车辆轨迹预测方法、装置及电子设备与流程

1.本发明涉及轨迹预测技术领域，尤其是涉及一种车辆轨迹预测方法、装置及电子设备。


背景技术：

2.在交通路口区域中，其他障碍物车辆的预测轨迹很大程度的影响自车的决策和规划。而现有技术中，通常基于障碍物车辆的运动参数对障碍物车辆的轨迹进行预测。然而该方式的预测准确性较低。


技术实现要素：

3.有鉴于此，本发明的目的在于提供一种车辆轨迹预测方法、装置及电子设备，以提高轨迹预测的准确性。
4.第一方面，本发明实施例提供了一种车辆轨迹预测方法，包括：获取交通路口区域的信号灯信息；根据信号灯信息以及预先获取的障碍物车辆的行驶信息，确定障碍物车辆的行驶逻辑；基于障碍物车辆的行驶逻辑及行驶信息，预测障碍物车辆的轨迹。
5.结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，上述获取交通路口区域的信号灯信息的步骤包括：基于获取到当前车辆的定位信息以及地图信息，确定当前车辆是否驶入交通路口区域的相关区域内；如果当前车辆驶入交通路口区域的相关区域内，获取交通路口区域的信号灯信息。
6.结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，上述信号灯信息包括当前车辆的行驶方向对应的信号灯信息；根据信号灯信息以及预先获取的障碍物车辆的行驶信息，确定障碍物车辆的行驶逻辑的步骤，包括：根据当前车辆的行驶方向对应的信号灯信息以及预先获取的障碍物车辆的行驶信息，确定障碍物车辆的行驶方向对应的信号灯信息；根据障碍物车辆的行驶方向对应的信号灯信息以及行驶信息，确定障碍物车辆的行驶逻辑。
7.结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，上述信号灯信息包括当前车辆的行驶方向对应的信号灯的个数、位置及颜色；障碍物车辆的行驶信息包括障碍物车辆的行驶方向以及当前行驶车道；根据当前车辆的行驶方向对应的信号灯信息，确定障碍物车辆的行驶方向对应的信号灯信息的步骤，包括：当信号灯的个数为一个，当前车辆的行驶方向对应的信号灯的颜色为绿色时，如果障碍物车辆的行驶方向为与当前车辆的行驶方向相同或相反，确定障碍物车辆对应的信号灯的颜色为绿色；如果障碍物车辆的行驶方向为与当前车辆的行驶方向既不相同也不相反，确定障碍物车辆对应的信号灯的颜色为红色；当信号灯的个数为一个，当前车辆的行驶方向对应的信号灯的颜色为红色时，如果障碍物车辆的行驶方向为与当前车辆的行驶方向相同或相反，确定障碍物车辆对应的信号灯的颜色为红色；如果障碍物车辆的行驶方向为与当前车辆的行驶方向既不相同也不相反，确定障碍物车辆对应的信号灯的颜色为绿色；
当信号灯的个数为两个，当前车辆的行驶方向对应的位置为左侧的信号灯及位置为右侧的信号灯颜色均为红色时，当障碍物车辆的行驶方向为与当前车辆的行驶方向相同或相反时，确定障碍物车辆对应的信号灯的颜色为红色；当障碍物车辆的行驶方向为与当前车辆的行驶方向既不相同也不相反时，确定障碍物车辆对应的信号灯的颜色为绿色；当信号灯的个数为两个，当前车辆的行驶方向对应的位置为左侧的信号灯或位置为右侧的信号灯颜色为绿色时，当障碍物车辆的行驶方向为与当前车辆的行驶方向相同或相反时，基于障碍物车辆的当前行驶车道确定障碍物车辆对应的信号灯的颜色；当障碍物车辆的行驶方向为与当前车辆的行驶方向既不相同也不相反时，确定障碍物车辆对应的信号灯的颜色为红色；当信号灯的个数为三个，当前车辆的行驶方向对应的位置为左侧的信号灯及位置为中间的信号灯颜色均为红色时，当障碍物车辆的行驶方向为与当前车辆的行驶方向相同或相反时，确定障碍物车辆对应的信号灯的颜色为红色；当障碍物车辆的行驶方向为与当前车辆的行驶方向既不相同也不相反时，确定障碍物车辆对应的信号灯的颜色为绿色；当信号灯的个数为两三个，当前车辆的行驶方向对应的位置为左侧的信号灯或位置为中间的信号灯颜色为绿色时，当障碍物车辆的行驶方向为与当前车辆的行驶方向相同或相反时，基于障碍物车辆的当前行驶车道确定障碍物车辆对应的信号灯的颜色；当障碍物车辆的行驶方向为与当前车辆的行驶方向既不相同也不相反时，确定障碍物车辆对应的信号灯的颜色为红色。
8.结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，上述障碍物车辆的行驶方向对应的信号灯信息包括障碍物车辆的行驶方向对应的信号灯的颜色；障碍物车辆的行驶信息包括障碍物车辆的当前位置；基于根据障碍物车辆的行驶方向对应的信号灯信息以及行驶信息，确定障碍物车辆的行驶逻辑的步骤，包括：如果障碍物车辆的行驶方向对应的信号灯的颜色为绿色，确定障碍物的行驶逻辑为继续前进；如果障碍物车辆的行驶方向对应的信号灯的颜色为红色，判断障碍物车辆的当前位置是否超过预设的停止线；如果超过，确定障碍物车辆的行驶逻辑为继续前进；如果未超过，确定障碍物车辆的行驶逻辑为在停止线前停止。
9.结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，上述基于障碍物车辆的行驶逻辑及行驶信息，预测障碍物车辆的轨迹的步骤，包括：将障碍物车辆的道路拓扑信息输入至预先训练好的神经网络，得到障碍物车辆沿着道路拓扑信息中的预设行驶车道行驶的概率；将概率大于预设阈值的预设行驶车道确定为障碍物车辆的预测行驶车道；基于障碍物车辆的行驶逻辑、预测行驶车道以及行驶信息，预测障碍物车辆的轨迹。
10.结合第一方面的第五种可能的实施方式，本发明实施例提供了第一方面的第六种可能的实施方式，其中，上述障碍物车辆的行驶信息包括障碍物的行驶速度及加速度；基于障碍物车辆的行驶逻辑、预测行驶车道以及行驶信息，预测障碍物车辆的轨迹障碍物的步骤，包括：如果障碍物车辆的行驶逻辑为在停止线前停止，基于预设算法及障碍物车辆的预测行驶车道、速度以及加速度，拟合得到障碍物车辆到停止线停止过程的轨迹；如果障碍物车辆的行驶逻辑为继续前进，基于预设算法及障碍物车辆的预测行驶车道、速度以及加速度，拟合得到障碍物车辆在预设时间内的轨迹。
11.第二方面，本发明实施例还提供一种车辆轨迹预测装置，包括：信息获取装置，用
于获取交通路口区域的信号灯信息；行驶逻辑确定模块，用于根据信号灯信息以及预先获取的障碍物车辆的行驶信息，确定障碍物车辆的行驶逻辑；轨迹预测模块，用于基于障碍物车辆的行驶逻辑及行驶信息，预测障碍物车辆的轨迹。
12.第三方面，本发明实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的机器可执行指令，处理器执行机器可执行指令以实现上述车辆轨迹预测方法。
13.第四方面，本发明实施例还提供机器可读存储介质，机器可读存储介质存储有机器可执行指令，机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现上述车辆轨迹预测方法。
14.本发明实施例带来了以下有益效果：
15.本发明实施例提供的一种车辆轨迹预测方法、装置及电子设备，在获取交通路口区域的信号灯信息后，根据信号灯信息以及预先获取的障碍物车辆的行驶信息，确定障碍物车辆的行驶逻辑，然后基于障碍物车辆的行驶逻辑及障碍物车辆的行驶信息，预测障碍物车辆的轨迹。该方式基于信号灯信息确定了障碍物车辆的行车逻辑，并基于行车逻辑和行驶信息预测障碍物车辆的轨迹，提高了轨迹预测的准确性。
16.本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。
17.为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
18.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
19.图1为本发明实施例提供的一种车辆轨迹预测方法的流程图；
20.图2为本发明实施例提供的另一种车辆轨迹预测方法的流程图；
21.图3为本发明实施例提供的另一种车辆轨迹预测方法的流程图；
22.图4为本发明实施例提供的一种信号灯逻辑流程图；
23.图5为本发明实施例提供的一种车辆轨迹预测装置的结构示意图；
24.图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
25.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
26.目前，轨迹预测是自动驾驶领域的难点之一，特别是在交通路口这种复杂的场景下，预测的难度也会增加，目前现有的算法主要包括，基于传统机器学习模型的马尔可夫模
型、动态贝叶斯网络模型等，或基于深度学习的多层感知机模型、长短期记忆模型、图神经网络等。
27.在交通路口下其他障碍物车辆的预测轨迹很大程度的影响自车的决策和规划，其中交通信号灯对轨迹预测的影响往往是决定性的，目前的算法中很少且很难将红绿灯的信息加入到算法中，导致在交通路口区域中车辆轨迹的预测结果准确性较低。
28.基于此，本发明实施例提供的一种车辆轨迹预测方法、装置以及系统，可以应用于交通路口等区域的位置。
29.为便于对本实施例进行理解，首先对本发明实施例所公开的一种车辆轨迹预测方法进行详细介绍。
30.本发明实施例提供了一种车辆轨迹预测方法，如图1所示，该方法包括如下步骤：
31.步骤s100，获取交通路口区域的信号灯信息。
32.上述信号灯信息可以包括当前车辆行驶方向或所有方向的信号灯的数量、位置信息及颜色信息，还可以为信号灯的语义信息。其中，信号灯的位置信息可以为各个信号灯的相对位置信息，如当前车辆的行驶方向上有一组信号灯，这一组信号灯包括两个信号灯，分别为位于左侧的指示左转的信号灯和位于右侧的指示直行和右转的信号灯。获取到的信号灯信息可以为这组信号灯的数量为2，位置信息为左侧及右侧，以及颜色信息为左侧的信号灯颜色为红色，右侧的信号灯为红色，其对应的语义信息可以为当前车辆的行驶方向禁止左转和直行，可以右转。
33.步骤s102，根据信号灯信息以及预先获取的障碍物车辆的行驶信息，确定障碍物车辆的行驶逻辑。
34.当上述信号灯信息包括当前车辆行驶方向的信号灯位置、颜色或语义信息等时，由于各方向的信号灯的指示信息之间具有一定的逻辑关系，可以基于障碍物车辆的行驶信息，如当前障碍物车辆的行驶方向，其行驶方向与当前车辆行驶方向的关系(如同方向、反方向等)确定该障碍物车辆的行驶逻辑，如继续行驶或在停止线之前停止。如当前车辆的行驶方向的信号灯均为红色，且障碍物车辆到的行驶方向与当前车辆行驶方向相同或相反时，若障碍物车辆未超过停止线，则障碍物车辆的行驶逻辑为在停止线之前停止，若障碍物车辆已超过停止线，则障碍物车辆的行驶逻辑为继续行驶。
35.当上述信号灯信息包括所有行驶方向的信号灯位置、颜色或语义信息等时，可以根据障碍物车辆的行驶车道对应的信号灯位置、颜色或语义信息等确定该障碍物车辆的行驶逻辑。
36.步骤s104，基于障碍物车辆的行驶逻辑及行驶信息，预测障碍物车辆的轨迹。
37.具体而言，可以对行驶逻辑不同的障碍物车辆采用不同的预测方式。如针对行驶逻辑为在停止线前停止的障碍物车辆，可以基于预设的算法，利用障碍物车辆的速度、加速度及当前位置等行驶信息生成障碍物车辆在停止线前停止的轨迹。针对行驶逻辑为继续行驶的障碍物车辆，可以基于预设的算法，利用障碍物车辆的速度、加速度及当前位置等行驶信息生成障碍物车辆预设的时间内的继续行驶的轨迹。
38.此外，由于障碍物车辆可能会发生车道变更，所以可以对障碍物车辆的轨迹进行预测前，通过预设的神经网络模型等方式判断障碍物车辆沿着道路拓扑中某一条车道行驶的概率，如果概率小于预设的概率阈值时，则不对其轨迹进行预测。
39.本发明实施例提供的一种车辆轨迹预测方法，在获取交通路口区域的信号灯信息后，根据信号灯信息以及预先获取的障碍物车辆的行驶信息，确定障碍物车辆的行驶逻辑，然后基于障碍物车辆的行驶逻辑及障碍物车辆的行驶信息，预测障碍物车辆的轨迹。该方法基于信号灯信息确定了障碍物车辆的行车逻辑，并基于行车逻辑和行驶信息预测障碍物车辆的轨迹，提高了轨迹预测的准确性。
40.本发明实施例还提供了另一种车辆轨迹预测方法，该方法在图1所示的方法基础上实现。该方法主要描述了获取交通路口区域的信号灯信息的具体过程，根据信号灯信息以及预先获取的障碍物车辆的行驶信息，确定障碍物车辆的行驶逻辑的具体过程，以及如图2所示，该方法包括如下步骤：
41.步骤s200，基于获取到当前车辆的定位信息以及地图信息，确定当前车辆是否驶入交通路口区域的相关区域内。通常情况下，地图信息是预先获取到的，地图信息中包含各个交通路口的位置信息。可以通过判断当前车辆的位置是否在包含交通路口区域的一定区域范围内，来确定当前车辆是否驶入交通路口区域的相关区域内。
42.步骤s202，如果当前车辆驶入交通路口区域的相关区域内，获取交通路口区域的信号灯信息。上述信号灯信息可以包括当前车辆的行驶方向对应的信号灯信息。
43.步骤s204，根据当前车辆的行驶方向对应的信号灯信息以及预先获取的障碍物车辆的行驶信息，确定障碍物车辆的行驶方向对应的信号灯信息。
44.具体而言，上述信号灯信息可以包括当前车辆的行驶方向对应的信号灯的个数、位置及颜色；障碍物车辆的行驶信息可以包括障碍物车辆的行驶方向以及当前行驶车道。
45.当信号灯的个数为一个，当前车辆的行驶方向对应的信号灯的颜色为绿色时，如果障碍物车辆的行驶方向为与当前车辆的行驶方向相同或相反，确定障碍物车辆对应的信号灯的颜色为绿色；如果障碍物车辆的行驶方向为与当前车辆的行驶方向既不相同也不相反，确定障碍物车辆对应的信号灯的颜色为红色。
46.当信号灯的个数为一个，当前车辆的行驶方向对应的信号灯的颜色为红色时，如果障碍物车辆的行驶方向为与当前车辆的行驶方向相同或相反，确定障碍物车辆对应的信号灯的颜色为红色；如果障碍物车辆的行驶方向为与当前车辆的行驶方向既不相同也不相反，确定障碍物车辆对应的信号灯的颜色为绿色。
47.当信号灯的个数为两个，当前车辆的行驶方向对应的位置为左侧的信号灯及位置为右侧的信号灯颜色均为红色时，当障碍物车辆的行驶方向为与当前车辆的行驶方向相同或相反时，确定障碍物车辆对应的信号灯的颜色为红色；当障碍物车辆的行驶方向为与当前车辆的行驶方向既不相同也不相反时，确定障碍物车辆对应的信号灯的颜色均为绿色，由于当前车辆对应的信号灯的颜色为红色，所以对当前车辆不会产生影响。
48.当信号灯的个数为两个，当前车辆的行驶方向对应的位置为左侧的信号灯或位置为右侧的信号灯颜色为绿色时，当障碍物车辆的行驶方向为与当前车辆的行驶方向相同或相反时，基于障碍物车辆的当前行驶车道确定障碍物车辆对应的信号灯的颜色，此时需要根据障碍物车辆的当前行驶车道为左行车道、直行车道还是右行车道，确定障碍物车辆的当前行驶车道对应的信号灯的颜色，从而确定障碍物车辆对应的信号灯的颜色；当障碍物车辆的行驶方向为与当前车辆的行驶方向既不相同也不相反时，确定障碍物车辆对应的信号灯的颜色为红色。
49.当信号灯的个数为三个，当前车辆的行驶方向对应的位置为左侧的信号灯及位置为中间的信号灯颜色均为红色时，当障碍物车辆的行驶方向为与当前车辆的行驶方向相同或相反时，确定障碍物车辆对应的信号灯的颜色为红色；当障碍物车辆的行驶方向为与当前车辆的行驶方向既不相同也不相反时，确定障碍物车辆对应的信号灯的颜色均为绿色，由于当前车辆对应的信号灯的颜色为红色，所以对当前车辆不会产生影响。
50.当信号灯的个数为三个，当前车辆的行驶方向对应的位置为左侧的信号灯或位置为中间的信号灯颜色为绿色时，当障碍物车辆的行驶方向为与当前车辆的行驶方向相同或相反时，基于障碍物车辆的当前行驶车道确定障碍物车辆对应的信号灯的颜色；当障碍物车辆的行驶方向为与当前车辆的行驶方向既不相同也不相反时，确定障碍物车辆对应的信号灯的颜色为红色。
51.步骤s206，根据障碍物车辆的行驶方向对应的信号灯信息以及行驶信息，确定障碍物车辆的行驶逻辑。
52.上述障碍物车辆的行驶方向对应的信号灯信息可以包括障碍物车辆的行驶方向对应的信号灯的颜色；障碍物车辆的行驶信息可以包括障碍物车辆的当前位置。在确定行驶逻辑时，如果障碍物车辆的行驶方向对应的信号灯的颜色为绿色，确定障碍物的行驶逻辑为继续前进；如果障碍物车辆的行驶方向对应的信号灯的颜色为红色，判断障碍物车辆的当前位置是否超过预设的停止线；如果超过，确定障碍物车辆的行驶逻辑为继续前进；如果未超过，确定障碍物车辆的行驶逻辑为在停止线前停止。
53.步骤s208，将障碍物车辆的道路拓扑信息输入至预先训练好的神经网络，得到障碍物车辆沿着道路拓扑信息中的预设行驶车道行驶的概率。
54.步骤s210，将概率大于预设阈值的预设行驶车道确定为障碍物车辆的预测行驶车道。
55.步骤s212，基于障碍物车辆的行驶逻辑、预测行驶车道以及行驶信息，预测障碍物车辆的轨迹。
56.上述障碍物车辆的行驶信息包括障碍物的行驶速度及加速度；如果障碍物车辆的行驶逻辑为在停止线前停止，基于预设算法及障碍物车辆的预测行驶车道、速度以及加速度，拟合得到障碍物车辆到停止线停止过程的轨迹；如果障碍物车辆的行驶逻辑为继续前进，基于预设算法及障碍物车辆的预测行驶车道、速度以及加速度，拟合得到障碍物车辆在预设时间内的轨迹。
57.上述方式在预测障碍物车辆的轨迹的过程中，参考了交通路口的信号灯信息，提高了轨迹预测的准确性。
58.本发明实施例还提供了另一种车辆轨迹预测方法，该方法在图1所示的方法基础上实现。如图3所示，该方法包括如下步骤：
59.1、制作道路拓扑图：首先，根据地图的信息对每一辆需要做预测的车辆建立一个道路拓扑图，例如，车辆的当前车道为一个lane sequence(车道序列)，id为0，左车道为一个lane sequence，id为1，右车道为一个lane sequence，id为2，每一个lane sequence里包含一个或多个lane(车道)，例如当前车道上每50米为一个lane，且设置每个lane sequence的搜索范围为100米，所以车辆当前道路的lane sequence里在某一时刻可能包括两个lane，id分别为1001和1002。
60.2.自车感知前方信号灯信息：根据自车的定位信息和地图信息获取前方的道路场景，当自车接近交通路口时，感知摄像头会识别正前方交通路口中红绿灯的颜色并输出。
61.3.根据自车观测到的信号灯推理整个junction(交叉路口)内的信号灯：在自车感知前方信号灯信息后，根据地图信息获取自车当前道路对应的红绿灯的id，再根据前方红绿灯信息可以推理出左右侧和反方向的红绿灯信息，如图4所示，其逻辑如下(目前不考虑右侧信号灯为箭头灯的情况)：
62.a当前方只有一个红绿灯时，如果为绿，则左转(掉头)、直行、右转都为绿，那么反方向的灯跟前方的是一样的，左右侧的左转(掉头)、直行、右转则都为红。
63.b当前方有两个红绿灯时，左侧的红绿灯控制左转(掉头)，右侧的红绿灯控制直行和右转。反方向的信号跟前方的信号一致，当前方左转(掉头)或者直行的信号为红绿时，左右侧的左转(掉头)和直行为红，右转为绿，否则左右侧的左转(掉头)、直行和右转都为绿。
64.c当前方有三个红绿灯时，则左侧的灯对应左转(掉头)，中间的灯对应直行，右侧的灯对应右转。推理逻辑跟上述两个红绿灯时相同。
65.4.获取junction内信号灯组的信息，包括每个组里的信号灯id和各个组之间的关系：根据地图信息获取前方交通路口junction内的信息，包括junction内的所有同方向的信号灯组的id，每个信号灯组里包括多个信号灯，每个信号灯有对应的id，左转灯，直行灯和右转灯，各个信号灯组的相对位置关系，例如1号信号灯组的反方向信号灯组的id为3，左侧信号灯组的id为2，右侧信号灯组的id为4。
66.5.判断自车所在的lane对应的信号灯是否为绿。当自车所在的lane对应的红绿灯为绿时，根据之前推理出的各个方向红绿灯的信息可以找出各个方向中的红灯的id，在地图中可以查找这些红绿灯所对应的lane id。
67.6.判断障碍物是否未通过停止线：对于一些不遵守交通规则的障碍物在红灯的情况下，在通过停止线之前的预测为停止，但如果超过了停止线则按绿灯逻辑进行预测。
68.7.找到所有需要预测的障碍物车辆，过滤掉所有已经通过停止线的障碍物车辆，在剩下的障碍物中遍历每一条lane sequence里的每一条lane，如果其中有红灯所对应的lane，那么就在该lane
·
sequence增加停止线的属性。
69.8.将剩下lane sequence的特征和障碍物自身的一些特征输入到一个mlp的神经网络中，预测出障碍物是否沿着该lane sequence行驶的概率。
70.9.得到每条lane sequence的概率后，筛选出概率大于0.5的lane sequence，如果该lane sequence中有停止线，则根据当前速度通过插值法拟合出从障碍物位置坐标到停止线中点的一条匀减速的轨迹，如果没有则使用插值法拟合出一条障碍物位置坐标到lane sequence中心线7秒的匀速的轨迹。
71.上述方法根据自车观测的前方红绿灯信号推理整个路口的红绿灯状态，然后根据红绿灯的信息，通过lane sequence的方式找出其中对应红灯的lane sequence，并设置停止线，同时3.考虑到不遵守交通规则的车辆，如果有闯红灯的现象，在通过停止线之前按照红灯进行预测，一旦通过停止线，则按绿灯状态进行预测。上述方法相比于其他通过机器学习或深度学习的模型的方法增加了信号灯的逻辑，可以有效的提高预测的准确率，并且针对不遵守交通规则的车辆进行了判断，并给出了不同的预测。
72.对应于上述方法实施例，本发明实施例还提供一种车辆轨迹预测装置，如图5所
示，该装置包括：
73.信息获取装置500，用于获取交通路口区域的信号灯信息；
74.行驶逻辑确定模块502，用于根据信号灯信息以及预先获取的障碍物车辆的行驶信息，确定障碍物车辆的行驶逻辑；
75.轨迹预测模块504，用于基于障碍物车辆的行驶逻辑及行驶信息，预测障碍物车辆的轨迹。
76.本发明实施例提供的车辆轨迹预测装置，其实现原理及产生的技术效果和前述车辆轨迹预测方法实施例相同，为简要描述，车辆轨迹预测装置的实施例部分未提及之处，可参考前述车辆轨迹预测方法实施例中相应内容。
77.本发明实施例还提供了一种电子设备，参见图6所示，该电子设备包括处理器130和存储器131，该存储器131存储有能够被处理器130执行的机器可执行指令，该处理器130执行机器可执行指令以实现上述车辆轨迹预测方法。
78.进一步地，图6所示的电子设备还包括总线132和通信接口133，处理器130、通信接口133和存储器131通过总线132连接。
79.其中，存储器131可能包含高速随机存取存储器(ram，random access memory)，也可能还包括非不稳定的存储器(non
‑
volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口133(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线132可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
80.处理器130可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器130中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器130可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现成可编程门阵列(field
‑
programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器131，处理器130读取存储器131中的信息，结合其硬件完成前述实施例的方法的步骤。
81.本发明实施例还提供了一种机器可读存储介质，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，该机器可执行指令促使处理器实现上述车辆轨迹预测方法，具体实现可参见方法实施例，在此不再赘述。
82.本发明实施例所提供的车辆轨迹预测方法及装置和电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
83.所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
84.最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。