轨迹预测方法、装置、设备及计算机可读存储介质与流程

本发明实施例涉及无人驾驶技术领域，尤其涉及一种轨迹预测方法、装置、设备及计算机可读存储介质。

背景技术：

无人驾驶领域的路径规划中，自动驾驶系统需要对周围的障碍物车辆进行轨迹预测，预测出的轨迹将用于路径规划环节，使得路径规划算法可以处理复杂路况。

障碍物车辆行驶过程中，障碍物车辆并不是均速行驶。但是，目前对障碍物车辆的轨迹预测方法，通常假设障碍物车辆匀速行驶，根据障碍物车辆在上一时刻的位置和速度，来预测障碍物车辆在下一时刻的位置，对障碍物车辆的轨迹的预测不准确。

技术实现要素：

本发明实施例提供一种轨迹预测方法、装置、设备及计算机可读存储介质，用以解决现有的障碍物车辆的轨迹预测方法对障碍物车辆的轨迹的预测不准确的问题。

本发明实施例的一个方面是提供一种轨迹预测方法，包括：

获取第一时刻的环境数据，所述环境数据至少包括：预设范围内的障碍物车辆的速度和外形参数，本车辆的速度和外形参数，以及所述预设范围内任意两个车辆之间的距离；

根据所述环境数据，利用加速度预测模型，计算所述障碍物车辆在所述第一时刻的加速度；

根据所述障碍物车辆在所述第一时刻的加速度、速度和位置，计算所述障碍物车辆在第二时刻的位置。

本发明实施例的另一个方面是提供一种轨迹预测装置，包括：

环境数据获取模块，用于获取第一时刻的环境数据，所述环境数据至少包括：预设范围内的障碍物车辆的速度和外形参数，本车辆的速度和外形参数，以及所述预设范围内任意两个车辆之间的距离；

加速度计算模块，用于根据所述环境数据，利用加速度预测模型，计算所述障碍物车辆在所述第一时刻的加速度；

位置计算模块，用于根据所述障碍物车辆在所述第一时刻的加速度、速度和位置，计算所述障碍物车辆在第二时刻的位置。

本发明实施例的另一个方面是提供一种终端设备，包括：

存储器，处理器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序，

所述处理器运行所述计算机程序时实现上述所述的轨迹预测方法。

本发明实施例的另一个方面是提供一种计算机可读存储介质，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所述的轨迹预测方法。

本发明实施例提供的轨迹预测方法、装置、设备及计算机可读存储介质，本发明实施例并不是将障碍物车辆作为匀速移动的物体，也不是将障碍物车辆作为静止物体，而是通过根据所述第一时刻的环境数据，利用加速度预测模型，计算所述障碍物车辆在所述第一时刻的加速度；根据所述障碍物车辆在所述第一时刻的加速度、速度和位置，计算所述障碍物车辆在第二时刻的位置，提高了障碍物车辆轨迹预测的准确性，提高了无人驾驶车辆行驶的安全性。

附图说明

图1为本发明实施例一提供的轨迹预测方法流程图；

图2为本发明实施例二提供的轨迹预测方法流程图；

图3为本发明实施例二提供的加速度预测模型的结构示意图；

图4为本发明实施例三提供的轨迹预测装置的结构示意图；

图5为本发明实施例四提供的轨迹预测装置的结构示意图；

图6为本发明实施例五提供的终端设备的结构示意图。

通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明实施例构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明实施例的一些方面相一致的装置和方法的例子。

本发明实施例所涉及的术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。在以下各实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。

下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。

实施例一

图1为本发明实施例一提供的轨迹预测方法流程图。本发明实施例针对现有的障碍物车辆的轨迹预测方法对障碍物车辆的轨迹的预测不准确的问题，提供了轨迹预测方法。

本实施例中的方法应用于终端设备，该终端设备可以是车载终端等，在其他实施例中，该方法还可应用于其他设备，本实施例以车载终端为例进行示意性说明。如图1所示，该方法具体步骤如下：

步骤s101、获取第一时刻的环境数据，环境数据至少包括：预设范围内的障碍物车辆的速度和外形参数，本车辆的速度和外形参数，以及该预设范围内任意两个车辆之间的距离。

其中，预设范围可以是以本车辆的当前位置为中心，以预设距离为半径的圆形区域。其中预设距离可以根据本车辆上用于采集数据的传感器的覆盖范围确定，预设范围在本车辆的传感器的覆盖范围，本车辆能够采集到预设范围内的环境数据。

另外，预设范围可以由技术人员根据实际车辆和应用场景进行设定，本实施例此处不做具体限定。

障碍物车辆是指本车辆周围的车辆，可以是本车辆获取环境数据时所覆盖范围的其他车辆。在行驶过程中，相对于本车辆来说，周围的其他车辆可以理解为是其行驶道路上的动态的障碍物。本车辆行驶过程中，在不同的时刻，周围的障碍物车辆是会发生变化的。

本实施例中，第一时刻是可以是当前时刻，本车辆实时地获取当前时刻的环境数据，并通过本实施例提供的轨迹预测方法，预测障碍物车辆在未来的第二时刻的位置。

车载终端能够获取环境数据至少包括：障碍物车辆的速度和外形参数，本车辆的速度和外形参数，以及任意两个车辆之间的距离。环境数据还可以包括车载终端能够获取的其他的会对车辆的行驶产生交互式影响的数据，例如道路数据等，本实施例此处不做具体限定。

步骤s102、根据环境数据，利用加速度预测模型，计算障碍物车辆在第一时刻的加速度。

在获取到第一时刻的环境数据之后，将环境数据输入训练好的加速度预测模型，通过加速度预测模型预测障碍物车辆在第一时刻的加速度。

本实施例中，预先构建用于预测车辆加速度的神经网络模型，通过大量真实的历史行驶数据作为训练数据，对神经网络模型进行训练，得到加速度预测模型。该加速度预测模型能够根据一个时刻的环境数据，准确地预测出环境数据中障碍物车辆在该时刻的加速度。

步骤s103、根据障碍物车辆在第一时刻的加速度、速度和位置，计算障碍物车辆在第二时刻的位置。

在得到障碍物车辆在第一时刻的加速度之后，可以根据障碍物车辆在第一时刻的加速度、速度和位置，利用动力学方程计算得到在之后的第二时刻障碍物车辆的位置。

本发明实施例并不是将障碍物车辆作为匀速移动的物体，也不是将障碍物车辆作为静止物体，而是通过根据第一时刻的环境数据，利用加速度预测模型，计算障碍物车辆在第一时刻的加速度；根据障碍物车辆在第一时刻的加速度、速度和位置，计算障碍物车辆在第二时刻的位置，提高了障碍物车辆轨迹预测的准确性，提高了无人驾驶车辆行驶的安全性。

实施例二

图2为本发明实施例二提供的轨迹预测方法流程图；图3为本发明实施例二提供的加速度预测模型的结构示意图。在上述实施例一的基础上，本实施例中，根据环境数据，利用加速度预测模型，计算障碍物车辆在第一时刻的加速度之前，还包括：利用训练集对预设的神经网络模型进行模型训练，得到加速度预测模型。如图2所示，该方法具体步骤如下：

步骤s201、获取训练集。

其中，训练集包括多条训练数据，每条训练数据包括第一历史时刻的真实环境数据，以及真实环境数据中的车辆在第二历史时刻的加速度利用训练集对预设的神经网络模型进行模型训练，得到加速度预测模型。

本实施例中，预先构建用于预测车辆加速度的神经网络模型，通过大量真实的历史行驶数据作为训练数据，对神经网络模型进行训练，得到加速度预测模型。该加速度预测模型能够根据一个时刻的环境数据，准确地预测出环境数据中障碍物车辆在该时刻的加速度。

可选的，用δt表示第二历史时刻与第一历史时刻间的时间间隔，用δt′表示第二时刻与第一时刻间的时间间隔，|δt-δt′|＜预设时间误差。

车载终端能够获取环境数据至少包括：障碍物车辆的速度和外形参数，本车辆的速度和外形参数，以及任意两个车辆之间的距离。环境数据还可以包括车载终端能够获取的其他的会对车辆的行驶产生交互式影响的数据，例如道路数据等，本实施例此处不做具体限定。

步骤s202、利用训练集对预设的神经网络模型进行模型训练，得到加速度预测模型。

本实施例中，预设的神经网络模型可以包括：卷积层，线性整流函数层(rectifiedlinearunit，简称relu)，最大池化层，全连接层，bn(batchnormalization)层，失活层(也称为dropout层)，循环神经网络编码层和循环神经网络解码层。

可选的，循环神经网络编码层和循环神经网络解码层可以采用长短期记忆网络(longshort-termmemory，简称lstm)实现。

如图3所示的神经网络结构，其中conv表示卷积层，relu表示relu层，maxpool表示最大池化层，fc表示全连接层，bn表示bn层，dropout表示dropout层，与dropout层相邻的lstm表示循环神经网络编码层。从卷积层至循环神经网络编码层这部分可以理解为一个编码的过程。在循环神经网络编码层之后的lstm为循环神经网络解码层，可以理解为对编码结果的解码的过程。其中，卷积层，relu层和最大池化层构成一个卷积神经网络(convolutionalneuralnetworks，简称cnn)；全连接层，bn层和dropout层构成一个全卷积神经网络(fullyconvolutionalnetworks，简称fcn)。

本实施例中，利用训练集对预设的神经网络模型进行模型训练，得到加速度预测模型，可以采用现有的模型训练的方法实现，本实施例此处不再赘述。

可选的，训练过程中使用的损失函数项包括以下三个部分：拟合损失项，惩罚损失项和光滑损失项，这三个损失项按照预设比例构成。其中，拟合损失项的目的是让神经网络拟合出真实加速度的正负性，惩罚项可以使得预测的轨迹和真实轨迹的差距不会超过设定阈值，光滑项的目的可以提升预测数据的信噪比。

其中，预设比例和设定阈值可以由技术人员根据经验进行设定，本实施例此处不做具体限定。

可选的，还可以将预测的加速度通过卡尔曼滤波算法和卡尔曼平滑算法处理后得到间接加速度，将预测的加速度和间接加速度输入损失函数，利用梯度下降算法求解得到最终的预测加速度。

在得到加速度预测模型之后，可以通过步骤s203-s205利用加速度预测模型进行轨迹预测。

步骤s203、获取第一时刻的环境数据，环境数据至少包括：预设范围内的障碍物车辆的速度和外形参数，本车辆的速度和外形参数，以及该预设范围内任意两个车辆之间的距离。

其中，其中，预设范围可以是以本车辆的当前位置为中心，以预设距离为半径的圆形区域。其中预设距离可以根据本车辆上用于采集数据的传感器的覆盖范围确定，预设范围在本车辆的传感器的覆盖范围，本车辆能够采集到预设范围内的环境数据。

另外，预设范围可以由技术人员根据实际车辆和应用场景进行设定，本实施例此处不做具体限定。

障碍物车辆是指本车辆周围的车辆，可以是本车辆获取环境数据时所覆盖范围的其他车辆。在行驶过程中，相对于本车辆来说，周围的其他车辆可以理解为是其行驶道路上的动态的障碍物。本车辆行驶过程中，在不同的时刻，周围的障碍物车辆是会发生变化的。

本实施例中，第一时刻是可以是当前时刻，本车辆实时地获取当前时刻的环境数据，并通过本实施例提供的轨迹预测方法，预测障碍物车辆在未来的第二时刻的位置。

步骤s204、根据环境数据，利用加速度预测模型，计算障碍物车辆在第一时刻的加速度。

在获取到第一时刻的环境数据之后，将环境数据输入训练好的加速度预测模型，通过加速度预测模型预测障碍物车辆在第一时刻的加速度。

步骤s205、根据障碍物车辆在第一时刻的加速度、速度和位置，计算障碍物车辆在第二时刻的位置。

在得到障碍物车辆在第一时刻的加速度之后，可以根据障碍物车辆在第一时刻的加速度、速度和位置，利用动力学方程计算得到在之后的第二时刻障碍物车辆的位置。

本实施例中，预设范围内的障碍物车辆可以有一辆或者多辆。若预设范围内包括多辆障碍物车辆，那么，该步骤中计算得到每一辆障碍物车辆在第二时刻的位置。

具体的，分别将每个障碍物车辆作为目标车辆，根据目标车辆在第一时刻的加速度、速度和位置，计算目标车辆在第二时刻的位置，得到每一辆障碍物车辆的在第二时刻的位置。

进一步地，根据目标车辆在第一时刻的加速度、速度和位置，计算目标车辆在第二时刻的位置，具体可以采用如下方式实现：

采用如下运动学方程，计算目标车辆在第二时刻的位置：

其中，pt和pt-1均为位置函数，pt表示目标车辆在第二时刻的位置，pt-1表示目标车辆在第一时刻的位置，vt-1表示目标车辆在第一时刻的速度，at-1表示目标车辆在第一时刻的加速度，δt表示第一时刻与第二时刻之间的间隔时长，表示位置函数pt-1的泰勒展开式的余项。

本发明实施例并不是将障碍物车辆作为匀速移动的物体，也不是将障碍物车辆作为静止物体，而是通过根据第一时刻的环境数据，利用加速度预测模型，计算障碍物车辆在第一时刻的加速度；根据障碍物车辆在第一时刻的加速度、速度和位置，计算障碍物车辆在第二时刻的位置，提高了障碍物车辆轨迹预测的准确性，提高了无人驾驶车辆行驶的安全性。

实施例三

图4为本发明实施例三提供的轨迹预测装置的结构示意图。本发明实施例提供的轨迹预测装置可以执行轨迹预测方法实施例提供的处理流程。如图4所示，该轨迹预测装置30包括：环境数据获取模块301，加速度计算模块302和位置计算模块303。

具体地，环境数据获取模块301，用于获取第一时刻的环境数据，环境数据至少包括：预设范围内的障碍物车辆的速度和外形参数，本车辆的速度和外形参数，以及预设范围内任意两个车辆之间的距离。

加速度计算模块302，用于根据环境数据，利用加速度预测模型，计算障碍物车辆在第一时刻的加速度。

位置计算模块303，用于根据障碍物车辆在第一时刻的加速度、速度和位置，计算障碍物车辆在第二时刻的位置。

本发明实施例提供的装置可以具体用于执行上述实施例一所提供的方法实施例，具体功能此处不再赘述。

本发明实施例并不是将障碍物车辆作为匀速移动的物体，也不是将障碍物车辆作为静止物体，而是通过根据第一时刻的环境数据，利用加速度预测模型，计算障碍物车辆在第一时刻的加速度；根据障碍物车辆在第一时刻的加速度、速度和位置，计算障碍物车辆在第二时刻的位置，提高了障碍物车辆轨迹预测的准确性，提高了无人驾驶车辆行驶的安全性。

实施例四

图5为本发明实施例四提供的轨迹预测装置的结构示意图。在上述实施例三的基础上，本实施例中，如图5所示，轨迹预测装置30还包括：模型训练模块304。

模型训练模块304用于：

利用训练集对预设的神经网络模型进行模型训练，得到加速度预测模型。

可选的，模型训练模块304还用于：

获取训练集，训练集包括多条训练数据，每条训练数据包括第一历史时刻的真实环境数据，以及真实环境数据中的车辆在第二历史时刻的加速度。

其中，用δt表示第二历史时刻与第一历史时刻间的时间间隔，用δt′表示第二时刻与第一时刻间的时间间隔，|δt-δt′|＜预设时间误差。

可选的，神经网络模型包括：卷积层，relu层，最大池化层，全连接层，bn层，dropout层，循环神经网络编码层和循环神经网络解码层。

可选的，位置计算模块303还用于：

所述预设范围内包括多辆障碍物车辆，分别将每个障碍物车辆作为目标车辆，根据目标车辆在第一时刻的加速度、速度和位置，计算目标车辆在第二时刻的位置，得到每辆所述障碍物车辆的在所述第二时刻的位置。

可选的，位置计算模块303还用于：

采用如下运动学方程，计算目标车辆在第二时刻的位置：

其中，pt和pt-1均为位置函数，pt表示目标车辆在第二时刻的位置，pt-1表示目标车辆在第一时刻的位置，vt-1表示目标车辆在第一时刻的速度，at-1表示目标车辆在第一时刻的加速度，δt表示第一时刻与第二时刻之间的间隔时长，表示位置函数pt-1的泰勒展开式的余项。

本发明实施例提供的装置可以具体用于执行上述实施例二所提供的方法实施例，具体功能此处不再赘述。

本发明实施例并不是将障碍物车辆作为匀速移动的物体，也不是将障碍物车辆作为静止物体，而是通过根据第一时刻的环境数据，利用加速度预测模型，计算障碍物车辆在第一时刻的加速度；根据障碍物车辆在第一时刻的加速度、速度和位置，计算障碍物车辆在第二时刻的位置，提高了障碍物车辆轨迹预测的准确性，提高了无人驾驶车辆行驶的安全性。

实施例五

图6为本发明实施例五提供的终端设备的结构示意图。如图6所示，该终端设备50包括：处理器501，存储器502，以及存储在存储器502上并可由处理器501执行的计算机程序。

处理器501在执行存储在存储器502上的计算机程序时实现上述任一方法实施例提供的轨迹预测方法。

本发明实施例并不是将障碍物车辆作为匀速移动的物体，也不是将障碍物车辆作为静止物体，而是通过根据第一时刻的环境数据，利用加速度预测模型，计算障碍物车辆在第一时刻的加速度；根据障碍物车辆在第一时刻的加速度、速度和位置，计算障碍物车辆在第二时刻的位置，提高了障碍物车辆轨迹预测的准确性，提高了无人驾驶车辆行驶的安全性。

另外，本发明实施例还提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述任一方法实施例提供的轨迹预测方法。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求书指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。