[發明專利]駕駛行為預測方法和裝置、無人車

有效

• 申請號: 201710791181.8
• 申請日: 2017-09-05
• 公開（公告）號: CN107697070B
• 公開（公告）日: 2020-04-07
• 發明（設計）人: 郁浩;閆泳杉;鄭超;唐坤;張云飛;姜雨
• 申請（專利權）人: 百度在線網絡技術（北京）有限公司
• 主分類號: B60W40/09
• 分類號: B60W40/09;B60W50/00;G06K9/00
• 代理公司: 北京英賽嘉華知識產權代理有限責任公司 11204
• 代理人: 王達佐;馬曉亞

本申請公開了駕駛行為預測方法和裝置、無人車。所述方法的一具體實施方式包括：獲取預定的連續時間段內的駕駛行為序列，各駕駛行為包括駕駛操作和與駕駛操作對應的場景信息；將駕駛行為序列映射生成駕駛行為向量，其中，駕駛行為向量的維數小于駕駛行為序列所包含的駕駛行為的數量；以及將駕駛行為向量作為訓練樣本訓練預先建立的駕駛行為預測模型，其中，駕駛行為預測模型用于基于接收到的當前場景信息預測駕駛行為向量。該實施方式訓練后的駕駛行為預測模型預測得到的駕駛行為向量具有多個在時間上連續且相互關聯的駕駛行為的特征，從而可以確保基于預測得到的駕駛行為向量生成的駕駛行為序列中所包含的各個駕駛行為之間的相互關聯性。

技術領域

本申請涉及計算機技術領域，具體涉及無人駕駛技術領域，尤其涉及駕駛行為預測方法和裝置、無人車。

背景技術

無人駕駛汽車，是指主要依靠車內的以計算機系統為主的智能駕駛儀來實現無人駕駛的目標的汽車。隨著深度學習技術的迅速發展以及人工智能領域的深入研究，汽車工業特別是無人駕駛汽車領域，正在進行著革命性的變化。

在現有的應用深度學習技術的無人駕駛汽車中，車載大腦通常可以通過預先的對模型的訓練和學習來根據具體駕駛場景的需求輸出對車輛的控制指令。

一般而言，現有的無人駕駛汽車中，車載大腦通常可以通過學習單幅圖像的特征來進行預測，從而得到單個駕駛行為。

然而，僅針對單幅圖像的特征來預測，無法捕捉到圖像之間的時序關聯，相鄰預測結果之間相互獨立且不相關聯，無法保證相鄰預測結果的連續性。預測得到的多個行為之間具有較大的發散性，相互之間沒有約束關系，使得預測結果不符合真實人的駕駛習慣。

發明內容

本申請的目的在于提出一種改進的駕駛行為預測方法和裝置、無人車，來解決以上背景技術部分提到的技術問題。

第一方面，本申請提供了一種駕駛行為預測方法，方法包括：獲取預定的連續時間段內的駕駛行為序列，駕駛行為序列包括多個駕駛行為，各駕駛行為包括駕駛操作和與駕駛操作對應的場景信息；將駕駛行為序列映射生成駕駛行為向量，其中，駕駛行為向量的維數小于駕駛行為序列所包含的駕駛行為的數量；以及將駕駛行為向量作為訓練樣本訓練預先建立的駕駛行為預測模型，其中，駕駛行為預測模型用于基于接收到的當前場景信息預測駕駛行為向量。

在一些實施例中，在將駕駛行為向量作為訓練樣本訓練預先建立的駕駛行為預測模型之后，方法還包括：響應于接收到當前場景信息，將所接收到的當前場景信息輸入訓練后的駕駛行為預測模型，以得到與所接收到的當前場景信息對應的駕駛行為向量；以及將預測得到的駕駛行為向量反向映射生成駕駛行為序列。

在一些實施例中，獲取預定的連續時間段內的駕駛行為序列還包括：將采集得到的連續駕駛行為切分成為多個預定的連續時間段內的駕駛行為序列。

在一些實施例中，將駕駛行為序列映射生成駕駛行為向量還包括：將駕駛行為序列輸入預先訓練的多層神經網絡模型以得到與駕駛行為序列對應的駕駛行為向量。

在一些實施例中，將預測得到的駕駛行為向量反向映射生成駕駛行為序列還包括：將預測得到的駕駛行為向量輸入預先訓練的多層神經網絡模型，以反向映射生成駕駛行為序列。

第二方面，本申請提供了一種駕駛行為預測裝置，裝置包括：獲取模塊，用于獲取預定的連續時間段內的駕駛行為序列，駕駛行為序列包括多個駕駛行為，各駕駛行為包括駕駛操作和與駕駛操作對應的場景信息；映射模塊，用于將駕駛行為序列映射生成駕駛行為向量，其中，駕駛行為向量的維數小于駕駛行為序列所包含的駕駛行為的數量；以及訓練模塊，用于將駕駛行為向量作為訓練樣本訓練預先建立的駕駛行為預測模型，其中，駕駛行為預測模型用于基于接收到的當前場景信息預測駕駛行為向量。