车辆轨迹预测方法、装置、电子设备及存储介质与流程

1.本公开涉及自动驾驶技术领域，尤其涉及一种车辆轨迹预测方法、装置、电子设备及存储介质。


背景技术：

2.轨迹预测是实现自动驾驶的关键技术之一，为车辆在自动驾驶过程中的安全性、可靠性和智能性提供重要保障。
3.相关技术中，通常采用深度神经网络模型进行轨迹预测。其是根据历史轨迹来预测出未来轨迹。而深度神经网络通常是基于回归预测方式来得到最终输出的未来轨迹。
4.这种方式下，预测所得轨迹往往会过度发散，轨迹预测准确度不高，影响车辆自动驾驶的安全性。


技术实现要素：

5.本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
6.为此，本公开的目的在于提出一种车辆轨迹预测方法、装置、电子设备、存储介质及计算机程序产品，能够有效避免预测所得轨迹过度发散，有效提升车辆轨迹预测的准确度，提升车辆自动驾驶的安全性。
7.本公开第一方面实施例提出的车辆轨迹预测方法，包括：获取车辆场景中目标对象信息；获取车辆的参考历史轨迹和多个参考候选轨迹；根据所述目标对象信息和所述参考历史轨迹，从所述多个参考候选轨迹中确定目标轨迹。
8.本公开第一方面实施例提出的车辆轨迹预测方法，通过获取车辆场景中目标对象信息，获取车辆的参考历史轨迹和多个参考候选轨迹，根据目标对象信息和参考历史轨迹，从多个参考候选轨迹中确定目标轨迹，能够有效避免预测所得轨迹过度发散，有效提升车辆轨迹预测的准确度，提升车辆自动驾驶的安全性。
9.本公开第二方面实施例提出的车辆轨迹预测装置，包括：第一获取模块，用于获取车辆场景中目标对象信息；第二获取模块，用于获取车辆的参考历史轨迹和多个参考候选轨迹；确定模块，用于根据所述目标对象信息和所述参考历史轨迹，从所述多个参考候选轨迹中确定目标轨迹。
10.本公开第二方面实施例提出的车辆轨迹预测装置，通过获取车辆场景中目标对象信息，获取车辆的参考历史轨迹和多个参考候选轨迹，根据目标对象信息和参考历史轨迹，从多个参考候选轨迹中确定目标轨迹，能够有效避免预测所得轨迹过度发散，有效提升车辆轨迹预测的准确度，提升车辆自动驾驶的安全性。
11.本公开第三方面实施例提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如本公开第一方面实施例提出的车辆轨迹预测方法。
12.本公开第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计
算机程序，该程序被处理器执行时实现如本公开第一方面实施例提出的车辆轨迹预测方法。
13.本公开第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，执行如本公开第一方面实施例提出的车辆轨迹预测方法。
14.本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
15.本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1是本公开一实施例提出的车辆轨迹预测方法的流程示意图；图2是本公开另一实施例提出的车辆轨迹预测方法的流程示意图；图3是本公开实施例中车辆预测流程示意图；图4是本公开另一实施例提出的车辆轨迹预测方法的流程示意图；图5是本公开一实施例提出的车辆轨迹预测装置的结构示意图；图6是本公开另一实施例提出的车辆轨迹预测装置的结构示意图；图7示出了适于用来实现本公开实施方式的示例性电子设备的框图。
具体实施方式
16.下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本公开，而不能理解为对本公开的限制。相反，本公开的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
17.图1是本公开一实施例提出的车辆轨迹预测方法的流程示意图。
18.其中，需要说明的是，本实施例的车辆轨迹预测方法的执行主体为车辆轨迹预测装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在终端设备中。
19.本实施例中的车辆轨迹预测方法可以应用于终端设备，终端设备，是一种经由通信设施向其他设备发送数据或接收其他设备数据的设备，也即是说，该终端设备可以例如为能够进行网络通信连接的智能手机、智能手表、便携式计算机、车载设备等，对此不做限制。
20.如图1所示，该车辆轨迹预测方法，包括：s101：获取车辆场景中目标对象信息。
21.其中，车辆场景，是指车辆行驶场景，目标对象，是指场景中可能影响车辆行驶轨迹的对象，目标对象例如，道路、道路线、自车、周围车辆等等，而目标对象信息，则可以用于描述目标对象相关的信息，目标对象信息，例如，道路的可行使区域、道路线、自车及周围车辆历史轨迹的起始位置、自车及周围车辆历史轨迹的终点位置等等。
22.本公开实施例在获取车辆场景中目标对象信息时，可以采集车辆当前行驶位置信息，基于该行驶位置信息向云控制平台请求高精地图，而后可以对高精地图进行信息解析，
并基于解析所得高精地图信息渲染并获取一幅栅格图像，使得该栅格图像中包括目标对象信息，该栅格图像中的目标对象信息可以包括：道路可行使区域、道路线、自车及周围车辆历史轨迹的起始位置、自车及周围车辆历史轨迹的终点位置等等。
23.s102：获取车辆的参考历史轨迹和多个参考候选轨迹。
24.其中，车辆在实际行驶过程中已经驶出的轨迹，可以被称为参考历史轨迹，而基于车辆的参考历史轨迹进行未来轨迹预测，所预测得到的未来轨迹，可以被称为参考候选轨迹。
25.也即是说，本公开实施例中支持联合车辆场景中目标对象信息以及车辆的参考历史轨迹，从较为发散的多个参考候选轨迹中选取一个最优参考候选轨迹作为最终预测的目标轨迹。
26.其中，可以对车辆的驾驶行为进行自动化分析，以确定车辆在历史时间段的行驶轨迹作为参考历史轨迹，而后，可以基于深度神经网络模型处理参考历史轨迹，并将深度神经网络模型所输出的预测未来轨迹作为参考候选轨迹。
27.其中，还可以预先配置轨迹数据集，该轨迹数据集中可以包含车辆行驶当前路段中可能存在的轨迹，例如可以以穷举的方式构建该轨迹数据集，而后，在获取多个参考候选轨迹时，可以分析车辆行驶当前路段，根据车辆行驶当前路段从轨迹数据集中选取部分预先穷举的轨迹作为参考候选轨迹。
28.s103：根据目标对象信息和参考历史轨迹，从多个参考候选轨迹中确定目标轨迹。
29.上述在获取车辆场景中目标对象信息，并获取车辆的参考历史轨迹和多个参考候选轨迹之后，可以联合目标对象信息和参考历史轨迹从多个参考候选轨迹中选取一个参考候选轨迹作为目标轨迹，以此避免预测所得轨迹过度发散，提升车辆轨迹预测的准确度。
30.可选地，一些实施例中，在根据目标对象信息和参考历史轨迹，从多个参考候选轨迹中确定目标轨迹时，可以基于目标对象信息分析目标对象的特征，并分析参考历史轨迹的轨迹特征，以及各个参考候选轨迹的轨迹特征，而后联合目标对象的特征和参考历史轨迹的轨迹特征，以及各个参考候选轨迹的轨迹特征，从多个参考候选轨迹中确定目标轨迹，对此不做限制。
31.可选地，另一些实施例中，还可以基于路径规划算法处理目标对象信息和参考历史轨迹，并根据所得处理结果从多个参考候选轨迹中确定目标轨迹，对此不做限制。
32.当然，也可以采用其他任意可能的方式处理目标对象信息和参考历史轨迹，以从多个参考候选轨迹中确定目标轨迹。
33.本实施例中，通过获取车辆场景中目标对象信息，并获取车辆的参考历史轨迹和多个参考候选轨迹，以及根据目标对象信息和参考历史轨迹，从多个参考候选轨迹中确定目标轨迹，能够有效避免预测所得轨迹过度发散，有效提升车辆轨迹预测的准确度，提升车辆自动驾驶的安全性。
34.图2是本公开另一实施例提出的车辆轨迹预测方法的流程示意图。
35.如图2所示，该车辆轨迹预测方法，包括：s201：获取车辆场景中目标对象信息。
36.s202：获取车辆的参考历史轨迹和多个参考候选轨迹。
37.s203：确定目标对象信息的目标对象特征。
38.其中，用于描述目标对象的特征，可以被称为目标对象特征。
39.举例而言，如果目标对象信息被携带在栅格图像中，则可以对栅格图像中的目标对象进行识别，并分析目标对象对应于栅格图像的局部图像，对该目标对象的局部图像进行特征分析，得到局部图像特征作为目标对象特征。
40.举例而言，可以将目标对象信息映射至向量空间中，得到目标对象的向量空间特征，并将向量空间特征作为目标对象特征。
41.举例而言，还可以将栅格图像输入至预先训练的神经网络模型中，并获得神经网络模型输出的特征向量作为目标对象特征，针对该处理栅格图像的神经网络模型的训练方式可以具体参见下述实施例。
42.当然，如果目标对象信息被其他载体携带，可以基于与其他载体对应的特征解析方式解析得到目标对象特征，对此不做限制。
43.本公开实施例中随着车辆持续驾驶过程中，目标对象可能是动态变化的，相应的，不同位置以及不同时刻下的目标对象特征也不尽相同。
44.s204：确定参考历史轨迹的参考历史特征。
45.其中，可以对参考历史轨迹进行特征分析处理，以确定该参考历史轨迹的轨迹特征作为参考历史特征。
46.举例而言，可以将参考历史轨迹映射至向量空间中，得到参考历史轨迹的向量空间特征，并将向量空间特征作为参考历史特征。
47.举例而言，还可以将参考历史轨迹输入至预先训练的神经网络模型中，并获得神经网络模型输出的特征向量作为参考历史轨迹的参考历史特征，针对该处理轨迹的神经网络模型的训练方式可以具体参见下述实施例。
48.s205：根据参考历史特征，确定参考候选轨迹的参考候选特征。
49.其中，可以对每一个参考候选轨迹进行特征分析处理，以确定该参考候选轨迹的轨迹特征作为参考候选特征。
50.举例而言，可以将参考候选轨迹映射至向量空间中，得到参考候选轨迹的向量空间特征，并将向量空间特征作为参考候选轨迹的参考候选特征。
51.举例而言，还可以将参考候选轨迹输入至预先训练的神经网络模型中，并获得神经网络模型输出的特征向量作为参考候选轨迹的参考候选特征，针对该处理轨迹的神经网络模型的训练方式可以具体参见下述实施例。
52.本公开实施例中还可以支持根据参考历史特征对参考候选轨迹进行相应的数据归一化处理，以便于后续对参考候选轨迹的分类特征进行分析处理。
53.一些实施例中，还可以基于参考历史特征确定车辆当前所行使的位置，而后基于当前所行使位置构建以车辆为基准的空间坐标系，将参考候选轨迹映射至空间坐标系中，得到映射后候选轨迹，并对映射后候选轨迹进行分析处理，得到参考候选特征，对此不做限制。
54.可以理解的是，上述根据参考历史特征对参考候选轨迹进行相应的数据归一化处理逻辑，可以一并融合至处理轨迹的神经网络模型中，使得将参考历史特征和参考候选轨迹输入至处理轨迹的神经网络模型中，即可以由该模型端到端地得到与映射后候选轨迹所对应的参考候选特征，具体的模型训练过程可以具体参见后续实施例。
55.s206：根据目标对象特征、参考历史特征、以及参考候选特征从多个参考候选轨迹中确定目标轨迹。
56.一些实施例中，可以融合目标对象特征，参考历史特征以及参考候选特征，并基于融合所得特征分析与每一个参考候选轨迹的预测分值，基于该预测分值从多个参考候选轨迹中确定目标轨迹，对此不做限制。
57.可选地，另一些实施例中，还可以根据目标对象特征、参考历史特征、以及参考候选特征确定与参考候选轨迹对应的分类概率值，其中，分类概率值描述参考候选轨迹是目标轨迹的概率情况，并根据分类概率值，从多个参考候选轨迹中确定目标轨迹，从而实现有效快速地从多个参考候选轨迹中确定目标轨迹。
58.可选地，另一些实施例中，还可以将目标对象特征、参考历史特征、以及参考候选特征输入至目标轨迹分类模型中，得到目标轨迹分类模型所输出的与参考候选轨迹对应的分类概率值，由于该目标轨迹分类模型可以是预先基于海量轨迹数据训练所得，因此，该目标轨迹分类模型能够具备较好的车辆轨迹预测能力，能够有效提升车辆轨迹预测效率和预测精准度。
59.如图3所示，图3为本公开实施例中车辆预测流程示意图，包括处理栅格图像的神经网络、处理轨迹的神经网络，则可以将携带目标对象信息的栅格图像输入至处理栅格图像的神经网络中，得到处理栅格图像的神经网络所输出与目标对象信息对应的特征向量，而后，将参考历史轨迹和参考候选轨迹输入至处理轨迹的神经网络中，得到处理轨迹的神经网络输出的与参考历史轨迹对应的参考历史特征（特征向量），以及与参考候选轨迹对应的参考候选特征（特征向量），而后将三种特征向量输入至目标轨迹分类模型中，以得到与参考候选轨迹对应的分类概率值，并将多个分类概率值中最大分类概率值所属参考候选轨迹作为目标轨迹。
60.本实施例中，通过获取车辆场景中目标对象信息，并获取车辆的参考历史轨迹和多个参考候选轨迹，以及根据目标对象信息和参考历史轨迹，从多个参考候选轨迹中确定目标轨迹，能够有效避免预测所得轨迹过度发散，有效提升车辆轨迹预测的准确度，提升车辆自动驾驶的安全性。确定目标对象信息的目标对象特征。通过确定参考历史轨迹的参考历史特征，并根据参考历史特征，确定参考候选轨迹的参考候选特征，根据目标对象特征、参考历史特征、以及参考候选特征从多个参考候选轨迹中确定目标轨迹，从而实现有效快速地从多个参考候选轨迹中确定目标轨迹。
61.本公开实施例中还提供了一种目标轨迹分类模型的训练方法，具体可以参见下述实施例。
62.图4是本公开另一实施例提出的车辆轨迹预测方法的流程示意图。
63.如图4所示，该车辆轨迹预测方法，包括：s401：获取样本对象信息。
64.其中，用于训练模型的车辆场景中的对象，可以被称为样本对象，用于描述样本对象的信息，可以被称为样本对象信息。
65.本公开实施例在获取样本对象信息时，可以采集车辆可能行驶位置信息，基于该可能行驶位置信息向云控制平台请求样本高精地图，而后可以对样本高精地图进行信息解析，并基于解析所得高精地图信息渲染并获取多幅样本栅格图像，使得该样本栅格图像中
包括样本对象信息，该样本对象信息可以包括：道路可行使区域、道路线、自车及周围车辆历史轨迹的起始位置、自车及周围车辆历史轨迹的终点位置等等。
66.s402：获取样本历史轨迹、多个样本候选轨迹，以及与样本历史轨迹对应的标注轨迹。
67.本公开实施例中可以对车辆可能行驶历史轨迹进行采样，以得到样本历史轨迹，并对各个车辆的行驶行为特征进行分析、人工标注得到当前路段下与样本历史轨迹对应的标注轨迹，对此不做限制。
68.本公开实施例中，还可以从上述轨迹数据集中随机选取1000条轨迹作为样本候选轨迹，对此不做限制。
69.s403：根据样本对象信息、样本历史轨迹，以及样本候选轨迹训练初始轨迹分类模型，直至初始轨迹分类模型所输出轨迹与标注轨迹之间的损失值满足设定条件，将训练后初始轨迹分类模型作为目标轨迹分类模型。
70.其中，初始轨迹分类模型可以是人工智能中的神经网络模型、机器学习模型等等。
71.上述获取样本历史轨迹、多个样本候选轨迹，以及与样本历史轨迹对应的标注轨迹之后，可以将样本历史轨迹、多个样本候选轨迹输入至初始轨迹分类模型中，并获取每一个样本候选轨迹与标注轨迹之间的损失值，并将损失值小于损失阈值作为设定条件，直至初始轨迹分类模型所输出轨迹与标注轨迹之间的损失值满足设定条件，将训练后初始轨迹分类模型作为目标轨迹分类模型。
72.本公开实施在基于样本历史轨迹、多个样本候选轨迹，以及与样本历史轨迹对应的标注轨迹训练初始轨迹分类模型之前，为了提升轨迹分类模型训练过程中数据的一致性，便于不同类型数据的比对分析，还可以确定样本对象信息的样本对象特征，并确定样本历史轨迹的样本历史特征，根据样本历史特征，确定样本候选轨迹的样本候选特征，以及根据样本对象特征、样本历史特征，以及所样本候选特征训练初始轨迹分类模型。
73.其中，用于描述样本对象的特征，可以被称为目标对象特征；用于描述样本历史轨迹的特征，可以被称为样本历史特征；用于描述样本候选轨迹的特征，可以被称为样本候选特征。
74.本公开实施例中还可以获取携带样本对象信息的样本栅格图像，并分析样本对象信息的样本对象特征，而后，基于样本栅格图像、样本对象信息的样本对象特征训练一个处理栅格图像的神经网络，并将该处理栅格图像的神经网络与上述初始轨迹分类模型进行模型连接，使得处理栅格图像的神经网络的输出的特征向量可以直接被输入至初始轨迹分类模型之中，对此不做限制。
75.本公开实施例中还可以获取分析样本对象信息的样本对象特征，并确定样本历史轨迹的样本历史特征，而后，基于样本对象特征、样本历史特征训练一个处理轨迹的神经网络，并将该处理轨迹的神经网络与上述初始轨迹分类模型进行模型连接，使得处理轨迹的神经网络的输出的特征向量可以直接被输入至初始轨迹分类模型之中，对此不做限制。
76.另一些实施例中，还可以采用其他任意可能的方式确定样本对象信息的样本对象特征，采用其他任意可能的方式确定样本历史轨迹的样本历史特征，以及采用其他任意可能的方式处理样本历史特征，以得到样本候选轨迹的样本候选特征，对此不做限制。
77.本公开实施例中，在确定样本对象信息的样本对象特征时，可以是获取样本场景
图像，并从样本场景图像中识别出样本对象，以及从样本场景图像中，获得样本对象的图像特征作为样本对象特征，从而能够实现便捷、准确地识别出样本对象信息的样本对象特征。
78.举例而言，如果样本对象信息被携带在样本栅格图像中，则可以对样本栅格图像中的样本对象进行识别，并分析样本对象对应于样本栅格图像的局部图像，对该样本对象的局部图像进行特征分析，得到局部图像特征作为样本对象特征。
79.举例而言，可以将样本对象信息映射至向量空间中，得到样本对象的向量空间特征，并将向量空间特征作为样本对象特征。
80.当然，如果样本对象信息被其他载体携带，可以基于与其他载体对应的特征解析方式解析得到样本对象特征，对此不做限制。
81.本公开实施例中还可以支持在训练初始轨迹分类模型之前，根据样本历史轨迹的样本历史特征对样本候选轨迹进行相应的数据归一化处理，以便于后续对样本候选轨迹的分类特征进行分析处理。
82.一些实施例中，还可以基于样本历史轨迹确定车辆当前所行使的位置，而后基于当前所行使位置构建以车辆为基准的车辆坐标系，将车辆坐标系作为样本历史特征，以便于后续将样本候选轨迹映射至以车辆为基准的车辆坐标系中，对此不做限制。
83.上述在将车辆坐标系作为样本历史特征之后，可以将样本候选轨迹映射至以车辆为基准的车辆坐标系中，并在映射之后，基于所映射的结果来确定相对距离特征，假设样本候选轨迹包括：多帧样本轨迹点，则可以将样本轨迹点映射至车辆坐标系，得到样本映射轨迹点，并对相邻两帧样本映射轨迹点进行差分处理，得到样本差分轨迹点，以及确定样本差分轨迹点与标注轨迹的标注差分轨迹点间的相对距离特征，将多个相对距离特征作为样本候选特征。
84.其中，由于样本候选轨迹可以是一段连续的轨迹，则对应于不同时间点上，存在与该时间点相对应的样本轨迹点，样本映射轨迹点可以是将样本轨迹点投影至车辆坐标系中所得轨迹点坐标，相应的，与各帧样本轨迹点会具有对应的样本映射轨迹点，则可以将前后两帧样本映射轨迹点进行差分处理（即前后两帧的轨迹点坐标作差），所得差分结果可以被作为样本差分轨迹点，而后，可以以同样的映射方式确定标注轨迹的标注差分轨迹点，确定样本差分轨迹点与标注轨迹的标注差分轨迹点间的相对距离特征，将多个相对距离特征作为样本候选特征。
85.举例而言，从轨迹数据集中随机选取1000条轨迹作为样本候选轨迹，采用上述方法计算样本候选轨迹的样本差分轨迹点与标注差分轨迹点之间的动态时间归整（dynamic time warping，dtw）距离，而后还可以将dtw距离小于一定距离阈值作为正样本，标签为1，将dtw距离大于或等于一定距离阈值的作为负样本，标签为0，标注轨迹作为正样本参与训练。损失函数为交叉熵损失函数。通过构造海量的正负样本，实现模型大规模计算。
86.可选地，一些实施例中，标注轨迹包括：多帧标注轨迹点，还可以将标注轨迹点映射至车辆坐标系，得到标注映射轨迹点，并对相邻两帧标注映射轨迹点进行差分处理，得到标注差分轨迹点，从而使得样本候选轨迹与标注轨迹之间相似度（以dtw距离表征）不会受限制与轨迹数据的长度，提升样本候选轨迹与标注轨迹之间相似度计算的便捷性。
87.本实施例中，通过获取样本对象信息，并获取样本历史轨迹、多个样本候选轨迹，以及与样本历史轨迹对应的标注轨迹，以根据样本对象信息、样本历史轨迹，以及样本候选
轨迹训练初始轨迹分类模型，直至初始轨迹分类模型所输出轨迹与标注轨迹之间的损失值满足设定条件，将训练后初始轨迹分类模型作为目标轨迹分类模型，从而实现基于海量轨迹数据训练得到目标轨迹分类模型，使得该目标轨迹分类模型具备较好的车辆轨迹预测能力，能够有效提升车辆轨迹预测的效率和预测精准度。
88.图5是本公开一实施例提出的车辆轨迹预测装置的结构示意图。
89.如图5所示，该车辆轨迹预测装置50，包括：第一获取模块501，用于获取车辆场景中目标对象信息；第二获取模块502，用于获取车辆的参考历史轨迹和多个参考候选轨迹；确定模块503，用于根据目标对象信息和参考历史轨迹，从多个参考候选轨迹中确定目标轨迹。
90.在本公开的一些实施例中，其中，确定模块503，具体用于：确定目标对象信息的目标对象特征；确定参考历史轨迹的参考历史特征；根据参考历史特征，确定参考候选轨迹的参考候选特征；根据目标对象特征、参考历史特征、以及参考候选特征从多个参考候选轨迹中确定目标轨迹。
91.在本公开的一些实施例中，其中，确定模块503，还用于：根据目标对象特征、参考历史特征、以及参考候选特征确定与参考候选轨迹对应的分类概率值，其中，分类概率值描述参考候选轨迹是目标轨迹的概率情况；根据分类概率值，从多个参考候选轨迹中确定目标轨迹。
92.在本公开的一些实施例中，其中，确定模块503，还用于：将目标对象特征、参考历史特征、以及参考候选特征输入至目标轨迹分类模型中，得到目标轨迹分类模型所输出的与参考候选轨迹对应的分类概率值。
93.在公开的一些实施例中，还包括：第三获取模块504，用于获取样本对象信息；第四获取模块505，用于获取样本历史轨迹、多个样本候选轨迹，以及与样本历史轨迹对应的标注轨迹；训练模块506，用于根据样本对象信息、样本历史轨迹，以及样本候选轨迹训练初始轨迹分类模型，直至初始轨迹分类模型所输出轨迹与标注轨迹之间的损失值满足设定条件，将训练后初始轨迹分类模型作为目标轨迹分类模型。
94.在公开的一些实施例中，其中，训练模块506，具体用于：确定样本对象信息的样本对象特征；确定样本历史轨迹的样本历史特征；根据样本历史特征，确定样本候选轨迹的样本候选特征；根据样本对象特征、样本历史特征，以及所样本候选特征训练初始轨迹分类模型。
95.在公开的一些实施例中，其中，训练模块506，还用于：获取样本场景图像；从样本场景图像中识别出样本对象；从样本场景图像中，获得样本对象的图像特征作为样本对象特征。
association；以下简称：vesa）局域总线以及外围组件互连（peripheral component interconnection；以下简称：pci）总线。
107.电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
108.存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器（random access memory；以下简称：ram）30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质（图7未显示，通常称为“硬盘驱动器”）。
109.尽管图7中未示出，可以提供用于对可移动非易失性磁盘（例如“软盘”）读写的磁盘驱动器，以及对可移动非易失性光盘（例如：光盘只读存储器（compact disc read only memory；以下简称：cd-rom）、数字多功能只读光盘（digital video disc read only memory；以下简称：dvd-rom）或者其它光介质）读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组（例如至少一个）程序模块，这些程序模块被配置以执行本公开各实施例的功能。
110.具有一组（至少一个）程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本公开所描述的实施例中的功能和/或方法。
111.电子设备12也可以与一个或多个外部设备14（例如键盘、指向设备、显示器24等）通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备（例如网卡，调制解调器等等）通信。这种通信可以通过输入/输出（i/o）接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络（例如局域网（local area network；以下简称：lan），广域网（wide area network；以下简称：wan）和/或公共网络，例如因特网）通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
112.处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的车辆轨迹预测方法。
113.本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开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，本公开的真正范围和精神由下面的权利要求指出。
114.应当理解的是，本公开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。本公开的范围仅由所附的权利要求来限制。
115.需要说明的是，在本公开的描述中，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。此外，在本公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。
116.流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本公开的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本公开的实施例所属技术领域的技术人员所理解。
117.应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（pga），现场可编程门阵列（fpga）等。
118.本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
119.此外，在本公开各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
120.上述提到的存储介质可以是只读存储器，磁盘或光盘等。
121.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
122.尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。