车辆行为预测方法、装置、基站、存储介质和程序产品与流程

1.本技术涉及计算机技术领域，特别是涉及一种车辆行为预测方法、装置、基站、存储介质和程序产品。


背景技术：

2.随着车辆技术的不断发展，车辆普及程度得到了极大的提高，从而导致道路上的车辆越来越多，发生交通事故的情况也越来越多。因此为了有效避免车辆发生交通事故，故而有必要对车辆在行驶过程中的行为进行预测，以实现提前干预可能发生的交通事故。
3.相关技术中，在对车辆行为进行预测时，大多是通过摄像头连续拍摄各个车辆的多张图片，并通过对各车辆连续的多张图片进行分析，以获得车辆将来的行为。
4.然而，上述技术存在预测的车辆行为不够准确的问题。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够提升预测的车辆行为的准确性的车辆行为预测方法、装置、基站、存储介质和程序产品。
6.第一方面，本技术提供了一种车辆行为预测方法，该方法包括：
7.根据当前时刻相机对视野范围内的待测车辆采集的图像数据，确定待测车辆当前时刻对应的二维检测结果；该二维检测结果包括待测车辆的车辆信息；
8.根据当前时刻激光雷达对视野范围内的待测车辆采集的点云数据，确定待测车辆当前时刻对应的三维检测结果；该三维检测结果包括待测车辆的三维位置信息；
9.根据上述二维检测结果、三维检测结果以及待测车辆所在的道路场景信息，对待测车辆下一时刻的行为进行预测；该待测车辆下一时刻的行为包括下一时刻的行驶方向，该道路场景信息为预设的地图中存储的信息。
10.在其中一个实施例中，上述根据二维检测结果、三维检测结果以及待测车辆所在的道路场景信息，对待测车辆下一时刻的行为进行预测，包括：
11.将三维检测结果映射至二维检测结果中，并对映射后的三维检测结果和二维检测结果进行融合，确定待测车辆对应的融合检测结果；
12.根据融合检测结果以及待测车辆所在的道路场景信息，对待测车辆下一时刻的行为进行预测。
13.在其中一个实施例中，在上述根据融合检测结果以及待测车辆所在的道路场景信息，对待测车辆下一时刻的行为进行预测之前，上述方法还包括：
14.检测预设的信息库中是否存在待测车辆的车辆信息，获得信息检测结果；该信息库中包括车辆信息以及每个车辆信息对应的车辆的历史三维检测结果。
15.在其中一个实施例中，上述根据融合检测结果以及待测车辆所在的道路场景信息，对待测车辆下一时刻的行为进行预测，包括：
16.根据信息检测结果、融合检测结果以及待测车辆所在的道路场景信息，对待测车
辆下一时刻的行为进行预测。
17.在其中一个实施例中，上述根据信息检测结果、融合检测结果以及待测车辆所在的道路场景信息，对待测车辆下一时刻的行为进行预测，包括：
18.若信息库中存在待测车辆的车辆信息，则从信息库中获取待测车辆对应的目标历史三维检测结果；
19.根据目标历史三维检测结果、融合检测结果以及待测车辆所在的道路场景信息，确定待测车辆下一时刻的行为。
20.在其中一个实施例中，上述方法还包括：
21.若信息库中不存在待测车辆的车辆信息，则将当前时刻待测车辆的车辆信息以及待测车辆的三维检测结果添加至信息库中。
22.在其中一个实施例中，上述方法还包括：
23.将预测的待测车辆下一时刻的行为发送至目标车辆，以使目标车辆判断下一时刻是否会与其他车辆发生碰撞；
24.其中，目标车辆为待测车辆中的一个或多个车辆，其他车辆为待测车辆中除目标车辆之外的车辆。
25.第二方面，本技术还提供了一种车辆行为预测装置，该装置包括：
26.第一确定模块，用于根据当前时刻相机对视野范围内的待测车辆采集的图像数据，确定待测车辆当前时刻对应的二维检测结果；该二维检测结果包括待测车辆的车辆信息；
27.第二确定模块，用于根据当前时刻激光雷达对视野范围内的待测车辆采集的点云数据，确定待测车辆当前时刻对应的三维检测结果；该三维检测结果包括待测车辆的三维位置信息；
28.预测模块，用于根据上述二维检测结果、三维检测结果以及待测车辆所在的道路场景信息，对待测车辆下一时刻的行为进行预测；该待测车辆下一时刻的行为包括下一时刻的行驶方向，该道路场景信息为预设的地图中存储的信息。
29.第三方面，本技术还提供了一种路侧基站，包括相机、激光雷达、与相机以及激光雷达均连接的计算机设备，该计算机设备包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
30.根据当前时刻相机对视野范围内的待测车辆采集的图像数据，确定待测车辆当前时刻对应的二维检测结果；该二维检测结果包括待测车辆的车辆信息；
31.根据当前时刻激光雷达对视野范围内的待测车辆采集的点云数据，确定待测车辆当前时刻对应的三维检测结果；该三维检测结果包括待测车辆的三维位置信息；
32.根据上述二维检测结果、三维检测结果以及待测车辆所在的道路场景信息，对待测车辆下一时刻的行为进行预测；该待测车辆下一时刻的行为包括下一时刻的行驶方向，该道路场景信息为预设的地图中存储的信息。
33.第四方面，本技术还提供了一种计算机可读存储介质，该计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
34.根据当前时刻相机对视野范围内的待测车辆采集的图像数据，确定待测车辆当前时刻对应的二维检测结果；该二维检测结果包括待测车辆的车辆信息；
35.根据当前时刻激光雷达对视野范围内的待测车辆采集的点云数据，确定待测车辆当前时刻对应的三维检测结果；该三维检测结果包括待测车辆的三维位置信息；
36.根据上述二维检测结果、三维检测结果以及待测车辆所在的道路场景信息，对待测车辆下一时刻的行为进行预测；该待测车辆下一时刻的行为包括下一时刻的行驶方向，该道路场景信息为预设的地图中存储的信息。
37.第五方面，本技术还提供了一种计算机程序产品，该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
38.根据当前时刻相机对视野范围内的待测车辆采集的图像数据，确定待测车辆当前时刻对应的二维检测结果；该二维检测结果包括待测车辆的车辆信息；
39.根据当前时刻激光雷达对视野范围内的待测车辆采集的点云数据，确定待测车辆当前时刻对应的三维检测结果；该三维检测结果包括待测车辆的三维位置信息；
40.根据上述二维检测结果、三维检测结果以及待测车辆所在的道路场景信息，对待测车辆下一时刻的行为进行预测；该待测车辆下一时刻的行为包括下一时刻的行驶方向，该道路场景信息为预设的地图中存储的信息。
41.上述车辆行为预测方法、装置、基站、存储介质和程序产品，通过相机对视野范围内采集的图像数据获得待测车辆的二维检测结果，通过激光雷达对视野范围内采集的点云数据获得待测车辆的三维检测结果，并通过结合待测车辆的二维检测结果、三维检测结果以及高精度地图中存储的道路场景信息，预测待测车辆下一时刻的行为；其中二维检测结果中包括待测车辆的车辆信息，三维检测结果中包括待测车辆的三维位置信息，下一时刻的行为包括下一时刻的行驶方向。在该方法中，由于可以结合相机的二维检测结果、激光雷达的三维检测结果以及高精度地图的道路场景信息对车辆下一时刻的行为进行预测，可见这里采用的预测数据源比较丰富多样，从而可以提升获得的预测结果的准确性，也即预测的车辆行为更加准确。
附图说明
42.图1为一个实施例中车辆行为预测方法的应用环境图；
43.图2为一个实施例中车辆行为预测方法的流程示意图；
44.图3为另一个实施例中车辆行为预测方法的流程示意图；
45.图4为另一个实施例中车辆行为预测方法的流程示意图；
46.图5为另一个实施例中车辆行为预测方法的流程示意图；
47.图6为一个实施例中车辆行为预测装置的结构框图；
48.图7为一个实施例中计算机设备的内部结构图。
具体实施方式
49.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
50.本技术实施例提供的车辆行为预测方法，可以应用于如图1所示的路侧基站。其中，该路侧基站包括相机102、激光雷达104、与相机以及激光雷达均连接的计算机设备106。
相机102可以在各个时刻相机对视野范围内的待测车辆数据进行采集，获得图像数据，并将获得的图像数据传输至计算机设备106中进行处理；同时，激光雷达104可以在各个时刻激光雷达对视野范围内的待测车辆数据进行采集，获得点云数据，并将采集的点云数据传输至计算机设备106中进行处理。对于相机102的数量以及激光雷达104的数量，均可以是一个或多个，可根据实际道路情况进行设置。计算机设备106可以是独立的终端或服务器，也可以是集成在相机102或者集成在激光雷达104内部的集成设备，这里不做具体限定。
51.在一个实施例中，如图2所示，提供了一种车辆行为预测方法，本实施例涉及的是如何对车辆下一时刻的行为进行准确预测的具体过程。以该方法应用于图1中的计算机设备106为例进行说明，该方法可以包括以下步骤：
52.s202，根据当前时刻相机对视野范围内的待测车辆采集的图像数据，确定待测车辆当前时刻对应的二维检测结果。
53.目前，每个道路对应的路段上均设置有路侧基站，该路侧基站中的相机对应的视野范围记为相机视野范围。一般可以通过相机对该路段上各个时刻的车辆进行图像采集，获得在各个时刻采集的图像数据，该图像数据一般为连续的多帧图像数据，也即一个时刻可以对应一帧图像数据，多个时刻对应多帧图像数据。
54.在相机采集获得当前时刻的图像数据之后，可以将该当前时刻的图像数据传输给路侧基站中的计算机设备，之后，计算机设备可以通过二维目标检测算法(例如yolo检测算法等)对该当前时刻的图像数据进行目标检测处理，获得其中的待测车辆当前时刻对应的二维检测结果。其中，该二维检测结果包括待测车辆的车辆信息(例如车牌号等)，当然还可以包括待测车辆对应的目标边界框。示例性的，该目标边界框中可以包括待测车辆的位置信息、待测车辆的颜色、待测车辆的车型等。
55.当然，上述在计算机设备对当前时刻的图像数据进行目标检测处理之前，还可以对该图像数据进行归一化处理，将该图像数据调整至固定大小，以便统一进行处理。之后可以继续对该固定大小的图像数据进行目标检测处理。
56.s204，根据当前时刻激光雷达对视野范围内的待测车辆采集的点云数据，确定待测车辆当前时刻对应的三维检测结果。
57.如上述步骤中提到的，每个道路对应的路段上均设置有路侧基站，该路侧基站中不仅包括相机，还包括激光雷达，激光雷达对应的视野范围记为激光雷达视野范围。可以通过激光雷达对该路段上各个时刻的车辆进行点云数据采集，获得在各个时刻采集的点云数据。
58.之后，激光雷达可以将采集的各个时刻的点云数据发送至路侧基站中的计算机设备中，其中包括采集的当前时刻的点云数据。计算机设备可以先将当前时刻的点云数据进行体素化处理，之后采用三维目标检测算法对当前时刻的点云数据进行目标检测处理，获得待测车辆当前时刻的三维位置信息。示例性的，三维目标检测算法可以是second算法、基于立体视觉r-cnn的三维目标检测算法等。其中该待测车辆的三维位置信息包含x，y，z，l，w，h，θ，c，分别表示待测车辆在x，y，z三个方向的坐标、待测车辆的长宽高(l，w，h)、待测车辆的航向角(θ)和待测车辆的类别。
59.同时，计算机设备可以对各个时刻的点云数据均进行三维目标检测处理，可以得到待测车辆在各个时刻下的三维位置信息，可以通过对当前时刻的三维位置信息(例如x
t
，yt
，z
t
)、上一时刻的三维位置信息(例如x
t-1
，y
t-1
，z
t-1
)以及两个时刻之间的时间间隔δt做除法，获得待测车辆在当前时刻的速度v；具体可以参见如下公式(1)所示的计算方式：
[0060][0061]
计算机设备可以利用跟踪算法对待测车辆进行跟踪，通过各个时刻的点云数据计算获得待测车辆在各个时刻的三维位置信息以及各个时刻的速度，并将各个时刻的三维位置信息以及速度关联起来，获得待测车辆的行驶轨迹。之后，计算机设备可以将待测车辆各个时刻的三维位置信息、各个时刻的速度、行驶轨迹等作为待测车辆的三维检测结果。其中当前时刻的三维检测结果可以包括待测车辆当前时刻的三维位置信息、当前时刻的速度、行驶轨迹等。
[0062]
需要说明的是，上述对图像数据以及点云数据进行目标检测获得的待测车辆可以是一个或多个，一般是多个待测车辆。
[0063]
s206，根据上述二维检测结果、三维检测结果以及待测车辆所在的道路场景信息，对待测车辆下一时刻的行为进行预测。
[0064]
其中，该道路场景信息为预设的地图中存储的信息，这里预设的地图可以是高精度地图，该高精度地图中可以预先存储有道路中各个路段的道路场景信息，这里道路场景信息可以包括例如路标、车道、车道线、车道行驶方向、交通灯标识、树木、建筑等，当前也可以包括这些道路场景信息对应的经纬度信息。具体可以将待测车辆的三维检测结果转化成经纬度，并通过转化的经纬度在高精度地图中获得待测车辆所在路段的道路场景信息。
[0065]
具体的，计算机设备在获得待测车辆在当前时刻的二维检测结果以及三维检测结果之后，可以结合从高精度地图中获取待测车辆当前时刻所在路段的道路场景信息，共同来预测待测车辆在下一时刻的行为。其中，该待测车辆下一时刻的行为包括下一时刻的行驶方向，当然还可以包括待测车辆下一时刻的行驶轨迹、待测车辆下一时刻的速度、下一时刻的航向角等等。
[0066]
上述车辆行为预测方法中，通过相机视野范围内采集的图像数据获得待测车辆的二维检测结果，通过激光雷达视野范围内采集的点云数据获得待测车辆的三维检测结果，并通过结合待测车辆的二维检测结果、三维检测结果以及高精度地图中存储的道路场景信息，预测待测车辆下一时刻的行为；其中二维检测结果中包括待测车辆的车辆信息，三维检测结果中包括待测车辆的三维位置信息，下一时刻的行为包括下一时刻的行驶方向。在该方法中，由于可以结合相机的二维检测结果、激光雷达的三维检测结果以及高精度地图的道路场景信息对车辆下一时刻的行为进行预测，可见这里采用的预测数据源比较丰富多样，从而可以提升获得的预测结果的准确性，也即预测的车辆行为更加准确。
[0067]
上述实施例中提到了可以通过二维检测结果、三维检测结果以及道路场景信息对车辆下一时刻的行为进行预测的内容，以下实施例就对该具体的预测过程进行详细的说明。
[0068]
在另一个实施例中，提供了另一种车辆行为预测方法，在上述实施例的基础上，如图3所示，上述s206可以包括以下步骤：
[0069]
s302，将三维检测结果映射至二维检测结果中，并对映射后的三维检测结果和二维检测结果进行融合，确定待测车辆对应的融合检测结果。
[0070]
在本步骤中，计算机设备在获得待测车辆的二维检测结果以及三维检测结果之后，可以结合相机的内外参、激光雷达到相机的旋转矩阵和平移矩阵/向量，将同一个待测车辆的三维检测结果映射至其二维检测结果中，具体的映射关系可以参见下述公式(2)所示：
[0071][0072]
其中，u，v表示二维检测结果中点的坐标；x，y，z表示三维检测结果中点的坐标；r表示激光雷达到相机的旋转矩阵；t表示激光雷达到相机的平移矩阵/向量；p
temp
表示相机的内参外矩阵。
[0073]
通过上述公式(2)，可以将三维检测结果映射至二维检测结果中，然后可以在二维检测结果中，将对应位置上的二维检测结果和三维检测结果进行组合，获得待测车辆对应的融合检测结果。可以对每个待测车辆均执行此操作，这样可以获得各个待测车辆对应的融合检测结果。
[0074]
s304，根据融合检测结果以及待测车辆所在的道路场景信息，对待测车辆下一时刻的行为进行预测。
[0075]
在本步骤中，在获得待测车辆二维检测结果和三维检测结果的融合检测结果之后，就可以结合从高精度地图中获取待测车辆当前时刻所在路段的道路场景信息，共同来预测待测车辆在下一时刻的行为。
[0076]
本实施例中，通过将三维检测结果映射至二维检测结果中并与其进行融合，之后通过融合检测结果以及道路场景信息预测车辆下一时刻的行为，这样将多种预测数据进行映射及融合，可以使预测待测车辆下一时刻行为的数据源更加丰富多样，从而可以提升对车辆预测后获得的预测结果的准确性。
[0077]
上述实施例中提到了二维检测结果中包括待测车辆的车辆信息，以下实施例就针对如何结合车辆信息对车辆下一时刻的行为进行预测的过程进行说明。
[0078]
在另一个实施例中，提供了另一种车辆行为预测方法，在上述实施例的基础上，如图4所示，在上述s304之前，上述方法还可以包括以下步骤：
[0079]
s402，检测预设的信息库中是否存在待测车辆的车辆信息，获得信息检测结果。
[0080]
在本步骤中，可以预先设置一个信息库，该信息库中可以包括车辆信息以及每个车辆信息对应的车辆的历史三维检测结果，该历史三维结果可以包括车辆在历史时刻的三维位置信息、历史时刻的速度、历史时刻的行驶轨迹等。
[0081]
需要说明的是，该信息库可以是在车辆行驶过程中不断更新或构建的信息库，例如可以不断将车辆的三维检测结果添加至该信息库。
[0082]
具体的，计算机设备在上述对图像数据进行二维目标检测，获得待测车辆的车辆信息之后，可以将该待测车辆的车辆信息和信息库中的车辆信息进行匹配，确定信息库中是否存在匹配的车辆信息，获得信息检测结果；其中，若存在匹配的车辆信息，这说明信息库中存在该车辆信息，也说明在历史时刻对该车辆信息对应的车辆信息进行了跟踪；否则说明不存在该车辆信息，在历史时刻对没有该车辆信息对应的车辆信息进行跟踪。
[0083]
在获得信息检测结果之后，相应地，上述s306可以包括以下步骤：
[0084]
s404，根据信息检测结果、融合检测结果以及待测车辆所在的道路场景信息，对待测车辆下一时刻的行为进行预测。
[0085]
在本步骤中，在获得历史时刻是否对待测车辆进行跟踪的信息检测结果之后，就可以结合待测车辆的融合检测结果以及从高精度地图中获取的待测车辆当前时刻所在路段的道路场景信息，共同来预测待测车辆在下一时刻的行为。
[0086]
本实施例中，通过在信息库中检测是否存在待测车辆的车辆信息，并结合获得的检测结果以及融合检测结果、道路场景信息等对车辆下一时刻的行为进行预测，这样参与预测的数据源较为丰富，同时结合的是历史时刻是否对待测车辆进行跟踪的信息，从而获得的对车辆的预测结果也就更加符合实际，同时也更加准确。
[0087]
上述实施例中提到了可以结合车辆信息检测结果来对车辆下一时刻的行为进行预测，以下实施例就对具体如何通过车辆信息检测结果来进行预测的过程进行说明。
[0088]
在另一个实施例中，提供了另一种车辆行为预测方法，在上述实施例的基础上，如图5所示，上述s404可以包括以下步骤：
[0089]
s502，若信息库中存在待测车辆的车辆信息，则从信息库中获取待测车辆对应的目标历史三维检测结果。
[0090]
其中，由上述信息库中存储的内容可知，这里可以获得待测车辆对应的历史三维检测结果，记为目标历史三维检测结果。该目标历史三维检测结果可以包括待测车辆在历史时刻的三维位置信息、待测车辆的历史时刻的行驶轨迹和历史时刻的行驶速度等。
[0091]
s504，根据目标历史三维检测结果、融合检测结果以及待测车辆所在的道路场景信息，确定待测车辆下一时刻的行为。
[0092]
在本步骤中，在获得待测车辆对应的目标历史三维检测结果之后，可以结合目标历史三维检测结果中具体的信息(例如三维位置、行驶轨迹、速度等)，以及该待测车辆在上述获得的融合检测结果以及从高精度地图中获取的待测车辆当前时刻所在路段的道路场景信息，共同来预测待测车辆在下一时刻的行为。
[0093]
之后，计算机设备也可以将该待测车辆当前时刻的三维检测结果、二维检测结果、融合检测结果等均更新至信息库中该待测车辆的车辆信息对应的历史行驶信息中，以便后续继续进行预测时使用。
[0094]
当然，上述信息库中也有可能不存在待测车辆的车辆信息，那么在这种情况下，可选的，若信息库中不存在待测车辆的车辆信息，则将当前时刻待测车辆的车辆信息以及待测车辆的三维检测结果添加至信息库中。也就是说，在信息库中不存在待测车辆的车辆信息时，即历史时刻没有对该待测车辆进行跟踪，那么可以从当前时刻开始对该待测车辆进行跟踪，此时可以将该待测车辆的车辆信息以及该待测车辆当前时刻的三维检测结果、二维检测结果、融合检测结果等均存储至信息库中，这样下次预测时就可以使用该待测车辆的历史数据，从而可以提升预测的准确性。
[0095]
本实施例中，通过在信息库中存在车辆信息时，结合该车辆信息对应的目标历史三维检测结果(包括历史轨迹和历史速度)对车辆下一时刻的行为进行预测，这样结合历史行为进行下一时刻的预测，使得预测的结果更加符合车辆的真实行驶状态，也即获得的预测结果也更加准确。另外，在信息库中不存在该车辆信息时也可以将其添加至信息库中，这
样可以更新信息库的内容，便于为下次预测提供一个数据基础。
[0096]
上述实施例中提到了对车辆下一时刻的行为进行预测，那么在获得预测结果之后具体执行何种操作并未涉及，以下实施例就对之后执行的操作进行具体说明。
[0097]
在另一个实施例中，提供了另一种车辆行为预测方法，在上述实施例的基础上，上述方法还可以包括以下步骤a：
[0098]
步骤a，将预测的待测车辆下一时刻的行为发送至目标车辆，以使目标车辆判断下一时刻是否会与其他车辆发生碰撞。
[0099]
在本步骤中，一般是将该道路所在路段内的所有待测车辆的下一时刻的行为均预测出来，然后计算机设备可以将预测的这些信息全部发送给目标车辆。这里目标车辆为待测车辆中的一个或多个车辆，例如可以是装配有能够与该路侧基站进行数据交互的车载设备的待测车辆。
[0100]
在计算机设备将预测的全部待测车辆的下一时刻的行为均发送给目标车辆之后，目标车辆就可以通过接收的这些预测信息去判断自身是否会在下一时刻和周围的其他车辆发生碰撞。这里的其他车辆为待测车辆中除目标车辆之外的车辆。这里在判断是否会发生碰撞时，例如可以是目标车辆和某一个其他车辆下一时刻的行驶方向相同，且轨迹可能会有交点，那么就认为可能存在碰撞现象。
[0101]
本实施例中，通过将预测的车辆下一时刻的行为发送给目标车辆，这样可以辅助目标车辆提早干预可能与其他车辆发生碰撞的情况，从而可以减少交通事故的发生，保证车辆的安全行驶。
[0102]
为了便于对本技术的技术方案进行更详细的说明，以下给出一个详细实施例继续进行说明，在上述实施例的基础上，该方法可以包括以下步骤：
[0103]
s1，对当前时刻相机采集的图像数据进行二维目标检测，获得待测车辆当前时刻对应的二维检测结果；该二维检测结果包括待测车辆的车辆信息。
[0104]
s2，对当前时刻激光雷达采集的点云数据进行三维目标检测，获得待测车辆当前时刻对应的三维检测结果；该三维检测结果包括待测车辆的三维位置信息。
[0105]
s3，将三维检测结果映射至二维检测结果中，并对映射后的三维检测结果和二维检测结果进行融合，确定待测车辆对应的融合检测结果。
[0106]
s4，对待测车辆当前时刻对应的三维检测结果进行经纬度转化，并在高精度地图中获取对应道路的道路场景信息。
[0107]
s5，检测预设的信息库中是否存在待测车辆的车辆信息，若存在，则执行s6，否则执行s8；该信息库中包括车辆信息以及每个车辆信息对应的车辆的历史行驶信息，历史行驶信息包括车辆信息对应的车辆的历史三维检测结果。
[0108]
s6，从信息库中获取待测车辆对应的目标历史三维检测结果。
[0109]
s7，根据目标历史三维检测结果、融合检测结果以及待测车辆所在的道路场景信息，确定待测车辆下一时刻的行为。
[0110]
s8，根据融合检测结果以及待测车辆所在的道路场景信息，确定待测车辆下一时刻的行为。
[0111]
s9，将当前时刻待测车辆的车辆信息以及待测车辆的三维检测结果添加至信息库中。
[0112]
s10，将预测的待测车辆下一时刻的行为发送至目标车辆，以使目标车辆判断下一时刻是否会与其他车辆发生碰撞。
[0113]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0114]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的车辆行为预测方法的车辆行为预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个车辆行为预测装置实施例中的具体限定可以参见上文中对于车辆行为预测方法的限定，在此不再赘述。
[0115]
在一个实施例中，如图6所示，提供了一种车辆行为预测装置，包括：第一确定模块11、第二确定模块12和预测模块13，其中：
[0116]
第一确定模块11，用于根据当前时刻相机对视野范围内的待测车辆采集的图像数据，确定待测车辆当前时刻对应的二维检测结果；该二维检测结果包括待测车辆的车辆信息；
[0117]
第二确定模块12，用于根据当前时刻激光雷达对视野范围内的待测车辆采集的点云数据，确定待测车辆当前时刻对应的三维检测结果；该三维检测结果包括待测车辆的三维位置信息；
[0118]
预测模块13，用于根据上述二维检测结果、三维检测结果以及待测车辆所在的道路场景信息，对待测车辆下一时刻的行为进行预测；该待测车辆下一时刻的行为包括下一时刻的行驶方向，该道路场景信息为预设的地图中存储的信息。
[0119]
在另一个实施例中，提供了另一种车辆行为预测装置，在上述实施例的基础上，上述预测模块13可以包括映射融合单元和预测单元，其中：
[0120]
映射融合单元，用于将三维检测结果映射至二维检测结果中，并对映射后的三维检测结果和二维检测结果进行融合，确定待测车辆对应的融合检测结果；
[0121]
预测单元，用于根据融合检测结果以及待测车辆所在的道路场景信息，对待测车辆下一时刻的行为进行预测。
[0122]
在另一个实施例中，提供了另一种车辆行为预测装置，在上述实施例的基础上，在上述预测单元根据融合检测结果以及待测车辆所在的道路场景信息，对待测车辆下一时刻的行为进行预测之前，上述装置还可以包括信息检测单元，该信息检测单元，用于检测预设的信息库中是否存在待测车辆的车辆信息，获得信息检测结果；该信息库中包括车辆信息以及每个车辆信息对应的车辆的历史行驶信息，历史行驶信息包括车辆信息对应的车辆的历史三维检测结果。
[0123]
可选的，上述预测单元可以包括预测子单元，该预测子单元，用于根据信息检测结果、融合检测结果以及待测车辆所在的道路场景信息，对待测车辆下一时刻的行为进行预测。
[0124]
在另一个实施例中，提供了另一种车辆行为预测装置，在上述实施例的基础上，上述预测子单元，具体用于若信息库中存在待测车辆的车辆信息，则从信息库中获取待测车辆对应的目标历史三维检测结果；根据目标历史三维检测结果、融合检测结果以及待测车辆所在的道路场景信息，确定待测车辆下一时刻的行为。
[0125]
可选的，上述预测子单元，具体用于若信息库中不存在待测车辆的车辆信息，则将当前时刻待测车辆的车辆信息以及待测车辆的三维检测结果添加至信息库中。
[0126]
在另一个实施例中，提供了另一种车辆行为预测装置，在上述实施例的基础上，上述装置还可以包括发送模块，该发送模块，用于将预测的待测车辆下一时刻的行为发送至目标车辆，以使目标车辆判断下一时刻是否会与其他车辆发生碰撞；其中，目标车辆为待测车辆中的一个或多个车辆，其他车辆为待测车辆中除目标车辆之外的车辆。
[0127]
上述车辆行为预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0128]
在一个实施例中，提供了一种计算机设备，以该计算机设备是终端为例，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种车辆行为预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0129]
本领域技术人员可以理解，图7中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0130]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
[0131]
根据当前时刻相机对视野范围内的待测车辆采集的图像数据，确定待测车辆当前时刻对应的二维检测结果；该二维检测结果包括待测车辆的车辆信息；根据当前时刻激光雷达对视野范围内的待测车辆采集的点云数据，确定待测车辆当前时刻对应的三维检测结果；该三维检测结果包括待测车辆的三维位置信息；根据上述二维检测结果、三维检测结果以及待测车辆所在的道路场景信息，对待测车辆下一时刻的行为进行预测；该待测车辆下一时刻的行为包括下一时刻的行驶方向，该道路场景信息为预设的地图中存储的信息。
[0132]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0133]
将三维检测结果映射至二维检测结果中，并对映射后的三维检测结果和二维检测结果进行融合，确定待测车辆对应的融合检测结果；根据融合检测结果以及待测车辆所在的道路场景信息，对待测车辆下一时刻的行为进行预测。
[0134]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0135]
检测预设的信息库中是否存在待测车辆的车辆信息，获得信息检测结果；该信息库中包括车辆信息以及每个车辆信息对应的车辆的历史行驶信息，历史行驶信息包括车辆信息对应的车辆的历史三维检测结果。
[0136]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0137]
根据信息检测结果、融合检测结果以及待测车辆所在的道路场景信息，对待测车辆下一时刻的行为进行预测。
[0138]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0139]
若信息库中存在待测车辆的车辆信息，则从信息库中获取待测车辆对应的目标历史三维检测结果；根据目标历史三维检测结果、融合检测结果以及待测车辆所在的道路场景信息，确定待测车辆下一时刻的行为。
[0140]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0141]
若信息库中不存在待测车辆的车辆信息，则将当前时刻待测车辆的车辆信息以及待测车辆的三维检测结果添加至信息库中。
[0142]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0143]
将预测的待测车辆下一时刻的行为发送至目标车辆，以使目标车辆判断下一时刻是否会与其他车辆发生碰撞；其中，目标车辆为待测车辆中的一个或多个车辆，其他车辆为待测车辆中除目标车辆之外的车辆。
[0144]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0145]
根据当前时刻相机对视野范围内的待测车辆采集的图像数据，确定待测车辆当前时刻对应的二维检测结果；该二维检测结果包括待测车辆的车辆信息；根据当前时刻激光雷达对视野范围内的待测车辆采集的点云数据，确定待测车辆当前时刻对应的三维检测结果；该三维检测结果包括待测车辆的三维位置信息；根据上述二维检测结果、三维检测结果以及待测车辆所在的道路场景信息，对待测车辆下一时刻的行为进行预测；该待测车辆下一时刻的行为包括下一时刻的行驶方向，该道路场景信息为预设的地图中存储的信息。
[0146]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0147]
将三维检测结果映射至二维检测结果中，并对映射后的三维检测结果和二维检测结果进行融合，确定待测车辆对应的融合检测结果；根据融合检测结果以及待测车辆所在的道路场景信息，对待测车辆下一时刻的行为进行预测。
[0148]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0149]
检测预设的信息库中是否存在待测车辆的车辆信息，获得信息检测结果；该信息库中包括车辆信息以及每个车辆信息对应的车辆的历史行驶信息，历史行驶信息包括车辆信息对应的车辆的历史三维检测结果。
[0150]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0151]
根据信息检测结果、融合检测结果以及待测车辆所在的道路场景信息，对待测车辆下一时刻的行为进行预测。
[0152]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0153]
若信息库中存在待测车辆的车辆信息，则从信息库中获取待测车辆对应的目标历史三维检测结果；根据目标历史三维检测结果、融合检测结果以及待测车辆所在的道路场
景信息，确定待测车辆下一时刻的行为。
[0154]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0155]
若信息库中不存在待测车辆的车辆信息，则将当前时刻待测车辆的车辆信息以及待测车辆的三维检测结果添加至信息库中。
[0156]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0157]
将预测的待测车辆下一时刻的行为发送至目标车辆，以使目标车辆判断下一时刻是否会与其他车辆发生碰撞；其中，目标车辆为待测车辆中的一个或多个车辆，其他车辆为待测车辆中除目标车辆之外的车辆。
[0158]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
[0159]
根据当前时刻相机对视野范围内的待测车辆采集的图像数据，确定待测车辆当前时刻对应的二维检测结果；该二维检测结果包括待测车辆的车辆信息；根据当前时刻激光雷达对视野范围内的待测车辆采集的点云数据，确定待测车辆当前时刻对应的三维检测结果；该三维检测结果包括待测车辆的三维位置信息；根据上述二维检测结果、三维检测结果以及待测车辆所在的道路场景信息，对待测车辆下一时刻的行为进行预测；该待测车辆下一时刻的行为包括下一时刻的行驶方向，该道路场景信息为预设的地图中存储的信息。
[0160]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0161]
将三维检测结果映射至二维检测结果中，并对映射后的三维检测结果和二维检测结果进行融合，确定待测车辆对应的融合检测结果；根据融合检测结果以及待测车辆所在的道路场景信息，对待测车辆下一时刻的行为进行预测。
[0162]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0163]
检测预设的信息库中是否存在待测车辆的车辆信息，获得信息检测结果；该信息库中包括车辆信息以及每个车辆信息对应的车辆的历史行驶信息，历史行驶信息包括车辆信息对应的车辆的历史三维检测结果。
[0164]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0165]
根据信息检测结果、融合检测结果以及待测车辆所在的道路场景信息，对待测车辆下一时刻的行为进行预测。
[0166]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0167]
若信息库中存在待测车辆的车辆信息，则从信息库中获取待测车辆对应的目标历史三维检测结果；根据目标历史三维检测结果、融合检测结果以及待测车辆所在的道路场景信息，确定待测车辆下一时刻的行为。
[0168]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0169]
若信息库中不存在待测车辆的车辆信息，则将当前时刻待测车辆的车辆信息以及待测车辆的三维检测结果添加至信息库中。
[0170]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0171]
将预测的待测车辆下一时刻的行为发送至目标车辆，以使目标车辆判断下一时刻是否会与其他车辆发生碰撞；其中，目标车辆为待测车辆中的一个或多个车辆，其他车辆为待测车辆中除目标车辆之外的车辆。
[0172]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人
信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0173]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0174]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0175]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。