车辆轨迹的确定方法、装置、设备以及存储介质与流程

1.本技术涉及自动驾驶技术领域，尤其涉及一种车辆轨迹的确定方法、装置、设备以及存储介质。


背景技术：

2.轨迹预测广泛应用于机器人、自动驾驶汽车路线规划等智能领域，为车辆或机器人等在未来轨迹内(例如，未来几秒内)所处的运行变化提供了参考。
3.在现有技术中，以车辆a的轨迹预测为例，一般对车辆a周围的车辆b的运行信息(例如，运行、位置数据)进行采集并分析，得到车辆b对车辆a的轨迹可能存在的影响，从而确定出车辆a在当前时间之后的运行轨迹。
4.然而，现有技术的预测方法仅以车辆b和车辆a的运行信息出发，并没有较多的考虑到实际车辆运行的场景等，从而造成车辆的轨迹预测结果并不准确的情况发生。


技术实现要素：

5.本技术实施例提供一种车辆轨迹的确定方法、装置、设备以及存储介质，用以解决现有技术中车辆轨迹的预测不准确的问题。
6.第一方面，本技术实施例提供一种车辆轨迹的确定方法，包括：
7.获取第一预设时间内待测车辆的车辆特征和其他车辆的车辆特征，所述其他车辆为以所述待测车辆为中心的预设范围内的车辆，其中，车辆的车辆特征包括所述车辆的位置数据；
8.获取所述以所述待测车辆为中心的预设范围内的环境特征，所述环境特征包括车道各个分段的坐标信息和各个分段的转向类型；
9.基于车道分段异质图，所述待测车辆的车辆特征、所述其他车辆的车辆特征和所述环境特征，确定所述待测车辆在第二预设时间内的行驶轨迹，所述第一预设时间在所述第二预设时间之前，所述车道分段异质图是以所述待测车辆、所述其他车辆和所述各个分段为节点建立的车辆
‑
分段关系图；
10.显示所述待测车辆的所述行驶轨迹。
11.在第一方面一种可能的设计中，所述基于车道分段异质图，所述待测车辆的车辆特征、所述其他车辆的车辆特征和所述环境特征，确定所述待测车辆在第二预设时间内的行驶轨迹，包括：
12.在所述车道分段异质图中，根据所述待测车辆对应的节点、第一节点和第二节点，确定所述待测车辆的边特征，所述第一节点为所述待测车辆所在的车道的节点，所述第二节点为所述第一节点相邻的车道的节点，所述边特征包括：第一边类型的边特征和第二边类型的边特征，所述第一边类型的边特征包括如下至少一种：所述第一节点与所述待测车辆对应的节点的相对角度、所述第一节点与所述待测车辆对应的节点的相对距离，所述第二边类型的边特征包括如下至少一种：所述第二节点与所述第一节点的相对角度、所述第
二节点与所述第一节点的相对距离，所述边类型包括：所述第一边类型和所述第二边类型，所述第一边类型为所述待测车辆与所述第一节点之间的边的类型，所述第二边类型为所述第一节点与所述第二节点之间的边的类型；
13.根据所述待测车辆的车辆特征、所述预设范围内的环境特征中的所述第一节点和所述第二节点对应的环境特征、所述待测车辆的边特征，确定所述待测车辆在第二预设时间内的行驶轨迹。
14.在该种可能的设计中，所述根据所述待测车辆的车辆特征、所述第一节点和所述第二节点对应的环境特征和所述待测车辆的边特征，确定所述待测车辆在第二预设时间内的行驶轨迹，包括：
15.将所述待测车辆的车辆特征输入至第一预设神经网络模型中，得到所述待测车辆的节点特征，所述第一预设神经网络模型用于提取所述车辆特征中的初始特征；
16.将所述第一节点和所述第二节点对应的环境特征输入至第二预设神经网络模型中，得到所述第一节点和第二节点的节点特征，所述第二预设神经网络模型用于提取所述节点特征中的初始特征；
17.将所述待测车辆的边特征输入至第三预设神经网络模型中，得到目标边特征，所述第三预设神经网络模型用于提取所述目标边特征中的初始特征；
18.根据所述待测车辆的节点特征、所述第一节点的节点特征、所述第二节点的节点特征和所述目标边特征，确定所述待测车辆在第二预设时间内的行驶轨迹。
19.可选的，所述根据所述待测车辆的节点特征、所述第一节点的节点特征和所述目标边特征，确定所述待测车辆在第二预设时间内的行驶轨迹，包括：
20.在每个边类型下，对所述待测车辆的节点特征、所述第一节点的节点特征和所述目标边特征进行聚合处理，得到所述待测车辆在各个边类型下对应的聚合值；
21.将各个边类型下对应的聚合值和所述待测车辆的车辆特征进行聚合处理，得到所述待测车辆的预测值；
22.将所述待测车辆的预测值输入至第四预设神经网络模型，得到所述待测车辆在第二预设时间内的行驶轨迹。
23.可选的，所述第一边类型包括如下至少一种：
24.上边，所述上边包括从所述待测车辆指向所述第一节点的边；
25.下边，所述下边包括从所述第一节点指向所述待测车辆的边。
26.可选的，所述第二边类型包括如下至少一种：
27.右边，所述右边包括当所述待测车辆可从所述第一节点通过左变道到所述第二节点，从所述待测车辆指向所述第二节点的边；
28.左边，所述左边包括当所述待测车辆可从所述第一节点通过右变道到所述第二节点，从所述第二节点指向所述待测车辆的边；
29.前边，所述前边包括当所述第一节点是第二节点的前驱，从所述待测车辆指向所述第二节点的边；
30.后边，所述后边包括当所述第一节点是第二节点的后驱，从所述第二节点指向所述待测车辆的边。
31.第二方面，本技术实施例提供一种车辆轨迹的确定装置，包括：获取模块、处理模
块和显示模块；
32.所述获取模块，用于获取第一预设时间内待测车辆的车辆特征和其他车辆的车辆特征，所述其他车辆为以所述待测车辆为中心的预设范围内的车辆，并获取所述以所述待测车辆为中心的预设范围内的环境特征，其中，车辆的车辆特征包括所述车辆的位置数据，所述环境特征包括车道各个分段的坐标信息和各个分段的转向类型；
33.所述处理模块，用于基于车道分段异质图，所述待测车辆的车辆特征、所述其他车辆的车辆特征和所述环境特征，确定所述待测车辆在第二预设时间内的行驶轨迹，所述第一预设时间在所述第二预设时间之前，所述车道分段异质图是以所述待测车辆、所述其他车辆和所述各个分段为节点建立的车辆
‑
分段关系图；
34.所述显示模块，用于显示所述待测车辆的所述行驶轨迹。
35.在第二方面一种可能的设计中，所述处理模块，具体用于：
36.在所述车道分段异质图中，根据所述待测车辆对应的节点、第一节点和第二节点，确定所述待测车辆的边特征，所述第一节点为所述待测车辆所在的车道的节点，所述第二节点为所述第一节点相邻的车道的节点，所述边特征包括：第一边类型的边特征和第二边类型的边特征，所述第一边类型的边特征包括如下至少一种：所述第一节点与所述待测车辆对应的节点的相对角度、所述第一节点与所述待测车辆对应的节点的相对距离，所述第二边类型的边特征包括如下至少一种：所述第二节点与所述第一节点的相对角度、所述第二节点与所述第一节点的相对距离，所述边类型包括：所述第一边类型和所述第二边类型，所述第一边类型为所述待测车辆与所述第一节点之间的边的类型，所述第二边类型为所述第一节点与所述第二节点之间的边的类型；
37.根据所述待测车辆的车辆特征、所述预设范围内的环境特征中的所述第一节点和所述第二节点对应的环境特征、所述待测车辆的边特征，确定所述待测车辆在第二预设时间内的行驶轨迹。
38.在该种可能的设计中，所述处理模块，根据所述待测车辆的车辆特征、所述第一节点和所述第二节点对应的环境特征和所述待测车辆的边特征，确定所述待测车辆在第二预设时间内的行驶轨迹，具体用于：
39.将所述待测车辆的车辆特征输入至第一预设神经网络模型中，得到所述待测车辆的节点特征，所述第一预设神经网络模型用于提取所述车辆特征中的初始特征；
40.将所述第一节点和所述第二节点对应的环境特征输入至第二预设神经网络模型中，得到所述第一节点的节点特征，所述第二预设神经网络模型用于提取所述节点特征中的初始特征；
41.将所述待测车辆的边特征输入至第三预设神经网络模型中，得到目标边特征，所述第三预设神经网络模型用于提取所述目标边特征中的初始特征；
42.根据所述待测车辆的节点特征、所述第一节点的节点特征、所述第二节点的节点特征和所述目标边特征，确定所述待测车辆在第二预设时间内的行驶轨迹。
43.可选的，所述处理模块，根据所述待测车辆的节点特征、所述第一节点的节点特征、所述第二节点的节点特征和所述目标边特征，确定所述待测车辆在第二预设时间内的行驶轨迹，具体用于：
44.在每个边类型下，对所述待测车辆的节点特征、所述第一节点的节点特征和所述
目标边特征进行聚合处理，得到所述待测车辆在各个边类型下对应的聚合值；
45.将各个边类型下对应的聚合值和所述待测车辆的车辆特征进行聚合处理，得到所述待测车辆的预测值；
46.将所述待测车辆的预测值输入至第四预设神经网络模型，得到所述待测车辆在第二预设时间内的行驶轨迹。
47.可选的，所述第一边类型包括如下至少一种：
48.上边，所述上边包括从所述待测车辆指向所述第一节点的边；
49.下边，所述下边包括从所述第一节点指向所述待测车辆的边。
50.可选的，所述第二边类型包括如下至少一种：
51.右边，所述右边包括当所述待测车辆可从所述第一节点通过左变道到所述第二节点，从所述待测车辆指向所述第二节点的边；
52.左边，所述左边包括当所述待测车辆可从所述第一节点通过右变道到所述第二节点，从所述第二节点指向所述待测车辆的边；
53.前边，所述前边包括当所述第一节点是第二节点的前驱，从所述待测车辆指向所述第二节点的边；
54.后边，所述后边包括当所述第一节点是第二节点的后驱，从所述第二节点指向所述待测车辆的边。
55.第三方面，本技术实施例提供一种电子设备，包括：处理器、存储器；
56.所述存储器存储计算机执行指令；
57.所述处理器执行所述计算机执行指令，使得所述车辆执行如上述第一方面及各种可能的设计中所述的车辆轨迹的确定方法。
58.第四方面，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上述第一方面及各种可能的设计中所述的车辆轨迹的确定方法。
59.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，所述计算机程序被处理器执行时用于实现如上述第一方面及各种可能的设计中所述的车辆轨迹的确定方法。
60.本技术实施例提供的车辆轨迹的确定方法、装置、设备以及存储介质，该方法中，通过获取第一预设时间内待测车辆的车辆特征和其他车辆的车辆特征，以及以待测车辆为中心的预设范围内的环境特征，该车辆的车辆特征包括车辆的位置数据，环境特征包括车道各个分段的坐标信息和各个分段的转向类型，基于车道分段异质图，待测车辆的车辆特征、其他车辆的车辆特征和环境特征，确定待测车辆在第二预设时间内的行驶轨迹，并显示待测车辆的行驶轨迹。该技术方案中，从待测车辆和预设范围内其他车辆的位置数据，车道各个分段的坐标信息和各个分段的转向类型出发，使得车辆的预测轨迹更加符合实际场景，并提高了车辆轨迹的预测准确度。
附图说明
61.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
62.图1为本技术实施例提供的车辆轨迹的确定方法的应用场景示意图；
63.图2为本技术实施例提供的车辆轨迹的确定方法实施例一的流程示意图；
64.图3为本技术实施例提供的车道各个分段的示意图；
65.图4为本技术实施例提供的车辆轨迹的确定方法实施例二的流程示意图；
66.图5为本技术实施例提供的车道分段异质图示意图；
67.图6为本技术实施例提供的车辆轨迹的确定装置的结构示意图；
68.图7为本技术实施例提供的电子设备的结构示意图。
69.通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
70.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
71.在介绍本技术的实施例之前，首先对本技术的背景技术进行解释说明：
72.轨迹预测广泛应用于机器人、自动驾驶汽车路线规划等领域。为机器人、自动驾驶汽车在未来轨迹内所处的运行变化提供了参考，利于用户对将要行进的路线及时做出调整等。
73.在常见的现有技术中，通过采集待测车辆的历史运行数据和场景下其他车辆的历史运行数据，并对这些历史运行数据进行处理，得到待测车辆未来时间的运行轨迹。
74.然而这种方法忽略了待测车辆和其他车辆需要依照运行场景的因素，例如，地图交通规则，当待测车辆和其他车辆在不同的车道，向相反的方向运行时，两个车辆之间不存在影响，现有技术的方法会使得待测车辆的预测结果偏差较大。
75.在上述现有技术存在的问题基础上，图1为本技术实施例提供的车辆轨迹的确定方法的应用场景示意图，用以解决上述技术问题。如图1所示，该应用场景示意图包括：车辆1、车辆2、车辆3和车辆4。
76.其中，车辆1为待测车辆。车辆2与车辆1的运行方向(带有剪头的线)相反，在不同的车道上，由图1中较粗的线隔开，表示地图交通规则中不可翻越的线。车辆3与车辆1运行方向相同，分别在各自的车道上，车辆4从车辆3所在的车道上转入路口。
77.在图1中，车辆1、车辆2、车辆3和车辆4运行方向相反的位置的虚线分别表示各个车辆的历史运行轨迹。
78.在一种可能的实现中，当车辆1运行时，根据采集到的车辆1、车辆2、车辆3和车辆4的历史轨迹信息，以及车辆1、车辆2、车辆3和车辆4所在车道的坐标信息、车道的分段信息(即图1中较细的实线)，确定出车辆1在当前时刻之后的一段时间内的运行轨迹。
79.应理解：本技术实施例的执行主体可以是电子设备，该电子设备可以是待测车辆的电子控制单元(electronic control unit，ecu)，也可以是独立于待测车辆的第三方设备，例如，技术人员终端设备。
80.本技术针对上述技术问题，发明人的技术构思过程如下：发明人发现，现有技术中仅考虑了各个车辆之间的影响，那么可以将车道对车辆的影响也考虑进去，即增加了车辆之间交互参照地图的影响，使得待测车辆在地图上不受无关车辆的影响，以及区分出在该地图上其他车辆对待测车辆的影响的大小，便可以更加准确的对待测车辆进行轨迹的预测。
81.下面以图1所示的应用场景示意图，通过具体实施例对本技术的技术方案进行详细说明。需要说明的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
82.图2为本技术实施例提供的车辆轨迹的确定方法实施例一的流程示意图。如图2所示，该车辆轨迹的确定方法可以包括如下步骤：
83.步骤21、获取第一预设时间内待测车辆的车辆特征和其他车辆的车辆特征。
84.其中，其他车辆为以待测车辆为中心的预设范围内的车辆，车辆的车辆特征包括车辆的位置数据。
85.在本步骤中，针对待测车辆进行轨迹预测时，需要考虑该待测车辆在当前时刻之前的历史运行数据，并考虑到可能存在影响该待测车辆的其他车辆的历史运行数据，然后对待测车辆和其他车辆的历史运行数据进行进一步地处理。
86.可选的，在影响该待测车辆的其他车辆的选取范围可以是以待测车辆为中心的预设范围。例如，以待测车辆为中心的100m内，应理解：随着待测车辆运行速度的升高，该范围可以相应增大。
87.可选的，第一预设时间为当前时刻之前的一段时间，例如，当前时刻之前的1min、30s内等。
88.在一种可能的实现中，通过各类传感器采集得到的待测车辆的位置数据、以及通过各类传感器采集得到的其他车辆的位置数据，被电子设备获取到。即以车辆(待测车辆和其他车辆)的当前位置为坐标原点，各个车辆的位置数据相对自车的历史轨迹位置记为v
i
(第i个车的位置数据)。
89.具体的，采集频率可以是1s采用10hz采样，在1s内，各个车辆的历史轨迹长度为10，即1s内(10个时刻)车辆的位置数据有10个，即v
i
的表达式为：
[0090][0091]
其中，表示车辆i在l时刻相对自车的位置，即二维坐标的点；表示车辆i在l时刻的其他信息，可以包括但不限于速度、加速度、角速度、车辆类型等。
[0092]
步骤22、获取以待测车辆为中心的预设范围内的环境特征。
[0093]
其中，环境特征包括车道各个分段的坐标信息和各个分段的转向类型。
[0094]
在本步骤中，上述已获取了待测车辆与其他车辆的车辆特征，为了准确获得待测车辆的行驶轨迹，还需要确定待测车辆所在预设范围内的车道信息。
[0095]
可选的，可以通过从一种高清地图软件(high definition map，hd map)中获取预设范围内的环境特征，即车道信息，包括：车道各个分段的坐标信息和各个分段的转向类型。应理解，转向类型作为可选项，也可以是分段是否在路口，如取值可以是{0，1}。
[0096]
作为一种示例，图3为本技术实施例提供的车道各个分段的示意图。如图3所示，在
图1的基础上，该示意图还包括：分段1、分段2、分段3、分段4、分段5、分段6、分段7、分段8和分段9。
[0097]
具体的，车辆2在分段1上，车辆1在分段3上，车辆3在分段6上，车辆4在分段9上。
[0098]
在一种可能的实现中，环境特征可以记为s
j
，j为预设范围内第j个车道，表达式为：
[0099]
s
j
＝(s
j
，e
j
，o
j
)
[0100]
其中，s
j
为车道分段j的起始坐标，e
j
表示车道分段j的结束坐标，o
j
表示车道分段j其他信息，可以包括但不限于车道分段转向类型，车道分段是否在路口等。
[0101]
步骤23、基于车道分段异质图，待测车辆的车辆特征、其他车辆的车辆特征和环境特征，确定待测车辆在第二预设时间内的行驶轨迹。
[0102]
其中，第一预设时间在第二预设时间之前，车道分段异质图是以待测车辆、其他车辆和各个分段为节点建立的车辆
‑
分段关系图。
[0103]
在该步骤中，为了便于分析待测车辆受其他车辆与各个分段之间的影响，建立以待测车辆、其他车辆和各个分段为节点的车辆
‑
分段关系图，指在表述三者之间的位置、角度等关系。
[0104]
基于该车道分段异质图，利用待测车辆、其他车辆的历史运行数据与车道各个分段的坐标信息和各个分段的转向类型等，确定出待测车辆在第二预设时间内的行驶轨迹，具体确定方法如下所述。
[0105]
可选的，第二预设时间为当前时刻之后的一段时间，例如，当前时刻之后的1min、30s等。
[0106]
可选的，行驶轨迹可以是第二预设时间内的各个时刻的坐标点。例如，第二预设时间为1s，可以是以0.1s为时刻的待测车辆的坐标点，共计10个。
[0107]
步骤24、显示待测车辆的行驶轨迹。
[0108]
在该步骤中，当上述获得待测车辆的行驶轨迹之后，可以在电子设备的显示屏上显示该行驶轨迹。
[0109]
在一种可能的设计中，该行驶轨迹可以是上述步骤确定出的多个坐标点连接起来的平滑的线条，在图像中当前时刻的待测车辆可能的运动方向上显示。
[0110]
本技术实施例提供的车辆轨迹的确定方法，通过获取第一预设时间内待测车辆的车辆特征和其他车辆的车辆特征，以及以待测车辆为中心的预设范围内的环境特征，并基于车道分段异质图，待测车辆的车辆特征、其他车辆的车辆特征和环境特征，确定待测车辆在第二预设时间内的行驶轨迹，从而显示行驶轨迹。该技术方案中，从待测车辆和预设范围内其他车辆的位置数据，车道各个分段的坐标信息和各个分段的转向类型出发，使得车辆的预测轨迹更加符合实际场景，并提高了车辆轨迹的预测准确度。
[0111]
在上述实施例的基础上，图4为本技术实施例提供的车辆轨迹的确定方法实施例二的流程示意图。如图4所示，步骤23可以包含如下步骤：
[0112]
步骤41、在车道分段异质图中，根据待测车辆对应的节点、第一节点和第二节点，确定待测车辆的边特征。
[0113]
其中，第一节点为待测车辆所在的车道的节点，第二节点为第一节点相邻的车道的节点，边特征包括：第一边类型的边特征和第二边类型的边特征，第一边类型的边特征包
括如下至少一种：第一节点与待测车辆对应的节点的相对角度、第一节点与待测车辆对应的节点的相对距离，第二边类型的边特征包括如下至少一种：第二节点与第一节点的相对角度、第二节点与第一节点的相对距离，边类型包括：第一边类型和第二边类型，第一边类型为待测车辆与第一节点之间的边的类型，第二边类型为第一节点与第二节点之间的边的类型。
[0114]
具体的，第一边类型包括如下至少一种：上边on、下边contain。
[0115]
上边，上边包括从待测车辆指向第一节点的边；下边，下边包括从第一节点指向待测车辆的边。
[0116]
第二边类型包括如下至少一种：左边left、右边right、前边pre和后边suc。
[0117]
右边，右边包括当待测车辆可从第一节点通过左变道到第二节点，从待测车辆指向第二节点的边；左边，左边包括当待测车辆可从第一节点通过右变道到第二节点，从第二节点指向待测车辆的边；前边，前边包括当第一节点是第二节点的前驱，从待测车辆指向第二节点的边；后边，后边包括当第一节点是第二节点的后驱，从第二节点指向待测车辆的边。
[0118]
在一种可能的实现中，以图1所示的应用场景图为基础，图5为本技术实施例提供的车道分段异质图示意图。如图5所示：方框1代表车辆1(待测车辆)，方框2、方框3和方框4分别代表其他车辆，即车辆2、车辆3和车辆4；圆圈代表车道分段，即分段1、分段2、分段3、分段4、分段5、分段6、分段7、分段8和分段9。上述车辆和分段所在的点统称为节点。
[0119]
其中，车辆2处于分段1上，车辆3处于分段6上，车辆4处于分段9上，车辆1处于分段3上。
[0120]
可选的，在本技术实施例中，第一节点为分段3，第二节点为分段4和分段5，车辆1为待测车辆对应的节点。
[0121]
具体的，如图5所示：由于受地图交通规则中不可翻越的线(图1中较粗线阻隔)，车辆2与分段1和分段2的边包含有上边、下边、前边和后边。
[0122]
车辆1与分段3、车辆3与分段6、车辆4与分段9之间包含上边和下边。
[0123]
进一步地，分段3与分段5和分段4包含左边、右边、前边和后边，分段4与分段3、分段6和分段7包含左边、右边、前边和后边，分段6与分段4、分段5、分段7和分段8包含左边、右边、前边和后边，分段8与分段6和分段9包含左边、右边、前边和后边，分段5与分段3和分段6包含左边、右边、前边和后边，分段7与分段4和分段6包含左边、右边、前边和后边，分段9与分段8包含前边和后边。
[0124]
可选的，在图5中，待测车辆的边指：起始车辆1指向分段3，分段3指向分段4和分段5的特征生成的任意边，即上述两种边类型。
[0125]
进一步地，边特征e
<i，j>
可以包括：分段3与车辆1的相对角度、分段3与车辆1的相对距离、分段4和分段5与分段3的相对角度、分段4和分段5与分段3的相对距离。
[0126]
其中，i为待测车辆，即车辆1；j为分段，即分段3、分段4和分段5。
[0127]
应理解：图5中表示车辆节点和道路节点以及边的异质图，而不代表节点之间的真实方位关系。
[0128]
步骤42、根据待测车辆的车辆特征、预设范围内的环境特征中的第一节点和第二节点对应的环境特征、待测车辆的边特征，确定待测车辆在第二预设时间内的行驶轨迹。
[0129]
在本步骤中，由上述步骤已经确定出了影响待测车辆的其他车辆和道路的分段的特征，以及待测车辆与其他车辆和分段的边特征，进一步的进行下述处理，便可以确定出待测车辆在第二预设时间内的行驶轨迹。
[0130]
在一种可能的实现中，可以通过如下步骤实现：
[0131]
第1步、将待测车辆的车辆特征输入至第一预设神经网络模型中，得到待测车辆的节点特征，第一预设神经网络模型用于提取车辆特征中的初始特征；
[0132]
可选的，对待测车辆的车辆特征进行初始特征feature的提取操作，得到待测车辆的节点特征，其公式可以是：
[0133]
v
ii
＝encode(v
i
)
[0134]
其中，提取操作可以通过将待测车辆的车辆特征v
i
输入至第一预设神经网络模型中得到。
[0135]
第2步、将第一节点和第二节点对应的环境特征输入至第二预设神经网络模型中，得到第一节点和第二节点的节点特征，第二预设神经网络模型用于提取环境特征中的初始特征；
[0136]
可选的，对第一节点和第二节点的环境特征进行初始特征的提取操作，即将第一节点和第二节点的环境特征分别输入至第二预设神经网络模型中，得到第一节点和第二节点的节点特征，其公式可以是：
[0137]
s
jj
＝encode(s
j
)
[0138]
应理解，在一些场景下，不存在第二节点，即待测车辆处于的第一节点的周围无其他分段；或第二节点与其他车辆有关，即与待测车辆处于的第一节点相邻的第二节点上有其他车辆。
[0139]
第3步、将待测车辆的边特征输入至第三预设神经网络模型中，得到目标边特征，第三预设神经网络模型用于提取目标边特征中的初始特征；
[0140]
可选的，对上述待测车辆的边特征进行初始特征的提取操作，即将待测车辆的边特征分别输入至第三预设神经网络模型中，得到目标边特征，其公式可以是：
[0141]
e
1<i，j>
＝encode(e
<i，j>
)
[0142]
上述的第一预设神经网络模型、第二预设神经网络模型和第三预设神经网络模型可以是用户预先训练好的递归神经网络(recurrent neural networks，rnns)、卷积神经网络(convolutional neural networks，cnns)、多层神经网络(multi
‑
layer perceptron，mlp)中的任意一个。
[0143]
第4步、根据待测车辆的节点特征、第一节点的节点特征、第二节点的节点特征和目标边特征，确定待测车辆在第二预设时间内的行驶轨迹。
[0144]
在一种可能的实现中，该步骤可以通过以下步骤实现：
[0145]
首先，在每个边类型下，对待测车辆的节点特征、第一节点的节点特征和目标边特征进行聚合处理，得到待测车辆在各个边类型下对应的聚合值；
[0146]
可选的，在待测车辆所涉及的各个边类型中，以车辆1指向分段3为例，涉及的边为上边，即左边对应的聚合值为：
[0147][0148]
其中，v
ii
为待测车辆的节点特征，s
jj
为分段3的节点特征，e
1<i，j>
为车辆1指向分段
3的目标边特征，f
t
( )可以是任意输入为v
ii
，s
jj
，e
1<i，j>
的函数，例如attention神经网络，agg
t
( )可以是任意聚合函数，如attention神经网络、简单求和等，表示除左边以外的其他边类型。
[0149]
进一步地，上个步骤可以得到不同类型边的n
i
值的集合u
i
。
[0150]
其次，将各个边类型下对应的聚合值和待测车辆的车辆特征进行聚合处理，得到待测车辆的预测值；
[0151]
在该步骤中，对集合u
i
中的多个n
i
和待测车辆的车辆特征进行聚合处理，即待测车辆的预测值的公式为：
[0152]
f
i
＝agg(v
i
，n
i
)
[0153]
可选的，该步骤具体实现过程为：1、将集合u
i
中的第1个n
i
和v
i
输入agg函数，得到第1个f
i
；2、将集合u
i
中的第2个n
i
和第1个f
i
输入agg函数，得到第2个f
i
，循环执行到集合u
i
中最后1个n
i
，得到的最后1个f
i
，即为待测车辆的预测值。
[0154]
最后，将待测车辆的预测值输入至第四预设神经网络模型，得到待测车辆在第二预设时间内的行驶轨迹。
[0155]
可选的，该第四预设神经网络模型用于对待测车辆的预测值进行解码，得到行驶轨迹p
i
，其公式为：
[0156]
p
i
＝decode(f
i
)
[0157]
其中decode(第四预设神经网络模型)可以为任意结构的预测模型，例如rnns，mlp等。
[0158]
可选的，经过解码之后，得到的p
i
为第二预设时间内的多条轨迹，可以是k为待测车辆的运行轨迹的数量。
[0159]
进一步地，对于每个运行轨迹其公式为：
[0160][0161]
其中，针对表示第二预设时间内c时刻待测车辆的第k条运行轨迹的二维坐标，原点为待测车辆当前时刻的坐标。
[0162]
本技术实施例提供的车辆轨迹的确定方法，通过在车道分段异质图中，根据待测车辆对应的节点、第一节点和第二节点，确定待测车辆的边特征，并根据待测车辆的车辆特征、预设范围内的环境特征中的第一节点和第二节点对应的环境特征、待测车辆的边特征，确定待测车辆在第二预设时间内的行驶轨迹，该技术方案中，从影响待测车辆到车道的分段和其他车辆对应节点的边特征出发，提高了车辆轨迹的预测准确度。
[0163]
在上述方法实施例的基础上，图6为本技术实施例提供的车辆轨迹的确定装置的结构示意图。如图6所示，该车辆轨迹的确定装置包括：获取模块61、处理模块62和显示模块63。
[0164]
获取模块61，用于获取第一预设时间内待测车辆的车辆特征和其他车辆的车辆特征，其他车辆为以待测车辆为中心的预设范围内的车辆，并获取以待测车辆为中心的预设范围内的环境特征，其中，车辆的车辆特征包括车辆的位置数据，环境特征包括车道各个分
段的坐标信息和各个分段的转向类型；
[0165]
处理模块62，用于基于车道分段异质图，待测车辆的车辆特征、其他车辆的车辆特征和环境特征，确定待测车辆在第二预设时间内的行驶轨迹，第一预设时间在第二预设时间之前，车道分段异质图是以待测车辆、其他车辆和各个分段为节点建立的车辆
‑
分段关系图；
[0166]
显示模块63，用于显示行驶轨迹。
[0167]
在本技术实施例一种可能的设计中，处理模块62，具体用于：
[0168]
在车道分段异质图中，根据待测车辆对应的节点、第一节点和第二节点，确定待测车辆的边特征，第一节点为待测车辆所在的车道的节点，第二节点为第一节点相邻的车道的节点，边特征包括：第一边类型的边特征和第二边类型的边特征，第一边类型的边特征包括如下至少一种：第一节点与待测车辆对应的节点的相对角度、第一节点与待测车辆对应的节点的相对距离，第二边类型的边特征包括如下至少一种：第二节点与第一节点的相对角度、第二节点与第一节点的相对距离，边类型包括：第一边类型和第二边类型，第一边类型为待测车辆与第一节点之间的边的类型，第二边类型为第一节点与第二节点之间的边的类型；
[0169]
根据待测车辆的车辆特征、预设范围内的环境特征中的第一节点和第二节点对应的环境特征、待测车辆的边特征，确定待测车辆在第二预设时间内的行驶轨迹。
[0170]
在该种可能的设计中，处理模块62，根据待测车辆的车辆特征、第一节点和第二节点对应的环境特征和待测车辆的边特征，确定待测车辆在第二预设时间内的行驶轨迹，具体用于：
[0171]
将待测车辆的车辆特征输入至第一预设神经网络模型中，得到待测车辆的节点特征，第一预设神经网络模型用于提取车辆特征中的初始特征；
[0172]
将第一节点对应的环境特征输入至第二预设神经网络模型中，得到第一节点和第二节点的节点特征，第二预设神经网络模型用于提取节点特征中的初始特征；
[0173]
将待测车辆的边特征输入至第三预设神经网络模型中，得到目标边特征，第三预设神经网络模型用于提取目标边特征中的初始特征；
[0174]
根据所述待测车辆的节点特征、所述第一节点的节点特征、所述第二节点的节点特征和所述目标边特征，确定所述待测车辆在第二预设时间内的行驶轨迹。
[0175]
可选的，处理模块62，根据所述待测车辆的节点特征、所述第一节点的节点特征、所述第二节点的节点特征和所述目标边特征，确定所述待测车辆在第二预设时间内的行驶轨迹，具体用于：
[0176]
在每个边类型下，对待测车辆的节点特征、第一节点的节点特征和目标边特征进行聚合处理，得到待测车辆在各个边类型下对应的聚合值；
[0177]
将各个边类型下对应的聚合值和待测车辆的车辆特征进行聚合处理，得到待测车辆的预测值；
[0178]
将待测车辆的预测值输入至第四预设神经网络模型，得到待测车辆在第二预设时间内的行驶轨迹。
[0179]
可选的，第一边类型包括如下至少一种：
[0180]
上边，上边包括从待测车辆指向第一节点的边；
[0181]
下边，下边包括从第一节点指向待测车辆的边。
[0182]
可选的，第二边类型包括如下至少一种：
[0183]
右边，右边包括当待测车辆可从第一节点通过左变道到第二节点，从待测车辆指向第二节点的边；
[0184]
左边，左边包括当待测车辆可从第一节点通过右变道到第二节点，从第二节点指向待测车辆的边；
[0185]
前边，前边包括当第一节点是第二节点的前驱，从待测车辆指向第二节点的边；
[0186]
后边，后边包括当第一节点是第二节点的后驱，从第二节点指向待测车辆的边。
[0187]
本技术实施例提供的车辆轨迹的确定装置，可用于执行上述实施例中车辆轨迹的确定方法对应的技术方案，其实现原理和技术效果类似，在此不再赘述。
[0188]
需要说明的是，应理解以上车辆轨迹的确定装置中各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
[0189]
图7为本技术实施例提供的电子设备的结构示意图。如图7所示，该电子设备可以包括：处理器70、存储器71及存储在该存储器71上并可在处理器70上运行的计算机程序指令。
[0190]
处理器70执行存储器71存储的计算机执行指令，使得处理器70执行上述实施例中的方案。处理器70可以是通用处理器，包括中央处理器cpu、网络处理器(network processor，np)等；还可以是数字信号处理器dsp、专用集成电路asic、现场可编程门阵列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。
[0191]
可选的，该电子设备还可以包括：收发器72和显示器73。
[0192]
存储器71、收发器72和显示器73通过系统总线与处理器70连接并完成相互间的通信，存储器71用于存储计算机程序指令。
[0193]
收发器72用于和其设备进行通信，该收发器72构成通信接口。
[0194]
可选的，在硬件实现上，上述图6所示实施例中的获取模块61对应于本实施例中的收发器72。上述图6所示实施例中的显示模块63对应于本实施例中的显示器73。
[0195]
在一种可能的实现中，该电子设备还可以包括：显示器73，该显示器73用于显示待测车辆的行驶轨迹。
[0196]
系统总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0197]
应理解，电子设备可以是电脑、平板、ecu等。
[0198]
本技术实施例提供的电子设备，可用于执行上述实施例中车辆轨迹的确定方法对应的技术方案，其实现原理和技术效果类似，在此不再赘述。
[0199]
本技术实施例还提供一种运行指令的芯片，该芯片用于执行上述实施例中车辆轨迹的确定方法的技术方案。
[0200]
本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行上述实施例中车辆轨迹的确定方法的技术方案。
[0201]
本技术实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时用于执行上述实施例中车辆轨迹的确定方法的技术方案。
[0202]
上述的计算机可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
[0203]
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。