自动驾驶轨迹数据的标注方法、存储介质及设备与流程

本申请涉及自动驾驶轨迹数据处理，尤其涉及一种自动驾驶轨迹数据的标注方法、存储介质及设备。

背景技术：

1、当前，自动驾驶系统中的预测与规划控制模型通常需要依赖大量带有标注信息的道路场景数据进行训练、验证与迭代，该类数据一般来源于专用采集车辆、测试车辆或运营车辆在实际道路环境中获取的多传感器数据，并在后续处理流程中形成可用于模型训练的样本。相较于一般感知任务，规划类模型所需的数据不仅需要反映道路结构、车道边界、交通信号及动态障碍物状态，还需要体现自车与周围交通参与者在未来一段时间内的行为演化及交互关系，因此对数据完整性、时序性和标注质量通常具有更高要求。

2、在现有数据生产体系中，较高质量的自动驾驶训练数据仍较多依赖搭载激光雷达等高性能传感器的专用采集车辆获取，该类方式能够提供较完整的环境观测信息，有利于形成质量较高的训练样本，但相应的采集、处理和标注成本通常较高，且数据来源相对集中，所覆盖的场景类型也往往以常规道路场景为主。与此同时，测试车辆及运营车辆在实际运行过程中会持续积累大量真实道路场景数据，其中包含较多具有实际运行特征和交互复杂性的场景片段，对于模型迭代和场景补充具有较高参考价值。

3、此外，自动标注技术在自动驾驶数据处理中已有较多应用，但现有相关流程更多集中于目标检测、车道线识别、语义分割、障碍物状态估计等感知类任务。与此不同，规划任务中的标注对象通常不是单一目标或静态语义结果，而是涉及自车及多个周边交通参与者在未来时域内的连续轨迹及其相互作用关系；该类标注过程通常需要综合考虑道路拓扑约束、交通规则约束、运动连续性以及多主体之间的动态影响，因此其处理复杂度通常高于一般感知任务的数据标注。

4、在规划轨迹数据的生产过程中，若主要依赖人工方式进行处理，标注人员通常需要结合视频、bev（bird's-eye view, 鸟瞰视图)、点云或场景重建结果，对特定时刻之后的车辆行为及周围交通参与者的轨迹变化进行判断和编辑。该类工作对标注人员的场景理解能力和驾驶行为判断能力具有较高要求，且在复杂交互场景下，不同人员对同一场景的理解和处理方式可能存在一定差异，导致对标注效率、标注一致性以及大规模数据生产带来一定影响。

技术实现思路

1、本申请实施例提供一种自动驾驶轨迹数据的标注方法、设备、存储介质及程序产品，用于至少解决上述技术问题之一。

2、第一方面，本申请实施例提供一种自动驾驶轨迹数据的标注方法，包括：获取目标移动体的回传数据，并从所述回传数据中提取与移动体接管事件或规划异常事件对应的缺陷场景数据；基于所述缺陷场景数据进行场景重建，得到包含所述目标移动体的历史轨迹信息、周边交通参与者的历史轨迹信息以及地图环境信息的目标场景表示；响应于接收到的针对所述目标场景表示的轨迹引导提示信息，将所述轨迹引导提示信息作为条件输入，与所述目标场景表示一并输入至轨迹推演模型，由所述轨迹推演模型通过对所述目标移动体及所述周边交通参与者进行多智能体联合轨迹推演，针对所述目标场景表示在预设未来时间窗口内生成多组候选交互轨迹；其中，每组候选交互轨迹均包括所述目标移动体及所述周边交通参与者在所述预设未来时间窗口内对应的未来轨迹，所述轨迹引导提示信息用于表征所述目标移动体的期望行驶方向和/或期望行为方式；从所述多组候选交互轨迹中确定目标交互轨迹，并将所述目标交互轨迹确定为所述缺陷场景数据对应的伪真值轨迹标注。

3、第二方面，本申请实施例提供一种存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备（包括但不限于计算机，服务器，或者网络设备等）读取并执行，以用于执行本申请上述任一项所述方法的步骤。

4、第三方面，提供一种计算机设备，其包括：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本申请上述任一项所述方法的步骤。

5、第四方面，本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任一项所述方法的步骤。

6、本申请实施例的有益效果在于：

7、通过从目标移动体的回传数据中定向提取接管事件或规划异常事件对应的缺陷场景数据，并在场景重建基础上引入轨迹引导提示信息和多智能体联合轨迹推演机制，能够将规划轨迹标注过程由依赖人工主观判断的逐场景编辑，转化为面向高价值缺陷场景的条件化轨迹生成与筛选过程。由于目标场景表示同时包含目标移动体历史轨迹、周边交通参与者历史轨迹及地图环境信息，轨迹推演模型能够在道路拓扑、历史运动趋势和多主体交互关系约束下生成多组候选交互轨迹；同时，轨迹引导提示信息能够显式限定目标移动体的期望行驶方向或行为方式，使生成的未来轨迹更符合规划标注目的。由此，既能够提高缺陷场景轨迹标注与自动驾驶规划模型迭代需求之间的匹配度，又能够降低人工从零构造未来交互轨迹的成本，并减少不同标注人员对复杂交互场景理解差异所导致的标注不一致问题，从而提升规划轨迹伪真值标注的生成效率和交互合理性。

1.一种自动驾驶轨迹数据的标注方法，包括：

2.根据权利要求1所述的方法，其中，所述获取目标移动体的回传数据，并从所述回传数据中提取与移动体接管事件或规划异常事件对应的缺陷场景数据，包括：

3.根据权利要求2所述的方法，其中，所述基于所述缺陷场景数据进行场景重建，得到包含所述目标移动体的历史轨迹信息、周边交通参与者的历史轨迹信息以及地图环境信息的目标场景表示，包括：

4.根据权利要求1所述的方法，其中，所述响应于接收到的针对所述目标场景表示的轨迹引导提示信息，包括：

5.根据权利要求4所述的方法，其中，所述将所述轨迹引导提示信息作为条件输入，与所述目标场景表示一并输入至轨迹推演模型，包括：

6.根据权利要求1所述的方法，其中，所述轨迹推演模型为自回归轨迹推演模型，所述自回归轨迹推演模型预先配置有按照交通参与者类型分别构建的运动标记码本，所述运动标记码本中的各个运动标记模板用于表征对应类型的交通参与者在单个预测步长内的边界框角点相对位移模式；

7.根据权利要求6所述的方法，其中，所述将所述历史运动标记索引序列与所述目标场景表示输入所述自回归轨迹推演模型，包括：

8.根据权利要求1所述的方法，其中，所述地图环境信息包括栅格化地图信息和矢量化地图信息；

9.根据权利要求7所述的方法，其中，所述由所述轨迹推演模型通过对所述目标移动体及所述周边交通参与者进行多智能体联合轨迹推演，包括：

10.根据权利要求9所述的方法，其中，在所述时序自注意力计算、所述地图到智能体注意力计算以及所述智能体间注意力计算过程中引入相对位置编码，所述相对位置编码用于表征以下中的至少一种关系信息：相对距离、方位角、航向差和时间步差。

11.根据权利要求9所述的方法，其中，所述由所述轨迹推演模型通过对所述目标移动体及所述周边交通参与者进行多智能体联合轨迹推演，包括：

12.根据权利要求1所述的方法，其中，所述从所述多组候选交互轨迹中确定目标交互轨迹，包括：

13.根据权利要求12所述的方法，其中，在所述筛选结果指示所述多组候选交互轨迹均未通过标注人员筛选判定的情况下，所述方法还包括：

14.根据权利要求1所述的方法，其中，所述将所述目标交互轨迹确定为所述缺陷场景数据对应的伪真值轨迹标注，包括：

15.根据权利要求6所述的方法，其中，针对所述自回归轨迹推演模型的训练，包括：

16.一种存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备读取并执行，以用于执行权利要求1-15中任一项所述方法的步骤。

17.一种计算机设备，包括存储器、处理器及存储在存储器上的计算机程序，其中，所述处理器执行所述计算机程序以实现权利要求1-15中任一项所述方法的步骤。