CN110796856A 车辆变道意图预测方法及变道意图预测网络的训练方法 （腾讯科技（深圳）有限公司）

车辆变道意图预测方法及变道意图预测网装置、变道意图预测网络的训练装置及电子设征融合，并根据特征融合结果预测车辆变道意2将多种类型的车辆行驶信息输入变道意图预测网络；其将各所述子网络输出的特征提取结果进行特征融合，并所述车辆状态信息包括目标车辆的当前位置坐标、距离所述周边车辆交互信息包括预设数量的周边车辆的位置信息以及各所述周边车辆与根据所述子网络中多个特征提取窗口对所述车辆行驶信息按照行驶时刻顺序依次进根据当前特征提取窗口对应的行驶时刻的车辆行驶信息和前一特征提取窗口输出的根据所述当前特征提取窗口对应的行驶时刻的车辆行驶信息和所述前一特征提取窗提取窗口的目标状态信息的遗忘权重和所述当前特征提取窗口的目标状态信息的输出权根据所述遗忘权重对所述前一特征提取窗口的目标根据所述候选状态信息的输入权重对所述候选状态信息根据所述第一中间状态信息和所述第二中间根据所述当前特征提取窗口的目标状态信息的输出权重对所述当前特征提取窗口的3将各所述子网络输出的特征提取结果进行拼接，以实根据预设权重对各所述子网络输出的特征提取结果进根据所述特征融合结果确定目标车辆属于各类型变根据所述概率分布预测车辆变道意图；其中，所述车辆变道将样本数据输入变道意图预测网络；其中，所述样本数据包括将各所述子网络输出的特征提取结果进行特征融合，并根据所述车辆变道意图以及所述标注车辆变道意图，特征提取单元，用于通过所述子网络分别对各所述车特征提取单元，用于通过所述子网络分别对各所述车4参数调整单元，用于根据所述车辆变道意图以及所述其中，所述处理器配置为经由执行所述可执行5道意图预测网络用于对行驶状态下的车辆的变道6的实施例能够在无需设计过多预设规则的情况下使得变道意图预测网络应用于多种复杂7[0033]图1示出了可以应用本公开实施例的一种车辆变道意图预测方法、应用于车辆驾[0036]图4示意性示出了根据本公开的一个实施例的子网络中特征提取窗口对车辆行驶[0040]图8示意性示出了根据本公开的一个实施例的应用于车辆驾驶的路线规划方法的[0041]图9示意性示出了根据本公开的一个实施例的变道意图预测网络的训练方法的流[0042]图10示意性示出了根据本公开的一个实施例的变道意图预测网络的训练过程结[0043]图11示意性示出了根据本公开的一个实施例中的车辆变道意图预测装置的结构[0044]图12示意性示出了根据本公开的一个实施例中的应用于车辆驾驶的路线规划装[0045]图13示意性示出了根据本公开的一个实施例中的变道意图预测网络的训练装置以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方8[0048]图1示出了可以应用本公开实施例的一种车辆变道意图预测方法、应用于车辆驾以及变道意图预测网络的训练方法一般由服务器105执行，相应地，车辆变道意图预测装应用于车辆驾驶的路线规划方法以及变道意图预测网络的训练方法也可以由终端设备9存储器(ROM)202中的程序或者从存储部分208加载到随机访问存储器(RAM)203中的程序而201、ROM202以及RAM203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线限定的各种功能。在一些实施例中，计算机系统200还可以包括AI(Artificial[0057]人工智能(ArtificialIntelligence,AI)是利用数字计算机或者数字计算机控的长期记忆包含了驾驶地图以及各类驾驶先验知识，动机则是智能驾驶的某个路径要求，[0071]本示例实施方式中，车辆行驶信息用于表征不同时刻下的目标车辆的行驶个子网络用于处理与其对应的类型的车辆行驶信息，子网络可以为长短期记忆网络(Long络(RecurrentNeuralNetworks，RNN)或双向长短时记忆网络(Bi-LongShort-Term[0072]其中，LSTM是一种时间循环神经网络，可以用于解决一般的循环神经网络子网络、用于处理周边车辆交互信息的LSTM子网络以及用于处理路网信息的LSTM子网络。征提取单元进行特征提取的方式均为图4所示的子网络中特征提取窗口对车辆行驶信息进[0090]根据子网络中多个特征提取窗口对车辆行驶信息按照行驶时刻顺序依次进行特[0091]根据当前特征提取窗口对应的行驶时刻的车辆行驶信息和前一特征提取窗口输时刻对应的车辆状态信息输入第一个特征提取窗口，t-1时刻对应的车辆状态信息输入第[0099]本示例实施方式中，请参阅图5，图5示意性示出了根据本公开的一个实施例的取窗口对应的行驶时刻t-n的车辆行驶信息以及上一特征提取过程的隐含状态信息进行编f和bf表示遗忘门中Sigmod函t-n的车辆行驶信息以及上一转换过程的隐含状态信息进行编码，得到候选状态信息以及窗口的目标状态信息。举例而言，当前特征提取过程的目标状态信息可以为[0118]可见，结合图4所示的子网络中特征提取窗口对车辆行驶信息进行特征提取的流程图以及图5所示的LSTM单元的信号流转图实施本公开的实施例，能够在考虑到周围车辆对目标车辆的影响下预测目标车辆的变道意图，这样确定出的目标车辆变道意图更为准输出的特征提取结果进行特征融合的方式具体可以为：将各子网络输出的特征向量(如，[0122]在本公开的一种示例性实施例中，将各子网络输出的特征提取结果进行特征融[0123]将各子网络输出的特征提取结果进行拼接，以实现对于特征提取结果的特征融果进行拼接则可以得到(3,3,3,4,4,4,3,3,3)，这样就可以实现对于特征提取结果的特征[0132]将特征融合结果输入各变道意图对应的分类器中，通过归一化指数函数(softmax)将各分类器输出的数值进行归一化处理，得到目标车辆属于各类型变道意图的[0136]根据概率分布对应的向量确定目标车辆的变道意图序列y(t),y(t+1),…,y(t+[0140]具体地，可以将各行驶时刻的车辆状态信息601输入车辆状态信息对应的子网络周边车辆交互信息对应的子网络的提取结果605和路网信息对应的子网络的特征提取结果[0143]根据本公开的实施例能够确定出目标车辆702、目标车辆703以及目标车辆704的道为车道线2与车道线3之间，根据预测的车辆变道意图B可知目标车辆702准备由车道线3与车道线4之间变道为车道线2与车道线3之间，根据预测的车辆变道意图C可知目标车辆车辆703以及目标车辆704可以确定当前车辆701的自动驾驶路线，这样能够在考虑到周围目标车辆的影响下预测目标车辆的变道意图，这样确定出的目标车辆变道意图更为准确，[0157]本示例实施方式中，步骤S910至步骤S940用于表示变道意图预测网络的训练过[0169]步骤S1040：根据各变道意图预测网络的验证结果确定与当前驾驶场景相对应的[0173]步骤S1070：变道意图预测网络根据多种类型的车辆行驶信息预测目标车辆的变意图预测装置可以应用于服务器或终端设备。参考图11所示，该车辆变道意图预测装置[0188]特征提取单元1102根据子网络中多个特征提取窗口对车辆行驶信息按照行驶时[0189]特征提取单元1102根据当前特征提取窗口对应的行驶时刻的车辆行驶信息和前信息和前一特征提取窗口输出的隐含状态信息，生成当前特征提取窗口的隐含状态信息，[0191]特征提取单元1102根据当前特征提取窗口对应的行驶时刻的车辆行驶信息和前特征提取窗口的目标状态信息的遗忘权重和当前特征提取窗口的目标状态信息的输出权[0192]特征提取单元1102根据遗忘权重对前一特征提取窗口的目标[0195]特征提取单元1102根据当前特征提取窗口的目标状态信息的输出权重对当前特[0200]特征融合单元1103根据预设权重对各子网络输出的特征提取[0203]车辆变道意图预测单元1104根据特征融合结果确定目标车辆属于各类型变道意[0206]由于本公开的示例实施例的车辆变道意图预测装置的各个功能模块与上述车辆变道意图预测方法的示例实施例的步骤对应，因此对于本公开装置实施例中未披露的细对目标车辆的影响下预测目标车辆的变道意图，这样确定出的目标车辆变道意图更为准[0214]由于本公开的示例实施例的应用于车辆驾驶的路线规划装置的各个功能模块与一一对应的多个子网络，变道意图预测网络用于对行驶状态下的车辆的变道意图进行预[0222]由于本公开的示例实施例的变道意图预测网络的训练装置的各个功能模块与上块或者单元的特征和功能可以进一步划分为由多个公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识