轨迹预测模型的训练方法及评估方法技术

本发明专利技术提供了一种轨迹预测模型的训练方法及评估方法。其中训练方法包括：从轨迹预测模型中获取目标的预测轨迹，将预测轨迹划分为多个预测子轨迹段；获取目标的真实轨迹，将真实轨迹划分为多个真实子轨迹段，真实子轨迹段与预测子轨迹段的数量对应；分别计算预测子轨迹段与真实子轨迹段之间的向量夹角，向量夹角包括横向向量夹角和纵向向量夹角；分别计算预测子轨迹段与真实子轨迹段之间的L2距离损失；根据向量夹角和L2距离损失计算横向距离损失和纵向距离损失；将横向距离损失和纵向距离损失作为轨迹预测模型的损失函数，优化轨迹预测模型的参数。本申请对损失函数进行精细化分解，训练好的轨迹预测模型预测准确性更高。训练好的轨迹预测模型预测准确性更高。训练好的轨迹预测模型预测准确性更高。

【技术实现步骤摘要】
轨迹预测模型的训练方法及评估方法


[0001]本专利技术主要涉及自动驾驶领域，尤其涉及一种轨迹预测模型的训练方法及评估方法。

技术介绍

[0002]在自动驾驶领域中，如何理解自动驾驶周围目标(如行人、车辆等交通参与者)的行为成为自动驾驶系统中的重要一环。目标物轨迹预测旨在根据自动驾驶周围目标当前轨迹或历史轨迹与环境信息，对该目标未来的行驶轨迹进行预测。
[0003]当前常采用深度学习模型进行目标物轨迹预测。然而，现有的轨迹预测模型的训练方法仅仅是采用整体的距离函数作为损失函数对模型进行训练，导致训练好的模型预测准确性不高。而现有的轨迹预测模型的评估方法仅仅是采用整体的评估指标，例如平均位移误差ADE(Average Displacement Error，ADE)和最终位移误差FDE(Final Displacement Error，FDE)对轨迹预测模型进行评估，导致对模型的性能评估不够精确。
[0004]因此，亟需一种损失函数和评估指标更加精细的轨迹预测模型的训练方法及评估方法。

技术实现思路
/>[0005]本专本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轨迹预测模型的训练方法，其特征在于，包括：从轨迹预测模型中获取目标的预测轨迹，将所述预测轨迹划分为多个预测子轨迹段；获取目标的真实轨迹，将所述真实轨迹划分为多个真实子轨迹段，所述真实子轨迹段与所述预测子轨迹段的数量对应；分别计算所述预测子轨迹段与所述真实子轨迹段之间的向量夹角，所述向量夹角包括横向向量夹角和纵向向量夹角；分别计算所述预测子轨迹段与所述真实子轨迹段之间的L2距离损失；根据所述向量夹角和所述L2距离损失计算横向距离损失和纵向距离损失；将所述横向距离损失和所述纵向距离损失作为所述轨迹预测模型的损失函数，优化所述轨迹预测模型的参数。2.如权利要求1所述的方法，其特征在于，从轨迹预测模型中获取目标的预测轨迹包括：获取目标的历史轨迹和目标周围环境信息，所述目标周围环境信息包括车道线信息和周围车辆的轨迹信息；将所述目标的历史轨迹和目标周围环境信息输入所述轨迹预测模型。3.如权利要求1所述的方法，其特征在于，通过如下公式计算所述纵向向量夹角：其中，为所述纵向向量夹角，v
i
为第i段真实子轨迹段，第i段预测子轨迹段。4.如权利要求3所述的方法，其特征在于，通过如下公式计算所述横向量夹角：其中，为所述横向量夹角，为所述纵向向量夹角。5.如权利要求4所述的方法，其特征在于，通过如下公式计算横向距离损失：其中，为所述横向距离损失，为所述L2距离损失，为所述横向量夹角。6.如权利要求3所述的方法，其特征在于，通过如下公式计算纵向距离损失：其中，为所述纵向距离损失，为所述L2距离损失，为所述纵向量夹角。7.如权利要求1所述的方法，其特征在于，将所述横向距离损失和所述纵向距离损失作为所述轨迹预测模型的损失函数包括：根据所述横向距离损失和所述纵向距离损失计算组合损失函数，将所述组合损失函数作为所述轨迹预测模型的损失函数。
8.如权...

【专利技术属性】
技术研发人员：罗登科，施亮，
申请(专利权)人：上汽大众汽车有限公司，
类型：发明
国别省市：