用于为基于注意力的轨迹预测方法确定权重的方法和系统技术方案

本公开提供用于为基于注意力的轨迹预测方法确定权重的方法和系统。该方法包括由计算机硬件组件执行的以下步骤：接收由传感器取得的多个捕捉结果形成的序列；基于序列的第一捕捉结果确定序列的第一捕捉结果的未归一化权重；以及基于序列的第一捕捉结果的未归一化权重和序列的第二捕捉结果的归一化权重来确定序列的第一捕捉结果的归一化权重。序列的第一捕捉结果的归一化权重。序列的第一捕捉结果的归一化权重。

【技术实现步骤摘要】
用于为基于注意力的轨迹预测方法确定权重的方法和系统


[0001]本公开涉及用于为基于注意力的轨迹预测方法确定权重的方法和系统。

技术介绍

[0002]预测例如载具、骑车人或行人这样的对象的轨迹是各种汽车应用中的基本任务。
[0003]因此，需要提供有效且可靠的轨迹预测。

技术实现思路

[0004]本公开提供由计算机实现的方法、计算机系统、车辆和非暂时计算机可读介质。在说明书和附图中给出了实施方式。
[0005]在一个方面，本公开一种用于为基于注意力的轨迹预测方法确定权重的由计算机实现的方法，该方法包括由计算机硬件组件执行(即实施)的以下步骤：接收由传感器取得的多个捕捉结果形成的序列；基于所述序列的第一捕捉结果确定所述序列的所述第一捕捉结果的未归一化权重；以及基于所述序列的所述第一捕捉结果的所述未归一化权重和所述序列的第二捕捉结果的归一化权重来确定所述序列的所述第一捕捉结果的归一化权重。
[0006]基于注意力的方法的权重可以包括或者可以是归一化权重或者多个这样的归一化权重。
[0007]应当理解，用该方法，可以如本文所述确定多个归一化权重。
[0008]将理解，多个捕捉结果形成的序列可以是插值序列并且不一定对应于实际传感器读数序列。
[0009]用该方法，在聚焦于模型特定代理时可以观察到时间尺寸。该方法可以提供计算轻量的方法。
[0010]根据另一个方面，关于序列的捕捉结果递归地确定多个归一化权重。这允许该方法具有高效率，其中使用一个捕捉结果的归一化权重来确定另一个捕捉结果的归一化权重。这样，序列的历史可以以非常紧凑的方式传播。递归深度为一个捕捉结果是优选的，即第一捕捉结果的归一化权重基于不包括第一捕捉结果的仅一个第二捕捉结果的归一化权重。可以理解的是，其他进一步捕捉结果的归一化权重仍然可以影响第一捕捉结果的归一化权重，即通过“仅一个第二捕捉结果”的归一化权重。这是由于信息传播的递归性质。
[0011]根据另一个方面，捕捉结果的所述序列表示捕捉结果的时间序列，并且其中，所述序列的包括所述第二捕捉结果和所述第一捕捉结果在内的至少一些捕捉结果对应于不同的时刻。捕捉结果的序列可以例如包括视频序列和/或雷达数据序列和/或激光雷达数据序列。
[0012]序列的包括第一捕捉结果和第二捕捉结果在内的至少一些捕捉结果对应于不同的时刻。特别地，第一捕捉结果可以对应于第一时刻并且第二捕捉结果对应于第二时刻，第一时刻在第二时刻之后。这就是说，进一步的捕捉结果表示序列的历史，其用于实现方法的实时处理。但是，也可以从未来的捕捉结果中取得数据，如果在确定归一化权重之前可以获
取至少一些捕捉结果，则这很有用。
[0013]根据另一个方面，第一捕捉结果对应于第一时刻并且第二捕捉结果对应于第二时刻，第二时刻在第一时刻之前。
[0014]根据另一个方面，第一捕捉结果的归一化权重是通过根据合并规则合并第一捕捉结果的未归一化权重和第二捕捉结果的归一化权重来确定的。这意味着将第一捕捉结果的未归一化权重和第二捕捉结果的归一化权重融合在一起，即数学组合以产生第一捕捉结果的归一化权重。因此，至少两个不同捕捉结果的信息被设置在一个归一化权重中。原则上，可以使用任何期望的数学运算来合并权重。
[0015]根据另一个方面，融合数据保持了关于所有先前时间步的信息，而不仅仅是前一时间步。换句话说，对于时间步t>0，融合数据可能是来自时间步[0,1,
…
,t
‑
1]的加权组合。换句话说：顺序处理的迭代性质保持系统中所有先前时间步的激活。
[0016]根据另一个方面，合并规则定义将第一捕捉结果的未归一化权重和第二捕捉结果的归一化权重使用各自的因子相加，并且对所得的和应用归一化规则以获得第一捕捉结果的归一化权重。
[0017]根据另一个方面，在和中，第一捕捉结果的未归一化权重乘以第一因子，并且第二捕捉结果的归一化权重乘以第二因子。
[0018]因子(在下文中可以称为α和β)可以是可训练的参数。由于仅使用两个附加参数，因此可以提供轻量的机器学习模型。特别是对于通常具有数千个参数的模型，两个附加参数可能是可忽略的开销。该方法可以作为网络的一部分进行训练。
[0019]第一因子和第二因子可用于控制第二捕捉结果的归一化权重对第一捕捉结果的归一化权重的影响(例如当采用归一化权重的递归确定时)。第二因子越大(或越高)，归一化权重的历史就越重要。这对相应捕捉结果的归一化权重应用较大的平滑。
[0020]根据另一个方面，归一化规则包括指数归一化。对于轨迹预测的改进，已发现指数归一化非常有效。
[0021]指数归一化可以定义为多个权重中的相应一个的指数函数除以权重中至少一些、优选地所有权重的指数函数之和。例如，假设有两个权重p1和p2。然后，第一个值p1的指数归一化版本可以表示为p1
’
＝exp(p1)/(exp(p1)+exp(p2))，其中exp()表示指数函数。同样，第二个值p2的指数归一化版本可以表示为p2
’
＝exp(p2)/(exp(p1)+exp(p2))。该算式提供的指数归一化可以称为柔性最大值(softmax)归一化。柔性最大值函数也可以称为归一化指数函数，并且可以是指数函数到多维的一般化。
[0022]根据另一个方面，第一捕捉结果的未归一化权重是通过使用人工神经网络生成的，人工神经网络可以简称为“神经网络”。可以计算导数。可以将导数集成到人工神经网络的基于梯度的优化的训练方案中。更具体地，各种实施方式或方面的数学形式相对于其输入及其参数(α和β)具有明确的导数。然后，这些导数可以用于通过该算法传播误差信号，从而允许集成到任何基于梯度的学习方法(例如人工神经网络或条件随机场)中。
[0023]根据另一个方面，神经网络包括卷积神经网络。卷积神经网络是一类人工神经网络，其被设计成模仿从眼睛到视觉皮层的人类视觉处理系统。其由任意数量的连续层组成，这些层被一起训练以完成所需的任务。卷积神经网络的各层都学习识别与特定任务相关的复杂性不断增加的特征。虽然优选使用卷积神经网络，但要强调的是，也可以使用其他方
式，只要其适合于如上所述逐个捕捉结果生成多个未归一化权重。
[0024]根据另一个方面，在基于注意力的方法中，权重用于与特征向量点积。
[0025]根据另一个方面，权重与特征向量的相应部分的相关性有关。
[0026]根据各个方面的方法可以是临时(Adhoc)方法，其可以应用于现有技术以进行改进。上下文中的“临时”可以理解为表示可以在不对现有系统进行进一步修改或调整的情况下将该方法附加到现有模型；该方法可以由独立的计算单元提供。
[0027]在另一个方面，本公开针对一种计算机系统，所述计算机系统包括多个计算机硬件组件，所述多个计算机硬件组件被配置成执行本文描述的由计算机实现的方法的若干或所有步骤。计算机系统可以是载具的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于为基于注意力的轨迹预测方法确定权重的由计算机实现的方法，该方法包括由计算机硬件组件执行的以下步骤：
‑
接收(202)由传感器取得的多个捕捉结果形成的序列；
‑
基于所述序列的第一捕捉结果确定(204)所述序列的所述第一捕捉结果的未归一化权重；以及
‑
基于所述序列的所述第一捕捉结果的所述未归一化权重和所述序列的第二捕捉结果的归一化权重来确定(206)所述序列的所述第一捕捉结果的归一化权重。2.根据权利要求1所述的由计算机实现的方法，其中，关于所述序列的捕捉结果递归地确定多个归一化权重。3.根据前述权利要求中任一项所述的由计算机实现的方法，其中，捕捉结果的所述序列表示捕捉结果的时间序列，并且其中，所述序列的包括所述第二捕捉结果和所述第一捕捉结果在内的至少一些捕捉结果对应于不同的时刻。4.根据权利要求3所述的由计算机实现的方法，其中，所述第一捕捉结果对应于第一时刻并且所述第二捕捉结果对应于第二时刻，所述第二时刻在所述第一时刻之前。5.根据前述权利要求中任一项所述的由计算机实现的方法，其中，所述第一捕捉结果的所述归一化权重是通过根据合并规则合并所述第一捕捉结果的未归一化权重和所述第二捕捉结果的归一化权重来确定的。6.根据权利要求5所述的由计算机实现的方法，其中，所述合并规则定义了将所述第一捕捉结果的未...

【专利技术属性】
技术研发人员：I，
申请(专利权)人：APTIV技术有限公司，
类型：发明
国别省市：