CN110264721A - 一种城市交叉口周边车辆轨迹预测方法 - Google Patents

一种城市交叉口周边车辆轨迹预测方法 Download PDF

Info

Publication number
CN110264721A
CN110264721A CN201910584818.5A CN201910584818A CN110264721A CN 110264721 A CN110264721 A CN 110264721A CN 201910584818 A CN201910584818 A CN 201910584818A CN 110264721 A CN110264721 A CN 110264721A
Authority
CN
China
Prior art keywords
model
vehicle
acceleration
target
prediction
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.)
Granted
Application number
CN201910584818.5A
Other languages
English (en)
Other versions
CN110264721B (zh
Inventor
陈雪梅
杜明明
李梦溪
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201910584818.5A priority Critical patent/CN110264721B/zh
Publication of CN110264721A publication Critical patent/CN110264721A/zh
Application granted granted Critical
Publication of CN110264721B publication Critical patent/CN110264721B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
    • 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)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种城市交叉口周边车辆轨迹预测方法。步骤1、通过传感器得到的车辆状态信息作为输入，利用穿行意图识别模型和让行意图识别模型得到目标车辆运动模式；步骤2、确定目标车辆的运动模式之后，需要预测目标车辆的未来行驶轨迹；针对每种运动模式，通过建立对应运动模式的加速度预测模型得到预测加速度；步骤3、得到目标车辆预测加速度后，采用匀加速模型计算即可得到下一步车辆的运动状态；步骤4、实际使用过程中通过结合无迹卡尔曼滤波方法来降低预测模型的误差。本发明为城市交叉口轨迹预测模型的训练和测试提供真实有效的车辆状态数据。

Description

一种城市交叉口周边车辆轨迹预测方法
技术领域
本发明涉及领域，尤其涉及一种城市交叉口周边车辆轨迹预测方法。
背景技术
作为未来提高城市道路通行效率和减少道路安全事故的利器，无人驾驶相关技术近年来得到了极大地发展，国内外许多科研机构和高校仍在加大研发力度。在实际道路中行驶时，无人驾驶车辆无法像人类驾驶员一样在经验知识不全的未知环境下及时准确地作出较佳的行驶决策。决策问题难以得到解决的一个重要原因就是环境要素建模(尤其是动态要素建模)的准确性不足。例如，在城市交叉口行驶过程中，驾驶员往往能在短时间内提前预知周边车辆的运动模式和未来轨迹，但对于无人驾驶车辆来说做到这些非常困难。本发明针对城市交叉口周边车辆长时轨迹预测问题，考虑了车辆运动模式的多样性，提出了基于高斯混合模型(GMM)和高斯过程回归模型(GPR)的车辆轨迹预测模型来解决城市交叉口周边车辆轨迹预测问题。
目前车辆轨迹预测的方法可以大致分为三类:基于物理学模型的轨迹预测方法、基于运动模式的轨迹预测方法和基于交互感知的轨迹预测方法，运用的场景分为短时状态估计和长时轨迹预测，在复杂城市交叉口环境下的相关预测方法研究不多。而本发明所提出的轨迹预测方法主要针对的是城市交叉口周边车辆长时轨迹预测问题。当感知到车辆时，通过预测模型识别车辆的运动模式并预测其未来行驶轨迹。目前专利中还没有采用类似方法对城市交叉口车辆进行运动模式识别和轨迹预测。目前最接近的预测方法是采用GMM对城市交叉口车辆进行长时轨迹预测，通过GPS采集到的轨迹信息，建立相关的轨迹预测模型，通过车辆的速度和偏航角得到车辆未来的运动状态。
发明内容
1、本发明的目的
对于现有技术由于不同运动模式的车辆的轨迹呈现不同的规律，会导致轨迹预测模型的预测精度不够，无法准确预测车辆未来长时的行驶轨迹，不适应本发明所针对的复杂城市交叉口的长时轨迹预测问题，提出了一种城市交叉口周边车辆轨迹预测方法。
2、本发明所采用的技术方案
本发明公开了一种城市交叉口周边车辆轨迹预测方法，按照如下步骤进行：
步骤1、通过传感器得到的车辆状态信息作为输入，利用穿行意图识别模型和让行意图识别模型得到目标车辆运动模式：
步骤1.1穿行意图的识别模型
利用目标车辆相对方向角的变化率和相对航向角变化率作为输入，得到目标车辆的穿行意图，穿行意图分为左转、右转和直行三种；
步骤1.2让行意图的识别模型
利用目标车辆的加速度作为输入，得到左转目标车辆和直行目标车辆的让行意图，让行意图分为正常行驶和让行两种；
步骤2、确定目标车辆的运动模式之后，需要预测目标车辆的未来行驶轨迹；针对每种运动模式，通过建立对应运动模式的加速度预测模型得到预测加速度；
通过GPR算法建立加速度与车辆当前位置和速度的映射关系，训练得到的GPR加速度预测模型；对于预测模型超参数的设置，采用局部核函数的一种平方指数协方差函数作为核函数；对于超参数的训练寻优，采用共轭梯度优化算法搜索最优超参数；
步骤3、得到目标车辆预测加速度后，采用匀加速模型计算即可得到下一步车辆的运动状态，通过下一步车辆的运动状态得到下一步车辆的加速度，进而迭代计算出未来多步的车辆轨迹，GPR轨迹预测模型：匀加速运动模型用目标位置(x,y)、速度(vx,vy)、加速度(ax,ay)来表示目标的运动状态X＝(x,y,vx,vy,ax,ay)，直线运动过程位置与速度、速度与加速之间的递推关系是线性的；
步骤4、实际使用过程中通过结合无迹卡尔曼滤波方法来降低预测模型的误差。
更进一步，传感器得到的车辆状态信息作为输入具体为：构建如式(1)的运动状态向量，输入不同长度的状态向量会导致检测效果出现很大差异，选择状态向量的长度为6；
式中n是在运动模式识别中使用运动状态向量的长度，表示的是相对航向角的变化率，kθ表示的是相对方位角的变化率，和kθ用来区分车辆是转向还是直行，a是目标车辆的加速度，用来区分车辆是让行还是正常行驶。
更进一步，步骤2中将X和Y方向的加速度预测解耦，减少了模型计算的复杂度；在X方向上，使用目标的位置和速度(x(t),y(t),vx(t),vy(t))作为预测模型的输入，模型的预测值是目标X方向上的加速度ax(t)，在Y方向上使用(x(t),y(t),vx(t),vy(t))作为预测模型的输入，模型的预测值是目标Y方向上的加速度ay(t)，收敛标准设为最大迭代步数为100或者迭代步之间的相对目标值小于0.001。
更进一步，步骤4具体为：
在轨迹预测中，由于模型用目标位置、速度、加速度来表示目标状态，传感器观测量为目标的位置和速度；通过GPR对运动模式的建模，运动模式的GP模型可以表达成式(2)：
其中表示的ax和ay对应的预测结果的标准差；和表示的是预测结果的均值；r代表的是目标的位置和速度，D表示训练数据集；对应t时刻观测到(x(t),y(t),vx(t),vy(t))，通过匀加速模型推测t+1时刻车辆的位置和速度，则每一时刻的系统方程可以通过匀加速运动学模型表达为式(3)：
其中
简化的系统方程可以表达为式(4)：
rt+1＝f(rt,D)+wt (4)
其中，wt＝N(0,Qt)是系统方程的误差，由于系统状态方程的误差是通过GP模型回归得到的，当前目标的运动状态会影响模型预测精度，结合无迹卡尔曼的观测方程来减少模型的非线性误差；
然后在每一个新的时间步可以通过观测方程得到一个新的目标运动状态yt+1
yt+1＝ht+1+vt+1 (5)
其中，ht+1是通过传感器得到的目标运动状态的观测值，vt+1是一个0均值高斯噪声，vt+1～N(0,Rt+1)，Rt+1是该高斯噪声的协方差矩阵，跟传感器的测量误差有关；由于采集过程实车采集平台行驶的速度较低，因此车载传感器的测量结果误差较低，传感器对于远处目标位置观测误差在0.5m左右，相对速度的误差在1m/s-2m/s，因此Rt+1这里设置为diag[0.25 0.25 2 2]。
3、本发明所采用的有益效果
本发明针对不同运动模式的轨迹预测模型能准确有效的预测目标车辆在城市交叉口的未来行驶轨迹，并且通过对加速度的预测来直接有效的获取驾驶员的实际操作意图。
附图说明
图1为目标车辆运动模式识别模型；
图2为GPR加速度预测模型；
图3为GPR轨迹预测模型；
图4为目标车辆运动状态预测流程图。
图5为直行车辆加速度预测结果示意图。
图6为直行车辆轨迹预测结果示意图。
图7为直行车辆X坐标预测示意图。
图8为直行车辆Y坐标预测示意图。
图9为实际轨迹与预测轨迹示意图。
图10为直行车辆预测误差结果图。
图11为转向车辆预测误差结果。
具体实施方式
下面结合本发明实例中的附图，对本发明实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发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域技术人员在没有做创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
下面将结合附图对本发明实例作进一步地详细描述。
本发明主要针对的是城市交叉口车辆进行长时的轨迹预测，其最终是通过车辆的历史和当前运动状态预测其未来长时的运动状态，本发明的详细叙述如下所示：
首先本方法中主要用的模型有：高斯混合模型(GMM)和高斯过程回归模型(GPR)。
本方法建模用的数据集为实验采集得到：在良好的交通流情况下，通过路基平台和实车采集平台采集了真实城市交叉口周边车辆轨迹数据。然后提取了车辆位置坐标、速度及加速度等原始数据，为城市交叉口轨迹预测模型的训练和测试提供真实有效的车辆状态数据。
对于本发明的城市交叉口车辆轨迹预测模型，其技术方案运行基本流程与方法如下所示：
第一步：通过传感器得到的车辆状态信息作为输入，利用穿行意图(左转、右转和直行)识别模型和让行意图(正常行驶和让行)识别模型得到目标车辆运动模式，完整运动模式识别模型的识别过程如图1所示。
本发明构建如式(1)的运动状态向量。输入不同长度的状态向量会导致检测效果出现很大差异，本发明选择的状态向量的长度为6。
式中n是在运动模式识别中使用运动状态向量的长度，表示的是相对航向角的变化率，kθ表示的是相对方位角的变化率，和kθ用来区分车辆是转向还是直行，a是目标车辆的加速度，用来区分车辆是让行还是正常行驶。
1)穿行意图(左转、右转和直行)的识别模型
利用目标车辆相对方向角的变化率和相对航向角变化率作为输入，得到目标车辆的穿行意图，穿行意图分为左转、右转和直行三种。
2)让行意图(正常行驶和让行)的识别模型
如图1所示，利用目标车辆的加速度作为输入，得到左转目标车辆和直行目标车辆的让行意图，让行意图分为正常行驶和让行两种。
第二步:确定目标车辆的运动模式之后，需要预测目标车辆的未来行驶轨迹。针对每种运动模式，本发明通过建立对应运动模式的加速度预测模型得到预测加速度。
本发明将X和Y方向的加速度预测解耦，减少了模型计算的复杂度。在X方向上，使用目标的位置和速度(x(t),y(t),vx(t),vy(t))作为预测模型的输入，模型的预测值是目标X方向上的加速度ax(t)，在Y方向上使用(x(t),y(t),vx(t),vy(t))作为预测模型的输入，模型的预测值是目标Y方向上的加速度ay(t)，通过GPR算法建立加速度与车辆当前位置和速度的映射关系，训练得到的GPR加速度预测模型如图2所示。
对于预测模型超参数的设置，本发明采用局部核函数的一种平方指数协方差函数(SE)作为核函数。对于超参数的训练寻优，本文采用共轭梯度优化算法搜索最优超参数，收敛标准设为最大迭代步数为100或者迭代步之间的相对目标值小于0.001。
第三步：得到目标车辆预测加速度后，采用物理学模型计算即可得到下一步车辆的运动状态。
本发明采用匀加速模型计算得到下一步的车辆运动状态，通过下一步车辆的运动状态得到下一步车辆的加速度，进而迭代计算出未来多步的车辆轨迹，GPR轨迹预测模型如图3所示。
匀加速运动模型用目标位置(x,y)、速度(vx,vy)、加速度(ax,ay)来表示目标的运动状态X＝(x,y,vx,vy,ax,ay)，直线运动过程位置与速度、速度与加速之间的递推关系是线性的。
第四步：实际使用过程中通过结合无迹卡尔曼滤波方法来降低预测模型的误差。
在轨迹预测中，由于模型用目标位置、速度、加速度来表示目标状态，传感器观测量为目标的位置和速度。通过GPR对运动模式的建模，运动模式的GP模型可以表达成式(2)：
其中表示的ax和ay对应的预测结果的标准差。和表示的是预测结果的均值。r代表的是目标的位置和速度，D表示训练数据集。对应t时刻观测到(x(t),y(t),vx(t),vy(t))，通过匀加速模型推测t+1时刻车辆的位置和速度，则每一时刻的系统方程可以通过匀加速运动学模型表达为式(3)：
其中
简化的系统方程可以表达为式(4)：
rt+1＝f(rt,D)+wt (4)
其中，wt＝N(0,Qt)是系统方程的误差，由于系统状态方程的误差是通过GP模型回归得到的，当前目标的运动状态会影响模型预测精度，结合无迹卡尔曼的观测方程来减少模型的非线性误差。
然后在每一个新的时间步可以通过观测方程得到一个新的目标运动状态yt+1
yt+1＝ht+1+vt+1 (5)
其中，ht+1是通过传感器得到的目标运动状态的观测值，vt+1是一个0均值高斯噪声，vt+1～N(0,Rt+1)，Rt+1是该高斯噪声的协方差矩阵，跟传感器的测量误差有关。由于采集过程实车采集平台行驶的速度较低，因此车载传感器的测量结果误差较低，传感器对于远处目标位置观测误差在0.5m左右，相对速度的误差在1m/s-2m/s左右，因此Rt+1这里设置为diag[0.25 0.25 2 2]。上述技术方案的运行的基本流程图如4所示。
实施例
从测试集中选取一辆由西往东通过交叉口的直行车轨迹对预测模型进行测试。运动模式识别模型识别得到了目标车辆的运动模式为正常直行状态，并且轨迹预测模型成功地预测了之后6s的车辆行驶轨迹。图5中蓝线和紫线分别表示的是X方向和Y方向上加速度的预测结果，可以看出这条真实轨迹从接近交叉口的人行横道处起步然后加速通过交叉口。车辆以较低车速进入交叉口，在穿越交叉口时加速度一直大于0，并且在到达目标车道人行横道附近加速度会急速减小，在5s左右车辆刚好穿越交叉口，符合正常直行车辆通过交叉口的行车规律。常用的CV和CA模型加速度是个恒定值，难以描绘实际车辆在交叉口的加速度变化，而GPR模型对于城市交叉口车辆运动的加速度预测较准。说明预测模型准确掌握了正常直行状态下车辆通过交叉口时加速度的变化规律。
图6中的GPR预测值表示的是：通过GPR加速度预测模型得到的加速度，在每个预测步长采用匀加速模型预测得到的直行车辆下一时刻的位置，再通过迭代算法得到未来6s的车辆轨迹；CV预测值则代表通过CV模型得到的未来车辆轨迹；CA预测值则代表通过CA模型得到的未来车辆轨迹。比较三种预测模型的预测结果与真实值得接近程度，GPR模型在直行运动模式下的长时轨迹预测效果明显优于传统基于物理学的预测模型，并且GPR轨迹预测模型的预测结果在一段较长的预测时间内能保证预测结果的准确性。
在无人驾驶车辆的决策规划模块中，如果预测模型仅仅给出预测结果的确定值，那么规划出来的路线很难适应复杂多变的路口场景，而GPR轨迹预测模型给出的就不仅是预测结果的均值，还有相应的概率值即置信区间。例如图7-8表示的是直行车辆X和Y位置坐标的预测结果，预测模型给出了预测结果的均值(预测值)和分布范围(即概率值)。其中绿色区域表示的是置信度为95％的预测结果范围，即在车辆位置处于绿色区域范围的可能性为95％，随着预测时间的增加，置信区间会变得越来越大，预测模型的误差也会积累的越来越大，体现了目标车辆运动的不确定性。
预测模型评价指标
在进行轨迹预测时，将测试轨迹数据集作为输入输入到训练好的预测模型中得到预测输出轨迹，其中测试轨迹由车辆的历史轨迹和实际轨迹组成，实际轨迹如图9中黑色轨迹所示，预测轨迹如蓝色虚线所示：
本文采用均方根误差RMSE来计算预测模型的误差：
其中，(x′i,y′i)表示的是预测位置，(xi,yi)表示真实位置，k为预测轨迹点的数量。
图10表示的是直行车辆轨迹的预测误差，可以发现相对于目前常用的的常加速模型，GPR轨迹预测模型对于直行车的长时轨迹预测更加准确，并且在运动模式没有发生显著变化的情况下，预测模型可以捕捉到直行车辆在交叉口的运动变化。图11表示的是转向车辆轨迹的预测误差，可以发现，相对于常用的恒速率转向运动模型(CTRV)来表示目标的转向运动过程，预测模型对于转向车辆的长时轨迹预测更加准确。在相同的预测时间内，转向车辆的预测误差普遍高于直行车辆的预测误差，这是由于转向车辆的运动状态变化往往更大，很难用一种运动模式模型去完整刻画转向车辆的运动模式，同时也和路基数据的采集到的转向车辆数据的充分性有关。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (5)

1.一种城市交叉口周边车辆轨迹预测方法，其特征在于：
步骤1、通过传感器得到的车辆状态信息作为输入，利用穿行意图识别模型和让行意图识别模型得到目标车辆运动模式：
步骤1.1穿行意图的识别模型
利用目标车辆相对方向角的变化率和相对航向角变化率作为输入，得到目标车辆的穿行意图，穿行意图分为左转、右转和直行三种；
步骤1.2让行意图的识别模型
利用目标车辆的加速度作为输入，得到左转目标车辆和直行目标车辆的让行意图，让行意图分为正常行驶和让行两种；
步骤2、确定目标车辆的运动模式之后，需要预测目标车辆的未来行驶轨迹；针对每种运动模式，通过建立对应运动模式的加速度预测模型得到预测加速度；
通过GPR算法建立加速度与车辆当前位置和速度的映射关系，训练得到的GPR加速度预测模型；对于预测模型超参数的设置，采用局部核函数的一种平方指数协方差函数作为核函数；对于超参数的训练寻优，采用共轭梯度优化算法搜索最优超参数；
步骤3、得到目标车辆预测加速度后，采用匀加速模型计算即可得到下一步车辆的运动状态，通过下一步车辆的运动状态得到下一步车辆的加速度，进而迭代计算出未来多步的车辆轨迹，GPR轨迹预测模型：匀加速运动模型用目标位置(x,y)、速度(vx,vy)、加速度(ax,ay)来表示目标的运动状态X＝(x,y,vx,vy,ax,ay)，直线运动过程位置与速度、速度与加速之间的递推关系是线性的；
步骤4、实际使用过程中通过结合无迹卡尔曼滤波方法来降低预测模型的误差。
2.根据权利要求1所述的城市交叉口周边车辆轨迹预测方法，其特征在于，传感器得到的车辆状态信息作为输入具体为：构建如式(1)的运动状态向量，输入不同长度的状态向量会导致检测效果出现很大差异，选择状态向量的长度为6；
式中n是在运动模式识别中使用运动状态向量的长度，表示的是相对航向角的变化率，kθ表示的是相对方位角的变化率，和kθ用来区分车辆是转向还是直行，a是目标车辆的加速度，用来区分车辆是让行还是正常行驶。
3.根据权利要求1所述的城市交叉口周边车辆轨迹预测方法，其特征在于：步骤2中将X和Y方向的加速度预测解耦，减少了模型计算的复杂度；在X方向上，使用目标的位置和速度(x(t),y(t),vx(t),vy(t))作为预测模型的输入，模型的预测值是目标X方向上的加速度ax(t)，在Y方向上使用(x(t),y(t),vx(t),vy(t))作为预测模型的输入，模型的预测值是目标Y方向上的加速度ay(t)。
4.根据权利要求3所述的城市交叉口周边车辆轨迹预测方法，其特征在于：收敛标准设为最大迭代步数为100或者迭代步之间的相对目标值小于0.001。
5.根据权利要求1所述的城市交叉口周边车辆轨迹预测方法，其特征在于步骤4具体为：
在轨迹预测中，由于模型用目标位置、速度、加速度来表示目标状态，传感器观测量为目标的位置和速度；通过GPR对运动模式的建模，运动模式的GP模型可以表达成式(2)：
其中表示的ax和ay对应的预测结果的标准差；和表示的是预测结果的均值；r代表的是目标的位置和速度，D表示训练数据集；对应t时刻观测到(x(t),y(t),vx(t),vy(t))，通过匀加速模型推测t+1时刻车辆的位置和速度，则每一时刻的系统方程可以通过匀加速运动学模型表达为式(3)：
其中
简化的系统方程可以表达为式(4)：
rt+1＝f(rt,D)+wt (4)
其中，wt＝N(0,Qt)是系统方程的误差，由于系统状态方程的误差是通过GP模型回归得到的，当前目标的运动状态会影响模型预测精度，结合无迹卡尔曼的观测方程来减少模型的非线性误差；
然后在每一个新的时间步可以通过观测方程得到一个新的目标运动状态yt+1
yt+1＝ht+1+vt+1 (5)
其中，ht+1是通过传感器得到的目标运动状态的观测值，vt+1一个0均值高斯噪声，vt+1～N(0,Rt+1)，Rt+1是该高斯噪声的协方差矩阵，跟传感器的测量误差有关；Rt+1设置为diag[0.25 0.25 2 2]。
CN201910584818.5A 2019-07-01 2019-07-01 一种城市交叉口周边车辆轨迹预测方法 Active CN110264721B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910584818.5A CN110264721B (zh) 2019-07-01 2019-07-01 一种城市交叉口周边车辆轨迹预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910584818.5A CN110264721B (zh) 2019-07-01 2019-07-01 一种城市交叉口周边车辆轨迹预测方法

Publications (2)

Publication Number Publication Date
CN110264721A true CN110264721A (zh) 2019-09-20
CN110264721B CN110264721B (zh) 2021-04-20

Family

ID=67923526

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910584818.5A Active CN110264721B (zh) 2019-07-01 2019-07-01 一种城市交叉口周边车辆轨迹预测方法

Country Status (1)

Country Link
CN (1) CN110264721B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110891293A (zh) * 2019-11-11 2020-03-17 南京邮电大学 一种基于车辆轨迹预测的多属性网络选择方法
CN112002126A (zh) * 2020-09-02 2020-11-27 中国科学技术大学 复杂场景下车辆长期轨迹预测方法及系统
CN112133089A (zh) * 2020-07-21 2020-12-25 西安交通大学 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置
CN112308171A (zh) * 2020-11-23 2021-02-02 浙江天行健智能科技有限公司 一种基于模拟驾驶器的车辆位置预测建模方法
CN112896191A (zh) * 2021-03-08 2021-06-04 京东鲲鹏(江苏)科技有限公司 轨迹处理方法、装置、电子设备和计算机可读介质
CN113075713A (zh) * 2021-03-29 2021-07-06 北京理工大学重庆创新中心 一种车辆相对位姿测量方法、系统、设备及存储介质
CN113261035A (zh) * 2019-12-30 2021-08-13 华为技术有限公司 一种轨迹预测方法及相关设备
CN113537323A (zh) * 2021-07-02 2021-10-22 香港理工大学深圳研究院 一种基于lstm神经网络的室内轨迹误差评估方法
CN113610263A (zh) * 2021-06-18 2021-11-05 广东能源集团科学技术研究院有限公司 一种电厂作业车辆轨迹估计方法及系统
CN113763434A (zh) * 2021-09-26 2021-12-07 东风汽车集团股份有限公司 一种基于卡尔曼滤波多运动模型切换的目标轨迹预测方法
CN113879211A (zh) * 2021-11-01 2022-01-04 深圳智慧车联科技有限公司 预防渣土车右转过程与非机动车发生冲突的提醒方法及系统
CN115169233A (zh) * 2022-07-15 2022-10-11 中国人民解放军32804部队 基于深度高斯过程的高超声速飞行器不确定轨迹预测方法
US11926299B2 (en) 2020-11-23 2024-03-12 Aptiv Technologies Limited System and method for predicting road collisions with a host vehicle

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1775601A (zh) * 2005-11-18 2006-05-24 吉林大学 车辆行驶轨迹预估及车道偏离评价方法
CN104002809A (zh) * 2014-05-28 2014-08-27 长安大学 一种车辆岔口路段检测装置及检测方法
CN105270411A (zh) * 2015-08-25 2016-01-27 南京联创科技集团股份有限公司 一种驾驶行为的分析方法及装置
CN107298100A (zh) * 2017-05-16 2017-10-27 开易（北京）科技有限公司 一种基于高斯混合模型的车辆轨迹预测方法、系统
CN107610464A (zh) * 2017-08-11 2018-01-19 河海大学 一种基于高斯混合时间序列模型的轨迹预测方法
CN108550279A (zh) * 2018-04-03 2018-09-18 同济大学 基于机器学习的车辆驾驶行为预测方法
CN109147390A (zh) * 2018-08-20 2019-01-04 浙江工业大学 一种基于量化自适应卡尔曼滤波的车辆轨迹跟踪方法
CN109275121A (zh) * 2018-08-20 2019-01-25 浙江工业大学 一种基于自适应扩展卡尔曼滤波的车辆轨迹跟踪方法
CN109272745A (zh) * 2018-08-20 2019-01-25 浙江工业大学 一种基于深度神经网络的车辆轨迹预测方法
CN109523830A (zh) * 2018-11-08 2019-03-26 中交第公路勘察设计研究院有限公司 基于高频高精度定位信息的车辆轨迹预测及碰撞预警方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1775601A (zh) * 2005-11-18 2006-05-24 吉林大学 车辆行驶轨迹预估及车道偏离评价方法
CN104002809A (zh) * 2014-05-28 2014-08-27 长安大学 一种车辆岔口路段检测装置及检测方法
CN105270411A (zh) * 2015-08-25 2016-01-27 南京联创科技集团股份有限公司 一种驾驶行为的分析方法及装置
CN107298100A (zh) * 2017-05-16 2017-10-27 开易（北京）科技有限公司 一种基于高斯混合模型的车辆轨迹预测方法、系统
CN107610464A (zh) * 2017-08-11 2018-01-19 河海大学 一种基于高斯混合时间序列模型的轨迹预测方法
CN108550279A (zh) * 2018-04-03 2018-09-18 同济大学 基于机器学习的车辆驾驶行为预测方法
CN109147390A (zh) * 2018-08-20 2019-01-04 浙江工业大学 一种基于量化自适应卡尔曼滤波的车辆轨迹跟踪方法
CN109275121A (zh) * 2018-08-20 2019-01-25 浙江工业大学 一种基于自适应扩展卡尔曼滤波的车辆轨迹跟踪方法
CN109272745A (zh) * 2018-08-20 2019-01-25 浙江工业大学 一种基于深度神经网络的车辆轨迹预测方法
CN109523830A (zh) * 2018-11-08 2019-03-26 中交第公路勘察设计研究院有限公司 基于高频高精度定位信息的车辆轨迹预测及碰撞预警方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SCHREIER M 等: "An integrated approach to maneuver-based trajectory prediction and criticality assessment in arbitrary road environments", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 *
张永华 等: "基于惯导航向角的智能车几何轨迹跟踪算法", 《北京联合大学学报》 *
杨攀峰: "基于卡尔曼滤波的车辆轨迹动态误差修正及其在地图匹配中的研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
章梦杰 等: "《多维空间中基于模式的移动对象轨迹预测》", 《计算机系统应用》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110891293A (zh) * 2019-11-11 2020-03-17 南京邮电大学 一种基于车辆轨迹预测的多属性网络选择方法
CN113261035A (zh) * 2019-12-30 2021-08-13 华为技术有限公司 一种轨迹预测方法及相关设备
CN112133089A (zh) * 2020-07-21 2020-12-25 西安交通大学 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置
CN112133089B (zh) * 2020-07-21 2021-11-19 西安交通大学 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置
CN112002126A (zh) * 2020-09-02 2020-11-27 中国科学技术大学 复杂场景下车辆长期轨迹预测方法及系统
US11926299B2 (en) 2020-11-23 2024-03-12 Aptiv Technologies Limited System and method for predicting road collisions with a host vehicle
CN112308171A (zh) * 2020-11-23 2021-02-02 浙江天行健智能科技有限公司 一种基于模拟驾驶器的车辆位置预测建模方法
CN112896191A (zh) * 2021-03-08 2021-06-04 京东鲲鹏(江苏)科技有限公司 轨迹处理方法、装置、电子设备和计算机可读介质
CN113075713A (zh) * 2021-03-29 2021-07-06 北京理工大学重庆创新中心 一种车辆相对位姿测量方法、系统、设备及存储介质
CN113075713B (zh) * 2021-03-29 2024-06-18 北京理工大学重庆创新中心 一种车辆相对位姿测量方法、系统、设备及存储介质
CN113610263A (zh) * 2021-06-18 2021-11-05 广东能源集团科学技术研究院有限公司 一种电厂作业车辆轨迹估计方法及系统
CN113610263B (zh) * 2021-06-18 2023-06-09 广东能源集团科学技术研究院有限公司 一种电厂作业车辆轨迹估计方法及系统
CN113537323B (zh) * 2021-07-02 2023-11-07 香港理工大学深圳研究院 一种基于lstm神经网络的室内轨迹误差评估方法
CN113537323A (zh) * 2021-07-02 2021-10-22 香港理工大学深圳研究院 一种基于lstm神经网络的室内轨迹误差评估方法
CN113763434B (zh) * 2021-09-26 2024-02-02 东风汽车集团股份有限公司 一种基于卡尔曼滤波多运动模型切换的目标轨迹预测方法
CN113763434A (zh) * 2021-09-26 2021-12-07 东风汽车集团股份有限公司 一种基于卡尔曼滤波多运动模型切换的目标轨迹预测方法
CN113879211A (zh) * 2021-11-01 2022-01-04 深圳智慧车联科技有限公司 预防渣土车右转过程与非机动车发生冲突的提醒方法及系统
CN113879211B (zh) * 2021-11-01 2024-05-10 深圳智慧车联科技有限公司 预防渣土车右转过程与非机动车发生冲突的提醒方法及系统
CN115169233A (zh) * 2022-07-15 2022-10-11 中国人民解放军32804部队 基于深度高斯过程的高超声速飞行器不确定轨迹预测方法

Also Published As

Publication number Publication date
CN110264721B (zh) 2021-04-20

Similar Documents

Publication Publication Date Title
CN110264721A (zh) 一种城市交叉口周边车辆轨迹预测方法
CN114384920B (zh) 一种基于局部栅格地图实时构建的动态避障方法
US11561542B2 (en) Safety and comfort constraints for navigation
CN110262508A (zh) 应用于封闭场地无人驾驶货运车辆上的自动引导系统及方法
US11499834B2 (en) Aligning road information for navigation
CN105718750B (zh) 一种车辆行驶轨迹的预测方法及系统
CN102222236B (zh) 图像处理系统及位置测量系统
CN107807542A (zh) 自动驾驶仿真系统
CN107886750B (zh) 一种基于超视距协同认知的无人驾驶汽车控制方法与系统
CN108628324A (zh) 基于矢量地图的无人车导航方法、装置、设备及存储介质
Zhang et al. A cognitively inspired system architecture for the Mengshi cognitive vehicle
CN108961811A (zh) 停车场车辆定位方法、系统、移动终端及存储介质
CN110673602A (zh) 一种强化学习模型、车辆自动驾驶决策的方法和车载设备
Zhang et al. Collision avoidance predictive motion planning based on integrated perception and V2V communication
CN103256939A (zh) 智能车辆利用变粒度路权雷达图进行信息融合的方法
KR20200102378A (ko) 정보 처리 방법, 장치 및 저장 매체
CN111208820B (zh) 人工智能大数据下粒子化无人车组、控制方法及介质
CN112327865A (zh) 一种自动驾驶系统及方法
Zhang et al. Aerial dataset for china congested highway & expressway and its potential applications in automated driving systems development
CN211427151U (zh) 一种应用于封闭场地无人驾驶货运车辆上的自动引导系统
Xi et al. Map matching algorithm and its application
CN114842660B (zh) 一种无人车道路轨迹预测方法、装置和电子设备
Chipka et al. Estimation and navigation methods with limited information for autonomous urban driving
Chipka et al. Autonomous urban localization and navigation with limited information
CN110764505B (zh) 一种无人驾驶汽车控制系统

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