轨迹预测网络模型的训练方法和装置、介质、设备与流程

1.本公开涉及计算机视觉技术，尤其是一种轨迹预测网络模型的训练方法和装置、介质、设备。


背景技术：

2.车辆轨迹预测是自动驾驶中的一个重要部分，是实现自动驾驶规划与决策的前提。现有技术中一般采用深度学习方法，例如，采用轨迹预测网络模型对车辆轨迹进行预测，进而得到预测的车辆未来行驶轨迹。轨迹预测网络模型的获得，通常需要采用大量的具有标注信息的样本数据对初始模型进行训练，该具有标注信息的样本数据需要人工进行标注，人工校验的效率较低，且人力成本较高，此外，初始模型的训练不可避免的会依赖样本数据的丰富性，对训练后模型的性能有影响。


技术实现要素：

3.本公开的实施例提供了一种轨迹预测网络模型的训练方法和装置、介质、设备。
4.根据本公开实施例的一个方面，提供了一种轨迹预测网络模型的训练方法，包括：
5.确定多条轨迹对应的多个预设锚点集；
6.基于所述多个预设锚点集，确定所述多条轨迹对应的第一分类结果；
7.基于所述第一分类结果对所述多条轨迹进行数据抽取，得到具有预设轨迹类型的样本轨迹集合；
8.基于所述样本轨迹集合对轨迹预测网络模型进行训练。
9.根据本公开实施例的另一方面，提供了一种轨迹预测网络模型的训练装置，包括：
10.锚点确定模块，用于确定多条轨迹对应的多个预设锚点集；
11.数据分类模块，用于基于所述锚点确定模块确定的多个预设锚点集，确定所述多条轨迹对应的第一分类结果；
12.数据抽取模块，用于基于所述数据分类模块确定的第一分类结果对所述多条轨迹进行数据抽取，得到具有预设轨迹类型的样本轨迹集合；
13.模型训练模块，用于基于所述数据抽取模块确定的样本轨迹集合对轨迹预测网络模型进行训练。
14.根据本公开实施例的又一方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述任一实施例所述的轨迹预测网络模型的训练方法。
15.根据本公开实施例的还一方面，提供了一种电子设备，所述电子设备包括：
16.处理器；
17.用于存储所述处理器可执行指令的存储器；
18.所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述任一实施例所述的轨迹预测网络模型的训练方法。
19.基于本公开上述实施例提供的一种轨迹预测网络模型的训练方法和装置、介质、设备，通过预设锚点集对多条轨迹进行分类，实现了对轨迹的自动分类，相比于人工校验，本实施例提高了数据挖掘过程的自动化程度，减少了人工标注分类结果的成本；此外，通过基于第一分类结果对多条轨迹进行数据抽取，平衡了不同轨迹类别的轨迹在对轨迹预测网络模型的训练中的比例，提升了轨迹预测网络模型对不同轨迹的预测性能。
20.下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。
附图说明
21.通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
22.图1是本公开一示例性实施例提供的轨迹预测网络模型的训练方法的流程示意图。
23.图2是本公开另一示例性实施例提供的轨迹预测网络模型的训练方法的流程示意图。
24.图3是本公开图2所示的实施例中步骤206的一流程示意图。
25.图4是本公开图3所示的实施例中步骤2062的一流程示意图。
26.图5是本公开图1所示的实施例中步骤102的一流程示意图。
27.图6是本公开图1所示的实施例中步骤103的一流程示意图。
28.图7是本公开又一示例性实施例提供的轨迹预测网络模型的训练方法的流程示意图。
29.图8是本公开一示例性实施例提供的轨迹预测网络模型的训练装置的结构示意图。
30.图9是本公开另一示例性实施例提供的轨迹预测网络模型的训练装置的结构示意图。
31.图10是本公开一示例性实施例提供的电子设备的结构图。
具体实施方式
32.下面，将参考附图详细地描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。
33.应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
34.本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
35.还应理解，在本公开实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
36.还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
37.另外，本公开中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。
38.还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
39.同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
40.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
41.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
42.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
43.本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
44.终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
45.申请概述
46.车辆轨迹预测是自动驾驶中的一个重要部分，是实现自动驾驶规划与决策的前提。现有技术中一般采用深度学习方法，例如，采用轨迹预测网络模型对车辆轨迹进行预测，进而得到预测的车辆未来行驶轨迹。
47.在实现本公开的过程中，发明人发现，相关技术中上述轨迹预测网络模型的获得，通常需要采用大量的具有标注信息样本数据对初始模型进行训练，该具有标注信息样本数据一般需要人工校验，效率较低，且人力成本高，此外，初始模型的训练不可避免的会依赖样本数据的丰富性，或对训练后模型的性能有影响。
48.示例性方法
49.图1是本公开一示例性实施例提供的轨迹预测网络模型的训练方法的流程示意图。本实施例可应用在电子设备上，如图1所示，包括如下步骤：
50.步骤101，确定多条轨迹对应的多个预设锚点集。
51.其中，每个预设锚点集中包括设定数量的锚点，各锚点为已知轨迹类型的轨迹，各预设锚点集为已知的相同轨迹类型的轨迹的集合，预设锚点集的数量可根据当前轨迹预测网络模型需要训练的轨迹类型确定，例如，当前应用场景需要训练轨迹预测网络模型对低速直行、中速直行、高速直行和缓弯左转这4个轨迹类型的预测效果，此时，获得对应4个轨迹类型的4个预设锚点集。
52.步骤102，基于多个预设锚点集，确定多条轨迹对应的第一分类结果。
53.在一实施例中，基于多个预设锚点集中每个锚点对应的轨迹类型，确定多条轨迹中每条轨迹对应的轨迹类别，即实现对多条轨迹的分类，其中，第一分类结果可以包括基于每条轨迹对应的轨迹类别对多条轨迹进行聚类，得到的多个轨迹集合，每个轨迹集合对应一个轨迹类型。
54.步骤103，基于第一分类结果对多条轨迹进行数据抽取，得到具有预设轨迹类型的样本轨迹集合。
55.本实施例中，第一分类结果中，每个轨迹类型对应的轨迹集中轨迹的数量通常不同，因此，为了平衡轨迹预测网络模型对多种轨迹类型的预测效果，通过数据抽取来平衡不同轨迹类型对应的轨迹数量，例如，以预设比例对多个轨迹集合进行采样，得到样本轨迹集合。
56.步骤104，基于样本轨迹集合对轨迹预测网络模型进行训练。
57.其中，轨迹预测网络模型可以为相关技术中任意可实现轨迹预测的网络，例如，多路径轨迹预测网络(multipath)、向量化轨迹预测网络(vectornet)等；本实施例通过上述数据抽取得到的样本轨迹集合对轨迹预测网络模型进行训练，可有效提升轨迹预测网络模型对各种类型的轨迹的预测效果。
58.本公开上述实施例提供的一种轨迹预测网络模型的训练方法，通过预设锚点集对多条轨迹进行分类，实现了对轨迹的自动分类，相比于人工校验，本实施例提高了数据挖掘过程的自动化程度，减少了人工标注分类结果的成本；通过基于第一分类结果对多条轨迹进行数据抽取，平衡了不同轨迹类别的轨迹在对轨迹预测网络模型的训练中的比例，提升了轨迹预测网络模型对不同轨迹的预测性能。
59.图2是本公开另一示例性实施例提供的轨迹预测网络模型的训练方法的流程示意图。在图1提供的实施例的基础上，本实施例提供的方法中，还包括：
60.步骤205，基于训练后的轨迹预测网络模型对多条轨迹进行轨迹类型预测，得到轨迹预测结果。
61.可选地，为了校验训练后的轨迹预测网络模型的轨迹预测效果，本实施例利用轨迹预测网络模型对多条轨迹进行轨迹类型预测，由于多条轨迹中每条轨迹都预先设有对应的已知轨迹类型，因此，基于轨迹预测结果和已知的轨迹类型，即可确定训练后的轨迹预测网络模型的轨迹预测效果。
62.步骤206，基于轨迹预测结果，确定是否对训练后的轨迹预测网络模型进行二次训练。
63.本实施例中，基于已知轨迹类型作为监督信息确定的轨迹预测效果，实现了对训练后的轨迹预测网络模型的训练效果的验证，当训练效果未达到期望效果时，可进行二次训练，以提升轨迹预测网络模型对预设轨迹类型中每个轨迹类型的预测效果。
64.如图3所示，在上述图2所示实施例的基础上，步骤206可包括如下步骤：
65.步骤2061，确定是否存在至少一条轨迹对应的轨迹预测结果与第一分类结果不匹配，如果存在，执行步骤2062；否则，执行步骤2063。
66.可选地，第一分类结果中包括每条轨迹对应的预设轨迹类型，将每条轨迹对应的轨迹预测结果与第一分类结果进行匹配，确定每条轨迹的轨迹预测结果是否与该轨迹对应的预设轨迹类型相同。
67.步骤2062，将至少一条轨迹作为预设锚点加入多个预设锚点集，对训练后的轨迹预测网络模型进行二次训练。
68.本实施例中，将轨迹预测结果与预设轨迹类型不同的至少一条轨迹加入到预设锚点集中，通过扩展预设锚点集并以扩展后的预设锚点集对轨迹预测网络模型进行二次训练，提升了轨迹预测网络模型对上述至少一条轨迹所对应的预设轨迹类型的预测效果。
69.步骤2063，结束训练，即不对训练后的轨迹预测网络模型进行二次训练。
70.可选地，当每条轨迹的轨迹预测结果都与该轨迹对应的预设轨迹类型相同，此时，说明训练后的轨迹预测网络模型对所有预设轨迹类型的预测效果都达到了预期效果，此时不需要进行二次训练。
71.本实施例中，将第一分类结果作为预测结果的监督信息，无需额外的人工标注数据，减少了人工成本的基础上，提升了对轨迹预测网络模型的训练效率，并且，通过将预测不准确的轨迹加入预设锚点进行二次训练，实现了有针对性的提升轨迹预测网络模型对某些预设轨迹类型的预测效果。
72.如图4所示，在上述图3所示实施例的基础上，步骤2062可包括如下步骤：
73.步骤401，基于第一分类结果，通过至少一条轨迹对预设锚点集和多条轨迹进行更新，得到更新后的预设锚点集和更新后的多条轨迹。
74.本实施例中，第一分类结果可确定至少一条轨迹中每条轨迹对应的预设轨迹类型，基于这些预设轨迹类型对预设锚点集和多条轨迹进行更新；例如，对预设锚点集合中多条轨迹的更新，可包括将上述至少一条轨迹加入到预设锚点集中，并将上述至少一条轨迹从多条轨迹中删除，再基于更新后的预设锚点集重新对更新后的多条轨迹进行分类。
75.步骤402，基于更新后的预设锚点集，对更新后的多条轨迹进行分类，确定第二分类结果。
76.可选地，该分类过程与上述实施例中的步骤102的分类过程类似，在此不再赘述。
77.步骤403，基于第二分类结果对多条轨迹进行数据抽取，得到更新后的样本轨迹集合。
78.本实施例中的数据抽取可按照预设比例(例如，对上述至少一条轨迹对应的轨迹类型增大比例，以提升网络模型对该轨迹类型的预测效果)从第二分类结果对应的多个轨迹集合中分别抽取设定数量的轨迹，以抽取得到的轨迹组成样本轨迹集合，其中，抽取得到的设定数量的轨迹对应多个预设轨迹类型。
79.步骤404，基于更新后的样本轨迹集合，对训练后的轨迹预测网络模型进行二次训练。
80.本实施例中，可通过样本轨迹集合中增大首次训练时预测效果不好的轨迹类型对应的轨迹的数量，得到更新后的样本轨迹集合，此时，通过更新后的样本轨迹集合对轨迹预
测网络模型进行二次训练，实现了有针对性的提升首次训练时预测效果不好的轨迹类型的预测效果，使二次训练后的轨迹预测网络模型能够对所有预设轨迹类型都达到期望的预测效果，提升了轨迹预测网络模型的整体预测性能。
81.可选地，在上述实施例的基础上，步骤401还可以包括：
82.a1，基于至少一条轨迹中每条轨迹的第一分类结果，确定每条轨迹对应的预设轨迹类型。
83.可选地，上述实施例中通过多个锚点集合对多条轨迹中每条轨迹进行分类，即通过每条轨迹与每个锚点集合中每个锚点的距离，确定多条轨迹中每条轨迹对应的轨迹类型，因此，可知至少一条轨迹中每条轨迹对应的预设轨迹类型。
84.a2，基于预设轨迹类型，将至少一条轨迹作为预设锚点加入到对应的预设锚点集中，或为至少一条轨迹建立新的预设锚点集，得到更新后的预设锚点集。
85.可选地，对于至少一条轨迹中的每条轨迹，该步骤存在两种情况：一种是该轨迹在第一分类结果中对应一个预设轨迹类型(仅与一个锚点集合中的锚点之间的距离较小)，此时可将该轨迹直接加入该预设轨迹类型对应的锚点集；另一种是当该轨迹在第一分类结果中对应至少两个预设轨迹类型(与至少两个预设轨迹类型的锚点距离较小，且至少两个距离相似)，此时，无法确定该轨迹的对应的锚点集，可为该轨迹新建锚点集。
86.a3，从多条轨迹中删除至少一条轨迹，得到更新后的多条轨迹。
87.本实施例中，将预测效果不好的轨迹加入用于存储描点集的锚点库，后续可作为锚点进行样本抽取和对应轨迹类型的重点训练，通过锚点集更新，提升了对某些轨迹类型的预测效果；并且，本实施例中通过为轨迹新建锚点集，避免了将该轨迹加入任一现有锚点集而导致的分类不准确的问题。
88.如图5所示，在上述图1所示实施例的基础上，步骤102可包括如下步骤：
89.步骤1021，确定多条轨迹中每条轨迹与每个预设锚点集中每个预设锚点之间的距离。
90.本实施例中，多条轨迹中的每条轨迹，由于任意一个轨迹均包括多个坐标点，因此，通过确定轨迹中每个坐标点与预设锚点中对应位置的坐标点之间的距离来确定轨迹与预设锚点之间的距离。
91.可选地，步骤1021还可以包括：
92.b1，确定每条轨迹中包括的多个采样点，每个采样点对应一个第一轨迹坐标；每个预设锚点包括预设数量的第二轨迹坐标。
93.其中，预设锚点是已知轨迹类型的轨迹，与轨迹一样包括多个采样点，可以通过在设定时长内对目标物的行驶路径进行采样，获得预设锚点对应的多个第二轨迹坐标。
94.b2，针对每条轨迹，确定轨迹中包括的采样点的数量是否等于预设数量。
95.由于轨迹与锚点之间的距离是通过轨迹中包括的第一轨迹坐标和锚点中包括的第二轨迹坐标来确定的，需要第一轨迹坐标和第二轨迹坐标的数量相同才能计算出轨迹与预设锚点之间的距离，因此，在计算距离之前，需要确定轨迹中包括的采样点的数量是否为预设数量。
96.b3，响应于采样点的数量等于预设数量，基于所有第一轨迹坐标与预设锚点对应的所有第二轨迹坐标，确定轨迹与预设锚点之间的距离。
97.当轨迹中包括的第一轨迹坐标的数量等于预设数量，可直接通过预设数量的第一轨迹坐标和第二轨迹坐标，确定轨迹与预设锚点的距离，例如，基于以下公式(1)确定该距离。
98.b4，响应于采样点的数量大于预设数量，将轨迹分割为至少一条包括预设数量的第一轨迹坐标的分割轨迹，以预设锚点与至少一条分割轨迹中每条分割轨迹之间的距离，确定轨迹与预设锚点之间的距离。
99.可选地，当采样点的数量大于预设数量时，通过将一条轨迹分解为至少一个与包括预设数量的第一轨迹坐标的分割轨迹，并分别确定每条分割轨迹与预设锚点之间的距离，以每条分割轨迹与预设锚点确定的至少一个距离的均值，作为该轨迹与预设锚点之间的距离。
100.本实施例中，还可以包括：采样点的数量小于预设数量，此时，不对该轨迹进行分类，从多个轨迹中删除该轨迹，即，不将该轨迹作为训练轨迹预测网络模型的样本轨迹。
101.确定包括预设数量的第一轨迹坐标的轨迹(或分割轨迹)与预设锚点之间的距离时，可先基于采样顺序确定每个第一轨迹坐标对应的一个第二轨迹坐标，得到轨迹坐标对，分别计算每对轨迹坐标对之间的坐标距离，进而确定该轨迹(或分割轨迹)与预设锚点之间的距离；可选地，可基于以下公式(1)确定轨迹与预设锚点之间的距离lm：
[0102][0103]
其中，m为轨迹类型的总数目，m为轨迹类型的取值，取值范围为1到m；t为预设数量，t为轨迹坐标的取值，取值范围为1到t；x
t
表示多个轨迹中的第t个第一轨迹坐标；表示第m个轨迹类型对应的锚点中的第t个第二轨迹坐标。即以所有坐标距离中的最小值作为该轨迹(或分割轨迹)与预设锚点之间的距离。
[0104]
步骤1022，基于距离确定每条轨迹对应的预设轨迹类型，得到第一分类结果。
[0105]
可选地，当确定了轨迹与每个预设锚点之间的距离之后，可根据距离排序，确定与该轨迹之间距离最小的预设锚点，可将该距离最小的预设锚点对应的预设轨迹类型作为该轨迹对应的预设轨迹类型；为多条轨迹中的每条轨迹确定对应的预设轨迹类型即为第一分类结果。
[0106]
本实施例通过基于轨迹与预设锚点之间的距离来确定轨迹对应的预设轨迹类型，提高了数据挖掘过程的自动化程度，减少了人工标注，降低了人力成本。
[0107]
如图6所示，在上述图1所示实施例的基础上，步骤103可包括如下步骤：
[0108]
步骤1031，基于第一分类结果将多条轨迹进行分类，得到多个分别对应预设轨迹类型的分类集合。
[0109]
在确定多条轨迹中每条轨迹的预设轨迹类型之后，将同一预设轨迹类型对应的所有轨迹聚合为一个分类集合，得到多个分类集合，每个分类集合对应一个预设轨迹类型。
[0110]
步骤1032，按照预设比例，从多个分类集合中抽取轨迹，得到具有预设轨迹类型的样本轨迹集合。
[0111]
本实施例中，为了提升轨迹预测网络模型对所有预设轨迹类型的预测效果，希望在样本轨迹集合中每个预设轨迹类型对应的轨迹数量较为接近，本实施例通过预设比例(例如，为每个预设轨迹类型设置相同的比例等)对多个分类集合进行数据抽取，对轨迹数
量较多的分类集合进行下采样，对轨迹数量较少的分类集合进行上采样，使获得的样本轨迹集合中各种预设轨迹类型对应的轨迹数量接近。
[0112]
本实施例通过轨迹抽取，克服了由于某些预设轨迹类型的轨迹较少导致的不能对该预设轨迹类型进行准确预测的问题，以该样本轨迹集合对轨迹预测网络模型进行训练，提升了训练后的轨迹预测网络模型对每个预设轨迹类型的轨迹的预测效果。
[0113]
图7是本公开又一示例性实施例提供的轨迹预测网络模型的训练方法的流程示意图。如图7所示，首先，本实施例中的轨迹为设定时长内对目标物(例如，车辆、行人等)行驶的路径进行采样(可以根据实际应用场景设置采样间隔，对于速度越快的目标物采样间隔越小)得到的坐标点集合，即，每条轨迹包括多个坐标点；本实施例中的锚点为已知轨迹类型的轨迹，包括：
[0114]
步骤701，针对轨迹类型获取对应的多个锚点集；例如，轨迹类型包括但不限于：低速直行，中速直行，高速直行，缓弯左转，急弯左转，缓弯右转，急弯右转，左换道，左换道完汇入车道，右换道，右换道完汇入车道等；在具体确定锚点集时，根据具体应用场景确定，例如，当需要训练的网络模型对应的场景中对应上述任意两种以上的轨迹类别时，基于对应的轨迹类别获得对应的锚点集，每个锚点集中包括设定数量(例如，10条轨迹等)的锚点，每个锚点为已知轨迹类型的参考轨迹；其中，每个锚点的获取可通过聚类或人工标注等方式获取。
[0115]
步骤702，基于上述锚点集对数据库中存储的未分类的多条轨迹进行分类，确定数据库中每条轨迹对应的轨迹类型，得到多个轨迹集合；可选地，可通过计算数据库中每条轨迹分别与每个锚点集中的每个锚点计算距离，对每条轨迹可得到多个距离，以与该轨迹距离最近的锚点对应的轨迹类型作为该轨迹的轨迹类型；还可以先通过确定数据库中所有轨迹之间的距离进行聚类，将聚类后的轨迹集再与每个锚点进行计算距离，以距离最近的锚点对应的轨迹类型作为对应轨迹集中每条轨迹的轨迹类型；本实施例中的距离可通过轨迹中每个坐标点之间的距离之和确定。
[0116]
步骤703，根据轨迹预测网络模型的训练需求(例如，需要对上述多种轨迹类型中的部分轨迹类型进行分类)对数据库中的多条轨迹进行数据抽取，得到样本轨迹集；一个可选示例中，对需要进行分类的轨迹类型对应的轨迹集合进行采样，以采集得到的多个轨迹构成样本轨迹集；例如，对轨迹数量较多的轨迹集合进行降采样，对轨迹数量较少的轨迹集合进行重采样，以采样得到的轨迹集作为样本轨迹集，并基于该样本轨迹集对轨迹预测网络模型进行训练。
[0117]
步骤704，根据训练后的轨迹预测网络模型对样本轨迹集中的多条轨迹进行轨迹类型预测，将预测结果与步骤702中确定的轨迹类型不符合的轨迹加入锚点集，对该轨迹预测网络模型进行二次训练，以提升轨迹预测网络对上述轨迹对应的轨迹类型的预测效果。
[0118]
本实施例，利用轨迹和预设锚点间的距离对轨迹进行分类，实现了对轨迹的自动分类，相比于人工校验，本实施例提高了数据挖掘过程的自动化程度，减少了人工标注分类结果的成本；通过基于第一分类结果对多条轨迹进行数据抽取，平衡了不同轨迹类别的轨迹在对轨迹预测网络模型的训练中的比例，提升了轨迹预测网络模型对不同轨迹的预测性能；并通过二次训练，有针对性的提升轨迹预测网络模型对某些预设轨迹类型的预测效果。
[0119]
本公开实施例提供的任一种轨迹预测网络模型的训练方法可以由任意适当的具
有数据处理能力的设备执行，包括但不限于：终端设备和服务器等。或者，本公开实施例提供的任一种轨迹预测网络模型的训练方法可以由处理器执行，如处理器通过调用存储器存储的相应指令来执行本公开实施例提及的任一种轨迹预测网络模型的训练方法。下文不再赘述。
[0120]
示例性装置
[0121]
图8是本公开一示例性实施例提供的轨迹预测网络模型的训练装置的结构示意图。如图8所示，本实施例提供的装置包括：
[0122]
锚点确定模块81，用于确定多条轨迹对应的多个预设锚点集。
[0123]
数据分类模块82，用于基于锚点确定模块81确定的多个预设锚点集，确定多条轨迹对应的第一分类结果。
[0124]
数据抽取模块83，用于基于数据分类模块82确定的第一分类结果对多条轨迹进行数据抽取，得到具有预设轨迹类型的样本轨迹集合。
[0125]
模型训练模块84，用于基于数据抽取模块83确定的样本轨迹集合对轨迹预测网络模型进行训练。
[0126]
本公开上述实施例提供的一种轨迹预测网络模型的训练装置，通过预设锚点集对多条轨迹进行分类，实现了对轨迹的自动分类，相比于人工校验，本实施例提高了数据挖掘过程的自动化程度，减少了人工标注分类结果的成本；通过基于第一分类结果对多条轨迹进行数据抽取，平衡了不同轨迹类别的轨迹在对轨迹预测网络模型的训练中的比例，提升了轨迹预测网络模型对不同轨迹的预测性能。
[0127]
图9是本公开另一示例性实施例提供的轨迹预测网络模型的训练装置的结构示意图。如图9所示，本实施例提供的装置，还可以包括：
[0128]
模型测试模块95，用于基于训练后的轨迹预测网络模型对多条轨迹进行轨迹类型预测，得到轨迹预测结果。
[0129]
二次训练模块96，用于基于轨迹预测结果，确定是否对训练后的轨迹预测网络模型进行二次训练。
[0130]
可选地，二次训练模块96，具体用于确定是否存在至少一条轨迹对应的轨迹预测结果与第一分类结果不匹配；响应于存在至少一条轨迹对应的轨迹预测结果与第一分类结果不匹配，将至少一条轨迹作为预设锚点加入多个预设锚点集，对训练后的轨迹预测网络模型进行二次训练；响应于不存在至少一条轨迹对应的轨迹预测结果与第一分类结果不匹配，不对训练后的轨迹预测网络模型进行二次训练。
[0131]
可选地，二次训练模块96，还可以包括：
[0132]
轨迹更新单元961，用于基于第一分类结果，通过至少一条轨迹对预设锚点集和多条轨迹进行更新，得到更新后的预设锚点集和更新后的多条轨迹；
[0133]
第二分类单元962，用于基于更新后的预设锚点集，对更新后的多条轨迹进行分类，确定第二分类结果；
[0134]
第二抽取单元963，用于基于第二分类结果对多条轨迹进行数据抽取，得到更新后的样本轨迹集合；
[0135]
模型二次训练单元964，用于基于更新后的样本轨迹集合，对训练后的轨迹预测网络模型进行二次训练。
[0136]
可选地，轨迹更新单元961，具体用于基于至少一条轨迹中每条轨迹的第一分类结果，确定每条轨迹对应的预设轨迹类型；基于预设轨迹类型，将至少一条轨迹作为预设锚点加入到对应的预设锚点集中，或为至少一条轨迹建立新的预设锚点集，得到更新后的预设锚点集；从多条轨迹中删除至少一条轨迹，得到更新后的多条轨迹。
[0137]
在一些可选的实施例中，数据分类模块82，包括：
[0138]
距离确定单元821，用于确定多条轨迹中每条轨迹与每个预设锚点集中每个预设锚点之间的距离；
[0139]
第一分类单元822，用于基于距离确定每条轨迹对应的预设轨迹类型，得到第一分类结果。
[0140]
可选地，距离确定单元821，具体用于确定每条轨迹中包括的多个采样点，每个采样点对应一个第一轨迹坐标；每个预设锚点包括预设数量的第二轨迹坐标；针对每条轨迹，确定轨迹中包括的采样点的数量是否等于预设数量；响应于采样点的数量等于预设数量，基于所有第一轨迹坐标与预设锚点对应的所有第二轨迹坐标，确定轨迹与预设锚点之间的距离；响应于采样点的数量大于预设数量，将轨迹分割为至少一条包括预设数量的第一轨迹坐标的分割轨迹，以预设锚点与至少一条分割轨迹中每条分割轨迹之间的距离，确定轨迹与预设锚点之间的距离。
[0141]
在一些可选的实施例中，数据抽取模块83，包括：
[0142]
分类集合单元831，用于基于第一分类结果将多条轨迹进行分类，得到多个分别对应预设轨迹类型的分类集合；
[0143]
样本轨迹集合单元832，用于按照预设比例，从多个分类集合中抽取轨迹，得到具有预设轨迹类型的样本轨迹集合。
[0144]
示例性电子设备
[0145]
下面，参考图10来描述根据本公开实施例的电子设备。该电子设备可以是第一设备100和第二设备200中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。
[0146]
图10图示了根据本公开实施例的电子设备的框图。
[0147]
如图10所示，电子设备10包括一个或多个处理器11和存储器12。
[0148]
处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0149]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本公开的各个实施例的轨迹预测网络模型的训练方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
[0150]
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0151]
例如，在该电子设备是第一设备100或第二设备200时，该输入装置13可以是上述
的麦克风或麦克风阵列，用于捕捉声源的输入信号。在该电子设备是单机设备时，该输入装置13可以是通信网络连接器，用于从第一设备100和第二设备200接收所采集的输入信号。
[0152]
此外，该输入装置13还可以包括例如键盘、鼠标等等。
[0153]
该输出装置14可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0154]
当然，为了简化，图10中仅示出了该电子设备10中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
[0155]
示例性计算机程序产品和计算机可读存储介质
[0156]
除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的轨迹预测网络模型的训练方法中的步骤。
[0157]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0158]
此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的轨迹预测网络模型的训练方法中的步骤。
[0159]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0160]
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
[0161]
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0162]
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到
的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0163]
可能以许多方式来实现本公开的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
[0164]
还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
[0165]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0166]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。