一种车辆轨迹预测方法、装置、设备及存储介质

技术领域

本发明涉及自动驾驶技术领域，特别涉及一种车辆轨迹预测方法、装置、设备及存储介质。

背景技术

近年来，随着科技的迅速发展，国内外针对智能车辆的研究也越来越深入。但如何解决智能车辆在各种复杂交通场景中与周边车辆合理地交互成为了一个研究热点问题，国内外研究普遍认为只有当智能车辆具备预测周边车辆轨迹的功能时，智能车辆才能更加智能和安全。通过预测智能车辆周边车辆轨迹才能充分保障车辆安全。相关技术中，在进行轨迹预测时大多不能充分提取车辆的运动隐藏状态，即不能有效利用车辆的历史运动信息且没有考虑到车辆间的时空交互对轨迹预测的影响，从而使得预测出来的轨迹不贴近真实的车辆轨迹，产生较大偏差，无法保障车辆安全。

因此，上述问题亟待本领域技术人员解决。

发明内容

有鉴于此，本发明的目的在于提供一种车辆轨迹预测方法、装置、设备及存储介质，充分考虑了车辆间的时空交互对轨迹预测的影响，能够提高模型预测精确度以有效保障车辆行驶安全。其具体方案如下：

本申请的第一方面提供了一种车辆轨迹预测方法，包括：

获取目标车辆的各周边行驶车辆的历史运动信息；其中，所述历史运动信息为历史一段时间内所述周边行驶车辆在位于所述目标车辆周边位置行驶时的运动位置及状态信息；

对全部所述历史运动信息进行预处理，得到各所述周边行驶车辆与除自身外的其他所述周边行驶车辆之间的反映时空交互的运动交互信息；

将全部所述运动交互信息输入至车辆轨迹预测模型，以利用所述车辆轨迹预测模型对各所述周边行驶车辆的未来运动轨迹进行预测。

可选的，各所述周边行驶车辆的所述运动交互信息至少包括车辆长度宽度、在纵横方向上相对所述目标车辆的位置坐标、在纵横方向上的速度、在纵横方向上的加速度及中心点距离车道边界的横向距离。

可选的，利用所述车辆轨迹预测模型对各所述周边行驶车辆的未来运动轨迹进行预测之后，还包括：

将所述车辆轨迹预测模型输出的各所述周边行驶车辆的未来运动轨迹发送至预设设备的显示界面进行显示。

可选的，所述车辆轨迹预测模型将各所述周边行驶车辆的未来运动轨迹输出至所述目标车辆的车载界面进行显示之前，还包括：

根据所述历史运动信息生成各所述周边行驶车辆的历史运动轨迹；

将各所述周边行驶车辆的历史运动轨迹发送至所述预设设备的显示界面，使得所述预设设备的显示界面对各所述周边行驶车辆的历史运动轨迹与未来运动轨迹一并进行显示。

可选的，所述车辆轨迹预测方法，还包括：

获取所述目标车辆的实时运动信息；

根据所述实时运动信息及各所述周边行驶车辆的未来运动轨迹对所述目标车辆的行驶安全性进行分析，得到相应的危险预警及安全操作提示信息；

将危险预警及安全操作提示信息发送至所述预设设备的显示界面进行显示。

可选的，所述获取所述目标车辆的实时运动信息之后，还包括：

根据所述实时运动信息确定所述目标车辆的当前行驶道路信息，并将所述当前行驶道路信息发送至所述预设设备的显示界面进行显示。

可选的，所述车辆轨迹预测模型为利用训练集对基于DeepGBM神经网络模型进行训练后得到的模型；所述训练集包括历史运动信息和相应的样本标签，所述样本标签为与历史运动信息对应的运动坐标。

本申请的第二方面提供了一种车辆轨迹预测装置，包括：

历史运动信息获取模块，用于获取目标车辆的各周边行驶车辆的历史运动信息；其中，所述历史运动信息为历史一段时间内所述周边行驶车辆在位于所述目标车辆周边位置行驶时的运动位置及状态信息；

预处理模块，用于对全部所述历史运动信息进行预处理，得到各所述周边行驶车辆与除自身外的其他所述周边行驶车辆之间的反映时空交互的运动交互信息；

模型预测模块，用于将全部所述运动交互信息输入至车辆轨迹预测模型，以利用所述车辆轨迹预测模型对各所述周边行驶车辆的未来运动轨迹进行预测。

本申请的第三方面提供了一种电子设备，所述电子设备包括处理器和存储器；其中所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现前述车辆轨迹预测方法。

本申请的第四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中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现前述车辆轨迹预测方法。

本申请中，先获取目标车辆的各周边行驶车辆的历史运动信息；所述历史运动信息为历史一段时间内所述周边行驶车辆在位于所述目标车辆周边位置行驶时的运动位置及状态信息；然后对全部所述历史运动信息进行预处理，得到各所述周边行驶车辆与除自身外的其他所述周边行驶车辆之间的反映时空交互的运动交互信息；最后将全部所述运动交互信息输入至车辆轨迹预测模型，以利用所述车辆轨迹预测模型对各所述周边行驶车辆的未来运动轨迹进行预测。可见，本申请通过对周边行驶车辆的历史运动信息进行预处理来获得周边行驶车辆之间的运动交互信息，进而将运动交互信息作为车辆轨迹预测模型的输入，充分考虑了车辆间的时空交互对轨迹预测的影响，能够提高模型预测精确度以有效保障车辆行驶安全。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本申请提供的一种车辆轨迹预测方法流程图；

图2为本申请提供的一种具体的周边行驶车辆的历史运动信息示例图；

图3为本申请提供的一种具体的DeepGBM神经网络结构图；

图4为本申请提供的一种具体的车辆轨迹预测方法流程图；

图5为本申请提供的一种具体的车载界面的示例图；

图6为本申请提供的一种车辆轨迹预测装置结构示意图；

图7为本申请提供的一种车辆轨迹预测电子设备结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

现有的车辆轨迹预测方案大多不能充分提取车辆的运动隐藏状态，即不能有效利用车辆的历史运动信息且没有考虑到车辆间的时空交互对轨迹预测的影响，从而使得预测出来的轨迹不贴近真实的车辆轨迹，产生较大偏差，无法保障车辆安全。针对上述技术缺陷，本申请提供一种车辆轨迹预测方案，通过对周边行驶车辆的历史运动信息进行预处理来获得周边行驶车辆之间的运动交互信息，进而将运动交互信息作为车辆轨迹预测模型的输入，充分考虑了车辆间的时空交互对轨迹预测的影响，能够提高模型预测精确度以有效保障车辆行驶安全。

图1为本申请实施例提供的一种车辆轨迹预测方法流程图。参见图1所示，该车辆轨迹预测方法包括：

S11：获取目标车辆的各周边行驶车辆的历史运动信息；其中，所述历史运动信息为历史一段时间内所述周边行驶车辆在位于所述目标车辆周边位置行驶时的运动位置及状态信息。

本实施例中，首先获取目标车辆的各周边行驶车辆的历史运动信息。之所以称为历史运动信息是相对于当前时刻来说的，所述历史运动信息为历史一段时间内所述周边行驶车辆在位于所述目标车辆周边位置行驶时的运动位置及状态信息，一般为最近一段时间内，例如，最近5秒内。可以理解，所述历史运动信息能充分提取车辆的运动隐藏状态。

本实施例中，各所述周边行驶车辆的所述运动交互信息至少包括车辆长度宽度、在纵横方向上相对所述目标车辆的位置坐标、在纵横方向上的速度、在纵横方向上的加速度及中心点距离车道边界的横向距离。即先获取目标车辆的各周边行驶车辆的车辆长度宽度、在纵横方向上相对所述目标车辆的位置坐标、在纵横方向上的速度、在纵横方向上的加速度及中心点距离车道边界的横向距离。其中，在纵横方向上相对所述目标车辆的位置坐标也可用车辆中心点在纵横方向上距离所述目标车辆的中心点的距离。图2中，Length和Weight分别为车辆长度和宽度，△local_x和△local_y为纵横向坐标，V_x和V_y为纵横向速度，a_x和a_y为纵横向加速度，△d_left和△d_right为中心点距离车道边界的横向距离。

需要说明的是，上述采集所述历史运动信息可以利用设置在所述目标车辆上的数据采集装置，数据采集装置可以为激光雷达、车载环视摄像头等。数据采集装置以一定的频率采集信息，例如，以5HZ的频率采集信息，本实施例对此进行限定。

S12：对全部所述历史运动信息进行预处理，得到各所述周边行驶车辆与除自身外的其他所述周边行驶车辆之间的反映时空交互的运动交互信息。

本实施例中，在获取到各周边行驶车辆的所述历史运动信息之后，接着对全部所述历史运动信息进行预处理，这个过程会得到各所述周边行驶车辆与除自身外的其他所述周边行驶车辆之间的反映时空交互的运动交互信息。各所述周边行驶车辆的所述运动交互信息可以为与左前方车的距离差、与左前方车的速度差等能反映车辆之间时空交互的信息。

本实施例中，预处理的过程即对各周边行驶车辆的时空特征进行提取的过程，上述时空特征即为所述运动交互信息。除此之外，预处理还可以包括数据格式转换(转换为模型支持的数据格式)及去噪处理，去噪处理即剔除掉距离所述目标车辆国缘的周边行驶车辆的数据等。

S13：将全部所述运动交互信息输入至车辆轨迹预测模型，以利用所述车辆轨迹预测模型对各所述周边行驶车辆的未来运动轨迹进行预测。

本实施例中，得到所述运动交互信息之后，需要将全部所述运动交互信息输入至车辆轨迹预测模型，以便所述车辆轨迹预测模型对各所述周边行驶车辆的未来运动轨迹进行预测。在此基础上，为了使得预测结果更精确，所述车辆轨迹预测模型选择以DeepGBM神经网络为基础，即所述车辆轨迹预测模型为利用训练集对DeepGBM神经网络模型进行训练后得到的模型，其中，所述训练集包括历史运动信息和相应的样本标签，所述样本标签为与历史运动信息对应的运动坐标。具体的，在此之前可以由数据采集装置实时采集周围车辆信息以构建模型预测所用数据集，然后基于所采集的数据进行数据预处理，减少噪音数据的输入，获得智能驾驶车辆周边车辆特征，构建模型训练集、验证集和测试集。

本实施例中，DeepGBM神经网络是一种新型的学习框架，集成神经网络和GBDT的优势，能够实现在复杂交通场景下对周边车辆轨迹进行精准预测。从本质上讲，决策树的树结构知识表示如何将数据划分为许多不重叠的区域(叶子)，通过将数据聚类到不同的类中，并且同一叶子中的数据属于同一类。DeepGBM使用神经网络模型来逼近树结构的函数，并实现结构知识提取。使用神经网络拟合树产生的聚类结果，使神经网络近似决策树的结构函数。而DeepGBM就是通过把GBDT的知识蒸馏进神经网络从而构建的，其模型结构如图3所示，其原理包括叶子嵌入蒸馏和决策树分组。DeepGBM是将GBDT进行结构蒸馏后得到的神经网络模型，包括输入层、全连接层、嵌入层和输出层。首先通过输入层放入车辆轨迹数据，然后在全连接层中使用嵌入层

其中，

最后在输出层中，基于得到的嵌入向量，此时神经网络的拟合目标就是尽量使接管时间预测结果与嵌入向量H

其中，l表示回归损失，H

此外，由于需要对每棵决策树进行蒸馏处理，这将带来较高的计算代价。鉴于这个问题，通过尝试将GBDT中的所有决策树随机划分为T组，每一组最终只蒸馏一个神经网络。首先，类似于上面的蒸馏方式，这里将分组内所有叶子节点的预测值进行累加，即∑t∈TP

其中，∑

根据上面得到的嵌入向量H

其中，II

然后，一组树T产生的预测结果可以表示为：

y

最终GBDT2NN通过构建k组树的输出结果可以表示为：

可见，本申请实施例先获取目标车辆的各周边行驶车辆的历史运动信息；所述历史运动信息为历史一段时间内所述周边行驶车辆在位于所述目标车辆周边位置行驶时的运动位置及状态信息；然后对全部所述历史运动信息进行预处理，得到各所述周边行驶车辆与除自身外的其他所述周边行驶车辆之间的反映时空交互的运动交互信息；最后将全部所述运动交互信息输入至车辆轨迹预测模型，以利用所述车辆轨迹预测模型对各所述周边行驶车辆的未来运动轨迹进行预测。本申请实施例通过对周边行驶车辆的历史运动信息进行预处理来获得周边行驶车辆之间的运动交互信息，进而将运动交互信息作为车辆轨迹预测模型的输入，充分考虑了车辆间的时空交互对轨迹预测的影响，能够提高模型预测精确度以有效保障车辆行驶安全。

图4为本申请实施例提供的一种具体的车辆轨迹预测方法流程图。参见图4所示，该车辆轨迹预测方法包括：

S21：获取目标车辆的各周边行驶车辆的历史运动信息；其中，所述历史运动信息为历史一段时间内所述周边行驶车辆在位于所述目标车辆周边位置行驶时的运动位置及状态信息。

S22：对全部所述历史运动信息进行预处理，得到各所述周边行驶车辆与其他除自身外的所述周边行驶车辆之间的反映时空交互的运动交互信息。

本实施例中，关于上述步骤S21和的步骤S22具体过程，可以参考前述实施例中公开的相应内容，在此不再进行赘述。

S23：将全部所述运动交互信息输入至车辆轨迹预测模型，以利用所述车辆轨迹预测模型对各所述周边行驶车辆的未来运动轨迹进行预测，并将所述车辆轨迹预测模型输出的各所述周边行驶车辆的未来运动轨迹发送至预设设备的显示界面进行显示。

S24：根据所述历史运动信息生成各所述周边行驶车辆的历史运动轨迹，并将各所述周边行驶车辆的历史运动轨迹发送至所述预设设备的显示界面，使得所述预设设备的显示界面对各所述周边行驶车辆的历史运动轨迹与未来运动轨迹一并进行显示。

S25：获取所述目标车辆的实时运动信息，并根据所述实时运动信息及各所述周边行驶车辆的未来运动轨迹对所述目标车辆的行驶安全性进行分析，得到相应的危险预警及安全操作提示信息，及将危险预警及安全操作提示信息发送至所述预设设备的显示界面进行显示。

S26：根据所述实时运动信息确定所述目标车辆的当前行驶道路信息，并将所述当前行驶道路信息发送至所述预设设备的显示界面进行显示。

本实施例中，在利用所述车辆轨迹预测模型进行预测时，所述车辆轨迹预测模型在预测完成后需要将各所述周边行驶车辆的未来运动轨迹输出至预设设备的显示界面进行显示，即将未来运动轨迹发布至所述目标车辆。其中，所述预设设备的显示界面可以为目标车辆的车载界面，也可以为驾驶员所持移动终端的显示屏幕，本实施例对此不进行限定。

在一种实施例中，所述目标车辆的车载界面除了需要显示未来运动轨迹，还显示历史运动轨迹。具体的，根据所述历史运动信息生成各所述周边行驶车辆的历史运动轨迹，并将各所述周边行驶车辆的历史运动轨迹发送至所述预设设备的显示界面，使得所述预设设备的显示界面对各所述周边行驶车辆的历史运动轨迹与未来运动轨迹一并进行显示。

在另一种实施例中，所述预设设备的显示界面还会显示危险预警及安全操作提示信息、所述目标车辆的当前行驶道路信息。其中，危险预警及安全操作提示信息主要是为了提醒司机可能的驾驶危险。具体的，获取所述目标车辆的实时运动信息，并根据所述实时运动信息及各所述周边行驶车辆的未来运动轨迹对所述目标车辆的行驶安全性进行分析，得到相应的危险预警及安全操作提示信息，及将危险预警及安全操作提示信息发送至所述预设设备的显示界面进行显示。针对所述目标车辆的当前行驶道路信息，主要根据所述实时运动信息确定所述目标车辆的当前行驶道路信息，并将所述当前行驶道路信息发送至所述预设设备的显示界面进行显示。

图5所示为一种车载界面的示例图，图中①为车载界面相关系统名称(如轨迹预测系统)；②为当前电量和当地的时间；③为轨迹预测结果显示区域；④为危险预警及安全操作提示信息(如碰撞预警、车速控制和车道变更情况规划)显示区域；⑤为系统运行状况和行驶道路信息的显示区域。具体的，③中实线为历史运动轨迹，虚线为未来运动轨迹；④中的碰撞预警显示智能车辆与周边车辆的碰撞风险警示，车速控制显示速度为指导车速，车道变更指导智能车辆的车道变更；⑤中显示目标车辆行驶的道路信息，包括道路名称和道路等级，系统运行状况显示车载界面相关系统是否正常运行。

参见图6所示，本申请实施例还相应公开了一种车辆轨迹预测装置，包括：

历史运动信息获取模块11，用于获取目标车辆的各周边行驶车辆的历史运动信息；其中，所述历史运动信息为历史一段时间内所述周边行驶车辆在位于所述目标车辆周边位置行驶时的运动位置及状态信息；

预处理模块12，用于对全部所述历史运动信息进行预处理，得到各所述周边行驶车辆与除自身外的其他所述周边行驶车辆之间的反映时空交互的运动交互信息；

模型预测模块13，用于将全部所述运动交互信息输入至车辆轨迹预测模型，以利用所述车辆轨迹预测模型对各所述周边行驶车辆的未来运动轨迹进行预测。

可见，本申请实施例先获取目标车辆的各周边行驶车辆的历史运动信息；所述历史运动信息为历史一段时间内所述周边行驶车辆在位于所述目标车辆周边位置行驶时的运动位置及状态信息；然后对全部所述历史运动信息进行预处理，得到各所述周边行驶车辆与除自身外的其他所述周边行驶车辆之间的反映时空交互的运动交互信息；最后将全部所述运动交互信息输入至车辆轨迹预测模型，以利用所述车辆轨迹预测模型对各所述周边行驶车辆的未来运动轨迹进行预测。本申请实施例通过对周边行驶车辆的历史运动信息进行预处理来获得周边行驶车辆之间的运动交互信息，进而将运动交互信息作为车辆轨迹预测模型的输入，充分考虑了车辆间的时空交互对轨迹预测的影响，能够提高模型预测精确度以有效保障车辆行驶安全。

在一些具体实施例中，所述车辆轨迹预测装置中的各所述周边行驶车辆的所述运动交互信息至少包括车辆长度宽度、在纵横方向上相对所述目标车辆的位置坐标、在纵横方向上的速度、在纵横方向上的加速度及中心点距离车道边界的横向距离。

在一些具体实施例中，所述车辆轨迹预测装置还包括：

第一显示模块，用于将所述车辆轨迹预测模型输出的各所述周边行驶车辆的未来运动轨迹发送至预设设备的显示界面进行显示；

第二显示模块，用于根据所述历史运动信息生成各所述周边行驶车辆的历史运动轨迹；将各所述周边行驶车辆的历史运动轨迹发送至所述预设设备的显示界面，使得所述预设设备的显示界面对各所述周边行驶车辆的历史运动轨迹与未来运动轨迹一并进行显示；

第三显示模块，用于获取所述目标车辆的实时运动信息；根据所述实时运动信息及各所述周边行驶车辆的未来运动轨迹对所述目标车辆的行驶安全性进行分析，得到相应的危险预警及安全操作提示信息；将危险预警及安全操作提示信息发送至所述预设设备的显示界面进行显示；

第四显示模块，用于根据所述实时运动信息确定所述目标车辆的当前行驶道路信息，并将所述当前行驶道路信息发送至所述预设设备的显示界面进行显示。

在一些具体实施例中，所述车辆轨迹预测装置中的所述车辆轨迹预测模型为利用训练集对DeepGBM神经网络模型进行训练后得到的模型；所述训练集包括历史运动信息和相应的样本标签，所述样本标签为与历史运动信息对应的运动坐标。

进一步的，本申请实施例还提供了一种电子设备。图7是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。

图7为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的车辆轨迹预测方法中的相关步骤。

本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。

另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222及数据223等，存储方式可以是短暂存储或者永久存储。

其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，以实现处理器21对存储器22中海量数据223的运算与处理，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的车辆轨迹预测方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。数据223可以包括电子设备20收集到的历史运动信息。

进一步的，本申请实施例还公开了一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器加载并执行时，实现前述任一实施例公开的车辆轨迹预测方法步骤。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的车辆轨迹预测方法、装置、设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。