障碍物的轨迹预测方法、装置及无人驾驶设备制造方法及图纸

本申请提供一种障碍物的轨迹预测方法、装置及无人驾驶设备，所述方法的一具体实施方式包括：针对未来预设时段内多个目标时刻中的每个目标时刻，执行以下操作，以预测多个障碍物中每个障碍物在该目标时刻的轨迹点：确定所述无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息；基于所述定位信息，确定该上一时刻的全局交互向量；所述全局交互向量用于表示所述无人驾驶设备及所述多个障碍物相互间对运动的共同影响因素；基于所述全局交互向量，预测每个所述障碍物在该目标时刻的轨迹点。该实施方式预测得到的障碍物未来的轨迹更接近实际轨迹，从而使得无人驾驶设备的路径规划的结果更具合理性。

Trajectory Prediction Method, Device and Unmanned Equipment for Obstacles

【技术实现步骤摘要】
障碍物的轨迹预测方法、装置及无人驾驶设备
本申请涉及无人驾驶
，特别涉及一种障碍物的轨迹预测方法、装置及无人驾驶设备。
技术介绍
目前来说，在无人驾驶
中，需要对无人驾驶设备进行路径规划，从而得到安全平滑的运行轨迹。为了使无人驾驶设备能够更准确的避开周围的障碍物，通常需要对障碍物未来的轨迹进行预测。一般来说，在相关技术中，通常是根据障碍物在当前以及当前之前预设时段内的运动状态，预测障碍物在未来多个预设时刻的轨迹点，从而得到障碍物未来的轨迹。但是，通过这种方式预测的障碍物未来的轨迹准确度较差，使得无人驾驶设备路径规划的结果缺乏合理性。
技术实现思路
为了解决上述技术问题之一，本申请提供一种障碍物的轨迹预测方法、装置及无人驾驶设备。根据本申请实施例的第一方面，提供一种障碍物的轨迹预测方法，应用于无人驾驶设备，包括：针对未来预设时段内多个目标时刻中的每个目标时刻，执行以下操作，以预测多个障碍物中每个障碍物在该目标时刻的轨迹点：确定所述无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息；基于所述定位信息，确定该上一时刻的全局交互向量；所述全局交互向量用于表示所述无人驾驶设备及所述多个障碍物相互间对运动的共同影响因素；基于所述全局交互向量，预测每个所述障碍物在该目标时刻的轨迹点。可选的，所述基于所述定位信息，确定该上一时刻的全局交互向量，包括：基于所述定位信息，确定该上一时刻的空间关系向量；所述空间关系向量用于表示所述无人驾驶设备及所述多个障碍物相互间的全局空间关系因素；基于所述空间关系向量，确定该上一时刻的全局交互向量。可选的，通过如下方式基于所述定位信息，确定该上一时刻的空间关系向量，并基于所述空间关系向量，确定该上一时刻的全局交互向量：将所述定位信息输入至第一神经网络；所述第一神经网络包括嵌入层，最大池化层以及第一循环层；利用所述嵌入层提取所述定位信息的目标特征向量；利用所述最大池化层对所述目标特征向量进行最大池化操作，得到所述空间关系向量；利用所述第一循环层处理所述空间关系向量，得到所述全局交互向量。可选的，所述基于所述全局交互向量，预测每个所述障碍物在该目标时刻的轨迹点，包括：确定每个所述障碍物在该上一时刻之前的一个时刻间隔内的位移；基于所述全局交互向量以及每个所述障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个所述障碍物在该目标时刻的轨迹点。可选的，所述基于所述全局交互向量以及每个所述障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个所述障碍物在该目标时刻的轨迹点，包括：基于所述全局交互向量及每个所述障碍物在该上一时刻的定位信息，确定每个所述障碍物在该上一时刻的个体交互向量；任意一个障碍物在该上一时刻的个体交互向量表示该障碍物的运动与全局的交互影响因素；基于每个所述障碍物在该上一时刻的个体交互向量及每个所述障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个所述障碍物在该目标时刻的轨迹点。可选的，通过如下方式基于所述全局交互向量及每个所述障碍物在该上一时刻的定位信息，确定每个所述障碍物在该上一时刻的个体交互向量，并基于每个所述障碍物在该上一时刻的个体交互向量及每个所述障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个所述障碍物在该目标时刻的轨迹点：将所述全局交互向量及每个所述障碍物在该上一时刻的定位信息输入至第二神经网络；所述第二神经网络包括查询层，拼接层以及第二循环层；利用所述查询层，基于所述全局交互向量及每个所述障碍物在该上一时刻的定位信息，计算每个所述障碍物在该上一时刻的个体交互向量；针对每个所述障碍物，利用所述拼接层，将该障碍物在该上一时刻的个体交互向量、该障碍物在该上一时刻之前的一个时刻间隔内的位移以及随机噪声进行拼接，得到该障碍物对应的目标向量；利用所述第二循环层对每个所述障碍物对应的目标向量进行预设处理；基于所述预设处理的结果，确定每个所述障碍物在该目标时刻的轨迹点。根据本申请实施例的第二方面，提供一种障碍物的轨迹预测装置，应用于无人驾驶设备，包括：控制模块，获取模块，确定模块和预测模块；所述控制模块，用于针对未来预设时段内多个目标时刻中的每个目标时刻，控制所述获取模块，所述确定模块和所述预测模块，执行预测多个障碍物中每个障碍物在该目标时刻的轨迹点的操作；所述获取模块，用于确定所述无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息；所述确定模块，用于基于所述定位信息，确定该上一时刻的全局交互向量；所述全局交互向量用于表示所述无人驾驶设备及所述多个障碍物相互间对运动的共同影响因素；所述预测模块，用于基于所述全局交互向量，预测每个所述障碍物在该目标时刻的轨迹点。可选的，所述确定模块被配置用于：基于所述定位信息，确定该上一时刻的空间关系向量；所述空间关系向量用于表示所述无人驾驶设备及所述多个障碍物相互间的全局空间关系因素；基于所述空间关系向量，确定该上一时刻的全局交互向量。根据本申请实施例的第三方面，提供一种计算机可读存储介质，所述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第一方面中任一项所述的方法。根据本申请实施例的第四方面，提供一种电子设备，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，所述处理器执行所述程序时实现上述第一方面中任一项所述的方法。本申请的实施例提供的技术方案可以包括以下有益效果：本申请的实施例提供的障碍物的轨迹预测方法和装置，针对未来预设时段内多个目标时刻中的每个目标时刻，执行以下操作，以预测多个障碍物中每个障碍物在该目标时刻的轨迹点：确定无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息，基于该定位信息确定该上一时刻的全局交互向量，并基于该上一时刻的全局交互向量，预测每个障碍物在该目标时刻的轨迹点。其中，该全局交互向量用于表示无人驾驶设备及多个障碍物相互间对运动的共同影响因素。由于本实施例考虑了无人驾驶设备及障碍物相互间对运动的共同影响因素，因此，预测得到的障碍物未来的轨迹更接近实际轨迹，从而使得无人驾驶设备的路径规划的结果更具合理性。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。图1是本申请根据一示例性实施例示出的一种障碍物的轨迹预测方法的流程图；图2是本申请根据一示例性实施例示出的另一种障碍物的轨迹预测方法的流程图；图3是本申请根据一示例性实施例示出的另一种障碍物的轨迹预测方法的流程图；图4是本申请根据一示例性实施例示出的另一种障碍物的轨迹预测方法的流程图；图5是本申请根据一示例性实施例示出的一种障碍物的轨迹预测装置的框图；图6是本申请根据一示例性实施例示出的另一种障碍物的轨迹预测装置的框图；图7是本申请根据一示例性实施例示出的一种电子设备的结构示意图。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申请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、本申请的本文档来自技高网...

【技术保护点】
1.一种障碍物的轨迹预测方法，应用于无人驾驶设备，其特征在于，所述方法包括：针对未来预设时段内多个目标时刻中的每个目标时刻，执行以下操作，以预测多个障碍物中每个障碍物在该目标时刻的轨迹点：确定所述无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息；基于所述定位信息，确定该上一时刻的全局交互向量；所述全局交互向量用于表示所述无人驾驶设备及所述多个障碍物相互间对运动的共同影响因素；基于所述全局交互向量，预测每个所述障碍物在该目标时刻的轨迹点。

【技术特征摘要】
1.一种障碍物的轨迹预测方法，应用于无人驾驶设备，其特征在于，所述方法包括：针对未来预设时段内多个目标时刻中的每个目标时刻，执行以下操作，以预测多个障碍物中每个障碍物在该目标时刻的轨迹点：确定所述无人驾驶设备和每个障碍物在该目标时刻的上一时刻的定位信息；基于所述定位信息，确定该上一时刻的全局交互向量；所述全局交互向量用于表示所述无人驾驶设备及所述多个障碍物相互间对运动的共同影响因素；基于所述全局交互向量，预测每个所述障碍物在该目标时刻的轨迹点。2.根据权利要求1所述的方法，其特征在于，所述基于所述定位信息，确定该上一时刻的全局交互向量，包括：基于所述定位信息，确定该上一时刻的空间关系向量；所述空间关系向量用于表示所述无人驾驶设备及所述多个障碍物相互间的全局空间关系因素；基于所述空间关系向量，确定该上一时刻的全局交互向量。3.根据权利要求2所述的方法，其特征在于，通过如下方式基于所述定位信息，确定该上一时刻的空间关系向量，并基于所述空间关系向量，确定该上一时刻的全局交互向量：将所述定位信息输入至第一神经网络；所述第一神经网络包括嵌入层，最大池化层以及第一循环层；利用所述嵌入层提取所述定位信息的目标特征向量；利用所述最大池化层对所述目标特征向量进行最大池化操作，得到所述空间关系向量；利用所述第一循环层处理所述空间关系向量，得到所述全局交互向量。4.根据权利要求1-3中任一所述的方法，其特征在于，所述基于所述全局交互向量，预测每个所述障碍物在该目标时刻的轨迹点，包括：确定每个所述障碍物在该上一时刻之前的一个时刻间隔内的位移；基于所述全局交互向量以及每个所述障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个所述障碍物在该目标时刻的轨迹点。5.根据权利要求4所述的方法，其特征在于，所述基于所述全局交互向量以及每个所述障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个所述障碍物在该目标时刻的轨迹点，包括：基于所述全局交互向量及每个所述障碍物在该上一时刻的定位信息，确定每个所述障碍物在该上一时刻的个体交互向量；任意一个障碍物在该上一时刻的个体交互向量表示该障碍物的运动与全局的交互影响因素；基于每个所述障碍物在该上一时刻的个体交互向量及每个所述障碍物在该上一时刻之前的一个时刻间隔内的位移，预测每个所述障碍物在该目标时刻的轨迹点。6.根据权利要求5所述的...

【专利技术属性】
技术研发人员：朱炎亮，任冬淳，钱德恒，
申请(专利权)人：北京三快在线科技有限公司，
类型：发明
国别省市：北京,11