轨迹预测模型训练方法、装置、设备和轨迹预测方法制造方法及图纸

本申请涉及一种轨迹预测模型训练方法、装置、设备和轨迹预测方法。所述方法包括：获取初始数据，所述初始数据至少包括目标对象信息以及环境信息；基于时间属性将所述初始数据转化为有向图数据，所述有向图数据包括节点向量和有向边向量；基于每个所述节点向量的相邻节点向量确定每个所述节点向量的权重，得到训练数据集，所述训练数据集包括多个时刻的轨迹数据；基于所述训练数据集对初始模型进行训练，得到目标轨迹预测模型。采用本方法能够综合各个节点对应的特征信息，以及各个特征信息之间的联系对初始模型的训练数据进行优化，进而提高目标轨迹预测模型的轨迹预测能力，进一步提高轨迹预测的准确率。高轨迹预测的准确率。高轨迹预测的准确率。

【技术实现步骤摘要】
轨迹预测模型训练方法、装置、设备和轨迹预测方法


[0001]本申请涉及及其学习
，特别是涉及一种轨迹预测模型训练方法、装置、设备和轨迹预测方法。

技术介绍

[0002]随着人工智能技术的迅速发展，行人轨迹预测在多个领域中受到越来越多的关注，例如自动驾驶汽车、智能交通、智慧城市等领域中均广泛的应用了行人轨迹预测技术。
[0003]在现有的行人轨迹预测方法中，通常根据获取到的各个节点之间的关系进行轨迹预测。但在现有的行人轨迹预测方法中，无法利用各个节点的特征信息，例如经纬度信息，时间信息，当前时刻人体的动作等均未被使用。借助行人轨迹预测方法无法处理得到各个特征信息之间的相关性。因此，实际应用过程中，尤其是在长期预测的场景下往往无法达到预期的预测效果。
[0004]针对相关技术中存在如何进一步提高轨迹预测的准确率，目前还没有提出有效的解决方案。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够提高行人轨迹预测的准确率的轨迹预测模型训练方法、装置、设备和轨迹预测方法。
[0006]第一方面，本申请提供了一种轨迹预测模型训练方法，所述方法包括：
[0007]获取初始数据，所述初始数据至少包括目标对象信息以及环境信息；
[0008]基于时间属性将所述初始数据转化为有向图数据，所述有向图数据包括节点向量和有向边向量；
[0009]基于每个所述节点向量的相邻节点向量确定每个所述节点向量的权重，得到训练数据集，所述训练数据集包括多个时刻的轨迹数据；
[0010]基于所述训练数据集对初始模型进行训练，得到目标轨迹预测模型。
[0011]在其中一个实施例中，所述环境信息包括地理位置信息，时间信息和区域环境信息，所述基于时间属性将所述初始数据转化为有向图数据集包括：
[0012]基于时间属性将所述初始数据转化为数据链；
[0013]基于所述数据链的节点特征信息和有向边特征信息将所述数据链转化为有向图数据集，其中所述节点特征信息确定节点向量，所述有向边特征信息确定有向边向量。
[0014]在其中一个实施例中，所述基于每个所述节点向量的相邻节点向量确定每个所述节点向量的权重包括：
[0015]采用注意力机制，基于每个所述节点向量的相邻节点向量确定每个所述节点向量的权重。
[0016]在其中一个实施例中，所述基于所述训练数据集对初始模型进行训练，得到目标轨迹预测模型包括：
[0017]将t时刻的轨迹数据作为输入，将t+1时刻的轨迹数据作为参考数据，对所述目标轨迹预测模型进行训练。
[0018]在其中一个实施例中，所述基于所述训练数据集对初始模型进行训练之前包括：
[0019]以任一所述节点向量为起点，沿预设方向行走预设步数，得到参考轨迹，作为训练数据集。
[0020]在其中一个实施例中，所述方法包括：
[0021]获取待预测数据，所述待预测数据为有向图数据，包括当前时刻的轨迹数据；
[0022]将所述待预测数据输入轨迹预测模型中，得到下一时刻的轨迹数据。
[0023]在其中一个实施例中，所述将所述待预测数据输入轨迹预测模型中，得到下一时刻的轨迹数据之后还包括：
[0024]将所述待预测数据以及下一时刻的轨迹数据作为训练数据集，对所述轨迹预测模型进行训练。
[0025]第二方面，本申请还提供了一种轨迹预测模型训练装置，所述装置包括：
[0026]获取模块，用于获取初始数据，所述初始数据至少包括目标对象信息以及环境信息；
[0027]转化模块，用于基于时间属性将所述初始数据转化为有向图数据集，所述有向图数据集包括节点向量和有向边向量；
[0028]权重确定模块，用于基于每个所述节点向量的相邻节点向量确定每个所述节点向量的权重，得到训练数据集，所述训练数据集包括多个时刻的轨迹数据；
[0029]训练模块，用于基于所述训练数据集对初始模型进行训练，得到目标轨迹预测模型。
[0030]第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0031]获取初始数据，所述初始数据至少包括目标对象信息以及环境信息；
[0032]基于时间属性将所述初始数据转化为有向图数据，所述有向图数据包括节点向量和有向边向量；
[0033]基于每个所述节点向量的相邻节点向量确定每个所述节点向量的权重，得到训练数据集，所述训练数据集包括多个时刻的轨迹数据；
[0034]基于所述训练数据集对初始模型进行训练，得到目标轨迹预测模型。
[0035]第四方面，本申请还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，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0036]获取初始数据，所述初始数据至少包括目标对象信息以及环境信息；
[0037]基于时间属性将所述初始数据转化为有向图数据，所述有向图数据包括节点向量和有向边向量；
[0038]基于每个所述节点向量的相邻节点向量确定每个所述节点向量的权重，得到训练数据集，所述训练数据集包括多个时刻的轨迹数据；
[0039]基于所述训练数据集对初始模型进行训练，得到目标轨迹预测模型。
[0040]上述轨迹预测模型训练方法、装置、设备和轨迹预测方法，通过获取初始数据，所述初始数据至少包括目标对象信息以及环境信息。再基于时间属性将所述初始数据转化为
有向图数据，所述有向图数据包括节点向量和有向边向量。然后基于每个所述节点向量的相邻节点向量确定每个所述节点向量的权重，得到训练数据集，所述训练数据集包括多个时刻的轨迹数据。最后基于所述训练数据集对初始模型进行训练，得到目标轨迹预测模型。能够综合各个节点对应的特征信息，以及各个特征信息之间的联系对初始模型的训练数据进行优化，进而提高目标轨迹预测模型的轨迹预测能力，进一步提高轨迹预测的准确率。
附图说明
[0041]图1为RNN变体轨迹预测模型结构示意图；
[0042]图2为RNN变体轨迹预测模型特征参数的获取流程示意图；
[0043]图3为一个实施例中轨迹预测模型训练方法的应用环境图；
[0044]图4为一个实施例中轨迹预测模型训练方法的流程示意图；
[0045]图5为一个实施例中初始有向图数据的向量分解示意图；
[0046]图6为一个实施例中数据集切割方式示意图；
[0047]图7为一个实施例中数据扩充方式的示意图；
[0048]图8为一个优选实施例中的轨迹预测模型训练方法的流程图；
[0049]图9为一个实施例中轨迹预测模型训练装置的结构框图；
[0050]图10为一个实施例中轨迹预测装置的结构框图；
[0051]图11为一个实施例中计算机设备的内部结构图。
具体实施方式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轨迹预测模型训练方法，其特征在于，所述方法包括：获取初始数据，所述初始数据至少包括目标对象信息以及环境信息；基于时间属性将所述初始数据转化为有向图数据，所述有向图数据包括节点向量和有向边向量；基于每个所述节点向量的相邻节点向量确定每个所述节点向量的权重，得到训练数据集，所述训练数据集包括多个时刻的轨迹数据；基于所述训练数据集对初始模型进行训练，得到目标轨迹预测模型。2.根据权利要求1所述的方法，其特征在于，所述环境信息包括地理位置信息，时间信息和区域环境信息，所述基于时间属性将所述初始数据转化为有向图数据集包括：基于时间属性将所述初始数据转化为数据链；基于所述数据链的节点特征信息和有向边特征信息将所述数据链转化为有向图数据集，其中所述节点特征信息确定节点向量，所述有向边特征信息确定有向边向量。3.根据权利要求1所述的方法，其特征在于，所述基于每个所述节点向量的相邻节点向量确定每个所述节点向量的权重包括：采用注意力机制，基于每个所述节点向量的相邻节点向量确定每个所述节点向量的权重。4.根据权利要求1所述的方法，其特征在于，所述基于所述训练数据集对初始模型进行训练，得到目标轨迹预测模型包括：将t时刻的轨迹数据作为输入，将t+1时刻的轨迹数据作为参考数据，对所述目标轨迹预测模型进行训练。5.根据权利要求1所述的方法，其特征在于，所述基于所述训练数据集对初始模型进行训练之前包括：以任一所述节点向量为起点，沿预设方向行走预设步数，得到参...

【专利技术属性】
技术研发人员：万振弘，税雪飞，
申请(专利权)人：杭州安恒信息技术股份有限公司，
类型：发明
国别省市：