一种车辆行为预测方法及装置制造方法及图纸

本申请涉及一种车辆行为预测方法及装置，所述车辆行为预测方法包括：获取第一时间段内每个采集帧节点处的待预测车辆以及所述待预测车辆的关联车辆的行驶信息，得到所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息；将所述状态特征信息输入到车辆变道意图预测模型，得到与所述第一时间段对应的预测变道意图；基于所述与所述第一时间段对应的预测变道意图，得到所述待预测车辆在所述第二时间段内的预测变道意图；将所述状态特征信息，以及所述待预测车辆在所述第二时间段内的预测变道意图输入到车辆位移预测模型，得到所述待预测车辆在所述第二时间段内的预测位移。本申请能够提高车辆行为预测效率，减少系统资源的消耗。源的消耗。源的消耗。

【技术实现步骤摘要】
一种车辆行为预测方法及装置


[0001]本申请涉及机器学习
，尤其涉及一种车辆行为预测方法及装置。

技术介绍

[0002]自动驾驶功能是指在自动驾驶车辆上，不需要驾驶员执行物理性驾驶操作的情况下，能够对车辆行驶任务进行指导和决策，并代替测试驾驶员操控行为使车辆完成安全行驶的功能。在自动驾驶语境下，轨迹预测是对周围车辆未来数秒内行驶趋势的判断，由于车辆在路上可以采取的驾驶行为不唯一，从而可以预测车辆的多种不同行为。
[0003]现有技术中一般采用基于深度学习的方法来进行车辆行为预测，例如通过采集大量的车辆行驶路径的样本，训练神经网络模型，然后使用训练好的神经网络模型来对车辆未来的行驶路径进行预测；但是采用基于深度学习算法的神经网络进行车辆行为预测的方法需要消耗较多的系统资源，运算速度慢，因此需要提出一种更高效的方案来实现对车辆行为的预测。

技术实现思路

[0004]本申请所要解决的技术问题在于，提供一种车辆行为预测方法及装置，能够提高对车辆行为进行预测的效率，减少系统资源的消耗，运行速度快，有较强的实用性。
[0005]为了解决上述技术问题，一方面，本申请实施例提供了一种车辆行为预测方法，所述方法包括：
[0006]确定当前时刻之前的第一时间段，和当前时刻之后的第二时间段；
[0007]获取所述第一时间段内每个采集帧节点处的待预测车辆以及所述待预测车辆的关联车辆的行驶信息；
[0008]基于每个采集帧节点处的所述待预测车辆以及所述关联车辆的行驶信息，得到所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息；
[0009]将所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息输入到车辆变道意图预测模型，得到与所述第一时间段对应的预测变道意图；
[0010]基于所述与所述第一时间段对应的预测变道意图，得到所述待预测车辆在所述第二时间段内的预测变道意图；
[0011]将所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息，以及所述待预测车辆在所述第二时间段内的预测变道意图输入到车辆位移预测模型，得到所述待预测车辆在所述第二时间段内的预测位移。
[0012]另一方面，本申请实施例提供了一种车辆行为预测装置，所述装置包括：
[0013]时间段确定模块，用于确定当前时刻之前的第一时间段，和当前时刻之后的第二时间段；
[0014]行驶信息获取模块，用于获取所述第一时间段内每个采集帧节点处的待预测车辆以及所述待预测车辆的关联车辆的行驶信息；
[0015]状态特征信息生成模块，用于基于每个采集帧节点处的所述待预测车辆以及所述关联车辆的行驶信息，得到所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息；
[0016]第一预测模块，用于将所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息输入到车辆变道意图预测模型，得到与所述第一时间段对应的预测变道意图；
[0017]预测变道意图确定模块，用于基于所述与所述第一时间段对应的预测变道意图，得到所述待预测车辆在所述第二时间段内的预测变道意图；
[0018]第二预测模块，用于将所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息，以及所述待预测车辆在所述第二时间段内的预测变道意图输入到车辆位移预测模型，得到所述待预测车辆在所述第二时间段内的预测位移。
[0019]另一方面，本申请提供了一种设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的车辆行为预测方法。
[0020]另一方面，本申请提供了一种计算机存储介质，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行如上述的车辆行为预测方法。
[0021]实施本申请实施例，具有如下有益效果：
[0022]本申请在进行车辆行为预测时，根据待预测车辆以及关联车辆在第一时间段的行驶信息，生成相应的状态特征信息，将状态特征信息输入到车辆变道意图预测模型；基于与第一时间段对应的预测变道意图得到待预测车辆在第二时间段内的预测变道意图；将待预测车辆和关联车辆的在第一时间段的状态特征信息，以及待预测车辆在第二时间段内的预测变道意图，得到待预测车辆在第二时间段内的预测位移。相对于基于深度学习算法的神经网络模型来讲，基于本申请中的车辆行为预测模型进行车辆行为预测时，计算速度快，系统资源消耗少，从而提高对车辆行为进行预测的效率；且不需要采用GPU(Graphics Processing Unit，图形处理器)，不会抢占车辆感知系统的资源，可以支持普通的处理器，从而可以降低硬件成本，进而提高适应性和实用性。
附图说明
[0023]为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，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它附图。
[0024]图1是本申请实施例提供的实施环境示意图；
[0025]图2是本申请实施例提供的一种车辆行为预测模型训练方法流程图；
[0026]图3是本申请实施例提供的一种滑动时间窗口采样方法流程图；
[0027]图4是本申请实施例提供的对历史时间窗口内采样信息进行处理的方法流程图；
[0028]图5是本申请实施例提供的对未来时间窗口内采样信息进行处理的方法流程图；
[0029]图6是本申请实施例提供的一种多模型训练方法流程图；
[0030]图7是本申请实施例提供的一种样本重平衡方法流程图；
[0031]图8是本申请实施例提供的一种车辆行为预测方法流程图；
[0032]图9是本申请实施例提供的一种多项预测变道意图生成方法流程图；
[0033]图10是本申请实施例提供的一种车辆变道意图确定方法流程图；
[0034]图11是本申请实施例提供的车辆与车道示意图；
[0035]图12是本申请实施例提供的离线模型训练系统示意图；
[0036]图13是本申请实施例提供的车辆轨迹示意图；
[0037]图14是本申请实施例提供的车辆行为在线预测系统示意图；
[0038]图15是本申请实施例提供的车辆行为预测结果示意图；
[0039]图16是本申请实施例提供的一种车辆行为预测模型训练装置示意图；
[0040]图17是本申请实施例提供的一种基于车辆行为预测模型的车辆行为预测装置示意图；
[0041]图18是本申请实施例提供的一种设备结构示意图。
具体实施方式
[0042]为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是全部本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆行为预测方法，其特征在于，包括：确定当前时刻之前的第一时间段，和当前时刻之后的第二时间段；获取所述第一时间段内每个采集帧节点处的待预测车辆以及所述待预测车辆的关联车辆的行驶信息；基于每个采集帧节点处的所述待预测车辆以及所述关联车辆的行驶信息，得到所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息；将所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息输入到车辆变道意图预测模型，得到与所述第一时间段对应的预测变道意图；基于所述与所述第一时间段对应的预测变道意图，得到所述待预测车辆在所述第二时间段内的预测变道意图；将所述待预测车辆和所述关联车辆在所述第一时间段内的状态特征信息，以及所述待预测车辆在所述第二时间段内的预测变道意图输入到车辆位移预测模型，得到所述待预测车辆在所述第二时间段内的预测位移。2.根据权利要求1所述的车辆行为预测方法，其特征在于，所述方法还包括：确定所述第一时间段对应的时长为目标时长；以所述第一时间段内除当前时刻的每个采集帧节点为目标节点，确定与每个目标节点对应的目标时间段；所述目标时间段为以所述目标节点为终止时间节点，时长为所述目标时长的时间段；将所述待预测车辆和所述关联车辆在每个目标时间段内的状态特征信息分别输入到所述车辆变道意图预测模型，得到与每个目标时间段对应的预测变道意图。3.根据权利要求2所述的车辆行为预测方法，其特征在于，所述预测变道意图包括向左变道的概率，保持车道的概率以及向右变道的概率；所述基于所述与所述第一时间段对应的预测变道意图，得到所述待预测车辆在所述第二时间段内的预测变道意图包括：分别计算与所述第一时间段对应的预测变道意图，以及与每个目标时间段对应的预测变道意图中的向左变道的概率，保持车道的概率以及向右变道的概率的平均值，得到所述待预测车辆在所述第二时间段内向左变道的概率，保持车道的概率以及向右变道的概率；基于所述待预测车辆在所述第二时间段内向左变道的概率，保持车道的概率以及向右变道的概率，确定所述待预测车辆在所述第二时间段内的预测变道意图。4.根据权利要求1所述的车辆行为预测方法，其特征在于，所述车辆变道意图预测模型和所述车辆位移预测模型的生成方法包括：获取预设时间段内采集的多辆目标车辆的行驶信息和道路信息；分别将每辆目标车辆作为待分析车辆，将所述待分析车辆周围的目标车辆确定为关联车辆；基于所述待分析车辆的行驶信息和所述道路信息，生成所述待分析车辆在所述预设时间段内的行驶轨迹；对所述预设时间段包含的每个单位时间段内的所述待分析车辆的行驶信息、所述关联车辆的行驶信息，以及所述待分析车辆的行驶轨迹进行采样，基于采样结果确定每个单位时间段内所述待分析车辆的状态特征信息、所述关联车辆的状态特征信息，以及所述待分
析车辆的变道意图和所述待分析车辆的位移；根据每个单位时间段内所述待分析车辆的状态特征信息、所述关联车辆的状态特征信息、所述待分析车辆的变道意图以及所述待分析车辆的位移，生成与所述待分析车辆对应的训练样本集合；基于与多个待分析车辆对应的训练样本集合，分别对待训练的分类模型以及待训练的回归模型进行训练，生成所述车辆变道意图预测模型和所述车辆位移预测模型。5.根据权利要求4所述的车辆行为预测方法，其特征在于，所述每个单位时间段对应一个滑动时间窗口，所述滑动时间窗口包括历史时间窗口和未来时间窗口；所述对所述预设时间段包含的每个单位时间段内的所述待分析车辆的行驶信息、所述关联车辆的行驶信息，以及所述待分析车辆的行驶轨迹进行采样，基于采样结果确定每个单位时间段内所述待分析车辆的状态特征信息、所述关联车辆的状态特征信息，以及所述待分析车辆的变道意图和所述待分析车辆的位移包括：在所述历史时间窗口内对所述待分析车辆的行驶信息，以及所述关联车辆的行驶信息进行采样；基于对所述待分析车辆的行驶信息和所述关联车辆的行驶信息的采样结果，生成所述待分析车辆的状态特征信息和所述关联车辆的状态特征信息；在所述未来时...

【专利技术属性】
技术研发人员：姜英杰，钱祥隽，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：