轨迹数据处理方法、模型训练方法、装置及自动驾驶车辆与流程

1.本公开涉及人工智能技术领域，尤其涉及自动驾驶、深度学习和计算 机视觉技术领域。更具体地，本公开提供了一种轨迹数据处理方法、深度 学习模型的训练方法、装置、电子设备、存储介质和自动驾驶车辆。


背景技术：

2.自动驾驶车辆可以通过感知部件(例如传感器)来感知周围环境，得 到周围环境数据。将周围环境数据与地图导航数据相结合，基于人工智能 技术进行数据处理，以做出驾驶决策。最后通过控制和执行系统按照驾驶 决策完成自动驾驶车辆的自动驾驶。


技术实现要素：

3.本公开提供了一种轨迹数据处理方法、深度学习模型的训练方法、装 置、电子设备、存储介质和自动驾驶车辆。
4.根据本公开的一方面，提供了一种轨迹数据处理方法，该方法包括： 根据目标障碍物的当前轨迹信息，确定所述目标障碍物的意图信息和语 义关系信息，其中，所述语义关系信息用于表征所述目标障碍物与至少一 个对象之间的关系；以及根据所述当前轨迹信息、所述意图信息和所述语 义关系信息，确定所述目标障碍物的目标轨迹信息。
5.根据本公开的一方面，提供了一种深度学习模型的训练方法，所述深 度学习模型包括第一子模型和第二子模型，该方法包括：根据目标障碍物 的样本轨迹信息和所述第一子模型，确定所述目标障碍物的意图信息和语 义关系信息，其中，所述语义关系信息用于表征所述目标障碍物与至少一 个对象之间的关系；将所述样本轨迹信息、所述意图信息和所述语义关系 信息输入所述第二子模型，确定所述目标障碍物的输出轨迹信息；以及根 据所述输出轨迹信息和所述样本轨迹信息的轨迹标签，训练所述深度学习 模型。
6.根据本公开的另一方面，提供了一种轨迹数据处理装置，该装置包括： 第一确定模块，用于根据目标障碍物的当前轨迹信息，确定所述目标障碍 物的意图信息和语义关系信息，其中，所述语义关系信息用于表征所述目 标障碍物与至少一个对象之间的关系；以及第二确定模块，用于根据所述 当前轨迹信息、所述意图信息和所述语义关系信息，确定所述目标障碍物 的目标轨迹信息。
7.根据本公开的另一方面，提供了一种深度学习模型的训练装置，述深 度学习模型包括第一子模型和第二子模型，该装置包括：第三确定模块， 用于根据目标障碍物的样本轨迹信息和所述第一子模型，确定所述目标障 碍物的意图信息和语义关系信息，其中，所述语义关系信息用于表征所述 目标障碍物与至少一个对象之间的关系；第四确定模块，用于将所述样本 轨迹信息、所述意图信息和所述语义关系信息输入所述第二子模型，确定 所述目标障碍物的输出轨迹信息；以及训练模块，用于根据所述输出轨迹 信息和所述样本轨迹信息的轨迹标签，训练所述深度学习模型。
8.根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理 器；以及与至
少一个处理器通信连接的存储器；其中，存储器存储有可被 至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个 处理器能够执行根据本公开提供的方法。
9.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算 机可读存储介质，该计算机指令用于使计算机执行根据本公开提供的方法。
10.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程 序，所述计算机程序在被处理器执行时实现根据本公开提供的方法。
11.根据本公开的另一方面，提供了一种自动驾驶车辆，包括本公开提供 的电子设备。
12.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键 或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下 的说明书而变得容易理解。
附图说明
13.附图用于更好地理解本方案，不构成对本公开的限定。其中：
14.图1是根据本公开的一个实施例的可以应用轨迹数据处理方法和装置 的示例性系统架构示意图；
15.图2是根据本公开的一个实施例的轨迹数据处理方法的流程图；
16.图3是根据本公开的另一个实施例的轨迹数据处理方法的流程图；
17.图4是根据本公开的一个实施例的轨迹数据处理方法的原理图；
18.图5是根据本公开的一个实施例的深度学习模型的训练方法的流程图；
19.图6是根据本公开的一个实施例的深度学习模型的训练方法的原理图；
20.图7是根据本公开的一个实施例的第二子模型的原理图；
21.图8是根据本公开的一个实施例的第一子模型的原理图；
22.图9是根据本公开的一个实施例的轨迹数据处理装置的框图；
23.图10是根据本公开的一个实施例的深度学习模型的训练装置的框图； 以及
24.图11是根据本公开的一个实施例的可以应用轨迹数据处理方法和/或 深度学习模型的训练方法的电子设备的框图。
具体实施方式
25.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实 施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本 领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和 修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的 描述中省略了对公知功能和结构的描述。
26.可以利用一个规模较大的深度学习模型确定障碍物的行驶轨迹。基于 场景a的训练数据集对该深度学习模型进行训练后，经训练的深度学习模 型可以在该场景a下准确地确定障碍物的行驶轨迹。但在场景b中，需 要对该经训练的深度学习模型进行再次训练，以提高模型在场景b中的精 度。
27.图1是根据本公开一个实施例的可以应用轨迹数据处理方法和装置的 示例性系统架构示意图。需要注意的是，图1所示仅为可以应用本公开实 施例的系统架构的示例，以
帮助本领域技术人员理解本公开的技术内容， 但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
28.如图1所示，根据该实施例的系统架构100可以包括传感器101、102、 103，网络104和服务器105。网络104用以在传感器101、102、103和服 务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例 如有线和/或无线通信链路等等。
29.传感器101、102、103可以通过网络104与服务器105交互，以接收 或发送消息等。
30.传感器101、102、103可以是集成在自动驾驶车辆106上的功能元件， 例如红外传感器、超声波传感器、毫米波雷达、信息采集装置等等。传感 器101、102、103可以用于采集自动驾驶车辆106周围的障碍物的状态数 据以及周围道路数据。
31.服务器105也可以是集成在自动驾驶车辆106上，但是并不局限于此， 也可以设置在能够与车载终端建立通信的远端，可以具体实现成多个服务 器组成的分布式服务器集群，也可以实现成单个服务器。
32.服务器105可以是提供各种服务的服务器。在服务器105上可以安装 有例如地图类应用、数据处理类应用等。以服务器105在运行该数据处理 类应用为例：通过网络104接收来自传感器101、102、103传输的障碍物 的状态数据、道路数据。可以将障碍物的状态数据、道路数据中的一种或 多种作为待处理数据。并对待处理数据进行处理，得到目标数据。
33.需要说明的是，本公开实施例所提供的轨迹数据处理方法一般可以由 服务器105执行。相应地，本公开实施例所提供的轨迹数据处理装置也可 以设置于服务器105中。但是并不局限于此。本公开实施例所提供的轨迹 数据处理方法一般也可以由传感器101、102、或103执行。相应地，本公 开实施例所提供的轨迹数据处理装置也可以设置于传感器101、102、或 103中。
34.应该理解，图1中的传感器、网络和服务器的数目仅仅是示意性的。 根据实现需要，可以具有任意数目的传感器、网络和服务器。
35.应注意，以下方法中各个操作的序号仅作为该操作的表示以便描述， 而不应被看作表示该各个操作的执行顺序。除非明确指出，否则该方法不 需要完全按照所示顺序来执行。
36.图2是根据本公开的一个实施例的轨迹数据处理方法的流程图。
37.如图2所示，该方法200可以包括操作s210至操作s220。
38.在操作s210，根据目标障碍物的当前轨迹信息，确定目标障碍物的 意图信息和语义关系信息。
39.例如，语义关系信息用于表征目标障碍物与至少一个对象之间的关系。
40.例如，目标障碍物可以是由自动驾驶车辆106上的任一传感器感知到 的障碍物。在一个示例中，障碍物可以包括车辆、行人等等。
41.例如，对象可以包括障碍物。在一个示例中，如上文所述，障碍物可 以包括车辆、行人等等。
42.又例如，对象也可以包括地物。在一个示例中，地物可以包括车道线、 标识牌等等。
43.例如，当前轨迹信息可以包括目标障碍物在当前时刻的地理坐标。又 例如，当前轨迹信息还可以对应目标障碍物在预设时段内的多个地理坐标， 每个地理坐标可以与预
设时段内的一个时刻对应。
44.例如，可以根据各种方式确定目标障碍物的意图信息和语义关系信息。 在一个示例中，以目标障碍物是自动驾驶车辆106感知到的车辆c_1为示 例，车辆c_1的意图信息inten_1例如可以是超车。在一个示例中，车辆 c_1的语义关系信息sr_1例如可以是车辆c_1将从车辆c_2的左侧超车。
45.在操作s220，根据当前轨迹信息、意图信息和语义关系信息，确定 目标障碍物的目标轨迹信息。
46.例如，目标轨迹信息可以包括目标障碍物在下一时刻的地理坐标。在 一个示例中，根据车辆c_1的当前轨迹信息、意图信息inten_1和语义关 系信息sr_1，可以确定车辆c_1在下一个时刻的地理坐标，以便感知到车 辆c_1的自动驾驶车辆106根据车辆c_1在下一个时刻的地理坐标确定是 否调整行驶路线。
47.通过本公开实施例，基于当前轨迹信息、意图信息和语义关系信息可 以准确地确定目标障碍物的轨迹信息。
48.在一些实施例中，上文所述的目标障碍物也可以是自动驾驶车辆106 自身。
49.在一些实施例中，根据目标障碍物的当前轨迹信息，确定目标障碍物 的意图信息和语义关系信息包括：对当前轨迹信息进行特征提取，得到语 义特征信息；以及根据语义特征信息，确定目标障碍物的意图信息和语义 关系信息。
50.例如，可以利用各种深度学习模型对当前轨迹信息进行特征提取。又 例如，各种深度学习模型例如可以是语义分割模型、目标检测模型等等， 本公开在此不做限制。
51.例如，可以利用gnn(graph neural network，图神经网络)模型根 据语义特征信息确定目标障碍物的意图信息和语义关系信息。又例如，可 以利用图transformer模型或gcn(graph convolutional network，图卷积 网络)模型根据语义特征信息确定目标障碍物的意图信息和语义关系信息。
52.下面将结合图3来说明确定gnn模型、gcn模型或图transformer 模型的邻接矩阵的一种方式。
53.图3是根据本公开的另一个实施例的轨迹数据处理方法的流程图。
54.如图3所示，该方法310可以据目标障碍物的当前轨迹信息，确定目 标障碍物的意图信息和语义关系信息，下面将结合操作s311至操作s314 进行详细说明。
55.在操作s311，根据目标障碍物的位置信息，确定与目标障碍物的距 离小于或等于预设距离阈值的至少一个目标对象。
56.例如，目标障碍物的位置信息可以是上文所述的目标障碍物在当前时 刻的地理坐标。
57.又例如，预设距离阈值例如可以是20米。在一个示例中，可以将目 标障碍物附近20米内的对象作为目标对象。
58.在操作s312，根据目标障碍物与至少一个目标对象，得到至少一个 边关系信息。
59.例如，可以建立连接目标障碍物与每个目标对象的边，得到每个边关 系信息。
60.在操作s313，根据至少一个边关系信息，得到邻接矩阵。
61.例如，可以根据目标障碍物、至少一个目标对象和至少一个边关系信 息确定一个邻接矩阵。
62.在操作s314，根据当前轨迹信息和邻接矩阵，确定意图信息和语义 关系信息。
63.例如，将当前轨迹信息输入基于该邻接矩阵进行数据处理的gnn模 型，确定意图信息和语义关系信息。
64.在一些实施例中，根据当前轨迹信息、意图信息和语义关系信息，确 定目标轨迹信息包括：根据当前轨迹信息，确定隐层特征信息；根据意图 信息和语义关系信息，确定输入特征信息；以及根据隐层特征信息和输入 特征信息，确定目标轨迹信息。下面将结合图4进行详细说明。
65.图4是根据本公开的另一个实施例的轨迹数据处理方法的原理图。
66.如图4所示，可以将语义特征信息402输入第一子模型410，得到目 标障碍物的意图信息和语义关系信息。在一个示例中，语义特征信息402 是对当前轨迹信息401进行特征提取得到的。
67.如图4所示，可以将当前轨迹信息401、意图信息和语义关系信息输 入第二子模型420，以确定目标障碍物的目标轨迹信息403。
68.例如，第一子模型410例如可以是上文所述的gnn模型。
69.例如，第二子模型420例如可以是lstm(long short-term memory， 长短期记忆)模型。
70.在一个示例中，lstm模型包括多个lstm单元。可以将当前轨迹信 息401作为第i个lstm单元的输入x_i。第i个lstm单元根据当前轨 迹信息401，可以确定第i个隐层特征信息h_i。i为大于或等于的整数。 本实施例中，i可以为1。
71.接下来，可以将意图信息和语义关系融合，以确定输入特征信息x_i+1。 第i+1个lstm单元根据输入特征信息x_i+1和第i个隐层特征信息h_i， 可以确定第i+1个隐层特征信息。在一个示例中，可以基于第i+1个隐层 特征信息，确定目标轨迹信息403。
72.图5是根据本公开的另一个实施例的深度学习模型的训练方法的流程 图。
73.在本公开实施例中，深度学习模型可以包括第一子模型和第二子模型。
74.例如，第一子模型可以为gnn模型、gcn模型或图transformer模 型之一。
75.又例如，第二子模型可以为lstm模型。
76.如图5所示，该方法500包括操作s510至操作s530。
77.在操作s510，根据目标障碍物的样本轨迹信息和第一子模型，确定 目标障碍物的意图信息和语义关系信息。
78.例如，语义关系信息用于表征目标障碍物与至少一个对象之间的关系。
79.在操作s520，将样本轨迹信息、意图信息和语义关系信息输入第二 子模型，确定目标障碍物的输出轨迹信息。
80.可以理解，方法500中的操作s510和操作s520，与方法200中的操 作s210和操作s220相同或类似，本公开在此不再赘述。
81.在操作s530，根据输出轨迹信息和样本轨迹信息的轨迹标签，训练 深度学习模型。
82.例如，可以利用mse(mean square error，均方误差)损失函数计算 输出轨迹信息和轨迹标签之间的差异。根据该差异调整第一子模型和第二 子模型的参数，以训练深度学习模型。
83.通过本公开实施例，训练得到的深度学习模型可以准确地确定目标障 碍物的轨迹信息。
84.通过本公开实施例，深度学习模型包括两个子模型，可以快速在不同 的场景中的准确地确定目标障碍物的轨迹信息。例如，基于场景a的训练 数据集对该深度学习模型进行训练后，经训练的深度学习模型可以在该场 景a下准确地确定障碍物的行驶轨迹。
85.在场景b中，可以保持该经训练的深度学习模型中的第一子模型的参 数不变，利用基于场景b的训练数据对第二子模型进行训练，以提高深度 学习模型在场景b中的精度，也可以降低训练模型所需的时间成本。
86.在一些实施例中，根据目标障碍物的样本轨迹信息和第一子模型，确 定目标障碍物的意图信息和语义关系信息包括：对样本轨迹信息进行特征 提取，得到语义特征信息；以及将语义特征信息输入第一子模型，确定意 图信息和语义关系信息。
87.例如，可以利用各种深度学习模型对当前轨迹信息进行特征提取。又 例如，各种深度学习模型例如可以是语义分割模型、目标检测模型等等， 本公开在此不做限制。
88.例如，可以利用gnn模型根据语义特征信息，确定目标障碍物的意 图信息和语义关系信息。又例如，可以利用图transformer模型或gcn模 型根据语义特征信息确定目标障碍物的意图信息和语义关系信息。
89.在一些实施例中，根据目标障碍物的样本轨迹信息和第一子模型，确 定目标障碍物的意图信息和语义关系信息包括：根据目标障碍物的位置信 息，确定与目标障碍物的距离小于或等于预设距离阈值的至少一个目标对 象；根据目标障碍物与至少一个目标对象，得到至少一个边关系信息；根 据至少一个边关系信息，得到邻接矩阵；以及根据样本轨迹信息和基于邻 接矩阵进行数据处理的第一子模型，确定意图信息和语义关系信息。可以 理解，本实施例中确定意图信息和语义关系信息的方式与方法310相同或 类似，本公开在此不再赘述。
90.在一些实施例中，第二子模型包括多个深度学习单元，将样本轨迹信 息、意图信息和语义关系信息输入第二子模型，确定输出轨迹信息包括： 将样本轨迹信息输入第二子模型的第i个深度学习单元，确定隐层特征信 息，其中，i为大于或等于1的整数；根据意图信息和语义关系信息，确 定输入特征信息；以及将隐层特征信息和输入特征信息输入第i+1个深度 学习单元，确定输出轨迹信息。
91.在一些实施例中，根据输出轨迹信息和样本轨迹信息的轨迹标签，训 练深度学习模型包括：根据输出轨迹信息和轨迹标签，调整第一子模型和 第二子模型的参数，以训练深度学习模型。下面将结合图6进行详细说明。
92.图6是根据本公开的另一个实施例的轨迹数据处理方法的原理图。
93.如图6所示，深度学习模型600可以包括第一子模型610和第二子模 型620。
94.可以将语义特征信息602输入第一子模型610，得到目标障碍物的意 图信息和语义关系信息。在一个示例中，语义特征信息602可以是对样本 轨迹信息601进行特征提取得到的。
95.如图6所示，可以将样本轨迹信息601、意图信息和语义关系信息输 入第二子模型620，以确定目标障碍物的输出轨迹信息603。
96.例如，第一子模型610例如可以是gnn模型。
97.例如，第二子模型620例如可以是lstm模型。
98.在一个示例中，可以利用mse损失函数输出轨迹信息603和轨迹标 签604之间的差异值605。根据差异值605调整第一子模型610和第二子 模型620的参数，以训练深度学习模型600。
99.例如，第二子模型620包括多个深度学习单元。在一个示例中，如上 文所述，第二子模型620例如可以是lstm模型，相应地，深度学习单元 例如可以是lstm单元。
100.在一个示例中，可以将样本轨迹信息601作为第i个lstm单元的输 入x_i。第i个lstm单元根据样本轨迹信息601，确定第i个隐层特征信 息h_i。i为大于或等于1的整数。本实施例中，i可以为1。
101.接下来，可以将意图信息和语义关系融合，以确定输入特征信息x_i+1。 第i+1个lstm单元根据输入特征信息x_i+1和第i个隐层特征信息h_i， 确定第i+1个隐层特征信息。在一个示例中，可以基于第i+1个隐层特征 信息，确定输出轨迹信息603。
102.图7是根据本公开的另一个实施例的第二子模型的原理图
103.如图7所示，第二子模型720可以包括i个lstm单元。在一个示例 中，lstm单元为上文所述的深度学习单元。i为大于或等于i的整数。本 实施例中，i可以为4。
104.例如，样本轨迹信息可以与预设样本时段内的多个地理坐标。样本轨 迹信息可以包括i个样本轨迹子信息，每个样本轨迹子信息对应一个样本 子时段内的多个地理坐标。相应地，针对每个样本子时段内目标障碍物， 可以执行以下操作：根据目标障碍物的位置信息，确定与目标障碍物的距 离小于或等于预设距离阈值的至少一个目标对象。根据目标障碍物与至少 一个目标对象，得到至少一个边关系信息。根据至少一个边关系信息，得 到对应每个样本子时段的邻接矩阵。在一个示例中，对于每个样本子时段， 从每个样本子时段中选取一个时刻的位置信息作为上述每个样本子时段 内目标障碍物的位置信息。
105.此外，可以对每个样本子信息进行特征提取，得到每个语义特征信息。 在一个示例中，可以对第1个样本子信息进行特征提取，得到第1个语义 特征信息。类似地，可以得到第2个语义特征信息至第i个语义特征信息。
106.第一子模型可以基于对应每个样本子时段的邻接矩阵对每个语义特 征信息进行处理，确定每个意图信息和每个语义关系信息。在一个示例中， 第一子模型可以基于对应第1个样本子时段的邻接矩阵对第1个语义特征 信息进行处理，确定第1个意图信息和第1个语义关系信息。类似地，可 以确定第2个意图信息至第i个意图信息。类似地，也可以确定第2个语 义关系信息至第i个语义关系信息。
107.又例如，可以将样本轨迹信息作为lstm单元721的输入特征信息 x_1，以确定第1个隐层特征信息h_1。将第1个意图信息和第1个语义 关系信息融合，得到的第1个融合信息可以作为lstm单元722的输入特 征信息x_2。将输入特征信息x_2和第1个隐层特征信息h_1输入lstm 单元722，以确定第2个隐层特征信息h_2。
108.接下来，将第2个意图信息和第2个语义关系信息融合，得到的第2 个融合信息可以作为lstm单元723的输入特征信息x_3。将输入特征信 息x_3和第2个隐层特征信息h_2输入lstm单元723，以确定第3个隐 层特征信息h_3。类似地，可以将第i-1个意图信息和第i-1个语义关系信 息融合，得到的第i-1个融合信息可以作为lstm单元724的输入特征信 息x_i。将输入特征信息x_i和第i-1个隐层特征信息输入lstm单元724， 以确定第i个隐层特征
信息h_i。
109.可以根据第i个隐层特征信息h_i，确定输出轨迹信息。
110.在另一个示例中，可以根据第1个隐层特征信息h_1至第i个隐层特 征信息h_i，确定输出轨迹信息。
111.在一些实施例中，将语义特征信息输入第一子模型，确定意图信息和 语义关系信息还包括：将语义特征信息输入第一子模型，确定样本意图信 息和样本语义关系信息，其中，样本轨迹信息具有意图标签和语义关系标 签；根据样本意图信息和意图标签，确定第一损失值；根据样本语义关系 信息和语义关系标签，确定第二损失值；以及根据第一损失值和第二损失 值，训练第一子模型，得到经预训练的第一子模型。下面将结合图8进行 详细说明。
112.图8是根据本公开的一个实施例的第一子模型的原理图。
113.如图8所示，将语义特征信息802输入第一子模型810，确定样本意 图信息811和样本语义关系信息812。例如，语义特征信息802是对样本 轨迹信息进行特征提取得到的。样本轨迹信息具有意图标签813和语义关 系标签814。
114.根据样本意图信息811和意图标签813，确定第一损失值815。根据 样本语义关系信息812和语义关系标签814，确定第二损失值816。根据 第一损失值815和第二损失值816，训练第一子模型810，以得到经预训 练的第一子模型。在一个示例中，可以将第一损失值815和第二损失值816 相加，得到总损失值，根据总损失值对第一子模型810进行预训练。
115.图9是根据本公开的一个实施例的轨迹数据处理装置的框图。
116.如图9所示，该装置900可以包括第一确定模块910和第二确定模块 920。
117.第一确定模块910，用于根据目标障碍物的当前轨迹信息，确定所述 目标障碍物的意图信息和语义关系信息。例如，所述语义关系信息用于表 征所述目标障碍物与至少一个对象之间的关系。
118.第二确定模块920，用于根据所述当前轨迹信息、所述意图信息和所 述语义关系信息，确定所述目标障碍物的目标轨迹信息。
119.在一些实施例中，所述第一确定模块包括：第一特征提取子模块，用 于对所述当前轨迹信息进行特征提取，得到语义特征信息；以及第一确定 子模块，用于根据所述语义特征信息，确定所述目标障碍物的意图信息和 语义关系信息。
120.在一些实施例中，所述第一确定模块包括：第二确定子模块，用于根 据所述目标障碍物的位置信息，确定与所述目标障碍物的距离小于或等于 预设距离阈值的至少一个目标对象；第一获得子模块，用于根据所述目标 障碍物与所述至少一个目标对象，得到至少一个边关系信息；第二获得子 模块，用于根据所述至少一个边关系信息，得到邻接矩阵；以及第三确定 子模块，用于根据所述当前轨迹信息和所述邻接矩阵，确定所述意图信息 和语义关系信息。
121.在一些实施例中，所述第二确定模块包括：第四确定子模块，用于根 据所述当前轨迹信息，确定隐层特征信息；第五确定子模块，用于根据所 述意图信息和所述语义关系信息，确定输入特征信息；以及第六确定子模 块，用于根据所述隐层特征信息和所述输入特征信息，确定目标轨迹信息。
122.图10是根据本公开的另一个实施例的深度学习模型的训练装置的框 图。
123.如图10所示，该装置1000可以包括第三确定模块1010、第四确定模 块1020和训练模块1030。
124.所述深度学习模型包括第一子模型和第二子模型。
125.第三确定模块1010，用于根据目标障碍物的样本轨迹信息和所述第一 子模型，确定所述目标障碍物的意图信息和语义关系信息。例如，所述语 义关系信息用于表征所述目标障碍物与至少一个对象之间的关系。
126.第四确定模块1020，用于将所述样本轨迹信息、所述意图信息和所述 语义关系信息输入所述第二子模型，确定所述目标障碍物的输出轨迹信息。
127.训练模块1030，用于根据所述输出轨迹信息和所述样本轨迹信息的轨 迹标签，训练所述深度学习模型。
128.在一些实施例中，所述第三确定模块包括：第二特征提取子模块，用 于对所述样本轨迹信息进行特征提取，得到语义特征信息；以及第七确定 子模块，用于将所述语义特征信息输入所述第一子模型，确定所述意图信 息和所述语义关系信息。
129.在一些实施例中，所述第三确定模块包括：第八确定子模块，用于根 据所述目标障碍物的位置信息，确定与所述目标障碍物的距离小于或等于 预设距离阈值的至少一个目标对象；第三获得子模块，用于根据所述目标 障碍物与所述至少一个目标对象，得到至少一个边关系信息；第四获得子 模块，用于根据所述至少一个边关系信息，得到邻接矩阵；以及第九确定 子模块，用于根据所述样本轨迹信息和基于所述邻接矩阵进行数据处理的 所述第一子模型，确定所述意图信息和所述语义关系信息。
130.在一些实施例中，所述第二子模型包括多个深度学习单元，所述第四 确定模块包括：第十确定子模块，用于将所述样本轨迹信息输入所述第二 子模型的第i个深度学习单元，确定隐层特征信息，其中，i为大于或等于 1的整数；第十一确定子模块，用于根据所述意图信息和所述语义关系信 息，确定输入特征信息；以及第十二确定子模块，用于将所述隐层特征信 息和所述输入特征信息输入第i+1个深度学习单元，确定输出轨迹信息。
131.在一些实施例中，所述训练模块包括：调整子模块，用于根据所述输 出轨迹信息和所述轨迹标签，调整所述第一子模型和所述第二子模型的参 数，以训练所述深度学习模型。
132.在一些实施例中，所述第七确定子模块还包括：第一确定单元，用于 将所述语义特征信息输入所述第一子模型，确定样本意图信息和样本语义 关系信息，其中，所述样本轨迹信息具有意图标签和语义关系标签；第二 确定单元，用于根据所述样本意图信息和所述意图标签，确定第一损失值； 第三确定单元，用于根据所述样本语义关系信息和所述语义关系标签，确 定第二损失值；以及训练单元，用于根据所述第一损失值和所述第二损失 值，训练所述第一子模型，得到经预训练的第一子模型。
133.本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、 加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背 公序良俗。
134.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储 介质和一种计算机程序产品。
135.图11示出了可以用来实施本公开的实施例的示例电子设备900的示 意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算 机、台式计算机、工作台、个人
数字助理、服务器、刀片式服务器、大型 计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置， 诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计 算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为 示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
136.如图11所示，设备1100包括计算单元1101，其可以根据存储在只读 存储器(rom)1102中的计算机程序或者从存储单元1108加载到随机访 问存储器(ram)1103中的计算机程序，来执行各种适当的动作和处理。 在ram 1103中，还可存储设备1100操作所需的各种程序和数据。计算 单元1101、rom 1102以及ram 1103通过总线1104彼此相连。输入/输 出(i/o)接口1105也连接至总线1104。
137.设备1100中的多个部件连接至i/o接口1105，包括：输入单元1106， 例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等； 存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调 制解调器、无线通信收发机等。通信单元1109允许设备1100通过诸如因 特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
138.计算单元1101可以是各种具有处理和计算能力的通用和/或专用处理 组件。计算单元1101的一些示例包括但不限于中央处理单元(cpu)、 图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行 机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当 的处理器、控制器、微控制器等。计算单元1101执行上文所描述的各个 方法和处理，例如轨迹数据处理方法和/或深度学习模型的训练方法。例如， 在一些实施例中，轨迹数据处理方法和/或深度学习模型的训练方法可被实 现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元 1108。在一些实施例中，计算机程序的部分或者全部可以经由rom 1102 和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加 载到ram 1103并由计算单元1101执行时，可以执行上文描述的轨迹数 据处理方法和/或深度学习模型的训练方法的一个或多个步骤。备选地，在 其他实施例中，计算单元1101可以通过其他任何适当的方式(例如，借 助于固件)而被配置为执行轨迹数据处理方法和/或深度学习模型的训练方 法。
139.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路 系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、 专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设 备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些 各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者 多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/ 或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储 系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将 数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出 装置。
140.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的 任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其 他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控 制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可 以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机 器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
141.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含 或存储以供
指令执行系统、装置或设备使用或与指令执行系统、装置或设 备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读 储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电 磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组 合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、 便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、 可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑 盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的 任何合适组合。
142.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术， 该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线 管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠 标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算 机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的 反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉 反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入) 来接收来自用户的输入。
143.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如， 作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、 或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器 的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处 描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部 件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质 的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络 的示例包括：局域网(lan)、广域网(wan)和互联网。
144.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此 并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具 有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
145.在一些实施例中，本公开还提供了一种自动驾驶车辆，该自动驾驶车 辆包括本公开提供的电子设备。例如，该自动驾驶车辆例如可以包括电子 设备1100。
146.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或 删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地 执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望 的结果，本文在此不进行限制。
147.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术 人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、 子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和 改进等，均应包含在本公开保护范围之内。