交通参与对象轨迹的预测方法、智能汽车和存储介质与流程

1.本技术涉及智能汽车领域，特别是涉及交通参与对象轨迹的预测方法、智能汽车和存储介质。


背景技术：

2.随着科技日新月异的发展，各种智能产品在人们的生活中越来越普及。在汽车领域，智能汽车正在快速的发展。智能汽车可具有自动驾驶或辅助驾驶的功能，能够减轻驾驶人员的负担。在交通场景中，智能汽车需要对一定范围内的交通参与对象轨迹进行预测，以规划智能汽车的行驶路线。
3.现有技术中，对交通参与对象轨迹的预测方法常常只预测单个车辆的轨迹，没有对一定范围内所有交通参与对象进行预测，也丢失了交通参与对象之间的交互信息，预测效果有待于提高。


技术实现要素：

4.本技术主要解决的技术问题是提供交通参与对象轨迹的预测方法、智能汽车和存储介质，能够提高对交通参与者轨迹的预测效果。
5.为解决上述技术问题，本技术采用的第一个技术方案是：提供一种交通参与对象轨迹的预测方法，交通参与对象轨迹的预测方法包括：获取预设地图范围内的所有交通参与对象的2d历史轨迹栅格图信息、3d历史轨迹栅格图信息以及预设地图范围内的2d交通栅格图信息。对2d历史轨迹栅格图信息、3d历史轨迹栅格图信息和2d交通栅格图信息分别进行特征编码，以对应生成对应于多个尺度的多个2d轨迹特征、对应于多个尺度的多个3d轨迹特征和对应于多个尺度的多个2d交通图特征。将多个2d轨迹特征、多个3d轨迹特征及多个2d交通图特征进行对应尺度的拼接，并在拼接后进行多个尺度的融合以生成融合特征。对融合特征进行特征解码，以生成解码特征，并利用解码特征对所有交通参与对象在预设地图范围对应的地图上进行轨迹预测。
6.在一些实施例中，对2d历史轨迹栅格图信息、3d历史轨迹栅格图信息和2d交通栅格图信息分别进行特征编码，以对应生成对应于多个尺度的多个2d轨迹特征、对应于多个尺度的多个3d轨迹特征和对应于多个尺度的多个2d交通图特征，包括：利用第一编码网络对2d历史轨迹栅格图信息进行特征编码，以生成多个2d轨迹特征。利用第二编码网络对3d历史轨迹栅格图信息进行特征编码，以生成多个3d轨迹特征。第二编码网络不同于第一编码网络。利用第三编码网络对2d交通栅格图信息进行特征编码，以生成多个2d交通图特征。第三编码网络不同于第二编码网络和第一编码网络。
7.在一些实施例中，第一编码网络为至少由hrnet模型和transformer模型相融合得到的hrnet-transformer编码网络。
8.在一些实施例中，利用第一编码网络对2d历史轨迹栅格图信息进行特征编码，以生成多个2d轨迹特征，包括：将2d历史轨迹栅格图信息以预设数量的不同patch尺寸进行集
成，以得到对应于不同尺寸的预设数量的patch分块特征。将预设数量的patch分块特征分别送至相应的transformer block进行生成处理，以生成预设数量的2d轨迹特征。将预设数量的2d轨迹特征进行预设次数的级联式处理，得到对应于多个尺度的多个2d轨迹特征，多个2d轨迹特征的数量等于预设数量和预设次数之和。
9.在一些实施例中，将2d历史轨迹栅格图信息以预设数量的不同patch尺寸进行集成，包括：利用两个不同patch生成的patch embedding层对2d历史轨迹栅格图信息进行集成处理。
10.在一些实施例中，将预设数量的2d轨迹特征进行预设次数的级联式处理，包括：将当前级的2d轨迹特征中尺寸最小的一者以patch merging的方式进行下采样，以生成空间尺寸特征。将当前级的2d轨迹特征和空间尺寸特征分别送至相应的transformer block进行生成处理，以生成下一级的2d轨迹特征，并使得下一级的2d轨迹特征的数量比当前级的2d轨迹特征的数量多一。
11.在一些实施例中，将预设数量的patch分块特征分别送至相应的transformer block进行生成处理，以生成预设数量的2d轨迹特征，包括：利用三个全连接层对输入的预设数量的patch分块特征进行处理，生成query矩阵、key矩阵和value矩阵。利用swin-transformer注意力机制处理query矩阵、key矩阵和value矩阵，得到生成特征，并对生成特征进行形状变换操作，生成预设数量的初始2d轨迹特征。对每个初始2d轨迹特征进行降采样或上采样，并将经过降采样或上采样的初始2d轨迹特征通过扁平化处理转换成一维数据。将每个初始2d轨迹特征与其余经过降采样或上采样的初始2d轨迹特征所转换成的一维数据进行融合，生成与每个初始2d轨迹特征一一对应的2d轨迹特征，进而得到预设数量的2d轨迹特征。
12.在一些实施例中，第二编码网络为3d卷积网络，包括具有3d卷积层、批处理层和激活函数的bottleneck。利用第二编码网络对3d历史轨迹栅格图信息进行特征编码，以生成多个3d轨迹特征，包括：利用单个3d卷积层对3d历史轨迹栅格图信息进行空间维度上的降采样，以生成第一个3d轨迹特征。将第一个3d轨迹特征进行预设次数的级联式处理，得到多个3d轨迹特征。
13.在一些实施例中，将第一个3d轨迹特征进行预设次数的级连式处理，得到多个3d轨迹特征，包括：将第一个3d轨迹特征在时间维度和空间维度交替进行预设次数的级联式处理，得到多个3d轨迹特征。
14.在一些实施例中，将第一个3d轨迹特征在时间维度和空间维度交替进行预设次数的级联式处理，得到多个3d轨迹特征，包括：利用bottleneck对第一个3d轨迹特征进行时间维度或空间维度上的降采样，以生成下一个3d轨迹特征。利用bottleneck对当前的3d轨迹特征进行时间维度或空间维度上的降采样，以生成下一个3d轨迹特征，直至生成多个3d轨迹特征。其中，当前的3d轨迹特征进行降采样的维度与其上一个3d轨迹特征和其下一个3d轨迹特征进行降采样的维度不同。
15.在一些实施例中，第三编码网络为2d卷积网络，包括具有2d卷积层、批处理层及激活函数的bottleneck。利用第三编码网络对2d交通栅格图信息进行特征编码，以生成多个2d交通图特征，包括：利用单个2d卷积层对2d交通栅格图信息进行空间维度及特征维度上的降采样，以生成第一个2d交通图特征。将第一个2d交通图特征进行预设次数的级连式处
理，得到多个2d交通图特征。
16.在一些实施例中，将第一个2d交通图特征进行预设次数的级连式处理，得到多个2d交通图特征，包括：利用bottleneck对第一个2d交通图特征进行降采样，以生成下一个2d交通图特征。
17.在一些实施例中，将多个2d轨迹特征、多个3d轨迹特征及多个2d交通图特征进行对应尺度的拼接，并在拼接后进行多个尺度的融合以生成融合特征，包括：对多个2d轨迹特征、多个3d轨迹特征及多个2d交通图特征进行对应尺寸的拼接，得到多个尺度合成特征。利用bifpn多尺度特征融合网络将多个尺度合成特征进行融合生成处理，得到一个融合尺度合成特征。其中，多个尺度合成特征和融合尺度合成特征组成融合特征。
18.在一些实施例中，对融合特征进行特征解码，以生成解码特征，并利用解码特征对所有交通参与对象在预设地图范围对应的地图上进行轨迹预测，包括：利用3d卷积网络对融合特征进行特征解码，以生成解码特征。将解码特征发送至共享层进行预测处理，以在预设地图范围对应的地图上实现对所有交通参与对象的轨迹预测。
19.在一些实施例中，利用3d卷积网络对融合特征进行特征解码，以生成解码特征，包括：利用3d卷积网络将融合特征在时间维度上展开，并输出预测时间步的时间特征。将解码特征发送至共享层进行预测处理，包括：按时间维度索引逐步将预测时间步中每一步的时间特征发送至共享层中进行预测处理。
20.在一些实施例中，在获取预设地图范围内的所有交通参与对象的2d历史轨迹栅格图信息、3d历史轨迹栅格图信息以及预设地图范围内的2d交通栅格图信息之前，包括：获取预设地图范围内的所有交通参与对象的历史轨迹栅格图信息、预设地图范围内的鸟瞰图和预设地图范围内的交通特征信息。其中，历史轨迹栅格图信息包括交通参与对象的轮廓尺寸、航向角、历史轨迹及当前所在位置，交通特征信息包括道路信息及交通信号信息。根据历史轨迹栅格图信息及时间间隔计算所有交通参与对象的速度。在时间维度上对所有交通参与对象进行拼接操作，生成包含长度、宽度、时间维度、特征维度的3d历史轨迹栅格图信息。将3d历史轨迹栅格图信息的时间维度压缩至特征维度上拼接生成2d历史轨迹栅格图信息。在特征维度上对鸟瞰图、交通特征信息进行拼接生成2d交通栅格图信息。
21.为解决上述技术问题，本技术采用的第二个技术方案是：提供一种智能汽车，智能汽车包括处理器、存储器和检测组件，检测组件用于检测预设地图范围内的所有交通参与对象的历史轨迹栅格图信息、预设地图范围内的鸟瞰图和预设地图范围内的交通特征信息，处理器与检测组件耦合，存储器存储有计算机程序，处理器用于执行计算机程序以实现第一个技术方案提供的方法。
22.为解决上述技术问题，本技术采用的第三个技术方案是：提供一种计算机可读的存储介质，计算机可读的存储介质存储有计算机程序，计算机程序能够被处理器执行以实现第一个技术方案提供的方法。
23.本技术的有益效果是：区别于现有技术的情况，通过获取预设地图范围内的所有交通参与对象的2d历史轨迹栅格图信息、3d历史轨迹栅格图信息以及预设地图范围内的2d交通栅格图信息，对2d历史轨迹栅格图信息、3d历史轨迹栅格图信息和2d交通栅格图信息分别进行特征编码，以对应生成对应于多个尺度的多个2d轨迹特征、对应于多个尺度的多个3d轨迹特征和对应于多个尺度的多个2d交通图特征，将多个2d轨迹特征、多个3d轨迹特
征及多个2d交通图特征进行对应尺度的拼接，并在拼接后进行多个尺度的融合以生成融合特征，对融合特征进行特征解码，以生成解码特征，并利用解码特征对所有交通参与对象在预设地图范围对应的地图上进行轨迹预测，通过特征编码阶段获取对应于多个尺度的多个2d轨迹特征、多个3d轨迹特征和多个2d交通图特征，然后进行多尺度特征融合可获取不同感受野大小的特征，还通过考虑到预设地图范围内的所有交通参与对象之间的交互特征，提高对预设地图范围内的所有交通参与对象的轨迹进行预测时的预测效果。
附图说明
24.图1为本技术交通参与对象轨迹的预测方法实施例的流程示意图；
25.图2为本技术交通参与对象轨迹的预测方法的网络结构示意图；
26.图3为第一编码网络的结构示意图；
27.图4为图3所示stage3结构的放大示意图；
28.图5为图3所示stage4结构的放大示意图；
29.图6为第二编码网络的结构示意图；
30.图7为第三编码网络的结构示意图；
31.图8为本技术智能汽车实施例的示意框图；
32.图9为本技术计算机可读的存储介质实施例的示意框图。
具体实施方式
33.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
34.本发明人经过长期研究发现，在交通场景中，智能汽车需要对一定范围内的交通参与对象轨迹进行预测，以规划智能汽车的行驶路线。现有技术中，对交通参与对象轨迹的预测方法常常只预测单个车辆的轨迹，没有对一定范围内所有交通参与对象进行预测，也丢失了交通参与对象之间的交互信息，预测效果有待于提高。为了解决上述技术问题，本技术提供以下实施例。
35.如图1和图2所示，本技术交通参与对象轨迹的预测方法实施例描述的交通参与对象轨迹的预测方法包括：s100：获取预设地图范围内的所有交通参与对象的2d历史轨迹栅格图信息、3d历史轨迹栅格图信息以及预设地图范围内的2d交通栅格图信息。s200：对2d历史轨迹栅格图信息、3d历史轨迹栅格图信息和2d交通栅格图信息分别进行特征编码，以对应生成对应于多个尺度的多个2d轨迹特征、对应于多个尺度的多个3d轨迹特征和对应于多个尺度的多个2d交通图特征。s300：将多个2d轨迹特征、多个3d轨迹特征及多个2d交通图特征进行对应尺度的拼接，并在拼接后进行多个尺度的融合以生成融合特征。s400：对融合特征进行特征解码，以生成解码特征，并利用解码特征对所有交通参与对象在预设地图范围对应的地图上进行轨迹预测。
36.交通参与对象可包括车辆、行人、非机动车等。
37.在智能车辆的行驶场景中，需要识别各交通参与对象和道路设施，各交通参与对
象和道路设施的体积、大小往往不同。在进行特征提取时，特征图各个位置均以相同的感受野获取输入特征的信息。但是对于尺寸、体积大小不同的物体，感受野需求往往是不一样的。例如，在提取目标的特征时，高层网络的感受野比较大，语义信息表征能力强，但是特征图的分辨率低，几何信息的表征能力弱。低层网络的感受野比较小，几何细节信息表征能力强，虽然分辨率高，但是语义信息表征能力弱。随着模型深度的不断加大，与输入特征有关的信息会逐层丢失，可造成丢失较小的目标。
38.因此，可分别通过特征编码阶段获取对应于多个尺度的多个2d轨迹特征、多个3d轨迹特征和多个2d交通图特征，然后进行多尺度特征融合以获取不同感受野大小的特征，进而能够提高对各交通参与对象和道路设施进行特征提取的可靠性。
39.通过获取预设地图范围内的所有交通参与对象的2d历史轨迹栅格图信息、3d历史轨迹栅格图信息以及预设地图范围内的2d交通栅格图信息，对2d历史轨迹栅格图信息、3d历史轨迹栅格图信息和2d交通栅格图信息分别进行特征编码，以对应生成对应于多个尺度的多个2d轨迹特征、对应于多个尺度的多个3d轨迹特征和对应于多个尺度的多个2d交通图特征，将多个2d轨迹特征、多个3d轨迹特征及多个2d交通图特征进行对应尺度的拼接，并在拼接后进行多个尺度的融合以生成融合特征，对融合特征进行特征解码，以生成解码特征，并利用解码特征对所有交通参与对象在预设地图范围对应的地图上进行轨迹预测，通过特征编码阶段获取对应于多个尺度的多个2d轨迹特征、多个3d轨迹特征和多个2d交通图特征，然后进行多尺度特征融合可获取不同感受野大小的特征，还通过考虑到预设地图范围内的所有交通参与对象之间的交互特征，提高对预设地图范围内的所有交通参与对象的轨迹进行预测时的预测效果。
40.以下对本技术交通参与对象轨迹的预测方法实施例进行详细描述。
41.s100：获取预设地图范围内的所有交通参与对象的2d历史轨迹栅格图信息、3d历史轨迹栅格图信息以及预设地图范围内的2d交通栅格图信息。
42.通过获取交通参与对象的2d历史轨迹栅格图信息、3d历史轨迹栅格图信息以及2d交通栅格图信息能够为预测交通参与对象的轨迹提供多个方位的信息支撑，以提升预测效果。
43.通过获取预设地图范围内的所有交通参与对象的栅格图信息，能够为融入所有交通参与对象之间的交互特征信息以获取车辆间的交互信息提供支持，进而实现在预设地图范围内同时预测多个交通参与对象，提升预测效果。例如，通过获取预设地图范围内的所有车辆的栅格图信息，能够为获取车辆间的交互信息提供支持，进而实现在预设地图范围内同时预测多个车辆。
44.可选地，如何获取预设地图范围内的所有交通参与对象的2d历史轨迹栅格图信息、3d历史轨迹栅格图信息以及预设地图范围内的2d交通栅格图信息，具体可以参照s100包括的如下步骤：
45.s101：获取预设地图范围内的所有交通参与对象的历史轨迹栅格图信息、预设地图范围内的鸟瞰图和预设地图范围内的交通特征信息。其中，历史轨迹栅格图信息包括交通参与对象的轮廓尺寸、航向角、历史轨迹及当前所在位置，交通特征信息包括道路信息及交通信号信息。
46.通过获取交通参与对象的历史轨迹栅格图信息、预设地图范围内的鸟瞰图和预设
地图范围内的交通特征信息，能够为预测交通参与对象的轨迹提供与信息依据，以提升预测效果。
47.通过获取交通参与对象的轮廓尺寸，可以在预测交通参与对象的轨迹时考虑到车辆体积的占用范围，从而避免交通参与对象发生碰撞，例如避免车辆碰撞情况的发生。
48.可选地，交通信号信息可包括道路指示立牌、交通信号灯等。
49.可选地，智能汽车可包括激光雷达，激光雷达用于供智能汽车获取预设地图范围内的所有交通参与对象的历史轨迹栅格图信息、预设地图范围内的鸟瞰图和预设地图范围内的交通特征信息。
50.可选地，智能汽车可包括摄像头，摄像头用于供智能汽车获取预设地图范围内的所有交通参与对象的历史轨迹栅格图信息、预设地图范围内的鸟瞰图和预设地图范围内的交通特征信息。
51.s102：根据历史轨迹栅格图信息及时间间隔计算所有交通参与对象的速度。
52.具体地，通过交通参与对象的历史轨迹及时间间隔计算所有交通参与对象的速度，例如计算车辆速度。
53.s103：在时间维度上对所有交通参与对象进行拼接操作，生成包含长度、宽度、时间维度、特征维度的3d历史轨迹栅格图信息。
54.进一步地，3d历史轨迹栅格图信息包含交通参与对象的速度。
55.s104：将3d历史轨迹栅格图信息的时间维度压缩至特征维度上拼接生成2d历史轨迹栅格图信息。
56.具体地，2d历史轨迹栅格图信息包含长度、宽度和特征维度。
57.s105：在特征维度上对鸟瞰图、交通特征信息进行拼接生成2d交通栅格图信息。
58.在智能汽车行驶过程中，鸟瞰图和交通特征信息可提供交通参与对象以外的交通信息。
59.s200：对2d历史轨迹栅格图信息、3d历史轨迹栅格图信息和2d交通栅格图信息分别进行特征编码，以对应生成对应于多个尺度的多个2d轨迹特征、对应于多个尺度的多个3d轨迹特征和对应于多个尺度的多个2d交通图特征。
60.如图3至图7所示，生成的2d轨迹特征的数量、3d轨迹特征的数量和2d交通图特征的数量可相等。例如，对2d历史轨迹栅格图信息进行特征编码输出按照尺寸大小排列的c1、c2、c3、c4和c5等5个2d轨迹特征，对3d历史轨迹栅格图信息进行特征编码输出按照尺寸大小排列的f1、f2、f3、f4和f5等5个3d轨迹特征，对2d交通栅格图信息进行特征编码输出按照尺寸大小排列的a1、a2、a3、a4和a5等5个2d交通图特征。其中c1、f1和a1尺度对应，c2、f2和a2尺度对应，以此类推。
61.进一步地，c1、f1和a1尺度相同，c2、f2和a2尺度相同，以此类推，便于后续进行对应尺度的拼接。
62.通过特征编码阶段获取对应于多个尺度的多个2d轨迹特征、对应于多个尺度的多个3d轨迹特征和对应于多个尺度的多个2d交通图特征，能够获取不同感受野大小的特征，提高后续阶段特征提取的可靠性，进而提高各交通参与对象的轨迹的预测效果。
63.可选地，如图3至图5所示，如何对2d历史轨迹栅格图信息、3d历史轨迹栅格图信息和2d交通栅格图信息分别进行特征编码，以对应生成对应于多个尺度的多个2d轨迹特征、
对应于多个尺度的多个3d轨迹特征和对应于多个尺度的多个2d交通图特征，具体可以参照s200包括的如下步骤：
64.s210：利用第一编码网络对2d历史轨迹栅格图信息进行特征编码，以生成多个2d轨迹特征。
65.本步骤生成的多个2d轨迹特征的尺度不同。
66.可选地，第一编码网络为至少由hrnet模型和transformer模型相融合得到的hrnet-transformer编码网络。
67.通过将hrnet模型和transformer模型融合得到hrnet-transformer编码网络，可融合hrnet模型的多尺度特征融合特性和transformer的多感受野交互特征提取特性，形成具有多尺度特征融合特性和多感受野交互特征提取特性的编码结构。
68.在2d轨迹特征中时序特征可被融合至特征维度中，通过将多个尺度的2d轨迹特征融合，能够捕获足够丰富的时序特征信息，进而延长预测交通参与对象的时间序列，对交通参与对象的轨迹进行更长时间的预测。
69.hrnet-transformer编码网络可采取层次化的设计。在一些实施例中，hrnet-transformer编码网络可包含若干个stage。
70.可选地，通过若干个stage可缩小输入特征图的分辨率，并逐层扩大感受野。
71.可选地，transformer模型包括多次堆叠的编码器和解码器。
72.进一步地，transformer模型包括swin-transformer模型，例如swin-transformer v2。
73.可选地，利用第一编码网络对2d历史轨迹栅格图信息进行特征编码，以生成多个2d轨迹特征，具体可以参照s210包括的如下步骤：
74.s211：将2d历史轨迹栅格图信息以预设数量的不同patch尺寸进行集成，以得到对应于不同尺寸的预设数量的patch分块特征。
75.每个patch分块特征可与一个2d轨迹特征相对应。相应地，预设数量的patch分块特征可与对应于多个尺度的多个2d轨迹特征相对应。
76.可选地，patch分块特征的预设数量为两个时，如何将2d历史轨迹栅格图信息以预设数量的不同patch尺寸进行集成，具体可以参照s211包括的如下步骤：
77.s2111：利用两个不同patch生成的patch embedding层对2d历史轨迹栅格图信息进行集成处理。
78.patch embedding层可对作为输入信息的2d历史轨迹栅格图信息进行处理。两个不同patch生成的patch embedding层对2d历史轨迹栅格图信息进行集成处理可生成两个patch分块特征。
79.s212：将预设数量的patch分块特征分别送至相应的transformer block进行生成处理，以生成预设数量的2d轨迹特征。
80.例如，预设数量为两个时，将两个patch分块特征分别送至相应的transformer block进行生成处理，可生成两个2d轨迹特征。
81.如图3至图5所示，具体地，hrnet-transformer编码网络的每个stage可包括若干个patch merging和若干个transformer block。若干个stage中的第一个stage可记为stage1。stage1可包括一一对应的两个patch merging和两个transformer block，将两个
patch分块特征送入两个patch merging和两个transformer block，可输出两个2d轨迹特征。
82.可选地，将预设数量的patch分块特征分别送至相应的transformer block进行生成处理，以生成预设数量的2d轨迹特征，具体可以参照s212包括的如下步骤：
83.s2121：利用三个全连接层对输入的预设数量的patch分块特征进行处理，生成query矩阵、key矩阵和value矩阵。
84.s2122：利用swin-transformer注意力机制处理query矩阵、key矩阵和value矩阵，得到生成特征，并对生成特征进行形状变换操作，生成预设数量的初始2d轨迹特征。
85.具体地，swin-transformer注意力机制以公式形式可表示为：
[0086][0087]
其中，b为相对位置偏移，q、k、v分别为query矩阵、key矩阵和value矩阵，d为query矩阵和key矩阵的特征维度数量。
[0088]
s2123：对每个初始2d轨迹特征进行降采样或上采样，并将经过降采样或上采样的初始2d轨迹特征通过扁平化处理转换成一维数据。
[0089]
具体地，对初始2d轨迹特征进行reshape操作，转换为二维数据，后分别进行降采样卷积与双线性插值上采样操作，再通过扁平化处理转换为一维数据。
[0090]
例如，预设数量为两个时，初始2d轨迹特征为两个，记为b1和b2。可对初始2d轨迹特征b1进行reshape操作，转换为二维数据，然后进行2倍降采样并通过扁平化处理转换成一维数据。对初始2d轨迹特征b2进行reshape操作，转换为二维数据，然后进行2倍上采样并通过扁平化处理转换成一维数据。
[0091]
s2124：将每个初始2d轨迹特征与其余经过降采样或上采样的初始2d轨迹特征所转换成的一维数据进行融合，生成与每个初始2d轨迹特征一一对应的2d轨迹特征，进而得到预设数量的2d轨迹特征。
[0092]
例如，初始2d轨迹特征为两个，记为b1和b2。可将初始2d轨迹特征b2转换成的一维数据与初始2d轨迹特征b1进行融合，以生成与初始2d轨迹特征b1对应的2d轨迹特征。可将初始2d轨迹特征b1转换成的一维数据与初始2d轨迹特征b2进行融合，以生成与初始2d轨迹特征b2对应的2d轨迹特征。
[0093]
s213：将预设数量的2d轨迹特征进行预设次数的级联式处理，得到对应于多个尺度的多个2d轨迹特征，多个2d轨迹特征的数量等于预设数量和预设次数之和。
[0094]
在预设数量的2d轨迹特征的基础上，经过预设次数的级联式处理，可进一步得到更多数量的2d轨迹特征。
[0095]
例如，如图3至图5所示，预设数量为两个，预设次数为3次，hrnet-transformer编码网络的stage的数量为4个，依次分别记为stage1、stage2、stage3和stage4。由stage2可得到两个2d轨迹特征。stage2可包括3个transformer block，由stage2可得到3个2d轨迹特征。stage3可包括4个transformer block，由stage3可得到4个2d轨迹特征。stage4可包括5个transformer block，由stage4可得到5个2d轨迹特征。
[0096]
可选地，将预设数量的2d轨迹特征进行预设次数的级联式处理，具体可以参照
s213包括的如下步骤：
[0097]
s2131：将当前级的2d轨迹特征中尺寸最小的一者以patch merging的方式进行下采样，以生成空间尺寸特征。
[0098]
空间尺寸特征与当前级的2d轨迹特征的尺寸均不相同。例如，当前级为stage1，可对由stage1得到的两个2d轨迹特征中尺寸最小的一者以patch merging的方式进行下采样，生成1/2空间尺寸特征。1/2空间尺寸特征与stage1得到的两个2d轨迹特征的尺寸均不相同。又例如，当前级为stage2，可对由stage2得到的3个2d轨迹特征中尺寸最小的一者以patch merging的方式进行下采样，生成1/2空间尺寸特征。
[0099]
s2132：将当前级的2d轨迹特征和空间尺寸特征分别送至相应的transformer block进行生成处理，以生成下一级的2d轨迹特征，并使得下一级的2d轨迹特征的数量比当前级的2d轨迹特征的数量多一。
[0100]
例如，如图3至图5所示，当前级为stage1时，可对由stage1得到的两个2d轨迹特征以及1/2空间尺寸特征送至stage2中，在stage2生成3个2d轨迹特征。具体地，stage2包括3个不同的transformer block，可将由stage1得到的两个2d轨迹特征以及1/2空间尺寸特征分别送至一个transformer block中，得到3个初始2d轨迹特征。然后将每个初始2d轨迹特征与其余经过降采样或上采样的初始2d轨迹特征所转换成的一维数据进行融合，生成与3个初始2d轨迹特征一一对应的2d轨迹特征，进而得到3个2d轨迹特征。
[0101]
可选地，transformer block对2d轨迹特征以及1/2空间尺寸特征的处理方式为：利用三个全连接层对输入的2d轨迹特征以及1/2空间尺寸特征进行处理，生成query矩阵、key矩阵和value矩阵。利用swin-transformer注意力机制处理query矩阵、key矩阵和value矩阵，得到生成特征，并对生成特征进行形状变换操作，生成初始2d轨迹特征。
[0102]
进一步地，当前级为stage2时，可对由stage2得到的3个2d轨迹特征以及1/2空间尺寸特征送至stage3中，在stage3生成4个2d轨迹特征。当前级为stage3时，可对由stage3得到的4个2d轨迹特征以及1/2空间尺寸特征送至stage4中，在stage4生成5个2d轨迹特征。
[0103]
如图3至图5所示，在stage1中，将两个初始2d轨迹特征分别与经过2倍降采样或2倍上采样的初始2d轨迹特征所转换成的一维数据进行融合，生成与两个初始2d轨迹特征一一对应的2d轨迹特征。在stage2中，将3个初始2d轨迹特征分别与经过2倍降采样、2倍上采样、4倍降采样或4倍上采样的初始2d轨迹特征所转换成的一维数据进行融合，生成与3个初始2d轨迹特征一一对应的2d轨迹特征。在stage3中，将4个初始2d轨迹特征分别与经过2倍降采样、2倍上采样、4倍降采样、4倍上采样、8倍降采样或8倍上采样的初始2d轨迹特征所转换成的一维数据进行融合，生成与4个初始2d轨迹特征一一对应的2d轨迹特征。在stage4中，将5个初始2d轨迹特征分别与经过2倍降采样、2倍上采样、4倍降采样、4倍上采样、8倍降采样、8倍上采样、16倍降采样或16倍上采样的初始2d轨迹特征所转换成的一维数据进行融合，生成与5个初始2d轨迹特征一一对应的2d轨迹特征。
[0104]
其中，2倍降采样、2倍上采样、4倍降采样、4倍上采样、8倍降采样、8倍上采样、16倍降采样和16倍上采样可分别记为d2、u2、d4、u4、d8、u8、d16和u16。
[0105]
s220：利用第二编码网络对3d历史轨迹栅格图信息进行特征编码，以生成多个3d轨迹特征。第二编码网络不同于第一编码网络。
[0106]
本步骤生成的多个3d轨迹特征的尺度不同。
[0107]
可选地，如图6所示，第二编码网络为3d卷积网络，包括具有3d卷积层、批处理层和激活函数的bottleneck。如何利用第二编码网络对3d历史轨迹栅格图信息进行特征编码，以生成多个3d轨迹特征，具体可以参照s220包括的如下步骤：
[0108]
s221：利用单个3d卷积层对3d历史轨迹栅格图信息进行空间维度上的降采样，以生成第一个3d轨迹特征。
[0109]
第一个3d轨迹特征可记为f1。
[0110]
s222：将第一个3d轨迹特征进行预设次数的级联式处理，得到多个3d轨迹特征。
[0111]
例如，预设次数为4，将第一个3d轨迹特征进行4次级联式处理，可另外得到4个3d轨迹特征，可记为f2、f3、f4和f5。
[0112]
可选地，将第一个3d轨迹特征进行预设次数的级连式处理，得到多个3d轨迹特征，具体可以参照s222包括的如下步骤：
[0113]
s2221：将第一个3d轨迹特征在时间维度和空间维度交替进行预设次数的级联式处理，得到多个3d轨迹特征。
[0114]
例如，预设次数为4，将第一个3d轨迹特征f1进行空间维度上的降采样，生成3d轨迹特征f2，将3d轨迹特征f2进行时间维度上的降采样，生成3d轨迹特征f3，将3d轨迹特征f3进行空间维度上的降采样，生成3d轨迹特征f4，将3d轨迹特征f4进行时间维度上的降采样，生成3d轨迹特征f5。
[0115]
可选地，如图6所示，将第一个3d轨迹特征在时间维度和空间维度交替进行预设次数的级联式处理，得到多个3d轨迹特征，具体可以参照s2221包括的如下步骤：
[0116]
s2222：利用bottleneck对第一个3d轨迹特征进行时间维度或空间维度上的降采样，以生成下一个3d轨迹特征。
[0117]
例如，利用bottleneck对第一个3d轨迹特征f1进行空间维度上的降采样，生成3d轨迹特征f2。
[0118]
s2223：利用bottleneck对当前的3d轨迹特征进行时间维度或空间维度上的降采样，以生成下一个3d轨迹特征，直至生成多个3d轨迹特征。其中，当前的3d轨迹特征进行降采样的维度与其上一个3d轨迹特征和其下一个3d轨迹特征进行降采样的维度不同。
[0119]
例如，3d轨迹特征数量为5，利用bottleneck对3d轨迹特征f2进行时间维度上的降采样，生成3d轨迹特征f3，利用bottleneck对3d轨迹特征f3进行空间维度上的降采样，生成3d轨迹特征f4，利用bottleneck对3d轨迹特征f4进行时间维度上的降采样，生成3d轨迹特征f5，从而生成5个3d轨迹特征。
[0120]
s230：利用第三编码网络对2d交通栅格图信息进行特征编码，以生成多个2d交通图特征。第三编码网络不同于第二编码网络和第一编码网络。
[0121]
本步骤生成的多个2d交通图特征的尺度不同。
[0122]
可选地，如图7所示，第三编码网络为2d卷积网络，包括具有2d卷积层、批处理层及激活函数的bottleneck。如何利用第三编码网络对2d交通栅格图信息进行特征编码，以生成多个2d交通图特征，具体可以参照s230包括的如下步骤：
[0123]
s231：利用单个2d卷积层对2d交通栅格图信息进行空间维度及特征维度上的降采样，以生成第一个2d交通图特征。
[0124]
第一个2d交通图特征可记为a1。
[0125]
s232：将第一个2d交通图特征进行预设次数的级连式处理，得到多个2d交通图特征。
[0126]
例如，预设次数为4，可由第一个2d交通图特征a1得到2d交通图特征a2，由2d交通图特征a2得到2d交通图特征a3，由2d交通图特征a3得到2d交通图特征a4，由2d交通图特征a4得到2d交通图特征a5。
[0127]
可选地，bottleneck具有多个2d卷积层。
[0128]
可选地，将第一个2d交通图特征进行预设次数的级连式处理，得到多个2d交通图特征，具体可以参照s232包括的如下步骤：
[0129]
s2321：利用bottleneck对第一个2d交通图特征进行降采样，以生成下一个2d交通图特征。
[0130]
例如，可利用bottleneck由第一个2d交通图特征a1得到2d交通图特征a2，利用bottleneck由2d交通图特征a2得到2d交通图特征a3，利用bottleneck由2d交通图特征a3得到2d交通图特征a4，利用bottleneck由2d交通图特征a4得到2d交通图特征a5。
[0131]
s300：将多个2d轨迹特征、多个3d轨迹特征及多个2d交通图特征进行对应尺度的拼接，并在拼接后进行多个尺度的融合以生成融合特征。
[0132]
融合特征可用于解码以获取对交通参与对象轨迹的预测信息，对融合特征进行解码能够提升对交通参与对象轨迹的预测效果。
[0133]
可选地，如何将多个2d轨迹特征、多个3d轨迹特征及多个2d交通图特征进行对应尺度的拼接，并在拼接后进行多个尺度的融合以生成融合特征，具体可以参照s300包括的如下步骤：
[0134]
s310：对多个2d轨迹特征、多个3d轨迹特征及多个2d交通图特征进行对应尺寸的拼接，得到多个尺度合成特征。
[0135]
例如，2d轨迹特征可为c1、c2、c3、c4和c5，3d轨迹特征可为f1、f2、f3、f4，2d交通图特征可为f5，a1、a2、a3、a4和a5。其中，c1、f1和a1尺度对应，可将c1、f1和a1进行拼接。c2、f2和a2尺度对应，可将c2、f2和a2进行拼接。c3、f3和a3尺度对应，可将c3、f3和a3进行拼接。c4、f4和a4尺度对应，可将c4、f4和a4进行拼接。c5、f5和a5尺度对应，可将c5、f5和a5进行拼接。每个尺度的拼接可得到一个尺度合成特征，从而可得到5个尺度合成特征。
[0136]
可选地，当对应特征的尺度不相同时，例如c1、f1和a1尺度不相同时，可采用差值算法将不同尺度的特征保持在一个尺度上以便于进行对应尺度的拼接。
[0137]
s320：利用bifpn多尺度特征融合网络将多个尺度合成特征进行融合生成处理，得到一个融合尺度合成特征。其中，多个尺度合成特征和融合尺度合成特征组成融合特征。
[0138]
例如，利用bifpn多尺度特征融合网络将5个尺度合成特征进行融合生成处理，得到一个融合尺度合成特征。其中，5个尺度合成特征和一个融合尺度合成特征可组成融合特征。
[0139]
s400：对融合特征进行特征解码，以生成解码特征，并利用解码特征对所有交通参与对象在预设地图范围对应的地图上进行轨迹预测。
[0140]
融合特征蕴含了所有交通参与对象在预设地图范围多个尺度、多个方位的信息，对融合特征进行解码能够提升对所有交通参与对象在预设地图范围对应的地图上进行轨迹预测的效果。
[0141]
可选地，对融合特征进行特征解码，以生成解码特征，并利用解码特征对所有交通参与对象在预设地图范围对应的地图上进行轨迹预测，具体可以参照s400包括的如下步骤：
[0142]
s410：利用3d卷积网络对融合特征进行特征解码，以生成解码特征。
[0143]
可选地，利用3d卷积网络对融合特征进行特征解码，以生成解码特征，具体可以参照s410包括的如下步骤：
[0144]
s411：利用3d卷积网络将融合特征在时间维度上展开，并输出预测时间步的时间特征。
[0145]
具体地，将多个尺度合成特征和融合尺度合成特征送至由3d卷积网络组成的解码器当中，以多尺度特征融合的方式对3d卷积层处理后的特征进行融合，并逐步展开生成特征的时间维度。
[0146]
可选地，s420：将解码特征发送至共享层进行预测处理，以在预设地图范围对应的地图上实现对所有交通参与对象的轨迹预测。
[0147]
具体地，将解码特征送至共享层，输出所有交通参与对象的未来占用图及每一时间步占用位置的位置偏移，完成对所有交通参与对象未来占用的预测，即完成对所有交通参与对象未来轨迹的预测。例如，输出车辆的未来占用图及每一时间步占用位置的位置偏移，完成对车辆未来占用的预测，即完成对车辆未来轨迹的预测。
[0148]
可选地，将解码特征发送至共享层进行预测处理，具体可以参照s420包括的如下步骤：
[0149]
s421：按时间维度索引逐步将预测时间步中每一步的时间特征发送至共享层中进行预测处理。
[0150]
通过按时间维度索引逐步将预测时间步中每一步的时间特征发送至共享层中进行预测处理，以能够实现对交通参与对象的未来轨迹的预测。
[0151]
如图8所示，本技术智能汽车实施例描述的智能汽车100包括处理器110、存储器120和检测组件130，检测组件130用于检测预设地图范围内的所有交通参与对象的历史轨迹栅格图信息、预设地图范围内的鸟瞰图和预设地图范围内的交通特征信息，处理器110与检测组件130耦合，存储器120存储有计算机程序，处理器110用于执行计算机程序以实现上述方法。
[0152]
处理器110可用于控制智能汽车的操作。
[0153]
可选地，检测组件130可包括激光雷达和摄像头。
[0154]
存储器120可用于存储计算机程序，可以是ram，也是可以rom，或者其他类型的存储设备。具体地，存储器120可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器120还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器120中的非暂态的计算机可读存储介质用于存储至少一条程序代码。
[0155]
如图9所示，本技术计算机可读的存储介质实施例描述的计算机可读的存储介质200存储有计算机程序，计算机程序能够被处理器执行以实现上述方法。
[0156]
上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在计算机可读的存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现
有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令/计算机程序用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种介质以及具有上述存储介质的电脑、手机、笔记本电脑、平板电脑、相机等电子设备。
[0157]
关于计算机可读的存储介质200中的程序数据的执行过程的阐述可以参照上述交通参与对象轨迹的预测方法实施例中阐述，在此不再赘述。
[0158]
综上所述，本实施例在2d轨迹特征中时序特征可被融合至特征维度中，通过将多个尺度的2d轨迹特征融合，能够捕获足够丰富的时序特征信息，进而延长预测交通参与对象的时间序列。在预设地图范围内同时预测多个交通参与对象，提升预测效果。通过获取交通参与对象的轮廓尺寸，可以在预测交通参与对象的轨迹时将车辆占用范围融入到本实施例中，从而避免交通参与对象发生碰撞，例如避免车辆碰撞的情况的发生。
[0159]
以上仅为本技术的实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。

技术特征：
1.一种交通参与对象轨迹的预测方法，其特征在于，包括：获取预设地图范围内的所有交通参与对象的2d历史轨迹栅格图信息、3d历史轨迹栅格图信息以及所述预设地图范围内的2d交通栅格图信息；对所述2d历史轨迹栅格图信息、所述3d历史轨迹栅格图信息和所述2d交通栅格图信息分别进行特征编码，以对应生成对应于多个尺度的多个2d轨迹特征、对应于所述多个尺度的多个3d轨迹特征和对应于所述多个尺度的多个2d交通图特征；将所述多个2d轨迹特征、所述多个3d轨迹特征及所述多个2d交通图特征进行对应尺度的拼接，并在拼接后进行所述多个尺度的融合以生成融合特征；对所述融合特征进行特征解码，以生成解码特征，并利用所述解码特征对所述所有交通参与对象在所述预设地图范围对应的地图上进行轨迹预测。2.根据权利要求1所述的交通参与对象轨迹的预测方法，其特征在于，所述对所述2d历史轨迹栅格图信息、所述3d历史轨迹栅格图信息和所述2d交通栅格图信息分别进行特征编码，以对应生成对应于多个尺度的多个2d轨迹特征、对应于所述多个尺度的多个3d轨迹特征和对应于所述多个尺度的多个2d交通图特征，包括：利用第一编码网络对所述2d历史轨迹栅格图信息进行特征编码，以生成所述多个2d轨迹特征；利用第二编码网络对所述3d历史轨迹栅格图信息进行特征编码，以生成所述多个3d轨迹特征；所述第二编码网络不同于所述第一编码网络；利用第三编码网络对所述2d交通栅格图信息进行特征编码，以生成所述多个2d交通图特征；所述第三编码网络不同于所述第二编码网络和所述第一编码网络。3.根据权利要求2所述的交通参与对象轨迹的预测方法，其特征在于，所述第一编码网络为至少由hrnet模型和transformer模型相融合得到的hrnet-transformer编码网络。4.根据权利要求3所述的方法，其特征在于，所述利用第一编码网络对所述2d历史轨迹栅格图信息进行特征编码，以生成所述多个2d轨迹特征，包括：将所述2d历史轨迹栅格图信息以预设数量的不同patch尺寸进行集成，以得到对应于不同尺寸的所述预设数量的patch分块特征；将所述预设数量的patch分块特征分别送至相应的transformer block进行生成处理，以生成所述预设数量的所述2d轨迹特征；将所述预设数量的所述2d轨迹特征进行预设次数的级联式处理，得到对应于所述多个尺度的所述多个2d轨迹特征，所述多个2d轨迹特征的数量等于所述预设数量和所述预设次数之和。5.根据权利要求4所述的方法，其特征在于，所述将所述2d历史轨迹栅格图信息以预设数量的不同patch尺寸进行集成，包括：利用两个不同patch生成的patch embedding层对所述2d历史轨迹栅格图信息进行集成处理。6.根据权利要求4所述的方法，其特征在于，所述将所述预设数量的所述2d轨迹特征进行预设次数的级联式处理，包括：
将当前级的所述2d轨迹特征中尺寸最小的一者以patch merging的方式进行下采样，以生成空间尺寸特征；将当前级的所述2d轨迹特征和所述空间尺寸特征分别送至相应的所述transformer block进行所述生成处理，以生成下一级的所述2d轨迹特征，并使得下一级的所述2d轨迹特征的数量比当前级的所述2d轨迹特征的数量多一。7.根据权利要求4所述的方法，其特征在于，所述将所述预设数量的patch分块特征分别送至相应的transformer block进行生成处理，以生成所述预设数量的所述2d轨迹特征，包括：利用三个全连接层对输入的所述预设数量的patch分块特征进行处理，生成query矩阵、key矩阵和value矩阵；利用swin-transformer注意力机制处理所述query矩阵、所述key矩阵和所述value矩阵，得到生成特征，并对所述生成特征进行形状变换操作，生成所述预设数量的初始2d轨迹特征；对每个所述初始2d轨迹特征进行降采样或上采样，并将经过降采样或上采样的所述初始2d轨迹特征通过扁平化处理转换成一维数据；将每个所述初始2d轨迹特征与其余经过降采样或上采样的所述初始2d轨迹特征所转换成的所述一维数据进行融合，生成与每个所述初始2d轨迹特征一一对应的所述2d轨迹特征，进而得到所述预设数量的所述2d轨迹特征。8.根据权利要求2所述的方法，其特征在于，所述第二编码网络为3d卷积网络，包括具有3d卷积层、批处理层和激活函数的bottleneck；所述利用第二编码网络对所述3d历史轨迹栅格图信息进行特征编码，以生成所述多个3d轨迹特征，包括：利用单个3d卷积层对所述3d历史轨迹栅格图信息进行空间维度上的降采样，以生成第一个所述3d轨迹特征；将第一个所述3d轨迹特征进行预设次数的级联式处理，得到所述多个3d轨迹特征。9.根据权利要求8所述的方法，其特征在于，所述将第一个所述3d轨迹特征进行预设次数的级连式处理，得到所述多个3d轨迹特征，包括：将第一个所述3d轨迹特征在时间维度和空间维度交替进行预设次数的级联式处理，得到所述多个3d轨迹特征。10.根据权利要求9所述的方法，其特征在于，所述将第一个所述3d轨迹特征在时间维度和空间维度交替进行预设次数的级联式处理，得到所述多个3d轨迹特征，包括：利用所述bottleneck对第一个所述3d轨迹特征进行时间维度或空间维度上的降采样，以生成下一个所述3d轨迹特征；利用所述bottleneck对当前的所述3d轨迹特征进行时间维度或空间维度上的降采样，以生成下一个所述3d轨迹特征，直至生成所述多个3d轨迹特征；其中，当前的所述3d轨迹特征进行降采样的维度与其上一个所述3d轨迹特征和其下一个3d轨迹特征进行降采样的维
度不同。11.根据权利要求2所述的方法，其特征在于，所述第三编码网络为2d卷积网络，包括具有2d卷积层、批处理层及激活函数的bottleneck；所述利用第三编码网络对所述2d交通栅格图信息进行特征编码，以生成所述多个2d交通图特征，包括：利用单个2d卷积层对所述2d交通栅格图信息进行空间维度及特征维度上的降采样，以生成第一个所述2d交通图特征；将第一个所述2d交通图特征进行预设次数的级连式处理，得到所述多个2d交通图特征。12.根据权利要求11所述的方法，其特征在于，所述将第一个所述2d交通图特征进行预设次数的级连式处理，得到所述多个2d交通图特征，包括：利用所述bottleneck对第一个所述2d交通图特征进行降采样，以生成下一个所述2d交通图特征。13.根据权利要求1所述的方法，其特征在于，所述将所述多个2d轨迹特征、所述多个3d轨迹特征及所述多个2d交通图特征进行对应尺度的拼接，并在拼接后进行所述多个尺度的融合以生成融合特征，包括：对所述多个2d轨迹特征、所述多个3d轨迹特征及所述多个2d交通图特征进行对应尺寸的拼接，得到多个尺度合成特征；利用bifpn多尺度特征融合网络将所述多个尺度合成特征进行融合生成处理，得到一个融合尺度合成特征；其中，所述多个尺度合成特征和所述融合尺度合成特征组成所述融合特征。14.根据权利要求1所述的方法，其特征在于，所述对所述融合特征进行特征解码，以生成解码特征，并利用所述解码特征对所述所有交通参与对象在所述预设地图范围对应的地图上进行轨迹预测，包括：利用3d卷积网络对所述融合特征进行特征解码，以生成所述解码特征；将所述解码特征发送至共享层进行预测处理，以在所述预设地图范围对应的地图上实现对所述所有交通参与对象的轨迹预测。15.根据权利要求14所述的方法，其特征在于，所述利用3d卷积网络对所述融合特征进行特征解码，以生成所述解码特征，包括：利用所述3d卷积网络将所述融合特征在时间维度上展开，并输出预测时间步的时间特征；所述将所述解码特征发送至共享层进行预测处理，包括：按时间维度索引逐步将所述预测时间步中每一步的时间特征发送至所述共享层中进行预测处理。16.根据权利要求1所述的方法，其特征在于，在所述获取预设地图范围内的所有交通参与对象的2d历史轨迹栅格图信息、3d历史轨迹栅格图信息以及预设地图范围内的2d交通栅格图信息之前，包括：
获取所述预设地图范围内的所述所有交通参与对象的历史轨迹栅格图信息、所述预设地图范围内的鸟瞰图和所述预设地图范围内的交通特征信息；其中，所述历史轨迹栅格图信息包括所述交通参与对象的轮廓尺寸、航向角、历史轨迹及当前所在位置，所述交通特征信息包括道路信息及交通信号信息；根据所述历史轨迹栅格图信息及时间间隔计算所述所有交通参与对象的速度；在时间维度上对所述所有交通参与对象进行拼接操作，生成包含长度、宽度、时间维度、特征维度的3d历史轨迹栅格图信息；将所述3d历史轨迹栅格图信息的时间维度压缩至特征维度上拼接生成所述2d历史轨迹栅格图信息；在特征维度上对所述鸟瞰图、所述交通特征信息进行拼接生成所述2d交通栅格图信息。17.一种智能汽车，其特征在于，包括处理器、存储器和检测组件，所述检测组件用于检测预设地图范围内的所有交通参与对象的历史轨迹栅格图信息、预设地图范围内的鸟瞰图和预设地图范围内的交通特征信息，所述处理器与所述检测组件耦合，所述存储器存储有计算机程序，所述处理器用于执行所述计算机程序以实现如权利要求1-16任一项所述的方法。18.一种计算机可读的存储介质，其特征在于，存储有计算机程序，所述计算机程序能够被处理器执行以实现如权利要求1-16任一项所述的方法。

技术总结
本申请公开了交通参与对象轨迹的预测方法、智能汽车和存储介质，其中交通参与对象轨迹的预测方法包括：获取所有交通参与对象的2d历史轨迹栅格图信息、3d历史轨迹栅格图信息以及2d交通栅格图信息；对2d历史轨迹栅格图信息、3d历史轨迹栅格图信息和2d交通栅格图信息分别进行特征编码，以对应生成多个2d轨迹特征、多个3d轨迹特征和多个2d交通图特征；将多个2d轨迹特征、多个3d轨迹特征及多个2d交通图特征进行对应尺度的拼接，并在拼接后进行多个尺度的融合以生成融合特征；对融合特征进行特征解码，以生成解码特征，并利用解码特征对所有交通参与对象进行轨迹预测。通过上述方式，能够提高对交通参与者轨迹的预测效果。能够提高对交通参与者轨迹的预测效果。能够提高对交通参与者轨迹的预测效果。


技术研发人员：岱超 肖钟雯
受保护的技术使用者：浙江零跑科技股份有限公司
技术研发日：2023.02.28
技术公布日：2023/7/12