[发明专利]障碍物轨迹预测方法、装置、存储介质及电子设备

说明书

本说明书公开了障碍物轨迹预测方法、装置、存储介质及电子设备，可获取障碍物在历史上第一时长内的行驶数据，并以不同时刻的状态数据作为行数据，以不同数据维度的数据作为列数据，构建状态矩阵。之后，将该状态矩阵分别输入轨迹预测模型的时间编码层以及空间编码层，得到时间维度上的关联特征以及空间维度上的关联特征。最后，根据该障碍物分别在时间维度和空间维度上的关联特征，通过该轨迹预测模型的解码层，确定该障碍物的预测行驶轨迹。分别从时间维度和空间维度对障碍物历史的行驶数据进行编码，学习到了障碍物在时间维度和空间维度上的各特征之间的相关性，提高了轨迹预测的准确率。

技术领域

本申请涉及无人驾驶技术领域，尤其涉及障碍物轨迹预测方法、装置、存储介质及电子设备。

背景技术

随着无人驾驶技术的发展，无人驾驶设备也越来越广泛的应用于多个领域中，给人们的生活带来更多便利。

为了保障无人驾驶设备的安全行驶，在规划无人驾驶设备的行驶轨迹时，往往需要预测周围障碍物的行驶轨迹，以使无人驾驶设备在行驶过程中能够避开各障碍物。

目前，在对障碍物进行轨迹预测时，可先获取障碍物的历史行驶轨迹，并通过长短期记忆网络(Long Short-Term Memory，LSTM)对历史行驶轨迹进行编码，得到不同时刻的行驶轨迹之间的关系。之后，通过LSTM译码器进行译码，预测障碍物在未来一段时间范围内的行驶轨迹。

但是，基于不同时刻的行驶轨迹之间的关系，只考虑了行驶轨迹在时间维度上的关联，导致轨迹预测结果不够准确，影响无人驾驶设备的行驶安全。

发明内容

本说明书实施例提供障碍物轨迹预测方法、装置、存储介质及电子设备，用于部分解决现有技术中的问题。

本说明书实施例采用下述技术方案：

本说明书提供的一种障碍物轨迹预测方法，包括：

获取障碍物在历史上第一时长内的行驶数据，所述行驶数据包括所述第一时长内若干时刻的状态数据；

以不同时刻的状态数据作为行数据，以所述状态数据的不同数据维度的数据作为列数据，构建状态矩阵；

将所述状态矩阵输入预先训练的轨迹预测模型的时间编码层，对所述状态矩阵进行列卷积，使同一数据维度在不同时刻的特征融合，得到所述障碍物在时间维度上的关联特征；

将所述状态矩阵输入预先训练的轨迹预测模型的空间编码层，对所述状态矩阵进行行卷积，使不同数据维度在同一时刻的特征融合，得到所述障碍物在空间维度上的关联特征；

根据所述障碍物分别在时间维度和空间维度上的关联特征，通过所述轨迹预测模型的解码层，确定所述障碍物的预测行驶轨迹。

可选地，将所述状态矩阵输入预先训练的轨迹预测模型的时间编码层和/或空间编码层之前，所述方法还包括：

针对所述第一时长内的每个时刻，根据所述障碍物对应该时刻的状态数据，以及所述障碍物对应各其它时刻的状态数据，确定该时刻对应的关联矩阵，所述关联矩阵表征各其它时刻的状态数据与该时刻的状态数据之间的相关性；

根据所述第一时长内各时刻对应的关联矩阵，确定注意力权值矩阵；

根据所述注意力权值矩阵，对所述状态矩阵进行注意力加权，确定加权后的状态矩阵。

可选地，所述时间编码层包括标准卷积层和空洞卷积层；

将所述状态矩阵输入预先训练的轨迹预测模型的时间编码层，对所述状态矩阵进行列卷积，使同一数据维度在不同时刻的特征融合，得到所述障碍物在时间维度上的关联特征，具体包括：