[發(fā)明專利]軌跡預測方法、碰撞檢測方法、裝置、電子設(shè)備及介質(zhì)

有效

• 申請?zhí)枺?/td>: 202110940464.0
• 申請日: 2021-08-16
• 公開（公告）號: CN113658214B
• 公開（公告）日: 2022-08-09
• 發(fā)明（設(shè)計）人: 陳珍;丁建輝;彭姝琳;崔軒
• 申請（專利權(quán)）人: 北京百度網(wǎng)訊科技有限公司
• 主分類號: G06T7/207
• 分類號: G06T7/207;G06T7/246
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 陳文卓

1.一種軌跡預測方法，包括：

基于與目標對象相關(guān)聯(lián)的動態(tài)特征序列和靜態(tài)特征，確定所述目標對象的第一預測軌跡；

基于所述目標對象的歷史軌跡，確定所述目標對象的第二預測軌跡；以及

基于所述第一預測軌跡和所述第二預測軌跡，確定所述目標對象的目標預測軌跡；

其中，所述歷史軌跡包括多個；

所述基于所述目標對象的歷史軌跡，確定所述目標對象的第二預測軌跡包括：

對多個歷史軌跡進行網(wǎng)格編碼，得到所述多個歷史軌跡各自的編碼結(jié)果；

基于所述多個歷史軌跡各自的編碼結(jié)果，對所述多個歷史軌跡進行聚類，確定至少一個目標歷史軌跡；

確定所述至少一個目標歷史軌跡與所述目標對象的當前時間段內(nèi)已有軌跡之間的相似度；以及

將所述相似度大于或等于預設(shè)相似度閾值的目標歷史軌跡確定為所述目標對象的所述第二預測軌跡。

2.根據(jù)權(quán)利要求1所述的方法，其中，所述基于與目標對象相關(guān)聯(lián)的動態(tài)特征序列和靜態(tài)特征，確定所述目標對象的第一預測軌跡包括：

將與目標對象相關(guān)聯(lián)的動態(tài)特征序列和靜態(tài)特征輸入至編碼器的卷積模塊中，得到抽象特征；

將所述抽象特征輸入至編碼器的特征提取模塊中，得到語義向量；以及

將所述語義向量輸入至解碼器中，得到所述第一預測軌跡。

3.根據(jù)權(quán)利要求1所述的方法，其中，所述基于與目標對象相關(guān)聯(lián)的動態(tài)特征序列和靜態(tài)特征，確定所述目標對象的第一預測軌跡包括：

將與所述目標對象相關(guān)聯(lián)的動態(tài)特征序列和靜態(tài)特征分別輸入至多個基學習器中，得到所述多個基學習器各自的預測結(jié)果；以及

將所述多個基學習器的預測結(jié)果輸入至次學習器中，得到所述目標對象的第一預測軌跡；

其中，所述次學習器和所述多個基學習器中的每個基學習器分別包括以下至少一項：

包括高斯過程回歸網(wǎng)絡(luò)的編碼解碼模型、包括灰色網(wǎng)絡(luò)的編碼解碼模型、包括多層感知器的編碼解碼模型、包括卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)的編碼解碼模型、包括門控循環(huán)單元的編碼解碼模型。

4.根據(jù)權(quán)利要求1所述的方法，其中，所述基于所述第一預測軌跡和所述第二預測軌跡，確定所述目標對象的目標預測軌跡包括：

對所述第一預測軌跡和所述第二預測軌跡進行融合處理，確定所述目標對象的目標預測軌跡；

其中，所述融合處理包括以下至少一項：

投票法、求平均法、加權(quán)法。

5.根據(jù)權(quán)利要求1所述的方法，其中，所述動態(tài)特征序列包括以下至少一項：

航速、航向、位置、天氣、時間、周圍環(huán)境；

其中，所述靜態(tài)特征包括目標對象的屬性特征。

6.根據(jù)權(quán)利要求1所述的方法，其中，所述動態(tài)特征序列還包括隱式語義特征；

所述方法還包括：

對所述目標對象的已有軌跡進行網(wǎng)格編碼，得到編碼結(jié)果；

對所述編碼結(jié)果進行處理，得到與所述目標對象的已有軌跡相對應的語義向量；

基于所述語義向量，確定所述目標對象的已有軌跡的隱式語義特征。

7.一種碰撞檢測方法，包括：

確定目標區(qū)域內(nèi)的多個對象各自的目標預測軌跡；

確定所述多個對象各自的目標預測軌跡中是否存在至少兩條相交的目標預測軌跡；以及

在確定存在至少兩條相交的目標預測軌跡的情況下，確定與所述至少兩條相交的目標預測軌跡相對應的至少兩個對象存在碰撞的風險；

其中，所述目標預測軌跡為利用根據(jù)權(quán)利要求1至6所述的軌跡預測方法預測得到的。