CN117191068B - 模型训练方法和装置、轨迹预测方法和装置 - Google Patents
模型训练方法和装置、轨迹预测方法和装置 Download PDFInfo
- Publication number
- CN117191068B CN117191068B CN202311468378.XA CN202311468378A CN117191068B CN 117191068 B CN117191068 B CN 117191068B CN 202311468378 A CN202311468378 A CN 202311468378A CN 117191068 B CN117191068 B CN 117191068B
- Authority
- CN
- China
- Prior art keywords
- space
- track
- intelligent
- time
- predicted
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 title claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 49
- 239000003795 chemical substances by application Substances 0.000 claims description 439
- 230000003993 interaction Effects 0.000 claims description 128
- 230000002776 aggregation Effects 0.000 claims description 126
- 238000004220 aggregation Methods 0.000 claims description 126
- 230000007246 mechanism Effects 0.000 claims description 37
- 230000004931 aggregating effect Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 210000003811 finger Anatomy 0.000 claims description 2
- 210000004936 left thumb Anatomy 0.000 claims description 2
- 238000006116 polymerization reaction Methods 0.000 abstract 4
- 230000002123 temporal effect Effects 0.000 abstract 2
- 230000000379 polymerizing effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了模型训练方法和装置、轨迹预测方法和装置，涉及自动驾驶技术领域。该方法包括：将智能体的历史轨迹和地图线数据转换至相对坐标系下；对经过转换的预测智能体的历史轨迹中多个连续帧进行遮挡，得到预测智能体的目标轨迹；分别按照时间维度和空间维度，聚合得到预测智能体的时间聚合轨迹和空间聚合轨迹，以及其他智能体的时间聚合轨迹和空间聚合轨迹；构建预测智能体的时间mask和空间mask；构建其他智能体的时间mask和空间mask；基于多个预测智能体当前所在的位置，智能体的时间聚合轨迹、空间聚合轨迹、时间mask和空间mask，以及经过转换的地图线数据训练神经网络模型。该实施方式能够提高轨迹预测准确度。
Description
技术领域
本发明涉及自动驾驶技术领域，尤其涉及一种模型训练方法和装置、轨迹预测方法和装置。
背景技术
在自动驾驶车辆行驶过程中，需要对障碍物等智能体的轨迹进行预测，以避免车辆与障碍物发生碰撞，保证车辆的行驶安全。
现有方法通常基于单一智能体的历史轨迹，拟合得到其未来轨迹。
但是，该方法忽略了不同智能体之间的相互影响，预测准确度较低。
发明内容
有鉴于此，本发明实施例提供一种模型训练方法和装置、轨迹预测方法和装置，能够提高轨迹预测准确度。
第一方面，本发明实施例提供了一种模型训练方法，包括：
获取智能体的历史轨迹和与所述智能体相关的地图线数据；
分别将所述智能体的历史轨迹和所述地图线数据转换至相对坐标系下；其中，所述智能体包括预测智能体和其他智能体，所述其他智能体包括自车，所述相对坐标系的原点位于所述自车的轨迹上；
对经过转换的预测智能体的历史轨迹中多个连续帧进行遮挡，得到所述预测智能体的目标轨迹；
分别按照时间维度和空间维度，对多个预测智能体的目标轨迹进行聚合，得到预测智能体的时间聚合轨迹和空间聚合轨迹；
分别按照时间维度和空间维度，对经过转换的多个其他智能体的历史轨迹进行聚合，得到其他智能体的时间聚合轨迹和空间聚合轨迹；
基于多个预测智能体的目标轨迹，分别按照时间维度和空间维度，构建预测智能体的时间mask和空间mask；
基于经过转换的多个其他智能体的历史轨迹，分别按照时间维度和空间维度，构建其他智能体的时间mask和空间mask；
将多个预测智能体当前所在的位置，所述智能体的时间聚合轨迹、空间聚合轨迹、时间mask和空间mask，以及经过转换的地图线数据输入神经网络模型，得到一阶差分结果；其中，所述神经网络模型基于多头注意力机制，学习轨迹的时间特征和空间特征之间的关系；
基于所述一阶差分结果和所述预测智能体当前所在的位置，计算所述预测智能体的预测轨迹；
基于所述预测智能体的预测轨迹和历史轨迹，计算损失函数的损失值；
基于所述损失值调整所述神经网络模型的参数。
第二方面，本发明实施例提供了一种轨迹预测方法，包括：
获取智能体的历史轨迹和与所述智能体相关的地图线数据；
分别将所述智能体的历史轨迹和所述地图线数据转换至相对坐标系下；其中，所述智能体包括预测智能体和其他智能体，所述其他智能体包括自车，所述相对坐标系的原点位于所述自车的轨迹上；
对经过转换的预测智能体的历史轨迹中多个连续帧进行遮挡，得到所述预测智能体的目标轨迹；
分别按照时间维度和空间维度，对多个预测智能体的目标轨迹进行聚合，得到预测智能体的时间聚合轨迹和空间聚合轨迹；
分别按照时间维度和空间维度，对经过转换的多个其他智能体的历史轨迹进行聚合，得到其他智能体的时间聚合轨迹和空间聚合轨迹；
基于多个预测智能体的目标轨迹，分别按照时间维度和空间维度，构建预测智能体的时间mask和空间mask；
基于经过转换的多个其他智能体的历史轨迹，分别按照时间维度和空间维度，构建其他智能体的时间mask和空间mask；
将多个预测智能体当前所在的位置，所述智能体的时间聚合轨迹、空间聚合轨迹、时间mask和空间mask，以及经过转换的地图线数据输入神经网络模型，得到一阶差分结果；其中，所述神经网络模型基于多头注意力机制，学习轨迹的时间特征和空间特征之间的关系；
基于所述一阶差分结果和所述预测智能体当前所在的位置，计算所述预测智能体的预测轨迹；
基于所述预测智能体的预测轨迹和历史轨迹，计算损失函数的损失值；
基于所述损失值调整所述神经网络模型的参数；
基于训练好的所述神经网络模型预测当前智能体的轨迹。
第三方面，本发明实施例提供了一种模型训练装置，包括：
转换模块，配置为获取智能体的历史轨迹和与所述智能体相关的地图线数据；分别将所述智能体的历史轨迹和所述地图线数据转换至相对坐标系下；其中，所述智能体包括预测智能体和其他智能体，所述其他智能体包括自车，所述相对坐标系的原点位于所述自车的轨迹上；
遮挡模块，配置为对经过转换的预测智能体的历史轨迹中多个连续帧进行遮挡，得到所述预测智能体的目标轨迹；
聚合模块，配置为分别按照时间维度和空间维度，对多个预测智能体的目标轨迹进行聚合，得到预测智能体的时间聚合轨迹和空间聚合轨迹；分别按照时间维度和空间维度，对经过转换的多个其他智能体的历史轨迹进行聚合，得到其他智能体的时间聚合轨迹和空间聚合轨迹；
构建模块，配置为基于多个预测智能体的目标轨迹，分别按照时间维度和空间维度，构建预测智能体的时间mask和空间mask；基于经过转换的多个其他智能体的历史轨迹，分别按照时间维度和空间维度，构建其他智能体的时间mask和空间mask；
训练模块，配置为将多个预测智能体当前所在的位置，所述智能体的时间聚合轨迹、空间聚合轨迹、时间mask和空间mask，以及经过转换的地图线数据输入神经网络模型，得到一阶差分结果；其中，所述神经网络模型基于多头注意力机制，学习轨迹的时间特征和空间特征之间的关系；基于所述一阶差分结果和所述预测智能体当前所在的位置，计算所述预测智能体的预测轨迹；基于所述预测智能体的预测轨迹和历史轨迹，计算损失函数的损失值；基于所述损失值调整所述神经网络模型的参数。
第四方面，本发明实施例提供了一种轨迹预测装置，包括：
转换模块，配置为获取智能体的历史轨迹和与所述智能体相关的地图线数据；分别将所述智能体的历史轨迹和所述地图线数据转换至相对坐标系下；其中，所述智能体包括预测智能体和其他智能体，所述其他智能体包括自车，所述相对坐标系的原点位于所述自车的轨迹上；
遮挡模块，配置为对经过转换的预测智能体的历史轨迹中多个连续帧进行遮挡，得到所述预测智能体的目标轨迹；
聚合模块，配置为分别按照时间维度和空间维度，对多个预测智能体的目标轨迹进行聚合，得到预测智能体的时间聚合轨迹和空间聚合轨迹；分别按照时间维度和空间维度，对经过转换的多个其他智能体的历史轨迹进行聚合，得到其他智能体的时间聚合轨迹和空间聚合轨迹；
构建模块，配置为基于多个预测智能体的目标轨迹，分别按照时间维度和空间维度，构建预测智能体的时间mask和空间mask；基于经过转换的多个其他智能体的历史轨迹，分别按照时间维度和空间维度，构建其他智能体的时间mask和空间mask；
训练模块，配置为将多个预测智能体当前所在的位置，所述智能体的时间聚合轨迹、空间聚合轨迹、时间mask和空间mask，以及经过转换的地图线数据输入神经网络模型，得到一阶差分结果；其中，所述神经网络模型基于多头注意力机制，学习轨迹的时间特征和空间特征之间的关系；基于所述一阶差分结果和所述预测智能体当前所在的位置，计算所述预测智能体的预测轨迹；基于所述预测智能体的预测轨迹和历史轨迹，计算损失函数的损失值；基于所述损失值调整所述神经网络模型的参数；
预测模块，配置为基于训练好的所述神经网络模型预测当前智能体的轨迹。
第五方面，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上述任一实施例所述的方法。
第六方面，本发明实施例提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述任一实施例所述的方法。
上述发明中的一个实施例具有如下优点或有益效果：分别从时间维度和空间维度对智能体的轨迹进行聚合，得到具有时间特征的时间聚合轨迹和空间特征的空间聚合轨迹，基于多头注意力机制学习时间特征和空间特征之间的关系，以便于在模型训练过程中，基于时间特征和空间特征的耦合，预测被遮挡的轨迹，提高模型训练的质量和轨迹预测的准确度。另外，将自车的轨迹等物理世界中的点转换至相对坐标系下，使该方法能够在不同的场景下迁移使用，如在不同的路段使用。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是本发明的一个实施例提供的一种模型训练方法的流程图；
图2是本发明的一个实施例提供的一种时间矢量网络的示意图；
图3是本发明的一个实施例提供的一种神经网络模型的示意图；
图4是本发明的一个实施例提供的一种轨迹预测方法的流程图；
图5是本发明的一个实施例提供的一种模型训练装置的示意图；
图6是本发明的一个实施例提供的一种轨迹预测装置的示意图；
图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
如图1所示，本发明实施例提供了一种模型训练方法，包括：
步骤101：获取智能体的历史轨迹和与智能体相关的地图线数据。
智能体包括预测智能体和其他智能体，自车属于其他智能体，预测智能体为需要关注的障碍物，如，人、其他车辆等。地图线数据为智能体所在的车道线的信息。
步骤102：分别将智能体的历史轨迹和地图线数据转换至相对坐标系下。
其中，智能体包括预测智能体和其他智能体，其他智能体包括自车，相对坐标系的原点位于自车的轨迹上。
为了使该方法在不同的场景中迁移使用，本发明实施例将自车的轨迹等物理世界的点的坐标转换至以自车的轨迹为原点的相对坐标系下。
步骤103：对经过转换的预测智能体的历史轨迹中多个连续帧进行遮挡，得到预测智能体的目标轨迹。
为了构建训练样本，使神经网络模型对遮挡的帧进行预测，本发明对预测智能体的历史轨迹进行遮挡。例如，预测智能体的历史轨迹包括20帧，在1-15帧中预测智能体被遮挡，在15-20帧中预测智能体是可见的。
对同一个预测智能体可以进行多种策略的遮挡，以用于不同场景下的轨迹生成。例如，按照时间由远及近的顺序，遮挡前面一部分轨迹特征，适用于鬼探头场景下的轨迹生成，遮挡后面一部分轨迹特征，适用于轨迹预测，遮挡开始和结束部分轨迹特征，适用于轨迹规划，随机遮挡部分轨迹特征，适用于轨迹补全。本发明实施例可以对多个不同智能体的历史轨迹进行遮挡。
步骤104：分别按照时间维度和空间维度，对多个预测智能体的目标轨迹进行聚合，得到预测智能体的时间聚合轨迹和空间聚合轨迹。
对同一智能体不同时间点的轨迹进行聚合，得到智能体的时间聚合轨迹，对同一时间点不同智能体的轨迹进行聚合，得到智能体的空间聚合轨迹。
步骤105：分别按照时间维度和空间维度，对经过转换的多个其他智能体的历史轨迹进行聚合，得到其他智能体的时间聚合轨迹和空间聚合轨迹。
步骤106：基于多个预测智能体的目标轨迹，分别按照时间维度和空间维度，构建预测智能体的时间mask和空间mask。
时间mask基于时间维度对轨迹进行填充，空间mask基于空间维度对轨迹进行填充。
沿用上例，对于某个智能体，如果在当前帧中不可见，则值为flase，如果可见，则值为true，以此类推，得到空间mask。
对于不同时间点，如果在时间点1存在智能体1-50，在时间段2存在智能体1-100，则智能体1-50对应的值为true，其他智能体对应的值为flase。
步骤107：基于经过转换的多个其他智能体的历史轨迹，分别按照时间维度和空间维度，构建其他智能体的时间mask和空间mask。
步骤108：将多个预测智能体当前所在的位置，智能体的时间聚合轨迹、空间聚合轨迹、时间mask和空间mask，以及经过转换的地图线数据输入神经网络模型，得到一阶差分结果。
其中，神经网络模型基于多头注意力机制，学习轨迹的时间特征和空间特征之间的关系。
步骤109：基于一阶差分结果和预测智能体当前所在的位置，计算预测智能体的预测轨迹。
步骤110：基于预测智能体的预测轨迹和历史轨迹，计算损失函数的损失值。
步骤111：基于损失值调整神经网络模型的参数。
损失函数如式（1）所示。
（1）
其中，用于表征损失函数的损失值，用于表征被遮挡的帧数，用于
表征被遮挡的帧的历史轨迹，即被遮挡的帧的真实轨迹，用于表征被遮挡的帧的预测轨
迹，用于表征被遮挡的帧。
在实际应用场景中，损失函数不局限于式（1）形式，还可以在损失函数中为各帧添加权重，该权重由预测智能体距离自车的位置远近确定。
本发明实施例分别从时间维度和空间维度对智能体的轨迹进行聚合，得到具有时间特征的时间聚合轨迹和空间特征的空间聚合轨迹，基于多头注意力机制学习时间特征和空间特征之间的关系，以便于在模型训练过程中，基于时间特征和空间特征的耦合，预测被遮挡的轨迹，提高模型训练的质量和轨迹预测的准确度。另外，将自车的轨迹等物理世界中的点转换至相对坐标系下，使该方法能够在不同的场景下迁移使用，如在不同的路段使用。
在本发明的一个实施例中，相对坐标系的原点，为自车的历史轨迹中，按照时间由远及近的顺序，最后一帧轨迹点；
相对坐标系的X轴，为自车的历史轨迹中，按照时间由远及近的顺序，最后一帧轨迹点指向第一帧轨迹点的朝向；
相对坐标系的Y轴，为当左手食指指向自车的朝向时，左手拇指的朝向。
本发明实施例基于自车的轨迹建立相对坐标系，能够在不同路段场景中使用。
在本发明的一个实施例中，神经网络模型包括：矢量网络模块、时空交互模块、智能体交互模块和解码模块；
矢量网络模块，用于从经过转换的地图线数据中提取地图特征，针对预测智能体和其他智能体分别执行：基于时间聚合轨迹和时间mask确定时间聚合特征，基于空间聚合轨迹和空间mask确定空间聚合特征；
时空交互模块，用于针对预测智能体和其他智能体分别执行：基于时间聚合特征和空间聚合特征，确定时间与空间交互特征；
智能体交互模块，用于基于地图特征、预测智能体的时间与空间交互特征以及其他智能体的时间与空间交互特征，确定预测智能体与地图的第一交互特征、其他智能体与地图的第一交互特征以及其他智能体与地图的第二交互特征；
解码模块，用于基于预测智能体当前所在的位置、预测智能体与地图的第一交互特征、其他智能体与地图的第一交互特征以及其他智能体与地图的第二交互特征，解码得到一阶差分结果。
本发明实施例在训练过程中，不仅考虑了其他智能体和环境的影响，还考虑了时间聚合特征和空间聚合特征之间的关系，进一步提高轨迹预测的准确度。
在本发明的一个实施例中，矢量网络模块，包括：第一空间矢量网络、第二空间矢量网络、第三空间矢量网络、第一时间矢量网络和第二时间矢量网络；
第一空间矢量网络，用于基于预测智能体的空间聚合轨迹和空间mask，确定预测智能体的空间聚合特征；
第二空间矢量网络，用于基于其他智能体的空间聚合轨迹和空间mask，确定其他智能体的空间聚合特征；
第三空间矢量网络，用于从经过转换的地图线数据中提取地图特征；
第一时间矢量网络，用于基于预测智能体的时间聚合轨迹和时间mask，确定预测智能体的时间聚合特征；
第二时间矢量网络，用于基于其他智能体的时间聚合轨迹和时间mask，确定其他智能体的时间聚合特征；
矢量网络模块中的各个矢量网络，均包括：输入层、embedding层、最大池化层、注意力模块、归一化层和输出层；
其中，注意力模块基于多头注意力机制提取特征。
无论是时间矢量网络，还是空间矢量网络，均基于多头注意力机制提取特征，并且，注意力模块可以存在多层，以便于提高提取特征的准确度。
如图2所示，是一种时间矢量网络的示意图。
在本发明的一个实施例中，时空交互模块，包括：第一时空交互网络和第二时空交互网络；
第一时空交互网络以预测智能体的空间聚合特征为query，以预测智能体的时间聚合特征为key和value，采用带掩码的多头注意力机制进行特征提取，得到第一时空交互特征；
第二时空互网络以其他智能体的空间聚合特征为query，以其他智能体的时间聚合特征为key和value，采用带掩码的多头注意力机制进行特征提取，得到第二时空交互特征。
本发明实施例基于多头注意力机制提取时空交互特征，能够准确地衡量时间聚合特征和空间聚合特征的关系。在本发明的一个实施例中，智能体交互模块，包括：预测智能体与地图的第一交互网络、预测智能体与其他智能体的第一交互网络、其他智能体与地图第一交互网络以及其他智能体与地图的第二交互网络；
其他智能体与地图的第二交互网络以地图特征为query，以第二时空交互特征为key和value，采用带掩码的多头注意力机制进行特征提取，得到其他智能体与地图的第二交互特征；
其他智能体与地图的第一交互网络以第二时空交互特征为query，以其他智能体与地图的第二交互特征为key和value，采用带掩码的多头注意力机制进行特征提取，得到其他智能体与地图的第一交互特征；
预测智能体与其他智能体的第一交互网络以第一时空交互特征为query，以其他智能体与地图的第一交互特征为key和value，采用带掩码的多头注意力机制进行特征提取，得到预测智能体与其他智能体的第一交互特征；
预测智能体与地图的第一交互网络以预测智能体与其他智能体的第一交互特征为query，以其他智能体与地图的第二交互特征为key和value，采用带掩码的多头注意力机制进行特征提取，得到预测智能体与地图的第一交互特征。
本发明实施例采用带掩码的多头注意力机制学习智能体与地图、智能体之间的特征关系，提高模型训练质量。
在本发明的一个实施例中，解码模块，包括：embedding层、第四空间矢量网络、历史与未来交互网络、预测智能体与其他智能体的第二交互网络、预测智能体与地图的第二交互网络和全连接层；
embedding层，用于将预测智能体当前所在的位置转换为当前位置特征向量；
第四空间矢量网络的输入为：位置特征向量、预测智能体与地图的第一交互特征相加得到的未来轨迹特征向量；第四空间矢量网络包括：输入层、embedding层、最大池化层、注意力模块、归一化层和输出层；
历史与未来交互网络以未来轨迹特征向量为query，以预测智能体与地图的第一交互特征为key和value，采用带掩码的多头注意力机制进行特征提取，得到历史与未来交互特征；
预测智能体与其他智能体的第二交互网络以历史与未来交互特征为query，以其他智能体与地图的第一交互特征为key和value，采用带掩码的多头注意力机制进行特征提取，得到预测智能体与其他智能体的第二交互特征；
预测智能体与地图的第二交互网络以预测智能体与其他智能体的第二交互特征为query，以其他智能体与地图的第二交互特征为key和value，采用带掩码的多头注意力机制进行特征提取，得到预测智能体与地图的第二交互特征；
全连接层，用于将预测智能体与地图的第二交互特征转换为一阶差分结果。
本发明实施例基于历史轨迹与未来轨迹之间的关系、智能体之间的关系、智能体与地图之间的关系进行解码，考虑了不同维度的特征，提高模型训练质量和轨迹预测准确度。
神经网络模型输出的一阶差分结果为：。
用于表征第m帧的一阶差分结果。
预测智能体当前所在的位置为，预测智能体的预测轨迹为：。为第m帧的预测轨迹。
如图3所示，是一种神经网络模型的结构，其中，矢量网络1为第一空间矢量网络，矢量网络3为第二空间矢量网络，矢量网络5为第三空间矢量网络，矢量网络2为第一时间矢量网络，矢量网络4为第二时间矢量网络，t2m交互网络为预测智能体与地图的第一交互网络，t2a交互网络为预测智能体与其他智能体的第一交互网络，a2m交互网络为其他智能体与地图第一交互网络，m2a交互网络为其他智能体与地图的第二交互网络，矢量网络6为第四空间矢量网络，t2h交互网络为历史与未来交互网络，t2a交互网络为预测智能体与其他智能体的第二交互网络，t2m交互网络为预测智能体与地图的第二交互网络。
如图4所示，本发明实施例提供了一种轨迹预测方法，包括：
步骤401：获取智能体的历史轨迹和与智能体相关的地图线数据。
步骤402：分别将智能体的历史轨迹和地图线数据转换至相对坐标系下。
其中，智能体包括预测智能体和其他智能体，其他智能体包括自车，相对坐标系的原点位于自车的轨迹上。
步骤403：对经过转换的预测智能体的历史轨迹中多个连续帧进行遮挡，得到预测智能体的目标轨迹。
步骤404：分别按照时间维度和空间维度，对多个预测智能体的目标轨迹进行聚合，得到预测智能体的时间聚合轨迹和空间聚合轨迹。
步骤405：分别按照时间维度和空间维度，对经过转换的多个其他智能体的历史轨迹进行聚合，得到其他智能体的时间聚合轨迹和空间聚合轨迹。
步骤406：基于多个预测智能体的目标轨迹，分别按照时间维度和空间维度，构建预测智能体的时间mask和空间mask。
步骤407：基于经过转换的多个其他智能体的历史轨迹，分别按照时间维度和空间维度，构建其他智能体的时间mask和空间mask。
步骤408：将多个预测智能体当前所在的位置，智能体的时间聚合轨迹、空间聚合轨迹、时间mask和空间mask，以及经过转换的地图线数据输入神经网络模型，得到一阶差分结果。
其中，神经网络模型基于多头注意力机制，学习轨迹的时间特征和空间特征之间的关系。
步骤409：基于一阶差分结果和预测智能体当前所在的位置，计算预测智能体的预测轨迹。
步骤410：基于预测智能体的预测轨迹和历史轨迹，计算损失函数的损失值。
步骤411：基于损失值调整神经网络模型的参数。
步骤412：基于训练好的神经网络模型预测当前智能体的轨迹。
本发明实施例在轨迹预测过程中，考虑了时间聚合特征和空间聚合特征的耦合，提高轨迹预测的准确度。
如图5所示，本发明实施例提供了一种模型训练装置，包括：
转换模块501，配置为获取智能体的历史轨迹和与智能体相关的地图线数据；分别将智能体的历史轨迹和地图线数据转换至相对坐标系下；其中，智能体包括预测智能体和其他智能体，其他智能体包括自车，相对坐标系的原点位于自车的轨迹上；
遮挡模块502，配置为对经过转换的预测智能体的历史轨迹中多个连续帧进行遮挡，得到预测智能体的目标轨迹；
聚合模块503，配置为分别按照时间维度和空间维度，对多个预测智能体的目标轨迹进行聚合，得到预测智能体的时间聚合轨迹和空间聚合轨迹；分别按照时间维度和空间维度，对经过转换的多个其他智能体的历史轨迹进行聚合，得到其他智能体的时间聚合轨迹和空间聚合轨迹；
构建模块504，配置为基于多个预测智能体的目标轨迹，分别按照时间维度和空间维度，构建预测智能体的时间mask和空间mask；基于经过转换的多个其他智能体的历史轨迹，分别按照时间维度和空间维度，构建其他智能体的时间mask和空间mask；
训练模块505，配置为将多个预测智能体当前所在的位置，智能体的时间聚合轨迹、空间聚合轨迹、时间mask和空间mask，以及经过转换的地图线数据输入神经网络模型，得到一阶差分结果；其中，神经网络模型基于多头注意力机制，学习轨迹的时间特征和空间特征之间的关系；基于一阶差分结果和预测智能体当前所在的位置，计算预测智能体的预测轨迹；基于预测智能体的预测轨迹和历史轨迹，计算损失函数的损失值；基于损失值调整神经网络模型的参数。
如图6所示，本发明实施例提供了一种轨迹预测装置，包括：
转换模块601，配置为获取智能体的历史轨迹和与智能体相关的地图线数据；分别将智能体的历史轨迹和地图线数据转换至相对坐标系下；其中，智能体包括预测智能体和其他智能体，其他智能体包括自车，相对坐标系的原点位于自车的轨迹上；
遮挡模块602，配置为对经过转换的预测智能体的历史轨迹中多个连续帧进行遮挡，得到预测智能体的目标轨迹；
聚合模块603，配置为分别按照时间维度和空间维度，对多个预测智能体的目标轨迹进行聚合，得到预测智能体的时间聚合轨迹和空间聚合轨迹；分别按照时间维度和空间维度，对经过转换的多个其他智能体的历史轨迹进行聚合，得到其他智能体的时间聚合轨迹和空间聚合轨迹；
构建模块604，配置为基于多个预测智能体的目标轨迹，分别按照时间维度和空间维度，构建预测智能体的时间mask和空间mask；基于经过转换的多个其他智能体的历史轨迹，分别按照时间维度和空间维度，构建其他智能体的时间mask和空间mask；
训练模块605，配置为将多个预测智能体当前所在的位置，智能体的时间聚合轨迹、空间聚合轨迹、时间mask和空间mask，以及经过转换的地图线数据输入神经网络模型，得到一阶差分结果；其中，神经网络模型基于多头注意力机制，学习轨迹的时间特征和空间特征之间的关系；基于一阶差分结果和预测智能体当前所在的位置，计算预测智能体的预测轨迹；基于预测智能体的预测轨迹和历史轨迹，计算损失函数的损失值；基于损失值调整神经网络模型的参数；
预测模块606，配置为基于训练好的神经网络模型预测当前智能体的轨迹。
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，
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述任一实施例的方法。
本发明实施例提供了一种计算机可读介质，其上存储有计算机程序，程序被处理器执行时实现如上述任一实施例的方法。
下面参考图7，其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，计算机系统700包括中央处理单元（CPU）701，其可以根据存储在只读存储器（ROM）702中的程序或者从存储部分708加载到随机访问存储器（RAM）703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出（I/O）接口705也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元（CPU）701执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的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或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（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。在本发明中，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。而在本发明中，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。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括发送模块、获取模块、确定模块和第一处理模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，发送模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。
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，取决于设计要求和其他因素，可以发生各种各样的修改、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 (12)
1.一种模型训练方法，其特征在于，包括：
获取智能体的历史轨迹和与所述智能体相关的地图线数据；
分别将所述智能体的历史轨迹和所述地图线数据转换至相对坐标系下；其中，所述智能体包括预测智能体和其他智能体，所述其他智能体包括自车，所述相对坐标系的原点位于所述自车的轨迹上；
对经过转换的预测智能体的历史轨迹中多个连续帧进行遮挡，得到所述预测智能体的目标轨迹；
分别按照时间维度和空间维度，对多个预测智能体的目标轨迹进行聚合，得到预测智能体的时间聚合轨迹和空间聚合轨迹；
分别按照时间维度和空间维度，对经过转换的多个其他智能体的历史轨迹进行聚合，得到其他智能体的时间聚合轨迹和空间聚合轨迹；
基于多个预测智能体的目标轨迹，分别按照时间维度和空间维度，构建预测智能体的时间mask和空间mask；
基于经过转换的多个其他智能体的历史轨迹，分别按照时间维度和空间维度，构建其他智能体的时间mask和空间mask；
将多个预测智能体当前所在的位置，所述智能体的时间聚合轨迹、空间聚合轨迹、时间mask和空间mask，以及经过转换的地图线数据输入神经网络模型，得到一阶差分结果；其中，所述神经网络模型基于多头注意力机制，学习轨迹的时间特征和空间特征之间的关系；
基于所述一阶差分结果和所述预测智能体当前所在的位置，计算所述预测智能体的预测轨迹；
基于所述预测智能体的预测轨迹和历史轨迹，计算损失函数的损失值；
基于所述损失值调整所述神经网络模型的参数。
2.如权利要求1所述的方法，其特征在于，
所述相对坐标系的原点，为所述自车的历史轨迹中，按照时间由远及近的顺序，最后一帧轨迹点；
所述相对坐标系的X轴，为所述自车的历史轨迹中，按照时间由远及近的顺序，最后一帧轨迹点指向第一帧轨迹点的朝向；
所述相对坐标系的Y轴，为当左手食指指向所述自车的朝向时，左手拇指的朝向。
3.如权利要求1所述的方法，其特征在于，
所述神经网络模型包括：矢量网络模块、时空交互模块、智能体交互模块和解码模块；
所述矢量网络模块，用于从经过转换的地图线数据中提取地图特征，针对预测智能体和其他智能体分别执行：基于时间聚合轨迹和时间mask确定时间聚合特征，基于空间聚合轨迹和空间mask确定空间聚合特征；
所述时空交互模块，用于针对预测智能体和其他智能体分别执行：基于时间聚合特征和空间聚合特征，确定时间与空间交互特征；
所述智能体交互模块，用于基于地图特征、预测智能体的时间与空间交互特征以及其他智能体的时间与空间交互特征，确定预测智能体与地图的第一交互特征、其他智能体与地图的第一交互特征以及其他智能体与地图的第二交互特征；
所述解码模块，用于基于预测智能体当前所在的位置、预测智能体与地图的第一交互特征、其他智能体与地图的第一交互特征以及其他智能体与地图的第二交互特征，解码得到所述一阶差分结果。
4.如权利要求3所述的方法，其特征在于，
所述矢量网络模块，包括：第一空间矢量网络、第二空间矢量网络、第三空间矢量网络、第一时间矢量网络和第二时间矢量网络；
所述第一空间矢量网络，用于基于预测智能体的空间聚合轨迹和空间mask，确定预测智能体的空间聚合特征；
所述第二空间矢量网络，用于基于其他智能体的空间聚合轨迹和空间mask，确定其他智能体的空间聚合特征；
所述第三空间矢量网络，用于从经过转换的地图线数据中提取地图特征；
所述第一时间矢量网络，用于基于预测智能体的时间聚合轨迹和时间mask，确定预测智能体的时间聚合特征；
所述第二时间矢量网络，用于基于其他智能体的时间聚合轨迹和时间mask，确定其他智能体的时间聚合特征；
所述矢量网络模块中的各个矢量网络，均包括：输入层、embedding层、最大池化层、注意力模块、归一化层和输出层；
其中，所述注意力模块基于多头注意力机制提取特征。
5.如权利要求4所述的方法，其特征在于，
所述时空交互模块，包括：第一时空交互网络和第二时空交互网络；
所述第一时空交互网络以预测智能体的空间聚合特征为query，以预测智能体的时间聚合特征为key和value，采用带掩码的多头注意力机制进行特征提取，得到第一时空交互特征；
所述第二时空互网络以其他智能体的空间聚合特征为query，以其他智能体的时间聚合特征为key和value，采用带掩码的多头注意力机制进行特征提取，得到第二时空交互特征。
6.如权利要求5所述的方法，其特征在于，
所述智能体交互模块，包括：预测智能体与地图的第一交互网络、预测智能体与其他智能体的第一交互网络、其他智能体与地图第一交互网络以及其他智能体与地图的第二交互网络；
所述其他智能体与地图的第二交互网络以所述地图特征为query，以所述第二时空交互特征为key和value，采用带掩码的多头注意力机制进行特征提取，得到所述其他智能体与地图的第二交互特征；
所述其他智能体与地图的第一交互网络以所述第二时空交互特征为query，以所述其他智能体与地图的第二交互特征为key和value，采用带掩码的多头注意力机制进行特征提取，得到所述其他智能体与地图的第一交互特征；
所述预测智能体与其他智能体的第一交互网络以所述第一时空交互特征为query，以所述其他智能体与地图的第一交互特征为key和value，采用带掩码的多头注意力机制进行特征提取，得到预测智能体与其他智能体的第一交互特征；
所述预测智能体与地图的第一交互网络以所述预测智能体与其他智能体的第一交互特征为query，以所述其他智能体与地图的第二交互特征为key和value，采用带掩码的多头注意力机制进行特征提取，得到所述预测智能体与地图的第一交互特征。
7.如权利要求6所述的方法，其特征在于，
所述解码模块，包括：embedding层、第四空间矢量网络、历史与未来交互网络、预测智能体与其他智能体的第二交互网络、预测智能体与地图的第二交互网络和全连接层；
所述embedding层，用于将预测智能体当前所在的位置转换为当前位置特征向量；
所述第四空间矢量网络的输入为：所述位置特征向量、所述预测智能体与地图的第一交互特征相加得到的未来轨迹特征向量；所述第四空间矢量网络包括：输入层、embedding层、最大池化层、注意力模块、归一化层和输出层；
所述历史与未来交互网络以所述未来轨迹特征向量为query，以预测智能体与地图的第一交互特征为key和value，采用带掩码的多头注意力机制进行特征提取，得到历史与未来交互特征；
所述预测智能体与其他智能体的第二交互网络以历史与未来交互特征为query，以所述其他智能体与地图的第一交互特征为key和value，采用带掩码的多头注意力机制进行特征提取，得到预测智能体与其他智能体的第二交互特征；
所述预测智能体与地图的第二交互网络以所述预测智能体与其他智能体的第二交互特征为query，以所述其他智能体与地图的第二交互特征为key和value，采用带掩码的多头注意力机制进行特征提取，得到预测智能体与地图的第二交互特征；
所述全连接层，用于将所述预测智能体与地图的第二交互特征转换为所述一阶差分结果。
8.一种轨迹预测方法，其特征在于，包括：
获取智能体的历史轨迹和与所述智能体相关的地图线数据；
分别将所述智能体的历史轨迹和所述地图线数据转换至相对坐标系下；其中，所述智能体包括预测智能体和其他智能体，所述其他智能体包括自车，所述相对坐标系的原点位于所述自车的轨迹上；
对经过转换的预测智能体的历史轨迹中多个连续帧进行遮挡，得到所述预测智能体的目标轨迹；
分别按照时间维度和空间维度，对多个预测智能体的目标轨迹进行聚合，得到预测智能体的时间聚合轨迹和空间聚合轨迹；
分别按照时间维度和空间维度，对经过转换的多个其他智能体的历史轨迹进行聚合，得到其他智能体的时间聚合轨迹和空间聚合轨迹；
基于多个预测智能体的目标轨迹，分别按照时间维度和空间维度，构建预测智能体的时间mask和空间mask；
基于经过转换的多个其他智能体的历史轨迹，分别按照时间维度和空间维度，构建其他智能体的时间mask和空间mask；
将多个预测智能体当前所在的位置，所述智能体的时间聚合轨迹、空间聚合轨迹、时间mask和空间mask，以及经过转换的地图线数据输入神经网络模型，得到一阶差分结果；其中，所述神经网络模型基于多头注意力机制，学习轨迹的时间特征和空间特征之间的关系；
基于所述一阶差分结果和所述预测智能体当前所在的位置，计算所述预测智能体的预测轨迹；
基于所述预测智能体的预测轨迹和历史轨迹，计算损失函数的损失值；
基于所述损失值调整所述神经网络模型的参数；
基于训练好的所述神经网络模型预测当前智能体的轨迹。
9.一种模型训练装置，其特征在于，包括：
转换模块，配置为获取智能体的历史轨迹和与所述智能体相关的地图线数据；分别将所述智能体的历史轨迹和所述地图线数据转换至相对坐标系下；其中，所述智能体包括预测智能体和其他智能体，所述其他智能体包括自车，所述相对坐标系的原点位于所述自车的轨迹上；
遮挡模块，配置为对经过转换的预测智能体的历史轨迹中多个连续帧进行遮挡，得到所述预测智能体的目标轨迹；
聚合模块，配置为分别按照时间维度和空间维度，对多个预测智能体的目标轨迹进行聚合，得到预测智能体的时间聚合轨迹和空间聚合轨迹；分别按照时间维度和空间维度，对经过转换的多个其他智能体的历史轨迹进行聚合，得到其他智能体的时间聚合轨迹和空间聚合轨迹；
构建模块，配置为基于多个预测智能体的目标轨迹，分别按照时间维度和空间维度，构建预测智能体的时间mask和空间mask；基于经过转换的多个其他智能体的历史轨迹，分别按照时间维度和空间维度，构建其他智能体的时间mask和空间mask；
训练模块，配置为将多个预测智能体当前所在的位置，所述智能体的时间聚合轨迹、空间聚合轨迹、时间mask和空间mask，以及经过转换的地图线数据输入神经网络模型，得到一阶差分结果；其中，所述神经网络模型基于多头注意力机制，学习轨迹的时间特征和空间特征之间的关系；基于所述一阶差分结果和所述预测智能体当前所在的位置，计算所述预测智能体的预测轨迹；基于所述预测智能体的预测轨迹和历史轨迹，计算损失函数的损失值；基于所述损失值调整所述神经网络模型的参数。
10.一种轨迹预测装置，其特征在于，包括：
转换模块，配置为获取智能体的历史轨迹和与所述智能体相关的地图线数据；分别将所述智能体的历史轨迹和所述地图线数据转换至相对坐标系下；其中，所述智能体包括预测智能体和其他智能体，所述其他智能体包括自车，所述相对坐标系的原点位于所述自车的轨迹上；
遮挡模块，配置为对经过转换的预测智能体的历史轨迹中多个连续帧进行遮挡，得到所述预测智能体的目标轨迹；
聚合模块，配置为分别按照时间维度和空间维度，对多个预测智能体的目标轨迹进行聚合，得到预测智能体的时间聚合轨迹和空间聚合轨迹；分别按照时间维度和空间维度，对经过转换的多个其他智能体的历史轨迹进行聚合，得到其他智能体的时间聚合轨迹和空间聚合轨迹；
构建模块，配置为基于多个预测智能体的目标轨迹，分别按照时间维度和空间维度，构建预测智能体的时间mask和空间mask；基于经过转换的多个其他智能体的历史轨迹，分别按照时间维度和空间维度，构建其他智能体的时间mask和空间mask；
训练模块，配置为将多个预测智能体当前所在的位置，所述智能体的时间聚合轨迹、空间聚合轨迹、时间mask和空间mask，以及经过转换的地图线数据输入神经网络模型，得到一阶差分结果；其中，所述神经网络模型基于多头注意力机制，学习轨迹的时间特征和空间特征之间的关系；基于所述一阶差分结果和所述预测智能体当前所在的位置，计算所述预测智能体的预测轨迹；基于所述预测智能体的预测轨迹和历史轨迹，计算损失函数的损失值；基于所述损失值调整所述神经网络模型的参数；
预测模块，配置为基于训练好的所述神经网络模型预测当前智能体的轨迹。
11.一种电子设备，其特征在于，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权利要求1-8中任一所述的方法。
12.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311468378.XA CN117191068B (zh) | 2023-11-07 | 2023-11-07 | 模型训练方法和装置、轨迹预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311468378.XA CN117191068B (zh) | 2023-11-07 | 2023-11-07 | 模型训练方法和装置、轨迹预测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117191068A CN117191068A (zh) | 2023-12-08 |
| CN117191068B true CN117191068B (zh) | 2024-01-19 |
Family
ID=89003846
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311468378.XA Active CN117191068B (zh) | 2023-11-07 | 2023-11-07 | 模型训练方法和装置、轨迹预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117191068B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112348293A (zh) * | 2021-01-07 | 2021-02-09 | 北京三快在线科技有限公司 | 一种障碍物的轨迹预测方法及装置 |
| CN114117259A (zh) * | 2021-11-30 | 2022-03-01 | 重庆七腾科技有限公司 | 一种基于双重注意力机制的轨迹预测方法及装置 |
| CN115034459A (zh) * | 2022-05-31 | 2022-09-09 | 武汉理工大学 | 一种行人轨迹时间序列预测方法 |
| CN115688019A (zh) * | 2022-09-23 | 2023-02-03 | 西安电子科技大学 | 基于异构数据关联挖掘与度量学习的智能体轨迹预测方法 |
| CN116403176A (zh) * | 2023-03-15 | 2023-07-07 | 大连理工大学 | 基于车道点未来轨迹偏移量辅助监督的车辆轨迹预测方法 |
| CN116749996A (zh) * | 2023-06-01 | 2023-09-15 | 中国第一汽车股份有限公司 | 轨迹预测方法、装置、电子设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3740841A4 (en) * | 2018-01-21 | 2021-10-20 | Stats Llc | SYSTEM AND METHOD FOR MOVEMENT PREDICTION OF MULTIPLE FINE GRANULARITY ADVERSARY AGENTS |
-
2023
- 2023-11-07 CN CN202311468378.XA patent/CN117191068B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112348293A (zh) * | 2021-01-07 | 2021-02-09 | 北京三快在线科技有限公司 | 一种障碍物的轨迹预测方法及装置 |
| CN114117259A (zh) * | 2021-11-30 | 2022-03-01 | 重庆七腾科技有限公司 | 一种基于双重注意力机制的轨迹预测方法及装置 |
| CN115034459A (zh) * | 2022-05-31 | 2022-09-09 | 武汉理工大学 | 一种行人轨迹时间序列预测方法 |
| CN115688019A (zh) * | 2022-09-23 | 2023-02-03 | 西安电子科技大学 | 基于异构数据关联挖掘与度量学习的智能体轨迹预测方法 |
| CN116403176A (zh) * | 2023-03-15 | 2023-07-07 | 大连理工大学 | 基于车道点未来轨迹偏移量辅助监督的车辆轨迹预测方法 |
| CN116749996A (zh) * | 2023-06-01 | 2023-09-15 | 中国第一汽车股份有限公司 | 轨迹预测方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 分层并行计算模型;陈国良等;《中国科学技术大学学报》;第38卷(第7期);第841-846页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117191068A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021249071A1 (zh) | 一种车道线的检测方法及相关设备 | |
| CN115326099B (zh) | 局部路径规划方法、装置、电子设备和计算机可读介质 | |
| CN112328731B (zh) | 车辆车道级定位方法、装置、电子设备和计算机可读介质 | |
| JP2023536025A (ja) | 路車協調における目標検出方法、装置及び路側機器 | |
| CN109697393A (zh) | 人物跟踪方法、装置、电子装置及计算机可读介质 | |
| CN114387410B (zh) | 道路数据融合的地图生成方法、装置以及电子设备 | |
| CN115761702B (zh) | 车辆轨迹生成方法、装置、电子设备和计算机可读介质 | |
| CN110704491B (zh) | 数据查询方法和装置 | |
| CN114140759A (zh) | 高精地图车道线位置确定方法、装置及自动驾驶车辆 | |
| CN115471805A (zh) | 点云处理和深度学习模型训练方法、装置及自动驾驶车辆 | |
| CN115817463A (zh) | 车辆避障方法、装置、电子设备和计算机可读介质 | |
| CN112917467A (zh) | 机器人的定位及地图构建方法、装置及终端设备 | |
| CN113673446A (zh) | 图像识别方法、装置、电子设备和计算机可读介质 | |
| CN117191068B (zh) | 模型训练方法和装置、轨迹预测方法和装置 | |
| CN114724116B (zh) | 车辆通行信息生成方法、装置、设备和计算机可读介质 | |
| CN114429631B (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
| CN113780247B (zh) | 红绿灯检测方法、装置、电子设备和计算机可读介质 | |
| CN115782919A (zh) | 信息感知方法、装置及电子设备 | |
| CN114119973A (zh) | 一种基于图像语义分割网络的空间距离预测方法及系统 | |
| CN116558541B (zh) | 模型训练方法和装置、轨迹预测方法和装置 | |
| CN116558540B (zh) | 模型训练方法和装置、轨迹生成方法和装置 | |
| CN116125961B (zh) | 车辆控制指标生成方法、装置、设备和计算机可读介质 | |
| CN112434591B (zh) | 车道线确定方法、装置 | |
| CN105651284A (zh) | 提高经验导航中节点选择效率的方法及装置 | |
| CN116051637A (zh) | Vo可靠性评估方法、模型训练方法、装置、设备及产品 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |