一种轨迹预测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术实施例适用于智能驾驶技术领域，提供了一种轨迹预测方法、装置、电子设备及存储介质，其中，轨迹预测方法包括：基于第一地图数据确定移动目标在当前时间之后的第一设定时间段内的位置分布；所述第一地图数据表征所述移动目标在当前时间之前的第二设定时间段内的移动轨迹；基于所述位置分布对所述移动目标在所述第一设定时间段的终点位置进行预测，得到至少两个终点位置；基于所述至少两个终点位置生成至少两条第一轨迹。置生成至少两条第一轨迹。置生成至少两条第一轨迹。

The invention relates to a track prediction method, a device, an electronic device and a storage medium

【技术实现步骤摘要】
一种轨迹预测方法、装置、电子设备及存储介质


[0001]本专利技术涉及智能驾驶
，尤其涉及一种轨迹预测方法、装置、电子设备及存储介质。

技术介绍

[0002]移动目标轨迹预测是智能驾驶中的重要组成部分，对移动目标未来的轨迹进行预测，可以保证智能驾驶系统能够提前做出正确的决策，降低交通中发生意外的可能性。目前，相关技术通过卡尔曼滤波算法根据当前车辆接收的数据预测前方车辆的行驶轨迹，但是卡尔曼滤波器算法没有考虑到驾驶员驾驶动机和意图的不确定性，轨迹预测的准确率较低。

技术实现思路

[0003]为了解决上述问题，本专利技术实施例提供了一种轨迹预测方法、装置、电子设备及存储介质，以至少解决相关技术卡尔曼滤波器算法轨迹预测的准确率较低的问题。
[0004]本专利技术的技术方案是这样实现的：
[0005]第一方面，本专利技术实施例提供了一种轨迹预测方法，该方法包括：
[0006]基于第一地图数据确定移动目标在当前时间之后的第一设定时间段内的位置分布；所述第一地图数据表征所述移动目标在当前时间之前的第二设定时间段内的移动轨迹；
[0007]基于所述位置分布对所述移动目标在所述第一设定时间段的终点位置进行预测，得到至少两个终点位置；
[0008]基于所述至少两个终点位置生成至少两条第一轨迹。
[0009]上述方案中，所述方法还包括：
[0010]确定所述至少两条第一轨迹中的每条第一轨迹的第一概率值；所述第一概率值表征第一轨迹与所述移动目标在所述第一设定时间段内的真实移动轨迹的相似程度；
[0011]基于所述第一概率值从所述至少两条第一轨迹中确定第二轨迹；所述第二轨迹表征预测的所述移动目标在第一设定时间段内的移动轨迹。
[0012]上述方案中，所述基于第一地图数据确定移动目标在第一设定时间段内的位置分布，包括：
[0013]对所述第一地图数据进行上下文编码，得到编码向量；
[0014]将所述编码向量输入设定的第一模型，得到所述设定的第一模型输出的所述位置分布；所述设定的第一模型表征为多层感知器。
[0015]上述方案中，所述对所述第一地图数据进行上下文编码，得到编码向量，包括：
[0016]确定所述第一地图数据对应的至少两条折线；所述至少两条折线中的每条折线表征所述第二设定时间段内的一个时间点对应的向量；
[0017]基于所述至少两条折线进行建模，建模得到的模型输出具有上下文特性的所述编
码向量。
[0018]上述方案中，所述基于所述位置分布对所述移动目标在所述第一设定时间段的终点位置进行预测，得到至少两个终点位置，包括：
[0019]基于设定的第二模型对所述位置分布进行特征提取；所述设定的第二模型表征为残差神经网络模型；
[0020]基于从所述位置分布中提取的特征对所述移动目标在所述第一设定时间段的终点位置进行预测。
[0021]上述方案中，所述基于所述至少两个终点位置生成至少两条第一轨迹，包括：
[0022]基于所述至少两个终点位置和设定的三次样条曲线函数生成至少两条三次样条曲线；
[0023]在设定网格间隔的区域内基于枚举法生成所述至少两条三次样条曲线对应的所述至少两条第一轨迹。
[0024]上述方案中，所述确定所述至少两条第一轨迹中的每条第一轨迹的第一概率值，包括：
[0025]将所述至少两条第一轨迹中的所有第一轨迹输入设定的分类模型，得到所述设定的分类模型输出的所述至少两条第一轨迹中的每条第一轨迹的第一概率值。
[0026]上述方案中，所述方法还包括：
[0027]在训练所述设定的分类模型之前，确定所述设定的分类模型对应的至少两个训练数据中的每个训练数据的第一参数；所述训练数据表征移动目标在第三设定时间段内的真实轨迹和预测轨迹；所述第一参数表征所述真实轨迹的采样点和所述预测轨迹的采样点之间的平均距离；
[0028]基于所述第一参数确定对应的训练数据的标签；所述标签表征对应的训练数据中的预测轨迹的准确度。
[0029]上述方案中，所述方法还包括：
[0030]在所述设定的分类模型的训练过程中，基于衰减因子和第二参数更新所述设定的分类模型；所述第二参数表征训练数据中的预测轨迹的采样点在所述移动目标的可移动区域外的比率；所述训练数据表征移动目标在第三设定时间段内的真实轨迹和预测轨迹。
[0031]第二方面，本专利技术实施例提供了一种轨迹预测装置，该装置包括：
[0032]位置确定模块，用于基于第一地图数据确定移动目标在当前时间之后的第一设定时间段内的位置分布；所述第一地图数据表征所述移动目标在当前时间之前的第二设定时间段内的移动轨迹；
[0033]终端预测模块，用于基于所述位置分布对所述移动目标在所述第一设定时间段的终点位置进行预测，得到至少两个终点位置；
[0034]轨迹生成模块，用于基于所述至少两个终点位置生成至少两条第一轨迹。
[0035]第三方面，本专利技术实施例提供了一种电子设备，包括处理器和存储器，所述处理器和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行本专利技术实施例第一方面提供的轨迹预测方法的步骤。
[0036]第四方面，本专利技术实施例提供了一种计算机可读存储介质，包括：所述计算机可读
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如本专利技术实施例第一方面提供的轨迹预测方法的步骤。
[0037]本专利技术实施例基于第一地图数据确定移动目标在当前时间之后的第一设定时间段内的位置分布，第一地图数据表征移动目标在当前时间之前的第二设定时间段内的移动轨迹，然后基于位置分布对移动目标在所述第一设定时间段的终点位置进行预测，得到至少两个终点位置，基于至少两个终点位置生成至少两条第一轨迹。本专利技术实施例通过第一地图数据确定移动目标的位置分布，根据位置分布预测移动目标的移动轨迹，考虑到了移动目标的意图和交通规则的物理约束，提高了移动轨迹预测的准确度。
附图说明
[0038]图1是本专利技术实施例提供的一种轨迹预测方法的实现流程示意图；
[0039]图2是本专利技术实施例提供的另一种轨迹预测方法的实现流程示意图；
[0040]图3是本专利技术实施例提供的一种2层的多层感知器的示意图；
[0041]图4是本专利技术实施例提供的另一种轨迹预测方法的实现流程示意图；
[0042]图5是本专利技术实施例提供的一种ResNet50网络结构示意图；
[0043]图6是本专利技术实施例提供的一种三次样条曲线的示意图；
[0044]图7是本专利技术实施例提供的另一种轨迹预测方法的实现流程示意图；
[0045]图8是本专利技术应用实施例提供的一种轨迹预测流程的示意图；
[0046]图9是本专利技术应用实施例提供的另一种轨迹预测流程的示意图；
[0047]图10是本专利技术应用实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轨迹预测方法，其特征在于，所述方法包括：基于第一地图数据确定移动目标在当前时间之后的第一设定时间段内的位置分布；所述第一地图数据表征所述移动目标在当前时间之前的第二设定时间段内的移动轨迹；基于所述位置分布对所述移动目标在所述第一设定时间段的终点位置进行预测，得到至少两个终点位置；基于所述至少两个终点位置生成至少两条第一轨迹。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：确定所述至少两条第一轨迹中的每条第一轨迹的第一概率值；所述第一概率值表征第一轨迹与所述移动目标在所述第一设定时间段内的真实移动轨迹的相似程度；基于所述第一概率值从所述至少两条第一轨迹中确定第二轨迹；所述第二轨迹表征预测的所述移动目标在第一设定时间段内的移动轨迹。3.根据权利要求1所述的方法，其特征在于，所述基于第一地图数据确定移动目标在第一设定时间段内的位置分布，包括：对所述第一地图数据进行上下文编码，得到编码向量；将所述编码向量输入设定的第一模型，得到所述设定的第一模型输出的所述位置分布；所述设定的第一模型表征为多层感知器。4.根据权利要求3所述的方法，其特征在于，所述对所述第一地图数据进行上下文编码，得到编码向量，包括：确定所述第一地图数据对应的至少两条折线；所述至少两条折线中的每条折线表征所述第二设定时间段内的一个时间点对应的向量；基于所述至少两条折线进行建模，建模得到的模型输出具有上下文特性的所述编码向量。5.根据权利要求1所述的方法，其特征在于，所述基于所述位置分布对所述移动目标在所述第一设定时间段的终点位置进行预测，得到至少两个终点位置，包括：基于设定的第二模型对所述位置分布进行特征提取；所述设定的第二模型表征为残差神经网络模型；基于从所述位置分布中提取的特征对所述移动目标在所述第一设定时间段的终点位置进行预测。6.根据权利要求1所述的方法，其特征在于，所述基于所述至少两个终点位置生成至少两条第一轨迹，包括：基于所述至少两个终点位置和设定的三次样条曲线函数生成至少两条三次样条曲线；在设定网格间隔的区域内基于枚举法生成所述至...

【专利技术属性】
技术研发人员：徐鑫，张亮亮，
申请(专利权)人：京东鲲鹏江苏科技有限公司，
类型：发明
国别省市：