轨迹预测模型的训练方法及评估方法与流程

阅读：评论：0

1.本发明主要涉及自动驾驶领域，尤其涉及一种轨迹预测模型的训练方法及评估方法。

背景技术：

2.在自动驾驶领域中，如何理解自动驾驶周围目标(如行人、车辆等交通参与者)的行为成为自动驾驶系统中的重要一环。目标物轨迹预测旨在根据自动驾驶周围目标当前轨迹或历史轨迹与环境信息，对该目标未来的行驶轨迹进行预测。
3.当前常采用深度学习模型进行目标物轨迹预测。然而，现有的轨迹预测模型的训练方法仅仅是采用整体的距离函数作为损失函数对模型进行训练，导致训练好的模型预测准确性不高。而现有的轨迹预测模型的评估方法仅仅是采用整体的评估指标，例如平均位移误差ade(average displacement error，ade)和最终位移误差fde(final displacement error，fde)对轨迹预测模型进行评估，导致对模型的性能评估不够精确。
4.因此，亟需一种损失函数和评估指标更加精细的轨迹预测模型的训练方法及评估方法。

技术实现要素：

5.本发明要解决的技术问题是提供一种轨迹预测模型的训练方法及评估方法，解决现有训练方法的损失函数不够精细，现有评估方法的评估指标不够精细的问题。
6.为解决上述技术问题，本发明提供了一种轨迹预测模型的训练方法，包括：从轨迹预测模型中获取目标的预测轨迹，将所述预测轨迹划分为多个预测子轨迹段；获取目标的真实轨迹，将所述真实轨迹划分为多个真实子轨迹段，所述真实子轨迹段与所述预测子轨迹段的数量对应；分别计算所述预测子轨迹段与所述真实子轨迹段之间的向量夹角，所述向量夹角包括横向向量夹角和纵向向量夹角；分别计算所述预测子轨迹段与所述真实子轨迹段之间的l2距离损失；根据所述向量夹角和所述l2距离损失计算横向距离损失和纵向距离损失；将所述横向距离损失和所述纵向距离损失作为所述轨迹预测模型的损失函数，优化所述轨迹预测模型的参数。
7.可选地，从轨迹预测模型中获取目标的预测轨迹包括：获取目标的历史轨迹和目标周围环境信息，所述目标周围环境信息包括车道线信息和周围车辆的轨迹信息；将所述目标的历史轨迹和目标周围环境信息输入所述轨迹预测模型。
8.可选地，通过如下公式计算所述纵向向量夹角：
[0009][0010]
其中，为所述纵向向量夹角，vi为第i段真实子轨迹段，第i段预测子轨迹段。
[0011]
可选地，通过如下公式计算所述横向量夹角：
[0012][0013]
其中，为所述横向量夹角，为所述纵向向量夹角。
[0014]
可选地，通过如下公式计算横向距离损失：
[0015][0016]
其中，为所述横向距离损失，为所述l2距离损失，为所述横向量夹角。
[0017]
可选地，通过如下公式计算纵向距离损失：
[0018][0019]
其中，为所述纵向距离损失，为所述l2距离损失，为所述纵向量夹角。
[0020]
可选地，将所述横向距离损失和所述纵向距离损失作为所述轨迹预测模型的损失函数包括：根据所述横向距离损失和所述纵向距离损失计算组合损失函数，将所述组合损失函数作为所述轨迹预测模型的损失函数。
[0021]
可选地，通过如下公式计算所述组合损失函数：
[0022][0023]
其中，loss为所述组合损失函数，n为预测子轨迹段的数目，为所述横向距离损失，为所述纵向距离损失，λ1为第一权重，λ2为第二权重。
[0024]
为解决上述技术问题，本发明提供了一种轨迹预测模型的评估方法，包括：
[0025]
采用前文所述的轨迹预测模型的训练方法获得所述向量夹角和所述l2距离损失；计算轨迹预测模型的平均位移误差ade和最终位移误差fde；根据所述向量夹角、平均位移误差ade和最终位移误差fde计算横向平均位移误差、纵向平均位移误差、横向最终位移误差和纵向最终位移误差；根据所述横向平均位移误差、所述纵向平均位移误差、所述横向最终位移误差和所述纵向最终位移误差对所述轨迹预测模型进行评估。
[0026]
可选地，根据所述向量夹角、平均位移误差ade和最终位移误差fde计算横向平均位移误差、纵向平均位移误差、横向最终位移误差和纵向最终位移误差包括：根据所述横向向量夹角和平均位移误差ade计算横向平均位移误差，根据所述纵向向量夹角和平均位移误差ade计算纵向平均位移误差；根据所述横向向量夹角和最终位移误差fde计算横向最终位移误差，根据所述纵向向量夹角和最终位移误差fde计算纵向最终位移误差。
[0027]
为解决上述技术问题，本发明提供了一种轨迹预测模型的评估方法，包括：采用前文所述的轨迹预测模型的训练方法获得所述向量夹角和所述l2距离损失；计算轨迹预测模型的平均位移误差ade；根据所述向量夹角和所述平均位移误差ade计算平均余弦相似度误差，根据所述平均余弦相似度误差对所述轨迹预测模型进行评估。
[0028]
为解决上述技术问题，本发明提供了一种轨迹预测模型的评估装置，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行所述指令以实现前文所述的迹预测模型的评估方法。
[0029]
与现有技术相比，本发明具有以下优点：
[0030]
本发明的轨迹预测模型的训练方法通过对预测轨迹和未来真实轨迹按照时间帧进行分段，分别计算出各帧的预测子轨迹段和真实子轨迹段，根据预测子轨迹段和真实子轨迹段分别计算出横向距离损失和所述纵向距离损失。将所述横向距离损失和所述纵向距离损失作为所述轨迹预测模型的损失函数，可以使得轨迹预测模型能很快的适应训练样本，而且训练好的轨迹预测模型预测准确性更高；本发明的轨迹预测模型的评估方法通过对评估指标进行精细化分解，将评估指标分为横向平均位移误差、所述纵向平均位移误差、所述横向最终位移误差和所述纵向最终位移误差，可以更准确地评估轨迹预测模型的性能。
附图说明
[0031]
包括附图是为提供对本技术进一步的理解，它们被收录并构成本技术的一部分，附图示出了本技术的实施例，并与本说明书一起起到解释本发明原理的作用。附图中：
[0032]
图1是根据本发明一实施例的轨迹预测模型的训练方法的流程图。
[0033]
图2是根据本发明一实施例的轨迹预测模型的评估方法的流程图。
[0034]
图3是根据本发明另一实施例的轨迹预测模型的评估方法的流程图。
[0035]
图4是根据本发明一实施例的轨迹预测模型的评估装置的系统框图。
具体实施方式
[0036]
为了更清楚地说明本技术的实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本技术的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本技术应用于其他类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
[0037]
如本技术和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
[0038]
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本技术的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0039]
本技术中使用了流程图用来说明根据本技术的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各种步骤。同时，或将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
[0040]
图1是根据本发明一实施例的轨迹预测模型的训练方法的流程图。如图1所示，轨迹预测模型的训练方法100包括如下步骤：
[0041]
步骤s11：从轨迹预测模型中获取目标的预测轨迹，将预测轨迹划分为多个预测子轨迹段；
[0042]
在一些实施例中，从轨迹预测模型中获取目标的预测轨迹包括：
[0043]
1)获取目标的历史轨迹。具体地，接收由自动驾驶车辆提供的感知融合模块提供的信息，获取预测目标的历史轨迹信息。假设从轨迹发生开始计时，约定此时为t19时刻，在他之前的20帧，分别可以记作t0,t1,t2
……
t19。则t0时刻对应的轨迹点记为p0，轨迹点p0由两个坐标表示，可以记作(x0，y0，)。其他时刻的轨迹点依次类推，在此不再赘述。获取目标的历史轨迹包括将t0到t19的历史轨迹点写入数组容器，记作{p0，p1，p2，p3，
……
p
19
}。本技术对目标的历史轨迹包括的轨迹点数量不作限定。
[0044]
2)获取目标周围环境信息，目标周围环境信息包括车道线信息和周围车辆的轨迹信息。具体地，根据定位点的坐标，送入高精地图，获取高精地图周围的车道线编号信息。通过周围车道线编号，利用高精地图应用程序接口(application programming interface，api)获取车道线上点的信息。通过感知融合模块，获取周围其他车辆的轨迹信息。
[0045]
3)将目标的历史轨迹和目标周围环境信息输入轨迹预测模型。具体地，首先，对目标的历史轨迹进行编码，每一个时刻编码格式可采用一维数组的形式，也可以采用其他编码形式，本专利对具体的目标的历史轨迹编码格式不做限定。以编码格式为一维数组的形式为例，一种实例的形式为：(x,y,δx,δy,step,0,0,0,0,vector_id)其中x和y表示为轨迹的坐标，而δx,δy表示轨迹的坐标向量，相当于用该时刻减去上一时刻的坐标差，用公式表示为(δx,δy)
t
＝p
t-p
t-1
,vector_id表示当前轨迹编码向量所属的车辆轨迹的编号。那么从step 0到step 19一共20个时刻，表示成编码矩阵为一个20乘以10的矩阵。
[0046]
然后，对目标周围环境信息进行编码。由获取的车道线编号，通过地图接口，获取该车道线上的每一个小车道线段的信息。根据获取的小车道线线段的信息，对这些信息进行编码。一种实施例形式的编码格式为：
[0047]
(x,y,δx,δy,traffic_ctrl,is_turns,is_intersect,vector_id)
[0048]
其中，x和y为线段的中心点坐标，δx,δy为线段基于中心点的单位化向量方向，traffic_ctrl为交通控制信号，比如0表示有交通管制(红灯)，1表示无交通管制(绿灯)，is_turns表示为转向信息，比如(1,0)表示左转车道，(0,1)表示右转车道，(0，0)表示直行车道，is_intersect表示十字路口信息，0表示非十字路口，1表示十字路口，vector_id表示当前车道编码向量所属的车道线的编号。上述为本技术中描述的一个车辆周围环境编码实例，本专利对具体的编码格式不做限定。
[0049]
最后，将编码后的目标的历史轨迹和编码后的目标周围环境信息输入轨迹预测模型。轨迹预测模型是基于深度学习模型搭建的，其中输入为轨迹信息编码和目标周围环境信息编码，将二者在维度上进行拼接，形成一个数字矩阵，作为模型的标准输入。训练好的模型将给出未来一段时间的轨迹输出，比如需要预测30帧的轨迹，模型将给出一个或多个
数组，以一个输出未来30帧的模型为例，输出格式为1*30*2或者n*30*2的矩阵，其中1或者n表示输出的1条或者n条轨迹，30表示输出的预测未来30帧的点的位置，2表示输出的每个点的坐标x和y。同时模型还针对这1条或n条轨迹的数值，给出相应的概率值，从1条或n条轨迹中选取概率最高的一条轨迹。继续以历史轨迹的最后一帧p
19
为例，目标的预测轨迹可以记作
[0050]
将预测轨迹划分为多个预测子轨迹段包括根据预测轨迹点计算预测子轨迹段。以目标的预测轨迹为为例，计算出预测子轨迹段其中，当i＝20，当i＝20，为历史轨迹最后一帧的轨迹点。
[0051]
步骤s12：获取目标的真实轨迹，将真实轨迹划分为多个真实子轨迹段，真实子轨迹段与预测子轨迹段的数量对应。
[0052]
接收由自动驾驶车辆提供的感知融合模块提供的信息，获取目标的真实轨迹。以当前基准时刻t19时刻为例，在之后的未来30帧，分别可以记作t20，t21
……
t49，那么将t20到t49的真实轨迹点写入数组容器。记作{p
20
，p
21
，p
22
，p
23
，
……
p
49
}。以历史轨迹的最后一帧p
19
为起点，根据轨迹点(p
19
，p
20
，p
21
，p
22
，p
23
，
……
p
49
)计算出真实子轨迹段v
20
,v
21
,v
22
,v
23
,
……v49
，其中，vi＝pi,-p
i-1
,当i＝20，v
20
＝p
20-p
19
。
[0053]
步骤s13：分别计算预测子轨迹段与真实子轨迹段之间的向量夹角，向量夹角包括横向向量夹角和纵向向量夹角。
[0054]
通过如下公式计算预测子轨迹段与真实子轨迹段之间的纵向向量夹角：
[0055][0056]
其中，为纵向向量夹角，vi为第i段真实子轨迹段，第i段预测子轨迹段。
[0057]
通过如下公式计算预测子轨迹段与真实子轨迹段之间的横向量夹角：
[0058][0059]
其中，为横向量夹角，为纵向向量夹角。
[0060]
步骤s14：分别计算预测子轨迹段与真实子轨迹段之间的l2距离损失。
[0061]
通过如下公式计算预测子轨迹段与真实子轨迹段之间的l2距离损失：
[0062][0063]
其中为l2距离损失，pi为第i个真实轨迹点，第i个预测轨迹点，m为第一个预测轨迹点的帧数，n为预测轨迹的帧数。以第一个预测轨迹点的帧数为20，预测30帧为例，n的值为20，m的值为49.
[0064]
步骤s15：根据向量夹角和l2距离损失计算横向距离损失和纵向距离损失。
[0065]
一些实施例中，通过如下公式计算横向距离损失：
[0066][0067]
其中，为横向距离损失，为l2距离损失，为横向量夹角。
[0068]
通过如下公式计算纵向距离损失：
[0069][0070]
其中，为纵向距离损失，为l2距离损失，为纵向量夹角。
[0071]
步骤s16：将横向距离损失和纵向距离损失作为轨迹预测模型的损失函数，优化轨迹预测模型的参数。
[0072]
将横向距离损失和纵向距离损失作为轨迹预测模型的损失函数包括：根据横向距离损失和纵向距离损失计算组合损失函数，将组合损失函数作为轨迹预测模型的损失函数。具体地，通过如下公式计算组合损失函数：
[0073][0074]
其中，loss为组合损失函数，n为预测子轨迹段的数目，为横向距离损失，为纵向距离损失，λ1为第一权重，λ2为第二权重。
[0075]
选择合适的优化器对参数利用梯度下降进行权值优化，比如adam，adagrad，rmsprop等几种优化器。获取训练优化后的模型参数。本技术对优化器的选择不做限定。
[0076]
本发明的轨迹预测模型的训练方法通过对预测轨迹和未来真实轨迹按照时间帧进行分段，分别计算出各帧的预测子轨迹段和真实子轨迹段，根据预测子轨迹段和真实子轨迹段分别计算出横向距离损失和纵向距离损失。将横向距离损失和纵向距离损失作为轨迹预测模型的损失函数，可以使得轨迹预测模型能很快的适应训练样本，而且训练好的轨迹预测模型预测准确性更高。
[0077]
图2是根据本发明一实施例的轨迹预测模型的评估方法的流程图。如图2所示，轨迹预测模型的评估方法200包括如下步骤：
[0078]
步骤s21：采用前文的轨迹预测模型的训练方法获得向量夹角和l2距离损失。
[0079]
步骤s22：计算轨迹预测模型的平均位移误差ade和最终位移误差fde。
[0080]
平均位移误差ade(average displacement error，ade)表示在所有预测范围内预测轨迹和真实轨迹的平均欧氏距离。
[0081]
最终位移误差fde(final displacement error，fde)表示在预测的最后一步中预测轨迹点和真实轨迹点的欧氏距离。
[0082]
以预测轨迹和真实轨迹(p
20
，p
21
，p
22
，p
23
，
……
p
49
)为例，通过如下公式计算平均位移误差ade和最终位移误差fde：
[0083][0084][0085]
其中ade为平均位移误差ade，fde为最终位移误差fde，pi为第i个真实轨迹点，第i个预测轨迹点，为第i个点的欧氏距离，n为样本的数量。
[0086]
步骤s23：根据向量夹角、平均位移误差ade和最终位移误差fde计算横向平均位移误差、纵向平均位移误差、横向最终位移误差和纵向最终位移误差。
[0087]
可以通过如下公式根据横向向量夹角和平均位移误差ade计算横向平均位移误差，根据横向向量夹角和最终位移误差fde计算横向最终位移误差。
[0088][0089][0090]
其中，t_ade为横向平均位移误差，t_fde为横向最终位移误差，为第i个点的横向向量夹角。
[0091]
可以通过如下公式根据纵向向量夹角和平均位移误差ade计算纵向平均位移误差，根据纵向向量夹角和最终位移误差fde计算纵向最终位移误差。
[0092][0093][0094]
其中，lon_ade为纵向平均位移误差，lon_fde为纵向最终位移误差，为第i个点的纵向向量夹角。
[0095]
步骤s24：根据横向平均位移误差、纵向平均位移误差、横向最终位移误差和纵向最终位移误差对轨迹预测模型进行评估。
[0096]
在一些实施例中，可以采用多种指标参数的组合形式，对模型进行分级评估，例如可以参照如下表1将轨迹预测模型分为优秀，良好，一般，较差四个等级。
[0097]
如表1所示，只有同时满足横向平均位移误差t-ade的值处于[0,3]区间内、横向最终位移误差t-fde的值处于[0,6]区间内、纵向平均位移误差lon-ade的值处于[0,4]区间内、纵向最终位移误差lon-fde的值处于[0,9]区间内，轨迹预测模型才能被评估为优秀。其他等级的条件参考表1，在此不再赘述。本技术对指标的划分数值和划分等级不做限定。
[0098]
表1
[0099][0100]
本发明的轨迹预测模型的评估方法通过对评估指标进行精细化分解，将评估指标分为横向平均位移误差、纵向平均位移误差、横向最终位移误差和纵向最终位移误差，可以更准确地评估轨迹预测模型的性能。
[0101]
图3是根据本发明另一实施例的轨迹预测模型的评估方法的流程图。
[0102]
如图3所示，轨迹预测模型的评估方法300包括如下步骤：
[0103]
步骤s31：采用前文的轨迹预测模型的训练方法获得向量夹角和l2距离损失。
[0104]
步骤s32：计算轨迹预测模型的平均位移误差ade。
[0105]
步骤s33：根据向量夹角和平均位移误差ade计算平均余弦相似度误差，根据平均余弦相似度误差对轨迹预测模型进行评估。具体地，可以通过如下公式计算平均余弦相似度误差：
[0106][0107]
其中cos_ade为平均余弦相似度误差，为第i个点的纵向向量夹角。
[0108]
采用余弦相似度算法来评估模型的输出指标性能。一个向量空间中两个向量夹角间的余弦值作为衡量两个个体之间差异的大小，余弦值接近1，夹角趋于0，表明两个向量越相似。余弦值接近于0，夹角趋于90度，表明两个向量越不相似。因此，可以设置一个阈值评估轨迹预测模型的等级。例如。将阈值设置为0.7，当平均余弦相似度误差的值大于等于0.7时，轨迹预测模型的等级为合格，当平均余弦相似度误差的值小于0.7时，轨迹预测模型的等级为不合格。
[0109]
本发明的轨迹预测模型的评估方法通过对评估指标进行精细化分解，将评估指标细分为平均余弦相似度误差，通过平均余弦相似度误差来衡量轨迹相似度，可以更准确地评估轨迹预测模型的性能。
[0110]
图4是根据本发明一实施例的轨迹预测模型的评估装置的系统框图。如图4所示，该评估装置400可包括内部通信总线401、处理器402、只读存储器(rom)403、随机存取存储
器(ram)404以及通信端口405。当应用在个人计算机上时，该评估装置400还可以包括硬盘406。内部通信总线401可以实现该评估装置400组件间的数据通信。处理器402可以进行判断和发出提示。在一些实施例中，处理器402可以由一个或多个处理器组成。通信端口405可以实现该评估装置400与外部的数据通信。在一些实施例中，该评估装置400可以通过通信端口405从网络发送和接受信息及数据。该评估装置400还可以包括不同形式的程序储存单元以及数据储存单元，例如硬盘406，只读存储器(rom)403和随机存取存储器(ram)404，能够存储计算机处理和/或通信使用的各种数据文件，以及处理器402所执行的可能的程序指令。处理器执行这些指令以实现方法的主要部分。处理器处理的结果通过通信端口传给用户设备，在用户界面上显示。
[0111]
上述的评估方法可以实施为计算机程序，保存在硬盘406中，并可加载到处理器402中执行，以实施本技术的评估方法。
[0112]
应该理解，上文所描述的实施例仅是示意。本文描述的实施例可在硬件、软件、固件、中间件、微码或者其任意组合中实现。对于硬件实现，处理器可以在一个或者多个特定用途集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、处理器、控制器、微控制器、微处理器和/或设计为执行本文所述功能的其它电子单元或者其结合内实现。
[0113]
本技术的一些方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。处理器可以是一个或多个专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理器件(dapd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、处理器、控制器、微控制器、微处理器或者其组合。此外，本技术的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。例如，计算机可读介质可包括，但不限于，磁性存储设备(例如，硬盘、软盘、磁带
……
)、光盘(例如，压缩盘cd、数字多功能盘dvd
……
)、智能卡以及闪存设备(例如，卡、棒、键驱动器
……
)。
[0114]
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述发明披露仅仅作为示例，而并不构成对本技术的限定。虽然此处并没有明确说明，本领域技术人员可能会对本技术进行各种修改、改进和修正。该类修改、改进和修正在本技术中被建议，所以该类修改、改进、修正仍属于本技术示范实施例的精神和范围。
[0115]
同时，本技术使用了特定词语来描述本技术的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本技术至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本技术的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
[0116]
同理，应当注意的是，为了简化本技术披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本技术实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本技术对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
[0117]
虽然本技术已参照当前的具体实施例来描述，但是本技术领域中的普通技术人员
应当认识到，以上的实施例仅是用来说明本技术，在没有脱离本技术精神的情况下还可作出各种等效的变化或替换，因此，只要在本技术的实质精神范围内对上述实施例的变化、变型都将落在本技术的权利要求书的范围内。

技术特征：

1.一种轨迹预测模型的训练方法，其特征在于，包括：从轨迹预测模型中获取目标的预测轨迹，将所述预测轨迹划分为多个预测子轨迹段；获取目标的真实轨迹，将所述真实轨迹划分为多个真实子轨迹段，所述真实子轨迹段与所述预测子轨迹段的数量对应；分别计算所述预测子轨迹段与所述真实子轨迹段之间的向量夹角，所述向量夹角包括横向向量夹角和纵向向量夹角；分别计算所述预测子轨迹段与所述真实子轨迹段之间的l2距离损失；根据所述向量夹角和所述l2距离损失计算横向距离损失和纵向距离损失；将所述横向距离损失和所述纵向距离损失作为所述轨迹预测模型的损失函数，优化所述轨迹预测模型的参数。2.如权利要求1所述的方法，其特征在于，从轨迹预测模型中获取目标的预测轨迹包括：获取目标的历史轨迹和目标周围环境信息，所述目标周围环境信息包括车道线信息和周围车辆的轨迹信息；将所述目标的历史轨迹和目标周围环境信息输入所述轨迹预测模型。3.如权利要求1所述的方法，其特征在于，通过如下公式计算所述纵向向量夹角：其中，为所述纵向向量夹角，v
i
为第i段真实子轨迹段，第i段预测子轨迹段。4.如权利要求3所述的方法，其特征在于，通过如下公式计算所述横向量夹角：其中，为所述横向量夹角，为所述纵向向量夹角。5.如权利要求4所述的方法，其特征在于，通过如下公式计算横向距离损失：其中，为所述横向距离损失，为所述l2距离损失，为所述横向量夹角。6.如权利要求3所述的方法，其特征在于，通过如下公式计算纵向距离损失：其中，为所述纵向距离损失，为所述l2距离损失，为所述纵向量夹角。7.如权利要求1所述的方法，其特征在于，将所述横向距离损失和所述纵向距离损失作为所述轨迹预测模型的损失函数包括：根据所述横向距离损失和所述纵向距离损失计算组合损失函数，将所述组合损失函数作为所述轨迹预测模型的损失函数。
8.如权利要求7所述的方法，其特征在于，通过如下公式计算所述组合损失函数：其中，loss为所述组合损失函数，n为预测子轨迹段的数目，为所述横向距离损失，为所述纵向距离损失，λ1为第一权重，λ2为第二权重。9.一种轨迹预测模型的评估方法，其特征在于，包括：采用如权利要求1-8任一项所述的方法获得所述向量夹角和所述l2距离损失；计算轨迹预测模型的平均位移误差ade和最终位移误差fde；根据所述向量夹角、平均位移误差ade和最终位移误差fde计算横向平均位移误差、纵向平均位移误差、横向最终位移误差和纵向最终位移误差；根据所述横向平均位移误差、所述纵向平均位移误差、所述横向最终位移误差和所述纵向最终位移误差对所述轨迹预测模型进行评估。10.如权利要求9所述的方法，其特征在于，根据所述向量夹角、平均位移误差ade和最终位移误差fde计算横向平均位移误差、纵向平均位移误差、横向最终位移误差和纵向最终位移误差包括：根据所述横向向量夹角和平均位移误差ade计算横向平均位移误差，根据所述纵向向量夹角和平均位移误差ade计算纵向平均位移误差；根据所述横向向量夹角和最终位移误差fde计算横向最终位移误差，根据所述纵向向量夹角和最终位移误差fde计算纵向最终位移误差。11.一种轨迹预测模型的评估方法，其特征在于，包括：采用如权利要求1-8任一项所述的方法获得所述向量夹角和所述l2距离损失；计算轨迹预测模型的平均位移误差ade；根据所述向量夹角和所述平均位移误差ade计算平均余弦相似度误差，根据所述平均余弦相似度误差对所述轨迹预测模型进行评估。12.一种轨迹预测模型的评估装置，其特征在于，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行所述指令以实现如权利要求9-11任一项所述的方法。

技术总结

本发明提供了一种轨迹预测模型的训练方法及评估方法。其中训练方法包括：从轨迹预测模型中获取目标的预测轨迹，将预测轨迹划分为多个预测子轨迹段；获取目标的真实轨迹，将真实轨迹划分为多个真实子轨迹段，真实子轨迹段与预测子轨迹段的数量对应；分别计算预测子轨迹段与真实子轨迹段之间的向量夹角，向量夹角包括横向向量夹角和纵向向量夹角；分别计算预测子轨迹段与真实子轨迹段之间的L2距离损失；根据向量夹角和L2距离损失计算横向距离损失和纵向距离损失；将横向距离损失和纵向距离损失作为轨迹预测模型的损失函数，优化轨迹预测模型的参数。本申请对损失函数进行精细化分解，训练好的轨迹预测模型预测准确性更高。训练好的轨迹预测模型预测准确性更高。训练好的轨迹预测模型预测准确性更高。