一種車輛軌跡預測方法、裝置和計算機存儲介質(zhì)與流程
1.本技術(shù)涉及車輛控制技術(shù)領(lǐng)域，特別涉及一種車輛軌跡預測方法、裝置和計算機存儲介質(zhì)。
背景技術(shù)：
2.在車輛的自動駕駛中，需要先對車輛自動駕駛的軌跡進行預測，以便于車輛基于預測的軌跡進行自動駕駛控制；現(xiàn)有技術(shù)中，預測車輛軌跡的方式常見為：基于運動限制模型進行軌跡預測或基于深度學習進行軌跡預測。
3.其中，基于運動限制模型進行軌跡預測的方法對于車輛數(shù)據(jù)采集的精度依賴較高；基于深度學習進行軌跡預測的方法其并未考慮環(huán)境對于車輛行駛的影響，從而導致車輛軌跡預測的抗噪能力較差，軌跡預測結(jié)果準確度也不足。
技術(shù)實現(xiàn)要素：
4.針對現(xiàn)有技術(shù)的上述問題，本技術(shù)的目的在于將車輛行駛特征，以及道路特征進行特征融合，以得到車輛行駛軌跡與行駛道路信息的關(guān)聯(lián)關(guān)系，進而能夠提高車輛軌跡的預測精度，以及提高車輛軌跡預測的抗噪能力。
5.為了解決上述問題，本技術(shù)提供了一種車輛軌跡預測方法，包括：
6.獲取目標車輛和周圍車輛各自對應的歷史行駛軌跡，以及所述目標車輛周圍的行駛道路信息；
7.分別對所述目標車輛和所述周圍車輛各自對應的歷史行駛軌跡進行行駛特征提取，得到所述目標車輛和所述周圍車輛各自對應的車輛行駛特征；
8.對所述行駛道路信息進行道路特征提取，得到道路特征；
9.基于所述目標車輛和所述周圍車輛各自對應的車輛行駛特征，以及所述道路特征進行特征融合，得到第一融合特征；所述第一融合特征表征車輛行駛軌跡與所述行駛道路信息的關(guān)聯(lián)關(guān)系；
10.基于所述行駛道路信息，所述目標車輛和所述周圍車輛各自對應的車輛行駛特征，所述道路特征，以及所述第一融合特征進行軌跡預測，得到所述目標車輛的軌跡預測結(jié)果。
11.在本技術(shù)實施例中，所述對所述行駛道路信息進行道路特征提取，得到道路特征包括：
12.以第一采樣間隔對所述行駛道路信息進行車道信息采樣，得到第一車道信息；
13.對所述第一車道信息進行特征提取，得到所述道路特征。
14.在本技術(shù)實施例中，所述基于所述行駛道路信息，所述目標車輛和所述周圍車輛各自對應的車輛行駛特征，所述道路特征，以及所述第一融合特征進行軌跡預測，得到所述目標車輛的軌跡預測結(jié)果包括：
15.以第二采樣間隔對所述行駛道路信息進行車道信息采樣，得到第二車道信息；所
述第一采樣間隔大于所述第二采樣間隔；
16.基于所述第二車道信息，所述目標車輛和所述周圍車輛各自對應的車輛行駛特征，所述道路特征，以及所述第一融合特征進行軌跡預測，得到所述目標車輛的軌跡預測結(jié)果。
17.在本技術(shù)實施例中，所述第二車道信息包括多個車道采集點，所述基于所述第二采集信息，所述目標車輛和所述周圍車輛各自對應的車輛行駛特征，所述道路特征，以及所述第一融合特征進行軌跡預測，得到所述目標車輛的軌跡預測結(jié)果包括：
18.基于所述第二采集信息，所述目標車輛和所述周圍車輛各自對應的車輛行駛特征，所述道路特征，以及所述第一融合特征，對所述多個車道采集點進行概率預測，得到所述多個車道采集點各自對應的區(qū)域中心概率；
19.基于所述多個車道采集點各自對應的區(qū)域中心概率，確定目標采集點；所述目標采集點為所述多個車道采集點基于所述多個車道采集點各自對應的區(qū)域中心概率進行由大到小排序后，從前往后依次選取的多個車道采集點；
20.對所述目標采集點的周圍區(qū)域進行采樣，得到多個關(guān)聯(lián)采集點；
21.基于所述多個關(guān)聯(lián)采集點，確定多個目標終點；所述多個目標終點與最近的關(guān)聯(lián)采集點的距離小于所述第二采樣間隔；
22.基于所述多個目標終點，所述目標車輛和所述周圍車輛各自對應的車輛行駛特征，以及所述道路特征進行軌跡預測，得到所述目標車輛對應的多條預測軌跡。
23.在本技術(shù)實施例中，所述基于所述多個關(guān)聯(lián)采集點，確定多個目標終點包括：
24.基于所述多個關(guān)聯(lián)采集點，所述目標車輛和所述周圍車輛各自對應的車輛行駛特征，所述道路特征，以及所述第一融合特征，對所述多個關(guān)聯(lián)采集點進行得分預測，得到所述多個關(guān)聯(lián)采集點各自對應的區(qū)域邊界得分；
25.基于所述多個關(guān)聯(lián)采集點各自對應的區(qū)域邊界得分，確定目標關(guān)聯(lián)點；所述目標關(guān)聯(lián)點為所述多個關(guān)聯(lián)采集點基于所述多個關(guān)聯(lián)采集點各自對應的區(qū)域邊界得分進行由大到小排序后，從前往后依次選取的多個關(guān)聯(lián)采集點；
26.基于所述目標關(guān)聯(lián)點，以及所述目標關(guān)聯(lián)點對應的得分進行目標終點預測，確定多個目標終點。
27.在本技術(shù)實施例中，所述基于所述目標關(guān)聯(lián)點，以及所述目標關(guān)聯(lián)點對應的得分進行目標終點預測，確定多個目標終點包括：
28.基于所述目標關(guān)聯(lián)點，以及所述目標關(guān)聯(lián)點對應的得分進行高維映射，得到多個關(guān)聯(lián)特征矩陣；
29.分別對所述多個關(guān)聯(lián)特征矩陣中同一位置的元素進行篩選處理，得到第一特征矩陣；所述第一特征矩陣中各位置的元素為，所述多個關(guān)聯(lián)特征矩陣中對應位置元素的最大值；
30.分別對所述多個關(guān)聯(lián)特征矩陣中同一位置的元素進行加權(quán)平均處理，得到第二特征矩陣；
31.對所述第一特征矩陣，以及所述第二特征矩陣進行矩陣合并，得到第三特征矩陣；
32.將所述第三特征矩陣輸入所述終點預測模型進行終點預測，得到所述多個目標終點。
33.在本技術(shù)實施例中，所述基于所述多個目標終點，所述目標車輛和所述周圍車輛各自對應的車輛行駛特征，以及所述道路特征進行軌跡預測，得到所述目標車輛對應的多條預測軌跡包括：
34.對所述多個目標終點進行高維映射，得到所述多個目標終點各自對應的終點映射信息；
35.對所述多個目標終點各自對應的終點映射信息進行特征提取，得到多個終點特征；
36.基于所述道路特征，以及所述多個終點特征進行特征融合，得到第二融合特征；
37.將所述終點特征、所述第二融合特征，以及所述目標車輛對應的車輛行駛特征輸入軌跡預測模型進行軌跡預測，得到所述目標車輛對應的多條預測軌跡。
38.另一方面，本技術(shù)還提供一種車輛軌跡預測裝置，包括：
39.獲取模塊，用于獲取目標車輛和周圍車輛各自對應的歷史行駛軌跡，以及所述目標車輛周圍的行駛道路信息；
40.第一特征提取模塊，用于分別對所述目標車輛和所述周圍車輛各自對應的歷史行駛軌跡進行行駛特征提取，得到所述目標車輛和所述周圍車輛各自對應的車輛行駛特征；
41.第二特征提取模塊，用于基于所述行駛道路信息進行道路特征提取，得到道路特征；
42.第一融合模塊，用于基于所述目標車輛和所述周圍車輛各自對應的車輛行駛特征，以及所述道路特征進行特征融合，得到第一融合特征；所述第一融合特征表征車輛行駛軌跡與所述行駛道路信息的關(guān)聯(lián)關(guān)系；
43.軌跡預測模塊，用于基于所述行駛道路信息，所述目標車輛和所述周圍車輛各自對應的車輛行駛特征，所述道路特征，以及所述第一融合特征進行軌跡預測，得到所述目標車輛的軌跡預測結(jié)果。
44.另一方面，本技術(shù)還提供一種電子設(shè)備，所述設(shè)備包括處理器和存儲器，所述存儲器中存儲有至少一條指令或至少一段程序，所述至少一條指令或所述至少一段程序由所述處理器加載并執(zhí)行以實現(xiàn)如上述車輛軌跡預測方法。
45.另一方面，本技術(shù)還提供一種計算機存儲介質(zhì)，所述存儲介質(zhì)中存儲有至少一條指令或至少一段程序，所述至少一條指令或所述至少一段程序由處理器加載并執(zhí)行以實現(xiàn)如上述車輛軌跡預測方法。
46.由于上述技術(shù)方案，本技術(shù)所述的一種車輛軌跡預測方法具有以下有益效果：
47.通過提取目標車輛和周圍車輛各自對應的車輛行駛特征；以及提取道路特征；將目標車輛和周圍車輛各自對應的車輛行駛特征，以及道路特征進行特征融合得到第一融合特征后，基于目標車輛和周圍車輛各自對應的車輛行駛特征，提取道路特征，以及第一融合特征進行軌跡預測，充分考慮了車輛自身行駛因素，道路行駛因素，以及道路對于車輛行駛的影響因素，提高車輛軌跡預測的抗噪能力，進而提高了軌跡預測的精確性。
附圖說明
48.為了更清楚地說明本技術(shù)的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單的介紹。顯而易見地，下面描述中的附圖僅僅是本技術(shù)的一些實施例，對
于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其它附圖。
49.圖1是本技術(shù)實施例提供的一種車輛軌跡預測方法流程示意圖；
50.圖2是本技術(shù)實施例提供的一種車輛軌跡預測方法中道路特征提取流程示意圖；
51.圖3是本技術(shù)實施例提供的一種車輛軌跡預測方法中軌跡預測流程示意圖一；
52.圖4是本技術(shù)實施例提供的一種車輛軌跡預測方法中軌跡預測流程示意圖二；
53.圖5是本技術(shù)實施例提供的一種車輛軌跡預測方法中目標終點確定流程示意圖；
54.圖6是本技術(shù)實施例提供的一種車輛軌跡預測方法中目標終點預測流程示意圖；
55.圖7是本技術(shù)實施例提供的一種車輛軌跡預測方法中軌跡預測流程示意圖；
56.圖8是本技術(shù)實施例提供的一種車輛軌跡預測裝置結(jié)構(gòu)示意圖；
57.圖9是本技術(shù)實施例提供的一種車輛軌跡預測方法的硬件結(jié)構(gòu)框圖。
具體實施方式
58.下面將結(jié)合本技術(shù)實施例中的附圖，對本技術(shù)實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本技術(shù)一部分實施例，而不是全部的實施例?；诒炯夹g(shù)中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動的前提下所獲得的所有其他實施例，都屬于本技術(shù)保護的范圍。
59.此處所稱的“一個實施例”或“實施例”是指可包含于本技術(shù)至少一個實現(xiàn)方式中的特定特征、結(jié)構(gòu)或特性。在本技術(shù)的描述中，需要理解的是，術(shù)語“上”、“下”、“左”、“右”、“頂”、“底”等指示的方位或位置關(guān)系為基于附圖所示的方位或位置關(guān)系，僅是為了便于描述本技術(shù)和簡化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構(gòu)造和操作，因此不能理解為對本技術(shù)的限制。此外，術(shù)語“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對重要性或者隱含指明所指示的技術(shù)特征的數(shù)量。由此，限定有“第一”、“第二”的特征可以明示或者隱含的包括一個或者更多個該特征。而且，術(shù)語“第一”、“第二”等是用于區(qū)別類似的對象，而不必用于描述特定的順序或先后次序。應該理解這樣使用的數(shù)據(jù)在適當情況下可以互換，以便這里描述的本技術(shù)的實施例能夠以除了在這里圖示或描述的那些以外的順序?qū)嵤?br/>60.結(jié)合圖1，介紹本技術(shù)實施例提供的一種車輛軌跡預測方法，該方法包括：
61.s1001、獲取目標車輛和周圍車輛各自對應的歷史行駛軌跡，以及目標車輛周圍的行駛道路信息；
62.目標車輛是指需要進行車輛軌跡預測的車輛，周圍車輛是指在預設(shè)時間段內(nèi)，持續(xù)出現(xiàn)在目標車輛周圍的車輛；歷史行駛軌跡是指當前時刻之前的行駛軌跡，優(yōu)選的，歷史行駛軌跡由多個行駛軌跡點構(gòu)成；行駛道路信息為，以目標車輛的當前位置為中心的預設(shè)范圍內(nèi)的道路信息；行駛道路信息可以是指高精度的地圖數(shù)據(jù)，具體的，行駛道路信息包括道路中心線，紅綠燈等信息。
63.在本技術(shù)具體實施例中，基于預設(shè)時間間隔和預設(shè)時間段，對目標車輛和鄰近車輛各自對應的行駛位置進行采集，得到目標車輛和鄰近車輛各自對應的歷史行駛軌跡；預設(shè)時間間隔小于0.3s，預設(shè)時間段小于6s；具體的，預設(shè)時間間隔可以是0.1s，預設(shè)時間段可以是2s，也就是說對目標車輛的歷史軌跡進行采集，得到20個歷史軌跡點
對鄰近車輛進行同步采集，在鄰近車輛對應的歷史軌跡點大于或等于五的情況下，確定鄰近車輛為周圍車輛；在本技術(shù)其他實施例中，預設(shè)時間間隔可以是0.15s，預設(shè)時間段可以是3s，周圍車輛的歷史軌跡點可以大于或等于六；通過較短時間的數(shù)據(jù)采集，從而能夠以較短的歷史軌跡預測出較長的預測軌跡，提高了軌跡預測的實用性。
64.在本技術(shù)具體實施例中，以目標車輛的當前位置為原點，建立平面坐標系，進而可以得到每個歷史軌跡點對應的平面坐標。
65.在本技術(shù)實施例中，行駛道路信息可以是基于車輛本地存儲的高精度地圖數(shù)據(jù)，也可以是從云端獲取的高精度地圖數(shù)據(jù)。
66.s1002、分別對目標車輛和周圍車輛各自對應的歷史行駛軌跡進行行駛特征提取，得到目標車輛和周圍車輛各自對應的車輛行駛特征；車輛行駛特征表征歷史行駛軌跡的規(guī)律特征；具體的，行駛特征提取可以采用交叉注意力機制進行特征提取，也可以采用歐式距離進行特征提取。
67.在本技術(shù)具體實施例中，注意力機制的公式如下：
[0068][0069]
其中，q為第一矩陣，k為第二矩陣，k
t
為第二矩陣的轉(zhuǎn)置矩陣，v為第三矩陣，dk表征向量的維度，attention為交叉注意力結(jié)果，softmax為歸一化函數(shù)，具體的：
[0070]
q＝x1×
w1?????????????????????????
(2)
[0071]
k＝x2×
w2?????????????????????????
(3)
[0072]
v＝x3×
w3?????????????????????????
(4)
[0073]
其中，x1為第一輸入值，x2為第二輸入值，x3為第三輸入值，w1，w2，w3均為通過智能學習得到的矩陣參數(shù)。
[0074]
在本技術(shù)具體實施例中，對歷史軌跡進行特征提取的情況下，將歷史軌跡中任意的兩個軌跡點作為交叉注意力機制的輸入，具體為x1，x2＝x3，進而得到相鄰兩個軌跡點對應的節(jié)點特征；
[0075]
優(yōu)選的，求取每條歷史軌跡中最大的節(jié)點特征的特征值，作為目標車輛和周圍車輛各自對應的車輛行駛特征：
[0076][0077]
其中，f
sg
是指車輛行駛特征，是指第i個目標對應a時刻的節(jié)點特征，是指第i個目標對應b時刻的節(jié)點特征，n為目標車輛以及周圍車輛的數(shù)量總和，t為歷史軌跡采集的最大時刻對應的軌跡點數(shù)量。
[0078]
在本技術(shù)實施例中，采用交叉注意力機制，從而充分考慮了車輛每個歷史軌跡點之間的相互影響，從而提高了車輛行駛特征的提取精度，進而提高車輛軌跡預測精度。
[0079]
在本技術(shù)另一具體實施例中，還可以采用歐式距離的倒數(shù)作為兩個歷史軌跡點之間的影響，從而選取數(shù)值較小的值作為車輛行駛特征；具體的，若兩個歷史軌跡點之間歐式距離的倒數(shù)越小，兩者之間的關(guān)系越疏遠；兩個歷史軌跡點越近，兩者之間的關(guān)系越親近。
[0080]
s1003、對行駛道路信息進行道路特征提取，得到道路特征；道路特征表征行駛道路信息的規(guī)律特征；具體的，行駛特征提取可以采用交叉注意力機制進行特征提取。
[0081]
s1004、基于目標車輛和周圍車輛各自對應的車輛行駛特征，以及道路特征進行特征融合，得到第一融合特征；第一融合特征表征車輛行駛軌跡與行駛道路信息的關(guān)聯(lián)關(guān)系；優(yōu)選的，特征融合過程可以是采用交叉注意力機制進行融合；交叉注意力機制的輸入為任意兩個特征值。
[0082]
s1005、基于行駛道路信息，目標車輛和周圍車輛各自對應的車輛行駛特征，道路特征，以及第一融合特征進行軌跡預測，得到目標車輛的軌跡預測結(jié)果。
[0083]
在本技術(shù)實施例中，通過提取目標車輛和周圍車輛各自對應的車輛行駛特征；以及提取道路特征；將目標車輛和周圍車輛各自對應的車輛行駛特征，以及道路特征進行特征融合得到第一融合特征后，基于目標車輛和周圍車輛各自對應的車輛行駛特征，提取道路特征，以及第一融合特征進行軌跡預測，充分考慮了車輛自身行駛因素，道路行駛因素，以及道路對于車輛行駛的影響因素，提高車輛軌跡預測的抗噪能力，進而提高了軌跡預測的精確性。
[0084]
參考圖2，在本技術(shù)實施例中，s1003包括：
[0085]
s2001、以第一采樣間隔對行駛道路信息進行車道信息采樣，得到第一車道信息；第一采樣間隔是指相鄰采集點之間的距離；優(yōu)選的，第一采樣間隔可以為5m，也可以為10m；例如，以5m對行駛道路信息進行車道信息采集，其中，行駛道路信息包括道路中心線，紅綠燈等數(shù)據(jù)，且行駛道路信息對應的地圖精度大于第一車道信息對應的地圖精度；第一車道信息是指目標車輛行駛車道上對應的信息，優(yōu)選的，可以是目標車輛行駛車道中心線上的多個采集點，也可以是目標車輛行駛車道邊界上的多個采集點。
[0086]
s2002、對第一車道信息進行特征提取，得到道路特征。
[0087]
在本技術(shù)具體實施例中，第一車道信息包括多個車道采集點，將多個車道采集點進行區(qū)域劃分，得到多組車道采集點，將多組車道采集點分別進行交叉注意力計算，進而得到多組車道采集點對應的區(qū)域特征；道路特征即為多組車道采集點對應的區(qū)域特征。
[0088]
在本技術(shù)實施例中，通過以第一采樣間隔對行駛道路信息進行車道采集，并對采集得到的第一車道信息進行特征提取，得到道路特征，從而降低了特征提取的數(shù)據(jù)處理量，進而提高了特征提取速率。
[0089]
參考圖3，在本技術(shù)實施例中，s1005包括：
[0090]
s3001、以第二采樣間隔對行駛道路信息進行車道信息采樣，得到第二車道信息；第一采樣間隔大于第二采樣間隔；第二采樣間隔是指相鄰采集點之間的距離；優(yōu)選的，第二采樣間隔可以是2m，也可以是3m；例如，以2m對行駛道路信息進行車道信息采集；第二車道信息是指目標車輛行駛車道上對應的信息，優(yōu)選的，可以是目標車輛行駛車道中心線上的多個采集點，也可以是目標車輛行駛車道邊界上的多個采集點；在對同一行駛道路信息進行車道信息采集的情況下，采樣間隔越大，采集的數(shù)據(jù)越少，在第一采樣間隔大于第二采樣間隔的情況下，第二車道信息對應的采集數(shù)據(jù)大于第一車道信息對應的采集數(shù)據(jù)。
[0091]
s3002、基于第二車道信息，目標車輛和周圍車輛各自對應的車輛行駛特征，道路特征，以及第一融合特征進行軌跡預測，得到目標車輛的軌跡預測結(jié)果。
[0092]
在本技術(shù)實施例中，通過以第二采樣間隔對行駛道路信息進行車道采集，并基于
采集得到的第二車道信息進行軌跡預測，相比直接采用行駛道路信息進行軌跡預測，降低了軌跡預測的數(shù)據(jù)處理量，提高了軌跡預測速率；相比于采用第一車道信息進行軌跡預測，提高了軌跡預測的處理數(shù)據(jù)，進而提高了軌跡預測的可靠性和精確性。
[0093]
參考圖4，在本技術(shù)實施例中，第二車道信息包括多個車道采集點，s3002包括：
[0094]
s4001、基于第二采集信息，目標車輛和周圍車輛各自對應的車輛行駛特征，道路特征，以及第一融合特征，對多個車道采集點進行概率預測，得到多個車道采集點各自對應的區(qū)域中心概率；區(qū)域中心概率是指多個采集點為目標終點所在區(qū)域中心軸線上的概率。
[0095]
在本技術(shù)具體實施例中，將第二采集信息，目標車輛和周圍車輛各自對應的車輛行駛特征，道路特征，以及第一融合特征輸入概率預測模型進行概率預測，得到多個車道采集點各自對應的區(qū)域中心概率；概率預測模型是基于樣本采樣信息，多個樣本車輛行駛特征，樣本道路特征，樣本融合特征，以及樣本概率進行智能識別訓練得到的；概率預測模型可以是多層感知模型(mlp，multilayer perceptron)；在采用多層感知模型的情況下，降低了數(shù)據(jù)處理時間，提高了軌跡預測的效率。
[0096]
s4002、基于多個車道采集點各自對應的區(qū)域中心概率，確定目標采集點；目標采集點為多個車道采集點基于多個車道采集點各自對應的區(qū)域中心概率進行由大到小排序后，從前往后依次選取的多個車道采集點；
[0097]
s4003、對目標采集點的周圍區(qū)域進行采樣，得到多個關(guān)聯(lián)采集點；
[0098]
具體的，對目標采集點周圍區(qū)域進行采樣可以是以目標采集點為中心，與目標采集點相隔預設(shè)采集間隔的多個點進行采樣；具體的，預設(shè)采集間隔小于第二采樣間隔，優(yōu)選的，預設(shè)采集間隔可以為0.8m，也可以為1m；每個目標采集點對應采集預設(shè)數(shù)量的關(guān)聯(lián)采集點，優(yōu)選的，預設(shè)數(shù)量可以為8個，也可以為10個；例如，在每個目標采集點周圍0.8m的范圍內(nèi)，均勻的采集8個點作為關(guān)聯(lián)采集點。
[0099]
在本技術(shù)具體實施例中，需要對采集的多個關(guān)聯(lián)點進行去重操作，以降低數(shù)據(jù)處理量，進而提高軌跡預測速率。
[0100]
s4004、基于多個關(guān)聯(lián)采集點，確定多個目標終點；多個目標終點與最近的關(guān)聯(lián)采集點的距離小于第二采樣間隔；也就是說，目標終點位于以多個關(guān)聯(lián)采集點的第二采樣間隔區(qū)域為邊界，組成的區(qū)域內(nèi)。
[0101]
s4005、基于多個目標終點，目標車輛和周圍車輛各自對應的車輛行駛特征，以及道路特征進行軌跡預測，得到目標車輛對應的多條預測軌跡。
[0102]
在本技術(shù)實施例中，通過先求解得出目標終點，并基于目標終點進行軌跡預測，通過提前預測出目標車輛的行駛意圖，進而提高了軌跡預測的精度，以及可靠性。
[0103]
在本技術(shù)實施例中，通過預測多條預測軌跡，從而便于后續(xù)自動駕駛規(guī)劃中存在多種可選擇路線，進而提高自動駕駛規(guī)劃的智能性。
[0104]
參考圖5，在本技術(shù)實施例中，s4004包括：
[0105]
s5001、基于多個關(guān)聯(lián)采集點，目標車輛和周圍車輛各自對應的車輛行駛特征，道路特征，以及第一融合特征，對多個關(guān)聯(lián)采集點進行得分預測，得到多個關(guān)聯(lián)采集點各自對應的區(qū)域邊界得分；區(qū)域邊界得分是指以此關(guān)聯(lián)點的第二采樣間隔區(qū)域為邊界的情況下，目標終點位于該區(qū)域內(nèi)的得分。
[0106]
在本技術(shù)具體實施例中，將多個關(guān)聯(lián)采集點，目標車輛和周圍車輛各自對應的車
輛行駛特征，道路特征，以及第一融合特征輸入得分預測模型，得到多個關(guān)聯(lián)采集點各自對應的區(qū)域邊界得分；其中，得分預測模型是基于多個樣本關(guān)聯(lián)采集點，多個樣本車輛行駛特征，樣本道路特征，樣本融合特征，以及樣本得分進行智能識別訓練得到的；得分預測模型可以是多層感知模型(mlp，multilayer perceptron)；在采用多層感知模型的情況下，降低了數(shù)據(jù)處理時間，提高了軌跡預測的效率。
[0107]
s5002、基于多個關(guān)聯(lián)采集點各自對應的區(qū)域邊界得分，確定目標關(guān)聯(lián)點；目標關(guān)聯(lián)點為多個關(guān)聯(lián)采集點基于多個關(guān)聯(lián)采集點各自對應的區(qū)域邊界得分進行由大到小排序后，從前往后依次選取的多個關(guān)聯(lián)采集點；
[0108]
s5003、基于目標關(guān)聯(lián)點，以及目標關(guān)聯(lián)點對應的得分進行目標終點預測，確定多個目標終點；目標終點即為軌跡預測的終點。
[0109]
在本技術(shù)實施例中，通過對多個關(guān)聯(lián)采集點進行得分預測，并基于多個關(guān)聯(lián)采集點各自對應的區(qū)域邊界得分進行篩選，再基于篩選得到的目標關(guān)聯(lián)點進行目標終點預測，進而能夠降低目標終點預測的數(shù)據(jù)處理量，進而提高目標終點預測效率。
[0110]
參考圖6，在本技術(shù)實施例中，s5003包括：
[0111]
s6001、基于目標關(guān)聯(lián)點，以及目標關(guān)聯(lián)點對應的得分進行高維映射，得到多個關(guān)聯(lián)特征矩陣；多個關(guān)聯(lián)矩陣是指多個關(guān)聯(lián)采集點各自的關(guān)聯(lián)特征矩陣，關(guān)聯(lián)特征矩陣用于表征對應的關(guān)聯(lián)采集點的特征。
[0112]
在本技術(shù)具體實施例中，目標關(guān)聯(lián)點位于以目標車輛為中心點構(gòu)件的坐標平面上，基于目標關(guān)聯(lián)點的坐標軸，以及目標關(guān)聯(lián)點對應的得分，能夠得到目標關(guān)聯(lián)點對應的三維向量(x，y，z)，其中，x和y表征目標關(guān)聯(lián)點位于坐標平面的位置，z表征目標關(guān)聯(lián)點對應的得分；本技術(shù)中，可以將目標關(guān)聯(lián)點映射至12維空間中，也可以將其映射至9維空間中，在此不做限定。
[0113]
s6002、分別對多個關(guān)聯(lián)特征矩陣中同一位置的元素進行篩選處理，得到第一特征矩陣；第一特征矩陣中各位置的元素為，多個關(guān)聯(lián)特征矩陣中對應位置元素的最大值。
[0114]
s6003、分別對多個關(guān)聯(lián)特征矩陣中同一位置的元素進行加權(quán)平均處理，得到第二特征矩陣；第二特征矩陣中各位置的元素為，多個關(guān)聯(lián)矩陣中對應位置元素的平均值。
[0115]
s6004、對第一特征矩陣，以及第二特征矩陣進行矩陣合并，得到第三特征矩陣；矩陣合并是指將第一特征矩陣和第二特征矩陣進行維度合并，得到更高維的矩陣，例如，第一特征矩陣為a，第二特征矩陣為b，那么第三特征矩陣即為
[0116]
s6005、將第三特征矩陣輸入終點預測模型進行終點預測，得到多個目標終點；終點預測模型是基于樣本特征矩陣，以及樣本終點進行智能識別訓練得到的。
[0117]
在本技術(shù)具體實施例中，終點預測模型的輸出結(jié)果包括多個目標終點的位置信息，以及多個目標終點對應的得分信息；具體的，終點預測模型基于期望軌跡數(shù)量，輸出多組目標終點，以及多組目標終點各自對應的得分信息；其中每組目標終點包括多個目標終點；例如，期望軌跡數(shù)量為三條，那么終點預測模型輸出結(jié)果為三組目標終點對應的得分信息；選取三組目標終點中得分最高的那組，將其中的多個目標終點確定為輸出的多個目標終點。
[0118]
在本技術(shù)實施例中，通過將目標關(guān)聯(lián)點，以及目標關(guān)聯(lián)點對應的得分進行高維映
射，得到多個關(guān)聯(lián)特征矩陣，并基于多個關(guān)聯(lián)特征矩陣得到第三特征矩陣，以第三特征矩陣作為終點預測模型的輸入，進行終點預測，既對終點預測的輸入數(shù)據(jù)進行了特征擴容，又采用終點預測模型，進而提高了目標終點的預測精度。
[0119]
參考圖7，本技術(shù)實施例中，s4005包括：
[0120]
s7001、對多個目標終點進行高維映射，得到多個目標終點各自對應的終點映射信息；終點映射信息為目標終點的高維表達式，具體的，通過多層感知機進行計算得到。
[0121]
在本技術(shù)具體實施例中，基于多個目標終點的位置，以及鄰近的目標關(guān)聯(lián)點的得分，能夠確定多個目標終點位置的得分；具體的，鄰近目標關(guān)聯(lián)點的得分即為對應目標終點位置的得分；因此，可以以多個目標終點的位置，以及目標終點各自對應的得分，構(gòu)建三維向量，進而對構(gòu)建的三維向量進行高維映射，以提高目標終點的特征能力。
[0122]
s7002、對多個目標終點各自對應的終點映射信息進行特征提取，得到多個終點特征；終點特征表征目標終點的內(nèi)涵的特征值；優(yōu)選的，可以采用自注意力機制進行特征提取，即輸入為任意一個終點映射信息；即輸入x1＝x2＝x3至公式(1)-(4)。
[0123]
s7003、基于道路特征，以及多個終點特征進行特征融合，得到第二融合特征；優(yōu)選的，特征融合過程可以是采用交叉注意力機制進行融合；交叉注意力機制的輸入為任意兩個特征值，即輸入一個特征值x1，另一特征值x2＝x3至公式(1)-(4)。
[0124]
s7004、將終點特征、第二融合特征，以及目標車輛對應的車輛行駛特征輸入軌跡預測模型進行軌跡預測，得到目標車輛對應的多條預測軌跡；軌跡預測模型是基于樣本終點特征，樣本融合特征，以及樣本車輛行駛軌跡，以及樣本預測軌跡進行智能識別訓練得到的。
[0125]
在本技術(shù)實施例中，通過對多個目標終點進行高維映射，拓展了目標終點的特征屬性，進而提取多個目標終點各自對應的終點特征，進而提高了特征表征能力；此外，基于多個終點特征，道路特征，以及目標車輛的車輛行駛軌跡特征進行軌跡預測，且預測過程中采用軌跡預測模型，能夠提高軌跡預測模型輸入數(shù)據(jù)的精確度，進而提高軌跡預測模型的預測精度。
[0126]
在本技術(shù)實施例中，車輛軌跡預測方法具備如下有益效果：
[0127]
通過提取目標車輛和周圍車輛各自對應的車輛行駛特征；以及提取道路特征；將目標車輛和周圍車輛各自對應的車輛行駛特征，以及道路特征進行特征融合得到第一融合特征后，基于目標車輛和周圍車輛各自對應的車輛行駛特征，提取道路特征，以及第一融合特征進行軌跡預測，充分考慮了車輛自身行駛因素，道路行駛因素，以及道路對于車輛行駛的影響因素，提高車輛軌跡預測的抗噪能力，進而提高了軌跡預測的精確性。
[0128]
參考圖8，本技術(shù)實施例還提供一種車輛軌跡預測裝置，該裝置包括：
[0129]
獲取模塊101，用于獲取目標車輛和周圍車輛各自對應的歷史行駛軌跡，以及目標車輛對應的行駛道路信息；行駛道路信息為，以目標車輛的當前位置為中心的預設(shè)范圍內(nèi)的道路信息；
[0130]
第一特征提取模塊102，用于分別對目標車輛和周圍車輛各自對應的歷史行駛軌跡進行行駛特征提取，得到目標車輛和周圍車輛各自對應的車輛行駛特征；
[0131]
第二特征提取模塊103，用于基于行駛道路信息進行道路特征提取，得到道路特征；
[0132]
第一融合模塊104，用于基于目標車輛和周圍車輛各自對應的車輛行駛特征，以及道路特征進行特征融合，得到第一融合特征；第一融合特征表征車輛行駛軌跡與行駛道路信息的關(guān)聯(lián)關(guān)系；
[0133]
軌跡預測模塊105，用于基于行駛道路信息，目標車輛和周圍車輛各自對應的車輛行駛特征，道路特征，以及第一融合特征進行軌跡預測，得到目標車輛的軌跡預測結(jié)果。
[0134]
第二特征提取模塊包括：
[0135]
第一采樣單元，用于以第一采樣間隔對行駛道路信息進行車道信息采樣，得到第一車道信息；
[0136]
特征提取單元，用于對第一車道信息進行特征提取，得到道路特征。
[0137]
軌跡預測模塊包括：
[0138]
第二采樣單元，用于以第二采樣間隔對行駛道路信息進行車道信息采樣，得到第二車道信息；第一采樣間隔大于第二采樣間隔；
[0139]
第一軌跡預測單元，用于基于第二車道信息，目標車輛和周圍車輛各自對應的車輛行駛特征，道路特征，以及第一融合特征進行軌跡預測，得到目標車輛的軌跡預測結(jié)果。
[0140]
第一軌跡預測單元包括：
[0141]
概率預測單元，用于基于第二采集信息，目標車輛和周圍車輛各自對應的車輛行駛特征，道路特征，以及第一融合特征，對多個車道采集點進行概率預測，得到多個車道采集點各自對應的區(qū)域中心概率；
[0142]
目標采集點確定單元，用于基于多個車道采集點各自對應的區(qū)域中心概率，確定目標采集點；目標采集點為多個車道采集點基于多個車道采集點各自對應的區(qū)域中心概率進行由大到小排序后，從前往后依次選取的多個車道采集點；
[0143]
關(guān)聯(lián)采集點確定單元，用于對目標采集點的周圍區(qū)域進行采樣，得到多個關(guān)聯(lián)采集點；
[0144]
目標終點確定單元，用于基于多個關(guān)聯(lián)采集點，確定多個目標終點；多個目標終點與最近的關(guān)聯(lián)采集點的距離小于第二采樣間隔；
[0145]
第二軌跡預測單元，用于基于多個目標終點，目標車輛和周圍車輛各自對應的車輛行駛特征，以及道路特征進行軌跡預測，得到目標車輛對應的多條預測軌跡。
[0146]
目標終點確定單元包括：
[0147]
得分預測單元，用于基于多個關(guān)聯(lián)采集點，目標車輛和周圍車輛各自對應的車輛行駛特征，道路特征，以及第一融合特征，對多個關(guān)聯(lián)采集點進行得分預測，得到多個關(guān)聯(lián)采集點各自對應的區(qū)域邊界得分；
[0148]
目標關(guān)聯(lián)點確定單元，用于基于多個關(guān)聯(lián)采集點各自對應的區(qū)域邊界得分，確定目標關(guān)聯(lián)點；目標關(guān)聯(lián)點為多個關(guān)聯(lián)采集點基于多個關(guān)聯(lián)采集點各自對應的區(qū)域邊界得分進行由大到小排序后，從前往后依次選取的多個關(guān)聯(lián)采集點；
[0149]
目標終點預測單元，用于基于目標關(guān)聯(lián)點，以及目標關(guān)聯(lián)點對應的得分進行目標終點預測，確定多個目標終點。
[0150]
目標終點預測單元包括：
[0151]
第一高維映射模塊，用于基于目標關(guān)聯(lián)點，以及目標關(guān)聯(lián)點對應的得分進行高維映射，得到多個關(guān)聯(lián)特征矩陣；
[0152]
篩選模塊，用于分別對多個關(guān)聯(lián)特征矩陣中同一位置的元素進行篩選處理，得到第一特征矩陣；第一特征矩陣中各位置的元素為，多個關(guān)聯(lián)特征矩陣中對應位置元素的最大值；
[0153]
加權(quán)模塊，用于分別對多個關(guān)聯(lián)特征矩陣中同一位置的元素進行加權(quán)平均處理，得到第二特征矩陣；
[0154]
合并模塊，用于對第一特征矩陣，以及第二特征矩陣進行矩陣合并，得到第三特征矩陣；
[0155]
第一模型預測模塊，用于將第三特征矩陣輸入終點預測模型進行終點預測，得到多個目標終點。
[0156]
第二軌跡預測單元包括：
[0157]
第二高維映射模塊，用于對多個目標終點進行高維映射，得到多個目標終點各自對應的終點映射信息；
[0158]
終點特征提取模塊，用于對多個目標終點各自對應的終點映射信息進行特征提取，得到多個終點特征；
[0159]
第二融合模塊，用于基于道路特征，以及多個終點特征進行特征融合，得到第二融合特征；
[0160]
第二模型預測模塊，用于將終點特征、第二融合特征，以及目標車輛對應的車輛行駛特征輸入軌跡預測模型進行軌跡預測，得到目標車輛對應的多條預測軌跡。
[0161]
本技術(shù)實施例還提供一種電子設(shè)備，該電子設(shè)備包括處理器和存儲器，儲器中存儲有至少一條指令或至少一段程序，至少一條指令或至少一段程序由處理器加載并執(zhí)行以實現(xiàn)如上述的車輛軌跡預測方法。
[0162]
存儲器可用于存儲軟件程序以及模塊，處理器通過運行存儲在存儲器的軟件程序以及模塊，從而執(zhí)行各種功能應用以及數(shù)據(jù)處理。存儲器可主要包括存儲程序區(qū)和存儲數(shù)據(jù)區(qū)，其中，存儲程序區(qū)可存儲操作系統(tǒng)、功能所需的應用程序等；存儲數(shù)據(jù)區(qū)可存儲根據(jù)設(shè)備的使用所創(chuàng)建的數(shù)據(jù)等。此外，存儲器可以包括高速隨機存取存儲器，還可以包括非易失性存儲器，例如至少一個硬盤存儲器件、閃存器件或其他易失性固態(tài)存儲器件。相應的，存儲器還可以包括存儲器控制器，以提供處理器對存儲器的訪問。
[0163]
本技術(shù)實施例所提供的方法實施例可以在移動終端、計算機終端、服務(wù)器或者類似的運算裝置等電子設(shè)備中執(zhí)行。圖9是本技術(shù)實施例提供的電子設(shè)備。如圖9所示，該電子設(shè)備900可因配置或性能不同而產(chǎn)生比較大的差異，可以包括一個或一個以上中央處理器(central processing units，cpu)910(處理器910可以包括但不限于微處理器mcu或可編程邏輯器件fpga等的處理裝置)、用于存儲數(shù)據(jù)的存儲器930，一個或一個以上存儲應用程序923或數(shù)據(jù)922的存儲介質(zhì)920(例如一個或一個以上海量存儲設(shè)備)。其中，存儲器930和存儲介質(zhì)920可以是短暫存儲或持久存儲。存儲在存儲介質(zhì)920的程序可以包括一個或一個以上模塊，每個模塊可以包括對電子設(shè)備中的一系列指令操作。更進一步地，中央處理器910可以設(shè)置為與存儲介質(zhì)920通信，在電子設(shè)備900上執(zhí)行存儲介質(zhì)920中的一系列指令操作。電子設(shè)備900還可以包括一個或一個以上電源960，一個或一個以上有線或無線網(wǎng)絡(luò)接口950，一個或一個以上輸入輸出接口940，和/或，一個或一個以上操作系統(tǒng)921，例如windows servertm，mac os xtm，unixtm，linuxtm，freebsdtm等等。
[0164]
輸入輸出接口940可以用于經(jīng)由一個網(wǎng)絡(luò)接收或者發(fā)送數(shù)據(jù)。上述的網(wǎng)絡(luò)具體實例可包括電子設(shè)備900的通信供應商提供的無線網(wǎng)絡(luò)。在一個實例中，輸入輸出接口940包括一個網(wǎng)絡(luò)適配器(network interface controller，nic)，其可通過與其他網(wǎng)絡(luò)設(shè)備相連從而可與互聯(lián)網(wǎng)進行通訊。在一個實例中，輸入輸出接口940可以為射頻(radio frequency，rf)模塊，其用于通過無線方式與互聯(lián)網(wǎng)進行通訊。
[0165]
本領(lǐng)域普通技術(shù)人員可以理解，圖9所示的結(jié)構(gòu)僅為示意，其并不對上述電子裝置的結(jié)構(gòu)造成限定。例如，電子設(shè)備900還可包括比圖9中所示更多或者更少的組件，或者具有與圖9所示不同的配置。
[0166]
本技術(shù)的實施例還提供一種存儲介質(zhì)，該存儲介質(zhì)中存儲有至少一條指令或至少一段程序，至少一條指令或至少一段程序由處理器加載并執(zhí)行以實現(xiàn)如上述的車輛軌跡預測方法。
[0167]
上述說明已經(jīng)充分揭露了本技術(shù)的具體實施方式。需要指出的是，熟悉該領(lǐng)域的技術(shù)人員對本技術(shù)的具體實施方式所做的任何改動均不脫離本技術(shù)的權(quán)利要求書的范圍。相應地，本技術(shù)的權(quán)利要求的范圍也并不僅僅局限于前述具體實施方式。
技術(shù)特征：
1.一種車輛軌跡預測方法，其特征在于，包括：獲取目標車輛和周圍車輛各自對應的歷史行駛軌跡，以及所述目標車輛周圍的行駛道路信息；分別對所述目標車輛和所述周圍車輛各自對應的歷史行駛軌跡進行行駛特征提取，得到所述目標車輛和所述周圍車輛各自對應的車輛行駛特征；對所述行駛道路信息進行道路特征提取，得到道路特征；基于所述目標車輛和所述周圍車輛各自對應的車輛行駛特征，以及所述道路特征進行特征融合，得到第一融合特征；所述第一融合特征表征車輛行駛軌跡與所述行駛道路信息的關(guān)聯(lián)關(guān)系；基于所述行駛道路信息，所述目標車輛和所述周圍車輛各自對應的車輛行駛特征，所述道路特征，以及所述第一融合特征進行軌跡預測，得到所述目標車輛的軌跡預測結(jié)果。2.根據(jù)權(quán)利要求1所述的一種車輛軌跡預測方法，其特征在于，所述對所述行駛道路信息進行道路特征提取，得到道路特征包括：以第一采樣間隔對所述行駛道路信息進行車道信息采樣，得到第一車道信息；對所述第一車道信息進行特征提取，得到所述道路特征。3.根據(jù)權(quán)利要求1或2所述的一種車輛軌跡預測方法，其特征在于，所述基于所述行駛道路信息，所述目標車輛和所述周圍車輛各自對應的車輛行駛特征，所述道路特征，以及所述第一融合特征進行軌跡預測，得到所述目標車輛的軌跡預測結(jié)果包括：以第二采樣間隔對所述行駛道路信息進行車道信息采樣，得到第二車道信息；基于所述第二車道信息，所述目標車輛和所述周圍車輛各自對應的車輛行駛特征，所述道路特征，以及所述第一融合特征進行軌跡預測，得到所述目標車輛的軌跡預測結(jié)果。4.根據(jù)權(quán)利要求3所述的一種車輛軌跡預測方法，其特征在于，所述第二車道信息包括多個車道采集點，所述基于所述第二采集信息，所述目標車輛和所述周圍車輛各自對應的車輛行駛特征，所述道路特征，以及所述第一融合特征進行軌跡預測，得到所述目標車輛的軌跡預測結(jié)果包括：基于所述第二采集信息，所述目標車輛和所述周圍車輛各自對應的車輛行駛特征，所述道路特征，以及所述第一融合特征，對所述多個車道采集點進行概率預測，得到所述多個車道采集點各自對應的區(qū)域中心概率；基于所述多個車道采集點各自對應的區(qū)域中心概率，確定目標采集點；所述目標采集點為所述多個車道采集點基于所述多個車道采集點各自對應的區(qū)域中心概率進行由大到小排序后，從前往后依次選取的多個車道采集點；對所述目標采集點的周圍區(qū)域進行采樣，得到多個關(guān)聯(lián)采集點；基于所述多個關(guān)聯(lián)采集點，確定多個目標終點；所述多個目標終點與最近的關(guān)聯(lián)采集點的距離小于所述第二采樣間隔；基于所述多個目標終點，所述目標車輛和所述周圍車輛各自對應的車輛行駛特征，以及所述道路特征進行軌跡預測，得到所述目標車輛對應的多條預測軌跡。5.根據(jù)權(quán)利要求4所述的一種車輛軌跡預測方法，其特征在于，所述基于所述多個關(guān)聯(lián)采集點，確定多個目標終點包括：基于所述多個關(guān)聯(lián)采集點，所述目標車輛和所述周圍車輛各自對應的車輛行駛特征，
所述道路特征，以及所述第一融合特征，對所述多個關(guān)聯(lián)采集點進行得分預測，得到所述多個關(guān)聯(lián)采集點各自對應的區(qū)域邊界得分；基于所述多個關(guān)聯(lián)采集點各自對應的區(qū)域邊界得分，確定目標關(guān)聯(lián)點；所述目標關(guān)聯(lián)點為所述多個關(guān)聯(lián)采集點基于所述多個關(guān)聯(lián)采集點各自對應的區(qū)域邊界得分進行由大到小排序后，從前往后依次選取的多個關(guān)聯(lián)采集點；基于所述目標關(guān)聯(lián)點，以及所述目標關(guān)聯(lián)點對應的得分進行目標終點預測，確定多個目標終點。6.根據(jù)權(quán)利要求5所述的一種車輛軌跡預測方法，其特征在于，所述基于所述目標關(guān)聯(lián)點，以及所述目標關(guān)聯(lián)點對應的得分進行目標終點預測，確定多個目標終點包括：基于所述目標關(guān)聯(lián)點，以及所述目標關(guān)聯(lián)點對應的得分進行高維映射，得到多個關(guān)聯(lián)特征矩陣；分別對所述多個關(guān)聯(lián)特征矩陣中同一位置的元素進行篩選處理，得到第一特征矩陣；所述第一特征矩陣中各位置的元素為，所述多個關(guān)聯(lián)特征矩陣中對應位置元素的最大值；分別對所述多個關(guān)聯(lián)特征矩陣中同一位置的元素進行加權(quán)平均處理，得到第二特征矩陣；對所述第一特征矩陣，以及所述第二特征矩陣進行矩陣合并，得到第三特征矩陣；將所述第三特征矩陣輸入所述終點預測模型進行終點預測，得到所述多個目標終點。7.根據(jù)權(quán)利要求4所述的一種車輛軌跡預測方法，其特征在于，所述基于所述多個目標終點，所述目標車輛和所述周圍車輛各自對應的車輛行駛特征，以及所述道路特征進行軌跡預測，得到所述目標車輛對應的多條預測軌跡包括：對所述多個目標終點進行高維映射，得到所述多個目標終點各自對應的終點映射信息；對所述多個目標終點各自對應的終點映射信息進行特征提取，得到多個終點特征；基于所述道路特征，以及所述多個終點特征進行特征融合，得到第二融合特征；將所述終點特征、所述第二融合特征，以及所述目標車輛對應的車輛行駛特征輸入軌跡預測模型進行軌跡預測，得到所述目標車輛對應的多條預測軌跡。8.一種車輛軌跡預測裝置，其特征在于，包括：獲取模塊，用于獲取目標車輛和周圍車輛各自對應的歷史行駛軌跡，以及所述目標車輛周圍的行駛道路信息；第一特征提取模塊，用于分別對所述目標車輛和所述周圍車輛各自對應的歷史行駛軌跡進行行駛特征提取，得到所述目標車輛和所述周圍車輛各自對應的車輛行駛特征；第二特征提取模塊，用于基于所述行駛道路信息進行道路特征提取，得到道路特征；第一融合模塊，用于基于所述目標車輛和所述周圍車輛各自對應的車輛行駛特征，以及所述道路特征進行特征融合，得到第一融合特征；所述第一融合特征表征車輛行駛軌跡與所述行駛道路信息的關(guān)聯(lián)關(guān)系；軌跡預測模塊，用于基于所述行駛道路信息，所述目標車輛和所述周圍車輛各自對應的車輛行駛特征，所述道路特征，以及所述第一融合特征進行軌跡預測，得到所述目標車輛的軌跡預測結(jié)果。9.一種計算機存儲介質(zhì)，其特征在于，所述存儲介質(zhì)中存儲有至少一條指令、至少一段
程序、代碼集或指令集，所述至少一條指令、至少一段程序、代碼集或指令集由處理器加載并執(zhí)行以實現(xiàn)如權(quán)利要求1-7任一所述的車輛軌跡預測方法。10.一種電子設(shè)備，其特征在于，所述設(shè)備包括處理器和存儲器，所述存儲器中存儲有至少一條指令或至少一段程序，所述至少一條指令或所述至少一段程序由所述處理器加載并執(zhí)行以實現(xiàn)如權(quán)利要求1-7任一所述的車輛軌跡預測方法。
技術(shù)總結(jié)
本申請涉及車輛控制技術(shù)領(lǐng)域，特別涉及一種車輛軌跡預測方法、裝置和計算機存儲介質(zhì)，方法包括：獲取目標車輛和周圍車輛各自對應的歷史行駛軌跡，以及目標車輛對應的行駛道路信息；分別對歷史行駛軌跡進行行駛特征提取，得到車輛行駛特征；對行駛道路信息進行道路特征提取，得到道路特征；基于車輛行駛特征，以及道路特征進行特征融合，得到第一融合特征；基于行駛道路信息，行駛特征，道路特征，以及第一融合特征進行軌跡預測，得到目標車輛的軌跡預測結(jié)果；將車輛行駛特征，以及道路特征進行特征融合，以得到車輛行駛軌跡與行駛道路信息的關(guān)聯(lián)關(guān)系，提高車輛軌跡預測的抗噪能力，進而提高了軌跡預測的精確性。高了軌跡預測的精確性。高了軌跡預測的精確性。
