一种轨迹预测方法和装置制造方法及图纸

本申请公开一种轨迹预测方法和装置、存储介质和计算机程序，以解决已有技术中的轨迹预测方法存在的预测结果准确性低、可靠性低的问题。在运动主体在当前环境中执行运动的过程中，轨迹预测神经网络获取输入的当前轨迹数据、和当前环境的当前地图数据；将当前轨迹数据和当前地图数据表达为高维空间中的当前轨迹点集和当前地图点集；根据当前轨迹点集和当前地图点集提取得到全局场景特征，其中，全局场景特征具有当前环境的地图特征和轨迹特征；根据全局场景特征预测输出运动主体的多个预测轨迹点集以及每个预测轨迹点集对应的概率。测轨迹点集以及每个预测轨迹点集对应的概率。测轨迹点集以及每个预测轨迹点集对应的概率。

【技术实现步骤摘要】
一种轨迹预测方法和装置


[0001]本申请涉及计算机
，特别涉及一种轨迹预测方法和装置、存储介质和计算机程序。

技术介绍

[0002]在人工智能得到研究和发展的基础上，很多
结合人工智能得到了更广泛的应用和发展，例如机器人技术和无人驾驶技术。
[0003]在机器人领域和无人驾驶领域中，一个重要的环节就是轨迹预测。轨迹预测在很大程度上决定了无人驾驶系统的安全性能。以无人驾驶为例，在车辆行驶过程中，需要通过轨迹预测技术来实时地预测周围车辆在未来一段时间内的行驶轨迹，以便无人驾驶系统基于此预测结果做出安全的路径规划，从而避免碰撞发生。

技术实现思路

[0004]本申请实施例提供了一种轨迹预测方法和装置、存储介质和计算机程序，以解决已有技术中的轨迹预测方法存在的预测结果准确性低、可靠性低的问题。
[0005]根据本申请实施例的一个方面，提供了一种轨迹预测方法，包括：在运动主体在当前环境中执行运动的过程中，轨迹预测神经网络获取输入的当前轨迹数据、和当前环境的当前地图数据；其中，当前轨迹数据包括运动主体和当前环境中其它一个或多个运动物体在过去预定时间段内的多个轨迹点，每个轨迹点包括在一个对应时间点上的空间位置，当前地图数据包括在该预定时间段内当前环境中道路要素的多个地图点的空间位置；
[0006]将当前轨迹数据和当前地图数据表达为高维空间中的当前轨迹点集和当前地图点集，当前轨迹点集包括当前轨迹数据中每个轨迹点对应的高维轨迹点，当前地图点集包括当前地图数据中每个地图点对应的高维地图点；
[0007]根据当前轨迹点集和当前地图点集提取得到全局场景特征，其中，全局场景特征具有当前环境的地图特征和轨迹特征；
[0008]根据全局场景特征预测输出运动主体的多个预测轨迹点集以及每个预测轨迹点集对应的概率，每个预测轨迹点集均包括运动主体在未来预定时间段内多个时间点的空间位置。
[0009]根据本申请实施例的另一个方面，提供了一种轨迹预测装置，包括编码器和解码器；
[0010]编码器用于在运动主体在当前环境中执行运动的过程中，获取输入的当前轨迹数据、和当前环境的当前地图数据；其中，当前轨迹数据包括运动主体和当前环境中其它一个或多个运动物体在过去预定时间段内的多个轨迹点，每个轨迹点包括在一个对应时间点上的空间位置，当前地图数据包括在该预定时间段内当前环境中道路要素的多个地图点的空间位置；将当前轨迹数据和当前地图数据表达为高维空间中的当前轨迹点集和当前地图点集；根据当前轨迹点集和当前地图点集提取得到全局场景特征，其中，全局场景特征具有当
前环境的地图特征和轨迹特征；
[0011]解码器用于根据全局场景特征预测输出运动主体的多个预测轨迹点集以及每个预测轨迹点集对应的概率，每个预测轨迹点集均包括运动主体在未来预定时间段内多个时间点的空间位置。
[0012]根据本申请实施例的另一个方面，提供了一种轨迹预测装置，包括至少一个处理器和至少一个存储器，至少一个存储器中存储有至少一条机器可执行指令，至少一个处理器执行至少一条机器可执行指令后执行如上所述的轨迹预测方法。
[0013]根据本申请实施例的另一个方面，提供了一种计算机程序，该计算机程序具有被配置用于执行以下轨迹预测处理的代码段，该处理包括如上所述的轨迹预测方法。
[0014]根据本申请实施例的另一个方面，提供了一种非易失性存储介质，该存储介质中存储有用于轨迹预测处理的计算机程序，该处理包括如上所述的轨迹预测方法。
[0015]根据本申请实施例提供的轨迹预测方法，能够在运动主体执行运动的实时过程中，将实时获取的当前轨迹数据和当前地图数据表达为高维空间中的当前轨迹点集和当前地图点集，根据当前轨迹点集和当前地图点集获取得到全局场景特征，全局场景特征具有当前环境的地图特征和轨迹特征，根据全局场景特征对运动主体在未来预定时间段内的轨迹进行预测。其中，将当前轨迹数据和当前地图数据表达为高维空间中的数据点集，能够获得同时具有时间特征和空间特征的数据点集；全局场景特征融合了当前环境的地图特征和轨迹特征，能够显著地提高特征提取的精度，进一步，基于高效和高精度的特征提取，能够显著提高轨迹预测结果的精度和准确性。
附图说明
[0016]附图用来提供对本申请的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请，并不构成对本申请的限制。
[0017]图1为本申请实施例提供的轨迹预测神经网络的训练方法的一种处理流程图；
[0018]图2a为本申请实施例提供的轨迹预测神经网络的一种结构示意图；
[0019]图2b为本申请实施例提供的轨迹预测神经网络的训练方法的另一种处理流程图；
[0020]图3为本申请实施例提供的轨迹预测神经网络的另一种结构示意图；
[0021]图4为图2b中步骤104a的处理过程流程图；
[0022]图5a为一个场景中的动态物体的示意图；
[0023]图5b为图5a所示场景中使用传统方法对动态物体的轨迹进行表达的示意图；
[0024]图5c为图5a所示场景中使用本申请实施例提供的方法对动态物体的轨迹进行表达的示意图；
[0025]图6为图2b中步骤106a的处理过程流程图；
[0026]图7a为图6中步骤1062a的处理过程流程图；
[0027]图7b为图7a中步骤621的处理过程流程图；
[0028]图8为一个示例中确定一个高维轨迹点的相邻高维地图点的示意图；
[0029]图9为一个示例中进行地图关系学习的传播示意图；
[0030]图10为图6中步骤1063a的处理过程流程图；
[0031]图11为本申请实施例提供的实时处理阶段中轨迹预测方法的一种处理流程图；
[0032]图12为图11中步骤1106的处理过程流程图；
[0033]图13为图12中步骤1062
’
的处理过程流程图；
[0034]图14为图12中步骤1063
’
的处理过程流程图；
[0035]图15为本申请实施例提供的轨迹预测神经网络的另一种结构示意图；
[0036]图16a为本申请实施例提供的轨迹预测神经网络的另一种结构示意图；
[0037]图16b为本申请实施例提供的轨迹预测神经网络的另一种结构示意图；
[0038]图17为本申请实施例提供的一次全局特征提取操作的一种流程图；
[0039]图18为本申请实施例提取的轨迹预测装置的结构示意图。
具体实施方式
[0040]为了使本
的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。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，包括：在运动主体在当前环境中执行运动的过程中，轨迹预测神经网络获取输入的当前轨迹数据、和当前环境的当前地图数据；其中，当前轨迹数据包括运动主体和当前环境中其它一个或多个运动物体在过去预定时间段内的多个轨迹点，每个轨迹点包括在一个对应时间点上的空间位置，当前地图数据包括在该预定时间段内当前环境中道路要素的多个地图点的空间位置；将当前轨迹数据和当前地图数据表达为高维空间中的当前轨迹点集和当前地图点集，当前轨迹点集包括当前轨迹数据中每个轨迹点对应的高维轨迹点，当前地图点集包括当前地图数据中每个地图点对应的高维地图点；根据当前轨迹点集和当前地图点集提取得到全局场景特征，其中，全局场景特征具有当前环境的地图特征和轨迹特征；根据全局场景特征预测输出运动主体的多个预测轨迹点集以及每个预测轨迹点集对应的概率，每个预测轨迹点集均包括运动主体在未来预定时间段内多个时间点的空间位置。2.根据权利要求1所述的方法，其特征在于，轨迹预测神经网络将当前轨迹数据和当前地图数据表达为高维空间中的当前轨迹点集和当前地图点集，包括：用预定的无序的轨迹数据格式对当前轨迹点集进行表达，得到无序的当前轨迹点集；用预定的无序的地图数据格式对当前地图点集进行表达，得到无序的当前地图点集。3.根据权利要求1所述的方法，其特征在于，轨迹预测神经网络根据当前轨迹点集和当前地图点集提取得到全局场景特征，包括：将当前轨迹点集嵌入到预定的高维空间中得到高维轨迹点特征，将当前地图点集嵌入到预定的高维空间中得到高维地图点特征；根据当前轨迹点集、当前地图点集、高维轨迹点特征和高维地图点特征获取得到局部场景特征，该局部场景特征是具有局部地图信息的高维轨迹点特征；对局部场景特征和高维地图点特征分别执行全局特征提取操作，提取得到全局轨迹特征和全局地图特征；根据全局轨迹特征和全局地图特征确定得到全局场景特征。4.根据权利要求3所述的方法，其特征在于，轨迹预测神经网络还对高维轨迹点特征和高维地图点特征进行方向性和连通性的增强处理。5.根据权利要求3所述的方法，其特征在于，根据当前轨迹点集、当前地图点集、高维轨迹点特征和高维地图点特征获取得到局部场景特征，包括：根据当前轨迹点集和当前地图点集确定得到每个高维轨迹点与该高维轨迹点周围预定多个高维地图点之间的多个相对空间关系；将一个高维轨迹点对应的每个地图空间关系分别嵌入到高维空间中得到高维地图空间关系，将每个高维地图空间关系与对应的高维地图点特征进行点乘得到一个加权地图特征；对该高维轨迹点的多个加权地图特征进行最大化处理、选取得到最大加权地图特征；将最大加权地图特征与该高维轨迹点对应的高维轨迹点特征相加得到一个局部场景特征。6.根据权利要求5所述的方法，其特征在于，根据当前轨迹点集和当前地图点集确定得
到每个高维轨迹点与该高维轨迹点周围预定多个高维地图点之间的多个相对空间关系，包括：确定得到与一个高维轨迹点的欧式距离在预设的距离阈值内的预定数量的多个高维地图点；分别确定该高维轨迹点与该多个高维地图点中每个高维地图点之间的相对空间关系，一个相对空间关系包括该高维轨迹点和一个高维地图点的绝对位置和相对位置、以及该轨迹点和该地图点之间的相对距离和相对方向。7.根据权利要求3所述的方法，其特征在于，对局部场景特征和高维地图点特征分别提取全局轨迹特征和全局地图特征，包括：对局部场景特征中的每个特征提取特征，并对提取的特征进行最大化处理、将选取得到最大特征作为全局轨迹特征；对高维地图点特征中的每个特征提取特征，对提取的特征进行最大化处理、将选取得到的最大特征作为全局地图特征。8.根据权利要求3或7所述的方法，其特征在于，轨迹预测神经网络对局部场景特征和高维地图点特征分别提取全局轨迹特征和全局地图特征，包括：轨迹预测神经网络执行多次全局特征提取操作，每一次全局特征提取操作包括：将对局部场景特征提取到的全局轨迹特征拼接到高维轨迹点特征之后，将拼接后的高维轨迹点特征输出给下一次全局特征提取操作；对高维地图点特征提取到的全局地图特征拼接到高维地图点特征之后，将拼接后的高维地图点特征输出给下一次全局特征提取操作。9.根据权利要求3所述的方法，其特征在于，根据全局轨迹特征和全局地图特征确定得到全局场景特征，包括：将全局轨迹特征和全局地图特征相加得到全局场景特征。10.根据权利要求1所述的方法，其特征在于，当前轨迹数据还包括运动主体以及其它一个或多个运动物体在每个轨迹点上的速度。11.根据权利要求1所述的方法，其特征在于，当前轨迹数据还包括：运动主体以及每个运动物体的属性数据，属性数据包括运动主体和每个运动物体的物体类别数据。12.根据权利要求11所述的方法，其特征在于，当运动主体或运动物体是车辆时，属性数据还包括以下一个或多个：前灯属性数据、尾灯属性数据。13.根据权利要求1所述的方法，其特征在于，当前地图数据还包括：每个地图点与其所在的同一个道路要素上其它相邻地图点之间的位置差值。14.根据权利要求13所述的方法，其特征在于，当前地图数据还包括：每个地图点的属性数据，属性数据包括该地图点所属的道路要素的类别，该地图点在所属道路要素在该预定时间段内包括的多个地图点中的序号。15.根据权利要求1所述的方法，其特征在于，轨迹预测神经网络获取输入的当前轨迹数据和当前地图数据，包括：从上游模块获取输入的当前轨迹数据和当前地图数据。16.根据权利要求1所述的方法，其特征在于，训练得到轨迹预测神经网络的处理包括：
在训练阶段，根据历史的第一轨迹数据、第二轨迹数据以及历史地图数据对预设的神经网络进行多次迭代训练；其中，第一轨迹数据和第二轨迹数据是时间前后相邻的数据集，并且均包括运动主体以及周围一个或多个运动物体在预定时间段内的多个轨迹点，每个轨迹点包括在一个对应时间点上的空间位置；历史地图数据包括第一轨迹数据对应的时间段内运动主体所在环境中道路要素的多个地图点的空间位置；预设神经网络具有初始参数集；一次迭代训练包括：将第一轨迹数据和历史地图数据作为输入提供给神经网络；神经网络将第一轨迹数据和历史地图数据表达为高维空间中的第一轨...

【专利技术属性】
技术研发人员：何皓，王乃岩，
申请(专利权)人：北京图森未来科技有限公司，
类型：发明
国别省市：