车辆行为预测方法、装置、设备及介质与流程

技术特征：
1.一种车辆行为预测方法，其特征在于，所述方法包括：获取车载传感器采集的三维点云数据；基于车辆行为预测模型，在空间维度上提取空间维度特征；基于车辆行为预测模型，根据所述三维点云数据，确定压缩四维张量；通过对所述压缩四维张量进行组卷积，在时间维度上进行特征提取，得到精简特征图；根据所述精简特征图，对组卷积层结果进行融合，确定时间维度特征；将所述空间维度特征和所述时间维度特征进行融合，得到融合特征；根据所述融合特征，预测所述三维点云数据中车辆的运动状态；其中，所述车辆行为预测模型基于多任务的深度卷积神经网络训练得到。2.根据权利要求1所述的方法，其特征在于，根据所述三维点云数据，确定压缩四维张量，包括：将所述三维点云数据中的高度信息进行编码，生成压缩三维张量；将预设固定时间范围内的所述压缩三维张量进行拼接，得到压缩四维张量。3.根据权利要求1所述的方法，其特征在于，在空间维度上提取空间维度特征，包括：将预设固定时间范围内的所述三维点云数据进行拼接，生成精准四维张量；通过对所述精准四维张量进行全卷积，在空间维度上进行特征提取，确定空间维度特征。4.根据权利要求1所述的方法，其特征在于，获取车载传感器采集的三维点云数据之后，还包括：基于三维体素网格，对所述三维点云数据进行量化，得到量化点云数据；对所述量化点云数据进行二值化编码。5.根据权利要求4所述的方法，其特征在于，对所述量化点云数据进行二值化编码，包括：若网格内存在量化点云数据且所述量化点云数据的取值大于零，则编码为第一数值；否则，编码为第二数值；所述第一数值大于所述第二数值。6.根据权利要求1所述的方法，其特征在于，所述车辆的运动状态包括如下至少一项：中心点位置、长宽信息和运动航向角。7.一种车辆行为预测装置，其特征在于，所述装置包括：数据获取模块，用于获取车载传感器采集的三维点云数据；空间特征提取模块，基于车辆行为预测模型，在空间维度上提取空间维度特征；压缩张量确定模块，用于基于车辆行为预测模型，根据所述三维点云数据，确定压缩四维张量；特征图获取模块，用于通过对所述压缩四维张量进行组卷积，在时间维度上进行特征提取，得到精简特征图；特征图融合模块，用于根据所述精简特征图，对组卷积层结果进行融合，确定时间维度特征；融合特征确定模块，用于将所述空间维度特征和所述时间维度特征进行融合，得到融合特征；状态预测模块，用于根据所述融合特征，预测所述三维点云数据中车辆的运动状态；
其中，所述车辆行为预测模型基于多任务的深度卷积神经网络训练得到。8.根据权利要求7所述的装置，其特征在于，还包括：量化编码模块，用于基于三维体素网格，对所述三维点云数据进行量化，得到量化点云数据；对所述量化点云数据进行二值化编码。9.一种电子设备，其特征在于，所述设备包括：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，使得所述一个或多个处理器实现如权利要求1
‑
6中任一所述的车辆行为预测方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1
‑
6中任一所述的车辆行为预测方法。

技术总结
本发明公开了一种车辆行为预测方法、装置、设备及介质，该方法包括：获取车载传感器采集的三维点云数据；基于车辆行为预测模型，在空间维度上提取空间维度特征；基于车辆行为预测模型，根据三维点云数据，确定压缩四维张量；通过对压缩四维张量进行组卷积，在时间维度上进行特征提取，得到精简特征图；根据精简特征图，对组卷积层结果进行融合，确定时间维度特征；将空间维度特征和时间维度特征进行融合，得到融合特征；根据融合特征，预测三维点云数据中车辆的运动状态。本申请的技术方案，将检测、跟踪以及行为预测并行处理，在保证预测精度的同时减少了计算资源的消耗，并对输入数据进行压缩处理，提升了计算速度。提升了计算速度。提升了计算速度。


技术研发人员：王祎男 曹容川 张天奇 关瀛洲
受保护的技术使用者：中国第一汽车股份有限公司
技术研发日：2021.07.20
技术公布日：2021/10/23