轨迹预测方法、装置、电子设备和存储介质与流程

本公开涉及自动驾驶，尤其涉及一种轨迹预测方法、装置、电子设备和存储介质。

背景技术：

1、现有的基于交互的轨迹预测方法主要是面向单个交通参与者的未来轨迹预测，传统的单个交通参与者未来轨迹预测方法呈现典型的多输入-单输出架构。然而，为实现自动驾驶车辆在复杂高动态场景下的安全行驶，自动驾驶车辆需要同时快速精准预测多个周边交通参与者(车辆、非机动车、行人等)的未来轨迹，呈现典型的多输入-多输出特点，使用传统的多输入-单输出架构进行多交通参与者轨迹预测时需要多次调用，计算量巨大，难以满足自动驾驶实时性需求。

2、并且，由于交通参与者的运动意图未知，其未来轨迹会呈现典型的多模态特性。然而，由于真实交通场景下采集的数据仅记录单类模态，通过预定义的行为模式扩展多模态的方式实现多模态轨迹预测的精度严重依赖于先验知识，使得面向多模态的轨迹预测模型训练时存在模态崩溃和训练过程不稳定的风险。

技术实现思路

1、为了解决上述技术问题或者至少部分地解决上述技术问题，本公开实施例提供了一种轨迹预测方法、装置、电子设备和存储介质，以快速精准对多交通参与者进行多模态轨迹预测，并且提高多模态轨迹预测的稳定性和可靠性。

2、第一方面，本公开实施例提供了一种轨迹预测方法，该方法包括：

3、针对当前交通场景中的每个局部区域，根据目标交通参与者在历史时间域内的目标输入特征，确定目标交通参与者隐式状态特征；

4、根据周边交通参与者在历史时间域内的周边输入特征，确定周边交通参与者隐式状态特征；其中，所述目标交通参与者为位于所述局部区域中心的交通参与者，所述周边交通参与者为所述局部区域中除所述目标交通参与者之外的交通参与者；

5、根据所述目标交通参与者隐式状态特征、所述周边交通参与者隐式状态特征、所述局部区域的局部地图特征、第一注意力模块以及第二注意力模块，确定所述局部区域的局部区域语义特征；

6、根据所述当前交通场景，确定与所述局部区域对应的周边区域，根据所述局部区域的局部区域语义特征、所述周边区域的局部区域语义特征、所述周边区域与所述局部区域的相对位姿特征以及第三注意力模块，确定所述目标交通参与者的目标语义特征；

7、针对每个交通参与者，根据所述当前交通场景的全局地图特征、所述交通参与者的目标语义特征以及多头注意力模块，确定所述交通参与者的多个全局地图交互特征；

8、将各交通参与者的目标语义特征分别与其对应的多个全局地图交互特征进行融合，得到多个融合特征，并分别将各交通参与者对应的多个融合特征输入至轨迹预测解码模块中，得到与每个交通参与者对应的多条预测轨迹、与每条预测轨迹对应的隶属概率以及每条预测轨迹中的各预测位置的概率分布参数。

9、第二方面，本公开实施例还提供了一种轨迹预测装置，该装置包括：

10、目标交通参与者特征提取模块，用于针对当前交通场景中的每个局部区域，根据目标交通参与者在历史时间域内的目标输入特征，确定目标交通参与者隐式状态特征；

11、周边交通参与者特征提取模块，用于根据周边交通参与者在历史时间域内的周边输入特征，确定周边交通参与者隐式状态特征；其中，所述目标交通参与者为位于所述局部区域中心的交通参与者，所述周边交通参与者为所述局部区域中除所述目标交通参与者之外的交通参与者；

12、局部区域语义特征提取模块，用于根据所述目标交通参与者隐式状态特征、所述周边交通参与者隐式状态特征、所述局部区域的局部地图特征、第一注意力模块以及第二注意力模块，确定所述局部区域的局部区域语义特征；

13、目标语义特征提取模块，用于根据所述当前交通场景，确定与所述局部区域对应的周边区域，根据所述局部区域的局部区域语义特征、所述周边区域的局部区域语义特征、所述周边区域与所述局部区域的相对位姿特征以及第三注意力模块，确定所述目标交通参与者的目标语义特征；

14、全局地图交互特征提取模块，用于针对每个交通参与者，根据所述当前交通场景的全局地图特征、所述交通参与者的目标语义特征以及多头注意力模块，确定所述交通参与者的多个全局地图交互特征；

15、轨迹和位置预测模块，用于将各交通参与者的目标语义特征分别与其对应的多个全局地图交互特征进行融合，得到多个融合特征，并分别将各交通参与者对应的多个融合特征输入至轨迹预测解码模块中，得到与每个交通参与者对应的多条预测轨迹、与每条预测轨迹对应的隶属概率以及每条预测轨迹中的各预测位置的概率分布参数。

16、第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的轨迹预测方法。

17、第四方面，本公开实施例还提供了一种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上所述的轨迹预测方法。

18、本公开实施例提供的一种轨迹预测方法，通过对当前交通场景中的每个局部区域中的目标交通参与者隐式状态特征以及周边交通参与者隐式状态特征进行提取，进而，通过第一注意力模块以及第二注意力模块对目标交通参与者隐式状态特征、周边交通参与者隐式状态特征、局部区域的局部地图特征进行处理，得到局部区域的局部区域语义特征，进一步的，确定各局部区域对应的周边区域，并通过第三注意力模块对局部区域的局部区域语义特征、周边区域的局部区域语义特征、周边区域与局部区域的相对位姿特征进行处理，得到目标交通参与者的目标语义特征，针对每个交通参与者，通过多头注意力模块对当前交通场景的全局地图特征以及交通参与者的目标语义特征进行多特征提取，得到交通参与者的多个全局地图交互特征，以便于后续的多模态轨迹预测，进而，将各交通参与者的目标语义特征分别与多个全局地图交互特征进行融合，并将各交通参与者对应的融合后的多个融合结果分别输入至轨迹预测解码模块中，得到与每个交通参与者对应的多条预测轨迹、与每条预测轨迹对应的隶属概率以及每条预测轨迹中的各预测位置的概率分布参数，实现了快速精准对多交通参与者进行多模态轨迹预测，并且提高多模态轨迹预测的稳定性和可靠性的效果。

技术特征：

1.一种轨迹预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，在所述根据目标交通参与者在历史时间域内的目标输入特征，确定目标交通参与者隐式状态特征；根据周边交通参与者在历史时间域内的周边输入特征，确定周边交通参与者隐式状态特征之前，还包括：

3.根据权利要求1所述的方法，其特征在于，所述根据所述目标交通参与者隐式状态特征、所述周边交通参与者隐式状态特征、所述局部区域的局部地图特征、第一注意力模块以及第二注意力模块，确定所述局部区域的局部区域语义特征，包括：

4.根据权利要求3所述的方法，其特征在于，所述根据所述目标交通参与者隐式状态特征、所述周边交通参与者隐式状态特征以及第一注意力模块，确定空间交互特征，包括：

5.根据权利要求1所述的方法，其特征在于，所述根据所述局部区域的局部区域语义特征、所述周边区域的局部区域语义特征、所述周边区域与所述局部区域的相对位姿特征以及第三注意力模块，确定所述目标交通参与者的目标语义特征，包括：

6.根据权利要求1所述的方法，其特征在于，在所述针对当前交通场景中的每个局部区域，根据目标交通参与者在历史时间域内的目标输入特征，确定目标交通参与者隐式状态特征之前，还包括：

7.根据权利要求1所述的方法，其特征在于，所述针对每个交通参与者，根据所述当前交通场景的全局地图特征、所述交通参与者的目标语义特征以及多头注意力模块，确定所述交通参与者的多个全局地图交互特征，包括：

8.一种轨迹预测装置，其特征在于，包括：

9.一种电子设备，其特征在于，所述电子设备包括：

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的轨迹预测方法。

技术总结
本公开实施例公开了一种轨迹预测方法、装置、电子设备和存储介质，该方法包括：针对各局部区域，根据目标输入特征和周边输入特征分别确定对应的隐式状态特征；结合局部地图特征、第一注意力模块和第二注意力模块，确定局部区域语义特征；根据局部区域和周边区域各自的局部区域语义特征、相对位姿特征和第三注意力模块，确定目标语义特征；根据全局地图特征、目标语义特征和多头注意力模块，确定全局地图交互特征；将各交通参与者的目标语义特征分别与各全局地图交互特征进行融合，通过轨迹预测解码模块解码得到每个交通参与者对应的多条预测轨迹、隶属概率和各预测位置的概率分布参数，以进行多模态轨迹预测，提高轨迹预测的稳定性和可靠性。

技术研发人员：肖伟,刘浩泉,孙博帆,杨天,樊越海
受保护的技术使用者：驭势科技（北京）有限公司
技术研发日：
技术公布日：2024/1/15