预测车辆刹车的方法、装置、设备及存储介质与流程

阅读：评论：0

1.本技术属于自动驾驶技术领域，尤其涉及一种预测车辆刹车的方法、装置、设备及存储介质。

背景技术：

2.在自动驾驶技术领域，要实现高级辅助驾驶甚至自动驾驶，车辆意图预测技术至关重要。车辆作为交通参与者的重要组成部分，自动驾驶车不仅要评估周边车辆的位置和运动状态，更要理解车辆的意图，并根据车辆意图做出预测并提前处理，为做出正确的决策提供基础。其中，预测自车前方的多个车辆的刹车意图尤为重要，用于给自动驾驶或驾驶员提醒，特别是在高速场景，此时车速较快，驾驶员稍有迟疑就会刹车不及，导致事故。
3.但是，目前用于预测自车前方的多个车辆的刹车意图的方法，还存在预测过程复杂、预测精度差以及用户满意度低的问题。

技术实现要素：

4.本技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本技术的一个目的在于提出一种预测车辆刹车的方法、装置、设备及存储介质。
5.为了解决上述技术问题，本技术的实施例提供如下技术方案：
6.一种预测车辆刹车的方法，包括：
7.获取自车前方每个目标车辆的历史跟踪结果；
8.基于每个所述目标车辆的所述历史跟踪结果，获得每个所述目标车辆的t个时刻的时序车辆总特征以及t个时刻的时序刹车灯总特征；其中，t为正整数；
9.对每个所述目标车辆的t个时刻的时序车辆总特征以及t个时刻的时序刹车灯总特征，进行特征融合，获得每个所述目标车辆的融合特征；
10.对每个所述目标车辆的所述融合特征进行处理，获得每个所述目标车辆的目标特征；
11.基于每个所述目标车辆的所述目标特征，获得预测结果。
12.可选的，所述基于每个所述目标车辆的所述历史跟踪结果，获得每个所述目标车辆的t个时刻的时序车辆总特征以及t个时刻的时序刹车灯总特征，包括：
13.获取每个所述目标车辆的历史图像序列；其中，所述历史图像序列包括t帧历史图像；
14.对每帧所述历史图像进行检测，获得每个所述目标车辆的所述车辆特征图以及刹车灯特征图；其中，所述目标车辆设有刹车灯；所述车辆特征图包括t个时刻的车辆bbox特征以及车辆方向特征；所述刹车灯特征图包括t个时刻的刹车灯bbox特征以及刹车灯状态特征；
15.基于每个所述目标车辆的所述车辆特征图，获得每个所述目标车辆的t个时刻的时序车辆总特征；基于每个所述目标车辆的所述刹车灯特征图，获得每个所述目标车辆的t
个时刻的时序刹车灯总特征。
16.可选的，所述基于每个所述目标车辆的所述车辆特征图，获得每个所述目标车辆的t个时刻的时序车辆总特征，包括：
17.基于每个所述目标车辆的t个时刻的所述车辆bbox特征，获得每个所述目标车辆的t个时刻的车辆中心点的坐标；基于每个所述目标车辆的t个时刻的车辆中心点的坐标，获得每个所述目标车辆的车辆轨迹特征；
18.对每个所述目标车辆的t个时刻的所述车辆bbox特征进行映射，并进行第一特征提取，获得每个所述目标车辆的t个时刻的车辆外观特征；
19.基于每个所述目标车辆的t个时刻的所述车辆bbox特征、车辆方向特征、车辆轨迹特征以及所述车辆外观特征，获得每个所述目标车辆的t个时刻的所述时序车辆总特征。
20.可选的，所述基于每个所述目标车辆的所述刹车灯特征图，获得每个所述目标车辆的t个时刻的时序刹车灯总特征，包括：
21.基于每个所述目标车辆的t个时刻的所述刹车灯bbox特征信息，获得每个所述目标车辆的t个时刻的刹车灯中心点的坐标；基于每个所述目标车辆的t个时刻的刹车灯中心点的坐标，获得每个所述目标车辆的刹车灯轨迹特征；
22.对每个所述目标车辆的t个时刻的所述刹车灯bbox特征进行映射，并进行第二特征提取，获得每个所述目标车辆的t个时刻的刹车灯外观特征；
23.基于每个所述目标车辆的t个时刻的所述刹车灯bbox特征、刹车灯状态特征、刹车灯轨迹特征以及所述刹车灯外观特征，获得每个所述目标车辆的t个时刻的所述时序刹车灯总特征。
24.可选的，所述对每个所述目标车辆的t个时刻的时序车辆总特征以及t个时刻的时序刹车灯总特征，进行特征融合，获得每个所述目标车辆的融合特征，包括：
25.对每个所述目标车辆的所述车辆bbox特征、车辆方向特征、车辆轨迹特征、车辆外观特征、刹车灯bbox特征、刹车灯状态特征、刹车灯轨迹特征以及刹车灯外观特征，进行第一融合，获得每个所述目标车辆的第一融合特征；其中，所述第一融合特征的维度等于所述车辆bbox特征、车辆方向特征、车辆轨迹特征、车辆外观特征、刹车灯bbox特征、刹车灯状态特征、刹车灯轨迹特征以及刹车灯外观特征的维度之和；或
26.对每个所述目标车辆的所述车辆bbox特征、车辆方向特征、车辆轨迹特征、车辆外观特征、刹车灯bbox特征、刹车灯状态特征、刹车灯轨迹特征以及刹车灯外观特征，进行第二融合，获得每个所述目标车辆的第二融合特征；其中，所述第二融合特征的维度小于所述第一融合特征的维度。
27.可选的，所述对每个所述目标车辆的所述融合特征进行处理，获得每个所述目标车辆的目标特征，包括：
28.将每个所述目标车辆的所述融合特征输入至双层bi-lstm；其中，所述双层bi-lstm包括连接的第一层bi-lstm以及第二层bi-lstm；
29.基于所述第一层bi-lstm对每个所述目标车辆t个时刻的所述融合特征进行处理，获得t个时刻的初始特征；其中，t为正整数；
30.基于所述第二层bi-lstm对所述t个时刻的初始特征进行处理，获得每个所述目标车辆的t个时刻的所述目标特征。
31.可选的，所述基于每个所述目标车辆的所述目标特征，获得预测结果，包括：
32.对每个所述目标车辆的所述目标特征进行线性变换，获得每个所述目标车辆对应的t个时刻的多维向量；其中，t为正整数；
33.基于每个所述目标车辆对应的t个时刻的所述多维向量，获得所述每个所述目标车辆的t个时刻的刹车意图概率；
34.基于每个所述目标车辆的t个时刻的所述刹车意图概率，获得t个时刻的所述预测结果。
35.本技术的实施例还提供一种预测车辆刹车的装置，包括：
36.跟踪模块，用于获取自车前方每个目标车辆的历史跟踪结果；
37.特征提取模块，用于基于每个所述目标车辆的所述历史跟踪结果，获得每个所述目标车辆的t个时刻的时序车辆总特征以及t个时刻的时序刹车灯总特征；其中，t为正整数；
38.特征融合模块，用于对每个所述目标车辆的t个时刻的时序车辆总特征以及t个时刻的时序刹车灯总特征，进行特征融合，获得每个所述目标车辆的融合特征；
39.处理模块，用于对每个所述目标车辆的所述融合特征进行处理，获得每个所述目标车辆的目标特征；
40.预测模块，用于基于每个所述目标车辆的所述目标特征，获得预测结果。
41.本技术的实施例还提供一种电子设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法。
42.本技术的实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的方法。
43.本技术的实施例，具有如下技术效果：
44.本技术的上述技术方案，1)将每个目标车辆的t个时刻的时序车辆总特征以及t个时刻的时序刹车灯总特征进行融合，获得融合特征，使得融合特征包含多维多线索信息，提高了目标车辆刹车意图的预测精度。
45.2)基于双层bi-lstm对自车前方的每个目标车辆的t个时刻的融合特征进行特征提取，增加了时序维度，对于t个时刻中的第t个时刻的融合特征，结合前向lstm以及后向lstm，基于第t个时刻的上下文信息对第t个时刻的融合特征进行特征提取，实现了对每个目标车辆在第t个时刻的刹车意图的精准预判，进而实现了在自车运行过程中，对自车前方的每个目标车辆的刹车意图进行精准预测，有利于保证用户的安全，并提高用户的满意度。
46.本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
47.图1是本技术实施例提供的一种预测车辆刹车的系统的结构示意图；
48.图2是本技术实施例提供的一种预测车辆刹车的方法的流程示意图；
49.图3是本技术实施例提供的一种车辆轨迹特征的示意图；
50.图4是本技术实施例提供的一种第二融合的原理示意图；
51.图5是本技术实施例提供的一种基于第二融合特征获得预测结果的流程示意图；
52.图6是本技术实施例提供的一种预测车辆刹车的装置的结构示意图。
具体实施方式
53.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
54.为了便于本领域的技术人员对实施例的理解，对部分用语进行解释：
55.(1)bbox：boundingbox，检测目标位置框。
56.(2)bi-lstm：bi-directional long short-term memory，双向长短时记忆网络。
57.(3)mlp：multilayer perceptron，多层感知机。
58.(4)linear层：线性层。
59.(5)softmax：用于把一些输入映射为0-1之间的实数，并且归一化保证和为1。
60.(6)reshape函数：是将指定的矩阵变换成特定维数矩阵一种函数。
61.如图1所示，本技术的实施例提供一种预测车辆刹车的系统，包括：
62.摄像头；其中，摄像头设置在自车的前端，摄像头用于对自车前方的多个目标车辆进行信息采集，并获得历史图像序列，历史图像序列包括多帧历史图像；
63.处理单元；处理单元基于网络与摄像头进行数据交互；处理单元用于获得摄像头发送的历史图像序列；
64.存储器；存储器基于网络与摄像头进行双向数据交互；存储器用于对历史图像序列进行存储，此外，存储器还用于对预测车辆刹车单元进行存储，其中，预测车辆刹车单元包括预测车辆刹车的方法；处理单元基于网络调用预测车辆刹车单元的预测车辆刹车的方法对历史图像序列进行处理，并获得自车前方多个目标车辆的刹车意图，然后基于刹车意图生成决策命令，并将决策命令发送至自车的控制系统，用于基于自车的控制系统对自车的行驶进行控制，进而保证安全驾驶；
65.人机交互单元，人机交互单元与处理单元基于网络进行数据交互，当处理单元获得自车前方每个目标车辆的刹车意图之后，则将每个目标车辆的刹车意图发送至人机交互单元，用于对用户进行提示，用户在看到每个目标车辆的刹车意图之后，可以做出有利于安全驾驶的行为。
66.进一步地，还包括电源，电源与处理单元连接，电源用于为处理单元提供电能，进而保证处理单元的正常运行。
67.本技术的实施例，通过自车携带的摄像头对自车前方的多个目标车辆目标检测以及目标跟踪，获得目标检测以及目标跟踪结果，并根据目标检测以及目标跟踪结果对每个目标车辆的刹车意图进行预测，获得预测结果；在获得预测结果之后，处理单元基于预测结果生成决策命令，用于实现基于决策命令控制自车安全运行，进而保证用户的安全。
68.如图2所示，本技术的实施例还提供一种预测车辆刹车的方法，应用于如图1所示的预测车辆刹车的系统，包括：
69.步骤s21：获取自车前方每个目标车辆的历史跟踪结果；
70.本技术的实施例，自车在运行过程中，自车基于自身携带的摄像头不断地对自车前方的多个目标车辆的信息进行采集，获得采集结果，并根据采集结果获得自车前方多个目标车辆的历史跟踪结果。
71.步骤s22：基于每个所述目标车辆的所述历史跟踪结果，获得每个所述目标车辆的t个时刻的时序车辆总特征以及t个时刻的时序刹车灯总特征；其中，t为正整数；
72.本技术一可选的实施例，所述基于每个所述目标车辆的所述历史跟踪结果，获得每个所述目标车辆的t个时刻的时序车辆总特征以及t个时刻的时序刹车灯总特征，包括：
73.获取每个所述目标车辆的历史图像序列；其中，所述历史图像序列包括t帧历史图像；
74.对每帧所述历史图像进行检测，获得每个所述目标车辆的所述车辆特征图以及刹车灯特征图；其中，所述目标车辆设有刹车灯；所述车辆特征图包括t个时刻的车辆bbox特征以及车辆方向特征；所述刹车灯特征图包括t个时刻的刹车灯bbox特征以及刹车灯状态特征；
75.基于每个所述目标车辆的所述车辆特征图，获得每个所述目标车辆的t个时刻的时序车辆总特征；基于每个所述目标车辆的所述刹车灯特征图，获得每个所述目标车辆的t个时刻的时序刹车灯总特征。
76.本技术的实施例，基于深度学习检测算法对每帧历史图像进行检测，获得每帧历史图像中每个目标车辆位置、尺寸以及车辆方向特征，同时还可以提取获得刹车灯位置、尺寸以及刹车灯状态(亮或灭)；
77.然后根据多帧历史图像的关联算法(将其中一帧与下一帧历史图像以及上一帧历史图像进行关联)，可以实现对目标车辆以及目标车辆的刹车灯跟踪；
78.具体的，本技术的实施例以车辆bbox特征对每个目标车辆的位置进行表征；
79.例如，车辆bbox特征可以表示为：车辆bbox特征＝(x
车辆
,y
车辆
,w
车辆
,h
车辆
)；其中，(x
车辆
,y
车辆
)用于表示车辆bbox特征某个点的坐标(例如，角点坐标等)，(w
车辆
,h
车辆
)用于表征目标车辆的尺寸；因此，基于车辆bbox特征可以获得每个目标车辆的尺寸以及每个目标车辆在每帧历史图像的位置；
80.车辆方向特征可以表示为angle
车辆
；
81.进一步地，对每个目标车辆对对应的车辆bbox特征进行处理，则可以获得每个目标车辆的t个时刻的时序车辆总特征；
82.本技术的实施例以刹车灯bbox特征对每个目标车辆的位置进行表征；
83.例如，刹车灯bbox特征可以表示为：刹车灯bbox特征＝(x
刹车灯
,y
刹车灯
,w
刹车灯
,h
刹车灯
)；其中，(x
刹车灯
,y
刹车灯
)用于表示刹车灯bbox特征某个点的坐标(例如，角点坐标等)，(w
刹车灯
,h
刹车灯
)用于表征目标车辆的尺寸；因此，基于刹车灯bbox特征可以获得每个目标车辆的刹车灯的尺寸以及每个目标车辆的刹车灯在每帧历史图像的位置；
84.刹车灯状态特征可以表示为state
刹车灯
；
85.进一步地，对每个目标车辆对对应的刹车灯bbox特征进行处理，则可以获得每个目标车辆的t个时刻的时序刹车灯总特征。
86.本技术一可选的实施例，所述基于每个所述目标车辆的所述车辆特征图，获得每个所述目标车辆的t个时刻的时序车辆总特征，包括：
87.基于每个所述目标车辆的t个时刻的所述车辆bbox特征，获得每个所述目标车辆的t个时刻的车辆中心点的坐标；基于每个所述目标车辆的t个时刻的车辆中心点的坐标，获得每个所述目标车辆的车辆轨迹特征；
88.对每个所述目标车辆的t个时刻的所述车辆bbox特征进行映射，并进行第一特征提取，获得每个所述目标车辆的t个时刻的车辆外观特征；
89.基于每个所述目标车辆的t个时刻的所述车辆bbox特征、车辆方向特征、车辆轨迹特征以及所述车辆外观特征，获得每个所述目标车辆的t个时刻的所述时序车辆总特征。
90.本技术的实施例，如图3所示，基于时序连接每个所述目标车辆的t个时刻的中心点的坐标，也即每个所述目标车辆的t个时刻的车辆bbox特征的中心点的坐标，即可获得每个所述目标车辆的t个时刻的车辆轨迹特征；其中，假设每个目标车辆在短时间(可以基于系统预设或人工输入确定，本技术的实施例对此不做具体的限定)内为匀速运动。
91.其中，车辆bbox特征的中心点的坐标m
车辆
＝((x
车辆
+w
车辆
)/2,(y
车辆
+h
车辆
)/2)；
92.进一步地，根据历史图像与车辆特征图的映射关系，将每个所述目标车辆的t个时刻的所述车辆bbox特征映射至基于深度学习的检测网络中，并基于检测网络进行第一特征提取，获得每个所述目标车辆的t个时刻的车辆外观特征；
93.其中，车辆外观特征可以表示为：
94.f
车辆
＝(w
车辆
,h
车辆
,c
车辆
)；其中，c
车辆
用于表示对应的车辆外观特征的维度；
95.进一步地，为了便于计算，对车辆外观特征基于reshape函数进行变换，获得，
96.f
车辆
＝(w
车辆
*h
车辆
*c
车辆
，1，1)；
97.进一步地，基于每个所述目标车辆的t个时刻的车辆bbox特征、车辆方向特征、车辆轨迹特征以及所述车辆外观特征，获得每个所述目标车辆的t个时刻的所述时序车辆总特征，也即每个所述目标车辆的t个时刻的所述时序车辆总特征包括，每个所述目标车辆的t个时刻的车辆bbox特征、车辆方向特征、车辆轨迹特征以及所述车辆外观特征。
98.本技术一可选的实施例，所述基于每个所述目标车辆的所述刹车灯特征图，获得每个所述目标车辆的t个时刻的时序刹车灯总特征，包括：
99.基于每个所述目标车辆的t个时刻的所述刹车灯bbox特征信息，获得每个所述目标车辆的t个时刻的刹车灯中心点的坐标；基于每个所述目标车辆的t个时刻的刹车灯中心点的坐标，获得每个所述目标车辆的t个时刻的刹车灯轨迹特征；
100.对每个所述目标车辆的t个时刻的所述刹车灯bbox特征进行映射，并进行第二特征提取，获得每个所述目标车辆的t个时刻的刹车灯外观特征；
101.基于每个所述目标车辆的t个时刻的所述刹车灯bbox特征、刹刹车灯状态特征、刹车灯轨迹特征以及所述刹车灯外观特征，获得每个所述目标车辆的t个时刻的所述时序刹车灯总特征。
102.本技术的实施例，基于时序连接每个所述目标车辆的t个时刻的刹车灯的中心点的坐标，也即每个所述目标车辆的t个时刻的刹车灯bbox特征的中心点的坐标，即可获得每个所述目标车辆的刹车灯轨迹特征；其中，假设每个目标车辆在短时间内为匀速运动。
103.其中，刹车灯bbox特征的中心点的坐标：
104.m
刹车灯
＝((x
刹车灯
+w
刹车灯
)/2,(y
刹车灯
+h
刹车灯
)/2)；
105.进一步地，根据历史图像与车辆特征图的映射关系，将每个所述目标车辆的t个时
刻的所述刹车灯bbox特征映射至基于深度学习的检测网络中，并基于检测网络进行第二特征提取，获得每个所述目标车辆的t个时刻的刹车灯外观特征；
106.其中，刹车灯外观特征可以表示为：
107.f
刹车灯
＝(w
刹车灯
,h
刹车灯
,c
刹车灯
)；
108.进一步地，为了便于计算，对车辆外观特征基于reshape函数进行变换，获得，
109.f
刹车灯
＝(w
刹车灯
*h
刹车灯
*c
刹车灯
，1，1)；
110.且在后续进行计算的时候，就w
刹车灯
,h
刹车灯
,c
刹车灯
以及w
车辆
*h
车辆
*c
车辆
对应的维度的特征数据进行计算即可，用于节省算力。
111.进一步地，基于每个所述目标车辆的t个时刻的刹车灯bbox特征、刹车灯状态特征、刹车灯轨迹特征以及所述刹车灯外观特征，获得每个所述目标车辆的t个时刻的所述时序刹车灯总特征，也即每个所述目标车辆的t个时刻的所述时序刹车灯总特征包括，每个所述目标车辆的t个时刻的刹车灯bbox特征、刹车灯状态特征、刹车灯轨迹特征以及所述刹车灯外观特征。
112.步骤s23：对每个所述目标车辆的t个时刻的时序车辆总特征以及t个时刻的时序刹车灯总特征，进行特征融合，获得每个所述目标车辆的融合特征；
113.本技术一可选的实施例，所述对每个所述目标车辆的t个时刻的时序车辆总特征以及t个时刻的时序刹车灯总特征，进行特征融合，获得每个所述目标车辆的融合特征，包括：
114.对每个所述目标车辆的所述车辆bbox特征、车辆方向特征、车辆轨迹特征、车辆外观特征、刹车灯bbox特征、刹车灯状态特征、刹车灯轨迹特征以及刹车灯外观特征，进行第一融合，获得每个所述目标车辆的第一融合特征；其中，所述第一融合特征的维度等于所述车辆bbox特征、车辆方向特征、车辆轨迹特征、车辆外观特征、刹车灯bbox特征、刹车灯状态特征、刹车灯轨迹特征以及刹车灯外观特征的维度之和；或
115.对每个所述目标车辆的所述车辆bbox特征、车辆方向特征、车辆轨迹特征、车辆外观特征、刹车灯bbox特征、刹车灯状态特征、刹车灯轨迹特征以及刹车灯外观特征，进行第二融合，获得每个所述目标车辆的第二融合特征；其中，所述第二融合特征的维度小于所述第一融合特征的维度。
116.本技术一可选的实施例，对于第一融合，也即显示拼接：
117.例如：第t(1≤t≤t，且t为整数；)个时刻的时序车辆总特征为：
118.车辆bbox特征＝(x
车辆
,y
车辆
,w
车辆
,h
车辆
)；
119.车辆方向特征：angle
车辆
；
120.目标车辆的中心点的坐标为：m
车辆
＝((x
车辆
+w
车辆
)/2,(y
车辆
+h
车辆
)/2)；
121.车辆外观特征：f
车辆
＝(w
车辆
*h
车辆
*c
车辆
，1，1)；
122.刹车灯bbox特征＝(x
刹车灯
,y
刹车灯
,w
刹车灯
,h
刹车灯
)；
123.刹车灯状态特征：state
刹车灯
；
124.目标车辆的刹车灯的中心点的坐标：
125.m
刹车灯
＝((x
刹车灯
+w
刹车灯
)/2,(y
刹车灯
+h
刹车灯
)/2)；
126.刹车灯外观特征：f
刹车灯
＝(w
刹车灯
*h
刹车灯
*c
刹车灯
，1，1)；
127.则可以基于如下公式对第t个时刻的时序车辆总特征以及第t个时刻的时序刹车
灯总特征进行第一融合，且第t个时刻的第一融合特征为：
128.第一融合特征＝
129.(x
车辆
,y
车辆
,w
车辆
,h
车辆
，f
车辆
，angle
车辆
，(x
车辆
+w
车辆
)/2,(y
车辆
+h
车辆
)/2)+
130.(x
刹车灯
,y
刹车灯
,w
刹车灯
,h
刹车灯
，f
刹车灯
，state
刹车灯
，(x
刹车灯
+w
刹车灯
)/2,(y
刹车灯
+h
刹车灯
)/2)
131.＝(x
车辆
,y
车辆
,w
车辆
,h
车辆
，f
车辆
，angle
车辆
，
132.(x
车辆
+w
车辆
)/2,(y
车辆
+h
车辆
)/2，x
刹车灯
,y
刹车灯
,w
刹车灯
,h
刹车灯
，f
刹车灯
，state
刹车灯
，
133.(x
刹车灯
+w
刹车灯
)/2,(y
刹车灯
+h
刹车灯
)/2)；
134.则，第一融合特征的维度为：w
车辆
*h
车辆
*c
车辆
+7+w
刹车灯
*h
刹车灯
*c
刹车灯
+7＝
135.w
车辆
*h
车辆
*c
车辆
+w
刹车灯
*h
刹车灯
*c
刹车灯
+14；
136.因此，本技术的实施例，第一融合(显示拼接)，为第t时刻的时序车辆总特征以及第t时刻的时序刹车灯总特征，基于维度，进行直接拼接，第一融合获得的第一融合特征的维度为第t时刻的时序车辆总特征以及第t时刻的时序刹车灯总特征的维度之和。
137.例如：车辆bbox特征＝(1,2,3,4)；
138.车辆方向特征：angle
车辆
＝(1)；
139.目标车辆的中心点的坐标为：m
车辆
＝(2,3)；
140.车辆外观特征：f
车辆
＝(w
车辆
*h
车辆
*c
车辆
，1，1)；并只对w
车辆
*h
车辆
*c
车辆
进行特征融合；
141.刹车灯bbox特征＝(1,1,1,1)；
142.刹车灯状态特征：state
刹车灯
＝(1)；
143.目标车辆的刹车灯的中心点的坐标：
144.m
刹车灯
＝(1,1)；
145.刹车灯外观特征：f
刹车灯
＝(w
刹车灯
*h
刹车灯
*c
刹车灯
，1，1)；并只对w
刹车灯
*h
刹车灯
*c
刹车灯
进行特征融合；
146.则可以基于如下公式对第t个时刻的时序车辆总特征以及第t个时刻的时序刹车灯总特征进行第一融合，且第t个时刻的第一融合特征为：
147.第一融合特征＝
148.(1,2,3,4，w
车辆
*h
车辆
*c
车辆
，1，2,3)+
149.(1,1,1,1，w
刹车灯
*h
刹车灯
*c
刹车灯
，1，1,1)＝
150.(1,2,3,4，w
车辆
*h
车辆
*c
车辆
，1，2,3，1,1,1,1，w
刹车灯
*h
刹车灯
*c
刹车灯
，1，1,1)；
151.则，第一融合特征的维度为：w
车辆
*h
车辆
*c
车辆
+7+w
刹车灯
*h
刹车灯
*c
刹车灯
+7＝
152.w
车辆
*h
车辆
*c
车辆
+w
刹车灯
*h
刹车灯
*c
刹车灯
+14；
153.本技术一可选的实施例，对于第二融合，也即基于位置编码的隐式融合，由于本技术的实施例涉及的目标车辆以及目标车辆的刹车灯存在固有的所属关系，也即车辆bbox特征中包含刹车灯bbox特征，因此，基于历史图像与车辆特征图以及刹车灯特征图之间的映射关系，获得的第t个时刻的时序车辆总特征，也包含第t个时刻的时序刹车灯总特征。
154.因此，将每个所述目标车辆的所述车辆bbox特征、车辆方向特征、车辆轨迹特征、车辆外观特征、刹车灯bbox特征、刹车灯状态特征、刹车灯轨迹特征以及刹车灯外观特征统一到一个特征向量，也即第二融合特征；
155.例如：第t(1≤t≤t，且t为整数；)个时刻的时序车辆总特征为：
156.车辆bbox特征＝(x
车辆
,y
车辆
,w
车辆
,h
车辆
)；
lstm包括连接的第一层bi-lstm以及第二层bi-lstm；
186.基于所述第一层bi-lstm对每个所述目标车辆t个时刻的所述融合特征进行处理，获得t个时刻的初始特征；其中，t为正整数；
187.基于所述第二层bi-lstm对所述t个时刻的初始特征进行处理，获得每个所述目标车辆的t个时刻的所述目标特征。
188.本技术一可选的实施例，在将每个所述目标车辆的t个时刻的第一融合特征或第二融合特征的输入至双层bi-lstm之前，对每个所述目标车辆的t个时刻的第一融合特征或第二融合特征进行mlp处理，降低t个时刻的第二融合特征的维度，用于实现减少后续算法的计算量，节省算力。
189.本技术一可选的实施例，如图5所示，以第二融合特征为例，进行解释说明：
190.假设初始时刻对应的时间为i；
191.则t个时刻分别对应：i+1；i+2
……
i+t；
192.对每个所述目标车辆的t个时刻的第二融合特征，进行mlp处理，获得第二压缩融合特征，其中，第二融合特征的维度w
车辆
*h
车辆
*(c
车辆
+1)+1可以被压缩，并降低到第二压缩融合特征的维度w
车辆
*h
车辆
*c
车辆
；
193.将每个目标车辆的t个时刻的第二压缩融合特征输入至第一层bi-lstm，第一层bi-lstm分别基于前向lstm以及后向lstm对第t个时刻的第二压缩融合特征进行特征提取，获得初始特征；其中，初始特征对应的维度为n＞w
车辆
*h
车辆
*c
车辆
；且n为整数；
194.将每个目标车辆的t个时刻的初始特征输入至第二层bi-lstm，第一层bi-lstm分别基于前向lstm以及后向lstm对第t个时刻的初始特征进行特征提取，获得目标特征；其中，目标特征对应的维度为p，p＞n；且p为整数。
195.本技术的实施例，对于同一个时刻的初始特征以及目标特征，该初始特征的维度小于目标特征的维度，因此，该时刻的目标特征所包含的特征信息多于该时刻的初始特征所包含的特征信息，因此，本技术的实施例，基于双层bi-lstm对融合特征进行特征提取，提高了特征提取的精度，进一步提高了对自车前方的多个目标车辆的刹车意图的预测结果的精度。
196.本技术一可选的实施例，假设某个目标车辆在第t+1个时刻的融合特征对应减速行驶，若基于第一层bi-lstm的后向lstm，第t+2个时刻的融合特征对应减速行驶；若基于第一层bi-lstm的前向lstm，第t个时刻的融合特征对应加速行驶；因此，可以精准获得，该目标车辆在第t+1个时刻的刹车意图的预测结果为刹车。
197.步骤s25：基于每个所述目标车辆的所述目标特征，获得预测结果。
198.本技术一可选的实施例，所述基于每个所述目标车辆的所述目标特征，获得预测结果，包括：
199.对每个所述目标车辆的所述目标特征进行线性变换，获得每个所述目标车辆对应的t个时刻的多维向量；其中，t为正整数；
200.基于每个所述目标车辆对应的t个时刻的所述多维向量，获得所述每个所述目标车辆的t个时刻的刹车意图概率；
201.基于每个所述目标车辆的t个时刻的所述刹车意图概率，获得t个时刻的所述预测结果。
202.本技术的实施例，基于第二层bi-lstm输出t个时刻的目标特征，获得与t个时刻的目标特征对应的t个时刻的目标特征向量，并基于linear层进行线性变换，获得t个时刻的多维向量；
203.对t个时刻的多维向量基于softmax层进行归一化处理，输出t个时刻的刹车意图概率。
204.本技术一可选的实施例，例如，输出了5个时刻的刹车意图概率(刹车意图概率，不刹车意图概率)，分别为：
205.第一个时刻的刹车意图概率：(0.3，0.7)；
206.第二个时刻的刹车意图概率：(0.4，0.6)；
207.第三个时刻的刹车意图概率：(0.6，0.4)；
208.第四个时刻的刹车意图概率：(0.7，0.3)；
209.第五个时刻的刹车意图概率：(0.2，0.8)；
210.可知，第一个时刻的预测结果为不刹车；
211.第二个时刻的预测结果为不刹车；
212.第三个时刻的预测结果为刹车；
213.第四个时刻的刹车意图概率为刹车；
214.第五个时刻的刹车意图概率为不刹车。
215.进一步地，当刹车意图概率与不刹车意图概率相等的时候(例如：第t个时刻的刹车意图概率：(0.5，0.5)，则可以根据实际需要，预设规则，并基于预设规则确定预测结果，本技术的实施例对此不做具体的限定。
216.进一步地，本技术的实施例，还可以基于每个目标车辆的t个时刻的车辆方向特征，在预测某个目标车辆在某个时刻的换道意图的同时，预测该目标车辆在该时刻的车辆方向，以便于提高生成的决策指令的精度。
217.本技术的实施例，基于双层bi-lstm对自车前方的每个目标车辆的t个时刻的融合特征进行特征提取，增加了时序维度，对于t个时刻中的第t个时刻的融合特征，结合前向lstm以及后向lstm，基于第t个时刻的上下文信息对第t个时刻的融合特征进行特征提取，实现了对每个目标车辆在第t个时刻的刹车意图的精准预判，进而实现了在自车运行过程中，对自车前方的每个目标车辆的刹车意图进行精准预测，有利于保证用户的安全，并提高用户的满意度。
218.如图6所示，本技术的实施例还提供一种预测车辆刹车的装置60，包括：
219.跟踪模块61，用于获取自车前方每个目标车辆的历史跟踪结果；
220.特征提取模块62，用于基于每个所述目标车辆的所述历史跟踪结果，获得每个所述目标车辆的t个时刻的时序车辆总特征以及t个时刻的时序刹车灯总特征；其中，t为正整数；
221.特征融合模块63，用于对每个所述目标车辆的t个时刻的时序车辆总特征以及t个时刻的时序刹车灯总特征，进行特征融合，获得每个所述目标车辆的融合特征；
222.处理模块64，用于对每个所述目标车辆的所述融合特征进行处理，获得每个所述目标车辆的目标特征；
223.预测模块65，用于基于每个所述目标车辆的所述目标特征，获得预测结果。
224.可选的，所述基于每个所述目标车辆的所述历史跟踪结果，获得每个所述目标车辆的t个时刻的时序车辆总特征以及t个时刻的时序刹车灯总特征，包括：
225.获取每个所述目标车辆的历史图像序列；其中，所述历史图像序列包括t帧历史图像；
226.对每帧所述历史图像进行检测，获得每个所述目标车辆的所述车辆特征图以及刹车灯特征图；其中，所述目标车辆设有刹车灯；所述车辆特征图包括t个时刻的车辆bbox特征以及车辆方向特征；所述刹车灯特征图包括t个时刻的刹车灯bbox特征以及刹车灯状态特征；
227.基于每个所述目标车辆的所述车辆特征图，获得每个所述目标车辆的t个时刻的时序车辆总特征；基于每个所述目标车辆的所述刹车灯特征图，获得每个所述目标车辆的t个时刻的时序刹车灯总特征。
228.可选的，所述基于每个所述目标车辆的所述车辆特征图，获得每个所述目标车辆的t个时刻的时序车辆总特征，包括：
229.基于每个所述目标车辆的t个时刻的所述车辆bbox特征，获得每个所述目标车辆的t个时刻的车辆中心点的坐标；基于每个所述目标车辆的t个时刻的车辆中心点的坐标，获得每个所述目标车辆的车辆轨迹特征；
230.对每个所述目标车辆的t个时刻的所述车辆bbox特征进行映射，并进行第一特征提取，获得每个所述目标车辆的t个时刻的车辆外观特征；
231.基于每个所述目标车辆的t个时刻的所述车辆bbox特征、车辆方向特征、车辆轨迹特征以及所述车辆外观特征，获得每个所述目标车辆的t个时刻的所述时序车辆总特征。
232.可选的，所述基于每个所述目标车辆的所述刹车灯特征图，获得每个所述目标车辆的t个时刻的时序刹车灯总特征，包括：
233.基于每个所述目标车辆的t个时刻的所述刹车灯bbox特征信息，获得每个所述目标车辆的t个时刻的刹车灯中心点的坐标；基于每个所述目标车辆的t个时刻的刹车灯中心点的坐标，获得每个所述目标车辆的刹车灯轨迹特征；
234.对每个所述目标车辆的t个时刻的所述刹车灯bbox特征进行映射，并进行第二特征提取，获得每个所述目标车辆的t个时刻的刹车灯外观特征；
235.基于每个所述目标车辆的t个时刻的所述刹车灯bbox特征、刹刹车灯状态特征、刹车灯轨迹特征以及所述刹车灯外观特征，获得每个所述目标车辆的t个时刻的所述时序刹车灯总特征。
236.可选的，所述对每个所述目标车辆的t个时刻的时序车辆总特征以及t个时刻的时序刹车灯总特征，进行特征融合，获得每个所述目标车辆的融合特征，包括：
237.对每个所述目标车辆的所述车辆bbox特征、车辆方向特征、车辆轨迹特征、车辆外观特征、刹车灯bbox特征、刹车灯状态特征、刹车灯轨迹特征以及刹车灯外观特征，进行第一融合，获得每个所述目标车辆的第一融合特征；其中，所述第一融合特征的维度等于所述车辆bbox特征、车辆方向特征、车辆轨迹特征、车辆外观特征、刹车灯bbox特征、刹车灯状态特征、刹车灯轨迹特征以及刹车灯外观特征的维度之和；或
238.对每个所述目标车辆的所述车辆bbox特征、车辆方向特征、车辆轨迹特征、车辆外观特征、刹车灯bbox特征、刹车灯状态特征、刹车灯轨迹特征以及刹车灯外观特征，进行第
二融合，获得每个所述目标车辆的第二融合特征；其中，所述第二融合特征的维度小于所述第一融合特征的维度。
239.可选的，所述对每个所述目标车辆的所述融合特征进行处理，获得每个所述目标车辆的目标特征，包括：
240.将每个所述目标车辆的所述融合特征输入至双层bi-lstm；其中，所述双层bi-lstm包括连接的第一层bi-lstm以及第二层bi-lstm；
241.基于所述第一层bi-lstm对每个所述目标车辆t个时刻的所述融合特征进行处理，获得t个时刻的初始特征；其中，t为正整数；
242.基于所述第二层bi-lstm对所述t个时刻的初始特征进行处理，获得每个所述目标车辆的t个时刻的所述目标特征。
243.可选的，所述基于每个所述目标车辆的所述目标特征，获得预测结果，包括：
244.对每个所述目标车辆的所述目标特征进行线性变换，获得每个所述目标车辆对应的t个时刻的多维向量；其中，t为正整数；
245.基于每个所述目标车辆对应的t个时刻的所述多维向量，获得所述每个所述目标车辆的t个时刻的刹车意图概率；
246.基于每个所述目标车辆的t个时刻的所述刹车意图概率，获得t个时刻的所述预测结果。
247.本技术的实施例还提供一种电子设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法。
248.本技术的实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的方法。
249.另外，本技术实施例的装置的其他构成及作用对本领域的技术人员来说是已知的，为减少冗余，此处不做赘述。
250.需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
251.应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述
实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
252.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
253.在本技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。
254.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
255.在本技术中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本技术中的具体含义。
256.在本技术中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
257.尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：

1.一种预测车辆刹车的方法，其特征在于，包括：获取自车前方每个目标车辆的历史跟踪结果；基于每个所述目标车辆的所述历史跟踪结果，获得每个所述目标车辆的t个时刻的时序车辆总特征以及t个时刻的时序刹车灯总特征；其中，t为正整数；对每个所述目标车辆的t个时刻的时序车辆总特征以及t个时刻的时序刹车灯总特征，进行特征融合，获得每个所述目标车辆的融合特征；对每个所述目标车辆的所述融合特征进行处理，获得每个所述目标车辆的目标特征；基于每个所述目标车辆的所述目标特征，获得预测结果。2.根据权利要求1所述的方法，其特征在于，所述基于每个所述目标车辆的所述历史跟踪结果，获得每个所述目标车辆的t个时刻的时序车辆总特征以及t个时刻的时序刹车灯总特征，包括：获取每个所述目标车辆的历史图像序列；其中，所述历史图像序列包括t帧历史图像；对每帧所述历史图像进行检测，获得每个所述目标车辆的所述车辆特征图以及刹车灯特征图；其中，所述目标车辆设有刹车灯；所述车辆特征图包括t个时刻的车辆bbox特征以及车辆方向特征；所述刹车灯特征图包括t个时刻的刹车灯bbox特征以及刹车灯状态特征；基于每个所述目标车辆的所述车辆特征图，获得每个所述目标车辆的t个时刻的时序车辆总特征；基于每个所述目标车辆的所述刹车灯特征图，获得每个所述目标车辆的t个时刻的时序刹车灯总特征。3.根据权利要求2所述的方法，其特征在于，所述基于每个所述目标车辆的所述车辆特征图，获得每个所述目标车辆的t个时刻的时序车辆总特征，包括：基于每个所述目标车辆的t个时刻的所述车辆bbox特征，获得每个所述目标车辆的t个时刻的车辆中心点的坐标；基于每个所述目标车辆的t个时刻的车辆中心点的坐标，获得每个所述目标车辆的车辆轨迹特征；对每个所述目标车辆的t个时刻的所述车辆bbox特征进行映射，并进行第一特征提取，获得每个所述目标车辆的t个时刻的车辆外观特征；基于每个所述目标车辆的t个时刻的所述车辆bbox特征、车辆方向特征、车辆轨迹特征以及所述车辆外观特征，获得每个所述目标车辆的t个时刻的所述时序车辆总特征。4.根据权利要求2所述的方法，其特征在于，所述基于每个所述目标车辆的所述刹车灯特征图，获得每个所述目标车辆的t个时刻的时序刹车灯总特征，包括：基于每个所述目标车辆的t个时刻的所述刹车灯bbox特征信息，获得每个所述目标车辆的t个时刻的刹车灯中心点的坐标；基于每个所述目标车辆的t个时刻的刹车灯中心点的坐标，获得每个所述目标车辆的刹车灯轨迹特征；对每个所述目标车辆的t个时刻的所述刹车灯bbox特征进行映射，并进行第二特征提取，获得每个所述目标车辆的t个时刻的刹车灯外观特征；基于每个所述目标车辆的t个时刻的所述刹车灯bbox特征、刹车灯状态特征、刹车灯轨迹特征以及所述刹车灯外观特征，获得每个所述目标车辆的t个时刻的所述时序刹车灯总特征。5.根据权利要求2所述的方法，其特征在于，所述对每个所述目标车辆的t个时刻的时序车辆总特征以及t个时刻的时序刹车灯总特征，进行特征融合，获得每个所述目标车辆的
融合特征，包括：对每个所述目标车辆的所述车辆bbox特征、车辆方向特征、车辆轨迹特征、车辆外观特征、刹车灯bbox特征、刹车灯状态特征、刹车灯轨迹特征以及刹车灯外观特征，进行第一融合，获得每个所述目标车辆的第一融合特征；其中，所述第一融合特征的维度等于所述车辆bbox特征、车辆方向特征、车辆轨迹特征、车辆外观特征、刹车灯bbox特征、刹车灯状态特征、刹车灯轨迹特征以及刹车灯外观特征的维度之和；或对每个所述目标车辆的所述车辆bbox特征、车辆方向特征、车辆轨迹特征、车辆外观特征、刹车灯bbox特征、刹车灯状态特征、刹车灯轨迹特征以及刹车灯外观特征，进行第二融合，获得每个所述目标车辆的第二融合特征；其中，所述第二融合特征的维度小于所述第一融合特征的维度。6.根据权利要求1所述的方法，其特征在于，所述对每个所述目标车辆的所述融合特征进行处理，获得每个所述目标车辆的目标特征，包括：将每个所述目标车辆的所述融合特征输入至双层bi-lstm；其中，所述双层bi-lstm包括连接的第一层bi-lstm以及第二层bi-lstm；基于所述第一层bi-lstm对每个所述目标车辆t个时刻的所述融合特征进行处理，获得t个时刻的初始特征；其中，t为正整数；基于所述第二层bi-lstm对所述t个时刻的初始特征进行处理，获得每个所述目标车辆的t个时刻的所述目标特征。7.根据权利要求1所述的方法，其特征在于，所述基于每个所述目标车辆的所述目标特征，获得预测结果，包括：对每个所述目标车辆的所述目标特征进行线性变换，获得每个所述目标车辆对应的t个时刻的多维向量；其中，t为正整数；基于每个所述目标车辆对应的t个时刻的所述多维向量，获得所述每个所述目标车辆的t个时刻的刹车意图概率；基于每个所述目标车辆的t个时刻的所述刹车意图概率，获得t个时刻的所述预测结果。8.一种预测车辆刹车的装置，其特征在于，包括：跟踪模块，用于获取自车前方每个目标车辆的历史跟踪结果；特征提取模块，用于基于每个所述目标车辆的所述历史跟踪结果，获得每个所述目标车辆的t个时刻的时序车辆总特征以及t个时刻的时序刹车灯总特征；其中，t为正整数；特征融合模块，用于对每个所述目标车辆的t个时刻的时序车辆总特征以及t个时刻的时序刹车灯总特征，进行特征融合，获得每个所述目标车辆的融合特征；处理模块，用于对每个所述目标车辆的所述融合特征进行处理，获得每个所述目标车辆的目标特征；预测模块，用于基于每个所述目标车辆的所述目标特征，获得预测结果。9.一种电子设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算
机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的方法。

技术总结

本申请公开了一种预测车辆刹车的方法、装置、设备及存储介质，其中，方法包括：获取自车前方每个目标车辆的历史跟踪结果；基于每个目标车辆的历史跟踪结果，获得每个目标车辆的T个时刻的时序车辆总特征以及T个时刻的时序刹车灯总特征；其中，T为正整数；对每个目标车辆的T个时刻的时序车辆总特征以及T个时刻的时序刹车灯总特征，进行特征融合，获得每个目标车辆的融合特征；对每个目标车辆的融合特征进行处理，获得每个目标车辆的目标特征；基于每个目标车辆的目标特征，获得预测结果。本申请的技术方案，对目标车辆的车辆特征以及刹车灯特征进行融合，提高了对目标车辆的刹车预测的精准度。精准度。精准度。