【技术实现步骤摘要】
车辆轨迹预测方法、装置、电子设备及存储介质
[0001]本公开涉及计算机视觉、自动驾驶
,本公开尤其涉及一种车辆轨迹预测方法、装置、电子设备及存储介质。
技术介绍
[0002]在车辆驾驶过程中,司机可以通过判断车辆的运动状态,从而做出正确的决策,避免交通事故的发生。然而,自动驾驶系统若仅通过检测和跟踪车辆(即本车附近车辆),难以做出合理的决策。
[0003]如果检测到车辆就停止,会增加交通拥挤程度,而错误地选择继续前行,会导致碰撞的发生。为此,对车辆未来轨迹做出合理的预测,可以提高交通系统的安全性和通畅性。然而,车辆轨迹预测存在很大的挑战性,道路的拓扑结构、交通标志和信号灯、车辆与周边代理之间的交互等都会影响车辆轨迹的预测。
[0004]以下为现有技术中的车辆轨迹预测技术方案:
[0005]方案1:2020年的WACV论文“Uncertainty
‑
aware Short
‑
term Motion Prediction of Traffic Actors for Autonomous Driving”提出使用栅格化的高精地图,即栅格地图,提供更加全面和精细的地图信息。模型采用某一时刻车辆的状态(位置、速度、加速度)作为输入,再结合经过卷积神经网络处理后的栅格地图预测未来轨迹。
[0006]方案2:2021年的CVPR论文“Multimodal Motion Prediction with Stacked Transformers”基于堆叠的Tr ...
【技术保护点】
【技术特征摘要】
1.一种车辆轨迹预测方法,其特征在于,包括:S110、基于获取的目标车辆的观测轨迹序列获取目标车辆的第一未来轨迹特征序列;S120、基于以所述目标车辆为中心的语义地图获取所述目标车辆的观测图像特征以生成特征图;S130、基于所述特征图获取所述目标车辆的第二未来轨迹特征序列,基于所述特征图获取所述目标车辆的至少一个轨迹多模态特征;S140、将所述第一未来轨迹特征序列和所述第二未来轨迹特征序列分别进行反转,获得第一未来反转轨迹特征序列和第二未来反转轨迹特征序列;S150、将所述第一未来反转轨迹特征序列和所述第二未来反转轨迹特征序列进行第一融合处理,获得未来轨迹融合特征序列;以及S160、将所述未来轨迹融合特征序列中的每个未来轨迹融合特征与所述至少一个轨迹多模态特征进行第二融合处理,获得至少一个最终未来轨迹特征以用于生成至少一个最终未来预测轨迹。2.根据权利要求1所述的车辆轨迹预测方法,其特征在于,还包括:S170、基于语义地图中的车道线对所述最终未来预测轨迹进行修正,以获得修正轨迹。3.根据权利要求1或2所述的车辆轨迹预测方法,其特征在于,S110、基于获取的目标车辆的观测轨迹序列获取目标车辆的第一未来轨迹特征序列,包括:S111、对目标车辆的观测轨迹序列进行嵌入处理,并进行位置编码处理,生成预编码特征;S112、使用第一Transformer模型的编码器对所述预编码特征进行编码处理,获得第一特征向量;以及S113、使用第一Transformer模型的解码器对所述第一特征向量进行解码处理,获得所述第一未来轨迹特征序列。4.根据权利要求1或2所述的车辆轨迹预测方法,其特征在于,S120、基于以所述目标车辆为中心的语义地图获取所述目标车辆的观测图像特征以生成特征图,包括:使用基于CNN的骨干网络对语义地图进行特征提取获取所述目标车辆的观测图像特征以生成特征图。5.根据权利要求4所述的车辆轨迹预测方法,其特征在于,S130中,基于所述特征图获取所述目标车辆的第二未来轨迹特征序列,包括:S131、将所述特征图分割为多个特征子图,获得特征子图序列;S132、对所述特征子图序列进行位置编码处理,获得预编码特征;S133、使用第二Transformer模型的编码器对预编码特征进行编码处理,获得第二特征向量;以及S134、使用第二Transformer模型的解码器对所述第二特征向量进行解码处理,获得所述第二未来轨迹特征序列。6.根据权利要求5所述的车辆轨迹预测方法,其特征在于,S130中,基于所述特征图获取所述目标车辆的至少一个轨迹多模态特征,包括:S135、使用第三Transformer模型的解码器对所述第二特征向量进行解码处理,获得所述目标车辆的至少一个轨迹多模态特征;
优选地,所述第一Transformer模型的解码器为经过可学习的嵌入初始化并进行了轨迹特征学习的解码器;优选地,所述第二Transformer模型的解码器为经过可学习的嵌入初始化并进行了轨迹特征学习的解码器;优选地,所述第三Transformer模型的解码器为经过可学习的嵌入初始化并进行了多模态特征学习的解码器;优选地,S160、将所述未来轨迹融合特征序列中的每个未来轨迹融合特征与所述至少一个轨迹多模态特征进行第二融合处理,获得至少一个最终未来轨迹特征以用于生成至少一个最终未来预测轨迹,包括:将每一个轨迹多模态特征与所述未来轨迹融合特征序列中的每个未来轨迹融合特征进行拼接处理,获得基于每一个轨迹多模态特征的最终未来轨迹特征;优选地,S160、将所述未来轨迹融合特征序列中的每个未来轨迹融合特征与所述至少一个轨迹多模态特征进行第二融合处理,获得至少一个最终未来轨迹特征以用于生成至少一个最终未来预测轨迹,还包括:对每一个最终未来轨迹特征进行基于自注意力机制(Self
‑
Attention)的处理,并通过多层感知机获得基于每一个最终未来轨迹特征的最终未来预测轨迹;优选地,S170、基于语义地图中的车道线对所述最终未来预测轨迹进行修正,以获得修正轨迹,包括:S171、对于每一条最终未来预测轨迹,获取与其距离最近的车道线;S172、对最终未来预测轨迹进行基于GRU的编码处理,获得最终未来预测轨迹编码序列;对与所述最终未来预测轨迹距离最近的车道线进行基于GRU的编码处理,获得车道线编码序列,对车道线编码序列进行位置编码,获得最终车道线编码序列;S173、对所述最终未来预测轨迹编码序列及所述最终车道线编码序列进行基于多头注意力机制(Multi
‑
head Attention)的处理,获得修正轨迹特征;以及S174、基于多层感知机对所述修正轨迹特征进行解码处理,获得所述修正轨迹。7.一种车辆轨迹预测装置,其特征在于,包括:第一未来轨迹特征序列获取模块,所述第一未来轨迹特征序列获取模...
【专利技术属性】
技术研发人员:林华东,范圣印,李雪,
申请(专利权)人:苏州易航远智智能科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。