车辆轨迹预测方法、装置、相关设备及计算机程序产品与流程

本技术涉及自动驾驶，更具体的说，是涉及一种车辆轨迹预测方法、装置、相关设备及计算机程序产品。

背景技术：

1、自动驾驶技术的崛起正在不断改变着我们对交通运输系统的认知和期望。作为一种集人工智能、机器学习和汽车工业于一体的前沿交叉技术，自动驾驶汽车的出现会为我们的生活带来前所未有的体验。

2、车辆轨迹预测属于自动驾驶技术中一个核心的环节，轨迹预测主要目的是理解和预判周围车辆行为，以便为自动驾驶车辆提供信息支持，使其能够安全地规划和执行驾驶任务。轨迹预测提供的信息是决策规划的重要输入。决策规划需要这些预测数据来评估潜在的风险和可能的交互情况，从而制定安全的行驶策略。

3、目前主流的轨迹预测方案都是以待预测的目标车辆的驾驶员的驾驶目标点为条件，预测目标车辆未来可能的轨迹。但是，一些场景中可能存在与目标点不相邻的约束，例如阻挡转弯道的障碍物，导致某些合理的目标点可能是无法到达的。结合图4所示，目标车辆x1的驾驶员的目标点为a1，按照现有方案预测出的车辆轨迹为l1。但是在车道1转弯位置处存在一个障碍物x2，导致目标车辆x1无法沿l1行驶，而应该是按照轨迹l2行驶。

4、由此可见，现有的轨迹预测方案容易受环境障碍物的影响，导致预测出的车辆轨迹不准确。

技术实现思路

1、鉴于上述问题，提出了本技术以便提供一种车辆轨迹预测方法、装置、相关设备及计算机程序产品，以提升车辆轨迹预测结果的准确度。具体方案如下：

2、第一方面，提供了一种车辆轨迹预测方法，包括：

3、对目标车辆的历史轨迹信息进行编码，得到所述目标车辆的运动编码特征；

4、对所述目标车辆周围环境中的对象的历史轨迹信息进行编码，得到环境对象的对象编码特征；

5、将所述目标车辆的运动编码特征与所述对象编码特征进行融合，得到融合后的上下文向量；

6、从设定分布中采样潜变量，并将所述潜变量与所述上下文向量进行融合，基于融合向量预测所述目标车辆的轨迹。

7、在一种可能的设计中，在本技术实施例的第一方面的另一种实现方式中，在将所述潜变量与所述上下文向量进行融合之前，还包括：

8、对所述目标车辆所处道路的车道信息进行编码，得到车道编码特征；

9、将所述上下文向量与所述车道编码特征进行融合，得到最新的上下文向量；

10、则将所述潜变量与所述上下文向量进行融合的过程，包括：

11、将所述潜变量与所述最新的上下文向量进行融合。

12、在一种可能的设计中，在本技术实施例的第一方面的另一种实现方式中，所述车道编码特征包含与每种类型车道对应的编码特征；

13、则将所述上下文向量与所述车道编码特征进行融合，得到最新的上下文向量的过程，包括：

14、将所述上下文向量分别与每种类型车道对应的编码特征进行融合，得到与每种类型车道对应的最新的上下文向量；

15、将所述潜变量与所述最新的上下文向量进行融合的过程，包括：

16、将所述潜变量分别与每种类型车道对应的最新的上下文向量进行融合，得到与每种类型车道对应的融合向量；

17、基于融合向量预测所述目标车辆的轨迹的过程，包括：

18、分别基于每种类型车道对应的融合向量，预测所述目标车辆在不同运动策略下的轨迹。

19、在一种可能的设计中，在本技术实施例的第一方面的另一种实现方式中，基于融合向量预测所述目标车辆的轨迹的过程，包括：

20、采用配置的轨迹预测模块，基于融合向量预测所述目标车辆的若干条候选轨迹；

21、对所述若干条候选轨迹进行聚类，得到k个聚类簇；

22、选取每一所述聚类簇的代表轨迹，得到k条代表轨迹作为所述目标车辆的轨迹。

23、在一种可能的设计中，在本技术实施例的第一方面的另一种实现方式中，分别基于每种类型车道对应的融合向量，预测所述目标车辆在不同运动策略下的轨迹的过程，包括：

24、采用配置的轨迹预测模块，分别基于每种类型车道对应的融合向量，预测所述目标车辆在每种类型车道对应的运动策略下的若干条候选轨迹；

25、对于每一运动策略下的若干条候选轨迹，对所述若干条候选轨迹进行聚类，得到k个聚类簇，并选取每一所述聚类簇的代表轨迹，得到k条代表轨迹作为所述目标车辆在所述运动策略下的轨迹。

26、在一种可能的设计中，在本技术实施例的第一方面的另一种实现方式中，所述历史轨迹信息包括：每一历史时刻的位置、速度以及横摆角速度；

27、所述车道信息包括：所述目标车辆所处道路所包含的每条车道的车道线信息，所述车道线信息由若干个连续的车道节点组成。

28、在一种可能的设计中，在本技术实施例的第一方面的另一种实现方式中，将所述目标车辆的运动编码特征与所述对象编码特征进行融合，得到上下文向量特征的过程，包括：

29、通过交叉注意力机制，将所述目标车辆的运动编码特征与所述对象编码特征进行融合，得到上下文向量特征；

30、将所述上下文向量与所述车道编码特征进行融合，得到最新的上下文向量的过程，包括：

31、通过交叉注意力机制，将所述上下文向量与所述车道编码特征进行融合，得到最新的上下文向量。

32、在一种可能的设计中，在本技术实施例的第一方面的另一种实现方式中，所述设定分布为连续分布。

33、第二方面，提供了一种车辆轨迹预测装置，包括：

34、目标车辆编码单元，用于对目标车辆的历史轨迹信息进行编码，得到所述目标车辆的运动编码特征；

35、环境对象编码单元，用于对所述目标车辆周围环境中的对象的历史轨迹信息进行编码，得到环境对象的对象编码特征；

36、第一融合单元，用于将所述目标车辆的运动编码特征与所述对象编码特征进行融合，得到融合后的上下文向量；

37、轨迹预测单元，用于从设定分布中采样潜变量，将所述潜变量与所述上下文向量进行融合，基于融合向量预测所述目标车辆的轨迹。

38、第三方面，提供了一种车辆轨迹预测设备，包括：存储器和处理器；

39、所述存储器，用于存储程序；

40、所述处理器，用于执行所述程序，实现本技术前述第一方面中任一项所描述的车辆轨迹预测方法。

41、第四方面，提供了一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现本技术前述第一方面中任一项所描述的车辆轨迹预测方法。

42、第五方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时，实现本技术前述第一方面中任一项所描述的车辆轨迹预测方法。

43、借由上述技术方案，本技术对于待预测的目标车辆，对其历史轨迹信息进行编码得到运动编码特征，进一步，考虑目标车辆周围环境对象的信息，对环境对象的历史轨迹信息进行编码，得到对象编码特征。在此基础上，本技术融合目标车辆的运动编码特征和环境对象的对象编码特征，得到上下文向量，该上下文向量同时包含了目标车辆的历史轨迹信息和周围环境对象的历史轨迹信息，包含的信息更加丰富多样，以此进行目标车辆轨迹预测时，可以降低周围环境对象对目标车辆轨迹预测的不利影响，提升轨迹预测结果的准确度。

44、进一步地，本实施例方案中还引入了采样潜变量的特征，通过在设定分布中采样潜变量，将潜变量与上下文向量进行融合，并就要融合向量预测目标车辆的轨迹。通过引入潜在的变化因素来进一步限制轨迹的预测，潜变量能够更加灵活地适应未来可能发生的多种情况，增加轨迹预测的多样性，尤其是面对复杂交通场景、不同驾驶行为和不同车辆类型的预测，能够在预测中更好地捕捉未知的、多样的情况。