车辆轨迹预测方法、装置、电子设备及计算机可读介质制造方法及图纸

本发明专利技术涉及一种基于高精度地图的车辆轨迹预测方法、装置、电子设备及计算机可读介质。该方法包括：基于高精度地图获取智能汽车周围的其他车辆信息、车道信息和人行道信息；基于所述智能汽车的本车信息、所述其他车辆信息、所述车道信息和所述人行道信息生成相邻关系图，其中，所述智能汽车、其他车辆、车道、人行道均为所述相邻关系图的节点；提取所述相邻关系图中每个节点的局部特征；基于全局卷积网络、所述局部特征、所述相邻关系图对所述其他车辆的轨迹进行预测。本发明专利技术涉及的基于高精度地图的车辆轨迹预测方法、装置、电子设备及计算机可读介质，能够让自动驾驶的智能车辆得到更加合理的驾驶策略，规划出更加安全的行驶路线。

【技术实现步骤摘要】
车辆轨迹预测方法、装置、电子设备及计算机可读介质
本专利技术涉及智能汽车路径规划领域，具体而言，涉及一种基于高精度地图的车辆轨迹预测方法、装置、电子设备及计算机可读介质。
技术介绍
车辆行为预测解决的是自动驾驶车辆和其他运动车辆的协同交互问题。现有的预测方法一般包括以下几种：1、基于物理规律的预测。假定运动物体的运动方式满足一定的规则。比如车辆满足运动学约束等；2、基于运动行为的预测。假定运动物体如车辆的行为是巡航，左转，右转，跟车，超车，停车等基本行为的组合；3、基于高精地图的行为预测。高精地图提供丰富的交通信息(如车道，人行道，红绿灯等)。运动物体在道路运动时跟所处的位置有一定的关系，比如车辆在左转车道，靠近人行道时它的未来运动轨迹就和这个非常相关。其中，方法1和2适用于简单的场景，在一些复杂的场景，如车辆在路口时这些方法通常就不能给到一个好的运动轨迹，并且需要一些复杂的后处理。方法3经常是将高精地图的转换成图像的形式，把物体投影到图像，利用卷积神经网络得到物体的运动轨迹。这种做法是将高精地图的信息转化成语义图像，让神经网络去学习其中的语义，非常依赖生成语义图像的方式，同时需要对每个运动物体生成一个图像，当运动物体的个数较多时，性能受到很大的影响。因此，需要一种新的基于高精度地图的车辆轨迹预测方法、装置、电子设备及计算机可读介质。在所述
技术介绍
部分公开的上述信息仅用于加强对本专利技术的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
有鉴于此，本专利技术提供一种基于高精度地图的车辆轨迹预测方法、装置、电子设备及计算机可读介质，能够让自动驾驶的智能车辆得到更加合理的驾驶策略，规划出更加安全的行驶路线。本专利技术的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本专利技术的实践而习得。根据本专利技术的一方面，提出一种基于高精度地图的车辆轨迹预测方法，可应用于智能汽车，该方法包括：基于高精度地图获取智能汽车周围的其他车辆信息、车道信息和人行道信息；基于所述智能汽车的本车信息、所述其他车辆信息、所述车道信息和所述人行道信息生成相邻关系图，其中，所述智能汽车、其他车辆、车道、人行道均为所述相邻关系图的节点；提取所述相邻关系图中每个节点的局部特征；基于全局卷积网络、所述局部特征、所述相邻关系图对所述其他车辆的轨迹进行预测。在本专利技术的一种示例性实施例中，还包括：基于智能汽车上的感知模块和定位信息生成所述智能汽车周围的高精度地图。在本专利技术的一种示例性实施例中，基于智能汽车上的感知模块和定位信息生成所述智能汽车周围的高精度地图，包括：基于智能汽车上的感知模块获取所述智能汽车周围的环境信息；基于智能汽车上的定位模块获取所述智能汽车的本车信息；基于所述环境信息和所述本车信息生成所述高精度地图。在本专利技术的一种示例性实施例中，基于所述智能汽车的本车信息、所述其他车辆信息、所述车道信息和所述人行道信息生成相邻关系图，包括：基于所述智能汽车的本车信息、所述其他车辆信息、所述车道信息和所述人行道信息确定所述智能汽车、所述其他车辆、所述车道、所述人行道的位置信息；基于所述智能汽车、所述其他车辆、所述车道、所述人行道的位置信息生成所述相邻关系图。在本专利技术的一种示例性实施例中，基于所述智能汽车、所述其他车辆、所述车道、所述人行道的位置信息生成所述相邻关系图，包括：所述智能汽车、所述其他车辆、所述车道、所述人行道的任意两者之间距离小于阈值时，确定其为相邻。在本专利技术的一种示例性实施例中，提取所述相邻关系图中每个节点的局部特征，包括：确定所述相邻关系图中每个节点的特征；基于局部卷积网络提取所述相邻关系图中每个节点的局部特征。在本专利技术的一种示例性实施例中，基于全局卷积网络、所述局部特征、所述相邻关系图对所述其他车辆的轨迹进行预测，包括：将所述局部特征、所述相邻关系图中的相邻关系输入所述全局卷积网络中；所述全局卷积网络经过计算输出所述相邻关系图中所有节点的预测轨迹；由所述所有节点的预测轨迹中提取所述其他车辆的预测轨迹。在本专利技术的一种示例性实施例中，还包括：基于历史数据对所述全局卷积网络和/或所述局部卷积网络进行训练。在本专利技术的一种示例性实施例中，基于历史数据对所述全局卷积网络和/或所述局部卷积网络进行训练，包括：基于历史数据生成历史相邻关系图；将所述历史相邻关系图输入局部卷积网络，生成历史局部特征；所述历史局部特征、所述历史相邻关系图中的相邻关系输入全局卷积网络中生成所有节点的预测轨迹；将所述所有节点的预测轨迹和真实轨迹进行比较，以对所述全局卷积网络和/或所述局部卷积网络进行训练。在本专利技术的一种示例性实施例中，将所述所有节点的预测轨迹和真实轨迹进行比较，包括：通过欧式距离损失函数进行比较。根据本专利技术的一方面，提出一种基于高精度地图的车辆轨迹预测装置，该装置包括：信息模块，用于基于高精度地图获取智能汽车周围的其他车辆信息、车道信息和人行道信息；相邻关系图模块，用于基于所述智能汽车的本车信息、所述其他车辆信息、所述车道信息和所述人行道信息生成相邻关系图，其中，所述智能汽车、其他车辆、车道、人行道均为所述相邻关系图的节点；局部特征模块，用于提取所述相邻关系图中每个节点的局部特征；轨迹预测模块，用于基于全局卷积网络、所述局部特征、所述相邻关系图对所述其他车辆的轨迹进行预测。在本专利技术的一种示例性实施例中，还包括：高精度地图模块，用于基于智能汽车上的感知模块和定位信息生成所述智能汽车周围的高精度地图。根据本专利技术的一方面，提出一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上文的方法。根据本专利技术的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。根据本专利技术的基于高精度地图的车辆轨迹预测方法、装置、电子设备及计算机可读介质，基于高精度地图获取智能汽车周围的其他车辆信息、车道信息和人行道信息；基于所述智能汽车的本车信息、所述其他车辆信息、所述车道信息和所述人行道信息生成相邻关系图，其中，所述智能汽车、其他车辆、车道、人行道均为所述相邻关系图的节点；提取所述相邻关系图中每个节点的局部特征；基于全局卷积网络、所述局部特征、所述相邻关系图对所述其他车辆的轨迹进行预测的方式，能够让自动驾驶的智能车辆得到更加合理的驾驶策略，规划出更加安全的行驶路线。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的，并不能限制本专利技术。附图说明通过参照附图详细描述其示例实施例，本专利技术的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本专利技术的一些实施例，对于本领域的普通技术人员来讲，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是根据一示例性实施例示出的一种基于高精度地图的车辆轨迹预测方法的流程图。图2是根据一示例性实施例本文档来自技高网...

【技术保护点】
1.一种基于高精度地图的车辆轨迹预测方法，可应用于智能汽车，其特征在于，包括：/n基于高精度地图获取智能汽车周围的其他车辆信息、车道信息和人行道信息；/n基于所述智能汽车的本车信息、所述其他车辆信息、所述车道信息和所述人行道信息生成相邻关系图，其中，所述智能汽车、其他车辆、车道、人行道均为所述相邻关系图的节点；/n提取所述相邻关系图中每个节点的局部特征；/n基于全局卷积网络、所述局部特征、所述相邻关系图对所述其他车辆的轨迹进行预测。/n

【技术特征摘要】
1.一种基于高精度地图的车辆轨迹预测方法，可应用于智能汽车，其特征在于，包括：
基于高精度地图获取智能汽车周围的其他车辆信息、车道信息和人行道信息；
基于所述智能汽车的本车信息、所述其他车辆信息、所述车道信息和所述人行道信息生成相邻关系图，其中，所述智能汽车、其他车辆、车道、人行道均为所述相邻关系图的节点；
提取所述相邻关系图中每个节点的局部特征；
基于全局卷积网络、所述局部特征、所述相邻关系图对所述其他车辆的轨迹进行预测。


2.根据权利要求1所述的方法，其特征在于，还包括：
基于智能汽车上的感知模块和定位信息生成所述智能汽车周围的高精度地图。


3.根据权利要求2所述的方法，其特征在于，基于智能汽车上的感知模块和定位信息生成所述智能汽车周围的高精度地图，包括：
基于智能汽车上的感知模块获取所述智能汽车周围的环境信息；
基于智能汽车上的定位模块获取所述智能汽车的本车信息；
基于所述环境信息和所述本车信息生成所述高精度地图。


4.根据权利要求1所述的方法，其特征在于，基于所述智能汽车的本车信息、所述其他车辆信息、所述车道信息和所述人行道信息生成相邻关系图，包括：
基于所述智能汽车的本车信息、所述其他车辆信息、所述车道信息和所述人行道信息确定所述智能汽车、所述其他车辆、所述车道、所述人行道的位置信息；
基于所述智能汽车、所述其他车辆、所述车道、所述人行道的位置信息生成所述相邻关系图。


5.根据权利要求4所述的方法，其特征在于，基于所述智能汽车、所述其他车辆、所述车道、所述人行道的位置信息生成所述相邻关系图，包括：
所述智能汽车、所述其他车辆、所述车道、所述人行道的任意两者之间距离小于阈值时，确定其为相邻。


6.根据权利要求1所述的方法，其特征在于，提取所述相邻关系图中每个节点的局部特征，包括：
确定所述相邻关系图中每个节点的特征；
基于局部卷积网络提取所述相邻关系图中每个节点的局部特征。


7.根据权利要求1所述的方法，其特征在于，基于全局卷积网络、所述局部特征、所述相邻关系图对所述其他车辆的轨迹进行预测，包括：
将所述局部特征、所述相邻关系图中的相邻关系输入所述全局...

【专利技术属性】
技术研发人员：胡师艺，王睿，杨庆雄，
申请(专利权)人：福建牧月科技有限公司，
类型：发明
国别省市：福建;35