一种基于深度学习模型的轨迹预测去噪方法、装置及存储介质与流程

1.本发明属于无人车轨迹预测领域，具体涉及基于深度学习模型的轨迹预测技术。


背景技术：

2.基于深度学习模型的轨迹预测技术是目前主流的轨迹预测技术。轨迹预测模型的训练样本主要有两大类表示方法，一种是数据以图像或者点云作为训练样本，另一种是先对道路交通参与者的轨迹及地图元素进行矢量化，如waymo行为预测算法vectornet，通过图数据结构存储作为训练样本。相较于前者，矢量化的数据解释性更强，有利于构造特征，同时对于模型来说计算成本更小。因此，本文主要研究的是使用矢量化训练样本的深度学习模型。
3.对于轨迹预测模型而言，训练数据主要由三部分构成：待预测车辆(agent)，待预测车辆周围障碍物(actor)，地图元素(lane graph)。对于预测任务来说，一般选取待预测车辆与待预测车辆周围障碍物历史x秒轨迹及待预测车辆周围的地图元素作为输入，选取待预测车辆未来y秒轨迹作为真值（gt，ground truth），来训练神经网络。在轨迹预测模型训练中发现，预测轨迹会出现勾圈、逆向等异常情况。这种轨迹会导致下游模块的误判，造成点刹或者接管，影响无人车表现。通过人工抽样筛查样本发现，由于感知或者追踪不稳定，有大约16%的训练样本，存在真值抖动的问题，这使得模型在训练时就拟合了错误的真值。


技术实现要素：

4.为了解决训练样本真值抖动导致轨迹预测模型在训练时拟合错误真值的问题，本发明提出一种方法，通过对训练样本进行去噪，提升轨迹预测模型的稳定性。
5.为实现上述目的，本发明实施例提供一种基于深度学习模型的轨迹预测去噪方法，其特征在于包括：从轨迹预测训练样本集中获取训练样本；从训练样本中获取追踪轨迹数据；从追踪轨迹数据中解析得到轨迹真值对应的所有轨迹点；计算追踪轨迹的起点与终点的欧氏距离；遍历所有轨迹点，计算相邻轨迹点的欧氏距离并求和；根据起点与终点的欧氏距离以及相邻轨迹点的欧氏距离的和计算抖动值，将抖动值大于抖动阈值的训练样本从轨迹预测训练样本集中删除。
6.为实现上述目的，本发明实施例还提供一种基于深度学习模型的轨迹预测去噪装置，其特征在于包括：训练样本提取模块，用于从轨迹预测训练样本集中获取训练样本；追踪轨迹数据提取模块，用于从训练样本中获取追踪轨迹数据；
轨迹解析模块，用于从追踪轨迹数据中解析得到轨迹真值对应的所有轨迹点；第一计算模块，用于计算追踪轨迹的起点与终点的欧氏距离；第二计算模块，用于遍历所有轨迹点，计算相邻轨迹点的欧氏距离并求和；第三计算模块，用于根据起点与终点的欧氏距离以及相邻轨迹点的欧氏距离的和计算抖动值；比较模块，用于将抖动值与抖动阈值进行比较；过滤模块，用于将抖动值大于抖动阈值的训练样本从轨迹预测训练样本集中删除。
7.为实现上述目的，本发明实施例还提供一种装置，包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序，其特征在于所述程序被所述处理器执行时实现所述的基于深度学习模型的轨迹预测去噪方法的步骤。
8.为实现上述目的，本发明实施例还提供一种存储介质，其特征在于所述存储介质存储有至少一个程序，所述至少一个程序可被至少一个处理器执行，以实现所述的基于深度学习模型的轨迹预测去噪方法的步骤。
9.本发明有益效果：本发明基于深度学习模型的轨迹预测去噪方法，可以有效地对训练数据进行清洗，筛选出高质量的训练样本，从而减少由于训练样本自身质量问题引发的模型预测问题，提升轨迹预测的准确性和稳定性。
附图说明
10.图1为实施例1的基于深度学习模型的轨迹预测去噪方法流程图；图2为实施例2的基于深度学习模型的轨迹预测去噪方法流程图；图3为实施例3的基于深度学习模型的轨迹预测去噪装置结构框图；图4为实施例4的基于深度学习模型的轨迹预测去噪装置结构框图；图5为实施例4中筛选模块的结构框图。
具体实施方式
11.下面将参照附图更详细地描述本发明的实施例。应当理解的是，本技术的附图及实施例仅用于示例性作用，并非用于限制本技术的保护范围。
12.实施例1本实施例提供一种基于深度学习模型的轨迹预测去噪方法，如图1所示，包括：步骤101，从基于深度学习的轨迹预测模型的训练样本集中获取训练样本。训练样本主要由以下数据构成：待预测车辆与待预测车辆周围障碍物历史x秒轨迹、待预测车辆周围的地图元素及待预测车辆未来y秒轨迹，其中待预测车辆与待预测车辆周围障碍物历史x秒轨迹、待预测车辆周围的地图元素作为轨迹预测模型的输入，待预测车辆未来y秒轨迹作为轨迹预测模型的真值输出。
13.通过接口 get_agent_ids()，可以获得数据库中所有训练样本的追踪轨迹id，追踪轨迹id与训练样本一一对应，从而获取对应的训练样本。
14.步骤102，从训练样本中获取追踪轨迹数据，即待预测车辆未来y秒轨迹数据。
15.通过向接口 get_track_by_id() 输入追踪轨迹id，可以从数据库中返回训练样本对应的追踪轨迹数据。
16.步骤103，从训练样本的追踪轨迹数据中，利用现有解析方法解析得到轨迹真值对应的所有轨迹点。
17.步骤104，计算追踪轨迹的起点与终点的欧氏距离，记为traj_len。
18.步骤105，遍历训练样本的所有轨迹点，计算每两个相邻轨迹点的欧氏距离并求和，记为perimeter。
19.步骤106，根据起点与终点的欧氏距离以及相邻轨迹点的欧氏距离的和计算抖动值score，将抖动值大于抖动阈值的训练样本从轨迹预测训练样本集中删除。
20.步骤107，获取下一个训练样本，重复上述步骤101-106，直到遍历完所有训练样本。
21.其中score=perimeter/traj_len，对于平滑的轨迹，抖动值应接近1，抖动值过大，表明预测轨迹出现异常情况，对应的训练样本的质量偏低。抖动阈值的设定可以根据轨迹追踪的期望目标进行合理设置。通过将抖动值大于抖动阈值的训练样本从轨迹预测训练样本集中删除，即删除存在轨迹真值抖动的质量不高的训练样本，对训练样本集进行了去躁、清洗，使得模型在训练时不会拟合错误的真值，减少由于训练样本自身质量问题引发的模型预测问题，从而提升轨迹预测的准确性和稳定性。
22.本实施例的基于深度学习模型的轨迹预测去噪方法，主要应用于自动驾驶技术中的行为或轨迹预测模组，对于前沿的基于深度学习技术开发的预测模型，往往需要特定形式的输入。特别是在模型训练阶段，对于动态不断扩充的自采数据，能够获取正确可用的训练和测试样本，可以更好地从数据侧提升预测模型的预测轨迹质量。
23.实施例2本实施例提供一种基于深度学习模型的轨迹预测去噪方法，包括实施例1步骤101-107，如图2所示，在步骤107对训练样本进行清洗、删除存在轨迹真值抖动值的训练样本后，进一步包括：步骤108，对于轨迹预测训练样本集中每个剩余训练样本，获取追踪轨迹数据，并解析得到轨迹真值对应的所有轨迹点，遍历所有轨迹点，计算轨迹点的曲率及相邻轨迹点的曲率变化量。
24.其中，各轨迹点的曲率计算以每相邻3个轨迹点为一组确定一个圆进行计算，每两个相邻轨迹点的曲率相减取绝对值得到曲率变化量。
25.步骤109，筛选出轨迹点曲率绝对值大于曲率阈值或轨迹点曲率存在突变的训练样本。
26.步骤109具体包括：设定曲率阈值及曲率变化量阈值，将轨迹点的曲率绝对值与曲率阈值进行比较，将相邻轨迹点的曲率变化量与曲率变化量阈值进行比较，当相邻轨迹点的曲率变化量大于曲率变化量阈值，判定轨迹点曲率存在突变。当出现某个轨迹点的曲率绝对值大于曲率阈值，或出现某两个相邻轨迹点的曲率变化量大于曲率变化量阈值，即轨迹点曲率存在突变时，会影响轨迹预测模型预测效果。本实施例将筛选出的轨迹真值曲率过大或存在突变的训练样本放入待修复训练样本集，用于修复，从而可以进一步减少由于训练样本自身质量问题引发的模型预测问题，提升轨迹预测的准确性和稳定性。曲率阈值
和曲率变化量阈值可以根据轨迹追踪的期望目标进行合理设置。
27.实施例3本实施例提供一种基于深度学习模型的轨迹预测去噪装置，如图3所示，包括训练样本提取模块1、追踪轨迹数据提取模块2、轨迹解析模块3、第一计算模块4、第二计算模块5、第三计算模块6、比较模块7、过滤模块8。训练样本提取模块1从轨迹预测训练样本集中获取训练样本输入追踪轨迹数据提取模块2，追踪轨迹数据提取模块2从训练样本中获取追踪轨迹数据输入轨迹解析模块3，轨迹解析模块3利用现有技术从追踪轨迹数据中解析得到轨迹真值对应的所有轨迹点。第一计算模块4读取追踪轨迹的起点和终点数据，计算起点与终点的欧氏距离。第二计算模块5遍历所有轨迹点，计算每两个相邻轨迹点的欧氏距离并进行求和。第三计算模块6输入起点与终点的欧氏距离以及相邻轨迹点的欧氏距离的和，采用如下公式计算抖动值：score=perimeter/traj_len，其中score表示抖动值，traj_len表示起点与终点的欧氏距离，perimeter表示相邻轨迹点的欧氏距离的和。比较模块7输入计算得到的抖动值，将其与抖动阈值进行比较，比较结果输入过滤模块8。当某个训练样本的轨迹真值抖动值大于抖动阈值，过滤模块8根据该训练样本的追踪轨迹id获取对应的训练样本，将抖动值大于抖动阈值的训练样本从轨迹预测训练样本集中删除。
28.实施例4本实施例提供一种基于深度学习模型的轨迹预测去噪装置，包括实施例3的训练样本提取模块1、追踪轨迹数据提取模块2、轨迹解析模块3、第一计算模块4、第二计算模块5、第三计算模块6、比较模块7、过滤模块8，如图4所示，还包括第四计算模块9、第五计算模块10、筛选模块11。经过过滤模块8对存在轨迹真值抖动的训练样本进行清洗后，本实施例复用训练样本提取模块1从剩余训练样本集中获取训练样本，复用追踪轨迹数据提取模块2获取上述训练样本的追踪轨迹数据，复用轨迹解析模块3解析得到上述训练样本轨迹真值对应的所有轨迹点，然后第四计算模块遍历上述所有轨迹点，计算轨迹点的曲率，第五计算模块10遍历上述所有轨迹点，将相邻轨迹点的曲率相减取绝对值得到相邻轨迹点曲率变化量，最后筛选模块11筛选出轨迹点曲率绝对值过大或轨迹点曲率存在突变的训练样本，放入待修复训练样本集，用于修复，从而可以进一步减少由于训练样本自身质量问题引发的模型预测问题，提升轨迹预测的准确性和稳定性。
29.如图5，筛选模块11包括第一比较单元1101，用于将轨迹点的曲率绝对值与曲率阈值进行比较；第二比较单元1102，用于将相邻轨迹点的曲率变化量与曲率变化量阈值进行比较，当相邻轨迹点的曲率变化量大于曲率变化量阈值，判定轨迹点曲率存在突变；第一比较单元1101和第二比较单元1102输出比较结果到筛选单元1103，筛选单元1103提取轨迹点曲率绝对值大于曲率阈值或轨迹点曲率存在突变的训练样本，放入待修复训练样本集，用于修复。
30.实施例5本实施例提供一种装置，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的程序，所述程序被所述处理器执行时实现上述实施例中的基于深度学习模型的轨迹预测去噪方法的步骤。
31.实施例6本实施例提供一种存储介质，所述存储介质存储有至少一个程序，所述至少一个
程序可被至少一个处理器执行，以实现上述实施例中的基于深度学习模型的轨迹预测去噪方法的步骤。
32.本领域普通技术人员可以理解：以上所述仅为本技术的优选实施例，并不用于限制本技术，尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本技术的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。