[发明专利]车辆轨迹预测方法和车辆轨迹预测模型的优化方法

说明书

本发明提供一种车辆轨迹预测方法和车辆轨迹预测模型的优化方法，所述车辆轨迹预测方法包括以下步骤：基于地图数据生成以预测车辆为图片中心的环境静态图片；基于目标检测跟踪结果生成以预测车辆为图片中心的环境动态图片；根据所述环境静态图片和所述环境动态图片生成环境状态图片；基于所述目标检测跟踪结果获取所述预测车辆的车辆状态信息；将当前帧的所述环境状态图片和当前帧中所述预测车辆的车辆状态信息作为输入数据输入预测模型；从所述预测模型的输出端获取所述预测车辆的预测轨迹。本发明能够实现对车辆轨迹的更准确的预测。

技术领域

本发明主要涉及自动驾驶领域，尤其涉及一种车辆轨迹预测方法、车辆轨迹预测模型的优化方法及装置和计算机可读介质。

背景技术

车辆轨迹预测是自动驾驶中的一个重要部分，是实现自动驾驶规划与决策的前提。在一些车辆轨迹的技术路线中，有的是基于专家规则，利用高精地图路网信息，目标检测跟踪结果，以及预测车辆的动力学模型，基于合理驾驶行为人为设计车辆未来的行驶路线。有的采用深度学习方法，完全基于目标检测跟踪得到的车辆行驶轨迹数据，对深度神经网络模型进行训练，由训练完成的模型输出预测的车辆未来行驶轨迹。这些技术路线的方案存在不能处理复杂场景、预测结果缺乏通用性或是预测结果不准确等问题。

发明内容

本发明要解决的技术问题是提供一种车辆轨迹预测方法和车辆轨迹预测模型的优化方法，实现对车辆轨迹更准确的预测。

为解决上述技术问题，本发明提供了一种车辆轨迹预测方法，包括以下步骤：基于地图数据生成以预测车辆为图片中心的环境静态图片；基于目标检测跟踪结果生成以预测车辆为图片中心的环境动态图片；根据所述环境静态图片和所述环境动态图片生成环境状态图片；基于所述目标检测跟踪结果获取所述预测车辆的车辆状态信息；将当前帧的所述环境状态图片和当前帧中所述预测车辆的车辆状态信息作为输入数据输入预测模型；从所述预测模型的输出端获取所述预测车辆的预测轨迹。

在本发明的一实施例中，车辆轨迹预测方法还包括，获取所述预测车辆当前帧之后未来Y帧的轨迹真实值；根据所述未来Y帧的轨迹真实值对所述预测模型进行优化；其中，Y为正整数。

在本发明的一实施例中，所述预测模型包括依次连接的主干神经网络、特征向量化模块、第一全连接网络、第二全连接网络和头部网络；其中，所述当前帧的所述环境状态图片数据输入至所述主干神经网络；所述预测车辆的车辆状态信息数据输入至所述特征向量化模块。

在本发明的一实施例中，所述头部网络包括长短时记忆网络组、第四全连接网络、第五全连接网络和逻辑回归函数网络，其中，所述第二全连接网络输出的第一分支进入所述长短时记忆网络组，第二分支进入所述第四全连接网络后再进入所述逻辑回归函数网络，第三分支进入所述第五全连接网络。

在本发明的一实施例中，所述逻辑回归函数网络输出所述预测车辆的M种行进模式，所述长短时记忆网络组输出所述预测车辆的M种行进模式的轨迹预测值，所述第五全连接网络输出所述预测车辆的M种行进模式对应的预测轨迹值与实际轨迹值的标准差；M为正整数。

在本发明的一实施例中，所述长短时记忆网络组包括M个长短时记忆网络，所述M个长短时记忆网络分别与所述预测车辆的M种行进模式相对应；所述第二全连接网络输出的第一分支进入每一所述长短时记忆网络；每一所述长短时记忆网络输出所述预测车辆的M种行进模式中一种行进模式的预测轨迹值。

在本发明的一实施例中，每一所述长短时记忆网络包括T个长短时记忆网络子块和T个第三全连接网络，所述T个长短时记忆网络子块组成子网络串；