一种车辆运动轨迹预测方法、装置、设备及介质

技术领域

本发明属于自动驾驶技术领域，具体涉及一种车辆运动轨迹预测方法、装置、设备及介质。

背景技术

在自动驾驶领域中，轨迹预测模块往往接收环境感知模块的输入，对周边交通参与者(以下称为actor)的未来轨迹提供预测，输入到下游的规划控制模块，作为规划控制模块的决策依据，使得其能规划出安全舒适的自车未来轨迹，而保证这种规划的安全就需要对周边actor未来趋势或轨迹的准确预测。

随着数据量和计算机算力的不断增长，使得基于深度学习的轨迹预测方法变得可行。深度学习方法以数据为驱动，同时考虑车辆周边地图感知信息和周报车辆历史轨迹的特征信息，使得模型能够较好的适应复杂路况，且克服了传统机器学习手工特征工程鲁棒性差的缺点，使得该类方法逐渐成为行业主流。

深度学习轨迹预测算法是通过模型拟合真实轨迹生成轨迹，但输入数据存在噪声或与训练数据特征差异较大时，不能保证深度学习模型输出的预测轨迹完全符合物理规律。

发明内容

鉴于以上所述现有技术的缺点，本发明提供一种车辆运动轨迹预测方法、装置、设备及介质，以解决上述技术问题。

本发明提供的一种车辆运动轨迹预测方法，所述方法包括：

获取第一目标车辆的当前行驶控制信号；

以所述第一目标车辆的当前行驶控制信号作为第一目标车辆的运动学模型的控制变量，得到第一目标车辆的运动状态变量；

更新所述运动状态变量，得到新的运动状态变量；

基于所述新的运动状态变量得到第一目标车辆的预测运动轨迹。

于本发明一实施例中，所述第一目标车辆的运动学模型为二轮车运动学模型，所述以所述第一目标车辆的当前行驶控制信号作为第一目标车辆的运动学模型的控制变量，得到第一目标车辆的运动状态变量的步骤包括：

将所述第一目标车辆的当前行驶控制信号输入至所述二轮车运动学模型，得到第一目标车辆的运动状态变量；所述第一目标车辆的当前行驶控制信号包括：车辆的加速度和车辆的前轮转角；所述第一目标车辆的运动状态变量包括：车辆在坐标系的横坐标值、车辆在坐标系的纵坐标值、车辆的车头航向角和车辆的车速。

于本发明一实施例中，所述获取第一目标车辆的当前行驶控制信号的步骤包括：

获取第一目标车辆的当前行驶状态数据和与第一目标车辆具有关联关系的第一关联车辆的当前行驶状态数据；

将第一目标车辆的当前行驶状态数据和第一关联车辆的当前行驶状态数据输入至训练好的控制信号预测模型中，以控制信号预测模型的输出作为所述第一目标车辆的当前行驶控制信号；其中，所述控制信号预测模型是通过以第二目标车辆的历史行驶状态数据、与第二目标车辆具有关联关系的第二关联车辆的历史行驶状态数据作为输入，以第二目标车辆的历史行驶控制信号作为输出构建的基于深度学习的模型。

于本发明一实施例中，所述将第一目标车辆的当前行驶状态数据和第一关联车辆的当前行驶状态数据输入至训练好的控制信号预测模型中，以控制信号预测模型的输出作为所述第一目标车辆的当前行驶控制信号的步骤包括：

通过控制信号预测模型的编码模块对所述第一目标车辆的当前行驶状态数据和第一关联车辆的当前行驶状态数据进行编码，得到第一目标车辆与关联车辆的关联特征；

通过控制信号预测模型的解码模块对所述关联特征进行解码，得到第一目标车辆的当前行驶控制信号。

于本发明一实施例中，在所述解码模块对所述关联特征进行解码后，所述方法还包括：

对所述解码模块对所述关联特征进行解码输出的解码信息后，通过设定的约束条件对所述解码信息进行约束，并将添加约束后的解码信息与放缩系数相乘，得到当前行驶控制信号。

于本发明一实施例中，所述第一目标车辆的当前行驶控制信号是通过车载传感器采集的。

于本发明一实施例中，所述更新所述运动状态变量，得到新的运动状态变量的步骤包括：

利用数值积分法对所述运动状态变量进行离散化处理，得到新的运动状态变量；所述数值积分法包括：二阶龙格库塔法、四阶龙格库塔法中的一种；

当利用二阶龙格库塔法对所述运动状态变量进行离散化处理时，新的运动状态变量y

当利用四阶龙格库塔法对所述运动状态变量进行离散化处理时，新的运动状态变量y

其中，f(t

本发明提供的一种车辆运动轨迹预测装置，所述装置包括：

数据获取模块，用于获取第一目标车辆的当前行驶控制信号；

变量生成模块，用于以所述第一目标车辆的当前行驶控制信号作为第一目标车辆的运动学模型的控制变量，得到第一目标车辆的运动状态变量；

状态更新模块，用于利用数值积分法更新所述运动状态变量，得到新的运动状态变量；

轨迹预测模块，用于基于所述新的运动状态变量得到第一目标车辆的预测运动轨迹。

本发明提供的一种电子设备，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现上述的车辆运动轨迹预测方法的步骤。

本发明提供的一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被计算机的处理器执行时，使计算机执行上述车辆运动轨迹预测方法的步骤。

本发明的有益效果：本发明中的一种车辆运动轨迹预测方法，包括：获取目标车辆的当前行驶控制信号；以所述目标车辆的当前行驶控制信号作为目标车辆的运动学模型的控制变量，得到目标车辆的运动状态变量；更新所述运动状态变量，得到新的运动状态变量；基于所述新的运动状态变量得到目标车辆的预测运动轨迹。本发明先获得车辆的控制信号，将控制信号作为运动学模型的控制变量，然后输出运动状态变量，再通过数值积分法对运动变量进行更新得到每一个预测点的运动状态变量，最终通过所有的预测点生成运动轨迹，由于在预测过程中结合了车辆的运动学模型，解决了工程化中纯深度学习模型输出轨迹缺乏运动学约束的问题，为自动驾驶系统提供可靠的目标轨迹预测信息，提升车辆行驶的安全性，使得模型在各类场景具有更强的泛化性和鲁棒性，预测轨迹更符合运动学。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术者来讲，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。在附图中：

图1为本申请的一示例性实施例示出的车辆运动轨迹预测方法的实施环境示意图；

图2为本申请的一示例性实施例示出的车辆运动轨迹预测方法的流程图；

图3为本申请的一示例性的目标车辆的运动学模型的示意图；

图4为基于深度学习的方法拟合出的运动轨迹示意图；

图5为采用图2所示的方法输出的运动轨迹示意图；

图6为采用图2所示的方法输出的运动轨迹示意图；

图7为采用图2所示的方法输出的运动轨迹示意图；

图8是本申请的一示例性实施例示出的车辆运动轨迹预测装置的框图；

图9示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

以下将参照附图和优选实施例来说明本发明的实施方式，本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

在下文描述中，探讨了大量细节，以提供对本发明实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的，在其他实施例中，以方框图的形式而不是以细节的形式来示出公知的结构和设备，以避免使本发明的实施例难以理解。

图1是本申请一种示例性车辆运动轨迹预测方法实施环境的示意图。请参阅图1，该实施环境中包括终端设备101和服务器102，终端设备101和服务器102之间通过有线或者无线网络进行通信。应该理解，图1中的终端设备101的数目仅仅是示意性的。根据实际需要，可以具有任意数目的终端设备101。

其中，终端设备101对应客户端，其可以是任意具有用户输入接口的电子设备，包括但不限于智能手机、平板、笔记本电脑、计算机、车载电脑等等，其中，用户输入接口包括但不限于触摸屏、键盘、物理按键、音频拾取装置等。

其中，服务器102对应服务端，其可以是提供各种服务的服务器，其可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network，内容分发网络)以及大数据和人工智能平台等基础云计算服务的云服务器，本处不对此进行限制。

终端设备101可以通过3G(第三代的移动信息技术)、4G(第四代的移动信息技术)、5G(第五代的移动信息技术)等无线网络与服务端102进行通信，本处也不对此进行限制。

本申请的实施例分别提出一种车辆运动轨迹预测方法、一种车辆运动轨迹预测装置、一种电子设备、一种计算机可读存储介质，以下将对这些实施例进行详细描述。

请参阅图2，图2是本申请的一示例性实施例示出的一种车辆运动轨迹预测方法的流程图。该方法可以应用于图1所示的实施环境，并由该实施环境中的终端设备101具体执行。应理解的是，该方法也可以适用于其它的示例性实施环境，并由其它实施环境中的设备具体执行，本实施例不对该方法所适用的实施环境进行限制。

请参阅图2，图2为本申请一示例性的一种车辆运动轨迹预测方法的流程图，该车辆运动轨迹预测方法至少包括步骤S210至步骤S240，详细介绍如下：

步骤S210，获取第一目标车辆的当前行驶控制信号；

需要说明的是，第一目标车辆道路上行驶的多个车辆中的其中一个，为待预测的车辆。在行驶道路上，在以目标车辆为中心，设定距离为半径构成的圆形范围内，除第一目标车辆以外的其他车辆为与第一目标车辆具有关联关系的第一关联车辆。其中，半径的大小可以根据实际情况具体设置，此处不对半径的大小进行限定。

行驶控制信号，可以理解为能决定车辆行驶状态的信号，当前行驶控制信号可以理解为当前时刻的行驶控制信号，包括车辆的加速度以及车辆前轮的转角角速度。当前时刻为预测车辆运动轨迹开始的时间点。对于行驶控制信号来说，在一实施例中，所述行驶控制信号通过车载传感器采集，车载传感器以一定的时间间隔采集车辆的加速度和车辆前轮的转角角速度。需要说明的是，这个时间间隔可以根据需求进行合理的设置，比如时间间隔可以是0.2S。

当前，还需要说明的是，对于传感器采集的数据可以进行特征加工，通过特征加工可以去除其中的异常值，以避免异常值对预测结果产生干扰。

在一实施例中，行驶控制信号还可以利用基于深度学习的控制信号预测模型输出。对于利用深度学习的控制信号预测模型输出行驶控制信号来说，需要先对控制信号预测模型进行训练。其中，所述控制信号预测模型是通过以第二目标车辆的历史行驶状态数据、与第二目标车辆具有关联关系的第二关联车辆的历史行驶状态数据作为输入，以第二目标车辆的历史行驶控制信号作为输出构建的。其中，第二目标车辆指的是历史时刻，多个行驶车辆中的一个。在行驶道路上，在以第二目标车辆为中心，设定距离为半径构成的圆形范围内，除第二目标车辆以外的其他车辆为与第二目标车辆具有关联关系的第二关联车辆。

历史行驶状态数据指的是当前时刻以前的时刻的行驶状态数据，若当前时刻为i，则历史行驶状态数据指的是i之前的时刻的行驶状态数据。当然在进行数据采集时，可以预设一个时间窗，以设定采样频率采集该时间窗内的数据作为历史行驶状态数据。时间窗可以是10S,20S,30S或更长的时间窗，采样频率可以是0.2S,0.3S,0.4S或其他采样频率。此处不对其作任何限定。需要说明的是，行驶状态数据可以包括：车辆在坐标系下的经度与纬度、横摆角、质心速度、车辆的长度、宽度等。

在获取到第二目标车辆的历史驾驶状态数据和第二关联车辆的历史驾驶状态数所后，以一定比例将这些数据划分成训练集和测试集，通过训练集和测试集来完成控制信号预测模型的训练。需要说明的是，在本实施例中，控制信号预测模型包括编码模块、解码模块，编码模块基于CNN(Convolutional Neural Network，卷积神经网络)、GNN(图神经网络)、Transformer构建，解码模块基于多层感知机(Multilayer Perceptron，MLP)构建。编码模块对第二目标车辆的历史行驶状态数据和第二关联车辆的历史行驶状态数据进行编码，得到第二目标车辆与第二关联车辆的关联特征；解码模块对所述第二目标车辆与第二关联车辆的关联特征进行解码，得到第二目标车辆的历史行驶控制信号，包括：目标车辆的加速度和前轮转角角速度。

在完成控制信号预测模型的训练后，通过可以通过该模型对第一目标车辆的行驶控制信号进行预测。具体地，所述获取第一目标车辆的当前行驶控制信号的步骤包括：获取第一目标车辆的当前行驶状态数据和与第一目标车辆具有关联关系的第一关联车辆的当前行驶状态数据；将第一目标车辆的当前行驶状态数据和第一关联车辆的当前行驶状态数据输入至训练好的控制信号预测模型中，以控制信号预测模型的输出作为所述第一目标车辆的当前行驶控制信号。

更加具体地，所述将第一目标车辆的当前行驶状态数据和第一关联车辆的当前行驶状态数据输入至训练好的控制信号预测模型中，以控制信号预测模型的输出作为所述第一目标车辆的当前行驶控制信号的步骤包括：

通过控制信号预测模型的编码模块对所述第一目标车辆的当前行驶状态数据和关联车辆的当前行驶状态数据进行编码，得到第一目标车辆与第一关联车辆的关联特征；通过控制信号预测模型的解码模块对所述关联特征进行解码，得到第一目标车辆的当前行驶控制信号。

步骤S220，以所述第一目标车辆的当前行驶控制信号作为第一目标车辆的运动学模型的控制变量，得到第一目标车辆的运动状态变量；

在一实施例中，采用二轮车运动学模型(Kinematic Bicyle Model)建模车辆的运动。二轮车运动学模型是一种对四轮车进行简化的数学模型，常用于控制系统和机器人系统中，它也适用于设计自动驾驶车辆的控制器。如图3所示，图3为本申请一示例性的目标车辆的运动学模型的示意图。作为一种二轮车运动学模型，整个的控制量可以简化为(a,δ)，其中，a是车辆的加速度，踩油门踏板意味着正的加速度，踩刹车踏板意味着负的加速度；δ是的方向盘转角，假定这个方向盘转角就是前轮胎当前的转角，这样使用两个量描述了车辆的控制输入，然后定义模型中的状态量。

二轮车运动学模型由一个刚性框架和两个轮子组成，其中，后轮固定在刚性框架上，前轮可以转向。刚性框架的位置由三个变量描述：车辆重心的位置，即在x和y坐标，以及车辆相对于x轴的航向。

该二轮车运动学模型假设刚性框架在微分时间dt内做圆周运动，根据速度方向在圆周上切点的位置不同，该模型分为三类：1)以前轮为中心；2)以质心为中心；3)以后轮为中心。根据建模类别不同，二轮车运动学模型的更新方式也会不同，本实施例中采用的是以质心为中心。

因此，二轮车运动学模型使用四个运动状态变量来描述车辆的当前状态：

每个时刻车辆的横坐标x，

每个时刻车辆的纵坐标y，

每个时刻车辆的速度v，

每个时刻车辆的航向角θ。

需要说明的是，t

根据运动学定理，二轮车运动学模型中的各个状态量的更新公式如下：

x

y

v

其中，x

在一实施例中，所述第一目标车辆的运动学模型为二轮车运动学模型，所述以所述第一目标车辆的当前行驶控制信号作为第一目标车辆的运动学模型的控制变量，得到第一目标车辆的运动状态变量的步骤包括：将所述第一目标车辆的当前行驶控制信号输入至所述二轮车运动学模型，得到第一目标车辆的运动状态变量。所述当前行驶控制信号包括：第一目标车辆的加速度和第一目标车辆的前轮转角；所述第一目标车辆的运动状态变量包括：第一目标车辆在坐标系的横坐标值、第一目标车辆在坐标系的纵坐标值、第一目标车辆的车头航向角和第一目标车辆的车速。

在前述步骤中，已经确定了运动学模型，基于这个简单的运动学模型，在给定了一个时刻的控制输入以后，可以计算求得dt时间以后车辆的状态信息(坐标，航向角以及速度)。

步骤S230，更新所述运动状态变量，得到新的运动状态变量；

本发明为了预测车辆的轨迹，即车辆在未来一时间段内的运动状态，在微分时间dt上采用数值积分的方式更新运动状态变量。利用数值积分法包括欧拉法、二阶龙格库塔法、四阶龙格库塔法。

最简单的更新方式是欧拉法(Euler’s Method)，欧拉法简单地在dt时间内加上状态更新量：

p

其中，p

欧拉法具有计算复杂度低的优点，然而，由于积分区间dt＝0.2s并不足够小，所以欧拉法在工程应用中的精度很难满足要求,欧拉法的精度为O(dt)。

为了加强工程化应用和提升预测精确度，本实施例采用了龙格-库塔法。龙格-库塔法可以用于数值解微分方程(ODE)。它的基本思想是根据ODE的初始条件和导数函数，在每个小时间步长上计算ODE的解。这个计算过程可以通过多个中间步骤来逐步优化解的精度。因此，龙格-库塔法具有较高的精度和可靠性，并被广泛应用于数值计算中。龙格-库塔法包括二阶龙格-库塔法和四阶龙格-库塔法。

二阶龙格库塔法(second-order Runge-Kutta method)是龙格库塔法的一种常用形式。与欧拉法相比，二阶龙格库塔法具有更高的精度和更好的稳定性。

该二阶龙格库塔法对下一个时刻的目标函数作一阶泰勒展开，使得误差与高阶无穷小O(dt^2)一个数量级。

其计算公式为：

k

k

其中，f(t

在龙格库塔法中，四阶龙格库塔法(fourth-order Runge-Kutta method)的精度为高阶无穷小O(dt^4)，比二阶龙格库塔法的精度O(dt^2)更高。

其计算公式为：

k

k

上式中，f(t,y)表示导函数、t

可以看出，四阶龙格库塔法虽然有着精度高的优点，但其计算复杂度比二阶龙格库塔法更高。

因此，在实际的更新过程中，针对不同工况和精度要求灵活选取二阶或四阶龙格库塔法解码生成运动状态变量。

步骤S240，基于所述新的运动状态变量得到目标车辆的预测运动轨迹。

经过前述步骤后，生成了未来一段时间内每个时刻的运动状态变量，因此，可以基于每个时刻的运动状态变量得到目标车辆的预测运动轨迹。

在一实施例中，在所述解码模块对所述关联特征进行解码后，所述方法还包括：对所述解码模块对所述关联特征进行解码输出的解码信息后，通过设定的约束条件对所述解码信息进行约束，并将添加约束后的解码信息与放缩系数相乘，得到当前行驶控制信号。

在经过基于多层感知机(MLP)的解码模块生成的解码信息是一个浮点数，在输出浮点数的基础上，经过tanh激活函数限制其范围到(-1,1)之间，再乘上放缩系数使其在物理上可行。在一示例性实施例中，网络输出的瞬时加速度限制到(-20,+20)m/s^2上，而对转角角度限制到(-5pi/16,5pi/16)上。

在一实施例中，会将该预测的运动轨迹输入到运动学模型中，通过梯度反向传播更新控制信号加速度和角速度，进而更新运动学模型的参数。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

如图4和图5所示，深色的运动轨迹为基于深度学习的方法拟合未来的运动轨迹直接输出，浅色的运动轨迹为通过本申请的方法输出，可以理解，浅色轨迹明显更符合运动学。

如图6和图7所示，在实车在线运行回注结果上，采用本申请的方法得到的预测轨迹具有良好的运动学特性。在该实例中，通过2秒观测轨迹，给出了8秒预测轨迹。

因此，通过获取目标车辆的当前行驶控制信号；以所述目标车辆的当前行驶控制信号作为目标车辆的运动学模型的控制变量，得到目标车辆的运动状态变量；利用数值积分法更新所述运动状态变量，得到新的运动状态变量；基于所述新的运动状态变量得到目标车辆的预测运动轨迹。本发明先获得车辆的控制信号，将控制信号作为运动学模型的控制变量，然后输出运动状态变量，再通过数值积分法对运动变量进行更新得到每一个预测点的运动状态变量，最终通过所有的预测点生成运动轨迹，由于在预测过程中结合了车辆的运动学模型，解决了工程化中纯深度学习模型输出轨迹缺乏运动学约束的问题，为自动驾驶系统提供可靠的目标轨迹预测信息，提升车辆行驶的安全性，使得模型在各类场景具有更强的泛化性和鲁棒性，预测轨迹更符合运动学。

图8是本申请的一示例性实施例示出的车辆运动轨迹预测装置的框图。该装置可以应用于图1所示的实施环境，并具体配置在终端设备中。该装置也可以适用于其它的示例性实施环境，并具体配置在其它设备中，本实施例不对该装置所适用的实施环境进行限制。

如图8所示，本申请提供一种车辆运动轨迹预测装置，该装置包括：

数据获取模块810，用于获取第一目标车辆的当前行驶控制信号；

变量生成模块820，用于以所述第一目标车辆的当前行驶控制信号作为第一目标车辆的运动学模型的控制变量，得到第一目标车辆的运动状态变量；

状态更新模块830，用于利用数值积分法更新所述运动状态变量，得到新的运动状态变量；

轨迹预测模块840，用于基于所述新的运动状态变量得到第一目标车辆的预测运动轨迹。

需要说明的是，上述实施例所提供的车辆运动轨迹预测装置与上述实施例所提供的车辆运动轨迹预测方法属于同一构思，其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。上述实施例所提供的车辆运动轨迹预测装置在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能，本处也不对此进行限制。

本申请的实施例还提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现上述各个实施例中提供的车辆运动轨迹预测方法。

图7示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。需要说明的是，图7示出的电子设备的计算机系统仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统包括中央处理单元(Central Processing Unit，CPU)，其可以根据存储在只读存储器(Read-Only Memory，ROM)中的程序或者从储存部分加载到随机访问存储器(Random Access Memory，RAM)中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM中，还存储有系统操作所需的各种程序和数据。CPU、ROM以及RAM通过总线彼此相连。输入/输出(Input/Output，I/O)接口也连接至总线。

以下部件连接至I/O接口：包括键盘、鼠标等的输入部分；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分；包括硬盘等的储存部分；以及包括诸如LAN(Local AreaNetwork，局域网)卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器上，以便于从其上读出的计算机程序根据需要被安装入储存部分。

特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行车辆运动轨迹预测方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时，执行本申请的系统中限定的各种功能。

需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

本申请的另一方面还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机的处理器执行时，使计算机执行如前所述的车辆运动轨迹预测方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中。

本申请的另一方面还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各个实施例中提供的车辆运动轨迹预测方法。

上述实施例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。