一种自动驾驶轨迹预测方法、装置、设备和存储介质制造方法及图纸

本发明专利技术实施例公开了一种自动驾驶轨迹预测方法、装置、设备和存储介质。该方法包括：获取自动驾驶车辆的第一历史轨迹数据、周围障碍物的第二历史轨迹数据以及当前地图数据；对第一历史轨迹数据、第二历史轨迹数据和当前地图数据进行预处理，确定第一历史轨迹特征信息、第二历史轨迹特征信息和当前地图特征信息；基于车道类型，对当前地图特征信息中的车道节点进行降采样，获得降采样后的目标地图特征信息；将第一历史轨迹特征信息、第二历史轨迹特征信息和目标地图特征信息输入至预设轨迹预测模型，并基于预设轨迹预测模型的输出，获得自动驾驶车辆周围障碍物的目标预测轨迹，从而可以提高自动驾驶车辆周围障碍物的轨迹预测效率。效率。效率。

An automatic driving trajectory prediction method, device, equipment and storage medium

【技术实现步骤摘要】
一种自动驾驶轨迹预测方法、装置、设备和存储介质


[0001]本专利技术实施例涉及自动驾驶技术，尤其涉及一种自动驾驶轨迹预测方法、装置、设备和存储介质。

技术介绍

[0002]为了保证自动驾驶车辆在道路上安全有效地运动，自动驾驶汽车不仅需要感知周围的障碍物的当前状态，还需要主动预测其未来的运动轨迹，以便做出合理、安全的行为决策。
[0003]目前，自动驾驶车辆可以基于感知到的障碍物运动轨迹和地图环境信息进行轨迹预测，但由于道路与障碍物的复杂情况会导致预测耗时较长，难以满足预测实时性的要求。

技术实现思路

[0004]本专利技术实施例提供了一种自动驾驶轨迹预测方法、装置、设备和存储介质，以提高自动驾驶车辆周围障碍物的轨迹预测效率。
[0005]根据本专利技术的一方面，提供了一种自动驾驶轨迹预测方法，包括：
[0006]获取自动驾驶车辆的第一历史轨迹数据、周围障碍物的第二历史轨迹数据以及当前地图数据；
[0007]对所述第一历史轨迹数据、所述第二历史轨迹数据和所述当前地图数据进行预处理，确定第一历史轨迹特征信息、第二历史轨迹特征信息和当前地图特征信息；
[0008]基于车道类型，对所述当前地图特征信息中的车道节点进行降采样，获得降采样后的目标地图特征信息；
[0009]将所述第一历史轨迹特征信息、所述第二历史轨迹特征信息和所述目标地图特征信息输入至预设轨迹预测模型，并基于所述预设轨迹预测模型的输出，获得所述自动驾驶车辆周围障碍物的目标预测轨迹。
[0010]根据本专利技术的另一方面，提供了一种自动驾驶轨迹预测装置，包括：
[0011]数据获取模块，用于获取自动驾驶车辆的第一历史轨迹数据、周围障碍物的第二历史轨迹数据以及当前地图数据；
[0012]数据处理模块，用于对所述第一历史轨迹数据、所述第二历史轨迹数据和所述当前地图数据进行预处理，确定第一历史轨迹特征信息、第二历史轨迹特征信息和当前地图特征信息；
[0013]降采样模块，用于基于车道类型，对所述当前地图特征信息中的车道节点进行降采样，获得降采样后的目标地图特征信息；
[0014]轨迹预测模块，用于将所述第一历史轨迹特征信息、所述第二历史轨迹特征信息和所述目标地图特征信息输入至预设轨迹预测模型，并基于所述预设轨迹预测模型的输出，获得所述自动驾驶车辆周围障碍物的目标预测轨迹。
[0015]根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
[0016]至少一个处理器；以及
[0017]与所述至少一个处理器通信连接的存储器；其中，
[0018]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的自动驾驶轨迹预测方法。
[0019]根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的自动驾驶轨迹预测方法。
[0020]本专利技术实施例的技术方案，通过获取自动驾驶车辆的第一历史轨迹数据、周围障碍物的第二历史轨迹数据以及当前地图数据，并对第一历史轨迹数据、第二历史轨迹数据和当前地图数据进行预处理，分别确定第一历史轨迹特征信息、第二历史轨迹特征信息和当前地图特征信息，根据当前地图特征信息中的车道类型对当前地图特征信息中的车道节点进行降采样，获得降采样后的目标地图特征信息，从而减少地图特征数量，进而降低轨迹预测时间，提高轨迹预测效率。而且将第一历史轨迹特征信息、第二历史轨迹特征信息和目标地图特征信息输入至预设轨迹预测模型中，预设轨迹预测模型在预测自动驾驶车辆的轨迹的同时可以预测出自动驾驶车辆周围所有障碍物的轨迹，并将自动驾驶车辆周围障碍物的目标预测轨迹进行输出，从而基于预设轨迹预测模型可以更加快速获得自动驾驶车辆周围障碍物的目标预测轨迹，进而在保证轨迹预测准确性的情况下大大降低了障碍物的轨迹预测耗时，提高了轨迹预测效率。
[0021]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0022]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0023]图1是本专利技术实施例一提供的一种自动驾驶轨迹预测方法的流程图；
[0024]图2是本专利技术实施例一所涉及的一种对车道节点进行降采样的示例图；
[0025]图3是本专利技术实施例二提供的另一种自动驾驶轨迹预测方法的流程图；
[0026]图4是本专利技术实施例提供的一种自动驾驶轨迹预测模型训练过程的流程图；
[0027]图5是本专利技术实施例提供的一种自动驾驶轨迹预测模型使用过程的流程图；
[0028]图6是本专利技术实施例三提供的一种自动驾驶轨迹预测装置的结构图；
[0029]图7是实现本专利技术实施例的自动驾驶轨迹预测方法的电子设备的结构示意图。
具体实施方式
[0030]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人
员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0031]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0032]实施例一
[0033]图1为本专利技术实施例一提供的一种自动驾驶轨迹预测方法的流程图，本实施例可适用于自动驾驶车辆行驶时预测周围障碍物的运动轨迹的情况。该方法可以由自动驾驶轨迹预测装置来执行，该装置可以采用硬件和/或软件的形式实现，该装置可配置于车辆的电子设备中。如图1所示，该方法具体包括以下步骤：
[0034]S110、获取自动驾驶车辆的第一历史轨迹数据、周围障碍物的第二历史轨迹数据以及当前地图数据。
[0035]其中，第一历史轨迹数据可以是当前时刻之前自动驾驶车辆自身行驶时的历史轨迹数据；第二历史轨迹数据可以是当前时刻之前自动驾本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动驾驶轨迹预测方法，其特征在于，包括：获取自动驾驶车辆的第一历史轨迹数据、周围障碍物的第二历史轨迹数据以及当前地图数据；对所述第一历史轨迹数据、所述第二历史轨迹数据和所述当前地图数据进行预处理，确定第一历史轨迹特征信息、第二历史轨迹特征信息和当前地图特征信息；基于车道类型，对所述当前地图特征信息中的车道节点进行降采样，获得降采样后的目标地图特征信息；将所述第一历史轨迹特征信息、所述第二历史轨迹特征信息和所述目标地图特征信息输入至预设轨迹预测模型，并基于所述预设轨迹预测模型的输出，获得所述自动驾驶车辆周围障碍物的目标预测轨迹。2.根据权利要求1所述的方法，其特征在于，所述基于车道类型，对所述当前地图特征信息中的车道节点进行降采样，获得降采样后的目标地图特征信息，包括：获取所述当前地图特征信息中的每条车道上的各个车道节点；若车道的车道类型为直行车道，则基于预设距离采样方式，对该条车道上的各个车道节点进行降采样，获得该条车道降采样后的目标车道节点；若车道的车道类型为转弯车道，则基于预设角度采样方式，对该条车道上的各个车道节点进行降采样，获得该条车道降采样后的目标车道节点。3.根据权利要求2所述的方法，其特征在于，所述基于预设距离采样方式，对该条车道上的各个车道节点进行降采样，获得该条车道降采样后的目标车道节点，包括：确定该条车道上的每组相邻两个车道节点之间的第一节点距离，并对所述第一节点距离进行累加；在当前累加的第一节点总距离每次大于或等于预设距离阈值时进行一次降采样，获得该条车道降采样后的目标车道节点。4.根据权利要求2所述的方法，其特征在于，所述基于预设角度采样方式，对该条车道上的各个车道节点进行降采样，获得该条车道降采样后的目标车道节点，包括：确定每次采样时的第一组相邻两个车道节点之间的节点角度；基于所述节点角度确定当前距离阈值；确定所述第一组相邻两个车道节点之间的第二节点距离以及后续每组相邻两个车道节点之间的第二节点距离，并对所述第二节点距离进行累加；在当前累加的第二节点总距离大于或等于所述当前距离阈值时进行降采样，获得该条车道降采样后的目标车道节点。5.根据权利要求4所述的方法，其特征在于，所述基于所述节点角度确定当前距离阈值，包括：检测所述节点角度是否大于预设角度阈值；若是，则确定所述预设角度阈值与所述节点角度之间的比值，并基于所述比值和预设距离阈值确定当前距离阈值；若否，则将预设距离阈值作为当前距离阈值。6.根据权利要求1所述的方法，其特征在于，在使用所述预设轨迹预测模型之前，还包括所述预设轨迹预测模型的训练过程，具体包括：
获取自动驾驶车辆对应的训练数据，所述训练数据包括：自动驾驶车辆的第一历史轨迹样本数据和相应的第一实际轨迹、周围障碍物的第二历史轨迹样本数据和相应的第二实际轨迹以及自动驾驶...

【专利技术属性】
技术研发人员：卢丽婧，李荣华，陈红丽，王宁，
申请(专利权)人：中国第一汽车股份有限公司，
类型：发明
国别省市：