预警方法及装置、车辆、介质、程序产品与流程

本技术涉及主动安全技术，具体涉及一种预警方法及装置、车辆、介质、程序产品。

背景技术：

1、当前，城市道路交通面临着由机动车、非机动车及行人构成的复杂交通环境所带来的诸多挑战，复杂交通环境下的交通问题错综复杂，各类交通方式的通行空间混杂，交通秩序混乱，交通事故频发。

2、车辆盲区是指驾驶员或者车载图像传感器无法直接观测到的区域，这些区域可能隐藏着行人、自行车、其他车辆或障碍物。在复杂交通环境下，交叉口、高速行驶、不良天气条件和夜间行驶等都被认为是高风险场景。而在此类场景中，车辆盲区的存在常常会使驾驶人员或者车辆辅助驾驶系统在事故发生时，反应不及时或者辅助驾驶系统不能准确及时预警，从而导致交通事故频发，这也是复杂道路交通的主要安全挑战。

技术实现思路

1、本技术提供一种预警方法及装置、车辆、介质、程序产品，有益于提高预测的第二环境点云数据的准确性。

2、第一方面，本技术实施例提供一种预警方法，所述方法包括：获取车辆在当前时间窗口内的第一环境点云数据；确定所述第一环境点云数据的第一邻接矩阵；确定所述第一邻接矩阵中任一两个相连的节点之间的注意力值；其中，所述注意力值用于表征所述任一两个相连的节点之间的位置信息以及语义关联强度；基于所述注意力值，预测所述车辆在下一时刻的第二环境点云数据；在基于所述第一环境点云数据与所述第二环境点云数据确定所述车辆的盲区存在障碍物的情况下，输出告警信号。

3、可以理解，在本技术实施例提供的预警方法中，考虑到在第一环境点云数据中，点与点之间是存在相互作用的，且相互作用的程度也有所差异。因此，基于确定的第一环境点云数据的第一邻接矩阵中任一两个相邻的节点之间的注意力值，即用于表征该任一两个相邻的节点之间的位置信息以及语义关联强度，预测下一时刻的第二环境点云数据；也就是说，在预测过程中，引入空间信息，从而提高预测的第二环境点云数据的准确性，进而提高车辆在行驶过程中的安全性。

4、在一些实施例中，所述确定所述第一邻接矩阵中任一两个相连的节点之间的注意力值，包括：确定所述第一邻接矩阵的表示向量集合；其中，所述表示向量集合包括：第一邻接矩阵中任一节点的表示向量；基于任一两个相连的节点的表示向量，确定所述任一两个相连的节点之间的注意力值。

5、可以理解，在本技术实施例提供的预警方法中，不是直接基于第一邻接矩阵确定两个相连的节点的注意力值，而是将第一邻接矩阵中的节点通过表示向量进行表示后，才基于表示向量，确定任一两个相连的节点之间的注意力值。如此，将图数据从离散的、非结构化的邻接关系转化为连续的、可计算的数学表达，从而能够兼容机器学习模型或深度学习模型算法，并有益于基于表示向量学习节点之间的语义信息，从而提高确定注意力值的准确性，提高对车辆在下一时刻的环境数据的预测精度，进而提高车辆在行驶过程中的安全性。

6、在一些实施例中，所述确定所述第一邻接矩阵的表示向量集合，包括：对所述第一邻接矩阵中第i个节点进行升维操作，得到所述第i个节点的表示向量；其中，i大于0且小于或等于所述第一邻接矩阵中的节点数量；基于所述第一邻接矩阵中节点的表示向量，得到所述表示向量集合。

7、可以理解，在本技术实施例提供的预警方法中，第一邻接矩阵记录的是节点间的低维特征，对第一邻接矩阵中的节点进行升维操作，可捕获高维特征，从而将结构信息编码为稠密向量。并且低维特征的细微差异，在高维向量中更易区分。如此，将节点映射到更高维空间，有益于捕获到节点间更细粒度的特征表示，从而有益于提高确定注意力值的准确性，提高对车辆在下一时刻的环境数据的预测精度，进而提高车辆在行驶过程中的安全性。

8、在一些实施例中，所述基于所述注意力值，预测所述车辆在下一时刻的第二环境点云数据，包括：对所述第一邻接矩阵的第i个节点与所述第i个节点的第j个邻居节点之间的注意力值执行第一过程；其中，所述第一过程包括：对所述第i个节点与所述第i个节点的第j个邻居节点之间的注意力值进行归一化，得到归一化值；其中，j大于0且小于或等于第i个节点的邻居节点的数量；在所述归一化值小于归一化阈值的情况下，删除所述第i个节点与所述第i个节点的第j个邻居节点之间的连边；迭代执行所述第一过程，直至所述第一邻接矩阵中的节点均已执行所述第一过程，得到注意力图结构；基于所述注意力图结构，预测所述车辆在下一时刻的第二环境点云数据。

9、可以理解，在本技术实施例提供的预警方法中，对任一两个相连的节点之间的注意力值进行归一化，并在归一化值小于或等于归一化阈值的情况下，删除该两个相连的节点之间的连边。也就是说，在任一两个相连的节点之间的注意力值低于一定阈值的情况下，将其连边删除。这样，能够提高节点之间的差异化信息，避免过多的连边导致节点特征过度均质化的问题，从而在预测过程中，使得模型可以有选择地聚合邻域信息，进而避免聚合高阶邻域特征时产生的过平滑现象，提高预测结果的准确性。

10、在一些实施例中，所述基于所述注意力图结构，预测所述车辆在下一时刻的第二环境点云数据，包括：构建所述注意力图结构的第二邻接矩阵；将大于或等于所述归一化阈值的归一化值填入所述第二邻接矩阵，得到注意力图邻接矩阵；基于所述注意力图邻接矩阵，预测所述车辆在下一时刻的第二环境点云数据。

11、可以理解，在本技术实施例提供的预警方法中，将大于或等于归一化阈值的归一化值填入注意力图结构对应的第二邻接矩阵中，有益于进一步提高节点之间的差异化信息，从而进一步避免聚合高阶邻域特征时产生的过平滑现象；以及在预测过程中，使得模型关注重要连接，避免低质量边分散注意力，使得模型能够更准确地捕捉特征信息，进而提高预测结果的准确性。

12、在一些实施例中，所述基于所述注意力图邻接矩阵，预测所述车辆在下一时刻的第二环境点云数据，包括：对所述注意力图邻接矩阵进行环境特征提取，得到所述当前时间窗口内的不同时刻的环境点云数据的特征向量；将不同时刻的所述特征向量进行聚合处理，得到特征向量序列；将所述特征向量序列输入至训练好的多层自注意力网络进行第二环境点云数据的预测，得到所述第二环境点云数据。

13、可以理解，在本技术实施例提供的预警方法中，对注意力图邻接矩阵进行环境特征提取后得到的不同时刻的特征向量进行聚合处理，得到特征向量序列；将该特征向量序列作为训练好的多层注意力网络的输入。如此，使得训练好的多层注意力网络能够捕捉到微小的时间方向的运动的时序特征，并结合空间信息协同提升预测的第二环境点云数据的准确性。

14、在一些实施例中，所述训练好的多层自注意力网络是基于正弦相似度的对比损失函数训练得到的。

15、可以理解，在本技术实施例提供的预警方法中，之所以使用正弦相似度的对比损失函数作为多层自注意力网络的损失函数，是因为本技术的发明人经过实验验证，发现基于使用正弦相似度的对比损失函数训练得到的多层自注意力网络预测的准确性较高。因此，在本技术实施例中，基于正弦相似度的对比损失函数训练得到的训练好的多层自注意力网络，有益于提高预测的第二环境点云数据的准确性。

16、第二方面，本技术实施例提供一种预警装置，所述装置包括：获取模块，配置成获取车辆在当前时间窗口内的第一环境点云数据；第一确定模块，配置成确定所述第一环境点云数据的第一邻接矩阵；第二确定模块，配置成确定所述第一邻接矩阵中任一两个相连的节点之间的注意力值；其中，所述注意力值用于表征所述任一两个相连的节点之间的位置信息以及语义关联强度；预测模块，配置成基于所述注意力值，预测所述车辆在下一时刻的第二环境点云数据；触发模块，配置成对在基于所述第一环境点云数据与所述第二环境点云数据确定所述车辆的盲区存在障碍物的情况下，输出告警信号。

17、第三方面，本技术实施例提供一种车辆，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的预警方法。

18、第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现第一方面所述的预警方法。

19、第五方面，本技术实施例提供一种计算机程序产品，包括计算机程序或指令，所述计算机程序或指令被处理器执行时，实现第一方面所述的预警方法。