轨迹预测的方法、装置、电子设备及存储介质制造方法及图纸

本公开提供了一种轨迹预测的方法、装置、电子设备及存储介质，包括：根据目标对象的运动轨迹，确定所述目标对象的多个历史位置信息；将所述多个历史位置信息中的一个历史位置信息作为目标历史位置信息，根据所述目标历史位置信息之前的多个历史位置信息对应的隐特征向量，确定与所述目标历史位置信息匹配的特征向量队列；根据所述目标对象的最后一个历史位置信息以及与所述最后一个历史位置信息匹配的特征向量队列，确定该目标对象的至少一条预测轨迹。

【技术实现步骤摘要】
轨迹预测的方法、装置、电子设备及存储介质
本公开涉及深度学习
，具体而言，涉及一种轨迹预测的方法、装置、电子设备及存储介质。
技术介绍
目标对象的轨迹预测是一项重要任务，其中，目标对象的轨迹预测，可以通过获取的每个目标对象的历史移动轨迹，在复杂的场景中预测每个目标对象的未来轨迹。具体的，轨迹预测可以应用于自动驾驶汽车、移动机器人和智能监控等应用领域中，比如，对场景里目标对象未来轨迹的精准预测可以有效地帮助自动驾驶汽车和机器人规划安全的路径，或者对监控场景中可能发生的碰撞进行预判。
技术实现思路
有鉴于此，本公开至少提供一种轨迹预测的方法、装置、电子设备及存储介质。第一方面，本公开提供了一种轨迹预测的方法，包括：根据目标对象的运动轨迹，确定所述目标对象的多个历史位置信息；将所述多个历史位置信息中的一个历史位置信息作为目标历史位置信息，根据所述目标历史位置信息之前的多个历史位置信息对应的隐特征向量，确定与所述目标历史位置信息匹配的特征向量队列；根据所述目标对象的最后一个历史位置信息以及与所述最后一个历史位置信息匹配的特征向量队列，确定该目标对象的至少一条预测轨迹。采用上述方法，针对目标历史位置信息，通过由目标历史位置信息之前的多个历史位置信息对应的隐特征向量，确定与所述目标历史位置信息匹配的特征向量队列，使得得到的目标历史位置信息对应的特征向量队列包括多个历史位置信息之间在时间维度上的关联特征，故基于包含多个历史位置信息之间在时间维度上的关联特征的、最后一个历史位置信息，确定预测轨迹时，预测轨迹的准确度较高。一种可能的实施方式中，在确定与所述目标历史位置信息匹配的特征向量队列之后，所述方法还包括：根据所述目标历史位置信息以及与所述目标历史位置信息匹配的特征向量队列，生成所述目标历史位置信息对应的隐特征向量；根据所述目标对象的最后一个历史位置信息以及与所述最后一个历史位置信息匹配的特征向量队列，确定该目标对象的至少一条预测轨迹，包括：根据所述目标对象的最后一个历史位置信息以及与所述最后一个历史位置信息匹配的特征向量队列，生成所述最后一个历史位置信息对应的隐特征向量；根据所述最后一个历史位置信息对应的隐特征向量，确定所述目标对象的至少一条预测轨迹。一种可能的实施方式中，根据下述步骤确定所述目标历史位置信息对应的隐特征向量，包括：基于所述目标历史位置信息、与所述目标历史位置信息匹配的所述特征向量队列中的每个隐特征向量，以及与所述每个隐特征向量对应的记忆特征向量，生成所述目标历史位置信息对应的隐特征向量。这里，为目标历史位置信息匹配对应的特征向量队列，特征向量队列中包括目标历史位置信息之前的多个历史位置信息对应的隐特征向量，通过基于目标历史位置信息之前的多个历史位置信息对应的隐特征向量、目标历史位置信息、每个隐特征向量对应的记忆特征向量，生成目标历史位置信息对应的隐特征向量，使得生成的目标历史位置信息对应的隐特征向量中包含目标历史位置信息之前的多个历史位置信息之间在时间维度上的关联特征，为后续生成较为精准的预测轨迹提供了数据支持。一种可能的实施方式中，基于所述目标历史位置信息、与所述目标历史位置信息匹配的所述特征向量队列中的每个隐特征向量，以及与每个隐特征向量对应的记忆特征向量，生成所述目标历史位置信息对应的隐特征向量，包括：基于与所述目标历史位置信息匹配的所述特征向量队列中的每个隐特征向量，生成所述特征向量队列对应的平均特征向量；基于所述目标历史位置信息、所述平均特征向量、所述特征向量队列中的每个隐特征向量，以及与特征向量队列中的每个隐特征向量对应的记忆特征向量，生成所述目标历史位置信息对应的记忆特征向量；基于所述目标历史位置信息、所述平均特征向量、以及所述目标历史位置信息对应的记忆特征向量，生成所述目标历史位置信息对应的隐特征向量。这里，对生成目标历史位置信息对应的隐特征向量的步骤进行了说明，为后续基于目标对象的最后一个目标历史位置信息对应的隐特征向量、以及目标对象对应的图像特征向量，生成目标对象的预测轨迹提供了数据支持。一种可能的实施方式中，所述目标对象为多个目标对象，在根据所述目标历史位置信息以及与所述目标历史位置信息匹配的特征向量队列，生成所述目标历史位置信息对应的隐特征向量之后，还包括：基于所述多个目标对象中每个目标对象的多个历史位置信息对应的隐特征向量，对第一目标对象的所述目标历史位置信息对应的隐特征向量、以及在所述目标历史位置信息之前的历史位置信息对应的隐特征向量进行调整，生成所述目标历史位置信息对应的、调整后的隐特征向量；所述第一目标对象为多个目标对象中的任一目标对象；根据所述最后一个历史位置信息对应的隐特征向量，确定所述目标对象的至少一条预测轨迹，包括：根据所述最后一个历史位置信息对应的、调整后的隐特征向量，确定所述目标对象的至少一条预测轨迹。这里，在至少一个目标对象为多个目标对象时，考虑到不同目标对象的移动轨迹之间会产生相互影响，故可以利用多个目标对象中每个目标对象的多个历史位置信息对应的隐特征向量，对第一目标对象的目标历史位置信息对应的隐特征向量、以及在目标历史位置信息之前的历史位置信息对应的隐特征向量进行调整，使得调整后的隐特征向量中包含有不同目标对象之间的运动交互特征，进而基于调整后的隐特征向量，可以较精准的确定各个目标对象的预测轨迹。一种可能的实施方式中，基于所述多个目标对象中每个目标对象的多个历史位置信息对应的隐特征向量，对第一目标对象的所述目标历史位置信息对应的隐特征向量、以及在所述目标历史位置信息之前的历史位置信息对应的隐特征向量进行调整，生成所述目标历史位置信息对应的、调整后的隐特征向量，包括：基于第一目标对象对应的任一待调整的隐特征向量，以及其他目标对象在对应历史位置信息的隐特征向量，生成第一目标对象分别与所述多个目标对象之间的关联程度，并基于各个关联程度，生成归一化因子；基于所述任一待调整的隐特征向量、所述归一化因子、第一目标对象分别与所述多个目标对象之间的关联程度、以及与其他目标对象对应的线性变换后的隐特征向量，生成所述任一待调整的隐特征向量对应的调整后的隐特征向量。上述实施方式中，对每个目标对象的待调整的隐特征向量的调整过程进行了说明，为后续基于目标对象的最后一个历史位置信息对应的调整后的隐特征向量、以及目标对象对应的图像特征向量，生成目标对象的预测轨迹提供了数据支持。一种可能的实施方式中，所述方法还包括：根据所述目标对象所在场景的场景图像，确定所述目标对象对应的至少一个图像特征向量；根据所述目标对象的最后一个历史位置信息以及与所述最后一个历史位置信息匹配的特征向量队列，确定该目标对象的至少一条预测轨迹，包括：根据所述目标对象的最后一个历史位置信息、与所述最后一个历史位置信息匹配的特征向量队列、以及所述目标对象对应的至少一个图像特征向量，确定该目本文档来自技高网...

【技术保护点】
1.一种轨迹预测的方法，其特征在于，包括：/n根据目标对象的运动轨迹，确定所述目标对象的多个历史位置信息；/n将所述多个历史位置信息中的一个历史位置信息作为目标历史位置信息，根据所述目标历史位置信息之前的多个历史位置信息对应的隐特征向量，确定与所述目标历史位置信息匹配的特征向量队列；/n根据所述目标对象的最后一个历史位置信息以及与所述最后一个历史位置信息匹配的特征向量队列，确定该目标对象的至少一条预测轨迹。/n

【技术特征摘要】
1.一种轨迹预测的方法，其特征在于，包括：
根据目标对象的运动轨迹，确定所述目标对象的多个历史位置信息；
将所述多个历史位置信息中的一个历史位置信息作为目标历史位置信息，根据所述目标历史位置信息之前的多个历史位置信息对应的隐特征向量，确定与所述目标历史位置信息匹配的特征向量队列；
根据所述目标对象的最后一个历史位置信息以及与所述最后一个历史位置信息匹配的特征向量队列，确定该目标对象的至少一条预测轨迹。


2.根据权利要求1所述的方法，其特征在于，在确定与所述目标历史位置信息匹配的特征向量队列之后，所述方法还包括：
根据所述目标历史位置信息以及与所述目标历史位置信息匹配的特征向量队列，生成所述目标历史位置信息对应的隐特征向量；
根据所述目标对象的最后一个历史位置信息以及与所述最后一个历史位置信息匹配的特征向量队列，确定该目标对象的至少一条预测轨迹，包括：
根据所述目标对象的最后一个历史位置信息以及与所述最后一个历史位置信息匹配的特征向量队列，生成所述最后一个历史位置信息对应的隐特征向量；
根据所述最后一个历史位置信息对应的隐特征向量，确定所述目标对象的至少一条预测轨迹。


3.根据权利要求2所述的方法，其特征在于，根据下述步骤确定所述目标历史位置信息对应的隐特征向量，包括：
基于所述目标历史位置信息、与所述目标历史位置信息匹配的所述特征向量队列中的每个隐特征向量，以及与所述每个隐特征向量对应的记忆特征向量，生成所述目标历史位置信息对应的隐特征向量。


4.根据权利要求3所述的方法，其特征在于，基于所述目标历史位置信息、与所述目标历史位置信息匹配的所述特征向量队列中的每个隐特征向量，以及与所述每个隐特征向量对应的记忆特征向量，生成所述目标历史位置信息对应的隐特征向量，包括：
基于与所述目标历史位置信息匹配的所述特征向量队列中的每个隐特征向量，生成所述特征向量队列对应的平均特征向量；
基于所述目标历史位置信息、所述平均特征向量、所述特征向量队列中的每个隐特征向量，以及与特征向量队列中的每个隐特征向量对应的记忆特征向量，生成所述目标历史位置信息对应的记忆特征向量；
基于所述目标历史位置信息、所述平均特征向量、以及所述目标历史位置信息对应的记忆特征向量，生成所述目标历史位置信息对应的隐特征向量。


5.根据权利要求2所述的方法，其特征在于，所述目标对象为多个目标对象，在根据所述目标历史位置信息以及与所述目标历史位置信息匹配的特征向量队列，生成所述目标历史位置信息对应的隐特征向量之后，还包括：
基于所述多个目标对象中每个目标对象的多个历史位置信息对应的隐特征向量，对第一目标对象的所述目标历史位置信息对应的隐特征向量、以及在所述目标历史位置信息之前的历史位置信息对应的隐特征向量进行调整，生成所述目标历史位置信息对应的、调整后的隐特征向量；所述第一目标对象为多个目标对象中的任一目标对象；
根据所述最后一个历史位置信息对应的隐特征向量，确定所述目标对象的至少一条预测轨迹，包括：
根据所述最后一个历史位置信息对应的、调整后的隐特征向量，确定所述目标对象的至少一条预测轨迹。


6.根据权利要求5所述的方法，其特征在于，基于所述多个目标对象中每个目标对象的多个历史位置信息对应的隐特征向量，对第一目标对象的所述目标历史位置信息对应的隐特征向量、以及在所述目标历史位置信息之前的历史位置信息对应的隐特征向量进行调整，生成所述目标历史位置信息对应的、调整后的隐特征向量，包括：
基于第一目标对象对应的任一待调整的隐特征向量，以及其他目标对象在对应历史位置信息的隐特征向量，生成第一目标对象分别与所述多个目标对象之间的关联程度，并基于各个关联程度，生成归一化因子；
基于所述任一待...

【专利技术属性】
技术研发人员：陶超凡，蒋沁宏，罗平，
申请(专利权)人：上海商汤智能科技有限公司，
类型：发明
国别省市：上海;31