一种周车轨迹预测方法以及系统与流程

本技术涉及自动驾驶车辆运动预测领域，特别涉及一种周车轨迹预测方法以及系统。

背景技术：

1、随着自动驾驶技术的快速发展，对周围交通参与者（以下简称“周车”）的运动意图理解和轨迹预测已成为自动驾驶决策规划系统中的核心模块。准确的轨迹预测能够帮助自车提前识别潜在碰撞风险，从而做出平滑、安全的驾驶决策。

2、目前，基于数据驱动的深度学习方法是轨迹预测领域的主流技术方案，这类方法通常利用循环神经网络（rnn）、长短期记忆网络（lstm）或transformer架构，提取周车的历史运动状态及高精地图语义特征，进而回归出未来的轨迹分布。然而，现有的轨迹预测技术方案在实际车端部署应用中，仍存在以下显著的技术缺陷：

3、首先，现有方法多采用全局坐标系作为模型输入和输出的基准。在全局坐标系下，周车的轨迹数据包含了自车自身的运动分量，导致模型需要额外学习自车运动补偿关系，增加了学习难度。更重要的是，下游的规划控制模块通常基于自车局部坐标系进行风险评估和路径生成，全局坐标系的预测结果需要经过二次转换，不仅增加了计算耗时，且在转换过程中容易引入误差，难以直观反映周车相对于自车的碰撞风险等级。

4、其次，现有基于查询向量的预测模型，其初始query通常设置为固定的可学习参数或随机噪声，缺乏物理意义上的先验知识引导。这种“盲猜”式的初始化方式导致模型在面对不同驾驶场景时适应性较差。例如，在直行场景下，模型可能生成横向抖动较大的轨迹；而在路口场景下，又可能无法有效覆盖左转、右转等多种模态意图。由于缺乏场景化的轨迹先验约束，模型需要从头学习轨迹的物理分布，导致训练收敛速度慢，且预测出的轨迹容易违背车辆运动学约束。

5、再次，现有方法在处理多车交互关系时，通常采用全局注意力机制，即计算目标车辆与感知范围内所有其他车辆及障碍物的交互权重。然而，在实际道路场景中，大部分远处车辆或无交互意图的车辆对目标车辆的轨迹影响微乎其微。这种无差别的全量计算方式引入了大量冗余计算，导致模型推理延迟高，难以满足车载嵌入式芯片对实时性的严苛要求。

6、最后，现有模型多采用直接回归绝对轨迹坐标的方式。由于未来轨迹的不确定性较高，直接预测绝对坐标值需要模型具备极强的拟合能力，且在长时序预测中误差容易累积。相比之下，若能利用历史统计规律作为基准，仅预测相对于基准的修正量，将能显著降低预测难度并提高轨迹的物理合理性，但现有技术中缺乏将场景化先验锚点与残差预测机制有效结合的方案。

技术实现思路

1、本技术实施例提供一种周车轨迹预测方法以及系统，以解决相关技术中轨迹预测场景适应性差、计算冗余度高以及预测结果不符合物理运动规律的技术问题。

2、第一方面，提供了一种周车轨迹预测方法，其包括：

3、获取环境感知数据，所述环境感知数据包括自车感知数据和目标周车感知数据以及周围交通参与者感知数据；

4、基于所述环境感知数据建立自车局部坐标系并确定当前驾驶场景类别；

5、基于当前驾驶场景类别从预设锚点库中筛选目标锚点集合，并将所述环境感知数据映射至所述自车局部坐标系下得到局部时空轨迹数据；

6、基于所述局部时空轨迹数据确定所述目标周车与所述周围交通参与者的交互关系，生成用于屏蔽无关交互信息的稀疏注意力掩码；

7、将所述目标锚点集合编码为初始查询向量，并结合所述局部时空轨迹数据及所述稀疏注意力掩码，利用轨迹预测模型预测相对于所述目标锚点集合的残差偏移量；

8、将所述目标锚点集合与所述残差偏移量叠加，得到所述目标周车的多模态预测轨迹。

9、结合第一方面，在一种实施方式中，所述基于所述环境感知数据建立自车局部坐标系并确定当前驾驶场景类别，包括：

10、以自车后轴中心为原点，以自车车头朝向为x轴正方向，以垂直于车头朝向向左为y轴正方向，构建自车局部直角坐标系；

11、将自车感知数据输入场景分类器，输出当前驾驶场景类别，其中，所述自车感知数据至少包括自车状态信息、目标周车轨迹特征及道路拓扑特征，所述当前驾驶场景类别至少包括直行场景、变道场景和路口通行场景。

12、结合第一方面，在一种实施方式中，所述目标周车感知数据包括原始感知坐标系下的位置坐标和速度矢量，所述将所述环境感知数据映射至所述自车局部坐标系下，包括：

13、将所述原始感知坐标系下的位置坐标和速度矢量转换至所述自车局部坐标系下，并利用自车运动学模型补偿自车在数据采集时间窗口内的运动位移。

14、结合第一方面，在一种实施方式中，获取预设锚点库，其包括：

15、收集历史驾驶数据中的周车轨迹片段；

16、对所述周车轨迹片段进行统计分析处理或聚类处理，生成代表典型驾驶意图的偏移量序列；

17、将所述偏移量序列按照对应的驾驶场景类别进行分类存储，形成所述预设锚点库。

18、结合第一方面，在一种实施方式中，所述基于当前驾驶场景类别从预设锚点库中筛选目标锚点集合，包括：

19、基于当前驾驶场景类别，从所述预设锚点库中检索与当前驾驶场景类别相匹配的锚点子库；

20、从锚点子库中选取预设数量的偏移量序列，作为所述目标锚点集合。

21、结合第一方面，在一种实施方式中，所述生成用于屏蔽无关交互信息的稀疏注意力掩码，包括：

22、计算目标周车与周围交通参与者之间的交互关系强度，所述交互关系强度基于相对距离、相对速度或碰撞时间中的至少一种确定；

23、将所述交互关系强度与预设阈值进行比较：若所述交互关系强度低于所述预设阈值，则将对应的周围交通参与者标记为忽略状态；若所述交互关系强度高于或等于所述预设阈值，则将对应的周围交通参与者标记为有效状态；

24、构建注意力掩码矩阵；

25、将所述忽略状态对应的掩码值设置为用于阻断注意力计算的屏蔽值，将所述有效状态对应的掩码值设置为用于允许注意力计算的保留值，得到所述稀疏注意力掩码。

26、结合第一方面，在一种实施方式中，所述利用轨迹预测模型预测相对于所述目标锚点集合的残差偏移量，包括：

27、将所述局部时空轨迹数据输入至所述轨迹预测模型的编码器，得到环境语义特征和交互特征；

28、将所述初始查询向量、所述环境语义特征和所述交互特征输入至所述轨迹预测模型的解码器；

29、通过所述解码器的交叉注意力机制，输出所述残差偏移量。

30、结合第一方面，在一种实施方式中，所述利用所述轨迹预测模型预测相对于所述目标锚点集合的残差偏移量，还包括：

31、输出与所述多模态预测轨迹中各条轨迹对应的意图概率；

32、根据所述意图概率对所述多模态预测轨迹进行加权排序，并将排序靠前的预设数量的轨迹作为最终预测结果输出。

33、结合第一方面，在一种实施方式中，所述自车感知数据包括车辆can总线提供的自车运动状态数据；

34、所述目标周车感知数据及周围交通参与者感知数据包括车载雷达采集的点云数据、车载摄像头采集的图像数据或高精度地图提供的车道线信息中的至少一种。

35、结合第一方面，在一种实施方式中，所述将所述目标锚点集合与所述残差偏移量叠加，包括：

36、在所述自车局部坐标系下，将所述目标锚点集合中的每个锚点序列的每个时间点坐标，与所述残差偏移量中对应时间点的偏移坐标进行逐点相加，得到绝对轨迹坐标序列。

37、结合第一方面，在一种实施方式中，一种周车轨迹预测方法，其还包括：

38、将所述多模态预测轨迹发送至自动驾驶规划控制模块；

39、所述自动驾驶规划控制模块基于所述多模态预测轨迹进行碰撞风险评估，并生成自车的避障规划路径。

40、第二方面，提供了一种周车轨迹预测系统，包括：

41、数据获取模块，其用于获取环境感知数据，所述环境感知数据包括自车感知数据和目标周车感知数据以及周围交通参与者感知数据；

42、数据处理模块，其用于基于所述环境感知数据建立自车局部坐标系并确定当前驾驶场景类别，基于当前驾驶场景类别从预设锚点库中筛选目标锚点集合，并将所述环境感知数据映射至所述自车局部坐标系下得到局部时空轨迹数据；

43、掩码生成模块，其用于基于所述局部时空轨迹数据确定所述目标周车与所述周围交通参与者的交互关系，生成用于屏蔽无关交互信息的稀疏注意力掩码；

44、以及，轨迹预测模块，其用于将所述目标锚点集合编码为初始查询向量，并结合所述局部时空轨迹数据及所述稀疏注意力掩码，利用轨迹预测模型预测相对于所述目标锚点集合的残差偏移量，以及将所述目标锚点集合与所述残差偏移量叠加，得到所述目标周车的多模态预测轨迹。

45、本技术提供的技术方案带来的有益效果包括：通过自车局部坐标系统一时空基准，并结合当前驾驶场景类别从统计偏移量锚点库中动态筛选目标锚点集合，利用稀疏注意力掩码屏蔽无效交互连接，并通过轨迹预测模型预测相对于目标锚点集合的残差偏移量后叠加得到最终轨迹，因此，本技术能够有效消除自车运动补偿误差，通过场景化锚点先验显著提升轨迹预测的场景适应性和物理合理性，同时利用稀疏注意力机制降低计算冗余，满足车端部署的实时性要求，从而为自动驾驶规划控制模块提供更准确、高效的风险评估依据。