[发明专利]一种障碍物未来轨迹的预测方法、装置、电子设备及存储介质

说明书

本申请公开了一种障碍物未来轨迹的预测方法、装置、电子设备及存储介质，所述方法包括：获取车辆所在的区域对应的场景地图；其中，场景地图包括区域的交通信息，获取车辆一定范围内的障碍物在区域内的历史轨迹，将历史轨迹投影到场景地图的对应位置，得到包含历史轨迹的待预测的场景地图，将待预测的场景地图输入已训练好的轨迹预测模型，得到障碍物的未来轨迹。如此，可以通过引入场景地图以及轨迹预测模型提高障碍物的未来轨迹预测的准确性。

技术领域

本申请涉及互联网技术领域，尤其涉及一种障碍物未来轨迹的预测方法、装置、电子设备及存储介质。

背景技术

障碍物的轨迹预测指根据障碍物历史的运动路径，预测其未来的轨迹。在自动驾驶场景中，需要对无人驾驶车辆周围，可能对其造成影响的障碍物的运动轨迹进行预测，而障碍物包括：机动车辆、非机动车辆和行人等。面临的具体难点主要包括以下几个方面：

1)运动轨迹需同时满足交通规则和物理约束；

2)障碍物运动状态，以及周围交通环境等的特征描述；

3)需能够提供出多种可能的合理轨迹，以便进行后续筛选；

4)路口场景交通路况复杂，包含多种可能性，且没有明确的车道划分范围。

发明内容

本申请实施例提供了一种障碍物未来轨迹的预测方法、装置、电子设备及存储介质，用于提高障碍物的未来轨迹预测的准确性。

一方面，本申请实施例提供了一种障碍物未来轨迹的预测方法，该方法包括：

获取车辆所在的区域对应的场景地图；其中，场景地图包括区域的交通信息；

获取车辆一定范围内的障碍物在区域内的历史轨迹；

将历史轨迹投影到场景地图的对应位置，得到包含历史轨迹的待预测的场景地图；

将待预测的场景地图输入已训练好的轨迹预测模型，得到障碍物的未来轨迹。

可选的，方法还包括训练得到轨迹预测模型的步骤；训练得到轨迹预测模型包括：

获取样本数据集，样本数据集包括多个训练场景地图和每个训练场景地图对应的实际未来轨迹；每个训练场景地图包含训练历史轨迹；

构建预设机器学习模型，将预设机器学习模型确定为当前机器学习模型；

基于当前机器学习模型，对训练场景地图进行轨迹预测操作，确定训练场景地图对应的预测未来轨迹；

基于训练场景地图对应的预测未来轨迹和实际未来轨迹，确定损失值；

当损失值大于预设阈值时，基于损失值进行反向传播，对当前机器学习模型进行更新以得到更新后的机器学习模型，将更新后的机器学习模型重新确定为当前机器学习模型；重复步骤：基于当前机器学习模型，对训练场景地图进行轨迹预测操作，确定训练场景地图对应的预测未来轨迹；

当损失值小于或等于预设阈值时，将当前机器学习模型确定为轨迹预测模型。

可选的，获取车辆一定范围内的障碍物在区域内的历史轨迹，包括：

通过传感器获取障碍物在区域内多个连续的时间点的历史位置信息；

将多个连续的时间点的历史位置信息拼接得到历史轨迹；

其中，传感器包括摄像头、激光雷达和毫米波雷达中的一项或者多项。

可选的，获取车辆所在的区域对应的场景地图，包括：

确定车辆所在的区域；

基于区域对应的高精地图获取车辆预设范围内的交通信息；