CN116702836A - 交通参与者的轨迹预测方法、装置及相关设备 - Google Patents

交通参与者的轨迹预测方法、装置及相关设备 Download PDF

Info

Publication number
CN116702836A
CN116702836A CN202210171743.XA CN202210171743A CN116702836A CN 116702836 A CN116702836 A CN 116702836A CN 202210171743 A CN202210171743 A CN 202210171743A CN 116702836 A CN116702836 A CN 116702836A
Authority
CN
China
Prior art keywords
track information
traffic
types
traffic participants
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
Application number
CN202210171743.XA
Other languages
English (en)
Inventor
陈晶晶
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.)
China Mobile Communications Group Co Ltd
China Mobile Shanghai ICT Co Ltd
CM Intelligent Mobility Network Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Shanghai ICT Co Ltd
CM Intelligent Mobility Network Co Ltd
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 China Mobile Communications Group Co Ltd, China Mobile Shanghai ICT Co Ltd, CM Intelligent Mobility Network Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202210171743.XA priority Critical patent/CN116702836A/zh
Publication of CN116702836A publication Critical patent/CN116702836A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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"
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种交通参与者的轨迹预测方法、装置及相关设备，其中，所述方法包括：获取N类交通参与者的N个历史轨迹信息集，历史轨迹信息集包括航向角特征、时间特征和空间特征；根据N个历史轨迹信息集中的航向角特征，获得轨迹方向；根据轨迹方向、时间特征和空间特征，获得N类交通参与者的第一轨迹信息；根据N类交通参与者的第一轨迹信息，生成N类交通参与者的预测轨迹信息。本申请基于航向角特征先确定交通参与者的轨迹方向，再综合时间特征、空间特征以及轨迹方向生成复杂交通场景中N类交通参与者的第一轨迹信息，以实现对N个历史轨迹信息集的标准化处理，使最终获得的对应N类交通参与者的预测轨迹信息具备较高准确度。

Description

交通参与者的轨迹预测方法、装置及相关设备
技术领域
本申请涉及智能交通技术领域，尤其涉及一种交通参与者的轨迹预测方法、装置及相关设备。
背景技术
在道路交通领域，交通参与者的运行轨迹不仅能体现交通参与者在道路上的行进路径，还能反映交通参与者在道路行进过程中的时空特征。
目前，相关技术所进行的轨迹预测多面向简单交通场景，即在交通参与者的运行轨迹预测过程中，相关技术通常假设道路中的交通参与者仅包括车辆，在复杂交通场景中，交通参与者的种类较为多样，例如机动车、二轮车辆、行人等，不同种类的交通参与者的行进方式存在较大差异，也就是说，目前在复杂交通场景下进行的轨迹预测的准确度低。
发明内容
本申请实施例提供一种交通参与者的轨迹预测方法、装置及相关设备，以解决相关技术在复杂交通场景下进行的轨迹预测的准确度低的问题。
为解决上述问题，本申请是这样实现的：
第一方面，本申请实施例提供了一种交通参与者的轨迹预测方法，所述方法包括：
获取N个历史轨迹信息集，每一所述历史轨迹信息集对应一类交通参与者，且每一所述历史轨迹信息集包括与之对应的一类交通参与者的航向角特征、时间特征和空间特征，N为大于1的整数；
根据N个历史轨迹信息集中的航向角特征，获得N类交通参与者的轨迹方向；
根据所述N类交通参与者的轨迹方向、所述N个历史轨迹信息集中的时间特征和所述N个历史轨迹信息集中的空间特征，获得所述N类交通参与者的第一轨迹信息；
根据所述N类交通参与者的第一轨迹信息，获得所述N类交通参与者的轨迹特征；
根据所述N类交通参与者的轨迹特征，获得所述N类交通参与者的预测轨迹信息。
在一些实施方式中，所述根据所述N类交通参与者的轨迹方向、所述N个历史轨迹信息集中的时间特征和所述N个历史轨迹信息集中的空间特征，获得所述N类交通参与者的第一轨迹信息，包括：
获取多个场景轨迹信息，所述多个场景轨迹信息中的任意两个场景轨迹信息对应的交通场景不同；
根据所述多个场景轨迹信息确定目标场景轨迹信息，所述目标场景轨迹信息为所述多个场景轨迹信息中包括交通参与者数目最多和/或交通参与者类别最多的场景轨迹信息；
将所述N类交通参与者的轨迹方向、所述N个历史轨迹信息集中的时间特征和所述N个历史轨迹信息集中的空间特征映射至所述目标场景轨迹信息中，获得所述N类交通参与者的第一轨迹信息。
在一些实施方式中，所述将所述N类交通参与者的轨迹方向、所述N个历史轨迹信息集中的时间特征和所述N个历史轨迹信息集中的空间特征映射至所述目标场景轨迹信息中，获得所述N类交通参与者的第一轨迹信息包括：
根据所述将所述N类交通参与者的轨迹方向、所述N个历史轨迹信息集中的时间特征和所述N个历史轨迹信息集中的空间特征，生成所述N类交通参与者的无向图网络；
将所述无向图网络映射至所述目标场景轨迹信息中，获得所述N类交通参与者的第一轨迹信息。
在一些实施方式中，所述根据所述N类交通参与者的轨迹特征，获得所述N类交通参与者的预测轨迹信息，包括：
根据循环神经网络对所述N类交通参与者的轨迹特征进行编码，获得所述N类交通参与者的第一特征信息；
根据多层感知机对所述N类交通参与者的第一特征信息进行解码，获得所述N类交通参与者的预测轨迹信息。
在一些实施方式中，所述第一轨迹信息包括多个特征数据，所述多个特征数据中的任意两个特征数据对应的时间节点不同；
所述根据多层感知机对所述N类交通参与者的第一特征信息进行解码，获得所述N类交通参与者的预测轨迹信息，包括：
根据注意力机制对第一目标类交通参与者的第一轨迹信息中的多个特征数据进行加权处理，获得所述第一目标类交通参与者的第二特征信息，所述第一目标类交通参与者为所述N类交通参与者中的任意一类交通参与者；
根据所述多层感知机对所述第一目标类交通参与者的第二特征信息进行解码，获得所述第一目标类交通参与者的预测轨迹信息。
在一些实施方式中，所述根据所述N类交通参与者的第一轨迹信息，获得所述N类交通参与者的轨迹特征，包括：
对所述N类交通参与者的第一轨迹信息进行标准化处理，获得所述N类交通参与者的第二轨迹信息；
对所述N类交通参与者的第二轨迹信息进行多次特征提取处理，获得多个特征输出信息；其中，所述特征提取包括依次执行的图形特征处理和时间卷积处理；
对所述多个特征输出信息进行跳跃连接，获得所述N类交通参与者的轨迹特征。
在一些实施方式中，第二目标类交通参与者为所述N类交通参与者中的任意一类交通参与者；
所述第二目标类交通参与者的历史轨迹信息集包括历史轨迹子信息，所述历史轨迹子信息包括目标交通参与者的航向角特征、时间特征和空间特征，所述第二目标类交通参与者包括所述目标交通参与者。
第二方面，本申请实施例还提供一种交通参与者的轨迹预测装置，包括：
获取模块，用于获取N个历史轨迹信息集，每一所述历史轨迹信息集对应一类交通参与者，且每一所述历史轨迹信息集包括与之对应的一类交通参与者的航向角特征、时间特征和空间特征，N为大于1的整数；
方向确认模块，用于根据N个历史轨迹信息集中的航向角特征，获得N类交通参与者的轨迹方向；
数据处理模块，用于根据所述N类交通参与者的轨迹方向、所述N个历史轨迹信息集中的时间特征和所述N个历史轨迹信息集中的空间特征，获得所述N类交通参与者的第一轨迹信息；
特征提取模块，用于根据所述N类交通参与者的第一轨迹信息，获得所述N类交通参与者的轨迹特征；
预测模块，用于根据所述N类交通参与者的轨迹特征，获得所述N类交通参与者的预测轨迹信息。
第三方面，本申请实施例还提供一种通信设备，包括：收发机、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程序；其特征在于，所述处理器，用于读取存储器中的程序实现如前述第一方面所述方法中的步骤。
第四方面，本申请实施例还提供一种可读存储介质，用于存储程序，所述程序被处理器执行时实现如前述第一方面所述方法中的步骤。
在本申请实施例中，面对复杂交通场景，通过获取该交通场景中N类交通参与者的N个历史轨迹信息集，且先基于历史轨迹信息集中的航向角特征确定N类交通参与者的轨迹方向，再综合历史轨迹信息集中的时间特征、空间特征以及所确定的轨迹方向生成N类交通参与者的第一轨迹信息的方式，以实现对N个历史轨迹信息集的标准化处理，最后对经过标准化处理的第一轨迹信息进行数据处理，获得对应N类交通参与者且具备较高准确度的预测轨迹信息。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种交通参与者的轨迹预测方法的流程示意图；
图2是本申请实施例提供的编解码操作的流程示意图；
图3是本申请实施例提供的一种交通参与者的轨迹预测装置的结构示意图；
图4是本申请实施提供的通信设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。根据本申请中的实施例，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，都属于本申请保护的范围。
本申请实施例中的术语“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。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。此外，本申请中使用“和/或”表示所连接对象的至少其中之一，例如A和/或B和/或C，表示包含单独A，单独B，单独C，以及A和B都存在，B和C都存在，A和C都存在，以及A、B和C都存在的7种情况。
以下对本申请实施例提供的一种交通参与者的轨迹预测方法进行说明。
参见图1，图1是本申请实施例提供的一种交通参与者的轨迹预测方法的流程示意图，如图1所示，交通参与者的轨迹预测方法可以包括以下步骤：
步骤101、获取N个历史轨迹信息集。
其中，每一所述历史轨迹信息集对应一类交通参与者，且每一所述历史轨迹信息集包括与之对应的一类交通参与者的航向角特征、时间特征和空间特征，N为大于1的整数。
步骤102、根据N个历史轨迹信息集中的航向角特征，获得N类交通参与者的轨迹方向。
步骤103、根据所述N类交通参与者的轨迹方向、所述N个历史轨迹信息集中的时间特征和所述N个历史轨迹信息集中的空间特征，获得所述N类交通参与者的第一轨迹信息。
步骤104、根据所述N类交通参与者的第一轨迹信息，获得所述N类交通参与者的轨迹特征。
步骤105、根据所述N类交通参与者的轨迹特征，获得所述N类交通参与者的预测轨迹信息。
如上所述，在面对复杂交通场景时，本申请通过获取该交通场景中N类交通参与者对应的N个历史轨迹信息集，且先基于历史轨迹信息集中的航向角特征确定N类交通参与者的轨迹方向，再综合历史轨迹信息集中的时间特征、空间特征以及所确定的轨迹方向生成N类交通参与者的第一轨迹信息的方式，以实现对N个历史轨迹信息集的标准化处理，最后对经过标准化处理的第一轨迹信息进行数据处理，获得对应N类交通参与者且具备较高准确度的预测轨迹信息。
示例性的，上述复杂交通场景可理解为，无人驾驶车所处的交通环境中同时存在机动车、行人、二轮车辆等多类交通参与者的场景。
示例性的，根据N个历史轨迹信息集中的航向角特征，获得所述N类交通参与者的轨迹方向的过程可以为：
以行人类别为例，设定历史时间步长为T，t时刻的某一行人Q航向角为hdgQt(t＝1,…,T)，该行人Q在历史时间步长T中的航向角变化值可以表示为基于预设的方向阈值δ1、δ2、δ3设置不同轨迹方向对应的不同区间[0,δ1),[δ1,δ2),[δ2,δ3)，其中δ1、δ2、δ3取值范围均为0到2π，区间[0,δ1)对应直行的轨迹方向，区间[δ1,δ2)对应左转的轨迹方向，区间[δ2,δ3)对应右转的轨迹方向，如上，基于该行人Q对应的航向角变化值以及三种轨迹方向对应的不同区间，即可判断该行人Q在历史时间步长T中的轨迹方向，举例来说，若该行人Q对应的航向角变化值位于[0,δ1)中，则判定该行人的轨迹方向为直行。
需要说明的是，行人Q可以为行人类别中的任意一个行人,Q可理解为该行人在当前复杂交通场景内的唯一编号(用于区分该行人与当前复杂交通场景内的其他交通参与者)；其他类别的交通参与者(如机动车、二轮车辆等)的轨迹方向的确定过程与行人的轨迹方向的确定过程类似，为避免重复，便不再赘述。
进一步的，在确定每个交通参与者的轨迹方向以后，可相应计算得到每一类交通参与者的轨迹方向比例因子具体的，/>其中，cj可理解为第j类交通参与者，n为当前复杂交通场景内交通参与者的总类别数，/>可理解为对第j类交通参与者包括的每个交通参与者的航向角变化值进行求和。
如上，当前复杂交通场景内所有交通参与者的历史轨迹的矩阵表示可以为：
其中，P表示行人类别的轨迹矩阵(此时c1指代行人类别的交通参与者)，B表示二轮车类别的轨迹矩阵(此时c2指代二轮车类别的交通参与者)，V表示机动车类别的轨迹矩阵(此时c3指代机动车类别的交通参与者)，O表示场景中除行人、机动车、二轮车外其它类别交通参与者的轨迹矩阵。
需要说明的是，上述计算轨迹方向比例因子的过程可理解为对不同类别交通参与者的轨迹方向进行归一化处理的过程，这能便利后续对矩阵H的数据处理过程。
需要指出的是，针对N类交通参与者中任意一类交通参与者来说，该类交通参与者对应的历史轨迹信息集将包括至少一个交通参与者，以及每个交通参与者对应的历史子轨迹信息，所述历史子轨迹信息包括交通参与者的帧数id,交通参与者的标识id(用于同其他交通参与者进行区分),交通参与者的类别，交通参与者当前的经度坐标、交通参与者当前的纬度坐标、交通参与者的航向角等信息。
另外，上述N类交通参与者包括M个交通参与者，所述M个交通参与者可理解为，在历史时间步长为T的最后一帧中出现的所有交通参与者，M为大于N的整数。
在一些实施方式中，所述根据所述N类交通参与者的轨迹方向、所述N个历史轨迹信息集中的时间特征和所述N个历史轨迹信息集中的空间特征，获得所述N类交通参与者的第一轨迹信息，包括：
获取多个场景轨迹信息，所述多个场景轨迹信息中的任意两个场景轨迹信息对应的交通场景不同；
根据所述多个场景轨迹信息确定目标场景轨迹信息，所述目标场景轨迹信息为所述多个场景轨迹信息中包括交通参与者数目最多和/或交通参与者类别最多的场景轨迹信息；
将所述N类交通参与者的轨迹方向、所述N个历史轨迹信息集中的时间特征和所述N个历史轨迹信息集中的空间特征映射至所述目标场景轨迹信息中，获得所述N类交通参与者的第一轨迹信息。
受道路速度、道路本身情况、天气、交通参与者密度等交通场景因素的影响，使得当前复杂交通场景内所有交通参与者的历史轨迹的矩阵H会随场景变化而产生较大差异，在此情况下，通过预先获取对应不同场景的多个场景轨迹信息H1,…,Hm，其中，m为场景总数，并在多个场景轨迹信息中确定目标场景轨迹信息Ha，随后将所述N类交通参与者的轨迹方向、所述N个历史轨迹信息集中的时间特征和所述N个历史轨迹信息集中的空间特征映射至该目标场景轨迹信息Ha中，以完成对当前复杂交通场景内所有交通参与者的历史轨迹的矩阵H的标准化处理，降低交通场景因素带来的轨迹数据分布差异影响，提升预测模型的泛化能力，，使最后输出的N类交通参与者的预测轨迹信息具备较高的准确度。其中，预测模型可理解为应用本申请实施例提供的交通参与者的轨迹预测方法的模型。在一些实施方式中，所述将所述N类交通参与者的轨迹方向、所述N个历史轨迹信息集中的时间特征和所述N个历史轨迹信息集中的空间特征映射至所述目标场景轨迹信息中，获得所述N类交通参与者的第一轨迹信息包括：
根据所述将所述N类交通参与者的轨迹方向、所述N个历史轨迹信息集中的时间特征和所述N个历史轨迹信息集中的空间特征，生成所述N类交通参与者的无向图网络；
将所述无向图网络映射至所述目标场景轨迹信息中，获得所述N类交通参与者的第一轨迹信息。
如上所述，以无向图网络的形式对N类交通参与者的轨迹方向、N个历史轨迹信息集中的时间特征与空间特征构建当前复杂交通场景内所有交通参与者之间的时空关系，以从N个历史轨迹信息集中有效提取多个交通参与者之间的交互关系，进一步提升所输出的N类交通参与者的预测轨迹信息的准确度。
其中，N类交通参与者的无向图网络包括图节点和节点连线，所述图节点可理解为当前复杂交通场景内的任意一个交通参与者，节点连线可理解为两个图节点之间距离。
示例性的，生成N类交通参与者的无向图网络的过程可以为：
基于N个历史轨迹信息集中的空间特征构建空间图，所述空间图对应的邻接矩阵可表示为：
其中，edge<vxtvyt>∈ES可理解为在t时刻的图节点vxt和图节点vyt之间的空间距离小于距离阈值；edist为所述两个交通参与者之间的欧式距离，μ为权重系数(权重系数可适应性调整，例如，设定μ＝2)。
基于N个历史轨迹信息集中的空间特征构建时间图，所述时间图对应的邻接矩阵可表示为：
其中，dge<vαTvαβ>∈ET可理解为在T时刻(即在历史时间步长的最后时刻)出现了交通参与者α，在邻近T时刻的β时刻也出现了交通参与者α，且T时刻和β时刻之间的时间间隔小于时间阈值；ediv可理解为T时刻和β时刻之间的时间间隔，σ可理解为历史轨迹信息集的采集频率(单位为赫兹)，举例来说，若设定采集频率为1秒1帧，则σ＝1。
汇总前述轨迹方向比例因子、以及对应空间图的邻接矩阵和对应时间图的邻接矩阵，即可生成N类交通参与者的无向图网络(邻接矩阵的形式)。
需要说明的是，对应空间图的每一邻接矩阵均为k×k矩阵，其中，k为在历史时间步长为T的最后一帧中出现的所有交通参与者的总数目，对应时间图的邻接矩阵也为k×k矩阵。
在一些实施方式中，所述根据所述N类交通参与者的轨迹特征，获得所述N类交通参与者的预测轨迹信息，包括：
根据循环神经网络对所述N类交通参与者的轨迹特征进行编码，获得所述N类交通参与者的第一特征信息；
根据多层感知机对所述N类交通参与者的第一特征信息进行解码，获得所述N类交通参与者的预测轨迹信息。
优选通过特征提取模型对所述N类交通参与者的第一轨迹信息进行特征提取，以获得所述N类交通参与者的轨迹特征。
示例性的，应用若干个门控循环单元(Gate Recurrent Unit，GRU)对所述N类交通参与者的轨迹特征进行编码，任意t时刻单个门控循环单元输出的隐状态向量可以表示为：
ht＝GRU(ht-1,Ft)
其中，ht-1为前一时刻的门控循环单元产生的隐状态向量，Ft为特征提取模型输出的t时刻对应的时空特征向量，t大于或等于1，小于或等于历史时间步长T。
在t时刻对若干个门控循环单元的不同隐状态向量进行统计：
dI＝h1t+h2o+…+hot
其中，hot可理解为第o个门控循环单元在t时刻的隐状态向量，o可理解为若干个门控循环单元的总数目，dI对应历史时间步长为T的最后一帧中出现的所有交通参与者中的第I个交通参与者，所述第I个交通参与者对应的解码过程可以为：
zpre＝MLP(dI)
其中，zpre可理解为所述第I个交通参与者的预测轨迹，多层感知机(MultilayerPerceptron，MLP)也叫人工神经网络(Artificial Neural Network，ANN)，除了输入输出层，多层感知机中间可以有多个隐层，最简单的MLP只含一个隐层，即三层的结构。
如上，将N类交通参与者的轨迹特征输入若干个门控循环单元构成的编码器，然后将编码器中的隐状态向量和历史时间步长中每个交通参与者坐标一起输入解码器(即多层感知机)，以预测每个交通参与者在未来时间步长的位置坐标。这其中，设置多层感知机作为解码器，能降低解码阶段的累计误差，使最终输出的预测轨迹信息的准确度更高。
在一些实施方式中，所述第一轨迹信息包括多个特征数据，所述多个特征数据中的任意两个特征数据对应的时间节点不同；
所述根据多层感知机对所述N类交通参与者的第一特征信息进行解码，获得所述N类交通参与者的预测轨迹信息，包括：
根据注意力机制对第一目标类交通参与者的第一轨迹信息中的多个特征数据进行加权处理，获得所述第一目标类交通参与者的第二特征信息，所述第一目标类交通参与者为所述N类交通参与者中的任意一类交通参与者；
根据所述多层感知机对所述第一目标类交通参与者的第二特征信息进行解码，获得所述第一目标类交通参与者的预测轨迹信息。
如图2所示，基于注意力机制对第一目标类交通参与者的第一轨迹信息中的多个特征数据进行加权处理，以区分历史时间步长中不同时刻对应的隐状态向量的重要程度，使最终输出的预测轨迹信息的准确度更高。
示例性的，在t时刻对若干个门控循环单元的不同隐状态向量进行加权统计：
dI＝w1th1t+w2th2t+…+wothot
其中，wot可理解为t时刻第o个门控循环单元的权重值。
上述权重值可由用户人为设定，也可以经由机器学习的方式获得(即为历史时间步长内的每一时刻预先配置对应的初始权重，随后通过样本训练，迭代式调整历史时间步长内的每一时刻对应的初始权重，直至调整次数达到次数阈值或损失函数小于损失阈值，则结束训练，并获得历史时间步长内的每一时刻对应的最终权重)，本申请实施例对此并不加以限定。
在一些实施方式中，所述根据所述N类交通参与者的第一轨迹信息，获得所述N类交通参与者的轨迹特征，包括：
对所述N类交通参与者的第一轨迹信息进行标准化处理，获得所述N类交通参与者的第二轨迹信息；
对所述N类交通参与者的第二轨迹信息进行多次特征提取处理，获得多个特征输出信息；其中，所述特征提取包括依次执行的图形特征处理和时间卷积处理；
对所述多个特征输出信息进行跳跃连接，获得所述N类交通参与者的轨迹特征。
示例性的，特征提取模型可以利用一个二维的(1×1)核大小的卷积层对预处理数据(即所述N类交通参与者的第一轨迹信息)进行卷积，以完成前述标准化处理(指对预处理数据进行升维)。
随后，对升维后的预处理数据(即所述N类交通参与者的第二轨迹信息)进行图形特征处理(用于捕获多个交通参与者之间的相互关系)和时间卷积处理(用于捕获交通参与者在时间层面的特征)，以获得多个特征输出信息。
最后，利用跳跃连接的方式对所述多个特征输出信息进行汇总，以生成N类交通参与者的轨迹特征，这能降低交通参与者的时空特征丢失的概率，并进一步提高后续获得的N类交通参与者的预测轨迹信息的准确度。
在一些实施方式中，第二目标类交通参与者为所述N类交通参与者中的任意一类交通参与者；
所述第二目标类交通参与者的历史轨迹信息集包括历史轨迹子信息，所述历史轨迹子信息包括目标交通参与者的航向角特征、时间特征和空间特征，所述第二目标类交通参与者包括所述目标交通参与者。
所述目标交通参与者可理解为所述第二目标类交通参与者中的任意一个交通参与者，如前所述，在获得所述第二目标类交通参与者对应的轨迹方向比例因子后，归属于所述第二目标类交通参与者的所有交通参与者将共用该轨迹方向比例因子，举例来说，若设定第二目标类交通参与者包括第一交通参与者和第二交通参与者，且所述第二目标类交通参与者对应的轨迹方向比例因子为0.3，则第一交通参与者的轨迹方向比例因子为0.3，且第二交通参与者的轨迹方向比例因子也为0.3。
需要说明的是，前述根据所述N类交通参与者的轨迹方向、所述N个历史轨迹信息集中的时间特征和所述N个历史轨迹信息集中的空间特征，获得所述N类交通参与者的第一轨迹信息可理解为：
针对历史时间步长T的最后一帧中出现的所有交通参与者中的任意一个交通参与者，基于该交通参与者对应的轨迹方向比例因子、时间特征和空间特征，生成该交通参与者的第一子轨迹信息；
汇总前述所有交通参与者的第一子轨迹信息，即获得所述N类交通参与者的第一轨迹信息。
前述根据所述N类交通参与者的第一轨迹信息，获得所述N类交通参与者的轨迹特征可理解为：
针对历史时间步长T的最后一帧中出现的所有交通参与者中的任意一个交通参与者，基于前述特征提取模型对该交通参与者的第一子轨迹信息进行特征提取，获得该交通参与者的子轨迹特征；
汇总前述所有交通参与者的子轨迹特征，即获得所述N类交通参与者的轨迹特征。
前述根据所述N类交通参与者的轨迹特征，获得所述N类交通参与者的预测轨迹信息可理解为：
针对历史时间步长T的最后一帧中出现的所有交通参与者中的任意一个交通参与者，对该交通参与者的子轨迹特征依次进行编码和解码处理，以获得该交通参与者的预测子轨迹信息；
汇总前述所有交通参与者的预测子轨迹信息，即获得所述N类交通参与者的预测轨迹信息。
优选通过轨迹预测模型完成前述编码和解码处理，示例性的，所述特征提取模型和所述轨迹预测模型的训练过程可以为：
获得用于特征提取的第一初始模型和用于轨迹预测的第二初始模型；
对初始样本轨迹信息进行标准化处理，获得标准样本轨迹信息；
将所述标准样本轨迹信息输入第一初始模型，并将所述第一初始模型的输出数据送入所述第二初始模型，以获得样本预测轨迹；
基于所述样本预测轨迹和初始样本轨迹信息的样本实际轨迹之间的差异，调整所述第一初始模型和第二初始模型，以获得所述特征提取模型和所述轨迹预测模型。
需要指出的是，上述示例的标准化处理可理解为轨迹方向筛选处理(即获取初始样本轨迹信息中每一交通参与者的轨迹方向比例因子)和时空特征处理(即构建初始样本轨迹信息中每一交通参与者的时间图和空间图)，其中，为统一基于轨迹方向比例因子、时间图和空间图共同生成的轨迹矩阵的数据格式，可以确定前述多个场景轨迹信息H1,…,Hm中不属于目标场景轨迹信息Ha的任意一个场景轨迹信息Hb映射至目标场景轨迹信息Ha，其映射过程可以为：
以目标场景轨迹信息Ha为基础构建高维的希尔伯特核空间，将场景轨迹信息Hb映射至该希尔伯特核空间上，并计算目标场景轨迹信息Ha和场景轨迹信息Hb之间的相似值γab：
其中，ha为目标场景轨迹信息Ha的子向量，ha为目标场景轨迹信息Ha中的子向量数目，hb为场景轨迹信息Hb的子向量，hb为场景轨迹信息Hb中的子向量数目。
汇总多个场景轨迹信息(指不属于多个场景轨迹信息H1,…,Hm中不属于目标场景轨迹信息Ha的多个场景轨迹信息)对用相似值γab生成相关因子矩阵R,此时，前述轨迹方向筛选处理可以调整为，确定初始样本轨迹信息对应的场景来源，基于该场景来源在相关因子矩阵R中检索匹配该场景来源的相似值，在获得初始样本轨迹信息的时间图和空间图之后，基于所获得时间图和空间图以及该相似值快速生成标准样本轨迹信息。
通过上述设置，(在预测模型训练阶段)降低交通场景因素带来的训练数据分布差异影响，提升预测模型的泛化能力，使预测模型具备较好的预测效果。
为方便理解，解释说明如下：
图神经网络：图卷积神经网络(Graph Convolutional Network,GCN)实际上跟卷积神经网络(Convolutional Neural Network，CNN)的作用一样，也是一个特征提取器，只不过它的对象是图数据。GCN精妙地设计了一种从图数据中提取特征的方法，从而让我们可以使用这些特征去对图数据进行节点分类(node classification)、图分类(graphclassification)、边预测(link prediction)等工作。
循环神经网络：循环神经网络(Recurrent Neural Network,RNN)是一类以序列数据为输入，在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络。门控循环单元(Gate Recurrent Unit，GRU)是循环神经网络的一种。和LSTM(Long-Short Term Memory)一样，也是为了解决长期记忆和反向传播中的梯度等问题而提出来的。与LSTM相比，GRU内部少了一个“门控”，参数比LSTM少，但是却也能够达到与LSTM相当的功能。GRU相对于LSTM，具有硬件计算能力要求低和计算时间少的优点。
多层感知机：多层感知机(Multilayer Perceptron，MLP)也叫人工神经网络(Artificial Neural Network，ANN)，除了输入输出层，它中间可以有多个隐层，最简单的MLP只含一个隐层，即三层的结构。多层感知机层与层之间是全连接的。多层感知机最底层是输入层，中间是隐藏层，最后是输出层。
注意力机制：注意力机制(Attention Mechanism)是机器学习中的一种数据处理方法，广泛应用于语言处理、图像识别、语音识别等各种不同类型的机器学习任务中。注意力机制的思想类似于人类翻译文本，其将注意力分别集中在源语句词汇对应的上下文。同样的，注意力机制模型中，在翻译当前词语时，注意力机制模型会寻找源语句中相对应的几个词语，并结合之前的已经翻译的部分作出相应的翻译。这样，解码器在预测时可以看到编码器编码词汇的所有相关信息，而不局限于原模型中的定长向量，一定程度上减少了长程信息损失。
本申请实施例中介绍的多种可选的实施方式，在彼此不冲突的情况下可以相互结合实现，也可以单独实现，对此本申请实施例不作限定。
参见图3，图3是本申请实施例提供的交通参与者轨迹预测装置的结构示意图，如图3所示，所述交通参与者轨迹预测装置200包括：
获取模块201，用于获取N个历史轨迹信息集，每一所述历史轨迹信息集对应一类交通参与者，且每一所述历史轨迹信息集包括与之对应的一类交通参与者的航向角特征、时间特征和空间特征，N为大于1的整数；
方向确认模块202，用于根据N个历史轨迹信息集中的航向角特征，获得N类交通参与者的轨迹方向；
数据处理模块203，用于根据所述N类交通参与者的轨迹方向、所述N个历史轨迹信息集中的时间特征和所述N个历史轨迹信息集中的空间特征，获得所述N类交通参与者的第一轨迹信息；
特征提取模块204，用于根据所述N类交通参与者的第一轨迹信息，获得所述N类交通参与者的轨迹特征；
预测模块205，用于根据所述N类交通参与者的轨迹特征，获得所述N类交通参与者的预测轨迹信息。
在一些实施方式中，所述数据处理模块203包括：
目标场景确定单元，用于获取多个场景轨迹信息，所述多个场景轨迹信息中的任意两个场景轨迹信息对应的交通场景不同；根据所述多个场景轨迹信息确定目标场景轨迹信息，所述目标场景轨迹信息为所述多个场景轨迹信息中包括交通参与者数目最多和/或交通参与者类别最多的场景轨迹信息；
映射单元，用于将所述N类交通参与者的轨迹方向、所述N个历史轨迹信息集中的时间特征和所述N个历史轨迹信息集中的空间特征映射至所述目标场景轨迹信息中，获得所述N类交通参与者的第一轨迹信息。
在一些实施方式中，所述映射单元包括：
根据所述将所述N类交通参与者的轨迹方向、所述N个历史轨迹信息集中的时间特征和所述N个历史轨迹信息集中的空间特征，生成所述N类交通参与者的无向图网络；
将所述无向图网络映射至所述目标场景轨迹信息中，获得所述N类交通参与者的第一轨迹信息。
在一些实施方式中，所述预测模块205包括：
编码单元，用于根据循环神经网络对所述N类交通参与者的轨迹特征进行编码，获得所述N类交通参与者的第一特征信息；
解码单元，用于根据多层感知机对所述N类交通参与者的第一特征信息进行解码，获得所述N类交通参与者的预测轨迹信息。
在一些实施方式中，所述第一轨迹信息包括多个特征数据，所述多个特征数据中的任意两个特征数据对应的时间节点不同，所述解码单元包括：
根据注意力机制对第一目标类交通参与者的第一轨迹信息中的多个特征数据进行加权处理，获得所述第一目标类交通参与者的第二特征信息，所述第一目标类交通参与者为所述N类交通参与者中的任意一类交通参与者；
根据所述多层感知机对所述第一目标类交通参与者的第二特征信息进行解码，获得所述第一目标类交通参与者的预测轨迹信息。
在一些实施方式中，所述特征提取模块204包括：
对所述N类交通参与者的第一轨迹信息进行标准化处理，获得所述N类交通参与者的第二轨迹信息；
对所述N类交通参与者的第二轨迹信息进行多次特征提取处理，获得多个特征输出信息；其中，所述特征提取包括依次执行的图形特征处理和时间卷积处理；
对所述多个特征输出信息进行跳跃连接，获得所述N类交通参与者的轨迹特征。
在一些实施方式中，第二目标类交通参与者为所述N类交通参与者中的任意一类交通参与者；
所述第二目标类交通参与者的历史轨迹信息集包括历史轨迹子信息，所述历史轨迹子信息包括目标交通参与者的航向角特征、时间特征和空间特征，所述第二目标类交通参与者包括所述目标交通参与者。
本申请实施例还提供一种通信设备，请参见图4，通信设备可以包括处理器301、存储器302及存储在存储器302上并可在处理器301上运行的程序3021。
程序3021被处理器301执行时可实现图1对应的方法实施例中的任意步骤及达到相同的有益效果，此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法的全部或者部分步骤是可以通过程序指令相关的硬件来完成，所述的程序可以存储于一可读取介质中。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时可实现上述图1对应的方法实施例中的任意步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例的计算机可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
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申请操作的计算机程序代码，所述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终端上执行。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)。

Claims (10)

1.一种交通参与者的轨迹预测方法，其特征在于，所述方法包括：
获取N个历史轨迹信息集，每一所述历史轨迹信息集对应一类交通参与者，，且每一所述历史轨迹信息集包括与之对应的一类交通参与者的航向角特征、时间特征和空间特征，N为大于1的整数；
根据N个历史轨迹信息集中的航向角特征，获得N类交通参与者的轨迹方向；
根据所述N类交通参与者的轨迹方向、所述N个历史轨迹信息集中的时间特征和所述N个历史轨迹信息集中的空间特征，获得所述N类交通参与者的第一轨迹信息；
根据所述N类交通参与者的第一轨迹信息，获得所述N类交通参与者的轨迹特征；
根据所述N类交通参与者的轨迹特征，获得所述N类交通参与者的预测轨迹信息。
2.根据权利要求1所述的方法，其特征在于，所述根据所述N类交通参与者的轨迹方向、所述N个历史轨迹信息集中的时间特征和所述N个历史轨迹信息集中的空间特征，获得所述N类交通参与者的第一轨迹信息，包括：
获取多个场景轨迹信息，所述多个场景轨迹信息中的任意两个场景轨迹信息对应的交通场景不同；
根据所述多个场景轨迹信息确定目标场景轨迹信息，所述目标场景轨迹信息为所述多个场景轨迹信息中包括交通参与者数目最多和/或交通参与者类别最多的场景轨迹信息；
将所述N类交通参与者的轨迹方向、所述N个历史轨迹信息集中的时间特征和所述N个历史轨迹信息集中的空间特征映射至所述目标场景轨迹信息中，获得所述N类交通参与者的第一轨迹信息。
3.根据权利要求2所述的方法，其特征在于，所述将所述N类交通参与者的轨迹方向、所述N个历史轨迹信息集中的时间特征和所述N个历史轨迹信息集中的空间特征映射至所述目标场景轨迹信息中，获得所述N类交通参与者的第一轨迹信息包括：
根据所述将所述N类交通参与者的轨迹方向、所述N个历史轨迹信息集中的时间特征和所述N个历史轨迹信息集中的空间特征，生成所述N类交通参与者的无向图网络；
将所述无向图网络映射至所述目标场景轨迹信息中，获得所述N类交通参与者的第一轨迹信息。
4.根据权利要求2所述的方法，其特征在于，所述根据所述N类交通参与者的轨迹特征，获得所述N类交通参与者的预测轨迹信息，包括：
根据循环神经网络对所述N类交通参与者的轨迹特征进行编码，获得所述N类交通参与者的第一特征信息；
根据多层感知机对所述N类交通参与者的第一特征信息进行解码，获得所述N类交通参与者的预测轨迹信息。
5.根据权利要求4所述的方法，其特征在于，所述第一轨迹信息包括多个特征数据，所述多个特征数据中的任意两个特征数据对应的时间节点不同；
所述根据多层感知机对所述N类交通参与者的第一特征信息进行解码，获得所述N类交通参与者的预测轨迹信息，包括：
根据注意力机制对第一目标类交通参与者的第一轨迹信息中的多个特征数据进行加权处理，获得所述第一目标类交通参与者的第二特征信息，所述第一目标类交通参与者为所述N类交通参与者中的任意一类交通参与者；
根据所述多层感知机对所述第一目标类交通参与者的第二特征信息进行解码，获得所述第一目标类交通参与者的预测轨迹信息。
6.根据权利要求4所述的方法，其特征在于，所述根据所述N类交通参与者的第一轨迹信息，获得所述N类交通参与者的轨迹特征，包括：
对所述N类交通参与者的第一轨迹信息进行标准化处理，获得所述N类交通参与者的第二轨迹信息；
对所述N类交通参与者的第二轨迹信息进行多次特征提取处理，获得多个特征输出信息；其中，所述特征提取包括依次执行的图形特征处理和时间卷积处理；
对所述多个特征输出信息进行跳跃连接，获得所述N类交通参与者的轨迹特征。
7.根据权利要求1所述的方法，其特征在于，第二目标类交通参与者为所述N类交通参与者中的任意一类交通参与者；
所述第二目标类交通参与者的历史轨迹信息集包括历史轨迹子信息，所述历史轨迹子信息包括目标交通参与者的航向角特征、时间特征和空间特征，所述第二目标类交通参与者包括所述目标交通参与者。
8.一种交通参与者的轨迹预测装置，其特征在于，所述装置包括：
获取模块，用于获取N个历史轨迹信息集，每一所述历史轨迹信息集对应一类交通参与者，且每一所述历史轨迹信息集包括与之对应的一类交通参与者的航向角特征、时间特征和空间特征，N为大于1的整数；
方向确认模块，用于根据N个历史轨迹信息集中的航向角特征，获得N类交通参与者的轨迹方向；
数据处理模块，用于根据所述N类交通参与者的轨迹方向、所述N个历史轨迹信息集中的时间特征和所述N个历史轨迹信息集中的空间特征，获得所述N类交通参与者的第一轨迹信息；
特征提取模块，用于根据所述N类交通参与者的第一轨迹信息，获得所述N类交通参与者的轨迹特征；
预测模块，用于根据所述N类交通参与者的轨迹特征，获得所述N类交通参与者的预测轨迹信息。
9.一种通信设备，包括：收发机、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程序；其特征在于，所述处理器，用于读取存储器中的程序实现如权利要求1至7中任一项所述的交通参与者的轨迹预测方法中的步骤。
10.一种可读存储介质，用于存储程序，其特征在于，所述程序被处理器执行时实现如权利要求1至7中任一项所述的交通参与者的轨迹预测方法中的步骤。
CN202210171743.XA 2022-02-24 2022-02-24 交通参与者的轨迹预测方法、装置及相关设备 Pending CN116702836A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210171743.XA CN116702836A (zh) 2022-02-24 2022-02-24 交通参与者的轨迹预测方法、装置及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210171743.XA CN116702836A (zh) 2022-02-24 2022-02-24 交通参与者的轨迹预测方法、装置及相关设备

Publications (1)

Publication Number Publication Date
CN116702836A true CN116702836A (zh) 2023-09-05

Family

ID=87826239

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210171743.XA Pending CN116702836A (zh) 2022-02-24 2022-02-24 交通参与者的轨迹预测方法、装置及相关设备

Country Status (1)

Country Link
CN (1) CN116702836A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117744704A (zh) * 2024-02-21 2024-03-22 云南宇松科技有限公司 一种烟气污染源采集监测系统、方法及可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117744704A (zh) * 2024-02-21 2024-03-22 云南宇松科技有限公司 一种烟气污染源采集监测系统、方法及可读存储介质
CN117744704B (zh) * 2024-02-21 2024-04-30 云南宇松科技有限公司 一种烟气污染源采集监测系统、方法及可读存储介质

Similar Documents

Publication Publication Date Title
CN109711463B (zh) 基于注意力的重要对象检测方法
US20210133483A1 (en) Object detection based on pixel differences
WO2021147325A1 (zh) 一种物体检测方法、装置以及存储介质
WO2021164750A1 (zh) 一种卷积层量化方法及其装置
Dong et al. A hybrid spatial–temporal deep learning architecture for lane detection
CN114372116B (zh) 一种基于lstm和时空注意力机制的车辆轨迹预测方法
CN111597961B (zh) 面向智能驾驶的移动目标轨迹预测方法、系统、装置
CN109829495A (zh) 基于lstm和dcgan的时序性图像预测方法
CN113537462A (zh) 数据处理方法、神经网络的量化方法及相关装置
CN115495552A (zh) 基于双通道语义增强的多轮对话回复生成方法及终端设备
CN114565812A (zh) 语义分割模型的训练方法、装置和图像的语义分割方法
CN117217368A (zh) 预测模型的训练方法、装置、设备、介质及程序产品
CN113781519A (zh) 目标跟踪方法和目标跟踪装置
Li Image semantic segmentation method based on GAN network and ENet model
CN115375781A (zh) 一种数据处理方法及其装置
Chondrodima et al. An efficient LSTM neural network-based framework for vessel location forecasting
CN116702836A (zh) 交通参与者的轨迹预测方法、装置及相关设备
Stearns et al. Spot: Spatiotemporal modeling for 3d object tracking
Zhao et al. End‐to‐end autonomous driving decision model joined by attention mechanism and spatiotemporal features
CN114694255A (zh) 基于通道注意力与时间卷积网络的句子级唇语识别方法
Dong et al. Refinement Co‐supervision network for real‐time semantic segmentation
CN117197632A (zh) 一种基于Transformer的电镜花粉图像目标检测方法
US20230254230A1 (en) Processing a time-varying signal
CN116258176A (zh) 一种数据处理方法及其装置
CN116993996B (zh) 对图像中的对象进行检测的方法及装置

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