(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211329797.0 (22)申请日 2022.10.27 (71)申请人 上海人工智能创新中心 地址 200232 上海市徐汇区云锦路701号 37、 38层 (72)发明人 李弘扬　贾萧松　陈立　吴鹏浩　 曾嘉　严骏驰　乔宇　 (74)专利代理 机构 上海智晟知识产权代理事务 所(特殊普通 合伙) 31313 专利代理师 张瑞莹　李镝的 (51)Int.Cl. G08G 1/01(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种轨迹预测系统及方法 (57)摘要 本发明公开一种轨迹预测系统及方法， 其首 先通过粗略轨迹生成模块， 根据车辆表征向量粗 略估计车辆未来多个时间步的位置， 形成粗略轨 迹， 然后通过包含有具有时间归纳偏差的结构的 轨迹优化模块预测粗略轨迹中每个时间步的偏 移量， 最后通过轨迹生成模块根据每个时间步的 偏移量计算得到轨迹。 该系统及方法融合了两种 利用时间相关性生成未来轨迹的方法， 有效提高 了模型的性能， 使得不同时刻的轨迹有了时间相 关性， 进而得到更好的预测。 权利要求书1页 说明书5页 附图1页 CN 115547053 A 2022.12.30 CN 115547053 A 1.一种轨 迹预测系统， 其特 征在于， 包括： 粗略轨迹生成模块， 其被配置为根据 车辆表征向量粗略估计车辆未来多个时间步的位 置， 形成粗略轨 迹； 轨迹优化模块， 其包括具有时间归纳偏差的结构， 所述结构被配置为预测所述粗略轨 迹中每个时间步的偏移量； 以及 轨迹生成模块， 其被 配置为根据所述每 个时间步的偏移量计算得到 轨迹。 2.如权利要求1所述的轨迹预测系统， 其特征在于， 所述粗略轨迹生成模块包括多层感 知机。 3.如权利要求1所述的轨迹预测系统， 其特征在于， 所述轨迹优化模块包括循环神经网 络或1维卷积网络 。 4.如权利要求1所述的轨迹预测系统， 其特征在于， 所述轨迹生成模块包括积分电路， 所述积分电路被 配置为对所述偏移量进行积分。 5.一种基于如权利要求1至4任一所述的轨迹预测系统的轨迹预测方法， 其特征在于， 包括步骤: 由粗略轨 迹生成模块， 基于车辆表征向量 生成粗略轨 迹； 由轨迹优化模块预测所述 粗略轨迹中每个时间步的偏移量； 以及 由轨迹生成模块， 根据所述每 个时间步的偏移量计算得到 轨迹。 6.如权利要求5所述的轨 迹预测方法， 其特 征在于， 还 包括步骤： 计算所述轨迹生成模块输出的轨迹与真实轨迹之间的差别， 并将其作为损 失函数， 以 对所述轨 迹预测系统进行迭代优化。 7.如权利要求5所述的轨 迹预测方法， 其特 征在于， 所述车辆表征向量包括： 车辆历史状态信息， 包括车辆位置、 速度以及航向； 以及 地图信息， 包括车道信息、 道路线以及交通灯状态信息 。 8.如权利要求5所述的轨 迹预测方法， 其特 征在于， 所述 粗略轨迹的生成包括 步骤： 通过多层感知机， 根据所述车辆表征向量， 输出 所述车辆未来多个时间步的位置 。 9.如权利要求5所述的轨迹预测方法， 其特征在于， 所述轨迹优化模块包括循环神经网 络或1维卷积网络 。 10.如权利要求5所述的轨 迹预测方法， 其特 征在于， 所述轨 迹的生成包括 步骤： 对所述每 个时间步的偏移量进行积分， 得到 轨迹。权　利　要　求　书 1/1 页 2 CN 115547053 A 2一种轨迹预测系统及方 法 技术领域 [0001]本发明涉及自动驾驶 技术领域， 特别涉及一种轨 迹预测系统及方法。 背景技术 [0002]轨迹预测是自动驾驶领域的基本任务之一， 其目的在于预测自身车辆周围其他智 能体的未来位置， 以便在下游模块中生成安全有效的驾驶计划。 目前多采用基于深度学习 的方法单轨迹预测 。 所述基于深度学习的方法， 诸如SOTA方法遵循编码器 ‑解码器范式， 即 编码器将所有 车辆的历史状态， 如位置、 速度、 航向等和高精地图中的车道、 道路线、 交通灯 等信息作为输入， 并为每个车辆输出一个表征向量。 然后 将这些向量作为输入， 通过解码 器 为每个车辆预测多步未来 位置。 [0003]所述编码器可以采用CNN网络， 例如LaneGCN是通对过四个不同的图卷积网络 (GCN)层对场景进 行编码。 在其他一些研究中， 也有一些其他的编码方法， 例如PGP采用了遍 历车道图的方法以合并车道拓扑， 而LaPred将注意力机制应用于车道。 HiVT设计了一种分 层方式来有效地聚合本地和全局信息。 Scene  Transformer以分解的方式对空间和时间信 息进行编码， HDGT将驾驶场景建模为异构图。 TPCN及其扩展DCMS以点云的形式对场景进行 编码， 并在池化实例向量上应用MLP以生成未来轨迹。 VectorNet将智能体和车道编码为全 局图上的向量， 并使用MLP根据相应的智能体向量解码未来轨迹。 它的扩展TNT和DenseTNT 以两阶段的方式生成轨迹： 第一阶段旨在预测智能体的目标/目标， 第二阶段旨在完成以 MLP预测终点为条件的整个轨迹。 GOHOME及其扩展THOMAS输出目标热图， 然后根据所选目标 对轨迹进 行采样。 LaneRCNN也遵循基于目标的预测框架， 但它们使用多项式先验完成轨迹， 并使用MLP来细化折线。 在PLOP中， 未来坐标的分布均值是在时间4次多项式中生 成的。 在最 近的研究Multipath++中， 则表 明多项式表示和 控制信号表示与直接回归坐标相比会导致 性能退化。 [0004]如前所示， 现有的大多数轨迹预测方法中， 所述解码器通常包括多层感知机 (MLP)， 其直接输出Tx2张量。 尽管采用MLP解码器的模 型在多个数据集的排行榜上占据主导 地位， 但是由于MLP的输出神经元之 间没有直接 关联， 因此其忽略了不同未来时间步之间的 相关性。 发明内容 [0005]针对现有技 术中的部分或全部问题， 本发明一方面 提供一种轨 迹预测系统， 包括： [0006]粗略轨迹生成模块， 其用于根据车辆表征向量粗略估计车辆未来多个时间步的位 置， 形成粗略轨 迹； [0007]轨迹优化模块， 其包括具有时间归纳偏差 的结构， 所述结构用于预测所述粗略轨 迹中每个时间步的偏移量； 以及 [0008]轨迹生成模块， 其用于根据所述每 个时间步的偏移量计算得到 轨迹。 [0009]进一步地， 所述粗略轨迹生成模块包括多层感知机 。说　明　书 1/5 页 3 CN 115547053 A 3