CN116070780A - 轨迹预测算法的评价方法、装置、介质及车辆 - Google Patents
轨迹预测算法的评价方法、装置、介质及车辆 Download PDFInfo
- Publication number
- CN116070780A CN116070780A CN202310200707.6A CN202310200707A CN116070780A CN 116070780 A CN116070780 A CN 116070780A CN 202310200707 A CN202310200707 A CN 202310200707A CN 116070780 A CN116070780 A CN 116070780A
- Authority
- CN
- China
- Prior art keywords
- predicted
- predicted trajectory
- trajectory
- weight
- line
- 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.)
- Granted
Links
Images
Classifications
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种轨迹预测算法的评价方法、装置、介质及车辆,所述方法包括:获取待预测目标的第一预测轨迹线以及各所述第一预测轨迹线的第一权重,其中,所述第一预测轨迹线为基于轨迹预测算法确定的预测轨迹;获取所述待预测目标的第二预测轨迹线以及各所述第二预测轨迹线的第二权重,其中,所述第二预测轨迹线为基于历史数据集确定的预测轨迹;根据所述第一权重和所述第二权重,确定所述第一预测轨迹线的综合权重;根据所述第一预测轨迹线的所述综合权重,确定所述轨迹预测算法的评分。这样,很好地解决了多解真值情况下如何对轨迹预测算法进行评价的问题,能够更好地评价轨迹预测算法,为轨迹预测算法的改进提供依据。
Description
技术领域
本公开涉及自动驾驶技术领域,尤其涉及一种轨迹预测算法的评价方法、装置、介质及车辆。
背景技术
轨迹预测是无人驾驶规控的重要输入,通过承接上游的感知输出结果统计目标过去几秒的历史轨迹来推理目标未来几秒的可能轨迹。目前,学术界已经有一系列指标来评价轨迹预测模型的效果,如最终位移误差(Final Displacement Error,FDE)、平均位移误差(Average Displacement Error,ADE)、未中率(Miss Rate,MR)。
FDE为预测终点和真实终点的欧氏距离,ADE为预测轨迹和真实轨迹的平均距离,MR为预测失败的概率。目前,评价指标都是针对只有一条真值轨迹而言的。预测模型生成多条轨迹,选出一条最佳轨迹来和真值进行比对得到模型的评分。
但是,在实际行驶中,由于驾驶员的风格不同,从一点到另一点的轨迹是多解的,也就是真值可能是多个。在具有多个真值的情况下,以上指标并不能对预测模型的实施效果进行评价。
发明内容
为克服相关技术中存在的问题,本公开提供一种轨迹预测算法的评价方法、装置、介质及车辆。
根据本公开实施例的第一方面,提供一种轨迹预测算法的评价方法,包括:
获取待预测目标的第一预测轨迹线以及各所述第一预测轨迹线的第一权重,其中,所述第一预测轨迹线为基于轨迹预测算法确定的预测轨迹;
获取所述待预测目标的第二预测轨迹线以及各所述第二预测轨迹线的第二权重,其中,所述第二预测轨迹线为基于历史数据集确定的预测轨迹;
根据所述第一权重和所述第二权重,确定所述第一预测轨迹线的综合权重;
根据所述第一预测轨迹线的所述综合权重,确定所述轨迹预测算法的评分。
可选地,所述根据所述第一权重和所述第二权重,确定所述第一预测轨迹线的综合权重,包括:
从所述第一预测轨迹线中确定出候选预测轨迹线;
针对每一候选预测轨迹线,确定与所述候选预测轨迹线对应的第二预测轨迹线;
针对每一候选预测轨迹线,根据所述候选预测轨迹线的所述第一权重以及所述候选预测轨迹线对应的第二预测轨迹线的所述第二权重,确定所述候选预测轨迹线的综合权重;
所述根据所述第一预测轨迹线的所述综合权重,确定所述轨迹预测算法的评分,包括:根据所述候选预测轨迹线的所述综合权重,确定所述轨迹预测算法的评分。
可选地,所述方法还包括:
将所述综合权重最高的所述候选预测轨迹线确定为所述待预测目标的综合预测轨迹线。
可选地,所述根据所述候选预测轨迹线的所述综合权重,确定所述轨迹预测算法的评分,包括:
根据各所述候选预测轨迹线的所述综合权重的加和,确定所述轨迹预测算法的评分。
可选地,所述根据所述候选预测轨迹线的所述第一权重以及所述候选预测轨迹线对应的第二预测轨迹线的所述第二权重,确定所述候选预测轨迹线的综合权重,包括:
将所述候选预测轨迹线的所述第一权重与所述候选预测轨迹线对应的第二预测轨迹线的所述第二权重的乘积,确定为所述候选预测轨迹线的综合权重。
可选地,所述历史数据集包括众包数据。
可选地,所述获取所述待预测目标的第二预测轨迹线以及各所述第二预测轨迹线的第二权重,包括:
基于环境信息、所述历史数据集以及预设的筛选条件确定所述待预测目标的所述第二预测轨迹线的包络范围;
将所述历史数据集中处于所述包络范围内的历史轨迹确定为所述待预测目标的所述第二预测轨迹线;
基于所述第二预测轨迹线在所述历史数据集中出现的次数确定所述第二预测轨迹线的所述第二权重。
可选地,所述从所述第一预测轨迹线中确定出候选预测轨迹线,包括:
将所述第一权重最高的M个所述第一预测轨迹线确定为所述候选预测轨迹线。
可选地,所述确定与所述候选预测轨迹线对应的第二预测轨迹线,包括:
将与所述候选预测轨迹线距离最短的第二预测轨迹线确定为与所述候选预测轨迹线对应的第二预测轨迹线。
根据本公开实施例的第二方面,提供一种轨迹预测算法的评价装置,包括:
第一获取模块,被配置为获取待预测目标的第一预测轨迹线以及各所述第一预测轨迹线的第一权重,其中,所述第一预测轨迹线为基于轨迹预测算法确定的预测轨迹;
第二获取模块,被配置为获取所述待预测目标的第二预测轨迹线以及各所述第二预测轨迹线的第二权重,其中,所述第二预测轨迹线为基于历史数据集确定的预测轨迹;
第一确定模块,被配置为根据所述第一权重和所述第二权重,确定所述第一预测轨迹线的综合权重;
第二确定模块,被配置为根据所述第一预测轨迹线的所述综合权重,确定所述轨迹预测算法的评分。
根据本公开实施例的第三方面,提供一种轨迹预测算法的评价装置,包括:
第一处理器;
用于存储第一处理器可执行指令的第一存储器;
其中,所述第一处理器被配置为:
获取待预测目标的第一预测轨迹线以及各所述第一预测轨迹线的第一权重,其中,所述第一预测轨迹线为基于轨迹预测算法确定的预测轨迹;
获取所述待预测目标的第二预测轨迹线以及各所述第二预测轨迹线的第二权重,其中,所述第二预测轨迹线为基于历史数据集确定的预测轨迹;
根据所述第一权重和所述第二权重,确定所述第一预测轨迹线的综合权重;
根据所述第一预测轨迹线的所述综合权重,确定所述轨迹预测算法的评分。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被第二处理器执行时实现本公开第一方面所提供的轨迹预测算法的评价方法的步骤。
根据本公开实施例的第五方面,提供一种车辆,包括:
第三处理器;
用于存储第三处理器可执行指令的第二存储器;
其中,所述第三处理器被配置为:
实现本公开第一方面所提供的轨迹预测算法的评价方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:
以上技术方案中,根据第一权重和第二权重确定第一预测轨迹线的综合权重,并根据第一预测轨迹线的综合权重确定轨迹预测算法的评分。通过以上技术方案,使根据轨迹预测算法得出的预测结果与基于历史数据集得出的预测结果建立联系,并由此建立评分机制,参照历史数据对轨迹预测算法进行评分。由于历史数据集中记录了大量的相似场景下的待预测目标,可以认为基于历史数据集的预测结果为带权重的多解真值,这样,很好地解决了多解真值情况下如何对轨迹预测算法进行评价的问题,能够更好地评价轨迹预测算法,为轨迹预测算法的改进提供依据。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种轨迹预测算法的评价方法的流程图。
图2是根据一示例性实施例示出的一种轨迹预测算法的评价装置的框图。
图3是根据一示例性实施例示出的一种车辆的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
需要说明的是,本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
图1是根据一示例性实施例示出的一种轨迹预测算法的评价方法的流程图。如图1所示,该轨迹预测算法的评价方法包括步骤S101至步骤S104。
在步骤S101中,获取待预测目标的第一预测轨迹线以及各第一预测轨迹线的第一权重,其中,第一预测轨迹线为基于轨迹预测算法确定的预测轨迹。
待预测目标即待预测对象。举例来说,在车辆行驶过程中,需要对车辆周围的其他交通参与者未来的移动轨迹进行预测,这些其他交通参与者中的任意一个都可以是待预测目标。待预测目标可以是车辆,也可以是行人。
轨迹预测算法可以是预设的,用于预测待预测目标未来的移动轨迹。轨迹预测算法可以是基于物理模型建立的预测算法,可以是基于行为模型建立的预测算法,可以是基于神经网络建立的预测算法,还可以是基于物理模型和行为模型的结合建立的预测算法,在此不作具体限定。
第一预测轨迹线为根据轨迹预测算法预测出的待预测目标的预测轨迹。对于同一个待预测目标而言,根据轨迹预测算法可能预测出多条第一预测轨迹线。即对于同一待预测目标而言,多条第一预测轨迹线都有可能是待预测目标未来的移动轨迹。对于多条第一预测轨迹线,每条第一预测轨迹线为待预测目标未来真实的移动轨迹的概率可能是不同的。每条第一预测轨迹线都可以有一个第一权重。对于某一第一预测轨迹线而言,该条第一预测轨迹线的第一权重表明根据轨迹预测算法预测、该条第一预测轨迹线为待预测目标未来真实的移动轨迹的概率。
在步骤S101中,获取待预测目标的第一预测轨迹线以及各第一预测轨迹线的第一权重。
在步骤S102中,获取待预测目标的第二预测轨迹线以及各第二预测轨迹线的第二权重,其中,第二预测轨迹线为基于历史数据集确定的预测轨迹。
历史数据集可以是包括了交通参与者在不同交通场景下的历史轨迹的数据集。交通场景之一例如可以是右转弯场景。举例来说,历史数据集中可以记录了不同车辆在右转弯场景下完成右转弯动作时的移动轨迹。在历史数据集中,不同车辆(或同一车辆在不同时间)在同一右转弯场景下完成右转弯动作时的移动轨迹可能是两条不同的移动轨迹。
第二预测轨迹线为基于历史数据集预测出的待预测目标的预测轨迹。在同一交通场景(或者说相似交通场景)下,对于同一待预测目标而言,根据历史数据集可能预测出多条第二预测轨迹线。例如,在右转弯场景下,有的驾驶员习惯于右转后驶入道路的最右侧车道,有的驾驶员习惯于右转后驶入道路的右数第二条车道。根据历史数据集预测待预测目标的移动轨迹即认为在相似交通场景下历史数据中车辆的移动轨迹对预测待预测目标的移动轨迹具备参考价值。由于历史数据中,对于同一交通场景(或者说相似交通场景)车辆的实际移动轨迹可能有多条,因此,基于历史数据集预测出的待预测目标的第二预测轨迹线可能有多条。
对于多条第二预测轨迹线,每条第二预测轨迹线在历史数据集中的常见程度是不同的,即基于历史数据集预测,每条第二预测轨迹线是待预测目标未来真实的移动轨迹的概率是不同的。每条第二预测轨迹线都可以有一个第二权重。对于某一第二预测轨迹线而言,该条第二预测轨迹线的第二权重表明基于历史数据集预测、该条第二预测轨迹线为待预测目标未来真实的移动轨迹的概率。
在步骤S102中,获取待预测目标的第二预测轨迹线以及各第二预测轨迹线的第二权重。在一种实施方式中,第一预测轨迹线和第二预测轨迹线为针对在同一交通场景下同一待预测目标的预测结果。
在步骤S103中,根据第一权重和第二权重,确定第一预测轨迹线的综合权重。
对于每一条第一预测轨迹线而言,通常能够找到一条与其对应的第二预测轨迹线。某一条第一预测轨迹线与某一条第二预测轨迹线对应是指,对于待预测目标而言,该条第一预测轨迹线表示的待预测目标的预测轨迹和该条第二预测轨迹线表示的待预测目标的预测轨迹可以视为同一条预测轨迹。在步骤S103执行的过程中,针对多条第一预测轨迹线中的每一条第一预测轨迹线,可以根据该条第一预测轨迹线的第一权重以及该条第一预测轨迹线对应的第二预测轨迹线的第二权重确定该条第一预测轨迹线的综合权重。
举例来说可以将第一预测轨迹线的第一权重与该条第一预测轨迹线对应的第二预测轨迹线的第二权重相乘,并对二者的乘积进行开平方运算,并将开平方运算的结果确定为综合权重。对于每一第一预测轨迹线而言,综合权重即综合考虑了基于轨迹预测算法的预测结果和基于历史数据集的预测结果确定出的该第一预测轨迹线为待预测目标未来真实的移动轨迹的概率。
在步骤S104中,根据第一预测轨迹线的综合权重,确定轨迹预测算法的评分。
可以根据各个第一预测轨迹线的综合权重确定轨迹预测算法的评分。
举例来说,在步骤S103中确定出了各个第一预测轨迹线的综合权重,可以将各个第一预测轨迹线的综合权重加和,得到轨迹预测算法的评分。
由于第一权重和第二权重均为概率,若第一权重对应的第一预测轨迹线与第二权重对应的第二预测轨迹线对应的第一预测轨迹线为同一条第一预测轨迹线,那么该第一权重和该第二权重分别反映了以不同方法(基于轨迹预测算法预测或基于历史数据集预测)进行预测时同一条预测轨迹在预测结果中所占的概率。例如,在基于轨迹预测算法进行预测时“车辆右转后进入最右侧车道”的第一权重为0.3,在基于历史数据集进行预测时“车辆右转后进入最右侧车道”的第二权重为0.7。从一定程度上讲,可以认为历史数据集是通过大量实验的统计结果,因此,在评价轨迹预测算法时具有参考价值。如果根据轨迹预测算法得到的预测结果与根据历史数据集得到的预测结果吻合,可以认为轨迹预测算法符合实际情况,较为合理;如果根据轨迹预测算法得到的预测结果与根据历史数据集得到的预测结果相去甚远,则极有可能轨迹预测算法脱离实际,不够合理。
在一种实施方式中,综合权重是由第一权重(某一第一预测轨迹线的第一权重)和第二权重(该第一预测轨迹线对应的第二预测轨迹线的第二权重)相乘再开平方得到的,如果该第一权重与该第二权重相等,那么二者的大小关系符合“算术-几何均值不等式”等号成立的条件,综合权重等于二者的平均值;如果该第一权重与该第二权重相差较远,那么该第一权重与该第二权重的乘积的平方根相比于该第一权重与该第二权重的平均值要小得多,综合权重也就比二者的平均值小得多。
轨迹预测算法的评分可以是各个第一预测轨迹线的综合权重的加和,如果轨迹预测算法的评分较高,那么说明每一条第一预测轨迹线的第一权重与该条第一预测轨迹线对应的第二预测轨迹线的第二权重都比较接近,说明轨迹预测算法能够很好地预测实际情况。相反,如果轨迹预测算法的评分较低,说明可能有某一条第一预测轨迹线的第一权重与该条第一预测轨迹线对应的第二预测轨迹线的第二权重差距较大,说明轨迹预测算法存在不足。
以上技术方案中,根据第一权重和第二权重确定第一预测轨迹线的综合权重,并根据第一预测轨迹线的综合权重确定轨迹预测算法的评分。通过以上技术方案,使根据轨迹预测算法得出的预测结果与基于历史数据集得出的预测结果建立联系,并由此建立评分机制,参照历史数据对轨迹预测算法进行评分。由于历史数据集中记录了大量的相似场景下的待预测目标,可以认为基于历史数据集的预测结果为带权重的多解真值,这样,很好地解决了多解真值情况下如何对轨迹预测算法进行评价的问题,能够更好地评价轨迹预测算法,为轨迹预测算法的改进提供依据。
在又一实施例中,根据第一权重和第二权重,确定第一预测轨迹线的综合权重,包括:
从第一预测轨迹线中确定出候选预测轨迹线;
针对每一候选预测轨迹线,确定与候选预测轨迹线对应的第二预测轨迹线;
针对每一候选预测轨迹线,根据候选预测轨迹线的第一权重以及候选预测轨迹线对应的第二预测轨迹线的第二权重,确定候选预测轨迹线的综合权重;
根据第一预测轨迹线的综合权重,确定轨迹预测算法的评分,包括:根据候选预测轨迹线的综合权重,确定轨迹预测算法的评分。
可以从第一预测轨迹线中确定出候选预测轨迹线,举例来说,对于待预测目标而言,基于轨迹预测算法预测出10条第一预测轨迹线都有可能是该待预测目标未来的移动轨迹,可以从这10条第一预测轨迹线中筛选出是该待预测目标未来的移动轨迹的概率最高的5条作为候选预测轨迹线。
针对每一候选预测轨迹线,确定与该候选预测轨迹线对应的第二预测轨迹线。针对每一候选预测轨迹线,从基于历史数据集预测的第二预测轨迹线中筛选出与该候选预测轨迹线对应的第二预测轨迹线,即从第二预测轨迹线中筛选出可以与该条第一预测轨迹线被视为同一移动轨迹的第二预测轨迹线。
针对每一候选预测轨迹线,可以将该候选预测轨迹线的第一权重与该候选预测轨迹线对应的第二预测轨迹线的第二权重相乘,得到该候选预测轨迹线的综合权重。
可以将所有候选预测轨迹线的综合权重相加,确定轨迹预测算法的评分。
该实施例中,从第一预测轨迹线中确定出候选预测轨迹线,根据候选预测轨迹线的综合权重确定轨迹预测算法的评分。这样,无需计算所有第一预测轨迹线的综合权重即可得到轨迹预测算法的评分,节约了计算机的算力。并且,从第一预测轨迹线中确定出候选预测轨迹线的过程将为待预测目标的移动轨迹真值概率较低的第一预测轨迹线排除在外,避免对算法的评分造成干扰,使得确定出的轨迹预测算法的评分更加合理。
在又一实施例中,方法还包括:
将综合权重最高的候选预测轨迹线确定为待预测目标的综合预测轨迹线。
当某一候选预测轨迹线在所有的候选预测轨迹线中综合权重最高时,则可以认为该条候选预测轨迹线为同时考虑了轨迹预测算法的预测结果和基于历史数据集进行预测的预测结果的情况下确定出的最有可能为待预测目标未来的真实移动轨迹的轨迹线,因此,可以将综合权重最高的候选预测轨迹线确定为待预测目标的综合预测轨迹线。综合预测轨迹线即最终确定的对待预测目标的移动轨迹的预测结果。
该实施例中,在综合权重最高的候选预测轨迹线与第一权重最高的候选预测轨迹线不为同一条候选预测轨迹线时,将综合权重最高的候选预测轨迹线确定为待预测目标的综合预测轨迹线,可以视为基于历史数据对轨迹预测算法的输出结果进行修正,能够更准确地预测出待预测目标未来的移动轨迹。
在又一实施例中,根据候选预测轨迹线的综合权重,确定轨迹预测算法的评分,包括:
根据各候选预测轨迹线的综合权重的加和,确定轨迹预测算法的评分。
在一种实施方式中,可以将各个候选预测轨迹线的综合权重的加和确定为轨迹预测算法的评分。当轨迹预测算法的评分越高时,说明基于轨迹预测算法确定出来的预测结果与基于历史数据集确定出来的预测结果较为吻合,说明轨迹预测算法的预测效果较好,当轨迹预测算法的评分越低时,说明基于轨迹预测算法确定出来的预测结果与基于历史数据集确定出来的预测结果差距较大,可以认为轨迹预测算法的预测效果不够理想。该实施例中,提供了确定轨迹预测算法的评分的方法,能够快速确定出轨迹预测算法的评分,占用的算力低,并且实用性好。
在又一实施例中,根据候选预测轨迹线的第一权重以及候选预测轨迹线对应的第二预测轨迹线的第二权重,确定候选预测轨迹线的综合权重,包括:
将候选预测轨迹线的第一权重与候选预测轨迹线对应的第二预测轨迹线的第二权重的乘积,确定为候选预测轨迹线的综合权重。
该实施例中,候选预测轨迹线的综合权重为该条候选预测轨迹线的第一权重与该条候选预测轨迹线对应的第二预测轨迹线的第二权重的乘积。这样,建立了第一权重与第二权重之间的联系,各条候选预测轨迹线的综合权重的和可以反映基于轨迹预测算法进行预测的预测结果和基于历史数据进行预测的预测结果之间的吻合程度;另一方面,得到的综合权重仍然具有“概率”属性,仍然可以继续用于预测待预测目标未来的移动轨迹。该实施例使用的计算机算力较少,确定出的综合权重的实用性好。
在又一实施例中,历史数据集包括众包数据。也就是说,历史数据集中的数据可以是众包平台上传的数据,这样,能够更容易地获得更大样本量的历史数据集,使得基于历史数据集进行预测得到的预测结果更能反映真实情况,这样,再以更能反映真实情况的预测结果作为参考,能够对轨迹预测算法进行更为合理的评价,提高了评分的可信度。
在又一实施例中,获取待预测目标的第二预测轨迹线以及各第二预测轨迹线的第二权重,包括:
基于环境信息、历史数据集以及预设的筛选条件确定待预测目标的第二预测轨迹线的包络范围;
将历史数据集中处于包络范围内的历史轨迹确定为待预测目标的第二预测轨迹线;
基于第二预测轨迹线在历史数据集中出现的次数确定第二预测轨迹线的第二权重。
环境信息用于表明交通参与者所处的交通场景。举例来说,交通场景可以是交通繁忙的路口处交通参与者即将右转弯。可以根据预设的筛选条件确定包络范围。
举例来说,通常情况下,车辆在右转弯后,为了安全起见,车辆会在最右侧,或者右数第二条车道行驶,避免与主路上的直行车辆碰撞。但在历史数据集中,有一条轨迹为车辆在右转弯完成后直接转到了主路上的最左侧车道上,这可能是不合乎常理的。因此,在划定包络范围时可以将该条轨迹划在包络范围的外部。
在一种实施方式中,可以将某一类交通场景下某一轨迹在历史数据集中出现次数是否小于次数阈值确定为筛选条件。当某一类交通场景下某一轨迹在历史数据集中出现次数小于次数阈值,可以认为该轨迹的形成不合常理;当该类交通场景下某一轨迹在历史数据集中出现的次数大于次数阈值,可以认为该轨迹是车辆在该类交通场景下合乎常规的选择。
可以基于环境信息、历史数据集以及预设的筛选条件确定待预测目标的第二预测轨迹线的包络范围。包络范围即可以被认为是合乎常规的轨迹的范围,也就是说,合乎常规的轨迹通常出现在包络范围的内部。可以将历史数据集中处于包络范围内部的历史轨迹确定为待预测目标的第二预测轨迹线。历史轨迹是已经发生过的轨迹,是具有作为统计样本的价值的历史数据。举例来说,在右转弯场景下,包络范围内的历史轨迹可能包括“车辆右转弯后进入道路最右侧车道”这一轨迹和“车辆右转弯后进入道路右数第二条车道”这一轨迹。
可以基于第二预测轨迹线在历史数据集中出现的次数确定第二预测轨迹线的第二权重。例如,对于包络范围内的某一第二预测轨迹线而言,可以将该第二预测轨迹线在历史数据集中出现的次数与处于包络范围内的所有第二预测轨迹线在历史数据集中出现的次数的和的比值作为该条第二预测轨迹线的第二权重。在一种实施方式中,包络范围内的各个第二预测轨迹线的第二权重的和为1。
该实施例中,根据历史数据集和筛选条件确定待预测目标的第二预测轨迹线的包络范围,将明显不符合常规的历史数据排除在外,提高了基于历史数据集进行预测的预测结果的准确度,这样,再以基于历史数据集进行预测的预测结果作为参考,对轨迹预测算法进行评价时能够更好地评价轨迹预测算法。
在又一实施例中,从第一预测轨迹线中确定出候选预测轨迹线,包括:
将第一权重最高的M个第一预测轨迹线确定为候选预测轨迹线。
M可以是预设的,可以为正整数。举例来说,可以将M预设为6。举例来说,可以从第一权重最高的第一预测轨迹线进行排序,将第一权重排在前6的第一预测轨迹线确定为候选预测轨迹线。该实施例中,可以将第一权重最高的一定数量个(M个)第一预测轨迹线确定为候选预测轨迹线,这样,仅需要对候选预测轨迹线的综合权重进行计算,即可完成轨迹预测算法的评分,减少使用计算机算力,减少评分过程消耗的时间。
在又一实施例中,确定与候选预测轨迹线对应的第二预测轨迹线,包括:
将与候选预测轨迹线距离最短的第二预测轨迹线确定为与候选预测轨迹线对应的第二预测轨迹线。
对于各候选预测轨迹线中的每一候选预测轨迹线而言,可能并不能从各第二预测轨迹线中找到一条第二预测轨迹线与该候选预测轨迹线完全一样。对于每一候选预测轨迹线而言,可以从各个第二预测轨迹线中找到与该候选预测轨迹线距离最短的一条第二预测轨迹线,将找到的该第二预测轨迹线所表示的待预测目标的移动轨迹与该候选预测轨迹线所表示的待预测目标的移动轨迹视为同一条轨迹。
如何确定两条轨迹间的距离是本领域技术人员公知的内容。例如,可以对各个轨迹进行采样,将两条轨迹间相对应的采样点的平均距离作为两条轨迹间的距离。那么采样点平均距离最短的两条轨迹距离即为距离最短的两条轨迹。又例如,可以通过动态时间规整(Dynamic Time Warping,DTW)算法确定两条轨迹间的距离。本文不再对确定两条轨迹间的距离的方法进行详述,本公开也不对使用的确定距离的方法作具体限定。该实施例中,将与候选预测轨迹线距离最短的第二预测轨迹线确定为与候选预测轨迹线对应的第二预测轨迹线,方法简单高效,实用效果好。
图2是根据一示例性实施例示出的一种轨迹预测算法的评价装置的框图。参照图2,该轨迹预测算法的评价装置200包括第一获取模块201、第二获取模块202、第一确定模块203和第二确定模块204。
第一获取模块201被配置为获取待预测目标的第一预测轨迹线以及各第一预测轨迹线的第一权重,其中,第一预测轨迹线为基于轨迹预测算法确定的预测轨迹。
第二获取模块202被配置为获取待预测目标的第二预测轨迹线以及各第二预测轨迹线的第二权重,其中,第二预测轨迹线为基于历史数据集确定的预测轨迹。
第一确定模块203被配置为根据第一权重和第二权重,确定第一预测轨迹线的综合权重。
第二确定模块204被配置为根据第一预测轨迹线的综合权重,确定轨迹预测算法的评分。
在又一实施例中,第一确定模块203包括第一确定子模块、第二确定子模块和第三确定子模块。
第一确定子模块被配置为从第一预测轨迹线中确定出候选预测轨迹线。
第二确定子模块被配置为针对每一候选预测轨迹线,确定与候选预测轨迹线对应的第二预测轨迹线。
第三确定子模块被配置为针对每一候选预测轨迹线,根据候选预测轨迹线的第一权重以及候选预测轨迹线对应的第二预测轨迹线的第二权重,确定候选预测轨迹线的综合权重。
第二确定模块204被进一步配置为根据候选预测轨迹线的综合权重,确定轨迹预测算法的评分。
在又一实施例中,轨迹预测算法的评价装置200还包括第三确定模块。
第三确定模块被配置为将综合权重最高的候选预测轨迹线确定为待预测目标的综合预测轨迹线。
在又一实施例中,第二确定模块204被进一步配置为根据各候选预测轨迹线的综合权重的加和,确定轨迹预测算法的评分。
在又一实施例中,第三确定子模块被进一步配置为将候选预测轨迹线的第一权重与候选预测轨迹线对应的第二预测轨迹线的第二权重的乘积,确定为候选预测轨迹线的综合权重。
在又一实施例中,历史数据集包括众包数据。
在又一实施例中,第二获取模块202包括第四确定子模块、第五确定子模块和第六确定子模块。
第四确定子模块被配置为基于环境信息、历史数据集以及预设的筛选条件确定待预测目标的第二预测轨迹线的包络范围。
第五确定子模块被配置为将历史数据集中处于包络范围内的历史轨迹确定为待预测目标的第二预测轨迹线。
第六确定子模块被配置为基于第二预测轨迹线在历史数据集中出现的次数确定第二预测轨迹线的第二权重。
在又一实施例中,第一确定子模块被进一步配置为将第一权重最高的M个第一预测轨迹线确定为候选预测轨迹线。
在又一实施例中,第二确定子模块被进一步配置为将与候选预测轨迹线距离最短的第二预测轨迹线确定为与候选预测轨迹线对应的第二预测轨迹线。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
以上技术方案中,根据第一权重和第二权重确定第一预测轨迹线的综合权重,并根据第一预测轨迹线的综合权重确定轨迹预测算法的评分。通过以上技术方案,使根据轨迹预测算法得出的预测结果与基于历史数据集得出的预测结果建立联系,并由此建立评分机制,参照历史数据对轨迹预测算法进行评分。由于历史数据集中记录了大量的相似场景下的待预测目标,可以认为基于历史数据集的预测结果为带权重的多解真值,这样,很好地解决了多解真值情况下如何对轨迹预测算法进行评价的问题,能够更好地评价轨迹预测算法,为轨迹预测算法的改进提供依据。
本公开还提供一种轨迹预测算法的评价装置,包括:
第一处理器;
用于存储第一处理器可执行指令的第一存储器;
其中,第一处理器被配置为:
获取待预测目标的第一预测轨迹线以及各第一预测轨迹线的第一权重,其中,第一预测轨迹线为基于轨迹预测算法确定的预测轨迹;
获取待预测目标的第二预测轨迹线以及各第二预测轨迹线的第二权重,其中,第二预测轨迹线为基于历史数据集确定的预测轨迹;
根据第一权重和第二权重,确定第一预测轨迹线的综合权重;
根据第一预测轨迹线的综合权重,确定轨迹预测算法的评分。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被第二处理器执行时实现上述的轨迹预测算法的评价方法的步骤。
本公开还提供一种车辆,包括:
第三处理器;
用于存储第三处理器可执行指令的第二存储器;
其中,所述第三处理器被配置为:
实现上述的轨迹预测算法的评价方法的步骤。
图3是根据一示例性实施例示出的一种车辆600的框图。例如,车辆600可以是混合动力车辆,也可以是非混合动力车辆、电动车辆、燃料电池车辆或者其他类型的车辆。车辆600可以是自动驾驶车辆、半自动驾驶车辆或者非自动驾驶车辆。
参照图3,车辆600可包括各种子系统,例如,信息娱乐系统610、感知系统620、决策控制系统630、驱动系统640以及计算平台650。其中,车辆600还可以包括更多或更少的子系统,并且每个子系统都可包括多个部件。另外,车辆600的每个子系统之间和每个部件之间可以通过有线或者无线的方式实现互连。
在一些实施例中,信息娱乐系统610可以包括通信系统,娱乐系统以及导航系统等。
感知系统620可以包括若干种传感器,用于感测车辆600周边的环境的信息。例如,感知系统620可包括全球定位系统(全球定位系统可以是GPS系统,也可以是北斗系统或者其他定位系统)、惯性测量单元(inertialmeasurement unit,IMU)、激光雷达、毫米波雷达、超声雷达以及摄像装置。
决策控制系统630可以包括计算系统、整车控制器、转向系统、油门以及制动系统。
驱动系统640可以包括为车辆600提供动力运动的组件。在一个实施例中,驱动系统640可以包括引擎、能量源、传动系统和车轮。引擎可以是内燃机、电动机、空气压缩引擎中的一种或者多种的组合。引擎能够将能量源提供的能量转换成机械能量。
车辆600的部分或所有功能受计算平台650控制。计算平台650可包括至少一个第四处理器651和第三存储器652,第四处理器651可以执行存储在第三存储器652中的指令653。
第四处理器651可以是任何常规的处理器,诸如商业可获得的CPU。处理器还可以包括诸如图像处理器(Graphic ProcessUnit,GPU),现场可编程门阵列(FieldProgrammableGate Array,FPGA)、片上系统(System on Chip,SOC)、专用集成芯片(Application SpecificIntegrated Circuit,ASIC)或它们的组合。
第三存储器652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。
除了指令653以外,第三存储器652还可存储数据,例如道路地图,路线信息,车辆的位置、方向、速度等数据。第三存储器652存储的数据可以被计算平台650使用。
在本公开实施例中,第四处理器651可以执行指令653,以完成上述的轨迹预测算法的评价方法的全部或部分步骤。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的轨迹预测算法的评价方法的代码部分。
本领域技术人员在考虑说明书及实践本公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (13)
1.一种轨迹预测算法的评价方法,其特征在于,包括:
获取待预测目标的第一预测轨迹线以及各所述第一预测轨迹线的第一权重,其中,所述第一预测轨迹线为基于轨迹预测算法确定的预测轨迹;
获取所述待预测目标的第二预测轨迹线以及各所述第二预测轨迹线的第二权重,其中,所述第二预测轨迹线为基于历史数据集确定的预测轨迹;
根据所述第一权重和所述第二权重,确定所述第一预测轨迹线的综合权重;
根据所述第一预测轨迹线的所述综合权重,确定所述轨迹预测算法的评分。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一权重和所述第二权重,确定所述第一预测轨迹线的综合权重,包括:
从所述第一预测轨迹线中确定出候选预测轨迹线;
针对每一候选预测轨迹线,确定与所述候选预测轨迹线对应的第二预测轨迹线;
针对每一候选预测轨迹线,根据所述候选预测轨迹线的所述第一权重以及所述候选预测轨迹线对应的第二预测轨迹线的所述第二权重,确定所述候选预测轨迹线的综合权重;
所述根据所述第一预测轨迹线的所述综合权重,确定所述轨迹预测算法的评分,包括:根据所述候选预测轨迹线的所述综合权重,确定所述轨迹预测算法的评分。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
将所述综合权重最高的所述候选预测轨迹线确定为所述待预测目标的综合预测轨迹线。
4.根据权利要求2所述的方法,其特征在于,所述根据所述候选预测轨迹线的所述综合权重,确定所述轨迹预测算法的评分,包括:
根据各所述候选预测轨迹线的所述综合权重的加和,确定所述轨迹预测算法的评分。
5.根据权利要求2所述的方法,其特征在于,所述根据所述候选预测轨迹线的所述第一权重以及所述候选预测轨迹线对应的第二预测轨迹线的所述第二权重,确定所述候选预测轨迹线的综合权重,包括:
将所述候选预测轨迹线的所述第一权重与所述候选预测轨迹线对应的第二预测轨迹线的所述第二权重的乘积,确定为所述候选预测轨迹线的综合权重。
6.根据权利要求1所述的方法,其特征在于,所述历史数据集包括众包数据。
7.根据权利要求1所述的方法,其特征在于,所述获取所述待预测目标的第二预测轨迹线以及各所述第二预测轨迹线的第二权重,包括:
基于环境信息、所述历史数据集以及预设的筛选条件确定所述待预测目标的所述第二预测轨迹线的包络范围;
将所述历史数据集中处于所述包络范围内的历史轨迹确定为所述待预测目标的所述第二预测轨迹线;
基于所述第二预测轨迹线在所述历史数据集中出现的次数确定所述第二预测轨迹线的所述第二权重。
8.根据权利要求2所述的方法,其特征在于,所述从所述第一预测轨迹线中确定出候选预测轨迹线,包括:
将所述第一权重最高的M个所述第一预测轨迹线确定为所述候选预测轨迹线。
9.根据权利要求2所述的方法,其特征在于,所述确定与所述候选预测轨迹线对应的第二预测轨迹线,包括:
将与所述候选预测轨迹线距离最短的第二预测轨迹线确定为与所述候选预测轨迹线对应的第二预测轨迹线。
10.一种轨迹预测算法的评价装置,其特征在于,包括:
第一获取模块,被配置为获取待预测目标的第一预测轨迹线以及各所述第一预测轨迹线的第一权重,其中,所述第一预测轨迹线为基于轨迹预测算法确定的预测轨迹;
第二获取模块,被配置为获取所述待预测目标的第二预测轨迹线以及各所述第二预测轨迹线的第二权重,其中,所述第二预测轨迹线为基于历史数据集确定的预测轨迹;
第一确定模块,被配置为根据所述第一权重和所述第二权重,确定所述第一预测轨迹线的综合权重;
第二确定模块,被配置为根据所述第一预测轨迹线的所述综合权重,确定所述轨迹预测算法的评分。
11.一种轨迹预测算法的评价装置,其特征在于,包括:
第一处理器;
用于存储第一处理器可执行指令的第一存储器;
其中,所述第一处理器被配置为:
获取待预测目标的第一预测轨迹线以及各所述第一预测轨迹线的第一权重,其中,所述第一预测轨迹线为基于轨迹预测算法确定的预测轨迹;
获取所述待预测目标的第二预测轨迹线以及各所述第二预测轨迹线的第二权重,其中,所述第二预测轨迹线为基于历史数据集确定的预测轨迹;
根据所述第一权重和所述第二权重,确定所述第一预测轨迹线的综合权重;
根据所述第一预测轨迹线的所述综合权重,确定所述轨迹预测算法的评分。
12.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,该程序指令被第二处理器执行时实现权利要求1-9中任一项所述方法的步骤。
13.一种车辆,其特征在于,包括:
第三处理器;
用于存储第三处理器可执行指令的第二存储器;
其中,所述第三处理器被配置为:
实现权利要求1-9中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310200707.6A CN116070780B (zh) | 2023-02-28 | 2023-02-28 | 轨迹预测算法的评价方法、装置、介质及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310200707.6A CN116070780B (zh) | 2023-02-28 | 2023-02-28 | 轨迹预测算法的评价方法、装置、介质及车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116070780A true CN116070780A (zh) | 2023-05-05 |
CN116070780B CN116070780B (zh) | 2023-06-20 |
Family
ID=86171556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310200707.6A Active CN116070780B (zh) | 2023-02-28 | 2023-02-28 | 轨迹预测算法的评价方法、装置、介质及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116070780B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111402580A (zh) * | 2020-03-04 | 2020-07-10 | 杭州海康威视系统技术有限公司 | 车辆行驶轨迹预测方法、装置及电子设备 |
CN111898835A (zh) * | 2020-08-11 | 2020-11-06 | 腾讯科技(深圳)有限公司 | 一种智能交通管理方法、装置、计算机及可读存储介质 |
CN113112643A (zh) * | 2020-01-13 | 2021-07-13 | 北京地平线机器人技术研发有限公司 | 预测轨迹的评价方法、装置以及电子设备和存储介质 |
US20210269059A1 (en) * | 2020-02-29 | 2021-09-02 | Uatc, Llc | Trajectory Prediction for Autonomous Devices |
US20220169278A1 (en) * | 2020-12-01 | 2022-06-02 | Waymo Llc | Predictability-Based Autonomous Vehicle Trajectory Assessments |
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 |
CN114872730A (zh) * | 2022-05-18 | 2022-08-09 | 中国第一汽车股份有限公司 | 一种车辆行驶轨迹预测方法、装置、汽车及存储介质 |
-
2023
- 2023-02-28 CN CN202310200707.6A patent/CN116070780B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113112643A (zh) * | 2020-01-13 | 2021-07-13 | 北京地平线机器人技术研发有限公司 | 预测轨迹的评价方法、装置以及电子设备和存储介质 |
US20210269059A1 (en) * | 2020-02-29 | 2021-09-02 | Uatc, Llc | Trajectory Prediction for Autonomous Devices |
CN111402580A (zh) * | 2020-03-04 | 2020-07-10 | 杭州海康威视系统技术有限公司 | 车辆行驶轨迹预测方法、装置及电子设备 |
CN111898835A (zh) * | 2020-08-11 | 2020-11-06 | 腾讯科技(深圳)有限公司 | 一种智能交通管理方法、装置、计算机及可读存储介质 |
US20220169278A1 (en) * | 2020-12-01 | 2022-06-02 | Waymo Llc | Predictability-Based Autonomous Vehicle Trajectory Assessments |
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 |
CN114872730A (zh) * | 2022-05-18 | 2022-08-09 | 中国第一汽车股份有限公司 | 一种车辆行驶轨迹预测方法、装置、汽车及存储介质 |
Non-Patent Citations (2)
Title |
---|
付骁鑫;江永亨;黄德先;王京春;黄开胜;: "基于最优计算量分配的公路轨迹规划", 清华大学学报(自然科学版), no. 03 * |
毛莺池;陈杨;: "不确定性车辆路口的轨迹预测", 计算机科学, no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
CN116070780B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220011448A1 (en) | Positioning method, device, medium and equipment | |
CN116091894B (zh) | 模型训练方法、车辆控制方法、装置、设备、车辆及介质 | |
RU2757234C2 (ru) | Способ и система для вычисления данных для управления работой беспилотного автомобиля | |
RU2750243C2 (ru) | Способ и система для формирования траектории для беспилотного автомобиля (sdc) | |
CN114511999B (zh) | 一种行人行为预测方法及装置 | |
US20220121213A1 (en) | Hybrid planning method in autonomous vehicle and system thereof | |
CN115320583A (zh) | 目标障碍车确定方法、装置、车辆及介质 | |
CN111508253A (zh) | 提供自动行驶服务平台的方法及利用其的服务器 | |
CN114475656A (zh) | 行驶轨迹预测方法、装置、电子设备以及存储介质 | |
CN112712608B (zh) | 用于通过车辆收集性能数据的系统和方法 | |
CN116626670B (zh) | 自动驾驶模型的生成方法、装置、车辆及存储介质 | |
CN113424209A (zh) | 使用深度学习多预测器融合和贝叶斯优化的轨迹预测 | |
US20210398014A1 (en) | Reinforcement learning based control of imitative policies for autonomous driving | |
CN116070780B (zh) | 轨迹预测算法的评价方法、装置、介质及车辆 | |
CN116343174A (zh) | 目标检测方法、装置、车辆和存储介质 | |
US20230205951A1 (en) | Simulation obstacle vehicles with driving styles | |
EP4134623A1 (en) | Drive device, vehicle, and method for automated driving and/or assisted driving | |
CN112710316A (zh) | 专注于构造和本地化技术领域的动态地图生成 | |
CN116108041B (zh) | 车辆测试数据的确定方法、装置、车辆和存储介质 | |
CN115837905B (zh) | 车辆控制方法、装置、车辆及存储介质 | |
CN116659529B (zh) | 数据检测方法、装置、车辆及存储介质 | |
CN115900771B (zh) | 信息确定的方法、装置、车辆及存储介质 | |
EP4219261A1 (en) | Estimation of risk exposure for autonomous vehicles | |
CN117128976B (zh) | 道路中心线的获取方法、装置、车辆和存储介质 | |
CN115593439B (zh) | 车辆控制方法、装置、车辆及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |