详情

原文传递一种轨迹预测方法及装置

专利名称：	一种轨迹预测方法及装置
摘要：	本说明书公开了一种轨迹预测方法及装置，首先，针对无人车周围的每个障碍物，基于该障碍物的历史轨迹，确定该障碍物的运动特征，还可根据各障碍物的运动特征确定全局交互特征，其次，确定各障碍物所在车道的车道拓扑，再根据车道拓扑确定车道特征，之后将该障碍物运动特征、交互特征以及车道特征输入长短期记忆网络，得到该障碍物的预测运动轨迹。通过确定障碍物的运动特征、障碍物之间的相互影响以及车道的特征，预测运动轨迹，使得运动轨迹的预测受到了路上其他障碍物以及车道的影响，轨迹预测更加准确。
专利类型：	发明专利
申请人：	北京三快在线科技有限公司
发明人：	樊明宇;任冬淳;夏华夏;钱德恒;朱炎亮
专利状态：	有效
申请日期：	1900-01-20T00:00:00+0805
发布日期：	1900-01-20T08:00:00+0805
申请号：	CN202010220716.8
公开号：	CN111114543A
代理机构：	北京曼威知识产权代理有限公司
代理人：	方志炜
分类号：	B60W30/095;B60W40/04;B60W40/06;B60W50/00;B;B60;B60W;B60W30;B60W40;B60W50;B60W30/095;B60W40/04;B60W40/06;B60W50/00
申请人地址：	100080 北京市海淀区北四环西路9号2106-030
主权项：	1.一种轨迹预测方法，其特征在于，包括：确定无人车当前所处位置周围的各障碍物；针对确定出的每个障碍物，将该障碍物在预设时长内的历史轨迹作为输入，通过预先训练的预测模型的第一卷积网络，确定该障碍物的运动特征；根据所述预测模型的特征交互层的权重矩阵以及各障碍物的运动特征，确定全局交互特征；针对确定出的每个障碍物，确定道路中该障碍物所在车道的车道拓扑；将确定出的车道拓扑作为输入，通过所述预测模型的第二卷积网络，确定该障碍物对应的车道特征；将该障碍物的运动特征、该障碍物对应的车道特征以及所述全局交互特征作为输入，输入所述预测模型的长短期记忆网络层，确定该障碍物的预测运动轨迹。 2.如权利要求1所述的方法，其特征在于，将该障碍物在预设时长内的历史轨迹作为输入，通过预先训练的预测模型的第一卷积网络，确定该障碍物的运动特征，具体包括：根据历史上在所述预设时长内采集的该障碍物的位置信息，确定该障碍物的历史轨迹；通过预先训练的预测模型的第一卷积网络，对所述历史轨迹依次进行至少两次卷积操作，得到该障碍物各位置信息对应的速度特征以及加速度特征，其中所述第一卷积网络中进行卷积操作采用的卷积核结构相同；将所述历史轨迹、所述速度特征以及所述加速度特征进行合并，作为该障碍物的运动特征。 3.如权利要求1所述的方法，其特征在于，根据所述预测模型的特征交互层的权重矩阵以及各障碍物的运动特征，确定全局交互特征，具体包括：根据预先训练的权重矩阵以及各障碍物的运动特征，分别对各障碍物的运动特征加权；通过所述特征交互层对各障碍物的运动特征的加权结果进行池化，确定表征各障碍物运动特征角度的全局交互特征。 4.如权利要求1所述的方法，其特征在于，确定道路中该障碍物所在车道的车道拓扑，具体包括：确定该障碍物的运动速度以及该障碍物所在车道；根据预设的预测时长以及所述运动速度，确定需要获取的车道长度；以该障碍物当前所在位置为起点，按照所述车道长度沿所述车道，确定所述车道中心线的若干坐标，作为所述车道拓扑。 5.如权利要求4所述的方法，其特征在于，将确定出的车道拓扑作为输入，通过所述预测模型的第二卷积网络，确定该障碍物对应的车道特征，具体包括：将所述车道拓扑按照车道的行车方向，划分为预设数量的多段子车道；将各子车道按照不同顺序排列组合，得到合并车道信息；将所述合并车道信息输入所述预测模型的第二卷积网络，通过至少两次卷积操作，得到该障碍物对应的第一子特征以及第二子特征；将所述合并车道信息、所述第一子特征以及所述第二子特征进行合并，作为该障碍物对应的车道特征。 6.如权利要求1所述的方法，其特征在于，将该障碍物的运动特征、该障碍物对应的车道特征以及所述全局交互特征作为输入，输入所述预测模型的长短期记忆网络层，确定该障碍物的预测运动轨迹，具体包括：将该障碍物的运动特征以及该障碍物对应的车道特征作为输入，输入所述预测模型的第一注意力层，确定该障碍物在各历史时刻对应的注意力加权的车道特征，以及将所述全局交互特征以及该障碍物的运动特征作为输入，输入所述预测模型的第二注意力层，确定该障碍物在各历史时刻对应的注意力加权的交互特征；将该障碍物的运动特征、注意力加权的交互特征以及注意力加权的车道特征作为输入，输入所述预测模型的长短期记忆网络层，确定该障碍物的预测运动轨迹。 7.如权利要求6所述的方法，其特征在于，将该障碍物的运动特征以及该障碍物对应的车道特征作为输入，输入所述预测模型的第一注意力层，确定该障碍物在各历史时刻对应的注意力加权的车道特征，具体包括：将该障碍物的运动特征以及该障碍物对应的车道特征作为输入，输入所述预测模型的第一注意力层，确定第一注意力结果，所述第一注意力结果表征该障碍物在各历史时刻对各车道拓扑的注意力；根据所述第一注意力结果以及该障碍物对应的车道特征，确定注意力加权的车道特征。 8.如权利要求6所述的方法，其特征在于，将所述全局交互特征以及该障碍物的运动特征作为输入，输入所述预测模型的第二注意力层，确定该障碍物在各历史时刻对应的注意力加权的交互特征，具体包括：将所述全局交互特征以及该障碍物的运动特征作为输入，输入所述预测模型的第二注意力层，确定第二注意力结果，所述第二注意力结果表征该障碍物在各历史时刻对全局交互特征的注意力；根据所述第二注意力结果以及所述全局交互特征，确定注意力加权的交互特征。 9.如权利要求1所述的方法，其特征在于，所述预测模型通过如下方法训练得到：根据历史上若干次行驶过程中，各时刻采集的障碍物的位置信息，确定各障碍物的实际运动轨迹；根据各时刻各障碍物的实际运动轨迹以及所述若干次行驶过程的车道拓扑，确定训练样本；将所述实际运动轨迹与车道拓扑作为输入，输入预先训练的分类模型，确定所述实际运动轨迹是否在车道上，得到所述实际运动轨迹的可信值；针对每个训练样本，将该训练样本输入待训练的预测模型，得到障碍物的预测运动轨迹；根据预测运动轨迹与实际运动轨迹的差值，以及所述实际运动轨迹的可信值，确定损失，所述可信值越低确定出的损失越大；以最小化损失为目标调整所述待训练的预测模型的模型参数。 10.一种轨迹预测装置，其特征在于，包括：障碍物确定模块，确定无人车当前所处位置周围的各障碍物；运动特征确定模块，针对确定出的每个障碍物，将该障碍物在预设时长内的历史轨迹作为输入，通过预先训练的预测模型的第一卷积网络，确定该障碍物的运动特征；交互特征确定模块，根据所述预测模型的特征交互层的权重矩阵以及各障碍物的运动特征，确定全局交互特征；车道确定模块，针对确定出的每个障碍物，确定道路中该障碍物所在车道的车道拓扑；车道特征确定模块，将确定出的车道拓扑作为输入，通过所述预测模型的第二卷积网络，确定该障碍物对应的车道特征；预测模块，将该障碍物的运动特征、交互特征以及车道特征作为输入，输入所述预测模型的长短期记忆网络层，确定所述障碍物的预测运动轨迹。 11.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-9任一所述的方法。 12.一种无人车，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1- 9任一所述的方法。
所属类别：	发明专利