使用深度学习多预测器融合和贝叶斯优化的轨迹预测的制作方法

1.本公开一般涉及自动驾驶车辆，更具体地，涉及使用深度学习多预测器融合和贝叶斯优化的轨迹预测。


背景技术：

2.自动驾驶车辆(也称为无人驾驶汽车、自动驾驶汽车或机器人汽车)是一种能够感测其环境并且在无需人类输入的情况下导航的车辆。自动驾驶车辆(在下文中被称为adv)使用各种技术来检测其周边环境，诸如使用雷达、激光、gps、测程法以及计算机视觉。高级的控制系统对感测信息进行解读以标识合适的导航路径，以及障碍物和相关路标。
3.为了实现高等级(3
‑
5级)自动驾驶，应精确地建模对象的未来轨迹以用于驾驶策略决策和碰撞避免。用于轨迹预测的大多数常规方法生成针对特定的未来时间戳的点估计。此外，用于轨迹预测的大多数方法都聚焦于单一运动模型。一般而言，当前方法可被分类为以下四种类型：
4.(1)基于物理的运动模型；
5.(2)基于机动/行为的运动模型；
6.(3)交互感知运动模型；以及
7.(4)先验知识运动模型。
8.它们都有各自的优势，但缺乏可靠预测真实对象轨迹的能力，因为自动驾驶环境中的真实对象一般具有混合机动行为。
9.此外，目前用于轨迹预测的方法还有其他缺点。大多数方法仅给出点估计，但其他有用的统计信息(如方差)不可用。此外，基于某个机动模型建立的预测器可能无法处置真实对象在自动驾驶环境中的混合机动行为。
10.因此，期望用于自动驾驶车辆的改进的轨迹预测解决方案。


技术实现要素：

11.本公开旨在提供一种用于轨迹预测的方法、装置和车辆。
12.根据本公开的第一示例性实施例，提供了一种用于训练用于轨迹预测的多预测器融合模型的计算机实现的方法。该方法可包括：收集针对对象的观察数据和与该对象相关的环境信息；对于给定的时刻，利用多个预测器基于历史观察数据给出针对该对象的相应预测；将环境信息与针对给定时刻的相应预测相关联；将针对给定时刻的相应预测和相关联环境信息作为输入以及针对给定时刻的观察数据作为真实值(ground truth)馈入神经网络中；由该神经网络通过将针对给定时刻的相应预测和相关联环境信息作为输入且将针对给定时刻的观察数据作为真实值来确定包括针对该多个预测器中的每一者的相应权重的权重集；以及由该神经网络输出该权重集作为用于轨迹预测的经训练多预测器融合模型。
13.根据本公开的第二示例性实施例，提供了一种用于轨迹预测的计算机实现的方
法。该方法可包括：获取针对对象的观察数据以及与该对象相关的环境信息；利用多个预测器基于历史观察数据给出针对该对象的相应预测；将相应预测和环境信息馈入已经根据第一示例性实施例的方法训练好的用于轨迹预测的多预测器融合模型中；由该多预测器融合模型提供在由该环境信息指示的环境下的针对该对象的预测轨迹。
14.根据本公开的第三示例性实施例，提供了一种计算系统。该计算系统可包括存储设备，该存储设备被配置成存储针对对象的观察数据和与该对象相关的环境信息；以及耦合到该存储设备的处理器，其中该处理器被配置成执行用于训练用于轨迹预测的多预测器融合模型的方法，该方法包括：从该存储设备检索观察数据和环境信息；对于给定的时刻，利用多个预测器基于历史观察数据给出针对该对象的相应预测；将环境信息与针对给定时刻的相应预测相关联；将针对给定时刻的相应预测和相关联环境信息作为输入以及针对给定时刻的观察数据作为真实值馈入神经网络中；由该神经网络通过将针对给定时刻的相应预测和相关联环境信息作为输入且将针对给定时刻的观察数据作为真实值来确定包括针对该多个预测器中的每一者的相应权重的权重集；以及由该神经网络输出该权重集作为用于轨迹预测的经训练多预测器融合模型。
15.根据本公开的第四示例性实施例，提供了一种轨迹预测装置。该轨迹预测装置可包括：数据获取模块，该数据获取模块被配置成获取针对对象的观察数据和与该对象相关的环境信息；以及混合预测器，该混合预测器包括各自具有由该混合预测器指派的权重的多个预测器，并且该混合预测器被配置成：从该数据获取模块接收观察数据和环境信息；利用多个预测器基于历史观察数据给出针对该对象的相应预测；将相应预测和环境信息馈入已经根据第一示例性实施例的方法训练好的用于轨迹预测的多预测器融合模型中；由该多预测器融合模型提供在由该环境信息指示的环境下的针对该对象的预测轨迹作为该多个预测器的输出。
16.根据本公开的第四示例性实施例，提供了一种车辆。该车辆可包括至少一个传感器，该至少一个传感器被配置成收集针对对象的观察数据和与该对象相关的环境信息；以及根据第四示例性实施例的轨迹预测装置；以及决策模块，该决策模块被配置成基于由该轨迹预测装置预测的车辆周围对象的轨迹来做出车辆控制决策。
17.利用以上用于轨迹预测的方法、装置和车辆，相对于现有技术方法至少可以实现以下优点：
18.(1)通过置信度加权估计，可以得到除了点估计以外的更多统计信息；
19.(2)基于不同机动模型的多个预测器被用于处置真实对象的混合机动行为；
20.(3)深度神经网络被用于有效的多预测融合。该网络可以使用预测器输出、环境信息和预测器统计信息来融合多个输出。框架参数是通过优化而不是试错来调试的；以及
21.(4)通过基于贝叶斯优化的主动学习来系统地调试整体超参数。
22.提供本发明内容以便以简化的形式介绍以下在具体实施方式中进一步描述的概念的选集。本发明内容并非旨在标识出要求保护的主题内容的关键特征或必要特征，亦非旨在用于限定要求保护的主题内容的范围。诸示例的附加的方面、特征和/或优点将在下面的描述中部分地阐述，并且部分地从描述中将是显而易见的，或者可以通过本公开的实践而获知。
附图说明
23.结合附图，通过以下对示例性实施例的详细描述，本公开的上述和其它方面和优点将变得显而易见，这些附图作为示例解说了本公开的原理。注意，附图不一定按比例绘制。
24.图1解说了示例性道路环境。
25.图2示出了根据本发明的一个实施例的混合预测器的示意框图。
26.图3示出了根据本发明的一个实施例的如何训练用于轨迹预测的融合模型的示意图。
27.图4是根据本发明的一个实施例的用于训练用于轨迹预测的多预测器融合模型的方法的流程图。
28.图5是根据本发明的一个实施例的用于调试神经网络的超参数的方法的流程图。
29.图6是根据本发明的一个实施例的用于轨迹预测的方法的流程图。
30.图7示出了根据本发明的一个实施例的示例性置信加权估计算法的示意图。
31.图8示出了根据本发明的一个实施例的轨迹预测装置的示意框图。
32.图9解说了根据本公开的示例性实施例的计算系统。
33.图10解说了根据本发明的一实施例的示例性车辆。
具体实施方式
34.在以下详细描述中，阐述了许多具体细节以提供对所描述的示例性实施例的透彻理解。然而，对于本领域技术人员显而易见的是，可以在没有一些或所有这些具体细节的情况下实践所描述的实施例。在其他示例性实施例中，未详细描述众所周知的结构或处理步骤，以避免不必要地使本公开的概念模糊。
35.贯穿说明书所使用的术语“车辆”是指任何类型的汽车，包括但不限于轿车、货车、卡车、公共汽车等。为简单起见，关于“汽车”来描述本发明。说明书中使用的术语“a或b”是指“a和b”和“a或b”，而不是意味着a和b是排他的，除非另有说明。
36.如前所述，现有技术中存在轨迹预测的若干种方法，其通常可被分类为以下四种类型：基于物理的运动模型；基于机动/行为的运动模型；交互感知运动模型；以及先验知识运动模型。例如，基于道路模型的轨迹预测是典型的先验知识运动模型，并且基于运动历史的轨迹预测是典型的基于机动/行为的运动模型。
37.基于道路模型的轨迹预测基于现有的道路模型，因此这种轨迹预测显然仅适用于存在道路模型的那些区域。而且，它仅适用于汽车。此外，这种轨迹预测还假设汽车遵守交通规则，例如汽车将沿着车道的中心线行驶，汽车将根据车道方向指示符来改变方向，汽车将不随意或非法变道等。基于运动历史的轨迹预测基于对象在一时间段(也称为“时间范围”)内的运动来预测未来的轨迹。将结合图1来阐述这两种轨迹预测将如何在道路环境中工作以及它们的优缺点是什么。
38.图1解说了示例性道路环境。图1中示出了示例性三向交叉口，其包括垂直方向上的主干道和水平方向上的支路。主干道具有2条车道，一条为仅直行车道，而另一条为仅右转车道，以供汽车右转进入支路。图1中还示出了汽车102正在右转车道上行驶并且即将到达交叉口。此时，基于道路模型的轨迹预测由于该交叉口的道路模型的知识而能够识别出
汽车102正在右转车道上行驶。同时，根据该模型的假设，即汽车102将遵守交通规则，因此基于道路模型的轨迹预测给出了汽车102将沿着如虚线104所示的轨迹行驶的预测，即，在交叉口右转并且驶入支路。另一方面，基于运动历史的轨迹预测不知晓交叉口的道路模型。它仅基于对象在一时间段内的运动历史给出预测。在图1中示意性地解说了汽车102的先前的两个观察位置102'和102”。将领会，为了简单起见仅示出了两个先前位置，而在实践中，可能需要更多的历史位置(例如，5个或10个位置)来预测轨迹。由于汽车的先前位置102'和102"与当前位置102几乎在一条直线上，因此基于运动历史的轨迹预测预测汽车102将沿着虚线106所示的轨迹行驶，即，继续直行。
39.可以理解，在以上示例中，对于遵守交通规则行驶的车辆，基于道路模型的轨迹预测(如果适用)一般可以准确地预测车辆的未来轨迹。然而，如前所述，这种基于道路模型的轨迹预测仅能应用于具有道路模型的区域，并且必须假设对象遵守交通规则，并且这种预测仅适用于汽车。相比之下，基于运动历史的轨迹预测要灵活得多。它在没有各种假设的情况下工作，并且不限于汽车。其缺点在于，由于其预测仅基于历史轨迹，因此这种预测实际上更类似于总结过去的轨迹(诸如为位置点找到共同的平滑曲线)并且将该轨迹延伸到未来。因此，对于具有剧烈变化的运动轨迹(诸如直角转弯)，轨迹预测可能与实际轨迹有很大的偏差，并且随着预测的未来时间进一步远离当前时间，预测可能更不准确。
40.可以理解，基于道路模型的轨迹预测和基于运动历史的轨迹预测两者都是用于轨迹预测的方法或模型的示例，用于轨迹预测的任何其他现有模型或未来开发的模型也将适用于本发明。为了充分利用每个模型的优势，可以建立混合/混用预测器。
41.图2示出了根据本发明一个实施例的混合预测器202的示意框图。混合预测器202可包括多个现有的预测器(预测器1、预测器2、
……
、预测器k)。相同的对象观察数据(诸如从安装在车辆上的一个或多个传感器获取的传感器数据)可被馈入每个预测器中。随后，预测器可以各自给出它们相应的预测，p1、p2、
……
、p
k
，并且将这些预测馈入融合模型204中。同时，环境信息也可被获取并且提供给混合预测器202。融合模型204可以是经训练模型。下面将关于图3描述如何训练融合模型的具体方式。融合模型204可基于所获取的预测和环境信息来将权重w1、w2、
……
、w
k
指派给来自每个预测器的预测，并且输出经融合预测p
h
作为对象预测的结果。在一个实施例中，经融合预测p
h
可被简单地计算为：
[0042][0043]
图3示出了根据本发明的一个实施例的如何训练用于轨迹预测的融合模型的示意图。如前所述，每个预测器可能在某个方面或针对某个场景具有其自己的优势。因此，对于混合预测器，如何在不同环境下向每个预测器指派合适的权重是一个挑战，并且将极大地影响其性能和可靠性。在现有技术中，权重指派通常利用简单的启发式方法来执行，这是低效且不可靠的。代替简单的启发式方法，本发明利用神经网络技术来训练融合模型。
[0044]
如图3中所示，对象观察可被类似地馈入每个预测器，并且针对同一未来时刻t0的相应预测p1、p2、
……
、p
k
可被给出。同时，还可获取与该时刻t0相对应的环境信息e。随后，随着时间流逝到时刻t0，此时的传感器数据可被获取为针对以上预测的真实值(ground truth)g。因此，预测p1、p2、
……
、p
k
、环境信息e以及真实值g可以一起标记为训练数据集。大量这样的训练数据集可被馈入神经网络中。神经网络可以通过将预测、环境信息和真实值作为输入以及针对每个预测器的权重w1、w2、
……
、w
k
作为要被训练的系数集来设计，并且结
果可被输出为经训练融合模型。利用经训练模型，对于任何一对来自该多个预测器的预测集和相关联环境信息，经训练模型将给出要指派给每个预测器的推荐的权重集。利用该权重集，混合预测器(诸如图2中所示的混合预测器204)可以提供经融合输出预测。
[0045]
图4是根据本发明的一个实施例的用于训练用于轨迹预测的多预测器融合模型的方法400的流程图。方法400在框402开始，其中可以收集观察数据和环境信息。例如，可以从各种传感器收集针对对象的观察数据和与该对象相关的环境信息。本文中提及的对象可包括但不限于汽车、行人、自行车、滑板车或任何其他移动对象。传感器可包括但不限于雷达、相机、激光雷达、gps等。环境信息可包括但不限于定位信息(诸如对象是在拥挤的市区还是在郊区)；道路类型信息(诸如对象是否位于或靠近十字路口或在封闭的高速公路中间)；拥挤度(诸如对象是否在快速运动或缓慢排队行进)；时间信息(诸如是工作日还是周末或者是否是高峰时间)；天气信息(诸如是晴朗还是下雨/下雪)；或者在确定当前环境下哪个预测模型更好时可能考虑的任何其他信息。
[0046]
随后，在框404，多个预测器可以给出相应预测。具体而言，如上所述，混合预测器可以包括多个预测器或轨迹预测模型。因此，基于所获取的观察数据，每个预测器可以给出其针对同一即将到来的时刻的对同一对象的预测。
[0047]
在框406，环境信息可以与针对给定时刻的相应预测相关联。随后，在框408，相应预测和相关联环境信息以及真实值可被馈入神经网络中。如关于图3所述，相应预测、相关联环境信息和真实值将被用作训练数据集以训练神经网络。
[0048]
随后，在框410，神经网络可基于训练数据来确定包括针对该多个预测器中的每一者的相应权重的权重集。如前所述，训练神经网络的目的是要为特定输入(在该情形中为来自多个预测器的相应预测和环境信息)找到一个或多个合适的系数集(在该情形中为权重)。利用大量的训练数据，可以确定一个或多个权重集。此后，在框412，神经网络可以输出所确定的一个或多个权重集作为用于轨迹预测的经训练多预测器融合模型。
[0049]
理论上，如果可以提供足够的训练数据，则最终可以训练好神经网络。然而，在现实中，必须考虑用于训练神经网络的成本。一个完善的神经网络可以显著减少训练神经网络所需的工作负载、训练数据量、计算量或其他资源，提高学习速度和训练结果的可靠性。例如，以上提及的神经网络可以在没有环境信息的情况下进行训练，但是在将环境信息作为参数考虑在内的情况下，神经网络的训练进度将更加有效。影响训练神经网络的进度的参数被称为“超参数”。
[0050]
神经网络中常用的超参数可包括：学习率η；正则化参数λ；神经网络的层数l；每个隐藏层中的神经元数目j；学习轮数epoch；小批量数据的大小minibatch；输出神经元的编码方式；成本函数选择；权重初始化方法；神经元激活函数类型；训练数据的规模等。
[0051]
通常，在现有技术中，超参数通过试错法来手动调试，以优化神经网络的整体性能。为了减轻有经验的工程师手动调试的负担，本发明提议了一种更系统的用于调试超参数的方法。
[0052]
图5是根据本发明的一个实施例的用于调试神经网络的超参数的方法500的流程图。方法500开始于框502，其中可以确定初始超参数集。在一个实施例中，初始超参数集可以由可进一步展示其预测性能的人类专家来确定。
[0053]
在框504，可以对初始超参数集下的性能进行评级。例如，在初始超参数集下首次
运行之后，人类专家可以评估性能并且对其效果进行主观评级。随后，在框506，可以使用贝叶斯优化来提议新超参数集。贝叶斯优化是一种可用于机器学习以寻找最佳参数组合的算法。利用贝叶斯优化算法，该算法可提议新超参数集。
[0054]
与框504类似，在框508，可以对所提议的超参数集下的性能进行评级。人类专家可以类似地评估性能，并且对由该算法提议的新超参数集的效果进行评级。随后，在框510，确定是否获得令人满意的性能。
[0055]
响应于未获得令人满意的性能(在框510为“否”)，该方法返回到框506，其中可以由贝叶斯优化算法提议另一超参数集。将重复框506和508，直到获得令人满意的性能(在框510的“是”)。随后，该方法继续到框512，其中可以保存当前提议的超参数集和相关评级以供稍后使用。此外，所有其他提议的超参数集和在整个过程中收集的评级都将被保存以供稍后使用。
[0056]
上述框架可以有效地利用人类专家的反馈，并且以系统的方式提议有前景的超参数集。此外，它对难以定义的评估度量优化有效，该评估度量优化是用于轨迹预测的典型情形。
[0057]
利用经训练融合模型，可以实现改进的轨迹预测。图6是根据本发明的一个实施例的用于轨迹预测的方法600的流程图。
[0058]
方法600在框602开始，其中可以收集观察数据和环境信息。随后，在框604，多个预测器可以给出相应预测。具体而言，如上所述，混合预测器可以包括多个预测器或轨迹预测模型。因此，基于所获取的观察数据，每个预测器可以给出其针对同一即将到来的时刻的对同一对象的预测。
[0059]
在框606，相应预测和环境信息可被馈入已经根据上述本发明的方法训练好的用于轨迹预测的多预测器融合模型中。随后，在框608，多预测器融合模型可以提供在当前环境下的针对该对象的预测轨迹。
[0060]
图7示出了根据本发明的一个实施例的示例性置信加权估计算法的示意图。图7中的左图是预测在xy坐标系中的示例性分布，而图7中的右图是示出与左图中的预测相对应的时间戳的时间线。
[0061]
在该算法中，为每个当前时间戳缓存先前的预测实例集合(例如，来自前5秒的预测实例)当需要对特定的未来时间戳进行预测时，它首先生成当前预测实例并且获取当前预测输出，其是图7中的左侧预测解说中的“pred 0”标记。此外，它还使用所缓存的先前预测实例并且获取先前预测输出，其是左侧预测解说中的“pred1”、“pred 2”和“pred 3”标记。
[0062]
来自先前和当前预测实例两者的预测输出一起形成了针对未来时间戳的预测输出群体。然而，由于不同的预测实例在被生成时具有不同的信息，因此它们的输出将由其到未来的时间长度(δ0、δ1、δ2、δ3)来加权。可以使用针对每个输出的每个实例的到未来的时间长度来计算置信度分数。一般而言，指派给当前预测和多个先前预测中的每一者的权重随着预测的年纪而减小。随后，将使用置信加权预测(“pred w”)来代替在当前时间实例处做出的单个预测(“pred 0”)。因此，作为可任选特征，本发明中提及的所有个体预测器都可以采用该算法来提供置信加权预测，并且这些置信加权预测可以进而被馈入神经网络以用于训练以及经训练融合模型。
[0063]
除了获取更可靠和可信的预测之外，该算法的另一优点在于，在获得输出及其相应的权重两者之后，可以使用统计估计方法来估计感兴趣的统计信息(诸如均值和协方差矩阵)。此类统计信息可进一步用于未来的数据分析和处理。
[0064]
图8示出了根据本发明的一个实施例的轨迹预测装置800的示意框图。如图8所示，轨迹预测装置800可包括数据获取模块802和混合预测器804。传感器数据获取模块802被配置成获取针对对象的观察数据和与该对象相关的环境信息。混合预测器804可以是关于图2的混合预测器202。混合预测器804可包括各自具有由混合预测器指派的权重的多个预测器，并且混合预测器804可被配置成：从数据获取模块接收观察数据和环境信息；利用该多个预测器基于历史观察数据给出针对该对象的相应预测；将相应预测和环境信息馈入已经根据本发明训练好的用于轨迹预测的多预测器融合模型中。
[0065]
图9解说了根据本公开的示例性实施例的计算系统900。
[0066]
参照图9，现在将描述计算设备900，计算设备900是可应用于本公开的各方面的硬件设备的示例。计算设备900可以是配置成执行处理和/或计算的任何机器，可以是但不限于工作站、服务器、桌面型计算机、膝上型计算机、平板计算机、个人数字助理、智能电话、车载计算机、或其任何组合。以上提及的系统可以全部或者至少部分地由计算设备900或类似设备或系统来实现。
[0067]
计算设备900可以包括可能地经由一个或多个接口来与总线902连接或者与总线902处于通信的元件。例如，计算设备900可以包括总线902、以及一个或多个处理器904、一个或多个输入设备906和一个或多个输出设备908。该一个或多个处理器904可以是任何类型的处理器，并且可以包括但不限于一个或多个通用处理器和/或一个或多个专用处理器(诸如专门的处理芯片)。输入设备906可以是可将信息输入计算设备的任何类型的设备，并且可以包括但不限于鼠标、键盘、触摸屏、话筒、和/或遥控器。输出设备908可以是可呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。计算设备900还可以包括非瞬态存储设备910或者与非瞬态存储设备910相连接，该非瞬态存储设备910可以是为非瞬态的且可实现数据存储的任何存储设备，并且可以包括但不限于盘驱动器、光存储设备、固态存储、软盘、软磁盘、硬盘、磁带或任何其他磁性介质、光盘或任何其他光介质、rom(只读存储器)、ram(随机存取存储器)、高速缓存存储器和/或任何其他存储器芯片或存储器盒、和/或计算机可从其读取数据、指令和/或代码的任何其他介质。非瞬态存储设备910可以能与接口分开。非瞬态存储设备910可以具有用于实现上述方法和步骤的数据/指令/代码。计算设备900还可以包括通信设备912。通信设备912可以是能实现与外部装置和/或网络的通信的任何类型的设备或系统，并且可以包括但不限于调制解调器、网卡、红外通信设备、诸如蓝牙
tm
设备、802.11设备、wi
‑
fi设备、wi
‑
max设备、蜂窝通信设施之类的无线通信设备和/或芯片组、等等。
[0068]
当计算设备900被用作车载设备时，计算设备900还可以连接至外部设备，例如gps接收机、用于感测不同环境数据的传感器(诸如加速度传感器、车轮速度传感器、陀螺仪)、等等。以此方式，计算设备900可以例如接收指示车辆的行驶情况的位置数据和传感器数据。当计算设备900被用作车载设备时，计算设备900还可以连接至用于控制车辆的行驶和操作的其他设施(诸如引擎系统、雨刮器、制动防抱死系统等)。
[0069]
另外，非瞬态存储设备910可以存储针对对象的观察数据和与该对象相关的环境
信息以使得处理器904可以执行训练用于轨迹预测的多预测器融合模型，如本发明所述。另外，输出设备906可以包括用于显示地图、车辆的位置标记以及指示车辆的行驶情况的图像的显示器。输出设备906还可以包括具有用于音频引导的耳机的扬声器或接口。
[0070]
总线902可以包括但不限于工业标准架构(isa)总线、微通道架构(mca)总线、增强型isa(eisa)总线、视频电子标准协会(vesa)本地总线、以及外围组件互连(pci)总线。具体地，对于车载设备，总线902可以包括控制器局域网(can)总线或者被设计成用于汽车上的应用的其他架构。
[0071]
计算设备900还可以包括工作存储器914，工作存储器914可以是可存储对于处理器904的工作而言有用的指令和/或数据的任何类型的工作存储器，并且可以包括但不限于随机存取存储器和/或只读存储器设备。
[0072]
软件元素可以位于工作存储器914中，包括但不限于操作系统916、一个或多个应用程序918、驱动程序和/或其他数据和代码。用于执行上述方法和步骤的指令可以包括在一个或多个应用程序918中，并且以上提及的装置800的各单元可以通过处理器904读取和执行一个或多个应用程序918的指令来实现。软件元素的指令的可执行代码或源代码可以被存储在非瞬态计算机可读存储介质(诸如上述存储设备910)中，并且可以可能地通过编译和/或安装而被读取到工作存储器914中。软件元素的指令的可执行代码或源代码也可以从远程位置下载。
[0073]
从上面的实施例中，本领域技术人员可以清楚地知道，本公开可以由具有必要硬件的软件来实现，或者由硬件、固件等来实现。基于这样的理解，本公开的实施例可以部分地以软件形式来实施。可以将计算机软件存储在诸如计算机的软盘、硬盘、光盘或闪存之类的可读存储介质中。该计算机软件包括一系列指令，以使计算机(例如，个人计算机、服务站或网络终端)执行根据本公开的相应实施例的方法或其一部分。
[0074]
图10解说了根据本发明的一实施例的示例性车辆1000。车辆1000可包括至少一个传感器1002，该至少一个传感器1002被配置成捕捉针对车辆周围的对象的感测数据；用于提供轨迹预测的轨迹预测装置1004(诸如图8中的轨迹预测装置800)；以及决策模块1006，该决策模块1006被配置成基于由轨迹预测装置1004预测的车辆周围的对象的轨迹来做出车辆控制决策。
[0075]
在整个说明书中，已经对“一个示例”或“一示例”进行了参考，这意味着在至少一个示例中包括具体描述的特征、结构或特性。因此，此类短语的使用可能涉及不止一个示例。此外，所描述的特征、结构或特性可以在一个或多个示例中以任何合适的方式组合。
[0076]
然而，相关领域的技术人员可以认识到，可以在没有一个或多个特定细节的情况下，或者在其他方法、资源、材料等的情况下实践这些示例。在其他实例中，没有详细示出或描述众所周知的结构、资源或操作以避免使这些示例的各方面模糊。
[0077]
尽管已经解说和描述了诸样例和应用，但是应当理解，这些示例不限于上述精确的配置和资源。可以对本文公开的方法和系统的布置、操作和细节作出对于本领域技术人员而言显而易见的各种修改、改变和变化，而不会脱离所要求保护的示例的范围。