CN117494043A - 一种目标运动轨迹预测方法、装置、电子设备及介质 - Google Patents

一种目标运动轨迹预测方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN117494043A
CN117494043A CN202311452095.6A CN202311452095A CN117494043A CN 117494043 A CN117494043 A CN 117494043A CN 202311452095 A CN202311452095 A CN 202311452095A CN 117494043 A CN117494043 A CN 117494043A
Authority
CN
China
Prior art keywords
target
feature vector
influence
targets
node
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
CN202311452095.6A
Other languages
English (en)
Inventor
卢丽婧
李荣华
李曙光
陈红丽
王宁
修杰
陈�光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Faw Nanjing Technology Development Co ltd
FAW Group Corp
Original Assignee
Faw Nanjing Technology Development Co ltd
FAW Group Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Faw Nanjing Technology Development Co ltd, FAW Group Corp filed Critical Faw Nanjing Technology Development Co ltd
Priority to CN202311452095.6A priority Critical patent/CN117494043A/zh
Publication of CN117494043A publication Critical patent/CN117494043A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/0969—Systems involving transmission of navigation instructions to the vehicle having a display in the form of a map

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Atmospheric Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了一种目标运动轨迹预测方法、装置、电子设备及介质。该方法包括：根据目标的历史轨迹信息以及地图信息，生成目标特征向量；根据目标的目标特征向量、位置以及类型，确定至少两个目标之间的影响指向关系；针对影响指向关系中的根节点，根据该节点的目标特征向量预测对应目标的目标运动轨迹；针对影响指向关系中除根节点以外的子节点，根据子节点的目标特征向量以及该子节点的父节点的目标特征向量，预测该子节点对应目标的目标运动轨迹。本申请实施例的技术方案，通过融合目标的历史轨迹信息以及地图信息，建立目标之间的影响指向关系，考虑了目标之间的交互特性，有效提升了运动轨迹预测结果的精度。

Description

一种目标运动轨迹预测方法、装置、电子设备及介质
技术领域
本申请涉及自动驾驶领域，尤其涉及一种目标运动轨迹预测方法、装置、电子设备及介质。
背景技术
自动驾驶运动预测是自动驾驶领域一项关键技术，其主要任务是根据自动驾驶车辆周围交通参与者的历史轨迹、周边环境信息以及未来规划等信息来对其未来行为进行分析和预测，从而帮助自动驾驶车辆做出正确的行为决策。
目前最流行的方法是基于深度学习的方法，通过处理大量轨迹和环境信息，深度学习模型可以学习到更复杂的交通模式，从而在更长时间范围内进行更准确的预测，但是该方法需要大量训练数据和计算资源。为了提高深度学习预测算法的计算效率、节省计算资源，多障碍物预测的方法日益流行。
但现有的多障碍物预测方法大多为边际预测，多个障碍物的预测轨迹之间大多缺乏相互一致性，预测精度难以满足需要。
发明内容
本申请实施例提供了一种目标运动轨迹预测方法、装置、电子设备及介质，通过融合目标的历史轨迹信息以及地图信息，建立目标之间的影响指向关系，考虑了目标之间的交互特性，有效提升了运动轨迹预测结果的精度。
根据本申请的一方面，提供了一种目标运动轨迹预测方法，该方法包括：
根据目标的历史轨迹信息以及地图信息，生成目标特征向量；
根据所述目标的目标特征向量、位置以及类型，确定至少两个目标之间的影响指向关系；
针对影响指向关系中的根节点，根据该节点的目标特征向量预测对应目标的目标运动轨迹；
针对影响指向关系中除所述根节点以外的子节点，根据所述子节点的目标特征向量以及该子节点的父节点的目标特征向量，预测该子节点对应目标的目标运动轨迹。
根据本申请的一方面，提供了一种目标运动轨迹预测装置，所述装置包括：
目标特征向量生成模块，用于根据目标的历史轨迹信息以及地图信息，生成目标特征向量；
影响指向关系确定模块，用于根据所述目标的目标特征向量、位置以及类型，确定至少两个目标之间的影响指向关系；
根节点轨迹预测模块，用于针对影响指向关系中的根节点，根据该节点的目标特征向量预测对应目标的目标运动轨迹；
子节点轨迹预测模块，用于针对影响指向关系中除所述根节点以外的子节点，根据所述子节点的目标特征向量以及该子节点的父节点的目标特征向量，预测该子节点对应目标的目标运动轨迹。
根据本申请的另一方面，提供了一种电子设备，该电子设备包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；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，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本申请任一实施例的目标运动轨迹预测方法。
根据本申请的另一方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本申请任一实施例的目标运动轨迹预测方法。
本申请实施例的技术方案，根据目标的历史轨迹信息以及地图信息，生成目标特征向量；根据目标的目标特征向量、位置以及类型，确定至少两个目标之间的影响指向关系；针对影响指向关系中的根节点，根据该节点的目标特征向量预测对应目标的目标运动轨迹；针对影响指向关系中除根节点以外的子节点，根据子节点的目标特征向量以及该子节点的父节点的目标特征向量，预测该子节点对应目标的目标运动轨迹。本申请实施例的技术方案，通过融合目标的历史轨迹信息以及地图信息，建立目标之间的影响指向关系，考虑了目标之间的交互特性，有效提升了运动轨迹预测结果的精度。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请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申请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申请的一些实施例，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是根据本申请实施例一提供的一种目标运动轨迹预测方法的流程图；
图2是根据本申请实施例一提供的一种轨迹特征向量和地图特征向量的生成示意图；
图3是根据本申请实施例一提供的一种轨迹特征向量和地图特征向量的融合示意图；
图4是根据本申请实施例二提供的一种目标运动轨迹预测方法的流程图；
图5是根据本申请实施例二提供的一种交互图的演变示意图；
图6是根据本申请实施例三提供的一种目标运动轨迹预测装置的结构示意图；
图7是根据本申请实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”、“实际”、“预设”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，以便这里描述的本申请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为本申请实施例一提供的一种目标运动轨迹预测方法的流程图，本申请实施例可适用于对目标运动轨迹进行预测的情况。该方法可以由目标运动轨迹预测装置来执行，该目标运动轨迹预测装置可以采用硬件和/或软件的形式实现，该目标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、根据目标的历史轨迹信息以及地图信息，生成目标特征向量。
其中，目标包括自车和障碍物，目标的历史轨迹信息包括历史时间窗口内的目标的坐标信息、速度信息和航向角信息等，地图信息包括地图车道信息、包含车道中心线的采样点坐标、车道转向、车道是否有红绿灯、车道是否在路口等。
具体地，根据目标的历史轨迹信息以及地图信息，生成目标特征向量，包括：将目标中当前目标的历史轨迹信息和障碍物目标的历史轨迹信息进行拼接，并对拼接后的历史轨迹信息进行编码得到轨迹特征向量；对所述地图信息进行编码，得到地图特征向量；将轨迹特征向量和地图特征向量进行融合，得到目标特征向量。
本申请实施例中，可以将历史轨迹信息和地图信息分别输入至轨迹特征编码器和地图特征编码器，得到轨迹特征向量和地图特征向量。其中，轨迹特征编码器是由一个循环神经网络单元GRU(Gated Recurrent Unit)构成。地图特征编码器是基于图卷积网络构成，通过在车道图中传播学习车道节点特征。
示例性地，图2示出了一种轨迹特征向量和地图特征向量的生成示意图，如图2所示，目标的历史轨迹信息包括障碍物历史轨迹和自车历史轨迹，将其输入至轨迹特征编码器即可得到轨迹特征向量，将地图信息输入至地图特征编码器即可得到地图特征向量。
在得到轨迹特征向量和地图特征向量之后，先对轨迹特征向量和地图特征向量进行跨注意力cross-Attention操作，再对跨注意力操作的结果进行自注意力self-Attention操作，得到目标特征向量。通过轨迹特征向量和地图特征向量进行融合，使目标轨迹特征能够获得地图环境特征信息，增强模型对目标运动行为的理解和预测能力。
示例性地，图3示出了一种轨迹特征向量和地图特征向量的融合示意图，如图3所示，轨迹特征向量和地图特征向量先后经过Lane-to-Actor特征融合器以及Actor-to-Actor特征融合器，得到融合后特征向量，也即目标特征向量。
S120、根据目标的目标特征向量、位置以及类型，确定至少两个目标之间的影响指向关系。
一般来说，在确定了目标的目标特征向量、位置以及类型之后，可以通过以下两种方式来确定至少两个目标之间的影响指向关系：1、基于规则或先验知识，在一些计算机视觉应用中，可以根据物体之间的位置和类别关系，来预测它们可能存在的影响指向关系。例如，如果两个物体的位置比较靠近，并且都属于车辆类别，那么它们很可能存在互相干扰、遮挡等影响指向关系。2、基于模型学习，该方法是利用深度学习模型或者其他统计学习方法来自动学习目标之间的影响指向关系。
本申请实施例中，可以通过基于模型学习的方式，来确定至少两个目标之间的影响指向关系。同时，针对长时预测任务，为了缓解在神经网络学习的过程中可能遇到的问题，可以采用多阶段训练和中间监督的方法，提升神经网络在长时预测任务上的性能。
S130、针对影响指向关系中的根节点，根据该节点的目标特征向量预测对应目标的目标运动轨迹。
本申请实施例中，针对影响指向关系中的根节点，由于并无其他节点的影响指向关系指向该根节点，因此可以直接根据该节点的目标特征向量预测对应目标的目标运动轨迹。可选地，可以将该节点的目标特征向量输入预先训练好的机器学习模型中，进行该节点对应目标的目标运动轨迹的预测。
S140、针对影响指向关系中除根节点以外的子节点，根据子节点的目标特征向量以及该子节点的父节点的目标特征向量，预测该子节点对应目标的目标运动轨迹。
本申请实施例中，针对影响指向关系中除根节点以外的子节点，需要根据该子节点的父节点的目标特征向量对该子节点的目标特征向量进行更新，再进行该子节点对应目标的目标运动轨迹的预测。可以理解的是，更新后的子节点的目标特征向量包含了与其相关的所有父节点的影响指向关系，考虑了交通参与者之间的交互特性，有效提升了运动预测结果的精度。
本申请实施例的技术方案，根据目标的历史轨迹信息以及地图信息，生成目标特征向量；根据目标的目标特征向量、位置以及类型，确定至少两个目标之间的影响指向关系；针对影响指向关系中的根节点，根据该节点的目标特征向量预测对应目标的目标运动轨迹；针对影响指向关系中除根节点以外的子节点，根据子节点的目标特征向量以及该子节点的父节点的目标特征向量，预测该子节点对应目标的目标运动轨迹。本申请实施例的技术方案，通过融合目标的历史轨迹信息以及地图信息，建立目标之间的影响指向关系，考虑了目标之间的交互特性，有效提升了运动轨迹预测结果的精度。
实施例二
图3为本申请实施例二提供的一种目标运动轨迹预测方法的流程图，本申请实施例以上述实施例为基础进行优化，未在本申请实施例中详尽描述的方案见上述实施例。如图3所示，本申请实施例的方法具体包括如下步骤：
S210、根据目标的历史轨迹信息以及地图信息，生成目标特征向量。
S220、基于人工神经网络，根据至少两个目标的目标特征向量、位置以及类型，确定至少两个目标之间的影响特征。
本申请实施例中，在进行至少两个目标之间的影响特征的确定之前，需要先构建节点表示目标的全连接无向交互图，则根据至少两个目标的目标特征向量、位置以及类型确定至少两个目标之间的影响特征，即为根据全连接无向交互图中的至少两个节点的目标特征向量、位置以及类型确定至少两个节点之间的影响特征。
确定至少两个节点之间的影响特征的方法可以为将至少两个节点的目标特征向量、位置坐标等参数代入到相关算法对应的公式中通过计算得到影响特征。优选地，本申请实施例中提供了以下影响特征计算公式，用于计算至少两个节点之间的影响特征：
其中，表示节点m、n之间的影响特征，hm、hn表示m、n两个节点的目标特征向量，/>表示m、n两个节点的当前时刻位置坐标，fdist、fedge是两层多层感知器MLP，||表示两个目标特征向量拼接，am,n＝ftype([am,an])表示m、n两个节点代表的目标类型经一个两层多层感知器MLP的输出。
S230、根据至少两个目标之间的影响特征，确定至少两个目标之间的影响关系分类；其中，影响关系分类包括任意两个目标中的第一目标影响第二目标、第二目标影响第一目标以及无影响。
本申请实施例中，可以借用步骤S220中的全连接无向交互图，进行至少两个目标之间的影响关系分类的确定，即确定全连接无向交互图中的至少两个节点之间的影响关系分类。
确定至少两个节点之间的影响关系分类的方法可以为将至少两个节点之间的影响特征代入到相关算法对应的公式中，通过计算得到至少两个节点之间的影响关系分类。
本申请实施例中提供了以下计算公式，用于根据至少两个节点之间的影响特征，计算至少两个节点之间的影响关系分类：
其中，表示m、n两个节点之间的影响关系分类，soft max表示激活函数，fint表示两层多层感知器MLP。/>包括m影响n、n影响m以及无影响三类，需要说明的是，当m、n两个节点之间存在影响指向关系时，计算结果中包含了相应的概率值。
S240、根据影响关系分类，确定至少两个目标之间的影响指向关系。
具体地，根据影响关系分类，确定至少两个目标之间的影响指向关系，包括：将至少两个目标作为节点，以连接节点的带有指向的边表示影响关系分类，确定至少两个目标之间的影响关联关系；将影响关联关系中影响关系分类的概率值最小的边去除，得到至少两个目标之间的影响指向关系。
本申请实施例中，可以先根据步骤S230中计算得到的影响指向关系，构建节点表示目标的有向交互图：若两个节点之间存在影响指向关系，则在两个节点之间添加带有指向的边，边的方向由影响者指向被影响者；若两个节点之间不存在影响指向关系，不进行任何操作。由此，可以确定有向交互图中的至少两个节点之间的影响关联关系，即至少两个目标之间的影响关联关系。
之后，对有向交互图进行修剪，具体为将影响关联关系中影响关系分类的概率值最小的边去除，得到有向无环图，并根据有向无环图得到至少两个节点之间的影响指向关系，即至少两个目标之间的影响指向关系。通过将目标之间的影响指向关系建模为一个有向无环交互图，来表示目标之间的交互情况，可以将联合预测问题分解为一系列边际预测和条件预测问题。
示例性地，图5示出了一种交互图的演变示意图，如图5所示，首先，进行全连接无向交互图的构建，之后，进行交互图边的分类，即确定至少两个节点之间的影响关系分类，构建有向交互图，最后，对有向交互图进行修剪，得到有向无环图。
S250、将根节点的目标特征向量输入至全连接层，预测根节点对应目标的目标运动轨迹。
在卷积神经网络中，卷积层通过卷积核以不同的方式提取输入数据的特征，并产生一系列的输出特征图，而全连接层则将这些特征图展平成一维向量，并通过一系列的全连接操作来进行分类或预测。
本申请实施例中，针对影响指向关系中的根节点，由于并无其他节点的影响指向关系指向该根节点，因此可以直接根节点的目标特征向量输入至全连接层，预测根节点对应目标的目标运动轨迹。
S260、针对子节点的全部相邻的父节点，根据父节点的目标特征向量、父节点以及子节点的类型，确定父节点的影响特征向量。
本申请实施例中，在进行子节点对应目标的目标运动轨迹的预测之前，需要先确定子节点的父节点的影响特征向量。父节点的影响特征向量可以通过父节点的目标特征向量、父节点以及子节点的类型进行确定，也可以通过父节点的预测轨迹进行确定，通过后者进行父节点的影响特征向量确定时，需要先将父节点的预测轨迹经过由一个三层多层感知器MLP构成的编码器编码，以保证获得的影响特征向量与子节点的目标特征向量处于相同维度。需要注意的是，子节点的父节点包括与其相邻的全部父节点。
S270、根据父节点的影响特征向量和子节点的目标特征向量，预测该子节点对应目标的目标运动轨迹。
本申请实施例中，针对影响指向关系中除根节点以外的子节点，需要根据该子节点的父节点的影响特征向量对该子节点的目标特征向量进行更新，再进行该子节点对应目标的目标运动轨迹的预测。
具体地，根据父节点的影响特征向量和子节点的目标特征向量，预测该子节点对应目标的目标运动轨迹，包括：对影响特征向量与子节点的目标特征向量进行聚合，得到聚合特征向量；将聚合特征向量输入至卷积神经网络中，确定子节点对应目标的被影响特征向量；将被影响特征向量输入至全连接层，预测子节点对应目标的目标运动轨迹。
本申请实施例中提供了以下计算公式，用于计算子节点之间的被影响特征向量：
hn←COMB(ACG({em+am,n|m∈pag(n)}),hn)，
其中，em是节点m的影响特征向量，ACG是一个表示聚合的神经网络，用于聚合节点n的所有父节点的信息，COMB是一个用来将聚合信息与节点自身特征结合的神经网络，am,n＝ftype([am,an])表示m、n两个节点代表的目标类型经一个两层多层感知器MLP的输出。将被影响特征向量输入至全连接层，即可预测子节点对应目标的目标运动轨迹，被影响特征向量即更新后的子节点的目标特征向量，其包含了与其相关的所有父节点的影响指向关系，考虑了交通参与者之间的交互特性，有效提升了运动预测结果的精度。
本申请实施例提供了一种目标运动轨迹预测方法，根据目标的历史轨迹信息以及地图信息，生成目标特征向量；基于人工神经网络，根据至少两个目标的目标特征向量、位置以及类型，确定至少两个目标之间的影响特征；根据至少两个目标之间的影响特征，确定至少两个目标之间的影响关系分类；其中，影响关系分类包括任意两个目标中的第一目标影响第二目标、第二目标影响第一目标以及无影响；根据影响关系分类，确定至少两个目标之间的影响指向关系；将根节点的目标特征向量输入至全连接层，预测根节点对应目标的目标运动轨迹；针对子节点的全部相邻的父节点，根据父节点的目标特征向量、父节点以及子节点的类型，确定父节点的影响特征向量；根据父节点的影响特征向量和子节点的目标特征性向量，预测该子节点对应目标的目标运动轨迹。本申请实施例的技术方案，通过融合目标的历史轨迹信息以及地图信息，建立目标之间的影响指向关系，考虑了目标之间的交互特性，有效提升了运动轨迹预测结果的精度。
实施例三
图6为本申请实施例六提供的一种目标运动轨迹预测装置的结构示意图，该装置可执行本申请任意实施例所提供的目标运动轨迹预测方法，具备执行方法相应的功能模块和有益效果。如图6所示，所述装置包括：
目标特征向量生成模块310，用于根据目标的历史轨迹信息以及地图信息，生成目标特征向量；
影响指向关系确定模块320，用于根据所述目标的目标特征向量、位置以及类型，确定至少两个目标之间的影响指向关系；
根节点轨迹预测模块330，用于针对影响指向关系中的根节点，根据该节点的目标特征向量预测对应目标的目标运动轨迹；
子节点轨迹预测模块340，用于针对影响指向关系中除所述根节点以外的子节点，根据所述子节点的目标特征向量以及该子节点的父节点的目标特征向量，预测该子节点对应目标的目标运动轨迹。
本申请实施例中，影响指向关系确定模块320，包括：
影响特征确定单元，用于基于人工神经网络，根据至少两个目标的目标特征向量、位置以及类型，确定至少两个目标之间的影响特征；
影响关系分类确定单元，用于根据至少两个目标之间的影响特征，确定至少两个目标之间的影响关系分类；其中，影响关系分类包括任意两个目标中的第一目标影响第二目标、第二目标影响第一目标以及无影响；
影响指向关系确定单元，用于根据所述影响关系分类，确定至少两个目标之间的影响指向关系。
本申请实施例中，所述影响指向关系确定单元，包括：
影响关联关系确定子单元，将至少两个目标作为节点，以连接节点的带有指向的边表示所述影响关系分类，确定至少两个目标之间的影响关联关系；
影响指向关系确定子单元，用于将所述影响关联关系中影响关系分类的概率值最小的边去除，得到至少两个目标之间的影响指向关系。
本申请实施例中，根节点轨迹预测模块330，包括：
根节点轨迹预测单元，用于将所述根节点的目标特征向量输入至全连接层，预测所述根节点对应目标的目标运动轨迹。
本申请实施例中，子节点轨迹预测模块340，包括：
影响特征向量确定单元，用于针对所述子节点的全部相邻的父节点，根据所述父节点的目标特征向量、所述父节点以及所述子节点的类型，确定所述父节点的影响特征向量；
子节点轨迹预测单元，用于根据所述父节点的影响特征向量和所述子节点的目标特征向量，预测该子节点对应目标的目标运动轨迹。
本申请实施例中，所述子节点轨迹预测单元，包括：
聚合特征向量确定子单元，用于对所述影响特征向量与所述子节点的目标特征向量进行聚合，得到聚合特征向量；
被影响特征向量确定子单元，用于将所述聚合特征向量输入至卷积神经网络中，确定所述子节点对应目标的被影响特征向量；
子节点轨迹预测子单元，用于将所述被影响特征向量输入至全连接层，预测所述子节点对应目标的目标运动轨迹。
本申请实施例中，目标特征向量生成模块310，包括：
轨迹特征向量确定单元，用于将目标中当前目标的历史轨迹信息和障碍物目标的历史轨迹信息进行拼接，并对拼接后的历史轨迹信息进行编码得到轨迹特征向量；
地图特征向量确定单元，用于对所述地图信息进行编码，得到地图特征向量；
目标特征向量确定单元，用于将所述轨迹特征向量和所述地图特征向量进行融合，得到所述目标特征向量。
本申请实施例所提供的一种目标运动轨迹预测装置可执行本申请任意实施例所提供的一种目标运动轨迹预测方法，具备执行方法相应的功能模块和有益效果。
实施例四
图7示出了可以用来实施本申请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/或者要求的本申请的实现。
如图7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，例如目标运动轨迹预测方法。
在一些实施例中，目标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目标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)而被配置为执行目标运动轨迹预测方法。
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。
用于实施本申请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目标运动轨迹预测装置的处理器，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。
在本申请的上下文中，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，本申请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，只要能够实现本申请的技术方案所期望的信息，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (10)

1.一种目标运动轨迹预测方法，其特征在于，所述方法包括：
根据目标的历史轨迹信息以及地图信息，生成目标特征向量；
根据所述目标的目标特征向量、位置以及类型，确定至少两个目标之间的影响指向关系；
针对影响指向关系中的根节点，根据该节点的目标特征向量预测对应目标的目标运动轨迹；
针对影响指向关系中除所述根节点以外的子节点，根据所述子节点的目标特征向量以及该子节点的父节点的目标特征向量，预测该子节点对应目标的目标运动轨迹。
2.根据权利要求1所述的方法，其特征在于，根据所述目标的目标特征向量、位置以及类型，确定至少两个目标之间的影响指向关系，包括：
基于人工神经网络，根据至少两个目标的目标特征向量、位置以及类型，确定至少两个目标之间的影响特征；
根据至少两个目标之间的影响特征，确定至少两个目标之间的影响关系分类；其中，影响关系分类包括任意两个目标中的第一目标影响第二目标、第二目标影响第一目标以及无影响；
根据所述影响关系分类，确定至少两个目标之间的影响指向关系。
3.根据权利要求2所述的方法，其特征在于，根据所述影响关系分类，确定至少两个目标之间的影响指向关系，包括：
将至少两个目标作为节点，以连接节点的带有指向的边表示所述影响关系分类，确定至少两个目标之间的影响关联关系；
将所述影响关联关系中影响关系分类的概率值最小的边去除，得到至少两个目标之间的影响指向关系。
4.根据权利要求1所述的方法，其特征在于，针对影响指向关系中的根节点，根据所述根节点的目标特征向量预测对应目标的目标运动轨迹，包括：
将所述根节点的目标特征向量输入至全连接层，预测所述根节点对应目标的目标运动轨迹。
5.根据权利要求1所述的方法，其特征在于，针对影响指向关系中除所述根节点以外的子节点，根据所述子节点的目标特征向量以及该子节点的父节点的目标特征向量，预测该子节点对应目标的目标运动轨迹，包括：
针对所述子节点的全部相邻的父节点，根据所述父节点的目标特征向量、所述父节点以及所述子节点的类型，确定所述父节点的影响特征向量；
根据所述父节点的影响特征向量和所述子节点的目标特征向量，预测该子节点对应目标的目标运动轨迹。
6.根据权利要求5所述的方法，其特征在于，根据所述父节点的影响特征向量和所述子节点的目标特征向量，预测该子节点对应目标的目标运动轨迹，包括：
对所述影响特征向量与所述子节点的目标特征向量进行聚合，得到聚合特征向量；
将所述聚合特征向量输入至卷积神经网络中，确定所述子节点对应目标的被影响特征向量；
将所述被影响特征向量输入至全连接层，预测所述子节点对应目标的目标运动轨迹。
7.根据权利要求1所述的方法，其特征在于，根据目标的历史轨迹信息以及地图信息，生成目标特征向量，包括：
将目标中当前目标的历史轨迹信息和障碍物目标的历史轨迹信息进行拼接，并对拼接后的历史轨迹信息进行编码得到轨迹特征向量；
对所述地图信息进行编码，得到地图特征向量；
将所述轨迹特征向量和所述地图特征向量进行融合，得到所述目标特征向量。
8.一种目标运动轨迹预测装置，其特征在于，所述装置包括：
目标特征向量生成模块，用于根据目标的历史轨迹信息以及地图信息，生成目标特征向量；
影响指向关系确定模块，用于根据所述目标的目标特征向量、位置以及类型，确定至少两个目标之间的影响指向关系；
根节点轨迹预测模块，用于针对影响指向关系中的根节点，根据该节点的目标特征向量预测对应目标的目标运动轨迹；
子节点轨迹预测模块，用于针对影响指向关系中除所述根节点以外的子节点，根据所述子节点的目标特征向量以及该子节点的父节点的目标特征向量，预测该子节点对应目标的目标运动轨迹。
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中任一项所述的目标运动轨迹预测方法。
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中任一项所述的目标运动轨迹预测方法。
CN202311452095.6A 2023-11-02 2023-11-02 一种目标运动轨迹预测方法、装置、电子设备及介质 Pending CN117494043A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311452095.6A CN117494043A (zh) 2023-11-02 2023-11-02 一种目标运动轨迹预测方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311452095.6A CN117494043A (zh) 2023-11-02 2023-11-02 一种目标运动轨迹预测方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
CN117494043A true CN117494043A (zh) 2024-02-02

Family

ID=89684243

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311452095.6A Pending CN117494043A (zh) 2023-11-02 2023-11-02 一种目标运动轨迹预测方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN117494043A (zh)

Similar Documents

Publication Publication Date Title
CN113264066B (zh) 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备
EP3951741B1 (en) Method for acquiring traffic state, relevant apparatus, roadside device and cloud control platform
CN113642431A (zh) 目标检测模型的训练方法及装置、电子设备和存储介质
CN114771572A (zh) 一种自动驾驶轨迹预测方法、装置、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
CN114987546A (zh) 轨迹预测模型的训练方法、装置、设备及存储介质
CN114742280B (zh) 路况预测方法及相应的模型训练方法、装置、设备及介质
CN114715145B (zh) 一种轨迹预测方法、装置、设备及自动驾驶车辆
CN111709778B (zh) 出行流量预测方法、装置、电子设备和存储介质
CN116499487B (zh) 一种车辆的路径规划方法、装置、设备及介质
CN116749996A (zh) 轨迹预测方法、装置、电子设备及存储介质
CN117494043A (zh) 一种目标运动轨迹预测方法、装置、电子设备及介质
CN116300928A (zh) 针对车辆的数据处理方法和数据处理模型的训练方法
CN115687764A (zh) 车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置
CN113920273B (zh) 图像处理方法、装置、电子设备和存储介质
CN116152595A (zh) 模型训练方法、图像处理方法、装置、设备与介质
CN116994122A (zh) 建筑物拾取方法、装置、设备及存储介质
CN114565170A (zh) 污染物溯源方法及装置、设备、介质和产品
CN111753037A (zh) 信息表征方法、装置、电子设备及存储介质
CN116884215B (zh) 交通状态的预测、模型的生成方法、装置、设备及介质
CN116504052B (zh) 基于shockwave交通流模型的感知数据补全方法
CN115031750B (zh) 阻断路段的状态确定方法、装置及计算机程序产品
CN116842392B (zh) 轨迹预测方法及其模型的训练方法、装置、设备及介质
CN117804480A (zh) 自动驾驶车辆的循迹路线生成方法、装置、设备及介质
CN116540741A (zh) 一种车辆避障方法、装置、车辆及存储介质

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