意图预测方法、装置、设备、介质及产品与流程

本申请涉及智能驾驶，尤其涉及意图预测方法、装置、设备、介质及产品。背景技术：1、在智能驾驶领域，附近道路使用者的未来意图预测对自动驾驶决策至关重要，相比于普通道路场景，停车场中大多数道路是非结构化的，且车辆的意图可能会迅速变化，因此停车场内的意图预测对于自动驾驶车辆而言尤为重要。2、现有技术中考虑通过车辆的端点来确定停车场中的车辆意图，预测不同空停车位和车道作为车辆意图的概率，但当周围有多个空停车位时，不同空停车位和车道作为车辆意图的概率相似，故而无法确定可靠的意图。3、上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。技术实现思路1、本申请的主要目的在于提供一种意图预测方法、装置、设备、介质及产品，旨在提高停车场中车辆意图预测的准确性。2、为实现上述目的，本申请提供一种意图预测方法，所述的方法包括：3、获取当前车辆所处场景的原俯视图像；4、对所述原俯视图像进行处理，得到目标俯视图像，其中，所述目标俯视图像中包括所述当前车辆对应的至少一邻近车辆；5、将所述目标俯视图像输入预设的意图预测模型，得到所述至少一邻近车辆的意图信息，其中，所述意图信息包括泊车状态和/或非泊车状态。6、在一实施例中，所述将所述目标俯视图像输入预设的意图预测模型，得到所述至少一邻近车辆的意图状态信息的步骤之前还包括：7、获取原始样本数据集，其中，所述原始样本数据集中包含若干视频帧图像；8、对所述视频帧图像进行处理，得到目标样本数据集；9、构建神经网络框架，并基于所述目标样本数据集对所述神经网络框架进行训练，得到所述意图预测模型。10、在一实施例中，所述对所述视频帧图像进行处理，得到目标样本数据集的步骤包括：11、对所述视频帧图像进行识别，确定所述视频帧图像中包含的对象类型，其中，所述对象类型包括目标车辆、行驶车辆、车道、停车位以及障碍物中的至少一项；12、通过预设标记规则对所述对象类型进行分类标记处理，得到各分类标记后的视频帧图像；13、对所述各分类标记后的视频帧图像进行栅格化及状态标记处理，得到各栅格化图像及对应的状态标记结果，并根据所述各栅格化图像及对应的状态标记结果构建所述目标样本数据集。14、在一实施例中，所述对所述各分类标记后的视频帧图像进行栅格化及状态标记处理，得到栅格化图像及对应的状态标记结果的步骤包括：15、对所述各分类标记后的视频帧图像进行栅格化处理，得到各栅格化图像；16、对所述各栅格化图像对应的连续预设帧数的视频帧图像中的行驶车辆与停车位的位置关系进行识别；17、若所述各栅格化图像对应的连续预设帧数的视频帧图像中，所述行驶车辆的位置与停车位的距离小于或等于预设阈值，则将所述行驶车辆标记为泊车状态；18、若所述各栅格化图像对应的连续预设帧数的视频帧图像中，所述行驶车辆的位置与停车位的距离大于预设阈值，则将所述行驶车辆标记为非泊车状态。19、在一实施例中，所述神经网络框架包括卷积层及全连接层，所述基于所述目标样本数据集对所述神经网络框架进行训练，得到所述意图预测模型的步骤包括：20、通过所述卷积层对所述目标样本数据集中的各栅格化图像进行特征提取及池化操作，得到第一特征信息；21、通过所述全连接层对所述第一特征信息进行整合，并通过激活函数对整合结果进行转换，得到第一输出概率；22、根据所述第一输出概率，结合所述状态标记结果进行计算，得到第一损失函数；23、根据所述第一损失函数，通过反向传播算法对所述神经网络框架的网络参数进行更新，并返回执行通过所述卷积层对所述各分类标记后的视频帧图像进行特征提取及池化操作的步骤及后续步骤，直至所述神经网络框架收敛，终止训练，得到所述意图预测模型。24、在一实施例中，所述神经网络框架还包括线性投影层，所述基于所述目标样本数据集对所述神经网络框架进行训练，得到所述意图预测模型的步骤还包括：25、对所述目标样本数据集中的各栅格化图像进行分割，得到各分割图像；26、通过所述线性投影层对所述各分割图像进行线性投影，得到各特征向量；27、基于注意力机制，将所述各特征向量与相应的分类向量进行结合并输入编码器，得到第二特征信息；28、通过所述全连接层对所述第二特征信息进行整合，并通过激活函数对整合结果进行转换，得到第二输出概率；29、根据所述第二输出概率，结合所述状态标记结果进行计算，得到第二损失函数；30、根据所述第二损失函数，通过反向传播算法对所述神经网络框架的网络参数进行更新，并返回执行对所述目标样本数据集中的各栅格化图像进行分割的步骤及后续步骤，直至所述神经网络框架收敛，终止训练，得到所述意图预测模型。31、此外，为实现上述目的，本申请还提出一种意图预测装置，所述意图预测装置包括：32、获取模块，用于获取当前车辆所处场景的原俯视图像；33、处理模块，用于对所述原俯视图像进行处理，得到目标俯视图像，其中，所述目标俯视图像中包括所述当前车辆对应的至少一邻近车辆；34、预测模块，用于将所述目标俯视图像输入预设的意图预测模型，得到所述至少一邻近车辆的意图信息，其中，所述意图信息包括泊车状态和/或非泊车状态。35、此外，为实现上述目的，本申请还提出一种意图预测设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上文所述的意图预测方法的步骤。36、此外，为实现上述目的，本申请还提出一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的意图预测方法的步骤。37、此外，为实现上述目的，本申请还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如上文所述的意图预测方法的步骤。38、本申请提出的一个或多个技术方案，至少具有以下技术效果：39、通过获取当前车辆所处场景的原俯视图像；对所述原俯视图像进行处理，得到目标俯视图像，其中，所述目标俯视图像中包括所述当前车辆对应的至少一邻近车辆；将所述目标俯视图像输入预设的意图预测模型，得到所述至少一邻近车辆的意图信息，其中，所述意图信息包括泊车状态和/或非泊车状态，可以根据当前车辆所处场景的原俯视图像，准确预测当前车辆周边的至少一邻近车辆的驾驶意图，确定至少一邻近车辆处于泊车状态或非泊车状态，以便于当前车辆提前作出相应的控制决策，有助于提升车辆行驶过程中的安全性和/或舒适性。技术特征：1.一种意图预测方法，其特征在于，所述方法包括：2.如权利要求1所述的方法，其特征在于，所述将所述目标俯视图像输入预设的意图预测模型，得到所述至少一邻近车辆的意图状态信息的步骤之前还包括：3.如权利要求2所述的方法，其特征在于，所述对所述视频帧图像进行处理，得到目标样本数据集的步骤包括：4.如权利要求3所述的方法，其特征在于，所述对所述各分类标记后的视频帧图像进行栅格化及状态标记处理，得到栅格化图像及对应的状态标记结果的步骤包括：5.如权利要求4所述的方法，其特征在于，所述神经网络框架包括卷积层及全连接层，所述基于所述目标样本数据集对所述神经网络框架进行训练，得到所述意图预测模型的步骤包括：6.如权利要求5所述的方法，其特征在于，所述神经网络框架还包括线性投影层，所述基于所述目标样本数据集对所述神经网络框架进行训练，得到所述意图预测模型的步骤还包括：7.一种意图预测装置，其特征在于，所述装置包括：8.一种意图预测设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如权利要求1至6中任一项所述的意图预测方法的步骤。9.一种存储介质，其特征在于，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的意图预测方法的步骤。10.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的意图预测方法的步骤。技术总结本申请公开了一种意图预测方法、装置、设备、介质及产品，涉及智能驾驶技术领域，所述方法包括：获取当前车辆所处场景的原俯视图像；对原俯视图像进行处理，得到目标俯视图像，其中，目标俯视图像中包括当前车辆对应的至少一邻近车辆；将目标俯视图像输入预设的意图预测模型，得到至少一邻近车辆的意图信息，可以根据当前车辆所处场景的原俯视图像，准确预测当前车辆周边的至少一邻近车辆的驾驶意图，确定至少一邻近车辆处于泊车状态或非泊车状态，以便于当前车辆提前作出相应的控制决策，有助于提升车辆行驶过程中的安全性和/或舒适性。技术研发人员：胡伟龙,陈超越受保护的技术使用者：浙江吉利控股集团有限公司技术研发日：技术公布日：2024/8/16