[发明专利]轨迹预测方法及装置、存储介质、驾驶系统与车辆

权利要求书

1.一种轨迹预测方法，其特征在于，包括：

获取待预测对象所在区域的全局语义数据与全局轨迹数据；

融合所述全局语义数据与所述全局轨迹数据，得到全局融合数据；

提取所述全局融合数据中的特征，得到全局特征；

利用训练好的轨迹预测模型处理所述全局特征，得到所述待预测对象的目标轨迹。

2.根据权利要求1所述的方法，其特征在于，所述获取待预测对象所在区域的全局语义数据，包括：

获取所述待预测对象所在区域的全局区域图像；

对所述全局区域图像中的各像素分别进行语义识别，得到各像素的语义类别；

根据各像素的语义类别，对所述全局区域图像进行语义标注，得到所述全局语义信息。

3.根据权利要求2所述的方法，其特征在于，所述根据各像素的语义类别，对所述全局区域图像进行语义标注，得到所述全局语义信息，包括：

根据各像素的语义类别，对所述全局区域图像进行语义分割，得到多个语义对象；

对各语义对象分别进行语义标注，得到所述全局语义信息。

4.根据权利要求2或3所述的方法，其特征在于，所述全局区域图像为数字正射影像DOM图像。

5.根据权利要求1所述的方法，其特征在于，所述获取待预测对象所在区域的全局轨迹数据，包括：

获取所述待预测对象所在区域内各运动对象的轨迹点集，所述轨迹点集由所述运动对象的坐标点按照时序顺序集合而成；

对各运动对象的所述轨迹点集进行编码处理，得到各运动对象的轨迹特征；

根据各运动对象的所述轨迹特征，构建轨迹张量，以作为所述全局轨迹数据。

6.根据权利要求1-3、5中任一项所述的方法，其特征在于，所述提取所述全局融合数据中的特征，得到全局特征，包括：

利用训练好的特征提取模型处理所述融合信息，得到所述全局特征。

7.根据权利要求6所述的方法，其特征在于，所述特征提取模型至少包括：卷积神经网络CNN模型。

8.根据权利要求1所述的方法，其特征在于，所述轨迹预测模型包括如下至少一种：长短期记忆网络LSTM模型、多层感知器MLP；

其中，所述多层感知器包括：循环神经网络RNN模型、门控循环单元GRU模型。

9.根据权利要求1或8所述的方法，其特征在于，所述轨迹预测模型为第一轨迹预测模型，所述第一轨迹预测模型用于预测所述待预测对象的目标轨迹。

10.根据权利要求1或8所述的方法，其特征在于，所述轨迹预测模型为第二轨迹预测模型，所述第二轨迹预测模型用于预测所述区域中全部运动对象的运动轨迹；

所述利用训练好的轨迹预测模型处理所述全局特征，得到所述待预测对象的目标轨迹，包括：

将所述全局特征输入所述第二轨迹预测模型，获取所述第二轨迹预测模型输出的所述区域中全部运动对象的运动轨迹，并将所述全部运动对象中的所述待预测对象的运动轨迹，作为所述目标轨迹。

11.根据权利要求1所述的方法，其特征在于，所述待预测对象包括如下至少一种：车辆、动物、人、机器人与无人飞行器。

12.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述目标轨迹，为所述待预测对象进行运动规划。