具体实施方式

以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所提供的实施例仅仅用以解释本申请，并不用于限定本申请。另外，以下所提供的实施例是用于实施本申请的部分实施例，而非提供实施本申请的全部实施例，在不冲突的情况下，本申请实施例记载的技术方案可以任意组合的方式实施。

需要说明的是，在本申请实施例中，术语“包括”、“包含”或者其任何其它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方法或者装置不仅包括所明确记载的要素，而且还包括没有明确列出的其它要素，或者是还包括为实施方法或者装置所固有的要素。在没有更多限定的情况下，由语句“包括一个......”限定的要素，并不排除在包括该要素的方法或者装置中还存在另外的相关要素(例如方法中的步骤或者装置中的单元，例如的单元可以是部分电路、部分处理器、部分程序或软件等等)。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，I和/或J，可以表示：单独存在I，同时存在I和J，单独存在J这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括I、J、R中的至少一种，可以表示包括从I、J和R构成的集合中选择的任意一个或多个元素。

例如，本申请实施例提供的轨迹预测方法包含了一系列的步骤，但是本申请实施例提供的轨迹预测方法不限于所记载的步骤，同样地，本申请实施例提供的轨迹预测装置包括了一系列模块，但是本申请实施例提供的轨迹预测装置不限于包括所明确记载的模块，还可以包括为获取相关时序数据、或基于时序数据进行处理时所需要设置的模块。

本申请实施例可以应用于车载终端中，车载终端与定位设备连接，用于获取地图信息；车载终端与车辆上各传感器连接，用于获取感知信息；这里，车载设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络连接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。

在本申请的一些实施例中，轨迹预测方法可以利用轨迹预测装置中的处理器实现，上述处理器可以为特定用途集成电路(Application Specific Integrated Circuit，ASIC)、数字信号处理器(Digital Signal Processor，DSP)、数字信号处理装置(DigitalSignal Processing Device，DSPD)、可编程逻辑装置(Programmable Logic Device，PLD)、现场可编程逻辑门阵列(Field Programmable Gate Array，FPGA)、中央处理器(CentralProcessing Unit，CPU)、控制器、微控制器、微处理器中的至少一种。

图1a是本申请实施例中的一种轨迹预测方法的流程示意图，如图1a所示，该方法包括如下步骤：

步骤100：获取地图信息和感知信息；地图信息包括目标车辆识别到的多种障碍物的位置信息；感知信息包括目标车辆上各传感器收集的关于多种障碍物的信息。

示例性地，地图信息可以为高精度电子地图中的地图信息或普通导航电子地图中的地图信息；其中，普通导航电子地图的绝对坐标精度大约在10米左右；高精度电子地图的绝对精度一般都会在亚米级，也就是1米以内的精度，而且横向的相对精度，比如，车道和车道，车道和车道线的相对位置精度往往还要更高。另外，高精度电子地图不仅有高精度的坐标，同时还有准确的车道形状，以及每个车道的坡度、曲率、航向、高程以及侧倾数据。

在一种实施方式中，高精度电子地图是面向自动驾驶车辆使用的地图数据，普通导航电子地图是面向驾驶员使用的地图数据；这是因为当目标车辆自动驾驶时，目标车辆往往离马路牙子和旁边的车道几十厘米左右，此时需要根据高精度电子地图的地图信息精确地知道目标车辆以及目标车辆识别到的多种障碍物的位置信息；而当目标车辆在为驾驶员驾驶时，由于驾驶员自身具有提取信息、关联信息、过滤信息和视觉判断的能力，因而，仅根据普通导航电子地图中的地图信息便可确定出目标车辆以及目标车辆识别到的多种障碍物的位置信息。

这里，目标车辆的类型可以为：全自动驾驶车辆，半自动驾驶车辆或非自动驾驶车辆。

在一种实施方式中，可以先通过目标车辆上的传感器识别确定目标车辆的多种障碍物，再根据高精度电子地图或普通导航电子地图确定出多种障碍物的位置信息。

示例性地，障碍物表示除了目标车辆以外的任意物体；例如，可以是其它汽车、自行车、行人、隔离带等。

这里，目标车辆上的传感器可以包括摄像头或雷达中的至少一种；即，可以通过目标车辆上的摄像头确定目标车辆的多种障碍物，也可以通过目标车辆上的雷达确定目标车辆的多种障碍物；其中，摄像头可以为单目摄像头、双目摄像头三目摄像机或环视摄像机；雷达可以为毫米波雷达、超声波雷达或激光雷达等。

本申请实施例中，通过对目标车辆上各传感器收集的关于多种障碍物的数据进行感知处理，可以得到关于多种障碍物中每种障碍物的感知信息。

示例性地，可以通过摄像头获得多种障碍物中每种障碍物的数据，在进行感知处理后，可以得到每种障碍物的感知信息；也可以通过雷达获得多种障碍物中每种障碍物的数据，在进行感知处理后，可以得到每种障碍物的感知信息。

在一些实施例中，感知信息可以包括以下至少一项：位置、形状、类型、速度、加速度、朝向、与车道夹角、速度朝向。

在一种实施方式中，通过目标车辆上各传感器除了可以获得与多种障碍物有关的感知信息外，还可以获取到车道线、测距、交通标志牌、地面标志和交通信号灯等感知信息。

示例性地，在通过目标车辆上各传感器对多种障碍物中每种障碍物的感知信息进行确定的过程中，可以结合地图信息，进一步确保感知信息的准确性。

步骤101：根据地图信息和感知信息，从多种障碍物中确定出动态障碍物。

示例性地，对于根据地图信息和感知信息，从多种障碍物中确定出动态障碍物的实现方式，可以包括：根据地图信息，将处于设定范围外的障碍物进行过滤；根据感知信息，对过滤后的障碍物进行分类，得到障碍物的状态类型；状态类型包括运动状态和静止状态；将状态类型为运动状态的障碍物，确定为动态障碍物。

示例性地，由于多种障碍物中很可能包括一些过于遥远的障碍物，并且这些障碍物无论处于何种状态都不会对目标车辆的行驶轨迹造成影响；因而，在进行轨迹预测之前，通过将这部分障碍物进行过滤，可以提高轨迹预测的效率。

在一种实施方式中，可以预先确定一个设定范围，将处于设定范围外的障碍物进行过滤；这里，对设定范围的取值可以根据实际场景进行确定，例如，可以为30米、50米等。

在一种实施方式中，如果多种障碍物包括：障碍物1、障碍物2和障碍物3，且障碍物1、障碍物2和障碍物3与目标车辆的距离分别为：10米、20米和50米；假设预先确定的设定范围为30米，则将多种障碍物中的障碍物3进行过滤。

在一种实施方式中，可以将设定范围分为感兴趣区域和不感兴趣区域；其中，感兴趣区域表示处于该区域的障碍物会影响目标车辆的行驶，例如，目标车辆的当前车道、相邻车道等；不感兴趣区域表示处于该区域的障碍物不会影响目标车辆的行驶；例如，隔离带之外的车道。

示例性地，在进行障碍物过滤的过程中，通过将处于不感兴趣区域的障碍物进行过滤，可以进一步提高轨迹预测的效率。

本申请实施例中，在对多种障碍物进行上述过滤操作，得到过滤后的障碍物后，再根据过滤后的障碍物的感知信息，对过滤后的障碍物进行分类，得到障碍物的状态类型；根据状态类型，确定出动态障碍物和静态障碍物。

示例性地，动态障碍物表示处于运动状态的障碍物，例如，汽车、自行车、行人等；静态障碍物表示处于静止状态的障碍物，例如，隔离带、车道沿线的看板、限速标志牌等。

在一种实施方式中，可以根据过滤后的障碍物的感知信息，确定障碍物的速度；进而，根据速度将其分为静态障碍物和动态障碍物。即，在过滤后的障碍物的速度为零的情况下，确定该障碍物为静态障碍物；在过滤后的障碍物的速度不为零的情况下，确定该障碍物为动态障碍物。

步骤102：在确定动态障碍物包含信号灯时，确定信号灯的类型；根据信号灯的类型确定对应的轨迹预测模型，对动态障碍物进行轨迹预测。

这里，信号灯表示车辆上的信号灯，在确定动态障碍物包含信号灯时，通过感知处理可以得到对应的信号灯信息；根据该信号灯信息可以确定信号灯的类型；其中，信号灯信息包含在动态障碍物的感知信息中。

示例性地，在确定出动态障碍物后，可以根据动态障碍物的感知信息判断其是否包括信号灯信息；如果包括，则说明动态障碍物为行驶车辆；如果不包括，则说明动态障碍物不为行驶车辆。

本申请实施例中，在确定动态障碍物的感知信息包含信号灯信息时，可以根据信号灯信息对信号灯进行分类，确定信号灯的类型；示例性地，信号灯的类型可以包括：正常行驶信号灯、未发光信号灯、转向信号灯、刹车信号灯和双跳信号灯。

这里，未发光信号灯表示动态障碍物没有亮起任何信号灯；示例性地，对于上述动态障碍物的每一种信号灯的类型，都可以确定出一个与其对应的轨迹预测模型，通过该轨迹预测模型对动态障碍物的轨迹进行预测。

在一种实施方式中，可以通过信号灯的类型对应的轨迹预测模型可以对动态障碍物在设定时间内的行驶轨迹进行预测；这里，设定时间的取值可以根据实际情况进行设置，本申请实施例不作限定；例如，可以为三秒、五秒等。

在一些实施例中，根据信号灯的类型确定对应的轨迹预测模型，对动态障碍物进行轨迹预测，可以包括：在确定信号灯的类型为正常行驶信号灯或未发光信号灯时，根据动态障碍物对应的感知信息，判断动态障碍物是否符合预设的车道跟随模型，得到第一判断结果；在第一判断结果为是的情况下，使用预设的车道跟随模型对动态障碍物进行轨迹预测；车道跟随模型用于得到动态障碍物跟随当前所在车道的中心线的轨迹；在第一判断结果为否的情况下，使用线性外推模型对动态障碍物进行轨迹预测；线性外推模型用于得到根据动态障碍物当前的速度和方向行驶的轨迹。

本申请实施例中，在确定信号灯的类型为正常行驶信号灯或未发光信号灯时，首先确定动态障碍物对应的感知信息，即，动态障碍物的位置、形状、类型、速度、加速度、朝向、与车道夹角、速度朝向等；然后，根据感知信息与设定条件的比较结果，判断该动态障碍物是否符合预设的车道跟随模型。

这里，对于感知信息中包括的每一项信息都有与之对应的设定条件；示例性地，可以在感知信息中部分项信息满足对应的设定条件的情况下，确定该动态障碍物符合预设的车道跟随模型；也可以在感知信息中全部项信息满足对应的设定条件的情况下，确定该动态障碍物符合预设的车道跟随模型。这里，部分项信息中所包含的信息可以根据实际情况进行确定，本申请实施例不作限定。

示例性地，在确定动态障碍物符合预设的车道跟随模型的情况下，使用预设的车道跟随模型对动态障碍物在设定时间内的行驶轨迹进行预测的实现方式，可以包括：首先，根据地图信息，获取动态障碍物当前所在车道的中心线；然后，基于该动态障碍物的当前速度去寻找设定距离外的中心线上的一个点，该设定距离等于动态障碍物的当前速度与设定时间的乘积；并结合当前所在车道的限速信息；再使用预设的轨迹跟踪算法生成跟随车道的轨迹。

这里，对于轨迹跟踪算法的类型不作限定，例如，可以为纯跟踪(Pure Pursuit)算法、多项式链接算法或spline算法等。

示例性地，在确定动态障碍物不符合预设的车道跟随模型的情况下，根据动态障碍物在当前时刻的速度和方向，进行线性外推生成轨迹。

在一些实施例中，根据信号灯的类型确定对应的轨迹预测模型，对动态障碍物进行轨迹预测，可以包括：在确定信号灯的类型为转向信号灯时，根据动态障碍物对应的感知信息，选择对应的切换车道模型；切换车道模型用于得到对动态障碍物当前车道进行切换的轨迹；根据切换车道模型，对动态障碍物进行轨迹预测。

本申请实施例中，在确定信号灯的类型为转向信号灯时，首先确定动态障碍物对应的感知信息；然后，根据感知信息选择对应的切换车道模型。

示例性地，对于使用切换车道模型对动态障碍物在设定时间内的行驶轨迹进行预测的实现方式，可以包括：首先，根据地图信息，获取动态障碍物相邻车道的中心线；然后，基于该动态障碍物的当前速度去寻找设定距离外的相邻车道中心线上的一个点，该设定距离等于动态障碍物的当前速度与设定时间的乘积；再使用预设的轨迹跟踪算法生成变道的匀速轨迹。

在一些实施例中，根据信号灯的类型确定对应的轨迹预测模型，对动态障碍物进行轨迹预测，可以包括：在确定信号灯的类型为刹车信号灯或双跳信号灯时，根据动态障碍物对应的感知信息，选择对应的减速停止模型；减速停止模型用于得到动态障碍物在当前车道内进行减速的轨迹；根据减速停止模型，对动态障碍物进行轨迹预测。

本申请实施例中，在确定信号灯的类型为刹车信号灯或双跳信号灯时，首先确定动态障碍物对应的感知信息；然后，根据感知信息选择对应的减速停止模型。

示例性地，对于使用减速停止模型对动态障碍物在设定时间内的行驶轨迹进行预测的实现方式，可以包括：首先，根据地图信息，获取动态障碍物当前所在车道前方交汇的停车线；然后，生成一个需要停车的点，即，动态障碍物速度为零的点；再使用预设的轨迹跟踪算法生成停车的轨迹。

在一些实施例中，该方法还可以包括：在确定动态障碍物不包含信号灯时，根据动态障碍物对应的感知信息，判断动态障碍物是否符合预设的车道跟随模型，得到第二判断结果；在第二判断结果为是的情况下，使用预设的车道跟随模型对动态障碍物进行轨迹预测；在第二判断结果为否的情况下，根据动态障碍物的当前速度进行匀速的线性外推。

在一种实施方式中，在确定动态障碍物不包含信号灯时，对动态障碍物的轨迹预测方式与信号灯的类型为正常行驶信号灯或未发光信号灯时的轨迹预测方式相同，此处不再累赘。

本申请实施例中，根据动态障碍物的信号灯的类型可以确定出对应的轨迹预测模型，通过轨迹预测模型对动态障碍物进行轨迹预测，可以得到动态障碍物的行驶轨迹；示例性地，在目标车辆为全自动驾驶车辆的情况下，目标车辆可以根据动态障碍物的行驶轨迹进行避障，实现自动驾驶。在目标车辆为半自动驾驶车辆的情况下，将动态障碍物的行驶轨迹作为辅助信息对目标车辆进行辅助，实现半自动驾驶。在目标车辆为非自动驾驶车辆的情况下，驾驶员可以参考动态障碍物的行驶轨迹，实现更可靠地驾驶。

示例性地，下面结合实际场景对根据动态障碍物的信号灯的类型确定对应的行驶轨迹进行说明；图1b为信号灯的类型为正常行驶信号灯或未发光信号灯时确定动态障碍物对应的行驶轨迹的场景图；如图1b所示，首先，可以根据地图信息获取动态障碍物10当前所在车道的中心线11；然后，基于该动态障碍物10的当前速度去寻找设定距离外的中心线上的一个点12，该设定距离等于动态障碍物10的当前速度与设定时间的乘积；再使用预设的轨迹跟踪算法沿着箭头所示的方向生成动态障碍物10跟随车道的行驶轨迹。

图1c为信号灯的类型为右转向信号灯时确定动态障碍物对应的行驶轨迹的场景图；如图1c所示，首先，可以根据地图信息获取动态障碍物10相邻车道的中心线13；然后，基于该动态障碍物10的当前速度去寻找设定距离外的相邻车道中心线上的一个点14，该设定距离等于动态障碍物10的当前速度与设定时间的乘积；再使用预设的轨迹跟踪算法沿着箭头所示的方向生成动态障碍物10变道的行驶轨迹。这里，当信号灯的类型为左转向信号灯时，确定动态障碍物对应的行驶轨迹的方式与信号灯的类型为右转向信号灯时的确定方式类似，此处不再累赘。

图1d为信号灯的类型为刹车信号灯或双跳信号灯时确定动态障碍物对应的行驶轨迹的场景图；如图1d所示，首先，可以根据地图信息获取动态障碍物10当前所在车道前方交汇的停车线15；然后，沿着当前所在车道的中心线11生成一个需要停车的点16，即，动态障碍物10速度减为零的点；再使用预设的轨迹跟踪算法沿着箭头所示的方向生成动态障碍物10减速停车的行驶轨迹。

本申请实施例提出了一种轨迹预测方法、装置、电子设备和计算机存储介质，该方法包括：获取地图信息和感知信息；地图信息包括目标车辆识别到的多种障碍物的位置信息；感知信息包括目标车辆上各传感器收集的关于多种障碍物的信息；根据地图信息和感知信息，从多种障碍物中确定出动态障碍物；在确定动态障碍物包含信号灯时，确定信号灯的类型；根据信号灯的类型确定对应的轨迹预测模型，对动态障碍物进行轨迹预测；如此，基于动态障碍物中包含的信号灯，可以更加精准地了解，动态障碍物的意图，进而，更加准确地预测出动态障碍物的轨迹；另外，根据信号灯的类型确定对应的轨迹预测模型这种非黑盒的预测规则进行轨迹预测，使得轨迹预测结果有较强的结果解释性，且能够高效地根据预测规则对该方法进行优化，提高目标车辆的安全性和自动驾驶能力。

为了能够更加体现本申请的目的，在本申请上述实施例的基础上，进行进一步的举例说明。图2为本申请实施例中的另一种轨迹预测方法的流程示意图；如图2所示，该流程包括如下步骤：

步骤A1：获取地图信息和感知信息。

在一种实施方式中，对目标车辆识别到的多种障碍物的位置信息以及目标车辆上各传感器收集的关于多种障碍物的感知信息进行获取；这里，对于地图信息和感知信息的获取过程是独立的，两者可以同时获取，也可以按照先后顺序进行获取，本申请实施例对此不作限定。

步骤A2：对多种障碍物进行过滤。

在一种实施方式中，将多种障碍物中处于设定范围外的障碍物进行过滤；同时，将处于设定范围内不感兴趣区域的障碍物进行过滤，得到过滤后的障碍物。

步骤A3：判断是否为动态障碍物。

在一种实施方式中，在得到过滤后的障碍物后，再根据过滤后的障碍物的感知信息，对过滤后的障碍物进行分类，得到障碍物的状态类型；根据状态类型，确定过滤后的障碍物是否为动态障碍物；如果是，执行步骤A4；如果否，说明过滤后的障碍物为静态障碍物，此时，不进行轨迹预测，流程结束。

步骤A4：判断是否包含信号灯。

在一种实施方式中，在确定出过滤后的障碍物为动态障碍物后，可以根据动态障碍物的感知信息判断其是否包括信号灯；如果是，执行步骤A5；如果是否，执行步骤A8。

步骤A5：对信号灯进行分类。

在一种实施方式中，在确定动态障碍物包含信号灯时，可以根据对信号灯进行感知处理的信号灯信息对信号灯进行分类，确定信号灯的类型；在确定信号灯的类型为正常行驶信号灯或未发光信号灯时，执行步骤A8；在确定信号灯的类型为转向信号灯时，执行步骤A6；在确定信号灯的类型为刹车信号灯和双跳信号灯时，执行步骤A7。

步骤A6：根据切换车道模型进行轨迹预测。

在一种实施方式中，对于使用切换车道模型对动态障碍物在设定时间内的行驶轨迹进行预测的实现方式，可以包括：首先，根据地图信息，获取动态障碍物相邻车道的中心线；然后，基于该动态障碍物的当前速度去寻找设定时间外的相邻车道中心线上的一个点；再使用预设的轨迹跟踪算法生成变道的匀速轨迹。

步骤A7：根据减速停止模型进行轨迹预测。

在一种实施方式中，对于使用减速停止模型对动态障碍物在设定时间内的行驶轨迹进行预测的实现方式，可以包括：首先，根据地图信息，获取动态障碍物当前所在车道前方交汇的停车线；然后，生成一个需要停车的点，即，动态障碍物速度为零的点；再使用预设的轨迹跟踪算法生成停车的轨迹。

步骤A8：判断是否符合预设的车道跟随模型。

在一种实施方式中，在确定信号灯的类型为正常行驶信号灯或未发光信号灯时，首先确定动态障碍物对应的感知信息，即，动态障碍物的位置、形状、类型、速度、加速度、朝向、与车道夹角、速度朝向等；然后，根据感知信息与设定条件的比较结果，判断该动态障碍物是否符合预设的车道跟随模型。如果是，执行步骤A9；如果是否，执行步骤A10。

步骤A9：根据车道跟随模型进行轨迹预测。

在一种实施方式中，使用预设的车道跟随模型对动态障碍物在设定时间内的行驶轨迹进行预测的实现方式，可以包括：首先，根据地图信息，获取动态障碍物当前所在车道的中心线；然后，基于该动态障碍物的当前速度去寻找设定时间外的中心线上的一个点，并结合当前所在车道的限速信息；再使用预设的轨迹跟踪算法生成跟随车道的轨迹。

步骤A10：根据线性外推模型进行轨迹预测。

在一种实施方式中，在确定动态障碍物不符合预设的车道跟随模型的情况下，根据动态障碍物在当前时刻的速度和方向，进行线性外推生成轨迹。

可见，本申请实施例通过动态障碍物的信号灯，可以更加精准地了解，动态障碍物的意图，进而，可以更准确地给出车辆的轨迹预测；同时，由于该方法是根据预测规则去指导不同的轨迹生成，且比较容易根据预测规则进行优化，因而，可以很容易地调整进入不同轨迹生成场景的逻辑，这样逻辑比较集中，也很容易优化调整；另外，相对基于机器学习模型的预测方法会因为数据量提升导致模型耗时增加以及输出的不稳定，该方法具有稳定的耗时和输出，可以支持自动驾驶中的后续规划，保证了安全性和自动驾驶能力；其中，稳定的耗时是因为逻辑的优化不会影响耗时；输出的稳定则是因为只有完全符合逻辑的才会被使用一些特殊场景模型进行预测，而剩下的不太确定的情况则会通过线性外推的方式进行预测。

图3为本申请实施例的轨迹预测装置的组成结构示意图，如图3所示，该装置包括：获取模块300、确定模块301和预测模块302，其中：

获取模块300，用于获取地图信息和感知信息；地图信息包括目标车辆识别到的多种障碍物的位置信息；感知信息包括目标车辆上各传感器收集的关于多种障碍物的信息；

确定模块301，用于根据地图信息和感知信息，从多种障碍物中确定出动态障碍物；

预测模块302，用于在确定动态障碍物包含信号灯时，确定信号灯的类型；根据信号灯的类型确定对应的轨迹预测模型，对动态障碍物进行轨迹预测。

在一些实施例中，确定模块301，用于根据地图信息和感知信息，从多种障碍物中确定出动态障碍物，包括：

根据地图信息，将处于设定范围外的障碍物进行过滤；

根据感知信息，对过滤后的障碍物进行分类，得到障碍物的状态类型；状态类型包括运动状态和静止状态；

将状态类型为运动状态的障碍物，确定为动态障碍物。

在一些实施例中，预测模块302，用于根据信号灯的类型确定对应的轨迹预测模型，对动态障碍物进行轨迹预测，包括：

在确定信号灯的类型为正常行驶信号灯或未发光信号灯时，根据动态障碍物对应的感知信息，判断动态障碍物是否符合预设的车道跟随模型，得到第一判断结果；

在所述第一判断结果为是的情况下，使用所述预设的车道跟随模型对所述动态障碍物进行轨迹预测；所述车道跟随模型用于得到所述动态障碍物跟随当前所在车道的中心线的轨迹；

在所述第一判断结果为否的情况下，使用线性外推模型对所述动态障碍物进行轨迹预测；所述线性外推模型用于得到根据所述动态障碍物当前的速度和方向行驶的轨迹。

在一些实施例中，预测模块302，用于根据信号灯的类型确定对应的轨迹预测模型，对动态障碍物进行轨迹预测，包括：

在确定所述信号灯的类型为转向信号灯时，根据所述动态障碍物对应的感知信息，选择对应的切换车道模型；所述切换车道模型用于得到对所述动态障碍物当前车道进行切换的轨迹；

根据所述切换车道模型，对所述动态障碍物进行轨迹预测。

在一些实施例中，预测模块302，用于根据信号灯的类型确定对应的轨迹预测模型，对动态障碍物进行轨迹预测，包括：

在确定所述信号灯的类型为刹车信号灯或双跳信号灯时，根据所述动态障碍物对应的感知信息，选择对应的减速停止模型；所述减速停止模型用于得到所述动态障碍物在当前车道内进行减速的轨迹；

根据所述减速停止模型，对所述动态障碍物进行轨迹预测。

在一些实施例中，感知信息包括以下至少一项：位置、形状、类型、速度、加速度、朝向、与车道夹角、速度朝向。

在实际应用中，上述获取模块300、确定模块301和预测模块302均可以由位于电子设备中的处理器实现，该处理器可以为ASIC、DSP、DSPD、PLD、FPGA、CPU、控制器、微控制器、微处理器中的至少一种。

另外，在本实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，可以存储在一个计算机可读取存储介质中，基于这样的理解，本实施例的技术方案本质上或者说对相关技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)或processor(处理器)执行本实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质。

具体来讲，本实施例中的一种轨迹预测方法对应的计算机程序指令可以被存储在光盘、硬盘、U盘等存储介质上，当存储介质中的与一种轨迹预测方法对应的计算机程序指令被一电子设备读取或被执行时，实现前述实施例的任意一种轨迹预测方法。

基于前述实施例相同的技术构思，参见图4，其示出了本申请提供的电子设备400，可以包括：存储器401和处理器402；其中，

存储器401，用于存储计算机程序和数据；

处理器402，用于执行存储器中存储的计算机程序，以实现前述实施例的任意一种轨迹预测方法。

在实际应用中，上述存储器401可以是易失性存储器(volatile memory)，例如RAM；或者非易失性存储器(non-volatile memory)，例如ROM、快闪存储器(flash memory)、硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)；或者上述种类的存储器的组合，并向处理器402提供指令和数据。

上述处理器402可以为ASIC、DSP、DSPD、PLD、FPGA、CPU、控制器、微控制器、微处理器中的至少一种。可以理解地，对于不同的轨迹预测设备，用于实现上述处理器功能的电子器件还可以为其它，本申请实施例不作具体限定。

在一些实施例中，本申请实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。

本申请所提供的各方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。

本申请所提供的各产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。

本申请所提供的各方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请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和光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、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、嵌入式处理机或其它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它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。

这些计算机程序指令也可装载到计算机或其它可编程数据处理设备上，使得在计算机或其它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，从而在计算机或其它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。

以上，仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。