CN118004215A - 基于改进DenseTnt模型的自动驾驶轨迹预测方法 - Google Patents

Abstract

本发明公开了一种基于改进DenseTnt模型的自动驾驶轨迹预测方法。通过实时获取目标车辆的当前道路描述信息，并对当前道路描述信息进行特征提取，得到当前道路描述信息特征；将当前道路描述信息特征输入至预先构建的改进DendeTnt模型中，得到与目标车辆对应的当前自动驾驶轨迹；将当前自动驾驶轨迹发送于车辆控制器中，以实现车辆的自动驾驶操作。解决了自动驾驶轨迹预测模型结构复杂、精度不准确和轨迹预测耗时高的问题，提高了自动驾驶轨迹预测的效率和准确率，简化了模型的结构，提高了模型的精度。

Description

基于改进DenseTnt模型的自动驾驶轨迹预测方法

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于改进DenseTnt模型的自动驾驶轨迹预测方法。

背景技术

在自动驾驶中，车辆通过传感器，可以包括雷达、激光雷达、以及摄像头等感知周围环境，以及其它交通参与者的信息，结合高精度地图，决策车辆接下来该如何行驶。轨迹预测是自动驾驶中一个很重要，也很困难的问题。系统在决策接下来的行驶动作时，需要尽可能的预测其它车辆、以及行人接下来一段时间的运动轨迹。例如预测前方车辆可能要停车，或者有行人突然插入当前车道，车辆有充足的时间做出反应。

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，对轨迹预测方法是使用深度学习模型，模型本身的结构也在不断发展，DenseTnt模型对地图及轨迹做向量化编码，采用编码器和解码器的结构来预测轨迹。然而，通过DenseTnt模型使用VectorNet对高精地图和主车轨迹做编码，再使用解码器进行解码。但是由于模型结构的复杂，导致该模型在终端部署的时候，存在精度不稳定、推理耗时较高，不能充分满足自动驾驶对时效性和高精度的需求。

发明内容

本发明提供了一种基于改进DenseTnt模型的自动驾驶轨迹预测方法，以实现自动驾驶轨迹预测的效率和准确率的提高。

根据本发明的一方面，提供了一种基于改进DenseTnt模型的自动驾驶轨迹预测方法，其中，包括：

实时获取目标车辆的当前道路描述信息，并对所述当前道路描述信息进行特征提取，得到当前道路描述信息特征；

将所述当前道路描述信息特征输入至预先构建的改进DenseTnt模型中，得到与所述目标车辆对应的当前自动驾驶轨迹；

将所述当前自动驾驶轨迹发送于车辆控制器中，以实现车辆的自动驾驶操作。

根据本发明的另一方面，提供了一种基于改进DenseTnt模型的自动驾驶轨迹预测装置，其中，包括：

当前道路描述信息特征确定模块，用于实时获取目标车辆的当前道路描述信息，并对所述当前道路描述信息进行特征提取，得到当前道路描述信息特征；

当前自动驾驶轨迹确定模块，用于将所述当前道路描述信息特征输入至预先构建的改进DenseTnt模型中，得到与所述目标车辆对应的当前自动驾驶轨迹；

当前自动驾驶轨迹发送模块，用于将所述当前自动驾驶轨迹发送于车辆控制器中，以实现车辆的自动驾驶操作。

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一种基于改进DenseTnt模型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一种基于改进DenseTnt模型的自动驾驶轨迹预测方法。

本发明实施例的技术方案，通过实时获取目标车辆的当前道路描述信息，并对当前道路描述信息进行特征提取，得到当前道路描述信息特征；将当前道路描述信息特征输入至预先构建的改进DenseTnt模型中，得到与目标车辆对应的当前自动驾驶轨迹；将当前自动驾驶轨迹发送于车辆控制器中，以实现车辆的自动驾驶操作。解决了自动驾驶轨迹预测模型结构复杂、精度不准确和轨迹预测耗时高的问题，提高了自动驾驶轨迹预测的效率和准确率，简化了模型的结构，提高了模型的精度。

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基于改进DenseTnt模型的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基于改进DenseTnt模型的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基于改进DenseTnt模型的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进行轨迹预测的情况，该方法可以由一种基于改进DenseTnt模型的自动驾驶轨迹预测装置来执行，该一种基于改进DenseTnt模型的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、实时获取目标车辆的当前道路描述信息，并对所述当前道路描述信息进行特征提取，得到当前道路描述信息特征。

其中，当前道路描述信息可以是对目标车辆的当前道路状况进行描述的信息。当前道路描述信息特征可以是用特征向量的方式来描述当前道路的状况信息。

在本实施例中，需要实时获取当前车辆的道路描述信息，从而通过对当前道路描述信息进行特征提取，进一步地根据特征提取状况进行自动驾驶轨迹的预测操作。

可选的，所述当前道路描述信息包括：当前车道信息和上一历史轨迹信息；所述对所述当前道路描述信息进行特征提取，得到当前道路描述信息特征，包括：对所述当前车道信息和所述上一历史轨迹信息，分别通过多层前行感知机结构方法来进行特征提取，得到当前车道信息特征和上一历史轨迹信息特征；其中，所述多层前行感知机结构方法是由{Conv+Relu}*(N-1)+Conv+Relu+Maxpool结构构成的，N为多层前行感知机结构的层数，Conv为卷积函数，Relu为激活函数，Maxpool为最大池化算子；根据所述当前车道信息特征和所述上一历史轨迹信息特征，来得到当前道路描述信息特征。

其中，当前车道信息可以是目标车辆的当前车道的描述信息，比如说，当前车道信息可以包括红绿灯信息、道路线信息、以及行人信息等。上一历史轨迹信息可以是与目标车辆当前时刻对应的上一时刻的历史轨迹描述信息。多层前行感知机结构方法可以是能够进行特征提取的结构方法。

具体的，对于原始DenseTnt模型中的多层前行感知机结构方法的结构为{Conv+Relu+Maxpool}*N。也即需要在多层前行感知机结构中的每一层都需要通过Maxpool最大池化算子进行主要特征的提取。

详细的，对于Maxpool最大池化算子来说，在深度学习中，是常用到的一种用于提取主要特征，忽略次要因素的方法。简而言之，就是只保留最主要的特征，去掉次要特征。原始DenseTnt模型中的多层前行感知机结构中每一层都使用了Maxpool，不仅增加了计算量，而且存在误删局部特征的风险。因为决定最终预测结果的，除了主要特征外，次要特征及主次特征间组合联系也可能对结果产生影响，因此不应该过早做Maxpool。

进一步的，对于改进DenseTnt模型中的多层前行感知机结构方法来说，结构为{Conv+Relu}*(N-1)+Conv+Relu+Maxpool，也即只在多层前行感知机结构的最后一层使用Maxpool。

这样设置的好处在于：既保证了对主要特征的强化和提取，又减少了计算量，且避免了对次要特征的过早误删。

S120、将所述当前道路描述信息特征输入至预先构建的改进Maxpool模型中，得到与所述目标车辆对应的当前自动驾驶轨迹。

其中，改进DenseTnt模型可以是对原始DenseTnt模型进行结构、以及超参数等信息调整的模型。当前自动驾驶轨迹可以是预测出的目标车辆的当前驾驶轨迹。

可选的，所述改进DenseTnt模型中的编码器Encoder取消LaneGCN结构。

在本实施例中，对于原始DenseTnt模型来说，LaneGCN结构是另外一种对高精地图进行编码的方法，该方法用特征矩阵来表示车道上的点，点之间包含四种关系，可以包括前驱、后继、左邻居、以及右邻居，对应四个特征矩阵。这种表示方式虽然比较具体的描述了车道之间，这道与车辆之间，已经车辆之间的关系，但是比较复杂，要求的计算量很大。更为重要的是，和向量表示法有点重复，向量表示法，以车道上取的N个点，相邻点相连构成的向量作为输入，向量中已经包含了位置、速度、以及方向等关系。

进一步的，相较与LaneGCN结构，向量表示法更加简洁，也不会丢失相关特征，考虑到端侧部署对时效性的高要求，可以去掉模型对应的Encoder中的LaneGCN结构。这样设置的好处在于：可以进一步地减少计算量，提高了推理速度。

可选的，所述改进DenseTnt模型删除原始DenseTnt模型的Lane Scoring结构。

在本实施例中，原始DenseTnt模型在对目标车辆的车辆终点的坐标进行概率估计的时候，会先对车道做一次打分。具体就是通过计算车道中心线和车辆终点的坐标之间的距离，来为各个车道进行打分，得分最高的车道作为候选车道。通过上述操作，可以过滤掉那些不在候选车道的候选车辆终点的坐标。这种做法的初衷是减少计算量，但是存在明显弊端，考虑以下几种场景：

场景1：车辆正在转弯，车道较多，候选车辆终点的坐标跨越了多个车道。此时只保留一个车道的候选车辆终点的坐标，可能会丢失部分有效车辆终点的坐标，导致最终的预测点不均匀，出现中断，甚至使车辆失去预测线。

场景2：候选车辆终点的坐标距离相邻两个车道的距离差异不大，此时强行过滤掉其它车道，只保留一个车道上的候选车辆终点的坐标，可能会导致误选车道或没有预测结果的问题。

综上所述，对于改进DenseTnt模型来说，需要删除原始DenseTnt模型的LaneScoring结构。

这样设置的好处在于：可以保证模型预测的精度、以及模型预测的稳定性。

可选的，所述改进DenseTnt模型的目标后处理部分使用非极大值抑制方法。

在本实施例中，原始DenseTnt模型的后处理部分，具体的，是把文件建模成一个预测问题。传统的预测问题带有具体的标签，轨迹预测问题则没有具体的标签，只是输出的点和真实的点是否匹配。可以采用构建离线模型的方法，构建了多个伪标签，经过线下训练，再应用到线上。这种方式比较复杂，首先是需要构建预测模型，其次来说标签的选择具有主观性，未必能覆盖所有可能的情况，然后线下单独训练，破坏了模型的完整性，相当于需要两个模型，一个模型生成多个候选车辆终点的坐标，另一个模型选择最终的车辆终点的坐标。具体的，这里可以假设一个模型生成150个候选车辆终点的坐标，另一个模型选择最终的15个车辆终点的坐标。

对于改进DenseTnt模型的后处理部分，通过使用非极大值抑制方法来进行目标的选择。具体的，非极大值抑制方法不涉及到模型构建，以及多个标签的设置等问题。它只是基于数据本身的分布，可以根据阈值来选择最符合要求N个候选车辆终点的坐标。示例性的，解码器会给出150个候选车辆终点的坐标，然后从150个候选车辆终点的坐标中选择15个，作为最终的输出的车辆终点的坐标。

这样设置的好处在于：通过非极大值抑制方法的使用，可以使得改进DenseTnt模型进行自动驾驶轨迹的预测时候，计算量小、容易理解、方法更具一般性、以及更加符合端测部署的要求。

S130、将所述当前自动驾驶轨迹发送于车辆控制器中，以实现车辆的自动驾驶操作。

在本实施例中，在确定最后的当前自动驾驶轨迹之后，需要将其进行反馈处理。当目标车辆的车辆控制器接收到当前自动驾驶轨迹之后，需要根据当前自动驾驶轨迹进行自动驾驶操作。

可选的，在所述实时获取目标车辆的当前道路描述信息，并对所述当前道路描述信息进行特征提取，得到当前道路描述信息特征之前，还包括：获取与目标车辆对应的多个历史道路描述信息，并分别对各所述历史道路描述信息进行特征提取，得到各历史道路描述信息特征；获取与各所述历史道路描述信息特征分别对应的历史驾驶轨迹；将各历史道路描述信息特征输入至初始改进DenseTnt模型来得到的模型驾驶轨迹，并通过所述历史驾驶轨迹和所述模型驾驶轨迹来对至少一个模型超参数进行调整，来得到所述改进DenseTnt模型。

其中，历史道路描述信息可以是对目标车辆的历史道路状况进行描述的信息。历史道路描述信息特征可以是用特征向量的方式来描述历史道路的状况信息。历史驾驶轨迹可以是历史标准的车辆预测驾驶轨迹。模型驾驶轨迹可以是通过初始改进DenseTnt模型来进行预测得到的车辆驾驶轨迹。

在本实施例中，需要根据历史道路描述信息来得到历史驾驶轨迹，以及通过初始改进DenseTnt模型来得到模型驾驶轨迹，通过历史驾驶轨迹和模型驾驶轨迹之间的关系，来进行多个模型超参数的调整处理，从而得到改进DenseTnt模型。

具体的，改进DenseTnt模型的模型超参数可以包括Batch超参数、Epoch超参数、以及Ir超参数。

可选的，所述通过所述历史驾驶轨迹和所述模型驾驶轨迹来对至少一个模型超参数进行调整，来得到所述改进DenseTnt模型，包括：判断所述模型驾驶轨迹和所述历史驾驶轨迹之间的误差值是否满足预设的误差值阈值，若否，则对至少一个模型超参数进行调整，来得到所述改进DenseTnt模型；若是，则确定得到所述改进DenseTnt模型。

在本实施例中，需要预先假设误差值阈值，假设误差值阈值为0.5％。如果模型驾驶轨迹和所述历史驾驶轨迹之间的误差值为1％，则说明该DenseTnt模型中的参数仍然需要进行调整处理。

在调整之后，还需要再获取历史道路描述信息来对改进DenseTnt模型进行模型训练，如果模型驾驶轨迹和所述历史驾驶轨迹之间的误差值为0.4％，则确定满足误差值阈值，则可以得到改进DenseTnt模型。

本发明实施例的技术方案，通过实时获取目标车辆的当前道路描述信息，并对当前道路描述信息进行特征提取，得到当前道路描述信息特征；将当前道路描述信息特征输入至预先构建的改进DenseTnt模型中，得到与目标车辆对应的当前自动驾驶轨迹；将当前自动驾驶轨迹发送于车辆控制器中，以实现车辆的自动驾驶操作。解决了自动驾驶轨迹预测模型结构复杂、精度不准确和轨迹预测耗时高的问题，提高了自动驾驶轨迹预测的效率和准确率，简化了模型的结构，提高了模型的精度。

实施例二

图2为本发明实施例二提供的一种基于改进DenseTnt模型的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基于改进DenseTnt模型的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基于改进DenseTnt模型的自动驾驶轨迹预测方法。如图2所示，该装置包括：当前道路描述信息特征确定模块210、当前自动驾驶轨迹确定模块220和当前自动驾驶轨迹发送模块230。

其中，当前道路描述信息特征确定模块210，用于实时获取目标车辆的当前道路描述信息，并对所述当前道路描述信息进行特征提取，得到当前道路描述信息特征；

当前自动驾驶轨迹确定模块220，用于将所述当前道路描述信息特征输入至预先构建的改进DenseTnt模型中，得到与所述目标车辆对应的当前自动驾驶轨迹；

当前自动驾驶轨迹发送模块230，用于将所述当前自动驾驶轨迹发送于车辆控制器中，以实现车辆的自动驾驶操作。

本发明实施例的技术方案，通过实时获取目标车辆的当前道路描述信息，并对当前道路描述信息进行特征提取，得到当前道路描述信息特征；将当前道路描述信息特征输入至预先构建的改进DenseTnt模型中，得到与目标车辆对应的当前自动驾驶轨迹；将当前自动驾驶轨迹发送于车辆控制器中，以实现车辆的自动驾驶操作。解决了自动驾驶轨迹预测模型结构复杂、精度不准确和轨迹预测耗时高的问题，提高了自动驾驶轨迹预测的效率和准确率，简化了模型的结构，提高了模型的精度。

在上述各实施例的基础上，所述当前道路描述信息包括：当前车道信息和上一历史轨迹信息。

在上述各实施例的基础上，所述当前道路描述信息特征确定模块210，可以具体用于：对所述当前车道信息和所述上一历史轨迹信息，分别通过多层前行感知机结构方法来进行特征提取，得到当前车道信息特征和上一历史轨迹信息特征；其中，所述多层前行感知机结构方法是由{Conv+Relu}*(N-1)+Conv+Relu+Maxpool结构构成的，N为多层前行感知机结构的层数，Conv为卷积函数，Relu为激活函数，Maxpool为最大池化算子；根据所述当前车道信息特征和所述上一历史轨迹信息特征，来得到当前道路描述信息特征。

在上述各实施例的基础上，所述改进DenseTnt模型中的编码器Encoder取消LaneGCN结构。

在上述各实施例的基础上，所述改进DenseTnt模型删除原始DenseTnt模型的LaneScoring结构。

在上述各实施例的基础上，所述改进DenseTnt模型的目标后处理部分使用非极大值抑制方法。

在上述各实施例的基础上，还包括，改进DenseTnt模型确定模块，可以具体用于：在所述实时获取目标车辆的当前道路描述信息，并对所述当前道路描述信息进行特征提取，得到当前道路描述信息特征之前，获取与目标车辆对应的多个历史道路描述信息，并分别对各所述历史道路描述信息进行特征提取，得到各历史道路描述信息特征；获取与各所述历史道路描述信息特征分别对应的历史驾驶轨迹；将各历史道路描述信息特征输入至初始改进DenseTnt模型来得到的模型驾驶轨迹，并通过所述历史驾驶轨迹和所述模型驾驶轨迹来对至少一个模型超参数进行调整，来得到所述改进DenseTnt模型。

在上述各实施例的基础上，所述改进DenseTnt模型确定模块，还可以具体用于：判断所述模型驾驶轨迹和所述历史驾驶轨迹之间的误差值是否满足预设的误差值阈值，若否，则对至少一个模型超参数进行调整，来得到所述改进DenseTnt模型；若是，则确定得到所述改进DenseTnt模型。

本发明实施例所提供的一种基于改进DenseTnt模型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一种基于改进DenseTnt模型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，例如一种基于改进DenseTnt模型的自动驾驶轨迹预测方法。

在一些实施例中，一种基于改进DenseTnt模型的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ROM12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的基于改进DenseTnt模型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)而被配置为执行一种基于改进DenseTnt模型的自动驾驶轨迹预测方法。

该方法包括：实时获取目标车辆的当前道路描述信息，并对所述当前道路描述信息进行特征提取，得到当前道路描述信息特征；将所述当前道路描述信息特征输入至预先构建的改进DenseTnt模型中，得到与所述目标车辆对应的当前自动驾驶轨迹；将所述当前自动驾驶轨迹发送于车辆控制器中，以实现车辆的自动驾驶操作。

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基于改进DenseTnt模型的自动驾驶轨迹预测方法，该方法包括：实时获取目标车辆的当前道路描述信息，并对所述当前道路描述信息进行特征提取，得到当前道路描述信息特征；将所述当前道路描述信息特征输入至预先构建的改进DenseTnt模型中，得到与所述目标车辆对应的当前自动驾驶轨迹；将所述当前自动驾驶轨迹发送于车辆控制器中，以实现车辆的自动驾驶操作。

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一种基于改进DenseTnt模型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，上述一种基于改进DenseTnt模型的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)

1.一种基于改进DenseTnt模型的自动驾驶轨迹预测方法，其特征在于，包括：

实时获取目标车辆的当前道路描述信息，并对所述当前道路描述信息进行特征提取，得到当前道路描述信息特征；

将所述当前道路描述信息特征输入至预先构建的改进DenseTnt模型中，得到与所述目标车辆对应的当前自动驾驶轨迹；

将所述当前自动驾驶轨迹发送于车辆控制器中，以实现车辆的自动驾驶操作。

2.根据权利要求1所述的方法，其特征在于，所述当前道路描述信息包括：当前车道信息和上一历史轨迹信息；

所述对所述当前道路描述信息进行特征提取，得到当前道路描述信息特征，包括：

对所述当前车道信息和所述上一历史轨迹信息，分别通过多层前行感知机结构方法来进行特征提取，得到当前车道信息特征和上一历史轨迹信息特征；

其中，所述多层前行感知机结构方法是由{Conv+Reli}*(N-1)+Conv+Relu+Maxpool结构构成的，N为多层前行感知机结构的层数，Conv为卷积函数，Relu为激活函数，Maxpool为最大池化算子；

根据所述当前车道信息特征和所述上一历史轨迹信息特征，来得到当前道路描述信息特征。

3.根据权利要求1所述的方法，其特征在于，所述改进DenseTnt模型中的编码器Encoder取消LaneGCN结构。

4.根据权利要求1所述的方法，其特征在于，所述改进DenseTnt模型删除原始DenseTnt模型的Lane Scoring结构。

5.根据权利要求1所述的方法，其特征在于，所述改进DenseTnt模型的目标后处理部分使用非极大值抑制方法。

6.根据权利要求1所述的方法，其特征在于，在所述实时获取目标车辆的当前道路描述信息，并对所述当前道路描述信息进行特征提取，得到当前道路描述信息特征之前，还包括：

获取与目标车辆对应的多个历史道路描述信息，并分别对各所述历史道路描述信息进行特征提取，得到各历史道路描述信息特征；

获取与各所述历史道路描述信息特征分别对应的历史驾驶轨迹；

将各历史道路描述信息特征输入至初始改进DenseTnt模型来得到的模型驾驶轨迹，并通过所述历史驾驶轨迹和所述模型驾驶轨迹来对至少一个模型超参数进行调整，来得到所述改进DenseTnt模型。

7.根据权利要求6所述的方法，其特征在于，所述通过所述历史驾驶轨迹和所述模型驾驶轨迹来对至少一个模型超参数进行调整，来得到所述改进DenseTnt模型，包括：

判断所述模型驾驶轨迹和所述历史驾驶轨迹之间的误差值是否满足预设的误差值阈值，若否，则对至少一个模型超参数进行调整，来得到所述改进DenseTnt模型；

若是，则确定得到所述改进DenseTnt模型。

8.一种基于改进DenseTnt模型的自动驾驶轨迹预测装置，其特征在于，包括：

当前道路描述信息特征确定模块，用于实时获取目标车辆的当前道路描述信息，并对所述当前道路描述信息进行特征提取，得到当前道路描述信息特征；

当前自动驾驶轨迹确定模块，用于将所述当前道路描述信息特征输入至预先构建的改进DenseTnt模型中，得到与所述目标车辆对应的当前自动驾驶轨迹；

当前自动驾驶轨迹发送模块，用于将所述当前自动驾驶轨迹发送于车辆控制器中，以实现车辆的自动驾驶操作。

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中任一项所述的基于改进DenseTnt模型的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中任一项所述的基于改进DenseTnt模型的自动驾驶轨迹预测方法。