CN117104275A - 一种自动驾驶轨迹预测方法、装置、电子设备及存储介质 - Google Patents
一种自动驾驶轨迹预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117104275A CN117104275A CN202311277108.0A CN202311277108A CN117104275A CN 117104275 A CN117104275 A CN 117104275A CN 202311277108 A CN202311277108 A CN 202311277108A CN 117104275 A CN117104275 A CN 117104275A
- Authority
- CN
- China
- Prior art keywords
- current
- target
- track
- end point
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000004927 fusion Effects 0.000 claims abstract description 71
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 230000002787 reinforcement Effects 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000007480 spreading Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/50—Barriers
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/53—Road markings, e.g. lane marker or crosswalk
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种自动驾驶轨迹预测方法、装置、电子设备及存储介质。通过获取目标车辆对应的当前时间段的联合状态描述信息;按照预设的数据采集步长,分别对当前地图结构信息和当前可见障碍物信息进行特征预处理操作,得到当前融合编码特征;将当前融合编码特征输入至预先构建好的自动驾驶轨迹预测模型中,得到与联合状态描述信息对应的当前驾驶预测轨迹;将当前驾驶预测轨迹发送于目标车辆对应的驾驶控制器中,以实现驾驶控制器根据当前驾驶预测轨迹进行目标车辆的自动驾驶。解决了对于自动驾驶轨迹预测通过强化学习方法而造成的效率低和准确率低的问题,提高了自动驾驶轨迹预测的效率和准确率,实现了对自动驾驶轨迹预测更加全面地决策和规划。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种自动驾驶轨迹预测方法、装置、电子设备及存储介质。
背景技术
随着车辆在生活中的普及,自动驾驶也逐渐进入人们的日常生活中。车辆自动驾驶的关键在于对未来时刻的自动驾驶轨迹的精确预测。因此,自动驾驶领域的轨迹预测技术对于实现安全、高效、自然的驾驶行为至关重要。
发明人在实现本发明的过程中,发现现有技术存在如下缺陷:目前,常见的轨迹预测方法包括基于物理的方法,基于机器学习的方法,基于深度学习的方法和基于强化学习的方法。基于动力学或运动学模型的物理方法大多只能做不超过一秒的短时间预测,适用场景有限,精度较低。基于机器学习的方法可以获取到数据特征来预测轨迹,但需要以策略作为预测轨迹的基础。基于强化学习的方法需要密集型计算,训练时间较长。基于深度学习的轨迹预测方法是目前最主流的方法,主要可以分为两大类:一类是基于卷积神经网络的方法,该类方法将地图和轨迹信息栅格化为图片,再利用卷积层来提取特征,制作图片的过程可能造成信息丢失,而且卷积操作可能会出现提取不充分的问题;另一类是将地图和轨迹特征向量化或表示为图结构,再结合图神经网络或注意力网络等来预测障碍物轨迹,该类方法可以较好地保留特征信息,具备紧凑高效的特点,但是轨迹预测的性能不高。
发明内容
本发明提供了一种自动驾驶轨迹预测方法、装置、电子设备及存储介质,以实现提高自动驾驶轨迹预测的效率和准确率。
根据本发明的一方面,提供了一种自动驾驶轨迹预测方法,其中,包括:
获取目标车辆对应的当前时间段的联合状态描述信息;
其中,所述当前时间段是由当前时刻和与所述当前时刻对应的上一时刻来构成的时间段;所述联合状态描述信息包括当前地图结构信息和当前可见障碍物信息;
按照预设的数据采集步长,分别对所述当前地图结构信息和当前可见障碍物信息进行特征预处理操作,得到当前融合编码特征;
将所述当前融合编码特征输入至预先构建好的自动驾驶轨迹预测模型中,得到与所述联合状态描述信息对应的当前驾驶预测轨迹;
将所述当前驾驶预测轨迹发送于所述目标车辆对应的驾驶控制器中,以实现所述驾驶控制器根据所述当前驾驶预测轨迹进行所述目标车辆的自动驾驶。
根据本发明的另一方面,提供了一种自动驾驶轨迹预测装置,其中,包括:
联合状态描述信息获取模块,用于获取目标车辆对应的当前时间段的联合状态描述信息;
其中,所述当前时间段是由当前时刻和与所述当前时刻对应的上一时刻来构成的时间段;所述联合状态描述信息包括当前地图结构信息和当前可见障碍物信息;
当前融合编码特征确定模块,用于按照预设的数据采集步长,分别对所述当前地图结构信息和当前可见障碍物信息进行特征预处理操作,得到当前融合编码特征;
当前驾驶预测轨迹确定模块,用于将所述当前融合编码特征输入至预先构建好的自动驾驶轨迹预测模型中,得到与所述联合状态描述信息对应的当前驾驶预测轨迹;
当前驾驶预测轨迹发送模块,用于将所述当前驾驶预测轨迹发送于所述目标车辆对应的驾驶控制器中,以实现所述驾驶控制器根据所述当前驾驶预测轨迹进行所述目标车辆的自动驾驶。
根据本发明的另一方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现本发明任一实施例所述的自动驾驶轨迹预测方法。
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自动驾驶轨迹预测方法。
本发明实施例的技术方案,通过获取目标车辆对应的当前时间段的联合状态描述信息;按照预设的数据采集步长,分别对当前地图结构信息和当前可见障碍物信息进行特征预处理操作,得到当前融合编码特征;将当前融合编码特征输入至预先构建好的自动驾驶轨迹预测模型中,得到与联合状态描述信息对应的当前驾驶预测轨迹;将当前驾驶预测轨迹发送于目标车辆对应的驾驶控制器中,以实现驾驶控制器根据当前驾驶预测轨迹进行目标车辆的自动驾驶。解决了对于自动驾驶轨迹预测通过强化学习方法而造成的效率低和准确率低的问题,提高了自动驾驶轨迹预测的效率和准确率,实现了对自动驾驶轨迹预测更加全面地决策和规划。
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是根据本发明实施例一提供的一种自动驾驶轨迹预测方法的流程图;
图2是根据本发明实施例二提供的一种自动驾驶轨迹预测装置的结构示意图;
图3是根据本发明实施例三提供的一种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。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“目标”、“当前”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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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。
实施例一
图1为本发明实施例一提供了一种自动驾驶轨迹预测方法的流程图,本实施例可适用于对自动驾驶车辆进行轨迹预测的情况,该方法可以由自动驾驶轨迹预测装置来执行,该自动驾驶轨迹预测装置可以采用硬件和/或软件的形式实现。
相应的,如图1所示,该方法包括:
S110、获取目标车辆对应的当前时间段的联合状态描述信息。
其中,所述当前时间段是由当前时刻和与所述当前时刻对应的上一时刻来构成的时间段;所述联合状态描述信息包括当前地图结构信息和当前可见障碍物信息。
其中,联合状态描述信息可以是用于描述当前时间段的目标车辆的状态描述的信息,具体的,联合状态描述信息可以包括当前地图结构信息和当前可见障碍物信息。
另外的,当前时间段是由当前时刻和与所述当前时刻对应的上一时刻来构成的时间段,假设当前时刻是5时15分32秒,可以选取上一时刻,上一时刻可以是5时15分31秒,由该段时间来构成的时间段。这里可以假设当前时刻和与所述当前时刻对应的上一时刻之间的时间步长为1秒。
S120、按照预设的数据采集步长,分别对所述当前地图结构信息和当前可见障碍物信息进行特征预处理操作,得到当前融合编码特征。
在本实施例中,预设的数据采集步长可以是预先设置的步长,也即对当前时间段进行切分的步长。示例性的,假设数据采集步长为0.1秒,则可以将当前时间段切分成10段,也即采集10个当前地图结构信息和当前可见障碍物信息,这里的数据采集步长不做具体限定。
进一步的,分别对各所述当前地图结构信息、以及分别对各所述当前可见障碍物信息进行特征预处理操作,得到各自的特征预处理结果,并可以进一步地根据特征预处理结果来得到当前融合编码特征。
可选的,所述分别对所述当前地图结构信息和当前可见障碍物信息进行特征预处理操作,得到当前融合编码特征,包括:对所述当前地图结构信息进行特征预处理操作,得到当前地图结构信息特征;其中,所述当前地图结构信息包括下述至少一项:当前道路中心线位置及类型、当前车道边界线位置及类型、和人行横道及交通灯;对所述当前可见障碍物信息进行特征预处理操作,得到当前可见障碍物信息特征;其中,所述当前可见障碍物信息包括下述至少一项:可见障碍物类型、可见障碍物步长、与所述可见障碍物步长对应的可见障碍物位置信息和速度、以及与所述可见障碍物步长对应的可见障碍物朝向角;对所述当前地图结构信息特征和所述当前可见障碍物信息特征进行融合编码处理,得到所述当前融合编码特征。
在本实施例中,首先需要得到当前地图结构信息对应的当前地图结构信息特征。
具体的,当前地图结构信息是以待预测障碍物当前时刻位置为中心,指定半径的范围内的当前道路中心线位置及类型、当前车道边界线位置及类型、当前人行横道和交通灯等信息。因为道路采样点不固定且具有连续性,所以指定划分步长来构造当前地图结构信息特征。
进一步的,当前可见障碍物信息可以是描述可见障碍物的信息,具体的,可见障碍物可以是机动车、非机动车和行人等障碍物。按照预设的数据采集步长,比如说,按照0.1秒的步长来采集当前可见障碍物信息,也即采集可见障碍物类型、可见障碍物步长、与所述可见障碍物步长对应的可见障碍物位置信息和速度、以及与所述可见障碍物步长对应的可见障碍物朝向角。
相应的,当得到当前地图结构信息特征和当前可见障碍物信息特征之后,可以将得到的当前地图结构信息特征和当前可见障碍物信息特征通过全局图神经网络进行融合编码处理,进而可以得到当前融合编码特征。
具体的,从所有可见障碍物中选取一个待预测可见障碍物,以及其他可见障碍物影响者信息作为参考特征。利用车上传感器采集到可见障碍物类型(机动车、非机动车和行人)以及每0.1s的可见障碍物对应的位置信息、速度、朝向角、长、以及宽等信息。另外的,考虑到轨迹点的连续关系,每个时刻特征包含该障碍物上一时刻的位置,同时要考虑每个位置点的有效性。
S130、将所述当前融合编码特征输入至预先构建好的自动驾驶轨迹预测模型中,得到与所述联合状态描述信息对应的当前驾驶预测轨迹。
其中,自动驾驶轨迹预测模型可以是车辆在自动驾驶中,预测车辆驾驶轨迹的模型。当前驾驶预测轨迹可以是通过自动驾驶轨迹预测模型预测到车辆的驾驶轨迹。
在本实施例中,可以将当前融合编码特征输入至自动驾驶轨迹预测模型中进行特征解析处理,从而可以进一步地得到当前驾驶预测轨迹,也即是采集到目标车辆的联合状态描述信息对应的当前驾驶预测轨迹。
S140、将所述当前驾驶预测轨迹发送于所述目标车辆对应的驾驶控制器中,以实现所述驾驶控制器根据所述当前驾驶预测轨迹进行所述目标车辆的自动驾驶。
在本实施例中,将当前驾驶预测轨迹发送于目标车辆对应的驾驶控制器中,当驾驶控制器接收到当前驾驶预测轨迹之后,目标车辆会按照当前驾驶预测轨迹进行自动驾驶。
可选的,在所述获取目标车辆对应的当前时间段的联合状态描述信息之前,还包括:获取多个历史时间段分别对应的历史联合状态描述信息;其中,所述历史联合状态描述信息包括历史地图结构信息和历史可见障碍物信息;分别对各所述历史地图结构信息和各所述历史可见障碍物信息进行特征预处理操作,得到各历史融合编码特征;分别对各所述历史融合编码特征进行解码处理,得到与各目标时刻分别对应的中间特征和均匀撒点终点集合;根据各所述中间特征和所述历史融合编码特征,对各目标时刻分别对应的均匀撒点终点集合进行终点打分处理,得到各目标时刻分别对应的目标终点子集;在各所述目标终点子集中均包含第一数量的轨迹终点;根据各所述目标终点子集,以及预先设置的交叉熵损失函数来对初始自动驾驶轨迹预测模型进行训练,如果预测准确率满足准确率阈值,则确定训练完成自动驾驶轨迹预测模型。
在本实施例中,需要通过获取多个历史的联合状态描述信息,可以理解的是,历史联合状态描述信息分别对应历史时间段,具体的,历史时间段可以是由历史当前时刻和与所述历史当前时刻对应的上一时刻来构成的时间段。
进一步的,每个历史联合状态描述信息均包括历史地图结构信息和历史可见障碍物信息,因此需要进行特征预处理操作,来分别得到历史融合编码特征,进而可以根据历史融合编码特征来进行自动驾驶轨迹预测模型的训练。
具体的,需要分别对各历史融合编码特征进行解码处理,得到与各目标时刻分别对应的中间特征和均匀撒点终点集合。示例性的,可以通过以待预测障碍物历史当前时刻轨迹点为中心,参考车辆经验时速来设定包含3s、5s和8s(也即设置的目标时刻)终点的范围。在该范围内按1m间距均匀撒点,获取终点集合。也即可以得到每个目标时刻分别对应的集合。
进一步的,可以根据各中间特征和历史融合编码特征,对各目标时刻分别对应的均匀撒点终点集合进行终点打分处理,得到各目标时刻分别对应的目标终点子集。其中,可以确定每个目标时刻对应的目标终点子集的轨迹终点的数量都是相同的。进而,可以根据各目标终点子集来训练得到自动驾驶轨迹预测模型。
可选的,所述目标时刻包括未来3s目标时刻、未来5s目标时刻和未来8s目标时刻;所述分别对各所述历史融合编码特征进行解码处理,得到与各目标时刻分别对应的中间特征和均匀撒点终点集合,包括:分别对各所述历史融合编码特征进行解码处理,得到未来3s目标时刻对应的第一中间特征和第一均匀撒点终点集合、以及未来5s目标时刻对应的第二中间特征和第二均匀撒点终点集合、以及未来8s目标时刻对应的第三中间特征和第三均匀撒点终点集合。
其中,第一中间特征可以是预测出未来3s目标时刻对应的特征。第一均匀撒点终点集合可以是未来3s目标时刻均匀撒点对应的终点集合。第二中间特征可以是预测出未来5s目标时刻对应的特征。第二均匀撒点终点集合可以是未来5s目标时刻均匀撒点对应的终点集合。第三中间特征可以是预测出未来8s目标时刻对应的特征。第三均匀撒点终点集合可以是未来8s目标时刻均匀撒点对应的终点集合。
可选的,所述根据各所述中间特征和所述历史融合编码特征,对各目标时刻分别对应的均匀撒点终点集合进行终点打分处理,得到各目标时刻分别对应的目标终点子集,包括:根据所述第三中间特征和所述历史融合编码特征,对所述第三均匀撒点终点集合进行终点打分处理,得到所述未来8s目标时刻对应的第三目标终点子集;根据所述第三中间特征、第二中间特征和所述历史融合编码特征,对所述第二均匀撒点终点集合进行终点打分处理,得到所述未来5s目标时刻对应的第二目标终点子集;根据所述第三中间特征、第二中间特征、第一中间特征和所述历史融合编码特征,对所述第一均匀撒点终点集合进行终点打分处理,得到所述未来3s目标时刻对应的第一目标终点子集;其中,所述第一目标终点子集包含第一数量的第一轨迹终点;所述第二目标终点子集包含第一数量的第二轨迹终点;所述第三目标终点子集为第一数量的第三轨迹终点。
在本实施例中,可以利用编码特征阶段获得的中间特征及历史融合编码特征给上述终点集合打分。具体的,第一阶段训练时先选分数最高点为8s预测终点。借助8s预测终点和多层感知机获得8s目标特征,8s目标特征作为获取5s终点分数的依据。同理,将8s和5s目标特征拼接起来作为获取3s终点分数的依据。为加快训练速度,按照分数从高到低为指定时刻选择指定数量的子集。这样得到的目标终点子集中包含的轨迹终点的数量是相同的。
示例性的,假设第一均匀撒点终点集合中的终点为20个,第二均匀撒点终点集合中的终点为18个,第三均匀撒点终点集合中的终点为19个,通过对各均匀撒点终点集合中的终点进行打分处理,确定出第一目标终点子集、第二目标终点子集和第三目标终点子集,假设在每个目标终点子集均包含10个轨迹终点。
可选的,所述根据各所述目标终点子集,以及预先设置的交叉熵损失函数来对初始自动驾驶轨迹预测模型进行训练,如果预测准确率满足准确率阈值,则确定训练完成自动驾驶轨迹预测模型,包括:对所述第一目标终点子集的第一轨迹终点、第二目标终点子集的第二轨迹终点和第三目标终点子集的第三轨迹终点分别进行终点相连接处理,得到第二数量的预测终点轨迹;其中,所述第二数量的大小等于第一数量的立方;根据预先设置的交叉熵损失函数,分别对各所述预测终点轨迹通过多层感知机进行轨迹打分处理,得到目标预测终点轨迹,以及对各所述预测终点轨迹通过初始自动驾驶轨迹预测模型分别进行处理,得到目标模型预测终点轨迹;根据各所述目标预测终点轨迹和目标模型预测终点轨迹,计算出预测准确率,并如果预测准确率满足准确率阈值,则确定训练完成自动驾驶轨迹预测模型。
续前例的,假设第一目标终点子集包含10个第一轨迹终点;第二目标终点子集包含10个第二轨迹终点;第三目标终点子集为10个第三轨迹终点。进一步的,可以分别在各目标终点子集中选取一个轨迹终点来进行终点相连接处理,可以得到第二数量的预测终点轨迹,也即10*10*10=1000种预测终点轨迹。
相应的,根据预先设置的交叉熵损失函数,分别对各预测终点轨迹通过多层感知机进行轨迹打分处理(也即对1000种预测终点轨迹进行轨迹打分处理),得到目标预测终点轨迹,以及对各所述预测终点轨迹通过初始自动驾驶轨迹预测模型分别进行处理,得到目标模型预测终点轨迹;接着可以根据各目标预测终点轨迹和目标模型预测终点轨迹,计算出预测准确率,并如果预测准确率满足准确率阈值,则确定训练完成自动驾驶轨迹预测模型。
可选的,在所述根据各所述目标预测终点轨迹和目标模型预测终点轨迹,计算出预测准确率之后,还包括:如果预测准确率不满足准确率阈值,则返回执行获取多个历史时间段分别对应的历史联合状态描述信息的操作,直至预测准确率满足准确率阈值,则确定训练完成自动驾驶轨迹预测模型。
在本实施例中,如果预测准确率不满足准确率阈值,说明当前训练得到的自动驾驶轨迹预测模型并不符合预期的预测准确率的要求,因此需要继续获取多个历史时间段分别对应的历史联合状态描述信息来进行进一步地模型的训练操作,直至确定训练完成自动驾驶轨迹预测模型。
这样设置的好处在于:通过比较预测准确率和准确率阈值的大小关系,来得到预测准确率更高的自动驾驶轨迹预测模型,从而提高了自动驾驶轨迹预测的效率和准确率。
另外的,在自动驾驶轨迹预测模型的训练过程中,可以采取分阶段训练的方式,可以有效地降低训练的困难。并且推理时可直接进行端到端预测轨迹,无需分阶段,且不产生其他非神经网络计算过程。完全端到端预测,提升任务的学习空间。在不同的分阶段训练过程中,还可以设置交叉熵损失函数来进行监督学习,从而可以提高自动驾驶轨迹预测的效率和准确率。
本发明实施例的技术方案,通过获取目标车辆对应的当前时间段的联合状态描述信息;按照预设的数据采集步长,分别对当前地图结构信息和当前可见障碍物信息进行特征预处理操作,得到当前融合编码特征;将当前融合编码特征输入至预先构建好的自动驾驶轨迹预测模型中,得到与联合状态描述信息对应的当前驾驶预测轨迹;将当前驾驶预测轨迹发送于目标车辆对应的驾驶控制器中,以实现驾驶控制器根据当前驾驶预测轨迹进行目标车辆的自动驾驶。解决了对于自动驾驶轨迹预测通过强化学习方法而造成的效率低和准确率低的问题,提高了自动驾驶轨迹预测的效率和准确率,实现了对自动驾驶轨迹预测更加全面地决策和规划。
实施例二
图2为本发明实施例二提供的一种自动驾驶轨迹预测装置的结构示意图。本实施例所提供的一种自动驾驶轨迹预测装置可以通过软件和/或硬件来实现,可配置于终端设备或者服务器中,来实现本发明实施例中的一种自动驾驶轨迹预测方法。如图2所示,该装置包括:联合状态描述信息获取模块210、当前融合编码特征确定模块220、当前驾驶预测轨迹确定模块230和当前驾驶预测轨迹发送模块240。
其中,联合状态描述信息获取模块210,用于获取目标车辆对应的当前时间段的联合状态描述信息;
其中,所述当前时间段是由当前时刻和与所述当前时刻对应的上一时刻来构成的时间段;所述联合状态描述信息包括当前地图结构信息和当前可见障碍物信息;
当前融合编码特征确定模块220,用于按照预设的数据采集步长,分别对所述当前地图结构信息和当前可见障碍物信息进行特征预处理操作,得到当前融合编码特征;
当前驾驶预测轨迹确定模块230,用于将所述当前融合编码特征输入至预先构建好的自动驾驶轨迹预测模型中,得到与所述联合状态描述信息对应的当前驾驶预测轨迹;
当前驾驶预测轨迹发送模块240,用于将所述当前驾驶预测轨迹发送于所述目标车辆对应的驾驶控制器中,以实现所述驾驶控制器根据所述当前驾驶预测轨迹进行所述目标车辆的自动驾驶。
本发明实施例的技术方案,通过获取目标车辆对应的当前时间段的联合状态描述信息;按照预设的数据采集步长,分别对当前地图结构信息和当前可见障碍物信息进行特征预处理操作,得到当前融合编码特征;将当前融合编码特征输入至预先构建好的自动驾驶轨迹预测模型中,得到与联合状态描述信息对应的当前驾驶预测轨迹;将当前驾驶预测轨迹发送于目标车辆对应的驾驶控制器中,以实现驾驶控制器根据当前驾驶预测轨迹进行目标车辆的自动驾驶。解决了对于自动驾驶轨迹预测通过强化学习方法而造成的效率低和准确率低的问题,提高了自动驾驶轨迹预测的效率和准确率,实现了对自动驾驶轨迹预测更加全面地决策和规划。
可选的,所述当前融合编码特征确定模块220,可以具体用于:对所述当前地图结构信息进行特征预处理操作,得到当前地图结构信息特征;其中,所述当前地图结构信息包括下述至少一项:当前道路中心线位置及类型、当前车道边界线位置及类型、和人行横道及交通灯;对所述当前可见障碍物信息进行特征预处理操作,得到当前可见障碍物信息特征;其中,所述当前可见障碍物信息包括下述至少一项:可见障碍物类型、可见障碍物步长、与所述可见障碍物步长对应的可见障碍物位置信息和速度、以及与所述可见障碍物步长对应的可见障碍物朝向角;对所述当前地图结构信息特征和所述当前可见障碍物信息特征进行融合编码处理,得到所述当前融合编码特征。
可选的,还包括,自动驾驶轨迹预测模型训练模块,可以具体用于:在所述获取目标车辆对应的当前时间段的联合状态描述信息之前,获取多个历史时间段分别对应的历史联合状态描述信息;其中,所述历史联合状态描述信息包括历史地图结构信息和历史可见障碍物信息;分别对各所述历史地图结构信息和各所述历史可见障碍物信息进行特征预处理操作,得到各历史融合编码特征;分别对各所述历史融合编码特征进行解码处理,得到与各目标时刻分别对应的中间特征和均匀撒点终点集合;根据各所述中间特征和所述历史融合编码特征,对各目标时刻分别对应的均匀撒点终点集合进行终点打分处理,得到各目标时刻分别对应的目标终点子集;在各所述目标终点子集中均包含第一数量的轨迹终点;根据各所述目标终点子集,以及预先设置的交叉熵损失函数来对初始自动驾驶轨迹预测模型进行训练,如果预测准确率满足准确率阈值,则确定训练完成自动驾驶轨迹预测模型。
可选的,所述目标时刻包括未来3s目标时刻、未来5s目标时刻和未来8s目标时刻。
可选的,所述自动驾驶轨迹预测模型训练模块,还可以具体用于:分别对各所述历史融合编码特征进行解码处理,得到未来3s目标时刻对应的第一中间特征和第一均匀撒点终点集合、以及未来5s目标时刻对应的第二中间特征和第二均匀撒点终点集合、以及未来8s目标时刻对应的第三中间特征和第三均匀撒点终点集合。
可选的,所述自动驾驶轨迹预测模型训练模块,还可以具体用于:根据所述第三中间特征和所述历史融合编码特征,对所述第三均匀撒点终点集合进行终点打分处理,得到所述未来8s目标时刻对应的第三目标终点子集;根据所述第三中间特征、第二中间特征和所述历史融合编码特征,对所述第二均匀撒点终点集合进行终点打分处理,得到所述未来5s目标时刻对应的第二目标终点子集;根据所述第三中间特征、第二中间特征、第一中间特征和所述历史融合编码特征,对所述第一均匀撒点终点集合进行终点打分处理,得到所述未来3s目标时刻对应的第一目标终点子集;其中,所述第一目标终点子集包含第一数量的第一轨迹终点;所述第二目标终点子集包含第一数量的第二轨迹终点;所述第三目标终点子集为第一数量的第三轨迹终点。
可选的,所述自动驾驶轨迹预测模型训练模块,还可以具体用于:对所述第一目标终点子集的第一轨迹终点、第二目标终点子集的第二轨迹终点和第三目标终点子集的第三轨迹终点分别进行终点相连接处理,得到第二数量的预测终点轨迹;其中,所述第二数量的大小等于第一数量的立方;根据预先设置的交叉熵损失函数,分别对各所述预测终点轨迹通过多层感知机进行轨迹打分处理,得到目标预测终点轨迹,以及对各所述预测终点轨迹通过初始自动驾驶轨迹预测模型分别进行处理,得到目标模型预测终点轨迹;根据各所述目标预测终点轨迹和目标模型预测终点轨迹,计算出预测准确率,并如果预测准确率满足准确率阈值,则确定训练完成自动驾驶轨迹预测模型。
可选的,所述自动驾驶轨迹预测模型训练模块,还可以具体用于:在所述根据各所述目标预测终点轨迹和目标模型预测终点轨迹,计算出预测准确率之后,如果预测准确率不满足准确率阈值,则返回执行获取多个历史时间段分别对应的历史联合状态描述信息的操作,直至预测准确率满足准确率阈值,则确定训练完成自动驾驶轨迹预测模型。
本发明实施例所提供的自动驾驶轨迹预测装置可执行本发明任意实施例所提供的自动驾驶轨迹预测方法,具备执行方法相应的功能模块和有益效果。
实施例三
图3示出了可以用来实施本发明的实施例三的电子设备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3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,例如自动驾驶轨迹预测方法。
在一些实施例中,自动驾驶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自动驾驶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)而被配置为执行自动驾驶轨迹预测方法。
该方法包括:获取目标车辆对应的当前时间段的联合状态描述信息;其中,所述当前时间段是由当前时刻和与所述当前时刻对应的上一时刻来构成的时间段;所述联合状态描述信息包括当前地图结构信息和当前可见障碍物信息;按照预设的数据采集步长,分别对所述当前地图结构信息和当前可见障碍物信息进行特征预处理操作,得到当前融合编码特征;将所述当前融合编码特征输入至预先构建好的自动驾驶轨迹预测模型中,得到与所述联合状态描述信息对应的当前驾驶预测轨迹;将所述当前驾驶预测轨迹发送于所述目标车辆对应的驾驶控制器中,以实现所述驾驶控制器根据所述当前驾驶预测轨迹进行所述目标车辆的自动驾驶。
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。
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。
实施例四
本发明实施例四还提供一种包含计算机可读存储介质,所述计算机可读指令在由计算机处理器执行时用于执行一种自动驾驶轨迹预测方法,该方法包括:获取目标车辆对应的当前时间段的联合状态描述信息;其中,所述当前时间段是由当前时刻和与所述当前时刻对应的上一时刻来构成的时间段;所述联合状态描述信息包括当前地图结构信息和当前可见障碍物信息;按照预设的数据采集步长,分别对所述当前地图结构信息和当前可见障碍物信息进行特征预处理操作,得到当前融合编码特征;将所述当前融合编码特征输入至预先构建好的自动驾驶轨迹预测模型中,得到与所述联合状态描述信息对应的当前驾驶预测轨迹;将所述当前驾驶预测轨迹发送于所述目标车辆对应的驾驶控制器中,以实现所述驾驶控制器根据所述当前驾驶预测轨迹进行所述目标车辆的自动驾驶。
当然,本发明实施例所提供的一种包含计算机可读存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的自动驾驶轨迹预测方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述自动驾驶轨迹预测装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
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)
1.一种自动驾驶轨迹预测方法,其特征在于,包括:
获取目标车辆对应的当前时间段的联合状态描述信息;
其中,所述当前时间段是由当前时刻和与所述当前时刻对应的上一时刻来构成的时间段;所述联合状态描述信息包括当前地图结构信息和当前可见障碍物信息;
按照预设的数据采集步长,分别对所述当前地图结构信息和当前可见障碍物信息进行特征预处理操作,得到当前融合编码特征;
将所述当前融合编码特征输入至预先构建好的自动驾驶轨迹预测模型中,得到与所述联合状态描述信息对应的当前驾驶预测轨迹;
将所述当前驾驶预测轨迹发送于所述目标车辆对应的驾驶控制器中,以实现所述驾驶控制器根据所述当前驾驶预测轨迹进行所述目标车辆的自动驾驶。
2.根据权利要求1所述的方法,其特征在于,所述分别对所述当前地图结构信息和当前可见障碍物信息进行特征预处理操作,得到当前融合编码特征,包括:
对所述当前地图结构信息进行特征预处理操作,得到当前地图结构信息特征;
其中,所述当前地图结构信息包括下述至少一项:当前道路中心线位置及类型、当前车道边界线位置及类型、和人行横道及交通灯;
对所述当前可见障碍物信息进行特征预处理操作,得到当前可见障碍物信息特征;
其中,所述当前可见障碍物信息包括下述至少一项:可见障碍物类型、可见障碍物步长、与所述可见障碍物步长对应的可见障碍物位置信息和速度、以及与所述可见障碍物步长对应的可见障碍物朝向角;
对所述当前地图结构信息特征和所述当前可见障碍物信息特征进行融合编码处理,得到所述当前融合编码特征。
3.根据权利要求1所述的方法,其特征在于,在所述获取目标车辆对应的当前时间段的联合状态描述信息之前,还包括:
获取多个历史时间段分别对应的历史联合状态描述信息;
其中,所述历史联合状态描述信息包括历史地图结构信息和历史可见障碍物信息;
分别对各所述历史地图结构信息和各所述历史可见障碍物信息进行特征预处理操作,得到各历史融合编码特征;
分别对各所述历史融合编码特征进行解码处理,得到与各目标时刻分别对应的中间特征和均匀撒点终点集合;
根据各所述中间特征和所述历史融合编码特征,对各目标时刻分别对应的均匀撒点终点集合进行终点打分处理,得到各目标时刻分别对应的目标终点子集;
在各所述目标终点子集中均包含第一数量的轨迹终点;
根据各所述目标终点子集,以及预先设置的交叉熵损失函数来对初始自动驾驶轨迹预测模型进行训练,如果预测准确率满足准确率阈值,则确定训练完成自动驾驶轨迹预测模型。
4.根据权利要求3所述的方法,其特征在于,所述目标时刻包括未来3s目标时刻、未来5s目标时刻和未来8s目标时刻;
所述分别对各所述历史融合编码特征进行解码处理,得到与各目标时刻分别对应的中间特征和均匀撒点终点集合,包括:
分别对各所述历史融合编码特征进行解码处理,得到未来3s目标时刻对应的第一中间特征和第一均匀撒点终点集合、以及未来5s目标时刻对应的第二中间特征和第二均匀撒点终点集合、以及未来8s目标时刻对应的第三中间特征和第三均匀撒点终点集合。
5.根据权利要求4所述的方法,其特征在于,所述根据各所述中间特征和所述历史融合编码特征,对各目标时刻分别对应的均匀撒点终点集合进行终点打分处理,得到各目标时刻分别对应的目标终点子集,包括:
根据所述第三中间特征和所述历史融合编码特征,对所述第三均匀撒点终点集合进行终点打分处理,得到所述未来8s目标时刻对应的第三目标终点子集;
根据所述第三中间特征、第二中间特征和所述历史融合编码特征,对所述第二均匀撒点终点集合进行终点打分处理,得到所述未来5s目标时刻对应的第二目标终点子集;
根据所述第三中间特征、第二中间特征、第一中间特征和所述历史融合编码特征,对所述第一均匀撒点终点集合进行终点打分处理,得到所述未来3s目标时刻对应的第一目标终点子集;
其中,所述第一目标终点子集包含第一数量的第一轨迹终点;所述第二目标终点子集包含第一数量的第二轨迹终点;所述第三目标终点子集为第一数量的第三轨迹终点。
6.根据权利要求5所述的方法,其特征在于,所述根据各所述目标终点子集,以及预先设置的交叉熵损失函数来对初始自动驾驶轨迹预测模型进行训练,如果预测准确率满足准确率阈值,则确定训练完成自动驾驶轨迹预测模型,包括:
对所述第一目标终点子集的第一轨迹终点、第二目标终点子集的第二轨迹终点和第三目标终点子集的第三轨迹终点分别进行终点相连接处理,得到第二数量的预测终点轨迹;
其中,所述第二数量的大小等于第一数量的立方;
根据预先设置的交叉熵损失函数,分别对各所述预测终点轨迹通过多层感知机进行轨迹打分处理,得到目标预测终点轨迹,以及对各所述预测终点轨迹通过初始自动驾驶轨迹预测模型分别进行处理,得到目标模型预测终点轨迹;
根据各所述目标预测终点轨迹和目标模型预测终点轨迹,计算出预测准确率,并如果预测准确率满足准确率阈值,则确定训练完成自动驾驶轨迹预测模型。
7.根据权利要求6所述的方法,其特征在于,在所述根据各所述目标预测终点轨迹和目标模型预测终点轨迹,计算出预测准确率之后,还包括:
如果预测准确率不满足准确率阈值,则返回执行获取多个历史时间段分别对应的历史联合状态描述信息的操作,直至预测准确率满足准确率阈值,则确定训练完成自动驾驶轨迹预测模型。
8.一种自动驾驶轨迹预测装置,其特征在于,包括:
联合状态描述信息获取模块,用于获取目标车辆对应的当前时间段的联合状态描述信息;
其中,所述当前时间段是由当前时刻和与所述当前时刻对应的上一时刻来构成的时间段;所述联合状态描述信息包括当前地图结构信息和当前可见障碍物信息;
当前融合编码特征确定模块,用于按照预设的数据采集步长,分别对所述当前地图结构信息和当前可见障碍物信息进行特征预处理操作,得到当前融合编码特征;
当前驾驶预测轨迹确定模块,用于将所述当前融合编码特征输入至预先构建好的自动驾驶轨迹预测模型中,得到与所述联合状态描述信息对应的当前驾驶预测轨迹;
当前驾驶预测轨迹发送模块,用于将所述当前驾驶预测轨迹发送于所述目标车辆对应的驾驶控制器中,以实现所述驾驶控制器根据所述当前驾驶预测轨迹进行所述目标车辆的自动驾驶。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的一种自动驾驶轨迹预测方法。
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如权利要求1-7中任一项所述的一种自动驾驶轨迹预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311277108.0A CN117104275A (zh) | 2023-09-28 | 2023-09-28 | 一种自动驾驶轨迹预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311277108.0A CN117104275A (zh) | 2023-09-28 | 2023-09-28 | 一种自动驾驶轨迹预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117104275A true CN117104275A (zh) | 2023-11-24 |
Family
ID=88811126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311277108.0A Pending CN117104275A (zh) | 2023-09-28 | 2023-09-28 | 一种自动驾驶轨迹预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117104275A (zh) |
-
2023
- 2023-09-28 CN CN202311277108.0A patent/CN117104275A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113011323B (zh) | 通行状态的获取方法、相关装置、路侧设备及云控平台 | |
CN115909749B (zh) | 车辆运行道路风险预警方法、装置、设备及存储介质 | |
CN112652165B (zh) | 模型训练及路况预测方法、装置、设备、介质及程序产品 | |
CN113129596B (zh) | 行驶数据处理方法、装置、设备、存储介质及程序产品 | |
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 | |
CN114715145B (zh) | 一种轨迹预测方法、装置、设备及自动驾驶车辆 | |
CN114802303A (zh) | 障碍物轨迹预测方法、装置、电子设备及存储介质 | |
CN113753078B (zh) | 障碍物轨迹的预测方法、装置、电子设备及自动驾驶车辆 | |
CN116092055A (zh) | 训练方法、获取方法、装置、设备及自动驾驶车辆 | |
CN114092911A (zh) | 一种道路识别方法、装置、电子设备以及存储介质 | |
CN117104275A (zh) | 一种自动驾驶轨迹预测方法、装置、电子设备及存储介质 | |
CN113344278A (zh) | 电量预测方法、装置、设备、存储介质和程序产品 | |
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 | |
CN112907949B (zh) | 交通异常的检测方法、模型的训练方法及装置 | |
CN114596552B (zh) | 信息处理方法、训练方法、装置、设备、车辆及介质 | |
CN114333326B (zh) | 一种路口拥堵检测方法、装置及电子设备 | |
CN117842097A (zh) | 基于自动驾驶的车辆控制方法、装置、设备及存储介质 | |
CN115031750B (zh) | 阻断路段的状态确定方法、装置及计算机程序产品 | |
CN114419896B (zh) | 基于数字孪生的交通信号灯控制方法、装置、设备及介质 | |
CN118004215A (zh) | 基于改进DenseTnt模型的自动驾驶轨迹预测方法 | |
CN117198040A (zh) | 路口通行信息的获取方法、装置、电子设备与可读存储介质 | |
CN116853295A (zh) | 一种障碍物轨迹预测方法、装置、设备和介质 | |
CN117764139A (zh) | 风险场景识别模型的生成方法、装置及计算机程序产品 | |
CN116494969A (zh) | 一种车辆行驶规划方法、装置、设备和存储介质 | |
CN116774705A (zh) | 自动驾驶车辆的速度规划方法、装置、设备及介质 |
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 |