CN117470266A - 轨迹预测方法、装置、电子设备和存储介质 - Google Patents

轨迹预测方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN117470266A
CN117470266A CN202311422895.3A CN202311422895A CN117470266A CN 117470266 A CN117470266 A CN 117470266A CN 202311422895 A CN202311422895 A CN 202311422895A CN 117470266 A CN117470266 A CN 117470266A
Authority
CN
China
Prior art keywords
target
time domain
determining
interest
automatic driving
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
CN202311422895.3A
Other languages
English (en)
Inventor
肖伟
刘浩泉
孙博帆
杨天
樊越海
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.)
Uisee Technologies Beijing Co Ltd
Original Assignee
Uisee Technologies Beijing Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Uisee Technologies Beijing Co Ltd filed Critical Uisee Technologies Beijing Co Ltd
Priority to CN202311422895.3A priority Critical patent/CN117470266A/zh
Publication of CN117470266A publication Critical patent/CN117470266A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3476—Special cost functions, i.e. other than distance or default speed limit of road segments using point of interest [POI] information, e.g. a route passing visible POIs

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开实施例公开了一种轨迹预测方法、装置、电子设备和存储介质，该方法包括：根据自动驾驶车辆在当前时刻的车辆位置、航向、与自动驾驶车辆对应的各动态目标的运动状态信息以及自动驾驶车辆在上一时刻的规划轨迹，确定各动态目标与自动驾驶车辆之间的时间域碰撞风险以及空间域碰撞风险；根据各动态目标对应的时间域碰撞风险以及空间域碰撞风险，确定各动态目标的时空域碰撞风险；将时空域碰撞风险大于预设风险阈值的动态目标确定为自动驾驶车辆的感兴趣目标，并对感兴趣目标进行轨迹预测。本申请公开了在确定感兴趣目标时，结合了自动驾驶车辆在上一时刻的规划轨迹，提高了碰撞风险计算的合理性与可靠性，提高了确定感兴趣目标的准确性。

Description

轨迹预测方法、装置、电子设备和存储介质
技术领域
本公开涉及自动驾驶技术领域，尤其涉及一种轨迹预测方法、装置、电子设备和存储介质。
背景技术
目前，自动驾驶车辆确定动态目标中的感兴趣目标的方法主要以自动驾驶车辆和动态目标当前时刻的运动状态为输入信息，基于简化的运动学模型，估计自动驾驶车辆和动态目标在未来时间域的运动状态，以度量自动驾驶车辆与动态目标之间的碰撞风险，进而，确定感兴趣目标。
上述过程高度依赖于自动驾驶车辆和动态目标在当前时刻的运动状态信息，忽略了自动驾驶车辆在上一时刻的规划轨迹对自动驾驶车辆后续行进的影响，因此，会存在碰撞风险误差较大的问题，进而，导致感兴趣目标确定不准确以及轨迹预测的实时性差的问题。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开实施例提供了一种轨迹预测方法、装置、电子设备和存储介质，在以自动驾驶车辆和动态目标在当前时刻的运动状态信息的基础上，结合自动驾驶车辆在上一时刻的规划轨迹，提高碰撞风险计算的合理性与可靠性，进而，提高感兴趣目标确定的准确性以及对感兴趣目标的轨迹预测的准确性。
第一方面，本公开实施例提供了一种轨迹预测方法，该方法包括：
根据自动驾驶车辆在当前时刻的车辆位置、航向、与所述自动驾驶车辆对应的各动态目标的运动状态信息以及所述自动驾驶车辆在上一时刻的规划轨迹，确定各动态目标与所述自动驾驶车辆之间的时间域碰撞风险以及空间域碰撞风险；
根据各动态目标对应的时间域碰撞风险以及空间域碰撞风险，确定各动态目标的时空域碰撞风险；
将所述时空域碰撞风险大于预设风险阈值的动态目标确定为所述自动驾驶车辆的感兴趣目标，并对所述感兴趣目标进行轨迹预测。
第二方面，本公开实施例还提供了一种轨迹预测装置，该装置包括：
时间域碰撞风险以及空间域碰撞风险确定模块，用于根据自动驾驶车辆在当前时刻的车辆位置、航向、与所述自动驾驶车辆对应的各动态目标的运动状态信息以及所述自动驾驶车辆在上一时刻的规划轨迹，确定各动态目标与所述自动驾驶车辆之间的时间域碰撞风险以及空间域碰撞风险；
时空域碰撞风险确定模块，用于根据各动态目标对应的时间域碰撞风险以及空间域碰撞风险，确定各动态目标的时空域碰撞风险；
感兴趣目标轨迹预测模块，用于将所述时空域碰撞风险大于预设风险阈值的动态目标确定为所述自动驾驶车辆的感兴趣目标，并对所述感兴趣目标进行轨迹预测。
第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：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所述的轨迹预测方法。
第四方面，本公开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上所述的轨迹预测方法。
本公开实施例提供的一种轨迹预测方法，通过根据自动驾驶车辆在当前时刻的车辆位置、航向、与自动驾驶车辆对应的各动态目标的运动状态信息以及自动驾驶车辆在上一时刻的规划轨迹，确定各动态目标与自动驾驶车辆之间的时间域碰撞风险以及空间域碰撞风险，以在时间域和空间域上分别进行分析，进而，根据各动态目标对应的时间域碰撞风险以及空间域碰撞风险，确定各动态目标的时空域碰撞风险，以融合时间域和空间域进行综合分析，将时空域碰撞风险大于预设风险阈值的动态目标确定为自动驾驶车辆的感兴趣目标，并对感兴趣目标进行轨迹预测，实现了在自动驾驶车辆和动态目标在当前时刻的运动状态信息的基础上，结合自动驾驶车辆在上一时刻的规划轨迹，提高碰撞风险计算的合理性与可靠性，进而，提高感兴趣目标确定的准确性以及对感兴趣目标的轨迹预测的准确性。
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为本公开实施例中的一种轨迹预测方法的流程图；
图2为本公开实施例中的一种获取感兴趣目标隐式状态特征的示意图；
图3为本公开实施例中的一种用于获取感兴趣目标-邻近目标空间交互特征的示意图；
图4为本公开实施例中的一种用于获取感兴趣目标-局部地图空间交互特征的示意图；
图5为本公开实施例中的一种获取各分段时域对应的分段时域轨迹的示意图；
图6为本公开实施例中的一种轨迹预测装置的结构示意图；
图7为本公开实施例中的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
针对现有技术在自动驾驶系统预测模块中多动态目标未来轨迹同时预测实时性差的问题，本公开基于时空域碰撞风险分析，将自动驾驶车辆周边的动态目标划分为感兴趣目标和不感兴趣目标两大类，针对不感兴趣目标，采用简化的运动学模型预测未来轨迹，针对感兴趣目标，采用高精度深度学习模型预测未来轨迹，以改善预测模块的实时性。针对现有技术在利用碰撞风险分析选择感兴趣目标时过度依赖于当前时刻运动状态，忽视自动驾驶系统在上一时刻的规划轨迹的问题，本公开融合自动驾驶车辆在上一时刻的规划轨迹与当前时刻的运动状态，以及动态目标的当前时刻的运动状态，进行时空域碰撞风险，以确保感兴趣目标选择合理，简化不感兴趣目标的轨迹预测对自动驾驶车辆的行驶安全性无影响。针对现有技术主要依赖某一特定的固定时间长度的历史信息进行感兴趣目标以及其邻近目标的历史运动状态的编码，存在信息损失以及信息利用率低的问题，本公开使用多种不同时间长度的历史时间域分别编码相应的隐式状态特征，然后融合得到感兴趣目标以及其邻近目标的特征向量，以改善历史信息的利用率，优化轨迹预测精度。针对现有技术依赖单一的上下文向量进行长时域轨迹解码预测，存在信息利用率低，预测误差随着预测时间域变长而快速增长的问题，本公开将长时域内的轨迹预测任务分解为多个分段时域内的轨迹预测子任务，基于感兴趣目标隐式状态特征、感兴趣目标-邻近目标空间交互特征以及感兴趣目标-局部地图空间交互特征构建感兴趣目标的局部区域语义特征，并将局部区域语义特征与上一个分段时域末端时刻的预测位置相关的特征进行融合，作为当前分段时域的轨迹预测解码器的输入，利用时序关系，将预测位置与局部区域语义特征深度融合，降低位置预测的不确定性，改善轨迹预测精度。
本公开实施例提供了一种轨迹预测方法，在自动驾驶车辆和动态目标在当前时刻的运动状态信息的基础上，结合自动驾驶车辆在上一时刻的规划轨迹，提高碰撞风险计算的合理性与可靠性，进而，提高感兴趣目标确定的准确性以及对感兴趣目标的轨迹预测的准确性。
图1为本公开实施例中的一种轨迹预测方法的流程图。该方法可以由轨迹预测装置执行，该装置可以采用软件和/或硬件的方式实现，该装置可配置于电子设备中。
如图1所示，该方法具体可以包括如下步骤：
S110、根据自动驾驶车辆在当前时刻的车辆位置、航向、与自动驾驶车辆对应的各动态目标的运动状态信息以及自动驾驶车辆在上一时刻的规划轨迹，确定各动态目标与自动驾驶车辆之间的时间域碰撞风险以及空间域碰撞风险。
其中，自动驾驶车辆是当前车辆，是执行后续轨迹预测流程的车辆。动态目标是自动驾驶车辆周围的其他机动车，非机动车，行人等。运动状态信息是用于描述动态目标的运动状态的信息，例如速度、航向角、位置等。规划轨迹是自动驾驶车辆根据导航或者其他车辆功能规划的车辆后续行驶轨迹，即自动驾驶车辆在环境感知模块以及定位导航模块信息输入下，考虑自动驾驶车辆与行驶环境中动静态障碍物之间的相对时空间位置关系以及交通规则的影响，所规划出的自动驾驶车辆在未来一段时间内的行驶轨迹。时间域碰撞风险是以时间相关的风险指标度量得到的碰撞风险。空间域碰撞风险是以空间上的距离为指标度量得到的碰撞风险。
具体的，根据各动态目标的运动状态信息，可以通过简单的运动学模型预测出未来一段时间内的运动轨迹，将这些运动轨迹和自动驾驶车辆在上一时刻的规划轨迹进行比较，得到各动态目标与自动驾驶车辆之间的时间域碰撞风险。根据自动驾驶车辆在当前时刻的车辆位置和航向，自动驾驶车辆对应的各动态目标的运动状态信息中的位置，可以确定自动驾驶车辆和各动态目标在当前时刻的空间域碰撞风险。
在上述示例的基础上，可以通过下述方式来根据自动驾驶车辆在当前时刻的车辆位置、航向、与自动驾驶车辆对应的各动态目标的运动状态信息以及自动驾驶车辆在上一时刻的规划轨迹，确定各动态目标与自动驾驶车辆之间的时间域碰撞风险以及空间域碰撞风险：
针对每个动态目标，根据动态目标在当前时刻的运动状态信息，结合运动学模型，确定动态目标在未来时间域内的简化预测轨迹，并根据简化预测轨迹、自动驾驶车辆在上一时刻的规划轨迹以及预设碰撞空间距离阈值，确定碰撞时间；
根据碰撞时间，确定动态目标的时间域碰撞风险；
以自动驾驶车辆在当前时刻的车辆位置为原点，以自动驾驶车辆在当前时刻的航向为纵轴正方向，建立自动驾驶车辆的局部坐标系，根据动态目标在自动驾驶车辆的局部坐标系中的横坐标和纵坐标，确定侧向碰撞风险以及纵向碰撞风险；
将纵向碰撞风险与侧向碰撞风险的乘积，确定为动态目标的空间域碰撞风险。
其中，运动状态信息包括动态目标在全局坐标系下的纵向位置、侧向位置、航向角以及速度。未来时间域是预先设定的对各动态目标进行简单的轨迹预测的时间段。简化预测轨迹是基于简化的运动学模型(如：一维匀速运动学模型)对各动态目标的预测轨迹。碰撞时间是简化预测轨迹和自动驾驶车辆在上一时刻的规划轨迹之间距离第一次小于预设碰撞空间距离阈值的时刻与当前时刻的差值。预设碰撞空间距离阈值是预先设定的自动驾驶车辆与动态目标可能会发生碰撞的距离值。侧向碰撞风险是各动态目标在自动驾驶车辆的航向的垂直方向上的碰撞风险，即是以自动驾驶车辆局部坐标系下动态目标与自动驾驶车辆侧向间距为风险指标映射后得到的碰撞风险。纵向碰撞风险是各动态目标在自动驾驶车辆的航向方向上的碰撞风险，即是以自动驾驶车辆局部坐标系下动态目标与自动驾驶车辆纵向间距为风险指标映射后得到的碰撞风险。
具体的，针对每个动态目标，根据该动态目标在当前时刻的运动状态信息，通过运动学模型，构建该动态目标在未来时间域内的简化预测轨迹。进而，按照时间顺序对简化预测轨迹和自动驾驶车辆在上一时刻的规划轨迹进行逐点匹配，判断是否存在同一时刻自动驾驶车辆与该动态目标之间的距离小于预设碰撞空间距离阈值的情况，将第一次小于预设碰撞空间距离阈值的时刻与当前时刻的差值确定为碰撞时间。对碰撞时间进行碰撞风险表征，例如通过指数函数形式对碰撞时间进行映射，可以得到该动态目标的时间域碰撞风险。以自动驾驶车辆在当前时刻的车辆位置为原点，以自动驾驶车辆在当前时刻的航向为纵轴正方向，建立自动驾驶车辆的局部坐标系。进而，可以确定动态目标在自动驾驶车辆的局部坐标系中的横坐标和纵坐标。根据对动态目标的横坐标进行碰撞风险表征，例如通过指数函数形式对动态目标的横坐标进行映射，可以得到该动态目标的侧向域碰撞风险，根据对动态目标的纵坐标进行碰撞风险表征，例如通过指数函数形式对动态目标的纵坐标进行映射，可以得到该动态目标的纵向域碰撞风险。进一步的，将纵向碰撞风险与侧向碰撞风险的乘积，确定为动态目标的空间域碰撞风险。
示例性的，由自动驾驶车辆的环境感知模块获取在当前时刻t0时，各动态目标obji(1≤i≤n，n为自动驾驶车辆对应的动态目标的数量)在自动驾驶车辆的全局坐标系Fglobal下的纵向位置侧向位置/>航向角/>以及速度/>由自动驾驶车辆的定位模块获取自动驾驶车辆在当前时刻t0时，在全局坐标系Fglobal下的纵向位置侧向位置/>和航向角/>由自动驾驶车辆的决策规划模块获取自动驾驶车辆上一时刻在全局坐标系Fglobal下的规划轨迹/> t∈[t0-Δt,t0+tp-Δt]，tp为轨迹规划对应的时域长度，Δt为采样时间间隔。基于简化的运动学模型(以一维匀速运动学模型为例)，结合各动态目标obji在当前时刻t0时的运动状态，预测各动态目标obji在未来时间域[t0,t0+tp]内在全局坐标系Fglobal下的简化预测轨迹 其中，/> t∈[t0,t0+tp]，一维匀速运动学模型如下所示：
利用各动态目标obji在未来时间域[t0,t0+tp]内的简化预测轨迹和自动驾驶车辆上一时刻在时间段[t0-Δt,t0+tp-Δt]内的规划轨迹/>依次在t＝t0,t0+Δt,t0+2Δt,…,t0+tp-Δt各时刻判断各动态目标obji与自动驾驶车辆的间距是否小于预设碰撞空间距离阈值d0。若存在某时刻t0+tc∈[t0,t0+tp-Δt]的间距小于预设碰撞空间距离阈值d0，则确定碰撞时间ttc＝tc；否则，设置碰撞时间ttc＝tp。采用指数函数形式表征时间域碰撞风险与风险指标碰撞时间ttc之间的映射关系，时间域碰撞风险通过下述方式确定：
其中，σttc为时间域预定义参数，是预先设定的参数，与驾驶员(各动态目标)的反应时间、自动驾驶系统环境感知、决策规划以及运动控制系统的耗时以及驾驶风格设定相关。
以自动驾驶车辆当前时刻在全局坐标系Fglobal的位置 为局部坐标系Fego原点，以其在全局坐标系Fglobal下的航向/>为局部坐标系y轴(纵轴)建立局部坐标系Fego，将各动态目标obji在全局坐标系Fglobal下的位置/>转换为局部坐标系Fego下的位置/>采用指数函数形式，表征纵向碰撞风险与纵向间距(纵坐标)、侧向碰撞风险与侧向间距(横坐标)之间的关系，纵向碰撞风险和侧向碰撞风险/>通过下述方式确定：
其中，σlon和σlat为预定义侧向参数和预定义纵向参数，是预先设定的参数，该参数设置与行驶场景类别、环境感知范围相关
进一步的，空间域碰撞风险为纵向碰撞风险与侧向碰撞风险的乘积，即
S120、根据各动态目标对应的时间域碰撞风险以及空间域碰撞风险，确定各动态目标的时空域碰撞风险。
其中，时空域碰撞风险是融合时间域碰撞风险以及空间域碰撞风险的结果。
具体的，通过预先设定的融合方式(例如求和、加权求和等)对各动态目标对应的时间域碰撞风险和空间域碰撞风险进行处理，得到各动态目标的时空域碰撞风险。
示例性的，将时间域碰撞风险和空间域碰撞风险加权融合得到时空域碰撞风险：
其中，为第i个动态目标的时空域碰撞风险，/>为第i个动态目标的空间域碰撞风险，/>为预先设定的空间域权重系数，/>为第i个动态目标的时间域碰撞风险，/>为预先设定的时间域权重系数，1≤i≤n，n为自动驾驶车辆对应的动态目标的数量。
在上述示例的基础上，在确定各动态目标的时空域碰撞风险之后，还可以对下述各情况的时空域碰撞风险进行修正：
若动态目标在自动驾驶车辆的局部坐标系中的纵坐标小于零且动态目标的运动方向与自动驾驶车辆的运动方向相反，则将动态目标的时空域碰撞风险确定为0；
若动态目标在自动驾驶车辆的局部坐标系中的纵坐标小于零、动态目标的运动方向与自动驾驶车辆的运动方向相同、动态目标的速度小于自动驾驶车辆的速度且速度差值大于预设速度阈值，则将动态目标的时空域碰撞风险确定为0。
其中，预设速度阈值为预先设定的用于判断动态目标与自动驾驶车辆是否有碰撞风险的速度差值。
具体的，若动态目标在自动驾驶车辆的局部坐标系中的纵坐标小于零，则表明动态目标在自动驾驶车辆的后方(以行进方向为前方)。在此基础上，若动态目标的运动方向与自动驾驶车辆的运动方向相反，则表明动态目标与自动驾驶车辆沿相反的方向运动，不会发生碰撞，因此将动态目标的时空域碰撞风险确定为0；若动态目标的运动方向与自动驾驶车辆的运动方向相同、动态目标的速度小于自动驾驶车辆的速度且速度差值大于预设速度阈值，则表明动态目标与自动驾驶车辆虽然是沿相同的方向运动，但是，动态目标会落后自动驾驶车辆越来越远，不会发生碰撞，因此将动态目标的时空域碰撞风险确定为0。上述修正方式，参考了人类驾驶过程中对行驶环境中动态目标的选择性注意力机制，对动态目标的时空域碰撞风险进行修正，剔除部分与自动驾驶车辆的行驶任务无关的动态目标，使选择感兴趣目标的结果类似自然驾驶过程。
S130、将时空域碰撞风险大于预设风险阈值的动态目标确定为自动驾驶车辆的感兴趣目标，并对感兴趣目标进行轨迹预测。
其中，预设风险阈值为预先设定的用于区分感兴趣目标和不感兴趣目标的阈值。感兴趣目标为有较大碰撞风险的动态目标。不感兴趣目标为有较小或没有碰撞风险的动态目标。
具体的，若动态目标的时空域碰撞风险大于预设风险阈值，则确定该动态目标为感兴趣目标。由于感兴趣目标对于自动驾驶车辆来说，具有较大的碰撞风险，因此，对感兴趣目标进行更精准的轨迹预测。
在上述示例的基础上，若动态目标的时空域碰撞风险不大于预设风险阈值，则可以通过下述方式处理：
将时空域碰撞风险不大于预设风险阈值的动态目标确定为不感兴趣目标；
针对每个不感兴趣目标，将不感兴趣目标在未来时间域内的简化预测轨迹，确定为不感兴趣目标的目标预测轨迹。
其中，不感兴趣目标的目标预测轨迹是对不感兴趣目标进行轨迹预测的结果，对不感兴趣目标使用的轨迹预测的模型可以是简化的运动学模型。
具体的，若动态目标的时空域碰撞风险不大于预设风险阈值，则确定该动态目标为不感兴趣目标。针对每个不感兴趣目标，将前述确定的不感兴趣目标在未来时间域内的简化预测轨迹，作为该不感兴趣目标的目标预测轨迹。
可以理解的是，通过时空域碰撞风险分析，精准地将自动驾驶车辆对应的动态目标划分为感兴趣目标和不感兴趣目标两大类，改善感兴趣目标选择的合理性。由简化的运动学模型和深度学习模型构成轨迹预测混合多模型框架，针对不感兴趣目标，采用简化的运动学模型预测得到短时域未来轨迹，即为不感兴趣目标的目标预测轨迹；针对感兴趣目标，采用高精度的深度学习模型预测长时域未来轨迹，即为感兴趣目标的目标预测轨迹，利用轨迹预测混合多模型框架针对性地对感兴趣目标与不感兴趣目标选择不同的轨迹预测模型进行轨迹预测，兼顾实时性与行驶安全性。
在上述示例的基础上，可以通过下述方式来对感兴趣目标进行轨迹预测，以增强轨迹预测的精度：
步骤一、针对每个感兴趣目标，确定感兴趣目标对应的局部区域以及局部区域内与感兴趣目标对应的各邻近目标，根据感兴趣目标在每个历史时间域内的目标输入特征，确定感兴趣目标隐式状态特征，并根据各邻近目标在每个历史时间域内的邻近输入特征，确定各邻近目标隐式状态特征。
其中，历史时间域为预先确定的从当前时刻向前不同时长的时域。历史时间域的数量为至少两个。目标输入特征为感兴趣目标的特征。目标输入特征包括感兴趣目标在感兴趣目标的局部坐标系下的纵向位置、侧向位置、航向角、速度以及类别。感兴趣目标隐式状态特征是对感兴趣目标在历史时间域内的目标输入特征进行进一步的运动时序特性编码所得到的特征，是用于描述感兴趣目标的运动时序特征。局部区域是以感兴趣目标为中心构建的区域。邻近目标是局部区域中除感兴趣目标之外的其他目标，可以是动态目标，也可以是静态目标。邻近输入特征为邻近目标的特征以及邻近目标相对于感兴趣目标的特征。邻近输入特征包括邻近目标在感兴趣目标的局部坐标系下的纵向位置、侧向位置、航向角、速度、类别、邻近目标与感兴趣目标的相对纵向位置、相对横向位置、相对航向角以及相对速度。邻近目标隐式状态特征是对邻近目标在历史时间域内的邻近输入特征进行进一步的运动时序特性编码所得到的特征，是用于描述邻近目标的运动时序特征。
具体的，针对每个感兴趣目标，以该感兴趣目标为中心，根据预设区域参数(如局部区域形状以及局部区域面积等)，构建以感兴趣目标为中心的局部区域，并将局部区域中除感兴趣目标外的其他目标作为邻近目标。对感兴趣目标在各历史时间域内的目标输入特征进行运动时序编码，可以得到感兴趣目标在每个历史时间域内的隐式状态特征，并将这些隐式状态特征进行融合，得到感兴趣目标隐式状态特征。针对每个邻近目标，也可以使用类似的方式进行处理，具体是：对邻近目标在各历史时间域内的邻近输入特征进行运动时序编码，可以得到邻近目标在每个历史时间域内的隐式状态特征，并将这些隐式状态特征进行融合，得到邻近目标隐式状态特征。
传统的运动时序特征编码过程使用单一时域长度的历史时间域，当感兴趣目标以及感兴趣目标的邻近目标进入自动驾驶车辆感知范围内的时刻不同，存在信息丢失的情况，影响后续轨迹预测，因此，使用多种不同时域长度的历史时间域分别进行运动时序特征的编码，可改善历史信息的利用率。
可选的，将以感兴趣目标obji为中心的特定空间范围构建为局部区域，局部区域内除感兴趣目标外的所有目标objj,h＝1,…,Ni(包括动态目标以及静态目标，同类型以及不同类型，Ni为第i个感兴趣目标对应的邻近目标的数量)均视为邻近目标。以感兴趣目标obji在当前时刻t0在全局坐标系Fglobal下的位置 为局部坐标系原点，感兴趣目标obji在当前时刻t0在全局坐标系Fglobal下的航向为局部坐标系/>的x轴构建局部坐标系/>
可选的，若历史时间域包括第一历史时间域以及第二历史时间域，则可以通过下述方式来根据感兴趣目标在每个历史时间域内的目标输入特征，确定感兴趣目标隐式状态特征：
根据感兴趣目标在第一历史时间域内的目标输入特征，确定第一隐式状态特征；根据感兴趣目标在第二历史时间域内的目标输入特征，确定第二隐式状态特征；将第一隐式状态特征与第二隐式状态特征的融合结果，确定为感兴趣目标的感兴趣目标隐式状态特征。
其中，第一历史时间域为当前时刻与第一历史时域长度的差值至当前时刻的时间域，第二历史时间域为当前时刻与第二历史时域长度的差值至当前时刻的时间域，第一历史时域长度大于第二历史时域长度。第一隐式状态特征是对感兴趣目标在第一历史时间域内的目标输入特征进行进一步的运动时序特性编码所得到的特征。第二隐式状态特征是对感兴趣目标在第二历史时间域内的目标输入特征进行进一步的运动时序特性编码所得到的特征。
具体的，对感兴趣目标在第一历史时间域内的目标输入特征进行运动时序编码，可以得到感兴趣目标的第一隐式状态特征，对感兴趣目标在第二历史时间域内的目标输入特征进行运动时序编码，可以得到感兴趣目标的第二隐式状态特征。进而，对第一隐式状态特征和第二隐式状态特征进行特征融合，将融合结果作为感兴趣目标的感兴趣目标隐式状态特征。
需要说明的是，确定各邻近目标的邻近目标隐式状态特征与确定感兴趣目标的感兴趣目标隐式状态特征的方式相同，在此不做赘述。
示例性的，获取感兴趣目标obji在局部坐标系下多个不同历史时域长度的历史时间域(以2个不同长度的历史时间域为例进行说明，第一历史时间域/> 以及第二历史时间域/> t0为当前时刻，/>为第一历史时域长度，/>为第二历史时域长度，Δt为采样时间间隔)内的目标输入特征/> 获取感兴趣目标obji对应的各邻近目标objj在局部坐标系/>下多个不同历史时域长度的历史时间域内的邻近输入特征/> 首先，针对感兴趣目标obji或者每个邻近目标objj，在多个不同时间长度的历史时间域通道，分别利用全连接层FC在各历史时间域内每一时刻进行特征嵌入，并使用时序网络(如RNN、LSTM、GRU等)提取历史运动时序信息得到隐式状态特征，然后融合多通道的隐式状态特征得到多时间尺度下的感兴趣目标隐式状态特征/>或者邻近目标隐式状态特征/>获取感兴趣目标隐式状态特征的示意图如图2所示。其中，目标输入特征与邻近输入特征的维度不同，邻近输入特征中包含每一时刻相对感兴趣目标的运动信息/> 为感兴趣目标的类别信息和/>为邻近目标的类别信息，(如机动车、非机动车、行人等)。获取感兴趣目标隐式状态特征与邻近目标隐式状态特征的历史运动时序特性编码架构类似，仅输入信息不同。
步骤二、根据感兴趣目标隐式状态特征、各邻近目标隐式状态特征以及各邻近目标相对于感兴趣目标的相对位姿信息，确定感兴趣目标-邻近目标空间交互特征。
其中，各邻近目标相对于感兴趣目标的相对位姿信息包括相对位置信息以及相对航向信息。感兴趣目标-邻近目标空间交互特征是感兴趣目标与邻近目标的空间交互特征。
具体的，根据预先设定的空间交互特征提取方式(如注意力机制)对感兴趣目标隐式状态特征、各邻近目标隐式状态特征以及各邻近目标相对于感兴趣目标的相对位姿信息进行处理，得到感兴趣目标-邻近目标空间交互特征。
可选的，可以通过下述方式来根据感兴趣目标隐式状态特征、各邻近目标隐式状态特征以及各邻近目标相对于感兴趣目标的相对位姿信息，确定感兴趣目标-邻近目标空间交互特征：
针对每个邻近目标，根据第一注意力机制对感兴趣目标隐式状态特征、邻近目标的邻近目标隐式状态特征以及邻近目标相对于感兴趣目标的相对位姿信息进行处理，得到邻近目标相对于感兴趣目标的第一注意力系数；根据各第一注意力系数以及各邻近目标隐式状态特征，确定感兴趣目标-邻近目标空间交互特征。
其中，第一注意力机制可以是图注意力机制、单头注意力机制、多头注意力机制等，用于确定邻近目标相对于感兴趣目标的第一注意力系数。第一注意力系数为第一注意力机制的输出结果。
具体的，基于第一注意力机制对感兴趣目标隐式状态特征、邻近目标的邻近目标隐式状态特征以及邻近目标相对于感兴趣目标的相对位姿信息进行处理，将处理结果作为邻近目标相对于感兴趣目标的第一注意力系数。根据第一注意力系数对各邻近目标隐式状态特征进行处理，得到感兴趣目标-邻近目标空间交互特征。
示例性的，如图3所示的用于获取感兴趣目标-邻近目标空间交互特征的示意图，以感兴趣目标和各邻近目标为图的节点，在感兴趣目标obji与邻近目标objj之间使用边进行连接，构建面向感兴趣目标轨迹预测的稀疏形式交通图。图3中节点特征为经过时序提取后的局部区域中感兴趣目标隐式状态特征或者邻近目标隐式状态特征/>边特征eij为当前时刻邻近目标objj相对感兴趣目标obji的相对位姿信息/>的特征嵌入。采用图注意力机制，计算邻近目标objj与感兴趣目标obji之间的第一注意力系数，进而，聚合各邻近目标隐式状态特征，实现感兴趣目标obji与其邻近目标objj之间的空间交互关系的提取，得到感兴趣目标-邻近目标空间交互特征/>
其中，αij为感兴趣目标obji与邻近目标objj之间的第一注意力系数，j＝1,…,Ni，Ni为第i个感兴趣目标对应的邻近目标的数量，为感兴趣目标obji的感兴趣目标隐式状态特征，/>为邻近目标objj的邻近目标隐式状态特征，eij为邻近目标objj相对于感兴趣目obji标的相对位姿信息，a1[·]为单一输出型全连接层网络，将特征向量映射为实数，W1为全连接层网络，σ1(·)为sigmoid函数。
步骤三、根据感兴趣目标隐式状态特征、局部区域内的各道路节点的局部地图节点特征、感兴趣目标-邻近目标空间交互特征以及各道路节点相对于感兴趣目标的相对位姿信息，确定感兴趣目标-局部地图空间交互特征。
其中，道路节点是局部区域内预先定义的道路上的各节点。局部地图节点特征为道路节点在感兴趣目标对应的局部坐标系中的属性特征，属性特征可以包括几何属性和车道语义属性。各道路节点相对于感兴趣目标的相对位姿信息包括相对位置信息以及相对航向信息。感兴趣目标-局部地图空间交互特征是感兴趣目标与道路节点的空间交互特征。
具体的，根据预先设定的空间交互特征提取方式(如注意力机制)对感兴趣目标隐式状态特征、局部区域内的各道路节点的局部地图节点特征、感兴趣目标-邻近目标空间交互特征以及各道路节点相对于感兴趣目标的相对位姿信息进行处理，得到感兴趣目标-局部地图空间交互特征。
可选的，可以通过下述方式来根据感兴趣目标隐式状态特征、局部区域内的各道路节点的局部地图节点特征、感兴趣目标-邻近目标空间交互特征以及各道路节点相对于感兴趣目标的相对位姿信息，确定感兴趣目标-局部地图空间交互特征：
针对局部区域内的每个道路节点，根据第二注意力机制对感兴趣目标隐式状态特征、局部区域内的各道路节点的局部地图节点特征、感兴趣目标-邻近目标空间交互特征以及各道路节点相对于感兴趣目标的相对位姿信息进行处理，得到道路节点相对于感兴趣目标的第二注意力系数；根据各第二注意力系数以及各局部地图节点特征，确定感兴趣目标-局部地图空间交互特征。
其中，第二注意力机制可以是图注意力机制、单头注意力机制、多头注意力机制等，用于确定道路节点相对于感兴趣目标的第二注意力系数。第二注意力系数为第二注意力机制的输出结果。
具体的，基于第二注意力机制对感兴趣目标隐式状态特征、局部区域内的各道路节点的局部地图节点特征、感兴趣目标-邻近目标空间交互特征以及各道路节点相对于感兴趣目标的相对位姿信息进行处理，将处理结果作为道路节点相对于感兴趣目标的第二注意力系数。根据第二注意力系数对各局部地图节点特征进行处理，得到感兴趣目标-局部地图空间交互特征。
示例性的，局部地图信息由局部区域中不同路段上的道路节点表示，每一个道路节点wayk,k＝1,2,…,Mi对应属性信息，既包含几何属性(位置、朝向)，同时包含车道语义属性(方向、是否位于交叉路口、是否有交通信号灯等)。将局部区域覆盖下的各道路节点的属性信息在局部坐标系下进行特征嵌入，得到局部地图节点特征/>如图4所示的用于获取感兴趣目标-局部地图空间交互特征的示意图，以感兴趣目标obji和各道路节点wayk为图的节点，在感兴趣目标obji与道路节点wayk之间使用边进行连接，构建稀疏形式的图。图4中感兴趣目标obji对应的节点特征为经过时序提取后的感兴趣目标隐式状态特征/>与感兴趣目标-邻近目标空间交互特征/>的融合/>道路节点wayk对应的局部地图节点特征为/>边特征/>为当前时刻局部地图中道路节点wayk相对感兴趣目标obji的相对位姿信息/>的特征嵌入。采用图注意力机制，计算感兴趣目标obji与道路节点wayk之间的第二注意力系数，进而聚合各道路节点的特征，实现感兴趣目标obji与局部地图的各道路节点wayk之间的空间交互关系的提取，得到感兴趣目标-局部地图空间交互特征/>
其中，βik为感兴趣目标obji与道路节点wayk之间的第二注意力系数，k＝1,…,Mi，Mi为第i个感兴趣目标对应的局部区域中道路节点的数量，为感兴趣目标obji的感兴趣目标隐式状态特征/>与感兴趣目标-邻近目标空间交互特征/>的融合，/>为道路节点wayk的局部地图节点特征，eik为道路节点wayk相对于感兴趣目obji标的相对位姿信息，a2[·]为单一输出型全连接层网络，将特征向量映射为实数；W2为全连接层网络；σ2(·)为sigmoid函数。
步骤四、根据感兴趣目标隐式状态特征、感兴趣目标-邻近目标空间交互特征以及感兴趣目标-局部地图空间交互特征，确定感兴趣目标的局部区域语义特征。
其中，局部区域语义特征是针对感兴趣目标确定的在局部区域内的语义特征。
具体的，将感兴趣目标隐式状态特征、感兴趣目标-邻近目标空间交互特征以及感兴趣目标-局部地图空间交互特征进行聚合，得到感兴趣目标的局部区域语义特征。
示例性的，将感兴趣目标obji的感兴趣目标隐式状态特征感兴趣目标-邻近目标空间交互特征/>以及感兴趣目标-局部地图空间交互特征/>进行聚合得到以感兴趣目标obji为中心的局部区域语义特征/>
步骤五、根据局部区域语义特征以及长时域内的各分段时域对应的预设分段时域解码器，确定各分段时域对应的分段时域轨迹，并根据各分段时域轨迹，确定感兴趣目标在长时域内的目标预测轨迹。
其中，长时域为预先定义的对感兴趣目标进行轨迹预测的时段。分段时域是将长时域进行分段后得到的各时段。预设分段时域解码器是与分段时域相对应的轨迹预测解码器，每个分段时域对应一个预设分段时域解码器。分段时域轨迹是分段时域内的轨迹预测结果。
具体的，将局部区域语义特征分别输入到长时域内的各分段时域对应的预设分段时域解码器中，作为预设分段时域解码器的一个输入。除去第一个预设分段时域解码器，每个预设分段解码器还需要上一个预设分段解码器的时序特征输出作为每个预设分段解码器另一个输入。据此，可以得到各预设分段解码器输出的分段时域轨迹，并将这些分段时域轨迹按照时序拼接，得到感兴趣目标在长时域内的目标预测轨迹。
可以理解的是，各预设分段解码器是联合训练的，但是，各预设分段解码器内部的参数是不同的。针对传统的解码过程利用单一的上下文向量进行长时域的轨迹预测，存在信息利用率低且影响轨迹预测精度的问题，上述方式在轨迹预测解码时，将长时域轨迹预测递归分解为多个分段时域的轨迹预测，可有效改善长时域轨迹预测的精度。
示例性的，t0为当前时刻，Δt为采样时间间隔，将长时域[t0+Δt，t0+tp]分解为Np个分段时域的拼接： 其中，长时域的长度tp、分段时域的长度ts以及分段时域的数量Np之间满足：/>
可选的，可以通过下述方式来根据局部区域语义特征以及长时域内的各分段时域对应的预设分段时域解码器，确定各分段时域对应的分段时域轨迹：
将长时域内的第一个分段时域作为当前分段时域，并将局部区域语义特征作为当前解码器输入，并判断当前分段时域是否为长时域内的最后一个分段时域；若否，则根据当前分段时域对应的预设分段时域解码器对当前解码器输入进行处理，得到分段时域轨迹以及输出隐式状态特征，并将当前分段时域的下一个分段时域作为新的当前分段时域，将局部区域语义特征和输出隐式状态特征的融合特征作为新的当前解码器输入，返回执行判断当前分段时域是否为长时域内的最后一个分段时域的步骤；若是，则根据当前分段时域对应的预设分段时域解码器对当前解码器输入进行处理，得到分段时域轨迹。
其中，第一个分段时域、下一个分段时域以及最后一个分段时域是按照各分段时域的时序排列的。输出隐式状态特征是对当前解码器输入进行时序特征提取的结果。融合特征是局部区域语义特征和输出隐式状态特征的融合结果。
具体的，将长时域内的第一个分段时域作为当前分段时域，并将局部区域语义特征作为当前解码器输入，并判断当前分段时域是否为长时域内的最后一个分段时域。若否，则表明当前分段时域对应的预设分段时域解码器的输出应当传递至当前分段时域的下一个分段时域对应的预设分段时域解码器，因此，根据当前分段时域对应的预设分段时域解码器对当前解码器输入进行处理，得到分段时域轨迹以及输出隐式状态特征，分段时域轨迹就是当前分段时域对应的轨迹预测结果，输出隐式状态特征则需要传递至当前分段时域的下一个分段时域对应的预设分段时域解码器，故将将当前分段时域的下一个分段时域作为新的当前分段时域，将局部区域语义特征和输出隐式状态特征的融合特征作为新的当前解码器输入，并返回判断当前分段时域是否为长时域内的最后一个分段时域，以进行后续迭代轨迹预测。若是，则表明当前分段时域对应的预设分段时域解码器无需输出当前分段时域的输出隐式状态特征，只需输出当前分段时域的分段时域轨迹即可，并且，结束各分段时域的轨迹预测，得到了各分段时域对应的分段时域轨迹。
示例性的，如图5所示的获取各分段时域对应的分段时域轨迹的示意图，针对第一个分段时域，将局部区域语义特征hlocal输入至该分段时域对应的预设分段时域解码器(如RNN、LSTM、GRU等，以LSTM为例)进行解码，可获取该预设分段时域解码器中多个离散时刻对应的输出隐式状态向量和输出向量然后将各输出向量传送至全连接层网络FC得到第一个分段时域内[t0+Δt，t0+ts]多个离散时刻上感兴趣目标obji在局部坐标系下的预测位置(x(t0+Δt),y(t0+Δt))，(x(t0+2Δt),y(t0+2Δt))，…(x(t0+ts),y(t0+ts))，进而，根据这些预测位置得到该分段时域的分短时域轨迹。针对第二个分段时域，将局部区域语义特征hlocal与上一分段时域最终输出的输出隐式状态向量，即与末端时刻t0+ts对应的输出隐式状态向量/> 融合：/>通过第二个分段时域对应的预设分段时域解码器获得第二个分段时域[t0+ts+Δt，t0+2ts]内多个离散时刻/> 对应的输出隐式状态向量/> 和输出向量/> 将各输出向量传送至全连接层网络FC得到第二个分段时域内[t0+Δt+ts，t0+2ts]多个离散时刻上感兴趣目标obji在局部坐标系/>下的预测位置(x(t0+ts+Δt),y(t0+ts+Δt))，(x(t0+ts+2Δt),y(t0+ts+2Δt))，…(x(t0+2ts),y(t0+2ts))，进而，根据这些预测位置得到该分段时域的分段时域轨迹。后续各分段时域的处理过程与第二个分段时域的处理过程类似，直至最后一个分段时域[t0+tp-ts+Δt，t0+tp]，得到最后一个分段时域内[t0+tp-ts+Δt，t0+tp]多个离散时刻上感兴趣目标obji在局部坐标系/>下的预测位置(x(t0+tp-ts+Δt),y(t0+tp-ts+Δt))，(x(t0+tp-ts+2Δt),y(t0+tp-ts+2Δt))，…(x(t0+tp),y(t0+tp))，进而，根据这些预测位置得到该分段时域的分段时域轨迹。将多个分段时域内的感兴趣目标的各分段时域轨迹进行拼接，得到整个长时域内的感兴趣目标的目标预测轨迹。
本实施例提供的轨迹预测方法，通过根据自动驾驶车辆在当前时刻的车辆位置、航向、与自动驾驶车辆对应的各动态目标的运动状态信息以及自动驾驶车辆在上一时刻的规划轨迹，确定各动态目标与自动驾驶车辆之间的时间域碰撞风险以及空间域碰撞风险，以在时间域和空间域上分别进行分析，进而，根据各动态目标对应的时间域碰撞风险以及空间域碰撞风险，确定各动态目标的时空域碰撞风险，以融合时间域和空间域进行综合分析，将时空域碰撞风险大于预设风险阈值的动态目标确定为自动驾驶车辆的感兴趣目标，反之，确定为不感兴趣目标，并分别对对感兴趣目标和不感兴趣目标通过不同的方式进行轨迹预测，实现了在自动驾驶车辆和动态目标在当前时刻的运动状态信息的基础上，结合自动驾驶车辆在上一时刻的规划轨迹，提高碰撞风险计算的合理性与可靠性，提高感兴趣目标确定的准确性，进而，通过对感兴趣目标采用高精度的深度学习模型和对不感兴趣目标采用高计算效率的运动学模型，进行自动驾驶车辆周边各动态目标未来轨迹的预测，同时兼顾自动驾驶车辆的行驶安全性与实时性，满足自动驾驶车辆行为决策和轨迹规划所需。
图6为本公开实施例中的一种轨迹预测装置的结构示意图。如图6所示：该装置包括：时间域碰撞风险以及空间域碰撞风险确定模块610、时空域碰撞风险确定模块620以及感兴趣目标轨迹预测模块630。
其中，时间域碰撞风险以及空间域碰撞风险确定模块610，用于根据自动驾驶车辆在当前时刻的车辆位置、航向、与所述自动驾驶车辆对应的各动态目标的运动状态信息以及所述自动驾驶车辆在上一时刻的规划轨迹，确定各动态目标与所述自动驾驶车辆之间的时间域碰撞风险以及空间域碰撞风险；时空域碰撞风险确定模块620，用于根据各动态目标对应的时间域碰撞风险以及空间域碰撞风险，确定各动态目标的时空域碰撞风险；感兴趣目标轨迹预测模块630，用于将所述时空域碰撞风险大于预设风险阈值的动态目标确定为所述自动驾驶车辆的感兴趣目标，并对所述感兴趣目标进行轨迹预测。
可选的，时间域碰撞风险以及空间域碰撞风险确定模块610，还用于针对每个动态目标，结合运动学模型，根据所述动态目标在当前时刻的运动状态信息，确定所述动态目标在未来时间域内的简化预测轨迹，并根据所述简化预测轨迹、所述自动驾驶车辆在上一时刻的规划轨迹以及预设碰撞空间距离阈值，确定碰撞时间；其中，所述运动状态信息包括所述动态目标在全局坐标系下的纵向位置、侧向位置、航向角以及速度；根据所述碰撞时间，确定所述动态目标的时间域碰撞风险；以所述自动驾驶车辆在当前时刻的车辆位置为原点，以所述自动驾驶车辆在当前时刻的航向为纵轴正方向，建立所述自动驾驶车辆的局部坐标系，根据所述动态目标在所述自动驾驶车辆的局部坐标系中的横坐标和纵坐标，确定侧向碰撞风险以及纵向碰撞风险；将所述纵向碰撞风险与所述侧向碰撞风险的乘积，确定为所述动态目标的空间域碰撞风险。
可选的，在所述确定各动态目标的时空域碰撞风险之后，还包括：修正模块，用于若所述动态目标在所述自动驾驶车辆的局部坐标系中的纵坐标小于零且所述动态目标的运动方向与所述自动驾驶车辆的运动方向相反，则将所述动态目标的时空域碰撞风险确定为0；若所述动态目标在所述自动驾驶车辆的局部坐标系中的纵坐标小于零、所述动态目标的运动方向与所述自动驾驶车辆的运动方向相同、所述动态目标的速度小于所述自动驾驶车辆的速度且速度差值大于预设速度阈值，则将所述动态目标的时空域碰撞风险确定为0。
可选的，在所述确定各动态目标的时空域碰撞风险之后，还包括：不感兴趣目标轨迹预测模块，用于将所述时空域碰撞风险不大于预设风险阈值的动态目标确定为不感兴趣目标；针对每个不感兴趣目标，将所述不感兴趣目标在未来时间域内的简化预测轨迹，确定为所述不感兴趣目标的目标预测轨迹。
可选的，感兴趣目标轨迹预测模块630，还用于针对每个感兴趣目标，确定所述感兴趣目标对应的局部区域以及所述局部区域内与所述感兴趣目标对应的各邻近目标，根据所述感兴趣目标在每个历史时间域内的目标输入特征，确定感兴趣目标隐式状态特征，并根据各邻近目标在每个历史时间域内的邻近输入特征，确定各邻近目标隐式状态特征；其中，所述历史时间域的数量为至少两个；所述目标输入特征包括所述感兴趣目标在所述感兴趣目标的局部坐标系下的纵向位置、侧向位置、航向角、速度以及类别，所述邻近输入特征包括所述邻近目标在所述感兴趣目标的局部坐标系下的纵向位置、侧向位置、航向角、速度、类别、所述邻近目标与所述感兴趣目标的相对纵向位置、相对横向位置、相对航向角以及相对速度；根据所述感兴趣目标隐式状态特征、各邻近目标隐式状态特征以及各邻近目标相对于所述感兴趣目标的相对位姿信息，确定感兴趣目标-邻近目标空间交互特征；根据所述感兴趣目标隐式状态特征、所述局部区域内的各道路节点的局部地图节点特征、所述感兴趣目标-邻近目标空间交互特征以及各道路节点相对于所述感兴趣目标的相对位姿信息，确定感兴趣目标-局部地图空间交互特征；其中，所述局部地图节点特征为道路节点在所述感兴趣目标对应的局部坐标系中的属性特征；根据所述感兴趣目标隐式状态特征、所述感兴趣目标-邻近目标空间交互特征以及所述感兴趣目标-局部地图空间交互特征，确定感兴趣目标的局部区域语义特征；根据所述局部区域语义特征以及长时域内的各分段时域对应的预设分段时域解码器，确定各分段时域对应的分段时域轨迹，并根据各分段时域轨迹，确定所述感兴趣目标在所述长时域内的目标预测轨迹。
可选的，所述历史时间域包括第一历史时间域以及第二历史时间域，感兴趣目标轨迹预测模块630，还用于根据所述感兴趣目标在所述第一历史时间域内的目标输入特征，确定第一隐式状态特征；根据所述感兴趣目标在所述第二历史时间域内的目标输入特征，确定第二隐式状态特征；将所述第一隐式状态特征与所述第二隐式状态特征的融合结果，确定为所述感兴趣目标的感兴趣目标隐式状态特征；其中，所述第一历史时间域为当前时刻与第一历史时域长度的差值至当前时刻的时间域，所述第二历史时间域为所述当前时刻与第二历史时域长度的差值至当前时刻的时间域，所述第一历史时域长度大于所述第二历史时域长度。
可选的，感兴趣目标轨迹预测模块630，还用于针对每个邻近目标，根据第一注意力机制对所述感兴趣目标隐式状态特征、所述邻近目标的邻近目标隐式状态特征以及所述邻近目标相对于所述感兴趣目标的相对位姿信息进行处理，得到所述邻近目标相对于所述感兴趣目标的第一注意力系数；根据各第一注意力系数以及各邻近目标隐式状态特征，确定感兴趣目标-邻近目标空间交互特征。
可选的，感兴趣目标轨迹预测模块630，还用于针对所述局部区域内的每个道路节点，根据第二注意力机制对所述感兴趣目标隐式状态特征、所述局部区域内的各道路节点的局部地图节点特征、所述感兴趣目标-邻近目标空间交互特征以及各道路节点相对于所述感兴趣目标的相对位姿信息进行处理，得到所述道路节点相对于所述感兴趣目标的第二注意力系数；根据各第二注意力系数以及各局部地图节点特征，确定感兴趣目标-局部地图空间交互特征。
可选的，感兴趣目标轨迹预测模块630，还用于将长时域内的第一个分段时域作为当前分段时域，并将所述局部区域语义特征作为当前解码器输入，并判断所述当前分段时域是否为所述长时域内的最后一个分段时域；若否，则根据所述当前分段时域对应的预设分段时域解码器对所述当前解码器输入进行处理，得到分段时域轨迹以及输出隐式状态特征，并将所述当前分段时域的下一个分段时域作为新的当前分段时域，将所述局部区域语义特征和所述输出隐式状态特征的融合特征作为新的当前解码器输入，返回执行所述判断所述当前分段时域是否为所述长时域内的最后一个分段时域的步骤；若是，则根据所述当前分段时域对应的预设分段时域解码器对所述当前解码器输入进行处理，得到分段时域轨迹。
本公开实施例提供的轨迹预测装置，可执行本公开方法实施例所提供的轨迹预测方法中的步骤，具备执行步骤和有益效果此处不再赘述。
图7为本公开实施例中的一种电子设备的结构示意图。下面具体参考图7，其示出了适于用来实现本公开实施例中的电子设备700的结构示意图。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)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装置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以实现如本公开所述的实施例的方法。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM702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。
特别地，根据本公开的实施例，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，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态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，从而实现如上所述的轨迹预测方法。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述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。在本公开中，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。而在本公开中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
根据自动驾驶车辆在当前时刻的车辆位置、航向、与所述自动驾驶车辆对应的各动态目标的运动状态信息以及所述自动驾驶车辆在上一时刻的规划轨迹，确定各动态目标与所述自动驾驶车辆之间的时间域碰撞风险以及空间域碰撞风险；
根据各动态目标对应的时间域碰撞风险以及空间域碰撞风险，确定各动态目标的时空域碰撞风险；
将所述时空域碰撞风险大于预设风险阈值的动态目标确定为所述自动驾驶车辆的感兴趣目标，并对所述感兴趣目标进行轨迹预测。
可选的，当上述一个或者多个程序被该电子设备执行时，该电子设备还可以执行上述实施例所述的其他步骤。
在本公开的上下文中，机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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。
方案1、一种轨迹预测方法，所述方法包括：
根据自动驾驶车辆在当前时刻的车辆位置、航向、与所述自动驾驶车辆对应的各动态目标的运动状态信息以及所述自动驾驶车辆在上一时刻的规划轨迹，确定各动态目标与所述自动驾驶车辆之间的时间域碰撞风险以及空间域碰撞风险；
根据各动态目标对应的时间域碰撞风险以及空间域碰撞风险，确定各动态目标的时空域碰撞风险；
将所述时空域碰撞风险大于预设风险阈值的动态目标确定为所述自动驾驶车辆的感兴趣目标，并对所述感兴趣目标进行轨迹预测。
方案2、根据方案1所述的方法，所述根据自动驾驶车辆在当前时刻的车辆位置、航向、与所述自动驾驶车辆对应的各动态目标的运动状态信息以及所述自动驾驶车辆在上一时刻的规划轨迹，确定各动态目标与所述自动驾驶车辆之间的时间域碰撞风险以及空间域碰撞风险，包括：
针对每个动态目标，根据所述动态目标在当前时刻的运动状态信息，结合运动学模型，确定所述动态目标在未来时间域内的简化预测轨迹，并根据所述简化预测轨迹、所述自动驾驶车辆在上一时刻的规划轨迹以及预设碰撞空间距离阈值，确定碰撞时间；其中，所述运动状态信息包括所述动态目标在全局坐标系下的纵向位置、侧向位置、航向角以及速度；
根据所述碰撞时间，确定所述动态目标的时间域碰撞风险；
以所述自动驾驶车辆在当前时刻的车辆位置为原点，以所述自动驾驶车辆在当前时刻的航向为纵轴正方向，建立所述自动驾驶车辆的局部坐标系，根据所述动态目标在所述自动驾驶车辆的局部坐标系中的横坐标和纵坐标，确定侧向碰撞风险以及纵向碰撞风险；
将所述纵向碰撞风险与所述侧向碰撞风险的乘积，确定为所述动态目标的空间域碰撞风险。
方案3、根据方案2所述的方法，在所述确定各动态目标的时空域碰撞风险之后，还包括：
若所述动态目标在所述自动驾驶车辆的局部坐标系中的纵坐标小于零且所述动态目标的运动方向与所述自动驾驶车辆的运动方向相反，则将所述动态目标的时空域碰撞风险确定为0；
若所述动态目标在所述自动驾驶车辆的局部坐标系中的纵坐标小于零、所述动态目标的运动方向与所述自动驾驶车辆的运动方向相同、所述动态目标的速度小于所述自动驾驶车辆的速度且速度差值大于预设速度阈值，则将所述动态目标的时空域碰撞风险确定为0。
方案4、根据方案2所述的方法，在所述确定各动态目标的时空域碰撞风险之后，还包括：
将所述时空域碰撞风险不大于预设风险阈值的动态目标确定为不感兴趣目标；
针对每个不感兴趣目标，将所述不感兴趣目标在未来时间域内的简化预测轨迹，确定为所述不感兴趣目标的目标预测轨迹。
方案5、根据方案1所述的方法，所述对所述感兴趣目标进行轨迹预测，包括：
针对每个感兴趣目标，确定所述感兴趣目标对应的局部区域以及所述局部区域内与所述感兴趣目标对应的各邻近目标，根据所述感兴趣目标在每个历史时间域内的目标输入特征，确定感兴趣目标隐式状态特征，并根据各邻近目标在每个历史时间域内的邻近输入特征，确定各邻近目标隐式状态特征；其中，所述历史时间域的数量为至少两个；所述目标输入特征包括所述感兴趣目标在所述感兴趣目标的局部坐标系下的纵向位置、侧向位置、航向角、速度以及类别，所述邻近输入特征包括所述邻近目标在所述感兴趣目标的局部坐标系下的纵向位置、侧向位置、航向角、速度、类别、所述邻近目标与所述感兴趣目标的相对纵向位置、相对横向位置、相对航向角以及相对速度；
根据所述感兴趣目标隐式状态特征、各邻近目标隐式状态特征以及各邻近目标相对于所述感兴趣目标的相对位姿信息，确定感兴趣目标-邻近目标空间交互特征；
根据所述感兴趣目标隐式状态特征、所述局部区域内的各道路节点的局部地图节点特征、所述感兴趣目标-邻近目标空间交互特征以及各道路节点相对于所述感兴趣目标的相对位姿信息，确定感兴趣目标-局部地图空间交互特征；其中，所述局部地图节点特征为道路节点在所述感兴趣目标对应的局部坐标系中的属性特征；
根据所述感兴趣目标隐式状态特征、所述感兴趣目标-邻近目标空间交互特征以及所述感兴趣目标-局部地图空间交互特征，确定感兴趣目标的局部区域语义特征；
根据所述局部区域语义特征以及长时域内的各分段时域对应的预设分段时域解码器，确定各分段时域对应的分段时域轨迹，并根据各分段时域轨迹，确定所述感兴趣目标在所述长时域内的目标预测轨迹。
方案6、根据方案5所述的方法，所述历史时间域包括第一历史时间域以及第二历史时间域，所述根据所述感兴趣目标在每个历史时间域内的目标输入特征，确定感兴趣目标隐式状态特征，包括：
根据所述感兴趣目标在所述第一历史时间域内的目标输入特征，确定第一隐式状态特征；
根据所述感兴趣目标在所述第二历史时间域内的目标输入特征，确定第二隐式状态特征；
将所述第一隐式状态特征与所述第二隐式状态特征的融合结果，确定为所述感兴趣目标的感兴趣目标隐式状态特征；
其中，所述第一历史时间域为当前时刻与第一历史时域长度的差值至当前时刻的时间域，所述第二历史时间域为所述当前时刻与第二历史时域长度的差值至当前时刻的时间域，所述第一历史时域长度大于所述第二历史时域长度。
方案7、根据方案5所述的方法，所述根据所述感兴趣目标隐式状态特征、各邻近目标隐式状态特征以及各邻近目标相对于所述感兴趣目标的相对位姿信息，确定感兴趣目标-邻近目标空间交互特征，包括：
针对每个邻近目标，根据第一注意力机制对所述感兴趣目标隐式状态特征、所述邻近目标的邻近目标隐式状态特征以及所述邻近目标相对于所述感兴趣目标的相对位姿信息进行处理，得到所述邻近目标相对于所述感兴趣目标的第一注意力系数；
根据各第一注意力系数以及各邻近目标隐式状态特征，确定感兴趣目标-邻近目标空间交互特征。
方案8、根据方案5所述的方法，所述根据所述感兴趣目标隐式状态特征、所述局部区域内的各道路节点的局部地图节点特征、所述感兴趣目标-邻近目标空间交互特征以及各道路节点相对于所述感兴趣目标的相对位姿信息，确定感兴趣目标-局部地图空间交互特征，包括：
针对所述局部区域内的每个道路节点，根据第二注意力机制对所述感兴趣目标隐式状态特征、所述局部区域内的各道路节点的局部地图节点特征、所述感兴趣目标-邻近目标空间交互特征以及各道路节点相对于所述感兴趣目标的相对位姿信息进行处理，得到所述道路节点相对于所述感兴趣目标的第二注意力系数；
根据各第二注意力系数以及各局部地图节点特征，确定感兴趣目标-局部地图空间交互特征。
方案9、根据方案5所述的方法，所述根据所述局部区域语义特征以及长时域内的各分段时域对应的预设分段时域解码器，确定各分段时域对应的分段时域轨迹，包括：
将长时域内的第一个分段时域作为当前分段时域，并将所述局部区域语义特征作为当前解码器输入，并判断所述当前分段时域是否为所述长时域内的最后一个分段时域；
若否，则根据所述当前分段时域对应的预设分段时域解码器对所述当前解码器输入进行处理，得到分段时域轨迹以及输出隐式状态特征，并将所述当前分段时域的下一个分段时域作为新的当前分段时域，将所述局部区域语义特征和所述输出隐式状态特征的融合特征作为新的当前解码器输入，返回执行所述判断所述当前分段时域是否为所述长时域内的最后一个分段时域的步骤；
若是，则根据所述当前分段时域对应的预设分段时域解码器对所述当前解码器输入进行处理，得到分段时域轨迹。
方案10、一种轨迹预测装置，包括：
时间域碰撞风险以及空间域碰撞风险确定模块，用于根据自动驾驶车辆在当前时刻的车辆位置、航向、与所述自动驾驶车辆对应的各动态目标的运动状态信息以及所述自动驾驶车辆在上一时刻的规划轨迹，确定各动态目标与所述自动驾驶车辆之间的时间域碰撞风险以及空间域碰撞风险；
时空域碰撞风险确定模块，用于根据各动态目标对应的时间域碰撞风险以及空间域碰撞风险，确定各动态目标的时空域碰撞风险；
感兴趣目标轨迹预测模块，用于将所述时空域碰撞风险大于预设风险阈值的动态目标确定为所述自动驾驶车辆的感兴趣目标，并对所述感兴趣目标进行轨迹预测。
方案11、一种电子设备，所述电子设备包括：
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方案1-9中任一项所述的轨迹预测方法。
方案12、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方案1-9中任一项所述的轨迹预测方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种轨迹预测方法，其特征在于，所述方法包括：
根据自动驾驶车辆在当前时刻的车辆位置、航向、与所述自动驾驶车辆对应的各动态目标的运动状态信息以及所述自动驾驶车辆在上一时刻的规划轨迹，确定各动态目标与所述自动驾驶车辆之间的时间域碰撞风险以及空间域碰撞风险；
根据各动态目标对应的时间域碰撞风险以及空间域碰撞风险，确定各动态目标的时空域碰撞风险；
将所述时空域碰撞风险大于预设风险阈值的动态目标确定为所述自动驾驶车辆的感兴趣目标，并对所述感兴趣目标进行轨迹预测。
2.根据权利要求1所述的方法，其特征在于，所述根据自动驾驶车辆在当前时刻的车辆位置、航向、与所述自动驾驶车辆对应的各动态目标的运动状态信息以及所述自动驾驶车辆在上一时刻的规划轨迹，确定各动态目标与所述自动驾驶车辆之间的时间域碰撞风险以及空间域碰撞风险，包括：
针对每个动态目标，根据所述动态目标在当前时刻的运动状态信息，结合运动学模型，确定所述动态目标在未来时间域内的简化预测轨迹，并根据所述简化预测轨迹、所述自动驾驶车辆在上一时刻的规划轨迹以及预设碰撞空间距离阈值，确定碰撞时间；其中，所述运动状态信息包括所述动态目标在全局坐标系下的纵向位置、侧向位置、航向角以及速度；
根据所述碰撞时间，确定所述动态目标的时间域碰撞风险；
以所述自动驾驶车辆在当前时刻的车辆位置为原点，以所述自动驾驶车辆在当前时刻的航向为纵轴正方向，建立所述自动驾驶车辆的局部坐标系，根据所述动态目标在所述自动驾驶车辆的局部坐标系中的横坐标和纵坐标，确定侧向碰撞风险以及纵向碰撞风险；
将所述纵向碰撞风险与所述侧向碰撞风险的乘积，确定为所述动态目标的空间域碰撞风险。
3.根据权利要求2所述的方法，其特征在于，在所述确定各动态目标的时空域碰撞风险之后，还包括：
若所述动态目标在所述自动驾驶车辆的局部坐标系中的纵坐标小于零且所述动态目标的运动方向与所述自动驾驶车辆的运动方向相反，则将所述动态目标的时空域碰撞风险确定为0；
若所述动态目标在所述自动驾驶车辆的局部坐标系中的纵坐标小于零、所述动态目标的运动方向与所述自动驾驶车辆的运动方向相同、所述动态目标的速度小于所述自动驾驶车辆的速度且速度差值大于预设速度阈值，则将所述动态目标的时空域碰撞风险确定为0。
4.根据权利要求2所述的方法，其特征在于，在所述确定各动态目标的时空域碰撞风险之后，还包括：
将所述时空域碰撞风险不大于预设风险阈值的动态目标确定为不感兴趣目标；
针对每个不感兴趣目标，将所述不感兴趣目标在未来时间域内的简化预测轨迹，确定为所述不感兴趣目标的目标预测轨迹。
5.根据权利要求1所述的方法，其特征在于，所述对所述感兴趣目标进行轨迹预测，包括：
针对每个感兴趣目标，确定所述感兴趣目标对应的局部区域以及所述局部区域内与所述感兴趣目标对应的各邻近目标，根据所述感兴趣目标在每个历史时间域内的目标输入特征，确定感兴趣目标隐式状态特征，并根据各邻近目标在每个历史时间域内的邻近输入特征，确定各邻近目标隐式状态特征；其中，所述历史时间域的数量为至少两个；所述目标输入特征包括所述感兴趣目标在所述感兴趣目标的局部坐标系下的纵向位置、侧向位置、航向角、速度以及类别，所述邻近输入特征包括所述邻近目标在所述感兴趣目标的局部坐标系下的纵向位置、侧向位置、航向角、速度、类别、所述邻近目标与所述感兴趣目标的相对纵向位置、相对横向位置、相对航向角以及相对速度；
根据所述感兴趣目标隐式状态特征、各邻近目标隐式状态特征以及各邻近目标相对于所述感兴趣目标的相对位姿信息，确定感兴趣目标-邻近目标空间交互特征；
根据所述感兴趣目标隐式状态特征、所述局部区域内的各道路节点的局部地图节点特征、所述感兴趣目标-邻近目标空间交互特征以及各道路节点相对于所述感兴趣目标的相对位姿信息，确定感兴趣目标-局部地图空间交互特征；其中，所述局部地图节点特征为道路节点在所述感兴趣目标对应的局部坐标系中的属性特征；
根据所述感兴趣目标隐式状态特征、所述感兴趣目标-邻近目标空间交互特征以及所述感兴趣目标-局部地图空间交互特征，确定感兴趣目标的局部区域语义特征；
根据所述局部区域语义特征以及长时域内的各分段时域对应的预设分段时域解码器，确定各分段时域对应的分段时域轨迹，并根据各分段时域轨迹，确定所述感兴趣目标在所述长时域内的目标预测轨迹。
6.根据权利要求5所述的方法，其特征在于，所述历史时间域包括第一历史时间域以及第二历史时间域，所述根据所述感兴趣目标在每个历史时间域内的目标输入特征，确定感兴趣目标隐式状态特征，包括：
根据所述感兴趣目标在所述第一历史时间域内的目标输入特征，确定第一隐式状态特征；
根据所述感兴趣目标在所述第二历史时间域内的目标输入特征，确定第二隐式状态特征；
将所述第一隐式状态特征与所述第二隐式状态特征的融合结果，确定为所述感兴趣目标的感兴趣目标隐式状态特征；
其中，所述第一历史时间域为当前时刻与第一历史时域长度的差值至当前时刻的时间域，所述第二历史时间域为所述当前时刻与第二历史时域长度的差值至当前时刻的时间域，所述第一历史时域长度大于所述第二历史时域长度。
7.根据权利要求5所述的方法，其特征在于，所述根据所述感兴趣目标隐式状态特征、各邻近目标隐式状态特征以及各邻近目标相对于所述感兴趣目标的相对位姿信息，确定感兴趣目标-邻近目标空间交互特征，包括：
针对每个邻近目标，根据第一注意力机制对所述感兴趣目标隐式状态特征、所述邻近目标的邻近目标隐式状态特征以及所述邻近目标相对于所述感兴趣目标的相对位姿信息进行处理，得到所述邻近目标相对于所述感兴趣目标的第一注意力系数；
根据各第一注意力系数以及各邻近目标隐式状态特征，确定感兴趣目标-邻近目标空间交互特征。
8.一种轨迹预测装置，其特征在于，包括：
时间域碰撞风险以及空间域碰撞风险确定模块，用于根据自动驾驶车辆在当前时刻的车辆位置、航向、与所述自动驾驶车辆对应的各动态目标的运动状态信息以及所述自动驾驶车辆在上一时刻的规划轨迹，确定各动态目标与所述自动驾驶车辆之间的时间域碰撞风险以及空间域碰撞风险；
时空域碰撞风险确定模块，用于根据各动态目标对应的时间域碰撞风险以及空间域碰撞风险，确定各动态目标的时空域碰撞风险；
感兴趣目标轨迹预测模块，用于将所述时空域碰撞风险大于预设风险阈值的动态目标确定为所述自动驾驶车辆的感兴趣目标，并对所述感兴趣目标进行轨迹预测。
9.一种电子设备，其特征在于，所述电子设备包括：
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权利要求1-7中任一项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中任一项所述的轨迹预测方法。
CN202311422895.3A 2023-10-30 2023-10-30 轨迹预测方法、装置、电子设备和存储介质 Pending CN117470266A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311422895.3A CN117470266A (zh) 2023-10-30 2023-10-30 轨迹预测方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311422895.3A CN117470266A (zh) 2023-10-30 2023-10-30 轨迹预测方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN117470266A true CN117470266A (zh) 2024-01-30

Family

ID=89634176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311422895.3A Pending CN117470266A (zh) 2023-10-30 2023-10-30 轨迹预测方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN117470266A (zh)

Similar Documents

Publication Publication Date Title
CN110796856B (zh) 车辆变道意图预测方法及变道意图预测网络的训练方法
US10642268B2 (en) Method and apparatus for generating automatic driving strategy
CN111316286B (zh) 轨迹预测方法及装置、存储介质、驾驶系统与车辆
US20210302585A1 (en) Smart navigation method and system based on topological map
JP7557433B2 (ja) 道路状況予測方法、道路状況予測モデルを確立する方法及びその対応装置、電子機器、記録媒体並びにコンピュータプログラム
CN115879535A (zh) 一种自动驾驶感知模型的训练方法、装置、设备和介质
CN114889638B (zh) 一种自动驾驶系统中的轨迹预测方法及系统
CN113895460B (zh) 行人轨迹预测方法、装置及存储介质
CN115062202B (zh) 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质
CN114758502B (zh) 双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆
CN114212110A (zh) 障碍物轨迹预测方法、装置、电子设备及存储介质
US20230001953A1 (en) Planning-aware prediction for control-aware autonomous driving modules
CN115690153A (zh) 一种智能体轨迹预测方法及系统
WO2023060963A1 (zh) 道路信息的识别方法、装置、电子设备、车辆及介质
CN114997307A (zh) 一种轨迹预测方法、装置、设备及存储介质
CN115907009A (zh) 一种自动驾驶感知模型的迁移方法、装置、设备和介质
CN116910484A (zh) 轨迹预测方法、装置、电子设备和存储介质
CN112622923B (zh) 用于控制车辆的方法和装置
CN116092055A (zh) 训练方法、获取方法、装置、设备及自动驾驶车辆
Selvaraj et al. Edge learning of vehicular trajectories at regulated intersections
CN116448134A (zh) 基于风险场与不确定分析的车辆路径规划方法及装置
CN117470266A (zh) 轨迹预测方法、装置、电子设备和存储介质
CN114889608A (zh) 一种基于注意力机制的车辆换道预测方法
CN114140553A (zh) 一种基于条件变分自编码器的路口引导线生成方法及系统
CN115116029A (zh) 一种自动驾驶决策方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination