[發明專利]面向智能駕駛的移動目標軌跡預測方法、系統、裝置

有效

• 申請號: 202010400600.2
• 申請日: 2020-05-13
• 公開（公告）號: CN111597961B
• 公開（公告）日: 2023-04-25
• 發明（設計）人: 陳亞冉;趙曉東;趙冬斌
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06V20/56
• 分類號: G06V20/56;G06N3/0464;G06N3/0442
• 代理公司: 北京市恒有知識產權代理事務所(普通合伙) 11576
• 代理人: 郭文浩;尹文會

本發明屬于數據挖掘、智能駕駛領域，具體涉及一種面向智能駕駛的移動目標軌跡預測方法、系統、裝置，旨在解決現有的移動目標軌跡預測方法預測精度較低的問題。本系統方法包括：獲取輸入視頻中的圖像幀；獲取各圖像幀中所有移動目標對應的檢測區域，并分別計算第一影響；提取各第一影響、各第一位置信息的特征分別構建第一特征序列、第二特征序列；通過注意力機制分別對第一特征序列、第二特征序列中的各特征進行時間維度上的加權求和；結合待預測目標在待預測時刻上一時刻的位置信息提取的特征，進行加權求和，并通過解碼器得到待預測目標待預測時刻的預測位置；迭代獲取設定時間段內的多個預測位置，構建預測軌跡。本發明提高了軌跡預測的精度。

技術領域

本發明屬于數據挖掘、智能駕駛領域，具體涉及一種面向智能駕駛的移動目標軌跡預測方法、系統、裝置。

背景技術

移動目標軌跡預測是智能駕駛中的重要組成部分，對移動目標未來的軌跡進行預測，可以保證智能駕駛系統能夠提前做出正確的決策，降低交通中發生意外的可能性，提高行駛過程的安全性和舒適性。

在智能駕駛系統中，基于循環神經網絡的移動目標軌跡預測方法成為了主流。傳統的軌跡預測方法只能處理一些簡單的交互場景，而行人和自行車人與車輛相比，受到交通規則的約束和規范較弱，具有很強的主觀性和隨機性，在這種情況下，基于深度學習的移動目標軌跡預測方法是智能駕駛中一種有效的方法。目前已有的基于循環神經網絡的移動目標軌跡預測方法過多的注重多個目標之間的空間關系，而忽略了目標在不同時間點上的歷史軌跡信息對未來軌跡的影響，尤其是在周圍移動目標少的情況下，空間關系對未來軌跡的影響大幅下降。因此有必要提出一種結合時間和空間信息的移動目標軌跡預測方法，對目標未來的運動軌跡做出預測，便于智能駕駛系統做出正確的決策，預防交通事故發生。

發明內容

為了解決現有技術中的上述問題，即為了解決現有的基于循環神經網絡的移動目標軌跡預測方法過多的注重目標之間的空間關系，而忽略了目標在不同時間點的歷史信息對未來軌跡的影響，導致預測精度較低的問題，本發明第一方面，提出了一種面向智能駕駛的移動目標軌跡預測方法，該方法包括：

步驟S100，獲取輸入視頻中t_now-N至t_now時刻的圖像幀；其中，N為正整數，t_now表示當前時刻；

步驟S200，獲取各圖像幀中所有移動目標對應的檢測區域，并分別通過預設的第一方法計算第一影響；所述第一影響為各圖像幀中所有移動目標對待預測目標影響程度的加權和；

步驟S300，通過預訓練的編碼器的LSTM層提取各第一影響的特征向量構建第一特征序列，并提取各第一位置信息的特征向量構建第二特征序列；所述第一位置信息為待預測目標的位置信息；

步驟S400，令t'＝t_now+1；t'表示待預測時刻；

步驟S500，通過注意力機制分別對所述第一特征序列、所述第二特征序列中的各特征進行時間維度上的加權求和，得到第三特征、第四特征；

步驟S600，基于所述第三特征、所述第四特征，結合t'-1時刻所述待預測目標的位置信息提取的特征，進行加權求和，得到第五特征，并通過預訓練的解碼器的LSTM層和全連接層，得到所述待預測目標t'時刻的預測位置；

步驟S700，令t'＝t'+1，跳轉步驟S500，迭代獲取所述待預測目標設定時間段內的多個預測位置，構建預測軌跡。

在一些優選的實施方式中，步驟S200中“獲取各圖像幀中所有移動目標對應的檢測區域”，其方法為：

提取各圖像幀的多尺度特征，并分別通過RPN網絡獲取移動目標不同比例的候選檢測區域；

基于各候選檢測區域，通過檢測網絡得到各圖像幀中所有移動目標的檢測區域；所述檢測網絡基于卷積神經網絡構建。