CN111126362B - 一种预测障碍物轨迹的方法及装置 - Google Patents

一种预测障碍物轨迹的方法及装置 Download PDF

Info

Publication number
CN111126362B
CN111126362B CN202010220717.2A CN202010220717A CN111126362B CN 111126362 B CN111126362 B CN 111126362B CN 202010220717 A CN202010220717 A CN 202010220717A CN 111126362 B CN111126362 B CN 111126362B
Authority
CN
China
Prior art keywords
obstacle
type
track
trajectory
predicting
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
CN202010220717.2A
Other languages
English (en)
Other versions
CN111126362A (zh
Inventor
樊明宇
任冬淳
夏华夏
钱德恒
丁曙光
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 Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology 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 Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN202010220717.2A priority Critical patent/CN111126362B/zh
Publication of CN111126362A publication Critical patent/CN111126362A/zh
Application granted granted Critical
Publication of CN111126362B publication Critical patent/CN111126362B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30261—Obstacle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)

Abstract

本说明书摘要公开了一种预测障碍物轨迹的方法及装置。通过传感器监控障碍物，并识别监控到的障碍物所属的类型。针对识别出的类型，确定障碍物属于该类型的概率，并在障碍物属于该类型的条件下预测障碍物的轨迹，将其作为该类型对应的待定轨迹。根据障碍物属于每种类型的概率，对每种类型对应的待定轨迹进行加权，并根据加权后的每种类型对应的待定轨迹，确定所述障碍物的最终轨迹。本说明书摘要获取了障碍物所属各类型的概率，并对障碍物所属各类型下的轨迹均进行预测。通过障碍物所属各类型的概率，对各类型下预测轨迹进行加权，从而对障碍物的轨迹进行预测，提高了障碍物轨迹预测的准确性。

Description

一种预测障碍物轨迹的方法及装置
技术领域
本说明书涉及智能驾驶技术领域，尤其涉及一种预测障碍物轨迹的方法及装置。
背景技术
目前，车辆的智能化作为人工智能技术的重要组成部分，在社会生产、生活中的作用日益凸显，成为引导交通技术发展的主要方向之一。
在对无人车及具有辅助驾驶功能的车辆（以下统称“车辆”）进行路径规划时，需要避开周围的障碍物，这就需要对障碍物未来的运动轨迹进行预测。
在现有技术中，对障碍物的轨迹进行预测时，首先要识别障碍物的类型，如汽车、摩托车、电瓶车等。再根据识别出的障碍物的类型，基于该障碍物的历史轨迹和运动状态，对该障碍物的轨迹进行预测。
可见，对障碍物的轨迹所进行的预测需要基于对障碍物类型的准确识别，一旦识别障碍物的类型发生错误，预测出的障碍物轨迹也会发生很大的偏差，给车辆的行驶带来危险。如，错将摩托车识别成了电瓶车，则在预测障碍物轨迹时，会严重低估障碍物的加速度，给车辆的行驶带来了很大的安全隐患。
发明内容
本说明书实施例提供一种预测障碍物轨迹的方法及装置，以部分解决上述现有技术存在的问题。
本说明书实施例采用下述技术方案：
本说明书提供的一种预测障碍物轨迹的方法，包括：
通过传感器监控障碍物；
识别监控到的障碍物所属的类型；
针对识别出的每种类型，确定所述障碍物属于该类型的概率，并在所述障碍物属于该类型的条件下预测所述障碍物的轨迹，作为该类型对应的待定轨迹；
根据所述障碍物属于每种类型的概率，对每种类型对应的待定轨迹进行加权；
根据加权后的每种类型对应的待定轨迹，确定所述障碍物的最终轨迹。
可选的，通过传感器监控障碍物，具体包括：
通过摄像头和/或雷达监控障碍物。
可选的，在所述障碍物属于该类型的条件下预测所述障碍物的轨迹之前，所述方法还包括：
监控环境信息；
在所述障碍物属于该类型的条件下预测所述障碍物的轨迹，具体包括：
在所述障碍物属于该类型的条件下，根据所述障碍物的历史轨迹、所述障碍物当前的运动状态以及监控到的所述环境信息，预测所述障碍物的轨迹。
可选的，在所述障碍物属于该类型的条件下预测所述障碍物的轨迹，具体包括：
针对每个未来时刻，在所述障碍物属于该类型的条件下，预测所述障碍物在该未来时刻所在的位置坐标；
根据所述障碍物在每个未来时刻所在的位置坐标，确定所述障碍物在属于该类型的条件下的轨迹。
可选的，预测所述障碍物在该未来时刻所在的位置坐标，具体包括：
针对每个位置坐标，预测所述障碍物在该未来时刻在该位置坐标的概率。
可选的，根据所述障碍物属于每种类型的概率，对每种类型对应的待定轨迹进行加权，具体包括：
针对每种类型，采用所述障碍物属于该类型的概率，分别对所述障碍物在属于该类型的条件下在每个未来时刻预测出的位置坐标进行加权。
可选的，根据加权后的每种类型对应的待定轨迹，确定所述障碍物的最终轨迹，具体包括：
针对每个未来时刻，确定所述障碍物在属于每种类型的条件下在该未来时刻的加权后的位置坐标之和，作为所述障碍物在该未来时刻的最终位置坐标；
根据所述障碍物在每个未来时刻的最终位置坐标，确定所述障碍物的最终轨迹。
本说明书提供的一种预测障碍物轨迹的装置，包括：
监控模块，用于通过传感器监控障碍物；
识别模块，用于识别监控到的障碍物所属的类型；
确定模块，用于针对识别出的每种类型，确定所述障碍物属于该类型的概率，并在所述障碍物属于该类型的条件下预测所述障碍物的轨迹，作为该类型对应的待定轨迹；
加权模块，用于根据所述障碍物属于每种类型的概率，对每种类型对应的待定轨迹进行加权；
预测模块，用于根据加权后的每种类型对应的待定轨迹，确定所述障碍物的最终轨迹。
本说明书提供的一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述预测障碍物轨迹的方法。
本说明书提供的一种无人驾驶设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述预测障碍物轨迹的方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
本说明书实施例通过传感器监控障碍物，并识别监控到的障碍物所属的类型。针对识别出的类型，确定障碍物属于该类型的概率，并在障碍物属于该类型的条件下预测障碍物的轨迹，将其作为该类型对应的待定轨迹。根据障碍物属于每种类型的概率，对每种类型对应的待定轨迹进行加权，并根据加权后的每种类型对应的待定轨迹，确定所述障碍物的最终轨迹。本说明书实施例获取了障碍物所属各类型的概率，并对障碍物所属各类型下的轨迹均进行预测。通过障碍物所属各类型的概率，对各类型下预测轨迹进行加权，从而对障碍物的轨迹进行预测。该种方式综合考虑了障碍物所属类型的不同对障碍物轨迹的影响，提高了障碍物轨迹预测的准确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书实施例提供的一种预测障碍物轨迹的方法的流程示意图；
图2为本说明书实施例提供的一种预测障碍物轨迹的装置的结构示意图；
图3为本说明书实施例提供的无人驾驶设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的一种预测障碍物轨迹的方法的流程示意图，该流程示意图包括：
S100：通过传感器监控障碍物。
在车辆行驶过程中，需要对与之交互（比如，车辆的运动状态会受到与之距离较近的障碍物的运动状态的影响）的障碍物的轨迹进行预测，从而为车辆的轨迹规划提供参考。
在预测障碍物轨迹时，首先需要对障碍物进行监控，获取障碍物的信息。其中，障碍物的信息可为：障碍物自身的外形轮廓、坐标、速度、加速度等信息。具体的，可通过与障碍物交互的车辆上安装的传感器等设备对障碍物进行监控，还可通过障碍物自身安装的传感器等设备进行监控。传感器可为摄像头和/或雷达，即，可通过摄像头采集的视觉图像和/或雷达采集的点云图像，获取障碍物的信息。
S102：识别监控到的障碍物所属的类型。
获取传感器所监控的障碍物的信息后，综合监控信息中所包含的障碍物的外形轮廓、坐标、速度、加速度等信息，能够得到障碍物所属的类型，其中类型可为公交车、家用汽车、摩托车、电动车、自行车、固定目标物等。但是，由于车辆对周围障碍物以及环境的感知能力有限，因此，在识别监控到的障碍物所属类型时，得出的识别结果可能并不唯一，即，得到了障碍物的多种可能的类型。比如，若是监控到的障碍物实际为摩托车，但由于当时的道路状况较复杂，该障碍物的行驶速度较低，因此，根据监控得到的当前时刻该障碍物的信息，识别出的障碍物所属类型有多种，即，既可能是摩托车，也可能是电动车，还可能是自行车。
S104：针对识别出的每种类型，确定障碍物属于该类型的概率，并在障碍物属于该类型的条件下预测障碍物的轨迹，作为该类型对应的待定轨迹。
可根据监控得到的障碍物信息以及识别出障碍物所属的多种类型后，确定障碍物属于该类型的概率。继续沿用上例，可通过分析当前时刻该障碍物的信息，得出该障碍物属于摩托车的概率为50％，属于电动车的概率为49％，属于自行车的概率是1％。
进一步的，针对识别出的每种类型，可在障碍物属于该类型的条件下预测障碍物的轨迹，作为该类型对应的待定轨迹，将其定义为L。比如，在障碍物属于摩托车类型的条件下，预测障碍物的轨迹，作为摩托车类型对应的待定轨迹。同理，还可预测障碍物在属于电动车或者自行车类型条件下的轨迹。具体的，可根据障碍物的历史轨迹、运动状态以及障碍物所属类型，对障碍物的轨迹进行预测。
S106：根据障碍物属于每种类型的概率，对每种类型对应的待定轨迹进行加权。
若是障碍物所属类型用Ci表示，针对每种类型Ci均对应一个概率Pi，该类型对应的待定轨迹用Li表示，则可通过Pi*Li进行加权。
S108：根据加权后的每种类型对应的待定轨迹，确定障碍物的最终轨迹。
在图1所述的S104中，在障碍物属于该类型的条件下预测障碍物的轨迹之前，还需要监控环境信息。在障碍物属于该类型的条件下，根据障碍物的历史轨迹、障碍物当前的运动状态以及监控到的环境信息，预测障碍物的轨迹。由于，障碍物的历史轨迹和当前的运动状态（即，当前时刻障碍物所处的坐标、当前时刻障碍物的速度等）是已知的，同时还监控到了环境信息（即，公路线路图、交通路线、交通信号灯等信息），便可根据障碍物的历史轨迹、障碍物当前的运动状态、监控的环境信息，以及障碍物所属类型对应的加速度等信息输入到预先训练的模型，以使预先训练的模型输出障碍物的预测轨迹。其中，障碍物的历史轨迹可作为预测轨迹的先验知识，用于校正预测的障碍物轨迹，提高轨迹预测的准确性。
障碍物的轨迹可由多个轨迹点顺次相连构成，不同的轨迹点对应于未来时间段中不同时刻的位置坐标。因此，在对障碍物的轨迹进行预测时，可先预测未来时间段中障碍物的各轨迹点。具体的，在图1所述的S104中，针对每个未来时刻，在障碍物属于该类型的条件下，预测障碍物在该未来时刻所在的位置坐标（即，轨迹点）；将障碍物在每个未来时刻所在的轨迹点相连，即可得到障碍物在属于该类型的条件下的轨迹。具体的，当识别出的障碍物类型属于摩托车/电动车/自行车时，便可采用上述方式分别获取障碍物的预测轨迹。
在预测障碍物在该未来时刻所在的位置坐标时，可先针对每个位置坐标，预测障碍物在该未来时刻在该位置坐标的概率；再根据障碍物在该未来时刻预测的各位置坐标的概率，确定障碍物在该未来时刻所在的位置坐标。
具体的，针对识别出的每种类型，在障碍物属于该类型的条件下，预测障碍物在该未来时刻所在的每个位置坐标的概率；采用障碍物属于该类型的概率，分别对障碍物在属于该类型的条件下在该未来时刻预测出的每个位置坐标的概率进行加权；针对每个位置坐标，确定障碍物在属于每种类型的条件下在该未来时刻加权后的所预测的该位置坐标的概率之和，作为障碍物在该未来时刻在该位置坐标的最终概率；根据障碍物在该未来时刻在各位置坐标的最终概率，确定障碍物在该未来时刻所在的位置坐标。
下面将举例说明上述过程。具体的，以识别出的障碍物所属类型有3种（即，C1、C2、C3），障碍物所属类型C1、C2、C3分别对应的概率为P1、P2、P3，预测在未来t+1时刻障碍物在每个位置坐标的最终概率为例，详见下表。
Figure DEST_PATH_IMAGE001
由上表可知，针对（x0,y0），未来t+1时刻障碍物在每个位置坐标的最终概率则为：各类型的障碍物在该位置坐标的概率*障碍物所属类型的概率之和。
确定障碍物在该未来时刻在各位置坐标的最终概率之后，则可从中选出最终概率最高的位置坐标，将其作为障碍物在该未来时刻所在的位置坐标。将障碍物在各未来时刻所在的位置坐标相连，则可获取障碍物的最终轨迹。
如前所述，已详细描述了通过概率来预测障碍物轨迹的过程。另外，还可根据位置坐标来预测障碍物的轨迹。下面将对通过位置坐标预测障碍物轨迹的过程进行详细描述。在图1所述的S106中，针对每种类型，采用障碍物属于该类型的概率，分别对障碍物在属于该类型的条件下在每个未来时刻预测出的位置坐标进行加权。具体的，障碍物所属类型用Ci表示，障碍物所属类型的概率用Pi表示，未来时间段内多个未来时刻分别用t+1、t+2、t+3、......表示，其中各时刻的发生顺序依次为t+1、t+2、t+3、.....，即，t+1早于t+2。
以识别出的障碍物所属类型有3种（即，C1、C2、C3），分别预测每种类型在未来3个未来时刻的位置坐标为例，上述3种类型的加权可用下面三个表格表示，其中P1+P2+P3=1。
Figure DEST_PATH_IMAGE002
Figure DEST_PATH_IMAGE003
Figure 482022DEST_PATH_IMAGE005
通过上述的方式对每种类型对应的待定轨迹进行加权后，即可确定障碍物的最终 轨迹。在图1所述的S108中，针对每个未来时刻，可确定障碍物在属于每种类型的条件下在 该未来时刻的加权后的位置坐标之和，作为障碍物在该未来时刻的最终位置坐标。即，加权 后的位置坐标之和可通过
Figure DEST_PATH_IMAGE006
公式确定，在该公式中，I表示识别出的 所属类型的个数，Pi表示障碍物所属类型的概率，t+n表示未来时刻，
Figure 868003DEST_PATH_IMAGE007
表示未 来某时刻的位置坐标。
继续沿用上例，若是识别出的障碍物所属类型有3种（即，C1、C2、C3），那么，障碍物在未来的t+1时刻的最终位置坐标可采用下面的表格表示。
Figure DEST_PATH_IMAGE008
通过上述方式可确定未来时间段内多个未来时刻的最终位置坐标，将各最终位置坐标顺次相连，即可获得障碍物的最终轨迹。
本说明书实施例获取了障碍物所属各类型的概率，并对障碍物所属各类型下的轨迹均进行预测。本说明书既可以通过障碍物所属各类型的概率，对预测的障碍物在该未来时刻在该位置坐标的概率进行加权，根据加权结果对障碍物轨迹预测提高参考。本说明实施例还可以通过障碍物所属各类型的概率，对各类型下预测轨迹进行加权，具体的，对构成预测轨迹的各轨迹点（即，位置坐标）进行加权，根据加权后的位置坐标之和，确定障碍物最终的轨迹。本说明书实施例考虑到车辆对周围环境的感知能力有限，可能导致障碍物识别类型的不准确性，采用上述方式综合考虑了障碍物所属类型的不同对障碍物轨迹的影响，提高了障碍物轨迹预测的准确性。当处于交通状况较为复杂的环境中时，也能对障碍物未来的行驶轨迹进行更准确的预测。
本说明书实施例提供的预测障碍物轨迹的方法能够预测出障碍物在未来如何行驶，便于车辆准确避障。该方法还可用于云端设备对各障碍物的跟踪。当然，还可应用于其他领域，本说明书实施例对此不作限制。
本说明书提供的上述预测障碍物轨迹的方法具体可应用于针对无人车的路径规划或者无人车的避障，使得无人车的行驶更安全、平稳。无人车可以为无人配送车，该无人配送车可以应用于使用无人配送车进行配送的领域，如，使用无人配送车进行快递、外卖等配送的场景。具体的，在上述的场景中，可使用多个无人配送车所构成的自动驾驶车队进行配送。
以上为本说明书实施例提供的预测障碍物轨迹的方法，基于同样的思路，本说明书还提供了相应的装置、存储介质和无人驾驶设备。
图2为本说明书实施例提供的一种预测障碍物轨迹的装置的结构示意图，所述装置包括：
监控模块200，用于通过传感器监控障碍物；
识别模块202，用于识别监控到的障碍物所属的类型；
确定模块204，用于针对识别出的每种类型，确定所述障碍物属于该类型的概率，并在所述障碍物属于该类型的条件下预测所述障碍物的轨迹，作为该类型对应的待定轨迹；
加权模块206，用于根据所述障碍物属于每种类型的概率，对每种类型对应的待定轨迹进行加权；
预测模块208，用于根据加权后的每种类型对应的待定轨迹，确定所述障碍物的最终轨迹。
可选的，所述监控模块200，具体用于通过摄像头和/或雷达监控障碍物。
可选的，所述确定模块204，还用于监控环境信息；并在所述障碍物属于该类型的条件下，根据所述障碍物的历史轨迹、所述障碍物当前的运动状态以及监控到的所述环境信息，预测所述障碍物的轨迹。
可选的，所述确定模块204，还用于针对每个未来时刻，在所述障碍物属于该类型的条件下，预测所述障碍物在该未来时刻所在的位置坐标；根据所述障碍物在每个未来时刻所在的位置坐标，确定所述障碍物在属于该类型的条件下的轨迹。
可选的，所述确定模块204，还用于针对每个位置坐标，预测所述障碍物在该未来时刻在该位置坐标的概率。
可选的，所述加权模块206，具体用于针对每种类型，采用所述障碍物属于该类型的概率，分别对所述障碍物在属于该类型的条件下在每个未来时刻预测出的位置坐标进行加权。
可选的，所述预测模块208，具体用于针对每个未来时刻，确定所述障碍物在属于每种类型的条件下在该未来时刻的加权后的位置坐标之和，作为所述障碍物在该未来时刻的最终位置坐标；根据所述障碍物在每个未来时刻的最终位置坐标，确定所述障碍物的最终轨迹。
本说明书还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可用于执行上述图1提供的一种预测障碍物轨迹的方法。
基于图1所示的预测障碍物轨迹的方法，本说明书实施例还提供了图3所示的无人驾驶设备的结构示意图。如图3，在硬件层面，该无人驾驶设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的预测障碍物轨迹的方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书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、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、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、嵌入式处理机或其他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他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存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他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，从而在计算机或其他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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他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过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书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、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (8)

1.一种预测障碍物轨迹的方法，其特征在于，所述方法包括：
通过传感器监控障碍物；
识别监控到的障碍物所属的类型；
针对识别出的每种类型，确定所述障碍物属于该类型的概率，并在所述障碍物属于该类型的条件下预测所述障碍物的轨迹，作为该类型对应的待定轨迹；
根据所述障碍物属于每种类型的概率，对每种类型对应的待定轨迹进行加权；
根据加权后的每种类型对应的待定轨迹，确定所述障碍物的最终轨迹；
其中，在所述障碍物属于该类型的条件下预测所述障碍物的轨迹，具体包括：
在所述障碍物属于该类型的条件下，根据所述障碍物的历史轨迹、所述障碍物当前的运动状态以及监控到的环境信息，预测所述障碍物的轨迹；
根据加权后的每种类型对应的待定轨迹，确定所述障碍物的最终轨迹，具体包括：
针对每个未来时刻，确定所述障碍物在属于每种类型的条件下在该未来时刻的加权后的位置坐标之和，作为所述障碍物在该未来时刻的最终位置坐标；
根据所述障碍物在每个未来时刻的最终位置坐标，确定所述障碍物的最终轨迹。
2.如权利要求1所述的方法，其特征在于，通过传感器监控障碍物，具体包括：
通过摄像头和/或雷达监控障碍物。
3.如权利要求1所述的方法，其特征在于，在所述障碍物属于该类型的条件下预测所述障碍物的轨迹之前，所述方法还包括：
监控环境信息。
4.如权利要求1所述的方法，其特征在于，在所述障碍物属于该类型的条件下预测所述障碍物的轨迹，具体包括：
针对每个未来时刻，在所述障碍物属于该类型的条件下，预测所述障碍物在该未来时刻所在的位置坐标；
根据所述障碍物在每个未来时刻所在的位置坐标，确定所述障碍物在属于该类型的条件下的轨迹；
其中，预测所述障碍物在该未来时刻所在的位置坐标，具体包括：
针对每个位置坐标，确定障碍物在属于每种类型的条件下在该未来时刻加权后的所预测的该位置坐标的概率之和，作为障碍物在该未来时刻在该位置坐标的最终概率；根据障碍物在该未来时刻在各位置坐标的最终概率，从中选出最终概率最高的位置坐标，将其作为障碍物在该未来时刻所在的位置坐标。
5.如权利要求4所述的方法，其特征在于，根据所述障碍物属于每种类型的概率，对每种类型对应的待定轨迹进行加权，具体包括：
针对每种类型，采用所述障碍物属于该类型的概率，分别对所述障碍物在属于该类型的条件下在每个未来时刻预测出的位置坐标进行加权。
6.一种预测障碍物轨迹的装置，其特征在于，包括：
监控模块，用于通过传感器监控障碍物；
识别模块，用于识别监控到的障碍物所属的类型；
确定模块，用于针对识别出的每种类型，确定所述障碍物属于该类型的概率，并在所述障碍物属于该类型的条件下预测所述障碍物的轨迹，作为该类型对应的待定轨迹，其中，在所述障碍物属于该类型的条件下预测所述障碍物的轨迹，具体包括：
在所述障碍物属于该类型的条件下，根据所述障碍物的历史轨迹、所述障碍物当前的运动状态以及监控到的环境信息，预测所述障碍物的轨迹；
加权模块，用于根据所述障碍物属于每种类型的概率，对每种类型对应的待定轨迹进行加权；
预测模块，用于根据加权后的每种类型对应的待定轨迹，确定所述障碍物的最终轨迹，其中，根据加权后的每种类型对应的待定轨迹，确定所述障碍物的最终轨迹，具体包括：
针对每个未来时刻，确定所述障碍物在属于每种类型的条件下在该未来时刻的加权后的位置坐标之和，作为所述障碍物在该未来时刻的最终位置坐标；
根据所述障碍物在每个未来时刻的最终位置坐标，确定所述障碍物的最终轨迹。
7.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-5任一项所述的方法。
8.一种无人驾驶设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1-5任一项所述的方法。
CN202010220717.2A 2020-03-26 2020-03-26 一种预测障碍物轨迹的方法及装置 Active CN111126362B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010220717.2A CN111126362B (zh) 2020-03-26 2020-03-26 一种预测障碍物轨迹的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010220717.2A CN111126362B (zh) 2020-03-26 2020-03-26 一种预测障碍物轨迹的方法及装置

Publications (2)

Publication Number Publication Date
CN111126362A CN111126362A (zh) 2020-05-08
CN111126362B true CN111126362B (zh) 2020-08-07

Family

ID=70493827

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010220717.2A Active CN111126362B (zh) 2020-03-26 2020-03-26 一种预测障碍物轨迹的方法及装置

Country Status (1)

Country Link
CN (1) CN111126362B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111993155B (zh) * 2020-06-16 2021-07-20 华南理工大学 一种基于激光雷达的机床防碰撞系统及方法
CN113808409B (zh) * 2020-06-17 2023-02-10 华为技术有限公司 一种道路安全监控的方法、系统和计算机设备
CN111912423B (zh) * 2020-10-13 2021-02-02 北京三快在线科技有限公司 一种预测障碍物轨迹以及模型训练的方法及装置
CN113335276A (zh) * 2021-07-20 2021-09-03 中国第一汽车股份有限公司 障碍物的轨迹预测方法、装置、电子设备及存储介质
CN115540894B (zh) * 2022-12-02 2023-03-07 广汽埃安新能源汽车股份有限公司 车辆轨迹规划方法、装置、电子设备和计算机可读介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3336825B2 (ja) * 1995-09-25 2002-10-21 三菱自動車工業株式会社 障害物認識装置
DE102009018453A1 (de) * 2009-04-22 2010-10-28 Conti Temic Microelectronic Gmbh Verfahren zur Klassifizierung eines Objekts als Hindernis
EP2306433A1 (en) * 2009-10-05 2011-04-06 Nederlandse Organisatie voor toegepast -natuurwetenschappelijk onderzoek TNO Collision avoidance system and method for a road vehicle and respective computer program product
JP5475138B2 (ja) * 2010-09-08 2014-04-16 トヨタ自動車株式会社 移動物予測装置、仮想可動物予測装置、プログラム、移動物予測方法、及び仮想可動物予測方法
CN104215935B (zh) * 2014-08-12 2016-08-31 电子科技大学 一种基于决策加权融合的雷达炮弹目标识别方法
US10229363B2 (en) * 2015-10-19 2019-03-12 Ford Global Technologies, Llc Probabilistic inference using weighted-integrals-and-sums-by-hashing for object tracking
DE102018117561A1 (de) * 2018-07-20 2020-01-23 Zf Active Safety Gmbh Verfahren zum automatisierten Vermeiden einer Kollision
CN110111566B (zh) * 2019-04-19 2021-07-06 腾讯科技（深圳）有限公司 轨迹预测方法、装置和存储介质

Also Published As

Publication number Publication date
CN111126362A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN111126362B (zh) 一种预测障碍物轨迹的方法及装置
CN111079721B (zh) 一种障碍物的轨迹预测方法及装置
CN111190427B (zh) 一种轨迹规划的方法及装置
CN110989636B (zh) 一种障碍物的轨迹预测方法及装置
CN111619560B (zh) 车辆控制方法及装置
CN112766468B (zh) 一种轨迹预测方法、装置、存储介质及电子设备
CN110262486B (zh) 一种无人驾驶设备运动控制方法及装置
CN111208838B (zh) 一种无人驾驶设备的控制方法及装置
CN110488821B (zh) 一种确定无人车运动策略的方法及装置
CN111076739B (zh) 一种路径规划的方法及装置
CN110674723A (zh) 一种确定无人驾驶车辆行驶轨迹的方法及装置
CN112015847A (zh) 一种障碍物的轨迹预测方法、装置、存储介质及电子设备
CN111873989B (zh) 车辆控制方法及装置
CN111912423B (zh) 一种预测障碍物轨迹以及模型训练的方法及装置
CN113296541B (zh) 一种基于未来碰撞风险的无人设备控制方法及装置
CN111399523B (zh) 一种路径规划的方法及装置
CN110942181A (zh) 一种障碍物轨迹预测的方法及装置
CN111288971B (zh) 一种视觉定位方法及装置
CN111508258A (zh) 一种定位方法及装置
CN111062372B (zh) 一种预测障碍物轨迹的方法及装置
CN113968243B (zh) 一种障碍物轨迹预测方法、装置、设备及存储介质
CN111238523A (zh) 一种运动轨迹的预测方法及装置
CN112327864A (zh) 一种无人驾驶设备的控制方法及控制装置
CN112677993A (zh) 一种模型训练的方法及装置
CN112649012A (zh) 一种轨迹规划方法、设备、介质及无人设备

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