CN111428943A - 障碍物车辆轨迹预测的方法、设备和计算机设备 - Google Patents

障碍物车辆轨迹预测的方法、设备和计算机设备 Download PDF

Info

Publication number
CN111428943A
CN111428943A CN202010325618.0A CN202010325618A CN111428943A CN 111428943 A CN111428943 A CN 111428943A CN 202010325618 A CN202010325618 A CN 202010325618A CN 111428943 A CN111428943 A CN 111428943A
Authority
CN
China
Prior art keywords
lane
vehicle
parameters
probability
reference function
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
CN202010325618.0A
Other languages
English (en)
Other versions
CN111428943B (zh
Inventor
王远
林乾浩
姬猛
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.)
Freetech Intelligent Systems Co Ltd
Original Assignee
Freetech Intelligent Systems 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 Freetech Intelligent Systems Co Ltd filed Critical Freetech Intelligent Systems Co Ltd
Priority to CN202010325618.0A priority Critical patent/CN111428943B/zh
Publication of CN111428943A publication Critical patent/CN111428943A/zh
Application granted granted Critical
Publication of CN111428943B publication Critical patent/CN111428943B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种障碍物车辆轨迹预测的方法、设备和计算机设备，其中，障碍物车辆轨迹预测的方法通过获取障碍物车辆的属性参数和车道参数，根据属性参数和车道参数，计算车辆的车道选择概率，其中，属性参数包括几何参数和运动学参数；根据车道选择概率，在判定车辆以第一车道为目标车道的情况下，根据属性参数、车道参数和车辆的轨迹记录，获取车辆的变道概率；根据车道选择概率和变道概率，对车辆的轨迹进行预测。通过本申请，解决了相关技术中，在使用低精度传感器，通过神经网络模型对障碍物车辆的行为进行预测的情况下，预测准确率较低的问题，提高了在使用低精度传感器的情况下，对障碍物车辆的轨迹预测的准确度。

Description

障碍物车辆轨迹预测的方法、设备和计算机设备
技术领域
本申请涉及自动驾驶技术领域，特别是涉及障碍物车辆轨迹预测的方法、设备和计算机设备。
背景技术
随着汽车工业技术的发展，汽车智能化备受关注，作为汽车智能化的重要组成部分，无人驾驶技术逐渐成为国内外各大厂商的立足竞争点。无人驾驶车辆在启动自动驾驶模式后，通过自身搭载的传感器，获取行驶环境中的障碍物车辆的信息，无人驾驶车辆的控制系统需要对周围的障碍物车辆进行轨迹预测，预测出的轨迹将用于无人驾驶车辆本身的路径规划。
在相关技术中，通过神经网络模型对障碍物车辆行为进行预测，在使用该方法的过程中，对传感器的精度要求较高，需求的样本数据量大，且对样本数据的质量要求高，在无人驾驶车辆使用低精度传感器的情况下，预测准确率较低。
目前针对相关技术中，在使用低精度传感器，通过神经网络模型对障碍物车辆的行为进行预测的情况下，预测准确率较低的问题，尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种障碍物车辆轨迹预测的方法、设备、计算机设备和计算机可读存储介质，以至少解决相关技术中，在使用低精度传感器，通过神经网络模型对障碍物车辆的行为进行预测的情况下，预测准确率较低的问题。
第一方面，本申请实施例提供了一种障碍物车辆轨迹预测的方法，所述方法包括：
获取障碍物车辆的属性参数和车道参数，根据所述属性参数和所述车道参数，计算所述车辆的车道选择概率，其中，所述属性参数包括几何参数和运动学参数；
根据所述车道选择概率，在判定所述车辆以第一车道为目标车道的情况下，根据所述属性参数、所述车道参数和所述车辆的轨迹记录，获取所述车辆的变道概率；
根据所述车道选择概率和所述变道概率，对所述车辆的轨迹进行预测。
在其中一些实施例中，所述判定所述车辆以第一车道为目标车道包括：
在所述几何参数包括所述车辆的长度和角度，所述运动学参数包括所述车辆的速度的情况下，根据所述长度和所述车道参数生成第一距离参考函数，根据所述角度和所述速度生成第一转向参考函数；
根据所述第一距离参考函数和所述第一转向参考函数的函数值，得到所述车辆以所述第一车道为所述目标车道的选择概率；
在所述选择概率大于选择阈值的情况下，判定所述车辆以所述第一车道为目标车道。
在其中一些实施例中，所述根据所述属性参数、车道参数和所述车辆的轨迹记录，获取所述车辆的变道概率包括：
在所述几何参数包括所述车辆的长度和角度，所述运动学参数包括所述车辆的速度的情况下，根据所述长度和所述车道参数生成第二距离参考函数，根据所述角度和所述速度生成第二转向参考函数，根据所述轨迹记录生成趋势参考函数；
根据所述第二距离参考函数、所述第二转向参考函数和所述趋势参考函数的函数值，得到所述车辆的变道概率；
在所述变道概率大于变道阈值的情况下，判定所述车辆进行变道。
在其中一些实施例中，在所述计算所述车辆的车道选择概率之后，所述方法还包括：
在判定车道序列中的车道不是所述第一车道的情况下，遍历所述车道序列；
根据所述属性参数、所述车道参数和所述车辆的轨迹记录，获取所述车辆对所述车道序列中每个所述车道的变道概率；
选择所述变道概率最大的车道作为目标车道。
在其中一些实施例中，所述获取障碍物车辆的属性参数包括：
获取所述车辆的初始运动参数，对所述初始运动参数中的位置信息和角度信息进行滤波修正，其中，所述初始运动参数还包括所述车辆的速度信息；
将所述修正后的位置信息转换至车辆坐标系，在所述车辆坐标系中，根据所述速度信息、所述修正后的角度信息分别计算所述车辆的横向速度和纵向速度；
根据所述车辆坐标系中的位置信息、所述横向速度和所述纵向速度，确定所述属性参数。
第二方面，本申请实施例提供了一种障碍物车辆轨迹预测的设备，所述设备包括：车道选择模块、变道判断模块和预测模块：
所述车道选择模块，用于获取障碍物车辆的属性参数和车道参数，根据所述属性参数和所述车道参数，计算所述车辆的车道选择概率，其中，所述属性参数包括几何参数和运动学参数；
所述变道判断模块，用于根据所述车道选择概率，在判定所述车辆以第一车道为目标车道的情况下，根据所述属性参数、所述车道参数和所述车辆的轨迹记录，获取所述车辆的变道概率；
所述预测模块，用于根据所述车道选择概率和所述变道概率，对所述车辆的轨迹进行预测。
在其中一些实施例中，所述车道选择模块包括第一函数生成单元、选择概率计算单元和第一判断单元：
所述第一函数生成单元，用于在所述几何参数包括所述车辆的长度和角度，所述运动学参数包括所述车辆的速度的情况下，根据所述长度和所述车道参数生成第一距离参考函数，根据所述角度和所述速度生成第一转向参考函数；
所述选择概率计算单元，用于根据所述第一距离参考函数和所述第一转向参考函数的函数值，得到所述车辆以所述第一车道为所述目标车道的选择概率；
所述第一判断单元，用于在所述选择概率大于选择阈值的情况下，判定所述车辆以所述第一车道为目标车道。
在其中一些实施例中，所述变道判断模块包括第二函数生成单元、变道概率计算单元和第二判断单元：
所述第二函数生成单元，用于在所述几何参数包括所述车辆的长度和角度，所述运动学参数包括所述车辆的速度的情况下，根据所述长度和所述车道参数生成第二距离参考函数，根据所述角度和所述速度生成第二转向参考函数，根据所述轨迹记录生成趋势参考函数；
所述变道概率计算单元，用于根据所述第二距离参考函数、所述第二转向参考函数和所述趋势参考函数的函数值，得到所述车辆的变道概率；
所述第二判断单元，用于在所述变道概率大于变道阈值的情况下，判定所述车辆进行变道。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一所述方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一所述方法。
相比于相关技术，本申请实施例提供的障碍物车辆轨迹预测的方法，通过获取障碍物车辆的属性参数和车道参数，根据该属性参数和该车道参数，计算该车辆的车道选择概率，其中，该属性参数包括几何参数和运动学参数；根据该车道选择概率，在判定该车辆以第一车道为目标车道的情况下，根据该属性参数、该车道参数和该车辆的轨迹记录，获取该车辆的变道概率；根据该车道选择概率和该变道概率，对该车辆的轨迹进行预测，解决了相关技术中，在使用低精度传感器，通过神经网络模型对障碍物车辆的行为进行预测的情况下，预测准确率较低的问题，提高了在使用低精度传感器的情况下，对障碍物车辆的轨迹预测的准确度。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的障碍物车辆轨迹预测的方法的应用环境示意图；
图2是根据本申请实施例的障碍物车辆轨迹预测的方法的流程图；
图3是根据本申请实施例的车辆直行轨迹和换道轨迹的示意图；
图4是根据本申请实施例的车道选择的方法的流程图；
图5是根据本申请实施例的计算distance的示意图；
图6是根据本申请实施例的变道概率计算的方法的流程图；
图7是根据本申请实施例的权重参数训练的方法的流程图；
图8是根据本申请实施例的计算随机参数得分的方法的流程图；
图9是根据本申请实施例的选择变道车道的方法的流程图；
图10是根据本申请实施例的对车辆的属性参数进行处理的方法的流程图；
图11是根据本申请实施例的障碍物车辆轨迹预测的设备的结构框图；
图12是根据本申请实施例的车道选择模块的结构框图；
图13是根据本申请实施例的变道判断模块的结构框图；
图14是根据本申请实施例的电子设备的内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的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。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本申请提供的障碍物车辆轨迹预测的方法，可以应用于如图1所示的应用环境中，图1是根据本申请实施例的障碍物车辆轨迹预测的方法的应用环境示意图，如图1所示。无人驾驶车辆102通过低精度传感器获取障碍物车辆104的属性参数和车道参数，无人驾驶车辆102根据该属性参数和该车道参数，计算障碍物车辆104的车道选择概率，其中，属性参数包括几何参数和运动学参数。无人驾驶车辆102根据该车道选择概率，在判定该障碍物车辆104以第一车道为目标车道的情况下，根据属性参数、车道参数和障碍物车辆104的轨迹记录，获取障碍物车辆104的变道概率，无人驾驶车辆102根据障碍物车辆104的车道选择概率和变道概率，对障碍物车辆104的轨迹进行预测，并对自身车辆轨迹进行规划。
本实施例提供了一种障碍物车辆轨迹预测的方法，图2是根据本申请实施例的障碍物车辆轨迹预测的方法的流程图，如图2所示，该方法包括如下步骤，本申请中的障碍物车辆简称为车辆：
步骤S201，获取车辆的属性参数和车道参数，根据该属性参数和该车道参数，计算该车辆的车道选择概率，其中，该属性参数包括几何参数和运动学参数。
本实施例中，对障碍物车辆信息的获取，可以通过低精度传感器实现。低精度传感器，意为传感器感知到的定位信息可信度较高，速度与角度可信度一般、加速度可信度较低。属性参数中的几何参数包括车辆的长，运动学参数包括车辆的地理位置坐标、速度、加速度、角度等等，该角度为车辆与车道线形成的夹角的角度。车道参数包括车道在地图中的位置信息、车道宽度和车道斜率等等，车道斜率为车道线的切线斜率。
步骤S202，根据该车道选择概率，在判定该车辆以第一车道为目标车道的情况下，根据该属性参数、车道参数和该车辆的轨迹记录，获取该车辆的变道概率。
本实施例通过车道选择概率对车辆的车道选择行为进行划分，其中，车道选择行为包括以第一车道为目标车道或者不以第一车道为目标车道，本实施例中的第一车道为车辆当前行驶的车道，目标车道为车辆后续行驶的车道。可以根据实际场景，设定选择范围，在车道选择概率位于该选择范围内的情况下，判定车辆以第一车道为目标车道，否则，判定车辆不以第一车道为目标车道。
本实施例中的轨迹记录，是指车辆在预设时间段内的车速和位移，该预设时间段可以根据实际场景进行设置，可以设置为零点几秒，也可以设置为几秒钟。
与车道选择概率类似，本实施例通过变道概率对车辆的变道行为进行判定，变道行为包括直行和变道。在变道概率位于变道范围内的情况下，判定车辆即将变道，否则，判定车辆为直行状态。
步骤S203，根据该车道选择概率和该变道概率，对该车辆的轨迹进行预测。
根据车辆是否选择第一车道为目标车道，以及车辆进行直行或者变道，确定车辆的轨迹信息。本申请对车辆的轨迹预测结果包括直行和换道，图3是根据本申请实施例的车辆直行轨迹和换道轨迹的示意图，如图3所示，在车辆直行的情况下，车辆与车道线横向距离保持不变，通过纵向速度计算车辆未来时刻轨迹点；在车辆换道的情况下，计算车辆1-5s内行驶至目标车道中心线过程中横向的最优加加速度，车辆纵向速度保存不变，计算得车辆在未来时刻的轨迹，其中，加加速度为加速度的变化率。
通过上述步骤S201至步骤S203，将对车辆轨迹的预测分为车道选择和变道选择两个部分进行计算和求解，充分利用了低精度传感器的功能，减少了轨迹预测过程中对速度和加速度信息的依赖，解决了相关技术中，在使用低精度传感器，通过神经网络模型对障碍物车辆的行为进行预测的情况下，预测准确率较低的问题，本申请中的方案易于部署与训练，对数据精度、训练数据量要求较低，精简高效，准确率高。
在其中一些实施例中，图4是根据本申请实施例的车道选择的方法的流程图，如图4所示，该方法包括如下步骤：
步骤S401，在车辆的几何参数包括该车辆的长度和角度，运动学参数包括该车辆的速度的情况下，根据该长度和该车道参数生成第一距离参考函数，根据该角度和该速度生成第一转向参考函数。
本实施例中的车道参数包括车道宽度，车辆与车道线的横向距离等等。第一距离参考函数包括主要距离参考函数和次要距离参考函数，其中，主要距离参考函数为距离的主要影响因素，如公式1所示：
Figure BDA0002463100650000071
在公式1中，g1(x)表示主要距离参考函数，x1为权重参数，Sigmoid可以将[-∞,+∞]的数据映射至[-1,1]区间内，lane width为车道宽度，通常情况下为3.75米到4米，distance为车头与车道线的横向距离，可以通过如下公式2得到：
Figure BDA0002463100650000072
在公式2中，L为车辆与车道线的横向距离，在车辆位于车道线右侧的情况下，L的值为负，在车辆位于车道线左侧的情况下，L的值为正；obstacles length为车辆的长度；theta为车辆与车道线所成的角，在车辆朝向车道线右侧时，theta的值为负，在车辆朝向车道线左侧时，theta的值为正，车道线的方向为道路规定的行驶方向，theta的值根据车辆的角度和车道角度之差得到，车辆的角度根据传感器得到，车道角度根据车道斜率得到。在
Figure BDA0002463100650000081
的情况下，Sigmoid函数计算结果大于0.5，向且distance的值越小，g1(x)的值越大。
图5是根据本申请实施例的计算distance的示意图，如图5所示，在车辆长度为4m的情况下，在车辆换道，远离当前车道时，distance与L的值相差0.4-0.6m，因此，与L相比，distance更能体现车辆的行驶趋势。
次要距离参考函数为横向距离的次要影响因素，其主要目的是为了处理车辆沿车道中心线行驶过程中角度、坐标抖动对车辆轨迹预测造成的干扰，由如下公式3得到：
Figure BDA0002463100650000082
在公式3中，g2(x)表示次要距离参考函数，x2、x3均为权重参数，Epsilon为扰动参数。distance的值越小，对应g2(x)的值越大。
第一转向参考函数用于表示车辆角度、横向速度对车辆轨迹预测的影响，可以由如下公式4得到：
g3(x)＝flags1·x4·|theta|+flags1·x5·|speed·sin(theta)| 公式4
在公式4中，g3(x)表示第一转向参考函数，x4、x5分别为角度与横向速度的权重参数，speed为车辆的行驶速度，flags1为标记值，表示车辆方向是否朝向车道内侧，可以由如下公式5得到：
flags1＝-sign(L)·sign(theta) 公式5
在车辆行驶方向朝向车道内侧的情况下，flags1的值为正，在车辆行驶方向朝向车道外侧的情况下，flags1的值为负。
步骤S402，根据第一距离参考函数和第一转向参考函数的函数值，得到该车辆以第一车道为该目标车道的选择概率。
本实施例中，第一距离参考函数的函数值由公式1和公式3得到，第一转向参考函数的函数值由公式4得到，车辆的选择概率由如下公式6得到：
f1(x)＝g1(x)+g2(x)+g3(x) 公式6
在公式6中，f1(x)为车道选择的损失函数，用于表征车辆选择第一车道为目标车道的概率，f1(x)值越大，车辆选择第一车道为目标车道的概率就越高。
步骤S403，在该选择概率大于选择阈值的情况下，判定该车辆以第一车道为目标车道。
本实施例中，选择阈值为0.5，在f1(x)＞0.5的情况下，判定车辆将会以第一车道为目标车道，继续行驶，在，在f1(x)≤0.5的情况下，判定车辆将会选择其他车道作为目标车道继续行驶。
通过上述步骤S401至步骤S403，对车辆与车道之间的距离关系和车辆的行驶偏转趋势进行计算，通过计算结果得到车道选择概率，计算简便，提高了对车辆轨迹预测的速率。
在其中一些实施例中，图6是根据本申请实施例的变道概率计算的方法的流程图，如图6所示，该方法包括如下步骤：
步骤S601，在几何参数包括该车辆的长度和角度，运动学参数包括该车辆的速度的情况下，根据该长度和该车道参数生成第二距离参考函数，根据该角度和该速度生成第二转向参考函数，根据该轨迹记录生成趋势参考函数。
本实施例中的第二距离参考函数由如下公式7得到：
Figure BDA0002463100650000091
在公式7中，g4(x)表示变道概率计算过程中的第二距离参考函数，x6为权重参数，Sigmoid函数、lane width、distance的含义与公式1中相同。
第二转向参考函数由如下公式8得到：
g5(x)＝flags1·x7·|theta|+flags1·x8·|speed·sin(theta)| 公式8
在公式8中，g5(x)表示变道概率计算过程中的第二转向参考函数，x7、x8为权重参数，flags1、theta、speed的含义与公式4中相同。
本实施例中的轨迹记录计算车辆最近若干个时间节点的横向位移累加值，在时间节点数为5的情况下，趋势参考函数由如下公式9得到：
Figure BDA0002463100650000092
在公式9中，x9为权重参数，
Figure BDA0002463100650000093
表示车辆最近5个时间节点的横向位移累加，在i＝5时，L5表示当前时刻车辆与车道线之间的横向位移，在车辆进行变道的过程中，车辆与车道线之间的横向距离L逐渐缩小，此时g6(x)的值为正；在车辆逐渐远离车道线的情况下，g6(x)的值为负；在车辆的定位信息表示车辆存在轨迹抖动的情况下，例如，车辆的行驶轨迹为S形，g6(x)的值趋零。flags2表示车辆相对车道中心线的位置，可以由如下公式10得到：
flags2＝-sign(Lt) 公式10
在公式10中，Lt为当前时刻下车辆距离车道线的横向距离。在flags2的值为-1的情况下，表示车辆位于车道线左侧，在flags2的值为1的情况下，表示车辆位于车道线右侧。
步骤S602，根据第二距离参考函数、第二转向参考函数和该趋势参考函数的函数值，得到该车辆的变道概率。
车辆的变道概率可以由如下公式11得到：
f2(x)＝g4(x)+g5(x)+g6(x) 公式11
在公式11中，f2(x)表示车辆变道的概率，f2(x)的值越大，表示车辆变道的意图越明显。
步骤S603，在该变道概率大于变道阈值的情况下，判定该车辆进行变道。
本实施例中，变道阈值设置为1，在f2(x)＞1的情况下，判定车辆将进行变道，在f2(x)≤1的情况下，判定车辆将选择直行。
通过上述步骤S601至步骤S603，对车辆在最近若干个时间节点的位移进行计算，结合第二距离参考函数和第二转向参考函数，得到变道概率，计算简便，降低了对车辆速度和加速度的依赖，提高了在低精度传感器下的计算精度，同时提高了对车辆轨迹预测的速率。
在一个实施例中，上述步骤中的权重参数均可通过任意智能优化算法进行训练，以权重参数序列x＝[x1，x2，x3，x4，x5]为例，图7是根据本申请实施例的权重参数训练的方法的流程图，如图7所示，该方法包括如下步骤：
步骤S701，在预设范围内获取N组随机参数，设置迭代次数iter的初始化值为1。
步骤S702，将N组随机参数依次输入训练模型中，计算第i组参数x(i)的得分score(i)。
步骤S703，将最优得分和最优得分对应的权重参数进行存储，根据score和优化算法对所有的权重参数进行更新。
步骤S704，在iter的值大于预设迭代次数iter_max的情况下，输出得分最高的权重参数序列和得分。
通过上述步骤S701至步骤S704，本实施例对进行车道选择的权重参数序列进行训练，得到最优解。在进行变道概率计算的过程中，权重参数序列x＝[x6，x7，x8，x9]也可以通过上述步骤完成训练。
在对权重参数进行训练的过程中，图8是根据本申请实施例的计算随机参数得分的方法的流程图，如图8所示，该方法包括如下步骤：
步骤S801，输入一组权重参数和所有的样本数据，样本数据的数量大小为data_size。
步骤S802，计算每一组模型数据对应的得分。
步骤S803，在所有的样本数据计算完成之后，输出权重参数的总得分。
在一个实施例中，图9是根据本申请实施例的选择变道车道的方法的流程图，如图9所示，该方法包括如下步骤：
步骤S901，获取车道序列，在判定该车道序列中的车道不是第一车道的情况下，遍历该车道序列。
在本实施例中，在对车辆进行轨迹预测之前，对车辆附近的车道添加标签。例如，在车辆所在的道路上有三条车道的情况下，将该三条车道标记为i＝1、2、3，形成车道序列，车道分为当前车道和附近车道，本实施例中的第一车道为当前车道，当前车道为车辆在定位中所在的车道，除当前车道之外的两条车道均被标记为附近车道。根据车辆的地理位置坐标，来判定车辆序列中的车道属于哪一种车道。
对于当前车道，车辆轨迹的预测结果包括直行和换道，本实施例中的换道指的是车辆行驶至车道中心，对于附近车道，车辆轨迹的预测结果包括换道。
步骤S902，根据该属性参数、该车道参数和该车辆的轨迹记录，获取车辆对该车道序列中每个车道的变道概率。
在获取到的车道不是第一车道的情况下，通过公式11对所有的附近车道进行变道概率计算。
步骤S903，选择该变道概率最大的车道作为目标车道。
本实施例中，变道概率的值越大，表示车辆变道的意图越明显。因此在得到所有车道的变道概率之后，选择变道概率最大的车道作为车辆的目标车道。在车辆从小区门口驶出的情况下，也可以通过本实施例提供的方法，对车辆的轨迹进行预测。
通过上述步骤S901至步骤S903，在对车辆附近所有的车道进行分析之后，再来对车辆的轨迹进行预测，以提高对车辆轨迹预测的正确率。
在其他实施例中，在第一车道不是目标车道的情况下，也可以遍历所有的车道，计算车辆对于每个附近车道的变道概率，从而进行车辆的轨迹预测。
在一个实施例中，图10是根据本申请实施例的对车辆的属性参数进行处理的方法的流程图，如图10所示，该方法包括如下步骤：
步骤S1001，获取该车辆的初始运动参数，对该初始运动参数中的位置信息和角度信息进行滤波修正，其中，该初始运动参数还包括该车辆的速度信息。
本实施例中，通过卡尔曼滤波器对初始运动参数进行滤波修正，其中，卡尔曼滤波(Kalman Filtering)是一种利用线性系统状态方程，通过系统输入和输出的观测数据，对系统状态进行最优估计的算法。本实施例中可以通过如下公式12对车辆的位置信息进行估计：
Figure BDA0002463100650000121
在公式12中，记获取初始运动参数的时刻为初始时刻，记估计的位置信息对应的时刻为当前时刻，则State_measure为当前时刻的位置信息，v为初始时刻车辆的速度，t为初始时刻与当前时刻之间的时间差，a为车辆的加速度。
再通过卡尔曼滤波器算法将传感器的观测值和公式12中的估计值进行融合，得修正后的位置信息。
本实施例中同样通过卡尔曼滤波器和运动学方程对车辆的角度信息进行估计和修正。
步骤S1002，将该修正后的位置信息转换至车辆坐标系，在该车辆坐标系中，根据该速度信息、该修正后的角度信息分别计算该车辆的横向速度和纵向速度。
本实施例中的车辆坐标系为弗莱纳(Frenet)坐标系，将障碍物车辆定位转换至该坐标系中，计算障碍物车辆在Frenet坐标系下横向、纵向速度。其中，横向速度为与车道切线方向垂直的速度分量，纵向速度为与车道切线方向平行的速度分量。
步骤S1003，根据该坐标转换后的位置信息、该横向速度和该纵向速度，确定该属性参数。
通过上述步骤S1001至步骤S1003，对获取的初始运动参数进行处理，得到更为平滑的属性参数，再根据该属性信息与包括位置信息在内的车道信息进行车辆轨迹的预测，由于包含车辆的位置坐标、速度、加速度、角度、长度、宽度等在内的属性信息，受多方面因素影响，在数值上存在跳变，较为粗糙，因此根据修正后得到的平滑的属性信息进行轨迹预测，可以提高轨迹预测的准确度。
上述流程中描述的方法和步骤，可以通过C++、python、matlab等任意一种计算机语言训练完成。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种障碍物车辆轨迹预测的设备，该设备用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图11是根据本申请实施例的障碍物车辆轨迹预测的设备的结构框图，如图11所示，该设备包括：车道选择模块1101、变道判断模块1102和预测模块1103：
车道选择模块1101，用于获取障碍物车辆的属性参数和车道参数，根据该属性参数和该车道参数，计算该车辆的车道选择概率，其中，该属性参数包括几何参数和运动学参数。
变道判断模块1102，用于根据该车道选择概率，在判定该车辆以第一车道为目标车道的情况下，根据该属性参数、该车道参数和该车辆的轨迹记录，获取该车辆的变道概率。
预测模块1103，用于根据该车道选择概率和该变道概率，对该车辆的轨迹进行预测。
在本实施例中，车道选择模块1101和变道判断模块1102分别对车道选择和变道选择两个部分进行计算和求解，充分利用了低精度传感器的功能，减少了轨迹预测过程中对速度和加速度信息的依赖，解决了相关技术中，在使用低精度传感器，通过神经网络模型对障碍物车辆的行为进行预测的情况下，预测准确率较低的问题，本申请中的方案易于部署与训练，对数据精度、训练数据量要求较低，精简高效，准确率高。
在一个实施例中，图12是根据本申请实施例的车道选择模块的结构框图，如图12所示：车道选择模块1101包括第一函数生成单元1201、选择概率计算单元1202和第一判断单元1203：
第一函数生成单元1201，用于在该几何参数包括该车辆的长度和角度，该运动学参数包括该车辆的速度的情况下，根据该长度和该车道参数生成第一距离参考函数，根据该角度和该速度生成第一转向参考函数。
选择概率计算单元1202，用于根据该第一距离参考函数和该第一转向参考函数的函数值，得到该车辆以第一车道为该目标车道的选择概率。
第一判断单元1203，用于在该选择概率大于选择阈值的情况下，判定该车辆以第一车道为目标车道。
本实施例中，选择概率计算单元1202对车辆与车道之间的距离关系和车辆的行驶偏转趋势进行计算，通过计算结果得到车道选择概率，第一判断单元1203根据概率进行判断，计算简便，提高了对车辆轨迹预测的速率。
在一个实施例中，图13是根据本申请实施例的变道判断模块的结构框图，如图13所示，变道判断模块1102包括第二函数生成单元1301、变道概率计算单元1302和第二判断单元1303：
第二函数生成单元1301，用于在该几何参数包括该车辆的长度和角度，该运动学参数包括该车辆的速度的情况下，根据该长度和该车道参数生成第二距离参考函数，根据该角度和该速度生成第二转向参考函数，根据该轨迹记录生成趋势参考函数。
变道概率计算单元1302，用于根据该第二距离参考函数、该第二转向参考函数和该趋势参考函数的函数值，得到该车辆的变道概率。
第二判断单元1303，用于在该变道概率大于变道阈值的情况下，判定该车辆进行变道。
在本实施例中，第二函数生成单元1301对车辆在最近若干个时间节点的位移进行计算，进而生成趋势参考函数，变道概率计算单元1302结合第二距离参考函数、第二转向参考函数和趋势参考函数，得到变道概率，计算简便，降低了对车辆速度和加速度的依赖，提高了在低精度传感器下的计算精度，同时提高了对车辆轨迹预测的速率。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种障碍物车辆轨迹预测的方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
在一个实施例中，图14是根据本申请实施例的电子设备的内部结构示意图，如图14所示，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图14所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的数据库用于存储数据。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种障碍物车辆轨迹预测的方法。
本领域技术人员可以理解，图14中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现上述各实施例提供的障碍物车辆轨迹预测的方法中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各个实施例提供的障碍物车辆轨迹预测的方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种障碍物车辆轨迹预测的方法，其特征在于，所述方法包括：
获取障碍物车辆的属性参数和车道参数，根据所述属性参数和所述车道参数，计算所述车辆的车道选择概率，其中，所述属性参数包括几何参数和运动学参数；
根据所述车道选择概率，在判定所述车辆以第一车道为目标车道的情况下，根据所述属性参数、所述车道参数和所述车辆的轨迹记录，获取所述车辆的变道概率；
根据所述车道选择概率和所述变道概率，对所述车辆的轨迹进行预测。
2.根据权利要求1所述的方法，其特征在于，所述判定所述车辆以第一车道为目标车道包括：
在所述几何参数包括所述车辆的长度和角度，所述运动学参数包括所述车辆的速度的情况下，根据所述长度和所述车道参数生成第一距离参考函数，根据所述角度和所述速度生成第一转向参考函数；
根据所述第一距离参考函数和所述第一转向参考函数的函数值，得到所述车辆以所述第一车道为所述目标车道的选择概率；
在所述选择概率大于选择阈值的情况下，判定所述车辆以所述第一车道为目标车道。
3.根据权利要求1所述的方法，其特征在于，所述根据所述属性参数、车道参数和所述车辆的轨迹记录，获取所述车辆的变道概率包括：
在所述几何参数包括所述车辆的长度和角度，所述运动学参数包括所述车辆的速度的情况下，根据所述长度和所述车道参数生成第二距离参考函数，根据所述角度和所述速度生成第二转向参考函数，根据所述轨迹记录生成趋势参考函数；
根据所述第二距离参考函数、所述第二转向参考函数和所述趋势参考函数的函数值，得到所述车辆的变道概率；
在所述变道概率大于变道阈值的情况下，判定所述车辆进行变道。
4.根据权利要求1所述的方法，其特征在于，在所述计算所述车辆的车道选择概率之后，所述方法还包括：
在判定车道序列中的车道不是所述第一车道的情况下，遍历所述车道序列；
根据所述属性参数、所述车道参数和所述车辆的轨迹记录，获取所述车辆对所述车道序列中每个所述车道的变道概率；
选择所述变道概率最大的车道作为目标车道。
5.根据权利要求1所述的方法，其特征在于，所述获取障碍物车辆的属性参数包括：
获取所述车辆的初始运动参数，对所述初始运动参数中的位置信息和角度信息进行滤波修正，其中，所述初始运动参数还包括所述车辆的速度信息；
将所述修正后的位置信息转换至车辆坐标系，在所述车辆坐标系中，根据所述速度信息、所述修正后的角度信息分别计算所述车辆的横向速度和纵向速度；
根据所述车辆坐标系中的位置信息、所述横向速度和所述纵向速度，确定所述属性参数。
6.一种障碍物车辆轨迹预测的设备，其特征在于，所述设备包括：车道选择模块、变道判断模块和预测模块：
所述车道选择模块，用于获取障碍物车辆的属性参数和车道参数，根据所述属性参数和所述车道参数，计算所述车辆的车道选择概率，其中，所述属性参数包括几何参数和运动学参数；
所述变道判断模块，用于根据所述车道选择概率，在判定所述车辆以第一车道为目标车道的情况下，根据所述属性参数、所述车道参数和所述车辆的轨迹记录，获取所述车辆的变道概率；
所述预测模块，用于根据所述车道选择概率和所述变道概率，对所述车辆的轨迹进行预测。
7.根据权利要求6所述的设备，其特征在于，所述车道选择模块包括第一函数生成单元、选择概率计算单元和第一判断单元：
所述第一函数生成单元，用于在所述几何参数包括所述车辆的长度和角度，所述运动学参数包括所述车辆的速度的情况下，根据所述长度和所述车道参数生成第一距离参考函数，根据所述角度和所述速度生成第一转向参考函数；
所述选择概率计算单元，用于根据所述第一距离参考函数和所述第一转向参考函数的函数值，得到所述车辆以所述第一车道为所述目标车道的选择概率；
所述第一判断单元，用于在所述选择概率大于选择阈值的情况下，判定所述车辆以所述第一车道为目标车道。
8.根据权利要求6所述的设备，其特征在于，所述变道判断模块包括第二函数生成单元、变道概率计算单元和第二判断单元：
所述第二函数生成单元，用于在所述几何参数包括所述车辆的长度和角度，所述运动学参数包括所述车辆的速度的情况下，根据所述长度和所述车道参数生成第二距离参考函数，根据所述角度和所述速度生成第二转向参考函数，根据所述轨迹记录生成趋势参考函数；
所述变道概率计算单元，用于根据所述第二距离参考函数、所述第二转向参考函数和所述趋势参考函数的函数值，得到所述车辆的变道概率；
所述第二判断单元，用于在所述变道概率大于变道阈值的情况下，判定所述车辆进行变道。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述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计算机程序时实现如权利要求1至5中任一项所述方法的步骤。
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，该程序被处理器执行时实现如权利要求1至5中任一项所述方法的步骤。
CN202010325618.0A 2020-04-23 2020-04-23 障碍物车辆轨迹预测的方法、设备和计算机设备 Active CN111428943B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010325618.0A CN111428943B (zh) 2020-04-23 2020-04-23 障碍物车辆轨迹预测的方法、设备和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010325618.0A CN111428943B (zh) 2020-04-23 2020-04-23 障碍物车辆轨迹预测的方法、设备和计算机设备

Publications (2)

Publication Number Publication Date
CN111428943A true CN111428943A (zh) 2020-07-17
CN111428943B CN111428943B (zh) 2021-08-03

Family

ID=71554388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010325618.0A Active CN111428943B (zh) 2020-04-23 2020-04-23 障碍物车辆轨迹预测的方法、设备和计算机设备

Country Status (1)

Country Link
CN (1) CN111428943B (zh)

Cited By (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112233417A (zh) * 2020-09-17 2021-01-15 新石器慧义知行智驰(北京)科技有限公司 车辆轨迹预测方法、控制装置及无人车
CN112406905A (zh) * 2020-09-10 2021-02-26 腾讯科技（深圳）有限公司 基于交通工具的数据处理方法、装置、计算机及存储介质
CN112833903A (zh) * 2020-12-31 2021-05-25 广州文远知行科技有限公司 一种轨迹预测方法、装置、设备和计算机可读存储介质
CN113313941A (zh) * 2021-05-25 2021-08-27 北京航空航天大学 基于记忆网络和编码器-解码器模型的车辆轨迹预测方法
CN113548054A (zh) * 2021-07-07 2021-10-26 东风汽车集团股份有限公司 基于时序的车辆变道意图预测方法及系统
CN113793520A (zh) * 2021-09-15 2021-12-14 苏州挚途科技有限公司 车辆轨迹预测方法、装置及电子设备
CN113895462A (zh) * 2021-11-19 2022-01-07 天津天瞳威势电子科技有限公司 预测车辆换道的方法、装置、计算设备及存储介质
CN113916242A (zh) * 2021-12-14 2022-01-11 腾讯科技（深圳）有限公司 车道定位方法和装置、存储介质及电子设备
WO2022035776A1 (en) * 2020-08-12 2022-02-17 Argo AI, LLC Waypoint prediction and motion forecasting for vehicle motion planning
CN114323054A (zh) * 2022-01-12 2022-04-12 苏州挚途科技有限公司 自动驾驶车辆行驶轨迹的确定方法、装置及电子设备
CN114435389A (zh) * 2020-11-02 2022-05-06 上海汽车集团股份有限公司 一种车辆控制方法、装置及车辆
CN114512027A (zh) * 2020-11-16 2022-05-17 长城汽车股份有限公司 防碰撞控制方法及装置
US11403069B2 (en) 2017-07-24 2022-08-02 Tesla, Inc. Accelerated mathematical engine
US11409692B2 (en) 2017-07-24 2022-08-09 Tesla, Inc. Vector computational unit
CN115273514A (zh) * 2022-08-03 2022-11-01 西南交通大学 一种自动驾驶车辆多车道连续变道轨迹优化方法
US11487288B2 (en) 2017-03-23 2022-11-01 Tesla, Inc. Data synthesis for autonomous control systems
CN115472032A (zh) * 2022-08-24 2022-12-13 武汉理工大学 一种高速公路匝道合流区车辆自动换道决策系统及方法
US11537811B2 (en) 2018-12-04 2022-12-27 Tesla, Inc. Enhanced object detection for autonomous vehicles based on field view
US11562231B2 (en) 2018-09-03 2023-01-24 Tesla, Inc. Neural networks for embedded devices
US11561791B2 (en) 2018-02-01 2023-01-24 Tesla, Inc. Vector computational unit receiving data elements in parallel from a last row of a computational array
US11567514B2 (en) 2019-02-11 2023-01-31 Tesla, Inc. Autonomous and user controlled vehicle summon to a target
EP4140845A1 (en) * 2021-08-17 2023-03-01 Beijing Baidu Netcom Science Technology Co., Ltd. Method and apparatus for predicting motion track of obstacle and autonomous vehicle
US11610117B2 (en) 2018-12-27 2023-03-21 Tesla, Inc. System and method for adapting a neural network model on a hardware platform
US11636333B2 (en) 2018-07-26 2023-04-25 Tesla, Inc. Optimizing neural network structures for embedded systems
US11665108B2 (en) 2018-10-25 2023-05-30 Tesla, Inc. QoS manager for system on a chip communications
US11681649B2 (en) 2017-07-24 2023-06-20 Tesla, Inc. Computational array microprocessor system using non-consecutive data formatting
CN116524473A (zh) * 2023-07-03 2023-08-01 深圳安智杰科技有限公司 一种车道线缺损场景中的障碍物目标轨迹预测系统及方法
US11734562B2 (en) 2018-06-20 2023-08-22 Tesla, Inc. Data pipeline and deep learning system for autonomous driving
US11748620B2 (en) 2019-02-01 2023-09-05 Tesla, Inc. Generating ground truth for machine learning from time series elements
US11790664B2 (en) 2019-02-19 2023-10-17 Tesla, Inc. Estimating object properties using visual image data
US11816585B2 (en) 2018-12-03 2023-11-14 Tesla, Inc. Machine learning models operating at different frequencies for autonomous vehicles
US11841434B2 (en) 2018-07-20 2023-12-12 Tesla, Inc. Annotation cross-labeling for autonomous control systems
US11893774B2 (en) 2018-10-11 2024-02-06 Tesla, Inc. Systems and methods for training machine models with augmented data
US11893393B2 (en) 2017-07-24 2024-02-06 Tesla, Inc. Computational array microprocessor system with hardware arbiter managing memory requests
CN117962932A (zh) * 2024-04-02 2024-05-03 福瑞泰克智能系统有限公司 障碍物的行驶轨迹生成方法、装置和存储介质及电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942960A (zh) * 2014-04-22 2014-07-23 深圳市宏电技术股份有限公司 一种车辆变道检测方法及装置
CN107919027A (zh) * 2017-10-24 2018-04-17 北京汽车集团有限公司 预测车辆变道的方法、装置和系统
US20190100211A1 (en) * 2017-09-29 2019-04-04 Neusoft Corporation Vehicle lane-changing control method, vehicle lanechanging control device and related equipment
CN110047276A (zh) * 2019-03-11 2019-07-23 广州文远知行科技有限公司 障碍物车辆的拥堵状态确定方法、装置和相关产品
CN110146100A (zh) * 2018-02-13 2019-08-20 华为技术有限公司 轨迹预测方法、装置及存储介质
CN110400490A (zh) * 2019-08-08 2019-11-01 腾讯科技（深圳）有限公司 轨迹预测方法和装置
CN110816526A (zh) * 2019-11-29 2020-02-21 苏州智加科技有限公司 自动驾驶车辆躲避威胁加速度控制方法、装置及存储介质
CN110989636A (zh) * 2020-02-26 2020-04-10 北京三快在线科技有限公司 一种障碍物的轨迹预测方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942960A (zh) * 2014-04-22 2014-07-23 深圳市宏电技术股份有限公司 一种车辆变道检测方法及装置
US20190100211A1 (en) * 2017-09-29 2019-04-04 Neusoft Corporation Vehicle lane-changing control method, vehicle lanechanging control device and related equipment
CN107919027A (zh) * 2017-10-24 2018-04-17 北京汽车集团有限公司 预测车辆变道的方法、装置和系统
CN110146100A (zh) * 2018-02-13 2019-08-20 华为技术有限公司 轨迹预测方法、装置及存储介质
CN110047276A (zh) * 2019-03-11 2019-07-23 广州文远知行科技有限公司 障碍物车辆的拥堵状态确定方法、装置和相关产品
CN110400490A (zh) * 2019-08-08 2019-11-01 腾讯科技（深圳）有限公司 轨迹预测方法和装置
CN110816526A (zh) * 2019-11-29 2020-02-21 苏州智加科技有限公司 自动驾驶车辆躲避威胁加速度控制方法、装置及存储介质
CN110989636A (zh) * 2020-02-26 2020-04-10 北京三快在线科技有限公司 一种障碍物的轨迹预测方法及装置

Cited By (49)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11487288B2 (en) 2017-03-23 2022-11-01 Tesla, Inc. Data synthesis for autonomous control systems
US11681649B2 (en) 2017-07-24 2023-06-20 Tesla, Inc. Computational array microprocessor system using non-consecutive data formatting
US11893393B2 (en) 2017-07-24 2024-02-06 Tesla, Inc. Computational array microprocessor system with hardware arbiter managing memory requests
US11409692B2 (en) 2017-07-24 2022-08-09 Tesla, Inc. Vector computational unit
US11403069B2 (en) 2017-07-24 2022-08-02 Tesla, Inc. Accelerated mathematical engine
US11797304B2 (en) 2018-02-01 2023-10-24 Tesla, Inc. Instruction set architecture for a vector computational unit
US11561791B2 (en) 2018-02-01 2023-01-24 Tesla, Inc. Vector computational unit receiving data elements in parallel from a last row of a computational array
US11734562B2 (en) 2018-06-20 2023-08-22 Tesla, Inc. Data pipeline and deep learning system for autonomous driving
US11841434B2 (en) 2018-07-20 2023-12-12 Tesla, Inc. Annotation cross-labeling for autonomous control systems
US11636333B2 (en) 2018-07-26 2023-04-25 Tesla, Inc. Optimizing neural network structures for embedded systems
US11562231B2 (en) 2018-09-03 2023-01-24 Tesla, Inc. Neural networks for embedded devices
US11983630B2 (en) 2018-09-03 2024-05-14 Tesla, Inc. Neural networks for embedded devices
US11893774B2 (en) 2018-10-11 2024-02-06 Tesla, Inc. Systems and methods for training machine models with augmented data
US11665108B2 (en) 2018-10-25 2023-05-30 Tesla, Inc. QoS manager for system on a chip communications
US11816585B2 (en) 2018-12-03 2023-11-14 Tesla, Inc. Machine learning models operating at different frequencies for autonomous vehicles
US11908171B2 (en) 2018-12-04 2024-02-20 Tesla, Inc. Enhanced object detection for autonomous vehicles based on field view
US11537811B2 (en) 2018-12-04 2022-12-27 Tesla, Inc. Enhanced object detection for autonomous vehicles based on field view
US11610117B2 (en) 2018-12-27 2023-03-21 Tesla, Inc. System and method for adapting a neural network model on a hardware platform
US11748620B2 (en) 2019-02-01 2023-09-05 Tesla, Inc. Generating ground truth for machine learning from time series elements
US11567514B2 (en) 2019-02-11 2023-01-31 Tesla, Inc. Autonomous and user controlled vehicle summon to a target
US11790664B2 (en) 2019-02-19 2023-10-17 Tesla, Inc. Estimating object properties using visual image data
US11794731B2 (en) 2020-08-12 2023-10-24 Ford Global Technologies, Llc Waypoint prediction for vehicle motion planning
WO2022035776A1 (en) * 2020-08-12 2022-02-17 Argo AI, LLC Waypoint prediction and motion forecasting for vehicle motion planning
CN112406905A (zh) * 2020-09-10 2021-02-26 腾讯科技（深圳）有限公司 基于交通工具的数据处理方法、装置、计算机及存储介质
CN112406905B (zh) * 2020-09-10 2022-01-28 腾讯科技（深圳）有限公司 基于交通工具的数据处理方法、装置、计算机及存储介质
CN112233417A (zh) * 2020-09-17 2021-01-15 新石器慧义知行智驰(北京)科技有限公司 车辆轨迹预测方法、控制装置及无人车
CN114435389A (zh) * 2020-11-02 2022-05-06 上海汽车集团股份有限公司 一种车辆控制方法、装置及车辆
CN114435389B (zh) * 2020-11-02 2024-01-30 上海汽车集团股份有限公司 一种车辆控制方法、装置及车辆
CN114512027B (zh) * 2020-11-16 2023-07-14 长城汽车股份有限公司 防碰撞控制方法及装置
CN114512027A (zh) * 2020-11-16 2022-05-17 长城汽车股份有限公司 防碰撞控制方法及装置
CN112833903A (zh) * 2020-12-31 2021-05-25 广州文远知行科技有限公司 一种轨迹预测方法、装置、设备和计算机可读存储介质
CN112833903B (zh) * 2020-12-31 2024-04-23 广州文远知行科技有限公司 一种轨迹预测方法、装置、设备和计算机可读存储介质
CN113313941A (zh) * 2021-05-25 2021-08-27 北京航空航天大学 基于记忆网络和编码器-解码器模型的车辆轨迹预测方法
CN113548054A (zh) * 2021-07-07 2021-10-26 东风汽车集团股份有限公司 基于时序的车辆变道意图预测方法及系统
CN113548054B (zh) * 2021-07-07 2022-10-14 东风汽车集团股份有限公司 基于时序的车辆变道意图预测方法及系统
EP4140845A1 (en) * 2021-08-17 2023-03-01 Beijing Baidu Netcom Science Technology Co., Ltd. Method and apparatus for predicting motion track of obstacle and autonomous vehicle
CN113793520B (zh) * 2021-09-15 2023-09-01 苏州挚途科技有限公司 车辆轨迹预测方法、装置及电子设备
CN113793520A (zh) * 2021-09-15 2021-12-14 苏州挚途科技有限公司 车辆轨迹预测方法、装置及电子设备
CN113895462A (zh) * 2021-11-19 2022-01-07 天津天瞳威势电子科技有限公司 预测车辆换道的方法、装置、计算设备及存储介质
CN113916242B (zh) * 2021-12-14 2022-03-25 腾讯科技（深圳）有限公司 车道定位方法和装置、存储介质及电子设备
CN113916242A (zh) * 2021-12-14 2022-01-11 腾讯科技（深圳）有限公司 车道定位方法和装置、存储介质及电子设备
CN114323054A (zh) * 2022-01-12 2022-04-12 苏州挚途科技有限公司 自动驾驶车辆行驶轨迹的确定方法、装置及电子设备
CN114323054B (zh) * 2022-01-12 2024-04-19 苏州挚途科技有限公司 自动驾驶车辆行驶轨迹的确定方法、装置及电子设备
CN115273514A (zh) * 2022-08-03 2022-11-01 西南交通大学 一种自动驾驶车辆多车道连续变道轨迹优化方法
CN115273514B (zh) * 2022-08-03 2023-08-08 西南交通大学 一种自动驾驶车辆多车道连续变道轨迹优化方法
CN115472032A (zh) * 2022-08-24 2022-12-13 武汉理工大学 一种高速公路匝道合流区车辆自动换道决策系统及方法
CN115472032B (zh) * 2022-08-24 2024-05-28 武汉理工大学 一种高速公路匝道合流区车辆自动换道决策系统及方法
CN116524473A (zh) * 2023-07-03 2023-08-01 深圳安智杰科技有限公司 一种车道线缺损场景中的障碍物目标轨迹预测系统及方法
CN117962932A (zh) * 2024-04-02 2024-05-03 福瑞泰克智能系统有限公司 障碍物的行驶轨迹生成方法、装置和存储介质及电子设备

Also Published As

Publication number Publication date
CN111428943B (zh) 2021-08-03

Similar Documents

Publication Publication Date Title
CN111428943B (zh) 障碍物车辆轨迹预测的方法、设备和计算机设备
CN111971574B (zh) 用于自动驾驶车辆的lidar定位的基于深度学习的特征提取
CN111771141B (zh) 自动驾驶车辆中使用3d cnn网络进行解决方案推断的lidar定位
CN109782763B (zh) 一种动态环境下的移动机器人路径规划方法
CN111771135B (zh) 自动驾驶车辆中使用rnn和lstm进行时间平滑的lidar定位
CN106104656B (zh) 地图信息生成系统、方法及程序
CN105264586B (zh) 用于车辆的占用地图
US11480967B2 (en) Pass route planning method and apparatus, device and readable storage medium
CN113110521B (zh) 移动机器人路径规划控制方法及其控制装置、存储介质
CN109466552B (zh) 智能驾驶车道保持方法及系统
CN112327888B (zh) 路径规划方法、装置、电子设备和存储介质
CN111806459A (zh) 车辆轨迹预测方法、装置和车辆
JP2023523350A (ja) 乗り物に基づくデータ処理方法、データ処理装置、コンピュータ機器、及びコンピュータプログラム
JP7119839B2 (ja) 物体検出装置、物体検出方法及び車両制御装置
US20240092385A1 (en) Driving Policy Determining Method and Apparatus, Device, and Vehicle
Liao et al. Bat: Behavior-aware human-like trajectory prediction for autonomous driving
CN112912894B (zh) 道路边界识别方法和装置
CN117250957A (zh) 路径跟踪控制关键参考点选取方法、装置、设备和介质
CN111504340B (zh) 车辆的路径规划方法、装置、车辆
CN113401125A (zh) 纵向跟车控制方法、装置、电子设备及存储介质
CN116448134B (zh) 基于风险场与不确定分析的车辆路径规划方法及装置
US20240140486A1 (en) Methods and apparatuses for closed-loop evaluation for autonomous vehicles
CN115626179A (zh) 自动驾驶决策方法、装置、电子设备及存储介质
CN116052114A (zh) 一种基于v2i的交叉路口车辆行为预测系统及方法
CN116834771A (zh) 一种车辆行驶轨迹数据的确定方法、装置、设备及介质

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