[发明专利]一种轨迹预测模型的训练方法、装置和设备

说明书

本发明涉及自动驾驶技术领域，具体涉及一种轨迹预测模型的训练方法。包括：获取轨迹样本数据；其中，轨迹样本数据包括目标车辆的轨迹样本数据以及目标车辆的周车轨迹样本数据；获取目标车辆轨迹预测模型以及各个周车的轨迹修正模型；将周车的轨迹样本数据输入对应的周车的轨迹预测模型以生成与周车对应的轨迹修正序列；利用目标车辆和周车的轨迹样本数据确定各个所述轨迹修正模型对应的权重；利用权重将车辆轨迹预测模型及周车的轨迹预测模型进行级联得到轨迹预测模型；训练轨迹预测模型以更新轨迹预测模型的参数。考虑修正数据从而使网络结构参数与实际训练集能够进行匹配，使预测数据更加准确，更接近实际数值。

技术领域

本发明涉及无人驾驶技术领域，具体涉及一种轨迹预测模型的训练方法、装置和设备。

背景技术

轨迹预测是自动驾驶技术的重要一环，自动驾驶汽车的决策、规划和控制都依赖于对当前车辆所处环境的合理认知，这种认知不仅包括高精度地图的获取、车辆的定位、周车等障碍物的识别与跟踪，还需要对周围障碍物未来的轨迹进行预测。例如：驾驶员在驾驶过程中也会对周车的运动做出预判断。而对于自动驾驶，实时进行轨迹预测将帮助后续的决策等环节规避大量潜在的风险，从而大幅度提高自动驾驶汽车的安全性。

对于传统的车辆轨迹预测算法来说，是通过依赖汽车的历史轨迹生成预测轨迹，这种预测方式在低密度交通下可以取得较为准确的预测结果。然而在高密交通场景下，车辆的运动很大程度上是受到周围其他车辆的影响，因此在轨迹预测中还应去考虑车辆之间的空间交互情况。

近年来,随着深度学习的发展，RNN等时序网络(主要为LSTM)逐渐被应用于端到端的车辆轨迹预测中，而为了使建模空间交互常常需要构建耦合多个RNN的端到端模型，具体做法是将空间交互时序化，表达为相对位置或相对速度等时间序列，并采用简单的时序网络(LSTM)建模，最后将各个简单网络叠加成复杂网络，在训练过程中联合学习整个网络的参数。然而这种“直接耦合”的方式未引入任何的先验信息，是完全依赖于神经网络的学习能力，缺乏解释性；并在网络结构参数的设计中无法良好的与训练集特点进行匹配，从而导致所训练出来的模型预测数据不准确。

发明内容

有鉴于此，本发明实施例提供了一种轨迹预测模型的训练方法、装置和设备，以解决预测数据不准确的问题。

根据第一方面，本发明实施例提供了一种轨迹预测模型的训练方法，包括：

获取轨迹样本数据；其中，所述轨迹样本数据包括目标车辆的轨迹样本数据以及所述目标车辆的周车轨迹样本数据；

获取所述目标车辆的车辆轨迹预测模型以及各个所述周车的轨迹修正模型；

将所述周车的轨迹样本数据输入对应的所述周车的轨迹预测模型中，以生成与所述周车对应的轨迹修正序列；

利用所述目标车辆和周车的轨迹样本数据确定各个所述轨迹修正模型对应的权重；

用所述权重将所述车辆轨迹预测模型以及所述周车的轨迹预测模型进行级联，以得到所述轨迹预测模型；

训练所述轨迹预测模型，以更新所述轨迹预测模型的参数。

通过获取轨迹样本数据，和预设的预测模型以及轨迹修正模型，把样本数据放入预测模型和修正模型中，得到初步预测的数据和修正数据，通过把预测数据和修正数据进行权重设置之后在进行叠加处理，以得到更加准确的预测数据。利用修正数据模型和预测数据模型级联形成新的预测数据模型，之后把数据放入新的预测数据模型中，进行训练得到最后的修正后的预测数据。

通过把修正数据考虑其中，并进行权重分配，在利用预测数据和修正数据进行叠加，使预测轨迹模型具有可解释性，又因考虑修正数据从而使网络结构参数与实际训练集能够进行匹配，从而使预测数据更加准确，更接近实际数值。