CN110111566B - 轨迹预测方法、装置和存储介质 - Google Patents

轨迹预测方法、装置和存储介质 Download PDF

Info

Publication number
CN110111566B
CN110111566B CN201910319536.2A CN201910319536A CN110111566B CN 110111566 B CN110111566 B CN 110111566B CN 201910319536 A CN201910319536 A CN 201910319536A CN 110111566 B CN110111566 B CN 110111566B
Authority
CN
China
Prior art keywords
driving
path
vehicle
determining
scene
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910319536.2A
Other languages
English (en)
Other versions
CN110111566A (zh
Inventor
钱祥隽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201910319536.2A priority Critical patent/CN110111566B/zh
Publication of CN110111566A publication Critical patent/CN110111566A/zh
Application granted granted Critical
Publication of CN110111566B publication Critical patent/CN110111566B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本申请实施例公开了一种轨迹预测方法、装置和存储介质；本申请实施例可以获取第一对象的位置信息和行驶特征；根据第一对象的位置信息确定第一对象所在区域；根据第一对象所在区域和行驶特征，对第一对象进行行驶场景分类，得到第一对象当前所处的行驶场景类型；获取与行驶场景类型对应的参考行驶特征；在第一对象对应的对象选择范围内确定与参考行驶特征相匹配的第二对象；基于第二对象当前所在的行驶路径以及第二对象的行驶特征，预测第二对象的行驶轨迹。在本申请实施例中，通过第一对象的行驶场景筛选可能与第一对象碰撞的第二对象，并只预测第二对象的移动轨迹，由此该方案可以降低计算资源消耗，从而提升轨迹预测的效率。

Description

轨迹预测方法、装置和存储介质
技术领域
本申请涉及计算机领域，具体涉及一种轨迹预测方法、装置和存储介质。
背景技术
随着智能化的普及，车辆、轮船、航天器、机器人等机械可以利用计算机技术的辅助来规避碰撞事故，同时提高移动效率。比如，车载计算机除了可以分辨出自身车辆周围的静态障碍物，还可以预测自身车辆周围动态障碍物的行驶轨迹，并根据动态障碍物的行驶轨迹判断出该动态障碍物是否对自身车辆构成潜在的安全威胁。
然而，目前轨迹预测的方法需要占用大量计算资源。
发明内容
本申请实施例提供一种轨迹预测方法、装置和存储介质，可以降低轨迹预测的计算量。
本申请实施例提供一种轨迹预测方法，包括：
获取第一对象的位置信息和行驶特征；
根据第一对象的位置信息确定所述第一对象所在区域；
根据所述第一对象所在区域和所述行驶特征，对第一对象进行行驶场景分类，得到第一对象当前所处的行驶场景类型；
获取与所述行驶场景类型对应的参考行驶特征；
在所述第一对象对应的对象选择范围内确定与所述参考行驶特征相匹配的第二对象；
基于第二对象当前所在的行驶路径以及第二对象的行驶特征，预测第二对象的行驶轨迹。
在一些实施例中，根据所述第一对象所在区域和所述行驶特征，对第一对象进行行驶场景分类，得到第一对象当前所处的行驶场景类型，包括：
确定第一对象所在区域中的路径指示线；
从所述路径指示线中选取与第一对象空间距离最小的路径指示线；
根据所述最近路径指示线以及第一对象的行驶特征，对第一对象进行行驶场景分类，得到第一对象当前所处的行驶场景类型。
在一些实施例中，根据所述最近的路径指示线以及第一对象的行驶特征，对第一对象进行行驶场景分类，得到第一对象当前所处的行驶场景类型，包括：
确定所述最近路径指示线的指示方向；
根据所述最近路径指示线的指示方向以及第一对象的行驶方向，分析第一对象的行驶行为；
基于第一对象的行驶行为，确定第一对象在所在区域中的行驶场景类型。
在一些实施例中，根据所述最近路径指示线的指示方向以及第一对象的行驶方向，分析第一对象的行驶行为，包括：
当第一对象的行驶方向与最近路径指示线的指示方向不匹配时，确定第一对象的场景类型为异常行驶行为；
当第一对象的行驶方向与最近路径指示线的指示方向相匹配时，确定第一对象的场景类型为正常行驶行为。
在一些实施例中，基于第一对象的行驶行为，确定第一对象在所在区域中的行驶场景类型，包括：
获取行驶场景分类标准；
根据行驶场景分类标准，确定与第一对象在所在区域以及第一对象的行驶行为对应的行驶场景类型。
在一些实施例中，在所述第一对象对应的对象选择范围内确定与所述参考行驶特征相匹配的第二对象，包括：
基于预设距离范围搜索除第一对象以外的候选对象；
采集候选对象的图像信息；
采用对象识别网络对所述图像信息进行对象识别，得到所述图像信息中候选对象的行驶特征，其中，所述对象识别网络由图像训练样本训练而成；
当所述候选对象的行驶特征与参考行驶特征相匹配时，确定所述候选对象为第二对象。
在一些实施例中，基于第二对象当前所在的行驶路径以及第二对象的行驶特征，预测第二对象的行驶轨迹，包括：
确定第二对象当前所在的行驶路径以及第二对象的行驶特征；
对所述第二对象当前所在的行驶路径进行拓扑分析，得到与所述第二对象当前所在的行驶路径相关联的关联路径；
根据所述第二对象的行驶特征从所述关联路径中选取第二对象即将驶入的关联路径；
根据所述第二对象的行驶特征以及选取的关联路径，预测第二对象的行驶轨迹。
在一些实施例中，确定第二对象当前所在的行驶路径，包括：
搜索预设距离范围内的行驶路径；
根据第二对象的位置信息确定所述行驶路径与第二对象之间的空间距离；
从所述行驶路径中选取与第二对象空间距离最小的行驶路径，得到第二对象当前所在的行驶路径。
在一些实施例中，根据所述第二对象的行驶特征从所述关联路径中选取第二对象即将驶入的关联路径，包括：
根据所述第二对象的行驶特征计算第二对象即将驶入关联路径的驶入概率；
根据所述驶入概率，从所述关联路径中选取第二对象即将驶入的关联路径。
在一些实施例中，根据所述第二对象的行驶特征计算第二对象即将驶入关联路径的驶入概率，包括：
获取所述关联路径的路径信息；
根据所述第二对象的行驶特征以及关联路径的路径信息，计算第二对象与所述关联路径之间的行驶特征变化信息；
根据所述行驶特征变化信息计算第二对象驶入所述关联路径的驶入概率。
在一些实施例中，根据所述行驶特征变化信息计算第二对象驶入所述关联路径的驶入概率之前，还包括：
获取第二对象的位置信息，并根据所述第二对象的位置信息确定第二对象所在区域；
根据所述第二对象所在区域和所述行驶特征，对第二对象进行行驶场景分类，得到第二对象当前所处的行驶场景类型；
根据所述第二对象的场景类型确定所述关联路径对应的场景类型权重；
基于所述场景类型权重对所述行驶特征变化信息进行加权处理。
在一些实施例中，根据所述第二对象的行驶特征以及选取的关联路径，预测第二对象的行驶轨迹，包括：
采用轨迹预测网络，根据所述第二对象的行驶特征对第二对象在选取的关联路径上的行驶轨迹进行预测，其中，轨迹预测网络由轨迹训练样本训练而成。
本申请实施例还提供一种轨迹预测装置，包括：
获取单元，用于获取第一对象的位置信息和行驶特征；
区域单元，用于根据第一对象的位置信息确定所述第一对象所在区域；
场景单元，用于根据所述第一对象所在区域和所述行驶特征，对第一对象进行行驶场景分类，得到第一对象当前所处的行驶场景类型；
特征单元，用于获取与所述行驶场景类型对应的参考行驶特征；
特征匹配单元，用于在所述第一对象对应的对象选择范围内确定与所述参考行驶特征相匹配的第二对象；
预测单元，用于基于第二对象当前所在的行驶路径以及第二对象的行驶特征，预测第二对象的行驶轨迹。
本申请实施例还提供一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行本申请实施例所提供的任一种轨迹预测方法中的步骤。
本申请实施例可以获取第一对象的位置信息和行驶特征；根据第一对象的位置信息确定第一对象所在区域；根据第一对象所在区域和行驶特征，对第一对象进行行驶场景分类，得到第一对象当前所处的行驶场景类型；获取与行驶场景类型对应的参考行驶特征；在第一对象对应的对象选择范围内确定与参考行驶特征相匹配的第二对象；基于第二对象当前所在的行驶路径以及第二对象的行驶特征，预测第二对象的行驶轨迹。
目前需要使用轨迹预测模型来预测周围动态障碍物的行驶轨迹，然而训练该轨迹预测模型的过程需要使用丰富的训练样本，并且在使用该轨迹预测模型进行预测时消耗大量的计算资源，导致了该预测方法的成本过高，由此阻碍了该技术的普及。
在本申请实施例中，可以确定第一对象的行驶场景，并根据第一对象的行驶场景筛选可能与第一对象碰撞的第二对象，只对这些给第一对象带来安全风险的第二对象进行轨迹预测，由此该方案可以降低计算量，减少计算资源的消耗。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1a是本申请实施例提供的轨迹预测方法的场景示意图；
图1b是本申请实施例提供的轨迹预测方法的流程示意图；
图1c是本申请实施例提供的用于车辆交通的区域地图示意图；
图1d是本申请实施例提供的高精度地图的地图层结构示意图；
图2a是本申请实施例提供的行驶场景识别流程示意图；
图2b是本申请实施例提供的车辆筛选过程示意图；
图2c是本申请实施例提供的确定风险车辆所在的当前车道的原理示意图；
图2d是本申请实施例提供的d_future参数的原理示意图；
图2e是本申请实施例提供的Δθ参数的原理示意图；
图2f是本申请实施例提供的笛卡尔坐标系(x，y)和弗莱纳坐标系(S，L)投影关系示意图；
图3是本申请实施例提供的轨迹预测装置的结构示意图；
图4是本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供一种轨迹预测方法、装置和存储介质。
其中，该轨迹预测装置具体可以集成在电子设备中，该电子设备可以为终端、服务器等设备，比如个人电脑(Personal Computer，PC)、智能手表、车载电脑等等。该电子设备可以搭载在第一对象上，该第一对象可以是车辆、轮船、航天器、机器人等机械，比如，汽车、扫地机器人、无人机等。
图1a是本申请实施例提供的轨迹预测方法的场景示意图，参考图1a，当电子设备搭载在第一对象上时，电子设备可以获取第一对象的位置信息和行驶特征，然后根据第一对象的位置信息确定第一对象所在区域，在图1a中，当前第一对象所在区域为直行道路的中间车道；根据第一对象所在区域和行驶特征，对第一对象进行行驶场景分类，得到第一对象当前所处的行驶场景类型，比如，图1a中第一对象当前所处的行驶场景类型为正常直行场景类型；然后，获取与行驶场景类型对应的参考行驶特征，再在第一对象对应的对象选择范围内确定与参考行驶特征相匹配的第二对象，比如，图1a中的第二对象分别为第一对象左前方的第二对象A和第一对象右后方的第二对象B；基于第二对象当前所在的行驶路径以及第二对象的行驶特征，预测第二对象的行驶轨迹，比如，图1a中预测第二对象A的行驶轨迹为行驶轨迹a，预测第二对象B的行驶轨迹为行驶轨迹b。
以下分别进行详细说明。需说明的是，以下实施例的序号不作为对实施例优选顺序的限定。
在本实施例中，提供了一种轨迹预测方法，如图1b所示，该轨迹预测方法的具体流程可以如下：
101、获取第一对象的位置信息和行驶特征。
第一对象指搭载了轨迹预测装置的对象，该第一对象可以为能够利用能源来产生驱动力，并根据驱动力进行自身移动的机械，比如车辆、船舶、飞行器等交通工具，以及智能移动机器人等等。
例如，该第一对象可以为自动驾驶汽车，该自动驾驶汽车可以通过电池中储备的电能产生驱动力，并根据驱动力进行自身移动，该自动驾驶汽车上可以搭载自动驾驶仪，其中，轨迹预测装置可以集成在自动驾驶仪上。
例如，该第一对象可以为民用飞机，该民用飞机的动力装置可以产生前进的推力或拉力，并依靠固定机翼产生的升力，进行飞行移动，该民用飞机上搭载了自动化飞行仪，其中，轨迹预测装置集成在自动化飞行仪上。
除此之外，该第一对象还可以为扫地机器人、无人机、自动导引运输车(AutomatedGuided Vehicle，AVG)等等。
其中，第一对象的位置信息是指第一对象所处空间位置的信息，比如，第一对象的位置信息可以指第一对象所处的自然地理信息、行政区域信息、道路信息等等。其中，位置信息的表达方式可以为坐标、字符、标识符等。
获取第一对象的位置信息的方式可以包括通过定位服务(Location BasedServices，LBS)获取、通过图像位置识别获取、通过与网络服务器通信获取、通过第一对象周围参照物的位置进行位置计算等等。
比如，在一些实施例中可以通过定位服务获取，定位服务可以包括通过全球定位系统(Global Positioning System，GPS)、北斗系统(BeiDou Navigation SatelliteSystem，BDS)等。例如，通过定位服务可以对第一对象当前所在的地理位置进行定位，得到第一对象当前所处位置的经纬度信息。
比如，在一些实施例中可以通过图像位置识别获取，例如通过采集第一对象周围的图像，并采用图像位置识别网络来对该图像进行位置识别，从而获得第一对象的当前所处位置的特征，然后通过搜索该特征来获取第一对象的位置信息。
其中，采集第一对象周围的图像的方式可以包括通过光学传感器、通过雷达、通过与网络与服务器通信等等方式采集第一对象周围的图像。
其中，图像位置识别网络可以为第一对象通过网络与服务器通信获得，也可以由第一对象存储的训练数据训练而成，等等。
在一些实施例中，搜索该特征来获取第一对象的位置信息的方式可以是通过网络将该特征发送给搜索服务器，然后获取该搜索服务器返回的位置信息，作为第一对象的位置信息。
比如，在一些实施例中还可以通过第一对象周围参照物的位置进行位置计算。例如，通过获取第一对象与其周围参照物的相对空间距离、角度等信息，可以推导出第一对象与周围参照物之间的相对位置，再结合第一对象周围参照物的具体位置，可以确定第一对象的具体位置。
其中，第一对象的行驶特征可以是指第一对象当前行驶时的行驶参数，比如，第一对象的行驶速度、方向、加速度等运动信息；再比如，第一对象的动力参数、当前载人数量、当前载重等等。
其中，获取第一对象的行驶特征的方法可以包括通过传感器采集、通过网络从服务器中获取、通过定位信息计算等等。
比如，在一些实施例中，第一对象搭载了传感器系统，轨迹预测装置可以从该传感器系统中直接获取第一对象的行驶特征。该传感器系统可以由多种传感器收集、提供的信息、集合或组合在一起。
比如，在一些实施例中，第一对象搭载了传感器系统，轨迹预测装置可以从该传感器系统中获取与第一对象的行驶特征相关的信息，并通过这些相关的信息计算第一对象的行驶特征。例如，轨迹预测装置可以从该传感器系统中获取第一对象一秒前的行驶速度，并与第一对象当前的行驶速度比较，计算出第一对象这一秒内的加速度。
其中，传感器系统中可以包括雷达、摄像头、光学传感器、防死锁刹车系统(Anti-lock Break System，ABS)传感器等等。
比如，在一些实施例中，根据第一对象一段时间前的定位信息以及当前定位信息，可以计算出第一对象的行驶特征。例如，第一对象1秒前的具体位置坐标为(0，0，0)，当前具体位置坐标为(1米，0，0)，根据这些坐标，可知第一对象在这1秒内的平均速度为1米每秒。
102、根据第一对象的位置信息确定第一对象所在区域。
第一对象所在区域可以指第一对象所处的空间区域，该空间区域可以具有点、线、网络、域面等形式。该空间区域的划分可以由本领域技术人员的设定，也可以来自于区域地图。
其中，区域地图可以用于地面交通领域、飞行器管制领域、AVG机器人领域等等。
比如，如图1c所示，提供了一种用于车辆交通的区域地图示意图，该区域地图中包括多个区域，比如，在图1c中显示有直行道路区域、接近路口区域、交通指示灯区域、斑马线区域、绿化带区域等区域。
具体地，根据第一对象的位置信息可以确定第一对象在该区域地图上所在区域，比如，第一对象的位置信息中包括其精确的经纬度信息，根据该区域地图的比例尺，可以将第一对象的经纬度信息换算到该区域地图的坐标上。比如，换算后第一对象在该区域地图上的坐标为(x＝1，y＝1)，该点落入斑马线区域的范围(0≤x≤2，0.5≤y≤1.5)中，故第一对象所在区域为斑马线区域。
在一些实施例中，在车辆交通领域，为了更加精确地确定第一对象所处的区域，可以预先获得高精度地图，通过第一对象的位置信息与该高精度地图确定第一对象所在区域。其中，高精度地图可以包含静态高精地图层和动态高精地图层。
其中，静态高精地图层中可以包含车道模型层、道路部件层、道路属性层等地图层。具体地，车道模型层中可以包含道路细节信息，如车道线、车道中心线、车道宽度、曲率、坡度、航向、车道规则等信息。道路部件层中可以包含交通标志牌、路面标志等道路部件，比如记录交通信号灯的精确位置以及高度、道路上的车道中心线的位置和引导方向、路口中路口引导线的位置和引导方向等等。
其中，动态高精地图层可以包括道路拥堵层、施工情况层、交通事故层、交通管制层、天气层等包含动态交通信息的地图层。比如，施工情况层中可以包含如整修、道路标识线磨损及重漆、交通标示改变等信息。
例如，如图1d所示，提供了一种高精度地图的地图层结构示意图，其中静态高精地图层中包含车道模型层和道路部件层，动态高精地图层包括了天气层。
在一些实施例中，为了提高第一对象所在区域的多样性，使得更为精确地描述第一对象所在区域，可以确定第一对象的位置信息在该高精度地图的地图层上所处的区域，比如，第一对象所在区域为车道模型层中的路口区域，同时处于天气层的下雨区域，此时，得到第一对象所在区域为[路口区域，下雨区域]。
103、根据第一对象所在区域和行驶特征，对第一对象进行行驶场景分类，得到第一对象当前所处的行驶场景类型。
在一些实施例中，为了判断第一对象是否在路径上正常行驶，根据第一对象所在区域和行驶特征，对第一对象进行行驶场景分类，得到第一对象当前所处的行驶场景类型可以包括如下具体步骤：
1.确定第一对象所在区域中的路径指示线。
路径指示线为路径上引导对象行驶的标识线，比如，以地面交通为例，路径指示线可以包括车道中心线、路口引导线等等，其中，车道中心线是可以指道路中间的黄色或白色直线，用于分割对向交通流的交通标线；路口引导线可以指在路口内从指定入口连接到指定出口的一条虚拟的曲线，用于表示车辆在路口时最有可能的行驶路径。
比如，在一些实施例中，可以通过高精度地图中车道模型层中获得路径指示线信息，从而确定第一对象所在区域中所有的的路径指示线。
2.从路径指示线中选取与第一对象空间距离最小的路径指示线。
从路径指示线中选取与第一对象空间距离最小的路径指示线，以下将以最近路径指示线来代指与第一对象空间距离最小的路径指示线。
比如，在一些实施例中，可以根据高精度地图计算第一对象到路径指示线之间的垂直距离，选取垂直距离最小的路径指示线，作为第一对象的最近标识线。
3.根据最近路径指示线以及第一对象的行驶特征，对第一对象进行行驶场景分类，得到第一对象当前所处的行驶场景类型。
比如，在一些实施例中，根据最近路径指示线以及第一对象的行驶特征，对第一对象进行行驶场景分类，得到第一对象当前所处的行驶场景类型的步骤具体包括：
1)确定最近路径指示线的指示方向。
比如，在一些实施例中，最近路径指示线的指示方向可以从高精度地图中获取。
2)根据最近路径指示线的指示方向以及第一对象的行驶方向，分析第一对象的行驶行为。
比如，根据最近路径指示线的指示方向以及第一对象的行驶方向，分析第一对象的行驶行为的步骤具体可以包括：
a.当第一对象的行驶方向与最近路径指示线的指示方向不匹配时，确定第一对象的场景类型为异常行驶行为；
b.当第一对象的行驶方向与最近路径指示线的指示方向相匹配时，确定第一对象的场景类型为正常行驶行为。
第一对象的行驶方向与最近路径指示线的指示方向相匹配可以指第一对象的行驶方向与最近路径指示线的指示方向之间的夹角符合预设夹角区间，例如，预设夹角区间为[0°，30°]，当一对象的行驶方向与最近路径指示线的指示方向之间的夹角为15°时，即第一对象的行驶方向与最近路径指示线的指示方向相匹配，确定第一对象的场景类型为正常行驶行为。
预设夹角区间可以由本领域技术人员设定，也可以通过网络与服务器通信获得，等等。
在一些实施例中，可以通过安装在第一对象上的摄像头采集行驶图像，该行驶图像中可以包括路径指示线信息。采用路径指示线识别网络，可以从行驶图像中识别出最近标识线以及最近标识线的指示方向。
其中，该路径指示线识别网络可以通过网络从服务器获取，也可以从本地内存中读取。除此之外，该路径指示线识别网络还可以通过采用标识线训练图像来训练基础路径指示线识别网络获得。标识线训练图像可以从本地内存中读取，也可以通过网络从服务器获取；基础路径指示线识别网络可以从本地内存中读取，也可以通过网络从服务器获取。
基础路径指示线识别网络可以为卷积神经网络(Convolutional NeuralNetworks，CNN)，比如采用经典的LeNet、ImageNet、AlexNet、DenseNet等结构作为基础路径指示线识别网络的网络结构。
3)基于第一对象的行驶行为，确定第一对象在所在区域中的行驶场景类型。
a.获取行驶场景分类标准；
b.根据行驶场景分类标准，确定与第一对象在所在区域以及第一对象的行驶行为对应的行驶场景类型。
在一些实施例中，行驶场景分类标准可以为行驶场景分类表单的形式，根据行驶场景分类标准，确定与第一对象在所在区域以及第一对象的行驶行为对应的行驶场景类型的方法具体可以是通过查询行驶场景分类表单，来获取于第一对象所在区域和行驶特征匹配的行驶场景。
其中，行驶场景分类表单可以直接从本地内存中调用，也可以通过网络从服务器中获取。其中，行驶场景分类表单中保存了区域以及行驶信息与行驶场景之间的映射关系。例如，该行驶场景分类表单适用于车辆交通领域，其格式如表1所示：
Figure BDA0002034208890000121
表1
其中，行驶信息包括了正行、逆行、超速三种行驶信息，第一对象所在区域包括路口区域和接近路口区域，根据第一对象当前所在区域和行驶特征，可以得到第一对象当前所处的行驶场景类型。例如，第一对象行驶信息中包括了行驶速度，测得第一对象的行驶速度为6米每秒，第一对象当前所在区域为路口区域，则第一对象当前所处的行驶场景类型为异常行驶场景。
104、获取与行驶场景类型对应的参考行驶特征。
比如，在一些实施例中，获取与行驶场景类型对应的参考行驶特征的方法可以包括：
a.获取参考行驶特征列表；
b.从该参考行驶特征列表中确定与行驶场景类型对应的参考行驶特征。
其中，参考行驶特征可以包括行驶速度、行驶方向、行驶加速度等可参考的行驶特征，每个行驶场景类型可以与一个或多个参考行驶特征对应，该对应关系可以通过查询参考行驶特征列表得到。
参考行驶特征列表的格式可以参考表2，其中，行驶场景类型M对应的参考行驶特征为m，行驶场景类型N对应的参考行驶特征为n，行驶场景类型O对应的参考行驶特征为o。
行驶场景类型 M N O
参考行驶特征 m n o
表2
其中，参考行驶特征列表可以直接从本地内存中读取，也可以与网络通信，从服务器中获得。
105、在第一对象对应的对象选择范围内确定与参考行驶特征相匹配的第二对象。
对象选择范围可以为技术人员设置的预设距离范围，比如，该第一对象对应的对象选择范围可以为以第一对象为圆心，半径10米内的圆形范围。
第一对象对应的对象选择范围还可以为第一对象传感器系统能扫描到的范围，比如，第一对象的传感器系统可以扫描以第一对象为圆心，半径50米的球形范围。
与参考行驶特征相匹配的第二对象是指第二对象的行驶特征与参考行驶特征完全匹配，或者部分匹配。
比如，第二对象的行驶速度落入参考行驶速度的速度区间中。
在一些实施例中，在第一对象对应的对象选择范围内确定与参考行驶特征相匹配的第二对象的具体步骤可以包括：
1.基于预设距离范围搜索除第一对象以外的候选对象。
其中，预设距离范围可以由本领域技术人员设置。
除第一对象以外的候选对象是指除第一对象以外的目标事物，比如，除第一对象以外的障碍物、除第一对象以外的移动物体等等。例如车辆、飞行器、移动机器人、树木、交通指示灯等。
在一些实施例中，搜索预设距离范围内除第一对象以外的候选对象的方法可以是通过搭载的传感器系统，扫描距离范围内除第一对象以外的候选对象。例如，通过本车辆上搭载的雷达，扫描5米内除本车辆以外的对象来确定其周围车辆。
在一些实施例中，搜索预设距离范围内除第一对象以外的候选对象的方法可以是通过查询第一对象在高精度地图上的位置，获取该位置预设距离范围内的候选对象。例如，本车辆在高精度地图上的位置为(0，0)，通过查询该坐标点周围5米内的对象来确定所有的交通信号灯和路障。
2.获取候选对象的行驶特征。
获取候选对象的行驶特征的方法有多种，比如通过搭载的传感器系统直接获取候选对象的行驶特征。
在一些实施例中，获取候选对象的行驶特征的具体步骤可以包括：
1)采集候选对象的图像信息。
通过摄像头可以拍摄候选对象，得到候选对象的图像信息。
2)采用对象识别网络对图像信息进行对象识别，得到图像信息中候选对象的行驶特征，其中，对象识别网络由图像训练样本训练而成。
采用对象识别网络，可以从对象连续的图像信息中识别出候选对象的行驶特征。
其中，该对象识别网络可以通过网络从服务器获取，也可以从本地内存中读取。除此之外，该对象识别网络还可以通过采用不同对象的训练图像来训练基础对象识别网络获得。对象的训练图像可以从本地内存中读取，也可以通过网络从服务器获取；基础对象识别网络可以从本地内存中读取，也可以通过网络从服务器获取。
比如，基础对象识别网络可以包括全卷积网络(Fully Convolutional Networks，FCN)，通过FCN来讲图像中的对象分割出来，比如采用经典的U-Net、DeepLab等。
然后，对从连续图像中分割出来的候选对象进行运动判断，判断图像中候选对象的行驶距离，再根据连续图像的采样间隔，计算出候选对象的行驶速度。
3.当候选对象的行驶特征与参考行驶特征相匹配时，确定候选对象为第二对象。
106、基于第二对象当前所在的行驶路径以及第二对象的行驶特征，预测第二对象的行驶轨迹。
其中，行驶路径指可供对象运动或行驶的通道。该通道可由部门、机构、组织等指定、规划、建设的可供对象运动或行驶的通道。
其中，行驶路径划分的方式具有多种，比如，可以基于对象的类型的不同，可将行驶路径划分为道路、航道、轨道、航线等供对象行驶的路径。
例如，区域政府在水域中为船舶航行所规定、设置以及建造的船舶航道、在城市交通运输中为车辆建设的城市道路，技术人员为循迹小车设置的虚拟巡线等等。
在一些实施例中，当对象为车辆时，行驶路径可以指城市道路，基于城市道路作用的不同，城市道路可包括主干道、支道，其中，主干道基于其限制速度与指示方向的不同，可分为左车道、中车道、右车道、路口，等等。不同的城市道路可以具有不同的道路宽度、道路曲率、起讫点、经停点等参数。
在一些实施例中，当对象为飞行器时，行驶路径可以指飞行器的空中交通线，不同的空中交通线可以具有不同的具体方向、起讫点、经停点、航线宽度、飞行高度等参数。
其中，行驶轨迹可以指对象在进行运动时对象所驶过位置点所组成的图形。该图形可包括点、线、面等等。
例如，对象在进行直线运动时，其驶过位置点所组成的图形可以为直线，即其行驶轨迹为该直线。
该行驶轨迹在车辆自动驾驶领域用于路线规划、自动避障、安全预警等。
例如，参考图1a，在日常交通中，第二对象A的行驶轨迹为虚线标出的行驶轨迹a，预测第二对象B的行驶轨迹为虚线标出的行驶轨迹b。
在本实施例中，可以预测未来一段时间内第二对象的行驶轨迹，该时间段可根据需求进行调整。比如，预测当前到未来2秒内第二对象的行驶轨迹；再比如，预测未来1秒到未来4秒之间第二对象的行驶轨迹。其中，预测的一段时间的计时起点、计时终点、长度等可以由本领域技术人员设置。
基于第二对象当前所在的行驶路径以及第二对象的行驶特征，预测第二对象的行驶轨迹的具体步骤可以包括：
1.确定第二对象当前所在的行驶路径以及第二对象的行驶特征。
第二对象当前所在的行驶路径是指第二对象当前所处于的路径，比如，以第二对象为摩托车为例，在三车道的直行道路中间行驶，此时第二对象当前所在的行驶路径为直行路段的中车道。
第二对象的行驶特征是指第二对象当前行驶时的行驶参数，比如，第二对象的行驶速度、方向、加速度等运动信息；再比如，第二对象的动力参数、当前载人数量、当前载重等等。
确定第二对象当前所在的行驶路径的方法可以包括：通过第二对象的定位信息在高精度地图上确定第二对象当前所在的行驶路径、通过拍摄第二对象的照片并对照片进行识别，识别出第二对象当前所在的行驶路径，等等。
确定第二对象行驶特征的方法可以包括：直接通过第一对象上搭载的传感器系统测出第二对象行驶特征、通过拍摄第二对象的连续照片并从连续照片中识别处第二对象的行驶特征、通过网络从服务器获取第二对象行驶特征等等。
比如，在一些实施例中，确定第二对象当前所在的行驶路径的具体方法可以包括：
1)搜索预设距离范围内的行驶路径。
预设距离范围可以由本领域技术人员设定，搜索行驶路径的方法可以包括：通过传感器系统进行扫描得到行驶路径，或者，根据第二对象的位置信息在高精度地图上的位置，得到预设距离范围内的行驶路径，等等。
2)根据第二对象的位置信息确定行驶路径与第二对象之间的空间距离。
其中，第二对象的位置信息可以代表第二对象中心点的位置，也可以代表第二对象的整体位置，等等。比如，当第二对象的位置信息代表第二对象中心点的位置时，第二对象的位置可以看为一个点，而行驶路径可以看作一条线，确定行驶路径中与第二对象距离最小的行驶路径的方法可以看作一个点到线距离最小的问题，即，通过该点作该线的垂线，得到该垂线的长度。
3)从所述行驶路径中选取与第二对象空间距离最小的行驶路径，得到第二对象当前所在的行驶路径。
将最短垂线长度对应的行驶路径，记为第二对象当前所在的行驶路径。
2.对第二对象当前所在的行驶路径进行拓扑分析，得到与第二对象当前所在的行驶路径相关联的关联路径。
首先，获取第二对象当前所在的行驶路径的拓扑关系，根据该拓扑关系，可以得到与第二对象当前所在的行驶路径相关联的关联路径。
其中，第二对象当前所在的行驶路径的拓扑关系可以包括邻接、关联、包含和连通等关系。
关联路径为第二对象当前所在的行驶路径之间具有邻接、关联、包含和连通关系的路径，即第二对象可以从当前所在的行驶路径驶入的路径。
需要注意的是，关联路径可以是第二对象当前所在的行驶路径。
3.根据第二对象的行驶特征从关联路径中选取第二对象即将驶入的关联路径。
选取的关联路径为第二对象即将驶入的关联路径，通过第二对象的行驶特征可以判断处选取的关联路径。其中，选取的关联路径可以为一条或多条。
其具体步骤可以包括：
1)根据第二对象的行驶特征计算第二对象即将驶入关联路径的驶入概率。
驶入概率可以根据第二对象当前路径的路径信息，以及第二对象的行驶特征计算得出。
2)根据驶入概率，从关联路径中选取的关联路径。
比如，在一些实施例中，选取驶入概率最大的关联路径。
再比如，在一些实施例中，选取所有驶入概率大于0.8的关联路径。
在一些实施例中，当给定一个车道，风险车辆距离该车道逐渐接近，风险车辆驶入该车道驶入概率越高；风险车辆朝向该车道的速度逐渐提高，则风险车辆驶入该车道驶入概率越高；风险车辆行驶方向与该车道指示方向的夹角逐渐变小，则风险车辆驶入该车道驶入概率越高。故根据驶入概率，从关联路径中选取的关联路径的具体步骤包括：
a.获取关联路径的路径信息；
b.根据第二对象的行驶特征以及关联路径的路径信息，计算第二对象与关联路径之间的行驶特征变化信息；
c.根据行驶特征变化信息计算第二对象驶入关联路径的驶入概率。
关联路径的路径信息中包括关联路径的路径宽度。获取路径信息的方法包括通过传感器系统直接获取、通过高精度地图获取、通过图像识别获取，等等。其中，第二对象与关联路径之间的行驶特征变化信息是指当前时刻第二对象与关联路径之间行驶特征，相对于历史时刻第二对象与关联路径之间行驶特征的变化信息。其中，历史时刻是当前时刻之前的时刻。
其中，第二对象与关联路径之间行驶特征可以指关联路径与第二对象之间的相对行驶特征，比如，关联路径与第二对象之间的相对速度、相对加速度、相对距离等等。
例如，第二对象与关联路径之间的行驶特征变化信息可以包括第二对象相对于关联路径的行驶特征变化率，其中，行驶特征变化率可以包括行驶参数在单位时间内的变化量，譬如速度、加速度、角度、距离等的变化率。
在一些实施例中，第二对象与关联路径之间的行驶特征变化信息还可以包括第二对象与关联路径之间的相对运动加速度、上升梯度、下降梯度、角频率等。
比如，在一些实施例中，行驶特征变化信息为未来T时刻第二对象与当前路径之间的距离变化，驶入概率的公式可以表示为：
likelihood＝sigmoid(L/2-|ΔdT|)
其中，驶入概率likelihood可以与当前路径的路径宽度L、行驶特征变化信息|ΔdT|有关，|ΔdT|指行驶特征变化信息，即未来T时刻第二对象与当前路径之间的距离变化。
其中，Sigmoid函数的定义为：
Figure BDA0002034208890000191
在一些实施例中，为了使得预测结果更加精确，根据行驶特征变化信息计算第二对象驶入关联路径的驶入概率之前，还包括：
a.获取第二对象的位置信息，并根据第二对象的位置信息确定第二对象所在区域；
b.根据第二对象所在区域和行驶特征，对第二对象进行行驶场景分类，得到第二对象当前所处的行驶场景类型；
c.根据第二对象的场景类型确定关联路径对应的场景类型权重；
d.基于场景类型权重对行驶特征变化信息进行加权处理。
获取第二对象的位置信息的方式可以通过第一对象搭载的传感器系统，获得第二对象与第一对象的相对距离、相对角度，再根据第一对象的位置信息推导得出。
类似于对第一对象的行驶场景进行分类，对第二对象进行行驶场景分类后可以得到第二对象当前所处的行驶场景类型。
其中，第二对象的每个场景类型都可以对应一个或多个场景类型权重，基于场景类型权重可以对行驶特征变化信息进行加权处理，使得得到的驶入概率更加精确、符合实际情况。
比如，对行驶特征变化信息进行加权处理后的驶入概率的公式可以表示为：
likelihood＝W1·sigmoid(L/2-|ΔdT|)+W2·sigmoid(ΔθT)
其中，驶入概率likelihood可以与当前路径的路径宽度Lθ、行驶特征变化信息|dT|、ΔθT、场景类型权重W1、W2有关，其中，行驶特征变化信息|dT|可以指未来T时刻第二对象与当前路径的距离变化，行驶特征变化信息ΔθT可以指第二对象行驶方向与当前路径的路径方向之间的夹角变化。
其中，场景类型权重W1、W2的取值与第二对象当前所处的行驶场景类型相关，比如，若第二对象当前所处的行驶场景类型为直行场景，则W1的权重可以相应提高，W2的权重可以相应降低；若第二对象当前所处的行驶场景类型为路口内场景，则W1的权重可以相应降低，W2的权重可以相应提高。
4.根据第二对象的行驶特征以及选取的关联路径，预测第二对象的行驶轨迹。
第二对象的行驶轨迹是指第二对象的行驶时的运动轨迹。
在一些实施例中，根据第二对象的行驶特征对第二对象在选取的关联路径上的行驶轨迹进行预测的方式可以是采用轨迹预测网络，其中，轨迹预测网络由轨迹训练样本训练而成。
其中，该轨迹预测网络可以通过网络从服务器获取，也可以从本地内存中读取。除此之外，该轨迹预测网络还可以通过采用轨迹训练图像来训练基础轨迹预测网络获得。轨迹训练图像可以从本地内存中读取，也可以通过网络从服务器获取；基础轨迹预测网络可以从本地内存中读取，也可以通过网络从服务器获取。
本申请实施例提供的轨迹预测方法可以应用在各种交通场景中，比如。以车辆交通为例，本方法可以根据本车辆的当前所在的精确位置确定本车辆当前所处的交通区域，然后根据本车辆所处的交通区域以及本车辆的行车方向，确定本车辆的行驶场景类型为“接近路口的道路中间正常行驶场景”；“接近路口的道路中间正常行驶”对应的参考行驶特征为[速度低于2米每秒，车身长度小于4米]，则基于该参考行驶特征确定速度低于2米每秒且车身长度小于4米的其周围车辆，作为第二对象。基于第二对象当前所在的行驶路径以及第二对象的行驶特征，即可预测第二对象的行驶轨迹。采用本申请实施例提供的方案可以从周围的大量车辆中筛选出有安全威胁的车辆，并只预测这些具有安全威胁车辆的行驶轨迹；并且，针对这些具有安全威胁车辆所在的场景，可以更加准确、实际地预测出它们的行驶轨迹，提高了预测准确度。故本方案不需要采集大量样本，还可以进行快速的轨迹预测，进一步减少了轨迹预测的资源消耗。
由上可知，本申请实施例获取第一对象的位置信息和行驶特征；根据第一对象的位置信息确定第一对象所在区域；根据第一对象所在区域和行驶特征，对第一对象进行行驶场景分类，得到第一对象当前所处的行驶场景类型；获取与行驶场景类型对应的参考行驶特征；在第一对象对应的对象选择范围内确定与参考行驶特征相匹配的第二对象；基于第二对象当前所在的行驶路径以及第二对象的行驶特征，预测第二对象的行驶轨迹。在本申请实施例中，通过第一对象的行驶场景筛选可能与第一对象碰撞的第二对象，并只预测第二对象的移动轨迹，由此该方案可以降低计算资源消耗。
根据上述实施例所描述的方法，以下将作进一步详细说明。
在本实施例中，将以轨迹预测装置集成在自动驾驶仪中，自动驾驶仪中搭载在智能汽车上预测对本车辆具有安全风险车辆的行驶轨迹为例，对本发明实施例的方法进行详细说明，其具体流程如下：
一、识别行驶场景。
首先，识别本车辆和周围车辆当前的行驶场景。
其中，轨迹预测装置集成在自动驾驶仪中，自动驾驶仪中搭载在智能汽车上，在本实施例中，将以本车辆来指该智能汽车，集成了轨迹预测装置的自动驾驶仪可以识别本车辆和周围车辆当前的行驶场景。
周围车辆指本车辆周围的车辆。周围车辆可以由本车辆的传感器系统的感知范围决定，也可以由驾驶本车辆的用户设定，还可以由本领域技术人员预先设定，等等。比如，本实施例中，本车辆搭载的传感器系统的感知范围为30米，则周围车辆为以本车辆为圆心30米半径内的所有车辆。
在本实施例中，行驶场景类型被定义为五种，分别是：道路外行驶场景、异常行驶场景、路口内行驶场景、接近路口行驶场景以及正常行驶场景。
其中，道路外行驶场景是指车辆脱离道路、在道路之外行驶的场景。异常行驶场景是指车辆进行异常行驶行为的场景，比如车辆逆行、在道路中央停泊等非正常行驶场景。路口内行驶场景是指车辆在路口内行驶的场景。接近路口行驶场景是指车辆在距离路口一定距离的道路内行驶的场景，该距离可由本领域技术人员制定，比如，车辆在距离路口50米内的道路内行驶。正常行驶场景是指车辆在道路中正常行驶的场景。
识别本车辆和周围车辆当前的行驶场景的具体方法是：
a.获取高精度地图以及本车辆和周围车辆的行驶信息；
b.根据本车辆的行驶信息和高精度地图判断本车辆当前的行驶场景；
c.根据周围车辆的行驶信息和高精度地图判断周围车辆当前的行驶场景。
其中，行驶信息可以包括车辆的行驶状态信息，比如车辆的速度、方向、加速度、与障碍物之间的距离等信息。
在本实施例中，车辆的当前位置信息也可以包含在行驶信息中。其中，获取行驶信息的方法多样，比如，可以通过网络与服务器通信、与周围车辆相互通信、通过传感器采集、分析等方式来得到行驶信息。
例如，在本实施例中，本车辆搭载了传感器系统，该传感器系统中可以包含各类传感器，比如雷达、摄像头、激光雷达等，轨迹预测装置可以获取传感器系统采集到的本车辆的行驶信息。除此之外，轨迹预测装置还可以通过传感器采集周围车辆的行驶信息。
其中，通过各种定位系统可以获取本车辆的当前位置信息。比如，通过全球导航卫星系统(Global Navigation Satellite System，GNSS)来获取本车辆的当前位置信息。再比如，通过定位系统结合车上搭载的传感器，合作判别本车辆当前的精确位置，例如，在本实施例中，轨迹预测装置结合了载波相位差分技术(Real-time kinematic，RTK)、惯性测量单元(Inertial Measurement Unit，IMU)以及全球定位系统(Global PositioningSystem，GPS)来达到对本车辆亚米级的精确定位。
获取高精度地图的方式多样，比如，可以通过网络与服务器通信获取，也可以在本地内存中直接读取，等等。该高精度地图可以包括自然地理、行政区域、道路状况等信息，比如，在一些实施例中，高精度地图中包括道路信息，其中，道路为可供车辆行经的道路，道路信息可以包括道路属性，例如道路长度、道路宽度、车道中心线以及路口引导线等信息。车道中心线为可用于分割对向交通流的交通标线，例如中心双实线、中心单实线、中心虚线、中心双实线等等；路口引导线可表示车辆在路口时最有可能的行驶路径。
在一些实施例中，通过结合本车辆与周围车辆的行驶信息，以及本车辆的定位位置，可以推导出周围车辆的当前位。比如，在本实施例中，获取本车辆当前的精确定位后，可以通过本车辆与周围车辆之间的距离、角度，从而推导出周围车辆与本车辆之间的相对位置，根据该相对位置可以在地图上得出周围车辆的精确定位。
在本实施例中，根据行驶信息和导航信息识别行驶场景的具体步骤可以参考图2a提供的行驶场景识别流程示意图，如图所示，本车辆可以参考导航信息，通过精确的定位信息来判断本车辆周围3米内是否存在候选线，当不存在候选线时，判定当前行驶场景为道路外场景。当车辆周围3米内存在候选线，但车辆方向与最近的候选线之间的夹角大于等于60°，则判定当前行驶场景为异常行驶场景。当车辆方向与最近的候选线之间的夹角小于60°，且该候选线的类型为路口内引导线，则判定当前行驶场景为路口内行驶场景。当候选线的类型为车道中心线，且该候选线前方20米存在路口时，则判定当前行驶场景为接近路口场景。当候选线的类型为车道中心线，且该候选线前方20米不存在路口时，则判定当前行驶场景为正常行驶场景。
二、确定风险车辆。
确定与本车辆存在碰撞风险的周围车辆，作为风险车辆，即第二对象。
确定风险车辆的方式有多种，在一些实施例中，本车辆获取周围预设范围内的车辆作为风险车辆。在一些实施例中，本车辆通过计算周围车辆与本车辆的相对距离来确定碰撞风险，从而筛选出风险车辆。在一些实施例中，本车辆根据本车辆的行驶场景来确认筛选规则，根据筛选规则筛选出风险车辆。
在本实施例中，本车辆根据本车辆的行驶场景来确认筛选规则，根据筛选规则筛选出风险车辆。其中，筛选规则可以由本领域技术人员制定并保存在本地内存中，与本车辆的行驶场景构成映射关系。
比如，当本车辆处于路口内场景、异常行驶场景以及道路外场景时，筛选规则为只将本车辆周围30米的周围车辆作为风险车辆。
比如，当本车辆处于正常行驶场景时，图2b提供了一种车辆筛选流程示意图，在图2b中，筛选规则为将本车辆车前50米、车后30米以及车左右5米的车辆作为风险车辆，同时，根据本车辆的导航信息确认本车辆的当前车道和目的地车道，将本车辆的当前车道和目的地车道前方满足d+ΔV1×T1<50，以及后方满足d-ΔV2×T2<30的车辆作为风险车辆。
其中，ΔV为本车辆与周围车辆的相对速度差，d为本车辆与周围车辆之间的距离，T1与T2可以由本领域技术人员制定。本车辆的当前车道为本车辆当前行驶的车道，各异根据本车辆的导航信息中的定位信息以及地图确认，具体地，可以根据本车辆当前在地图上的定位位置来确认该定位位置所处的车道。目的地车道为车辆所开往的车道，比如，若本车辆保持车道，则目的地车道为当前车道；若本车辆左变道，则目的地车道为左侧车道。
当本车辆处于接近路口行驶场景时，筛选规则为将本车辆车前50米、车后30米、车左右5米以及车周围30米的所有车辆作为风险车辆，同时，根据本车辆的导航信息确认本车辆的当前车道和目的地车道，将本车辆的当前车道和目的地车道前方满足d+ΔV1×T1<50，以及后方满足d-ΔV2×T2<30的车辆作为风险车辆。
为了进一步降低碰撞风险，需要考虑到非常规情况下的碰撞可能性，比如高速行驶的车辆、常违规司机驾驶的车辆以及刹车制动不稳定的大型货车等等，在一些实施例中，行驶信息还可以包括车辆的类别、车主违章记录等其他安全信息，在确定风险车辆时将该其他安全信息纳入考虑范围。
例如，当本车辆处于路口内行驶场景时，需要从周围车辆中筛选处风险车辆，此时，筛选规则为筛选出行驶速度>2米每秒或者车辆类型为大型货车的车辆，作为风险车辆。
三、预测风险车辆的目标路径。
在步骤“一”中，已获得本车辆以及周围车辆的行驶场景，在步骤“二”中，从周围车辆中筛选出了风险车辆。
在本步骤中，将基于风险车辆的行驶场景预测风险车辆的目标路径，在本实施例中，车辆的行驶路径统称为车道，将车辆即将驶入的车道统称为目标路径，或目标车道，具体步骤如下：
1、确定风险车辆所在的当前车道。
确定风险车辆所在的当前车道的方法可以是通过传感器系统采集本车辆与风险车辆之间的相对位置关系，再结合本车辆在高精度地图上的精确位置，推导出风险车辆在高精度地图上的精确位置，根据风险车辆在高精度地图上的精确位置确定风险车辆在高精度地图上所处的当前车道。
例如，在本实施例中，参考图2c所示，提供了确定风险车辆所在的当前车道的原理示意图，已知本车辆在高精度地图上的位置坐标为(x＝0，y＝0)，采集到风险车辆与本车辆之间的距离为d＝3米，风险车辆与本车辆之间的位置夹角为θ＝60°，则可以计算出风险车辆与本车辆在精确地图坐标轴上的相对距离，即风险车辆与本车辆在X轴之间的距离为d*sinθ，Y轴之间的距离为d*cosθ，则风险车辆在高精度地图上的位置坐标为(x＝1.5，y＝-2.6)，可知，该坐标落入车道W的区域范围(1<x<2，-20<y<20)内，判定风险车辆所在的当前车道为车道W。
2、基于风险车辆的行驶场景对风险车辆所在的当前车道进行拓扑分析，得到与风险车辆当前车道相关联的关联车道。
首先，获取当前车道对应的车道规则，根据该车道规则来对对风险车辆所在的当前车道进行拓扑分析。
其中，当前车道对应的车道规则可以从高精度地图上获取，具体的拓扑方式在不同的高精度地图上不同。
例如，在接近路口场景下的车道规则的格式可以参考表3，如下所示：
Figure BDA0002034208890000251
表3
在本实施例中，当风险车辆的行驶场景为道路外行驶场景、异常行驶场景时，风险车辆无关联车道。
当风险车辆的行驶场景为正常行驶场景时，根据高精度地图提供的拓扑关系可知，风险车辆的当前车道的关联车道集合为{当前车道，左侧车道，右侧车道}。
当风险车辆的行驶场景为接近路口行驶场景时，还需要通过拓扑关系考虑与风险车辆当前车道相连的路口引导线。例如，风险车辆的当前车道的关联车道集合为{当前车道+直行路口引导线，当前车道+左转路口引导线，左侧车道+左转路口引导线，右侧车道+右转路口引导线}。
当风险车辆的行驶场景为路口内行驶场景时，可以考虑该风险车辆进入该路口时经过的车道，获取该车道对应的关联车道，还需要通过拓扑关系考虑与该车道相连的路口引导线。例如，装置本实施例中，从与该车道相连的路口引导线中选取本车辆周围3米内，且路口引导线的指示方向与本车辆的行驶方向夹角Φ<∏/3的引导线，作为关联引导线，则风险车辆的当前车道的关联车道集合为{进入该路口时经过车道的关联车道+关联引导线}。
需要注意的时，在本实施例中，关联车道集合中的某车道不存在，则记该车道为空。
3、根据风险车辆的行驶特征从关联车道中选取风险车辆即将驶入的关联车道。
在本实施例中，获取了风险车辆的关联车道集合后，可计算风险车辆驶入这些关联车道的驶入概率，并从中选取驶入概率最大的关联车道，作为目标车道。
其中，风险车辆距离该车道逐渐接近，风险车辆驶入该车道驶入概率越高；风险车辆朝向该车道的速度逐渐提高，则风险车辆驶入该车道驶入概率越高；风险车辆行驶方向与该车道指示方向的夹角逐渐变小，则风险车辆驶入该车道驶入概率越高。
故本实施例计算驶入概率的公式如下：
驶入概率＝w1*sigmoid(路宽/2-|d|)+w2*sigmoid(路宽/2-|d_future|)+w3*clamp(Δθ/(∏/18)，0，1)。
其中，d为风险车辆与关联车道之间的距离，d_future为风险车辆在未来T时刻与关联车道之间的距离，Δθ为风险车辆的行驶方向与关联车道指示方向之间夹角的变化率。
其中，如图2d所示，提供了d_future参数的原理示意图，假设风险车辆相对关联车道的车道中心线侧向速度为v，则d_future＝d+v*T，当d_future*d<0时，将d_future设为0。
其中，如图2e所示，提供了Δθ参数的原理示意图，Δθ＝θ_cur-θ_prev，θ_cur为当前风险车辆的行驶方向与关联车道指示方向之间夹角，θ_prev为1秒后风险车辆的行驶方向与关联车道指示方向之间夹角。
其中，w1、w2、w3为风险车辆当前行驶场景类型对应的场景类型权重，在本实施例中，w1，w2和w3的取值与风险车辆的行驶场景类型相关，例如，若风险车辆的行驶场景类型为正常行驶场景，则w1和w2的权重可以相应提高，w3权重可以相应降低。
其中，clamp(x，min，max)函数是指，当x<min时x＝min，当x>max时x＝max，否则x＝x。
最后，驶入概率最高的一条关联车道作为目标车道。
四、生成风险车辆的预测行驶路径。
在本实施例中，若风险车辆无目标车道，则假设风险车辆继续沿当前方向行驶，即，预测风险车辆的行驶路径为一条从该风险车辆当前位置沿车头方向发散的一条射线。
生成风险车辆的预测行驶路径的方法可以为根据风险车辆当前的速度和行驶场景，通过基于规则或者基于学习的方法预测此风险车辆未来数秒内沿目标车道方向的位置曲线s(t)，作为行驶路径。
比如，在本实施例中，假设风险车辆正在匀速行驶，此时风险车辆的行驶路径为一个匀速的位置曲线s(t)。根据风险车辆与目标车道之间的距离L，以及风险车辆驶向目标车道时的侧向速度v，若假设在t秒后风险车辆可以到达目标车道，即，风险车辆相对目标车道的距离为0、侧向速度为0，由此，可计算出三次多项式L(t)＝a*t^3+b*t^2+c*t+d的四个参数(a，b，c，d)。
假设风险车辆到达目标车道的时间分别为t＝{0.5，1.0，1.5，2.0，2.5，3.0，3.5，4.0，4.5，5.0}，分别生成10条候选位置曲线S(t)，然后使用目标函数C＝w*a_lat_max+(1-w)×t，从该10条候选位置曲线S(t)中选取最优曲线L(t)。其中，w为预设权重，可以由本领域技术人员设定；a_lat_max为最大偏向角，即风险车辆在初末位置时方向的夹角。
结合S(t)、L(t)，可获得风险车辆在Frenet坐标系下的路径，再经过投影可将其转换到Cartesian坐标系下，即获得了车辆预测路径。其中，笛卡尔坐标系(Cartesiancoordinates)和弗莱纳坐标系(Frenet coordinates)投影关系示意图如图2f所示。
其中，弗莱纳坐标系描述欧几里得空间R中的粒子在连续可微曲线上的运动。具体地，弗莱纳公式描述了曲线的切向，法向，副法方向之间的关系。
需要注意的是，若车辆有多条目标车道则可以生成多条车辆预测路径。
由上可知，本申请实施例可以获取本车辆的位置信息和行驶特征；根据本车辆的位置信息确定本车辆所在区域，并根据本车辆所在区域和行驶特征，得到本车辆当前所处的行驶场景类型；然后获取与行驶场景类型对应的参考行驶特征；在第一对象对应的对象选择范围内确定与参考行驶特征相匹配的风险车辆；根据风险车辆所处的行驶场景类型，确定风险车辆即将驶入的目标路径，最后基于风险车辆所处的行驶场景类型，以及风险车辆的行驶速度，预测风险车辆在目标路径上的行驶轨迹。在本申请实施例中，通过第一对象的行驶场景筛选可能与本车辆碰撞的风险车辆，并只预测风险车辆的移动轨迹，同时基于风险车辆所处的行驶场景类型可以更加准确地预测出行驶轨迹，由此，该方案可以降低计算资源消耗、提升轨迹预测准确度。
为了更好地实施以上方法，本申请实施例还提供一种轨迹预测装置，该轨迹预测装置具体可以集成在电子设备中，该电子设备可以为终端、服务器、个人电脑等设备。比如，在本实施例中，将以轨迹预测装置集成在车载计算机为例，对本发明实施例的方法进行详细说明。
例如，如图3所示，该轨迹预测装置可以包括获取单元301、区域单元302、场景单元303、特征单元304、特征匹配单元305以及预测单元306如下：
(一)获取单元301。
获取单元301，用于获取第一对象的位置信息和行驶特征。
(二)区域单元302。
区域单元302，用于根据第一对象的位置信息确定第一对象所在区域。
(三)场景单元303。
场景单元303，用于根据第一对象所在区域和行驶特征，对第一对象进行行驶场景分类，得到第一对象当前所处的行驶场景类型。
在一些实施例中，场景单元303包括路径指示线子单元、最近标识线子单元、以及第一场景子单元，如下：
路径指示线子单元，用于确定第一对象所在区域中的路径指示线。
最近标识线子单元，用于从路径指示线中选取与第一对象空间距离最小的路径指示线，作为第一对象的最近标识线。
第一场景子单元，用于根据最近路径指示线以及第一对象的行驶特征，对第一对象进行行驶场景分类，得到第一对象当前所处的行驶场景类型。
在一些实施例中，第一场景子单元包括指示方向子模块、行驶行为子模块和第一场景子模块，如下：
指示方向子模块，用于确定最近路径指示线的指示方向。
行驶行为子模块，用于根据最近路径指示线的指示方向以及第一对象的行驶方向，分析第一对象的行驶行为。
第一场景子模块，用于基于第一对象的行驶行为，确定第一对象在所在区域中的行驶场景类型。
在一些实施例中，行驶行为子模块具体可以用于：
当第一对象的行驶方向与最近路径指示线的指示方向不匹配时，确定第一对象的场景类型为异常行驶行为；
当第一对象的行驶方向与最近路径指示线的指示方向相匹配时，确定第一对象的场景类型为正常行驶行为。
在一些实施例中，第一场景子模块具体可以用于：
获取行驶场景分类标准；
根据行驶场景分类标准，确定与第一对象在所在区域以及第一对象的行驶行为对应的行驶场景类型。
(四)特征单元304。
特征单元304，用于获取与行驶场景类型对应的参考行驶特征。
(五)特征匹配单元305。
特征匹配单元305，用于在第一对象对应的对象选择范围内确定与参考行驶特征相匹配的第二对象。
在一些实施例中，特征匹配单元305可以包括搜索子单元、行驶特征子单元和特征匹配子单元，如下：
搜索子单元，用于基于预设距离范围搜索除第一对象以外的候选对象。
候选对象图像子单元，用于采集候选对象的图像信息；
对象识别子单元，用于采用对象识别网络对图像信息进行对象识别，得到图像信息中候选对象的行驶特征，其中，对象识别网络由图像训练样本训练而成；
特征匹配子单元，用于当候选对象的行驶特征与参考行驶特征相匹配时，确定候选对象为第二对象。
(六)预测单元306。
预测单元306，基于第二对象当前所在的行驶路径以及第二对象的行驶特征，预测第二对象的行驶轨迹。
在一些实施例中，预测单元306可以包括确定子单元、拓扑子单元、关联子单元和预测子单元，如下：
确定子单元，用于确定第二对象当前所在的行驶路径以及第二对象的行驶特征。
拓扑子单元，用于对第二对象当前所在的行驶路径进行拓扑分析，得到与第二对象当前所在的行驶路径相关联的关联路径。
关联子单元，用于根据第二对象的行驶特征从关联路径中选取第二对象即将驶入的关联路径。
预测子单元，用于根据第二对象的行驶特征以及选取的关联路径，预测第二对象的行驶轨迹。
在一些实施例中，确定子单元具体可以用于：
搜索预设距离范围内的行驶路径；
根据第二对象的位置信息确定行驶路径与第二对象之间的空间距离；
从行驶路径中选取与第二对象空间距离最小的行驶路径，得到第二对象当前所在的行驶路径。
在一些实施例中，关联子单元可以包括驶入概率子模块和选取子模块，如下：
驶入概率子模块，用于根据第二对象的行驶特征计算第二对象即将驶入关联路径的驶入概率。
选取子模块，用于根据驶入概率，从关联路径中选取第二对象即将驶入的关联路径。
在一些实施例中，驶入概率子模块具体可以用于：
获取关联路径的路径信息；
根据第二对象的行驶特征以及关联路径的路径信息，计算第二对象与关联路径之间的行驶特征变化信息；
根据行驶特征变化信息计算第二对象驶入关联路径的驶入概率。
在一些实施例中，驶入概率子模块在执行步骤“根据行驶特征变化信息计算第二对象驶入关联路径的驶入概率”之前，还可以用于：
获取第二对象的位置信息，并根据第二对象的位置信息确定第二对象所在区域；
根据第二对象所在区域和行驶特征，对第二对象进行行驶场景分类，得到第二对象当前所处的行驶场景类型；
根据第二对象的场景类型确定关联路径对应的场景类型权重；
基于场景类型权重对行驶特征变化信息进行加权处理。
在一些实施例中，预测子单元具体可以用于采用轨迹预测网络，根据第二对象的行驶特征对第二对象在选取的关联路径上的行驶轨迹进行预测，其中，轨迹预测网络由轨迹训练样本训练而成。
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
由上可知，本实施例的轨迹预测装置由。由于该方案可以通过获取单元301获取第一对象的位置信息和行驶特征；通过区域单元3052用于根据第一对象的位置信息确定第一对象所在区域；通过场景单元303，用于根据第一对象所在区域和行驶特征，对第一对象进行行驶场景分类，得到第一对象当前所处的行驶场景类型；通过特征单元304，用于获取与行驶场景类型对应的参考行驶特征；通过特征匹配单元305，用于在第一对象对应的对象选择范围内确定与参考行驶特征相匹配的第二对象；通过预测单元306，用于基于第二对象当前所在的行驶路径以及第二对象的行驶特征，预测第二对象的行驶轨迹。在本申请实施例中，通过第一对象的行驶场景筛选可能与第一对象碰撞的第二对象，并只预测第二对象的移动轨迹，由此，该方案可以降低计算资源消耗。
本申请实施例还提供一种电子设备，该电子设备可以为智能手机、智能手表、平板电脑、微型计算机、自动驾驶仪等等。如图4所示，其示出了本申请实施例所涉及的电子设备的结构示意图，具体来讲：
该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403、输入单元404，除此之外，还可以包括传感器系统405、定位系统406等部件。本领域技术人员可以理解，图4中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器401是该电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过行驶或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。在一些实施例中，处理器401可包括一个或多个处理核心；在一些实施例中，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成在处理器401中。
存储器402可用于存储软件程序以及模块，处理器401通过行驶存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
电子设备还包括给各个部件供电的电源403，在一些实施例中，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入单元404，该输入单元404可用于接收输入的数字、字符、图像、定位信息等等，以及产生与用户设置以及功能控制有关的按键、虚拟键盘、方向盘、操作杆、传感器等信号输入，比如，输入单元可以接收传感器系统和定位系统输入的图像、地理位置以及行驶信息等等。
该电子设备还可包括传感器系统405，该传感器系统405可以包括多种传感器，比如，雷达、摄像头、红外传感器，等等。传感器系统405的结构可以为集中式、分布式、分级式、混合式以及多级式等，其中的多种传感器可以包括敏感元件、转换原件、辅助电源以及变换电路等部件，敏感元件可以直接感受、测量，并输出与被测量有确定关系的物理量信号；转换元件将敏感元件输出的物理量信号转换为电信号；变换电路负责对转换元件输出的电信号进行放大调制；转换元件和变换电路一般还需要辅助电源供电。
该电子设备还可包括定位系统406，该定位系统406可以接收、跟踪、变换和测量位置信号，实时给出载体的位置和速度。定位系统406可以由天线单元、接收机主机单元和电源三部组成，天线单元的可以将获取的定位导航信号转化为电流，并对这种信号电流进行放大和变频处理；接收机单元可以对经过放大和变频处理的信号电源进行跟踪、处理和测量。
尽管未示出，电子设备还可以包括显示单元、通信单元等，在此不再赘述。具体在本实施例中，电子设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来行驶存储在存储器402中的应用程序，从而实现各种功能，如下：
获取第一对象的位置信息和行驶特征；
根据第一对象的位置信息确定第一对象所在区域；
根据第一对象所在区域和行驶特征，对第一对象进行行驶场景分类，得到第一对象当前所处的行驶场景类型；
获取与行驶场景类型对应的参考行驶特征；
在第一对象对应的对象选择范围内确定与参考行驶特征相匹配的第二对象；
基于第二对象当前所在的行驶路径以及第二对象的行驶特征，预测第二对象的行驶轨迹。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
由上可知，在本申请实施例中，电子设备通过第一对象的行驶场景筛选可能与第一对象碰撞的第二对象，并只预测第二对象的移动轨迹，由此该方案可以降低计算资源消耗。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种轨迹预测方法中的步骤。例如，该指令可以执行如下步骤：
获取第一对象的位置信息和行驶特征；
根据第一对象的位置信息确定第一对象所在区域；
根据第一对象所在区域和行驶特征，对第一对象进行行驶场景分类，得到第一对象当前所处的行驶场景类型；
获取与行驶场景类型对应的参考行驶特征；
在第一对象对应的对象选择范围内确定与参考行驶特征相匹配的第二对象；
基于第二对象当前所在的行驶路径以及第二对象的行驶特征，预测第二对象的行驶轨迹。
其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本申请实施例所提供的任一种轨迹预测方法中的步骤，因此，可以实现本申请实施例所提供的任一种轨迹预测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种轨迹预测方法、装置、电子设备和存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (12)

1.一种轨迹预测方法，其特征在于，包括：
获取第一对象的位置信息和行驶特征，以及行驶场景分类标准；
根据第一对象的位置信息确定所述第一对象所在区域；
确定第一对象所在区域中的路径指示线，其中，将与第一对象空间距离最小的路径指示线作为最近路径指示线；
确定所述最近路径指示线的指示方向；
根据所述最近路径指示线的指示方向以及第一对象的行驶方向，分析得到第一对象的行驶行为；
根据所述行驶场景分类标准，确定与第一对象在所在区域以及第一对象的行驶行为对应的行驶场景类型；
获取与所述行驶场景类型对应的参考行驶特征；
在所述第一对象对应的对象选择范围内确定与所述参考行驶特征相匹配的第二对象，所述第二对象为对所述第一对象有安全威胁的车辆；
基于第二对象当前所在的行驶路径以及第二对象的行驶特征，预测第二对象的行驶轨迹。
2.如权利要求1所述的轨迹预测方法，其特征在于，根据所述最近路径指示线的指示方向以及第一对象的行驶方向，分析第一对象的行驶行为，包括：
当第一对象的行驶方向与最近路径指示线的指示方向不匹配时，确定第一对象的场景类型为异常行驶行为；
当第一对象的行驶方向与最近路径指示线的指示方向相匹配时，确定第一对象的场景类型为正常行驶行为。
3.如权利要求1所述的轨迹预测方法，其特征在于，在所述第一对象对应的对象选择范围内确定与所述参考行驶特征相匹配的第二对象，包括：
基于预设距离范围搜索除第一对象以外的候选对象；
采集候选对象的图像信息；
采用对象识别网络对所述图像信息进行对象识别，得到所述图像信息中候选对象的行驶特征，其中，所述对象识别网络由图像训练样本训练而成；
当所述对象的行驶特征与参考行驶特征相匹配时，确定所述对象为第二对象。
4.如权利要求1所述的轨迹预测方法，其特征在于，基于第二对象当前所在的行驶路径以及第二对象的行驶特征，预测第二对象的行驶轨迹，包括：
确定第二对象当前所在的行驶路径以及第二对象的行驶特征；
对所述第二对象当前所在的行驶路径进行拓扑分析，得到与所述第二对象当前所在的行驶路径相关联的关联路径；
根据所述第二对象的行驶特征从所述关联路径中选取第二对象即将驶入的关联路径；
根据所述第二对象的行驶特征以及选取的关联路径，预测第二对象的行驶轨迹。
5.如权利要求4所述的轨迹预测方法，其特征在于，确定第二对象当前所在的行驶路径，包括：
搜索预设距离范围内的行驶路径；
根据第二对象的位置信息确定所述行驶路径中与第二对象之间的空间距离；
从所述行驶路径中选取与第二对象空间距离最小的行驶路径，得到第二对象当前所在的行驶路径。
6.如权利要求4所述的轨迹预测方法，其特征在于，根据所述第二对象的行驶特征从所述关联路径中选取第二对象即将驶入的关联路径，包括：
根据所述第二对象的行驶特征计算第二对象即将驶入关联路径的驶入概率；
根据所述驶入概率，从所述关联路径中选取第二对象即将驶入的关联路径。
7.如权利要求6所述的轨迹预测方法，其特征在于，根据所述第二对象的行驶特征计算第二对象即将驶入关联路径的驶入概率，包括：
获取所述关联路径的路径信息；
根据所述第二对象的行驶特征以及关联路径的路径信息，计算第二对象与所述关联路径之间的行驶特征变化信息；
根据所述行驶特征变化信息计算第二对象驶入所述关联路径的驶入概率。
8.如权利要求7所述的轨迹预测方法，其特征在于，根据所述行驶特征变化信息计算第二对象驶入所述关联路径的驶入概率之前，还包括：
获取第二对象的位置信息，并根据所述第二对象的位置信息确定第二对象所在区域；
根据所述第二对象所在区域和所述行驶特征，对第二对象进行行驶场景分类，得到第二对象当前所处的行驶场景类型，所述第二对象的场景类型对应有一个或多个场景类型权重；
根据所述第二对象的场景类型确定所述关联路径对应的场景类型权重；
基于所述场景类型权重对所述行驶特征变化信息进行加权处理。
9.如权利要求7所述的轨迹预测方法，其特征在于，根据所述第二对象的行驶特征以及选取的关联路径，预测第二对象的行驶轨迹，包括：
采用轨迹预测网络，根据所述第二对象的行驶特征对第二对象在选取的关联路径上的行驶轨迹进行预测，其中，轨迹预测网络由轨迹训练样本训练而成。
10.一种轨迹预测装置，其特征在于，包括：
获取单元，用于获取第一对象的位置信息和行驶特征，以及行驶场景分类标准；
区域单元，用于根据第一对象的位置信息确定所述第一对象所在区域；
场景单元，用于确定第一对象所在区域中的路径指示线，其中，将与第一对象空间距离最小的路径指示线作为最近路径指示线；确定所述最近路径指示线的指示方向；根据所述最近路径指示线的指示方向以及第一对象的行驶方向，分析得到第一对象的行驶行为；根据所述行驶场景分类标准，确定与第一对象在所在区域以及第一对象的行驶行为对应的行驶场景类型；
特征单元，用于获取与所述行驶场景类型对应的参考行驶特征，所述参考行驶特征用于筛选有安全威胁的车辆；
特征匹配单元，用于在所述第一对象对应的对象选择范围内确定与所述参考行驶特征相匹配的第二对象，所述第二对象为对所述第一对象有安全威胁的车辆；
预测单元，用于基于第二对象当前所在的行驶路径以及第二对象的行驶特征，预测第二对象的行驶轨迹。
11.一种存储介质，其特征在于，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1～9任一项所述的轨迹预测方法中的步骤。
12.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有多条指令；所述处理器从所述存储器中加载指令，以执行如权利要求1～9任一项所述的轨迹预测方法中的步骤。
CN201910319536.2A 2019-04-19 2019-04-19 轨迹预测方法、装置和存储介质 Active CN110111566B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910319536.2A CN110111566B (zh) 2019-04-19 2019-04-19 轨迹预测方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910319536.2A CN110111566B (zh) 2019-04-19 2019-04-19 轨迹预测方法、装置和存储介质

Publications (2)

Publication Number Publication Date
CN110111566A CN110111566A (zh) 2019-08-09
CN110111566B true CN110111566B (zh) 2021-07-06

Family

ID=67486028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910319536.2A Active CN110111566B (zh) 2019-04-19 2019-04-19 轨迹预测方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN110111566B (zh)

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472571A (zh) * 2019-08-14 2019-11-19 广州小鹏汽车科技有限公司 一种车距确定方法、装置和车辆
CN110502012A (zh) * 2019-08-20 2019-11-26 武汉中海庭数据技术有限公司 一种他车轨迹预测方法、装置及存储介质
CN114450735B (zh) * 2019-09-30 2024-07-16 北京航迹科技有限公司 一种联合预测运动对象轨迹的系统和方法
CN110796856B (zh) * 2019-10-16 2022-03-25 腾讯科技（深圳）有限公司 车辆变道意图预测方法及变道意图预测网络的训练方法
CN112783145B (zh) * 2019-11-11 2023-03-31 上海快仓智能科技有限公司 交通控制方法、装置、设备和计算机可读存储介质
CN110941275A (zh) * 2019-12-06 2020-03-31 格物汽车科技(苏州)有限公司 用于车辆自动驾驶的数据处理方法
CN111145589B (zh) * 2019-12-17 2021-10-08 北京交通大学 基于向量算法的车辆全向防碰撞预警系统
CN110941278B (zh) * 2019-12-20 2023-05-23 交控科技股份有限公司 一种站内动态安全分析方法
CN111218779B (zh) * 2019-12-30 2021-11-12 广东溢达纺织有限公司 衣车辅助装置、系统、方法、计算机设备和存储介质
WO2021142793A1 (zh) * 2020-01-17 2021-07-22 华为技术有限公司 路径规划方法和路径规划装置
EP4030403A4 (en) * 2020-03-04 2022-10-19 Huawei Technologies Co., Ltd. METHOD AND DEVICE FOR PREDICTING THE EXIT OF A VEHICLE
CN111582018B (zh) * 2020-03-24 2024-02-09 北京掌行通信息技术有限公司 无人车动态交互场景的判定方法、系统、判定终端及存储介质
CN111126362B (zh) * 2020-03-26 2020-08-07 北京三快在线科技有限公司 一种预测障碍物轨迹的方法及装置
CN111661061B (zh) * 2020-06-18 2022-02-11 东软睿驰汽车技术（沈阳）有限公司 一种车辆行驶意图识别方法及装置
CN112347993B (zh) * 2020-11-30 2023-03-17 吉林大学 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法
WO2022141538A1 (zh) * 2020-12-31 2022-07-07 华为技术有限公司 一种轨迹预测方法与装置
CN112907757A (zh) * 2021-04-08 2021-06-04 深圳市慧鲤科技有限公司 一种导航提示方法、装置、电子设备及存储介质
CN113483775B (zh) * 2021-06-30 2024-06-14 上海商汤临港智能科技有限公司 路径预测方法及装置、电子设备及计算机可读存储介质
CN113534126B (zh) * 2021-07-07 2023-10-24 中船重工鹏力（南京）大气海洋信息系统有限公司 一种基于雷达的交汇水域船舶逆行违章判定方法
CN113701777B (zh) * 2021-08-28 2022-11-04 浙江省测绘科学技术研究院 基于空间向量的高精地图车道关联轨迹线自动生成方法
CN113504555B (zh) * 2021-09-10 2021-11-30 浙江特勤卫星导航科技有限公司 一种航线路径更新方法、系统及存储介质
CN113568416B (zh) * 2021-09-26 2021-12-24 智道网联科技(北京)有限公司 无人车轨迹规划方法、装置和计算机可读存储介质
CN113963537A (zh) * 2021-10-19 2022-01-21 东软睿驰汽车技术（上海）有限公司 一种针对路口的车辆轨迹预测方法和相关装置
CN115116236B (zh) * 2022-08-30 2022-11-25 福思(杭州)智能科技有限公司 行驶行为的预测方法、装置、存储介质和电子装置
CN116580602B (zh) * 2023-07-13 2023-10-03 四川大学 一种场面飞机滑行冲突预测与可视化方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105551244A (zh) * 2015-12-08 2016-05-04 重庆云途交通科技有限公司 一种动态路径规划方法
CN106601029A (zh) * 2017-02-17 2017-04-26 重庆长安汽车股份有限公司 基于弯道自适应的前撞预警方法及系统
CN106781699A (zh) * 2017-03-20 2017-05-31 中南大学 汽车安全行驶辅助系统及其数据处理方法
CN108022450A (zh) * 2017-10-31 2018-05-11 华为技术有限公司 一种基于蜂窝网络的辅助驾驶方法及交通控制单元
CN108389430A (zh) * 2018-01-12 2018-08-10 南京理工大学 一种基于视频检测的交叉口行人与机动车碰撞预测方法
CN108932868A (zh) * 2017-05-26 2018-12-04 奥迪股份公司 车辆的危险预警系统及方法
DE102018007830A1 (de) * 2018-10-04 2019-03-28 Daimler Ag Verfahren zur Erfassung von Außengeräuschen
CN109583151A (zh) * 2019-02-20 2019-04-05 百度在线网络技术（北京）有限公司 车辆的行驶轨迹预测方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000222695A (ja) * 1999-02-02 2000-08-11 Mitsubishi Electric Corp 追突防止装置
US9079587B1 (en) * 2014-02-14 2015-07-14 Ford Global Technologies, Llc Autonomous control in a dense vehicle environment
US10347129B2 (en) * 2016-12-07 2019-07-09 Magna Electronics Inc. Vehicle system with truck turn alert

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105551244A (zh) * 2015-12-08 2016-05-04 重庆云途交通科技有限公司 一种动态路径规划方法
CN106601029A (zh) * 2017-02-17 2017-04-26 重庆长安汽车股份有限公司 基于弯道自适应的前撞预警方法及系统
CN106781699A (zh) * 2017-03-20 2017-05-31 中南大学 汽车安全行驶辅助系统及其数据处理方法
CN108932868A (zh) * 2017-05-26 2018-12-04 奥迪股份公司 车辆的危险预警系统及方法
CN108022450A (zh) * 2017-10-31 2018-05-11 华为技术有限公司 一种基于蜂窝网络的辅助驾驶方法及交通控制单元
CN108389430A (zh) * 2018-01-12 2018-08-10 南京理工大学 一种基于视频检测的交叉口行人与机动车碰撞预测方法
DE102018007830A1 (de) * 2018-10-04 2019-03-28 Daimler Ag Verfahren zur Erfassung von Außengeräuschen
CN109583151A (zh) * 2019-02-20 2019-04-05 百度在线网络技术（北京）有限公司 车辆的行驶轨迹预测方法及装置

Also Published As

Publication number Publication date
CN110111566A (zh) 2019-08-09

Similar Documents

Publication Publication Date Title
CN110111566B (zh) 轨迹预测方法、装置和存储介质
CN110400490B (zh) 轨迹预测方法和装置
CN112000130B (zh) 一种无人机的多机协同高精度建图定位系统
US10970542B2 (en) Scalable three dimensional object segmentation
US20200182640A1 (en) Systems and methods for routing a fleet of vehicles
US10012995B2 (en) Autonomous vehicle routing and navigation using passenger docking locations
CN113313154A (zh) 一体化融合多传感器自动驾驶智能感知装置
CN113128303A (zh) 一种自动驾驶方法、相关设备及计算机可读存储介质
CN113792566A (zh) 一种激光点云的处理方法及相关设备
CN111881713A (zh) 一种识别违停地点的方法、系统、装置及存储介质
CN109643118A (zh) 基于关于车辆的环境的与功能相关的信息来影响车辆的功能
US11861915B2 (en) Pipeline architecture for road sign detection and evaluation
US11685408B1 (en) Driving difficulty heat maps for autonomous vehicles
CN115285148B (zh) 自动驾驶车速规划方法、装置、电子设备和存储介质
CN114792149A (zh) 一种轨迹预测方法、装置及地图
Frew et al. Flight demonstrations of self-directed collaborative navigation of small unmanned aircraft
Zhang et al. Tracking multi-vehicles with reference points switches at the intersection using a roadside LiDAR sensor
Zhao Exploring the fundamentals of using infrastructure-based LiDAR sensors to develop connected intersections
Chen et al. Improving Autonomous Vehicle Mapping and Navigation in Work Zones Using Crowdsourcing Vehicle Trajectories
CN117387647A (zh) 融合车载传感器数据与道路传感器数据的道路规划方法
CN110109159B (zh) 行驶管理方法、装置、电子设备及存储介质
Bratulescu et al. Object Detection in Autonomous Vehicles
Xie et al. Vehicle counting and maneuver classification with support vector machines using low-density flash lidar
EP4148600A1 (en) Attentional sampling for long range detection in autonomous vehicles
WO2023177969A1 (en) Method and system for assessing whether a vehicle is likely to leave an off-road parking area

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant