本申请涉及一种目标的轨迹预测方法、装置和计算可读存储介质。该方法包括：通过雷视设备获取历史N帧图像中全局坐标系下目标的位置和自车的位姿；根据历史N帧图像中全局坐标系下目标的位置和自车的位姿，将历史N帧图像的每一帧图像中全局坐标系下目标的位置转换为当前帧图像中车辆坐标系的N个位置，其中，车辆坐标系为自车所在的车辆坐标系；获取目标在每一帧图像中被雷视设备感知的可信度；根据目标在当前帧图像中车辆坐标系的N个位置和在每一帧图像中被雷视设备感知的可信度，通过对拟合的样条曲线进行筛选得到目标的运动轨迹。本申请提供的技术方案在无需提升传感器硬件性能的前提下，可以高效地对目标的轨迹进行准确预测。测。测。
【技术实现步骤摘要】
目标的轨迹预测方法、装置和计算可读存储介质
[0001]本申请涉及自动驾驶领域，尤其涉及目标的轨迹预测方法、装置和计算可读存储介质。
技术介绍
[0002]在自动驾驶领域，对行人、车辆等目标的轨迹进行有效预测涉及自动驾驶车辆的运行安全，因而具有十分重要的意义。目前，在对目标的轨迹进行预测时主要包括基于卡尔曼滤波和深度学习等两种方法。具体而言，基于卡尔曼滤波的轨迹预测方法主要是根据目标的运动状态，例如加速直行、减速直行、匀速或减速变道等，切换不同的卡尔曼运动模型来预测目标的轨迹，而基于深度学习的轨迹预测方法则是通过将目标的历史轨迹输入到相应的轨迹预测模型训练，基于待定轨迹预测模型和待定轨迹回溯模型进行相互监督训练，获得轨迹预测模型，从而预测目标的轨迹。
[0003]然而，上述基于卡尔曼滤波的轨迹预测方法对传感器硬件要求较高，并且要求对目标的观测量(速度和/或加速度等)的误差符合模型相应的误差范围内，否则误差很大，而基于深度学习的轨迹预测方法需要大量的训练样本集，在提取目标的特征时工作量大，算法的效率较低，未必适合商用化环境。
技术实现思路
[0004]为解决或部分解决相关技术中存在的问题，本申请提供一种目标的轨迹预测方法、装置和计算可读存储介质，在无需提升传感器硬件性能的前提下，可以高效地对目标的轨迹进行准确预测。
[0005]本申请第一方面提供一种目标的轨迹预测方法，包括：
[0006]通过雷视设备获取历史N帧图像中全局坐标系下目标的位置和自车的位姿；
[0007]根据所述历史N帧图像中全局坐标系下目标的位置和自车的位姿，将所述历史N帧图像的每一帧图像中全局坐标系下目标的位置转换为当前帧图像中车辆坐标系的N个位置，所述车辆坐标系为所述自车所在的车辆坐标系；
[0008]获取所述目标在每一帧图像中被所述雷视设备感知的可信度；
[0009]根据所述目标在当前帧图像中车辆坐标系的N个位置和在每一帧图像中被所述雷视设备感知的可信度，通过对拟合的样条曲线进行筛选得到所述目标的运动轨迹。
[0010]本申请第二方面提供一种目标的轨迹预测装置，包括：
[0011]第一获取模块，用于通过雷视设备获取历史N帧图像中全局坐标系下目标的位置和自车的位姿；
[0012]转换模块，用于根据所述历史N帧图像中全局坐标系下目标的位置和自车的位姿，将所述历史N帧图像的每一帧图像中全局坐标系下目标的位置转换为当前帧图像中车辆坐标系的N个位置，所述车辆坐标系为所述自车所在的车辆坐标系；
[0013]第二获取模块，用于获取所述目标在每一帧图像中被所述雷视设备感知的可信
度；
[0014]拟合模块，用于根据所述目标在当前帧图像中车辆坐标系的N个位置和在每一帧图像中被所述雷视设备感知的可信度，通过对拟合的样条曲线进行筛选得到所述目标的运动轨迹。
[0015]本申请第三方面提供一种电子设备，包括：
[0016]处理器；以及
[0017]存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。
[0018]本申请第四方面提供一种计算机可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上所述的方法。
[0019]本申请提供的技术方案可知，相比于相关技术提供的基于卡尔曼滤波的轨迹预测方法对传感器硬件要求较高，本申请的技术方案在雷视设备等硬件上并无特别改变，只需通过雷视设备获取历史N帧图像中全局坐标系下目标的位置和自车的位姿以及获取目标在每一帧图像中被雷视设备感知的可信度，后续按照算法根据目标在当前帧图像中车辆坐标系的N个位置和在每一帧图像中被雷视设备感知的可信度，通过对拟合的样条曲线进行筛选得到目标的运动轨迹。因此，相比于基于深度学习的轨迹预测方法需要大量的训练样本集、算法的效率低，本申请的技术方案在无需提升传感器硬件性能的前提下，可以高效地对目标的轨迹进行准确预测。
[0020]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
[0021]通过结合附图对本申请示例性实施方式进行更详细地描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。
[0022]图1是本申请实施例提供的目标的轨迹预测方法的流程示意图；
[0023]图2是本申请实施例提供的目标的轨迹预测装置的结构示意图；
[0024]图3是本申请实施例提供的电子设备的结构示意图。
具体实施方式
[0025]下面将参照附图更详细地描述本申请的实施方式。虽然附图中显示了本申请的实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。
[0026]在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0027]应当理解，尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信
息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0028]在自动驾驶领域，对行人、车辆等目标的轨迹进行有效预测涉及自动驾驶车辆的运行安全，因而具有十分重要的意义。目前，在对目标的轨迹进行预测时主要包括基于卡尔曼滤波和深度学习等两种方法。具体而言，基于卡尔曼滤波的轨迹预测方法主要是根据目标的运动状态，例如加速直行、减速直行、匀速或减速变道等，切换不同的卡尔曼运动模型来预测目标的轨迹，而基于深度学习的轨迹预测方法则是通过将目标的历史轨迹输入到相应的轨迹预测模型训练，基于待定轨迹预测模型和待定轨迹回溯模型进行相互监督训练，获得轨迹预测模型，从而预测目标的轨迹。然而，上述基于卡尔曼滤波的轨迹预测方法对传感器硬件要求较高，并且要求对目标的观测量(速度和/或加速度等)的误差符合模型相应的误差范围内，否则误差很大，而基于深度学习的轨迹预测方法需要大量的训练样本集，在提取目标的特征时工作量大，算法的效率较低，未必适合商用化环境。
[0029]针对上述问题，本申请实施例提供一种目标的轨迹预测方法，在无需提升传感器硬件性能的前提下，可以高效地对目标的轨迹进行准确预测。
[0030]以下结本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种目标的轨迹预测方法，其特征在于，所述方法包括：通过雷视设备获取历史N帧图像中全局坐标系下目标的位置和自车的位姿；根据所述历史N帧图像中全局坐标系下目标的位置和自车的位姿，将所述历史N帧图像的每一帧图像中全局坐标系下目标的位置转换为当前帧图像中车辆坐标系的N个位置，所述车辆坐标系为所述自车所在的车辆坐标系；获取所述目标在每一帧图像中被所述雷视设备感知的可信度；根据所述目标在当前帧图像中车辆坐标系的N个位置和在每一帧图像中被所述雷视设备感知的可信度，通过对拟合的样条曲线进行筛选得到所述目标的运动轨迹。2.根据权利要求1所述的目标的轨迹预测方法，其特征在于，所述根据所述历史N帧图像中全局坐标系下目标的位置和自车的位姿，将所述历史N帧图像的每一帧图像中全局坐标系下目标的位置转换为当前帧图像中车辆坐标系的N个位置，包括：根据所述历史N帧图像中全局坐标系下自车的坐标中心在所述全局坐标系下的纵向位移、横向位移和转角，计算第i帧图像到当前帧图像自车的纵向位移差、横向位移差和转角差，所述i＝0，1，2，
…
，N
‑
1；根据所述第i帧图像到当前帧图像自车的纵向位移差、横向位移差和转角，计算第i帧图像的自车坐标系到当前帧图像的自车坐标系的横向位移和纵向位移；根据所述第i帧图像到当前帧图像自车的转角差、自车坐标系到当前帧图像的自车坐标系的横向位移和纵向位移，计算得到每一帧图像中全局坐标系下目标在所述当前帧图像中车辆坐标系的位置。3.根据权利要求1所述的目标的轨迹预测方法，其特征在于，所述获取所述目标在每一帧图像中被所述雷视设备感知的可信度，包括：获取自车速度为预设值时所述目标被所述雷视设备感知的留存时间；根据所述自车速度为预设值时所述目标被所述雷视设备感知的留存时间，通过插值方式计算得到所述目标在每一帧图像中被所述雷视设备感知的可信度。4.根据权利要求1所述的目标的轨迹预测方法，其特征在于，所述根据所述目标在当前帧图像中车辆坐标系的位置和在每一帧图像中被所述雷视设备感知的可信度，通过对拟合的样条曲线进行筛选得到所述目标的运动轨迹，包括：计算所述目标在当前帧图像中车辆坐标系的N个位置的中心或者每一段历史轨迹的聚类中心；根据所述目标在当前帧图像中车辆坐标系的N个位置的中心或者每一段历史轨迹的聚类中心，拟合得到m个样条曲线；求取所述目标在当前帧图像中车辆坐标系的N个位置对应于所述m个样条曲线的代价函数，从所述m个样条曲线筛选出代价最小值对应的样条曲线作为所述目标的运动轨迹。5.根据权利要求...
【专利技术属性】
技术研发人员：陈钊，梁志远，唐昕，苏烨，
申请(专利权)人：广州小鹏自动驾驶科技有限公司，
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。