本技術屬于神經網絡，尤其涉及一種車輛的軌跡預測方法、裝置及終端設備。

背景技術：

1、隨著汽車保有量的增加，城市交通環(huán)境也越來越復雜。尤其是在隧道、交叉路口等存在多種類型的交通參與者且交通參與者的運動狀態(tài)多變的復雜道路上，極易發(fā)生交通事故。針對上述情況，需要對車輛的行駛軌跡進行預測，以掌握復雜路況的交通態(tài)勢，保障車輛的通行安全。

2、相關的車輛軌跡預測方法通常包括兩種：基于傳統物理模型的軌跡預測方法和基于機器學習模型的軌跡預測方法。其中，基于傳統物理模型的軌跡預測方法主要是基于車輛的運動狀態(tài)和物理特性進行軌跡預測，得到短時軌跡預測結果。基于機器學習模型的軌跡預測方法僅能針對單個車輛進行軌跡預測，無法適應復雜的交通環(huán)境。

3、綜上所述，相關的車輛軌跡預測方法分別具有預測結果時效短、僅能預測單個車輛軌跡的問題。

技術實現思路

1、本技術實施例提供了一種車輛的軌跡預測方法、裝置及終端設備，可以解決相關的車輛軌跡預測方法分別具有預測結果時效短、僅能預測單個車輛軌跡的問題。

2、第一方面，本技術實施例提供了一種車輛的軌跡預測方法，包括：

3、獲取檢測區(qū)域內各車輛的車輛信息；

4、根據所述車輛信息選取目標車輛；

5、根據所述車輛信息及與所述目標車輛對應的環(huán)境信息確定所述目標車輛的意圖識別結果；

6、將所述意圖識別結果及與所述目標車輛對應的環(huán)境信息輸入至預訓練的軌跡預測神經網絡模型中處理，得到所述目標車輛的軌跡預測結果；

7、將所述軌跡預測結果發(fā)送至目標終端。

8、在第一方面的一種可能的實現方式中，所述車輛信息包括位置信息，所述根據所述車輛信息選取目標車輛，包括：

9、獲取所述檢測區(qū)域內的信號燈信息；

10、根據所述信號燈信息確定處于可通行狀態(tài)的目標車道；

11、根據所述位置信息篩選得到位于所述目標車道上的車輛，作為目標車輛。

12、在第一方面的一種可能的實現方式中，所述根據所述車輛信息及與所述目標車輛對應的環(huán)境信息確定所述目標車輛的意圖識別結果，包括：

13、根據所述車輛信息確定與所述目標車輛具有連接關系的相鄰車輛，將所述相鄰車輛的第一車輛信息作為所述目標車輛的環(huán)境信息；

14、根據所述目標車輛的第二車輛信息以及所述環(huán)境信息，構建鄰接矩陣；

15、將所述鄰接矩陣輸入至預訓練的意圖識別神經網絡模型中進行處理，得到所述目標車輛的意圖識別結果；其中，所述意圖識別結果用于表征所述目標車輛的行駛方向；所述意圖識別神經網絡模型由至少一個的圖神經網絡層、全連接層、長短期記憶力網絡層和函數層順次連接構成，所述圖神經網絡層、全連接層和長短期記憶力網絡層一一對應。

16、在第一方面的一種可能的實現方式中，所述根據所述車輛信息確定與所述目標車輛具有連接關系的相鄰車輛，將所述相鄰車輛的第一車輛信息作為所述目標車輛的環(huán)境信息，包括：

17、根據所述目標車輛的位置信息確定以所述目標車輛為中心的鄰域區(qū)域；

18、將所述鄰域區(qū)域內的所有其它車輛，作為與所述目標車輛具有連接關系的相鄰車輛；其中，所述其它車輛為除所述目標車輛以外的車輛；

19、將所述相鄰車輛的第一車輛信息作為所述目標車輛的環(huán)境信息。

20、在第一方面的一種可能的實現方式中，所述根據所述目標車輛的第二車輛信息以及所述環(huán)境信息，構建鄰接矩陣，包括：

21、分別對所述目標車輛的第二車輛信息和所述環(huán)境信息進行歸一化處理，得到目標車輛的第一特征向量和相鄰車輛的第二特征向量；

22、根據所述第一特征向量和所述第二特征向量，計算得到所述目標車輛和所述相鄰車輛之間的相似度；

23、根據所述相似度構建與所述目標車輛對應的鄰接矩陣。

24、在第一方面的一種可能的實現方式中，所述根據所述目標車輛的位置信息確定以所述目標車輛為中心的鄰域區(qū)域，包括：

25、將所述目標車輛的位置信息進行坐標系轉換，得到轉換后的位置坐標；

26、獲取預設區(qū)域限制數據；

27、根據所述預設區(qū)域限制數據和所述位置坐標，構建以所述目標車輛為中心的鄰域區(qū)域。

28、在第一方面的一種可能的實現方式中，所述將所述意圖識別結果及與所述目標車輛對應的環(huán)境信息輸入至預訓練的軌跡預測神經網絡模型中處理，得到所述目標車輛的軌跡預測結果，包括：

29、將所述目標車輛的第二車輛信息、所述意圖識別結果和所述環(huán)境信息，輸入至所述預訓練的軌跡預測神經網絡模型中進行處理，得到所述目標車輛的軌跡預測結果；其中，軌跡預測神經網絡模型包括編碼器和解碼器，所述編碼器由至少一個長短期記憶網絡、上下文連接層、降維層順次連接構成，所述解碼器由至少一個長短期記憶網絡和全連接層順次連接構成。

30、本技術實施例與現有技術相比存在的有益效果是：通過多車輛之間的交互關系預先識別目標車輛的意圖識別結果，并根據預訓練的軌跡預測神經網絡模型對目標車輛的意圖識別結果和對應的環(huán)境信息進行處理，預測出在一定時間段上目標車輛的行駛軌跡，提高在復雜路況下多車輛的綜合性軌跡預測的精度和效率。

31、第二方面，本技術實施例提供了一種車輛的軌跡預測裝置，包括：

32、數據獲取模塊，用于獲取檢測區(qū)域內各車輛的車輛信息；

33、車輛篩選模塊，用于根據所述車輛信息選取目標車輛；

34、意圖識別模塊，用于根據所述車輛信息及與所述目標車輛對應的環(huán)境信息確定所述目標車輛的意圖識別結果；

35、軌跡預測模塊，用于將所述意圖識別結果及與所述目標車輛對應的環(huán)境信息輸入至預訓練的軌跡預測神經網絡模型中處理，得到所述目標車輛的軌跡預測結果；

36、發(fā)送模塊，用于將所述軌跡預測結果發(fā)送至目標終端。

37、在第二方面的一種可能的實現方式中，所述車輛信息包括位置信息，所述車輛篩選模塊，包括：

38、信號燈信息獲取單元，用于獲取所述檢測區(qū)域內的信號燈信息；

39、車道確定單元，用于根據所述信號燈信息確定處于可通行狀態(tài)的目標車道；

40、車輛篩選單元，用于根據所述位置信息篩選得到位于所述目標車道上的車輛，作為目標車輛。

41、在第二方面的一種可能的實現方式中，所述意圖識別模塊，包括：

42、環(huán)境信息確定子模塊，用于根據所述車輛信息確定與所述目標車輛具有連接關系的相鄰車輛，將所述相鄰車輛的第一車輛信息作為所述目標車輛的環(huán)境信息；

43、矩陣構建子模塊，用于根據所述目標車輛的第二車輛信息以及所述環(huán)境信息，構建鄰接矩陣；

44、意圖識別子模塊，用于將所述鄰接矩陣輸入至預訓練的意圖識別神經網絡模型中進行處理，得到所述目標車輛的意圖識別結果；其中，所述意圖識別結果用于表征所述目標車輛的行駛方向；所述意圖識別神經網絡模型由至少一個的圖神經網絡層、全連接層、長短期記憶力網絡層和函數層順次連接構成，所述圖神經網絡層、全連接層和長短期記憶力網絡層一一對應。

45、在第二方面的一種可能的實現方式中，所述環(huán)境信息確定子模塊，包括：

46、鄰域確定單元，用于根據所述目標車輛的位置信息確定以所述目標車輛為中心的鄰域區(qū)域；

47、相鄰車輛確定單元，用于將所述鄰域區(qū)域內的所有其它車輛，作為與所述目標車輛具有連接關系的相鄰車輛；其中，所述其它車輛為除所述目標車輛以外的車輛；

48、環(huán)境信息確定單元，用于將所述相鄰車輛的第一車輛信息作為所述目標車輛的環(huán)境信息。

49、在第二方面的一種可能的實現方式中，所述矩陣構建子模塊，包括：

50、特征向量確定單元，用于分別對所述目標車輛的第二車輛信息和所述環(huán)境信息進行歸一化處理，得到目標車輛的第一特征向量和相鄰車輛的第二特征向量；

51、相似度計算單元，用于根據所述第一特征向量和所述第二特征向量，計算得到所述目標車輛和所述相鄰車輛之間的相似度；

52、矩陣構建單元，用于根據所述相似度構建與所述目標車輛對應的鄰接矩陣。

53、在第二方面的一種可能的實現方式中，所述鄰域確定單元，包括：

54、坐標轉換子單元，用于將所述目標車輛的位置信息進行坐標系轉換，得到轉換后的位置坐標；

55、數據獲取子單元，用于獲取預設區(qū)域限制數據；

56、鄰域確定子單元，用于根據所述預設區(qū)域限制數據和所述位置坐標，構建以所述目標車輛為中心的鄰域區(qū)域。

57、在第二方面的一種可能的實現方式中，所述軌跡預測模塊具體用于將所述目標車輛的第二車輛信息、所述意圖識別結果和所述環(huán)境信息，輸入至所述預訓練的軌跡預測神經網絡模型中進行處理，得到所述目標車輛的軌跡預測結果；其中，軌跡預測神經網絡模型包括編碼器和解碼器，所述編碼器由至少一個長短期記憶網絡、上下文連接層、降維層順次連接構成，所述解碼器由至少一個長短期記憶網絡和全連接層順次連接構成。

58、第三方面，本技術實施例提供了一種終端設備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現如上述第一方面任一項所述的車輛的軌跡預測方法。

59、第四方面，本技術實施例提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現如上述第一方面任一項所述的車輛的軌跡預測方法。

60、第五方面，本技術實施例提供了一種計算機程序產品，當計算機程序產品在終端設備上運行時，使得終端設備執(zhí)行上述第一方面中任一項所述的車輛的軌跡預測方法。

61、可以理解的是，上述第二方面至第五方面的有益效果可以參見上述第一方面中的相關描述，在此不再贅述。