CN111583715B - 一种车辆轨迹预测方法、车辆碰撞预警方法、装置及存储介质 - Google Patents

一种车辆轨迹预测方法、车辆碰撞预警方法、装置及存储介质 Download PDF

Info

Publication number
CN111583715B
CN111583715B CN202010353557.9A CN202010353557A CN111583715B CN 111583715 B CN111583715 B CN 111583715B CN 202010353557 A CN202010353557 A CN 202010353557A CN 111583715 B CN111583715 B CN 111583715B
Authority
CN
China
Prior art keywords
predicted
target
target vehicle
vehicle
current
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
CN202010353557.9A
Other languages
English (en)
Other versions
CN111583715A (zh
Inventor
刘建都
鹿朋
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.)
Zhejiang Geely Holding Group Co Ltd
Ningbo Geely Automobile Research and Development Co Ltd
Original Assignee
Zhejiang Geely Holding Group Co Ltd
Ningbo Geely Automobile Research and Development 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 Zhejiang Geely Holding Group Co Ltd, Ningbo Geely Automobile Research and Development Co Ltd filed Critical Zhejiang Geely Holding Group Co Ltd
Priority to CN202010353557.9A priority Critical patent/CN111583715B/zh
Publication of CN111583715A publication Critical patent/CN111583715A/zh
Application granted granted Critical
Publication of CN111583715B publication Critical patent/CN111583715B/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
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • G08G1/133—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams within the vehicle ; Indicators inside the vehicles or at stops
    • G08G1/137—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams within the vehicle ; Indicators inside the vehicles or at stops the indicator being in the form of a map
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种车辆轨迹预测方法、车辆碰撞预警方法、装置及存储介质，其中，所述车辆轨迹预测方法包括：采用至少一个高斯过程模型确定目标车辆的运动模式，根据所述目标车辆的运动模式确定第一预测出口扇区位置；采用深度神经网络模型构建目标车辆在路口的第二预测出口扇区位置；基于所述第一预测出口扇区位置和所述第二预测出口扇区位置的重叠区域确定目标出口扇区位置；以及基于所述目标车辆的当前位置和所述目标出口扇区位置生成从所述当前位置至所述目标出口扇区位置的第一预测轨迹。实施本发明，可保证最终确定的所述第一预测轨迹能够具有更高的准确性。

Description

一种车辆轨迹预测方法、车辆碰撞预警方法、装置及存储介质
技术领域
本发明涉及车辆辅助驾驶和车辆自动驾驶领域，特别涉及一种车辆轨迹预测方法、车辆碰撞预警方法、装置及存储介质。
背景技术
随着智能驾驶技术的发展，智能驾驶系统的应用越来越广泛，应用场景也越来越复杂，当前智能驾驶系统在车道保持、自动泊车、紧急自动刹车等场景有良好的应用。但当前智能驾驶系统仍然存在不足，不论是自动巡航系统还是自动泊车系统都只适用于简单交通场景。
在道路交叉口智能车辆的通行需要考虑交通信号灯，并且受到大量不同方向的机动车、非机动车、行人等交通参与者的影响。智能车如果需要在复杂的交叉路口安全通行，就必须根据对不同方向的机动车运动轨迹的准确预测，来对智能车的轨迹提前做出规划或对危险驾驶行为做出预警。由于交叉路口通行车辆的轨迹受到车道线、出口位置、驾驶员行为、交通信号灯、天气等各方面因素的影响，所以准确预测交叉路口通行车辆的运动轨迹是亟需解决的问题。
发明内容
本发明提出一种车辆轨迹预测方法、车辆碰撞预警方法、装置以及存储介质，以解决现有技术中对交叉路口通行车辆运动轨迹的预测不够准确的问题。
本发明第一方面提供一种车辆轨迹预测方法，所述方法包括：获取高清地图、目标车辆的当前位置、当前速度、当前时间之前预设时间段内的目标车辆历史轨迹和当前时间之前预设时间段内的与所述目标车辆相邻车辆的历史轨迹；基于所述当前位置和所述当前速度从至少一个已训练的高斯过程模型中确定出与所述目标车辆的运动模式匹配的目标高斯过程模型，并基于所述目标高斯过程模型所表征的运动模式确定所述目标车辆的第一预测出口扇区位置；将所述车道信息、所述目标车辆历史轨迹和与所述目标车辆相邻车辆的历史轨迹处理成按扇区进行划分的彩色语义图像，利用已训练的深度神经网络模型对所述彩色语义图像进行检测，得到所述目标车辆的第二预测出口扇区位置；基于所述第一预测出口扇区位置和所述第二预测出口扇区位置的重叠区域确定所述目标车辆的目标出口扇区位置；基于所述目标车辆的当前位置和所述目标出口扇区位置生成从所述当前位置至所述目标出口扇区位置的第一预测轨迹。
进一步地，所述基于所述当前位置和所述当前速度从至少一个已训练的高斯过程模型中确定出与所述目标车辆的运动模式匹配的目标高斯过程模型包括：将所述当前位置输入至少一个所述高斯过程模型，得到至少一组第一预测平均速度矢量和第一预测速度方差；对所述当前速度、所述第一预测平均速度矢量和所述第一预测速度方差进行比较，从至少一个所述高斯过程模型中选择与所述当前速度似然度最大的高斯过程模型；将似然度最大的高斯过程模型确定为所述目标高斯过程模型。
进一步地，所述基于所述目标高斯过程模型确定所述目标车辆的第一预测出口扇区位置包括：基于所述目标高斯模型所表征的运动模式确定所述目标车辆的当前运动模式；基于所述当前运动模式和预设映射关系确定所述目标车辆的第一预测出口扇区位置。
进一步地，所述基于所述第一预测出口扇区位置和所述第二预测出口扇区位置的重叠区域确定所述目标车辆的目标出口扇区位置包括：在所述重叠区域大于等于预设阈值区域时，将所述第一预测出口扇区位置与所述第二预测出口扇区位置重叠的扇区确定为目标出口扇区位置；在所述重叠区域小于预设阈值区域时，将所述第二预测出口扇区位置中选择概率最大的扇区确定为所述目标出口扇区位置。
进一步地，所述第一预测轨迹为选择成本函数最小的出口时间所对应的预测轨迹；相应的，在所述基于所述目标车辆的当前位置和所述目标出口扇区位置生成第一预测轨迹的步骤之后，所述方法还包括：离散化所述目标车辆的当前时间和所述出口时间之间的时间，并获取位于所述当前时间之后的所有离散化后的时间点；基于所述第一预测轨迹和所有离散化后的所述时间点确定所述目标车辆在每个所述时间点的预测位置；将每个所述时间点的所述预测位置依次输入与所述目标车辆的运动模式对应的所述目标高斯过程模型，得到每个所述时间点的第二预测速度方差；基于每个所述时间点的所述第二预测速度方差和预设比例关系确定每个所述时间点的预测位置方差；基于每个所述时间点的所述预测位置和所述预测位置方差确定所述第一预测轨迹的概率分布。
本发明第二方面提供一种车辆碰撞预警方法，所述方法包括：获取高清地图、目标车辆的当前位置、当前速度、当前时间之前预设时间段内的目标车辆历史轨迹和当前时间之前预设时间段内的与所述目标车辆相邻车辆的历史轨迹；基于所述当前位置和所述当前速度从至少一个已训练的高斯过程模型中确定出与所述目标车辆的运动模式匹配的目标高斯过程模型，并基于所述目标高斯过程模型所表征的运动模式确定所述目标车辆的第一预测出口扇区位置；基于所述高清地图和所述当前位置确定所述目标车辆所在的车道信息，将所述车道信息、所述目标车辆历史轨迹和与所述目标车辆相邻车辆的历史轨迹处理成按扇区进行划分的彩色语义图像，利用已训练的深度神经网络模型对所述彩色语义图像进行检测，得到所述目标车辆的第二预测出口扇区位置；基于所述第一预测出口扇区位置和所述第二预测出口扇区位置的重叠区域确定所述目标车辆的目标出口扇区位置；基于所述目标车辆的当前位置和所述目标出口扇区位置生成从所述当前位置至所述目标出口扇区位置的第一预测轨迹；获取当前车辆运行至所述目标出口扇区位置的第二预测轨迹，并在所述第一预测轨迹和所述第二预测轨迹发生交叠时，进行碰撞预警。
进一步地，在所述获取目标车辆的当前位置、当前速度、目标车辆历史轨迹、与所述目标车辆相邻车辆的历史轨迹和车道信息的步骤之前，所述方法还包括：判断所述当前车辆是否进入路口区域；若是，则执行所述获取高清地图、目标车辆的当前位置、当前速度、当前时间之前预设时间段内的目标车辆历史轨迹和当前时间之前预设时间段内的与所述目标车辆相邻车辆的历史轨迹的步骤。
本发明第三方面提供一种车辆轨迹预测装置，所述装置包括：信息获取模块，用于获取高清地图、目标车辆的当前位置、当前速度、当前时间之前预设时间段内的目标车辆历史轨迹和当前时间之前预设时间段内的与所述目标车辆相邻车辆的历史轨迹；第一预测出口扇区位置确定模块，用于基于所述当前位置和所述当前速度从至少一个已训练的高斯过程模型中确定出与所述目标车辆的运动模式匹配的目标高斯过程模型，并基于所述目标高斯过程模型所表征的运动模式确定所述目标车辆的第一预测出口扇区位置；第二预测出口扇区位置确定模块，用于基于所述高清地图和所述当前位置确定所述目标车辆所在的车道信息，将所述车道信息、所述目标车辆历史轨迹和与所述目标车辆相邻车辆的历史轨迹处理成按扇区进行划分的彩色语义图像，利用已训练的深度神经网络模型对所述彩色语义图像进行检测，得到所述目标车辆的第二预测出口扇区位置；目标出口扇区位置确定模块，用于基于所述第一预测出口扇区位置和所述第二预测出口扇区位置的重叠区域确定所述目标车辆的目标出口扇区位置；第一预测轨迹确定模块，用于基于所述目标车辆的当前位置和所述目标出口扇区位置生成从所述当前位置至所述目标出口扇区位置的第一预测轨迹。
本发明第四方面提供一种车辆碰撞预警装置，所述装置包括：信息获取模块，用于获取高清地图、目标车辆的当前位置、当前速度、当前时间之前预设时间段内的目标车辆历史轨迹和当前时间之前预设时间段内的与所述目标车辆相邻车辆的历史轨迹；第一预测出口扇区位置确定模块，用于基于所述当前位置和所述当前速度从至少一个已训练的高斯过程模型中确定出与所述目标车辆的运动模式匹配的目标高斯过程模型，并基于所述目标高斯过程模型所表征的运动模式确定所述目标车辆的第一预测出口扇区位置；第二预测出口扇区位置确定模块，用于基于所述高清地图和所述当前位置确定所述目标车辆所在的车道信息，将所述车道信息、所述目标车辆历史轨迹和与所述目标车辆相邻车辆的历史轨迹处理成按扇区进行划分的彩色语义图像，利用已训练的深度神经网络模型对所述彩色语义图像进行检测，得到所述目标车辆的第二预测出口扇区位置；目标出口扇区位置确定模块，用于基于所述第一预测出口扇区位置和所述第二预测出口扇区位置的重叠区域确定所述目标车辆的目标出口扇区位置；第一预测轨迹确定模块，用于基于所述目标车辆的当前位置和所述目标出口扇区位置生成从所述当前位置至所述目标出口扇区位置的第一预测轨迹；碰撞预警模块，用于获取当前车辆运行至所述目标出口扇区位置的第二预测轨迹，并在所述第一预测轨迹和所述第二预测轨迹发生交叠时，进行碰撞预警。
本发明第五方面提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集使所述计算机执行任一所述的车辆轨迹预测方法或任一所述的车辆碰撞预警方法。
由于上述技术方案，本发明具有如下有益效果：
本发明中，采用高斯过程模型描述路口目标车辆的运动模式，以根据所述目标车辆的运动模式确定第一预测出口扇区位置，并采用深度神经网络模型构建目标车辆在路口的第二预测出口扇区位置，以及基于所述第一预测出口扇区位置和所述第二预测出口扇区位置的重叠区域确定目标出口扇区位置，使得最终确定的第一预测轨迹能够具有更高的准确性。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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它附图。
图1是本发明实施例提供的一种车辆轨迹预测系统的结构示意图；
图2是本发明实施例提供的一种车辆轨迹预测方法的流程示意图；
图3是本发明实施例提供的一种车辆碰撞预警方法的流程示意图；
图4是本发明实施例提供的一种车辆轨迹预测装置的结构示意图；
图5是本发明实施例提供的一种车辆碰撞预警装置的结构示意图。
附图中：
1-激光雷达 2-成像单元 3-毫米波雷达
4-定位系统 5-控制系统 6-计算单元
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。
图1为本发明实施例提供的一种车辆轨迹预测系统的结构示意图，如图1所示，所述车辆轨迹预测系统包括：激光雷达1、成像单元2、毫米波雷达3、定位系统4、控制系统5和计算单元6；
其中，激光雷达单元1用于感测当前车辆周围的障碍物，生成障碍物的3D点云数据；
成像单元2用于获取当前车辆周围物体的影像，生成场景图像数据，所述成像单元1可以为安装在车身上的摄像头，还可以为其他图像获取装置；
毫米波雷达3，用于获取当前车辆与目标车辆的距离信号和相对速度信号；
定位系统4可以包括车载惯性传感器和GPS(Global Positioning System，全球定位系统)，所述车载惯性传感器用于检测当前车辆的加速度和位姿，所述GPS用于检测当前车辆的实时位置，并可以结合高清地图判断当前车辆是否进入交通路口区域；
控制系统5用于获取当前车辆的运行状态信息，所述运行状态信息包括当前车辆的车速等，所述控制系统5可以包括ECU(Electric Control Unit，电子控制单元)、TCU(Transmission Control Unit，自动变速箱控制单元)等；
计算单元6分别与所述激光雷达1、成像单元2、毫米波雷达3、定位系统4和控制系统5通信连接，所述激光雷达1、所述成像单元2和所述毫米波雷达3可以分别通过千兆以太网交换机与所述计算单元6通信；
所述计算单元6可以包括感知模块和轨迹预测模块，所述感知模块用于对当前车辆周围的目标车辆进行运动数据的实时提取和保存，具体的，所述感知模块可以用于根据获取的3D点云数据、场景图像数据和毫米波雷达数据提取周围的目标车辆的类别、相对位置、相对速度、尺寸和朝向数据，并根据高清地图确定目标车辆所处的车道信息；所述轨迹预测模块用于根据提取的目标车辆的运动数据来预测目标车辆的未来的运动轨迹。
本发明实施例还提供了一种车辆碰撞警示系统，所述车辆碰撞警示系统包括显示单元、声音提示单元和所述车辆轨迹预测系统；
所述车辆轨迹预测系统中的所述轨迹预测模块还用于预测当前车辆自身的未来的运动轨迹，并根据当前车辆未来的运动轨迹和目标车辆的未来的运动轨迹是否有交叠来判断是否进行碰撞预警；
所述显示单元用于将高清地图、当前车辆及其轨迹和目标车辆及其轨迹显示在仪表盘上，所述声音提示单元用于发出警报声，以便当前车辆的驾驶员及时作出响应。
以下为本发明实施例的一种车辆轨迹预测方法的具体实施例，请参考图2，图2是本发明实施例提供的车辆轨迹预测方法的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中装置或设备执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示，所述方法可以包括：
步骤S201：获取高清地图、目标车辆的当前位置、当前速度、当前时间之前预设时间段内的目标车辆历史轨迹和当前时间之前预设时间段内的与所述目标车辆相邻车辆的历史轨迹；
在本发明实施例中，所述车辆轨迹预测方法是利用安装在所述当前车辆上的所述车辆轨迹预测装置或设备执行的，所述目标车辆主要是指与所述当前车辆相邻的待进行轨迹预测的车辆，当然，所述目标车辆也可以是所述当前车辆自身，本发明对此不作限定。
当所述目标车辆是当前车辆的相邻车辆时，所述目标车辆的当前位置和当前速度可以根据所述当前车辆的位置、所述当前车辆的速度、所述目标车辆相对于所述当前车辆的相对位置和相对速度进行确定，当所述目标车辆就是所述当前车辆自身时，可以直接将所述当前车辆的位置和速度确定为所述目标车辆的当前位置和当前速度。
所述预设时间段可以根据需求设定，例如，所述预设时间段可以为3s，即获取当前时间之前3s的目标车辆历史轨迹和当前时间之前3s的与所述目标车辆相邻车辆的历史轨迹。
优选的，所述目标车辆的当前位置、当前速度、当前时间之前预设时间段内的目标车辆历史轨迹和当前时间之前预设时间段内的与所述目标车辆相邻车辆的历史轨迹是通过本发明实施例所述车辆轨迹预测系统中的激光雷达、成像单元和毫米波雷达等主动获取的，相比现有技术中采用车联网技术采集目标车辆的运动状态数据，利用激光雷达、成像单元和毫米波雷达等主动获取运动数据，其不易受到网络通信信号的干扰。
步骤S203：基于所述当前位置和所述当前速度从至少一个已训练的高斯过程模型中确定出与所述目标车辆的运动模式匹配的目标高斯过程模型，并基于所述目标高斯过程模型所表征的运动模式确定所述目标车辆的第一预测出口扇区位置；
在本发明实施例中，所述高斯过程模型为通过预设运动模式的训练数据进行训练得到的用于表征目标车辆的运动模式的模型，所述预设运动模式可以包括左转模式、右转模式和直行模式，所述训练数据为在真实交通路口场景中采集得到的数据。
具体的，从路口采集车辆的左转、右转和直行三类运动模式的轨迹数据，分别表示为{D1，D2，D3}，对于每个运动模式的训练数据，D＝{(ri,vi),i＝1,…n}，其中i表示第i条轨迹，
Figure BDA0002472701950000081
是机动车2维位置坐标的时间序列，
Figure BDA0002472701950000091
是机动车的2维速度的时间序列，其中t＝1,…,tcur。
每个所述高斯过程模型的训练过程可以为，将t时刻速度v(t)的两个分量vx和vy作为高斯过程模型的输出，根据训练数据集D可以获得机动车不同运动模式对应的高斯过程超参数，一组超参数对应一个高斯过程模型。描述机动车运动模式的随机过程的数学模型为：
vx～GPx(mx(r)，kx(r,r′))
vy～GPy(my(r)，ky(r,r′))
其中，协方差函数k(r,r′)的数学形式为：
Figure BDA0002472701950000092
其中，Λ为2维对角矩阵，对角元素分别为lx和ly，根据训练数据集D通过训练可以获得高斯过程模型的超参数lx、ly、σf和σn。
可以理解的是，使用每个运动模式对应的训练数据，经过训练可以得到三组高斯过程模型对应的超参数，一组超参数对应一个高斯过程模型，最终得到三个高斯过程模型，分别表示为{M1，M2，M3}。
在确定与每个运动模式对应的高斯过程模型后，可以进一步基于所述目标车辆的当前速度的速度序列v＝{v(t1),v(t2),…v(tn)}，从三个所述高斯过程模型中选择似然度P(v|Mi)最大的高斯过程模型M*为描述所述目标车辆运动模式的目标高斯过程模型，进而基于所述目标高斯模型判别所述目标车辆在路口的运动模式。
步骤S205：基于所述高清地图和所述当前位置确定所述目标车辆所在的车道信息，并将所述车道信息、所述目标车辆历史轨迹和与所述目标车辆相邻车辆的历史轨迹处理成按扇区进行划分的彩色语义图像，利用已训练的深度神经网络模型对所述彩色语义图像进行检测，得到所述目标车辆的第二预测出口扇区位置；
在本发明实施例中，所述车道信息是指高清地图中所述目标车辆所在车道的信息以及所述目标车辆所在的车道与所述高清地图中其他车道的连接关系，所述深度神经网络模型为通过图片样本训练集进行训练得到的用于表征目标车辆在路口的出口扇区位置的选择概率的模型，所述图片样本训练集为根据真实交通路口场景信息生成的语义图像。
具体的，所述彩色语义图像中的各个不同的对象可以用不同的颜色进行标记，例如，所述目标车辆可以标记成红色，所述目标车辆历史轨迹同样标记为红色，并同时进行暗化处理，所述目标车辆所在的车道可以标记为蓝色，所述目标车辆所在车道的反向车道可以标记为黄色，并且，把路口基于当前车辆的朝向按照逆时针方向每隔30度分隔成12个扇区，以及将划分扇区的所述彩色语义图像输入训练后的所述神经网络模型，所述神经网络模型的输出为12个扇区的可能概率，每个扇区的选择概率通过全连接神经网络分类器实现。
步骤S207：基于所述第一预测出口扇区位置和所述第二预测出口扇区位置的重叠区域确定所述目标车辆的目标出口扇区位置；
步骤S209：基于所述目标车辆的当前位置和所述目标出口扇区位置生成从所述当前位置至所述目标出口扇区位置的第一预测轨迹。
在本发明实施例中，采用高斯过程模型描述路口目标车辆的运动模式，以根据所述目标车辆的运动模式确定第一预测出口扇区位置，并采用深度神经网络模型构建目标车辆在路口的第二预测出口扇区位置，以及基于所述第一预测出口扇区位置和所述第二预测出口扇区位置的重叠区域确定目标出口扇区位置，使得最终确定的第一预测轨迹能够具有更高的准确性。
在一些实施例中，所述基于所述当前位置和所述当前速度从至少一个已训练的高斯过程模型中确定出与所述目标车辆的运动模式匹配的目标高斯过程模型可以包括：
将所述当前位置输入至少一个所述高斯过程模型，得到至少一组第一预测平均速度矢量和第一预测速度方差；
对所述当前速度、所述第一预测平均速度矢量和所述第一预测速度方差进行比较，从至少一个所述高斯过程模型中选择与所述当前速度似然度最大的高斯过程模型；
将似然度最大的高斯过程模型确定为所述目标高斯过程模型。
在一些实施例中，所述基于所述目标高斯过程模型确定所述目标车辆的第一预测出口扇区位置可以包括：
基于所述目标高斯过程模型所表征的运动模式确定所述目标车辆的当前运动模式；
基于所述当前运动模式和预设映射关系确定所述目标车辆的第一预测出口扇区位置。
其中，由于存在3个分别表征左转模式、右转模式和直行模式的所述高斯过程模型，因此，所述目标高斯过程模型所表征的运动模式可能为表征左转模式、右转模式或直行模式的任意一种，所述预设映射关系是指用于映射运动模式和出口扇区位置的关系，例如，如果运动模式是直行，那么出口扇区位置可以是指以所述目标车辆的朝向为中心轴，并分别向中心轴两侧拓展预设的角度如15度形成的扇区；如果运动模式是左转，那么出口扇区位置可以是指在所述目标车辆的朝向的左侧的预设范围内如15度至30度形成的扇区；如果运动模式是右转，那么出口扇区位置可以是指在所述目标车辆的朝向的右侧的预设范围内如15度至30度形成的扇区。
可以理解的是，在确定所述当前运动模式后，可以通过所述预设映射关系确定与所述当前运动模式对应的出口扇区位置，并将基于所述预设映射关系确定的出口扇区位置作为所述目标车辆的第一预测出口扇区位置。
在一些实施例中，考虑到采用单一的深度学习模型进行目标车辆的出口预测可能仍然不够精确，为了提高路口出口预测的准确性，所述基于所述第一预测出口扇区位置和所述第二预测出口扇区位置的重叠区域确定所述目标车辆的目标出口扇区位置可以包括：
在所述重叠区域大于等于预设阈值区域时，将所述第一预测出口扇区位置与所述第二预测出口扇区位置重叠的扇区确定为目标出口扇区位置；
在所述重叠区域小于预设阈值区域时，将所述第二预测出口扇区位置中选择概率最大的扇区确定为所述目标出口扇区位置。
其中，所述预设阈值区域可以根据需求设定，例如，所述预设阈值区域可以设定为15度，当然也可以设定为20度或更大的区域，本发明对此不作限定。
例如，假设所述预设阈值区域设定为15度，如果所述目标车辆的当前运行模式为直行，且预测的所述第一预测出口扇区位置为以所述目标车辆的朝向为中心轴，并分别向中心轴两侧拓展预设的角度如15度形成的扇区，预测的所述第二预测出口扇区位置包括若干个选择概率不同的扇区，例如，扇区1(目标车辆朝向的逆时针30度，概率45％)，扇区2(目标车辆朝向的顺时针30度，概率45％)，扇区3(目标车辆朝向的逆时针30度至60度，概率5％)，扇区4(目标车辆朝向的顺时针30度至60度，概率5％)，可见，所述第一预测出口扇区位置和所述第二预测出口扇区位置的重叠区域为30度，由于所述第一预测出口扇区位置和所述第二预测出口扇区位置的重叠区域30度大于预设阈值区域15度，因此，将所述第一预测出口扇区位置与所述第二预测出口扇区位置重叠的扇区确定为所述目标出口扇区位置。
又例如，假设所述预设阈值区域仍然设定为15度，如果所述目标车辆的当前运行模式为左转，且预测的所述第一预测出口扇区位置为所述目标车辆的朝向的左侧的预设范围内如15度至30度形成的扇区，预测的所述第二预测出口扇区位置包括若干个选择概率不同的扇区，例如，扇区1(目标车辆朝向的逆时针30度，概率5％)，扇区2(目标车辆朝向的顺时针30度，概率5％)，扇区3(目标车辆朝向的逆时针30度至60度，概率45％)，可见，所述第一预测出口扇区位置和所述第二预测出口扇区位置的重叠区域为0度，由于所述第一预测出口扇区位置和所述第二预测出口扇区位置的重叠区域0度小于预设阈值区域15度，因此，将所述第二预测出口扇区位置中选择概率最大的扇区即扇区3确定为所述目标出口扇区位置。
在一些实施例中，考虑到现有交叉路口机动车运动轨迹大多采用简单的运动学模型，预测轨迹的准确性不高，并且不能预测机动车轨迹的不确定性，为了能够度量预测轨迹的不确定度，所述第一预测轨迹可以为选择成本函数最小的出口时间所对应的预测轨迹；
相应的，在所述基于所述目标车辆的当前位置和所述目标出口扇区位置生成第一预测轨迹的步骤之后，所述方法还可以包括：
离散化所述目标车辆的当前时间和所述出口时间之间的时间，并获取位于所述当前时间之后的所有离散化后的时间点；
基于所述第一预测轨迹和所有离散化后的所述时间点确定所述目标车辆在每个所述时间点的预测位置；
将每个所述时间点的所述预测位置依次输入与所述目标车辆的运动模式对应的所述目标高斯过程模型，得到每个所述时间点的第二预测速度方差；
基于每个所述时间点的所述第二预测速度方差和预设比例关系确定每个所述时间点的预测位置方差；
基于每个所述时间点的所述预测位置和所述预测位置方差确定所述第一预测轨迹的概率分布。
其中，所述第一预测轨迹的具体生成过程可以为，首先，假设所述目标车辆的初始运动状态为当前位置、当前速度、当前加速度以及当前朝向，即(x0,y0,v0,a0,θ0,t0)，其中，t0是当前时间；并假设所述目标车辆的终止状态为出口位置、出口速度保持与当前速度一致，出口加速度为0，出口朝向为车口车道朝向，即(x1,y1,v0,0,θ1,t1)，其中，t1为出口时间。假设在笛卡尔坐标系下机动车的运动轨迹满足如下五次多项式的形式：
x(t)＝a0+a1t+a2t2+a3t3+a4t4+a5t5
y(t)＝b0+b1t+b2t2+b3t3+b4t4+b5t5
根据所述目标车辆的初始运动状态和所述终止状态可以建立12个线性方程，通过求解线性方程可以得到五次多项式的12个系数，进而可以计算在每个时刻从当前位置到出口位置的运动轨迹[x(t),y(t)]。通过遍历不同的出口时间可以得到所述目标车辆的不同的五次多项式运动轨迹，并从中选择成本函数最小的出口时间的运动轨迹为所述目标车辆的第一运动轨迹，其中，成本函数与五次多项式的曲率和速率以及出口速度有关。
相应的，所述第一预测轨迹的概率分布的具体生成过程实际为，离化所述当前时间t0和出口时间t1之间的时间，根据所述第一预测轨迹计算任一时间点如k时刻对应的目标车辆的预测位置，并将k时刻的所述预测位置输入与所述目标车辆的运动模式对应的所述目标高斯过程模型，得到k时刻的第二预测速度均值
Figure BDA0002472701950000131
和第二预测速度方差
Figure BDA0002472701950000132
然后根据k时刻位置、k-1时刻位置以及k-1时刻速度的如下关系：
xk＝xk-1+vxk*dt
yk＝yk-1+vyk*dt
确定所述第二预测速度方差和预测位置方差的预设比例关系，进而可以基于所述第二速度方差和所述预设比例关系确定k时刻的预测位置方差，假设k时刻位置满足高斯分布，根据k时刻预测位置和k时刻预测位置方差，可以描述k时刻的概率分布。通过迭代当前时间和出口时间的所有时间点，可以计算所述第一预测轨迹的所有时间点的位置方差，进而可以确定整条所述第一预测轨迹的概率分布。
以下为本发明实施例提供以当前车辆的车载终端为执行主体的一种车辆碰撞预警方法的具体实施例，请参考图3，图3是本发明实施例提供的车辆碰撞预警方法的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中装置或设备执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图3所示，所述方法可以包括：
步骤S301：获取高清地图、目标车辆的当前位置、当前速度、当前时间之前预设时间段内的目标车辆历史轨迹和当前时间之前预设时间段内的与所述目标车辆相邻车辆的历史轨迹；
步骤S303：基于所述当前位置和所述当前速度从至少一个已训练的高斯过程模型中确定出与所述目标车辆的运动模式匹配的目标高斯过程模型，并基于所述目标高斯过程模型所表征的运动模式确定所述目标车辆的第一预测出口扇区位置；
步骤S305：基于所述高清地图和所述当前位置确定所述目标车辆所在的车道信息，将所述车道信息、所述目标车辆历史轨迹和与所述目标车辆相邻车辆的历史轨迹处理成按扇区进行划分的彩色语义图像，利用已训练的深度神经网络模型对所述彩色语义图像进行检测，得到所述目标车辆的第二预测出口扇区位置；
步骤S307：基于所述第一预测出口扇区位置和所述第二预测出口扇区位置的重叠区域确定所述目标车辆的目标出口扇区位置；
步骤S309：基于所述目标车辆的当前位置和所述目标出口扇区位置生成从所述当前位置至所述目标出口扇区位置的第一预测轨迹；
步骤S311：获取当前车辆运行至所述目标出口扇区位置的第二预测轨迹，并在所述第一预测轨迹和所述第二预测轨迹发生交叠时，进行碰撞预警。
其中，步骤S301至步骤S309的具体实施方式与步骤S201至步骤S209的具体实施方式相同，此处不再赘述。
需要说明的是，对于步骤S301中的目标车辆，其主要是指与所述当前车辆相邻的车辆，可以理解的是，如果目标车辆就是所述当前车辆自身，也就没有进行碰撞预警的必要。
优选的，只对有速运动的目标车辆进行轨迹预测，即在步骤S301之后，还会判断所述目标车辆是否为有速运动的目标车辆，若是，则执行步骤S303的步骤，从而可以提高碰撞预警效率。
对于步骤S311，所述第二预测轨迹可以是所述当前车辆基于与所述第一预测轨迹同样的方法生成的，当然，所述第二预测轨迹也可以是由所述当前车辆基于现有的算法如最短路径算法计算获得的，对此本发明不作具体限定。
在实际应用中，所述车辆碰撞预警方法可以通过车辆碰撞预警装置或设备执行，所述车辆碰撞预警装置或设备的开启或关闭可以通过所述当前车辆的仪表盘进行设置，并且，在碰撞预警时，所述高清地图、当前车辆及其轨迹和目标车辆及其轨迹可以显示在所述当前车辆的仪表盘上，所述声音提示单元可以发出警报声，以便当前车辆的驾驶员及时作出响应。
在一些实施例中，考虑到本发明的车辆碰撞预警方法是适用于路口区域的，因此，为了保证所述轨迹预测方法的及时启动，在所述获取目标车辆的当前位置、当前速度、目标车辆历史轨迹、与所述目标车辆相邻车辆的历史轨迹和车道信息的步骤之前，所述方法还可以包括：
判断所述当前车辆是否进入路口区域；
若是，则执行所述获取高清地图、目标车辆的当前位置、当前速度、当前时间之前预设时间段内的目标车辆历史轨迹和当前时间之前预设时间段内的与所述目标车辆相邻车辆的历史轨迹的步骤。
进一步地，考虑到用户对车辆碰撞预警功能的设置，所述方法还可以包括：
判断所述当前车辆是否进入路口区域；
若是，判断所述当前车辆是否具有开启车辆碰撞预警功能的权限；
若是，则执行所述获取高清地图、目标车辆的当前位置、当前速度、当前时间之前预设时间段内的目标车辆历史轨迹和当前时间之前预设时间段内的与所述目标车辆相邻车辆的历史轨迹的步骤。
在实际应用中，如果判断所述当前车辆进入路口区域，则判断所述车辆碰撞预警装置或设备是否允许开启，若允许开启，则可以执行步骤S301至步骤S311的车辆碰撞预警方法。
本发明实施例还提供了一种车辆轨迹预测装置，如图4所示，所述装置可以包括：
信息获取模块410，用于获取高清地图、目标车辆的当前位置、当前速度、当前时间之前预设时间段内的目标车辆历史轨迹和当前时间之前预设时间段内的与所述目标车辆相邻车辆的历史轨迹；
第一预测出口扇区位置确定模块420，用于基于所述当前位置和所述当前速度从至少一个已训练的高斯过程模型中确定出与所述目标车辆的运动模式匹配的目标高斯过程模型，并基于所述目标高斯过程模型所表征的运动模式确定所述目标车辆的第一预测出口扇区位置；
第二预测出口扇区位置确定模块430，用于基于所述高清地图和所述当前位置确定所述目标车辆所在的车道信息，将所述车道信息、所述目标车辆历史轨迹和与所述目标车辆相邻车辆的历史轨迹处理成按扇区进行划分的彩色语义图像，利用已训练的深度神经网络模型对所述彩色语义图像进行检测，得到所述目标车辆的第二预测出口扇区位置；
目标出口扇区位置确定模块440，用于基于所述第一预测出口扇区位置和所述第二预测出口扇区位置的重叠区域确定所述目标车辆的目标出口扇区位置；
第一预测轨迹确定模块450，用于基于所述目标车辆的当前位置和所述目标出口扇区位置生成从所述当前位置至所述目标出口扇区位置的第一预测轨迹。
本发明实施例还提供了一种车辆碰撞预警装置，如图5所示，所述装置可以包括：
信息获取模块510，用于获取高清地图、目标车辆的当前位置、当前速度、当前时间之前预设时间段内的目标车辆历史轨迹和当前时间之前预设时间段内的与所述目标车辆相邻车辆的历史轨迹；
第一预测出口扇区位置确定模块520，用于基于所述当前位置和所述当前速度从至少一个已训练的高斯过程模型中确定出与所述目标车辆的运动模式匹配的目标高斯过程模型，并基于所述目标高斯过程模型所表征的运动模式确定所述目标车辆的第一预测出口扇区位置；
第二预测出口扇区位置确定模块530，用于基于所述高清地图和所述当前位置确定所述目标车辆所在的车道信息，将所述车道信息、所述目标车辆历史轨迹和与所述目标车辆相邻车辆的历史轨迹处理成按扇区进行划分的彩色语义图像，利用已训练的深度神经网络模型对所述彩色语义图像进行检测，得到所述目标车辆的第二预测出口扇区位置；
目标出口扇区位置确定模块540，用于基于所述第一预测出口扇区位置和所述第二预测出口扇区位置的重叠区域确定所述目标车辆的目标出口扇区位置；
第一预测轨迹确定模块550，用于基于所述目标车辆的当前位置和所述目标出口扇区位置生成从所述当前位置至所述目标出口扇区位置的第一预测轨迹；
碰撞预警模块560，用于获取当前车辆运行至所述目标出口扇区位置的第二预测轨迹，并在所述第一预测轨迹和所述第二预测轨迹发生交叠时，进行碰撞预警。
此外，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集使所述计算机执行任一所述的车辆轨迹预测方法或任一所述的车辆碰撞预警方法。
以上实施例仅表达了本发明的几种实施方式，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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种车辆轨迹预测方法，其特征在于，所述方法包括：
获取高清地图、目标车辆的当前位置、当前速度、当前时间之前预设时间段内的目标车辆历史轨迹和当前时间之前预设时间段内的与所述目标车辆相邻车辆的历史轨迹；
基于所述当前位置和所述当前速度从至少一个已训练的高斯过程模型中确定出与所述目标车辆的运动模式匹配的目标高斯过程模型，并基于所述目标高斯过程模型所表征的运动模式确定所述目标车辆的第一预测出口扇区位置；
基于所述高清地图和所述当前位置确定所述目标车辆所在的车道信息， 将所述车道信息、所述目标车辆历史轨迹和与所述目标车辆相邻车辆的历 史轨迹处理成按扇区进行划分的彩色语义图像，利用已训练的深度神经网 络模型对所述彩色语义图像进行检测，得到所述目标车辆的第二预测出口 扇区位置；
基于所述第一预测出口扇区位置和所述第二预测出口扇区位置的重叠区域确定所述目标车辆的目标出口扇区位置；
基于所述目标车辆的当前位置和所述目标出口扇区位置生成从所述当前位置至所述目标出口扇区位置的第一预测轨迹；
所述基于所述第一预测出口扇区位置和所述第二预测出口扇区位置的重叠区域确定所述目标车辆的目标出口扇区位置包括：
在所述重叠区域大于等于预设阈值区域时，将所述第一预测出口扇区位置与所述第二预测出口扇区位置重叠的扇区确定为目标出口扇区位置；
在所述重叠区域小于预设阈值区域时，将所述第二预测出口扇区位置中选择概率最大的扇区确定为所述目标出口扇区位置。
2.根据权利要求1所述的一种车辆轨迹预测方法，其特征在于，所述基于所述当前位置和所述当前速度从至少一个已训练的高斯过程模型中确定出与所述目标车辆的运动模式匹配的目标高斯过程模型包括：
将所述当前位置输入至少一个所述高斯过程模型，得到至少一组第一预测平均速度矢量和第一预测速度方差；
对所述当前速度、所述第一预测平均速度矢量和所述第一预测速度方差进行比较，从至少一个所述高斯过程模型中选择与所述当前速度似然度最大的高斯过程模型；
将似然度最大的高斯过程模型确定为所述目标高斯过程模型。
3.根据权利要求2所述的一种车辆轨迹预测方法，其特征在于，所述基于所述目标高斯过程模型确定所述目标车辆的第一预测出口扇区位置包括：
基于所述目标高斯模型所表征的运动模式确定所述目标车辆的当前运动模式；
基于所述当前运动模式和预设映射关系确定所述目标车辆的第一预测出口扇区位置。
4.根据权利要求1所述的一种车辆轨迹预测方法，其特征在于，所述第一预测轨迹为选择成本函数最小的出口时间所对应的预测轨迹；
相应的，在所述基于所述目标车辆的当前位置和所述目标出口扇区位置生成第一预测轨迹的步骤之后，所述方法还包括：
离散化所述目标车辆的当前时间和所述出口时间之间的时间，并获取位于所述当前时间之后的所有离散化后的时间点；
基于所述第一预测轨迹和所有离散化后的所述时间点确定所述目标车辆在每个所述时间点的预测位置；
将每个所述时间点的所述预测位置依次输入与所述目标车辆的运动模式对应的所述目标高斯过程模型，得到每个所述时间点的第二预测速度方差；
基于每个所述时间点的所述第二预测速度方差和预设比例关系确定每个所述时间点的预测位置方差；
基于每个所述时间点的所述预测位置和所述预测位置方差确定所述第一预测轨迹的概率分布。
5.一种车辆碰撞预警方法，其特征在于，所述方法包括：
获取高清地图、目标车辆的当前位置、当前速度、当前时间之前预设时间段内的目标车辆历史轨迹和当前时间之前预设时间段内的与所述目标车辆相邻车辆的历史轨迹；
基于所述当前位置和所述当前速度从至少一个已训练的高斯过程模型中确定出与所述目标车辆的运动模式匹配的目标高斯过程模型，并基于所述目标高斯过程模型所表征的运动模式确定所述目标车辆的第一预测出口扇区位置；
基于所述高清地图和所述当前位置确定所述目标车辆所在的车道信息， 将所述车道信息、所述目标车辆历史轨迹和与所述目标车辆相邻车辆的历 史轨迹处理成按扇区进行划分的彩色语义图像，利用已训练的深度神经网 络模型对所述彩色语义图像进行检测，得到所述目标车辆的第二预测出口 扇区位置；
基于所述第一预测出口扇区位置和所述第二预测出口扇区位置的重叠区域确定所述目标车辆的目标出口扇区位置；
基于所述目标车辆的当前位置和所述目标出口扇区位置生成从所述当前位置至所述目标出口扇区位置的第一预测轨迹；
获取当前车辆运行至所述目标出口扇区位置的第二预测轨迹，并在所述第一预测轨迹和所述第二预测轨迹发生交叠时，进行碰撞预警；
所述基于所述第一预测出口扇区位置和所述第二预测出口扇区位置的重叠区域确定所述目标车辆的目标出口扇区位置包括：
在所述重叠区域大于等于预设阈值区域时，将所述第一预测出口扇区位置与所述第二预测出口扇区位置重叠的扇区确定为目标出口扇区位置；
在所述重叠区域小于预设阈值区域时，将所述第二预测出口扇区位置中选择概率最大的扇区确定为所述目标出口扇区位置。
6.根据权利要求5所述的一种车辆碰撞预警方法，其特征在于，在所述获取目标车辆的当前位置、当前速度、目标车辆历史轨迹、与所述目标车辆相邻车辆的历史轨迹和车道信息的步骤之前，所述方法还包括：
判断所述当前车辆是否进入路口区域；
若是，则执行所述获取高清地图、目标车辆的当前位置、当前速度、当前时间之前预设时间段内的目标车辆历史轨迹和当前时间之前预设时间段
内的与所述目标车辆相邻车辆的历史轨迹的步骤。
7.一种车辆轨迹预测装置，其特征在于，所述装置包括：
信息获取模块，用于获取高清地图、目标车辆的当前位置、当前速度、当前时间之前预设时间段内的目标车辆历史轨迹和当前时间之前预设时间段内的与所述目标车辆相邻车辆的历史轨迹；
第一预测出口扇区位置确定模块，用于基于所述当前位置和所述当前速度从至少一个已训练的高斯过程模型中确定出与所述目标车辆的运动模式匹配的目标高斯过程模型，并基于所述目标高斯过程模型所表征的运动模式确定所述目标车辆的第一预测出口扇区位置；
第二预测出口扇区位置确定模块，用于基于所述高清地图和所述当前位置确定所述目标车辆所在的车道信息，将所述车道信息、所述目标车辆历史轨迹和与所述目标车辆相邻车辆的历史轨迹处理成按扇区进行划分的彩色语义图像，利用已训练的深度神经网络模型对所述彩色语义图像进行检测，得到所述目标车辆的第二预测出口扇区位置；
目标出口扇区位置确定模块，用于基于所述第一预测出口扇区位置和所述第二预测出口扇区位置的重叠区域确定所述目标车辆的目标出口扇区位置；所述基于所述第一预测出口扇区位置和所述第二预测出口扇区位置的重叠区域确定所述目标车辆的目标出口扇区位置包括：在所述重叠区域大于等于预设阈值区域时，将所述第一预测出口扇区位置与所述第二预测出口扇区位置重叠的扇区确定为目标出口扇区位置；在所述重叠区域小于预设阈值区域时，将所述第二预测出口扇区位置中选择概率最大的扇区确定为所述目标出口扇区位置；
第一预测轨迹确定模块，用于基于所述目标车辆的当前位置和所述目标出口扇区位置生成从所述当前位置至所述目标出口扇区位置的出口位置的第一预测轨迹。
8.一种车辆碰撞预警装置，其特征在于，所述装置包括：
信息获取模块，用于获取高清地图、目标车辆的当前位置、当前速度、当前时间之前预设时间段内的目标车辆历史轨迹和当前时间之前预设时间段内的与所述目标车辆相邻车辆的历史轨迹；
第一预测出口扇区位置确定模块，用于基于所述当前位置和所述当前速度从至少一个已训练的高斯过程模型中确定出与所述目标车辆的运动模式匹配的目标高斯过程模型，并基于所述目标高斯过程模型所表征的运动模式确定所述目标车辆的第一预测出口扇区位置；
第二预测出口扇区位置确定模块，用于基于所述高清地图和所述当前位置确定所述目标车辆所在的车道信息，将所述车道信息、所述目标车辆历史轨迹和与所述目标车辆相邻车辆的历史轨迹处理成按扇区进行划分的彩色语义图像，利用已训练的深度神经网络模型对所述彩色语义图像进行检测，得到所述目标车辆的第二预测出口扇区位置；
目标出口扇区位置确定模块，用于基于所述第一预测出口扇区位置和所述第二预测出口扇区位置的重叠区域确定所述目标车辆的目标出口扇区位置；所述基于所述第一预测出口扇区位置和所述第二预测出口扇区位置的重叠区域确定所述目标车辆的目标出口扇区位置包括：在所述重叠区域大于等于预设阈值区域时，将所述第一预测出口扇区位置与所述第二预测出口扇区位置重叠的扇区确定为目标出口扇区位置；在所述重叠区域小于预设阈值区域时，将所述第二预测出口扇区位置中选择概率最大的扇区确定为所述目标出口扇区位置；
第一预测轨迹确定模块，用于基于所述目标车辆的当前位置和所述目标出口扇区位置生成从所述当前位置至所述目标出口扇区位置的第一预测轨迹；
碰撞预警模块，用于获取当前车辆运行至所述目标出口扇区位置的第二预测轨迹，并在所述第一预测轨迹和所述第二预测轨迹发生交叠时，进行碰撞预警。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集使所述计算机执行如权利要求 1-4任一所述的车辆轨迹预测方法或如权利要求5-6任一所述的车辆碰撞预警方法。
CN202010353557.9A 2020-04-29 2020-04-29 一种车辆轨迹预测方法、车辆碰撞预警方法、装置及存储介质 Active CN111583715B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010353557.9A CN111583715B (zh) 2020-04-29 2020-04-29 一种车辆轨迹预测方法、车辆碰撞预警方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010353557.9A CN111583715B (zh) 2020-04-29 2020-04-29 一种车辆轨迹预测方法、车辆碰撞预警方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN111583715A CN111583715A (zh) 2020-08-25
CN111583715B true CN111583715B (zh) 2022-06-03

Family

ID=72122570

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010353557.9A Active CN111583715B (zh) 2020-04-29 2020-04-29 一种车辆轨迹预测方法、车辆碰撞预警方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN111583715B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070808A (zh) * 2020-09-01 2020-12-11 三一专用汽车有限责任公司 轨迹预测方法、装置和计算机可读存储介质
CN112530202B (zh) * 2020-11-23 2022-01-04 中国第一汽车股份有限公司 一种车辆变道的预测方法、装置、设备及车辆
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
CN112926630B (zh) * 2021-01-29 2023-09-19 北京百度网讯科技有限公司 路线规划方法、装置、电子设备以及计算机可读介质
US12099371B2 (en) * 2021-06-04 2024-09-24 Ubkang (Qingdao) Technology Co., Ltd. Fast continuous regulation of nonholonomic mobile robots
CN113570595B (zh) * 2021-08-12 2023-06-20 上汽大众汽车有限公司 车辆轨迹预测方法和车辆轨迹预测模型的优化方法
CN113947947A (zh) * 2021-10-19 2022-01-18 中国第一汽车股份有限公司 车辆碰撞预警方法、装置、电子设备及存储介质
CN114220295B (zh) * 2021-11-10 2023-03-14 岚图汽车科技有限公司 交通预警系统、控制方法、存储介质、控制装置和车辆
CN114332153A (zh) * 2021-12-28 2022-04-12 京东方科技集团股份有限公司 一种车辆速度检测、撞车预警方法及电子设备
CN114693721B (zh) * 2022-03-24 2023-09-01 美的集团(上海)有限公司 运动规划方法、装置及机器人
CN115168810B (zh) * 2022-09-08 2022-11-29 南京慧尔视智能科技有限公司 一种交通数据的生成方法、装置、电子设备和存储介质
CN115691221A (zh) * 2022-12-16 2023-02-03 山东矩阵软件工程股份有限公司 一种车辆预警方法、车辆预警系统及相关装置
CN118571041A (zh) * 2024-08-02 2024-08-30 天翼交通科技有限公司 基于交通大模型的道路交叉口动态配时方法、装置、设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107561942A (zh) * 2017-09-12 2018-01-09 重庆邮电大学 基于模型补偿的智能车辆轨迹跟踪模型预测控制方法
CN110298122A (zh) * 2019-07-03 2019-10-01 北京理工大学 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法
CN110598842A (zh) * 2019-07-17 2019-12-20 深圳大学 一种深度神经网络超参数优化方法、电子设备及存储介质
CN110610271A (zh) * 2019-09-17 2019-12-24 北京理工大学 一种基于长短记忆网络的多重车辆轨迹预测方法
CN111046919A (zh) * 2019-11-21 2020-04-21 南京航空航天大学 一种融合行为意图的周围动态车辆轨迹预测系统及方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140126975A (ko) * 2013-04-24 2014-11-03 주식회사 만도 차량의 충돌 회피 장치 및 방법
EP3376249A1 (en) * 2017-03-17 2018-09-19 Veoneer Sweden AB Enhanced object position detection
US10403135B2 (en) * 2017-12-29 2019-09-03 Intel IP Corporation Network infrastructure for collaborative automated driving
CN110487288B (zh) * 2018-05-14 2024-03-01 华为技术有限公司 一种行车道路的估计方法以及行车道路估计系统
US11126185B2 (en) * 2018-09-15 2021-09-21 Toyota Research Institute, Inc. Systems and methods for predicting vehicle trajectory
CN109658700A (zh) * 2019-03-05 2019-04-19 上汽大众汽车有限公司 交叉路口防撞预警装置及预警方法
CN110400490B (zh) * 2019-08-08 2022-02-25 腾讯科技（深圳）有限公司 轨迹预测方法和装置
CN110852342B (zh) * 2019-09-26 2020-11-24 京东城市(北京)数字科技有限公司 一种路网数据的获取方法、装置、设备及计算机存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107561942A (zh) * 2017-09-12 2018-01-09 重庆邮电大学 基于模型补偿的智能车辆轨迹跟踪模型预测控制方法
CN110298122A (zh) * 2019-07-03 2019-10-01 北京理工大学 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法
CN110598842A (zh) * 2019-07-17 2019-12-20 深圳大学 一种深度神经网络超参数优化方法、电子设备及存储介质
CN110610271A (zh) * 2019-09-17 2019-12-24 北京理工大学 一种基于长短记忆网络的多重车辆轨迹预测方法
CN111046919A (zh) * 2019-11-21 2020-04-21 南京航空航天大学 一种融合行为意图的周围动态车辆轨迹预测系统及方法

Also Published As

Publication number Publication date
CN111583715A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN111583715B (zh) 一种车辆轨迹预测方法、车辆碰撞预警方法、装置及存储介质
CN112840350B (zh) 自动驾驶车辆规划和预测
CN109583151B (zh) 车辆的行驶轨迹预测方法及装置
US12097844B2 (en) Constraining vehicle operation based on uncertainty in perception and/or prediction
US9784592B2 (en) Turn predictions
JP6800575B2 (ja) 自己の乗り物のドライバを支援する方法およびシステム
Eidehall et al. Statistical threat assessment for general road scenes using Monte Carlo sampling
CN113267199B (zh) 行驶轨迹规划方法及装置
CN109426256A (zh) 自动驾驶车辆的基于驾驶员意图的车道辅助系统
US11782158B2 (en) Multi-stage object heading estimation
CN113272830A (zh) 行为预测系统中的轨迹表示
CN112977473B (zh) 用于预测移动障碍物驶出十字路口的方法及系统
JP2021165080A (ja) 車両制御装置、車両制御方法及び車両制御用コンピュータプログラム
US11860634B2 (en) Lane-attention: predicting vehicles' moving trajectories by learning their attention over lanes
US20210129836A1 (en) Trajectory prediction of surrounding vehicles using predefined routes
EP4020113A1 (en) Dynamic model evaluation package for autonomous driving vehicles
US11477567B2 (en) Method and system for locating an acoustic source relative to a vehicle
CN105699964A (zh) 一种基于汽车防撞雷达的道路多目标跟踪方法
RU2751734C2 (ru) Способы и процессоры для управления рулением беспилотным автомобилем
CN114061581A (zh) 通过相互重要性对自动驾驶车辆附近的智能体排名
CN113895456A (zh) 自动驾驶车辆的交叉路口行驶方法、装置、车辆及介质
US11663913B2 (en) Neural network with lane aggregation for lane selection prediction of moving objects during autonomous driving
CN115158309A (zh) 使用上下文敏感融合的因素轨迹预测
JP7464616B2 (ja) 速度および位置情報を使用するレーダ反射の認識
CN113753040A (zh) 预测弱势道路用户乱穿马路行为

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