(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210644944.7 (22)申请日 2022.06.08 (71)申请人 东软睿驰汽车技 术 （沈阳） 有限公司 地址 110172 辽宁省沈阳市沈抚新区金枫 街75-1号 (72)发明人 刘美亿　曹斌　 (74)专利代理 机构 北京知帆远景知识产权代理 有限公司 1 1890 专利代理师 范心田 (51)Int.Cl. G06V 20/56(2022.01) G06Q 10/06(2012.01) G06V 10/26(2022.01) G06V 10/74(2022.01) G06V 10/762(2022.01)G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) (54)发明名称 感知风险的确定方法、 装置、 设备及存储介 质 (57)摘要 本发明公开了一种感知风险的确定方法、 装 置、 设备及存储介质， 方法包括： 基于多条历史轨 迹序列对初始模型进行训练， 获得目标模型； 基 于多条历史轨迹序列对初始模型进行训练； 对多 条历史轨迹序列进行第一处理， 获得多个软概率 以及第一向量； 对多条历史轨迹序列进行第二处 理， 获得多个匹配度； 对多条历史轨迹序列对应 的场景序列特征进行第三处理， 获得第二向量； 基于第一向量以及第二向量， 输出多个场景特征 一致性结果； 基于对应的场景特征一致性结果、 匹配度以及软概率， 输出历史风险轨迹序列集； 将多个待确定轨迹序列输入至目标模 型， 输出风 险轨迹序列集。 本发明的技术方案， 构造了具有 多塔结构的目标模型， 利于对感知风险的判断。 权利要求书2页 说明书13页 附图3页 CN 115171066 A 2022.10.11 CN 115171066 A 1.一种感知风险的确定方法， 其特 征在于， 包括： 基于多条历史轨迹序列对初始模型进行训练， 获得目标模型； 所述基于多条所述历史 轨迹序列对所述初始模型进行训练， 包括： 对第一初始塔模型进行训练， 获得第一子塔模 型； 对第二初始塔模型进行训练， 获得第二子塔模型； 对第三初始塔模型进行训练， 获得第 三子塔模型； 所述对第 一初始塔模型进行训练， 包括： 对多条所述历史轨迹序列进行第 一处理， 获得 多个软概 率以及第一向量； 所述对第 二初始塔模型进行训练， 包括： 对多条所述历史轨迹序列进行第 二处理， 获得 多个匹配度； 所述对第三初始塔模型进行训练， 包括： 对多条所述历史轨迹序列对应的场景序列特 征进行第三处理， 获得第二向量； 基于所述第一向量以及第二向量， 输出多个场景特征一致 性结果； 基于对应的所述场景特征一致性结果、 匹配度以及软概率， 输出历史风险轨迹序列 集； 将多个待确定 轨迹序列输入至所述目标模型， 输出风险轨 迹序列集。 2.根据权利要求1所述的方法， 其特 征在于， 还 包括： 预设基准长度； 所述基准长度用于表征每 个基准路段的长度； 基于多条 所述历史轨 迹序列， 确定历史目标路径； 基于所述基准长度以及所述基准路段， 计算获得多个目标长度； 基于多个所述目标长度对所述历史目标路径进行多次切分， 获得多个所述目标路段。 3.根据权利要求2所述的方法， 其特征在于， 所述对多条所述历史轨迹序列进行第 一处 理， 获得多个软概 率， 包括： 获取每个所述目标路段的多条历史轨 迹序列； 对每个所述目标路段的多条子历史轨 迹序列进行向量表示， 获得多个第一向量； 对每个所述目标路段的多个所述第 一向量进行聚类， 获得常规 聚类结果以及所述常规 聚类结果的所述软概 率； 对每个所述目标路段的多个所述第 一向量、 常规 聚类结果以及与所述常规聚类结果对 应的所述软概 率进行输出。 4.根据权利要求2所述的方法， 其特征在于， 所述对多条所述历史轨迹序列进行第 二处 理， 获得多个匹配度， 包括： 基于多条所述历史轨迹序列， 获取每个所述目标路段的初始自车道线以及与 所述初始 自车道线对应的原 始轨迹序列； 基于预设规则对每个所述目标路段的所述初始自车道线进行切割， 获得多条子自车道 线； 同时， 基于所述预设规则对每个所述目标路段的所述原始轨迹序列进 行切割， 获得多 条 子轨迹序列； 对每个所述目标路段的每个所述子自车道线以及对应的所述子轨迹序列进行匹配， 获 得匹配度以及第一子损失函数值。 5.根据权利要求3所述的方法， 其特征在于， 所述对多条所述历史轨迹序列对应的场景 序列特征进行第三处 理， 获得第二向量， 包括： 基于所述场景序列特 征， 获得每 个所述目标路段的子场景序列特 征；权　利　要　求　书 1/2 页 2 CN 115171066 A 2基于特征标签对每个所述目标路段的子场景序列 特征进行特征提取以及特征融合， 获 得子场景 特征序列； 对所述子场景 特征序列进行向量表示， 获得每 个所述目标路段的所述第二向量。 6.根据权利要求5所述的方法， 其特征在于， 所述基于所述第二向量， 输出多个场景特 征一致性结果， 包括： 将每个所述目标路段的所述第 二向量与对应的每个所述第 一向量进行匹配， 输出每个 所述第一向量的场景 特征一致性结果以及第二子损失函数值； 其中， 根据所述第二子损 失函数以及第一子损 失函数值， 计算获得所述初始模型的损 失函数值。 7.根据权利要求6所述的方法， 其特征在于， 所述基于对应的所述场景特征一致性结 果、 匹配度以及软概 率， 输出历史风险轨 迹序列集， 包括： 获得每个所述目标路段的每条所述子历史轨迹序列的所述场景特征一致性结果、 匹配 度以及软概 率； 对每个所述目标路段的每条所述子历史轨迹序列的所述场景特征一致性结果、 匹配度 以及软概 率进行计算， 获得每 个所述目标路段的每条 所述子历史轨 迹序列的风险概 率； 将所述风险概率与风险概率阈值进行比对， 若所述风险概率大于所述风险概率阈值， 则将与所述 风险概率对应的所述子历史轨 迹序列确定为历史风险轨 迹序列。 8.一种感知风险的确定装置， 其特 征在于， 包括： 第一训练模块， 用于基于多条历史轨迹序列对初始模型进行训练， 获得目标模型； 所述 基于多条所述历史轨迹序列对所述初始模型进行训练， 包括： 对第一初始塔模型进 行训练， 获得第一子塔模型； 对第二初始塔模型进 行训练， 获得第二子塔模型； 对第三初始塔模型进 行训练， 获得第三子塔模型； 第二训练模块， 用于所述对第 一初始塔模型进行训练， 包括： 对多条所述历史轨迹序列 进行第一处 理， 获得多个软概 率以及第一向量； 第三训练模块， 用于所述对第 二初始塔模型进行训练， 包括： 对多条所述历史轨迹序列 进行第二处 理， 获得多个匹配度； 第四训练模块， 用于所述对第 三初始塔模型进行训练， 包括： 对多条所述历史轨迹序列 对应的场景序列特征进 行第三处理， 获得第二向量； 基于所述第一向量以及第二向量， 输出 多个场景特征一致性结果； 基于对应的所述场景特征一致性结果、 匹配度以及软概率， 输出 历史风险轨 迹序列集； 输出模块， 用于将多个待确定 轨迹序列输入至所述目标模型， 输出风险轨 迹序列集。 9.一种电子设备， 其特征在于， 包括处理器、 存储器以及存储在所述存储器中且被配置 为由所述处理器执行 的计算机程序， 所述处理器执行所述计算机程序时实现如权利要求1 至7中任意 一项所述的方法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质包括存储的计算 机程序， 其中， 在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权 利要求1至7中任意 一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115171066 A 3