轨迹预测方法、装置、设备及计算机可读存储介质制造方法及图纸

本发明专利技术实施例提供一种轨迹预测方法、装置、设备及计算机可读存储介质，本发明专利技术实施例的方法，包括：获取第一时刻的环境数据，根据环境数据，利用加速度预测模型计算障碍物车辆在第一时刻的加速度；根据障碍物车辆在第一时刻的加速度、速度和位置，计算障碍物车辆在第二时刻的位置；并不是将障碍物车辆作为匀速移动的物体，也不是将障碍物车辆作为静止物体，而是通过根据第一时刻的环境数据，利用加速度预测模型，计算障碍物车辆在第一时刻的加速度；根据障碍物车辆在第一时刻的加速度、速度和位置，计算障碍物车辆在第二时刻的位置，提高了障碍物车辆轨迹预测的准确性，提高了无人驾驶车辆行驶的安全性。

【技术实现步骤摘要】
轨迹预测方法、装置、设备及计算机可读存储介质
本专利技术实施例涉及无人驾驶
，尤其涉及一种轨迹预测方法、装置、设备及计算机可读存储介质。
技术介绍
无人驾驶领域的路径规划中，自动驾驶系统需要对周围的障碍物车辆进行轨迹预测，预测出的轨迹将用于路径规划环节，使得路径规划算法可以处理复杂路况。障碍物车辆行驶过程中，障碍物车辆并不是均速行驶。但是，目前对障碍物车辆的轨迹预测方法，通常假设障碍物车辆匀速行驶，根据障碍物车辆在上一时刻的位置和速度，来预测障碍物车辆在下一时刻的位置，对障碍物车辆的轨迹的预测不准确。
技术实现思路
本专利技术实施例提供一种轨迹预测方法、装置、设备及计算机可读存储介质，用以解决现有的障碍物车辆的轨迹预测方法对障碍物车辆的轨迹的预测不准确的问题。本专利技术实施例的一个方面是提供一种轨迹预测方法，包括：获取第一时刻的环境数据，所述环境数据至少包括：预设范围内的障碍物车辆的速度和外形参数，本车辆的速度和外形参数，以及所述预设范围内任意两个车辆之间的距离；根据所述环境数据，利用加速度预测模型，计算所述障碍物车辆在所述第一时刻的加速度；根据所述障碍物车辆在所述第一时刻的加速度、速度和位置，计算所述障碍物车辆在第二时刻的位置。本专利技术实施例的另一个方面是提供一种轨迹预测装置，包括：环境数据获取模块，用于获取第一时刻的环境数据，所述环境数据至少包括：预设范围内的障碍物车辆的速度和外形参数，本车辆的速度和外形参数，以及所述预设范围内任意两个车辆之间的距离；加速度计算模块，用于根据所述环境数据，利用加速度预测模型，计算所述障碍物车辆在所述第一时刻的加速度；位置计算模块，用于根据所述障碍物车辆在所述第一时刻的加速度、速度和位置，计算所述障碍物车辆在第二时刻的位置。本专利技术实施例的另一个方面是提供一种终端设备，包括：存储器，处理器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时实现上述所述的轨迹预测方法。本专利技术实施例的另一个方面是提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的轨迹预测方法。本专利技术实施例提供的轨迹预测方法、装置、设备及计算机可读存储介质，本专利技术实施例并不是将障碍物车辆作为匀速移动的物体，也不是将障碍物车辆作为静止物体，而是通过根据所述第一时刻的环境数据，利用加速度预测模型，计算所述障碍物车辆在所述第一时刻的加速度；根据所述障碍物车辆在所述第一时刻的加速度、速度和位置，计算所述障碍物车辆在第二时刻的位置，提高了障碍物车辆轨迹预测的准确性，提高了无人驾驶车辆行驶的安全性。附图说明图1为本专利技术实施例一提供的轨迹预测方法流程图；图2为本专利技术实施例二提供的轨迹预测方法流程图；图3为本专利技术实施例二提供的加速度预测模型的结构示意图；图4为本专利技术实施例三提供的轨迹预测装置的结构示意图；图5为本专利技术实施例四提供的轨迹预测装置的结构示意图；图6为本专利技术实施例五提供的终端设备的结构示意图。通过上述附图，已示出本专利技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本专利技术实施例构思的范围，而是通过参考特定实施例为本领域技术人员说明本专利技术的概念。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本专利技术实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本专利技术实施例的一些方面相一致的装置和方法的例子。本专利技术实施例所涉及的术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。在以下各实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本专利技术的实施例进行描述。实施例一图1为本专利技术实施例一提供的轨迹预测方法流程图。本专利技术实施例针对现有的障碍物车辆的轨迹预测方法对障碍物车辆的轨迹的预测不准确的问题，提供了轨迹预测方法。本实施例中的方法应用于终端设备，该终端设备可以是车载终端等，在其他实施例中，该方法还可应用于其他设备，本实施例以车载终端为例进行示意性说明。如图1所示，该方法具体步骤如下：步骤S101、获取第一时刻的环境数据，环境数据至少包括：预设范围内的障碍物车辆的速度和外形参数，本车辆的速度和外形参数，以及该预设范围内任意两个车辆之间的距离。其中，预设范围可以是以本车辆的当前位置为中心，以预设距离为半径的圆形区域。其中预设距离可以根据本车辆上用于采集数据的传感器的覆盖范围确定，预设范围在本车辆的传感器的覆盖范围，本车辆能够采集到预设范围内的环境数据。另外，预设范围可以由技术人员根据实际车辆和应用场景进行设定，本实施例此处不做具体限定。障碍物车辆是指本车辆周围的车辆，可以是本车辆获取环境数据时所覆盖范围的其他车辆。在行驶过程中，相对于本车辆来说，周围的其他车辆可以理解为是其行驶道路上的动态的障碍物。本车辆行驶过程中，在不同的时刻，周围的障碍物车辆是会发生变化的。本实施例中，第一时刻是可以是当前时刻，本车辆实时地获取当前时刻的环境数据，并通过本实施例提供的轨迹预测方法，预测障碍物车辆在未来的第二时刻的位置。车载终端能够获取环境数据至少包括：障碍物车辆的速度和外形参数，本车辆的速度和外形参数，以及任意两个车辆之间的距离。环境数据还可以包括车载终端能够获取的其他的会对车辆的行驶产生交互式影响的数据，例如道路数据等，本实施例此处不做具体限定。步骤S102、根据环境数据，利用加速度预测模型，计算障碍物车辆在第一时刻的加速度。在获取到第一时刻的环境数据之后，将环境数据输入训练好的加速度预测模型，通过加速度预测模型预测障碍物车辆在第一时刻的加速度。本实施例中，预先构建用于预测车辆加速度的神经网络模型，通过大量真实的历史行驶数据作为训练数据，对神经网络模型进行训练，得到加速度预测模型。该加速度预测模型能够根据一个时刻的环境数据，准确地预测出环境数据中障碍物车辆在该时刻的加速度。步骤S103、根据障碍物车辆在第一时刻的加速度、速度和位置，计算障碍物车辆在第二时刻的位置。在得到障碍物车辆在第一时刻的加速度之后，可以根据障碍物车辆在第一时刻的加速度、速度和位置，利用动力学方程计算得到在之后的第二时刻障碍物车辆的位置。本专利技术实施例并不是将障碍物车辆作为匀速移动的物体，也不是将障碍物车辆作为静止物体，而是通过根据第一时刻的环境数据，利用加速度预测模型，计算障碍物车辆在第一时刻的加速度；根据障碍物车辆在第一时刻的加速度、速度和位置，计算障碍物车辆在第二时刻的位置，提高了障碍物车辆轨迹预测的准确性，提高了无人驾驶车辆行驶的安全性。实施例二图2为本专利技术实施例二提供的轨迹预测方法流程图；图3为本专利技术实施例二提供的加速度预测模型的结构示意图。在上述实施例一的基础上，本实施例中，根据环境数据，利用加速度预测模型，计算障碍物车辆在第一时刻的加速度之前，还包括：利用训练集对预设的神经网络模型进行模型训练，得到加速度预测模型。如本文档来自技高网...

【技术保护点】
1.一种轨迹预测方法，其特征在于，包括：获取第一时刻的环境数据，所述环境数据至少包括：预设范围内的障碍物车辆的速度和外形参数，本车辆的速度和外形参数，以及所述预设范围内任意两个车辆之间的距离；根据所述环境数据，利用加速度预测模型，计算所述障碍物车辆在所述第一时刻的加速度；根据所述障碍物车辆在所述第一时刻的加速度、速度和位置，计算所述障碍物车辆在第二时刻的位置。

【技术特征摘要】
1.一种轨迹预测方法，其特征在于，包括：获取第一时刻的环境数据，所述环境数据至少包括：预设范围内的障碍物车辆的速度和外形参数，本车辆的速度和外形参数，以及所述预设范围内任意两个车辆之间的距离；根据所述环境数据，利用加速度预测模型，计算所述障碍物车辆在所述第一时刻的加速度；根据所述障碍物车辆在所述第一时刻的加速度、速度和位置，计算所述障碍物车辆在第二时刻的位置。2.根据权利要求1所述的方法，其特征在于，所述根据所述环境数据，利用加速度预测模型，计算所述障碍物车辆在所述第一时刻的加速度之前，还包括：利用训练集对预设的神经网络模型进行模型训练，得到所述加速度预测模型。3.根据权利要求2所述的方法，其特征在于，所述利用训练集对所述预设的神经网络模型进行模型训练，得到所述加速度预测模型之前，还包括：获取所述训练集，所述训练集包括多条训练数据，每条训练数据包括第一历史时刻的真实环境数据，以及所述真实环境数据中的车辆在第二历史时刻的加速度。4.根据权利要求3所述的方法，其特征在于，用Δt表示所述第二历史时刻与所述第一历史时刻间的时间间隔，用Δt′表示所述第二时刻与所述第一时刻间的时间间隔，|Δt-Δt′|<预设时间误差。5.根据权利要求2-4任一项所述的方法，其特征在于，所述神经网络模型包括：卷积层，ReLU层，最大池化层，全连接层，BN层，DropOut层，循环神经网络编码层和循环神经网络解码层。6.根据权利要求1-4任一项所述的方法，其特征在于，所述预设范围内包括多辆障碍物车辆，所述根据所述障碍物车辆在所述第一时刻的加速度、速度和位置，计算所述障碍物车辆在所述第二时刻的位置，包括：分别将每个所述障碍物车辆作为目标车辆，根据所述目标车辆在所述第一时刻的加速度、速度和位置，计算所述目标车辆在所述第二时刻的位置，得到每辆所述障碍物车辆的在所述第二时刻的位置。7.根据权利要求6所述的方法，其特征在于，根据所述目标车辆在所述第一时刻的加速度、速度和位置，计算所述目标车辆在所述第二时刻的位置，包括：采用如下运动学方程，计算所述目标车辆在所述第二时刻的位置：其中，pt和pt-1均为位置函数，pt表示所述目标车辆在所述第二时刻的位置，pt-1表示所述目标车辆在所述第一时刻的位置，vt-1表示所述目标车辆在所述第一时刻的速度，at-1表示所述目标车辆在所述第一时刻的加速度，Δt表示所述第一时刻与所述第二时刻之间的间隔时长，表示位置函数pt-1的泰勒展开式的余项。8.一种轨迹预测装置，其...

【专利技术属性】
技术研发人员：鞠策，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京,11