基于动态局部地图的运动轨迹预测方法、装置、设备和介质制造方法及图纸

本发明专利技术公开了一种基于动态局部地图的运动轨迹预测方法、装置、设备和介质。其特征包括：获取目标车辆的历史运动轨迹信息和地图信息，通过预设的特征编码器分别对所述历史运动轨迹信息和所述地图信息进行数据提取，得到所述轨迹特征向量和地图特征向量；通过预设的特征融合器对所述轨迹特征向量和所述地图特征向量进行特征融合得到地图融合向量，对所述地图融合向量和所述轨迹特征向量进行特征融合得到轨迹融合向量；根据轨迹融合向量对目标车辆的运动轨迹进行预测，得到目标车辆的轨迹预测结果。实现了对目标车辆运动轨迹的准确预测，通过考虑多个向量的融合提高了预测精准度，减少了道路中其他干扰因素对运动预测的影响，提高了预测准确性。提高了预测准确性。提高了预测准确性。

【技术实现步骤摘要】
基于动态局部地图的运动轨迹预测方法、装置、设备和介质


[0001]本专利技术涉及自动驾驶领域，尤其涉及一种基于动态局部地图的运动轨迹预测方法、装置、设备和介质。

技术介绍

[0002]目前，车辆的自动驾驶是行业内研究的重点，而在车辆进行自动驾驶时，对车辆的运动预测或轨迹预测是十分关键的，车辆的运动预测和轨迹预测能够反映车辆在道路中运动情况，进而根据车辆周围的车辆、行人和道路设备的行为进行预测，帮助车辆在道路中进行自动驾驶，目前现有技术中对车辆的通过机器学习算法学习和预测交通参与者的运动，通过其他交通参与者的历史轨迹数据进行预测，或通过神经网络模型处理车辆在道路中的历史轨迹数据和感知数据对道路情况进行预测，由于道路交通的复杂性和未知性，导致需要大量的训练数据和计算资源，无法对未知的道路交通进行预测。

技术实现思路

[0003]本专利技术提供了一种基于动态局部地图的运动轨迹预测方法、装置、设备和介质，以实现对道路中车辆的运动轨迹进行精准预测。
[0004]根据本专利技术的一方面，提供了一种基于动态局部地图的运动轨迹预测方法，包括：
[0005]获取目标车辆的历史运动轨迹信息和地图信息，通过预设的特征编码器分别对所述历史运动轨迹信息和所述地图信息进行数据提取，得到所述轨迹特征向量和地图特征向量；
[0006]通过预设的特征融合器对所述轨迹特征向量和所述地图特征向量进行特征融合得到地图融合向量，对所述地图融合向量和所述轨迹特征向量进行特征融合得到轨迹融合向量；
[0007]根据轨迹融合向量对目标车辆的运动轨迹进行预测，得到目标车辆的轨迹预测结果。
[0008]根据本专利技术的另一方面，提供了一种基于动态局部地图的运动轨迹预测装置、包括：
[0009]特征编码模块，用于获取目标车辆的历史运动轨迹信息和地图信息，通过预设的特征编码器分别对所述历史运动轨迹信息和所述地图信息进行数据提取，得到所述轨迹特征向量和地图特征向量；
[0010]特征融合模块，用于通过预设的特征融合器对所述轨迹特征向量和所述地图特征向量进行特征融合得到地图融合向量，对所述地图融合向量和所述轨迹特征向量进行特征融合得到轨迹融合向量，；
[0011]特征解码模块，用于根据轨迹融合向量对目标车辆的运动轨迹进行预测，得到目标车辆的轨迹预测结果。
[0012]根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
[0013]至少一个处理器；以及
[0014]与所述至少一个处理器通信连接的存储器；其中，
[0015]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的基于动态局部地图的运动轨迹预测方法。
[0016]根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的基于动态局部地图的运动轨迹预测方法。
[0017]本专利技术实施例的技术方案通过获取目标车辆的历史运动轨迹信息和地图信息，通过预设的特征编码器分别对所述历史运动轨迹信息和所述地图信息进行数据提取，得到所述轨迹特征向量和地图特征向量，考虑车辆历史运动轨迹信息和地图信息进行特征提取，通过轨迹特征向量和地图特征向量能够考虑环境信息，提供预测的精准度；通过预设的特征融合器对所述轨迹特征向量和所述地图特征向量进行特征融合得到地图融合向量，对所述地图融合向量和所述轨迹特征向量进行特征融合得到轨迹融合向量，通过分阶段对预测的向量进行运动轨迹预测，进一步提高了运动预测结果的精度；根据轨迹融合向量对目标车辆的运动轨迹进行预测，得到目标车辆的轨迹预测结果，通过第一轨迹融融合向量对目标车辆的运动轨迹精预测，实现了对目标车辆运动轨迹的分阶段预测，解决了现有技术中准确预测车辆运动轨迹的技术问题，减少了道路中其他干扰因素对运动预测的影响，提高了预测准确性。
[0018]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0019]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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。
[0020]图1是本专利技术实施例一提供的一种基于动态局部地图的运动轨迹预测方法的流程图；
[0021]图2是本专利技术实施例二提供的另一种基于动态局部地图的运动轨迹预测方法的流程图；
[0022]图3为本专利技术实施例提供的另一种基于动态局部地图的运动轨迹预测方法的流程图；
[0023]图4是本专利技术实施例三提供的一种基于动态局部地图的运动轨迹预测装置的结构示意图；
[0024]图5是实现本专利技术实施例的基于动态局部地图的运动轨迹预测方法的电子设备的结构示意图。
具体实施方式
[0025]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0026]实施例一
[0027]图1是本专利技术实施例一提供了一种基于动态局部地图的运动轨迹预测方法的流程图，本实施例可适用于对目标车辆的运动轨迹进行预测，该方法可以由基于动态局部地图的运动轨迹预测装置来执行，该基于动态局部地图的运动轨迹预测装置可以采用硬件和/或软件的形式实现，该基于动态局部地图的运动轨迹预测装置可配置于电子设备中。如图1所示，该方法包括：
[0028]S110、获取目标车辆的历史运动轨迹信息和地图信息，通过预设的特征编码器分别对所述历史运动轨迹信息和所述地图信息进行数据提取，得到所述轨迹特征向量和地图特征向量。
[0029]其中，历史运动轨迹信息可以是目标车辆在历史时间窗口内感知到的障碍物运动数据和目标车辆在历史时间窗口内运动轨迹拼接得到的。示例性的，历史运动轨迹信息可以是障碍物的坐标信息、速度信息和航向角信息中的至少一种。
[0030]其中，地图信息可以是目标车辆行驶在地图中的道路信息。示例性的，道路信息可以包括地图的车道信息、车辆中心线的采样点的坐标、车道的交通信号灯和车道路口信息中的任意一种。
[0031]其中，特征编码器可以是预先设置的用于对数据进行编码和提取特征表示的编码器。需要说明的是，特征编码器可以是采用深度学习，通过深度学习对输入特征编码器的数据进行处理、转换和提取特征表示。
[0032]可选的，特征编码器可以包括轨迹特征编码器和地图特征编码器；轨迹特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态局部地图的运动轨迹预测方法，其特征在于，包括：获取目标车辆的历史运动轨迹信息和地图信息，通过预设的特征编码器分别对所述历史运动轨迹信息和所述地图信息进行数据提取，得到轨迹特征向量和地图特征向量；通过预设的特征融合器对所述轨迹特征向量和所述地图特征向量进行特征融合得到地图融合向量，对所述地图融合向量和所述轨迹特征向量进行特征融合得到轨迹融合向量；根据轨迹融合向量对目标车辆的运动轨迹进行预测，得到目标车辆的轨迹预测结果。2.据权利要求1所述的方法，其特征在于，在所述根据轨迹融合向量对目标车辆的运动轨迹进行预测，得到目标车辆的轨迹预测结果之后，还包括：通过所述轨迹预测结果对所述地图融合向量进行局部地图筛选，得到局部地图特征向量，并记录进行局部地图筛选的筛选次数；在所述筛选次数小于预设筛选次数阈值的情况下，根据所述局部地图特征向量更新所述地图特征向量，根据轨迹融合向量更新所述轨迹特征向量，返回执行通过预设的特征融合器对所述轨迹特征向量和所述地图特征向量进行特征融合得到地图融合向量的操作；在所述筛选次数达到所预设筛选次数阈值的情况下，将得到的目标车辆的轨迹预测结果作为最终预测结果。3.根据权利要求2所述的方法，其特征在于，所述通过所述轨迹预测结果对所述地图融合向量进行局部地图筛选，得到局部地图特征向量，包括：根据所述轨迹预测结果和预设的地图筛选距离对地图融合向量进行距离筛选，得到局部地图特征向量。4.根据权利要求3所述的方法，其特征在于，所述根据所述轨迹预测结果和预设的地图筛选距离对地图融合向量进行距离筛选，得到局部地图特征向量，包括：以所述轨迹预测结果为中心，在所述地图筛选距离内的地图融合向量确定为局部地图特征向量。5.根据权利要求1所述的方法，其特征在于，所述通过预设的特征融合器对所述轨迹特征向量和所述地图特征向进行特征融合得到地图融合向量，包括：通过所述特征融合器的第一交叉注意力网络对所述轨迹特征向量和所述地图特征向量进行交叉注意力计算，得到地图循环特征向量；通过所述特征融合器的第一自注意力网络对所述地图循环特征向量进行自注意力计算，得...

【专利技术属性】
技术研发人员：陈光，李曙光，李荣华，卢少然，卢丽婧，王宁，陈红丽，修杰，
申请(专利权)人：一汽南京科技开发有限公司，
类型：发明
国别省市：