[发明专利]用于自主机器应用的未来对象轨迹预测

权利要求书

1.一种方法，包括：在空间布置中定位一个或更多个编码状态特征，所述一个或更多个编码状态特征中的每个编码状态特征对应于环境中的相应对象，每个编码状态特征被定位在所述空间布置内的位置，所述空间布置内的位置对应于所述环境中的相应对象相对于自我车辆的相对位置；使用长短期记忆(LSTM)网络，通过将表示在第一方向上遍历的所述空间布置的第一数据输入到所述LSTM网络，来计算第一编码空间特征；使用所述LSTM网络或另一个LSTM网络，通过将表示在不同于所述第一方向的第二方向上遍历的所述空间布置的第二数据输入到所述LSTM网络或所述另一个LSTM网络，来计算第二空间矢量；以及对于每个相应对象，至少部分地基于与所述相应对象相对应的所述编码状态特征、所述第一编码空间特征和所述第二编码空间特征，计算与多个对象机动发生的可能性相对应的置信度值。

2.根据权利要求1所述的方法，其中，每个编码状态特征是使用机器学习模型并且至少部分地基于与所述编码状态特征相对应的所述相应对象的所述环境内的多个先前位置来计算的。

3.根据权利要求1所述的方法，其中，所述多个对象机动包括选自改变到右相邻车道、改变到左相邻车道以及停留在当前车道的横向机动，并且所述多个对象机动还包括选自加速、减速或保持当前速度的纵向机动。

4.根据权利要求1所述的方法，还包括：至少部分地基于所述置信度值，从所述多个对象机动中确定一个或更多个对象机动；对于每个相应对象，至少部分地基于与所述相应对象相对应的所述编码状态特征、所述第一编码空间特征、所述第二编码空间特征以及所述一个或更多个对象机动，计算与所述相应对象的未来位置的空间相对应的密度函数。

5.根据权利要求4所述的方法，其中，所述密度函数表示未来位置的所述空间内的位置的区域，所述位置的区域使用以下至少一项计算：所述一个或更多个未来位置的标准偏差，所述一个或更多个未来位置的均值或所述一个或更多个未来位置的协方差。

6.根据权利要求4所述的方法，还包括：将表示所述环境内的未来位置的第三数据输入到机器学习模型中，所述机器学习模型用于计算所述一个或更多个编码状态特征；以及使用所述机器学习模型，使用所述第三数据计算所述相应对象的更新的编码状态特征。

7.根据权利要求6所述的方法，其中，所述更新的编码状态特征被用于计算所述相应对象的所述未来位置之后的另一未来位置。

8.根据权利要求1所述的方法，其中，所述环境是模拟环境，并且所述对象机动用于确定所述模拟环境内的所述相应对象的轨迹。

9.根据权利要求1所述的方法，其中，使用LSTM网络的相应实例化来计算所述一个或更多个编码状态特征中的每个编码状态特征。

10.一种方法，包括：在第一时间实例处，将表示环境中对象的一个或更多个过去位置和当前位置的第一数据输入到长短期记忆(LSTM)网络；使用所述LSTM网络并且至少部分地基于所述第一数据来计算与在所述第一时间实例处的所述对象相对应的第一编码状态特征；在所述第一时间实例处，使用所述第一编码状态特征和与所述环境中的一个或更多个附加对象相对应的一个或更多个附加编码状态特征来计算编码空间特征；使用所述编码空间特征和所述第一编码状态特征预测所述对象在所述环境中的未来位置；在所述第一时间实例之后的第二时间实例处，将表示所述环境中对象的一个或更多个更新的过去位置、新的当前位置以及所述未来位置的第二数据输入到所述LSTM网络；以及使用所述LSTM网络并至少部分地基于所述第二数据，计算与所述第二时间实例处的所述对象相对应的第二编码状态特征。

11.根据权利要求10所述的方法，其中，所述一个或更多个过去位置和所述当前位置被表示为相对于所述环境中的自我车辆的原点的值。