[发明专利]一种获得平滑预测轨迹的方法、装置及存储介质

说明书

本发明属于自动驾驶技术领域，具体涉及一种获得平滑预测轨迹的方法、装置及存储介质，该方法包括，获取本车运动状态、目标运动状态和周围环境信息；根据获取的所述本车运动状态、目标运动状态和周围环境信息进行预处理，根据所述预处理结果生成训练样本；根据生成的所述训练样本采用K‑Means算法，通过聚类方式，获得聚类轨迹；建立神经网络模型，将获得的所述聚类轨迹输入所述神经网路模型中，通过所述神经网路模型转化输出，得到训练轨迹，并与所述聚类轨迹比对，得到预测轨迹。其目的是：用来解决背景技术中指出的现有的轨迹预测方法在车辆未来轨迹预测中可能会出现横向抖动或锯齿形折线，不符合车辆实际运动规律的问题。

技术领域

本发明属于自动驾驶技术领域，具体涉及一种获得平滑预测轨迹的方法、装置及存储介质。

背景技术

在车辆运动学中，车辆运动纵向可以有急停、急加速行为，而横向发生急速位移属于极端情况。相对于纵向运动，正常车辆行驶中，横向位移一般是缓慢且连贯的，不太可能出现忽左忽右的情况。

然而，近年来使用深度学习、数据驱动的轨迹预测方法的研究越来越流行。但基于坐标点回归的优化方法训练得到的轨迹预测模型难免会输出横向运动比较极端的轨迹，例如预测目标轨迹出现横向抖动或锯齿形折线，这是不太符合实际车辆运动规律。

发明内容

本发明的目的是：旨在提供一种获得平滑预测轨迹的方法、装置及存储介质，用来解决背景技术中指出的现有的轨迹预测方法在车辆未来轨迹预测中可能会出现横向抖动或锯齿形折线，不符合车辆实际运动规律的问题。

为实现上述技术目的，本发明采用的技术方案如下：

第一方面，本申请提出了一种获得平滑预测轨迹的方法，所述方法包括，

获取本车运动状态、目标运动状态和周围环境信息；

根据获取的所述本车运动状态、目标运动状态和周围环境信息进行预处理，根据所述预处理结果生成训练样本；

根据生成的所述训练样本采用K-Means算法，通过聚类方式，获得聚类轨迹；

建立神经网络模型，将获得的所述聚类轨迹输入所述神经网路模型中，通过所述神经网路模型转化输出，得到训练轨迹，并与所述聚类轨迹比对，得到预测轨迹。

结合第一方面，在一些可选的实施方式中，所述方法还包括，

在进行所述预处理时，将获取的信息通过时间戳对齐，再将所述时间戳对齐的数据进行降采样或插值；

根据所述降采样或插值的数据获取BEV鸟瞰图数据、当前位置、历史位置、当前速度、当前加速度和当前航向变化率信息生成训练样本。

结合第一方面，在一些可选的实施方式中，所述方法还包括，

所述BEV鸟瞰图数据包括以目标当前位置为中心在预设距离内的高精地图信息、目标历史帧和目标周围移动对象的历史帧；

将所述高精地图信息、目标历史帧和目标周围移动对象的历史帧叠加处理，得到三通道的矩阵图。

结合第一方面，在一些可选的实施方式中，所述方法还包括，

在获取所述聚类轨迹时，根据设定的阈值，调整聚类数量参数进行重新聚类。

结合第一方面，在一些可选的实施方式中，所述方法还包括，

在建立所述神经网络模型时，采用ResNet作为骨干网络，修改第一卷积层的通道数以适应输入BEV的维度，添加第一全连接层接受所述骨干网络的输出结果，再添加第二全连接层将所述输出结果转化成多轨迹以及对应的概率输出。

结合第一方面，在一些可选的实施方式中，所述方法还包括，