运动意图估计方法、装置、计算机设备、存储介质与流程

1.本技术涉及自动驾驶技术领域，特别是涉及一种运动意图估计方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.自动驾驶汽车又称无人驾驶汽车，是一种依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。
3.对路面障碍物的运动意图做出合理的评估是自动驾驶车辆做出安全且高效决策的重要前提。传统技术中，自动驾驶领域对于障碍物的运动预测，大多是根据障碍物过去几秒的运动数据以及车道的相关信息给出未来几秒的运动状态预测，但是相同的运动状态在不同场景下可能对应不同的运动意图，因此，在相应运动状态下障碍物的运动意图并不明确。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够准确确定路面障碍物运动意图的运动意图估计方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
5.第一方面，本技术提供了一种运动意图估计方法。所述方法包括：
6.获取当前帧中自动驾驶车辆行驶道路的路面信息和障碍物空间信息；
7.根据所述路面信息和所述障碍物空间信息对障碍物进行划分，得到一级分组；
8.针对每个所述一级分组，根据所述障碍物之间的空间影响程度进行划分，得到二级分组；
9.根据预设运动意图类别，确定所述二级分组对应的运动意图概率分布；
10.根据所述二级分组对应的运动意图概率分布和所述二级分组在历史帧中对应的运动意图概率分布，确定所述二级分组的目标意图概率分布；
11.根据所述目标意图概率分布，确定所述二级分组的目标运动意图。
12.在其中一个实施例中，所述针对每个所述一级分组，根据所述障碍物之间的空间影响程度进行划分，得到二级分组，包括：
13.针对每个所述一级分组，依次从所述障碍物中选中一个障碍物作为第一障碍物，计算第一障碍物与第二障碍物之间的空间影响程度；所述第二障碍物为所述一级分组中所有障碍物中除第一障碍物之外的障碍物；
14.选取与所述第一障碍物之间的空间影响程度最大所对应的第二障碍物作为目标障碍物；
15.将所述目标障碍物与所述第一障碍物归为同一所述二级分组。
16.在其中一个实施例中，所述依次从所述障碍物中选中一个障碍物作为第一障碍物，计算第一障碍物与第二障碍物之间的空间影响程度，包括：
17.以所述自动驾驶车辆为原点，以道路行驶方向为s正方向建立弗莱纳坐标系；
18.根据所述障碍物的s坐标由小到大的顺序依次选取第一障碍物，计算所述第一障碍物与所述第二障碍物之间的空间影响程度。
19.在其中一个实施例中，所述计算第一障碍物与第二障碍物之间的空间影响程度，包括：
20.计算所述第一障碍物和所述第二障碍物之间的重叠区域面积；
21.所述选取与所述第一障碍物之间的空间影响程度最大所对应的第二障碍物作为目标障碍物，包括：
22.选取与所述第一障碍物的重叠区域面积最大的第二障碍物，作为所述目标障碍物。
23.在其中一个实施例中，所述根据所述二级分组对应的运动意图概率分布和所述二级分组在历史帧中对应的运动意图概率分布，确定所述二级分组的目标意图概率分布，包括：
24.将所述二级分组对应的运动意图概率分布和所述二级分组在历史帧中对应的运动意图概率分布进行融合，得到所述二级分组的目标意图概率分布。
25.在其中一个实施例中，所述将所述二级分组对应的运动意图概率分布和所述二级分组在历史帧中对应的运动意图概率分布进行融合，得到所述二级分组的目标意图概率分布，包括：
26.根据所述二级分组对应的运动意图概率分布、所述二级分组在历史帧中对应的运动意图概率分布、所述二级分组对应的车流属性、道路信息以及周边车流属性进行融合，得到所述二级分组的目标意图概率分布。
27.第二方面，本技术还提供了一种运动意图估计装置。所述装置包括：
28.信息获取模块，用于获取当前帧中自动驾驶车辆行驶道路的路面信息和障碍物空间信息；
29.第一划分模块，用于根据所述路面信息和所述障碍物空间信息对障碍物进行划分，得到一级分组；
30.第二划分模块，用于针对每个所述一级分组，根据所述障碍物之间的空间影响程度进行划分，得到二级分组；
31.第一概率确定模块，用于根据预设运动意图类别，确定所述二级分组对应的运动意图概率分布；
32.第二概率确定模块，用于根据所述二级分组对应的运动意图概率分布和所述二级分组在历史帧中对应的运动意图概率分布，确定所述二级分组的目标意图概率分布；
33.运动意图确定模块，用于根据所述目标意图概率分布，确定所述二级分组的目标运动意图。
34.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
35.获取当前帧中自动驾驶车辆行驶道路的路面信息和障碍物空间信息；
36.根据所述路面信息和所述障碍物空间信息对障碍物进行划分，得到一级分组；
37.针对每个所述一级分组，根据所述障碍物之间的空间影响程度进行划分，得到二
级分组；
38.根据预设运动意图类别，确定所述二级分组对应的运动意图概率分布；
39.根据所述二级分组对应的运动意图概率分布和所述二级分组在历史帧中对应的运动意图概率分布，确定所述二级分组的目标意图概率分布；
40.根据所述目标意图概率分布，确定所述二级分组的目标运动意图。
41.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
42.获取当前帧中自动驾驶车辆行驶道路的路面信息和障碍物空间信息；
43.根据所述路面信息和所述障碍物空间信息对障碍物进行划分，得到一级分组；
44.针对每个所述一级分组，根据所述障碍物之间的空间影响程度进行划分，得到二级分组；
45.根据预设运动意图类别，确定所述二级分组对应的运动意图概率分布；
46.根据所述二级分组对应的运动意图概率分布和所述二级分组在历史帧中对应的运动意图概率分布，确定所述二级分组的目标意图概率分布；
47.根据所述目标意图概率分布，确定所述二级分组的目标运动意图。
48.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
49.获取当前帧中自动驾驶车辆行驶道路的路面信息和障碍物空间信息；
50.根据所述路面信息和所述障碍物空间信息对障碍物进行划分，得到一级分组；
51.针对每个所述一级分组，根据所述障碍物之间的空间影响程度进行划分，得到二级分组；
52.根据预设运动意图类别，确定所述二级分组对应的运动意图概率分布；
53.根据所述二级分组对应的运动意图概率分布和所述二级分组在历史帧中对应的运动意图概率分布，确定所述二级分组的目标意图概率分布；
54.根据所述目标意图概率分布，确定所述二级分组的目标运动意图。
55.上述运动意图估计方法、装置、计算机设备、存储介质和计算机程序产品，通过获取当前帧中自动驾驶车辆行驶道路的路面信息和障碍物空间信息，根据所述路面信息和所述障碍物空间信息对障碍物进行划分，得到一级分组；针对每个所述一级分组，根据所述障碍物之间的空间影响程度进行划分，得到二级分组；根据预设运动意图类别，确定所述二级分组对应的运动意图概率分布；根据所述二级分组对应的运动意图概率分布和所述二级分组在历史帧中对应的运动意图概率分布，确定所述二级分组的目标意图概率分布；根据所述目标意图概率分布，确定所述二级分组的目标运动意图。本技术根据路面信息和障碍物空间信息对障碍物进行两次分组，可以将具有相同运动意图的障碍物划分为同一分组，并根据当前帧和历史帧中的同一二级分组对应的运动意图概率分布，确定二级分组的目标运动意图概率分布，进一步确定二级分组的最终运动意图，实现对二级分组的车流的运动意图的准确估计，从而可指导自动驾驶车辆准确做出是跟随还是变道绕障的运动决策。
附图说明
56.图1为一个实施例中运动意图估计方法的应用环境图；
57.图2为一个实施例中运动意图估计方法的流程示意图；
58.图3为一个实施例中一级分组的可视化示意图；
59.图4为一个实施例中步骤206的流程示意图；
60.图5为一个实施例中二级分组的可视化示意图；
61.图6为一个实施例中步骤402的流程示意图；
62.图7为一个实施例中得到目标意图概率分布的融合流程示意图；
63.图8为另一个实施例中运动意图估计方法的流程示意图；
64.图9为一个实施例中运动意图估计装置的结构框图；
65.图10为一个实施例中计算机设备的内部结构图。
具体实施方式
66.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
67.自动驾驶领域对于障碍物的运动预测，大多是根据障碍物过去几秒的运动数据以及车道的相关信息给出未来几秒的运动状态预测，但是相同的运动状态在不同的场景中可能存在不同的运动意图，没有给出相应运动意图的预测。例如，前方靠右缓缓停下的车辆，可能是靠边停车，可能是跟随车流下匝道堵车，也有可能是因为红绿灯右转停车等。
68.由于路面交通标志的存在，路面上正常移动的障碍物会在车道上形成车流的状态，即后车跟随前车移动，由于物理空间的限制，车流的运动具有前方向后方的传导性，例如红绿灯前，前方车辆减速停下等红灯会导致后方车流的减速停下等。因此，对于车流整体进行运动意图的评估比起单一的障碍物更加的合理与高效。
69.针对传统技术存在的不能准确预测路面障碍物运动意图的技术问题，根据对车道上车流运动现象的思考，本技术提供了一种可以准确对障碍物运动意图进行估计的运动意图估计方法。
70.本技术实施例提供的运动意图估计方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104获取终端102发送的当前帧中自动驾驶车辆行驶道路的路面信息和障碍物空间信息；根据路面信息和障碍物空间信息对障碍物进行划分，得到一级分组；针对每个一级分组，根据障碍物之间的空间影响程度进行划分，得到二级分组；根据预设运动意图类别，确定二级分组对应的运动意图概率分布；根据二级分组对应的运动意图概率分布和二级分组在历史帧中对应的运动意图概率分布，确定二级分组的目标意图概率分布；根据目标意图概率分布，确定二级分组的目标运动意图。
71.其中，终端102可以是自动驾驶终端，在一个实施例中，终端102可以是无人驾驶车辆，或者是具有自动驾驶能力的有人驾驶车辆。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
72.在此需要说明的是，本技术实施例还可以单独应用于终端，也可以单独应用于服务器，在此不作具体限定。
73.在一个实施例中，如图2所示，提供了一种运动意图估计方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤202至步骤212。
74.步骤202，获取当前帧中自动驾驶车辆行驶道路的路面信息和障碍物空间信息。
75.服务器获取当前帧图像中自动驾驶车辆所行驶道路对应的路面信息和障碍物空间信息。其中，障碍物可以是自动驾驶车辆周围一定范围内能够运动的物体，在本实施例中，例如障碍车辆、障碍行人等。障碍物空间信息可以是各个障碍物的当前位置信息，可以是某一固定坐标系下的坐标信息，也可以是经纬信息等，也可以是与自动驾驶车辆相同衡量标准的位置信息。路面信息是指路面上具有运动标识作用的信息，在本实施例中，例如车道线信息、红绿灯位置信息、人行道信息等。通常情况下，可以是获取当前帧图像中自动驾驶车辆行驶道路的路面信息以及自动驾驶车辆在行驶方向上前方一定范围内的障碍物空间信息。
76.可选地，可以通过车载高精地图获取当前帧图像中自动驾驶车辆行驶道路的路面信息，其中，车载高精地图可以是自动驾驶车辆的车载系统中装载的高精地图，车载高精地图可以包括高精度的绝对坐标，更细致丰富的道路交通信息等。另外，可以通过自动驾驶车辆上安装的传感器，例如摄像头和雷达等，识别周边的障碍物空间信息，通过传感器可以准确定位到自动驾驶车辆周边障碍物的位置信息以及障碍物运动信息等。
77.可选地，可以通过道路上安装的高清摄像头，实时获取自动驾驶车辆行驶道路对应的路面信息及其周边的障碍物空间信息。例如，高清摄像头可以从监控视频或者拍摄的监控图像中，根据自动驾驶车辆特征提取自动驾驶车辆，然后识别出自动驾驶车辆周边的障碍物空间信息。
78.步骤204，根据路面信息和障碍物空间信息对障碍物进行划分，得到一级分组。
79.服务器根据路面信息和障碍物空间信息对障碍物进行划分，得到一级分组。可选地，根据障碍物空间信息以及对应的路面信息，将障碍物空间信息和路面信息相同的障碍物划分为同一个一级分组。也就是对具有潜在共同行驶意图的障碍物划分为同一个一级分组。
80.例如，根据路面信息是直行车道、下匝道车道、红灯状态下的红绿灯前与红绿灯后、人行道前后等，将与路面信息对应位置的障碍物划分为相应的一级分组，即，在直行车道上的障碍物为一个一级分组，在一侧下匝道车道上的障碍物为一个一级分组，人行道前方的障碍物为一个一级分组，人行道后方的障碍物为一个一级分组，红绿灯前的障碍物为一个一级分组等，具体如图3所示的一级分组示意图，图中方框代表障碍物，椭圆圈内的障碍物表示归属于同一一级分组。
81.步骤206，针对每个一级分组，根据障碍物之间的空间影响程度进行划分，得到二级分组。
82.针对每个一级分组，服务器可以根据两两障碍物之间的空间影响程度继续对障碍物进行划分，得到二级分组，这样可以得到运动意图更加一致的车流分组。其中，障碍物之间的空间影响程度，可以理解为是障碍物在空间上的相互占据程度或者阻挡程度。例如，前车对后车的阻挡程度等。每个一级分组至少包括一个二级分组。
83.可以理解地，本实施例中的同一车流中，前一障碍物相比于其他障碍物对后车的运动范围影响最大，两个连续的障碍物之间的距离不大于预设距离范围，而且在同一车道
中，不存在重叠的两个障碍物，即同一车道上的同一位置只能允许一个障碍物停留。
84.步骤208，根据预设运动意图类别，确定二级分组对应的运动意图概率分布。
85.服务器根据预设运动意图类别，可以确定二级分组在当前帧中的运动意图概率分布。根据每个二级分组对应的车流的属性及周边车流的特征，可以使用数据统计结合机器学习的方法，确定二级分组对应的运动意图概率分布。预设运动意图类别表征二级分组所有可能的运动意图，可以是根据经验进行收集得到的运动意图列表，例如，运动意图列表包括直道前行、下匝道、车流并入加塞、红绿灯前等红灯、人行道前等行人、靠边停车、堵车场景缓行等。在此需要说明的是，针对预设运动意图列表中的内容，可以根据实际应用场景的不同而不同，也可以根据需要进行自主设置和定义，在此基础上进行增加、修改或删除，均属于本技术实施例保护的内容。
86.可选地，可以通过手动记录的方式，根据二级分组的自身车流属性，以及二级分组周边的车流特征，得到二级分组在当前帧中对应预设运动意图类别的概率分布情况。
87.其中，每个二级分组对应一个运动意图概率分布，不同的二级分组对应的运动意图概率分布一般不同。
88.步骤210，根据二级分组对应的运动意图概率分布和二级分组在历史帧中对应的运动意图概率分布，确定二级分组的目标意图概率分布。
89.本实施例中，服务器可以根据当前帧中二级分组对应的运动意图概率分布，以及历史帧中该二级分组对应的运动意图概率分布，确定二级分组的目标意图概率分布。即通过当前帧中对二级分组的运动意图估计结果以及历史帧中对二级分组的运动意图估计结果，综合确定二级分组最终的运动意图估计结果，可以使得目标意图概率分布融合了当前帧和历史帧中的估计信息，估计结果会更加准确。
90.可选地，可以使用贝叶斯网络通过将二级分组对应的运动意图概率分布和二级分组在历史帧中对应的运动意图概率分布进行融合，例如，加权融合，从而得到二级分组的目标意图概率分布。
91.步骤212，根据目标意图概率分布，确定二级分组的目标运动意图。
92.本实施例中，根据目标意图概率分布，基于预设条件，确定二级分组的目标运动意图。
93.可选地，可以将目标意图概率分布中最大概率所对应的运动意图，作为二级分组的目标运动意图。
94.上述运动意图估计方法，通过获取当前帧中自动驾驶车辆行驶道路的路面信息和障碍物空间信息，根据路面信息和障碍物空间信息对障碍物进行划分，得到一级分组；针对每个一级分组，根据障碍物之间的空间影响程度进行划分，得到二级分组；根据预设运动意图类别，确定二级分组对应的运动意图概率分布；根据二级分组对应的运动意图概率分布和二级分组在历史帧中对应的运动意图概率分布，确定二级分组的目标意图概率分布；根据目标意图概率分布，确定二级分组的目标运动意图。本实施例根据路面信息和障碍物空间信息对障碍物进行两次分组，可以将具有相同运动意图的障碍物划分为同一分组，并根据当前帧和历史帧中的同一二级分组对应的运动意图概率分布，确定二级分组的目标意图概率分布，实现对二级分组的车流的运动意图的准确估计，从而可指导自动驾驶车辆准确做出是跟随还是变道绕障的运动决策。
95.在一个实施例中，如图4所示，针对每个一级分组，根据障碍物之间的空间影响程度进行划分，得到二级分组的步骤206，包括以下步骤402至步骤406。
96.步骤402，针对每个一级分组，依次从障碍物中选中一个障碍物作为第一障碍物，计算第一障碍物与第二障碍物之间的空间影响程度；其中，第二障碍物为一级分组中所有障碍物中除第一障碍物之外的障碍物。
97.在每个一级分组中，依次从一级分组中的障碍物选择其中一个障碍物作为第一障碍物，并计算第一障碍物与第二障碍物之间的空间影响程度，第二障碍物为一级分组中除第一障碍物之外的其他障碍物。例如，一级分组中共有a、b、c、d四个障碍物，当选择障碍物a作为第一障碍物时，则计算障碍物a与障碍物b之间的空间影响程度，障碍物a与障碍物c之间的空间影响程度，障碍物a与障碍物d之间的空间影响程度；以此类推，当选择障碍物b作为第一障碍物时，则计算障碍物b与障碍物a、障碍物c、障碍物d之间的空间影响程度。
98.本实施例中，针对每个一级分组，依次从障碍物中选择一个障碍物作为第一障碍物，计算第一障碍物与第二障碍物之间的空间影响程度。其中，可以按照预设顺序从一级分组的障碍物中依次选择一个障碍物作为第一障碍物，也可以不按照顺序随机选取一个障碍物作为第一障碍物，直至将一级分组中的所有障碍物选完为止。
99.步骤404，选取与第一障碍物之间的空间影响程度最大所对应的第二障碍物作为目标障碍物。
100.针对每个第一障碍物，选取第一障碍物与第二障碍物之间的空间影响程度最大的空间影响程度对应的第二障碍物，作为目标障碍物。也就是说，每个第一障碍物，都会有一个对应的一级分组中的第二障碍物作为目标障碍物。
101.步骤406，将目标障碍物与第一障碍物归为同一二级分组。
102.本实施例中，选取与第一障碍物之间的空间影响程度最大所对应的第二障碍物作为目标障碍物，将目标障碍物与第一障碍物归为同一二级分组，最终可得到多个不同的二级分组。可选地，当一级分组中所有障碍物均被归属到对应的二级分组中时，二级分组工作停止。在一个示例中，二级分组示意图如图5所示，其中，一个椭圆圈中的障碍物为一个二级分组。
103.上述运动意图估计方法，通过选取同一一级分组中与第一障碍物之间的空间影响程度最大所对应的第二障碍物作为目标障碍物，并将目标障碍物与该第一障碍物归为同一二级分组，可较大程度地将运动意图相同的障碍物划分为同一二级分组，从而提高对应二级分组的运动意图概率分布估计的准确性。
104.在一些实施例中，如图6所示，依次从障碍物中选中一个障碍物作为第一障碍物，计算第一障碍物与第二障碍物之间的空间影响程度的步骤402，包括以下步骤602至步骤604。
105.步骤602，以自动驾驶车辆为原点，以道路行驶方向为s正方向建立弗莱纳坐标系。
106.弗莱纳坐标系相较于笛卡尔坐标系可以简化运动轨迹预测的问题，在弗莱纳坐标系中，以道路的中心线为参考线，本实施例中以自动驾驶车辆为原点，坐标轴的s方向沿着道路的中心线方向，称为纵向，坐标轴的l方向为道路的中心线上过原点的法向，称为横向，s方向和l方向相互垂直，即，弗莱纳坐标系使用道路的中心线的切线向量和法线向量建立坐标系，见图5所示。
107.步骤604，根据障碍物的s坐标由小到大的顺序依次选取第一障碍物，计算第一障碍物与第二障碍物之间的空间影响程度。
108.可以根据障碍物的s坐标从小到大的顺序依次选取第一障碍物，即，从一级分组中s坐标较小的障碍物开始，依次作为第一障碍物，然后计算一级分组中第一障碍物与第二障碍物之间的空间影响程度。
109.本实施例中，通过建立弗莱纳坐标系，根据障碍物的s坐标从小到大的顺序依次选取第一障碍物，计算第一障碍物与第二障碍物之间的空间影响程度，可以更加方便快速地定位到第一障碍物，减少计算量，提高运算速度。
110.在一个实施例中，步骤402中计算第一障碍物与第二障碍物之间的空间影响程度，包括：计算第一障碍物和第二障碍物之间的重叠区域面积。
111.选取与第一障碍物之间的空间影响程度最大所对应的第二障碍物作为目标障碍物的步骤404，包括：选取与第一障碍物的重叠区域面积最大的第二障碍物，作为目标障碍物。
112.本实施例中，将第一障碍物和第二障碍物之间的空间影响程度使用第一障碍物和第二障碍物之间的重叠区域面积进行表征。可选地，障碍物可以使用对应比例的框图或者对应大小的点来表征，可以计算第一障碍物和第二障碍物之间的重叠区域面积，或者，通过在障碍物前后分别设定第一保护区域和第二保护区域，将第一障碍物前的第一保护区域、第一障碍物及第一障碍物后的第二保护区域的总和作为第一区域，将第二障碍物前的第一保护区域、第二障碍物及第二障碍物后的第二保护区域的总和作为第二区域，那么，还可以计算第一区域和第二区域之间的重叠区域面积，从而选取与第一障碍物的重叠区域面积最大的第二障碍物，作为目标障碍物。
113.示例性地，在弗莱纳坐标系中的s方向上，针对前后障碍物，可以计算前一障碍物的后部与后一障碍物的前部的重叠区域面积。针对第一障碍物，可以计算第一障碍物的前部与前方的各个第二障碍物的后部的重叠区域面积，选取与第一障碍物的重叠区域面积最大的第二障碍物，作为目标障碍物。
114.在一个实施例中，根据二级分组对应的运动意图概率分布和二级分组在历史帧中对应的运动意图概率分布，确定二级分组的目标意图概率分布，包括：
115.将二级分组对应的运动意图概率分布和二级分组在历史帧中对应的运动意图概率分布进行融合，得到二级分组的目标意图概率分布。
116.本实施例中，可以将二级分组对应的运动意图概率分布和二级分组在历史帧中对应的运动意图概率分布进行融合，得到二级分组的目标意图概率分布。其中，历史帧的数量可以根据需求进行选择，例如，可以是3帧，4帧或5帧等。历史帧可以是当前帧之前的连续帧，也可以是间隔一定数量选取的帧。
117.可选地，可以将二级分组在当前帧中对应的运动意图概率分布和二级分组在历史帧中对应的运动意图概率分布进行加权融合，得到二级分组的目标意图概率分布。例如，将当前帧对应的运动意图概率分布赋予较大的权重，在历史帧中的运动意图概率分布赋予较小的权重。在得到二级分组的目标意图概率分布后，可以将目标意图概率分布中概率最大对应的运动意图作为该二级分组的最终运动意图估计结果，从而供自动驾驶车辆及时作出是跟随前方的二级分组还是进行变道的决策。
118.在一个实施例中，将二级分组对应的运动意图概率分布和二级分组在历史帧中对应的运动意图概率分布进行融合，得到二级分组的目标意图概率分布，包括：
119.根据二级分组对应的运动意图概率分布、二级分组在历史帧中对应的运动意图概率分布、二级分组对应的车流属性、道路信息以及周边车流属性进行融合，得到二级分组的目标意图概率分布。
120.本实施例中，可以根据二级分组对应的运动意图概率分布、二级分组在历史帧中对应的运动意图概率分布、二级分组对应的车流属性、道路信息以及周边车流属性进行融合，得到二级分组的目标意图概率分布。其中，二级分组对应的车流属性、道路信息以及周边车流属性包括在当前帧中二级分组对应的车流属性、道路信息以及周边车流属性和历史帧中二级分组对应的车流属性、道路信息以及周边车流属性。二级分组对应的车流属性，例如可以是二级分组所在位置、运动速度等；道路信息，例如可以是前方有没有红绿灯、有没有人行道，是不是下匝道等；周边车流属性，例如可以是周边车流的整体运动速度，若周边车流都是缓速或者处于静止状态，且不存在绕行的空间，那在通常在堵车场景上可能有一个较大的概率分布。
121.在一个示例中，通过动态贝叶斯网络(dynamic bayesian network)对二级分组在当前帧中的运动意图概率分布、车流属性、道路信息及周边车流属性和二级分组在历史帧中的运动意图概率分布、车流属性、道路信息及周边车流属性进行加权融合，得到二级分组的目标意图概率分布。
122.在一个实施例中，可以将二级分组对应的运动意图概率分布、车流属性、道路信息及周边车流属性进行融合，得到当前帧对应的第一运动意图概率分布，将当前帧对应的第一运动意图概率分布和历史帧对应的第二运动意图概率分布再次进行融合，得到二级分组的目标意图概率分布。融合流程示意图可参见图7所示，其中，y表示运动意图概率分布，f表示车流属性，m表示道路信息及周边车流属性，be代表贝叶斯公式，o代表对应帧的运动意图概率分布，t代表对应的帧数，当前帧为第n帧。
123.上述运动意图估计方法中，通过将当前帧和历史帧对应的运动意图概率分布、车流属性、道路信息及周边车流属性进行融合，通过更加全面的融合信息进行融合得到目标意图概率分布，使得目标意图概率分布更加准确。
124.在一些实施例中，根据目标意图概率分布，确定二级分组的目标运动意图，包括：将目标意图概率分布中最大概率所对应的运动意图，作为二级分组的目标运动意图。
125.示例性地，二级分组对应的目标意图概率分布中，对应预设运动意图类别中的下匝道对应的概率最大，那么，可以将下匝道作为该二级分组对应的目标运动意图。
126.目标意图概率分布中包括预设运动意图类别中各个运动意图对应的概率情况，通常情况下，概率越大，对应的运动意图越有可能发生，因此，将概率最大对应的运动意图作为二级分组的目标运动意图，得到的运动意图估计结果更加准确。
127.在一个实施例中，运动意图估计方法包括以下步骤802至步骤818。
128.步骤802，获取当前帧中自动驾驶车辆行驶道路的路面信息和障碍物空间信息。
129.步骤804，根据路面信息和障碍物空间信息对障碍物进行划分，得到一级分组。
130.步骤806，以自动驾驶车辆为原点，以道路行驶方向为s正方向建立弗莱纳坐标系。
131.步骤808，针对每个一级分组，根据障碍物的s坐标由小到大的顺序依次选取第一
障碍物，计算第一障碍物和第二障碍物之间的重叠区域面积，其中，第二障碍物为一级分组中所有障碍物中除第一障碍物之外的障碍物。
132.步骤810，选取与第一障碍物的重叠区域面积最大的第二障碍物，作为目标障碍物。
133.步骤812，将目标障碍物与第一障碍物归为同一二级分组。
134.步骤814，根据预设运动意图类别，确定二级分组对应的运动意图概率分布。
135.步骤816，通过动态贝叶斯网络对二级分组对应的运动意图概率分布和二级分组在历史帧中对应的运动意图概率分布进行融合，得到二级分组的目标意图概率分布。
136.步骤818，根据目标意图概率分布，确定二级分组的目标运动意图。
137.上述运动意图估计方法，通过路面障碍物信息和障碍物空间信息对障碍物进行第一次分组，根据障碍物之间的相互重叠情况进行第二次分组，较大限度得到具有共同运动意图的二级分组，进而根据当前帧中的二级分组信息和历史帧中的二级分组信息进行运动意图估计，可得到准确的目标意图概率分布，进一步可确定二级分组的目标运动意图，从而可指导自动驾驶车辆准确做出是跟随还是变道绕障的运动决策。
138.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
139.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的运动意图估计方法的运动意图估计装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个运动意图估计装置实施例中的具体限定可以参见上文中对于运动意图估计方法的限定，在此不再赘述。
140.在一个实施例中，如图9所示，提供了一种运动意图估计装置，包括：信息获取模块902、第一划分模块904、第二划分模块906、第一概率确定模块908、第二概率确定模块910和运动意图确定模块912，其中：
141.信息获取模块902，用于获取当前帧中自动驾驶车辆行驶道路的路面信息和障碍物空间信息；
142.第一划分模块904，用于根据所述路面信息和所述障碍物空间信息对障碍物进行划分，得到一级分组；
143.第二划分模块906，用于针对每个所述一级分组，根据所述障碍物之间的空间影响程度进行划分，得到二级分组；
144.第一概率确定模块908，用于根据预设运动意图类别，确定所述二级分组对应的运动意图概率分布；
145.第二概率确定模块910，用于根据所述二级分组对应的运动意图概率分布和所述二级分组在历史帧中对应的运动意图概率分布，确定所述二级分组的目标意图概率分布；
146.运动意图确定模块912，用于根据所述目标意图概率分布，确定所述二级分组的目
标运动意图。
147.在一个实施例中，第二划分模块906，还用于：
148.针对每个所述一级分组，依次从所述障碍物中选中一个障碍物作为第一障碍物，计算第一障碍物与第二障碍物之间的空间影响程度；所述第二障碍物为所述一级分组中所有障碍物中除第一障碍物之外的障碍物；选取与所述第一障碍物之间的空间影响程度最大所对应的第二障碍物作为目标障碍物；将所述目标障碍物与所述第一障碍物归为同一所述二级分组。
149.在一个实施例中，第二划分模块906，还用于：
150.以所述自动驾驶车辆为原点，以道路行驶方向为s正方向建立弗莱纳坐标系；根据所述障碍物的s坐标由小到大的顺序依次选取第一障碍物，计算所述第一障碍物与所述第二障碍物之间的空间影响程度。
151.在一个实施例中，第二划分模块906，还用于：计算所述第一障碍物和所述第二障碍物之间的重叠区域面积；选取与所述第一障碍物的重叠区域面积最大的第二障碍物，作为所述目标障碍物。
152.在一个实施例中，第二概率确定模块910，还用于：
153.将所述二级分组对应的运动意图概率分布和所述二级分组在历史帧中对应的运动意图概率分布进行融合，得到所述二级分组的目标意图概率分布。
154.在一个实施例中，第二概率确定模块910，还用于：
155.根据所述二级分组对应的运动意图概率分布、所述二级分组在历史帧中对应的运动意图概率分布、所述二级分组对应的车流属性、道路信息以及周边车流属性进行融合，得到所述二级分组的目标意图概率分布。
156.在一个实施例中，运动意图确定模块912，还用于：
157.将所述目标意图概率分布中最大概率所对应的运动意图，作为所述二级分组的目标运动意图。
158.上述运动意图估计装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
159.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种运动意图估计方法。
160.本领域技术人员可以理解，图10中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
161.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述实施例中运动意图估计方法的步骤。
162.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中运动意图估计方法的步骤。
163.在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述实施例中运动意图估计方法的步骤。
164.需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
165.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
166.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
167.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。