征提取子模块，用于提取每一所述特征向量的高维特征；

特征聚合子模块，用于聚合所有所述特征向量的高维特征，得到所述目标交通对象与所有参考交通对象的交互特征。

在本发明的一些实施例中，特征聚合子模块包括：

特征组合单元，用于将所有所述特征向量的高维特征组合成特征矩阵；

池化单元，用于对所述特征矩阵中的每一维度的多个元素作池化操作，得到所述目标交通对象与所有参考交通对象的交互特征。

在本发明的一些实施例中，所述池化操作包括最大池化、最小池化和平均池化。

上述交通对象行为预测装置可执行本申请任意实施例所提供的交通对象行为预测方法，具备执行交通对象行为预测方法相应的功能模块和有益效果。

本申请实施例提供了一种电子设备，图3为本发明的实施例提供的一种电子设备的结构示意图。电子设备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3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，例如交通对象行为预测方法。

在一些实施例中，交通对象行为预测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交通对象行为预测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)而被配置为执行交通对象行为预测方法。

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。

本发明实施例还提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现如本申请任意实施例所提供的交通对象行为预测方法。

计算机程序产品在实现的过程中，可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

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 (11)

1.一种交通对象行为预测方法，其特征在于，包括：

选定目标交通对象，并以所述目标交通对象为中心，选取第一预设范围内的若干点作为感知点；

针对所述目标交通对象第二预设范围内的参考交通对象，以所述参考交通对象为有向距离场的场源，计算每一所述感知点在所述有向距离场中的距离和梯度值；

将所述感知点在所述有向距离场中的距离和梯度值转换为所述参考交通对象对所述目标交通对象的行为影响的影响因子；

基于所有参考交通对象对所述目标交通对象的影响因子，确定所述目标交通对象与所有参考交通对象的交互特征；

基于所述交互特征预测所述目标交通对象的行为。

2.根据权利要求1所述的交通对象行为预测方法，其特征在于，以所述目标交通对象为中心，选取第一预设范围内的若干点作为感知点，包括：

确定所述目标交通对象的包络盒；

选取所述包络盒上的四个顶点作为感知点。

3.根据权利要求1所述的交通对象行为预测方法，其特征在于，以所述参考交通对象为有向距离场的场源，计算每一所述感知点在所述有向距离场中的距离和梯度值，包括：

以所述参考交通对象为有向距离场的场源，构建有向距离场中的点到所述场源的距离函数；

将所述感知点的坐标代入所述距离函数，计算所述感知点在所述有向距离场中的距离；

计算所述距离函数在所述感知点处的梯度值。

4.根据权利要求1-3任一所述的交通对象行为预测方法，其特征在于，将所述感知点在所述有向距离场中的距离和梯度值转换为所述参考交通对象对所述目标交通对象的行为影响的影响因子，包括：

采用预设的单调递减且可微的变换函数对所述距离和所述梯度值进行变换，将所述距离和所述梯度值变换为第一影响因子和第二影响因子；

在只考虑参考交通对象在全局坐标中运动的情况下，计算所述感知点在全局坐标系下第一影响因子的时间偏导数作为第三影响因子；

在考虑参考交通对象和目标交通对象在全局坐标中相对运动的情况下，计算所述感知点在全局坐标系下第一影响因子的时间全导数作为第四影响因子。

5.根据权利要求4所述的交通对象行为预测方法，其特征在于，采用预设的单调递减且可微的变换函数对所述距离和所述梯度值进行变换，将所述距离和所述梯度值变换为第一影响因子和第二影响因子，包括：

将所述距离代入所述变换函数，得到第一影响因子；

计算所述变换函数在所述距离处的导数；

计算所述导数与所述梯度的乘积，得到所述第二影响因子。

6.根据权利要求1-3、5任一所述的交通对象行为预测方法，其特征在于，基于所有参考交通对象对所述目标交通对象的影响因子，确定所述目标交通对象与所有参考交通对象的交互特征，包括：

针对每一所述参考交通对象，将所述影响因子和表征所述参考交通对象的本征属性的属性向量组合成特征向量；

提取每一所述特征向量的高维特征；

聚合所有所述特征向量的高维特征，得到所述目标交通对象与所有参考交通对象的交互特征。

7.根据权利要求6所述的交通对象行为预测方法，其特征在于，聚合所有所述特征向量的高维特征，得到所述目标交通对象与所有参考交通对象的交互特征，包括：

将所有所述特征向量的高维特征组合成特征矩阵；

对所述特征矩阵中的每一维度的多个元素作池化操作，得到所述目标交通对象与所有参考交通对象的交互特征。

8.根据权利要求7所述的交通对象行为预测方法，其特征在于，所述池化操作包括最大池化、最小池化和平均池化。

9.一种交通对象行为预测装置，其特征在于，包括：

感知点确定模块，用于选定目标交通对象，并以所述目标交通对象为中心，选取第一预设范围内的若干点作为感知点；

计算模块，用于针对所述目标交通对象第二预设范围内的参考交通对象，以所述参考交通对象为有向距离场的场源，计算每一所述感知点在所述有向距离场中的距离和梯度值；

转换模块，用于将所述感知点在所述有向距离场中的距离和梯度值转换为所述参考交通对象对所述目标交通对象的行为影响的影响因子；

交互特征确定模块，用于基于所有参考交通对象对所述目标交通对象的影响因子，确定所述目标交通对象与所有参考交通对象的交互特征；

行为预测模块，用于基于所述交互特征预测所述目标交通对象的行为。

10.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的交通对象行为预测方法。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的交通对象行为预测方法。

Images