一种运动轨迹的预测方法及装置制造方法及图纸

本发明专利技术实施例公开一种运动轨迹的预测方法及装置，该方法包括：获得目标对象对应的各交通参与对象的历史轨迹和运动属性信息以及对应的当前地图信息；利用目标轨迹预测模型的特征提取层以及各交通参与对象对应的初始特征，确定各交通参与对象对应的轨迹预测特征；利用目标轨迹预测模型的特征提取层以及各交通参与对象对应的轨迹预测特征，确定各交通参与对象对应的隐随机变量多模态概率分布；利用目标轨迹预测模型的特征回归层、各交通参与对象对应的轨迹预测特征以及各交通参与对象对应的隐随机变量多模态概率分布，确定各交通参与对象对应的多模态预测轨迹，以实现降低运动轨迹预测的局限性，以更好的适应比较复杂的自动驾驶场景。动驾驶场景。动驾驶场景。

【技术实现步骤摘要】
一种运动轨迹的预测方法及装置


[0001]本专利技术涉及轨迹预测
，具体而言，涉及一种运动轨迹的预测方法及装置。

技术介绍

[0002]在自动驾驶领域中，自动驾驶车辆在行驶过程中，需要参考其周围的交通参与对象的未来运动轨迹，来进行自车的行驶轨迹规划，以保证自车以及交通参与对象的安全。相应的，自动驾驶车辆能够准确及时地预测出交通参与对象未来运动轨迹至关重要。
[0003]考虑到交通参与对象未来行为具有明显的不确定性，即交通参与对象的未来运动轨迹具有明显的不确定性，相关技术中，一般以混合高斯分布来建模交通参与对象的未来运动轨迹的概率分布；并人工设计未来运动轨迹的模态类别以及分类规则，采用分类加回归的方式训练得到神经网络模型，以通过神经网络模型和各交通参与对象的历史运动轨迹及所对应的其他动态信息和静态信息，来预测得到各交通参与对象的各模态类别对应的未来运行轨迹以及未来运行轨迹对应的概率。其中，交通参与对象对应的其他动态信息可以包括除该交通参与对象外的其他交通参与对象和自动驾驶车辆的历史轨迹，静态信息可以包括自动驾驶车辆对应的当前地图信息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种运动轨迹的预测方法，其特征在于，所述方法包括：获得目标对象对应的各交通参与对象的历史轨迹和运动属性信息以及对应的当前地图信息；利用目标轨迹预测模型的特征提取层以及各交通参与对象对应的初始特征，确定各交通参与对象对应的轨迹预测特征，其中，交通参与对象对应的初始特征包括：交通参与对象的历史轨迹和运动属性信息，及其对应的其他交通参与对象和目标对象的历史轨迹和运动属性信息以及所述当前地图信息；利用目标轨迹预测模型的特征提取层以及各交通参与对象对应的轨迹预测特征，确定各交通参与对象对应的隐随机变量多模态概率分布，其中，隐随机变量表征各交通参与对象的行为随机性；利用所述目标轨迹预测模型的特征回归层、各交通参与对象对应的轨迹预测特征以及各交通参与对象对应的隐随机变量多模态概率分布，确定各交通参与对象对应的多模态预测轨迹。2.如权利要求1所述的方法，其特征在于，交通参与对象对应的初始特征为基于时间顺序排列的特征，其包括交通参与对象对应的多个历史时刻的特征；所述利用目标轨迹预测模型的特征提取层以及各交通参与对象对应的初始特征，确定各交通参与对象对应的轨迹预测特征的步骤，包括：针对每一交通参与对象，利用目标轨迹预测模型的特征提取层，对该交通参与对象对应的初始特征循环多次执行如下步骤A
‑
C，确定出该交通参与对象对应的中间预测特征；针对每一交通参与对象，基于图神经网络将该交通参与对象对应的中间预测特征中各静态对象对应的中间预测特征进行融合，确定出该交通参与对象对应的轨迹预测特征，其中，所述静态对象包括所述当前地图信息中的各静态对象；步骤A：从特征维度对该交通参与对象对应的待处理特征进行非线性映射，得到该交通参与对象对应的映射特征，其中，所述待处理特征为该交通参与对象对应的初始特征或前一次迭代生成的该交通参与对象对应的中间预测特征；步骤B：从时间维度对所述映射特征进行特征聚合操作，得到该交通参与对象对应的聚合特征；步骤C：将所述聚合特征与所述待处理特征中各历史时刻的特征进行融合。3.如权利要求1所述的方法，其特征在于，所述利用目标轨迹预测模型的特征提取层以及各交通参与对象对应的轨迹预测特征，确定各交通参与对象对应的隐随机变量多模态概率分布的步骤，包括：针对每一交通参与对象，利用目标轨迹预测模型的特征提取层以及该交通参与对象对应的轨迹预测特征，确定该交通参与对象对应的隐随机变量单模态概率分布；针对每一交通参与对象，利用规范化流映射算法以及该交通参与对象对应的隐随机变量单模态概率分布，得到该交通参与对象对应的隐随机变量多模态概率分布。4.如权利要求1
‑
3任一项所述的方法，其特征在于，在所述利用目标轨迹预测模型的特征提取层以及各交通参与对象对应的初始特征，确定各交通参与对象对应的轨迹预测特征的步骤之前，所述方法还包括：训练得到目标轨迹预测模型的过程，其中，所述过程，包括：
获得初始轨迹预测模型；获得各样本交通对象对应的样本训练信息以及各样本交通对象对应的样本未来轨迹，其中，样本交通对象对应的样本训练信息包括：该样本交通对象的样本历史轨迹和样本运动属性信息、其对应的样本动态对象的样本历史轨迹、样本运动属性信息和样本静态对象信息；针对每一样本交通对象，利用所述初始轨迹预测模型的特征提取层以及该样本交通对象对应的初始样本特征，确定该样本交通对象对应的样本预测特征，其中，该样本交通对象对应的初始样本特征包括：样本交通对象样本历史轨迹和样本运动属性信息，其对应的样本动态对象的样本历史轨迹、样本运动属性信息和样本静态对象信息；针对每一样本交通对象，利用所述初始轨迹预测模型的特征提取层以及该样本交通对象对应的样本预测特征，确定该样本交通对象对应的隐随机变量多模态概率分布；针对每一样本交通对象，利用所述初始轨迹预测模型的特征回归层、该样本交通对象对应的样本预测特征以及该样本交通对象对应的隐随机变量多模态概率分布，确定该样本交通对象对应的多模态预测轨迹；针对每一样本交通对象，利用预设变分算法对该样本交通对象对应的样本未来轨迹进行处理，得到该样本交通对象对应的隐随机变量变分概率分布；针对每一样本交通对象，利用该样本交通对象对应的隐随机变量多模态概率分布以及该样本交通对象对应的隐随机变量变分概率分布，确定该样本交通对象对应的隐随机变量KL散度值；针对每一样本交通对象，利用该样本交通对象对应的多模态预测轨迹以及该样本交通对象对应的样本未来轨迹，确定该样本交通对象对应的轨迹重构损失值；针对每一样本交通对象，利用该样本交通对象对应的隐随机变量KL散度值、该样本交通对象对应的轨迹重构损失值，构建最大化似然函数的变分下界；判断所构建的最大化似然函数的变分下界是否达到最大化；若所构建的最大化似然函数的变分下界未达到最大化，则调整所述初始轨迹预测模型的特征提取层与特征回归层的模型参数，并返回所述针对每一样本交通对象，利用所述初始轨迹预测模型的特征提取层以及该样本交通对象对应的初始样本特征，确定该样本交通对象对应的样本预测特征的步骤；若所构建的最大化似然函数的变分下界达到最大化，确定所述初始轨迹预测模型收敛，得到包含特征提取层与特征回归层的所述目标轨迹预测模型。5.如权利要求1
‑
4任一项所述的方法，其特征在于，所述利用所述目标轨迹预测模型的特征回归层、各交通参与对象对应的轨迹预测特征以及各交通参与对象对应的隐随机变量多模态概率分布，确定各交通参与对象对应的多模态预测轨迹的步骤，包括：针对每一交通参与对象，对交通参与对象对应的隐随机变量多模态概率分布进行采样，得到该交通参与对象对应的多个隐随机变量样本；利用所述目标轨迹预测模型的特征回归层、各...

【专利技术属性】
技术研发人员：蒋竺希，张驰，
申请(专利权)人：魔门塔苏州科技有限公司，
类型：发明
国别省市：