一种轨迹预测模型训练样本的修正方法、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，具体涉及轨迹预测模型的训练样本修复方法。


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，预测轨迹真值会出现曲率过大或突变等异常情况。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。


技术实现要素：

4.为了解决训练样本真值出现曲率过大或突变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修正，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轨迹预测模型训练样本的修正方法，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；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；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作为待修复训练样本；删除待修复训练样本对应追踪轨迹中的异常轨迹点；对删除的异常轨迹点进行插值修复。
6.为实现上述目的，本发明实施例还提供一种轨迹预测模型训练样本的修正装置，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，用于遍历所有轨迹点，计算轨迹点的曲率；第二计算模块，用于遍历所有轨迹点，计算相邻轨迹点的曲率变化量；筛选模块，用于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；删除模块，用于删除待修复训练样本对应追踪轨迹中的异常轨迹点；修复模块，对删除的异常轨迹点进行插值修复。
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轨迹预测模型训练样本的修正方法的步骤。
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，以实现所述的轨迹预测模型训练样本的修正方法的步骤。
9.本发明有益效果：本发明的轨迹预测模型训练样本的修正方法，针对预测轨迹真值曲率发生异常的训练样本，采用插值的方法对异常轨迹点进行位置、速度、形状、加速度等特征的修正，修复错误的真值，提升模型的线上表现，减少由于训练样本自身质量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的轨迹预测模型训练样本的修正方法流程图；图2为实施例2的轨迹预测模型训练样本的修正装置流程图。
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本实施例提供一种轨迹预测模型训练样本的修正方法，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，遍历所有轨迹点，计算每个轨迹点的曲率，并计算每两个相邻轨迹点的曲率变化量。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，两个相邻轨迹点的曲率相减取绝对值得到该两个相邻轨迹点的曲率变化量。
18.步骤105，将计算得到的每个轨迹点的曲率分别与预设的曲率阈值进行比较，并将计算的每相邻两个轨迹点的曲率变化量与预设的曲率变化量阈值进行比较，标记异常轨迹点，即曲率绝对值大于曲率阈值的轨迹点或曲率存在突变的轨迹点（即曲率变化量大于曲率变化量阈值的相邻两个轨迹点中的后一个轨迹点），并筛选出异常轨迹点对应的训练样本作为待修复训练样本。
19.步骤106，将筛选出的待修复训练样本对应追踪轨迹中的异常轨迹点删除。
20.步骤107，对删除的异常轨迹点进行插值修复。具体插值修复方法包括：当删除的异常轨迹点为单轨迹点，且其前、后轨迹点均为正确轨迹点时，对该异常轨迹点的前、后轨迹点的真值取平均进行插值修复，从而对异常轨迹点的位置、速度、形状、加速度等特征进行修正。
21.当删除的异常轨迹点为连续多个轨迹点，且其前、后轨迹点均为正确轨迹点时，计算待修复轨迹点的个数，确定步长，对该连续的多个异常轨迹点的前、后轨迹点的真值取平均，按照步长对各个轨迹点进行插值修复，从而对异常轨迹点的位置、速度、形状、加速度等特征进行修正。
22.当删除的异常轨迹点为单轨迹点，且其前、后轨迹点正确真值缺失，通过外插值的方法进行插值修复，从而对异常轨迹点的位置、速度、形状、加速度等特征进行修正。
23.当删除的异常轨迹点为连续多个轨迹点，且其前、后轨迹点正确真值缺失，将相应训练样本删除。
24.步骤108，获取下一个训练样本，重复上述步骤102-107，直到遍历完所有训练样本。
25.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。通过将曲率大于曲率阈值或曲率存在突变的异常轨迹点从训练样本中删除，并根据删除的异常轨迹点的情况分类进行插值修复，得到更平滑的追踪轨迹，提高训练样本的质量，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。
26.实施例2本实施例提供一种轨迹预测模型训练样本的修正装置，如图2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、筛选模块6、删除模块7、修复模块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遍历所有轨迹点，计算每一个轨迹点的曲率。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曲率变化量。筛选模块6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作为待修复训练样本。具体的，筛选模块6将每个轨迹点的曲率分别与预设的曲率阈值进行比较，并将每相邻两个轨迹点的曲率变化量与预设的曲率变化量阈值进行比较，标记异常轨迹点，即曲率绝对值大于曲率
阈值的轨迹点或曲率存在突变的轨迹点（即曲率变化量大于曲率变化量阈值的相邻两个轨迹点中的后一个轨迹点），并筛选出异常轨迹点对应的训练样本作为待修复训练样本。删除模块7将待修复训练样本对应的追踪轨迹中的异常轨迹点删除，以便修复模块8对删除的异常轨迹点进行插值修复。
27.其中，当删除的异常轨迹点为单轨迹点，且其前、后轨迹点均为正确轨迹点时，修复模块对该异常轨迹点的前、后轨迹点的真值取平均进行插值修复；当删除的异常轨迹点为连续多个轨迹点，且其前、后轨迹点均为正确轨迹点时，修复模块计算待修复轨迹点的个数，确定步长，对该连续多个异常轨迹点的前、后轨迹点的真值取平均，按照步长对各个轨迹点进行插值修复；当删除的异常轨迹点为单轨迹点，且其前、后轨迹点正确真值缺失，修复模块通过外插值的方法进行插值修复；当删除的异常轨迹点为连续多个轨迹点，且其前、后轨迹点正确真值缺失，修复模块将相应训练样本删除。
28.实施例3本实施例提供一种装置，包括存储器、处理器以及存储在上述存储器上并可在处理器上运行的程序，上述程序被上述处理器执行时实现上述实施例中的轨迹预测模型训练样本的修正方法的步骤。
29.实施例4本实施例提供一种存储介质，上述存储介质存储有至少一个程序，上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轨迹预测模型训练样本的修正方法的步骤。
30.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，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。