轨迹预测方法、电子设备、存储介质、程序产品和可移动平台与流程
本技术涉及智能驾驶,尤其涉及一种轨迹预测方法、电子设备、存储介质、程序产品和可移动平台。
背景技术:
1、在自动驾驶技术中,轨迹预测是一个核心模块,其任务是预测自车及周围交通参与者(如车辆、行人、自行车等)在未来一段时间内的运动轨迹。准确的轨迹预测是下游规划和控制模块做出安全、合理决策的基础。
2、相关技术方案通常将行车场景和泊车场景分开处理,分别训练不同的轨迹预测模型。
3、相关技术方案主要存在以下缺点:
4、1. 模型不统一,资源浪费:行车和泊车采用两套独立的轨迹预测模型,导致研发成本高、代码冗余、硬件存储开销大,且不利于系统的统一维护和迭代升级。
5、2. 数据难以混合训练:由于行车和泊车数据的bev(bird's-eye-view,鸟瞰图)图尺度、感知范围和精度存在天然差异,直接将两者混合用于训练一个通用模型,会导致模型难以收敛或泛化能力差。例如,泊车场景中一个车位大小的偏移,在行车bev图上可能只是一个像素级的误差,难以被模型有效学习。
6、3. 导航信息处理不当:未能有效区分行车导航与泊车导航的精度和应用方式。将低精度的行车导航信息直接用于训练泊车场景,会使模型在狭窄的泊车环境中对导航指令的响应不足,导致路径规划偏差,增加碰撞风险;反之,将高精度的泊车导航信息用于行车场景,则是一种过度拟合,对模型性能提升无益。
技术实现思路
1、本技术实施例提供一种轨迹预测方法、电子设备、存储介质、程序产品和可移动平台,用于至少解决上述技术问题之一。
2、第一方面,本技术实施例提供一种轨迹预测方法,其包括:
3、预先训练轨迹预测模型;
4、获取当前bev图和当前导航信息;
5、当当前移动场景为第一精度移动场景时,对所述当前bev图进行对齐处理,并采用导航信息编码器将所述当前导航信息编码为当前导航意图嵌入向量;
6、将对齐处理后的所述当前bev图和所述当前导航意图嵌入向量输入至所述轨迹预测模型进行轨迹预测。
7、在一些实施例中,还包括:当当前移动场景为第二精度移动场景时,采用导航信息编码器将所述当前导航信息编码为当前导航意图嵌入向量;将所述当前bev图和所述当前导航意图嵌入向量输入至所述轨迹预测模型进行轨迹预测。其中,第一精度移动场景对移动精度的要求高于第二精度移动场景对移动精度的要求。
8、在一些实施例中,预先训练轨迹预测模型,包括:
9、获取训练样本数据,所述训练样本数据包括第一移动场景的第一bev图和第二移动场景的第二bev图;
10、对所述第一bev图和第二bev图进行尺寸对齐处理得到对齐后的所述第一bev图和第二bev图;
11、至少基于对齐后的所述第一bev图和第二bev图对轨迹预测模型进行训练。
12、在一些实施例中,所述对所述第一bev图和第二bev图进行尺寸对齐处理得到对齐后的所述第一bev图和第二bev图,包括:
13、根据所述第一bev图的第一分辨率和所述第二bev图的第二分辨率确定尺寸缩放因子;
14、至少根据所述尺寸缩放因子对所述第二bev图进行缩放处理得到新的第二bev图。
15、在一些实施例中,所述至少根据所述尺寸缩放因子对所述第二bev图进行缩放处理得到新的第二bev图,包括:
16、根据所述尺寸缩放因子对所述第二bev图进行缩放处理;
17、根据所述第一bev图的第一感知范围和所述第二bev图的第二感知范围,对缩放处理后的所述第二bev图进行填充处理得到新的第二bev图。
18、在一些实施例中,所述对所述第一bev图和第二bev图进行尺寸对齐处理得到对齐后的所述第一bev图和第二bev图,包括:
19、采用预设空间注意力网络学习所述第一bev图和第二bev图之间的映射关系;
20、根据所述映射关系对所述第一bev图和第二bev图进行尺寸对齐处理得到对齐后的所述第一bev图和第二bev图。
21、在一些实施例中,所述训练样本数据还包括对应于第一移动场景的第一导航信息和对应于第二移动场景的第二导航信息;所述至少基于对齐后的所述第一bev图和第二bev图对轨迹预测模型进行训练,包括:
22、采用所述第一bev图和第一导航信息对所述轨迹预测模型进行训练;
23、采用对齐处理后的所述第二bev图和第二导航信息对所述轨迹预测模型进行训练。
24、在一些实施例中,所述采用所述第一bev图和第一导航信息对所述轨迹预测模型进行训练,包括:
25、采用第一导航信息编码器将所述第一导航信息编码为第一导航意图嵌入向量;
26、将所述第一bev图和所述第一导航意图嵌入向量对所述轨迹预测模型进行训练。
27、在一些实施例中,所述采用对齐处理后的所述第二bev图和第二导航信息对所述轨迹预测模型进行训练,包括:
28、采用第二导航信息编码器将所述第二导航信息编码为第二导航意图嵌入向量;
29、将对齐处理后的所述第二bev图和所述第二导航意图嵌入向量对所述轨迹预测模型进行训练。
30、在一些实施例中,所述第一移动场景为行车场景,所述第二移动场景为泊车场景。
31、在一些实施例中,轨迹预测模型训练方法还包括:获取导航跟随强度参数,将所述导航跟随强度参数输入轨迹预测模型,所述导航跟随强度参数表示导航跟随的紧密程度,所述导航跟随强度参数越大表示越需要紧跟导航。
32、在一些实施例中,所述第一移动场景所对应的导航跟随强度参数小于所述第二移动场景所对应的导航跟随强度参数。
33、第二方面,提供一种电子设备,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技术任一实施例所述的轨迹预测方法。
34、第三方面,本技术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,以用于执行本请任一实施例所述的轨迹预测方法。
35、第四方面,本技术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,使所述计算机执行本技术任一实施例所述的轨迹预测方法。
36、第五方面,本技术实施例还提供一种可移动平台,其特征在于,配置有本技术任一实施例所述的电子设备。
37、本技术实施例的轨迹预测方法预先训练了轨迹预测模型,并且在获得当前bev图和当前导航信息并未直接输入只轨迹预测模型,而是根据当前移动场景的类型(例如,第一精度移动场景),来对当前bev图进行对齐处理以及对导航信息进行编码处理后再输入至轨迹预测模型进行轨迹预测。实现了单一轨迹模型自适应根据移动场景类型进行轨迹预测,降低了模型维护的成本。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com