摘要： 邊緣計算賦能車聯(lián)網(wǎng)可以實現(xiàn)車載服務(wù)低時延和高計算量等性能需求,然而車輛的行駛具有隨機性且分布不均勻,造成邊緣服務(wù)器的負載不均衡以及邊緣資源利用率低等問題。因此,通過基于改進的車輛軌跡預(yù)測及車流量統(tǒng)計方法的邊緣資源配置算法得出邊緣服務(wù)器的負載預(yù)測值,在盡可能減少資源空閑的前提下計算出最優(yōu)邊緣資源數(shù)量。實驗證明,應(yīng)用基于車輛軌跡的邊緣資源配置算法使車輛的邊緣資源請求的成功率提高至95%以上。

摘要： 在水下無線傳感器網(wǎng)絡(luò)的應(yīng)用中,如果傳感器節(jié)點的位置未知,傳感器節(jié)點所感知的信息便失去了意義,節(jié)點定位和軌跡預(yù)測是水下傳感器網(wǎng)絡(luò)研究的關(guān)鍵技術(shù)。闡述了水下傳感器網(wǎng)絡(luò)節(jié)點定位與軌跡預(yù)測技術(shù),在簡介水聲通信特點的基礎(chǔ)上,分類介紹了較為經(jīng)典的水下節(jié)點定位算法和軌跡預(yù)測技術(shù),并對人工智能相關(guān)的定位算法進行了闡述,隨后對這些算法進行了對比和分析。最后,展望了水下傳感器網(wǎng)絡(luò)節(jié)點定位和軌跡預(yù)測技術(shù)的研究前景與發(fā)展趨勢。

摘要： 人類駕駛者會持續(xù)觀察、分析周邊車輛和行人的行為,實時地規(guī)劃安全的行車軌跡。自動駕駛汽車也應(yīng)當與人類一樣具備感知和預(yù)測交通參與者行為的能力,以提前判斷其未來的運動軌跡。軌跡預(yù)測模塊的預(yù)測準確度至關(guān)重要,因為其接受感知系統(tǒng)提供的輸入信息,并作為路徑規(guī)劃等決策任務(wù)的上游輸入,使其成為自動駕駛技術(shù)中承上啟下的重要中間環(huán)節(jié)。隨著近年來數(shù)據(jù)科學(xué)和傳感器領(lǐng)域的長足發(fā)展,大量關(guān)注行人、車輛等多樣化交通參與者的大型數(shù)據(jù)集得以建立,使得軌跡預(yù)測問題的解決方案從傳統(tǒng)的動力學(xué)模型過渡到深度學(xué)習(xí)模型成為可能?；诖?介紹行人、車輛軌跡預(yù)測算法的發(fā)展歷程和重要論文的解決方案,并總結(jié)該領(lǐng)域形成共識的幾種思路,展望最新的研究趨勢。

摘要： 針對高超聲速滑翔飛行器(Hypersonic glide vehicle,HGV)機動性強、軌跡預(yù)測困難的問題,選取氣動加速度作為預(yù)測參數(shù),提出了一種基于集合經(jīng)驗?zāi)B(tài)分解和注意力長短時記憶網(wǎng)絡(luò)的HGV軌跡智能預(yù)測方法。首先,以HGV六自由度運動方程為基礎(chǔ),分析了其機動特性和氣動力變化規(guī)律,建立了動力學(xué)跟蹤模型,對氣動加速度進行實時估計;其次,利用集合經(jīng)驗?zāi)B(tài)分解對估計的氣動加速度進行分解和重構(gòu),減弱噪聲影響,避免對預(yù)測模型的干擾;最后,利用去噪后的氣動加速度數(shù)據(jù)對注意力長短時記憶網(wǎng)絡(luò)進行訓(xùn)練,進而預(yù)測未來氣動加速度數(shù)據(jù)并重構(gòu)HGV未來軌跡,實現(xiàn)軌跡的在線預(yù)測。實驗仿真表明,該方法能有效預(yù)測HGV機動軌跡,預(yù)測精度高、穩(wěn)定性好。

摘要： 換道作為車輛的基本駕駛行為之一,相較于跟馳行為,換道過程更具復(fù)雜性,對道路上車輛的運行安全有著至關(guān)重要的影響。為了對車輛換道軌跡進行準確預(yù)測,滿足自動駕駛條件下車輛換道的安全性與合理性,本文選定五次多項式為換道軌跡預(yù)測基礎(chǔ)模型,構(gòu)建效益函數(shù)和選取約束條件,應(yīng)用MATLAB中的fmincon優(yōu)化工具箱,使用二次序列優(yōu)化算法對模型參數(shù)進行尋優(yōu)求解。對比換道預(yù)測軌跡與實際軌跡,對模型的有效性進行驗證,結(jié)果表明預(yù)測軌跡的橫向位移絕對誤差集中在?0.3 m~0.3 m之間,偏轉(zhuǎn)角速度波動峰值均小于2?/s,加速度維持在0~2 m/s2的范圍內(nèi),滿足軌跡合理性、換道舒適性和平穩(wěn)性。

摘要： 內(nèi)河航運是現(xiàn)代綜合運輸體系的重要組成部分,實時和高精度的船舶軌跡預(yù)測方法能夠有效規(guī)避水上交通事故、增強船舶自動化與智能化監(jiān)管能力。針對現(xiàn)有內(nèi)河船舶軌跡預(yù)測方法精度不高的問題,以提高船舶軌跡短期預(yù)測精度為目標,綜合使用待測船舶近期船舶自動識別系統(tǒng)(AIS)數(shù)據(jù)和歷史AIS數(shù)據(jù),基于軌跡與航速和航向間的內(nèi)在聯(lián)系以及內(nèi)河航道特點,構(gòu)建了面向航速和航向預(yù)測的時域卷積網(wǎng)絡(luò)模型、船舶軌跡動力學(xué)方程模型、自適應(yīng)雙隱層徑向基函數(shù)網(wǎng)絡(luò)等模型,提出了基于多模型融合的船舶軌跡預(yù)測方法。實驗結(jié)果表明,所提方法軌跡預(yù)測精度有明顯提高,并能滿足實時性要求。

摘要： 現(xiàn)階段的車路協(xié)同測試環(huán)境下通常采用具有實時性特征的系統(tǒng),為了解決車路協(xié)同測試的實時系統(tǒng)中容易出現(xiàn)通信時延問題,本文提出一種面向消除通信時延的車輛軌跡多步預(yù)測方法,通過構(gòu)建LSTM神經(jīng)網(wǎng)絡(luò)模型,將高頻采樣序列進行拆分和重組后對其建立新的序列,并按照不同間隔的差分序列逐條輸入,經(jīng)過對各序列下軌跡點的單點預(yù)測,形成未來一段距離的車輛行駛軌跡,進而實現(xiàn)車輛軌跡的多步預(yù)測。實驗結(jié)果表明,本文提出的多步軌跡預(yù)測方法能夠消除93.94%的通信和系統(tǒng)時延,并且多步軌跡預(yù)測相比于單步軌跡預(yù)測在中遠距離下的MSE增長率減少了7.47個百分點,具有很好的時延消除特性和誤差控制能力。

摘要： 行人軌跡預(yù)測對智慧城市建設(shè)、公共危機管理具有重要意義.復(fù)雜場景中的行人軌跡不僅包含行人個體運動時序性特征,還包含行人與周圍其他運動實體之間的交互性特征.如何根據(jù)場景變化,對這種時序性和交互性特征進行深度刻畫并進行軌跡預(yù)測,是復(fù)雜場景行人軌跡預(yù)測的關(guān)鍵問題.本文采用多頭注意力機制和對抗生成方法,提出一種基于多頭注意力機制的生成對抗網(wǎng)絡(luò)模型(Multi-head Attention Generative Adversarial Model,MAGAM),對復(fù)雜場景下多行人軌跡進行建模.論文首先通過多頭注意力機制融合行人的相對位移信息,從不同方面學(xué)習(xí)軌跡特征空間中各子空間特征的權(quán)重信息,實現(xiàn)對行人之間相互影響的交互性軌跡特征刻畫;然后采用對抗生成機制和多軌跡生成策略,實現(xiàn)對復(fù)雜場景下不同個體移動軌跡的生成與預(yù)測.最后,本文在兩個公開的數(shù)據(jù)集(ETH和UCY)進行了實驗驗證.實驗結(jié)果表明,在ADE、FDE和AnlDE三個指標上,本文提出的MAGAM模型比基準模型誤差平均降低了26.90%、21.02%和24.06%.本文對模型的預(yù)測結(jié)果進行可視化分析,直觀展示了本論文模型的合理性.

摘要： 由于三維軌跡是一個具有連續(xù)性和交互性的復(fù)雜時間序列,因此,針對無人機飛行軌跡預(yù)測問題,結(jié)合深度學(xué)習(xí)理論特點,提出了一種基于雙向門控循環(huán)單元的無人機飛行軌跡預(yù)測方法,進一步提高了軌跡信息的利用率。首先,建立無人機飛行動力模型,仿真獲得不同狀態(tài)的飛行軌跡樣本;其次,利用均方誤差作為損失函數(shù),確定了雙向門控循環(huán)單元軌跡預(yù)測模型的隱藏層節(jié)點參數(shù)和迭代次數(shù);最后,利用Adamax算法對雙向門控循環(huán)單元模型進行優(yōu)化,實現(xiàn)了無人機飛行軌跡的預(yù)測。實驗結(jié)果表明,雙向門控循環(huán)單元模型在X,Y,Z軸方向上預(yù)測結(jié)果的平均絕對誤差均在5.0 m內(nèi),且軌跡預(yù)測平均用時約4.2 ms,與循環(huán)神經(jīng)網(wǎng)絡(luò)、門控循環(huán)單元相比,其預(yù)測效果更佳,具有良好的應(yīng)用價值。

摘要： 針對臨近空間高超聲速飛行器的探測需求,本文提出一種反高超聲速目標跟蹤制導(dǎo)雷達系統(tǒng)設(shè)計方案,并對系統(tǒng)中涉及的關(guān)鍵技術(shù)和相應(yīng)瓶頸問題進行梳理,針對凝視探測、長時間積累、高速機動目標跟蹤、高速機動目標軌跡預(yù)測等,本文基于子陣級數(shù)字波束形成、Keystone變換、交互多模型濾波、以及狀態(tài)濾波結(jié)合知識輔助方法給出工程上的解決方案。

摘要： 本文對飛行管理系統(tǒng)中垂直剖面的軌跡預(yù)測和導(dǎo)引算法給出了詳細的介紹,包括爬升段、巡航段、下降段及各階段之間轉(zhuǎn)換的軌跡預(yù)測算法,各個飛行階段的自動轉(zhuǎn)換及導(dǎo)引指令,各控制模態(tài)的調(diào)用邏輯,最后給出了與自動駕駛儀調(diào)試后飛機實際的垂直剖面曲線與軌跡預(yù)測曲線的對比結(jié)果.

摘要： 移動對象的軌跡預(yù)測研究已成為當前移動對象研究中關(guān)注的熱點，移動對象的軌跡預(yù)測技術(shù)具有高度的研究價值及廣闊的應(yīng)用前景。目前移動對象的軌跡預(yù)測方法主要是針對歷史軌跡確定的歐式空間軌跡預(yù)測，但有相當大一部分的應(yīng)用要求預(yù)測歷史軌跡存在不確定性的移動對象在受限路網(wǎng)中的軌跡。為了解決這一問題，本文首先提出了不確定性軌跡的生成方法及其表示形式，然后提出了一種基于路網(wǎng)的不確定性軌跡頻繁模式挖掘算法，再給出了利用索引快速查找軌跡模式，并進行預(yù)測的方法。實驗結(jié)果表明本文提出的方法具有較高的預(yù)測準確率、較好的查詢效率以及較低的存儲空間。

摘要： 借助于北斗導(dǎo)航系統(tǒng)提供的高精度定位服務(wù),駕校教練機器人擺脫了傳統(tǒng)的人工教學(xué),以基礎(chǔ)教學(xué),智能評判,機器人教學(xué)和安全防護等功能實現(xiàn)自主培訓(xùn).由于傳統(tǒng)的智能評判不具有預(yù)測性和智能性,提出了車輛軌跡預(yù)測新方法.該方法結(jié)合高精地圖和數(shù)字化車輛模型,實現(xiàn)提前預(yù)測評判結(jié)果并智能提醒駕駛?cè)思皶r調(diào)整方向盤角度調(diào)整車身位置,確保駕駛?cè)隧樌ㄟ^考試.實測表明,該方法提高了機器人教學(xué)與評判的預(yù)測性和智能性,具有廣泛的實際應(yīng)用價值.

摘要： 針對塔式起重機相關(guān)作業(yè)安全生產(chǎn)現(xiàn)狀,提出一種通過預(yù)測現(xiàn)場作業(yè)人員定位,以及時預(yù)警,從而控制事故后果的方法.通過實驗獲取人員歷史移動信息并根據(jù)作業(yè)人員移動行為特點建立軌跡預(yù)測模型;將歷史移動信息經(jīng)過一定處理以后作為訓(xùn)練樣本開展預(yù)測模型的訓(xùn)練,接著通過仿真比選,獲取了實現(xiàn)三步預(yù)測的最優(yōu)軌跡預(yù)測模型.最后依托于軌跡預(yù)測模型,提出了一種塔式起重機作業(yè)現(xiàn)場工作人員安全狀態(tài)預(yù)警機制.

摘要： 空天目標由于高速和復(fù)雜的結(jié)構(gòu)特征導(dǎo)致其識別和持續(xù)跟蹤困難,尤其是上升段飛行軌跡.本文就空天目標特征,分析其預(yù)警衛(wèi)星和雷達的探測屬性,以此提出目標上升段的預(yù)測和跟蹤算法,從而為空天目標綜合識別提供一定的參考.

摘要： 本文以GPS數(shù)據(jù)為基礎(chǔ),研究并實現(xiàn)了校園時空情境查詢系統(tǒng)Areaware.系統(tǒng)采用正向最大匹配式中文分詞算法進行查詢處理,實現(xiàn)用戶的簡單中文語句查詢功能.根據(jù)數(shù)據(jù)特點和查詢需求,提出了一種新型的管理小型區(qū)域內(nèi)大規(guī)模GPS數(shù)據(jù)的索引方案,即SUB索引方案(Status-Unit Based Indexing Scheme),實現(xiàn)高效的數(shù)據(jù)插入、查詢操作.Areaware系統(tǒng)提供對人群、時間、地點、路徑查詢,并以指定人群相應(yīng)的頻繁路徑圖(Frequently Path Graph)為根據(jù),提供軌跡預(yù)測服務(wù).

摘要： 本文提出了一種基于SIFT算子的動態(tài)目標跟蹤的改進方法，這種跟蹤方法利用SIFT算子的尺度不變性能夠適應(yīng)光照變化、遮擋以及目標縮放的情況，而且速度也有很大提高。首先講述了SIFT算法的實現(xiàn)步驟，并分析了SIFT算法計算量過大的原因；然后針對SIFT算法的大運算量對其參數(shù)進行了優(yōu)化，并提出了一種基于軌跡預(yù)測的跟蹤方式，這種跟蹤方式與SIFT算法相結(jié)合對含有目標的局部圖像進行跟蹤；最后用實際圖像對跟蹤算法進行了驗證。

摘要： 對于具有低升阻比特性的載人再入飛船,若要求其在執(zhí)行探月返回再入任務(wù)時實現(xiàn)長的飛行縱程,唯一可行的辦法是采用跳躍式再入飛行,因而再入制導(dǎo)系統(tǒng)必須具有提供精確跳躍再入軌跡的能力。本文首先討論了現(xiàn)有的阿波羅(Apollo)跳躍式再入制導(dǎo)算法在滿足再入精度方面的不足。然后針對當前任務(wù)的嚴格需求提出一種新的預(yù)測-矯正跳躍式再入軌跡規(guī)劃和制導(dǎo)算法,該算法的核心內(nèi)容包括傾側(cè)角剖面的參數(shù)化和軌跡預(yù)測-矯正問題的數(shù)值求解.與阿波羅跳躍段軌跡生成算法不同,新方法無需依賴任何近似計算或經(jīng)驗方程,因而能夠極大提高算法求解的精度.此外,該方法能夠根據(jù)實際再入飛行條件,自適應(yīng)的決定是否采用跳躍式再入.MonteCarlo仿真結(jié)果表明新方法較阿波羅制導(dǎo)方法具有更廣的適應(yīng)性、更好的性能和魯棒性.

摘要： 對移動物體的有效預(yù)測可以幫助成功的移動控制，本文中粒子濾波器被用于預(yù)測機器人的位置和速度并在實物實驗中驗證了效果。

摘要： 在深空目標跟蹤過程中,大量的星體會從視場中穿過,造成很強的干擾,嚴重影響系統(tǒng)跟蹤的正確性和穩(wěn)定性,大大降低系統(tǒng)的跟蹤精度。同時,由于光測設(shè)備受外界環(huán)境制約很大,目標很容易受到云層的遮擋,瞬間丟失目標會使系統(tǒng)無法繼續(xù)進行測量。本文提出了一種利用視場擴張原理對目標軌跡進行預(yù)測的方法,經(jīng)實際驗證,該算法能夠有效地解決目標被遮擋或干擾問題,大大增強系統(tǒng)跟蹤的魯棒性。

摘要： 本發(fā)明實施例公開了一種車輛軌跡預(yù)測方法、車輛預(yù)測軌跡分析方法、裝置及車輛。該方法包括：獲取車輛歷史位置點集以及當前車速；若車輛歷史位置點集與當前車速滿足預(yù)設(shè)軌跡預(yù)測條件，則根據(jù)車輛歷史位置點集構(gòu)建初始預(yù)測軌跡圓；根據(jù)車輛當前位置點與車輛歷史位置點集更新初始預(yù)測軌跡圓，并根據(jù)更新后的初始預(yù)測軌跡圓確定車輛預(yù)測軌跡。本發(fā)明實施例的技術(shù)方案，通過車輛當前所處位置對根據(jù)歷史位置點確定出的車輛預(yù)測軌跡進行調(diào)整，充分考慮當前時刻車輛位置對車輛軌跡預(yù)測的影響，及時調(diào)整車輛預(yù)測軌跡的偏移。解決了僅依賴車輛歷史位置點進行軌跡預(yù)測時預(yù)測軌跡出現(xiàn)偏移的問題，提升了車輛軌跡預(yù)測的精確度和準確性。

摘要： 本發(fā)明提供了一種軌跡預(yù)測模型構(gòu)建方法及軌跡預(yù)測方法、裝置，該軌跡預(yù)測模型包括：依次連接的全連接層、有向圖卷積層、卷積層和二元高斯分布函數(shù)，該軌跡預(yù)測模型構(gòu)建方法包括：獲取目標場景中所有移動對象的視野圖拓撲、方向圖拓撲及歷史移動軌跡；通過全連接層將視野圖拓撲和方向圖拓撲進行融合生成動態(tài)有向圖拓撲；基于不同歷史時刻的歷史移動軌跡和動態(tài)有向圖拓撲通過有向圖卷積層和卷積層對二元高斯分布函數(shù)的各個參數(shù)進行訓(xùn)練，得到訓(xùn)練好的軌跡預(yù)測模型。從而通過動態(tài)有向圖進行融合高效地表達移動對象間的非對稱交互，提高了軌跡預(yù)測模型的性能，提高預(yù)測結(jié)果的準確性，并且無需使用額外的圖片信息，計算效率較高，降低軟硬件采購成本。

摘要： 本發(fā)明公開了一種車輛軌跡預(yù)測模型構(gòu)建方法、車輛軌跡預(yù)測方法及系統(tǒng)。所公開的方案包括采用嵌入向量表示城市區(qū)域中的路段信息，分別對車輛的軌跡信息和目的地信息進行編碼，以便能夠?qū)?shù)目眾多的道路信息送入深度神經(jīng)網(wǎng)絡(luò)中，然后分別將軌跡信息和目的地信息的嵌入表達送入長短期記憶網(wǎng)絡(luò)生成包含所有已知軌跡信息的長向量，利用多任務(wù)學(xué)習(xí)中的參數(shù)軟共享方式將歷史軌跡信息與目的地信息進行融合，通過全連接層進行解析與特征提取，進行軌跡預(yù)測。本發(fā)明采用多任務(wù)學(xué)習(xí)的方式，充分利用了已知軌跡信息與目的地信息，能有效提升軌跡預(yù)測的準確性。

摘要： 本發(fā)明實施例公開了軌跡預(yù)測模型訓(xùn)練以及軌跡預(yù)測方法、裝置、設(shè)備及介質(zhì)。該方法包括：通過軌跡預(yù)測模型，對樣本車輛的歷史軌跡數(shù)據(jù)和所述樣本車輛的周圍車輛的歷史軌跡數(shù)據(jù)進行處理，得到所述樣本車輛的預(yù)測軌跡數(shù)據(jù)和所述樣本車輛的預(yù)測駕駛行為數(shù)據(jù)；根據(jù)所述樣本車輛的預(yù)測軌跡數(shù)據(jù)、所述樣本車輛的真實軌跡數(shù)據(jù)以及所述樣本車輛的預(yù)測駕駛行為數(shù)據(jù)，確定損失函數(shù)；根據(jù)所述損失函數(shù)，對所述軌跡預(yù)測模型進行訓(xùn)練。通過本發(fā)明實施例提供的技術(shù)方案，訓(xùn)練的軌跡預(yù)測模型準確性更高，進而實現(xiàn)基于該軌跡預(yù)測模型對自動駕駛車輛進行更精準的軌跡預(yù)測。

摘要： 本公開提供了一種軌跡預(yù)測方法、軌跡預(yù)測模型的訓(xùn)練方法及裝置，涉及計算機技術(shù)領(lǐng)域，尤其涉及智能交通、人工智能、深度學(xué)習(xí)技術(shù)領(lǐng)域。實現(xiàn)方案為：獲取車輛的行駛軌跡數(shù)據(jù)，所述行駛軌跡數(shù)據(jù)包括多個軌跡點各自的位置信息；基于所述多個軌跡點各自的位置信息，確定所述行駛軌跡數(shù)據(jù)對應(yīng)的道路數(shù)據(jù)；以及基于所述行駛軌跡數(shù)據(jù)和所述道路數(shù)據(jù)，確定所述車輛的預(yù)測軌跡數(shù)據(jù)，所述預(yù)測軌跡數(shù)據(jù)包括至少一個預(yù)測軌跡點各自的位置信息。

摘要： 本公開是關(guān)于一種軌跡預(yù)測方法、裝置及存儲介質(zhì)。軌跡預(yù)測方法包括：獲取地圖圖像，地圖圖像中包括車道中心線，車道中心線上具有等間距設(shè)置的若干個節(jié)點，每一節(jié)點具有距離特征，節(jié)點的距離特征中融合有與節(jié)點具有不同距離的其他車道中心線節(jié)點的距離特征；基于車輛在地圖圖像中的位置，確定與車輛位置最近的車道中心線節(jié)點，作為目標節(jié)點；將目標節(jié)點的距離特征與車輛的歷史軌跡特征進行向量合并，得到軌跡預(yù)測向量；基于軌跡預(yù)測向量，預(yù)測車輛在地圖圖像中的行駛軌跡。通過本公開實施例，將距離特征與車輛歷史軌跡合并得到軌跡預(yù)測向量，以基于軌跡預(yù)測向量預(yù)測車輛行駛軌跡，能夠保留地圖圖像中車道線的拓撲結(jié)構(gòu)，提高軌跡預(yù)測的準確性。

摘要： 本發(fā)明實施例涉及計算機技術(shù)領(lǐng)域，尤其涉及一種軌跡預(yù)測系統(tǒng)訓(xùn)練方法，該方法包括：獲取真實的人群軌跡圖、人群對應(yīng)的區(qū)域模型文件，以及人群對應(yīng)的人群參數(shù)，解析區(qū)域模型文件，獲取區(qū)域模型文件中的各個構(gòu)件及對應(yīng)的風險分數(shù)，通過對不同構(gòu)件風險的計算，可以方便后續(xù)對區(qū)域風險水平的確定，基于各個構(gòu)件對應(yīng)的風險分數(shù)，確定區(qū)域風險水平，利用人群參數(shù)、區(qū)域風險水平，以及真實人群軌跡圖對預(yù)構(gòu)建的生成模型和判別模型進行對抗訓(xùn)練，當對抗訓(xùn)練達到預(yù)設(shè)條件時，確定生成模型和判別模型構(gòu)建的系統(tǒng)為目標人群軌跡預(yù)測系統(tǒng)。這樣，通過對抗訓(xùn)練獲得整個人群軌跡預(yù)測系統(tǒng)，就可以輸出更加真實的人群軌跡預(yù)測結(jié)果。

摘要： 本發(fā)明提供一種軌跡預(yù)測方法、軌跡預(yù)測裝置和電子設(shè)備，涉及人工智能技術(shù)領(lǐng)域。該方法包括：獲取目標場景中各檢測對象的歷史軌跡信息；基于所述歷史軌跡信息確定所述檢測對象的預(yù)測軌跡點，并獲取由所述預(yù)測軌跡點構(gòu)成的預(yù)測軌跡信息；確定所述目標場景中各所述檢測對象之間的交互特征，基于所述交互特征與所述預(yù)測軌跡信息，確定各所述檢測對象的未來軌跡信息。本發(fā)明能夠提高軌跡的預(yù)測準確性。

摘要： 公開了一種軌跡預(yù)測方法、用于軌跡預(yù)測的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法及裝置，該方法包括：根據(jù)至少兩幀輸入圖像，獲取所述輸入圖像中至少一輛車輛對應(yīng)的第一軌跡特征序列；獲取所述第一軌跡特征序列對應(yīng)的先驗指示信息；根據(jù)所述第一軌跡特征序列和所述先驗指示信息，預(yù)測所述至少一輛車輛對應(yīng)的第二軌跡特征序列。本公開提供的技術(shù)方案因引入對駕駛行為存在影響的先驗指示信息，使得預(yù)測出的車輛駕駛軌跡的準確性較高。

摘要： 本發(fā)明提供了一種軌跡預(yù)測模型構(gòu)建方法及軌跡預(yù)測方法、裝置，該軌跡預(yù)測模型包括：依次連接的全連接層、有向圖卷積層、卷積層和二元高斯分布函數(shù)，該軌跡預(yù)測模型構(gòu)建方法包括：獲取目標場景中所有移動對象的視野圖拓撲、方向圖拓撲及歷史移動軌跡；通過全連接層將視野圖拓撲和方向圖拓撲進行融合生成動態(tài)有向圖拓撲；基于不同歷史時刻的歷史移動軌跡和動態(tài)有向圖拓撲通過有向圖卷積層和卷積層對二元高斯分布函數(shù)的各個參數(shù)進行訓(xùn)練，得到訓(xùn)練好的軌跡預(yù)測模型。從而通過動態(tài)有向圖進行融合高效地表達移動對象間的非對稱交互，提高了軌跡預(yù)測模型的性能，提高預(yù)測結(jié)果的準確性，并且無需使用額外的圖片信息，計算效率較高，降低軟硬件采購成本。