一种车辆轨迹预测方法、装置和计算机存储介质与流程
1.本技术涉及车辆控制技术领域，特别涉及一种车辆轨迹预测方法、装置和计算机存储介质。
背景技术：
2.在车辆的自动驾驶中，需要先对车辆自动驾驶的轨迹进行预测，以便于车辆基于预测的轨迹进行自动驾驶控制；现有技术中，预测车辆轨迹的方式常见为：基于运动限制模型进行轨迹预测或基于深度学习进行轨迹预测。
3.其中，基于运动限制模型进行轨迹预测的方法对于车辆数据采集的精度依赖较高；基于深度学习进行轨迹预测的方法其并未考虑环境对于车辆行驶的影响，从而导致车辆轨迹预测的抗噪能力较差，轨迹预测结果准确度也不足。
技术实现要素：
4.针对现有技术的上述问题，本技术的目的在于将车辆行驶特征，以及道路特征进行特征融合，以得到车辆行驶轨迹与行驶道路信息的关联关系，进而能够提高车辆轨迹的预测精度，以及提高车辆轨迹预测的抗噪能力。
5.为了解决上述问题，本技术提供了一种车辆轨迹预测方法，包括：
6.获取目标车辆和周围车辆各自对应的历史行驶轨迹，以及所述目标车辆周围的行驶道路信息；
7.分别对所述目标车辆和所述周围车辆各自对应的历史行驶轨迹进行行驶特征提取，得到所述目标车辆和所述周围车辆各自对应的车辆行驶特征；
8.对所述行驶道路信息进行道路特征提取，得到道路特征；
9.基于所述目标车辆和所述周围车辆各自对应的车辆行驶特征，以及所述道路特征进行特征融合，得到第一融合特征；所述第一融合特征表征车辆行驶轨迹与所述行驶道路信息的关联关系；
10.基于所述行驶道路信息，所述目标车辆和所述周围车辆各自对应的车辆行驶特征，所述道路特征，以及所述第一融合特征进行轨迹预测，得到所述目标车辆的轨迹预测结果。
11.在本技术实施例中，所述对所述行驶道路信息进行道路特征提取，得到道路特征包括：
12.以第一采样间隔对所述行驶道路信息进行车道信息采样，得到第一车道信息；
13.对所述第一车道信息进行特征提取，得到所述道路特征。
14.在本技术实施例中，所述基于所述行驶道路信息，所述目标车辆和所述周围车辆各自对应的车辆行驶特征，所述道路特征，以及所述第一融合特征进行轨迹预测，得到所述目标车辆的轨迹预测结果包括：
15.以第二采样间隔对所述行驶道路信息进行车道信息采样，得到第二车道信息；所
述第一采样间隔大于所述第二采样间隔；
16.基于所述第二车道信息，所述目标车辆和所述周围车辆各自对应的车辆行驶特征，所述道路特征，以及所述第一融合特征进行轨迹预测，得到所述目标车辆的轨迹预测结果。
17.在本技术实施例中，所述第二车道信息包括多个车道采集点，所述基于所述第二采集信息，所述目标车辆和所述周围车辆各自对应的车辆行驶特征，所述道路特征，以及所述第一融合特征进行轨迹预测，得到所述目标车辆的轨迹预测结果包括：
18.基于所述第二采集信息，所述目标车辆和所述周围车辆各自对应的车辆行驶特征，所述道路特征，以及所述第一融合特征，对所述多个车道采集点进行概率预测，得到所述多个车道采集点各自对应的区域中心概率；
19.基于所述多个车道采集点各自对应的区域中心概率，确定目标采集点；所述目标采集点为所述多个车道采集点基于所述多个车道采集点各自对应的区域中心概率进行由大到小排序后，从前往后依次选取的多个车道采集点；
20.对所述目标采集点的周围区域进行采样，得到多个关联采集点；
21.基于所述多个关联采集点，确定多个目标终点；所述多个目标终点与最近的关联采集点的距离小于所述第二采样间隔；
22.基于所述多个目标终点，所述目标车辆和所述周围车辆各自对应的车辆行驶特征，以及所述道路特征进行轨迹预测，得到所述目标车辆对应的多条预测轨迹。
23.在本技术实施例中，所述基于所述多个关联采集点，确定多个目标终点包括：
24.基于所述多个关联采集点，所述目标车辆和所述周围车辆各自对应的车辆行驶特征，所述道路特征，以及所述第一融合特征，对所述多个关联采集点进行得分预测，得到所述多个关联采集点各自对应的区域边界得分；
25.基于所述多个关联采集点各自对应的区域边界得分，确定目标关联点；所述目标关联点为所述多个关联采集点基于所述多个关联采集点各自对应的区域边界得分进行由大到小排序后，从前往后依次选取的多个关联采集点；
26.基于所述目标关联点，以及所述目标关联点对应的得分进行目标终点预测，确定多个目标终点。
27.在本技术实施例中，所述基于所述目标关联点，以及所述目标关联点对应的得分进行目标终点预测，确定多个目标终点包括：
28.基于所述目标关联点，以及所述目标关联点对应的得分进行高维映射，得到多个关联特征矩阵；
29.分别对所述多个关联特征矩阵中同一位置的元素进行筛选处理，得到第一特征矩阵；所述第一特征矩阵中各位置的元素为，所述多个关联特征矩阵中对应位置元素的最大值；
30.分别对所述多个关联特征矩阵中同一位置的元素进行加权平均处理，得到第二特征矩阵；
31.对所述第一特征矩阵，以及所述第二特征矩阵进行矩阵合并，得到第三特征矩阵；
32.将所述第三特征矩阵输入所述终点预测模型进行终点预测，得到所述多个目标终点。
33.在本技术实施例中，所述基于所述多个目标终点，所述目标车辆和所述周围车辆各自对应的车辆行驶特征，以及所述道路特征进行轨迹预测，得到所述目标车辆对应的多条预测轨迹包括：
34.对所述多个目标终点进行高维映射，得到所述多个目标终点各自对应的终点映射信息；
35.对所述多个目标终点各自对应的终点映射信息进行特征提取，得到多个终点特征；
36.基于所述道路特征，以及所述多个终点特征进行特征融合，得到第二融合特征；
37.将所述终点特征、所述第二融合特征，以及所述目标车辆对应的车辆行驶特征输入轨迹预测模型进行轨迹预测，得到所述目标车辆对应的多条预测轨迹。
38.另一方面，本技术还提供一种车辆轨迹预测装置，包括：
39.获取模块，用于获取目标车辆和周围车辆各自对应的历史行驶轨迹，以及所述目标车辆周围的行驶道路信息；
40.第一特征提取模块，用于分别对所述目标车辆和所述周围车辆各自对应的历史行驶轨迹进行行驶特征提取，得到所述目标车辆和所述周围车辆各自对应的车辆行驶特征；
41.第二特征提取模块，用于基于所述行驶道路信息进行道路特征提取，得到道路特征；
42.第一融合模块，用于基于所述目标车辆和所述周围车辆各自对应的车辆行驶特征，以及所述道路特征进行特征融合，得到第一融合特征；所述第一融合特征表征车辆行驶轨迹与所述行驶道路信息的关联关系；
43.轨迹预测模块，用于基于所述行驶道路信息，所述目标车辆和所述周围车辆各自对应的车辆行驶特征，所述道路特征，以及所述第一融合特征进行轨迹预测，得到所述目标车辆的轨迹预测结果。
44.另一方面，本技术还提供一种电子设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述车辆轨迹预测方法。
45.另一方面，本技术还提供一种计算机存储介质，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述车辆轨迹预测方法。
46.由于上述技术方案，本技术所述的一种车辆轨迹预测方法具有以下有益效果：
47.通过提取目标车辆和周围车辆各自对应的车辆行驶特征；以及提取道路特征；将目标车辆和周围车辆各自对应的车辆行驶特征，以及道路特征进行特征融合得到第一融合特征后，基于目标车辆和周围车辆各自对应的车辆行驶特征，提取道路特征，以及第一融合特征进行轨迹预测，充分考虑了车辆自身行驶因素，道路行驶因素，以及道路对于车辆行驶的影响因素，提高车辆轨迹预测的抗噪能力，进而提高了轨迹预测的精确性。
附图说明
48.为了更清楚地说明本技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本技术的一些实施例，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它附图。
49.图1是本技术实施例提供的一种车辆轨迹预测方法流程示意图；
50.图2是本技术实施例提供的一种车辆轨迹预测方法中道路特征提取流程示意图；
51.图3是本技术实施例提供的一种车辆轨迹预测方法中轨迹预测流程示意图一；
52.图4是本技术实施例提供的一种车辆轨迹预测方法中轨迹预测流程示意图二；
53.图5是本技术实施例提供的一种车辆轨迹预测方法中目标终点确定流程示意图；
54.图6是本技术实施例提供的一种车辆轨迹预测方法中目标终点预测流程示意图；
55.图7是本技术实施例提供的一种车辆轨迹预测方法中轨迹预测流程示意图；
56.图8是本技术实施例提供的一种车辆轨迹预测装置结构示意图；
57.图9是本技术实施例提供的一种车辆轨迹预测方法的硬件结构框图。
具体实施方式
58.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
59.此处所称的“一个实施例”或“实施例”是指可包含于本技术至少一个实现方式中的特定特征、结构或特性。在本技术的描述中，需要理解的是，术语“上”、“下”、“左”、“右”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含的包括一个或者更多个该特征。而且，术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
60.结合图1，介绍本技术实施例提供的一种车辆轨迹预测方法，该方法包括：
61.s1001、获取目标车辆和周围车辆各自对应的历史行驶轨迹，以及目标车辆周围的行驶道路信息；
62.目标车辆是指需要进行车辆轨迹预测的车辆，周围车辆是指在预设时间段内，持续出现在目标车辆周围的车辆；历史行驶轨迹是指当前时刻之前的行驶轨迹，优选的，历史行驶轨迹由多个行驶轨迹点构成；行驶道路信息为，以目标车辆的当前位置为中心的预设范围内的道路信息；行驶道路信息可以是指高精度的地图数据，具体的，行驶道路信息包括道路中心线，红绿灯等信息。
63.在本技术具体实施例中，基于预设时间间隔和预设时间段，对目标车辆和邻近车辆各自对应的行驶位置进行采集，得到目标车辆和邻近车辆各自对应的历史行驶轨迹；预设时间间隔小于0.3s，预设时间段小于6s；具体的，预设时间间隔可以是0.1s，预设时间段可以是2s，也就是说对目标车辆的历史轨迹进行采集，得到20个历史轨迹点
对邻近车辆进行同步采集，在邻近车辆对应的历史轨迹点大于或等于五的情况下，确定邻近车辆为周围车辆；在本技术其他实施例中，预设时间间隔可以是0.15s，预设时间段可以是3s，周围车辆的历史轨迹点可以大于或等于六；通过较短时间的数据采集，从而能够以较短的历史轨迹预测出较长的预测轨迹，提高了轨迹预测的实用性。
64.在本技术具体实施例中，以目标车辆的当前位置为原点，建立平面坐标系，进而可以得到每个历史轨迹点对应的平面坐标。
65.在本技术实施例中，行驶道路信息可以是基于车辆本地存储的高精度地图数据，也可以是从云端获取的高精度地图数据。
66.s1002、分别对目标车辆和周围车辆各自对应的历史行驶轨迹进行行驶特征提取，得到目标车辆和周围车辆各自对应的车辆行驶特征；车辆行驶特征表征历史行驶轨迹的规律特征；具体的，行驶特征提取可以采用交叉注意力机制进行特征提取，也可以采用欧式距离进行特征提取。
67.在本技术具体实施例中，注意力机制的公式如下：
[0068][0069]
其中，q为第一矩阵，k为第二矩阵，k
t
为第二矩阵的转置矩阵，v为第三矩阵，dk表征向量的维度，attention为交叉注意力结果，softmax为归一化函数，具体的：
[0070]
q＝x1×
w1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0071]
k＝x2×
w2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0072]
v＝x3×
w3ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0073]
其中，x1为第一输入值，x2为第二输入值，x3为第三输入值，w1，w2，w3均为通过智能学习得到的矩阵参数。
[0074]
在本技术具体实施例中，对历史轨迹进行特征提取的情况下，将历史轨迹中任意的两个轨迹点作为交叉注意力机制的输入，具体为x1，x2＝x3，进而得到相邻两个轨迹点对应的节点特征；
[0075]
优选的，求取每条历史轨迹中最大的节点特征的特征值，作为目标车辆和周围车辆各自对应的车辆行驶特征：
[0076][0077]
其中，f
sg
是指车辆行驶特征，是指第i个目标对应a时刻的节点特征，是指第i个目标对应b时刻的节点特征，n为目标车辆以及周围车辆的数量总和，t为历史轨迹采集的最大时刻对应的轨迹点数量。
[0078]
在本技术实施例中，采用交叉注意力机制，从而充分考虑了车辆每个历史轨迹点之间的相互影响，从而提高了车辆行驶特征的提取精度，进而提高车辆轨迹预测精度。
[0079]
在本技术另一具体实施例中，还可以采用欧式距离的倒数作为两个历史轨迹点之间的影响，从而选取数值较小的值作为车辆行驶特征；具体的，若两个历史轨迹点之间欧式距离的倒数越小，两者之间的关系越疏远；两个历史轨迹点越近，两者之间的关系越亲近。
[0080]
s1003、对行驶道路信息进行道路特征提取，得到道路特征；道路特征表征行驶道路信息的规律特征；具体的，行驶特征提取可以采用交叉注意力机制进行特征提取。
[0081]
s1004、基于目标车辆和周围车辆各自对应的车辆行驶特征，以及道路特征进行特征融合，得到第一融合特征；第一融合特征表征车辆行驶轨迹与行驶道路信息的关联关系；优选的，特征融合过程可以是采用交叉注意力机制进行融合；交叉注意力机制的输入为任意两个特征值。
[0082]
s1005、基于行驶道路信息，目标车辆和周围车辆各自对应的车辆行驶特征，道路特征，以及第一融合特征进行轨迹预测，得到目标车辆的轨迹预测结果。
[0083]
在本技术实施例中，通过提取目标车辆和周围车辆各自对应的车辆行驶特征；以及提取道路特征；将目标车辆和周围车辆各自对应的车辆行驶特征，以及道路特征进行特征融合得到第一融合特征后，基于目标车辆和周围车辆各自对应的车辆行驶特征，提取道路特征，以及第一融合特征进行轨迹预测，充分考虑了车辆自身行驶因素，道路行驶因素，以及道路对于车辆行驶的影响因素，提高车辆轨迹预测的抗噪能力，进而提高了轨迹预测的精确性。
[0084]
参考图2，在本技术实施例中，s1003包括：
[0085]
s2001、以第一采样间隔对行驶道路信息进行车道信息采样，得到第一车道信息；第一采样间隔是指相邻采集点之间的距离；优选的，第一采样间隔可以为5m，也可以为10m；例如，以5m对行驶道路信息进行车道信息采集，其中，行驶道路信息包括道路中心线，红绿灯等数据，且行驶道路信息对应的地图精度大于第一车道信息对应的地图精度；第一车道信息是指目标车辆行驶车道上对应的信息，优选的，可以是目标车辆行驶车道中心线上的多个采集点，也可以是目标车辆行驶车道边界上的多个采集点。
[0086]
s2002、对第一车道信息进行特征提取，得到道路特征。
[0087]
在本技术具体实施例中，第一车道信息包括多个车道采集点，将多个车道采集点进行区域划分，得到多组车道采集点，将多组车道采集点分别进行交叉注意力计算，进而得到多组车道采集点对应的区域特征；道路特征即为多组车道采集点对应的区域特征。
[0088]
在本技术实施例中，通过以第一采样间隔对行驶道路信息进行车道采集，并对采集得到的第一车道信息进行特征提取，得到道路特征，从而降低了特征提取的数据处理量，进而提高了特征提取速率。
[0089]
参考图3，在本技术实施例中，s1005包括：
[0090]
s3001、以第二采样间隔对行驶道路信息进行车道信息采样，得到第二车道信息；第一采样间隔大于第二采样间隔；第二采样间隔是指相邻采集点之间的距离；优选的，第二采样间隔可以是2m，也可以是3m；例如，以2m对行驶道路信息进行车道信息采集；第二车道信息是指目标车辆行驶车道上对应的信息，优选的，可以是目标车辆行驶车道中心线上的多个采集点，也可以是目标车辆行驶车道边界上的多个采集点；在对同一行驶道路信息进行车道信息采集的情况下，采样间隔越大，采集的数据越少，在第一采样间隔大于第二采样间隔的情况下，第二车道信息对应的采集数据大于第一车道信息对应的采集数据。
[0091]
s3002、基于第二车道信息，目标车辆和周围车辆各自对应的车辆行驶特征，道路特征，以及第一融合特征进行轨迹预测，得到目标车辆的轨迹预测结果。
[0092]
在本技术实施例中，通过以第二采样间隔对行驶道路信息进行车道采集，并基于
采集得到的第二车道信息进行轨迹预测，相比直接采用行驶道路信息进行轨迹预测，降低了轨迹预测的数据处理量，提高了轨迹预测速率；相比于采用第一车道信息进行轨迹预测，提高了轨迹预测的处理数据，进而提高了轨迹预测的可靠性和精确性。
[0093]
参考图4，在本技术实施例中，第二车道信息包括多个车道采集点，s3002包括：
[0094]
s4001、基于第二采集信息，目标车辆和周围车辆各自对应的车辆行驶特征，道路特征，以及第一融合特征，对多个车道采集点进行概率预测，得到多个车道采集点各自对应的区域中心概率；区域中心概率是指多个采集点为目标终点所在区域中心轴线上的概率。
[0095]
在本技术具体实施例中，将第二采集信息，目标车辆和周围车辆各自对应的车辆行驶特征，道路特征，以及第一融合特征输入概率预测模型进行概率预测，得到多个车道采集点各自对应的区域中心概率；概率预测模型是基于样本采样信息，多个样本车辆行驶特征，样本道路特征，样本融合特征，以及样本概率进行智能识别训练得到的；概率预测模型可以是多层感知模型(mlp，multilayer perceptron)；在采用多层感知模型的情况下，降低了数据处理时间，提高了轨迹预测的效率。
[0096]
s4002、基于多个车道采集点各自对应的区域中心概率，确定目标采集点；目标采集点为多个车道采集点基于多个车道采集点各自对应的区域中心概率进行由大到小排序后，从前往后依次选取的多个车道采集点；
[0097]
s4003、对目标采集点的周围区域进行采样，得到多个关联采集点；
[0098]
具体的，对目标采集点周围区域进行采样可以是以目标采集点为中心，与目标采集点相隔预设采集间隔的多个点进行采样；具体的，预设采集间隔小于第二采样间隔，优选的，预设采集间隔可以为0.8m，也可以为1m；每个目标采集点对应采集预设数量的关联采集点，优选的，预设数量可以为8个，也可以为10个；例如，在每个目标采集点周围0.8m的范围内，均匀的采集8个点作为关联采集点。
[0099]
在本技术具体实施例中，需要对采集的多个关联点进行去重操作，以降低数据处理量，进而提高轨迹预测速率。
[0100]
s4004、基于多个关联采集点，确定多个目标终点；多个目标终点与最近的关联采集点的距离小于第二采样间隔；也就是说，目标终点位于以多个关联采集点的第二采样间隔区域为边界，组成的区域内。
[0101]
s4005、基于多个目标终点，目标车辆和周围车辆各自对应的车辆行驶特征，以及道路特征进行轨迹预测，得到目标车辆对应的多条预测轨迹。
[0102]
在本技术实施例中，通过先求解得出目标终点，并基于目标终点进行轨迹预测，通过提前预测出目标车辆的行驶意图，进而提高了轨迹预测的精度，以及可靠性。
[0103]
在本技术实施例中，通过预测多条预测轨迹，从而便于后续自动驾驶规划中存在多种可选择路线，进而提高自动驾驶规划的智能性。
[0104]
参考图5，在本技术实施例中，s4004包括：
[0105]
s5001、基于多个关联采集点，目标车辆和周围车辆各自对应的车辆行驶特征，道路特征，以及第一融合特征，对多个关联采集点进行得分预测，得到多个关联采集点各自对应的区域边界得分；区域边界得分是指以此关联点的第二采样间隔区域为边界的情况下，目标终点位于该区域内的得分。
[0106]
在本技术具体实施例中，将多个关联采集点，目标车辆和周围车辆各自对应的车
辆行驶特征，道路特征，以及第一融合特征输入得分预测模型，得到多个关联采集点各自对应的区域边界得分；其中，得分预测模型是基于多个样本关联采集点，多个样本车辆行驶特征，样本道路特征，样本融合特征，以及样本得分进行智能识别训练得到的；得分预测模型可以是多层感知模型(mlp，multilayer perceptron)；在采用多层感知模型的情况下，降低了数据处理时间，提高了轨迹预测的效率。
[0107]
s5002、基于多个关联采集点各自对应的区域边界得分，确定目标关联点；目标关联点为多个关联采集点基于多个关联采集点各自对应的区域边界得分进行由大到小排序后，从前往后依次选取的多个关联采集点；
[0108]
s5003、基于目标关联点，以及目标关联点对应的得分进行目标终点预测，确定多个目标终点；目标终点即为轨迹预测的终点。
[0109]
在本技术实施例中，通过对多个关联采集点进行得分预测，并基于多个关联采集点各自对应的区域边界得分进行筛选，再基于筛选得到的目标关联点进行目标终点预测，进而能够降低目标终点预测的数据处理量，进而提高目标终点预测效率。
[0110]
参考图6，在本技术实施例中，s5003包括：
[0111]
s6001、基于目标关联点，以及目标关联点对应的得分进行高维映射，得到多个关联特征矩阵；多个关联矩阵是指多个关联采集点各自的关联特征矩阵，关联特征矩阵用于表征对应的关联采集点的特征。
[0112]
在本技术具体实施例中，目标关联点位于以目标车辆为中心点构件的坐标平面上，基于目标关联点的坐标轴，以及目标关联点对应的得分，能够得到目标关联点对应的三维向量(x，y，z)，其中，x和y表征目标关联点位于坐标平面的位置，z表征目标关联点对应的得分；本技术中，可以将目标关联点映射至12维空间中，也可以将其映射至9维空间中，在此不做限定。
[0113]
s6002、分别对多个关联特征矩阵中同一位置的元素进行筛选处理，得到第一特征矩阵；第一特征矩阵中各位置的元素为，多个关联特征矩阵中对应位置元素的最大值。
[0114]
s6003、分别对多个关联特征矩阵中同一位置的元素进行加权平均处理，得到第二特征矩阵；第二特征矩阵中各位置的元素为，多个关联矩阵中对应位置元素的平均值。
[0115]
s6004、对第一特征矩阵，以及第二特征矩阵进行矩阵合并，得到第三特征矩阵；矩阵合并是指将第一特征矩阵和第二特征矩阵进行维度合并，得到更高维的矩阵，例如，第一特征矩阵为a，第二特征矩阵为b，那么第三特征矩阵即为
[0116]
s6005、将第三特征矩阵输入终点预测模型进行终点预测，得到多个目标终点；终点预测模型是基于样本特征矩阵，以及样本终点进行智能识别训练得到的。
[0117]
在本技术具体实施例中，终点预测模型的输出结果包括多个目标终点的位置信息，以及多个目标终点对应的得分信息；具体的，终点预测模型基于期望轨迹数量，输出多组目标终点，以及多组目标终点各自对应的得分信息；其中每组目标终点包括多个目标终点；例如，期望轨迹数量为三条，那么终点预测模型输出结果为三组目标终点对应的得分信息；选取三组目标终点中得分最高的那组，将其中的多个目标终点确定为输出的多个目标终点。
[0118]
在本技术实施例中，通过将目标关联点，以及目标关联点对应的得分进行高维映
射，得到多个关联特征矩阵，并基于多个关联特征矩阵得到第三特征矩阵，以第三特征矩阵作为终点预测模型的输入，进行终点预测，既对终点预测的输入数据进行了特征扩容，又采用终点预测模型，进而提高了目标终点的预测精度。
[0119]
参考图7，本技术实施例中，s4005包括：
[0120]
s7001、对多个目标终点进行高维映射，得到多个目标终点各自对应的终点映射信息；终点映射信息为目标终点的高维表达式，具体的，通过多层感知机进行计算得到。
[0121]
在本技术具体实施例中，基于多个目标终点的位置，以及邻近的目标关联点的得分，能够确定多个目标终点位置的得分；具体的，邻近目标关联点的得分即为对应目标终点位置的得分；因此，可以以多个目标终点的位置，以及目标终点各自对应的得分，构建三维向量，进而对构建的三维向量进行高维映射，以提高目标终点的特征能力。
[0122]
s7002、对多个目标终点各自对应的终点映射信息进行特征提取，得到多个终点特征；终点特征表征目标终点的内涵的特征值；优选的，可以采用自注意力机制进行特征提取，即输入为任意一个终点映射信息；即输入x1＝x2＝x3至公式(1)-(4)。
[0123]
s7003、基于道路特征，以及多个终点特征进行特征融合，得到第二融合特征；优选的，特征融合过程可以是采用交叉注意力机制进行融合；交叉注意力机制的输入为任意两个特征值，即输入一个特征值x1，另一特征值x2＝x3至公式(1)-(4)。
[0124]
s7004、将终点特征、第二融合特征，以及目标车辆对应的车辆行驶特征输入轨迹预测模型进行轨迹预测，得到目标车辆对应的多条预测轨迹；轨迹预测模型是基于样本终点特征，样本融合特征，以及样本车辆行驶轨迹，以及样本预测轨迹进行智能识别训练得到的。
[0125]
在本技术实施例中，通过对多个目标终点进行高维映射，拓展了目标终点的特征属性，进而提取多个目标终点各自对应的终点特征，进而提高了特征表征能力；此外，基于多个终点特征，道路特征，以及目标车辆的车辆行驶轨迹特征进行轨迹预测，且预测过程中采用轨迹预测模型，能够提高轨迹预测模型输入数据的精确度，进而提高轨迹预测模型的预测精度。
[0126]
在本技术实施例中，车辆轨迹预测方法具备如下有益效果：
[0127]
通过提取目标车辆和周围车辆各自对应的车辆行驶特征；以及提取道路特征；将目标车辆和周围车辆各自对应的车辆行驶特征，以及道路特征进行特征融合得到第一融合特征后，基于目标车辆和周围车辆各自对应的车辆行驶特征，提取道路特征，以及第一融合特征进行轨迹预测，充分考虑了车辆自身行驶因素，道路行驶因素，以及道路对于车辆行驶的影响因素，提高车辆轨迹预测的抗噪能力，进而提高了轨迹预测的精确性。
[0128]
参考图8，本技术实施例还提供一种车辆轨迹预测装置，该装置包括：
[0129]
获取模块101，用于获取目标车辆和周围车辆各自对应的历史行驶轨迹，以及目标车辆对应的行驶道路信息；行驶道路信息为，以目标车辆的当前位置为中心的预设范围内的道路信息；
[0130]
第一特征提取模块102，用于分别对目标车辆和周围车辆各自对应的历史行驶轨迹进行行驶特征提取，得到目标车辆和周围车辆各自对应的车辆行驶特征；
[0131]
第二特征提取模块103，用于基于行驶道路信息进行道路特征提取，得到道路特征；
[0132]
第一融合模块104，用于基于目标车辆和周围车辆各自对应的车辆行驶特征，以及道路特征进行特征融合，得到第一融合特征；第一融合特征表征车辆行驶轨迹与行驶道路信息的关联关系；
[0133]
轨迹预测模块105，用于基于行驶道路信息，目标车辆和周围车辆各自对应的车辆行驶特征，道路特征，以及第一融合特征进行轨迹预测，得到目标车辆的轨迹预测结果。
[0134]
第二特征提取模块包括：
[0135]
第一采样单元，用于以第一采样间隔对行驶道路信息进行车道信息采样，得到第一车道信息；
[0136]
特征提取单元，用于对第一车道信息进行特征提取，得到道路特征。
[0137]
轨迹预测模块包括：
[0138]
第二采样单元，用于以第二采样间隔对行驶道路信息进行车道信息采样，得到第二车道信息；第一采样间隔大于第二采样间隔；
[0139]
第一轨迹预测单元，用于基于第二车道信息，目标车辆和周围车辆各自对应的车辆行驶特征，道路特征，以及第一融合特征进行轨迹预测，得到目标车辆的轨迹预测结果。
[0140]
第一轨迹预测单元包括：
[0141]
概率预测单元，用于基于第二采集信息，目标车辆和周围车辆各自对应的车辆行驶特征，道路特征，以及第一融合特征，对多个车道采集点进行概率预测，得到多个车道采集点各自对应的区域中心概率；
[0142]
目标采集点确定单元，用于基于多个车道采集点各自对应的区域中心概率，确定目标采集点；目标采集点为多个车道采集点基于多个车道采集点各自对应的区域中心概率进行由大到小排序后，从前往后依次选取的多个车道采集点；
[0143]
关联采集点确定单元，用于对目标采集点的周围区域进行采样，得到多个关联采集点；
[0144]
目标终点确定单元，用于基于多个关联采集点，确定多个目标终点；多个目标终点与最近的关联采集点的距离小于第二采样间隔；
[0145]
第二轨迹预测单元，用于基于多个目标终点，目标车辆和周围车辆各自对应的车辆行驶特征，以及道路特征进行轨迹预测，得到目标车辆对应的多条预测轨迹。
[0146]
目标终点确定单元包括：
[0147]
得分预测单元，用于基于多个关联采集点，目标车辆和周围车辆各自对应的车辆行驶特征，道路特征，以及第一融合特征，对多个关联采集点进行得分预测，得到多个关联采集点各自对应的区域边界得分；
[0148]
目标关联点确定单元，用于基于多个关联采集点各自对应的区域边界得分，确定目标关联点；目标关联点为多个关联采集点基于多个关联采集点各自对应的区域边界得分进行由大到小排序后，从前往后依次选取的多个关联采集点；
[0149]
目标终点预测单元，用于基于目标关联点，以及目标关联点对应的得分进行目标终点预测，确定多个目标终点。
[0150]
目标终点预测单元包括：
[0151]
第一高维映射模块，用于基于目标关联点，以及目标关联点对应的得分进行高维映射，得到多个关联特征矩阵；
[0152]
筛选模块，用于分别对多个关联特征矩阵中同一位置的元素进行筛选处理，得到第一特征矩阵；第一特征矩阵中各位置的元素为，多个关联特征矩阵中对应位置元素的最大值；
[0153]
加权模块，用于分别对多个关联特征矩阵中同一位置的元素进行加权平均处理，得到第二特征矩阵；
[0154]
合并模块，用于对第一特征矩阵，以及第二特征矩阵进行矩阵合并，得到第三特征矩阵；
[0155]
第一模型预测模块，用于将第三特征矩阵输入终点预测模型进行终点预测，得到多个目标终点。
[0156]
第二轨迹预测单元包括：
[0157]
第二高维映射模块，用于对多个目标终点进行高维映射，得到多个目标终点各自对应的终点映射信息；
[0158]
终点特征提取模块，用于对多个目标终点各自对应的终点映射信息进行特征提取，得到多个终点特征；
[0159]
第二融合模块，用于基于道路特征，以及多个终点特征进行特征融合，得到第二融合特征；
[0160]
第二模型预测模块，用于将终点特征、第二融合特征，以及目标车辆对应的车辆行驶特征输入轨迹预测模型进行轨迹预测，得到目标车辆对应的多条预测轨迹。
[0161]
本技术实施例还提供一种电子设备，该电子设备包括处理器和存储器，储器中存储有至少一条指令或至少一段程序，至少一条指令或至少一段程序由处理器加载并执行以实现如上述的车辆轨迹预测方法。
[0162]
存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个硬盘存储器件、闪存器件或其他易失性固态存储器件。相应的，存储器还可以包括存储器控制器，以提供处理器对存储器的访问。
[0163]
本技术实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置等电子设备中执行。图9是本技术实施例提供的电子设备。如图9所示，该电子设备900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，cpu)910(处理器910可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器930，一个或一个以上存储应用程序923或数据922的存储介质920(例如一个或一个以上海量存储设备)。其中，存储器930和存储介质920可以是短暂存储或持久存储。存储在存储介质920的程序可以包括一个或一个以上模块，每个模块可以包括对电子设备中的一系列指令操作。更进一步地，中央处理器910可以设置为与存储介质920通信，在电子设备900上执行存储介质920中的一系列指令操作。电子设备900还可以包括一个或一个以上电源960，一个或一个以上有线或无线网络接口950，一个或一个以上输入输出接口940，和/或，一个或一个以上操作系统921，例如windows servertm，mac os xtm，unixtm，linuxtm，freebsdtm等等。
[0164]
输入输出接口940可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括电子设备900的通信供应商提供的无线网络。在一个实例中，输入输出接口940包括一个网络适配器(network interface controller，nic)，其可通过与其他网络设备相连从而可与互联网进行通讯。在一个实例中，输入输出接口940可以为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。
[0165]
本领域普通技术人员可以理解，图9所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，电子设备900还可包括比图9中所示更多或者更少的组件，或者具有与图9所示不同的配置。
[0166]
本技术的实施例还提供一种存储介质，该存储介质中存储有至少一条指令或至少一段程序，至少一条指令或至少一段程序由处理器加载并执行以实现如上述的车辆轨迹预测方法。
[0167]
上述说明已经充分揭露了本技术的具体实施方式。需要指出的是，熟悉该领域的技术人员对本技术的具体实施方式所做的任何改动均不脱离本技术的权利要求书的范围。相应地，本技术的权利要求的范围也并不仅仅局限于前述具体实施方式。
技术特征：
1.一种车辆轨迹预测方法，其特征在于，包括：获取目标车辆和周围车辆各自对应的历史行驶轨迹，以及所述目标车辆周围的行驶道路信息；分别对所述目标车辆和所述周围车辆各自对应的历史行驶轨迹进行行驶特征提取，得到所述目标车辆和所述周围车辆各自对应的车辆行驶特征；对所述行驶道路信息进行道路特征提取，得到道路特征；基于所述目标车辆和所述周围车辆各自对应的车辆行驶特征，以及所述道路特征进行特征融合，得到第一融合特征；所述第一融合特征表征车辆行驶轨迹与所述行驶道路信息的关联关系；基于所述行驶道路信息，所述目标车辆和所述周围车辆各自对应的车辆行驶特征，所述道路特征，以及所述第一融合特征进行轨迹预测，得到所述目标车辆的轨迹预测结果。2.根据权利要求1所述的一种车辆轨迹预测方法，其特征在于，所述对所述行驶道路信息进行道路特征提取，得到道路特征包括：以第一采样间隔对所述行驶道路信息进行车道信息采样，得到第一车道信息；对所述第一车道信息进行特征提取，得到所述道路特征。3.根据权利要求1或2所述的一种车辆轨迹预测方法，其特征在于，所述基于所述行驶道路信息，所述目标车辆和所述周围车辆各自对应的车辆行驶特征，所述道路特征，以及所述第一融合特征进行轨迹预测，得到所述目标车辆的轨迹预测结果包括：以第二采样间隔对所述行驶道路信息进行车道信息采样，得到第二车道信息；基于所述第二车道信息，所述目标车辆和所述周围车辆各自对应的车辆行驶特征，所述道路特征，以及所述第一融合特征进行轨迹预测，得到所述目标车辆的轨迹预测结果。4.根据权利要求3所述的一种车辆轨迹预测方法，其特征在于，所述第二车道信息包括多个车道采集点，所述基于所述第二采集信息，所述目标车辆和所述周围车辆各自对应的车辆行驶特征，所述道路特征，以及所述第一融合特征进行轨迹预测，得到所述目标车辆的轨迹预测结果包括：基于所述第二采集信息，所述目标车辆和所述周围车辆各自对应的车辆行驶特征，所述道路特征，以及所述第一融合特征，对所述多个车道采集点进行概率预测，得到所述多个车道采集点各自对应的区域中心概率；基于所述多个车道采集点各自对应的区域中心概率，确定目标采集点；所述目标采集点为所述多个车道采集点基于所述多个车道采集点各自对应的区域中心概率进行由大到小排序后，从前往后依次选取的多个车道采集点；对所述目标采集点的周围区域进行采样，得到多个关联采集点；基于所述多个关联采集点，确定多个目标终点；所述多个目标终点与最近的关联采集点的距离小于所述第二采样间隔；基于所述多个目标终点，所述目标车辆和所述周围车辆各自对应的车辆行驶特征，以及所述道路特征进行轨迹预测，得到所述目标车辆对应的多条预测轨迹。5.根据权利要求4所述的一种车辆轨迹预测方法，其特征在于，所述基于所述多个关联采集点，确定多个目标终点包括：基于所述多个关联采集点，所述目标车辆和所述周围车辆各自对应的车辆行驶特征，
所述道路特征，以及所述第一融合特征，对所述多个关联采集点进行得分预测，得到所述多个关联采集点各自对应的区域边界得分；基于所述多个关联采集点各自对应的区域边界得分，确定目标关联点；所述目标关联点为所述多个关联采集点基于所述多个关联采集点各自对应的区域边界得分进行由大到小排序后，从前往后依次选取的多个关联采集点；基于所述目标关联点，以及所述目标关联点对应的得分进行目标终点预测，确定多个目标终点。6.根据权利要求5所述的一种车辆轨迹预测方法，其特征在于，所述基于所述目标关联点，以及所述目标关联点对应的得分进行目标终点预测，确定多个目标终点包括：基于所述目标关联点，以及所述目标关联点对应的得分进行高维映射，得到多个关联特征矩阵；分别对所述多个关联特征矩阵中同一位置的元素进行筛选处理，得到第一特征矩阵；所述第一特征矩阵中各位置的元素为，所述多个关联特征矩阵中对应位置元素的最大值；分别对所述多个关联特征矩阵中同一位置的元素进行加权平均处理，得到第二特征矩阵；对所述第一特征矩阵，以及所述第二特征矩阵进行矩阵合并，得到第三特征矩阵；将所述第三特征矩阵输入所述终点预测模型进行终点预测，得到所述多个目标终点。7.根据权利要求4所述的一种车辆轨迹预测方法，其特征在于，所述基于所述多个目标终点，所述目标车辆和所述周围车辆各自对应的车辆行驶特征，以及所述道路特征进行轨迹预测，得到所述目标车辆对应的多条预测轨迹包括：对所述多个目标终点进行高维映射，得到所述多个目标终点各自对应的终点映射信息；对所述多个目标终点各自对应的终点映射信息进行特征提取，得到多个终点特征；基于所述道路特征，以及所述多个终点特征进行特征融合，得到第二融合特征；将所述终点特征、所述第二融合特征，以及所述目标车辆对应的车辆行驶特征输入轨迹预测模型进行轨迹预测，得到所述目标车辆对应的多条预测轨迹。8.一种车辆轨迹预测装置，其特征在于，包括：获取模块，用于获取目标车辆和周围车辆各自对应的历史行驶轨迹，以及所述目标车辆周围的行驶道路信息；第一特征提取模块，用于分别对所述目标车辆和所述周围车辆各自对应的历史行驶轨迹进行行驶特征提取，得到所述目标车辆和所述周围车辆各自对应的车辆行驶特征；第二特征提取模块，用于基于所述行驶道路信息进行道路特征提取，得到道路特征；第一融合模块，用于基于所述目标车辆和所述周围车辆各自对应的车辆行驶特征，以及所述道路特征进行特征融合，得到第一融合特征；所述第一融合特征表征车辆行驶轨迹与所述行驶道路信息的关联关系；轨迹预测模块，用于基于所述行驶道路信息，所述目标车辆和所述周围车辆各自对应的车辆行驶特征，所述道路特征，以及所述第一融合特征进行轨迹预测，得到所述目标车辆的轨迹预测结果。9.一种计算机存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段
程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如权利要求1-7任一所述的车辆轨迹预测方法。10.一种电子设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如权利要求1-7任一所述的车辆轨迹预测方法。
技术总结
本申请涉及车辆控制技术领域，特别涉及一种车辆轨迹预测方法、装置和计算机存储介质，方法包括：获取目标车辆和周围车辆各自对应的历史行驶轨迹，以及目标车辆对应的行驶道路信息；分别对历史行驶轨迹进行行驶特征提取，得到车辆行驶特征；对行驶道路信息进行道路特征提取，得到道路特征；基于车辆行驶特征，以及道路特征进行特征融合，得到第一融合特征；基于行驶道路信息，行驶特征，道路特征，以及第一融合特征进行轨迹预测，得到目标车辆的轨迹预测结果；将车辆行驶特征，以及道路特征进行特征融合，以得到车辆行驶轨迹与行驶道路信息的关联关系，提高车辆轨迹预测的抗噪能力，进而提高了轨迹预测的精确性。高了轨迹预测的精确性。高了轨迹预测的精确性。
