本技术涉及人工智能，特别是涉及一种轨迹预测方法、装置、计算机设备和存储介质。
背景技术：
1、自动驾驶是指车辆在无驾驶员操作的情况下自行实现驾驶。在实现车辆自动驾驶的过程中，需要预测车辆未来的行驶轨迹，以使车辆按照预测的轨迹行驶。
2、现有技术中，对车辆自动驾驶的行驶轨迹进行预测时，用于预测的数据集比较受限，不能充分考虑影响车辆自动驾驶的因素，在复杂的交通环境中不能有效的规避障碍物，使得预测的行驶轨迹存在安全隐患。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种轨迹预测方法、装置、计算机设备和存储介质，能够提高预测车辆自动驾驶的行驶轨迹的合理性，减少自动驾驶过程中的安全隐患。
2、第一方面，本技术提供了一种轨迹预测方法，所述方法包括：
3、获取目标车辆的历史状态数据、所述目标车辆的目标范围内各目标动态障碍物的历史状态数据，以及所述目标范围内的目标环境信息；
4、根据所述目标环境信息、各目标动态障碍物的历史状态数据中的位置信息和所述目标范围内每一区域的区域信息，生成各目标动态障碍物在所述目标范围内行驶的目标风险信息图；其中，所述目标风险信息图用于反应各目标动态障碍物在所述目标范围内每一区域行驶的风险系数；
5、通过目标轨迹预测模型，根据所述目标车辆的历史状态数据，以及各目标动态障碍物的历史状态数据和目标风险信息图，预测所述目标车辆和各目标动态障碍物的未来行驶轨迹。
6、在其中一个实施例中，所述区域信息包括区域中心和区域类别标签，所述根据所述目标环境信息、各目标动态障碍物的历史状态数据中的位置信息和所述目标范围内每一区域的区域信息，生成各目标动态障碍物在所述目标范围内行驶的目标风险信息图，包括：
7、根据所述目标范围内每一区域的区域中心和各目标动态障碍物的历史状态数据中的位置信息，确定各目标动态障碍物与所述目标范围内每一区域的距离；
8、根据所述目标范围内每一区域的区域类别标签，以及各目标动态障碍物与所述目标范围内每一区域的距离，确定各目标动态障碍物在所述目标范围内每一区域行驶的风险系数；
9、通过卷积神经网络，根据所述目标环境信息和各目标动态障碍物在所述目标范围内每一区域行驶的风险系数，生成各目标动态障碍物在所述目标范围内行驶的目标风险信息图。
10、在其中一个实施例中，所述根据所述目标范围内每一区域的区域类别标签，以及各目标动态障碍物与所述目标范围内每一区域的距离，确定各目标动态障碍物在所述目标范围内每一区域行驶的风险系数，包括：
11、针对每一目标动态障碍物，以自然常数为底数，以该目标动态障碍物与所述目标范围内每一区域的距离为指数，确定该目标动态障碍物与所述目标范围内每一区域的距离指数；
12、根据所述目标范围内每一区域的区域类别标签与对应的距离指数之积，确定该目标动态障碍物在所述目标范围内每一区域行驶的风险系数。
13、在其中一个实施例中，所述方法还包括：
14、根据所述目标环境信息中各静态障碍物的障碍物类别和位置信息，将所述目标范围划分为多个区域，并确定所述目标范围内各区域的区域类别标签。
15、在其中一个实施例中，获取所述目标车辆的目标范围内各目标动态障碍物的历史状态数据，包括：
16、根据所述目标车辆的目标范围内各目标动态障碍物的障碍物类型，获取各目标动态障碍物的历史状态数据；其中，不同障碍物类型的目标动态障碍物所对应的历史状态数据包括的数据维度不同。
17、在其中一个实施例中，所述目标轨迹预测模型包括特征提取网络、轨迹预测网络和轨迹输出网络，所述通过目标轨迹预测模型，根据所述目标车辆的历史状态数据，以及各目标动态障碍物的历史状态数据和目标风险信息图，预测所述目标车辆和各目标动态障碍物的未来行驶轨迹，包括：
18、通过所述特征提取网络，分别从所述目标车辆的历史状态数据和各目标动态障碍物的历史状态数据中，提取所述目标车辆的历史状态特征和各目标动态障碍物的历史状态特征；
19、通过所述轨迹预测网络，根据所述目标车辆的历史状态特征，以及各目标动态障碍物的历史状态特征和目标风险信息图，预测所述目标车辆的未来行驶轨迹的形状特征、速度分布特征和位置特征，以及各目标动态障碍物的未来行驶轨迹的形状特征、速度分布特征和位置特征；
20、通过所述轨迹输出网络，对所述目标车辆的未来行驶轨迹的形状特征、速度分布特征和位置特征进行融合，得到所述目标车辆的未来行驶轨迹，以及对各目标动态障碍物的未来行驶轨迹的形状特征、速度分布特征和位置特征进行融合，得到各目标动态障碍物的未来行驶轨迹。
21、在其中一个实施例中，所述目标轨迹预测模型通过以下方式训练得到：
22、获取样本车辆在历史时段的历史状态数据、所述样本车辆的样本范围内各样本动态障碍物在所述历史时段的历史状态数据，以及在所述历史时段所述样本范围内的样本环境信息；其中，所述历史时段包括第一连续时段和第二连续时段，且所述第一连续时段早于所述第二连续时段；
23、根据第一连续时段内的样本环境信息、各样本动态障碍物在第一连续时段内的历史状态数据中的位置信息，以及所述样本范围内每一区域的区域信息，生成各样本动态障碍物在第一连续时段内，在所述样本范围内行驶的样本风险信息图；
24、以所述样本车辆在所述第一连续时段内的历史状态数据，以及各样本动态障碍物在所述第一连续时段内的历史状态数据和样本风险信息图为样本数据，以所述样本车辆在所述第二连续时段内的历史状态数据和各样本动态障碍物在所述第二连续时段内的历史状态数据为样本标签数据，对初始轨迹预测模型进行训练，得到目标轨迹预测模型。
25、第二方面，本技术还提供了一种轨迹预测装置，所述装置包括：
26、获取模块，用于获取目标车辆的历史状态数据、所述目标车辆的目标范围内各目标动态障碍物的历史状态数据，以及所述目标范围内的目标环境信息；
27、生成模块，用于根据所述目标环境信息、各目标动态障碍物的历史状态数据中的位置信息和所述目标范围内每一区域的区域信息，生成各目标动态障碍物在所述目标范围内行驶的目标风险信息图；其中，所述目标风险信息图用于反应各目标动态障碍物在所述目标范围内每一区域行驶的风险系数；
28、预测模块，用于通过目标轨迹预测模型，根据所述目标车辆的历史状态数据，以及各目标动态障碍物的历史状态数据和目标风险信息图，预测所述目标车辆和各目标动态障碍物的未来行驶轨迹。
29、第三方面，本技术还提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
30、获取目标车辆的历史状态数据、所述目标车辆的目标范围内各目标动态障碍物的历史状态数据，以及所述目标范围内的目标环境信息；
31、根据所述目标环境信息、各目标动态障碍物的历史状态数据中的位置信息和所述目标范围内每一区域的区域信息，生成各目标动态障碍物在所述目标范围内行驶的目标风险信息图；其中，所述目标风险信息图用于反应各目标动态障碍物在所述目标范围内每一区域行驶的风险系数；
32、通过目标轨迹预测模型，根据所述目标车辆的历史状态数据，以及各目标动态障碍物的历史状态数据和目标风险信息图，预测所述目标车辆和各目标动态障碍物的未来行驶轨迹。
33、第四方面，本技术还提供了一种计算机可读存储介质，所述计算机可读存储介质，其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以下步骤：
34、获取目标车辆的历史状态数据、所述目标车辆的目标范围内各目标动态障碍物的历史状态数据，以及所述目标范围内的目标环境信息；
35、根据所述目标环境信息、各目标动态障碍物的历史状态数据中的位置信息和所述目标范围内每一区域的区域信息，生成各目标动态障碍物在所述目标范围内行驶的目标风险信息图；其中，所述目标风险信息图用于反应各目标动态障碍物在所述目标范围内每一区域行驶的风险系数；
36、通过目标轨迹预测模型，根据所述目标车辆的历史状态数据，以及各目标动态障碍物的历史状态数据和目标风险信息图，预测所述目标车辆和各目标动态障碍物的未来行驶轨迹。
37、第五方面，本技术还提供了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，该计算机程序被处理器执行时实现以下步骤：
38、获取目标车辆的历史状态数据、所述目标车辆的目标范围内各目标动态障碍物的历史状态数据，以及所述目标范围内的目标环境信息；
39、根据所述目标环境信息、各目标动态障碍物的历史状态数据中的位置信息和所述目标范围内每一区域的区域信息，生成各目标动态障碍物在所述目标范围内行驶的目标风险信息图；其中，所述目标风险信息图用于反应各目标动态障碍物在所述目标范围内每一区域行驶的风险系数；
40、通过目标轨迹预测模型，根据所述目标车辆的历史状态数据，以及各目标动态障碍物的历史状态数据和目标风险信息图，预测所述目标车辆和各目标动态障碍物的未来行驶轨迹。
41、上述轨迹预测方法、装置、计算机设备和存储介质，获取目标车辆的历史状态数据、目标车辆的目标范围内各目标动态障碍物的历史状态数据，以及目标范围内的目标环境信息；并根据目标环境信息、各目标动态障碍物的历史状态数据中的位置信息和目标范围内每一区域的区域信息，生成各目标动态障碍物在目标范围内行驶的目标风险信息图；其中，目标风险信息图用于反应各目标动态障碍物在目标范围内每一区域行驶的风险系数；进而通过目标轨迹预测模型，根据目标风险信息图、目标车辆的历史状态数据和各目标动态障碍物的历史状态数据，预测目标车辆和各目标动态障碍物的未来行驶轨迹。上述方案，为每一障碍物构建一个目标风险信息图，并利用丰富的数据集即各目标风险信息图、目标车辆的历史状态数据和各目标动态障碍物的历史状态数据，通过目标轨迹预测模型，来预测目标车辆和各目标动态障碍物的未来行驶轨迹，使得影响车辆自动驾驶的因素得到了全面且充分的考量，进而提高了预测车辆自动驾驶的行驶轨迹的合理性，减少了自动驾驶过程中的安全隐患。
1.一种轨迹预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述区域信息包括区域中心和区域类别标签，所述根据所述目标环境信息、各目标动态障碍物的历史状态数据中的位置信息和所述目标范围内每一区域的区域信息，生成各目标动态障碍物在所述目标范围内行驶的目标风险信息图，包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述目标范围内每一区域的区域类别标签，以及各目标动态障碍物与所述目标范围内每一区域的距离，确定各目标动态障碍物在所述目标范围内每一区域行驶的风险系数，包括：
4.根据权利要求2或3所述的方法，其特征在于，所述方法还包括：
5.根据权利要求1所述的方法，其特征在于，获取所述目标车辆的目标范围内各目标动态障碍物的历史状态数据，包括：
6.根据权利要求1所述的方法，其特征在于，所述目标轨迹预测模型包括特征提取网络、轨迹预测网络和轨迹输出网络，所述通过目标轨迹预测模型，根据所述目标车辆的历史状态数据，以及各目标动态障碍物的历史状态数据和目标风险信息图，预测所述目标车辆和各目标动态障碍物的未来行驶轨迹，包括：
7.根据权利要求1所述的方法，其特征在于，所述目标轨迹预测模型通过以下方式训练得到：
8.一种轨迹预测装置，其特征在于，所述装置包括：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
