【技术实现步骤摘要】
图像预测及车辆行为规划方法、装置和系统及存储介质
本专利技术涉及自动驾驶
,更具体地涉及一种图像预测方法、装置和系统及车辆行为规划方法、装置和系统及存储介质。
技术介绍
在自动驾驶领域,现有技术主要依赖于当前状态下的感知信息来完成对车辆行为的规划,这样存在两个问题,一是无法应对突发事件,二是使用这种方案决策的行为不具备可解释性。
技术实现思路
考虑到上述问题而提出了本专利技术。本专利技术提供了一种图像预测方法、装置和系统及车辆行为规划方法、装置和系统及存储介质。本专利技术一方面,提供了一种图像预测方法。图像预测方法包括:获取目标车辆在当前时刻T1采集的当前图像I10;通过第一编码器EN0提取当前图像I10的特征F10;对于第T1+i*Δt时刻,在预测网络Ni中,基于特征F10至特征F1i-1中的一个或多个来预测特征F1i,并对特征F1i进行重建以获得第T1+i*Δt时刻的预测图像I1i',i=1,2……m,m是大于或等于2的整数,Δt为预设时段。本专利技术的另一方面,提供了车辆行为规划方法,包括:获取上述图像预测方法中涉及的当前图像I10以及预测图像I11',I12'……I1m';基于i=1,通过第二编码器EN0'提取图像I1i-1的特征F1i-1';基于i=2,3……m,通过第二编码器EN0'提取预测图像I1i-1'的特征F1i-1';基于i=1,2……m,将特征F1i-1'输入具有第一初始参数的变换卷积网络CT中进行卷积,以获得变换矩阵M1i-1;采用变换矩阵M1i-1对 ...
【技术保护点】
1.一种图像预测方法,包括:/n获取目标车辆在当前时刻T
【技术特征摘要】
1.一种图像预测方法,包括:
获取目标车辆在当前时刻T1采集的当前图像I10;
通过第一编码器EN0提取所述当前图像I10的特征F10;
对于第T1+i*Δt时刻,在预测网络Ni中,基于所述特征F10至特征F1i-1中的一个或多个来预测特征F1i,并对所述特征F1i进行重建以获得第T1+i*Δt时刻的预测图像I1i',i=1,2……m,m是大于或等于2的整数,Δt为预设时段。
2.如权利要求1所述的方法,其中,所述基于所述特征F10至特征F1i-1中的一个或多个来预测特征F1i包括:
对于所述特征F10至所述特征F1i-1中的每个参与预测的特征F1j,
基于所述特征F1j计算注意力遮罩S1ij;
对所述特征F1j与所述注意力遮罩S1ij进行矩阵内积计算,以获得注意力特征FS1ij;
将所述注意力特征FS1ij输入全连接层或卷积层进行特征加权求和,以获得加权特征FA1ij;
将在所述预测网络Ni中获得的所有加权特征进行融合,以获得所述特征F1i;
其中,j∈{0,1……i-1}。
3.如权利要求2所述的方法,其中,所述基于所述特征F1j计算注意力遮罩S1ij包括:
将所述特征F1j输入所述预测网络Ni中的遮罩卷积网络CSij中进行卷积,以获得所述注意力遮罩S1ij,其中,所述注意力遮罩S1ij与所述特征F1j的高和宽一致并且通道数为1,所述注意力遮罩S1ij中的每个元素代表车辆将要驶向的位置的响应值。
4.一种车辆行为规划方法,包括:
获取如权利要求1至3任一项所述的图像预测方法中涉及的所述当前图像I10以及所述预测图像I11',I12'……I1m';
基于i=1,通过第二编码器EN0'提取图像I1i-1的特征F1i-1';
基于i=2,3……m,通过所述第二编码器EN0'提取预测图像I1i-1'的特征F1i-1';
基于i=1,2……m,
将所述特征F1i-1'输入具有第一初始参数的变换卷积网络CT中进行卷积,以获得变换矩阵M1i-1;
采用所述变换矩阵M1i-1对所述特征F1i-1'进行矩阵变换,以获得变换特征F1i”;
通过第二解码器DE0'对所述特征F1i”进行重建,以获得重建图像I1i”;
通过预测图像I1i'和所述重建图像I1i”计算第一图像损失函数,并基于所述第一图像损失函数对所述变换卷积网络CT进行训练,以获得训练后的变换卷积网络CTi-1;
基于所述变换卷积网络CTi-1输出的变换矩阵M1i-1确定所述目标车辆在第T1+(i-1)*Δt时刻的期望加速度和期望转角。<...
【专利技术属性】
技术研发人员:于立冬,
申请(专利权)人:驭势科技南京有限公司,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。