【技术实现步骤摘要】
本申请涉及人工智能领域，尤其涉及一种车辆的位置获取方法、模型的训练方法以及相关设备。
技术介绍
1、自动驾驶车辆在道路中行驶，需要考虑周围车辆的行驶轨迹。当周围车辆的行驶意图发生变化时，自动驾驶车辆需要做出对应的反应，避免与周围车辆发生碰撞事故。因此，准确的他车行驶意图预测对于自动驾驶车辆十分重要。
2、目前，主要采用卡尔曼滤波等方法来预测车辆的位置，但是，该方法仅依赖于的车辆的历史轨迹，并没有考虑环境中的车道信息。
技术实现思路
1、本申请提供了一种车辆的位置获取方法、模型的训练方法以及相关设备，能够对自车周围车辆的位置进行预测。
2、第一方面，本申请提供了一种车辆的位置获取方法，可用于人工智能领域中。方法包括：
3、首先，获取第一信息和第二信息，其中，第一信息包括自车周围的车辆的信息，第二信息包括自车周围的车道的信息；随后，将第一信息和第二信息输入第一模型中，得到第一模型生成的预测信息，其中，预测信息包括自车周围的车辆在第一时间内的预测位置信息。
4、现实场景中，自车与其周围的车辆组成一个相互依赖的整体，各自的行为影响着彼此的决策，而以往的研究往往仅依靠于自车的历史轨迹来预测车辆的未来轨迹，预测结果显然是不准确的。在本申请中，通过结合自车周围的车道信息，将自车周围的车辆的预测位置信息与车道相关联，从而进一步提高了预测结果的准确率，为自动驾驶车辆的决策规划提供了依据，也提升了自动驾驶车辆的乘车体验。
5、在第一方面的一种
6、该种可能的实现方式中，在考虑自车周围的车道信息的基础上，通过输出自车周围的车辆所在的车道的信息，将车辆未来行驶意图与车道绑定，有效利用了自车周围的车辆与车道之间的关系，提高了车辆位置的预测准确率。
7、在第一方面的一种可能的实现方式中，第三信息包括自车周围的目标车辆与自车周围的至少一个车道在第一时间内的关联度，目标车辆为自车周围的一个车辆，方法还包括：
8、将第一车道确定为目标车辆在第一时间内所在的车道，其中，第一车道为自车周围的至少一个车道中与目标车辆在第一时间内的关联度最高的一个车道。
9、该种可能的实现方式中，将车辆未来的行驶位置与车道绑定，在获取自车周围的车道信息的基础上，通过输出目标车辆与自车周围的车道的关联度，给出目标车辆未来行驶在每一条车道的概率，并将关联度最高的车道确定为目标车辆在第一时间内所在的车道，从而提高预测结果的准确率。
10、在第一方面的一种可能的实现方式中，第一模型基于注意力机制构建，将第一信息和第二信息输入第一模型中，得到第一模型生成的预测信息，包括：将第一信息和第二信息输入第一模型中，基于注意力机制，生成第四信息，第四信息包括自车周围的目标车辆与第一车道集合在第一时间内的关联度，目标车辆为自车周围的一个车辆，第一车道集合包括第二信息中包括的自车周围的所有车道；
11、获取目标车辆所属的道路场景的类别，道路场景的类别包括路口场景和非路口场景；
12、根据目标车辆所属的道路场景的类别，从第一车道集合中选取第二车道集合，第二车道集合包括自车周围的车辆在第一时间内所在的车道；
13、从第四信息中获取第五信息，并根据第五信息生成第三信息，第五信息包括目标车辆与第二车道集合在第一时间内的关联度；
14、根据第二信息和第四信息，生成自车周围的车辆在第一时间内的预测轨迹信息。
15、该种可能的实现方式中，通过将自车周围的车辆的信息和车道的信息输入第一模型中，基于注意力机制，得到目标车辆与第一车道集合在第一时间内的关联度，一方面，通过将车辆未来行驶意图与车道绑定，使得预测意图更加稳定；另一方面，通过筛选目标车辆所属的道路场景，根据车辆所处的道路场景选择需要保留的车道，从而进一步提高预测的准确率。
16、在第一方面的一种可能的实现方式中，从第四信息中获取第五信息，并根据第五信息生成第三信息，包括：
17、从第四信息中获取第五信息，并对第五信息进行归一化操作，得到归一化后的第五信息；
18、将归一化后的第五信息输入多层感知机中，得到第三信息。
19、该种可能的实现方式中，第四信息包括自车周围的目标车辆与第一车道集合在第一时间内的关联度，即目标车辆相对于第一车道集合内的每一条车道的注意力分数，根据目标车辆所属的道路场景，可以判断出目标车辆所属的第二车道集合，并根据第二车道集合从第四信息中筛选出对应的第五信息，从而能够根据目标车辆所属的具体道路场景，针对性地进行车道预测，以进一步提高预测的准确性。另外，通过对第五信息中包含每个元素进行归一化操作，使得所有元素之和为1，然后输入到多层感知机中，在多层感知机的作用下，输出目标车辆与自车周围的车道在第一时间内的关联度。
20、在第一方面的一种可能的实现方式中，根据第一信息和第二信息，生成第四信息，包括：
21、分别对第一信息和第二信息进行向量化处理和线性映射，得到第一线性矩阵和第二线性矩阵；
22、对第一线性矩阵和第二线性矩阵的矩阵乘积执行归一化操作，得到第四信息。
23、该种可能的实现方式中，能够基于注意力机制，对第一信息和第二信息进行数据融合，得到目标车辆相对于每一条车道的注意力分数。
24、在第一方面的一种可能的实现方式中，根据第二信息和第四信息，生成自车周围的车辆在第一时间内的预测轨迹信息，包括：
25、对第二线性矩阵与第四信息执行矩阵乘运算，得到第六信息；
26、将第六信息输入多层感知机中，得到自车周围的车辆在第一时间内的预测轨迹信息。
27、该种可能的实现方式中，能够基于注意力机制，将第二线性矩阵和第四信息的数据进行融合，并将得到的第三信息输入多层感知机中，在多层感知机的作用下，得到自车周围的车辆在第一时间内的预测轨迹信息。
28、第二方面，本申请提供了一种模型的训练方法，可用于人工智能领域中。方法包括：
29、首先，获取第一信息和第二信息，第一信息包括自车周围的车辆的信息，第二信息包括自车周围的车道的信息；随后，将第一信息和第二信息输入第一模型中，得到第一模型生成的预测信息，预测信息包括自车周围的车辆在第一时间内的预测位置信息；最后，根据损失函数对第一模型进行训练，损失函数指示预测信息和正确信息之间的相似度，正确信息包括自车周围的车辆在第一时间内的正确的位置信息。
30、本申请中，在对第一模型进行训练时，所使用的训练样本包括自车周围的车辆的完整信息和自车周围的车道的完整信息，从而使第一模型输出的位置信息也更准确。可以理解的是，该第一模型可以用于执行前述第一方面或第一方面的可选实施方式中的步骤。
31、在第二方面的一种可能的实现方本文档来自技高网...
【技术保护点】
1.一种车辆的位置获取方法，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，所述预测信息包括所述自车周围的车辆在所述第一时间内的预测轨迹信息和第三信息，所述第三信息指示所述自车周围的车辆在所述第一时间内所在的车道。
3.根据权利要求2所述的方法，其特征在于，所述第三信息包括所述自车周围的目标车辆与所述自车周围的至少一个车道在所述第一时间内的关联度，所述目标车辆为所述自车周围的一个车辆，所述方法还包括：
4.根据权利要求2或3所述的方法，其特征在于，所述第一模型基于注意力机制构建，所述将所述第一信息和所述第二信息输入所述第一模型中，得到所述第一模型生成的所述预测信息，包括：将所述第一信息和所述第二信息输入所述第一模型中，基于所述注意力机制，生成第四信息，所述第四信息包括所述自车周围的目标车辆与第一车道集合在所述第一时间内的关联度，所述目标车辆为所述自车周围的一个车辆，所述第一车道集合包括所述第二信息中包括的所述自车周围的所有车道；
5.根据权利要求4所述的方法，其特征在于，所述从所述第四信息中获取所述第五信息，并
6.根据权利要求4或5所述的方法，其特征在于，所述根据所述第一信息和所述第二信息，生成所述第四信息，包括：
7.根据权利要求6所述的方法，其特征在于，所述根据所述第二信息和所述第四信息，生成所述自车周围的车辆在所述第一时间内的所述预测轨迹信息，包括：
8.一种模型的训练方法，其特征在于，所述方法包括：
9.根据权利要求8所述的方法，其特征在于，所述预测信息包括所述自车周围的车辆在所述第一时间内的预测轨迹信息和第三信息，所述第三信息指示所述自车周围的车辆在所述第一时间内所在的车道。
10.根据权利要求9所述的方法，其特征在于，所述第三信息包括所述自车周围的目标车辆与所述自车周围的至少一个车道在所述第一时间内的关联度，所述目标车辆为所述自车周围的一个车辆，所述方法还包括：
11.根据权利要求9或10所述的方法，其特征在于，所述第一模型基于注意力机制构建，所述将所述第一信息和所述第二信息输入所述第一模型中，得到所述第一模型生成的所述预测信息，包括：
12.一种车辆的位置获取装置，其特征在于，包括：
13.根据权利要求12所述的装置，其特征在于，所述预测信息包括所述自车周围的车辆在所述第一时间内的预测轨迹信息和第三信息，所述第三信息指示所述自车周围的车辆在所述第一时间内所在的车道。
14.根据权利要求13所述的装置，其特征在于，所述第三信息包括所述自车周围的目标车辆与所述自车周围的至少一个车道在所述第一时间内的关联度，所述目标车辆为所述自车周围的一个车辆，所述装置还包括：
15.根据权利要求13或14所述的装置，其特征在于，所述第一模型基于注意力机制构建，所述位置预测模块具体用于：
16.根据权利要求15所述的装置，其特征在于，所述位置预测模块具体用于：
17.根据权利要求15或16所述的装置，其特征在于，所述位置预测模块具体用于：
18.根据权利要求17所述的装置，其特征在于，所述位置预测模块具体用于：
19.一种模型的训练装置，其特征在于，包括：
20.根据权利要求19所述的装置，其特征在于，其特征在于，所述预测信息包括所述自车周围的车辆在所述第一时间内的预测轨迹信息和第三信息，所述第三信息指示所述自车周围的车辆在所述第一时间内所在的车道。
21.根据权利要求20所述的装置，其特征在于，所述第三信息包括所述自车周围的目标车辆与所述自车周围的至少一个车道在所述第一时间内的关联度，所述目标车辆为所述自车周围的一个车辆，所述装置还包括：
22.根据权利要求20或21所述的装置，其特征在于，所述第一模型基于注意力机制构建，所述位置预测模块具体用于：
23.一种执行设备，其特征在于，包括处理器和存储器，所述处理器与所述存储器耦合，
24.一种自动驾驶车辆，其特征在于，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现权利要求1至7中任一项所述的方法。
25.一种训练设备，其特征在于，包括处理器和存储器，所述处理器与所述存储器耦合，
26.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1至7中任一项所述的方法，或，执行如权利要求8至11中任一项所述的方法。
27.一种电...
【技术特征摘要】
1.一种车辆的位置获取方法，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，所述预测信息包括所述自车周围的车辆在所述第一时间内的预测轨迹信息和第三信息，所述第三信息指示所述自车周围的车辆在所述第一时间内所在的车道。
3.根据权利要求2所述的方法，其特征在于，所述第三信息包括所述自车周围的目标车辆与所述自车周围的至少一个车道在所述第一时间内的关联度，所述目标车辆为所述自车周围的一个车辆，所述方法还包括：
4.根据权利要求2或3所述的方法，其特征在于，所述第一模型基于注意力机制构建，所述将所述第一信息和所述第二信息输入所述第一模型中，得到所述第一模型生成的所述预测信息，包括：将所述第一信息和所述第二信息输入所述第一模型中，基于所述注意力机制，生成第四信息，所述第四信息包括所述自车周围的目标车辆与第一车道集合在所述第一时间内的关联度，所述目标车辆为所述自车周围的一个车辆，所述第一车道集合包括所述第二信息中包括的所述自车周围的所有车道；
5.根据权利要求4所述的方法，其特征在于，所述从所述第四信息中获取所述第五信息，并根据所述第五信息生成所述第三信息，包括：
6.根据权利要求4或5所述的方法，其特征在于，所述根据所述第一信息和所述第二信息，生成所述第四信息，包括：
7.根据权利要求6所述的方法，其特征在于，所述根据所述第二信息和所述第四信息，生成所述自车周围的车辆在所述第一时间内的所述预测轨迹信息，包括：
8.一种模型的训练方法，其特征在于，所述方法包括：
9.根据权利要求8所述的方法，其特征在于，所述预测信息包括所述自车周围的车辆在所述第一时间内的预测轨迹信息和第三信息，所述第三信息指示所述自车周围的车辆在所述第一时间内所在的车道。
10.根据权利要求9所述的方法，其特征在于，所述第三信息包括所述自车周围的目标车辆与所述自车周围的至少一个车道在所述第一时间内的关联度，所述目标车辆为所述自车周围的一个车辆，所述方法还包括：
11.根据权利要求9或10所述的方法，其特征在于，所述第一模型基于注意力机制构建，所述将所述第一信息和所述第二信息输入所述第一模型中，得到所述第一模型生成的所述预测信息，包括：
12.一种车辆的位置获取装置，其特征在于，包括：
13.根据权利要求12所述的装置，...
【专利技术属性】
技术研发人员：李姗，邓乃铭，邢国成，朱丽，
申请(专利权)人：华为技术有限公司，
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。