一种障碍物的轨迹预测方法及装置
阅读：1042发布：2020-05-27
专利汇可以提供一种障碍物的轨迹预测方法及装置专利检索，专利查询，专利分析的服务。并且本 说明书 公开了一种障碍物的轨迹预测方法及装置，本说明书 实施例 根据当前时刻各障碍物的状态信息预测下一时刻各障碍物的状态信息，并通过下一时刻各障碍物的状态信息得到第一模型输出的各障碍物的概率分布图，然后根据概率分布图以及当前时刻待预测障碍物的状态信息使第二模型输出下一时刻该待预测障碍物的轨迹。本说明书实施例通过概率分布图来表征各障碍物之间的交互结果，在对待预测障碍物的轨迹进行预测时，考虑了各障碍物之间的交互对待预测障碍物未来轨迹的影响，还无需对各障碍物之间的交互进行建模，当处于交通状况较为复杂的环境中时，也能对障碍物未来的行驶轨迹进行更准确的预测。，下面是一种障碍物的轨迹预测方法及装置专利的具体信息内容。
1.一种障碍物的轨迹预测方法，其特征在于，包括：
针对每个障碍物，获取当前时刻该障碍物的状态信息；
根据所述当前时刻该障碍物的状态信息，预测下一时刻该障碍物的状态信息；
将所述下一时刻各障碍物的状态信息输入到预先训练的第一模型，得到所述第一模型根据所述下一时刻各障碍物的状态信息输出的概率分布图；其中，所述概率分布图中每个像素点用于表征至少一个障碍物在该像素点出现的概率；
针对各障碍物中的待预测障碍物，将当前时刻该待预测障碍物的状态信息、所述概率分布图输入到预先训练的第二模型，以使所述第二模型根据所述当前时刻该待预测障碍物的状态信息、所述概率分布图预测下一时刻该待预测障碍物的轨迹。
2.如权利要求1所述的方法，其特征在于，所述下一时刻该障碍物的状态信息包括：基础状态信息和加扰状态信息；
根据所述当前时刻该障碍物的状态信息，预测下一时刻该障碍物的状态信息，具体包括：
根据所述当前时刻该障碍物的状态信息，预测下一时刻该障碍物的基础状态信息；
对所述基础状态信息加扰，得到加扰状态信息。
3.如权利要求2所述的方法，其特征在于，对所述基础状态信息加扰，得到加扰状态信息，具体包括：
根据所述基础状态信息，确定该障碍物的基础坐标；
根据所述基础坐标，确定所述基础坐标的指定邻域，其中，该障碍物在所述指定邻域内的每个点出现的概率服从正态分布；
根据所述基础坐标、所述指定邻域内的每个点的坐标、该障碍物在所述指定邻域内的每个点出现的概率，确定加扰状态信息。
4.如权利要求2或3所述的方法，其特征在于，所述第一模型至少包括输入层；
将所述下一时刻各障碍物的状态信息输入到预先训练的第一模型，得到所述第一模型根据所述下一时刻各障碍物的状态信息输出的概率分布图，具体包括：
将所述基础状态信息和所述加扰状态信息输入到预先训练的第一模型中的输入层，以使所述输入层根据所述输入层内的模型参数对所述基础状态信息和所述加扰状态信息处理，得到初始变量，以便所述第一模型根据所述初始变量输出概率分布图。
5.如权利要求4所述的方法，其特征在于，所述第二模型包括编码层和解码层；
将当前时刻该待预测障碍物的状态信息、所述概率分布图输入到预先训练的第二模型，具体包括：
将当前时刻该待预测障碍物的状态信息、所述概率分布图输入到预先训练的第二模型中的编码层，以使所述编码层根据所述当前时刻该待预测障碍物的状态信息提取第一特征和第二特征，并根据所述第二特征和所述概率分布图，去除所述概率分布图中包含的该待预测障碍物在每个像素点出现的概率，并将去除概率后的概率分布图作为调整概率分布图；
将所述第一特征、所述调整概率分布图输入到所述解码层。
6.如权利要求5所述的方法，其特征在于，预先训练第一模型，以及预先训练第二模型，具体包括：
针对每个障碍物，根据前一历史时刻该障碍物的状态信息，预测后一历史时刻该障碍物的状态信息，并将所述后一历史时刻各障碍物的状态信息输入到待训练的第一模型，得到所述待训练的第一模型根据所述后一历史时刻各障碍物的状态信息输出的概率分布图；
针对各障碍物中的待预测障碍物，将前一历史时刻该待预测障碍物的状态信息、根据所述后一历史时刻各障碍物的状态信息输出的概率分布图输入到待训练的第二模型，以使所述待训练的第二模型输出后一历史时刻该待预测障碍物的预测轨迹；
确定后一历史时刻该待预测障碍物的真实轨迹与所述后一历史时刻该待预测障碍物的预测轨迹之间的差异；确定各障碍物中除待预测障碍物以外的至少一个其他障碍物在所述后一历史时刻该待预测障碍物的预测轨迹上出现的概率，作为损失概率；
以差异最小化，损失概率最低为训练目标，调整所述待训练的第一模型的输入层内的模型参数，以及所述待训练的第二模型的编码层和解码层的模型参数。
7.如权利要求6所述的方法，其特征在于，确定各障碍物中除待预测障碍物以外的至少一个其他障碍物在所述后一历史时刻该待预测障碍物的预测轨迹上出现的概率，具体包括：
确定所述待训练的第一模型输出的概率分布图对应的矩阵，作为概率矩阵；
确定所述待训练的第二模型中编码层所提取的第二特征对应的矩阵，作为第二矩阵；
确定所述后一历史时刻该待预测障碍物的预测轨迹的特征向量，作为预测轨迹向量；
根据所述概率矩阵、所述第二矩阵、所述预测轨迹向量的乘积，确定各障碍物中除待预测障碍物以外的至少一个其他障碍物在所述后一历史时刻该待预测障碍物的预测轨迹上出现的概率。
8.一种障碍物的轨迹预测装置，其特征在于，包括：
获取模块，用于针对每个障碍物，获取当前时刻该障碍物的状态信息；
确定模块，用于根据所述当前时刻该障碍物的状态信息，预测下一时刻该障碍物的状态信息；
输入模块，用于将所述下一时刻各障碍物的状态信息输入到预先训练的第一模型，得到所述第一模型根据所述下一时刻各障碍物的状态信息输出的概率分布图；
预测模块，用于针对各障碍物中的待预测障碍物，将当前时刻该待预测障碍物的状态信息、所述概率分布图输入到预先训练的第二模型，以使所述第二模型根据所述当前时刻该待预测障碍物的状态信息、所述概率分布图预测下一时刻该待预测障碍物的轨迹。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-7任一项所述的方法。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1-7任一项所述的方法。
一种障碍物的轨迹预测方法及装置
技术领域
背景技术
[0002] 目前，车辆的智能化作为人工智能技术的重要组成部分，在社会生产、生活中的作用日益凸显，成为引导交通技术发展的主要方向之一。
[0003] 在对无人车及具有辅助驾驶功能的车辆（以下统称“车辆”）进行路径规划时，为了使车辆安全行驶，需要车辆避开周围的障碍物。障碍物包括静态障碍物和动态障碍物，由于静态障碍物静止不动，使车辆避开静态障碍物很容易。但是，若使车辆准确地避开动态障碍物，则需要对动态障碍物未来的行驶轨迹进行预测。
[0004] 在现有技术中，仅根据历史时刻动态障碍物的状态信息，对动态障碍物未来的行驶轨迹进行预测。由于实际的交通状况比较复杂，多个动态障碍物之间、动态障碍物与车辆之间均可能存在交互（比如，一个动态障碍物的运动状态会受到与之距离较近的另一个动态障碍物或车辆的运动状态的影响等），因此，通过上述方式预测动态障碍物未来的行驶轨迹准确度较差，导致车辆路径规划的结果缺乏合理性。发明内容
[0005] 本说明书实施例提供一种障碍物的轨迹预测方法及装置，以部分解决上述现有技术存在的问题。
[0006] 本说明书实施例采用下述技术方案：本说明书提供的一种障碍物的轨迹预测方法，包括：
针对每个障碍物，获取当前时刻该障碍物的状态信息；
根据所述当前时刻该障碍物的状态信息，预测下一时刻该障碍物的状态信息；
将所述下一时刻各障碍物的状态信息输入到预先训练的第一模型，得到所述第一模型根据所述下一时刻各障碍物的状态信息输出的概率分布图；其中，所述概率分布图中每个像素点用于表征至少一个障碍物在该像素点出现的概率；
针对各障碍物中的待预测障碍物，将当前时刻该待预测障碍物的状态信息、所述概率分布图输入到预先训练的第二模型，以使所述第二模型根据所述当前时刻该待预测障碍物的状态信息、所述概率分布图预测下一时刻该待预测障碍物的轨迹。
针对每个障碍物，获取当前时刻该障碍物的状态信息；
根据所述当前时刻该障碍物的状态信息，预测下一时刻该障碍物的状态信息；
将所述下一时刻各障碍物的状态信息输入到预先训练的第一模型，得到所述第一模型根据所述下一时刻各障碍物的状态信息输出的概率分布图；其中，所述概率分布图中每个像素点用于表征至少一个障碍物在该像素点出现的概率；
针对各障碍物中的待预测障碍物，将当前时刻该待预测障碍物的状态信息、所述概率分布图输入到预先训练的第二模型，以使所述第二模型根据所述当前时刻该待预测障碍物的状态信息、所述概率分布图预测下一时刻该待预测障碍物的轨迹。
[0007] 可选的，所述下一时刻该障碍物的状态信息包括：基础状态信息和加扰状态信息；根据所述当前时刻该障碍物的状态信息，预测下一时刻该障碍物的状态信息，具体包括：根据所述当前时刻该障碍物的状态信息，预测下一时刻该障碍物的基础状态信息；对所述基础状态信息加扰，得到加扰状态信息。
[0008] 可选的，对所述基础状态信息加扰，得到加扰状态信息，具体包括：根据所述基础状态信息，确定该障碍物的基础坐标；根据所述基础坐标，确定所述基础坐标的指定邻域，其中，该障碍物在所述指定邻域内的每个点出现的概率服从正态分布；根据所述基础坐标、所述指定邻域内的每个点的坐标、该障碍物在所述指定邻域内的每个点出现的概率，确定加扰状态信息。
[0009] 可选的，所述第一模型至少包括输入层；将所述下一时刻各障碍物的状态信息输入到预先训练的第一模型，得到所述第一模型根据所述下一时刻各障碍物的状态信息输出的概率分布图，具体包括：将所述基础状态信息和所述加扰状态信息输入到预先训练的第一模型中的输入层，以使所述输入层根据所述输入层内的模型参数对所述基础状态信息和所述加扰状态信息处理，得到初始变量，以便所述第一模型根据所述初始变量输出概率分布图。
[0010] 可选的，所述第二模型包括编码层和解码层；将当前时刻该待预测障碍物的状态信息、所述概率分布图输入到预先训练的第二模型，具体包括：将当前时刻该待预测障碍物的状态信息、所述概率分布图输入到预先训练的第二模型中的编码层，以使所述编码层根据所述当前时刻该待预测障碍物的状态信息提取第一特征和第二特征，并根据所述第二特征和所述概率分布图，去除所述概率分布图中包含的该待预测障碍物在每个像素点出现的概率，并将去除概率后的概率分布图作为调整概率分布图；将所述第一特征、所述调整概率分布图输入到所述解码层。
[0011] 可选的，预先训练第一模型，以及预先训练第二模型，具体包括：针对每个障碍物，根据所述前一历史时刻该障碍物的状态信息，预测后一历史时刻该障碍物的状态信息，并将所述后一历史时刻各障碍物的状态信息输入到待训练的第一模型，得到所述待训练的第一模型根据所述后一历史时刻各障碍物的状态信息输出的概率分布图；针对各障碍物中的待预测障碍物，将前一历史时刻该待预测障碍物的状态信息、根据所述后一历史时刻各障碍物的状态信息输出的概率分布图输入到待训练的第二模型，以使所述待训练的第二模型输出后一历史时刻该待预测障碍物的预测轨迹；确定后一历史时刻该待预测障碍物的真实轨迹与所述后一历史时刻该待预测障碍物的预测轨迹之间的差异；确定各障碍物中除待预测障碍物以外的至少一个其他障碍物在所述后一历史时刻该待预测障碍物的预测轨迹上出现的概率，作为损失概率；以差异最小化，损失概率最低为训练目标，调整所述待训练的第一模型的输入层内的模型参数，以及所述待训练的第二模型的编码层和解码层的模型参数。
[0012] 可选的，确定各障碍物中除待预测障碍物以外的至少一个其他障碍物在所述后一历史时刻该待预测障碍物的预测轨迹上出现的概率，具体包括：确定所述待训练的第一模型输出的概率分布图对应的矩阵，作为概率矩阵；确定所述待训练的第二模型中编码层所提取的第二特征对应的矩阵，作为第二矩阵；确定所述后一历史时刻该待预测障碍物的预测轨迹的特征向量，作为预测轨迹向量；根据所述概率矩阵、所述第二矩阵、所述预测轨迹向量的乘积，确定各障碍物中除待预测障碍物以外的至少一个其他障碍物在所述后一历史时刻该待预测障碍物的预测轨迹上出现的概率。
[0013] 本说明书提供的一种障碍物的轨迹预测装置，包括：获取模块，用于针对每个障碍物，获取当前时刻该障碍物的状态信息；
确定模块，用于根据所述当前时刻该障碍物的状态信息，预测下一时刻该障碍物的状态信息；
输入模块，用于将所述下一时刻各障碍物的状态信息输入到预先训练的第一模型，得到所述第一模型根据所述下一时刻各障碍物的状态信息输出的概率分布图；
预测模块，用于针对各障碍物中的待预测障碍物，将当前时刻该待预测障碍物的状态信息、所述概率分布图输入到预先训练的第二模型，以使所述第二模型根据所述当前时刻该待预测障碍物的状态信息、所述概率分布图预测下一时刻该待预测障碍物的轨迹。
确定模块，用于根据所述当前时刻该障碍物的状态信息，预测下一时刻该障碍物的状态信息；
输入模块，用于将所述下一时刻各障碍物的状态信息输入到预先训练的第一模型，得到所述第一模型根据所述下一时刻各障碍物的状态信息输出的概率分布图；
预测模块，用于针对各障碍物中的待预测障碍物，将当前时刻该待预测障碍物的状态信息、所述概率分布图输入到预先训练的第二模型，以使所述第二模型根据所述当前时刻该待预测障碍物的状态信息、所述概率分布图预测下一时刻该待预测障碍物的轨迹。
[0014] 本说明书提供的一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述障碍物的轨迹预测方法。
[0016] 本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：本说明书实施例根据当前时刻各障碍物的状态信息预测下一时刻各障碍物的状态信息，并通过下一时刻各障碍物的状态信息得到第一模型输出的各障碍物的概率分布图，然后根据概率分布图以及当前时刻待预测障碍物的状态信息使第二模型输出下一时刻该待预测障碍物的轨迹。本说明书实施例通过概率分布图来表征各障碍物之间的交互结果，在对待预测障碍物的轨迹进行预测时，考虑了各障碍物之间的交互对待预测障碍物未来轨迹的影响，还无需对各障碍物之间的交互进行建模，当处于交通状况较为复杂的环境中时，也能对障碍物未来的行驶轨迹进行更准确的预测。
附图说明
附图说明
[0017] 此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书实施例提供的一种障碍物的轨迹预测方法的系统架构示意图；
图2为本说明书实施例提供的一种障碍物的轨迹预测方法的流程示意图；
图3为本说明书实施例提供的一个障碍物行驶时间t后形成的行驶区域H的示意图；
图4为本说明书实施例提供的一种障碍物的轨迹预测装置的结构示意图；
图5为本说明书实施例提供的电子设备的结构示意图。
图1为本说明书实施例提供的一种障碍物的轨迹预测方法的系统架构示意图；
图2为本说明书实施例提供的一种障碍物的轨迹预测方法的流程示意图；
图3为本说明书实施例提供的一个障碍物行驶时间t后形成的行驶区域H的示意图；
图4为本说明书实施例提供的一种障碍物的轨迹预测装置的结构示意图；
图5为本说明书实施例提供的电子设备的结构示意图。
具体实施方式
[0018] 在对障碍物未来的行驶轨迹进行预测时，为了提高预测的准确性，除了考虑当前时刻该障碍物的状态信息，还需要考虑与之交互的其他障碍物对该障碍物的影响。现有技术也存在将障碍物与其他障碍物之间的交互纳入考量的预测轨迹方法，这种方法需要采用对障碍物与其他障碍物之间的交互进行建模。但是，对障碍物与其他障碍物之间的交互进行建模非常复杂，若是建模不当，势必会影响对障碍物轨迹预测的准确性。
[0019] 为了在考量障碍物之间的交互对轨迹预测的影响的同时，解决对障碍物之间的交互进行建模较为复杂的问题，在本说明书中，采用概率的形式，确定各障碍物交互后的结果，而不注重障碍物之间的交互过程，然后根据各障碍物交互后的结果来预测轨迹。具体的可确定在一定区域内，各障碍物交互之后，至少一个障碍物在该区域的任一坐标点出现的概率。因此，在对某一障碍物的轨迹进行预测时，只需尽可能使该障碍物避开概率高的坐标点，使其沿着概率低的坐标点行驶即可。由于本说明书提供的上述方法只注重障碍物之间交互的结果，不注重障碍物之间的具体交互过程，因此既充分考虑了各障碍物之间的交互对轨迹预测的影响，还无需对障碍物与障碍物之间的交互进行建模。
[0020] 为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。
[0021] 以下结合附图，详细说明本说明书各实施例提供的技术方案。
[0022] 在本说明书实施例中，可采用如图1所示的系统架构对障碍物的轨迹进行预测，该系统架构主要包括第一模型和第二模型。其中，第一模型至少包括输入层，第二模型包括编码层和解码层。
[0023] 针对每个障碍物，根据当前时刻该障碍物的状态信息，预测下一时刻该障碍物的基础状态信息，并对基础状态信息加扰得到下一时刻该障碍物的加扰状态信息。将预测得到的下一时刻各障碍物的状态信息（即，基础状态信息和加扰状态信息）输入到第一模型中的输入层，得到输入层根据下一时刻各障碍物的状态信息输出的初始变量，以使第一模型根据初始变量输出概率分布图。从各障碍物中确定一个待预测障碍物，将当前时刻该待预测障碍物的状态信息和第一模型输出的概率分布图输入到第二模型中的编码层，以使编码层根据当前时刻该待预测障碍物的状态信息提取第一特征和第二特征，并根据第二特征和概率分布图得到去除该待预测障碍物影响的调整概率分布图，将调整概率分布图和第一特征输入到第二模型中的解码层，以使解码层输出下一时刻该待预测障碍物的轨迹。
[0024] 下面将结合附图，对上述过程进行详细说明。如图2所示，图2为本说明书提供的一种障碍物的轨迹预测方法的流程示意图，该流程示意图包括：S100：针对每个障碍物，获取当前时刻该障碍物的状态信息。
[0025] 当前时刻该障碍物的状态信息可通过障碍物自身安装的传感器采集，也可通过该障碍物的控制系统获取，还可通过与该障碍物交互的其他障碍物（比如，车辆）上的设备采集。另外，状态信息还可通过云端设备基于该障碍物所处的位置来确定。总之，获取当前时刻障碍物的状态信息的方式有多种，本说明书实施例对此不作限制。其中，当前时刻该障碍物的状态信息可为：该障碍物当前所处的世界坐标（x0,y0）、该障碍物当前的速度（v0）、该障碍物当前的加速度（a）等。可将当前时刻该障碍物的状态信息记为O0={x0,y0,v0,a}。
[0026] S102：根据当前时刻该障碍物的状态信息，预测下一时刻该障碍物的状态信息。
[0027] 获取当前时刻该障碍物的状态信息之后，可对下一时刻该障碍物的状态信息进行预测。若以该障碍物的行驶为匀加速直线运动进行预测，则可通过匀加速直线运动的公式s(t)=v0t+1/2at2，其中，s(t)代表位移，t代表时间；根据该公式获取下一时刻该障碍物的世界坐标（x1,y1）、下一时刻该障碍物的速度（v1）以及下一时刻该障碍物的加速度（a）等信息，即，可将下一时刻该障碍物的状态信息记为O1={x1,y1,v1,a}。通过匀加速直线运动的公式预测下一时刻该障碍物的状态信息的具体计算过程为现有技术，该处不再赘述。此外，也可以该障碍物的行驶为匀速直线运动来预测下一时刻该障碍物的状态信息，当然，该障碍物的行驶还可为其他的运动形式，本说明书实施例对此不作限制。
[0028] S104：将下一时刻各障碍物的状态信息输入到预先训练的第一模型，得到第一模型根据下一时刻各障碍物的状态信息输出的概率分布图；其中，概率分布图中每个像素点用于表征至少一个障碍物在该像素点出现的概率。
[0029] 如图3所示，当其中一个障碍物（如，障碍物A）从当前时刻行驶到下一时刻的过程中，障碍物A行驶了一段轨迹，由于障碍物A自身具有一定的尺寸，那么障碍物A行驶的这段轨迹实际是具有一定宽度和长度的行驶区域H，该行驶区域H可以图片的形式展示。通过该种方式，可获取下一时刻各障碍物分别对应的行驶区域。然后，可将下一时刻各障碍物的状态信息分别对应的行驶区域以图片的形式输入到预先训练的第一模型，得到第一模型输出的概率分布图，概率分布图中每个像素点用于表征至少一个障碍物在该像素点出现的概率。具体的，概率分布图可以热图的形式进行展示。即，热图中越是高亮的地方代表至少一个障碍物在这里出现的概率比较大；反之，则出现的概率比较小。本说明书实施例中的概率分布图将所有障碍物作为一个整体，展示了所有障碍物共同作用下，至少一个障碍物在其中每个像素点出现的概率。
[0030] S106：针对各障碍物中的待预测障碍物，将当前时刻该待预测障碍物的状态信息、概率分布图输入到预先训练的第二模型，以使第二模型根据当前时刻该待预测障碍物的状态信息、概率分布图预测下一时刻该待预测障碍物的轨迹。
[0031] 如前所述，概率分布图考虑了所有障碍物共同作用下，至少一个障碍物在概率分布图中的每个像素点出现的概率。因此，在对待预测障碍物的未来轨迹进行预测时，本说明书实施例还考虑到概率分布图对待预测障碍物行驶的影响。即，在待预测障碍物行驶的过程中，最好是避开概率分布图中障碍物出现的概率比较高的地方，这样才能保证待预测障碍物行驶的稳定性和安全性。总之，本说明书实施例在对未来轨迹进行预测时，既考虑了当前时刻待预测障碍物的状态信息，又考虑了下一时刻各障碍物的分布概率（即，考虑了各障碍物之间的相互影响），极大地提高了对待预测障碍物未来轨迹预测的准确性。需要说明的是，待预测障碍物可为上述各障碍物中的任意一个，也即，本说明书实施例能够对各障碍物中的任意一个障碍物的未来轨迹进行预测。
[0032] 在图2所述的S102中，由于每个障碍物下一时刻的状态信息都是预测得出的，但实际的交通状况却比较复杂，因此，在障碍物的实际行驶过程中，预测的状态信息会有偏差（比如，当障碍物为车辆时，控制车辆的司机临时改变车辆的直行状态，使车辆拐弯；或者障碍物的临时加速、减速等）。为了提高轨迹预测的准确性，则需要对预测的状态信息进行修正。具体的，可根据当前时刻该障碍物的状态信息，预测下一时刻该障碍物的基础状态信息；对基础状态信息加扰，得到加扰状态信息。此时，该处的基础状态信息则可为上述提到的O1={x1,y1,v1,a}。那么，下一时刻该障碍物的状态信息包括：基础状态信息和加扰状态信息。
[0033] 尽管障碍物在实际行驶过程中，仅根据当前时刻该障碍物的状态信息对下一时刻的状态信息进行预测会出现偏差，但是，该障碍物保持原来行驶状态的概率还是最大的，因此，在对基础信息加扰时，可通过正态分布曲线获取加扰状态信息。对基础状态信息加扰的具体实现方式可为：根据基础状态信息，确定该障碍物的基础坐标；根据基础坐标，确定基础坐标的指定邻域，其中，该障碍物在指定邻域内的每个点出现的概率服从正态分布；根据基础坐标、指定邻域内的每个点的坐标、该障碍物在指定邻域内的每个点出现的概率，确定加扰状态信息。此时，该障碍物在指定邻域内的每个点出现的概率即为服从正态分布曲线的随机变量X，基础坐标则为该正态分布曲线中的均值，那么X~N(（x1,y1）,σ12)。通过正态分布曲线，则可获得加扰状态信息，加扰状态信息可为满足正态分布曲线的所有点所覆盖的行驶区域N，此时，行驶区域N（即，加扰状态信息）是对上述预测的行驶区域H（即，基础状态信息）的修正。将行驶区域H定义为基础行驶区域H，将行驶区域N定义为加扰行驶区域N。加扰行驶区域N也可以图片的形式展示。
[0034] 在图2所述的S104中，第一模型至少包括输入层。将基础状态信息（即，对应于基础行驶区域H）和加扰状态信息（即，对应于加扰行驶区域N）输入该输入层，即，输入层被输入了两个输入信息，并根据输入层内的模型参数对基础状态信息和加扰状态信息这两个输入信息分别进行处理，得到初始变量，以便第一模型根据初始变量输出概率分布图。
[0035] 继续沿用上例，由于X~N(（x1,y1）,σ12)，其中的均值（x1,y1）可通过预测得到，但是其中的方差σ12是未知的，即，正态分布中的输入值[（x1,y1）,σ12]不确定，相应的，会导致输入层获取的加扰状态信息N(（x1,y1）,σ12)也不确定。为了明确正态分布中的输入值，简化计2
算方式，可将上述的正态分布曲线转换成标准正态分布曲线。具体的转换方式为：使方差σ1为1，即，使X~N(（x1,y1）,1)，此时的输入值为[（x1,y1）,1]，是确定的值，相应的，输入层获取的加扰状态信息N(（x1,y1）,1)也为确定的值。另外，当障碍物的速度非常快时，仅靠标准正态分布曲线修正可能还不够准确，因此可对N(（x1,y1）,1)设置指数φ（定义为，指定模型参
2 φ 2
数），并使指定模型参数φ=1/σ1。即，用X N(（x1,y1）,1) 对X N(（x1,y1）,σ1)进行进一步的~ ~
修正。
算方式，可将上述的正态分布曲线转换成标准正态分布曲线。具体的转换方式为：使方差σ1为1，即，使X~N(（x1,y1）,1)，此时的输入值为[（x1,y1）,1]，是确定的值，相应的，输入层获取的加扰状态信息N(（x1,y1）,1)也为确定的值。另外，当障碍物的速度非常快时，仅靠标准正态分布曲线修正可能还不够准确，因此可对N(（x1,y1）,1)设置指数φ（定义为，指定模型参
2 φ 2
数），并使指定模型参数φ=1/σ1。即，用X N(（x1,y1）,1) 对X N(（x1,y1）,σ1)进行进一步的~ ~
修正。
[0036] 通过上述方式确定基础状态信息和加扰状态信息后，便可通过输入层内的模型参数对基础状态信息和加扰状态信息处理，得到初始变量。具体的，将下一时刻各障碍物的基础状态信息和加扰状态信息输入到第一模型中的输入层，以使所述输入层通过输入层内的模型参数对所述下一时刻各障碍物的基础状态信息和加扰状态信息加权求和；获取加权求和后的状态信息，作为下一时刻各障碍物的综合状态信息，即初始变量。
[0037] 进一步的，为了提高预测的准确性，输入层还对基础状态信息设置了基础模型参数α，对加扰状态信息设置了加扰模型参数γ，通过模型参数得到初始变量G=α*H+γ*Nφ。将得到的初始变量G输入到第一模型的下一层处理，第一模型的下一层根据初始变量G输出概率分布图。
[0038] 在图2所述的S106中，第二模型包括编码层和解码层。如图1所示，编码层得到当前时刻该待预测障碍物的状态信息、概率分布图，并根据当前时刻该待预测障碍物的状态信息提取第一特征和第二特征。其中，第一特征为与该待预测障碍物的状态信息相关的特征；第二特征为该待预测障碍物在概率分布图中的相关特征，具体可为该待预测障碍物信息的过滤掩码。如前所述，概率分布图包含了待预测障碍物和其他障碍物出现的概率，在对待预测障碍物的未来轨迹进行预测时，为了合理避障，需要参考概率分布图中其他障碍物出现的概率，但是无需考虑待预测障碍物本身出现的概率。简言之，待预测障碍物在行驶时，需要避开的是其他障碍物，而不是障碍物自身。因此，需编码层根据第二特征和概率分布图，去除概率分布图中包含的该待预测障碍物在每个像素点出现的概率，并将去除概率后的概率分布图作为调整概率分布图，即，去除了待预测障碍物在概率分布图中的影响，以使待预测障碍物根据去除自身影响的调整概率分布图来预测轨迹。
[0039] 具体的，编码层先对提取的第一特征编码，然后对调整概率分布图编码，将编码后的第一特征和调整概率分布图结合，并将结合后的第一特征和调整概率分布图输入到解码层，解码层对结合后的第一特征和调整概率分布图进行解码并处理，然后输出下一时刻该待预测障碍物的预测轨迹。
[0040] 本说明书在对待预测障碍物未来轨迹进行预测时，除了参考当前时刻该障碍物的状态信息，还考虑了概率分布图对未来轨迹的影响。但是，预先对第一模型进行训练时，并没有概率分布图的样本可参考。因此，本说明书实施例将第一模型和第二模型同时训练，即，在第一模型和第二模型同时训练的过程中生成概率分布图。
[0041] 预先训练第一模型和第二模型，具体包括：针对每个障碍物，根据前一历史时刻该障碍物的状态信息，预测后一历史时刻该障碍物的状态信息，并将后一历史时刻各障碍物的状态信息输入到待训练的第一模型，得到待训练的第一模型根据后一历史时刻各障碍物的状态信息输出的概率分布图。针对各障碍物中的待预测障碍物，将前一历史时刻该待预测障碍物的状态信息、根据后一历史时刻各障碍物的状态信息输出的概率分布图输入到待训练的第二模型，以使待训练的第二模型输出后一历史时刻该待预测障碍物的预测轨迹。然后，确定后一历史时刻该待预测障碍物的真实轨迹与后一历史时刻该待预测障碍物的预测轨迹之间的差异；确定各障碍物中除待预测障碍物以外的至少一个其他障碍物在后一历史时刻该待预测障碍物的预测轨迹上出现的概率，作为损失概率。此时，前一历史时刻该障碍物的状态信息和后一历史时刻该待预测障碍物的真实轨迹可从历史数据中获取，其中，历史数据可为驾驶专家在不同路况环境下驾驶车辆时的车辆状态信息以及轨迹信息。在模型的训练过程中，当第二模型输出的预测轨迹与历史数据中真实轨迹越相似，说明模型的训练效果越好；同时，各障碍物中除待预测障碍物以外的至少一个其他障碍物在后一历史时刻该待预测障碍物的预测轨迹上出现的概率越低（也即，第二模型输出的预测轨迹所覆盖的点在调整概率分布图中出现的概率越低），代表待预测障碍物越不会与其他障碍物发生碰撞，说明模型的准确性更高。因此，可以差异最小化，损失概率最低为训练目标，调整待训练的第一模型的输入层内的基础模型参数、加扰模型参数、指定模型参数等模型参数，以及待训练的第二模型的编码层和解码层的模型参数。
[0042] 进一步的，可确定待训练的第一模型输出的概率分布图对应的矩阵，作为概率矩阵R；确定待训练的第二模型中编码层所提取的第二特征对应的矩阵，作为第二矩阵M(I)；确定后一历史时刻该待预测障碍物的预测轨迹的特征向量，作为预测轨迹向量P。并根据概率矩阵R、第二矩阵M(I)、预测轨迹向量P的乘积，确定各障碍物中除待预测障碍物以外的至少一个其他障碍物在所述后一历史时刻该待预测障碍物的预测轨迹上出现的概率。
[0043] 需要说明的是，在对模型进行训练时，为了提高模型预测的准确性，可将各障碍物一一作为待预测障碍物获取相关信息。获取相关信息后，可通过下面的公式确定损失，具体可为：其中，N代表同一场景下各障碍物的总数量；w1代表一个权重系数，Pi代表一个待预测障碍物的预测轨迹对应的预测轨迹向量；GTi代表一个待预测障碍物的真实轨迹对应的真i
实轨迹向量；w2也代表一个权重系数；R代表概率分布图对应的概率矩阵；M(I)代表一个待预测障碍物第二特征对应的第二矩阵。
实轨迹向量；w2也代表一个权重系数；R代表概率分布图对应的概率矩阵；M(I)代表一个待预测障碍物第二特征对应的第二矩阵。
[0044] 由上述公式可知，Pi与GTi之间的差值越小，表征第二模型输出的预测轨迹与历史数据中真实轨迹越相似，可通过该部分对第二模型的训练过程进行约束。R与M(Ii)点乘，代表了各障碍物中除待预测障碍物以外的至少一个其他障碍物在概率分布图中每个像素点出现的概率（即，上述的调整概率分布图），将调整概率分布图对应的矩阵[即 ]继续与Pi点乘，则表征各障碍物中除待预测障碍物以外的至少一个其他障碍物在所述该待预测障碍物的预测轨迹上出现的概率（定义为损失概率），即损失概率 的数值越小，代表待预测障碍物与其他障碍物碰撞的概率越低，通过该部分对第一模型和第二模型的训练同时进行约束。本说明书实施例可以该损 失公式输出的数值最小化为训练目标，调整所述待训练的第一模型的输入层内的模型参数，以及所述待训练的第二模型的编码层和解码层的模型参数。
[0045] 需要说明的是，在对待预测障碍物的未来轨迹进行预测、以及对第一模型和第二模型预先训练时，既可以根据一个时刻的状态信息，预测下一时刻的状态信息；还可以根据多个时刻的状态信息，预测以后多个时刻的状态信息。下面将对通过多个时刻的状态信息，对轨迹进行预测等过程进行具体描述。
[0046] 以通过历史数据对第一模型和第二模型进行训练，并且障碍物的运动为匀加速直线运动，同时输入六个时刻的状态信息为例。首先，分别获取历史上t1、t2、t3、t4、t5、t6六个时刻的状态信息，其中各时刻的发生顺序依次为t1、t2、t3、t4、t5、t6，即，t1早于t6，获取的状态信息见下表。根据t1时刻的状态信息，预测历史时刻t1’的状态信息，依次类推，根据t6时刻的状态信息，预测t6’时刻的状态信息，具体见下表。各时刻的发生顺序依次为t1、t2、t3、t4、t5、t6、t1’、t2’、t3’、t4’、t5’、t6’，即，t6早于t1’。
[0047] 可将t1’、t2’、t3’、t4’、t5’、t6’六个历史时刻预测的状态信息输入到待训练的第一模型，得到待训练的第一模型输出的概率分布图。如前所述，可分别形成t1’、t2’、t3’、t4’、t5’、t6’六个历史时刻预测的状态信息分别对应的行驶区域H1、H2、H3、H4、H5、H6。具体的，可将行驶区域H1、H2、H3、H4、H5、H6以图片的方式同时输入到待训练的第一模型，得到待训练的第一模型输出的概率分布图（对应六个时刻）。在对后一历史时刻待预测障碍物的轨迹进行预测时，也可以输入六个历史时刻待预测障碍物的状态信息，该处不再赘述。另外，训练好的第一模型和第二模型在线上实际应用时，也可根据六个时刻障碍物的状态信息获取相关数据。
[0048]在本说明书实施例中，第一模型可为卷积神经网络（Convolutional Neural
Networks，CNN），第二模型也可为卷积神经网络CNN。当然，第一模型和第二模型也可以采用其他网络，本说明书实施例对此不作限制。
Networks，CNN），第二模型也可为卷积神经网络CNN。当然，第一模型和第二模型也可以采用其他网络，本说明书实施例对此不作限制。
[0049] 本说明书实施例根据当前时刻各障碍物的状态信息预测下一时刻各障碍物的状态信息，并通过下一时刻各障碍物的状态信息得到第一模型输出的各障碍物的概率分布图。该概率分布图将各障碍物作为一个整体，展示了所有障碍物共同作用下，至少一个障碍物在其中每个像素点出现的概率。根据概率分布图以及当前时刻待预测障碍物的状态信息使第二模型输出下一时刻该待预测障碍物的轨迹。本说明书实施例通过概率分布图来表征各障碍物之间的交互结果，在对待预测障碍物的轨迹进行预测时，考虑了各障碍物之间的交互对待预测障碍物未来轨迹的影响，还省去了对各障碍物之间交互的建模过程，过程简便且模型的准确性更高。当处于交通状况较为复杂的环境中时，也能对障碍物未来的行驶轨迹进行更准确的预测。
[0050] 本说明书实施例提供的障碍物的轨迹预测方法能够预测出障碍物在未来如何行驶，便于车辆准确避障。障碍物还可为车辆本身，此时，预测障碍物的未来轨迹即为车辆本身的路径规划。该方法还可用于云端设备对各障碍物的跟踪。当然，还可应用于其他领域，本说明书实施例对此不作限制。
[0051] 本说明书提供的上述障碍物的轨迹预测方法具体可应用于针对无人车的路径规划或者无人车的避障。无人车可以为无人配送车，该无人配送车可以应用于使用无人配送车进行配送的领域，如，使用无人配送车进行快递、外卖等配送的场景。具体的，在上述的场景中，可使用多个无人配送车所构成的自动驾驶车队进行配送。
[0052] 以上为本说明书实施例提供的障碍物的轨迹预测方法，基于同样的思路，本说明书还提供了相应的装置、存储介质和电子设备。
[0053] 图4为本说明书实施例提供的一种障碍物的轨迹预测装置的结构示意图，所述装置包括：获取模块200，用于针对每个障碍物，获取当前时刻该障碍物的状态信息；
确定模块202，用于根据所述当前时刻该障碍物的状态信息，预测下一时刻该障碍物的状态信息；
输入模块204，用于将所述下一时刻各障碍物的状态信息输入到预先训练的第一模型，得到所述第一模型根据所述下一时刻各障碍物的状态信息输出的概率分布图；
预测模块206，用于针对各障碍物中的待预测障碍物，将当前时刻该待预测障碍物的状态信息、所述概率分布图输入到预先训练的第二模型，以使所述第二模型根据所述当前时刻该待预测障碍物的状态信息、所述概率分布图预测下一时刻该待预测障碍物的轨迹。
确定模块202，用于根据所述当前时刻该障碍物的状态信息，预测下一时刻该障碍物的状态信息；
输入模块204，用于将所述下一时刻各障碍物的状态信息输入到预先训练的第一模型，得到所述第一模型根据所述下一时刻各障碍物的状态信息输出的概率分布图；
预测模块206，用于针对各障碍物中的待预测障碍物，将当前时刻该待预测障碍物的状态信息、所述概率分布图输入到预先训练的第二模型，以使所述第二模型根据所述当前时刻该待预测障碍物的状态信息、所述概率分布图预测下一时刻该待预测障碍物的轨迹。
[0054] 可选的，所述下一时刻该障碍物的状态信息包括：基础状态信息和加扰状态信息；所述确定模块202，具体用于根据所述当前时刻该障碍物的状态信息，预测下一时刻该障碍物的基础状态信息；对所述基础状态信息加扰，得到加扰状态信息。
[0055] 可选的，所述确定模块202，还用于根据所述基础状态信息，确定该障碍物的基础坐标；根据所述基础坐标，确定所述基础坐标的指定邻域，其中，该障碍物在所述指定邻域内的每个点出现的概率服从正态分布；根据所述基础坐标、所述指定邻域内的每个点的坐标、该障碍物在所述指定邻域内的每个点出现的概率，确定加扰状态信息。
[0056] 可选的，所述第一模型至少包括输入层；所述输入模块204，具体用于将所述基础状态信息和所述加扰状态信息输入到预先训练的第一模型中的输入层，以使所述输入层根据所述输入层内的模型参数对所述基础状态信息和所述加扰状态信息处理，得到初始变量，以便所述第一模型根据所述初始变量输出概率分布图。
[0057] 可选的，所述第二模型包括编码层和解码层；所述预测模块206，具体用于将当前时刻该待预测障碍物的状态信息、所述概率分布图输入到预先训练的第二模型中的编码层，以使所述编码层根据所述当前时刻该待预测障碍物的状态信息提取第一特征和第二特征，并根据所述第二特征和所述概率分布图，去除所述概率分布图中包含的该待预测障碍物在每个像素点出现的概率，并将去除概率后的概率分布图作为调整概率分布图；将所述第一特征、所述调整概率分布图输入到所述解码层。
[0058] 可选的，所述装置还包括预训练模块208，具体用于针对每个障碍物，根据所述前一历史时刻该障碍物的状态信息，预测后一历史时刻该障碍物的状态信息，并将所述后一历史时刻各障碍物的状态信息输入到待训练的第一模型，得到所述待训练的第一模型根据所述后一历史时刻各障碍物的状态信息输出的概率分布图；针对各障碍物中的待预测障碍物，将前一历史时刻该待预测障碍物的状态信息、根据所述后一历史时刻各障碍物的状态信息输出的概率分布图输入到待训练的第二模型，以使所述待训练的第二模型输出后一历史时刻该待预测障碍物的预测轨迹；
确定后一历史时刻该待预测障碍物的真实轨迹与所述后一历史时刻该待预测障碍物的预测轨迹之间的差异；确定各障碍物中除待预测障碍物以外的至少一个其他障碍物在所述后一历史时刻该待预测障碍物的预测轨迹上出现的概率，作为损失概率；
以差异最小化，损失概率最低为训练目标，调整所述待训练的第一模型的输入层内的模型参数，以及所述待训练的第二模型的编码层和解码层的模型参数。
确定后一历史时刻该待预测障碍物的真实轨迹与所述后一历史时刻该待预测障碍物的预测轨迹之间的差异；确定各障碍物中除待预测障碍物以外的至少一个其他障碍物在所述后一历史时刻该待预测障碍物的预测轨迹上出现的概率，作为损失概率；
以差异最小化，损失概率最低为训练目标，调整所述待训练的第一模型的输入层内的模型参数，以及所述待训练的第二模型的编码层和解码层的模型参数。
[0059] 可选的，所述预训练模块208，还用于确定所述待训练的第一模型输出的概率分布图对应的矩阵，作为概率矩阵；确定所述待训练的第二模型中编码层所提取的第二特征对应的矩阵，作为第二矩阵；确定所述后一历史时刻该待预测障碍物的预测轨迹的特征向量，作为预测轨迹向量；根据所述概率矩阵、所述第二矩阵、所述预测轨迹向量的乘积，确定各障碍物中除待预测障碍物以外的至少一个其他障碍物在所述后一历史时刻该待预测障碍物的预测轨迹上出现的概率。
[0060] 本说明书还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可用于执行上述图2提供的一种障碍物的轨迹预测方法。
[0061] 基于图2所示的障碍物的轨迹预测方法，本说明书实施例还提供了图5所示的电子设备的结构示意图。如图5，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图2所述的障碍物的轨迹预测方法。
[0063] 在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable Gate Array，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware Description Language）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（Ruby Hardware Description Language）等，目前最普遍使用的是VHDL（Very-High-Speed Integrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
[0064] 控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
[0065] 上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0066] 为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
[0067] 本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
[0068] 本说明书是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
[0069] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
[0070] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
[0071] 在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
[0073] 计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0074] 还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0075] 本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
[0076] 本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0077] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种多通道远场语音增强方法 | 2020-05-08 | 54 |
| 一种动脉瘤破裂风险评估方法及系统 | 2020-05-08 | 904 |
| 一种基于复杂网络理论的城市交通异常识别方法 | 2020-05-11 | 352 |
| 一种基于多传感器的大坝安全智能监测与预警系统及方法 | 2020-05-11 | 91 |
| 数据处理方法、装置和目标对象风险监控方法 | 2020-05-08 | 175 |
| 一种转炉冶炼喷溅监控方法、系统、存储介质和设备 | 2020-05-08 | 101 |
| 一种地址信息文本的提取方法及相关设备 | 2020-05-08 | 919 |
| 车辆轨迹异常判断方法及装置 | 2020-05-08 | 247 |
| 基于迫零算法和拓扑结构的相似脆弱性节点选择方法 | 2020-05-08 | 791 |
| 基于深度学习的单目视觉里程计方法及系统 | 2020-05-11 | 492 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈