CN116052417A - 一种行驶预测方法、装置、设备和可读存储介质 - Google Patents
一种行驶预测方法、装置、设备和可读存储介质 Download PDFInfo
- Publication number
- CN116052417A CN116052417A CN202211652787.0A CN202211652787A CN116052417A CN 116052417 A CN116052417 A CN 116052417A CN 202211652787 A CN202211652787 A CN 202211652787A CN 116052417 A CN116052417 A CN 116052417A
- Authority
- CN
- China
- Prior art keywords
- sample
- driving
- vehicle
- lane
- track
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims description 60
- 238000006073 displacement reaction Methods 0.000 claims description 46
- 230000008859 change Effects 0.000 claims description 34
- 238000002372 labelling Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种行驶预测方法、装置、设备和可读存储介质，该方法包括：获取待测车辆的第一行车信息、待测车辆预设范围内车辆的第二行车信息以及待测车辆行驶道路的车道线信息；基于行驶预测模型对第一行车信息、第二行车信息和车道线信息进行预测，得到待测车辆的预测行驶意图和预测行驶轨迹；其中，行驶预测模型基于与样本车辆相关的样本数据训练得到，样本数据标注有样本车辆的样本行驶意图，样本行驶意图基于样本行驶轨迹确定，样本行驶轨迹基于原始轨迹数据分析得到，上述方式，提高样本行驶意图的准确性，进一步提高了基于样本数据训练得到的行驶预测模型进行行驶预测的准确性。
Description
技术领域
本申请涉及智能驾驶技术领域，特别是涉及一种行驶预测方法、装置、设备和可读存储介质。
背景技术
近年来，随着人工智能技术和智能汽车行业的蓬勃发展，作为二者结合领域的自动驾驶受到了广泛关注。为了更好地完成对自车行驶路径的规划，智能汽车可以通过对周围车辆未来行驶轨迹进行预测，用于规划自身行车路径，对车辆行驶意图的预测也可作为轨迹预测的过程中的重要内容。进一步地，对车辆进行真实意图标注则是进行意图预测中的重要环节。
本申请的申请人在长期的研发过程中发现，现有的对车辆行驶意图的标注，标注准确度受轨迹数据噪声的影响较大，当轨迹数据存在测量误差或其他噪声的情况下，标注准确度低，从而会影响行驶预测模型进行行驶预测的准确性。
发明内容
本申请主要解决的技术问题是提供一种行驶预测方法、装置、设备和可读存储介质，能够提高行驶预测的准确性。
为解决上述技术问题，本申请采用的一个技术方案是：提供一种行驶预测方法，该方法包括：获取待测车辆的第一行车信息、待测车辆预设范围内车辆的第二行车信息以及待测车辆行驶道路的车道线信息；基于行驶预测模型对第一行车信息、第二行车信息和车道线信息进行预测，得到待测车辆的预测行驶意图和预测行驶轨迹；其中，行驶预测模型基于与样本车辆相关的样本数据训练得到，样本数据标注有样本车辆的样本行驶意图，样本行驶意图基于样本行驶轨迹确定，样本行驶轨迹基于样本车辆在样本数据之后采集的原始轨迹数据分析得到，原始轨迹数据包括样本车辆在目标时间段内的位置信息。
其中，样本行驶轨迹的获取步骤包括：基于原始轨迹数据进行分析，得到样本车辆在目标时间段内的位置分布；基于位置分布，提取样本车辆的样本行驶轨迹。
其中，目标时间段包括若干子时间段，位置分布包括各个子时间段样本车辆处于车道网格的条件概率，车道网格由第一参考线和第二参考线交叉划分得到，且第二参考线基于样本车辆在目标时间段内的总位移确定；基于位置分布，提取样本车辆的样本行驶轨迹，包括：对于各个子时间段，基于子时间段内车道网格的条件概率，从车道网格中选择至少一个网格作为目标网格；基于各个子时间段的目标网格，提取样本车辆的样本行驶轨迹。
其中，基于子时间段内车道网格的条件概率，从车道网格中选择至少一个网格作为目标网格，包括：选择条件概率满足预设概率要求的网格，作为子时间段的目标网格。
其中，基于各个子时间段的目标网格，提取样本车辆的样本行驶轨迹，包括：获取与各个子时间段的目标网格分别对应的目标位置信息，以得到样本车辆的样本行驶轨迹，其中，目标位置信息表示目标网格的预设位置的位置信息。
其中，目标时间段包括若干子时间段，位置分布包括各个子时间段样本车辆处于车道网格的条件概率，基于原始轨迹数据进行分析，得到样本车辆在目标时间段内的位置分布，包括：将原始轨迹数据转换为参考路径坐标系下的数据，转换后的原始轨迹数据表示样本车辆在第一方向上的位移，和在第二方向上的位移，其中，第一方向为垂直参考路径方向，第二方向为沿参考路径方向，参考路径为样本车辆在目标时间段起始时所在的车道中心线；根据转换后的原始轨迹数据，获取样本车辆在各子时间段内在第二方向上的位移和在目标时间段内第一方向上的总位移；利用各子时间段在第二方向上的位移，划分得到与第一方向平行的第一参考线，以及，在总位移范围内均匀划分，得到与第二方向平行的第二参考线，基于第一参考线和第二参考线得到车道网格；基于转换后的原始轨迹数据，对各子时间段，分别统计样本车辆的位置处于各网格的次数，利用次数得到样本车辆处于车道网格的条件概率。
其中，样本行驶意图的标注步骤包括：根据样本行驶轨迹，判断样本车辆的位置在目标时间段内的变化情况；响应于样本车辆的位置随时间推移，向行驶方向上的左侧移动，确定样本行驶意图为向左变道；响应于样本车辆的位置随时间推移，向行驶方向上的右侧移动，确定样本行驶意图为向右变道；响应于样本车辆的位置随时间推移，不存在向行驶方向上的左侧移动以及不存在向行驶方向上的右侧移动，确定样本行驶意图为直行。
其中，基于行驶预测模型对第一行车信息、第二行车信息和车道线信息进行预测，得到待测车辆的预测行驶意图和预测行驶轨迹，包括：分别对第一行车信息、第二行车信息和车道线信息进行特征提取，得到第一行车特征、第二行车特征和车道特征；基于第一行车特征、第二行车特征和车道特征进行特征融合，得到第一融合特征和第二融合特征；利用第一融合特征进行意图预测，得到预测行驶意图，以及利用第二融合特征进行轨迹预测，得到预测行驶轨迹。
其中，基于第一行车特征、第二行车特征和车道特征进行特征融合，得到第一融合特征和第二融合特征包括：将第一行车特征分别与第二行车特征和车道特征进行融合，得到融合结果；利用融合结果和第一行车特征进行拼接，得到第一融合特征，以及利用融合结果、第一行车特征、第二行车特征和车道特征进行拼接，得到第二融合特征。
其中，行驶预测模型的训练步骤包括：基于行驶预测模型对样本数据进行预测，得到样本车辆的样本预测行驶意图和样本预测行驶轨迹；基于样本预测行驶意图和样本行驶意图之间的第一差异得到第一损失，以及基于样本预测行驶轨迹和原始轨迹数据之间的第二差异得到第二损失；根据第一损失和对应的第一权重、第二损失和对应的第二权重，确定总损失；利用总损失调整行驶预测模型的参数，以及第一权重和第二权重中的至少一者。
为解决上述技术问题，本申请采用的一个技术方案是：提供一种行驶预测装置，包括获取模块和预测模块，获取模块用于获取待测车辆的第一行车信息、待测车辆预设范围内车辆的第二行车信息以及待测车辆行驶道路的车道线信息；预测模块用于基于行驶预测模型对第一行车信息、第二行车信息和车道线信息进行预测，得到待测车辆的预测行驶意图和预测行驶轨迹；其中，行驶预测模型基于与样本车辆相关的样本数据训练得到，样本数据标注有样本车辆的样本行驶意图，样本行驶意图基于样本行驶轨迹确定，样本行驶轨迹基于样本车辆在样本数据之后采集的原始轨迹数据分析得到，原始轨迹数据包括样本车辆在目标时间段内的位置信息。
为解决上述技术问题，本申请采用的一个技术方案是：提供一种电子设备，包括相互耦接的存储器和处理器，处理器用于执行存储器中存储的程序指令，以实现上述任一项中的行驶预测方法。
为解决上述技术问题，本申请采用的一个技术方案是：提供一种计算机可读存储介质，其上存储有程序指令，程序指令被处理器执行时实现上述任一项中的行驶预测方法。
上述方案，通过对原始轨迹数据进行分析以从中得到准确反映样本车辆行驶的样本行驶轨迹，在此基础上对样本数据标注样本行驶意图，从而样本行驶意图能够更为准确反映样本车辆的行驶轨迹，进一步提高了基于样本数据训练得到的行驶预测模型进行行驶预测的准确性。
附图说明
图1是本申请行驶预测方法一实施例的流程示意图；
图2是本申请行驶预测方法另一实施例的流程示意图；
图3是本申请步骤S210另一实施例的流程示意图；
图4中给出了本申请车道网格一实施例的示意图；
图5是本申请步骤S220另一实施例的流程示意图；
图6是本申请行驶预测方法再一实施例的流程示意图；
图7是本申请步骤S120另一实施例的流程示意图；
图8是本申请行驶预测方法又一实施例的流程示意图；
图9是本申请行驶预测方法又一实施例的流程示意图；
图10是本申请行驶预测装置一实施例的框架示意图；
图11是本申请电子设备一实施例的框架示意图；
图12是本申请计算机可读存储介质一实施例的框架示意图。
具体实施方式
为使本申请的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
请参阅图1，图1是本申请行驶预测方法一实施例的流程示意图。
具体而言，该方法可以包括如下步骤：
步骤S110：获取待测车辆的第一行车信息、待测车辆预设范围内车辆的第二行车信息以及待测车辆行驶道路的车道线信息。
其中，待测车辆的第一行车信息可以包括待测车辆在历史时间段内的行车信息，预设范围可以根据用户实际需要而调整，在当前时刻待测车辆预设范围内的车辆可以认为是周围车辆，第二行车信息可以包括所有周围车辆在历史时间段内的行车信息。车道线信息可以包括车道线边界信息、车道中心线信息中的至少一者。
步骤S120：基于行驶预测模型对第一行车信息、第二行车信息和车道线信息进行预测，得到待测车辆的预测行驶意图和预测行驶轨迹。
其中，设备中可以预存有预先训练完成的行驶预测模型。行驶预测模型为基于与样本车辆相关的样本数据训练得到的，样本数据标注有样本车辆的样本行驶意图，样本行驶意图表示样本车辆的真实行驶意图，以在训练过程中作为行驶意图的真实值。样本行驶意图基于样本行驶轨迹确定，样本行驶轨迹基于样本车辆在样本数据之后采集的原始轨迹数据分析得到，原始轨迹数据包括样本车辆在目标时间段内的位置信息。
在对行驶预测模型进行训练之前，对于样本数据要先标注样本行驶意图，具体来说，可以通过基于样本车辆在样本数据之后采集的原始轨迹数据分析得到样本行驶轨迹，基于样本行驶轨迹分析得到样本行驶意图。
其中，预测行驶意图和预测行驶轨迹表示，待测车辆在将来的一定时间段内的行驶意图和行驶轨迹。
上述方案，通过对原始轨迹数据进行分析以从中得到准确反映样本车辆行驶的样本行驶轨迹，在此基础上对样本数据标注样本行驶意图，从而样本行驶意图能够更为准确反映样本车辆的行驶轨迹，进一步提高了基于样本数据训练得到的行驶预测模型进行行驶预测的准确性。
请参阅图2，图2是本申请行驶预测方法另一实施例的流程示意图。
具体而言，该方法可以包括如下步骤用于获取样本行驶轨迹：
步骤S210：基于原始轨迹数据进行分析，得到样本车辆在目标时间段内的位置分布。
需要说明的是，样本数据包括样本车辆的第一样本行车信息，第一样本行车信息为对样本车辆在某一时间段内采集得到的，原始轨迹数据是对样本车辆在样本数据之后采集的。原始轨迹数据包括样本车辆在目标时间段内的位置信息，目标时间段即为采集第一样本行车信息之后的一段时间。通过对样本车辆在目标时间段内的位置信息进行分析，能够得到样本车辆在目标时间段内的位置分布。
示例性地，目标时间段包括若干子时间段，样本车辆在目标时间段内的位置分布可以通过，各个子时间段样本车辆处于车辆网格的条件概率来体现。其中，基于样本车辆在目标时间段内的总位移确定第二参考线，结合第一参考线和第二参考线可以划分得到车道网格。对每个子时间段来说，根据原始轨迹数据进行分析，可以获取样本车辆在子时间段内样本车辆在车道网格中的条件概率，以表示样本车辆在子时间段内出现在车道网格中的各网格中的概率，作为样本车辆的位置分布。
示例性地，目标时间段包括若干子时间段，样本车辆在目标时间段内的位置分布还可以通过，对各子时间段中样本车辆的位置信息进行分析统计得到的统计数据而体现。进一步地，根据原始轨迹数据，对各个子时间段的轨迹数据可以分别进行统计，得到反映数据分布的统计数据，作为样本车辆的位置分布。
通过基于原始轨迹数据进行分析，剔除原始轨迹数据中的一些噪声和异常波动等，排除了噪声等因素对反映样本车辆位置变化造成的干扰，从而能够得到准确反映样本车辆在目标时间段内的位置的分布情况。
步骤S220：基于位置分布，提取样本车辆的样本行驶轨迹。
基于位置分布可以提取得到样本车辆的样本行驶轨迹，从而样本行驶轨迹是在排除了原始轨迹数据中噪声等的干扰而重新确定的轨迹。样本行驶轨迹能够更为准确地反映，样本车辆在目标时间段内的位置变化趋势，从而能够更为准确地体现样本车辆的行驶意图。其中，行驶意图可以包括向左变道、向右变道和直行中的至少一者。
可以理解的是，在车辆向左变道时，车辆的轨迹则可以表现为，随时间推移，车辆逐渐向当前行驶方向的左侧偏移。在车辆向右变道时，车辆的轨迹则可以表现为，随时间推移，车辆逐渐向当前行驶方向的右侧偏移。从而车辆的轨迹能够体现出车辆的位置变化，根据位置变化能够判断车辆的行驶意图。在排除干扰后提取得到样本行驶轨迹能够更为准确地反映，样本车辆在目标时间段内的位置变化，从而能够更为准确地体现样本车辆的行驶意图。
需要说明的是，对于采用不同方式而得到的不同形式的位置分布，可以采用相应不同的方式提取样本行驶轨迹。
一些情况下，由于轨迹采集过程中的误差，或者车辆在行驶过程中短暂向一侧偏向等原因，原始轨迹中可能表现为轨迹偏向一侧，但是并非表示车辆在进行变道，这会对根据轨迹判断车辆行驶意图的过程中造成干扰。从而根据原始轨迹数据分析提取样本行驶轨迹的过程中，排除
了上述噪声等的影响，样本行驶轨迹能够更为准确地体现车辆的位置变5化趋势，从而能够更为准确地体现车辆的行驶意图。
请参阅图3，图3是本申请步骤S210另一实施例的流程示意图。本实施例中，以条件概率来体现样本车辆的位置分布为例进行说明。具体而言，步骤S210可以包括：
步骤S311：将原始轨迹数据转换为参考路径坐标系下的数据。
0其中，参考路径坐标系是以参考路径为基准来描述坐标系中的对象的位置。本实施例中，以样本车辆在目标时间段起始时所在的车道中心线作为参考路径，将垂直参考路径方向作为第一方向，将沿参考路径方向作为第二方向，通过描述某一对象在第一方向和第二方向上的位移来表示该对象的位置信息。
5本实施例中，样本车辆在转换后的原始轨迹数据可以表示，样本车辆在第一方向上的位移和在第二方向上的位移。
步骤S312：根据转换后的原始轨迹数据，获取样本车辆在各子时间段内在第二方向上的位移和在目标时间段内在第一方向上的总位移。
需要说明的是，目标时间段包括若干子时间段，子时间段可以是对0目标时间段进行划分得到的，其中，划分方式可以是均匀划分，也可以是非均匀划分，本实施例中以前者为例进行说明。
步骤S313：利用各子时间段在第二方向上的位移划分得到与第一方向平行的第一参考线，以及，在总位移范围内均匀划分，得到与第二方向平行的第二参考线，基于第一参考线和第二参考线得到车道网格。
5一些实施例中，第一参考线/第二参考线的方向也可以设置为不与第一方向/第二方向平行，第一参考线和第二参考线之间也可以设置为非正交关系。
第二参考线是基于样本车辆在目标时间段内的总位移确定的，进一步来说，可以是根据样本车辆在目标时间段内在第一方向上的总位移确定，从而根据第二参考线划分出的车道网格可以用于体现车辆在第一方向上的位移。通过上述方式，位置分布实际上可以体现车辆在各子时间段中，在第一方向上的位移程度，在此基础上根据位置分布提取样本行驶轨迹可以排除第一方向上的噪声，以更为准确地反映车辆在第一方向上的位置变化趋势，进一步来说，能够用于对车辆意图的判定，使得判定更为准确。
本实施例中，以在总位移范围内均匀划分，得到与第二方向平行的第二参考线为例进行说明。一些实施例中也可以是非均匀划分的。
对于第一参考线可以利用各子时间段在第二方向上的位移划分得到与第一方向平行的第一参考线，从而对于一个子时间段来说，车辆的位置分布在两第一参考线之间的所有网格。两第一参考线之间的网格的差异在于在第一方向上的不同位置，从而在此基础上提取样本行驶轨迹时，对于一个子时间段更为关注车辆在垂直车道中心线方向上的位置变化，也就能够更为准确地提取出反映车辆变道意图的样本行驶轨迹。
一些实施例中，也可以基于车辆在第二方向上的总位移来划分得到第一参考线。
步骤S314：基于转换后的原始轨迹数据，对各子时间段，分别统计样本车辆的位置处于各网格的次数，利用次数得到样本车辆处于车道网格的条件概率。
需要说明的是，原始轨迹数据是对样本车辆在样本数据之后采样得到的，原始轨迹为样本车辆在目标时间段内的轨迹，可以通过轨迹点序列的形式而体现。原始轨迹数据包括样本车辆的位置信息，可以体现为轨迹点的位置信息。进一步来说，目标时间段包括若干子时间段，轨迹点的位置信息包括各子时间段内的轨迹点的位置信息。
对于每个子时间段，利用子时间段内的轨迹点的位置信息，可以统计得到该子时间段内，样本车辆的轨迹点落在各网格的次数，也即样本车辆的位置处于各网格的次数。根据上述次数可以得到该子时间段内，样本车辆处于各网格的概率，从而得到各子时间段内样本车辆处于所述车道网格的条件概率，以作为样本车辆的位置分布。
请参阅图4，图4中给出了本申请车道网格一实施例的示意图。
本实施例中，垂直参考路径方向作为第一方向，沿参考路径方向作为第二方向。车道网格由第一参考线和第二参考线交叉组成。第一参考线与第一方向平行，第二参考线与第二方向平行。第二参考线是基于第一方向上的总位移均分得到，第二参考线是基于各子时间段在第二方向上的位移划分得到。
图中示出了样本车辆的轨迹点，每个子时间段采样5个轨迹点。根据每个子时间段内各网格轨迹点出现的次数进行统计，可以得到反映车辆轨迹点在车道网格内分布的热力图，其中，颜色越深表示出现次数越多。设备可以向用户显示该热力图，从而用户能够更为直观地观察到车辆位置分布。另一方面，基于上述次数可以统计得到每个子时间段内，样本车辆出现在各网格中的条件概率。由于第二参考线是基于各子时间段在第二方向上的位移划分得到，一个子时间段对应一列网格，图中给出了每个网格的对应的条件概率值。图中网格A中出现了4个轨迹点，那么条件概率为0.8。
一些实施例中，也可以不采用各子时间段在第二方向上的位移划分得到第二参考线。
请参阅图5，图5是本申请步骤S220另一实施例的流程示意图。具体而言，步骤S220可以包括：
步骤S521：基于子时间段内车道网格的条件概率，从车道网格中选择至少一个网格作为目标网格。
对于每个子时间段分别执行步骤S521，从而得到每个子时间段对应的目标网格。进一步地，步骤S521可以包括：对每个子时间段，选择条件概率满足预设概率要求的网格，作为子时间段的目标网格。
在一具体的应用场景中，预设概率要求为条件概率最高，对每个子时间段，选择概率最高的网格作为该子时间段的目标网格，目标网格表示该子时间段中，样本车辆的位置出现在该网格中的概率最高。
一些实施例中，对于一个子时间段来说，可能出现多个网格概率相同且均为概率最高的，那么这多个网格可以均作为目标网格。
一些实施例中，预设概率要求可以为条件概率达到预设阈值。
步骤S522：基于各个子时间段的目标网格，提取样本车辆的样本行驶轨迹。
需要说明的是，根据目标网格的位置信息，可以提取样本车辆的样本行驶轨迹，从而样本行驶轨迹能够反映在目标时间段内，排除噪声等的影响后样本车辆的位置信息。
进一步地，步骤S522可以包括：获取与各个子时间段的目标网格分别对应的目标位置信息，以得到样本车辆的样本行驶轨迹。其中，目标位置信息表示目标网格的预设位置的位置信息。其中，预设位置可以根据实际需要而确定。
在一具体的应用场景中，预设位置可以为目标网格的中心点。将各子时间段的目标网格的中心点作为轨迹点，组成样本行驶轨迹的轨迹点序列。对各目标网格，获取目标网格的中心点的位置信息作为目标网格的目标位置信息，从而得到样本行驶轨迹。样本行驶轨迹包括轨迹点序列的位置信息，即所有目标网格中心点位置信息。
一些实施例中，对于一个子时间段的目标网格包含多个网格，可以根据多个网格确定目标网格对应的目标位置信息，例如，采用某一个网格的中心点，或者采用两网格连线的中心点等作为预设位置，该预设位置的位置信息则作为目标位置信息。
请参阅图6，图6是本申请行驶预测方法再一实施例的流程示意图。
具体而言，该方法可以包括如下步骤用于标注样本行驶意图：
步骤S610：根据样本行驶轨迹，判断样本车辆的位置在目标时间段内的变化情况。
可以理解的是，若车辆向左变道，那么在变道期间，其位置会表现为在垂直车道线方向上，向行驶方向上的左侧移动。若车辆向右变道，那么在变道期间，其位置会表现为在垂直车道线方向上，向行驶方向上的右侧移动。故根据在目标时间段内，样本车辆在垂直车道线方向上的位置变化情况，可以确定样本车辆的样本行驶意图，从而可以为样本数据标注样本行驶意图，以作为预测模型训练过程中，意图预测的真实值。
若在目标时间段内，样本车辆既不满足向行驶方向上的左侧移动，也不满足向行驶方向上的右侧移动时，可以认为样本行驶意图为直行。
设备可以根据样本车辆的位置在目标时间段内的变化情况而执行步骤S620-步骤S640中的一者。
步骤S620：响应于样本车辆的位置随时间推移，向行驶方向上的左侧移动，确定样本行驶意图为向左变道。
需要说明的是，判断车辆的位置向行驶方向上的左侧/右侧移动，可以是根据车辆在垂直车道线方向上，向左侧/右侧移动的距离来确定，若移动距离大于预设阈值，则可以确定车辆的位置向行驶方向上的左侧/右侧移动。
可以理解的是，车辆在正常直行行驶过程中，其在垂直车道线方向上的位置也可以不是一成不变的，例如，为了躲避行人、其他车辆等短暂地向偏向车道的一侧，但是并不表示车辆在向左/向右变道。在确定是否存在向左/向右变道的意图的过程中，移动距离的预设阈值设置可以避免由于车辆在垂直车道线方向上小段位移导致的行驶意图误判。
步骤S630：响应于样本车辆的位置随时间推移，向行驶方向上的右侧移动，确定样本行驶意图为向右变道。
步骤S640：响应于样本车辆的位置随时间推移，不存在向行驶方向上的左侧移动以及不存在向行驶方向上的右侧移动，确定样本行驶意图为直行。
其中，在车辆不存在向行驶方向上的左侧移动以及不存在向行驶方向上的右侧移动时，可以认为样本行驶意图为直行。
一些实施例中，也可以不通过不存在向左/向右变道的意图来推定样本行驶意图为直行，可以设定样本行驶意图为直行的判定条件为位置变化在预设范围内，例如，样本车辆的位置变化在某一波动范围内，可以认为样本行驶意图为直行。
一些实施例中，样本行驶意图也可以不仅包括向左变道、向右变道和直行，用户可以根据需要而预先确定样本行驶意图的分类以及对应的根据位置变化判定各类意图的条件，从而能够设备根据各类判定条件而对样本行驶轨迹反映的位置变化情况进行判定，标注出样本数据的样本行驶意图。
需要说明的是，设备可以对每个车辆的样本数据分别进行意图标注，利用完成意图标注的样本数据对行驶预测模型进行训练。样本数据还可以标注有轨迹预测对应的真实值，进一步来说，由于原始轨迹数据是对样本车辆在样本数据之后采集得到的，其可以作为样本数据的轨迹预测对应的真实值而进行标注。
需要说明的是，通过对样本车辆在一段时间内的轨迹进行采集，可以得到一系列轨迹点的位置信息作为轨迹数据，可以从中任意选择一个时刻，在该时刻前的轨迹数据则作为样本数据，该时刻后的轨迹数据可以作为原始轨迹数据。
对样本车辆进行意图标注可以是对样本车辆的上述轨迹中的任意部分进行意图标注。具体来说，执行一次意图标注的相关步骤可以判断出目标时间段内的行驶意图，目标时间段可以是样本车辆在样本数据后的行驶过程中的一部分，目标时间段的长度可以根据用户需要而调整，例如，5s、7s等等。为了能够完成待标注的轨迹的标注，可以每间隔一定时长重新选取目标时间段，从而完成所有轨迹数据的意图标注，其中，时间间隔可以根据用户需要而调整，例如，2s、3s等等。
上述意图标注方式通过在时间和空间上对原始数据进行统计、归纳、和抽象，提高了对原始数据质量和完备性的容忍度，即便在原始数据中存在噪声和测量误差的情况下，也可以获得准确的意图标签，从而能够应用于预测模型训练过程中，以提高行驶预测模型预测的准确性。
此外，在进行意图标注时，只需要利用车辆的位置信息，而无需其他行车数据，例如航向角等等，即便在样本车辆缺少其他行车数据的情况下，也可以获得准确的意图标签，简化了意图标注的步骤。并且，整个标注过程可以自动完成，不需要人工干预，应用成本低廉。
请参阅图7，图7是本申请步骤S120另一实施例的流程示意图。具体而言，步骤S120可以包括如下步骤：
步骤S721：分别对第一行车信息、第二行车信息和车道线信息进行特征提取，得到第一行车特征、第二行车特征和车道特征。
其中，第一行车信息可以表示待测车辆在历史时间段内的行车信息，可以包括但不限于待测车辆的历史轨迹信息，第二行车信息表示预设范围内的周围车辆在历史时间段内的行车信息，其中，周围车辆可以为一辆或多辆，第二行车信息包括各周围车辆的行车信息，行车信息可以包括但不限于历史轨迹信息。车道特征是待测车辆行驶道路的车道线信息，可以包括但不限于车道线的位置信息等。
一些实施例中，历史轨迹信息可以是通过对待测车辆的历史轨迹采样得到的轨迹点位置信息。
一些实施例中，第一行车信息还可以包括待测车辆的速度信息、加速度信息、速率信息、航向角信息等。第二行车信息同理。
一些实施例中，车道线的位置信息可以包括车道中心线、车道边界线的位置信息。车道中心线/车道边界线的位置信息可以通过对车道边界线/中心线进行采样，从而得到采样点的位置信息作为位置信息。
其中，预设范围可以是根据待测车辆的当前时刻位置确定的，距离当前时刻位置在预设距离内的区域作为预设范围，在预设范围内的车辆作为周围车辆。各周围车辆的历史轨迹信息作为第二行车信息输入行驶预测模型，以用于行驶预测。
进一步来说，对于行车信息的特征提取，可以采用长短期记忆网络进行时序特征的提取。对于第二行车信息来说，周围车辆可以为一辆或多辆，对每辆周围车辆均分别进行时序特征的提取，而后对所有周围车辆的时序特征融合得到第二行车特征。
在一具体的应用场景中，利用长短期记忆网络对第一行车信息进行特征提取，得到第一行车特征。
在一具体的应用场景中，利用长短期记忆网络对第二行车信息中各周围车辆的行车信息分别进行特征提取，得到各周围车辆分别的时序特征，将所有周围车辆的时序特征进行拼接，对拼接结果进行池化处理得到第二行车特征，第二行车特征则包含了所有周围车辆的行车信息。
进一步来说，对车道线信息，采用自注意力机制结合跳跃连接进行特征提取，强调需要关注的车道线信息。
在一具体的应用场景中，利用自注意力机制模块对车道线信息进行处理，基于处理结果和车道线信息进行融合得到车道特征。
步骤S722：基于第一行车特征、第二行车特征和车道特征进行特征融合，得到第一融合特征和第二融合特征。
其中，第一融合特征和第二融合特征均融合了第一行车特征、第二行车特征和车道特征，第一融合特征用于进行意图预测，第二融合特征用于进行轨迹预测。第一行车特征、第二行车特征和车道特征可以用于进行多种不同方式的融合，第一融合特征和第二融合特征是不同方式融合得到的结果。
进一步地，进行特征融合可以包括如下步骤：将第一行车特征分别与第二行车特征和车道特征进行融合得到融合结果，利用融合结果和第一行车特征进行拼接，得到第一融合特征，以及利用融合结果、第一行车特征、第二行车特征和车道特征进行拼接，得到第二融合特征。
在一具体的应用场景中，采用交叉注意力机制模块对特征进行融合。
步骤S723：利用第一融合特征进行意图预测，得到待测车辆的预测行驶意图，以及利用第二融合特征进行轨迹预测，得到待测车辆的预测行驶轨迹。
进一步来说，意图预测可以通过意图分类器实现，利用意图分类器对第一融合特征进行分类，得到预测行驶意图。轨迹预测可以通过轨迹预测器实现，利用轨迹预测器对第二融合特征进行预测，得到预测行驶轨迹。
在一具体的应用场景中，采用两个不同的多层感知器分别作为意图分类器和轨迹预测器。
请参阅图8，图8是本申请行驶预测方法又一实施例的流程示意图。在利用行驶预测模型进行预测之前，该方法还可以包括如下步骤以对行驶预测模型进行训练：
步骤S810：基于行驶预测模型对样本数据进行预测，得到样本车辆的样本预测行驶意图和样本预测行驶轨迹。
其中，样本数据包括样本车辆的第一样本行车信息、样本车辆的预设范围内车辆的第二样本行车信息以及样本车辆行驶道路的样本车道线信息。第一样本行车信息为样本车辆的行车信息，表示样本车辆在历史时间段内的行车信息，第二样本行车信息表示样本车辆预设范围内的周围车辆的行车信息，表示预设范围内的各周围车辆在历史时间段内的行车信息。行车信息、车道线信息的相关描述，以及行驶预测模型对数据的处理过程可以参考前述实施例中的相关内容，在此不做赘述。
步骤S820：基于样本预测行驶意图和样本行驶意图之间的第一差异，得到第一损失，基于样本预测行驶轨迹和原始轨迹数据之间的第二差异得到第二损失，根据第一损失和对应的第一权重、第二损失和对应的第二权重，确定总损失。
其中，样本行驶意图为意图预测对应的真实值，原始轨迹数据为轨迹预测对应的真实值。利用第一权重和第二权重对第一损失和第二损失进行加权求和，得到总损失。
在一具体的应用场景中，对于意图预测任务，使用交叉熵函数，对每一类意图分别进行判断，得到第一损失；对于轨迹预测任务，使用均方误差函数，得到第二损失。
步骤S830：利用损失函数调整行驶预测模型的参数，以及调整第一权重和第二权重中的至少一者。
其中，第一权重和第二权重作为可学习参数，在训练过程中与模型参数一并进行调整。
上述行驶预测方法，克服了传统的基于概率统计和物理模型的预测方法使用灵活度限制大、依赖域知识、维护成本高、受数据噪声影响大等缺点，在实际使用中有更加稳定的预测表现。此外，在训练过程汇总，多任务学习和损失函数权重自适应的引入也使得模型能够在不牺牲某一任务预测效果的前提下，改善实际应用中的使用效率。
请参阅图9，图9是本申请行驶预测方法又一实施例的流程示意图。
图9中(a)给出了进行行驶预测的流程示意，具体包括输入构建、待预测车辆特征提取、特征融合以及意图预测、轨迹生成步骤，其中，输入构建表示通过等检测采样等方式得到第一行车信息、第二行车信息和车道线信息。其中，行车信息包括轨迹点的位置坐标、速度、加速度、速率以及航向角，车道线信息包括车道边界线和车道中心线的信息。
图9中(b)中给出了对第一行车信息、第二行车信息和车道线信息分别进行特征提取的流程示意。其中，对于时序特征的提取，除长短期记忆网络(LSTM，long short-termmemory)之外，GRU(Gate Recurrent Unit，循环神经网络)也是常用的架构。
图9中(c)中给出了进行特征提取分别得到第一融合特征和第二融合特征，其中，对于特征融合，除拼接(concat)之外，相加(add)、点乘(dot product)等也是常用的方式，第一融合特征用于送入意图分类器，第二融合特征用于送入轨迹预测器。
图9中(d)中给出了意图预测和轨迹预测的流程示意。其中，除多层感知器(MLP，Multilayer Perceptron)外，时间循环神经网络(RNN，Recurrent Neural Network)也可取得不错的效果。
请参阅图10，图10是本申请行驶预测装置一实施例的框架示意图。
本实施例中，行驶预测装置100包括获取模块101和预测模块102，获取模块101用于获取待测车辆的第一行车信息、待测车辆预设范围内车辆的第二行车信息以及待测车辆行驶道路的车道线信息；预测模块102用于基于行驶预测模型对第一行车信息、第二行车信息和车道线信息进行预测，得到待测车辆的预测行驶意图和预测行驶轨迹；其中，行驶预测模型基于与样本车辆相关的样本数据训练得到，样本数据标注有样本车辆的样本行驶意图，样本行驶意图基于样本行驶轨迹确定，样本行驶轨迹基于样本车辆在样本数据之后采集的原始轨迹数据分析得到，原始轨迹数据包括样本车辆在目标时间段内的位置信息。
其中，行驶预测装置100包括标注模块，用于获取样本行驶轨迹，具体包括：基于原始轨迹数据进行分析，得到样本车辆在目标时间段内的位置分布；基于位置分布，提取样本车辆的样本行驶轨迹。
其中，目标时间段包括若干子时间段，位置分布包括各个子时间段样本车辆处于车道网格的条件概率，车道网格由第一参考线和第二参考线交叉划分得到，且第二参考线基于样本车辆在目标时间段内的总位移确定；标注模块用于基于位置分布，提取样本车辆的样本行驶轨迹，具体包括：对于各个子时间段，基于子时间段内车道网格的条件概率，从车道网格中选择至少一个网格作为目标网格；基于各个子时间段的目标网格，提取样本车辆的样本行驶轨迹。
其中，标注模块用于基于子时间段内车道网格的条件概率，从车道网格中选择至少一个网格作为目标网格，具体包括：选择条件概率满足预设概率要求的网格，作为子时间段的目标网格。
其中，标注模块用于基于各个子时间段的目标网格，提取样本车辆的样本行驶轨迹，具体包括：获取与各个子时间段的目标网格分别对应的目标位置信息，以得到样本车辆的样本行驶轨迹，其中，目标位置信息表示目标网格的预设位置的位置信息。
其中，目标时间段包括若干子时间段，位置分布包括各个子时间段样本车辆处于车道网格的条件概率，标注模块用于基于原始轨迹数据进行分析，得到样本车辆在目标时间段内的位置分布，具体包括：将原始轨迹数据转换为参考路径坐标系下的数据，转换后的原始轨迹数据表示样本车辆在第一方向上的位移，和在第二方向上的位移，其中，第一方向为垂直参考路径方向，第二方向为沿参考路径方向，参考路径为样本车辆在目标时间段起始时所在的车道中心线；根据转换后的原始轨迹数据，获取样本车辆在各子时间段内在第二方向上的位移和在目标时间段内第一方向上的总位移；利用各子时间段在第二方向上的位移，划分得到与第一方向平行的第一参考线，以及，在总位移范围内均匀划分，得到与第二方向平行的第二参考线，基于第一参考线和第二参考线得到车道网格；基于转换后的原始轨迹数据，对各子时间段，分别统计样本车辆的位置处于各网格的次数，利用次数得到样本车辆处于车道网格的条件概率。
其中，标注模块还用于标注样本行驶意图，具体包括：根据样本行驶轨迹，判断样本车辆的位置在目标时间段内的变化情况；响应于样本车辆的位置随时间推移，向行驶方向上的左侧移动，确定样本行驶意图为向左变道；响应于样本车辆的位置随时间推移，向行驶方向上的右侧移动，确定样本行驶意图为向右变道；响应于样本车辆的位置随时间推移，不存在向行驶方向上的左侧移动以及不存在向行驶方向上的右侧移动，确定样本行驶意图为直行。
其中，预测模块102用于基于行驶预测模型对第一行车信息、第二行车信息和车道线信息进行预测，得到待测车辆的预测行驶意图和预测行驶轨迹，具体包括：分别对第一行车信息、第二行车信息和车道线信息进行特征提取，得到第一行车特征、第二行车特征和车道特征；基于第一行车特征、第二行车特征和车道特征进行特征融合，得到第一融合特征和第二融合特征；利用第一融合特征进行意图预测，得到预测行驶意图，以及利用第二融合特征进行轨迹预测，得到预测行驶轨迹。
其中，预测模块102用于基于第一行车特征、第二行车特征和车道特征进行特征融合，得到第一融合特征和第二融合特征，具体包括：将第一行车特征分别与第二行车特征和车道特征进行融合，得到融合结果；利用融合结果和第一行车特征进行拼接，得到第一融合特征，以及利用融合结果、第一行车特征、第二行车特征和车道特征进行拼接，得到第二融合特征。
其中，行驶预测装置100还包括训练模块，用于对行驶预测模型进行训练，具体包括：基于行驶预测模型对样本数据进行预测，得到样本车辆的样本预测行驶意图和样本预测行驶轨迹；基于样本预测行驶意图和样本行驶意图之间的第一差异得到第一损失，以及基于样本预测行驶轨迹和原始轨迹数据之间的第二差异得到第二损失；根据第一损失和对应的第一权重、第二损失和对应的第二权重，确定总损失；利用总损失调整行驶预测模型的参数，以及第一权重、和第二权重中的至少一者。
请参阅图11，图11是本申请电子设备一实施例的框架示意图。
本实施例中，电子设备110包括存储器111、处理器112，其中存储器111耦接处理器112。具体地，电子设备110的各个组件可通过总线耦合在一起，或者电子设备110的处理器112分别与其他组件一一连接。该电子设备110可以为具有处理能力的任意设备，例如计算机、平板电脑、手机等。
存储器111用于存储处理器112执行的程序数据以及处理器112在处理过程中的数据等。例如，第一行车信息、第二行车信息等。其中，该存储器111包括非易失性存储部分，用于存储上述程序数据。
处理器112控制电子设备110的操作，处理器112还可以称为CPU(CentralProcessing Unit，中央处理单元)。处理器112可能是一种集成电路芯片，具有信号的处理能力。处理器112还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器112可以由多个成电路芯片共同实现。
处理器112通过调用存储器111存储的程序数据，用于执行指令以实现上述任一行驶预测方法。
请参阅图12，图12是本申请计算机可读存储介质一实施例的框架示意图。
本实施例中，该计算机可读存储介质120存储有处理器可运行的程序数据121，该程序数据121能够被执行，用以实现上述任一行驶预测方法。
该计算机可读存储介质120具体可以为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)、磁碟或者光盘等可以存储程序数据的介质，或者也可以为存储有该程序数据的服务器，该服务器可将存储的程序数据发送给其他设备运行，或者也可以自运行该存储的程序数据。
在一些实施例中，计算机可读存储介质120还可以为如图11所示的存储器。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (12)
1.一种行驶预测方法，其特征在于，包括：
获取待测车辆的第一行车信息、所述待测车辆预设范围内车辆的第二行车信息以及所述待测车辆行驶道路的车道线信息；
基于行驶预测模型对所述第一行车信息、所述第二行车信息和所述车道线信息进行预测，得到所述待测车辆的预测行驶意图和预测行驶轨迹；
其中，所述行驶预测模型基于与样本车辆相关的样本数据训练得到，所述样本数据标注有所述样本车辆的样本行驶意图，所述样本行驶意图基于样本行驶轨迹确定，所述样本行驶轨迹基于所述样本车辆在所述样本数据之后采集的原始轨迹数据分析得到，所述原始轨迹数据包括所述样本车辆在目标时间段内的位置信息。
2.根据权利要求1所述的方法，其特征在于，所述样本行驶轨迹的获取步骤包括：
基于所述原始轨迹数据进行分析，得到所述样本车辆在所述目标时间段内的位置分布；
基于所述位置分布，提取所述样本车辆的样本行驶轨迹。
3.根据权利要求2所述的方法，其特征在于，所述目标时间段包括若干子时间段，所述位置分布包括各个所述子时间段所述样本车辆处于车道网格的条件概率，所述车道网格由第一参考线和第二参考线交叉划分得到，且所述第二参考线基于所述样本车辆在所述目标时间段内的总位移确定；所述基于所述位置分布，提取所述样本车辆的样本行驶轨迹，包括：
对于各个所述子时间段，基于所述子时间段内所述车道网格的条件概率，从所述车道网格中选择至少一个网格作为目标网格；
基于各个所述子时间段的目标网格，提取所述样本车辆的样本行驶轨迹。
4.根据权利要求3所述的方法，其特征在于，所述基于所述子时间段内所述车道网格的条件概率，从所述车道网格中选择至少一个网格作为目标网格，包括：
选择所述条件概率满足预设概率要求的网格，作为所述子时间段的所述目标网格；
和/或，所述基于各个所述子时间段的目标网格，提取所述样本车辆的样本行驶轨迹，包括：
获取与各个所述子时间段的目标网格分别对应的目标位置信息，以得到所述样本车辆的样本行驶轨迹，其中，所述目标位置信息表示所述目标网格的预设位置的位置信息。
5.根据权利要求2或3所述的方法，其特征在于，所述目标时间段包括若干子时间段，所述位置分布包括各个所述子时间段所述样本车辆处于车道网格的条件概率，所述基于所述原始轨迹数据进行分析，得到所述样本车辆在所述目标时间段内的位置分布，包括：
将所述原始轨迹数据转换为参考路径坐标系下的数据，转换后的所述原始轨迹数据表示所述样本车辆在第一方向上的位移，和在第二方向上的位移，其中，所述第一方向为垂直所述参考路径方向，所述第二方向为沿所述参考路径方向，所述参考路径为所述样本车辆在所述目标时间段起始时所在的车道中心线；
根据转换后的所述原始轨迹数据，获取所述样本车辆在各所述子时间段内在所述第二方向上的位移和在所述目标时间段内所述第一方向上的所述总位移；利用各所述子时间段在所述第二方向上的位移，划分得到与所述第一方向平行的所述第一参考线，以及，在所述总位移范围内均匀划分，得到与所述第二方向平行的所述第二参考线，基于所述第一参考线和所述第二参考线得到所述车道网格；
基于转换后的所述原始轨迹数据，对各所述子时间段，分别统计所述样本车辆的位置处于各所述网格的次数，利用所述次数得到所述样本车辆处于所述车道网格的条件概率。
6.根据权利要求1所述的方法，其特征在于，所述样本行驶意图的标注步骤包括：
根据所述样本行驶轨迹，判断所述样本车辆的位置在所述目标时间段内的变化情况；
响应于所述样本车辆的位置随时间推移，向行驶方向上的左侧移动，确定所述样本行驶意图为向左变道；
响应于所述样本车辆的位置随时间推移，向行驶方向上的右侧移动，确定所述样本行驶意图为向右变道；
响应于所述样本车辆的位置随时间推移，不存在向行驶方向上的左侧移动以及不存在向行驶方向上的右侧移动，确定所述样本行驶意图为直行。
7.根据权利要求1所述的方法，其特征在于，所述基于行驶预测模型对所述第一行车信息、所述第二行车信息和所述车道线信息进行预测，得到所述待测车辆的预测行驶意图和预测行驶轨迹，包括：
分别对所述第一行车信息、所述第二行车信息和所述车道线信息进行特征提取，得到第一行车特征、第二行车特征和车道特征；
基于所述第一行车特征、第二行车特征和车道特征进行特征融合，得到第一融合特征和第二融合特征；
利用所述第一融合特征进行意图预测，得到所述预测行驶意图，以及利用所述第二融合特征进行轨迹预测，得到所述预测行驶轨迹。
8.根据权利要求7所述的方法，其特征在于，所述基于所述第一行车特征、第二行车特征和车道特征进行特征融合，得到第一融合特征和第二融合特征包括：
将所述第一行车特征分别与所述第二行车特征和车道特征进行融合，得到融合结果；
利用所述融合结果和所述第一行车特征进行拼接，得到所述第一融合特征，以及利用所述融合结果、所述第一行车特征、所述第二行车特征和所述车道特征进行拼接，得到所述第二融合特征。
9.根据权利要求1所述的方法，其特征在于，所述行驶预测模型的训练步骤包括：
基于所述行驶预测模型对所述样本数据进行预测，得到所述样本车辆的样本预测行驶意图和样本预测行驶轨迹；基于所述样本预测行驶意图和所述样本行驶意图之间的第一差异得到第一损失，以及基于所述样本预测行驶轨迹和原始轨迹数据之间的第二差异得到第二损失；根据所述第一损失和对应的第一权重、所述第二损失和对应的第二权重，确定总损失；
利用所述总损失调整所述行驶预测模型的参数，以及调整所述第一权重和所述第二权重中的至少一者。
10.一种行驶预测装置，其特征在于，包括：
获取模块，用于获取待测车辆的第一行车信息、所述待测车辆预设范围内车辆的第二行车信息以及所述待测车辆行驶道路的车道线信息；
预测模块，用于基于行驶预测模型对所述第一行车信息、所述第二行车信息和所述车道线信息进行预测，得到所述待测车辆的预测行驶意图和预测行驶轨迹；
其中，所述行驶预测模型基于与样本车辆相关的样本数据训练得到，所述样本数据标注有所述样本车辆的样本行驶意图，所述样本行驶意图基于样本行驶轨迹确定，所述样本行驶轨迹基于所述样本车辆在所述样本数据之后采集的原始轨迹数据分析得到，所述原始轨迹数据包括所述样本车辆在目标时间段内的位置信息。
11.一种电子设备，其特征在于，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现权利要求1至9中任一项所述的行驶预测方法。
12.一种计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求1至9中任一项所述的行驶预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211652787.0A CN116052417A (zh) | 2022-12-21 | 2022-12-21 | 一种行驶预测方法、装置、设备和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211652787.0A CN116052417A (zh) | 2022-12-21 | 2022-12-21 | 一种行驶预测方法、装置、设备和可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116052417A true CN116052417A (zh) | 2023-05-02 |
Family
ID=86130434
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211652787.0A Pending CN116052417A (zh) | 2022-12-21 | 2022-12-21 | 一种行驶预测方法、装置、设备和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116052417A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117775078A (zh) * | 2024-02-28 | 2024-03-29 | 山西阳光三极科技股份有限公司 | 一种基于深度学习的矿内货运列车行驶方向判断方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090067675A1 (en) * | 2007-09-07 | 2009-03-12 | Yi Tan | Radar guided vision system for vehicle validation and vehicle motion characterization |
| CN103035123A (zh) * | 2012-12-25 | 2013-04-10 | 中国科学院深圳先进技术研究院 | 一种交通轨迹数据中异常数据获取方法及系统 |
| CN108932462A (zh) * | 2017-05-27 | 2018-12-04 | 华为技术有限公司 | 驾驶意图确定方法及装置 |
| CN110796856A (zh) * | 2019-10-16 | 2020-02-14 | 腾讯科技（深圳）有限公司 | 车辆变道意图预测方法及变道意图预测网络的训练方法 |
| CN112519765A (zh) * | 2019-09-03 | 2021-03-19 | 北京百度网讯科技有限公司 | 车辆控制方法、装置、设备和介质 |
| CN112562328A (zh) * | 2020-11-27 | 2021-03-26 | 腾讯科技（深圳）有限公司 | 一种车辆行为预测方法及装置 |
| 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 |
| CN114771572A (zh) * | 2022-05-10 | 2022-07-22 | 中国第一汽车股份有限公司 | 一种自动驾驶轨迹预测方法、装置、设备和存储介质 |
-
2022
- 2022-12-21 CN CN202211652787.0A patent/CN116052417A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090067675A1 (en) * | 2007-09-07 | 2009-03-12 | Yi Tan | Radar guided vision system for vehicle validation and vehicle motion characterization |
| CN103035123A (zh) * | 2012-12-25 | 2013-04-10 | 中国科学院深圳先进技术研究院 | 一种交通轨迹数据中异常数据获取方法及系统 |
| CN108932462A (zh) * | 2017-05-27 | 2018-12-04 | 华为技术有限公司 | 驾驶意图确定方法及装置 |
| CN112519765A (zh) * | 2019-09-03 | 2021-03-19 | 北京百度网讯科技有限公司 | 车辆控制方法、装置、设备和介质 |
| CN110796856A (zh) * | 2019-10-16 | 2020-02-14 | 腾讯科技（深圳）有限公司 | 车辆变道意图预测方法及变道意图预测网络的训练方法 |
| CN112562328A (zh) * | 2020-11-27 | 2021-03-26 | 腾讯科技（深圳）有限公司 | 一种车辆行为预测方法及装置 |
| 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 |
| CN114771572A (zh) * | 2022-05-10 | 2022-07-22 | 中国第一汽车股份有限公司 | 一种自动驾驶轨迹预测方法、装置、设备和存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117775078A (zh) * | 2024-02-28 | 2024-03-29 | 山西阳光三极科技股份有限公司 | 一种基于深度学习的矿内货运列车行驶方向判断方法 |
| CN117775078B (zh) * | 2024-02-28 | 2024-05-07 | 山西阳光三极科技股份有限公司 | 一种基于深度学习的矿内货运列车行驶方向判断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109508580B (zh) | 交通信号灯识别方法和装置 | |
| CN109360429B (zh) | 一种基于模拟优化的城市道路交通调度方法及系统 | |
| CN110288032B (zh) | 一种车辆行驶轨迹类型检测方法及装置 | |
| CN108133172A (zh) | 视频中运动对象分类的方法、车流量的分析方法及装置 | |
| CN109739904A (zh) | 一种时间序列的标记方法、装置、设备和存储介质 | |
| CN110175507B (zh) | 模型评估方法、装置、计算机设备和存储介质 | |
| CN113807350A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
| CN116052417A (zh) | 一种行驶预测方法、装置、设备和可读存储介质 | |
| CN117173913B (zh) | 基于不同时段车流量分析的交通控制方法及系统 | |
| CN110322687B (zh) | 确定目标交叉口运行状态信息的方法和装置 | |
| US20230278587A1 (en) | Method and apparatus for detecting drivable area, mobile device and storage medium | |
| CN116964588A (zh) | 一种目标检测方法、目标检测模型训练方法及装置 | |
| CN113269042A (zh) | 基于行驶车辆违章识别的智能交通管理方法及系统 | |
| CN115690545B (zh) | 训练目标跟踪模型和目标跟踪的方法和装置 | |
| CN110823596B (zh) | 一种测试方法和装置、电子设备和计算机可读存储介质 | |
| CN115114786B (zh) | 一种用于交通流仿真模型的评估方法、系统和存储介质 | |
| CN111242042A (zh) | 基于车辆检测的检验时长判断方法、装置、设备和介质 | |
| CN115027497A (zh) | 目标车辆切入意图预测方法及可读存储介质 | |
| CN115469635A (zh) | 自动驾驶仿真测试功能安全的验证方法、装置及设备 | |
| CN114241373A (zh) | 一种端到端的车辆行为检测方法、系统、设备及存储介质 | |
| CN109948656B (zh) | 一种信息处理方法、装置及存储介质 | |
| CN117593708B (zh) | 包含车辆身份信息的交通数字孪生方法、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 | |
| EP4109191A1 (en) | Methods and systems for generating ground truth data | |
| CN115985124B (zh) | 车辆行驶的控制方法、装置、存储介质及电子装置 |
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 |