路口对象的行为预测方法、装置、设备和介质与流程

1.本公开涉及智能驾驶技术领域，尤其涉及一种路口对象的行为预测方法、装置、设备和介质。


背景技术：

2.近年来，车辆智能驾驶技术成为汽车行业研究的热点。为了让车辆能够安全、平顺地行驶，一个重要且经常被忽视的问题是如何预测车辆周围障碍物未来一段时间的行为。障碍物预测是对车辆的下一步动作进行规划、控制的前提。
3.当前针对机动车(小车、大巴、卡车等)障碍物的行为预测算法，根据障碍物的历史状态信息，通过算法直接生成未来一段时间内的预测轨迹(即从轨迹到轨迹)；其主要是使用各种深度学习的算法，此类算法需要对大量数据进行处理、标注和训练，且可解释性弱，不能保证预测结果的稳定性，并且缺乏预测轨迹的意图语义信息，即缺乏障碍物即将前往的目标区域，不利于后续对车辆进行规划控制。
4.在实现本发明的过程中，发现现有技术中至少存在以下技术问题：预测结果的稳定性差且缺乏意图语义信息，不利于后续对车辆进行规划控制。并且，缺乏对非机动车障碍物的行为预测，非机动车是一个重要的交通参与者，对非机动车意图和轨迹的准确预测对智能驾驶车辆的安全行驶至关重要。


技术实现要素：

5.为了解决上述技术问题或者至少部分地解决上述技术问题，本公开实施例提供了一种路口对象的行为预测方法、装置、设备和介质，以实现对非机动车对象的目标区域和轨迹的预测，进而实现了对非机动车对象的行为预测，解决了现有技术缺乏对非机动车障碍物的行为预测以及无法预测目标区域的问题，并且，通过预测概率的方式进行行为预测，解决了现有技术采用神经网络预测结果稳定性差的问题。
6.第一方面，本公开实施例提供了一种路口对象的行为预测方法，其特征在于，所述方法包括：
7.获取与当前车辆的待通行路口对应的各路口离开区域；
8.针对所述待通行路口中的每一个待预测对象，获取所述待预测对象与各所述路口离开区域之间的位置关系信息，其中，所述待预测对象为位于所述待通行路口内的非机动车对象；
9.将各所述位置关系信息输入至预先构建的区域概率预测模型，得到各所述路口离开区域对应的预测前往概率；
10.基于各所述预测前往概率在各所述路口离开区域中确定所述待预测对象对应的目标区域，并基于所述目标区域确定所述待预测对象对应的目标轨迹。
11.第二方面，本公开实施例还提供了一种路口对象的行为预测装置，该装置包括：
12.路口对象的行为预测装置，其特征在于，包括：
13.区域确定模块，用于获取与当前车辆的待通行路口对应的各路口离开区域；
14.信息获取模块，用于针对所述待通行路口中的每一个待预测对象，获取所述待预测对象与各所述路口离开区域之间的位置关系信息，其中，所述待预测对象为位于所述待通行路口内的非机动车对象；
15.概率预测模块，用于将各所述位置关系信息输入至预先构建的区域概率预测模型，得到各所述路口离开区域对应的预测前往概率；
16.行为确定模块，用于基于各所述预测前往概率在各所述路口离开区域中确定所述待预测对象对应的目标区域，并基于所述目标区域确定所述待预测对象对应的目标轨迹。
17.第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的路口对象的行为预测方法。
18.第四方面，本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的路口对象的行为预测方法。
19.本公开实施例提供的一种路口对象的行为预测方法，通过获取待通行路口对应的各个路口离开区域，针对待通行路口中的每一个非机动车的待预测对象，根据待预测对象与各路口离开区域之间的位置关系信息，以及预先构建的区域概率预测模型，得到各路口离开区域对应的预测前往概率，进而根据各预测前往概率从各路口离开区域中确定目标区域，并根据目标区域确定目标轨迹，实现了对非机动车对象的目标区域和轨迹的预测，进而实现了对非机动车对象的行为预测，解决了现有技术缺乏对非机动车障碍物的行为预测以及无法预测目标区域的问题，并且，通过预测概率的方式进行行为预测，解决了现有技术采用神经网络预测结果稳定性差的问题。
附图说明
20.结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
21.图1为本公开实施例中的一种路口对象的行为预测方法的流程图；
22.图2为本公开实施例中的一种待通行路口对应的各路口离开区域的示意图；
23.图3为本公开实施例中的一种简单的节点连接示意图；
24.图4为本公开实施例中的一种结合时间因素的节点连接示意图；
25.图5为本公开实施例中的一种动态贝叶斯模型的结构示意图
26.图6为本公开实施例中的一种自动驾驶系统的示意图；
27.图7为本公开实施例中的一种路口对象的行为预测装置的结构示意图；
28.图8为本公开实施例中的一种电子设备的结构示意图。
具体实施方式
29.下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的
是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
30.需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
31.本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
32.图1为本公开实施例中的一种路口对象的行为预测方法的流程图。该方法可以由路口对象的行为预测装置执行，该装置可以采用软件和/或硬件的方式实现，该装置可配置于电子设备中。如图1所示，该方法具体可以包括如下步骤：
33.s110、获取与当前车辆的待通行路口对应的各路口离开区域。
34.其中，当前车辆可以是根据障碍物行为进行决策的自动驾驶车辆。待通行路口可以是当前车辆即将到达的路口。示例性的，可以将当前车辆的车辆视野范围内出现的路口作为待通行路口，或者，将车辆的车辆视野范围内出现的路口，且，位于当前车辆的行驶路线内的路口作为待通行路口。
35.针对待通行路口，可以进一步确定待通行路口对应的各路口离开区域。其中，路口离开区域可以是离开该待通行路口的区域。路口离开区域可以由一个位姿(包含位置与方向信息)和以位姿点为中心的一个圆所定义，圆的大小代表了路口离开区域的大小。
36.具体的，路口离开区域可以根据待通行路口的车道拓步连接关系以及车道属性确定。如，可以以离开待通行路口的车道起始端为中心，定义路口离开区域，以及，以待通行路口周围的人行道两端为中心，定义路口离开区域。
37.示例性的，图2为本公开实施例中的一种待通行路口对应的各路口离开区域的示意图，参见图2，可以将人行道中心线的两端所在区域作为路口离开区域，或者，将机动车道中心线中与行驶方向相对应的一端所在区域作为路口离开区域。对于同一个待通行路口中的不同待预测对象，路口离开区域的定义可以是相同的。
38.需要说明的是，在本实施例中，不同的待通行路口对应的各路口离开区域可以不完全相同。示例性的，可以预先为每一种路口类型设置对应的各路口离开区域，进而在需要确定待通行路口对应的各路口离开区域时，先确定待通行路口对应的路口类型，进而匹配出该路口类型对应的各路口离开区域。
39.s120、针对待通行路口中的每一个待预测对象，获取待预测对象与各路口离开区域之间的位置关系信息，其中，待预测对象为位于待通行路口内的非机动车对象。
40.其中，待预测对象可以是位于待通行路口内的非机动车对象，即当前车辆的非机动车类型的障碍物，如，行人、自行车或三轮车等。
41.具体的，可以将待通行路口内的所有非机动车类型的对象作为待预测对象，以对其行为进行预测，进而便于当前车辆根据预测的行为进行自动驾驶决策。
42.在本实施例中，对于每一个待预测对象，均需要获取待预测对象与各个路口离开区域之间的位置关系信息。其中，待预测对象与路口离开区域之间的位置关系信息，可以描述待预测对象所在位置与路口离开区域所在位置之间的关系。如，位置关系信息可以是距离、角度差、待预测对象是否位于路口离开区域的前方等。
43.可选的，获取待预测对象与各路口离开区域之间的位置关系信息，包括：针对每一个路口离开区域，获取待预测对象与路口离开区域之间的当前距离、与路口离开区域之间
的当前角度差、以及待预测对象到路口离开区域对应车道线的历史平均距离中的至少一项；将获取到的当前距离、当前角度差以及历史平均距离中的至少一项，作为待预测对象与路口离开区域之间的位置关系信息。
44.其中，当前距离可以是待预测对象与路口离开区域之间的欧式距离。当前角度差可以是待预测对象的朝向与路口离开区域之间的角度差。历史平均距离可以是待预测对象的历史行驶轨迹到连接至路口离开区域对应车道线的平均距离。
45.具体的，可以获取当前距离、当前角度差以及历史平均距离中的至少一项，根据获取到的信息确定位置关系信息。通过上述方式，实现了位置关系信息的准确确定，采用欧式距离、角度差或历史平均距离作为位置关系信息，可以进一步提高预测准确性。
46.在本实施例中，除了采用欧式距离、角度差或历史平均距离作为位置关系信息之外，还可以选取其它信息一并作为位置关系信息，本实施例对此不进行限定。
47.可选的，获取待预测对象与各路口离开区域之间的位置关系信息，还包括：针对每一个路口离开区域，判断路口离开区域是否位于待预测对象的后方，若是，则确定路口离开区域对应的第一变量为真值；判断待预测对象是否位于路口离开区域对应的预设区域内，若是，则确定路口离开区域对应的第二变量为真值，其中，预设区域为连接至路口离开区域的车道的相关区域；将路口离开区域对应的第一变量和第二变量，确定为待预测对象与路口离开区域之间的位置关系信息。
48.其中，预设区域可以是连接至路口离开区域的车道的临近区域，如，可以以连接至路口离开区域的车道为中心，根据预设区域大小确路口离开区域对应的预设区域。
49.具体的，第一变量和第二变量可以是布尔型的变量，即取值为真或假的二值标量。如果路口离开区域位于待预测对象的后方，则第一变量取真值，如果待预测对象位于路口离开区域对应的预设区域内，则表示待预测对象位于连接至路口离开区域的车道附近，第二变量为真值。
50.进一步的，可以将第一真值和第二真值确定为待预测对象与路口离开区域之间的位置关系信息。通过上述方式，将路口离开区域是否位于待预测对象的后方、待预测对象是否位于连接至路口离开区域的车道附近，一并确定为位置关系信息，以丰富位置关系信息，进一步的提高了预测准确性。
51.s130、将各位置关系信息输入至预先构建的区域概率预测模型，得到各路口离开区域对应的预测前往概率。
52.在本实施例中，位于待通行路口内的待预测对象，需要从当前所在的位置前往至某一个路口离开区域，以离开该待通行路口。因此，本实施例可以采用区域概率预测模型，预测待预测对象从各个路口离开区域离开待通行路口的概率，即，预测待预测对象从当前所在位置前往各个路口离开区域的概率，得到各个路口离开区域对应的预测前往概率。
53.其中，区域概率预测模型可以是概率图模型，诸如bn(baysian network，贝叶斯网络)、dbn(dynamic bayesian network，动态贝叶斯网络)、岭回归模型、最小二乘法等模型。
54.区别于神经网络中根据神经元的权重和偏置进行预测，在本实施例中，区域概率预测模型可以根据输入的各位置关系信息得到先验概率和条件概率，进而根据先验概率和条件概率确定后验概率，得到各个路口离开区域对应的预测前往概率。
55.在一种具体的实施方式中，区域概率预测模型为动态贝叶斯模型，将各位置关系
信息输入至预先构建的区域概率预测模型，得到各路口离开区域对应的预测前往概率，可以包括：
56.针对每一个路口离开区域，将路口离开区域作为动态贝叶斯模型中的意图节点，将路口离开区域对应的当前距离、当前角度差以及历史平均距离中的至少一项，作为意图节点连接的各观测论据节点；针对动态贝叶斯模型中的每一个意图节点，基于意图节点连接的各观测论据节点，确定意图节点对应的预测前往概率。
57.其中，动态贝叶斯模型可以包括各意图节点以及各观测论据节点；每一个意图节点代表一个路口离开区域，一个观测论据节点代表当前距离、当前角度差或者历史平均距离。例如，如果位置关系信息包括当前距离、当前角度差以及历史平均距离，则每一个意图节点(路口离开区域)连接三个观测论据节点(该路口离开区域对应的当前距离、当前角度差、历史平均距离)
58.需要说明的是，每个意图节点连接各观测论据节点，代表意图节点与观测论据节点之间存在因果关系，意图节点的变化将导致观测论据节点的变化。示例性的，图3为本公开实施例中的一种简单的节点连接示意图，其中，图中的圆称为节点，m_i表示意图节点，e表示观测论据节点，图中的箭头表示的是节点之间的因果关系。
59.在本实施例中，可以根据各意图节点连接的各观测论据节点，确定各意图节点对应的预测前往概率，即各路口离开区域对应的预测前往概率。
60.换言之，本实施例实现的是：在观察到e的情况下，计算意图节点m＝mi的概率大小p(m＝mi|e)，该概率即为意图节点对应的预测前往概率。通过上述方式，实现了基于动态贝叶斯模型预测各个路口离开区域对应的预测前往概率，进而实现了对各个待预测对象的意图预测，与神经网络预测的方式相比，无需进行数据处理与标注，且预测结果稳定。
61.可选的，针对动态贝叶斯模型中的每一个意图节点，基于意图节点连接的各观测论据节点，确定意图节点对应的预测前往概率，可以是：针对每一个意图节点，确定在意图节点下的各观测论据节点的第一条件概率、意图节点的先验概率以及意图节点连接的各观测论据节点的边缘概率；确定各第一条件概率以及先验概率的乘积，将乘积与边缘概率的比值作为意图节点对应的预测前往概率。
62.其中，对于每一个意图节点连接的各观测论据节点，可以确定在该意图下的观测论据条件概率，得到第一条件概率，如，p(e|m＝mi)，表示在意图节点mi下的观测论据节点的第一条件概率。各意图节点的先验概率可以是预先设置的。意图节点连接的各观测论据节点的边缘概率可以理解为归一化变量。
63.示例性的，可以通过如下公式计算意图节点对应的预测前往概率：
[0064][0065]
其中，p(m＝mi|e)表示意图节点mi对应的预测前往概率，即后验概率；p(e|m＝mi)为在意图节点mi下的观测论据节点的第一条件概率，若意图节点连接的观测论据节点的数量为多个，则将所有第一条件概率相乘；p(m＝mi)表示意图节点mi的先验概率；∑mp(m,e)表示意图节点连接的各观测论据节点的边缘概率。
[0066]
通过上述方式，可以计算出每一个意图节点对应的预测前往概率，实现了对待预测对象前往各路口离开区域的概率的准确预测。
[0067]
需要说明的是，对于上述意图节点的先验概率，除了直接获取之外，还可以进一步结合时间因素带来的变化，确定意图节点的先验概率。
[0068]
可选的，确定意图节点的先验概率，包括：获取在上一时刻各意图节点对应的预测前往概率，以及上一时刻的各意图节点转换至当前时刻的意图节点的转换概率；对于上一时刻的每一个意图节点，将上一时刻的意图节点对应的预测前往概率与转换概率的乘积作为上一时刻的意图节点的参考概率，将上一时刻的各意图节点的参考概率的和，确定为当前时刻的意图节点的先验概率。
[0069]
即，当前时刻的意图节点的先验概率，可以结合上一时刻的各意图节点对应的预测前往概率，以及上一时刻的各意图节点转换至当前时刻的意图节点的转换概率确定。
[0070]
示例性的，图4为本公开实施例中的一种结合时间因素的节点连接示意图，参见图4，当前时刻t的意图概率的计算不仅受当前时刻t的观测论据的影响，还受上一时刻t-1的计算结果的影响(即图4中的虚线)。
[0071]
具体的，对于上一时刻的每一个意图节点，将其对应的预测前往概率与转换概率的乘积作为参考概率，进而将上一时刻的所有意图节点的参考概率的和，确定为当前时刻的意图节点的先验概率。
[0072]
示例性的，可以采用如下公式计算当前时刻的意图节点的先验概率：
[0073]
p(m
t
＝mi)＝∑j(p(m
t
＝mi|m
t-1
＝mj)p(m
t-1
＝mj|e
t-1
))；
[0074]
其中，p(m
t
＝mi)表示当前时刻t的意图节点mi的先验概率，p(m
t
＝mi|m
t-1
＝mj)表示上一时刻t-1的意图节点mj转换至当前时刻t的意图节点mi的转换概率，p(m
t-1
＝mj|e
t-1
)表示上一时刻t-1的意图节点mj对应的预测前往概率。
[0075]
由上述先验概率的计算公式可知，最终当前时刻的意图节点对应的预测前往概率可以由以下公式得到：
[0076][0077]
其中，p(m
t
＝mi|e
t
)表示当前时刻的意图节点mi对应的预测前往概率，e
t
为意图节点mi对应的观测论据节点，p(e
t
|m
t
＝mi)表示第一条件概率。
[0078]
在上述实施方式中，实现了基于上一时刻的预测结果确定当前时刻的先验概率，进而实现了在意图预测上考虑时间因素带来的变化，进一步的提高了意图预测的准确性。
[0079]
除了上述结合上一时刻的预测结果确定当前时刻的先验概率，还可以进一步在动态贝叶斯模型中定义原因论据节点，以考虑原因论据节点对当前时刻的先验概率的影响。
[0080]
可选的，在针对每一个路口离开区域，将路口离开区域作为动态贝叶斯模型中的意图节点之后，还包括：将路口离开区域对应的第一变量和第二变量，作为连接意图节点的各原因论据节点；
[0081]
相应的，确定意图节点的先验概率，还包括：确定在连接意图节点的各原因论据节点下，意图节点的各第二条件概率；将各第二条件概率的和作为第一数值，将上一时刻的各意图节点的参考概率的和作为第二数值，将第一数值与第二数值的乘积作为当前时刻的意图节点的先验概率。
[0082]
其中，路口离开区域对应的第一变量和第二变量，可以作为该路口离开区域对应的各原因论据节点，并与该路口离开区域对应的意图节点连接，与该意图节点之间构成因
果关系，原因论据节点的变化则导致意图节点的变化。
[0083]
示例性的，图5为本公开实施例中的一种动态贝叶斯模型的结构示意图，其中，rev、in为原因论据节点，分别表示第一变量和第二变量，a_1、a_2、
……
a_m代表各个意图节点，d_to_area、theta_diff、avg_d_to_lane为观测论据节点，分别表示当前距离、当前角度差以及历史平均距离；与各意图节点连接的虚线，即代表上一时刻的预测结果。
[0084]
具体的，确定当前时刻的意图节点的先验概率，可以进一步结合意图节点的各第二条件概率、上一时刻的各意图节点的参考概率确定。其中，第二条件概率表示在特定原因论据下的意图条件概率。
[0085]
在本实施例中，将两个第二条件概率的和，作为第一数值；将上一时刻的所有意图节点的参考概率的和作为第二数值；第一数值与第二数值的乘积为当前时刻的意图节点的先验概率。
[0086]
示例性的，可以通过如下公式计算先验概率：
[0087][0088]
其中，p(m
t
＝a1)表示当前时刻意图节点a1的先验概率，c代表两个影响意图节点的原因论据节点：第一变量和第二变量，由于第一变量和第二变量在计算之前就可以得到客观结果，因此它们的先验概率p(c)可视为1。最终，当前时刻的意图节点的先验概率可以用如下公式表达：
[0089][0090]
进一步的，当前时刻的意图节点对应的预测前往概率可以通过如下公式计算：
[0091][0092]
其中，表示特定意图a1下的观测论据条件概率，即的第一条件概率，p(m
t
＝a1|m
t-1
＝mj)表示上一时刻t-1的意图节点mj转换至当前时刻t的意图节点a1的转换概率，p(m
t
＝a1|c)表示特定原因论据c下的意图条件概率，即a1的第二条件概率。表示意图节点a1连接的各观测论据节点的边缘概率。
[0093]
在上述实施方式中，通过在动态贝叶斯模型中引入原因论据节点，以考虑原因论据节点对当前时刻的先验概率的影响，进一步的提高了先验概率的准确性，进而提高了当前时刻的预测结果的准确性。
[0094]
需要说明的是，上述第一条件概率、第二条件概率以及转换概率，可以是人为设置
的，也可以是训练得到的。
[0095]
在一种具体的实施方式中，在将各位置关系信息输入至预先构建的区域概率预测模型，得到各路口离开区域对应的预测前往概率之前，还包括：获取训练数据集，其中，训练数据集包括样本对象与各样本离开区域之间的样本位置关系信息，以及各样本位置关系信息对应的各区域前往概率标签；基于训练数据集对区域概率预测模型进行训练，得到第一条件概率表、第二条件概率表以及转换概率表，或者，得到第一条件概率模型、第二条件概率模型以及转换概率模型。
[0096]
其中，第一条件概率表或第一条件概率模型用于确定各第一条件概率，第二条件概率表或第二条件概率模型用于确定各第二条件概率，转换概率表或转换概率模型用于确定各转换概率。
[0097]
具体的，训练数据集可以是小样本数据集，包括各样本离开区域对应的样本位置关系信息，以及各样本位置关系信息对应的各区域前往概率标签。
[0098]
可以将训练数据集输入至区域概率预测模型，以使区域概率预测模型根据各区域前往概率标签，得到第一条件概率表、第二条件概率表以及转换概率表，或者，得到第一条件概率模型、第二条件概率模型以及转换概率模型。
[0099]
在得到上述概率表或者概率模型后，可以通过第一条件概率表或第一条件概率模型，查询某个意图节点下的观测论据节点的第一条件概率，通过第二条件概率表或第二条件概率模型，查询某个原因论据节点下的意图节点的第二条件概率，通过转换概率表或转换概率模型，查询意图节点之间的转换概率。根据查询到的上述概率，可以进一步计算边缘概率，进而计算出后验概率，得到路口离开区域对应的预测前往概率。
[0100]
通过上述训练数据集训练的方式，可以实现第一条件概率、第二条件概率以及转换概率的准确确定，无需人为设置，在保证了各概率的准确性的同时，提高了预测效率。
[0101]
需要说明的是，上述根据第一条件概率、第二条件概率、转换概率计算预测前往概率的方式，可以理解为：根据已知的前往各特定区域下的各种观测论据(位置、角度差等)的概率，来预测在已知观测论据下的前往各区域的概率。
[0102]
s140、基于各预测前往概率在各路口离开区域中确定待预测对象对应的目标区域，并基于目标区域确定待预测对象对应的目标轨迹。
[0103]
具体的，在得到待预测对象前往各个路口离开区域的预测前往概率后，可以根据所有预测前往概率从各路口离开区域中确定出目标区域。其中，目标区域的数量可以是一个或多个。
[0104]
示例性的，可以按照概率从大到小的顺序对所有预测前往概率进行排序，将前n名预测前往概率对应的路口离开区域作为目标区域，或者，将最大的预测前往概率对应的路口离开区域作为目标区域。
[0105]
在得到目标区域后，可以针对每一个目标区域，预测出待预测对象前往该目标区域的目标轨迹。例如，通过曲线模型的方式或深度学习网络的方式生成目标轨迹。为了进一步提高目标轨迹的可靠性，本实施例还可以结合环境信息对目标轨迹进行预测。
[0106]
在一种具体的实施方式中，基于目标区域确定待预测对象对应的目标轨迹，可以包括如下步骤：
[0107]
步骤11、获取待预测对象在当前时刻下的状态信息以及环境信息，其中，状态信息
包括待预测对象的第一位置信息和第一速度信息，环境信息包括待通行路口中其它待预测对象的第二位置信息和第二速度信息；
[0108]
步骤12、根据在当前时刻下的环境信息以及状态信息，确定待预测对象在当前时刻下的速度控制信息，基于待预测对象在当前时刻下的状态信息和速度控制信息，确定待预测对象在下一时刻下的状态信息；
[0109]
步骤13、将下一时刻作为当前时刻，重新获取在当前时刻下的环境信息，并根据在当前时刻下的环境信息以及状态信息确定速度控制信息，直至确定出待预测对象在最后一时刻下的状态信息，根据在各时刻下的状态信息确定待预测对象对应的目标轨迹；其中，待预测对象在最后一时刻下的第一位置信息为目标区域。
[0110]
对于上述步骤11，考虑到待通行路口内存在多个待预测对象，各个待预测对象之间的位置和速度会互相产生影响，因此，在对当前的待预测对象的目标轨迹进行预测时，不仅获取该待预测对象在当前时刻的状态信息，即该待预测对象的第一位置信息和第一速度信息，还可以获取待预测对象在当前时刻的环境信息，即其它待预测对象的第二位置信息和第二速度信息。
[0111]
对于上述步骤12，根据在当前时刻下的环境信息以及状态信息，可以求解出待预测对象在当前时刻下的最优的控制量，即速度控制信息。进一步的，根据在当前时刻下的速度控制信息确定下一时刻的状态信息。其中，速度控制信息可以以速度向量形式存在的信息。
[0112]
进一步的，将下一时刻作为当前时刻，重新获取在当前时刻下的环境信息，并返回执行步骤12，直至预测出待预测对象在最后一时刻下的状态信息，其中，最后一时刻下的第一位置信息对应目标区域，即最后一时刻下待预测对象到达目标区域。最终，可以根据所有时刻下的状态信息，确定目标轨迹。
[0113]
通过上述步骤11-步骤13，实现了每一个时刻下的状态信息的预测，并且，考虑了各时刻下的环境信息，保证了轨迹的预测精度。此外，与深度学习或曲线模型的方式相比，上述步骤在确定每一个时刻的状态信息后，可以更新环境信息，以在更新后的环境信息的基础上求解下一时刻的状态信息，以此类推，因此，上述方法能够考虑环境的动态变化，生成更加合理的预测轨迹，进一步的提高了轨迹的准确性。
[0114]
针对上述步骤12，可选的，根据在当前时刻下的环境信息以及状态信息，确定待预测对象在当前时刻下的速度控制信息，包括：构建距离代价函数，其中，距离代价函数用于描述待预测对象与其它待预测对象之间的对象距离与代价之间的关系；以距离代价函数的计算结果最小化为目标，根据在当前时刻下的环境信息以及状态信息，确定最小距离代价对应的速度控制信息。
[0115]
具体的，距离代价函数可以用于根据待预测对象与其它待预测对象之间的对象距离，计算相应的距离代价。构建距离代价函数的目的在于：考虑了待预测对象与环境中的其它待预测对象的交互；为了避免待预测对象与其它待预测对象之间的碰撞，应当使待预测对象与其它待预测对象之间的最小距离尽量大，进而使得距离代价尽量小。
[0116]
在本实施例中，可以以距离代价函数的计算结果最小化为目标，即距离代价最小化为目标，得到最小距离代价对应的速度控制信息。通过将距离代价函数的计算结果最小化作为目标，得到最优的速度控制信息，使得速度控制信息可以满足各对象之间的距离尽
量大，进而避免了对象之间的碰撞。
[0117]
针对距离代价函数的构建过程，在一种具体的实施方式中，构建距离代价函数，包括：根据待预测对象与其它待预测对象之间的平方距离变化，构建待预测对象与其它待预测对象之间的最小对象距离与速度控制信息之间的关系；根据最小对象距离与速度控制信息之间的关系以及预设第一超参数，构建距离代价函数。
[0118]
其中，平方距离变化用于描述各时刻下各对象之间的距离变化量。在本实施例中，假设其它待预测对象均保持当前速度匀速运动，则待预测对象与其它待预测对象之间的平方距离变化可以用如下公式表示：
[0119]dmn
(t,um)＝‖pm+tu
m-p
n-vn‖2；
[0120]
其中，t表示当前时刻，um表示速度控制信息，pm表示待预测对象om的第一位置信息，pn表示其它待预测对象on的第二位置信息，vn表示其它待预测对象on的第二速度信息。
[0121]
进一步的，针对平方距离变化的公式，可以对时间t求导，得到待预测对象与其它待预测对象之间的最小距离将发生在时刻：
[0122][0123]
进一步的，将对时间t求导后得到的公式带入至平方距离变化的公式，可以得到最小对象距离与速度控制信息之间的关系：
[0124][0125]
其中，k＝p
m-pn，q＝u
m-vn。进一步的，可以根据预设第一超参数以及该关系构建距离代价函数，距离代价函数可以用如下公式表示：
[0126][0127]
其中，σd为预设第一超参数，控制其它待预测对象on的影响范围，当σd越大时，待预测对象om倾向于更加远离其它待预测对象on。
[0128]
具体的，可以通过梯度下降法对距离代价函数进行求解，得到速度控制信息。通过上述方式，实现了距离代价函数的准确构建，进而保证了基于距离代价函数所求解的速度控制信息的精度。
[0129]
考虑到环境中可能存在多个其它待预测对象，多个其它待预测对象均对待预测对象产生影响时，还可以构建最终的距离代价函数，最终的距离代价函数为各个其它待预测对象的代价加权和。
[0130]
可选的，在根据最小对象距离与速度控制信息之间的关系以及预设第一超参数，构建距离代价函数之后，还包括：若其它待预测对象的数量为多个，则针对每一个其它待预测对象，根据在当前时刻下待预测对象与其它待预测对象之间的角度差和距离，确定其它待预测对象对应的代价权重，根据距离代价函数以及其它待预测对象对应的代价权重，确定其它待预测对象对应的距离代价分量；根据各其它待预测对象对应的距离代价分量的和，构建最终的距离代价函数。
[0131]
其中，角度差可以是待预测对象的当前方向旋转到其它待预测对象时所经过的角度，距离可以是两个对象在当前时刻的距离。
[0132]
示例性的，可以根据如下公式计算其它待预测对象对应的代价权重：
[0133][0134]
其中，w
mn
表示其它待预测对象on对应的代价权重，φ为在当前时刻下待预测对象om与其它待预测对象on之间的角度差，k的定义沿用上述说明，β、σw为超参数，β决定了距离代价项的最大值，σw作用与σd类似，影响了其它待预测对象的作用范围。
[0135]
在得到各个其它待预测对象对应的代价权重后，可以将其它待预测对象对应的代价权重与距离代价函数的乘积，作为该其它待预测对象对应的距离代价分量，进而将所有其它待预测对象对应的距离代价分量的和，作为最终的距离代价函数。
[0136]
示例性的，在ti时刻，待预测对象om与环境的距离代价函数定义为：
[0137]im
(um)＝∑
n≠mwmn
·emn
(um)；
[0138]
其中，im(um)为最终的距离代价函数。具体的，可以通过梯度下降法对最终的距离代价函数进行求解，得到速度控制信息。通过上述方式，实现了多个其它待预测对象下的距离代价函数的构建，进而实现了考虑待预测对象会避免碰撞其它对象的轨迹预测，进一步的提高了轨迹预测的精度。
[0139]
除了根据距离代价函数求解最优的控制量之外，在本实施例中，还可以结合速度代价函数求解最优的控制量。
[0140]
如，可选的，根据在当前时刻下的环境信息以及状态信息，确定待预测对象在当前时刻下的速度控制信息，还包括：构建速度代价函数，其中，速度代价函数用于描述待预测对象的速度控制信息与期望速度之间的速度差与代价之间的关系；根据速度代价函数以及距离代价函数构建总代价函数，以总代价函数的计算结果最小化为目标，根据在当前时刻下的环境信息以及状态信息，确定最小总代价对应的速度控制信息。
[0141]
具体的，速度代价函数可以用于根据待预测对象的速度控制信息与期望速度之间的速度差，计算相应的速度代价。构建速度代价函数的目的在于：使得速度控制信息与期望速度尽量接近。速度控制信息与期望速度之间的速度差越小，速度代价函数计算出的速度代价越小。
[0142]
例如，构建的速度代价函数可以用如下公式表示：
[0143][0144]
其中，sm(um)表示速度代价，表示期望速度，可以预先设置各对象类型对应的期望速度，进而从中匹配出待预测对象对应的期望速度。
[0145]
进一步的，可以将速度代价函数与距离代价函数的和作为总代价函数；或者，根据速度代价函数、速度代价函数对应的权重、距离代价函数、距离代价函数对应的权重，构建总代价函数。具体的，可以通过梯度下降法对总代价函数进行求解，得到速度控制信息。
[0146]
进一步的，以总代价函数计算出的总代价最小化为目标，求解最优的控制量，得到速度控制信息。通过该方式，实现了结合速度代价和距离代价的控制量求解，考虑了理论上各时刻下待预测对象的速度应接近于期望速度，且理论上会避免与其它对象之间的碰撞，进一步的提高了轨迹预测的准确性。
[0147]
需要说明的是，在本实施例中，除了结合速度代价函数之外，还可以结合方向代价函数。
[0148]
如，可选的，在根据速度代价函数以及距离代价函数构建总代价函数之前，还包括：构建方向代价函数，其中，方向代价函数用于描述待预测对象的速度控制信息与目标区域之间的方向差与代价之间的关系；相应的，根据速度代价函数以及距离代价函数构建总代价函数，包括：根据速度代价函数、方向代价函数以及距离代价函数构建总代价函数。
[0149]
其中，方向代价函数可以用于根据速度控制信息与目标区域之间的方向差，计算相应的方向代价。构建方向代价函数的目的在于：使得速度控制信息中的速度方向与目标区域所在方向尽量接近。速度控制信息与目标区域之间的方向差越小，方向代价函数计算出的方向代价越小。
[0150]
例如，构建的方向代价函数可以用如下公式表示：
[0151][0152]
其中，zm表示目标区域中的坐标点，如，可以是目标区域中最接近待预测对象的区域边缘点，也可以是目标区域的区域中心点，dm(um)表示方向代价。
[0153]
进一步的，可以根据速度代价函数、方向代价函数以及距离代价函数构建总代价函数。具体的，可以直接将速度代价函数、方向代价函数以及距离代价函数的和，确定为总代价函数；或者，还可以根据速度代价函数、速度代价函数对应的权重、方向代价函数、方向代价函数对应的权重、以及距离代价函数，构建总代价函数。
[0154]
示例性的，总代价函数可以用如下公式表示：
[0155]em
(um)＝im(um)+λ1sm(um)+λ2dm(um)；
[0156]
其中，em(um)表示总代价，λ1和λ2为超参数，用来调节速度代价和方向代价的影响。具体的，可以通过梯度下降法求解该公式，得到速度控制信息。通过该方式，实现了结合速度代价、方向代价和距离代价的控制量求解，考虑了理论上各时刻下待预测对象的速度应接近于期望速度、会避免与其它对象之间的碰撞以及速度方向会接近目标区域所在方向，进一步的提高了轨迹预测的准确性。
[0157]
在本实施例中，在每一个时刻下均求解得到该时刻的速度控制信息，进而基于该时刻的速度控制信息得到下一时刻的状态信息，以此类推可以得到总共n个时刻的状态信息。
[0158]
针对上述步骤13，在一种具体的实施方式中，基于待预测对象在当前时刻下的状态信息和速度控制信息，确定待预测对象在下一时刻下的状态信息，包括：根据预设第二超参数、待预测对象在当前时刻下的第一速度信息以及速度控制信息，确定待预测对象在下一时刻下的第一速度信息；根据待预测对象在当前时刻下的第一位置信息、在下一时刻下的第一速度信息、以及当前时刻与下一时刻之间的时间差，确定待预测对象在下一时刻下的第一位置信息。
[0159]
具体的，可以确定第一速度信息与预设第二超参数之间的乘积，并确定设定值与预设第二超参数相减后的结果与速度控制信息的乘积，将两个乘积的和作为在下一时刻下的第一速度信息。其中，设定值可以是1。
[0160]
进一步的，可以确定在下一时刻下的第一速度信息与时间差之间的乘积，将该乘积与在当前时刻下的第一位置信息的和，作为在下一时刻下的第一位置信息。
[0161]
示例性的，参见如下公式：
[0162][0163]
其中，待预测对象在当前时刻下的状态信息定义为其中，待预测对象在当前时刻下的状态信息定义为表示在当前时刻下的第一位置信息，可以是二维坐标；表示在当前时刻下的第一速度信息，可以是速度向量。表示在下一时刻下的第一位置信息，表示在下一时刻下的第一速度信息，α表示预设第二超参数，取值在0～1之间。
[0164]
在上述实施方式中，基于当前时刻的速度控制信息，确定下一时刻的状态信息，可以实现通过根据上一时刻的状态信息和速度控制信息，确定下一时刻的状态信息，进而实现了各时刻的状态信息的依次确定，保证了各时刻的状态信息之间的关联性，进一步的提高了轨迹预测准确性。
[0165]
需要说明的是，在本实施例提供的各公式中，涉及到的各个超参数α,β,σd,σw,λ1,λ2，可以预先收集大量非机动车在路口区域的轨迹数据，通过极大似然法估计得到各个超参数。
[0166]
通过本实施例提供的方法，可以实现各个待预测对象的目标区域的预测，以及前往各个目标区域的目标轨迹的预测，进而实现了对各个待预测对象的行为预测，自动驾驶车辆在经过路口时，可以通过本实施例提供的方法，自动对非机动车的意图和轨迹进行预测，使得自动驾驶车辆做出更合理的决策、规划，达到更加安全、平稳的行驶效果。
[0167]
示例性的，本实施例提供的方法可以由自动驾驶车辆的行为预测模块执行。参见图6，图6为本公开实施例中的一种自动驾驶系统的示意图，其中，行为预测模块可以根据接收到的感知模块、地图模块以及定位模块输出的信息，对每个待预测对象进行意图预测和轨迹预测，进而规划决策模块根据预测结果做出合理的路径决策规划，最终通过控制模块对车辆动作进行控制。
[0168]
本实施例提供的路口对象的行为预测方法，通过获取待通行路口对应的各个路口离开区域，针对待通行路口中的每一个非机动车的待预测对象，根据待预测对象与各路口离开区域之间的位置关系信息，以及预先构建的区域概率预测模型，得到各路口离开区域对应的预测前往概率，进而根据各预测前往概率从各路口离开区域中确定目标区域，并根据目标区域确定目标轨迹，实现了对非机动车对象的目标区域和轨迹的预测，进而实现了对非机动车对象的行为预测，解决了现有技术缺乏对非机动车障碍物的行为预测以及无法预测目标区域的问题，并且，通过预测概率的方式进行行为预测，解决了现有技术采用神经网络预测结果稳定性差的问题。
[0169]
图7为本公开实施例中的一种路口对象的行为预测装置的结构示意图。如图7所示：该装置包括：区域确定模块710、信息获取模块720、概率预测模块730和行为确定模块740。
[0170]
区域确定模块710，用于获取与当前车辆的待通行路口对应的各路口离开区域；
[0171]
信息获取模块720，用于针对所述待通行路口中的每一个待预测对象，获取所述待预测对象与各所述路口离开区域之间的位置关系信息，其中，所述待预测对象为位于所述待通行路口内的非机动车对象；
[0172]
概率预测模块730，用于将各所述位置关系信息输入至预先构建的区域概率预测
模型，得到各所述路口离开区域对应的预测前往概率；
[0173]
行为确定模块740，用于基于各所述预测前往概率在各所述路口离开区域中确定所述待预测对象对应的目标区域，并基于所述目标区域确定所述待预测对象对应的目标轨迹。
[0174]
本公开实施例提供的路口对象的行为预测装置，可执行本公开方法实施例所提供的路口对象的行为预测方法中的步骤，具备执行步骤和有益效果此处不再赘述。
[0175]
图8为本公开实施例中的一种电子设备的结构示意图。下面具体参考图8，其示出了适于用来实现本公开实施例中的电子设备500的结构示意图。图8示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0176]
如图8所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储装置508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理以实现如本公开所述的实施例的方法。在ram 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、rom 502以及ram 503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
[0177]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码，从而实现如上所述的路口对象的行为预测方法。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从rom 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。
[0178]
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读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，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0179]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
[0180]
获取与当前车辆的待通行路口对应的各路口离开区域；
[0181]
针对所述待通行路口中的每一个待预测对象，获取所述待预测对象与各所述路口离开区域之间的位置关系信息，其中，所述待预测对象为位于所述待通行路口内的非机动车对象；
[0182]
将各所述位置关系信息输入至预先构建的区域概率预测模型，得到各所述路口离开区域对应的预测前往概率；
[0183]
基于各所述预测前往概率在各所述路口离开区域中确定所述待预测对象对应的目标区域，并基于所述目标区域确定所述待预测对象对应的目标轨迹。
[0184]
可选的，当上述一个或者多个程序被该电子设备执行时，该电子设备还可以执行上述实施例所述的其他步骤。
[0185]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0186]
方案1、一种路口对象的行为预测方法，所述方法包括：
[0187]
获取与当前车辆的待通行路口对应的各路口离开区域；
[0188]
针对所述待通行路口中的每一个待预测对象，获取所述待预测对象与各所述路口离开区域之间的位置关系信息，其中，所述待预测对象为位于所述待通行路口内的非机动车对象；
[0189]
将各所述位置关系信息输入至预先构建的区域概率预测模型，得到各所述路口离开区域对应的预测前往概率；
[0190]
基于各所述预测前往概率在各所述路口离开区域中确定所述待预测对象对应的目标区域，并基于所述目标区域确定所述待预测对象对应的目标轨迹。
[0191]
方案2、根据方案1所述的方法，所述获取所述待预测对象与各所述路口离开区域之间的位置关系信息，包括：
[0192]
针对每一个所述路口离开区域，获取所述待预测对象与所述路口离开区域之间的当前距离、与所述路口离开区域之间的当前角度差、以及所述待预测对象到所述路口离开区域对应车道线的历史平均距离中的至少一项；
[0193]
将获取到的所述当前距离、所述当前角度差以及所述历史平均距离中的至少一项，作为所述待预测对象与所述路口离开区域之间的位置关系信息。
[0194]
方案3、根据方案2所述的方法，所述区域概率预测模型为动态贝叶斯模型，所述将各所述位置关系信息输入至预先构建的区域概率预测模型，得到各所述路口离开区域对应的预测前往概率，包括：
[0195]
针对每一个所述路口离开区域，将所述路口离开区域作为所述动态贝叶斯模型中的意图节点，将所述路口离开区域对应的所述当前距离、所述当前角度差以及所述历史平均距离中的至少一项，作为所述意图节点连接的各观测论据节点；
[0196]
针对所述动态贝叶斯模型中的每一个所述意图节点，基于所述意图节点连接的各所述观测论据节点，确定所述意图节点对应的预测前往概率。
[0197]
方案4、根据方案3所述的方法，所述针对所述动态贝叶斯模型中的每一个所述意图节点，基于所述意图节点连接的各所述观测论据节点，确定所述意图节点对应的预测前往概率，包括：
[0198]
针对每一个所述意图节点，确定在所述意图节点下的各所述观测论据节点的第一条件概率、所述意图节点的先验概率以及所述意图节点连接的各所述观测论据节点的边缘概率；
[0199]
确定各所述第一条件概率以及所述先验概率的乘积，将所述乘积与所述边缘概率的比值作为所述意图节点对应的预测前往概率。
[0200]
方案5、根据方案4所述的方法，确定所述意图节点的先验概率，包括：
[0201]
获取在上一时刻各意图节点对应的预测前往概率，以及上一时刻的各意图节点转换至当前时刻的所述意图节点的转换概率；
[0202]
对于上一时刻的每一个意图节点，将上一时刻的意图节点对应的预测前往概率与转换概率的乘积作为上一时刻的意图节点的参考概率，将上一时刻的各意图节点的参考概率的和，确定为当前时刻的所述意图节点的先验概率。
[0203]
方案6、根据方案5所述的方法，所述获取所述待预测对象与各所述路口离开区域之间的位置关系信息，还包括：
[0204]
针对每一个所述路口离开区域，判断所述路口离开区域是否位于所述待预测对象的后方，若是，则确定所述路口离开区域对应的第一变量为真值；
[0205]
判断所述待预测对象是否位于所述路口离开区域对应的预设区域内，若是，则确定所述路口离开区域对应的第二变量为真值，其中，所述预设区域为连接至所述路口离开区域的车道的相关区域；
[0206]
将所述路口离开区域对应的第一变量和第二变量，确定为所述待预测对象与所述路口离开区域之间的位置关系信息。
[0207]
方案7、根据方案6所述的方法，在所述针对每一个所述路口离开区域，将所述路口离开区域作为所述动态贝叶斯模型中的意图节点之后，还包括：
[0208]
将所述路口离开区域对应的第一变量和第二变量，作为连接所述意图节点的各原因论据节点；
[0209]
所述确定所述意图节点的先验概率，还包括：
[0210]
确定在连接所述意图节点的各原因论据节点下，所述意图节点的各第二条件概率；
[0211]
将各所述第二条件概率的和作为第一数值，将上一时刻的各意图节点的参考概率的和作为第二数值，将所述第一数值与所述第二数值的乘积作为当前时刻的所述意图节点的先验概率。
[0212]
方案8、根据方案7所述的方法，在所述将各所述位置关系信息输入至预先构建的区域概率预测模型，得到各所述路口离开区域对应的预测前往概率之前，所述方法还包括：
[0213]
获取训练数据集，其中，所述训练数据集包括样本对象与各样本离开区域之间的样本位置关系信息，以及各所述样本位置关系信息对应的各区域前往概率标签；
[0214]
基于所述训练数据集对所述区域概率预测模型进行训练，得到第一条件概率表、第二条件概率表以及转换概率表，或者，得到第一条件概率模型、第二条件概率模型以及转换概率模型；
[0215]
其中，所述第一条件概率表或所述第一条件概率模型用于确定各所述第一条件概率，所述第二条件概率表或所述第二条件概率模型用于确定各所述第二条件概率，所述转换概率表或所述转换概率模型用于确定各所述转换概率。
[0216]
方案9、根据方案1所述的方法，所述基于所述目标区域确定所述待预测对象对应的目标轨迹，包括：
[0217]
获取所述待预测对象在当前时刻下的状态信息以及环境信息，其中，所述状态信息包括所述待预测对象的第一位置信息和第一速度信息，所述环境信息包括所述待通行路口中其它待预测对象的第二位置信息和第二速度信息；
[0218]
根据在所述当前时刻下的环境信息以及状态信息，确定所述待预测对象在所述当前时刻下的速度控制信息，基于所述待预测对象在当前时刻下的状态信息和速度控制信息，确定所述待预测对象在下一时刻下的状态信息；
[0219]
将下一时刻作为当前时刻，重新获取在当前时刻下的环境信息，并根据在当前时刻下的环境信息以及状态信息确定速度控制信息，直至确定出所述待预测对象在最后一时刻下的状态信息，根据在各时刻下的状态信息确定所述待预测对象对应的目标轨迹；
[0220]
其中，所述待预测对象在最后一时刻下的第一位置信息为所述目标区域。
[0221]
方案10、根据方案9所述的方法，所述根据在所述当前时刻下的环境信息以及状态信息，确定所述待预测对象在所述当前时刻下的速度控制信息，包括：
[0222]
构建距离代价函数，其中，所述距离代价函数用于描述所述待预测对象与其它待预测对象之间的对象距离与代价之间的关系；
[0223]
以所述距离代价函数的计算结果最小化为目标，根据在所述当前时刻下的环境信息以及状态信息，确定最小距离代价对应的速度控制信息。
[0224]
方案11、根据方案10所述的方法，所述构建距离代价函数，包括：
[0225]
根据所述待预测对象与其它待预测对象之间的平方距离变化，构建所述待预测对象与其它待预测对象之间的最小对象距离与速度控制信息之间的关系；
[0226]
根据最小对象距离与速度控制信息之间的关系以及预设第一超参数，构建距离代价函数。
[0227]
方案12、根据方案11所述的方法，在所述根据最小对象距离与速度控制信息之间的关系以及预设第一超参数，构建距离代价函数之后，还包括：
[0228]
若所述其它待预测对象的数量为多个，则针对每一个所述其它待预测对象，根据在所述当前时刻下所述待预测对象与所述其它待预测对象之间的角度差和距离，确定所述其它待预测对象对应的代价权重，根据所述距离代价函数以及所述其它待预测对象对应的代价权重，确定所述其它待预测对象对应的距离代价分量；
[0229]
根据各所述其它待预测对象对应的距离代价分量的和，构建最终的距离代价函数。
[0230]
方案13、根据方案10所述的方法，所述根据在所述当前时刻下的环境信息以及状态信息，确定所述待预测对象在所述当前时刻下的速度控制信息，还包括：
[0231]
构建速度代价函数，其中，所述速度代价函数用于描述所述待预测对象的速度控制信息与期望速度之间的速度差与代价之间的关系；
[0232]
根据所述速度代价函数以及所述距离代价函数构建总代价函数，以所述总代价函数的计算结果最小化为目标，根据在所述当前时刻下的环境信息以及状态信息，确定最小总代价对应的速度控制信息。
[0233]
方案14、根据方案13所述的方法，在所述根据所述速度代价函数以及所述距离代价函数构建总代价函数之前，还包括：
[0234]
构建方向代价函数，其中，所述方向代价函数用于描述所述待预测对象的速度控制信息与目标区域之间的方向差与代价之间的关系；
[0235]
相应的，所述根据所述速度代价函数以及所述距离代价函数构建总代价函数，包括：
[0236]
根据所述速度代价函数、所述方向代价函数以及所述距离代价函数构建总代价函数。
[0237]
方案15、根据方案9所述的方法，所述基于所述待预测对象在当前时刻下的状态信息和速度控制信息，确定所述待预测对象在下一时刻下的状态信息，包括：
[0238]
根据预设第二超参数、所述待预测对象在当前时刻下的第一速度信息以及所述速度控制信息，确定所述待预测对象在下一时刻下的第一速度信息；
[0239]
根据所述待预测对象在当前时刻下的第一位置信息、在下一时刻下的第一速度信息、以及当前时刻与下一时刻之间的时间差，确定所述待预测对象在下一时刻下的第一位置信息。
[0240]
方案16、一种路口对象的行为预测装置，包括：
[0241]
区域确定模块，用于获取与当前车辆的待通行路口对应的各路口离开区域；
[0242]
信息获取模块，用于针对所述待通行路口中的每一个待预测对象，获取所述待预测对象与各所述路口离开区域之间的位置关系信息，其中，所述待预测对象为位于所述待通行路口内的非机动车对象；
[0243]
概率预测模块，用于将各所述位置关系信息输入至预先构建的区域概率预测模型，得到各所述路口离开区域对应的预测前往概率；
[0244]
行为确定模块，用于基于各所述预测前往概率在各所述路口离开区域中确定所述待预测对象对应的目标区域，并基于所述目标区域确定所述待预测对象对应的目标轨迹。
[0245]
方案17、一种电子设备，所述电子设备包括：
[0246]
一个或多个处理器；
[0247]
存储装置，用于存储一个或多个程序；
[0248]
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如方案1-15中任一项所述的方法。
[0249]
方案18、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如方案1-15中任一项所述的方法。
[0250]
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行
任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

技术特征：
1.一种路口对象的行为预测方法，其特征在于，所述方法包括：获取与当前车辆的待通行路口对应的各路口离开区域；针对所述待通行路口中的每一个待预测对象，获取所述待预测对象与各所述路口离开区域之间的位置关系信息，其中，所述待预测对象为位于所述待通行路口内的非机动车对象；将各所述位置关系信息输入至预先构建的区域概率预测模型，得到各所述路口离开区域对应的预测前往概率；基于各所述预测前往概率在各所述路口离开区域中确定所述待预测对象对应的目标区域，并基于所述目标区域确定所述待预测对象对应的目标轨迹。2.根据权利要求1所述的方法，其特征在于，所述获取所述待预测对象与各所述路口离开区域之间的位置关系信息，包括：针对每一个所述路口离开区域，获取所述待预测对象与所述路口离开区域之间的当前距离、与所述路口离开区域之间的当前角度差、以及所述待预测对象到所述路口离开区域对应车道线的历史平均距离中的至少一项；将获取到的所述当前距离、所述当前角度差以及所述历史平均距离中的至少一项，作为所述待预测对象与所述路口离开区域之间的位置关系信息。3.根据权利要求2所述的方法，其特征在于，所述区域概率预测模型为动态贝叶斯模型，所述将各所述位置关系信息输入至预先构建的区域概率预测模型，得到各所述路口离开区域对应的预测前往概率，包括：针对每一个所述路口离开区域，将所述路口离开区域作为所述动态贝叶斯模型中的意图节点，将所述路口离开区域对应的所述当前距离、所述当前角度差以及所述历史平均距离中的至少一项，作为所述意图节点连接的各观测论据节点；针对所述动态贝叶斯模型中的每一个所述意图节点，基于所述意图节点连接的各所述观测论据节点，确定所述意图节点对应的预测前往概率。4.根据权利要求3所述的方法，其特征在于，所述针对所述动态贝叶斯模型中的每一个所述意图节点，基于所述意图节点连接的各所述观测论据节点，确定所述意图节点对应的预测前往概率，包括：针对每一个所述意图节点，确定在所述意图节点下的各所述观测论据节点的第一条件概率、所述意图节点的先验概率以及所述意图节点连接的各所述观测论据节点的边缘概率；确定各所述第一条件概率以及所述先验概率的乘积，将所述乘积与所述边缘概率的比值作为所述意图节点对应的预测前往概率。5.根据权利要求4所述的方法，其特征在于，确定所述意图节点的先验概率，包括：获取在上一时刻各意图节点对应的预测前往概率，以及上一时刻的各意图节点转换至当前时刻的所述意图节点的转换概率；对于上一时刻的每一个意图节点，将上一时刻的意图节点对应的预测前往概率与转换概率的乘积作为上一时刻的意图节点的参考概率，将上一时刻的各意图节点的参考概率的和，确定为当前时刻的所述意图节点的先验概率。6.根据权利要求5所述的方法，其特征在于，所述获取所述待预测对象与各所述路口离
开区域之间的位置关系信息，还包括：针对每一个所述路口离开区域，判断所述路口离开区域是否位于所述待预测对象的后方，若是，则确定所述路口离开区域对应的第一变量为真值；判断所述待预测对象是否位于所述路口离开区域对应的预设区域内，若是，则确定所述路口离开区域对应的第二变量为真值，其中，所述预设区域为连接至所述路口离开区域的车道的相关区域；将所述路口离开区域对应的第一变量和第二变量，确定为所述待预测对象与所述路口离开区域之间的位置关系信息。7.根据权利要求6所述的方法，其特征在于，在所述针对每一个所述路口离开区域，将所述路口离开区域作为所述动态贝叶斯模型中的意图节点之后，还包括：将所述路口离开区域对应的第一变量和第二变量，作为连接所述意图节点的各原因论据节点；所述确定所述意图节点的先验概率，还包括：确定在连接所述意图节点的各原因论据节点下，所述意图节点的各第二条件概率；将各所述第二条件概率的和作为第一数值，将上一时刻的各意图节点的参考概率的和作为第二数值，将所述第一数值与所述第二数值的乘积作为当前时刻的所述意图节点的先验概率。8.一种路口对象的行为预测装置，其特征在于，包括：区域确定模块，用于获取与当前车辆的待通行路口对应的各路口离开区域；信息获取模块，用于针对所述待通行路口中的每一个待预测对象，获取所述待预测对象与各所述路口离开区域之间的位置关系信息，其中，所述待预测对象为位于所述待通行路口内的非机动车对象；概率预测模块，用于将各所述位置关系信息输入至预先构建的区域概率预测模型，得到各所述路口离开区域对应的预测前往概率；行为确定模块，用于基于各所述预测前往概率在各所述路口离开区域中确定所述待预测对象对应的目标区域，并基于所述目标区域确定所述待预测对象对应的目标轨迹。9.一种电子设备，其特征在于，所述电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的方法。

技术总结
本公开实施例公开了一种路口对象的行为预测方法、装置、设备和介质，该方法包括：通过获取待通行路口对应的各个路口离开区域，针对待通行路口中的每一个非机动车的待预测对象，根据待预测对象与各路口离开区域之间的位置关系信息，以及预先构建的区域概率预测模型，得到各路口离开区域对应的预测前往概率，进而根据各预测前往概率从各路口离开区域中确定目标区域，并根据目标区域确定目标轨迹，实现了对非机动车对象的目标区域和轨迹的预测，进而实现了对非机动车对象的行为预测，解决了缺乏对非机动车障碍物的行为预测以及无法预测目标区域的问题，并且，解决了现有技术采用神经网络预测结果稳定性差的问题。经网络预测结果稳定性差的问题。经网络预测结果稳定性差的问题。


技术研发人员：刘浩泉 杨天
受保护的技术使用者：驭势科技（北京）有限公司
技术研发日：2022.12.23
技术公布日：2023/7/4