自动驾驶车辆的障碍物轨迹预测方法、装置和电子设备

技术领域

本公开涉及人工智能技术领域，尤其涉及自动驾驶、深度学习技术领域，尤其涉及一种自动驾驶车辆的障碍物轨迹预测方法、装置、电子设备、存储介质和计算机程序产品。

背景技术

目前，随着人工智能技术的不断发展，自动驾驶在车辆领域得到了广泛应用，具有自动化程度高、智能化高等优点。比如，可将图像数据输入自动驾驶云端，由自动驾驶云端识别障碍物位置，并进行障碍物轨迹预测、自动驾驶路线规划等。然而，相关技术中自动驾驶车辆在通过路口时，特别是障碍物右转汇入场景，存在障碍物轨迹预测不准确的问题。

发明内容

本公开提供了一种自动驾驶车辆的障碍物轨迹预测方法、装置、电子设备、存储介质和计算机程序产品。

根据本公开的一方面，提供了一种自动驾驶车辆的障碍物轨迹预测方法，包括：获取障碍物在目标路口内的初始出口车道；获取所述障碍物和所述初始出口车道之间的第一距离，并获取车辆的第一朝向和所述障碍物的第二朝向之间的夹角；基于所述第一距离和所述夹角，对所述初始出口车道进行修正，得到所述障碍物在所述目标路口内的目标出口车道；基于所述目标出口车道，对所述障碍物进行轨迹预测。

根据本公开的另一方面，提供了一种自动驾驶车辆的障碍物轨迹预测装置，包括：第一获取模块，用于获取障碍物在目标路口内的初始出口车道；第二获取模块，用于获取所述障碍物和所述初始出口车道之间的第一距离，并获取车辆的第一朝向和所述障碍物的第二朝向之间的夹角；修正模块，用于基于所述第一距离和所述夹角，对所述初始出口车道进行修正，得到所述障碍物在所述目标路口内的目标出口车道；预测模块，用于基于所述目标出口车道，对所述障碍物进行轨迹预测。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令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自动驾驶车辆的障碍物轨迹预测方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行自动驾驶车辆的障碍物轨迹预测方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序被处理器执行时实现自动驾驶车辆的障碍物轨迹预测方法的步骤。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的自动驾驶车辆的障碍物轨迹预测方法的流程示意图；

图2是根据本公开第二实施例的自动驾驶车辆的障碍物轨迹预测方法的示意图；

图3是根据本公开第三实施例的自动驾驶车辆的障碍物轨迹预测方法的流程示意图；

图4是根据本公开第四实施例的自动驾驶车辆的障碍物轨迹预测方法的示意图；

图5是根据本公开第五实施例的自动驾驶车辆的障碍物轨迹预测方法的示意图；

图6是根据本公开第六实施例的自动驾驶车辆的障碍物轨迹预测方法的流程示意图；

图7是根据本公开第一实施例的自动驾驶车辆的障碍物轨迹预测装置的框图；

图8是用来实现本公开实施例的自动驾驶车辆的障碍物轨迹预测方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

AI(Artificial Intelligence，人工智能)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。目前，AI技术具有自动化程度高、精确度高、成本低的优点，得到了广泛的应用。

自动驾驶是传感器、计算机、人工智能、通信、导航定位、模式识别、机器视觉、智能控制等多门前沿学科的综合体。进入21世纪后，随着物理计算能力的大幅度提升、动态视觉技术的快速发展以及人工智能技术迅猛发展，路线导航、障碍躲避、突发决策等关键技术得到解决，自动驾驶技术取得了突破性进展。

DL(Deep Learning，深度学习)是ML(Machine Learning，机器学习)领域中一个新的研究方向，是学习样本数据的内在规律和表示层次，使得机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据的一门科学，广泛应用于语音和图像识别。

图1是根据本公开第一实施例的自动驾驶车辆的障碍物轨迹预测方法的流程示意图。

如图1所示，本公开第一实施例的自动驾驶车辆的障碍物轨迹预测方法，包括：

S101，获取障碍物在目标路口内的初始出口车道。

需要说明的是，本公开实施例的自动驾驶车辆的障碍物轨迹预测方法的执行主体可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选地，执行主体可包括工作站、服务器，计算机、用户终端及其他智能设备。其中，用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。

需要说明的是，目标路口指的是车辆即将驶入或者正在处于的路口，对目标路口不做过多限定，比如，目标路口可包括复合路口、交叉路口等。其中，复合路口可包括十字路口、T字路口等。

需要说明的是，对障碍物不做过多限定，比如，障碍物可包括其他车辆、行人等。

需要说明的是，目标路口内可包括多个设定出口车道，初始出口车道可为任一设定出口车道。初始出口车道指的是障碍物离开目标路口的出口车道。如图2所示，车辆的行驶方向为直行，障碍物的行驶方向为右转，目标路口内包括设定出口车道A、B、C、D，初始出口车道可为设定出口车道B。

在一种实施方式中，获取障碍物在目标路口内的初始出口车道，包括对障碍物进行轨迹预测，获取障碍物的预测轨迹，基于预测轨迹，确定初始出口车道。应说明的是，障碍物的预测轨迹包括障碍物在目标路口内的预测轨迹。

在一些例子中，对障碍物进行轨迹预测，可通过自动驾驶模型来实现，比如，可将障碍物的位置、速度输入自动驾驶模型中，由自动驾驶模型对障碍物进行轨迹预测，并输出障碍物的预测轨迹。应说明的是，对自动驾驶模型不做过多限定，比如，自动驾驶模型可包括深度学习模型。

在一些例子中，基于预测轨迹，确定初始出口车道，包括基于预测轨迹的终点，确定初始出口车道。比如，继续以图2为例，若预测轨迹的终点处于设定出口车道B上，则可将设定出口车道B确定为初始出口车道。

在一种实施方式中，获取障碍物在目标路口内的初始出口车道之前，还包括识别车辆与目标路口之间的距离小于或者等于设定数值，即可在车辆即将进入路口时，获取初始出口车道，从而给车辆预留较为充足的时间对初始出口车道进行修正。应说明的是，对设定数值不做过多限定，比如，设定数值可为2米。

S102，获取障碍物和初始出口车道之间的第一距离，并获取车辆的第一朝向和障碍物的第二朝向之间的夹角。

在一种实施方式中，第一距离可包括障碍物的中心位置和初始出口车道的中心线之间的距离。

在一种实施方式中，获取障碍物和初始出口车道之间的第一距离，包括获取车辆的参考线，获取障碍物和初始出口车道在参考线的垂直方向上的第一距离。

比如，继续以图2为例，车辆的参考线为E

需要说明的是，对第一距离、夹角的大小均不做过多限定。

比如，第一距离大于或者等于0，夹角的取值范围为0度-90度。

比如，继续以图2为例，若初始出口车道位于障碍物的左侧，则第一距离小于0，若初始出口车道位于障碍物的右侧，则第一距离大于0，夹角的取值范围为-90度-0度。

S103，基于第一距离和夹角，对初始出口车道进行修正，得到障碍物在目标路口内的目标出口车道。

在一种实施方式中，基于第一距离和夹角，对初始出口车道进行修正，得到障碍物在目标路口内的目标出口车道，包括基于第一距离和夹角，确定初始出口车道的修正参数，按照修正参数对初始出口车道进行修正，得到目标出口车道。

需要说明的是，对修正参数不做过多限定，比如，修正参数包括修正方向、修正距离、左移几个车道、右移几个车道等。其中，修正方向包括左移、右移等。

比如，继续以图2为例，初始出口车道为设定出口车道B，若修正参数包括左移一个车道，则可将设定出口车道A确定为目标出口车道。或者，若修正参数包括右移一个车道，则可将设定出口车道C确定为目标出口车道。

在一种实施方式中，基于第一距离和夹角，对初始出口车道进行修正，得到障碍物在目标路口内的目标出口车道，包括基于第一距离、夹角和初始出口车道，初始出口车道进行修正，得到目标出口车道。由此，该方法中可综合考虑到第一距离、夹角和初始出口车道，来对初始出口车道进行修正，得到目标出口车道。

S104，基于目标出口车道，对障碍物进行轨迹预测。

比如，继续以图2为例，初始出口车道为设定出口车道B，若目标出口车道为设定出口车道C，则可基于设定出口车道C，对障碍物进行轨迹预测。

在一种实施方式中，基于目标出口车道，对障碍物进行轨迹预测，包括基于目标出口车道的位置、障碍物的位置、速度，对障碍物进行轨迹预测，以得到障碍物的预测轨迹。

在一些例子中，基于目标出口车道，对障碍物进行轨迹预测，包括将目标出口车道的位置、障碍物的位置、速度输入自动驾驶模型中，由自动驾驶模型对障碍物进行轨迹预测，并输出障碍物的预测轨迹。

综上，根据本公开实施例的自动驾驶车辆的障碍物轨迹预测方法，获取障碍物在目标路口内的初始出口车道，获取障碍物和初始出口车道之间的第一距离，并获取车辆的第一朝向和障碍物的第二朝向之间的夹角，基于第一距离和夹角，对初始出口车道进行修正，得到障碍物在目标路口内的目标出口车道，基于目标出口车道，对障碍物进行轨迹预测。由此，可综合考虑到第一距离和夹角，来对初始出口车道进行修正，以得到目标出口车道，提高了目标出口车道的准确性，进而提高了障碍物轨迹预测的准确性，相较于相关技术中自动驾驶车辆在通过路口时，特别是障碍物右转汇入场景，障碍物轨迹预测不准确，影响自动驾驶车辆进行决策规划，本方案中的自动驾驶车辆对障碍物轨迹预测更加准确，为自动驾驶车辆进行决策规划提供可靠保障。

图3是根据本公开第三实施例的自动驾驶车辆的障碍物轨迹预测方法的流程示意图。

如图3所示，本公开第三实施例的自动驾驶车辆的障碍物轨迹预测方法，包括：

S301，获取障碍物在目标路口内的初始出口车道。

S302，获取障碍物和初始出口车道之间的第一距离，并获取车辆的第一朝向和障碍物的第二朝向之间的夹角。

步骤S301-S302的相关内容可参见上述实施例，这里不再赘述。

S303，基于第一距离和夹角，识别满足设定修正条件。

需要说明的是，对设定修正条件不做过多限定。

在一种实施方式中，基于第一距离和夹角，识别满足设定修正条件，包括如下几种可能的实施方式：

方式1、响应于第一距离大于或者等于第一设定阈值，识别满足设定修正条件。

方式2、响应于第一距离小于或者等于第二设定阈值，且夹角处于第一设定区间内，识别满足设定修正条件。

方式3、响应于第一距离小于或者等于第三设定阈值，且夹角处于第二设定区间内，识别满足设定修正条件。

其中，第二设定阈值大于或者等于第三设定阈值，第一设定区间的下限值大于或者等于第二设定区间的上限值。

需要说明的是，对第一至第三设定阈值，第一设定区间、第二设定区间均不做过多限定。

在一种实施方式中，第一设定阈值为初始出口车道的宽度的一半。由此，该方法中可考虑到初始出口车道的宽度，来识别是否满足设定修正条件，即可考虑到道路拓扑，来识别是否满足设定修正条件。

在一种实施方式中，以夹角的取值范围为0度到90度为例，第一设定区间为θ

由此，该方法中可在第一距离和夹角满足方式1至方式3中的至少一个情况时，均识别满足设定修正条件。

需要说明的是，上述方式1至方式3仅为本公开实施例中的设定修正条件的举例，还可包括其他方式。

S304，基于夹角，对初始出口车道进行修正，得到目标出口车道。

在一种实施方式中，步骤S304的相关内容，可参照步骤S103的相关内容，这里不再赘述。

在一种实施方式中，基于夹角，对初始出口车道进行修正，得到目标出口车道，包括获取障碍物在目标路口内的多个候选出口车道，基于夹角处于的设定区间，从多个候选出口车道中选取目标出口车道。由此，该方法中可考虑到夹角处于的设定区间，从多个候选出口车道中选取目标出口车道。

需要说明的是，多个候选出口车道为目标路口内的部分或者全部设定出口车道。

在一些例子中，获取障碍物在目标路口内的多个候选出口车道，包括获取目标路口内的设定出口车道，响应于车辆的行驶方向为直行，且障碍物的行驶方向为右转，将位于障碍物的左侧的设定出口车道确定为候选出口车道。由此，该方法中在障碍物右转汇入场景下，可从设定出口车道中筛选出位于障碍物的左侧的设定出口车道，作为候选出口车道。

比如，如图4所示，车辆的行驶方向为直行，且障碍物的行驶方向为右转，目标路口内包括设定出口车道1至4，位于障碍物的左侧的设定出口车道包括设定出口车道1至4，则可将设定出口车道1至4确定为候选出口车道。

比如，如图5所示，车辆的行驶方向为直行，且障碍物的行驶方向为右转，目标路口内包括设定出口车道1至4，位于障碍物的左侧的设定出口车道包括设定出口车道1至3，则可将设定出口车道1至3确定为候选出口车道。

在一些例子中，基于夹角处于的设定区间，从多个候选出口车道中选取目标出口车道，包括获取障碍物和候选出口车道之间的候选距离，对多个候选出口车道按照候选距离从小到大进行排序，响应于夹角处于第三设定区间，将排序第二的候选出口车道确定为目标出口车道。或者，响应于夹角处于第四设定区间，将排序第一的候选出口车道确定为目标出口车道。由此，该方法中可在夹角处于第三设定区间时，将排序第二的候选出口车道确定为目标出口车道，或者，在夹角处于第四设定区间时，将排序第一的候选出口车道确定为目标出口车道。

其中，第三设定区间的下限值大于或者等于第四设定区间的上限值。

需要说明的是，对第三设定区间、第四设定区间均不做过多限定。

在一种实施方式中，以夹角的取值范围为0度到90度为例，第三设定区间为θ

比如，继续以图4为例，候选出口车道可包括设定出口车道1至4，设定出口车道1至4对应的排序结果为设定出口车道1至4，若夹角处于60度-90度，则可将排序第二的候选出口车道确定为目标出口车道，即将设定出口车道2确定为目标出口车道。

比如，继续以图5为例，候选出口车道可包括设定出口车道1至3，设定出口车道1至3对应的排序结果为设定出口车道1至3，若夹角处于0度至60度，则可将排序第一的候选出口车道确定为目标出口车道，即将设定出口车道1确定为目标出口车道。

S305，基于目标出口车道，对障碍物进行轨迹预测。

步骤S305的相关内容可参见上述实施例，这里不再赘述。

综上，根据本公开实施例的自动驾驶车辆的障碍物轨迹预测方法，可综合考虑到第一距离和夹角，来识别满足设定修正条件，并基于夹角，对初始出口车道进行修正，得到目标出口车道。

图6是根据本公开第六实施例的自动驾驶车辆的障碍物轨迹预测方法的流程示意图。

如图6所示，本公开第六实施例的自动驾驶车辆的障碍物轨迹预测方法，包括：

S601，获取障碍物在目标路口内的初始出口车道。

S602，获取障碍物和初始出口车道之间的第一距离，并获取车辆的第一朝向和障碍物的第二朝向之间的夹角。

S603，基于第一距离和夹角，对初始出口车道进行修正，得到障碍物在目标路口内的目标出口车道。

步骤S601-S603的相关内容可参见上述实施例，这里不再赘述。

S604，获取障碍物和目标出口车道之间的第二距离。

需要说明的是，步骤S604的相关内容，可参照步骤S102中获取障碍物和初始出口车道之间的第一距离的相关内容，这里不再赘述。

S605，响应于第一距离小于第二距离，基于目标出口车道，对障碍物进行轨迹预测。

S606，响应于第一距离大于或者等于第二距离，基于初始出口车道，对障碍物进行轨迹预测。

本公开的实施例中，若第一距离小于第二距离，表明目标出口车道相较于初始出口车道距离障碍物更远，此时将目标出口车道确定为障碍物在目标路口内的最终出口车道，则基于目标出口车道，对障碍物进行轨迹预测。

或者，若第一距离大于或者等于第二距离，表明初始出口车道相较于目标出口车道距离障碍物更远，此时将初始出口车道确定为障碍物在目标路口内的最终出口车道，则基于初始出口车道，对障碍物进行轨迹预测。

需要说明的是，对障碍物进行轨迹预测的相关内容，可参照步骤S104的相关内容，这里不再赘述。

综上，根据本公开实施例的自动驾驶车辆的障碍物轨迹预测方法，可在第一距离小于第二距离时，基于目标出口车道进行轨迹预测，或者，在第一距离大于或者等于第二距离时，基于初始出口车道进行轨迹预测，提高了障碍物轨迹预测的准确性，为自动驾驶车辆进行决策规划提供可靠保障。

在上述任一实施例的基础上，可基于第一距离和夹角，识别未满足设定修正条件，表明初始出口车道准确性较高，则基于初始出口车道，对障碍物进行轨迹预测。由此，该方法中可综合考虑到第一距离和夹角，来识别未满足设定修正条件，直接基于初始出口车道，对障碍物进行轨迹预测。

需要说明的是，基于第一距离和夹角，识别未满足设定修正条件的相关内容，可参见步骤S303的相关内容，这里不再赘述。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种自动驾驶车辆的障碍物轨迹预测装置，用于实现上述的自动驾驶车辆的障碍物轨迹预测方法。

图7是根据本公开第一实施例的自动驾驶车辆的障碍物轨迹预测装置的框图。

如图7所示，本公开实施例的自动驾驶车辆的障碍物轨迹预测装置700，包括：第一获取模块701、第二获取模块702、修正模块703和预测模块704。

第一获取模块701用于获取障碍物在目标路口内的初始出口车道；

第二获取模块702用于获取所述障碍物和所述初始出口车道之间的第一距离，并获取车辆的第一朝向和所述障碍物的第二朝向之间的夹角；

修正模块703用于基于所述第一距离和所述夹角，对所述初始出口车道进行修正，得到所述障碍物在所述目标路口内的目标出口车道；

预测模块704用于基于所述目标出口车道，对所述障碍物进行轨迹预测。

在本公开的一个实施例中，所述修正模块703还用于：基于所述第一距离和所述夹角，识别满足设定修正条件；基于所述夹角，对所述初始出口车道进行修正，得到所述目标出口车道。

在本公开的一个实施例中，所述修正模块703还用于：响应于所述第一距离大于或者等于第一设定阈值，识别满足所述设定修正条件；和/或，响应于所述第一距离小于或者等于第二设定阈值，且所述夹角处于第一设定区间内，识别满足所述设定修正条件；和/或，响应于所述第一距离小于或者等于第三设定阈值，且所述夹角处于第二设定区间内，识别满足所述设定修正条件；其中，所述第二设定阈值大于或者等于所述第三设定阈值，所述第一设定区间的下限值大于或者等于所述第二设定区间的上限值。

在本公开的一个实施例中，所述第一设定阈值为所述初始出口车道的宽度的一半。

在本公开的一个实施例中，所述修正模块703还用于：获取所述障碍物在所述目标路口内的多个候选出口车道；基于所述夹角处于的设定区间，从多个所述候选出口车道中选取所述目标出口车道。

在本公开的一个实施例中，所述修正模块703还用于：获取所述目标路口内的设定出口车道；响应于所述车辆的行驶方向为直行，且所述障碍物的行驶方向为右转，将位于所述障碍物的左侧的设定出口车道确定为所述候选出口车道。

在本公开的一个实施例中，所述修正模块703还用于：获取所述障碍物和所述候选出口车道之间的候选距离；对多个所述候选出口车道按照所述候选距离从小到大进行排序；响应于所述夹角处于第三设定区间，将排序第二的候选出口车道确定为所述目标出口车道；或者，响应于所述夹角处于第四设定区间，将排序第一的候选出口车道确定为所述目标出口车道；其中，所述第三设定区间的下限值大于或者等于所述第四设定区间的上限值。

在本公开的一个实施例中，所述预测模块704还用于：获取所述障碍物和所述目标出口车道之间的第二距离；响应于所述第一距离小于所述第二距离，基于所述目标出口车道，对所述障碍物进行轨迹预测。

在本公开的一个实施例中，所述预测模块704还用于：响应于所述第一距离大于或者等于所述第二距离，基于所述初始出口车道，对所述障碍物进行轨迹预测。

综上，本公开实施例的自动驾驶车辆的障碍物轨迹预测装置，获取障碍物在目标路口内的初始出口车道，获取障碍物和初始出口车道之间的第一距离，并获取车辆的第一朝向和障碍物的第二朝向之间的夹角，基于第一距离和夹角，对初始出口车道进行修正，得到障碍物在目标路口内的目标出口车道，基于目标出口车道，对障碍物进行轨迹预测。由此，可综合考虑到第一距离和夹角，来对初始出口车道进行修正，以得到目标出口车道，提高了目标出口车道的准确性，进而提高了障碍物轨迹预测的准确性，相较于相关技术中自动驾驶车辆在通过路口时，特别是障碍物右转汇入场景，障碍物轨迹预测不准确，影响自动驾驶车辆进行决策规划，本方案中的自动驾驶车辆对障碍物轨迹预测更加准确，为自动驾驶车辆进行决策规划提供可靠保障。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，电子设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

电子设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如图1至图6所述的自动驾驶车辆的障碍物轨迹预测方法。例如，在一些实施例中，自动驾驶车辆的障碍物轨迹预测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的自动驾驶车辆的障碍物轨迹预测方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行自动驾驶车辆的障碍物轨迹预测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

根据本公开的实施例，本公开还提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序被处理器执行时实现本公开上述实施例所述的自动驾驶车辆的障碍物轨迹预测方法的步骤。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。