System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及自动驾驶,尤其涉及一种神经网络模型的构建方法、轨迹预测方法、神经网络模型的构建装置、轨迹预测装置、计算设备以及移动工具和存储介质。
技术介绍
1、随着深度学习和计算软硬件的发展,自动驾驶技术得到了广泛的应用。在自动驾驶技术中,路径规划是一个重要的技术分支,是实现自动驾驶的关键。目前,路径规划一般是基于自动驾驶系统中的预测模块输出的轨迹预测信息来辅助实现规划的。其中,自动驾驶系统中的预测模块具体是根据感知模块提供的车辆周围环境和障碍物位置、速度、方向信息,以神经网络为建模方法,来预测障碍物目标的行为和轨迹,进而生成障碍物未来的运动轨迹的。之后,预测模块会将这些轨迹预测信息提供给行为决策和运动规划使用,以规避自动驾驶汽车与其他汽车或周围交通参与者发生碰撞,并提升自动驾驶车辆路径规划和控制的合理性和舒适性。
2、当前比较流行的目标障碍物轨迹预测方法主要有两大类,一类是基于规则设计的预测算法,另一类是基于神经网络的预测算法。基于神经网络的预测算法由于可以通过调节网络结构深度以及网络类型来适应不同的环境,获得更长的预测时域以及更高的准确度等优势,目前已成为障碍物轨迹预测的主流趋势。但目前已有的基于神经网络的轨迹预测技术往往是使用一个完整的单一的端到端的神经网络进行轨迹预测任务的,其虽然可以利用大量数据和神经网络结构设计,并运用数据驱动的深度学习算法,使得神经网络模型自发地学习到预测障碍物轨迹的能力,但现有的基于深度学习的方法都是使用一个端到端的整体神经网络作为模型,通过预先训练来获取到具有轨迹预测能力的可使用的神
技术实现思路
1、本专利技术实施例提供一种轨迹预测方案,以至少解决现有技术中采用的基于神经网络的轨迹预测方案存在的神经网络模型无法重复利用、改动成本高、场景适应性差等问题。
2、第一方面,本专利技术实施例提供一种神经网络模型的构建方法,其包括:
3、基于选定的模型组合策略从预先训练好的至少一个子模型中选取用于组合的子模型进行模型融合,获取与相应的模型组合策略对应的融合特征向量;
4、基于融合特征向量训练形成与模型组合策略相对应的预测网络模型;
5、根据预测网络模型和基于选定的模型组合策略选取的用于组合的子模型,形成能够用于进行轨迹预测的神经网络模型。
6、第二方面,本专利技术实施例提供一种神经网络模型的构建方法,其包括:
7、基于预置的模型组合策略从预先训练好的至少一个子模型中选取用于组合的子模型进行模型融合,获取与相应的模型组合策略对应的融合特征向量;
8、基于融合特征向量训练形成与模型组合策略相对应的预测网络模型;
9、在模型部署阶段,根据模型部署时选定的模型组合策略,选取与所述选定的模型组合策略对应的预测网络模型及用于组合的子模型,形成能够用于进行轨迹预测的神经网络模型。
10、第三方面,本专利技术实施例提供了一种轨迹预测方法,其包括:
11、获取预定参数输入至训练好的神经网络模型,以从所述神经网络模型获取对目标障碍物的轨迹预测信息,其中,所述神经网络模型是根据上述第一方面或第二方面的神经网络模型的构建方法生成,所述预定参数与构建出的神经网络模型所需的输入参数相适配。
12、第四方面,本专利技术实施例提供了一种神经网络模型的构建装置,其包括:
13、模型融合单元,用于基于选定的模型组合策略从预先训练好的至少一个子模型中选取用于组合的子模型进行模型融合,获取与相应的模型组合策略对应的融合特征向量;
14、预测模型训练单元,用于基于融合特征向量训练形成与模型组合策略相对应的预测网络模型;
15、模型整合单元,用于根据预测网络模型和基于选定的模型组合策略选取的用于组合的子模型,形成能够用于进行轨迹预测的神经网络模型。
16、第五方面,本专利技术实施例提供了一种神经网络模型的构建装置,其包括:
17、模型融合单元,用于基于预置的模型组合策略从预先训练好的至少一个子模型中选取用于组合的子模型进行模型融合,获取与相应的模型组合策略对应的融合特征向量;
18、预测模型训练单元,用于基于融合特征向量训练形成与模型组合策略相对应的预测网络模型;
19、模型部署单元,用于在模型部署阶段,根据模型部署时选定的模型组合策略,选取与所述选定的模型组合策略对应的预测网络模型及用于组合的子模型,形成能够用于进行轨迹预测的神经网络模型。
20、第六方面,本专利技术实施例提供了一种轨迹预测装置,其包括:
21、预测模型,用于获取预定参数输入至训练好的神经网络模型,以从所述神经网络模型获取对目标障碍物的轨迹预测信息,其中,所述神经网络模型是根据上述第一方面或第二方面的神经网络模型的构建方法生成,所述预定参数与构建出的神经网络模型所需的输入参数相适配。
22、第七方面,本专利技术实施例提供了一种计算设备,其包括
23、存储器,用于存储可执行指令;以及
24、处理器,用于执行存储器中存储的可执行指令,所述可执行指令在由所述处理器执行时实现本专利技术第一方面或第二方面或第三方面所述的方法的步骤。
25、第八方面,本专利技术实施例提供了一种移动工具,其包括:根据本专利技术第七方面所述的计算设备。
26、第九方面,本专利技术提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现本专利技术第一方面或第二方面或第三方面所述的方法的步骤。
27、第十方面,本专利技术提供了一种计算机程序产品,所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行本专利技术第一方面或第二方面或第三方面所述的方法。
28、本专利技术实施例的有益效果在于:本专利技术实施例提供的方法通过基于模块化来设计用于进行轨迹预测的神经网络模型,使得每个子模型都能各自单独完成预训练,而在每个子模型预训练好之后,可以根据需求来组合不同的子模型以组成完整的预测方法框架,由此,即使需要修改某一模块的神经网络结构,也只需要单独训练相应的单一子模型即可,提高神经网络模型的复用率和训练效率,缩短神经网络模型的训练时间,降低神经网络模型的变更成本。另外,本专利技术实施例的方法还可以通过预先根据设计的子模型的不同的可能组合策略,对预测模型也进行预训练,在部署阶段,仅仅根据需求直接将相应的子模型和预测模型组合起来即可,后续还可以根据需求随意改变组合方案,完全无需重本文档来自技高网...
【技术保护点】
1.神经网络模型的构建方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述至少一个子模型中包括的各个子模型均是通过分别单独对其进行预先训练形成的。
3.根据权利要求2所述的方法,其特征在于,所述至少一个子模型包括用于描述智能体的历史运动状态的第一子模型,其中,所述第一子模型是以智能体的历史轨迹路点坐标序列作为输入、以该智能体的轨迹特征向量作为输出的神经网络模型。
4.根据权利要求3所述的方法,其特征在于,通过以下方式对所述第一子模型进行预先训练,直至训练出第一子模型的最优模型参数:
5.根据权利要求2或3所述的方法,其特征在于,所述至少一个子模型还包括用于描述目标区域的地图语义信息的第二子模型,其中,所述第二子模型是以地图元素数据作为输入、以地图特征向量作为输出的网络模型。
6.根据权利要求5所述的方法,其特征在于,所述地图元素数据为目标区域对应的栅格化语义地图图片,通过以下方式对所述第二子模型进行预先训练,直至训练出第二子模型的最优模型参数:
7.根据权利要求6所述的方法,其特征
8.根据权利要求5所述的方法,其特征在于,所述地图元素数据包括目标区域中的各地图元素的矢量化的地图元素数据矩阵和掩码,所述第二子模型是通过以下方式预先训练得到:
9.根据权利要求8所述的方法,其特征在于,所述获取目标区域中的各地图元素的矢量化的地图元素数据矩阵和掩码,包括:
10.根据权利要求2或3或5所述的方法,其特征在于,所述至少一个子模型还包括用于描述智能体之间的交互关系的第三子模型,其中,所述第三子模型是以某一关键帧中的所有智能体的轨迹特征向量和交互关系图邻接矩阵作为输入、以该关键帧中的所有智能体的特征向量作为输出的网络模型。
11.根据权利要求9所述的方法,其特征在于,通过以下方式对所述第三子模型进行预先训练,直至训练出第三子模型的最优模型参数:
12.根据权利要求11所述的方法,其特征在于,获取相应关键帧中所有智能体的交互关系图邻接矩阵包括:
13.根据权利要求12所述的方法,其中,所述交互关系图邻接矩阵为无向图邻接矩阵,将各智能体及其与相应关键帧中的所有其他智能体之间的关联关系通过交互关系图邻接矩阵进行表示包括:
14.根据权利要求1至13任一项所述的方法,其特征在于,所述预测网络模型是以融合特征向量作为输入、以目标智能体未来一段时间内的轨迹预测信息作为输出的神经网络模型,所述未来一段时间内的轨迹预测信息具体是通过未来一段时间内目标智能体在每个时间点的预测轨迹路点来表示,或者是通过未来一段时间内目标智能体在每个时间点的可能出现在的路点位置的概率来表示。
15.根据权利要求14所述的方法,其特征在于,所述基于融合特征向量训练形成与模型组合策略相对应的预测网络模型,包括:
16.神经网络模型的构建方法,其特征在于,所述方法包括:
17.轨迹预测方法,其特征在于,所述方法包括:
18.神经网络模型的构建装置,其特征在于,包括:
19.神经网络模型的构建装置,其特征在于,包括:
20.轨迹预测装置,其特征在于,包括:
21.计算设备,其特征在于,包括
22.移动工具,其特征在于,包括:权利要求21所述的计算设备。
23.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-17中任意一项所述方法的步骤。
24.一种计算机程序产品,所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行权利要求1-17中任意一项所述的方法。
...【技术特征摘要】
1.神经网络模型的构建方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述至少一个子模型中包括的各个子模型均是通过分别单独对其进行预先训练形成的。
3.根据权利要求2所述的方法,其特征在于,所述至少一个子模型包括用于描述智能体的历史运动状态的第一子模型,其中,所述第一子模型是以智能体的历史轨迹路点坐标序列作为输入、以该智能体的轨迹特征向量作为输出的神经网络模型。
4.根据权利要求3所述的方法,其特征在于,通过以下方式对所述第一子模型进行预先训练,直至训练出第一子模型的最优模型参数:
5.根据权利要求2或3所述的方法,其特征在于,所述至少一个子模型还包括用于描述目标区域的地图语义信息的第二子模型,其中,所述第二子模型是以地图元素数据作为输入、以地图特征向量作为输出的网络模型。
6.根据权利要求5所述的方法,其特征在于,所述地图元素数据为目标区域对应的栅格化语义地图图片,通过以下方式对所述第二子模型进行预先训练,直至训练出第二子模型的最优模型参数:
7.根据权利要求6所述的方法,其特征在于,所述获取目标区域对应的栅格化语义地图图片,包括:
8.根据权利要求5所述的方法,其特征在于,所述地图元素数据包括目标区域中的各地图元素的矢量化的地图元素数据矩阵和掩码,所述第二子模型是通过以下方式预先训练得到:
9.根据权利要求8所述的方法,其特征在于,所述获取目标区域中的各地图元素的矢量化的地图元素数据矩阵和掩码,包括:
10.根据权利要求2或3或5所述的方法,其特征在于,所述至少一个子模型还包括用于描述智能体之间的交互关系的第三子模型,其中,所述第三子模型是以某一关键帧中的所有智能体的轨迹特征向量和交互关系图邻接矩阵作为输入、以该关键帧中的所有智能体的特征向量作为输出的网络模型。
11.根据权利要求9所述的方...
【专利技术属性】
技术研发人员:刘峥,徐成,张放,
申请(专利权)人:北京智行者科技股份有限公司,
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。