CN116749996A - 轨迹预测方法、装置、电子设备及存储介质 - Google Patents

轨迹预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116749996A
CN116749996A CN202310644699.4A CN202310644699A CN116749996A CN 116749996 A CN116749996 A CN 116749996A CN 202310644699 A CN202310644699 A CN 202310644699A CN 116749996 A CN116749996 A CN 116749996A
Authority
CN
China
Prior art keywords
track
traffic participant
characteristic information
traffic
map
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
CN202310644699.4A
Other languages
English (en)
Inventor
陈红丽
李荣华
王宁
卢丽婧
李曙光
卢少然
修杰
陈�光
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.)
Faw Nanjing Technology Development Co ltd
FAW Group Corp
Original Assignee
Faw Nanjing Technology Development Co ltd
FAW Group Corp
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 Faw Nanjing Technology Development Co ltd, FAW Group Corp filed Critical Faw Nanjing Technology Development Co ltd
Priority to CN202310644699.4A priority Critical patent/CN116749996A/zh
Publication of CN116749996A publication Critical patent/CN116749996A/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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B60W2050/0031—Mathematical model of the vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/40—High definition maps

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Human Computer Interaction (AREA)
  • Automation & Control Theory (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种轨迹预测方法、装置、电子设备及存储介质。该方法包括：采集可行驶区域内多个交通参与者的轨迹数据及地图数据；根据轨迹数据以及地图数据提取各交通参与者的轨迹特征信息和地图特征信息；将轨迹特征信息和地图特征信息输入至预设网络模型，得到各交通参与者的预测轨迹；其中，预设网络模型用于根据轨迹特征信息提取每个时间步上各交通参与者的空间特征和时间特征，使用自注意力机制确定各交通参与者的时空特征与车道特征的交互特征。上述技术方案利用预设网络模型以及各交通参与者的时间特征、空间特征、时空特征与车道特征的交互特征，考虑了交通参与者未来轨迹的交互，提高了轨迹预测的精确性和适用性。

Description

轨迹预测方法、装置、电子设备及存储介质
技术领域
本发明实施例涉及数据处理技术领域，尤其涉及一种轨迹预测方法、装置、电子设备及存储介质。
背景技术
对物体运动趋势进行预测是自动驾驶技术中的重要部分，其目的是预测周围环境中各种物体的运动轨迹，包括行人、车辆、自行车等等。自动驾驶轨迹预测是指根据车辆历史轨迹、周围环境和未来规划等信息来预测车辆未来的运动轨迹。常用的自动驾驶轨迹预测方法依赖于地图编码和运动历史建模，其存在的问题是，关注每个个体当前位置附近的地图和历史轨迹的相互作用，但缺乏对每个个体未来轨迹的交互的考虑，对不同个体最终预测出来的未来轨迹可能相互冲突；也有一些预测方法是建立在基于目标的预测基础上，但需要先验的设计规则获得目标点，具有较强的限制性。综上，轨迹预测的精确性和适用性有待提高。
发明内容
本发明提供了一种轨迹预测方法、装置、电子设备及存储介质，以提高轨迹预测的精确性和适用性。
第一方面，本发明实施例提供了一种轨迹预测方法，包括：
采集可行驶区域内多个交通参与者的轨迹数据以及地图数据；
根据所述轨迹数据以及所述地图数据提取各所述交通参与者的轨迹特征信息和地图特征信息；将各所述交通参与者的轨迹特征信息输入至预设网络模型，得到各所述交通参与者的预测轨迹；其中，所述预设网络模型用于根据所述轨迹特征信息和地图特征信息，基于Attention机制提取每个时间步上各所述交通参与者的空间特征；基于Transformer模型提取各所述交通参与者的时间特征；将多层感知器编码后的车道特征作为键/值、各所述交通参与者的时空特征作为查询，使用自注意力机制确定各所述交通参与者的时空特征与车道特征的交互特征。
第二方面，本发明实施例提供了一种轨迹预测装置，包括：
数据采集模块，用于采集可行驶区域内多个交通参与者的轨迹数据以及地图数据；
特征提取模块，用于根据所述轨迹数据以及所述地图数据提取各所述交通参与者的轨迹特征信息和地图特征信息；
轨迹预测模块，用于将各所述交通参与者的轨迹特征信息和地图特征信息输入至预设网络模型，得到各所述交通参与者的预测轨迹；其中，所述预设网络模型用于根据所述轨迹特征信息和地图特征信息，基于Attention机制提取每个时间步上各所述交通参与者的空间特征；基于Transformer模型提取各所述交通参与者的时间特征；将多层感知器编码后的车道特征作为键/值、各所述交通参与者的时空特征作为查询，使用自注意力机制确定各所述交通参与者的时空特征与车道特征的交互特征。
第三方面，本发明实施例提供了一种电子设备，包括：
一个或多个处理器；
存储装置，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第一方面所述的轨迹预测方法。
第四方面，本发明实施例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第一方面所述的轨迹预测方法。
本发明实施例提供了一种轨迹预测方法、装置、电子设备及存储介质。该方法包括：采集可行驶区域内多个交通参与者的轨迹数据以及地图数据；根据所述轨迹数据以及所述地图数据提取各所述交通参与者的轨迹特征信息和地图特征信息；将各所述交通参与者的轨迹特征信息和地图特征信息输入至预设网络模型，得到各所述交通参与者的预测轨迹；其中，所述预设网络模型用于根据所述轨迹特征信息和地图特征信息，基于Attention机制提取每个时间步上各所述交通参与者的空间特征；基于Transformer模型提取各所述交通参与者的时间特征；将多层感知器编码后的车道特征作为键/值、各所述交通参与者的时空特征作为查询，使用自注意力机制确定各所述交通参与者的时空特征与车道特征的交互特征。上述技术方案利用预设网络模型以及交通参与者的时间特征、空间特征、时空特征与车道特征的交互特征，考虑了交通参与者未来轨迹的交互，提高了轨迹预测的精确性和适用性。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本发明实施例一提供的一种轨迹预测方法的流程图；
图2为本发明实施例二提供的一种轨迹预测过程的示意图；
图3为本发明实施例三提供的一种轨迹预测装置的结构示意图；
图4为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。此外，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
需要注意，本发明实施例中提及的“第一”、“第二”等概念仅用于对不同的装置、模块、单元或其他对象进行区分，并非用于限定这些装置、模块、单元或其他对象所执行的功能的顺序或者相互依存关系。
实施例一
图1为本发明实施例一提供的一种轨迹预测方法的流程图，本实施例可适用于对交通参与者进行轨迹预测的情况。具体的，该轨迹预测方法可以由轨迹预测装置执行，该轨迹预测装置可以通过软件和/或硬件的方式实现，并集成在电子设备中。进一步的，电子设备包括但不限定于：台式计算机、笔记本电脑、智能手机以及服务器等。
如图1所示，该方法具体包括如下步骤：
S110、采集可行驶区域内多个交通参与者的轨迹数据以及地图数据。
具体的，可行驶区域可以理解为可采集数据或者可观测到的区域，可行驶区域内通常有多个交通参与者，各交通参与者在遵循驾驶规则的前提下，可以在可行驶区域内的任意道路上移动或行驶。可以使用传感器设备(如激光雷达、摄像头以及毫米波雷达等)对周围环境进行感知定位，从而采集可行驶区域内的各交通参与者的轨迹数据以及地图数据。其中，轨迹数据可用于描述交通参与者在当前时刻的运动状态以及过去的一段历史时间内的运动规律，地图数据可用于描述可行驶区域内的环境状况，主要包括车道信息。
S120、根据所述轨迹数据以及所述地图数据提取各所述交通参与者的轨迹特征信息和地图特征信息。
具体的，从采集到的轨迹数据以及地图数据中可以编码并提取出轨迹预测需要的特征信息，主要包括轨迹特征信息和地图特征信息，轨迹特征信息包括各交通参与者的当前时刻位置、轨迹相邻帧的位移、运动速度以及运动方向等，地图特征信息包括车道中心线节点位置、车道节点位移、车道连接关系、道路结构、交通信号灯特征。将各交通参与者的轨迹预测需要的特征进行编码，并输入至预设网络模型，利用轨迹特征信息以及地图特征信息，可以对每个交通参与者未来的运动趋势进行预测，从而得到预测轨迹。
其中，可以选定一个交通参与者作为预测主体，表示为Agent，除Agent以外的交通参与者可视为障碍物，表示为Actor。Agent周围指定范围内的感知信息与地图信息构成一个场景，该场景以结构化的方式表示。
S130、将各所述交通参与者的轨迹特征信息和地图特征信息输入至预设网络模型，得到各所述交通参与者的预测轨迹；其中，所述预设网络模型用于根据所述轨迹特征信息和地图特征信息，基于Attention机制提取每个时间步上各所述交通参与者的空间特征；基于Transformer模型提取各所述交通参与者的时间特征；将多层感知器编码后的车道特征作为键/值、各所述交通参与者的时空特征作为查询，使用自注意力机制确定各所述交通参与者的时空特征与车道特征的交互特征。
其中，预设网络模型可以为预先构建并经过训练的深度学习网络，该模型可以从历史轨迹数据以及上下文信息(障碍物之间的交互特征、障碍物对时间的依赖性、障碍物与车道的交互)中学习各交通参与者的运动规律，进而预测其未来(从当前时刻T到未来指定时刻T’)的轨迹。预设网络模型可结合各交通参与者的空间维度信息、时间维度信息、地图信息等进行轨迹预测。此外，在预测过程中，可以进一步考虑各交通参与者未来轨迹的交互，对各交通参与者的目的位置进行初步预测，进而将各交通参与者目的位置周围的地图信息、初步预测的各交通参与者未来的时间维度信息和空间维度信息融合到时空特征与车道特征的交互特征中，获取Agent与Actor之间的交互特征，使轨迹预测的精度更高。
具体的，预设网络模型可根据轨迹特征信息和地图特征信息，在每个时间步上，对场景中所有交通参与者使用多层感知器(Multilayer Perceptron，MLP)获得特征编码，使用Attention机制提取每个时间步上各交通参与者的空间特征，以学习每个时间步上各交通参与者之间的空间交互关系。
预设网络模型还可根据轨迹特征信息和地图特征信息，基于Transformer模型提取各交通参与者的时间特征，在不同时刻的交通参与者交互特征的基础上加上一个额外可学习的Tokens后，送入多头注意力块和MLP块，其中，Tokens只关注当前时间步长的时间掩码。
Agent的未来轨迹在很大程度上取决于其上下文，即其他Actor和地图，Actor周边地图能反映Actor未来意图，需要编码进Actor特征中。因此，预设网络模型还可根据轨迹特征信息和地图特征信息，将MLP编码后的车道特征作为键/值、各交通参与者的时空特征作为查询，使用自注意力机制确定各交通参与者的时空特征(时间特征和空间特征融合的结果)与车道特征的交互特征。
可选的，所述预设网络模型包括第一双分支多模态预测头，第一双分支多模态预测头的回归分支用于预测每个交通参与者在未来时刻的K个预测轨迹，双分支多模态预测头的分类分支用于确定每个预测轨迹相应的置信度，K为正整数。
具体的，在轨迹预测阶段，对融合了上下文以及未来各交通参与者轨迹特征结果可应用于一个双分支多模态预测头，一个为回归分支，通过MLP来预测每个交通参与者未来指定时刻的K个轨迹；一个为分类分支，为每个交通参与都输出K个置信度，用来对每个交通参与者的k个轨迹分别进行评分，评分可以以输出相应的置信度来体现。最终对每个交通参与者给出K个预测轨迹序列位置，帮助自动驾驶车辆做出决策和控制。
本发明实施例一提供的一种轨迹预测方法，利用预设网络模型以及各交通参与者的时间特征、空间特征以及时空特征与车道特征的交互特征，考虑了交通参与者未来轨迹的交互，提高了轨迹预测的精确性和适用性。此外，通过利用第一双分支多模态预测头，可以预测得到K个预测轨迹，提高了轨迹预测的全面性，有利于自动驾驶车辆做出合适决策和控制，可以进一步满足各种场景和应用需求。
实施例二
本发明实施例二提供了一种轨迹预测方法。本实施例是在上述实施例的基础上进行优化，对轨迹预测过程进行具体描述。需要说明的是，未在本实施例中详尽描述的技术细节可参见上述任意实施例。
具体的，该方法具体包括如下步骤：
S210、采集可行驶区域内多个交通参与者的轨迹数据以及地图数据。
S220、根据所述轨迹数据以及所述地图数据提取各所述交通参与者的轨迹特征信息和地图特征信息。
可选的，根据轨迹数据以及地图数据提取各交通参与者的轨迹特征信息和地图特征信息，包括：
S221、根据轨迹数据以及地图数据确定各交通参与者的当前时刻位置、轨迹相邻帧的位移、运动速度以及运动方向；
S222、根据各交通参与者的当前时刻位置、轨迹相邻帧的位移、运动速度以及运动方向分别将每个交通参与者的当前轨迹编码为长度为T的序列，不足T的部分用0填充，并通过二元1×T掩码来表示序列中的有效值和缺失值，T为正整数。
具体的，选定一个交通参与者作为预测主体，表示为Agent，除Agent以外的交通参与者可作为障碍物，表示为Actor。Agent周围指定范围内的感知信息与地图特征信息构成一个场景，该场景以结构化的方式表示。提取各交通参与者的轨迹特征信息，包括当前时刻位置、轨迹相邻帧的位移、运动速度、运动方向，将每个场景都规范化成以Agent为中心并将所有Actor的方向与Agent航向对齐，轨迹长度为T，不足T用0填充。另外可以给轨迹特征加一个二元1×T掩码来表示是否有缺失值。地图特征信息也转换为以Agent为中心并与Agent的航向对齐。
S223、从所述地图数据中提取出各所述交通参与者当前时刻设定范围内的地图特征信息，所述地图特征信息包括车道中心线节点(Node)位置、车道节点位移、车道连接关系、道路结构以及交通信号灯等构成的地图特征。
具体的，可从地图数据中提取出各交通参与者当前时刻设定范围内的地图信息，包括车道中心线节点位置、车道节点位移、车道连接关系、道路结构、交通信号灯等构成的特征。将地图场景中的地图特征信息转换为以Agent为中心并与Agent的航向对齐。
S230、根据轨迹特征信息和地图特征信息，基于Attention机制提取每个时间步上各所述交通参与者的空间特征。
S240、根据轨迹特征信息和地图特征信息，基于Transformer模型提取各所述交通参与者的时间特征。
S250、将多层感知器编码后的车道特征作为键/值、各所述交通参与者的时空特征作为查询，使用自注意力机制确定各所述交通参与者的时空特征与车道特征的交互特征。
S260、根据各交通参与者的轨迹特征信息和地图特征信息预测各交通参与者的目的位置。
可选的，预设网络模型还包括第二双分支多模态预测头，在目的位置预测阶段，第二双分支多模态预测头的回归分支可用于预测每个交通参与者在未来时刻的N个目标位置；第二双分支多模态预测头的分类分支可用于为每个交通参与者的每个目标位置输出相应的置信度，N为正整数；其中，置信度最高的目标位置作为交通参与者的目的位置。
具体的，在目的位置预测阶段，对融合了上下文的Actor轨迹特征结果应用一个双分支多模态预测头，一个为回归分支，用一个带有残差求和的MLP网络(Linear ResBlock)来回归每个交通参与者在未来时刻可能的N个目标位置；一个为分类分支；并利用分类分支使用Linear、ResBlock为每个交通参与者都输出N个置信度，用来对预测的每个交通参与者N个目标位置进行打分，选择每个交通参与者置信度最高的目标位置作为初步预测的目的位置。在此基础上，可以考虑不同的场景进行全面的预测。
S270、对目的位置周围设定范围的区域进行裁剪，并提取裁剪的区域内的车道特征。
本实施例中，预设网络模型还用于使用Attention将所述裁剪的区域内的车道特征与各所述交通参与者的时空特征与车道特征的交互特征融合。此过程可以理解为对目的位置的车道特征进行特征增强。交通参与者的行为与其他Actor的目的位置相关，Actor之间在未来的交互也很重要。使用Attention可使融合了目的位置地图特征信息的Actor彼此交互，为交互提供锚点(Anchor)，从而模拟交通参与者未来的交互。Actor之间的互动将遵循驾驶规则。
具体的，交通参与者的行为高度依赖于目的位置的环境。选择目的位置预测阶段获取的N个目标位置中置信度最高的目标位置作为Anchor。Anchor是根据车辆历史轨迹与周围地图特征信息得到的最高可能性目的地。因为Anchor的运动高度不确定，裁剪Anchor周围设定范围内区域作为感兴趣区域，降低了初步目标预测的准确性要求，能容忍初步目标预测有一定范围的误差。实际终点更容易出现在感兴趣区域。找出初步预测的目的位置周围区域的车道特征，使用Attention将该区域的车道特征融合到时空特征与车道特征的交互特征中，让交通参与者充分考虑目的位置周围的地图特征信息，进一步提高预测的合理性。
S280、输出各所述交通参与者的预测轨迹。
可选的，预设网络模型包括第一双分支多模态预测头，第一双分支多模态预测头的回归分支输出每个交通参与者在未来时刻的K个预测轨迹，双分支多模态预测头的分类分支输出每个预测轨迹相应的置信度。将回归的轨迹坐标旋转到实际朝向上，并从相对Agent坐标转换为绝对坐标系中。最终对每个交通参与者给出K个未来轨迹序列位置，帮助自动驾驶车辆做出决策和控制。
图2为本发明实施例二提供的一种轨迹预测过程的示意图。如图2所示，轨迹预测过程包括：
数据采集：采集可行驶区域内多个交通参与者的轨迹数据以及地图数据；
数据预处理：将各交通参与者的轨迹预测需要的特征进行编码，得到轨迹特征信息和地图特征信息；
Attention空间特征交互：基于Attention提取每个时间步上各所述交通参与者的空间特征；
Transformer时间特征交互：基于Transformer模型提取各所述交通参与者的时间特征；
Attention地图特征交互：将多层感知器编码后的车道特征作为键/值、各所述交通参与者的时空特征作为查询，使用自注意力机制确定各所述交通参与者的时空特征与车道特征的交互特征；
Linear ResBlock目的位置预测：通过第二双分支多模态预测头的回归分支预测每个交通参与者在未来时刻的N个目标位置，通过第二双分支多模态预测头的分类分支为每个交通参与者的每个目标位置输出相应的置信度，其中，置信度最高的目标位置作为交通参与者的目的位置；
目的位置周围区域特征增强：对目的位置周围设定范围的区域进行裁剪，并提取裁剪的区域内的车道特征；
Attention交通参与者与地图特征交互：在目的位置周围区域特征增强的基础上，将多层感知器编码后的车道特征作为键/值、各所述交通参与者的时空特征作为查询，使用自注意力机制确定各所述交通参与者的时空特征与车道特征的交互特征；
Attention空间特征交互：在目的位置周围区域特征增强的基础上，基于Attention提取每个时间步上各所述交通参与者的空间特征；
轨迹预测：通过第一双分支多模态预测头的回归分支预测每个交通参与者在未来时刻的K个预测轨迹，通过第一双分支多模态预测头的分类分支用于确定每个预测轨迹相应的置信度，K为正整数。可选的，预设网络模型的输出包括K个预测轨迹，在所述预设网络模型的训练过程中，采用负对数似然函数评价回归结果的损失；采用最大边界损失函数评价分类结果的损失。
具体的，预设网络模型的损失(Loss)由两个阶段的损失构成，第一个阶段为目的位置预测，第二个阶段为轨迹预测。每个阶段都有回归损失和分类损失。预测的轨迹(或者目的位置)与真值差别越小，回归损失越小，可使用负对数似然函数作为回归损失函数。对于每个Actor的每条轨迹，希望minFDE的轨迹与其他轨迹相比，总是有最大的分数。采用最大边界损失(Max Margin Loss)作为分类损失函数。
可选的，采用以下指标对预设网络模型的预测结果进行评估：
最小平均位移误差(minimum Average Displacement Error，min-ADE)，为具有最小终点误差的预测轨迹与真实轨迹之间的平均欧式距离；
最小终点位移误差(minimum Final Displacement Error，min-FDE)，为具有最小终点误差的预测轨迹的终点(min-FDE)与真实轨迹终点之间的欧式距离；
加权最小终点位移误差(Brier-minFDE)，为具有最小终点误差的预测轨迹与真实轨迹之间的平均欧式距离，其中，在每个交通参与者的预测轨迹终点与真实轨迹终点之间的欧式距离上使用(1.0-p)2加权，p对应于具有最小终点位移误差的预测轨迹的置信度。
缺失率(Miss Rate，MR)，为所述预测轨迹终点与所述真实轨迹终点的欧式距离大于设定阈值的情况占比，例如为预测轨迹终点与真实轨迹终点的欧式距离在2.0米以上的情况占比；
可驾驶区域合规性(Drivable Area Compliance，DAC)，如预测得到K个可能的预测轨迹，其中m个轨迹中，交通参与者在某一时刻退出可行驶区域，该模型的DAC将是(K-m)/K。
本发明实施例二提供的一种轨迹预测方法，在上述实施例的基础上进行优化，获取同一时刻存在的障碍物之间的交互，获取障碍物对时间的依赖性，获取障碍物与车道的交互，将上下文信息聚合到轨迹特征中，初步预测各交通参与者目的地位置，根据初步预测到的目的位置获取目的位置周围的地图特征信息，将目的位置周围车道特征融合到时空特征与车道特征的交互特征中，从而获取交通参与者运动信息之间的交互，在此基础上提高轨迹预测的合理性。此外，预设网络模型可以分离障碍物时间维度与空间维度特征，降低计算复杂度。通过关注交通参与者目的位置周围的地图特征信息，关注交通参与者未来轨迹之间的交互，对于一些困难场景，从历史轨迹与当前时刻地图特征信息无法推理出合理的轨迹，而本实施例的方法通过考虑未来目的位置周围的地图特征信息获取了额外的有效信息，保证预测轨迹遵循驾驶规则，可以避免未来轨迹之间的冲突碰撞。
实施例三
图3为本发明实施例三提供的一种轨迹预测装置的结构示意图。本实施例提供的轨迹预测装置包括：
数据采集模块310，用于采集可行驶区域内多个交通参与者的轨迹数据以及地图数据；
特征提取模块320，用于根据所述轨迹数据以及所述地图数据提取各所述交通参与者的轨迹特征信息和地图特征信息；
轨迹预测模块330，用于将各所述交通参与者的轨迹特征信息和地图特征信息输入至预设网络模型，得到各所述交通参与者的预测轨迹；其中，所述预设网络模型用于根据轨迹特征信息和地图特征信息，基于Attention机制提取每个时间步上各所述交通参与者的空间特征；基于Transformer模型提取各所述交通参与者的时间特征；将多层感知器编码后的车道特征作为键/值、各所述交通参与者的时空特征作为查询，使用自注意力机制确定各所述交通参与者的时空特征与车道特征的交互特征。
本发明实施例三提供的一种轨迹预测装置，利用预设网络模型以及障碍物的时间特征、空间特征、时空特征与车道特征的交互特征，考虑了交通参与者未来轨迹的交互，提高了轨迹预测的精确性和适用性。
在上述实施例的基础上，数据提取模块320，包括：
预处理单元，用于根据所述轨迹数据以及所述地图数据确定各所述交通参与者的当前时刻位置、轨迹相邻帧的位移、运动速度以及运动方向；
编码理单元，用于根据各所述交通参与者的当前时刻位置、轨迹相邻帧的位移、运动速度以及运动方向分别将每个交通参与者的当前轨迹编码为长度为T的序列，不足T的部分用0填充，并通过二元1×T掩码来表示所述序列中的有效值和缺失值，T为正整数；
从所述地图数据中提取出各所述交通参与者当前时刻设定范围内的地图特征信息，所述地图特征信息包括车道中心线节点位置、车道节点位移、车道连接关系、道路结构以及交通信号灯等构成的地图特征。
在上述实施例的基础上，所述预设网络模型包括第一双分支多模态预测头，所述第一双分支多模态预测头的回归分支用于预测每个所述交通参与者在未来时刻的K个预测轨迹，所述双分支多模态预测头的分类分支用于确定每个预测轨迹相应的置信度，K为正整数。
在上述实施例的基础上，所述预设网络模型还包括第二双分支多模态预测头，所述第二双分支多模态预测头的回归分支用于预测每个交通参与者在未来时刻的N个目标位置；所述第二双分支多模态预测头的分类分支用于为每个交通参与者的每个目标位置输出相应的置信度，N为正整数；其中，置信度最高的目标位置作为所述交通参与者的目的位置。
在上述实施例的基础上，所述预设网络模型还用于对所述目的位置周围设定范围的区域进行裁剪，并提取裁剪的区域内的车道特征。
在上述实施例的基础上，所述预设网络模型还用于使用Attention将所述裁剪的区域内的车道特征与各所述交通参与者的时空特征与车道特征的交互特征融合。
在上述实施例的基础上，所述预设网络模型的输出包括K个预测轨迹，K为正整数；
该装置还包括评价模块，用于在所述预设网络模型的训练过程中，采用负对数似然函数评价回归结果的损失；采用最大边界损失函数评价分类结果的损失；采用以下指标对所述预设网络模型的预测结果进行评估：
最小平均位移误差，为具有最小终点误差的预测轨迹与真实轨迹之间的平均欧式距离；
最小终点位移误差，为具有最小终点误差的预测轨迹的终点与真实轨迹终点之间的欧式距离；
加权最小终点位移误差，为具有最小终点误差的预测轨迹与真实轨迹之间的平均欧式距离，其中，在每个交通参与者的预测轨迹终点与真实轨迹终点之间的欧式距离上使用(1.0-p)2加权，p对应于具有最小终点位移误差的预测轨迹的置信度。
缺失率，为所述预测轨迹终点与所述真实轨迹终点的欧式距离大于设定阈值的情况占比；
可驾驶区域合规性，为m个预测轨迹与预测轨迹总数的占比(K-m)/K，所述m个预测轨迹中，交通参与者在某一时刻退出可行驶区域。
本发明实施例三提供的轨迹预测装置可以用于执行上述任意实施例提供的轨迹预测方法，具备相应的功能和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备10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10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、用户设备、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4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、无线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，例如轨迹预测方法。
在一些实施例中，轨迹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)而被配置为执行轨迹预测方法。
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10上实施此处描述的系统和技术，该电子设备10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10。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。
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 (10)

1.一种轨迹预测方法，其特征在于，包括：
采集可行驶区域内多个交通参与者的轨迹数据以及地图数据；
根据所述轨迹数据以及所述地图数据提取各所述交通参与者的轨迹特征信息和地图特征信息；
将各所述交通参与者的轨迹特征信息和地图特征信息输入至预设网络模型，得到各所述交通参与者的预测轨迹；其中，所述预设网络模型用于根据所述轨迹特征信息和地图特征信息，基于Attention机制提取每个时间步上各所述交通参与者的空间特征；基于Transformer模型提取各所述交通参与者的时间特征；将多层感知器编码后的车道特征作为键/值、各所述交通参与者的时空特征作为查询，使用自注意力机制确定各所述交通参与者的时空特征与车道特征的交互特征。
2.根据权利要求1所述的方法，其特征在于，根据所述轨迹数据以及所述地图数据提取各所述交通参与者的轨迹特征信息和地图特征信息，包括：
根据所述轨迹数据以及所述地图数据确定各所述交通参与者的当前时刻位置、轨迹相邻帧的位移、运动速度以及运动方向；
根据各所述交通参与者的当前时刻位置、轨迹相邻帧的位移、运动速度以及运动方向分别将每个交通参与者的当前轨迹编码为长度为T的序列，不足T的部分用0填充，并通过二元1×T掩码来表示所述序列中的有效值和缺失值，T为正整数；
从所述地图数据中提取出各所述交通参与者当前时刻设定范围内的地图特征信息，所述地图特征信息包括车道中心线节点位置、车道节点位移、车道连接关系、道路结构以及交通信号灯特征。
3.根据权利要求1所述的方法，其特征在于，所述预设网络模型包括第一双分支多模态预测头，所述第一双分支多模态预测头的回归分支用于预测每个所述交通参与者在未来时刻的K个预测轨迹，所述双分支多模态预测头的分类分支用于确定每个预测轨迹相应的置信度，K为正整数。
4.根据权利要求1所述的方法，其特征在于，所述预设网络模型还包括第二双分支多模态预测头，所述第二双分支多模态预测头的回归分支用于预测每个所述交通参与者在未来时刻的N个目标位置；所述第二双分支多模态预测头的分类分支用于为每个所述交通参与者的每个目标位置输出相应的置信度，N为正整数；其中，置信度最高的目标位置作为所述交通参与者的目的位置。
5.根据权利要求4所述的方法，其特征在于，所述预设网络模型还用于对所述目的位置周围设定范围的区域进行裁剪，并提取裁剪的区域内的车道特征。
6.根据权利要求5所述的方法，其特征在于，所述预设网络模型还用于使用Attention将所述裁剪的区域内的车道特征与各所述交通参与者的时空特征与车道特征的交互特征融合。
7.根据权利要求1所述的方法，其特征在于，所述预设网络模型的输出包括K个预测轨迹，K为正整数；
在所述预设网络模型的训练过程中，采用负对数似然函数评价回归结果的损失；采用最大边界损失函数评价分类结果的损失；
采用以下指标对所述预设网络模型的预测结果进行评估：
最小平均位移误差，为具有最小终点误差的预测轨迹与真实轨迹之间的平均欧式距离；
最小终点位移误差，为具有最小终点误差的预测轨迹的终点与真实轨迹终点之间的欧式距离；
加权最小终点位移误差，加权最小终点位移误差为具有最小终点位移误差的预测轨迹与真实轨迹之间的平均欧式距离，其中，在每个交通参与者的预测轨迹终点与真实轨迹终点之间的欧式距离上使用(1.0-p)2加权，p对应于具有最小终点位移误差的预测轨迹的置信度；
缺失率，为所述预测轨迹终点与所述真实轨迹终点的欧式距离大于设定阈值的情况占比；可驾驶区域合规性，为m个预测轨迹与预测轨迹总数的占比(K-m)/K，所述m个预测轨迹中，交通参与者在某一时刻退出可行驶区域。
8.一种轨迹预测装置，其特征在于，包括：
数据采集模块，用于采集可行驶区域内多个交通参与者的轨迹数据以及地图数据；
特征提取模块，用于根据所述轨迹数据以及所述地图数据提取各所述交通参与者的轨迹特征信息和地图特征信息；
轨迹预测模块，用于将各所述交通参与者的轨迹特征信息和地图特征信息输入至预设网络模型，得到各所述交通参与者的预测轨迹；其中，所述预设网络模型用于根据所述轨迹特征信息和地图特征信息，基于Attention机制提取每个时间步上各所述交通参与者的空间特征；基于Transformer模型提取各所述交通参与者的时间特征；将多层感知器编码后的车道特征作为键/值、各所述交通参与者的时空特征作为查询，使用自注意力机制确定各所述交通参与者的时空特征与车道特征的交互特征。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-7中任一所述的轨迹预测方法。
10.一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1-7中任一所述的轨迹预测方法。
CN202310644699.4A 2023-06-01 2023-06-01 轨迹预测方法、装置、电子设备及存储介质 Pending CN116749996A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310644699.4A CN116749996A (zh) 2023-06-01 2023-06-01 轨迹预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310644699.4A CN116749996A (zh) 2023-06-01 2023-06-01 轨迹预测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116749996A true CN116749996A (zh) 2023-09-15

Family

ID=87960021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310644699.4A Pending CN116749996A (zh) 2023-06-01 2023-06-01 轨迹预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116749996A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117191068A (zh) * 2023-11-07 2023-12-08 新石器慧通（北京）科技有限公司 模型训练方法和装置、轨迹预测方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117191068A (zh) * 2023-11-07 2023-12-08 新石器慧通（北京）科技有限公司 模型训练方法和装置、轨迹预测方法和装置
CN117191068B (zh) * 2023-11-07 2024-01-19 新石器慧通（北京）科技有限公司 模型训练方法和装置、轨迹预测方法和装置

Similar Documents

Publication Publication Date Title
CN114047764B (zh) 路径规划模型的训练方法和路径规划方法、装置
CN113642431A (zh) 目标检测模型的训练方法及装置、电子设备和存储介质
CN116749996A (zh) 轨迹预测方法、装置、电子设备及存储介质
CN114715145B (zh) 一种轨迹预测方法、装置、设备及自动驾驶车辆
CN114771572A (zh) 一种自动驾驶轨迹预测方法、装置、设备和存储介质
CN116092055A (zh) 训练方法、获取方法、装置、设备及自动驾驶车辆
CN113739811A (zh) 关键点检测模型的训练和高精地图车道线的生成方法设备
CN114997307A (zh) 一种轨迹预测方法、装置、设备及存储介质
CN116499487B (zh) 一种车辆的路径规划方法、装置、设备及介质
JP7478831B2 (ja) 自動運転に基づく乗車方法、装置、機器および記憶媒体
CN116358584A (zh) 一种自动驾驶车辆路径规划方法、装置、设备及介质
CN114429631B (zh) 三维对象检测方法、装置、设备以及存储介质
CN114333416A (zh) 基于神经网络的车辆风险预警方法、设备及自动驾驶车辆
CN116504057A (zh) 速度的预估方法、装置、电子设备及存储介质
CN116842392B (zh) 轨迹预测方法及其模型的训练方法、装置、设备及介质
CN116494969A (zh) 一种车辆行驶规划方法、装置、设备和存储介质
CN116203964B (zh) 一种控制车辆行驶的方法、设备和装置
CN114459494B (zh) 可达区域的获取方法、装置、电子设备以及存储介质
CN114817430A (zh) 轨迹数据处理方法、模型训练方法、装置及自动驾驶车辆
CN116394977A (zh) 确定规划轨迹的方法、模型训练方法和自动驾驶车辆
CN116461551A (zh) 自动驾驶决策方法、装置、电子设备、存储介质及车辆
CN116665250A (zh) 一种行人轨迹的预测方法、装置、电子设备及存储介质
CN115859631A (zh) 交通对象行为预测方法、装置、设备及存储介质
CN117494043A (zh) 一种目标运动轨迹预测方法、装置、电子设备及介质
CN117508223A (zh) 自动驾驶变道决策及模型训练方法、装置、设备和车辆

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