[发明专利]轨迹预测系统及方法、电子设备及可读存储介质

说明书

本发明提供一种轨迹预测系统及方法、电子设备及可读存储介质，包括：获取并基于自车在世界坐标系下的历史位置、待预测对象相对于自车的历史相对位置及待预测对象的环境信息，得到待预测对象及周围障碍物在世界坐标系下的历史位置；根据待预测对象及周围障碍物在世界坐标系下的历史位置，得到并基于待预测对象相对于周围障碍物的历史相对位置进行语义提取出待预测对象的相对历史轨迹，并将相对历史轨迹和经过语义提取后的车道信息结合，得到语义历史轨迹；将语义历史轨迹输入轨迹预测模型中进行待预测对象的轨迹预测。本发明在无人驾驶算力方面有很大的提升，最小化无人驾驶运行中的计算消耗，且能保证预测精度，更加符合工程要求。

技术领域

本发明涉及自动驾驶领域，特别涉及一种轨迹预测系统及方法、电子设备及可读存储介质。

背景技术

随着智能交通领域的发展，对运动对象的运动轨迹的预测算法在路径规划领域具备重大意义。通过对运动对象的运动轨迹进行预测，能够在已知运动对象未来可能的运动轨迹的情况下进行路径规划，有利于防止碰撞等意外情况的发生。

现有技术中，可以通过感知得到周围车辆的位置，根据车辆动态模型进行待预测对象的轨迹预测，卡尔曼滤波(KF)，高斯混合模型(GMM)，隐马尔科夫模型(HMM)等，此类方法能够建立准确的航迹量测模型或车辆状态转移模型，但其只能预测物体下一步运动的状态，无法满足自动驾驶对于未来障碍物长时间预测的要求。此外，还可以通过观测一段时间障碍物的轨迹，利用长短期记忆网络(LSTM)进行待预测对象的轨迹预测，此类方法累计误差较大，虽然可以达到较长时间的预测，但由于只依赖于障碍物位置，预测得到的未来轨迹往往会丢失环境变化对其产生的影响。或者，通过获取待预测对象所在区域的全局语义数据(CNN)与全局轨迹数据(LSTM)，融合全局语义数据与全局轨迹数据，得到全局融合数据，从而提取全局融合数据中的特征，进而利用训练好的轨迹预测模型处理全局特征，得到待预测对象的目标轨迹。

发明内容

本发明提供一种能够在无人驾驶车辆有限算力资源的前提下，实现快速且精准的障碍物轨迹预测的轨迹预测系统及方法、电子设备及可读存储介质。

本发明提供一种轨迹预测方法，包括：

获取并基于自车在世界坐标系下的历史位置、待预测对象相对于自车的历史相对位置及待预测对象的环境信息，得到待预测对象及周围障碍物在世界坐标系下的历史位置，所述环境信息包括待预测对象周围的周围障碍物相对于自车的历史相对位置信息及车道信息；

根据待预测对象及周围障碍物在世界坐标系下的历史位置，得到并基于待预测对象相对于周围障碍物的历史相对位置进行语义提取出待预测对象的相对历史轨迹，并将所述待预测对象的相对历史轨迹和经过语义提取后的车道信息结合，得到语义历史轨迹；

将所述语义历史轨迹输入轨迹预测模型中进行待预测对象的轨迹预测。

优选的是，所述的轨迹预测方法，其中，所述待预测对象在世界坐标系下的历史位置组成的待预测对象的历史轨迹为待预测对象在utm坐标系下的x坐标、y坐标的坐标集；所述待预测对象相对于周围障碍物的历史相对位置包括与待预测对象距离最小的前方障碍物的距离，与待预测对象距离最小的后方障碍物的距离及周围障碍物的总数量，所述车道信息包括通过地图信息得到的待预测对象距离所在车道中心线的距离。

优选的是，所述的轨迹预测方法，其中，所述轨迹预测模型的生成方法包括：

构建循环神经网络模型；

基于待预测对象的语义历史轨迹用长短期记忆网络进行编码，得到循环神经网络的更新状态和隐状态；将编码后的语义历史轨迹输入循环神经网络模型，从待预测对象的当前位置开始按步进行解码得到预测未来轨迹，与待预测对象的真实未来轨迹计算偏差并进行误差的反向传播，对所述循环神经网络进行训练，得到轨迹预测模型。

优选的是，所述的轨迹预测方法，其中，所述轨迹预测模型的生成方法还包括：