一种获得平滑预测轨迹的方法、装置及存储介质制造方法及图纸

本发明专利技术属于自动驾驶技术领域，具体涉及一种获得平滑预测轨迹的方法、装置及存储介质，该方法包括，获取本车运动状态、目标运动状态和周围环境信息；根据获取的所述本车运动状态、目标运动状态和周围环境信息进行预处理，根据所述预处理结果生成训练样本；根据生成的所述训练样本采用K

【技术实现步骤摘要】
一种获得平滑预测轨迹的方法、装置及存储介质


[0001]本专利技术属于自动驾驶
，具体涉及一种获得平滑预测轨迹的方法、装置及存储介质。

技术介绍

[0002]在车辆运动学中，车辆运动纵向可以有急停、急加速行为，而横向发生急速位移属于极端情况。相对于纵向运动，正常车辆行驶中，横向位移一般是缓慢且连贯的，不太可能出现忽左忽右的情况。
[0003]然而，近年来使用深度学习、数据驱动的轨迹预测方法的研究越来越流行。但基于坐标点回归的优化方法训练得到的轨迹预测模型难免会输出横向运动比较极端的轨迹，例如预测目标轨迹出现横向抖动或锯齿形折线，这是不太符合实际车辆运动规律。

技术实现思路

[0004]本专利技术的目的是：旨在提供一种获得平滑预测轨迹的方法、装置及存储介质，用来解决
技术介绍
中指出的现有的轨迹预测方法在车辆未来轨迹预测中可能会出现横向抖动或锯齿形折线，不符合车辆实际运动规律的问题。
[0005]为实现上述技术目的，本专利技术采用的技术方案如下：
[0006]第一方面，本申请提出了一种获得平滑预测轨迹的方法，所述方法包括，
[0007]获取本车运动状态、目标运动状态和周围环境信息；
[0008]根据获取的所述本车运动状态、目标运动状态和周围环境信息进行预处理，根据所述预处理结果生成训练样本；
[0009]根据生成的所述训练样本采用K
‑
Means算法，通过聚类方式，获得聚类轨迹；
[0010]建立神经网络模型，将获得的所述聚类轨迹输入所述神经网路模型中，通过所述神经网路模型转化输出，得到训练轨迹，并与所述聚类轨迹比对，得到预测轨迹。
[0011]结合第一方面，在一些可选的实施方式中，所述方法还包括，
[0012]在进行所述预处理时，将获取的信息通过时间戳对齐，再将所述时间戳对齐的数据进行降采样或插值；
[0013]根据所述降采样或插值的数据获取BEV鸟瞰图数据、当前位置、历史位置、当前速度、当前加速度和当前航向变化率信息生成训练样本。
[0014]结合第一方面，在一些可选的实施方式中，所述方法还包括，
[0015]所述BEV鸟瞰图数据包括以目标当前位置为中心在预设距离内的高精地图信息、目标历史帧和目标周围移动对象的历史帧；
[0016]将所述高精地图信息、目标历史帧和目标周围移动对象的历史帧叠加处理，得到三通道的矩阵图。
[0017]结合第一方面，在一些可选的实施方式中，所述方法还包括，
[0018]在获取所述聚类轨迹时，根据设定的阈值，调整聚类数量参数进行重新聚类。
[0019]结合第一方面，在一些可选的实施方式中，所述方法还包括，
[0020]在建立所述神经网络模型时，采用ResNet作为骨干网络，修改第一卷积层的通道数以适应输入BEV的维度，添加第一全连接层接受所述骨干网络的输出结果，再添加第二全连接层将所述输出结果转化成多轨迹以及对应的概率输出。
[0021]结合第一方面，在一些可选的实施方式中，所述方法还包括，
[0022]在所述第二全连接层将对应的概率输出时，通过softmax函数将所述神经网络模型预测的置信度转换成和为1的概率值。
[0023]第二方面，本申请还提出了一种获得平滑预测轨迹的装置，所述装置包括，
[0024]数据采集模块，用于获取本车运动状态、目标运动状态和周围环境信息；
[0025]训练模块，用于根据获取的所述本车运动状态、目标运动状态和周围环境信息进行预处理，根据所述预处理结果生成训练样本，根据训练样本，获取聚类轨迹；
[0026]神经网络模块，用于根据训练样本，生成训练轨迹，并与所述聚类轨迹比对，得到预测轨迹。
[0027]结合第二方面，在一些可选的实施方式中，所述装置还包括，
[0028]预处理模块，所述预处理模块，用于将获取的信息通过时间戳对齐，再将所述时间戳对齐的数据进行降采样或插值；根据所述降采样或插值的数据获取BEV鸟瞰图数据、当前位置、历史位置、未来位置、当前速度、当前加速度和当前航向变化率信息生成训练样本。
[0029]第三方面，本申请还提出了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行如上述所述的方法。
[0030]采用上述技术方案的专利技术，具有如下优点：
[0031]通过对获取的本车运动状态、目标运动状态和周围环境信息进行预处理，通过预处理能够得到训练样本，通过对训练样本采用K
‑
Means算法，并采用聚类操作，获得聚类轨迹，再将聚类轨迹输入到建立的ResNet神经网络模型中，得到训练轨迹，并将训练轨迹与聚类轨迹进行比对，能够得到平滑的预测轨迹，使车辆未来轨迹预测能够符合车辆的实际运动规律。
附图说明
[0032]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0033]图1为本申请实施例提供的方法的流程示意图之一；
[0034]图2为本申请实施例提供的传感器布置示意图；
[0035]图3为本申请实施例提供的方法的流程示意图之二；
[0036]图4为本申请实施例提供的BEV三通道的矩阵图；
[0037]图5为本申请实施例提供的方法中聚类中心轨迹示意图；
[0038]图6为本申请实施例提供的装置的框图；
[0039]其中，主要元件符号说明如下：
[0040]装置200、数据采集模块210、训练模块220、神经网络模块230。
具体实施方式
[0041]以下将结合附图和具体实施例对本申请进行详细说明，需要说明的是，在附图或说明书描述中，相似或相同的部分都使用相同的图号，附图中未绘示或描述的实现方式，为所属
中普通技术人员所知的形式。在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0042]请参考附图1所示，本申请实施例公开了一种获得平滑预测轨迹的方法，方法可以包括，
[0043]步骤110、获取本车运动状态、目标运动状态和周围环境信息；
[0044]步骤120、根据获取的所述本车运动状态、目标运动状态和周围环境信息进行预处理，根据所述预处理结果生成训练样本；
[0045]步骤130、根据生成的所述训练样本采用K
‑
Means算法，通过聚类方式，获得聚类轨迹；
[0046]步骤140、建立神经网络模型，将获得的所述聚类轨迹输入所述神经网路模型中，通过所述神经网路模型转化输出，得到训练轨迹，并与所述聚类轨迹比对，得到预测轨迹。
[0047]通过上述的实施方式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种获得平滑预测轨迹的方法，其特征在于：所述方法包括，获取本车运动状态、目标运动状态和周围环境信息；根据获取的所述本车运动状态、目标运动状态和周围环境信息进行预处理，根据所述预处理结果生成训练样本；根据生成的所述训练样本采用K
‑
Means算法，通过聚类方式，获得聚类轨迹；建立神经网络模型，将获得的所述聚类轨迹输入所述神经网路模型中，通过所述神经网路模型转化输出，得到训练轨迹，并与所述聚类轨迹比对，得到预测轨迹。2.根据权利要求1所述的方法，其特征在于：所述方法还包括，在进行所述预处理时，将获取的信息通过时间戳对齐，再将所述时间戳对齐的数据进行降采样或插值；根据所述降采样或插值的数据获取BEV鸟瞰图数据、当前位置、历史位置、当前速度、当前加速度和当前航向变化率信息生成训练样本。3.根据权利要求2所述的方法，其特征在于：所述方法还包括，所述BEV鸟瞰图数据包括以目标当前位置为中心在预设距离内的高精地图信息、目标历史帧和目标周围移动对象的历史帧；将所述高精地图信息、目标历史帧和目标周围移动对象的历史帧叠加处理，得到三通道的矩阵图。4.根据权利要求1所述的方法，其特征在于：所述方法还包括，在获取所述聚类轨迹时，根据设定的阈值，调整聚类数量参数进行重新聚类。5.根据权利要求1所述的方法，其特征在于：所述方法还包括，在建立所述神经网络模型时，采用Res...

【专利技术属性】
技术研发人员：林仲涛，张忠旭，严旭，杨东方，邱利宏，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：