[发明专利]使用深度学习多预测器融合和贝叶斯优化的轨迹预测

说明书

本公开的各示例描述了一种用于轨迹预测的方法、装置和车辆。该方法包括：获取针对对象的观察数据以及与该对象相关的环境信息；利用多个预测器基于历史观察数据给出针对该对象的相应预测；将相应预测和环境信息馈入用于轨迹预测的经训练多预测器融合模型中；由该多预测器融合模型提供在由该环境信息指示的环境下的针对该对象的预测轨迹。

技术领域

本公开一般涉及自动驾驶车辆，更具体地，涉及使用深度学习多预测器融合和贝叶斯优化的轨迹预测。

背景技术

自动驾驶车辆(也称为无人驾驶汽车、自动驾驶汽车或机器人汽车)是一种能够感测其环境并且在无需人类输入的情况下导航的车辆。自动驾驶车辆(在下文中被称为ADV)使用各种技术来检测其周边环境，诸如使用雷达、激光、GPS、测程法以及计算机视觉。高级的控制系统对感测信息进行解读以标识合适的导航路径，以及障碍物和相关路标。

为了实现高等级(3-5级)自动驾驶，应精确地建模对象的未来轨迹以用于驾驶策略决策和碰撞避免。用于轨迹预测的大多数常规方法生成针对特定的未来时间戳的点估计。此外，用于轨迹预测的大多数方法都聚焦于单一运动模型。一般而言，当前方法可被分类为以下四种类型：

(1)基于物理的运动模型；

(2)基于机动/行为的运动模型；

(3)交互感知运动模型；以及

(4)先验知识运动模型。

它们都有各自的优势，但缺乏可靠预测真实对象轨迹的能力，因为自动驾驶环境中的真实对象一般具有混合机动行为。

此外，目前用于轨迹预测的方法还有其他缺点。大多数方法仅给出点估计，但其他有用的统计信息(如方差)不可用。此外，基于某个机动模型建立的预测器可能无法处置真实对象在自动驾驶环境中的混合机动行为。

因此，期望用于自动驾驶车辆的改进的轨迹预测解决方案。

发明内容

本公开旨在提供一种用于轨迹预测的方法、装置和车辆。

根据本公开的第一示例性实施例，提供了一种用于训练用于轨迹预测的多预测器融合模型的计算机实现的方法。该方法可包括：收集针对对象的观察数据和与该对象相关的环境信息；对于给定的时刻，利用多个预测器基于历史观察数据给出针对该对象的相应预测；将环境信息与针对给定时刻的相应预测相关联；将针对给定时刻的相应预测和相关联环境信息作为输入以及针对给定时刻的观察数据作为真实值(ground truth)馈入神经网络中；由该神经网络通过将针对给定时刻的相应预测和相关联环境信息作为输入且将针对给定时刻的观察数据作为真实值来确定包括针对该多个预测器中的每一者的相应权重的权重集；以及由该神经网络输出该权重集作为用于轨迹预测的经训练多预测器融合模型。

根据本公开的第二示例性实施例，提供了一种用于轨迹预测的计算机实现的方法。该方法可包括：获取针对对象的观察数据以及与该对象相关的环境信息；利用多个预测器基于历史观察数据给出针对该对象的相应预测；将相应预测和环境信息馈入已经根据第一示例性实施例的方法训练好的用于轨迹预测的多预测器融合模型中；由该多预测器融合模型提供在由该环境信息指示的环境下的针对该对象的预测轨迹。