CN111595352B - 一种基于环境感知和车辆行驶意图的轨迹预测方法 - Google Patents

一种基于环境感知和车辆行驶意图的轨迹预测方法 Download PDF

Info

Publication number
CN111595352B
CN111595352B CN202010408353.0A CN202010408353A CN111595352B CN 111595352 B CN111595352 B CN 111595352B CN 202010408353 A CN202010408353 A CN 202010408353A CN 111595352 B CN111595352 B CN 111595352B
Authority
CN
China
Prior art keywords
track
driving
grid
vehicle
vehicle driving
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
CN202010408353.0A
Other languages
English (en)
Other versions
CN111595352A (zh
Inventor
付行
高锦
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.)
Shaanxi Heavy Duty Automobile Co Ltd
Original Assignee
Shaanxi Heavy Duty Automobile 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 Shaanxi Heavy Duty Automobile Co Ltd filed Critical Shaanxi Heavy Duty Automobile Co Ltd
Priority to CN202010408353.0A priority Critical patent/CN111595352B/zh
Publication of CN111595352A publication Critical patent/CN111595352A/zh
Application granted granted Critical
Publication of CN111595352B publication Critical patent/CN111595352B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/50—Systems of measurement based on relative movement of target
    • G01S17/58—Velocity or trajectory determination systems; Sense-of-movement determination systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于环境感知和车辆行驶意图的轨迹预测方法，本发明通过无人车感知传感器结合地图和定位信息形成局部车辆行驶栅格图，结合在特定结构化道路中，车辆的行驶规律，能够精确预测车周围的车辆在下一时刻的行驶方位，进而计算出行驶轨迹。本发明能够随着多周期的目标位置感知，得到的预测轨迹可信度越高，将不确定的预测问题简化为一个确定的方案选择和轨迹匹配问题，极大的降低了预测难度。

Description

一种基于环境感知和车辆行驶意图的轨迹预测方法
技术领域
本发明属于无人车轨迹预测领域，具体涉及一种基于环境感知和车辆行驶意图的轨迹预测方法。
背景技术
无人车在自主行驶时，会穿梭在车流间。如何准确预测周围车辆的行驶轨迹对无人车进行下一时刻的路径规划十分重要。传统的车辆轨迹预测是基于车辆历史轨迹，预测准确性无法满足无人车自主行驶需求。近几年，无人车在感知、定位、高精度地图、通信方面有了长足的发展，所以结合无人车强大的环境感知能力进行预测已经形成了一种新的思路。同时，在一些特定结构化道路下车辆虽多，而且随机性很大，但是车辆的行驶是有规律可循的，表现为各个出入口之间的连续轨迹，所以车辆在下一时刻的状态有限的。如果将无人车环境感知能力和目标车辆行驶意图结合进行预测，既可以获得好高的实时性，又可以简化将预测过程。
发明内容
本发明的目的在于提供一种基于环境感知和车辆行驶意图的轨迹预测方法，能够在十字路口、丁字路口、普通车道准确的预测车辆行驶轨迹。
为了达到上述目的，本发明包括以下步骤：
步骤一，通过目标无人车结合地图和定位，生成局部车辆行驶的栅格地图；
步骤二，在特定结构化道路车辆行驶具备一定规律，生成特定目标候选轨迹集G；
步骤三，对目标无人车行驶轨迹与轨迹集G中候选轨迹进行相似性度量，概率最大的是预测轨迹。
步骤一中，通过地图获取通行区域车道宽度W、车道数量N和车道线坐标信息，按照无人车行驶方向，以该区域左上顶点O为起点，从上至下对道路进行固定大小的栅格化标记，并通过顶点O坐标依次计算出每一个栅格的四个顶点坐标{D0、D1、D2、D3}，从而形成序列化栅格顶点集U。
步骤二中，罗列该区域出入口正常行驶节点集E，按照该区域道路的行驶规则，将入口起始点E0和出口终止点E1连成光滑的车辆行驶轨迹点集{{x0,y0},{x1,y1},{x2,y2},……}，形成该区域路段所有可能行驶的轨迹集G。
将入口起始点E0和出口终止点E1连成光滑的车辆行驶轨迹点集时采用应用五次多项式插值算法。
步骤三的具体方法如下：
第一步，通过轨道集G中轨迹的轨迹点坐标和栅格顶点坐标进行横纵向坐标值比较，确定每一个轨迹点所在的栅格，形成对应轨迹的栅格集合GU；
第二步，通过激光雷达感知目标车辆位置{x,y}，应用步骤三中横纵向坐标值比较确定目标车辆所在栅格，结合道路行驶规则，记录目标车辆下一时刻的可能状态，然后在步骤二的轨迹集G中查询相同出入口节点对应的栅格集合，形成候选集H；
第三步，无人车记录连续几个周期目标车所属栅格，形成真实行驶栅格集R；
第四步，将第二步和第三步中的候选集H和真实行驶栅格集R进行相似性度量，寻找匹配程度高的栅格集作为最优方案，并依照栅格和轨迹的对应关系，将最优预测轨迹发送给规划模块。
步骤三中，相似性度量采用Jaccards算法。
与现有技术相比，本发明通过无人车感知传感器结合地图和定位信息形成局部车辆行驶栅格图，结合在特定结构化道路中，车辆的行驶规律，能够精确预测车周围的车辆在下一时刻的行驶方位，进而计算出行驶轨迹。本发明能够随着多周期的目标位置感知，得到的预测轨迹可信度越高，将不确定的预测问题简化为一个确定的方案选择和轨迹匹配问题，极大的降低了预测难度。
附图说明
图1为本发明的流程图；
图2为本发明在十字路口道路栅格化标记图和行驶轨迹图。
具体实施方式
下面结合附图对本发明做进一步说明。
参见图1，本发明包括以下步骤：
步骤一，通过地图获取通行区域车道宽度W、车道数量N和车道线坐标信息，按照无人车行驶方向，以该区域左上顶点O为起点，从上至下对道路进行固定大小的栅格化标记，并通过顶点O坐标依次计算出每一个栅格的四个顶点坐标{D0、D1、D2、D3}，从而形成序列化栅格顶点集U；
步骤二，罗列该区域出入口正常行驶节点集E，按照该区域道路的行驶规则，应用五次多项式插值算法将入口起始点E0和出口终止点E1连成光滑的车辆行驶轨迹点集{{x0,y0},{x1,y1},{x2,y2},……}，形成该区域路段所有可能行驶的轨迹集G；
步骤三，通过轨道集G中轨迹的轨迹点坐标和栅格顶点坐标进行横纵向坐标值比较，确定每一个轨迹点所在的栅格，形成对应轨迹的栅格集合GU；
步骤四，通过激光雷达感知目标车辆位置{x,y}，应用步骤三中横纵向坐标值比较确定目标车辆所在栅格，结合道路行驶规则，记录目标车辆下一时刻的可能状态，然后在步骤二的轨迹集G中查询相同出入口节点对应的栅格集合，形成候选集H；
步骤五，无人车记录连续几个周期目标车所属栅格，形成真实行驶栅格集R；
步骤六，采用Jaccards算法将步骤四和步骤五中的候选集H和真实行驶栅格集R进行相似性度量，寻找匹配程度高的栅格集作为最优方案，并依照栅格和轨迹的对应关系，将最优预测轨迹发送给规划模块。

Claims (5)

1.一种基于环境感知和车辆行驶意图的轨迹预测方法，其特征在于，包括以下步骤：
步骤一，通过目标无人车结合地图和定位，生成局部车辆行驶的栅格地图；
步骤二，在特定结构化道路车辆行驶具备一定规律，生成特定目标候选轨迹集G；
步骤三，对目标无人车行驶轨迹与轨迹集G中候选轨迹进行相似性度量，概率最大的是预测轨迹；具体方法如下：
第一步，通过轨道集G中轨迹的轨迹点坐标和栅格顶点坐标进行横纵向坐标值比较，确定每一个轨迹点所在的栅格，形成对应轨迹的栅格集合GU；
第二步，通过激光雷达感知目标车辆位置{x,y}，应用步骤三中横纵向坐标值比较确定目标车辆所在栅格，结合道路行驶规则，记录目标车辆下一时刻的可能状态，然后在步骤二的轨迹集G中查询相同出入口节点对应的栅格集合，形成候选集H；
第三步，无人车记录连续几个周期目标车所属栅格，形成真实行驶栅格集R；
第四步，将第二步和第三步中的候选集H和真实行驶栅格集R进行相似性度量，寻找匹配程度高的栅格集作为最优方案，并依照栅格和轨迹的对应关系，将最优预测轨迹发送给规划模块。
2.根据权利要求1所述的一种基于环境感知和车辆行驶意图的轨迹预测方法，其特征在于，步骤一中，通过地图获取通行区域车道宽度W、车道数量N和车道线坐标信息，按照无人车行驶方向，以该区域左上顶点O为起点，从上至下对道路进行固定大小的栅格化标记，并通过顶点O坐标依次计算出每一个栅格的四个顶点坐标{D0、D1、D2、D3}，从而形成序列化栅格顶点集U。
3.根据权利要求1所述的一种基于环境感知和车辆行驶意图的轨迹预测方法，其特征在于，步骤二中，罗列该区域出入口正常行驶节点集E，按照该区域道路的行驶规则，将入口起始点E0和出口终止点E1连成光滑的车辆行驶轨迹点集{{x0,y0},{x1,y1},{x2,y2},……}，形成该区域路段所有可能行驶的轨迹集G。
4.根据权利要求3所述的一种基于环境感知和车辆行驶意图的轨迹预测方法，其特征在于，将入口起始点E0和出口终止点E1连成光滑的车辆行驶轨迹点集时采用应用五次多项式插值算法。
5.根据权利要求1所述的一种基于环境感知和车辆行驶意图的轨迹预测方法，其特征在于，步骤三中，相似性度量采用Jaccards算法。
CN202010408353.0A 2020-05-14 2020-05-14 一种基于环境感知和车辆行驶意图的轨迹预测方法 Active CN111595352B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010408353.0A CN111595352B (zh) 2020-05-14 2020-05-14 一种基于环境感知和车辆行驶意图的轨迹预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010408353.0A CN111595352B (zh) 2020-05-14 2020-05-14 一种基于环境感知和车辆行驶意图的轨迹预测方法

Publications (2)

Publication Number Publication Date
CN111595352A CN111595352A (zh) 2020-08-28
CN111595352B true CN111595352B (zh) 2021-09-28

Family

ID=72188975

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010408353.0A Active CN111595352B (zh) 2020-05-14 2020-05-14 一种基于环境感知和车辆行驶意图的轨迹预测方法

Country Status (1)

Country Link
CN (1) CN111595352B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114283576B (zh) * 2020-09-28 2023-03-31 华为技术有限公司 一种车辆意图预测方法及相关装置
CN113879333B (zh) * 2021-09-30 2023-08-22 深圳市商汤科技有限公司 轨迹预测方法、装置、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108803617A (zh) * 2018-07-10 2018-11-13 深圳大学 轨迹预测方法及装置
WO2019136479A1 (en) * 2018-01-08 2019-07-11 The Regents On The University Of California Surround vehicle tracking and motion prediction

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7447593B2 (en) * 2004-03-26 2008-11-04 Raytheon Company System and method for adaptive path planning
JP4062353B1 (ja) * 2006-11-10 2008-03-19 トヨタ自動車株式会社 障害物進路予測方法、装置、およびプログラム
CN105551251B (zh) * 2016-01-19 2017-10-20 华南理工大学 一种无信号交叉口机动车冲突概率判断方法
US10074279B1 (en) * 2017-03-07 2018-09-11 Denso International America, Inc. Inference-aware motion planning
CN108594812A (zh) * 2018-04-16 2018-09-28 电子科技大学 一种结构化道路的智能车辆平滑轨迹规划方法
CN109443369A (zh) * 2018-08-20 2019-03-08 北京主线科技有限公司 利用激光雷达和视觉传感器融合构建动静态栅格地图的方法
CN109878515B (zh) * 2019-03-12 2021-03-16 百度在线网络技术（北京）有限公司 预测车辆轨迹的方法、装置、存储介质和终端设备
CN109885066B (zh) * 2019-03-26 2021-08-24 北京经纬恒润科技股份有限公司 一种运动轨迹预测方法及装置
CN110758382B (zh) * 2019-10-21 2021-04-20 南京航空航天大学 一种基于驾驶意图的周围车辆运动状态预测系统及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019136479A1 (en) * 2018-01-08 2019-07-11 The Regents On The University Of California Surround vehicle tracking and motion prediction
CN108803617A (zh) * 2018-07-10 2018-11-13 深圳大学 轨迹预测方法及装置

Also Published As

Publication number Publication date
CN111595352A (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
US11681746B2 (en) Structured prediction crosswalk generation
CN109059944B (zh) 基于驾驶习惯学习的运动规划方法
CN112673234B (zh) 路径规划方法和路径规划装置
CN110264721B (zh) 一种城市交叉口周边车辆轨迹预测方法
CN109459047B (zh) 车辆高精度定位数据与导航地图精确匹配及变道行为探测方法
CN112212874B (zh) 车辆轨迹预测方法、装置、电子设备及计算机可读介质
CN114384920A (zh) 一种基于局部栅格地图实时构建的动态避障方法
CN109256028B (zh) 一种用于无人驾驶的高精度路网自动生成的方法
CN111595352B (zh) 一种基于环境感知和车辆行驶意图的轨迹预测方法
CN114005280B (zh) 一种基于不确定性估计的车辆轨迹预测方法
Zhou et al. Automatic construction of lane-level hd maps for urban scenes
JPWO2018008082A1 (ja) 走行車線推定システム
CN113375678B (zh) 一种行车路径规划方法、管理服务器及停车管理系统
CN106568456A (zh) 基于gps/北斗定位和云计算平台的不停车收费方法
CN113654556A (zh) 一种基于改进em算法的局部路径规划方法、介质及设备
CN115268443A (zh) 一种机器人避障路径规划方法
JP6871785B2 (ja) 車線情報生成装置及び車線情報生成方法並びに車線情報生成用プログラム
Meng et al. Trajectory prediction for automated vehicles on roads with lanes partially covered by ice or snow
Yang et al. Traffic agent trajectory prediction using social convolution and attention mechanism
CN111033591B (zh) 用于确定道路网的行车道的走向的方法以及服务器设备
Kong et al. Learning a novel LiDAR submap-based observation model for global positioning in long-term changing environments
Lu et al. Pole-based localization for autonomous vehicles in urban scenarios using local grid map-based method
Zhang et al. Real time obstacle detection method based on lidar and wireless sensor
CN111427368A (zh) 一种改进的多目标无人智能车避碰行驶方法
CN113447039B (zh) 一种基于测绘信息的高精度道路最短路径计算方法

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