车辆轨迹预测方法技术

本申请提供了一种车辆轨迹预测方法

【技术实现步骤摘要】
车辆轨迹预测方法、装置、电子设备及存储介质


[0001]本申请涉及自动驾驶
，尤其涉及一种车辆轨迹预测方法
、
多任务轨迹预测模型的训练方法
、
装置
、
电子设备及存储介质
。

技术介绍

[0002]随着自动驾驶领域中技术的发展，如今在自动驾驶中预测车辆轨迹的方案大多具有预测结果不准确
、
预测结果不合理
、
预测方案量产落地困难等缺点
。
例如现有的方案中，由于计算规则本身的限制，可能导致预测轨迹点的位置精度低，使得预测轨迹的结果不准确；由于计算模型本身的限制，可能会将部分预测的轨迹结果预测到道路外侧，导致预测的部分轨迹结果不合理；由于计算模型较为复杂，所需计算资源较多，而由于车辆本身计算资源的限制，可能会导致轨迹预测方案量产落地困难，无法为更多的自动驾驶用户提供车辆轨迹预测服务
。
[0003]因此，亟需提出一种新的车辆轨迹预测方案，以解决上述一个或多个技术问题
。

技术实现思路

[0004]本申请实施例提供一种车辆轨迹预测方法
、
多任务轨迹预测模型的训练方法
、
装置
、
电子设备及存储介质，以解决上述一个或多个技术问题
。
[0005]第一方面，本申请实施例提供了一种车辆轨迹预测方法，所述方法基于多任务轨迹预测模型实现，所述方法包括：
[0006]按照预测数据中的地图数据和车辆历史轨迹分别包括的多个路段，将所述地图数据和车辆历史轨迹分别转换为对应的多路段向量数据；
[0007]将所述多路段向量数据分别连接成所述预测数据中的地图数据和车辆历史轨迹对应的第一图数据，并将所述第一图数据组合为第二图数据；
[0008]根据所述第二图数据获取所述预测数据中目标车辆的车辆历史轨迹表征的与行车环境相关的特征信息；
[0009]基于所述特征信息生成目标车辆预测轨迹
。
[0010]第二方面，本申请实施例提供了一种多任务轨迹预测模型的训练方法，所述多任务轨迹预测模型训练执行车辆轨迹预测
、
车辆换道预测和图数据处理的多项任务，所述方法包括：
[0011]按照训练数据中的地图数据和车辆历史轨迹分别包括的多个路段，将所述地图数据和车辆历史轨迹分别转换为对应的多路段向量数据；
[0012]将所述多路段向量数据分别连接成所述训练数据中的地图数据和车辆历史轨迹对应的第一图数据，并将所述第一图数据组合为第二图数据；
[0013]根据所述第二图数据获取所述训练数据中目标车辆的车辆历史轨迹表征的与行车环境相关的特征信息；
[0014]基于所述特征信息，按照预设的多任务轨迹预测模型中每项任务的任务权重和损
失函数训练所述多任务轨迹预测模型
。
[0015]第三方面，本申请实施例提供了一种基于多任务轨迹预测模型实现的车辆轨迹预测装置，所述装置包括：
[0016]向量数据转换模块，用于按照预测数据中的地图数据和车辆历史轨迹分别包括的多个路段，将所述地图数据和车辆历史轨迹分别转换为对应的多路段向量数据；
[0017]图数据生成模块，用于将所述多路段向量数据分别连接成所述预测数据中的地图数据和车辆历史轨迹对应的第一图数据，并将所述第一图数据组合为第二图数据；
[0018]特征信息获取模块，用于根据所述第二图数据获取所述预测数据中目标车辆的车辆历史轨迹表征的与行车环境相关的特征信息；
[0019]预测轨迹生成模块，用于基于所述特征信息生成目标车辆预测轨迹
。
[0020]第四方面，本申请实施例提供了一种多任务轨迹预测模型的训练装置，所述多任务轨迹预测模型训练执行车辆轨迹预测
、
车辆换道预测和图数据处理的多项任务，所述装置包括：
[0021]向量数据转换模块，用于按照训练数据中的地图数据和车辆历史轨迹分别包括的多个路段，将所述地图数据和车辆历史轨迹分别转换为对应的多路段向量数据；
[0022]图数据生成模块，用于将所述多路段向量数据分别连接成所述训练数据中的地图数据和车辆历史轨迹对应的第一图数据，并将所述第一图数据组合为第二图数据；
[0023]特征信息获取模块，用于根据所述第二图数据获取所述训练数据中目标车辆的车辆历史轨迹表征的与行车环境相关的特征信息；
[0024]预测模型训练模块，用于基于所述特征信息，按照预设的多任务轨迹预测模型中每项任务的任务权重和损失函数训练所述多任务轨迹预测模型
。
[0025]第五方面，本申请实施例提供了一种电子设备，包括存储器
、
处理器及存储在存储器上的计算机程序，所述处理器在执行所述计算机程序时实现上述任一项所述的方法
。
[0026]第六方面，本申请实施例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内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法
。
[0027]与相关技术相比，本申请具有如下优点：
[0028]依据本申请实施例，基于多任务轨迹预测模型实现的车辆轨迹预测方案，可以先按照预测数据中的地图数据和车辆历史轨迹分别包括的多个路段，将地图数据和车辆历史轨迹分别转换为对应的多路段向量数据，再将多路段向量数据分别连接成预测数据中的地图数据和车辆历史轨迹对应的第一图数据，并将第一图数据组合为第二图数据，根据第二图数据获取预测数据中目标车辆的车辆历史轨迹表征的与行车环境相关的特征信息，基于特征信息生成目标车辆预测轨迹
。
采用上述方案，可以提高车辆轨迹预测的准确率，为自动驾驶等智能行车场景下的车辆运行提供更加安全准确的建议
。
[0029]上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的
、
特征和优点能够更明显易懂，以下特举本申请的具体实施方式
。
附图说明
[0030]在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的
部件或元素
。
这些附图不一定是按照比例绘制的
。
应该理解，这些附图仅描绘了根据本申请的一些实施方式，而不应将其视为是对本申请范围的限制
。
[0031]图1示出了本申请实施例中提供的一种基于多任务轨迹预测模型实现的车辆轨迹预测方案的流程示意图；
[0032]图2示出了本申请实施例中提供的一种基于多任务轨迹预测模型实现的车辆轨迹预测方案中的多任务轨迹预测模型训练执行的多项任务的示意图；
[0033]图3示出了本申请实施例中提供的一种基于多任务轨迹预测模型实现的车辆轨迹预测方案中的使用训练数据训练多任务轨迹预测模型之前对训练数据进行去噪处理的步骤示意图；...

【技术保护点】

【技术特征摘要】
1.
一种车辆轨迹预测方法，所述方法基于多任务轨迹预测模型实现，所述方法包括：按照预测数据中的地图数据和车辆历史轨迹分别包括的多个路段，将所述地图数据和车辆历史轨迹分别转换为对应的多路段向量数据；将所述多路段向量数据分别连接成所述预测数据中的地图数据和车辆历史轨迹对应的第一图数据，并将所述第一图数据组合为第二图数据；根据所述第二图数据获取所述预测数据中目标车辆的车辆历史轨迹表征的与行车环境相关的特征信息；基于所述特征信息生成目标车辆预测轨迹
。2.
根据权利要求1所述的方法，其中，所述多任务轨迹预测模型训练执行车辆轨迹预测
、
车辆换道预测和图数据处理的多项任务
。3.
根据权利要求1所述的方法，其中，所述多任务轨迹预测模型包括图神经网络和图自注意力网络；所述将所述多路段向量数据分别连接成对应的第一图数据包括：将所述多路段向量数据输入图神经网络，获得所述多路段向量数据分别连接形成的折线子图，将所述折线子图转化为第一图数据；所述将所述地图数据和车辆历史轨迹对应的第一图数据组合为第二图数据包括：将所述地图数据和车辆历史轨迹对应的第一图数据输入图自注意力网络，将每个第一图数据作为一个交互节点，获得所述第一图数据组合后的第二图数据
。4.
根据权利要求2所述的方法，其中，在按照地图数据和车辆历史轨迹分别包括的多个路段，将所述地图数据和车辆历史轨迹分别转换为对应的多路段向量数据之前，所述方法还包括：使用训练数据训练所述多任务轨迹预测模型
。5.
根据权利要求4所述的方法，其中，在所述使用训练数据训练所述多任务轨迹预测模型之前，所述方法还包括：对所述训练数据进行降采样处理和
/
或对所述训练数据进行去噪处理
。6.
根据权利要求5所述的方法，其中，所述对所述训练数据进行去噪处理包括：去除无效异常的训练数据，所述无效异常的训练数据包括不满足轨迹采样持续时长的训练数据
、
不满足车辆运行规律的训练数据和
/
或分布于无效地图区域的训练数据中的至少一种；和
/
或，采用插值算法补齐不符合预设时间间隔的训练数据
。7.
根据权利要求5所述的方法，其中，所述对所述训练数据进行降采样处理包括：采用随机降采样算法对训练数据中的直行数据进行降采样；和
/
或，采用距离降采样算法对训练数据中的非直行数据进行降采样，所述距离降采样算法包括保留式欠采样算法和
/
或删除式欠采样算法中的至少一种
。8.
根据权利要求5所述的方法，其中...

【专利技术属性】
技术研发人员：许泽霖，
申请(专利权)人：华人运通上海自动驾驶科技有限公司，
类型：发明
国别省市：