一种意图识别方法、装置、电子设备及计算机可读介质与流程

1.本技术涉及计算机技术领域，尤其涉及一种意图识别方法、装置、电子设备及计算机可读介质。


背景技术：

2.目前，车辆与弱势道路使用者(vilnerable road users，vrus)之间的交通事故频发。大多数移动的目标对象保护系统着眼于对移动的目标对象的检测和跟踪，而通过进一步对移动的目标对象进行运动预测从而减小碰撞风险的研究较少。
3.在实现本技术过程中，发明人发现现有技术中至少存在如下问题：
4.对移动的目标对象的意图预测不准确。


技术实现要素：

5.有鉴于此，本技术实施例提供一种意图识别方法、装置、电子设备及计算机可读介质，能够解决现有的对移动的目标对象的意图预测不准确的问题。
6.为实现上述目的，根据本技术实施例的一个方面，提供了一种意图识别方法，包括：
7.接收意图识别请求，获取意图识别请求中的障碍物行为信息；
8.调用动态贝叶斯网络，确定前一时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率和确定动态贝叶斯网络中各节点的状态转移概率；
9.根据意图识别后验概率和各节点的状态转移概率，确定当前时刻动态贝叶斯网络中的意图节点对应的意图识别先验概率；
10.根据障碍物行为信息对意图识别先验概率进行更新，进而得到当前时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率；
11.根据预设的意图识别概率与意图的对应关系，确定意图识别后验概率对应的意图。
12.可选地，在调用动态贝叶斯网络之前，意图识别方法还包括：
13.获取历史时刻障碍物行为信息对应的观测变量集合；
14.基于预设的障碍物行为信息与条件变量的对应关系，确定障碍物行为信息对应的条件变量集合；
15.获取历史时刻障碍物行为信息对应的意图；
16.将条件变量集合中的各条件变量作为网络中的隐节点，将观测变量集合中的各观测变量作为网络中的观测变量节点，将历史时刻障碍物行为信息对应的意图作为网络中的意图节点，进而根据每一时刻获取的障碍物行为信息对应的观测变量更新对应的隐节点，进而基于更新的隐节点更新对应的意图节点，以构建得到动态贝叶斯网络。
17.可选地，在接收意图识别请求之前，意图识别方法还包括：
18.响应于确定检测到当前位置位于预设的路口区域，获取位于预设的路口区域的障
碍物行为信息；
19.基于障碍物行为信息，生成意图识别请求。
20.可选地，获取意图识别请求中携带的障碍物行为信息，包括：
21.获取意图识别请求中携带的障碍物与车辆的最小距离、障碍物与路口的相对纵向距离、障碍物朝向角度、障碍物肢体动作发生概率和障碍物在当前时刻或前一时刻是否曾发生肢体动作。
22.可选地，意图识别方法还包括：
23.根据障碍物在当前时刻和前一时刻是否曾发生肢体动作，确定隐节点中的非连续对象关联因素节点对应的状态转移概率。
24.可选地，根据意图识别后验概率和各节点的状态转移概率，确定当前时刻动态贝叶斯网络中的意图节点对应的意图识别先验概率，包括：
25.根据各节点的状态转移概率的乘积确定所有节点的转移概率；
26.根据所有节点的转移概率和意图识别后验概率，确定当前时刻动态贝叶斯网络中的意图节点对应的意图识别先验概率。
27.可选地，根据障碍物行为信息对意图识别先验概率进行更新，包括：
28.根据障碍物行为信息和条件概率，计算得到状态后验概率；
29.对状态后验概率求和，进而更新意图识别先验概率，以得到当前时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率。
30.另外，本技术还提供了一种意图识别装置，包括：
31.接收单元，被配置成接收意图识别请求，获取意图识别请求中携带的障碍物行为信息；
32.状态转移概率确定单元，被配置成调用动态贝叶斯网络，以确定前一时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率和确定动态贝叶斯网络中各节点的状态转移概率；
33.先验概率确定单元，被配置成根据意图识别后验概率和各节点的状态转移概率，确定当前时刻动态贝叶斯网络中的意图节点对应的意图识别先验概率；
34.后验概率确定单元，被配置成根据障碍物行为信息对意图识别先验概率进行更新，进而得到当前时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率；
35.意图识别单元，被配置成根据预设的意图识别概率与意图的对应关系，确定意图识别后验概率对应的意图。
36.可选地，意图识别装置还包括动态贝叶斯网络构建单元，被配置成：
37.获取历史时刻障碍物行为信息对应的观测变量集合；
38.基于预设的障碍物行为信息与条件变量的对应关系，确定障碍物行为信息对应的条件变量集合；
39.获取历史时刻障碍物行为信息对应的意图；
40.将条件变量集合中的各条件变量作为网络中的隐节点，将观测变量集合中的各观测变量作为网络中的观测变量节点，将历史时刻障碍物行为信息对应的意图作为网络中的意图节点，进而根据每一时刻获取的障碍物行为信息对应的观测变量更新对应的隐节点，进而基于更新的隐节点更新对应的意图节点，以构建得到动态贝叶斯网络。
41.可选地，意图识别装置还包括请求生成单元，被配置成：
42.响应于确定检测到当前位置位于预设的路口区域，获取位于预设的路口区域的障碍物行为信息；
43.基于障碍物行为信息，生成意图识别请求。
44.可选地，接收单元进一步被配置成：
45.获取意图识别请求中携带的障碍物与车辆的最小距离、障碍物与路口的相对纵向距离、障碍物朝向角度、障碍物肢体动作发生概率和障碍物在当前时刻或前一时刻是否曾发生肢体动作。
46.可选地，状态转移概率确定单元进一步被配置成：
47.根据障碍物在当前时刻和前一时刻是否曾发生肢体动作，确定隐节点中的非连续对象关联因素节点对应的状态转移概率。
48.可选地，先验概率确定单元进一步被配置成：
49.根据各节点的状态转移概率的乘积确定所有节点的转移概率；
50.根据所有节点的转移概率和意图识别后验概率，确定当前时刻动态贝叶斯网络中的意图节点对应的意图识别先验概率。
51.可选地，后验概率确定单元进一步被配置成：
52.根据障碍物行为信息和条件概率，计算得到状态后验概率；
53.对状态后验概率求和，进而更新意图识别先验概率，以得到当前时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率。
54.另外，本技术还提供了一种意图识别电子设备，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，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述的意图识别方法。
55.另外，本技术还提供了一种计算机可读介质，其上存储有计算机程序，程序被处理器执行时实现如上述的意图识别方法。
56.上述发明中的一个实施例具有如下优点或有益效果：本技术通过接收意图识别请求，获取意图识别请求中携带的障碍物行为信息；调用动态贝叶斯网络，确定前一时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率和动态贝叶斯网络中的各节点的状态转移概率，根据意图识别后验概率和各节点的状态转移概率，确定当前时刻动态贝叶斯网络中的意图节点对应的意图识别先验概率；根据障碍物行为信息对意图识别先验概率进行更新，得到当前时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率；根据预设的意图识别概率与意图的对应关系，确定意图识别后验概率对应的意图。从而可以实现对在路口的障碍物的意图进行准确的识别。
57.上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
58.附图用于更好地理解本技术，不构成对本技术的不当限定。其中：
59.图1是根据本技术第一实施例的意图识别方法的主要流程的示意图；
60.图2是根据本技术第二实施例的意图识别方法的主要流程的示意图；
61.图3是根据本技术第三实施例的意图识别方法的应用场景示意图；
62.图4是本技术实施例的动态贝叶斯网络示意图；
63.图5是本技术实施例的某时刻意图推断过程流程图；
64.图6是根据本技术实施例的意图识别装置的主要单元的示意图；
65.图7是本技术实施例可以应用于其中的示例性系统架构图；
66.图8是适于用来实现本技术实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
67.以下结合附图对本技术的示范性实施例做出说明，其中包括本技术实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本技术的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
68.图1是根据本技术第一实施例的意图识别方法的主要流程的示意图，如图1所示，意图识别方法包括：
69.步骤s101，接收意图识别请求，获取意图识别请求中携带的障碍物行为信息。
70.本实施例中，意图识别方法的执行主体(例如，可以是服务器)可以通过有线连接或无线连接的方式，接收意图识别请求。具体地，该意图识别请求可以是对位于路口的障碍物的意图进行识别的请求。具体地，本技术实施例中，障碍物可以是移动的目标对象，例如可以是骑车人或者是行人。障碍物行为信息，例如可以是骑车人的手势、骑车人的抬臂动作、骑车人与路口的距离、骑车人与自车的最小距离、骑车人的躯干朝向角度等信息。路口，可以是十字路口、可以是三岔路口、可以是学校门口的路口等。
71.本技术实施例中，以障碍物为移动的目标对象为例：具体地，在接收意图识别请求之前，意图识别方法还包括：
72.执行主体响应于确定检测到当前位置位于预设的路口区域，获取位于预设的路口区域的障碍物行为信息；基于障碍物行为信息，生成意图识别请求。例如，当智能汽车检测到当前位于路口区域且检测到附近存在移动的目标对象等障碍物时，可以获取移动的目标对象等障碍物的行为信息，并基于获取的行为信息生成对移动的目标对象等障碍物进行意图识别的请求。其中，行为信息可以包括移动的目标对象等障碍物是否抬臂、是否摆动头部等动作的信息。
73.具体地，获取意图识别请求中的障碍物行为信息，包括：
74.获取意图识别请求中的障碍物与车辆的最小距离、障碍物与路口的相对纵向距离、障碍物朝向角度、障碍物肢体动作发生概率和障碍物在当前时刻或前一时刻是否曾发生肢体动作。
75.示例的，可以是获取意图识别请求中的移动的目标对象与自车的最小距离、移动的目标对象与路口的相对纵向距离、移动的目标对象朝向角度、移动的目标对象肢体动作发生概率和移动的目标对象在当前时刻或前一时刻是否曾发生肢体动作。
76.其中，移动的目标对象与自车的最小距离：移动的目标对象与存在碰撞风险的车辆按照当前时刻各自的速度向前行驶时的最小距离，作为动态环境因素h
dyn
的观测量，是连
续变量。该特征假设移动的目标对象与自车均按照恒定速度前进。虽然在实际转向时移动的目标对象的速度并非恒定,但该特征仍然能为判断情形的危险程度提供有价值的信息，提高对移动的目标对象意图判断的准确性。具体地，动态环境因素h
dyn
：定义移动的目标对象与自车之间是否存在潜在碰撞风险的变量，是隐变量，是离散变量，取值集合为{0,1}，分别表示无碰撞风险和有碰撞风险。
77.移动的目标对象与路口的相对纵向距离：路口区域是相对固定的，移动的目标对象只有在进入路口区域才可能进行转向动作，而未进入之前会保持原有运动状态，作为静态环境因素h
stat
的观测量。静态环境因素h
stat
：定义移动的目标对象是否处在路口区域内的变量，是隐变量，是离散变量，是连续变量。取值集合为{0,1}，分别表示移动的目标对象未处在路口区域和移动的目标对象处在路口区域。
78.移动的目标对象朝向角度：定义经标准化后的多任务检测器输出的移动的目标对象躯干朝向角度，表示以检测到该移动的目标对象的第一帧朝向角度为0度而建立的移动的目标对象固定坐标系中移动的目标对象的朝向角度。具体是通过对自车坐标进行旋转平移，当检测到该移动的目标对象的第一帧相对自车的朝向角度为0时，建立移动的目标对象固定坐标系，执行主体可以把该坐标系中的角度值(即移动的目标对象朝向角度)作为连续对象因素h
actc
的观测量。移动的目标对象的躯干朝向角度可表征移动的目标对象的目的地。连续对象因素h
actc
：定义移动的目标对象目的地的变量，是隐变量，是离散变量。取值集合为{0,1,2}，分别表示移动的目标对象目的地在正前方、左侧和右侧。
79.移动的目标对象肢体动作发生概率：定义由多任务检测器输出的移动的目标对象抬臂概率，该值越接近1，则表征移动的目标对象抬臂概率越大，作为非连续对象因素h
actd
的观测量，是连续变量。移动的目标对象的抬臂动作可表征移动的目标对象是否利用手势指明其意图。非连续对象因素h
actd
：定义移动的目标对象是否抬臂的变量，是隐变量，离散变量。取值集合为{0,1}，分别表示未抬臂和抬臂。
80.移动的目标对象在当前时刻或前一时刻是否曾发生肢体动作：用以定义移动的目标对象是否在当前时刻或之前时刻曾抬臂过的变量，是隐变量，是离散变量，是非连续对象关联因素h
actded
的观测量。非连续对象关联因素h
actded
：定义移动的目标对象是否在当前时刻或之前时刻曾抬臂过的变量，是隐变量，是离散变量。取值集合为{0,1}，分别表示未抬臂(前一时刻未抬臂或当前时刻未抬臂或前一时刻以及当前时刻均为抬臂)和曾抬臂(当前时刻抬臂且前一时刻曾抬臂)。该非连续对象关联因素变量作为非连续对象因素的记录，转移概率关系是前一时刻非连续对量关联因素与当前时刻非连续对象因素节点布尔值之间的逻辑或关系。
81.以上观测量对应用来解释移动的目标对象意图的关键因素，需要执行主体在每一时刻根据传感器数据进行更新。
82.具体地，意图识别方法还包括：
83.根据障碍物在当前时刻和前一时刻是否曾发生肢体动作，确定隐节点中的非连续对象关联因素节点对应的状态转移概率。
84.具体地，隐节点对应的是在动态贝叶斯网络中的条件变量集合对应的各节点。其中，条件变量集合h代表与移动的目标对象意图相关的因素，例如，动态环境因素h
dyn
、静态环境因素h
stat
、连续对象因素h
actc
、非连续对象因素h
actd
以及非连续对象关联因素h
actded
。
85.隐节点中的非连续对象关联因素节点对应的状态转移概率具体可以通过如下公式得到：p(h
tactded
|h
t
‑
1actded
,h
tactd
)。p(h
tactded
|h
t
‑
1actded
,h
tactd
)代表h
tactd
和h
tactded
|h
t
‑
1actded
共同发生的概率。其中h
tactded
|h
t
‑
1actded
发生的概率为在h
t
‑
1actded
发生的条件下，h
tactded
发生的概率。
86.p(h
tactded
|h
t
‑
1actded
,h
tactd
)中，h
t
‑
1actded
代表在t
‑
1时刻(也可以理解为当前时刻的前一时刻)的非连续对象关联因素，h
tactded
代表在t时刻(也可以理解为当前时刻)的非连续对象关联因素，h
tactd
代表在t时刻(也可以理解为当前时刻)的非连续对象因素，h
t
‑
1actd
代表在t
‑
1时刻(也可以理解为当前时刻的前一时刻)的非连续对象因素。
87.步骤s102，调用动态贝叶斯网络，以确定前一时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率和确定动态贝叶斯网络中各节点的状态转移概率。
88.步骤s103，根据意图识别后验概率和各节点的状态转移概率，确定当前时刻动态贝叶斯网络中的意图节点对应的意图识别先验概率。
89.具体地，在调用动态贝叶斯网络之前，意图识别方法还包括构建动态贝叶斯网络。具体构建步骤如下：
90.获取历史时刻障碍物行为信息对应的观测变量集合o，其中观测变量集合o＝{o
dyn
，o
stat
，o
actd
，o
actc
}，其中，移动的目标对象与自车的最小距离o
dyn
：定义移动的目标对象与自车按照各自当前时刻速度向前行驶时的最小距离d
min
,是动态环境因素h
dyn
对应的观测变量，是连续变量。实际取值区间为[
‑
10，20]m。移动的目标对象与路口纵向距离o
stat
：定义移动的目标对象与路口的相对纵向距离d
ti
，是静态环境因素h
stat
对应的观测变量，是连续变量。实际取值区间为[
‑
10，20]m。移动的目标对象抬臂概率o
actd
：定义由多任务检测器输出的移动的目标对象抬臂概率p
ar
,是非连续对象因素h
actd
对应的观测变量，是连续变量。取值区间为[0,1]，指检测器输出的移动的目标对象抬臂动作的得分值，得分越接近1，抬臂的概率越大。移动的目标对象躯干朝向角度o
actc
：定义经标准化后的多任务检测器输出的移动的目标对象躯干朝向角度，是连续对象因素h
actc
对应的观测变量，是连续变量。取值区间为[0
°
，360
°
)，表示以检测到该移动的目标对象的第一帧朝向角度为0度而建立的移动的目标对象固定坐标系中移动的目标对象的朝向角度。
[0091]
基于预设的障碍物行为信息与条件变量的对应关系，确定障碍物行为信息对应的条件变量集合h，其中，条件变量集合h＝{h
dyn
，h
stat
，h
actd
，h
actded
，h
actc
}。
[0092]
其中，动态环境因素h
dyn
：定义移动的目标对象与自车之间是否存在潜在碰撞风险的变量，隐变量，离散变量。取值集合为{0,1},分别表示无碰撞风险和有碰撞风险。静态环境因素h
stat
：定义移动的目标对象是否处在路口区域内的变量，隐变量，离散变量。取值集合为{0,1}，分别表示未处在路口区域和处在路口区域。非连续对象因素h
actd
：定义移动的目标对象是否抬臂的变量，隐变量，离散变量。取值集合为{0,1}，分别表示未抬臂和抬臂。非连续对象关联因素h
actded
：定义移动的目标对象是否在当前时刻或之前时刻曾抬臂过的变量，隐变量，离散变量。取值集合为{0,1}，分别表示未抬臂和曾抬臂。该变量作为非连续对象因素的记录，转移概率关系是h
t
‑
1actded
与h
tactded
节点布尔值之间的逻辑或关系。连续对象因素h
actc
：定义移动的目标对象目的地的变量，隐变量，离散变量。取值集合为{0,1,2}，分别表示移动的目标对象目的地在正前方、左侧和右侧。
[0093]
获取历史时刻(例如t
‑
1时刻)障碍物行为信息对应的意图g
t
‑1。示例的，移动的目
标对象意图g：定义移动的目标对象意图的变量，隐变量，离散变量。取值集合为{0,1,2}，分别表示移动的目标对象在路口的意图为直行、左转和右转。
[0094]
将条件变量集合中的各条件变量作为网络中的隐节点h
t
‑
1actd
、h
t
‑
1actded
、h
t
‑
1actc
、h
t
‑
1dyn
、h
t
‑
1stat
、h
tactd
、h
tactded
、h
tactc
、h
tdyn
、h
tstat
，将观测变量集合中的各观测变量作为网络中的观测变量节点o
t
‑
1actd
、o
t
‑
1actc
、o
t
‑
1dyn
、o
t
‑
1stat
、o
tactd
、o
tactc
、o
tdyn
、o
tstat
，将历史时刻障碍物行为信息对应的意图g
t
‑1以及当前时刻的意图g
t
分别作为网络中的意图节点，将历史时刻(例如t
‑
1时刻)的各隐节点分别与历史时刻障碍物行为信息对应的意图节点g
t
‑1相连，并由各隐节点指向意图节点g
t
‑1，将历史时刻各隐节点分别与对应的观测变量节点相连，并由历史时刻的各隐节点指向对应的观测变量节点，当前时刻隐节点、观测变量节点以及意图节点也参照历史时刻的设置进行设置，在此不再赘述，并且，将历史时刻的各隐节点分别指向当前时刻(例如t时刻)的同一隐节点并相连(例如h
t
‑
1actd
指向h
tactd
、h
t
‑
1actded
指向h
tactded
、h
t
‑
1actc
指向h
tactc
、h
t
‑
1dyn
指向h
tdyn
、h
t
‑
1stat
指向h
tstat
并相连)将历史时刻的意图节点指向当前时刻的意图节点并相连(例如g
t
‑1指向g
t
并相连，表示g
t
也取决于g
t
‑1)，以构建得到如图4所示的动态贝叶斯网络，其中，t
‑
1代表历史时刻，t代表当前时刻。进而根据每一时刻获取的障碍物行为信息对应的观测变量更新当前时刻所对应的隐节点，进而基于更新的当前时刻的隐节点以及历史时刻的各隐节点、观测变量节点和意图节点来更新当前时刻所对应的意图节点，从而确定当前时刻障碍物的意图，例如可以是移动的目标对象(可以是骑车人)的意图。
[0095]
本实施例通过基于之前对移动的目标对象(可以是骑车人)行为相关因素的分析，将意图影响因素作为动态贝叶斯网络中的隐节点，将意图影响因素对应的观测量作为动态贝叶斯网络中的观测变量。根据每一时刻接收到的观测量，更新对应的隐变量，由隐变量决定移动的目标对象(可以是骑车人)意图节点的概率分布，构建了动态贝叶斯网络，可以基于构建的该动态贝叶斯网络实现对移动的目标对象的意图进行快速、准确的识别。
[0096]
在如图4所示的动态贝叶斯网络中，对应条件变量集合中的所有隐节点的转移概率关系为：
[0097][0098]
其中，t代表t时刻，可以用于表征当前时刻；t
‑
1代表t
‑
1时刻，也就是t时刻的前一时刻，可以用于表征当前时刻的前一时刻，也即历史时刻。
[0099]
上述公式中，p(h
t
|h
t
‑1)代表的是条件概率，也就是代表在h
t
‑1发生的条件下，h
t
发生的概率。p(h
tdyn
|h
t
‑
1dyn
)代表在h
t
‑
1dyn
发生的条件下，h
tdyn
发生的概率。p(h
tstat
|h
t
‑
1stat
)代表在h
t
‑
1stat
发生的条件下，h
tstat
发生的概率。p(h
tactded
|h
t
‑
1actded
,h
tactd
)代表h
tactd
和h
tactded
|h
t
‑
1actded
共同发生的概率。其中h
tactded
|h
t
‑
1actded
发生的概率为在h
t
‑
1actded
发生的条件下，h
tactded
发生的概率。p(h
tactd
|h
t
‑
1actd
)代表在h
t
‑
1actd
发生的条件下，h
tactd
发生的概率。p(h
tactc
|h
t
‑
1actc
)代表在h
t
‑
1actc
发生的条件下，h
tactc
发生的概率。其中，h
t
‑
1dyn
代表在t
‑
1时刻(也可以理解为当前时刻的前一时刻)的动态环境因素；h
tdyn
代表在t时刻(也可以理解为当前时刻)的动态环境因素。h
t
‑
1stat
代表在t
‑
1时刻(也可以理解为当前时刻的前一时刻)的静态环境因素；h
tstat
代表在t时刻(也可以理解为当前时刻)的静态环境因素。h
t
‑
1actded
代表在t
‑
1时
刻(也可以理解为当前时刻的前一时刻)的非连续对象关联因素，h
tactded
代表在t时刻(也可以理解为当前时刻)的非连续对象关联因素，h
tactd
代表在t时刻(也可以理解为当前时刻)的非连续对象因素，h
t
‑
1actd
代表在t
‑
1时刻(也可以理解为当前时刻的前一时刻)的非连续对象因素。h
t
‑
1actc
代表在t
‑
1时刻(也可以理解为当前时刻的前一时刻)的连续对象因素；h
tactc
代表在t时刻(也可以理解为当前时刻)的连续对象因素。
[0100]
前一时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率可以直接获取。执行主体可以根据获取的前一时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率以及计算得到的各节点的状态转移概率p(h
t
|h
t
‑1)来计算得到当前时刻动态贝叶斯网络中的意图节点对应的意图识别联合先验分布即为当前时刻动态贝叶斯网络中的意图节点对应的意图识别先验概率，具体可以通过下式计算得到：
[0101][0102]
其中，g
t
可以表示t时刻也就是当前时刻的意图，g
t
‑1可以表示t
‑
1时刻也就是当前时刻的前一时刻的意图，h
t
可以表示t时刻也就是当前时刻的条件变量集合，h
t
‑1可以表示t
‑
1时刻也就是当前时刻的前一时刻的条件变量集合。p(g
t
|g
t
‑1,h
t
)代表h
t
发生以及在g
t
‑1发生的条件下g
t
发生，h
t
以及g
t
|g
t
‑1这二者共同发生的概率。p(h
t
|h
t
‑1)代表各节点的状态转移概率。p(g
t
‑1，h
t
‑1)代表前一时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率。
[0103]
步骤s104，根据障碍物行为信息对意图识别先验概率进行更新，进而得到当前时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率。
[0104]
本实施例中，动态贝叶斯网络可被视为一个前向滤波过程，在接收到每一时刻的观测量时，可更新各变量的概率分布，从而完成意图推断过程。意图推断过程采用假定密度滤波方法(assuned density filtering,adf)作为推断工具。意图推断过程可以分为预测和更新两个过程。某时刻(例如当前时刻，也即t时刻)的意图推断过程如图5所示，基于上一时刻(即t
‑
1时刻)的联合后验分布根据固定转移概率p(h
t
|h
t
‑1)可得到该时刻的状态先验分布再根据该时刻获取的观测量(例如图5中所示的t时刻获取观测量和条件概率p(o
t
|h
t
)得到该时刻的状态后验分布进而基于该时刻的状态后验分布来得到该时刻(例如可以是当前时刻，例如t时刻)动态贝叶斯网络中的意图节点对应的意图识别后验概率
[0105]
其中，预测过程包括如下步骤：
[0106]
具体地，根据障碍物行为信息对意图识别先验概率进行更新，包括：
[0107]
根据障碍物行为信息和条件概率，计算得到状态后验概率；
[0108]
对状态后验概率求和，进而更新意图识别先验概率，以得到当前时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率。
[0109]
本实施例中，预测过程是通过上一时刻的后验分布和固定转移概率预测该时刻的先验分布。基于上一时刻联合后验分布根据转移概率p(h
t
|h
t
‑1)可计算得
到该时刻的联合先验分布并加和得到边缘分布即该时刻(例如可以是当前时刻，即t时刻)的状态先验分布。
[0110]
具体地，当前时刻的边缘分布的计算过程如下式所示：
[0111][0112][0113]
其中，代表意图识别联合先验分布概率，g
t
可以表示t时刻也就是当前时刻的意图，g
t
‑1可以表示t
‑
1时刻也就是当前时刻的前一时刻的意图，h
t
可以表示t时刻也就是当前时刻的条件变量集合，h
t
‑1可以表示t
‑
1时刻也就是当前时刻的前一时刻的条件变量集合。p(h
t
|h
t
‑1)代表转移概率，代表上一时刻联合后验分布。
[0114]
然后，执行主体可以根据观测变量和条件概率关系计算得到该时刻(例如可以是当前时刻，即t时刻)的状态后验概率
[0115]
其中，条件概率可以由如下公式得到(公式中的t代表t时刻)：
[0116]
p
t
(o
t
|h
t
)＝p(o
tdyn
|h
tdyn
)
×
p(o
tstat
|h
tstat
)
×
p(o
tactd
|h
tactd
)
×
p(o
tactc
|h
tactc
)。
[0117]
其中，p(o
tdyn
|h
tdyn
)表示在h
tdyn
发生的条件下，o
tdyn
发生的概率。h
tdyn
表示的是t时刻(也就是当前时刻)的动态环境因素。o
tdyn
表示的是t时刻(也就是当前时刻)动态环境因素对应的观测变量，即t时刻(也就是当前时刻)移动的目标对象与自车的最小距离。p(o
tstat
|h
tstat
)表示的是在h
tstat
发生的条件下，o
tstat
发生的概率。p(o
tactd
|h
tactd
)表示的是在h
tactd
发生的条件下，o
tactd
发生的概率。p(o
tactc
|h
tactc
)表示的是在h
tactc
发生的条件下，o
tactc
发生的概率。h
tstat
表示的是t时刻(也就是当前时刻)的静态环境因素。o
tstat
表示的是t时刻(也就是当前时刻)静态环境因素对应的观测变量，即t时刻(也就是当前时刻)移动的目标对象与路口的纵向距离。h
tactd
表示的是t时刻(也就是当前时刻)的非连续对象因素。o
tactd
表示的是t时刻(也就是当前时刻)非连续对象因素对应的观测变量，即t时刻(也就是当前时刻)的移动的目标对象抬臂概率。h
tactc
表示的是t时刻(也就是当前时刻)的连续对象因素。o
tactc
表示的是t时刻(也就是当前时刻)连续对象因素对应的观测变量，即t时刻(也就是当前时刻)的移动的目标对象躯干朝向角度。
[0118]
具体地，该时刻(例如可以是当前时刻，即t时刻)状态后验概率：
[0119][0120]
其中，公式中各字母的含义已在前述步骤中进行了说明，在此不再赘述。
[0121]
对上述状态后验概率求和，以执行更新过程，进而更新意图识别先验概率，以得到当前时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率。更新过程是根据该时刻(例如可以是当前时刻，即t时刻)的观测变量更新该时刻的后验分布。基于预测过程中得到的联合先验分布根据观测变量和条件概率关系可计算得到该时刻的联合后验分布并加和得到节点g的后验分布具体可以是通过下式计算得到：
[0122]
当前时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率为：
[0123][0124]
其中，g
t
可以表示t时刻也就是当前时刻的意图，h
t
可以表示t时刻也就是当前时刻的条件变量集合。
[0125]
步骤s105，根据预设的意图识别概率与意图的对应关系，确定意图识别后验概率对应的意图。
[0126]
具体地，意图可以是移动的目标对象在路口的意图为直行、左转和右转。
[0127]
本技术实施例中，移动的目标对象意图变量g节点与各条件变量及上一时刻g节点之间存在着概率关系。即存在条件概率关系p(g
t
|g
t
‑1，h
tdyn
，h
tstat
，h
tactd
，h
tactded
，h
tactc
)，可简写为p(g
t
|g
t
‑1，h
t
)。
[0128]
综上，动态贝叶斯网络中存在三类概率关系，条件变量的状态转移条件概率p(h
t
|h
t
‑1)，意图变量与条件变量之间的条件概率关系p(g
t
|g
t
‑1，h
t
)，作为移动的目标对象意图的解释模型，条件变量与观测变量间的条件概率关系p(o
t
|h
t
)，作为移动的目标对象意图的描述模型。进而基于当前时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率和移动的目标对象意图的描述模型来准确确定移动的目标对象的意图。
[0129]
本实施例通过接收意图识别请求，获取意图识别请求中的障碍物行为信息；调用动态贝叶斯网络，以确定前一时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率和各节点的状态转移概率，进而根据意图识别后验概率和各节点的状态转移概率，确定当前时刻动态贝叶斯网络中的意图节点对应的意图识别先验概率；根据障碍物行为信息对意图识别先验概率进行更新，进而得到当前时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率；根据预设的意图识别概率与意图的对应关系，确定意图识别后验概率对应的意图。从而可以实现对在路口的移动的目标对象的意图进行准确的识别。
[0130]
图2是根据本技术第二实施例的意图识别方法的主要流程示意图，如图2所示，意图识别方法包括：
[0131]
步骤s201，接收意图识别请求，获取意图识别请求中携带的障碍物行为信息。
[0132]
步骤s202，调用动态贝叶斯网络，确定前一时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率和确定所述动态贝叶斯网络中各节点的状态转移概率。
[0133]
步骤s203，根据意图识别后验概率和各节点的状态转移概率，确定当前时刻动态贝叶斯网络中的意图节点对应的意图识别先验概率。
[0134]
步骤s201～步骤s203的原理与步骤s101～步骤s103的原理类似，此处不再赘述。
[0135]
具体地，步骤s203还可以通过步骤s2031～步骤s2032来实现：
[0136]
步骤s2031，根据各节点的状态转移概率的乘积确定所有节点的转移概率。
[0137]
具体地，在动态贝叶斯网络中，对应条件变量集合中的所有隐节点的转移概率关系为：
[0138][0139]
其中，t代表t时刻，可以用于表征当前时刻；t
‑
1代表t
‑
1时刻，也就是t时刻的前一
时刻，可以用于表征当前时刻的前一时刻。
[0140]
上述公式中，p(h
t
|h
t
‑1)代表的是条件概率，也就是代表在h
t
‑1发生的条件下，h
t
发生的概率。p(h
tdyn
|h
t
‑
1dyn
)代表在h
t
‑
1dyn
发生的条件下，h
tdyn
发生的概率。p(h
tstat
|h
t
‑
1stat
)代表在h
t
‑
1stat
发生的条件下，h
tstat
发生的概率。p(h
tactded
|h
t
‑
1actded
,h
tactd
)代表h
tactd
和h
tactded
|h
t
‑
1actded
共同发生的概率。其中h
tactded
|h
t
‑
1actded
发生的概率为在h
t
‑
1actded
发生的条件下，h
tactded
发生的概率。p(h
tactd
|h
t
‑
1actd
)代表在h
t
‑
1actd
发生的条件下，h
tactd
发生的概率。p(h
tactc
|h
t
‑
1actc
)代表在h
t
‑
1actc
发生的条件下，h
tactc
发生的概率。其中，h
t
‑
1dyn
代表在t
‑
1时刻(也可以理解为当前时刻的前一时刻)的动态环境因素；h
tdyn
代表在t时刻(也可以理解为当前时刻)的动态环境因素。h
t
‑
1stat
代表在t
‑
1时刻(也可以理解为当前时刻的前一时刻)的静态环境因素；h
tstat
代表在t时刻(也可以理解为当前时刻)的静态环境因素。h
t
‑
1actded
代表在t
‑
1时刻(也可以理解为当前时刻的前一时刻)的非连续对象关联因素，h
tactded
代表在t时刻(也可以理解为当前时刻)的非连续对象关联因素，h
tactd
代表在t时刻(也可以理解为当前时刻)的非连续对象因素，h
t
‑
1actd
代表在t
‑
1时刻(也可以理解为当前时刻的前一时刻)的非连续对象因素。h
t
‑
1actc
代表在t
‑
1时刻(也可以理解为当前时刻的前一时刻)的连续对象因素；h
tactc
代表在t时刻(也可以理解为当前时刻)的连续对象因素。
[0141]
步骤s2032，根据所有节点的转移概率p(h
t
|h
t
‑1)和历史时刻(例如t
‑
1时刻)对应的意图识别后验概率确定当前时刻动态贝叶斯网络中的意图节点对应的意图识别先验概率。
[0142]
具体地，当前时刻的前一时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率可以直接获取。执行主体可以根据获取的当前时刻(也就是t时刻)的前一时刻(也就是t
‑
1时刻)动态贝叶斯网络中的意图节点对应的意图识别后验概率以及计算得到的各节点的状态转移概率p(h
t
|h
t
‑1)来计算得到当前时刻动态贝叶斯网络中的意图节点对应的意图识别联合先验分布具体可以通过下式计算得到：
[0143][0144]
其中，g
t
可以表示t时刻也就是当前时刻的意图，g
t
‑1可以表示t
‑
1时刻也就是当前时刻的前一时刻的意图，h
t
可以表示t时刻也就是当前时刻的条件变量集合，h
t
‑1可以表示t
‑
1时刻也就是当前时刻的前一时刻的条件变量集合。p(g
t
|g
t
‑1,h
t
)代表h
t
发生以及在g
t
‑1发生的条件下g
t
发生，h
t
以及g
t
|g
t
‑1这二者共同发生的概率。p(h
t
|h
t
‑1)代表各节点的状态转移概率。p(g
t
‑1，h
t
‑1)代表前一时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率。
[0145]
本实施例通过各节点的转移概率以及历史时刻对应的意图识别后验概率来初步确定当前时刻动态贝叶斯网络中的意图节点对应的意图识别先验概率，以为最终要得到的当前时刻的意图识别后验概率做好准备，以便于准确确定出当前时刻的意图识别后验概率。
[0146]
步骤s204，根据障碍物行为信息对意图识别先验概率进行更新，进而得到当前时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率。
[0147]
步骤s205，根据预设的意图识别概率与意图的对应关系，确定意图识别后验概率对应的意图。
[0148]
步骤s204～步骤s205的原理与步骤s104～步骤s105的原理类似，此处不再赘述。
[0149]
本技术实施例中，观测变量的分布函数是根据移动的目标对象数据库中所标注的训练数据分布情况确定相应的经验分布函数，所有分布函数的参数均通过最大似然估计(maximum likelihood estimation,mle)算法得到，混合高斯分布的参数由最大化期望(expectation maximization,em)算法确定。示例的，具体的选择如下：
[0150]
1)在动态环境状态条件下，移动的目标对象与自车的最小距离的概率分布符合伽马分布(gamma distribution)，分布函数的参数包括形状参数a和尺度参数b。
[0151]
具体地，
[0152]
2)在静态环境状态条件下，移动的目标对象与路口的纵向距离的概率分布符合混合高斯分布(mixture of m gaussians distribution)。根据样本数据，d
ti
存在多种模式，选取当h
stat
＝false时，m＝2，当h
stat
＝ture时,m＝1,混合高斯分布的参数包括均值μ
(k)
，方差σ
(k)
和混合权重
[0153]
具体地，
[0154]
3)在非连续对象状态h
actd
条件下，移动的目标对象抬臂概率par的概率分布p(o
actd
|h
actd
)符合贝塔分布(beta distribution)，分布函数的参数包括α和β：
[0155]
具体地，
[0156]
4)在连续对象状态h
actd
条件下，移动的目标对象躯干朝向角度θ
body
的概率分布p(o
actc
|h
actc
)符合韦布尔分布(weibull distribution)，参数包括λ和k。
[0157]
具体地，
[0158]
移动的目标对象意图变量g节点与各条件变量及上一时刻g节点之间存在着概率关系。即存在条件概率关系p(g
t
|g
t
‑1，h
tdyn
，h
tstat
，h
tactd
，h
tactded
，h
tactc
),可简写为p(g
t
|g
t
‑1，h
t
)。
[0159]
综上，动态贝叶斯网络中存在三类概率关系，条件变量的状态转移条件概率p(h
t
|h
t
‑1)，意图变量与条件变量之间的条件概率关系p(g
t
|g
t
‑1，h
t
)，作为移动的目标对象意图的解释模型，条件变量与观测变量间的条件概率关系p(o
t
|h
t
)，作为移动的目标对象意图的描述模型。
[0160]
图3是根据本技术第三实施例的意图识别方法的应用场景示意图。本技术实施例的意图识别方法，可以应用于移动的目标对象与自动驾驶车辆在路口相遇时，对移动的目标对象的骑车意图进行预测的场景。如图3所示，服务器303接收意图识别请求301，获取意图识别请求301中携带的障碍物行为信息302。服务器303调用动态贝叶斯网络304，以确定前一时刻动态贝叶斯网络304中的意图节点对应的意图识别后验概率305和确定所述动态贝叶斯网络中各节点的状态转移概率306。根据意图识别后验概率305和各节点的状态转移概率306，确定当前时刻动态贝叶斯网络304中的意图节点对应的意图识别先验概率307。服务器303根据障碍物行为信息302对意图识别先验概率307进行更新，进而得到当前时刻动态贝叶斯网络304中的意图节点对应的意图识别后验概率308。服务器303根据预设的意图识别概率与意图的对应关系309，确定意图识别后验概率308对应的意图310。
[0161]
本技术实施例基于意图识别相关的障碍物(例如可以是移动的目标对象)多元特征，提出了基于动态贝叶斯网络的障碍物意图识别方法，用于推断路口场景中障碍物的穿行意图。本技术实施例提出了一种基于动态贝叶斯网络的障碍物意图识别方法。从动态环境、静态环境和对象因素三个角度选取影响障碍物意图的因素，设计了以上述三个因素作为隐变量，障碍物与自车的最小距离、障碍物躯干朝向等特征作为相应的观测变量的动态贝叶斯网络。在动态贝叶斯网络的基础上，给出了隐变量与观测变量之间的条件概率关系以及障碍物意图的推断方法，用于路口场景下障碍物的意图识别。
[0162]
图6是根据本技术实施例的意图识别装置的主要单元的示意图。如图6所示，意图识别装置包括接收单元601、先验概率确定单元602、后验概率确定单元603和意图识别单元604。
[0163]
接收单元601，被配置成接收意图识别请求，获取意图识别请求中的障碍物行为信息。
[0164]
状态转移概率确定单元602，被配置成调用动态贝叶斯网络，以确定前一时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率和各节点的状态转移概率。
[0165]
先验概率确定单元603，被配置成根据意图识别后验概率和各节点的状态转移概率，确定当前时刻动态贝叶斯网络中的意图节点对应的意图识别先验概率。
[0166]
后验概率确定单元604，被配置成根据障碍物行为信息对意图识别先验概率进行更新，进而得到当前时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率。
[0167]
意图识别单元605，被配置成根据预设的意图识别概率与意图的对应关系，确定意图识别后验概率对应的意图。
[0168]
在一些实施例中，意图识别装置还包括图6中未示出的动态贝叶斯网络构建单元，被配置成：获取历史时刻障碍物行为信息对应的观测变量集合；基于预设的障碍物行为信息与条件变量的对应关系，确定障碍物行为信息对应的条件变量集合；获取历史时刻障碍物行为信息对应的意图；将条件变量集合中的各条件变量作为网络中的隐节点，将观测变量集合中的各观测变量作为网络中的观测变量节点，将历史时刻障碍物行为信息对应的意图作为网络中的意图节点，进而根据每一时刻获取的障碍物行为信息对应的观测变量更新对应的隐节点，进而基于更新的隐节点更新对应的意图节点，以构建得到动态贝叶斯网络。
[0169]
在一些实施例中，意图识别装置还包括图6中未示出的请求生成单元，被配置成：响应于确定检测到当前位置位于预设的路口区域，获取位于预设的路口区域的障碍物行为信息；基于障碍物行为信息，生成意图识别请求。
[0170]
在一些实施例中，接收单元601进一步被配置成：获取意图识别请求中携带的障碍物与车辆的最小距离、障碍物与路口的相对纵向距离、障碍物朝向角度、障碍物肢体动作发生概率和障碍物在当前时刻或前一时刻是否曾发生肢体动作。
[0171]
在一些实施例中，状态转移概率确定单元602进一步被配置成：根据障碍物在当前时刻和前一时刻是否曾发生肢体动作，确定隐节点中的非连续对象关联因素节点对应的状态转移概率。
[0172]
在一些实施例中，先验概率确定单元603进一步被配置成：根据各节点的状态转移概率的乘积确定所有节点的转移概率；根据所有节点的转移概率和意图识别后验概率，确定当前时刻动态贝叶斯网络中的意图节点对应的意图识别先验概率。
[0173]
在一些实施例中，后验概率确定单元604进一步被配置成：根据障碍物行为信息和条件概率，计算得到状态后验概率；对状态后验概率求和，进而更新意图识别先验概率，以得到当前时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率。
[0174]
需要说明的是，在本技术意图识别方法和意图识别装置在具体实施内容上具有相应关系，故重复内容不再说明。
[0175]
图7示出了可以应用本技术实施例的意图识别方法或意图识别装置的示例性系统架构700。
[0176]
如图7所示，系统架构700可以包括终端设备701、702、703，网络704和服务器705。网络704用以在终端设备701、702、703和服务器705之间提供通信链路的介质。网络704可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0177]
用户可以使用终端设备701、702、703通过网络704与服务器705交互，以接收或发送消息等。终端设备701、702、703上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
[0178]
终端设备701、702、703可以是具有意图识别处理屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
[0179]
服务器705可以是提供各种服务的服务器，例如对用户利用终端设备701、702、703所提交的意图识别请求提供支持的后台管理服务器(仅为示例)。后台管理服务器可以接收意图识别请求，获取意图识别请求中携带的障碍物行为信息；调用动态贝叶斯网络，以确定前一时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率和确定动态贝叶斯网络中各节点的状态转移概率。根据意图识别后验概率和各节点的状态转移概率，确定当前时刻动态贝叶斯网络中的意图节点对应的意图识别先验概率；根据障碍物行为信息对意图识别先验概率进行更新，进而得到当前时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率；根据预设的意图识别概率与意图的对应关系，确定意图识别后验概率对应的意图。从而可以实现对在路口的障碍物的意图进行准确的识别。
[0180]
需要说明的是，本技术实施例所提供的意图识别方法一般由服务器705执行，相应地，意图识别装置一般设置于服务器705中。
[0181]
应该理解，图7中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
[0182]
下面参考图8，其示出了适于用来实现本技术实施例的终端设备的计算机系统800的结构示意图。图8示出的终端设备仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0183]
如图8所示，计算机系统800包括中央处理单元(cpu)801，其可以根据存储在只读存储器(rom)802中的程序或者从存储部分808加载到随机访问存储器(ram)803中的程序而执行各种适当的动作和处理。在ram803中，还存储有计算机系统800操作所需的各种程序和数据。cpu801、rom802以及ram803通过总线804彼此相连。输入|输出(i|o)接口805也连接至总线804。
[0184]
以下部件连接至i|o接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(crt)、液晶征信授权查询处理器(lcd)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分809。通信部分
809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至i|o接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
[0185]
特别地，根据本技术公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本技术公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和|或从可拆卸介质811被安装。在该计算机程序被中央处理单元(cpu)801执行时，执行本技术的系统中限定的上述功能。
[0186]
需要说明的是，本技术所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0187]
附图中的流程图和框图，图示了按照本技术各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0188]
描述于本技术实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括接收单元、状态转移概率确定单元、先验概率确定单元、后验概率确定单元和意图识别单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
[0189]
作为另一方面，本技术还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算
机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备接收意图识别请求，获取意图识别请求中携带的障碍物行为信息；调用动态贝叶斯网络，以确定前一时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率和确定动态贝叶斯网络中各节点的状态转移概率。根据意图识别后验概率和各节点的状态转移概率，确定当前时刻动态贝叶斯网络中的意图节点对应的意图识别先验概率；根据障碍物行为信息对意图识别先验概率进行更新，进而得到当前时刻动态贝叶斯网络中的意图节点对应的意图识别后验概率；根据预设的意图识别概率与意图的对应关系，确定意图识别后验概率对应的意图。
[0190]
根据本技术实施例的技术方案，可以实现对在路口的障碍物的意图进行准确的识别。
[0191]
上述具体实施方式，并不构成对本技术保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本技术的精神和原则之内所作的修改、等同替换和改进等，均应包含在本技术保护范围之内。