一种行人运动区域的预测方法技术

本说明书实施例公开了一种行人运动区域的预测方法

【技术实现步骤摘要】
一种行人运动区域的预测方法、装置及设备


[0001]本申请涉及行人轨迹预测领域，尤其涉及一种行人运动区域的预测方法
、
装置
、
及设备
。

技术介绍

[0002]行人的轨迹预测指根据行人历史的运动路径，预测其未来的轨迹，其应用场景广泛，在智能驾驶
、
移动出行和服务机器人导航等领域中都有广泛应用
。
行人轨迹预测对于高级别的自动驾驶系统而言是不可或缺的，网联自动驾驶技术提供的上帝视角可以
360
度无死角的观测到道路上所有行人的运动状态，配合行人轨迹预测可以为高级自动驾驶提供超视觉的信息，是的规划模块可以提前感知危险信息，快人一步做出正确决策
。
[0003]目前，相关技术中，行人的轨迹预测方法是将行人的历史运动轨迹输入到已训练的模型中，输出行人的预测轨迹，模型训练的过程是将大量的行人的轨迹输入到模型中，对模型进行训练
。
但是，通过海量数据生成模型来预测行人轨迹，计算量较大，输出会有不确定性，没有考虑行人轨迹的随机性
。
[0004]因此，如何充分考虑行人轨迹的随机性进行预测，成为了亟待解决的技术问题
。

技术实现思路

[0005]本说明书实施例提供一种行人运动区域的预测方法
、
装置
、
及设备，以解决现有技术中无法充分考虑行人轨迹的随机性的问题
。
[0006]为解决上述技术问题，本说明书实施例是这样实现的：
[0007]第一方面，本说明书实施例提供的一种行人运动区域的预测方法，包括：
[0008]获取目标行人的行人历史轨迹数据；
[0009]根据所述行人历史轨迹数据和所述目标行人的当前时刻的轨迹点信息，得到所述目标行人在所述当前时刻之后的预设时间段内的多个预测轨迹点；
[0010]基于所述多个预测轨迹点，确定各个轨迹点对应的预测轨迹的密度函数；
[0011]利用各个所述密度函数，基于预设置信区间，得到所述目标行人在所述预设时间段内的运动区域
。
[0012]第二方面，本说明书实施例提供的一种行人运动区域的预测装置，包括：
[0013]历史数据获取模块，用于获取目标行人的行人历史轨迹数据；
[0014]轨迹点预测模块，用于根据所述行人历史轨迹数据和所述目标行人的当前时刻的轨迹点信息，得到所述目标行人在所述当前时刻之后的预设时间段内的多个预测轨迹点；
[0015]函数确定模块，用于基于所述多个预测轨迹点，确定各个轨迹点对应的预测轨迹的密度函数；
[0016]运动区域确定模块，用于利用各个所述密度函数，基于预设置信区间，得到所述目标行人在所述预设时间段内的运动区域
。
[0017]第三方面，本说明书实施例提供的一种行人运动区域的预测设备，包括：
[0018]至少一个处理器；以及，
[0019]与所述至少一个处理器通信连接的存储器；其中，
[0020]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令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：
[0021]获取目标行人的行人历史轨迹数据；
[0022]根据所述行人历史轨迹数据和所述目标行人的当前时刻的轨迹点信息，得到所述目标行人在所述当前时刻之后的预设时间段内的多个预测轨迹点；
[0023]基于所述多个预测轨迹点，确定各个轨迹点对应的预测轨迹的密度函数；
[0024]利用各个所述密度函数，基于预设置信区间，得到所述目标行人在所述预设时间段内的运动区域
。
[0025]本说明书一个实施例实现了能够达到以下有益效果：获取目标行人的行人历史轨迹数据；根据所述行人历史轨迹数据和所述目标行人的当前时刻的轨迹点信息，得到所述目标行人在所述当前时刻之后的预设时间段内的多个预测轨迹点；基于所述多个预测轨迹点，确定各个轨迹点对应的预测轨迹的密度函数；利用各个所述密度函数，基于预设置信区间，得到所述目标行人在所述预设时间段内的运动区域
。
基于此，本申请通过预设时间段内的多个预测轨迹点，得到目标行人在预设时间段内的运动区域，以运动区域表示行人未来一段时间内可能出现的地点，充分考虑了行人轨迹的随机性
。
附图说明
[0026]为了更清楚地说明本说明书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简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图
。
[0027]图1为本说明书实施例提供的一种行人运动区域的预测方法的流程示意图；
[0028]图2为本说明书实施例提供的一种行人运动区域的预测方法的一个应用场景的示意图；
[0029]图3为本说明书实施例提供的一种行人运动区域的预测装置的结构示意图；
[0030]图4为本说明书实施例提供的一种行人运动区域的预测设备的结构示意图
。
具体实施方式
[0031]为使本说明书一个或多个实施例的目的
、
技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书一个或多个实施例的技术方案进行清楚
、
完整地描述
。
显然，所描述的实施例仅是本说明书的一部分实施例，而不是全部的实施例
。
基于本说明书中的实施例，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，都属于本说明书一个或多个实施例保护的范围
。
[0032]以下结合附图，详细说明本说明书各实施例提供的技术方案
。
[0033]现有技术中，通过海量数据生成模型来预测行人轨迹，通过训练模型预测行人的运动轨迹的方法，需要离线收集大量的数据和训练模型，训练模型计算量较大，需要区分应用场景，输出具有不确定性，无法考虑行人的物理性质，会产生离奇的轨迹，无法充分考虑
行人轨迹的随机性
。
[0034]为了解决现有技术中的缺陷，本方案给出了以下实施例：
[0035]针对说明书实施例提供的一种行人运动区域的预测方法结合附图进行具体说明
。
[0036]图1为本说明书实施例提供的一种行人运动区域的预测方法的流程示意图
。
从程序角度而言，流程的执行主体可以为搭载于应用服务器的程序或应用客户端
。
另一方面，从硬件角度来说，流程的执行主体可以是移动终端
、
计算机终端
、
服务器或者类似的运算装置，可以是某个系统，还可以是某个平台，本实施例对此不进行特别限定
。
[0037]如图1所示，该流程可以包括以下步骤：
[0038]步骤
110<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种行人运动区域的预测方法，其特征在于，包括：获取目标行人的行人历史轨迹数据；根据所述行人历史轨迹数据和所述目标行人的当前时刻的轨迹点信息，得到所述目标行人在所述当前时刻之后的预设时间段内的多个预测轨迹点；基于所述多个预测轨迹点，确定各个轨迹点对应的预测轨迹的密度函数；利用各个所述密度函数，基于预设置信区间，得到所述目标行人在所述预设时间段内的运动区域
。2.
根据权利要求1所述的方法，其特征在于，所述行人历史轨迹数据包括所述目标行人的多个轨迹点数据；所述根据所述行人历史轨迹数据和所述目标行人的当前时刻的轨迹点信息，得到所述目标行人在所述当前时刻之后的预设时间段内的多个预测轨迹点，具体包括：根据所述多个轨迹点数据，得到历史轨迹拟合曲线；基于所述历史轨迹拟合曲线，利用所述目标行人的当前时刻的轨迹点信息，得到所述目标行人在所述当前时刻之后的预设时间段内的多个预测轨迹点
。3.
根据权利要求2所述的方法，其特征在于，所述基于所述历史轨迹拟合曲线，利用所述目标行人的当前时刻的轨迹点信息，得到所述目标行人在所述当前时刻之后的预设时间段内的多个预测轨迹点，具体包括：基于所述历史轨迹拟合曲线，对所述多个轨迹点数据进行回归分析处理，利用所述目标行人的当前时刻的轨迹点信息，得到所述多个预测轨迹点
。4.
根据权利要求2所述的方法，其特征在于，所述历史轨迹拟合曲线为其中
w
表示拟合系数，
w
j
表示第
j
个拟合系数，
x
表示所述目标行人的轨迹点的横坐标，
x
j
表示所述目标行人的轨迹点的横坐标的第
j
阶，
y
表示所述目标行人的轨迹点的纵坐标，
M
表示阶数
。5.
根据权利要求3所述的方法，其特征在于，所述回归分析处理包括按照回归分析公式进行计算，其中，回归分析公式为其中，
x
表示所述目标行人的轨迹点的横坐标，
x
i
表示所述目标行人的第
i
个轨迹点的横坐标，
w
表示拟合系数，
y
表示所述目标行人的轨迹点的纵坐标，
t
i
表示所述目标行人位于
x
i
时对应的所述行人历史轨迹数据中的纵坐标，
E
表示误差，

【专利技术属性】
技术研发人员：廖田志浩，
申请(专利权)人：云控智行科技有限公司，
类型：发明
国别省市：