[发明专利]一种轨迹预测方法、装置、设备及自动驾驶车辆

权利要求书

1.一种轨迹预测方法，包括：

基于多层感知机网络，分别对目标行驶对象的当前已行驶轨迹，以及所述目标行驶对象周围其他行驶对象的当前已行驶轨迹进行编码，得到所述目标行驶对象的第一感知特征表示和所述其他行驶对象的第二感知特征表示；

基于第一时序神经网络，分别对所述第一感知特征表示，以及所述第二感知特征表示进行编码，得到所述目标行驶对象的第一时序特征表示和所述其他行驶对象的第二时序特征表示；

基于第一交互网络，根据所述第一时序特征表示和所述第二时序特征表示，确定所述目标行驶对象的轨迹交互特征表示；

根据所述第一时序特征表示和所述轨迹交互特征表示，确定所述目标行驶对象的轨迹特征表示；

根据所述目标行驶对象当前已行驶场景的全局场景图像和局部场景图像，确定所述目标行驶对象的场景交互特征表示，包括：根据目标行驶对象当前已行驶场景的全局场景图像，确定所述目标行驶对象的全局场景交互特征表示；根据目标行驶对象当前已行驶场景的局部场景图像，以及所述目标行驶对象周围其他行驶对象当前已行驶场景的局部场景图像，确定所述目标行驶对象的局部场景交互特征表示；

根据所述轨迹特征表示和所述场景交互特征表示，预测所述目标行驶对象的未来行驶轨迹。

2.根据权利要求1所述的方法，其中，所述第一交互网络包括第一图注意力网络和第二时序神经网络；

所述基于第一交互网络，根据所述第一时序特征表示和所述第二时序特征表示，确定所述目标行驶对象的轨迹交互特征表示，包括：

基于所述第一图注意力网络，根据所述第一时序特征表示和所述第二时序特征表示，确定第一加权交互特征表示；

基于所述第二时序神经网络，根据所述第一加权交互特征表示，确定所述目标行驶对象的轨迹交互特征表示。

3.根据权利要求2所述的方法，其中，所述第一时序神经网络包括多个第一子时序网络；所述第二时序神经网络包括多个第二子时序网络；

所述第一时序神经网络中的第一子时序网络与所述第一图注意力网络中的第一子注意力网络一一对应；

所述第一图注意力网络中的第一子注意力网络与所述第二时序神经网络中的第二子时序网络一一对应；

每一第一子时序网络的第一输出端连接该第一子时序网络的下一第一子时序网络，该第一子时序网络的第二输出端连接对应的第一子注意力网络，所述第一子注意力网络的输出端连接对应的第二子时序网络，每一第二子时序网络的第一输出端连接该第二子时序网络的下一第二子时序网络。

4.根据权利要求1所述的方法，其中，所述根据目标行驶对象当前已行驶场景的全局场景图像，确定所述目标行驶对象的全局场景交互特征表示，包括：

基于第一卷积神经网络，从目标行驶对象当前已行驶场景的全局场景图像中提取全局场景特征表示；

基于第三时序神经网络，对所述全局场景特征表示进行编码，得到时序全局特征表示；

基于第二图注意力网络，根据所述时序全局特征表示，确定第二加权交互特征表示；

根据所述时序全局特征表示和所述第二加权交互特征表示，确定所述目标行驶对象的全局场景交互特征表示。

5.根据权利要求1所述的方法，其中，所述根据目标行驶对象当前已行驶场景的局部场景图像，以及所述目标行驶对象周围其他行驶对象当前已行驶场景的局部场景图像，确定所述目标行驶对象的局部场景交互特征表示，包括：

基于第二卷积神经网络，分别提取目标行驶对象当前已行驶场景的局部场景图像中的第一局部场景特征表示，以及所述目标行驶对象周围其他行驶对象当前已行驶场景的局部场景图像中的第二局部场景特征表示；

基于第四时序神经网络，分别对所述第一局部场景特征表示，以及所述第二局部场景特征表示进行编码，得到所述第一局部场景特征表示对应的第一时序局部特征表示，以及第二局部场景特征表示对应的第二时序局部特征表示；

基于第二交互网络，根据所述第一时序局部特征表示和所述第二时序局部特征表示，确定时序交互特征表示；

根据所述第一时序局部特征表示和所述时序交互特征表示，确定所述目标行驶对象的局部场景交互特征表示。