目标轨迹预测方法、装置、电子装置和存储介质制造方法及图纸

本申请涉及一种目标轨迹预测方法、装置、电子装置和存储介质，通过以预设频率采集目标的真实轨迹数据，获取自第一历史时刻起记录至当前时刻为止的n个连续采样值，得到第一真实轨迹数据组，获取用于预测目标自第一历史时刻起至当前时刻为止的轨迹的第一预测轨迹数据组，第一预测轨迹数据组包含n个连续预测值；将第一预测轨迹数据组和第一真实轨迹数据组进行比较，得到第一预测轨迹数据组和第一真实轨迹数据组之间的第一误差结果；根据第一误差结果对第二预测轨迹数据组进行补偿，得到目标自第二历史时刻起至下一时刻为止的预测轨迹，第二预测轨迹数据组包含n个连续预测值，解决了目标预测轨迹的精准度较低的问题，提高了目标预测轨迹精准度。预测轨迹精准度。预测轨迹精准度。

【技术实现步骤摘要】
目标轨迹预测方法、装置、电子装置和存储介质


[0001]本申请涉及自动驾驶
，特别是涉及一种目标轨迹预测方法、装置、电子装置和存储介质。

技术介绍

[0002]车辆轨迹预测是自动驾驶的关键技术之一。现有的车辆轨迹预测方法主要有以下几类：一是基于车辆动力学和运动学模型的方法；二是通过先预测车辆的驾驶意图然后产生预测轨迹，根据驾驶意图产生轨迹的方法有通过RRT等算法生成候选的预测轨迹后，采用极大似然法学习轨迹评价函数的参数，从而选择代价最小的轨迹，也有采用高斯过程等模型，通过训练数据学习模型的参数、从而生成预测的轨迹，其中，预测驾驶意图的方法有采用代价函数、机器学习、隐马尔科夫模型、贝叶斯网络等；三是基于深度学习的方法直接产生轨迹，包括基于LSTM的交互算法、基于Graph/Attention的交互算法等。
[0003]然而，以上三类车辆轨迹预测方法均依赖离线数据的准确性及训练场景覆盖率。如基于车辆动力学和运动学模型的方法，需要离线的车辆参数及当前时间车辆状态参数，对于参数演化推算出的预测轨迹在复杂工况下可能超出现实人类驾驶员的真实的轨迹；如基于驾驶员意图的轨迹预测方法，在计算代价函数cost时，在复杂场景无法有效衡量驾驶员的真实意图，比如目标车辆在只能合入主路的最右侧匝道上，而目标车辆却离其自车所在的右侧车道线相近的情况，对于基于驾驶员意图的方法有效评估出驾驶员的真实意图较为困难，进而影响算法预测的轨迹；如基于深度学习模型进行轨迹预测的方法，需要离线训练的数据覆盖各种场景，当训练的场景数据不包含特殊复杂场景时，可能造成模型预测无法收敛得不到真实驾驶员驾驶车辆的轨迹。因此，以上三类车辆预测轨迹方法在实际应用过程中，受限于离线数据的准确性和训练场景覆盖率因素，导致预测轨迹与实际轨迹之间有着不小的差距。
[0004]针对相关技术中存在目标预测轨迹的精准度较低的问题，目前还没有提出有效的解决方案。

技术实现思路

[0005]在本实施例中提供了一种目标轨迹预测方法、装置、电子装置和存储介质，以解决相关技术中目标预测轨迹的精准度较低的问题。
[0006]第一个方面，在本实施例中提供了一种目标轨迹预测方法，以预设频率采集目标的真实轨迹数据，获取自第一历史时刻起记录至当前时刻为止的n个连续采样值，得到第一真实轨迹数据组，以及获取用于预测所述目标自所述第一历史时刻起至当前时刻为止的轨迹的第一预测轨迹数据组，其中，所述第一预测轨迹数据组包含n个连续预测值；将所述第一预测轨迹数据组和所述第一真实轨迹数据组进行比较，得到所述第一预测轨迹数据组和所述第一真实轨迹数据组之间的第一误差结果；根据所述第一误差结果对第二预测轨迹数据组进行补偿，得到所述目标自第二历史时刻起至下一时刻为止的预测轨迹，其中，所述第
二预测轨迹数据组包含n个连续预测值。
[0007]在其中的一些实施例中，根据所述第一真实轨迹数据组中的采样值和所述第一预测轨迹数据组中对应的预测值，得到n个误差值；对每个误差值进行有效性判断，并修正判断为无效的误差值。
[0008]在其中的一些实施例中，设置第一阈值，将所述n个误差值分别与所述第一阈值进行比较，并确定大于所述第一阈值的误差值为无效的误差值。在其中的一些实施例中获取与所述无效的误差值相邻的两个误差值，将所述相邻的两个误差值的平均值替换所述无效的误差值。
[0009]在其中的一些实施例中，将所述n个误差值与所述第二预测轨迹数据组中n个连续预测值对应相加。
[0010]在其中的一些实施例中，获取第二误差结果，其中，所述第二误差结果根据所述第二预测轨迹数据组和第二真实轨迹数据组进行比较得到，所述第二真实轨迹数据组包括所述目标自所述第二历史时刻起至下一时刻为止的n个连续采样值，所述第二误差结果包含n个误差值；分别计算所述第一误差结果和所述第二误差结果的平均值，将所述第一误差结果和所述第二误差结果的平均值进行比较，根据得到的比较结果确定是否采用所述第一误差结果对所述第二预测轨迹数据组进行补偿。
[0011]在其中的一些实施例中，所述第一预测轨迹数据组与所述第二预测轨迹数据组的生成时间间隔，小于或者等于当前时刻至下一时刻的时间间隔。
[0012]第二个方面，在本实施例中提供了一种目标轨迹预测装置，包括：
[0013]获取模块，用于以预设频率采集目标的真实轨迹数据，获取自第一历史时刻起记录至当前时刻为止的n个连续采样值，得到第一真实轨迹数据组，以及获取用于预测所述目标自所述第一历史时刻起至当前时刻为止的轨迹的第一预测轨迹数据组，其中，所述第一预测轨迹数据组包含n个连续预测值；
[0014]比较模块，用于将所述第一预测轨迹数据组和所述第一真实轨迹数据组进行比较，得到所述第一预测轨迹数据组和所述第一真实轨迹数据组之间的第一误差结果；
[0015]补偿模块，用于根据所述第一误差结果对第二预测轨迹数据组进行补偿，得到所述目标自第二历史时刻起至下一时刻为止的预测轨迹，其中，所述第二预测轨迹数据组包含n个连续预测值。
[0016]第三个方面，在本实施例中提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的目标轨迹预测方法。
[0017]第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的目标轨迹预测方法。
[0018]与相关技术相比，在本实施例中提供的目标轨迹预测方法、装置、电子装置和存储介质，以预设频率采集目标的真实轨迹数据，获取自第一历史时刻起记录至当前时刻为止的n个连续采样值，得到第一真实轨迹数据组，以及获取用于预测目标自第一历史时刻起至当前时刻为止的轨迹的第一预测轨迹数据组，其中，第一预测轨迹数据组包含n个连续预测值；将第一预测轨迹数据组和第一真实轨迹数据组进行比较，得到第一预测轨迹数据组和第一真实轨迹数据组之间的第一误差结果；根据第一误差结果对第二预测轨迹数据组进行
补偿，得到目标自第二历史时刻起至下一时刻为止的预测轨迹，其中，第二预测轨迹数据组包含n个连续预测值，解决了相关技术中目标预测轨迹的精准度较低的问题，提高了目标预测轨迹的精准度。
[0019]本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
[0020]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0021]图1是本申请一实施例的目标轨迹预测方法的终端硬件结构框图；
[0022]图2是本申请一实施例中目标轨迹预测方法的流程图；
[0023]图3是本申请一实施例中车辆轨迹数据获取方法的原理图；
[0024]图4是本申请一实施例中车辆轨迹预测方法的流程图；
[0025]图5是本申请一实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标轨迹预测方法，其特征在于，包括：以预设频率采集目标的真实轨迹数据，获取自第一历史时刻起记录至当前时刻为止的n个连续采样值，得到第一真实轨迹数据组，以及获取用于预测所述目标自所述第一历史时刻起至当前时刻为止的轨迹的第一预测轨迹数据组，其中，所述第一预测轨迹数据组包含n个连续预测值；将所述第一预测轨迹数据组和所述第一真实轨迹数据组进行比较，得到所述第一预测轨迹数据组和所述第一真实轨迹数据组之间的第一误差结果；根据所述第一误差结果对第二预测轨迹数据组进行补偿，得到所述目标自第二历史时刻起至下一时刻为止的预测轨迹，其中，所述第二预测轨迹数据组包含n个连续预测值。2.根据权利要求1所述的目标轨迹预测方法，其特征在于，将所述第一预测轨迹数据组和所述第一真实轨迹数据组进行比较，得到所述第一预测轨迹数据组和所述第一真实轨迹数据组之间的第一误差结果包括：根据所述第一真实轨迹数据组中的采样值和所述第一预测轨迹数据组中对应的预测值，得到n个误差值；对每个误差值进行有效性判断，并修正判断为无效的误差值。3.根据权利要求2所述的目标轨迹预测方法，其特征在于，对每个误差值进行有效性判断包括：设置第一阈值，将所述n个误差值分别与所述第一阈值进行比较，并确定大于所述第一阈值的误差值为无效的误差值。4.根据权利要求2所述的目标轨迹预测方法，其特征在于，修正判断为无效的误差值包括：获取与所述无效的误差值相邻的两个误差值，将所述相邻的两个误差值的平均值替换所述无效的误差值。5.根据权利要求1所述的目标轨迹预测方法，其特征在于，所述第一误差结果包含n个误差值，根据所述第一误差结果对第二预测轨迹数据组进行补偿包括：将所述n个误差值与所述第二预测轨迹数据组中n个连续预测值对应相加。6.根据权利要求1所述的目标轨迹预测方法，其特征在于，所述误差结果包含n个误差值，根据所述误差结...

【专利技术属性】
技术研发人员：李小刚，邹欣，潘文博，白颖，吴鹏，刘翎予，陈永春，
申请(专利权)人：福思杭州智能科技有限公司，
类型：发明
国别省市：