车辆行为预测方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种车辆行为预测方法、装置、设备及介质，该方法包括：获取车载传感器采集的三维点云数据；基于车辆行为预测模型，在空间维度上提取空间维度特征；基于车辆行为预测模型，根据三维点云数据，确定压缩四维张量；通过对压缩四维张量进行组卷积，在时间维度上进行特征提取，得到精简特征图；根据精简特征图，对组卷积层结果进行融合，确定时间维度特征；将空间维度特征和时间维度特征进行融合，得到融合特征；根据融合特征，预测三维点云数据中车辆的运动状态。本申请的技术方案，将检测、跟踪以及行为预测并行处理，在保证预测精度的同时减少了计算资源的消耗，并对输入数据进行压缩处理，提升了计算速度。提升了计算速度。提升了计算速度。

【技术实现步骤摘要】
车辆行为预测方法、装置、设备及介质


[0001]本专利技术实施例涉及无人驾驶
，尤其涉及一种车辆行为预测方法、装置、设备及介质。

技术介绍

[0002]车辆驾驶行为预测主要服务于车联网安全相关的应用，如十字路口车辆防碰撞监测等。
[0003]现阶段无人驾驶技术的研究领域中，大多数方法都将该问题划分成4个子模块，即目标检测，轨迹跟踪，目标行为预测和规划决策，各个模块间的关系为：检测模块的输出作为跟踪模块的输入，进而将跟踪模块得到的目标运动曲线输入到行为预测模块，最终输出决策信号。
[0004]但是，该类解决方案中各个模块之间是独立运行的，因此，其子模块的不确定性在传播过程中并不能被有效地补偿，进而影响整体方案的性能。此外，由于子模块之间是串行连接的，导致计算资源浪费。

技术实现思路

[0005]本专利技术提供一种车辆行为预测方法、装置、设备及介质，以实现将检测、跟踪以及行为预测并行处理，在保证预测精度的同时减少计算资源的消耗。
[0006]第一方面，本专利技术实施例提供了一种车辆行为预测方法，该方法包括：
[0007]获取车载传感器采集的三维点云数据；
[0008]基于车辆行为预测模型，在空间维度上提取空间维度特征；
[0009]基于车辆行为预测模型，根据所述三维点云数据，确定压缩四维张量；
[0010]通过对所述压缩四维张量进行组卷积，在时间维度上进行特征提取，得到精简特征图；
[0011]根据所述精简特征图，对组卷积层结果进行融合，确定时间维度特征；
[0012]将所述空间维度特征和所述时间维度特征进行融合，得到融合特征；
[0013]根据所述融合特征，预测所述三维点云数据中车辆的运动状态；
[0014]其中，所述车辆行为预测模型基于多任务的深度卷积神经网络训练得到。
[0015]第二方面，本专利技术实施例还提供了一种车辆行为预测装置，该装置包括：
[0016]数据获取模块，用于获取车载传感器采集的三维点云数据；
[0017]空间特征提取模块，基于车辆行为预测模型，在空间维度上提取空间维度特征；
[0018]压缩张量确定模块，用于基于车辆行为预测模型，根据所述三维点云数据，确定压缩四维张量；
[0019]特征图获取模块，用于通过对所述压缩四维张量进行组卷积，在时间维度上进行特征提取，得到精简特征图；
[0020]特征图融合模块，用于根据所述精简特征图，对组卷积层结果进行融合，确定时间
维度特征；
[0021]融合特征确定模块，用于将所述空间维度特征和所述时间维度特征进行融合，得到融合特征；
[0022]状态预测模块，用于根据所述融合特征，预测所述三维点云数据中车辆的运动状态；
[0023]其中，所述车辆行为预测模型基于多任务的深度卷积神经网络训练得到。
[0024]第三方面，本专利技术实施例还提供了一种电子设备，该设备包括：
[0025]一个或多个处理器；
[0026]存储装置，用于存储一个或多个程序，
[0027]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本专利技术任意实施例所述的车辆行为预测方法。
[0028]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本专利技术任意实施例所述的车辆行为预测方法。
[0029]本专利技术实施例提供的一种车辆行为预测方法、装置、设备及介质，通过获取车载传感器采集的三维点云数据；基于车辆行为预测模型，在空间维度上提取空间维度特征；基于车辆行为预测模型，根据所述三维点云数据，确定压缩四维张量；通过对所述压缩四维张量进行组卷积，在时间维度上进行特征提取，得到精简特征图；根据所述精简特征图，对组卷积层结果进行融合，确定时间维度特征；将所述空间维度特征和所述时间维度特征进行融合，得到融合特征；根据所述融合特征，预测所述三维点云数据中车辆的运动状态；其中，所述车辆行为预测模型基于多任务的深度卷积神经网络训练得到。通过本申请的技术方案，将检测、跟踪以及行为预测并行处理，在保证预测精度的同时减少了计算资源的消耗，并对输入数据进行压缩处理，提升了车辆行为预测模型的计算速度。
附图说明
[0030]图1为本专利技术实施例一提供的一种车辆行为预测方法流程图；
[0031]图2是本专利技术实施例二提供的一种车辆行为预测方法流程图；
[0032]图3是本专利技术实施例三提供的车辆行为预测模型的网络结构图；
[0033]图4是本专利技术实施例四提供的一种车辆行为预测装置结构框图；
[0034]图5是本专利技术实施例五提供的一种电子设备的结构示意图。
具体实施方式
[0035]下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0036]实施例一
[0037]图1为本专利技术实施例一提供的一种车辆行为预测方法的流程图，本实施例可适用于无人驾驶技术中的车辆行为预测。该方法可以由本专利技术实施例提供的车辆行为预测装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成在电子设备上。
[0038]具体的，如图1所示，本专利技术实施例提供的车辆行为预测方法，可以包括如下步骤：
[0039]S110、获取车载传感器采集的三维点云数据。
[0040]其中，三维点云数据由以激光雷达为主的车载传感器采集。三维点云数据并非RGB图像数据，除了包含集合位置外，还包含丰富的信息，如颜色信息和强度信息等。
[0041]为了提高计算速度，可以对输入数据进行简化处理。获取车载传感器采集的三维点云数据之后，可以基于三维体素网格，对三维点云数据进行量化，得到量化点云数据；对量化点云数据进行二值化编码。其中，对量化点云数据进行二值化编码时，若网格内存在量化点云数据且量化点云数据的取值大于零，则编码为第一数值；否则，编码为第二数值；第一数值大于第二数值。示例性的，可以设置第一数值为1，第二数值为0。需要说明的是，第一数值和第二数值的取值不限于此，可根据实际情况调整。
[0042]S120、基于车辆行为预测模型，在空间维度上提取空间维度特征。
[0043]其中，车辆行为预测模型基于多任务的深度卷积神经网络训练得到。
[0044]现阶段无人驾驶技术的研究领域中，大多数方法都将车辆行为预测划分成四个子模块，即目标检测、轨迹跟踪、车辆行为预测和规划决策。检测模块的输出作为跟踪模块的输入，进而将跟踪模块得到的目标运动曲线输入到行为预测模块，最终输出决策信号。各个模块之间独立运行的，因此其子模块不确定性在传播过程中并不能被有效地处理，进而影响整体方案的性能。此外，由于子模块之间是串行连接的，导致了计算资源的浪费。
[0045]本本文档来自技高网...

【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，所述方法包括：获取车载传感器采集的三维点云数据；基于车辆行为预测模型，在空间维度上提取空间维度特征；基于车辆行为预测模型，根据所述三维点云数据，确定压缩四维张量；通过对所述压缩四维张量进行组卷积，在时间维度上进行特征提取，得到精简特征图；根据所述精简特征图，对组卷积层结果进行融合，确定时间维度特征；将所述空间维度特征和所述时间维度特征进行融合，得到融合特征；根据所述融合特征，预测所述三维点云数据中车辆的运动状态；其中，所述车辆行为预测模型基于多任务的深度卷积神经网络训练得到。2.根据权利要求1所述的方法，其特征在于，根据所述三维点云数据，确定压缩四维张量，包括：将所述三维点云数据中的高度信息进行编码，生成压缩三维张量；将预设固定时间范围内的所述压缩三维张量进行拼接，得到压缩四维张量。3.根据权利要求1所述的方法，其特征在于，在空间维度上提取空间维度特征，包括：将预设固定时间范围内的所述三维点云数据进行拼接，生成精准四维张量；通过对所述精准四维张量进行全卷积，在空间维度上进行特征提取，确定空间维度特征。4.根据权利要求1所述的方法，其特征在于，获取车载传感器采集的三维点云数据之后，还包括：基于三维体素网格，对所述三维点云数据进行量化，得到量化点云数据；对所述量化点云数据进行二值化编码。5.根据权利要求4所述的方法，其特征在于，对所述量化点云数据进行二值化编码，包括：若网格内存在量化点云数据且所述量化点云数据的取值大于零，则编码为第一数值；否则，编码为第二数值；所述第一数值大于所述第二数值。6.根据权利...

【专利技术属性】
技术研发人员：王祎男，曹容川，张天奇，关瀛洲，
申请(专利权)人：中国第一汽车股份有限公司，
类型：发明
国别省市：