CN116946159A - 基于动态局部地图的运动轨迹预测方法、装置、设备和介质 - Google Patents

基于动态局部地图的运动轨迹预测方法、装置、设备和介质 Download PDF

Info

Publication number
CN116946159A
CN116946159A CN202310912443.7A CN202310912443A CN116946159A CN 116946159 A CN116946159 A CN 116946159A CN 202310912443 A CN202310912443 A CN 202310912443A CN 116946159 A CN116946159 A CN 116946159A
Authority
CN
China
Prior art keywords
map
feature
vector
track
fusion
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
CN202310912443.7A
Other languages
English (en)
Inventor
陈�光
李曙光
李荣华
卢少然
卢丽婧
王宁
陈红丽
修杰
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 CN202310912443.7A priority Critical patent/CN116946159A/zh
Publication of CN116946159A publication Critical patent/CN116946159A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/42—Document-oriented image-based pattern recognition based on the type of document
    • G06V30/422—Technical drawings; Geographical maps
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—Historical data
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于动态局部地图的运动轨迹预测方法、装置、设备和介质。其特征包括：获取目标车辆的历史运动轨迹信息和地图信息，通过预设的特征编码器分别对所述历史运动轨迹信息和所述地图信息进行数据提取，得到所述轨迹特征向量和地图特征向量；通过预设的特征融合器对所述轨迹特征向量和所述地图特征向量进行特征融合得到地图融合向量，对所述地图融合向量和所述轨迹特征向量进行特征融合得到轨迹融合向量；根据轨迹融合向量对目标车辆的运动轨迹进行预测，得到目标车辆的轨迹预测结果。实现了对目标车辆运动轨迹的准确预测，通过考虑多个向量的融合提高了预测精准度，减少了道路中其他干扰因素对运动预测的影响，提高了预测准确性。

Description

基于动态局部地图的运动轨迹预测方法、装置、设备和介质
技术领域
本发明涉及自动驾驶领域，尤其涉及一种基于动态局部地图的运动轨迹预测方法、装置、设备和介质。
背景技术
目前，车辆的自动驾驶是行业内研究的重点，而在车辆进行自动驾驶时，对车辆的运动预测或轨迹预测是十分关键的，车辆的运动预测和轨迹预测能够反映车辆在道路中运动情况，进而根据车辆周围的车辆、行人和道路设备的行为进行预测，帮助车辆在道路中进行自动驾驶，目前现有技术中对车辆的通过机器学习算法学习和预测交通参与者的运动，通过其他交通参与者的历史轨迹数据进行预测，或通过神经网络模型处理车辆在道路中的历史轨迹数据和感知数据对道路情况进行预测，由于道路交通的复杂性和未知性，导致需要大量的训练数据和计算资源，无法对未知的道路交通进行预测。
发明内容
本发明提供了一种基于动态局部地图的运动轨迹预测方法、装置、设备和介质，以实现对道路中车辆的运动轨迹进行精准预测。
根据本发明的一方面，提供了一种基于动态局部地图的运动轨迹预测方法，包括：
获取目标车辆的历史运动轨迹信息和地图信息，通过预设的特征编码器分别对所述历史运动轨迹信息和所述地图信息进行数据提取，得到所述轨迹特征向量和地图特征向量；
通过预设的特征融合器对所述轨迹特征向量和所述地图特征向量进行特征融合得到地图融合向量，对所述地图融合向量和所述轨迹特征向量进行特征融合得到轨迹融合向量；
根据轨迹融合向量对目标车辆的运动轨迹进行预测，得到目标车辆的轨迹预测结果。
根据本发明的另一方面，提供了一种基于动态局部地图的运动轨迹预测装置、包括：
特征编码模块，用于获取目标车辆的历史运动轨迹信息和地图信息，通过预设的特征编码器分别对所述历史运动轨迹信息和所述地图信息进行数据提取，得到所述轨迹特征向量和地图特征向量；
特征融合模块，用于通过预设的特征融合器对所述轨迹特征向量和所述地图特征向量进行特征融合得到地图融合向量，对所述地图融合向量和所述轨迹特征向量进行特征融合得到轨迹融合向量，；
特征解码模块，用于根据轨迹融合向量对目标车辆的运动轨迹进行预测，得到目标车辆的轨迹预测结果。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
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本发明任一实施例所述的基于动态局部地图的运动轨迹预测方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于动态局部地图的运动轨迹预测方法。
本发明实施例的技术方案通过获取目标车辆的历史运动轨迹信息和地图信息，通过预设的特征编码器分别对所述历史运动轨迹信息和所述地图信息进行数据提取，得到所述轨迹特征向量和地图特征向量，考虑车辆历史运动轨迹信息和地图信息进行特征提取，通过轨迹特征向量和地图特征向量能够考虑环境信息，提供预测的精准度；通过预设的特征融合器对所述轨迹特征向量和所述地图特征向量进行特征融合得到地图融合向量，对所述地图融合向量和所述轨迹特征向量进行特征融合得到轨迹融合向量，通过分阶段对预测的向量进行运动轨迹预测，进一步提高了运动预测结果的精度；根据轨迹融合向量对目标车辆的运动轨迹进行预测，得到目标车辆的轨迹预测结果，通过第一轨迹融融合向量对目标车辆的运动轨迹精预测，实现了对目标车辆运动轨迹的分阶段预测，解决了现有技术中准确预测车辆运动轨迹的技术问题，减少了道路中其他干扰因素对运动预测的影响，提高了预测准确性。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种基于动态局部地图的运动轨迹预测方法的流程图；
图2是本发明实施例二提供的另一种基于动态局部地图的运动轨迹预测方法的流程图；
图3为本发明实施例提供的另一种基于动态局部地图的运动轨迹预测方法的流程图；
图4是本发明实施例三提供的一种基于动态局部地图的运动轨迹预测装置的结构示意图；
图5是实现本发明实施例的基于动态局部地图的运动轨迹预测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
实施例一
图1是本发明实施例一提供了一种基于动态局部地图的运动轨迹预测方法的流程图，本实施例可适用于对目标车辆的运动轨迹进行预测，该方法可以由基于动态局部地图的运动轨迹预测装置来执行，该基于动态局部地图的运动轨迹预测装置可以采用硬件和/或软件的形式实现，该基于动态局部地图的运动轨迹预测装置可配置于电子设备中。如图1所示，该方法包括：
S110、获取目标车辆的历史运动轨迹信息和地图信息，通过预设的特征编码器分别对所述历史运动轨迹信息和所述地图信息进行数据提取，得到所述轨迹特征向量和地图特征向量。
其中，历史运动轨迹信息可以是目标车辆在历史时间窗口内感知到的障碍物运动数据和目标车辆在历史时间窗口内运动轨迹拼接得到的。示例性的，历史运动轨迹信息可以是障碍物的坐标信息、速度信息和航向角信息中的至少一种。
其中，地图信息可以是目标车辆行驶在地图中的道路信息。示例性的，道路信息可以包括地图的车道信息、车辆中心线的采样点的坐标、车道的交通信号灯和车道路口信息中的任意一种。
其中，特征编码器可以是预先设置的用于对数据进行编码和提取特征表示的编码器。需要说明的是，特征编码器可以是采用深度学习，通过深度学习对输入特征编码器的数据进行处理、转换和提取特征表示。
可选的，特征编码器可以包括轨迹特征编码器和地图特征编码器；轨迹特征编码器可以用于对历史运动轨迹信息进行编码和提取特征表示，地图特征编码器可以用于对地图信息进行编码和提取特征表示。其中，轨迹特征编码器可以是自注意力结构的神经网络，通过自注意力结构的神经网络捕获历史运动轨迹信息的重要高维度特征信息；地图特征编码器可以是基于图注意力网络结构的深度神经网络，能够获取地图信息各节点的周边信息进行编码。
其中，轨迹特征向量可以是用于表征目标车辆的历史运动轨迹信息的特征向量；
其中，地图特征向量可以是用于表征目标车辆的地图信息的特征向量。
具体的，将目标车辆在历史时间窗口内感知到的障碍物运动数据和目标车辆在历史时间窗口内运动轨迹进行拼接，获取历史运动轨迹信息，并获取目标车辆在道路的地图信息，将历史运动轨迹信息和地图信息分别输入至预设的特征编码器，特征编码器对历史运动轨迹信息和地图信息进行特征提取，得到轨迹特征向量和地图特征向量。
可选的，在本发明另一可选实施例中，，所述特征编码器包括轨迹特征编码器和地图特征编码器；所述通过预设的特征编码器分别对所述历史运动轨迹信息和所述地图信息进行数据提取，得到所述轨迹特征向量和地图特征向量，包括：
通过所述轨迹特征编码器的第三自注意力网络捕获历史运动轨迹信息的特征性，得到所述轨迹特征向量；
通过所述地图特征编码器的图注意力网络获取所述地图信息中节点周边信息，得到所述地图特征向量。
其中，第三自注意力网络可以是构成轨迹特征编码器的神经网络结构。
其中，图注意力网络可以是构成地图特征编码器的的神经网络结构。
具体的，将历史运动轨迹信息输入至轨迹特征编码器，通过轨迹特征编码器的第三自注意力网络捕获历史运动轨迹信息的特征性，得到所述轨迹特征向量；将地图信息输入至地图特征编码器，通过地图特征编码器的图注意力网络对地图信息中节点周边信息进行特征提取，得到地图特征向量。
S120、通过预设的特征融合器对所述轨迹特征向量和所述地图特征向量进行特征融合得到地图融合向量，对所述地图融合向量和所述轨迹特征向量进行特征融合得到轨迹融合向量。
其中，特征融合器可以是预先设置的用于对轨迹特征向量和地图特征向量进行交叉特征融合的融合器。
其中，地图融合向量可以是轨迹特征向量和地图特征向量特征融合得到的特征向量。
其中，轨迹融合向量可以是地图融合向量和轨迹特征向量特征融合得到的特征向量。
具体的，在获取到轨迹特征向量和地图特征向量，将轨迹特征向量和地图特征向量输入至特征融合器，通过特征融合器对轨迹特征向量和所述地图特征向量进行特征融合得到地图融合向量，在对地图融合向量和轨迹特征向量进行特征融合得到轨迹融合向量。
可选的，在本发明另一可选实施例中，所述通过预设的特征融合器对所述轨迹特征向量和所述地图特征向进行特征融合得到地图融合向量，包括：
通过所述特征融合器的第一交叉注意力网络对所述轨迹特征向量和所述地图特征向量进行交叉注意力计算，得到地图循环特征向量；
通过所述特征融合器的第一自注意力网络对所述地图循环特征向量进行自注意力计算，得到地图融合向量。
其中，第一交叉注意力网络可以是特征融合器用于进行特征融合的神经网络；
其中，第一自注意力网络可以是特征融合器用于进行自注意力特征循环的神经网络。
具体的，将轨迹特征向量和地图特征向量输入至特征融合器，通过特征融合器的第一交叉注意力网络对轨迹特征向量和地图特征向量进行交叉注意力计算，得到地图循环特征向量，进而通过特征融合器的第一自注意力网络对地图循环特征向量进行自注意力计算，得到地图融合向量。
可选的，在本发明另一可选实施例中，所述对所述地图融合向量和所述轨迹特征向量进行特征融合得到轨迹融合向量，包括：
通过所述特征融合器的第二交叉注意力网络对所述轨迹特征向量和所述地图融合向量进行交叉注意力计算，得到轨迹循环向量；
通过所述特征融合器的第二自注意力网络对所述轨迹循环向量进行自注意力计算，得到轨迹融合向量。
其中，第二交叉注意力网络可以是特征融合器中用于交叉注意力融合的神经网络；
其中，第二字注意力网络可以是特征融合器中用于自注意力融合计算的神经网络。
具体的，将轨迹特征向量和所述地图融合向量通过特征融合器的第二交叉注意力网络进行交叉注意力计算，得到轨迹循环向量，再对轨迹循环向量通过特征融合器的第二自注意力网络进行自注意力计算，得到轨迹融合向量。
S130、根据轨迹融合向量对目标车辆的运动轨迹进行预测，得到目标车辆的轨迹预测结果。
其中，轨迹预测结果可以是目标车辆的运动轨迹预测结果。
可选的，预先设置用于运动轨迹预测的轨迹预测解码器，通过轨迹预测解码器对轨迹融合向量对目标车辆的运动轨迹进行预测。
具体的，通过轨迹融合向量对目标车辆的运动轨迹进行预测，得到目标车辆的轨迹预测结果。
本发明实施例的技术方案通过获取目标车辆的历史运动轨迹信息和地图信息，通过预设的特征编码器分别对所述历史运动轨迹信息和所述地图信息进行数据提取，得到所述轨迹特征向量和地图特征向量，考虑车辆历史运动轨迹信息和地图信息进行特征提取，通过轨迹特征向量和地图特征向量能够考虑环境信息，提供预测的精准度；通过预设的特征融合器对所述轨迹特征向量和所述地图特征向量进行特征融合得到地图融合向量，对所述地图融合向量和所述轨迹特征向量进行特征融合得到轨迹融合向量，通过分阶段对预测的向量进行运动轨迹预测，进一步提高了运动预测结果的精度；根据轨迹融合向量对目标车辆的运动轨迹进行预测，得到目标车辆的轨迹预测结果，通过第一轨迹融融合向量对目标车辆的运动轨迹精预测，实现了对目标车辆运动轨迹的分阶段预测，解决了现有技术中准确预测车辆运动轨迹的技术问题，减少了道路中其他干扰因素对运动预测的影响，提高了预测准确性。
实施例二
图2是本发明实施例二提供的另一种基于动态局部地图的运动轨迹预测方法的流程图，本实施例与上述实施例之间的关系为的具体方法。如图2所示，该基于动态局部地图的运动轨迹预测方法包括：
S210、获取目标车辆的历史运动轨迹信息和地图信息，通过预设的特征编码器分别对所述历史运动轨迹信息和所述地图信息进行数据提取，得到所述轨迹特征向量和地图特征向量。
S220、通过预设的特征融合器对所述轨迹特征向量和所述地图特征向量进行特征融合得到地图融合向量，对所述地图融合向量和所述轨迹特征向量进行特征融合得到轨迹融合向量。
S230、根据轨迹融合向量对目标车辆的运动轨迹进行预测，得到目标车辆的轨迹预测结果。
S240、通过所述轨迹预测结果对所述地图融合向量进行局部地图筛选，得到局部地图特征向量，并记录进行局部地图筛选的筛选次数。
其中，局部地图特征向量可以是地图融合向量的局部特征向量。需要说明的是，局部地图特征向量是地图融合向量的子集。
其中，筛选次数可以是通过轨迹预测结果对地图融合向量进行局部地图筛选的次数；
具体的，在得到轨迹预测结果后，通轨迹预测结果对地图融合向量进行局部地图筛选，得到局部地图特征向量，在每进行一次局部地图筛选，记录一次局部地图筛选的筛选次数。其中，筛选次数的初始次数可以是0，在进行一次局部地图筛选后，将筛选次数进行一次加1。
可选的，在本发明另一可选实施例中，所述通过所述轨迹预测结果对所述地图融合向量进行局部地图筛选，得到局部地图特征向量，包括：
根据所述轨迹预测结果和预设的地图筛选距离对地图融合向量进行距离筛选，得到局部地图特征向量。
其中，预设的地图筛选距离可以是预先设置的用于在地图中筛选的地图距离。示例性的，预设的地图筛选距离可以是地图中的10米。
具体的，获取预先设置的地图筛选距离，根据轨迹预测结果在地图融合向量中，通过预设的地图筛选距离在地图融合向量获取处于地图筛选距离的子集，作为局部地图特征向量。
可选的，在本发明另一可选实施例中，所述根据所述轨迹预测结果和预设的地图筛选距离对地图融合向量进行距离筛选，得到局部地图特征向量，包括：以所述轨迹预测结果为中心，在所述地图筛选距离内的地图融合向量确定为局部地图特征向量。
具体的，将轨迹预测结果作为地图融合向量的中心，在地图融合向量中根据地图筛选距离对地图融合向量进行距离筛选，地图筛选距离对地图融合向量进行距离筛选。
S250、在所述筛选次数小于预设筛选次数阈值的情况下，根据所述局部地图特征向量更新所述地图特征向量，根据轨迹融合向量更新所述轨迹特征向量，返回执行通过预设的特征融合器对所述轨迹特征向量和所述地图特征向量进行特征融合得到地图融合向量的操作。
其中，预设筛选次数阈值可以是预先设置用于判断筛选次数是否满足特征循环次数的阈值。示例性的，预设筛选阈值可以是轨迹预测结果和预设的地图筛选距离对地图融合向量进行了3次距离筛选。
具体的，本发明实施例中，通过分阶段循环，在筛选次数不满足预设筛选次数阈值时，将局部地图特征向量更新至地图特征向量，用局部地图特征向量替代地图特征向量，将轨迹融合向量更新至轨迹特征向量，用轨迹融合向量替代轨迹特征向量，将更新后的轨迹特征向量和地图特征向量返回输入至特征融合器，再次执行预设的特征融合器对所述轨迹特征向量和所述地图特征向量进行特征融合得到地图融合向量的操作。
S260、在所述筛选次数达到所预设筛选次数阈值的情况下，将得到的目标车辆的轨迹预测结果作为最终预测结果。
其中，在筛选次数满足预设筛选次数阈值时，说明分阶段循环满足循环次数，可以输出最终预测结果，将最后一次循环得到的目标车辆的轨迹预测结果作为最终预测结果。
本发明实施例的技术方案通过获取目标车辆的历史运动轨迹信息和地图信息，通过预设的特征编码器分别对所述历史运动轨迹信息和所述地图信息进行数据提取，得到所述轨迹特征向量和地图特征向量；通过预设的特征融合器对所述轨迹特征向量和所述地图特征向量进行特征融合得到地图融合向量，对所述地图融合向量和所述轨迹特征向量进行特征融合得到轨迹融合向量；根据轨迹融合向量对目标车辆的运动轨迹进行预测，得到目标车辆的轨迹预测结果；通过所述轨迹预测结果对所述地图融合向量进行局部地图筛选，得到局部地图特征向量，并记录进行局部地图筛选的筛选次数，通过局部地图筛选，有效的减少了神经网络的计算量，减轻了车辆的计算压力，提高了预测的效率；在所述筛选次数小于预设筛选次数阈值的情况下，根据所述局部地图特征向量更新所述地图特征向量，根据轨迹融合向量更新所述轨迹特征向量，返回执行通过预设的特征融合器对所述轨迹特征向量和所述地图特征向量进行特征融合得到地图融合向量的操作，通过分阶段循环融合筛选，进一步减少了计算量，并通过多次循环预测，提高了预测的精度；在所述筛选次数达到所预设筛选次数阈值的情况下，将得到的目标车辆的轨迹预测结果作为最终预测结果。实现了对目标车辆运动轨迹的分阶段预测，解决了现有技术中准确预测车辆运动轨迹的技术问题，减少了道路中其他干扰因素对运动预测的影响，并减少了预测的计算量，提高了预测的效率和准确性。
可选的，图3为本发明实施例提供的另一种基于动态局部地图的运动轨迹预测方法的流程图。其中，
S1、编码部分。编码部分负责将输入数据进行编码和表示。输入编码的数据包括目标车辆的历史运动轨迹信息和地图信息，编码部分通过深度学校对输入的历史运动轨迹信息和地图信息进行处理和转换，分别通过编码部分的轨迹特征编码器的第三自注意力网络捕获历史运动轨迹信息的特征性，得到所述轨迹特征向量，通过地图特征编码器的图注意力网络获取所述地图信息中节点周边信息，得到所述地图特征向量。
S2、特征融合部分。将编码部分得到的地图特征向量和轨迹特征向量进行特征融合，使得目标车辆感知的轨迹特征能够获得地图的环境特征信息，可以增强对障碍物运动行为的理解和预测能力。
具体的，通过特征融合器的第一交叉注意力网络对所述轨迹特征向量和所述地图特征向量进行交叉注意力计算，得到地图循环特征向量；通过所述特征融合器的第一自注意力网络对所述地图循环特征向量进行自注意力计算，得到地图融合向量；通过所述特征融合器的第二交叉注意力网络对所述轨迹特征向量和所述地图融合向量进行交叉注意力计算，得到轨迹循环向量；通过所述特征融合器的第二自注意力网络对所述轨迹循环向量进行自注意力计算，得到轨迹融合向量。
S3、解码部分。将轨迹融合向量输入至轨迹预测解码器，得到目标车辆的轨迹预测结果。
多阶段预测部分。在筛选次数小于预设筛选次数阈值的情况下，根据所述局部地图特征向量更新所述地图特征向量，根据轨迹融合向量更新所述轨迹特征向量，返回执行通过预设的特征融合器对所述轨迹特征向量和所述地图特征向量进行特征融合得到地图融合向量的操作，在重复进行筛选三次后，筛选次数达到所预设筛选次数阈值的情况下，将得到的目标车辆的轨迹预测结果作为最终预测结果。
本发明实施例实现了对目标车辆运动轨迹的分阶段预测，解决了现有技术中准确预测车辆运动轨迹的技术问题，减少了道路中其他干扰因素对运动预测的影响，并减少了预测的计算量，提高了预测的效率和准确性。
实施例三
图4是本发明实施例三提供的一种基于动态局部地图的运动轨迹预测装置的结构示意图。如图4所示，该装置包括：特征编码模块410、特征融合模块420和特征解码模块430，其中,
特征编码模块410，用于获取目标车辆的历史运动轨迹信息和地图信息，通过预设的特征编码器分别对所述历史运动轨迹信息和所述地图信息进行数据提取，得到所述轨迹特征向量和地图特征向量；
特征融合模块420，用于通过预设的特征融合器对所述轨迹特征向量和所述地图特征向量进行特征融合得到地图融合向量，对所述地图融合向量和所述轨迹特征向量进行特征融合得到轨迹融合向量，；
特征解码模块430，用于根据轨迹融合向量对目标车辆的运动轨迹进行预测，得到目标车辆的轨迹预测结果。
本发明实施例的技术方案通过获取目标车辆的历史运动轨迹信息和地图信息，通过预设的特征编码器分别对所述历史运动轨迹信息和所述地图信息进行数据提取，得到所述轨迹特征向量和地图特征向量，考虑车辆历史运动轨迹信息和地图信息进行特征提取，通过轨迹特征向量和地图特征向量能够考虑环境信息，提供预测的精准度；通过预设的特征融合器对所述轨迹特征向量和所述地图特征向量进行特征融合得到地图融合向量，对所述地图融合向量和所述轨迹特征向量进行特征融合得到轨迹融合向量，通过分阶段对预测的向量进行运动轨迹预测，进一步提高了运动预测结果的精度；根据轨迹融合向量对目标车辆的运动轨迹进行预测，得到目标车辆的轨迹预测结果，通过第一轨迹融融合向量对目标车辆的运动轨迹精预测，实现了对目标车辆运动轨迹的分阶段预测，解决了现有技术中准确预测车辆运动轨迹的技术问题，减少了道路中其他干扰因素对运动预测的影响，提高了预测准确性。
可选的，所述装置还包括局部地图筛选模块、数据更新迭代模块和结果输出模块；其中：
所述局部地图筛选模块，用于通过所述轨迹预测结果对所述地图融合向量进行局部地图筛选，得到局部地图特征向量，并记录进行局部地图筛选的筛选次数；
所述数据更新迭代模块，用于在所述筛选次数小于预设筛选次数阈值的情况下，根据所述局部地图特征向量更新所述地图特征向量，根据轨迹融合向量更新所述轨迹特征向量，返回执行通过预设的特征融合器对所述轨迹特征向量和所述地图特征向量进行特征融合得到地图融合向量的操作；
所述结果输出模块，用于在所述筛选次数达到所预设筛选次数阈值的情况下，将得到的目标车辆的轨迹预测结果作为最终预测结果。
可选的，所述局部地图筛选模块具体用于：
根据所述轨迹预测结果和预设的地图筛选距离对地图融合向量进行距离筛选，得到局部地图特征向量。
可选的，所述局部地图筛选模块具体还用于：
以所述轨迹预测结果为中心，在所述地图筛选距离内的地图融合向量确定为局部地图特征向量。
可选的，所述特征融合模块具体用于：
通过所述特征融合器的第一交叉注意力网络对所述轨迹特征向量和所述地图特征向量进行交叉注意力计算，得到地图循环特征向量；
通过所述特征融合器的第一自注意力网络对所述地图循环特征向量进行自注意力计算，得到地图融合向量。
可选的，所述特征融合模块具体还用于：
通过所述特征融合器的第二交叉注意力网络对所述轨迹特征向量和所述地图融合向量进行交叉注意力计算，得到轨迹循环向量；
通过所述特征融合器的第二自注意力网络对所述轨迹循环向量进行自注意力计算，得到轨迹融合向量。
可选的，所述特征编码模块具体用于：
通过所述轨迹特征编码器的第三自注意力网络捕获历史运动轨迹信息的特征性，得到所述轨迹特征向量；
通过所述地图特征编码器的图注意力网络获取所述地图信息中节点周边信息，得到所述地图特征向量。
本发明实施例所提供的基于动态局部地图的运动轨迹预测装置可执行本发明任意实施例所提供的基于动态局部地图的运动轨迹预测方法，具备执行方法相应的功能模块和有益效果。
实施例四
图5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。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如基于动态局部地图的运动轨迹预测方法。
在一些实施例中，基于动态局部地图的运动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基于动态局部地图的运动轨迹预测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行基于动态局部地图的运动轨迹预测方法。
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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
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。
实施例五
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的基于动态局部地图的运动轨迹预测方法步骤，该方法包括：
获取目标车辆的历史运动轨迹信息和地图信息，通过预设的特征编码器分别对所述历史运动轨迹信息和所述地图信息进行数据提取，得到所述轨迹特征向量和地图特征向量；
通过预设的特征融合器对所述轨迹特征向量和所述地图特征向量进行特征融合得到地图融合向量，对所述地图融合向量和所述轨迹特征向量进行特征融合得到轨迹融合向量；
根据轨迹融合向量对目标车辆的运动轨迹进行预测，得到目标车辆的轨迹预测结果。
本发明实施例的计算机存储介质，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。
计算机可读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发明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服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。
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)

1.一种基于动态局部地图的运动轨迹预测方法，其特征在于，包括：
获取目标车辆的历史运动轨迹信息和地图信息，通过预设的特征编码器分别对所述历史运动轨迹信息和所述地图信息进行数据提取，得到轨迹特征向量和地图特征向量；
通过预设的特征融合器对所述轨迹特征向量和所述地图特征向量进行特征融合得到地图融合向量，对所述地图融合向量和所述轨迹特征向量进行特征融合得到轨迹融合向量；
根据轨迹融合向量对目标车辆的运动轨迹进行预测，得到目标车辆的轨迹预测结果。
2.据权利要求1所述的方法，其特征在于，在所述根据轨迹融合向量对目标车辆的运动轨迹进行预测，得到目标车辆的轨迹预测结果之后，还包括：
通过所述轨迹预测结果对所述地图融合向量进行局部地图筛选，得到局部地图特征向量，并记录进行局部地图筛选的筛选次数；
在所述筛选次数小于预设筛选次数阈值的情况下，根据所述局部地图特征向量更新所述地图特征向量，根据轨迹融合向量更新所述轨迹特征向量，返回执行通过预设的特征融合器对所述轨迹特征向量和所述地图特征向量进行特征融合得到地图融合向量的操作；
在所述筛选次数达到所预设筛选次数阈值的情况下，将得到的目标车辆的轨迹预测结果作为最终预测结果。
3.根据权利要求2所述的方法，其特征在于，所述通过所述轨迹预测结果对所述地图融合向量进行局部地图筛选，得到局部地图特征向量，包括：
根据所述轨迹预测结果和预设的地图筛选距离对地图融合向量进行距离筛选，得到局部地图特征向量。
4.根据权利要求3所述的方法，其特征在于，所述根据所述轨迹预测结果和预设的地图筛选距离对地图融合向量进行距离筛选，得到局部地图特征向量，包括：
以所述轨迹预测结果为中心，在所述地图筛选距离内的地图融合向量确定为局部地图特征向量。
5.根据权利要求1所述的方法，其特征在于，所述通过预设的特征融合器对所述轨迹特征向量和所述地图特征向进行特征融合得到地图融合向量，包括：
通过所述特征融合器的第一交叉注意力网络对所述轨迹特征向量和所述地图特征向量进行交叉注意力计算，得到地图循环特征向量；
通过所述特征融合器的第一自注意力网络对所述地图循环特征向量进行自注意力计算，得到地图融合向量。
6.根据权利要求1所述的方法，其特征在于，所述对所述地图融合向量和所述轨迹特征向量进行特征融合得到轨迹融合向量，包括：
通过所述特征融合器的第二交叉注意力网络对所述轨迹特征向量和所述地图融合向量进行交叉注意力计算，得到轨迹循环向量；
通过所述特征融合器的第二自注意力网络对所述轨迹循环向量进行自注意力计算，得到轨迹融合向量。
7.根据权利要求1所述的方法，其特征在于，所述特征编码器包括轨迹特征编码器和地图特征编码器；所述通过预设的特征编码器分别对所述历史运动轨迹信息和所述地图信息进行数据提取，得到所述轨迹特征向量和地图特征向量，包括：
通过所述轨迹特征编码器的第三自注意力网络捕获历史运动轨迹信息的特征性，得到所述轨迹特征向量；
通过所述地图特征编码器的图注意力网络获取所述地图信息中节点周边信息，得到所述地图特征向量。
8.一种基于动态局部地图的运动轨迹预测装置，其特征在于，包括：
特征编码模块，用于获取目标车辆的历史运动轨迹信息和地图信息，通过预设的特征编码器分别对所述历史运动轨迹信息和所述地图信息进行数据提取，得到轨迹特征向量和地图特征向量；
特征融合模块，用于通过预设的特征融合器对所述轨迹特征向量和所述地图特征向量进行特征融合得到地图融合向量，对所述地图融合向量和所述轨迹特征向量进行特征融合得到轨迹融合向量；
特征解码模块，用于根据轨迹融合向量对目标车辆的运动轨迹进行预测，得到目标车辆的轨迹预测结果。
9.一种电子设备，其特征在于，所述电子设备包括：
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权利要求1-7任一所述的基于动态局部地图的运动轨迹预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7任一所述的基于动态局部地图的运动轨迹预测方法。
CN202310912443.7A 2023-07-24 2023-07-24 基于动态局部地图的运动轨迹预测方法、装置、设备和介质 Pending CN116946159A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310912443.7A CN116946159A (zh) 2023-07-24 2023-07-24 基于动态局部地图的运动轨迹预测方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310912443.7A CN116946159A (zh) 2023-07-24 2023-07-24 基于动态局部地图的运动轨迹预测方法、装置、设备和介质

Publications (1)

Publication Number Publication Date
CN116946159A true CN116946159A (zh) 2023-10-27

Family

ID=88457879

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310912443.7A Pending CN116946159A (zh) 2023-07-24 2023-07-24 基于动态局部地图的运动轨迹预测方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN116946159A (zh)

Similar Documents

Publication Publication Date Title
CN112560496A (zh) 语义分析模型的训练方法、装置、电子设备及存储介质
CN113361578A (zh) 图像处理模型的训练方法、装置、电子设备及存储介质
CN113344089B (zh) 模型训练方法、装置及电子设备
CN114282670A (zh) 神经网络模型的压缩方法、设备和存储介质
CN113739811B (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
US20220374678A1 (en) Method for determining pre-training model, electronic device and storage medium
CN114771572A (zh) 一种自动驾驶轨迹预测方法、装置、设备和存储介质
CN112652165A (zh) 模型训练及路况预测方法、装置、设备、介质及程序产品
CN113641829A (zh) 图神经网络的训练与知识图谱的补全方法、装置
CN116363459A (zh) 目标检测方法、模型训练方法、装置、电子设备及介质
CN116092055A (zh) 训练方法、获取方法、装置、设备及自动驾驶车辆
JP2023531759A (ja) 車線境界線検出モデルの訓練方法、車線境界線検出モデルの訓練装置、電子機器、記憶媒体及びコンピュータプログラム
CN113360683A (zh) 训练跨模态检索模型的方法以及跨模态检索方法和装置
CN113344214A (zh) 数据处理模型的训练方法、装置、电子设备及存储介质
CN116152595A (zh) 模型训练方法、图像处理方法、装置、设备与介质
CN113361621B (zh) 用于训练模型的方法和装置
CN116946159A (zh) 基于动态局部地图的运动轨迹预测方法、装置、设备和介质
CN113361519B (zh) 目标处理方法、目标处理模型的训练方法及其装置
CN115482353A (zh) 重建网络的训练方法、重建方法、装置、设备和介质
CN115186738A (zh) 模型训练方法、装置和存储介质
CN116416500B (zh) 图像识别模型训练方法、图像识别方法、装置及电子设备
CN113553863B (zh) 文本生成方法、装置、电子设备和存储介质
CN115131709B (zh) 视频类别预测方法、视频类别预测模型的训练方法及装置
CN115482422B (zh) 深度学习模型的训练方法、图像处理方法和装置
CN115761437B (zh) 基于视觉转换器的图像处理方法、训练方法和电子设备

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