CN111752272B - 一种轨迹预测方法、装置、设备及存储介质 - Google Patents

一种轨迹预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111752272B
CN111752272B CN202010301538.1A CN202010301538A CN111752272B CN 111752272 B CN111752272 B CN 111752272B CN 202010301538 A CN202010301538 A CN 202010301538A CN 111752272 B CN111752272 B CN 111752272B
Authority
CN
China
Prior art keywords
target
constraint condition
track
standby
running
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
CN202010301538.1A
Other languages
English (en)
Other versions
CN111752272A (zh
Inventor
李柏
边学鹏
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 Jingdong Qianshi Technology Co Ltd
Original Assignee
Beijing Jingdong Qianshi 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 Jingdong Qianshi Technology Co Ltd filed Critical Beijing Jingdong Qianshi Technology Co Ltd
Priority to CN202010301538.1A priority Critical patent/CN111752272B/zh
Publication of CN111752272A publication Critical patent/CN111752272A/zh
Application granted granted Critical
Publication of CN111752272B publication Critical patent/CN111752272B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例公开了一种轨迹预测方法、装置、设备及存储介质。该方法包括：获取车辆的待预测行驶轨迹所在的目标时间段，以及与目标时间段对应的目标约束条件和备用约束条件，其中，备用约束条件是对目标约束条件进行约束软化后得到的约束条件；基于目标约束条件预测车辆在目标时间段内的目标行驶轨迹，且基于备用约束条件预测车辆在目标时间段内的备用行驶轨迹；若在预设预测时间内未能得到目标行驶轨迹，则根据在预设预测时间内得到的备用行驶轨迹，获得轨迹预测结果。本发明实施例的技术方案，基于复杂度高低存在差异的各约束条件并行预测车辆在目标时间段内的行驶轨迹，由此提高了在预设预测时间内预测出行驶轨迹的成功率。

Description

一种轨迹预测方法、装置、设备及存储介质
技术领域
本发明实施例涉及数据处理技术领域，尤其涉及一种轨迹预测方法、装置、设备及存储介质。
背景技术
自动驾驶车辆需要不断进行轨迹预测来响应道路环境，以使自动驾驶车辆按照预测出的行驶轨迹从起始位置安全且快速地行驶到目标位置。在轨迹预测过程中，有可能出现在预设预测时间内未能成功预测出行驶轨迹的情况，此时，现有方案多是继续预测或是直接输出预测失败的结论。
在实现本发明的过程中，发明人发现现有技术中存在以下技术问题：若未在预设预测时间内成功预测出行驶轨迹，则很有可能给自动驾驶车辆带来较大的行驶安全隐患。因此，如何在预设预测时间内实现行驶轨迹的成功预测，这是亟待解决的技术问题。
发明内容
本发明实施例提供了一种在轨迹预测方法、装置、设备及存储介质，以实现在预设预测时间内成功预测出行驶轨迹的效果。
第一方面，本发明实施例提供了一种轨迹预测方法，可以包括：
获取车辆的待预测行驶轨迹所在的目标时间段，以及与目标时间段对应的目标约束条件和备用约束条件，其中，备用约束条件是对目标约束条件进行约束软化后得到的约束条件；
基于目标约束条件预测车辆在目标时间段内的目标行驶轨迹，且基于备用约束条件预测车辆在目标时间段内的备用行驶轨迹；
若在预设预测时间内未能得到目标行驶轨迹，则根据在预设预测时间内得到的备用行驶轨迹，获得轨迹预测结果。
可选的，将在预设预测时间内得到的备用行驶轨迹作为已得行驶轨迹，根据在预设预测时间内得到的备用行驶轨迹，获得轨迹预测结果，可以包括：
若已得行驶轨迹的数量是至少两个，则从各已得行驶轨迹中筛选出实用行驶轨迹，并根据实用行驶轨迹获得轨迹预测结果。
可选的，从各已得行驶轨迹中筛选出实用行驶轨迹，可以包括：
获取目标约束条件对应的目标行驶任务，以及各已得行驶轨迹分别对应的已得行驶任务；
相对于目标行驶任务，将各已得行驶任务中任务完成度最高的已得行驶任务对应的已得行驶轨迹作为实用行驶轨迹。
可选的，获取与目标时间段对应的目标约束条件和备用约束条件，可包括：
获取与目标时间段对应的道路环境和目标行驶任务，并根据道路环境和目标行驶任务确定目标约束条件和备用约束条件。
可选的，根据道路环境和目标行驶任务确定目标约束条件和备用约束条件，可以包括：
根据预先设定的对应关系确定目标约束条件和备用约束条件，其中对应关系包括道路环境、目标行驶任务、目标约束条件和备用约束条件间的对应关系；或是，
将道路环境和目标行驶任务输入至已训练完成的约束条件构建模型中，根据约束条件构建模型的输出结果，确定目标约束条件和备用约束条件。
可选的，上述轨迹预测方法，还可以包括：若在预设预测时间内得到目标行驶轨迹，则根据目标行驶轨迹获得轨迹预测结果。
可选的，目标约束条件包括可约束软化条件，可约束软化条件是除与运动学方程约束和初始时刻运动状态约束有关的条件之外的约束条件。
第二方面，本发明实施例还提供了一种轨迹预测装置，该装置可以包括：
获取模块，用于获取车辆的待预测行驶轨迹所在的目标时间段，以及与目标时间段对应的目标约束条件和备用约束条件，其中，备用约束条件是对目标约束条件进行约束软化后得到的约束条件；
预测模块，用于基于目标约束条件预测车辆在目标时间段内的目标行驶轨迹，且基于备用约束条件预测车辆在目标时间段内的备用行驶轨迹；
获得模块，用于若在预设预测时间内未能得到目标行驶轨迹，则根据在预设预测时间内得到的备用行驶轨迹，获得轨迹预测结果。
第三方面，本发明实施例还提供了一种设备，该设备可以包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现本发明任意实施例所提供的轨迹预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明任意实施例所提供的轨迹预测方法。
本发明实施例的技术方案，通过获取车辆的待预测行驶轨迹所在的目标时间段，以及与目标时间段对应的目标约束条件和备用约束条件，该备用约束条件是对目标约束条件进行约束软化后得到的复杂度相对较低的约束条件，由此，在预测轨迹时，可以对与目标约束条件对应的目标行驶轨迹以及与备用约束条件对应的备用行驶轨迹进行并行预测；这样一来，即使在预设预测时间内未能成功预测出难度相对较高的目标行驶轨迹，也存在较大几率成功预测出难度相对较低的备用行驶轨迹，进而可根据备用行驶轨迹获得轨迹预测结果。上述技术方案，基于复杂度高低存在差异的各约束条件并行预测车辆在目标时间段内的行驶轨迹，由此提高了在预设预测时间内预测出行驶轨迹的成功率。
附图说明
图1是本发明实施例一中的一种轨迹预测方法的流程图；
图2是本发明实施例一中的一种轨迹预测方法的应用示意图；
图3是本发明实施例二中的一种轨迹预测装置的结构框图；
图4是本发明实施例三中的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在介绍本发明实施例之前，先对本发明实施例的应用场景进行示例性说明：在对车辆在目标时间段内的待预测行驶轨迹进行预测时，可以先获取车辆在目标时间段内对应的目标约束条件，再基于该目标约束条件进行预测。该目标约束条件可以与车辆在目标时间段所处的道路环境和预计完成的目标行驶任务有关，也可以与其余因素有关，在此未做具体限定。
示例性的，目标约束条件可以是与碰撞躲避约束、运动学方程约束、两点边值约束、车辆内在运动能力约束、初始时刻运动状态约束有关的条件，也可以是与其余约束有关的条件，在此未做具体限定。其中，与碰撞躲避约束有关的条件可用于描述车辆在目标时间段内应避免与道路环境中的任何障碍物发生碰撞，与运动学方程约束有关的条件可用于描述车辆的运动学性质和/或动力学性质，与两点边值约束有关的条件可用于描述车辆在目标时间段的初始时刻和终止时刻的运动状态，与车辆内在运动能力约束有关的条件可用于描述车辆内在的机械特性，与初始时刻运动状态约束有关的条件可用于描述车辆在目标时间段的初始时刻的运动速度、运动方向、运动加速度等等运动状态。
在此基础上，该待预测行驶轨迹的预测工作通常希望在预设预测时间内完成，这可以保证车辆的行驶安全。但是，在某些情况下，如预计完成的目标行驶任务较为复杂，再如因车辆未能及时感知出道路环境的突发变化而导致可保证车辆行驶安全的预设预测时间极为短暂，等等，此时，在预设预测时间内可能无法预测出与目标约束条件对应的目标行驶轨迹。
基于此，为了完成与目标行驶任务有关的行驶任务和/或时刻保证车辆的行驶安全，设置了对目标约束条件进行约束软化后得到的备用约束条件，并基于目标约束条件和备用约束条件对待预测行驶轨迹进行并行预测，预测出具有容错属性的行驶轨迹，该行驶轨迹可能是与目标约束条件对应的目标行驶轨迹，也可能是与备用约束条件对应的备用行驶轨迹。
实施例一
图1是本发明实施例一中提供的一种轨迹预测方法的流程图。本实施例可适用于预测车辆在目标时间段内的行驶轨迹的情况，尤其适用于基于复杂度高低存在差异的各约束条件，并行预测车辆在目标时间段内的行驶轨迹的情况。该方法可以由本发明实施例提供的轨迹预测装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在各种用户终端或服务器上。
参见图1，本发明实施例的方法具体包括如下步骤：
S110、获取车辆的待预测行驶轨迹所在的目标时间段，以及与目标时间段对应的目标约束条件和备用约束条件，其中，备用约束条件是对目标约束条件进行约束软化后得到的约束条件。
其中，约束软化通常是对目标约束条件进行简化这一过程的统称，由此得到的备用约束条件的复杂度小于目标约束条件的复杂度，这意味着，相对于基于目标约束条件在预设预测时间内预测出目标行驶轨迹，基于备用约束条件在预设预测时间内预测出备用行驶轨迹的成功几率更高。
需要说明的是，约束软化的具体实现方式与车辆在目标时间段内所处的应用场景有关，该应用场景可以包括道路环境、目标行驶任务、车辆速度限制等，在此未做具体限制。比如，车辆在目标时间段所处的道路环境上出现车辆连环相撞的情况，且目标行驶任务是直线行驶，此时，约束软化的实现方式可以是将必须满足的与碰撞躲避约束有关的条件(即，目标约束条件)软化为尽力满足的与碰撞躲避约束有关的条件(即，备用约束条件)，即将保证车辆与任何障碍物均不发生碰撞的约束条件软化为保证车辆与尽可能少的障碍物发生碰撞的约束条件。再比如，车辆在目标时间段所处的道路环境上出现地陷区域，且目标行驶任务是车辆编队的换道任务，此时，约束软化的实现方式可以是将与换道任务有关的约束条件软化为与安全行驶过地陷区域有关的约束条件。
在此基础上，可选的，目标约束条件可以包括可约束软化条件和不可约束软化条件，可约束软化条件是那些可以进行约束软化的约束条件，相应的，不可约束软化条件是那些不可以进行约束软化的约束条件。示例性的，不可约束软化条件可以是与运动学方程约束和初始时刻运动状态约束有关的条件，这是因为，车辆的运动学方程约束以及初始时刻运动状态约束是无法改变的客观事实，在对它们进行约束软化得到备用约束条件后，基于这样的备用约束条件预测出的备用行驶轨迹是毫无意义的。
需要说明的是，备用约束条件的数量可以是一个或是多个，其取决于对目标约束条件中的几个可约束软化条件进行约束软化，和/或，对目标约束条件中的某可约束软化条件进行几个程度的约束软化。示例性的，目标约束条件包括可约束软化条件A、可约束软化条件B和可约束软化条件C，以及不可约束软化条件D，此时，例子一，若对B进行约束软化得到备用约束条件1且对C进行约束软化得到备用约束条件2，则备用约束条件1包括A、B’、C和D，备用约束条件2包括A、B、C’和D；例子二，若对B进行第一程度的约束软化得到备用约束条件1且对B进行第二程度的约束软化得到备用约束条件2，则备用约束条件1包括A、B’、C和D，备用约束条件2包括A、B”、C和D。另外，各备用约束条件的复杂度可能相同也可能不同，在此未做具体限定。可选的，各备用约束条件可以是一系列复杂度逐渐降低的约束条件。
S120、基于目标约束条件预测车辆在目标时间段内的目标行驶轨迹，且基于备用约束条件预测车辆在目标时间段内的备用行驶轨迹。
其中，基于目标约束条件预测车辆在目标时间段内的目标行驶轨迹的实现方式有多种，比如，可以基于目标约束条件，采用非线性规划(NonLinear Programming,，NLP)方式预测出目标行驶轨迹；再比如，可以先获取初始预测结果，再基于初始预测结果和目标约束条件，采用NLP方式预测出目标行驶轨迹；等等，在此未做具体限定。类似的，备用行驶轨迹的预测方式与目标行驶轨迹类似，在此不再赘述。
需要说明的是，目标约束条件以及各备用约束条件之间是相互独立的，因此，备用行驶轨迹的预测过程和目标行驶轨迹的预测过程在各时刻均是并行执行的，但二者的执行顺序并没有严格限制，一种可选方案是二者同时开始执行，由此，因为备用约束条件的复杂度相对较低，与备用约束条件对应的备用行驶轨迹的预测速度更快，这样一来，即使未能在预设预测时间内成功预测出目标行驶轨迹，也存在较大几率成功预测出备用行驶轨迹。也就是说，即使目标行驶轨迹预测失败，依然可以得到一个退而求其次的备用行驶轨迹，基于该备用行驶轨迹获得的轨迹预测结果是具有容错属性的轨迹预测结果，其可以完成与目标行驶任务有关的行驶任务和/或时刻保证车辆的行驶安全。
S130、若在预设预测时间内未能得到目标行驶轨迹，则根据在预设预测时间内得到的备用行驶轨迹，获得轨迹预测结果。
其中，若在预设预测时间内成功预测出目标行驶轨迹，则可以根据目标行驶轨迹获得轨迹预测结果，这是最理想的轨迹预测结果，基于该轨迹预测结果可以在目标时间段内完成目标行驶任务且保证车辆的行驶安全。相应的，若在预设预测时间内未能成功预测出目标行驶轨迹，则可以根据在预设预测时间内预测出的备用行驶轨迹获得轨迹预测结果。
本发明实施例的技术方案，通过获取车辆的待预测行驶轨迹所在的目标时间段，以及与目标时间段对应的目标约束条件和备用约束条件，该备用约束条件是对目标约束条件进行约束软化后得到的复杂度相对较低的约束条件，由此，在预测轨迹时，可以对与目标约束条件对应的目标行驶轨迹以及与备用约束条件对应的备用行驶轨迹进行并行预测；这样一来，即使在预设预测时间内未能成功预测出难度相对较高的目标行驶轨迹，也存在较大几率成功预测出难度相对较低的备用行驶轨迹，进而可根据备用行驶轨迹获得轨迹预测结果。上述技术方案，基于复杂度高低存在差异的各约束条件并行预测车辆在目标时间段内的行驶轨迹，由此提高了在预设预测时间内预测出行驶轨迹的成功率。
一种可选的技术方案，获取与目标时间段对应的目标约束条件和备用约束条件，具体可以包括：获取与目标时间段对应的道路环境和目标行驶任务，并根据该道路环境和该目标行驶任务确定目标约束条件和备用约束条件。其中，根据上文可知，目标约束条件与车辆在目标时间段内所处的道路环境和预计完成的目标行驶任务有关，备用约束条件是对目标约束条件进行约束软化后得到的约束条件，且约束软化的具体实现方式与车辆在目标时间段内对应的道路环境和目标行驶任务有关，因此，根据获取到的道路环境和目标行驶任务，可以确定出目标约束条件和备用约束条件。
示例性的，如图2所示，道路环境是道路左侧为沼泽地且右侧为断崖，道路中间因存在地陷区域而导致道路受阻，目标行驶任务是车辆编队的换道任务，此时，目标约束条件可以是保证车辆编队在该道路环境下完成换道任务的约束条件。而且，考虑到在道路受阻程度较为严重时，基于该目标约束条件很可能无法在预设预测时间内预测出目标行驶轨迹，为保证车辆编队的行驶安全，可以对目标约束条件进行约束软化以得到保证车辆编队紧急刹车并尽早安全停止的备用约束条件1，显然，相对于目标约束条件，备用约束条件1中不再包含与换道任务相关的约束条件，其复杂度得以降低。
在此基础上，目标约束条件和备用约束条件可以根据预先设定的对应关系确定，该对应关系可以包括道路环境、目标行驶任务、目标约束条件和备用约束条件间的对应关系，这样一来，可以从对应关系中查找到与道路环境和目标行驶任务匹配的目标约束条件和备用约束条件。或是，目标约束条件和备用约束条件还可以通过如下步骤确定：将道路环境和目标行驶任务输入至已训练完成的约束条件构建模型中，根据约束条件构建模型的输出结果，确定目标约束条件和备用约束条件，该约束条件构建模型可以是任意的可以实现约束条件构建的深度学习模型，该深度学习模型在训练过程中的训练样本可以包括道路环境、目标行驶任务、以及与道路环境和目标行驶任务对应的目标约束条件和备用约束条件，每个训练样本中备用约束条件的数量是至少一个。
一种可选的技术方案，将在预设预测时间内得到的备用行驶轨迹作为已得行驶轨迹，该已得行驶轨迹即为已经预测得出的行驶轨迹，由此，根据在预设预测时间内得到的备用行驶轨迹，获得轨迹预测结果，具体可以包括：若已得行驶轨迹的数量是至少两个，则可以先从各已得行驶轨迹中筛选出更加符合当前的应用场景的实用行驶轨迹，该实用行驶轨迹即为实际使用的行驶轨迹，再根据实用行驶轨迹获得轨迹预测结果。在此基础上，从各已得行驶轨迹中筛选出实用行驶轨迹的实现方式有多种，比如，可以将最先预测出的已得行驶轨迹作为实用行驶轨迹；相对于目标约束条件对应的目标行驶任务，可以将各已得行驶轨迹分别对应的已得行驶任务中任务完成度最高的已得行驶任务对应的已得行驶轨迹作为实用行驶轨迹；等等，在此未做具体限定。
需要说明的是，首先，通常情况下，考虑到目标约束条件与车辆在目标时间段预计完成的目标行驶任务有关，则基于目标约束条件预测出的目标行驶轨迹与目标行驶任务亦是存在对应关系的；相应的，基于备用约束条件预测出的备用行驶轨迹也存在与其对应的备用行驶任务，换言之，车辆在按照备用行驶轨迹行驶时，可以完成相应的备用行驶任务。其次，任务完成度是一个量化数据，根据备用行驶任务的具体内容和目标行驶任务的具体内容，可以确定出备用行驶任务在完成后，其相对于目标行驶任务的完成度。示例性的，目标行驶行驶任务是车辆编队以换道方式安全地行驶过某区域，备用行驶任务是车辆编队以直线方式安全地行驶过某区域，即备用行驶任务的完成意味着安全地行驶过某区域的完成，但并非是以换道方式安全地行驶过某区域，其任务完成度可以是70％。再次，任务完成度可以通过多种方式确定，比如，在确定出目标行驶任务和备用行驶任务之后，可以将它们输入至已训练完成的任务完成度确定模型中，根据该任务完成度确定模型的输出结果，确定出备用行驶任务相对于目标行驶任务的任务完成度。
示例性的，继续以图2所示的例子为例，除备用约束条件1外，还考虑到在道路受阻程度严重到基于备用约束条件1依然无法在预设预测时间内预测出备用行驶轨迹1时，可以在安全行车无法保证的前提下将注定发生的事故损失降到最低。具体的，道路左侧为沼泽地且右侧为断崖，道路前方发生严重地陷，正如中国古代谚语中“两害相权取其轻”，可以将目标约束条件中与碰撞躲避约束有关的条件的违背代价进行量化，构建出以违背代价最小化为目标的备用约束条件2，此时，车辆按照与其对应的备用行驶轨迹2行驶时，可能出现突破道路左侧边界线驶入沼泽地的行驶行为，这是因为相对于驶入地陷区域或断崖的行驶行为，驶入沼泽地的事故损失最低。显然，相对于目标约束条件或是备用约束条件1，备用约束条件2将必须满足的与碰撞躲避约束有关的条件简化为尽力满足的性能指标函数，其复杂度显著降低。当然，除备用约束条件1和备用约束条件2外，还可以继续对目标约束条件进行约束软化以得到备用约束条件3、备用约束条件4等等，在此未做具体限定。
以上文所述的目标约束条件、备用约束条件1和备用约束条件2为例，若基于目标约束条件在预设预测时间内未预测出目标行驶轨迹，且基于备用约束条件1在预设预测时间内预测出备用行驶轨迹1以及基于备用约束条件2在预设预测时间内预测出备用行驶轨迹2，显然，相对于目标约束条件对应的换道任务，备用行驶轨迹1或是说备用约束条件1对应的紧急刹车并尽早安全停止任务的任务完成度更高，则可以将备用行驶轨迹1作为实用行驶轨迹，并根据实用行驶轨迹获得轨迹预测结果。
需要说明的是，针对备用约束条件中与车辆紧急刹车约束有关的条件，各车辆以额定的最大反向加速度紧急制动，此时车辆加速度大小不再受赋值约束制约，即该与车辆紧急刹车约束有关的条件可以是αbrake≤αi(t)≤αmax，其中，αi(t)是车辆i在目标时刻t的加速度，αbrake是车辆的最大制动加速度，αmax是预设的线加速度的最大幅值。
实施例二
图3为本发明实施例二提供的轨迹预测装置的结构框图，该装置用于执行上述任意实施例所提供的轨迹预测方法。该装置与上述各实施例的轨迹预测方法属于同一个发明构思，在轨迹预测装置的实施例中未详尽描述的细节内容，可以参考上述轨迹预测方法的实施例。参见图3，该装置具体可包括：获取模块210、预测模块220和获得模块230。
其中，获取模块210，用于获取车辆的待预测行驶轨迹所在的目标时间段，以及与目标时间段对应的目标约束条件和备用约束条件，其中，备用约束条件是对目标约束条件进行约束软化后得到的约束条件；
预测模块220，用于基于目标约束条件预测车辆在目标时间段内的目标行驶轨迹，且基于备用约束条件预测车辆在目标时间段内的备用行驶轨迹；
获得模块230，用于若在预设预测时间内未能得到目标行驶轨迹，则根据在预设预测时间内得到的备用行驶轨迹，获得轨迹预测结果。
可选的，获得模块230，具体可以包括：
获得单元，用于将在预设预测时间内得到的备用行驶轨迹作为已得行驶轨迹，若已得行驶轨迹的数量是至少两个，则从各已得行驶轨迹中筛选出实用行驶轨迹，并根据实用行驶轨迹获得轨迹预测结果。
可选的，获得单元，具体可以包括：
获取子单元，用于获取目标约束条件对应的目标行驶任务，以及各已得行驶轨迹分别对应的已得行驶任务；
筛选子单元，用于相对于目标行驶任务，将各已得行驶任务中任务完成度最高的已得行驶任务对应的已得行驶轨迹作为实用行驶轨迹。
可选的，获取模块210，具体可以包括：
获取单元，用于获取与目标时间段对应的道路环境和目标行驶任务，并根据道路环境和目标行驶任务确定目标约束条件和备用约束条件。
可选的，获取单元，具体可以用于：
根据预先设定的对应关系确定目标约束条件和备用约束条件，其中对应关系包括道路环境、目标行驶任务、目标约束条件和备用约束条件间的对应关系；或是，
将道路环境和目标行驶任务输入至已训练完成的约束条件构建模型中，根据约束条件构建模型的输出结果，确定目标约束条件和备用约束条件。
可选的，在此基础上，该装置还可以包括：
轨迹预测结果获得模块，用于若在预设预测时间内得到目标行驶轨迹，则根据目标行驶轨迹获得轨迹预测结果。
可选的，目标约束条件包括可约束软化条件，可约束软化条件是除与运动学方程约束和初始时刻运动状态约束有关的条件之外的约束条件。
本发明实施例二提供的轨迹预测装置，通过获取模块获取车辆的待预测行驶轨迹所在的目标时间段，以及与目标时间段对应的目标约束条件和备用约束条件，该备用约束条件是对目标约束条件进行约束软化后得到的复杂度相对较低的约束条件；由此，预测模块在预测轨迹时，可以对与目标约束条件对应的目标行驶轨迹以及与备用约束条件对应的备用行驶轨迹进行并行预测；这样一来，获得模块即使在预设预测时间内未能成功预测出难度相对较高的目标行驶轨迹，也存在较大几率成功预测出难度相对较低的备用行驶轨迹，进而可根据备用行驶轨迹获得轨迹预测结果。上述装置，基于复杂度高低存在差异的各约束条件并行预测车辆在目标时间段内的行驶轨迹，由此提高了在预设预测时间内预测出行驶轨迹的成功率。
本发明实施例所提供的轨迹预测装置可执行本发明任意实施例所提供的轨迹预测方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述轨迹预测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例三
图4为本发明实施例三提供的一种设备的结构示意图，如图4所示，该设备包括存储器310、处理器320、输入装置330和输出装置340。设备中的处理器320的数量可以是一个或多个，图4中以一个处理器320为例；设备中的存储器310、处理器320、输入装置330和输出装置340可以通过总线或其它方式连接，图4中以通过总线350连接为例。
存储器310作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的轨迹预测方法对应的程序指令/模块(例如，轨迹预测装置中的获取模块210、预测模块220和获得模块230)。处理器320通过运行存储在存储器310中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的轨迹预测方法。
存储器310可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器310可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器310可进一步包括相对于处理器320远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置330可用于接收输入的数字或字符信息，以及产生与装置的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
实施例四
本发明实施例四提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种轨迹预测方法，该方法包括：
获取车辆的待预测行驶轨迹所在的目标时间段，以及与目标时间段对应的目标约束条件和备用约束条件，其中，备用约束条件是对目标约束条件进行约束软化后得到的约束条件；
基于目标约束条件预测车辆在目标时间段内的目标行驶轨迹，且基于备用约束条件预测车辆在目标时间段内的备用行驶轨迹；
若在预设预测时间内未能得到目标行驶轨迹，则根据在预设预测时间内得到的备用行驶轨迹，获得轨迹预测结果。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的轨迹预测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。依据这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种轨迹预测方法，其特征在于，包括：
获取车辆的待预测行驶轨迹所在的目标时间段，以及与所述目标时间段对应的目标约束条件和备用约束条件，其中，所述备用约束条件是对所述目标约束条件进行约束软化后得到的约束条件，所述备用约束条件的复杂度小于所述目标约束条件的复杂度；
基于所述目标约束条件预测所述车辆在所述目标时间段内的目标行驶轨迹，且基于所述备用约束条件预测所述车辆在所述目标时间段内的备用行驶轨迹；
若在预设预测时间内未能得到所述目标行驶轨迹，则根据在所述预设预测时间内得到的所述备用行驶轨迹，获得轨迹预测结果。
2.根据权利要求1所述的方法，其特征在于，将在所述预设预测时间内得到的所述备用行驶轨迹作为已得行驶轨迹，所述根据在所述预设预测时间内得到的所述备用行驶轨迹，获得轨迹预测结果，包括：
若所述已得行驶轨迹的数量是至少两个，则从各所述已得行驶轨迹中筛选出实用行驶轨迹，并根据所述实用行驶轨迹获得轨迹预测结果。
3.根据权利要求2所述的方法，其特征在于，所述从各所述已得行驶轨迹中筛选出实用行驶轨迹，包括：
获取所述目标约束条件对应的目标行驶任务，以及各所述已得行驶轨迹分别对应的已得行驶任务；
相对于所述目标行驶任务，将各所述已得行驶任务中任务完成度最高的所述已得行驶任务对应的所述已得行驶轨迹作为实用行驶轨迹。
4.根据权利要求1所述的方法，其特征在于，所述获取与所述目标时间段对应的目标约束条件和备用约束条件，包括：
获取与所述目标时间段对应的道路环境和目标行驶任务，并根据所述道路环境和所述目标行驶任务确定目标约束条件和备用约束条件。
5.根据权利要求4所述的方法，其特征在于，所述根据所述道路环境和所述目标行驶任务确定目标约束条件和备用约束条件，包括：
根据预先设定的对应关系确定目标约束条件和备用约束条件，其中，所述对应关系包括所述道路环境、所述目标行驶任务、所述目标约束条件和所述备用约束条件间的对应关系；或是，
将所述道路环境和所述目标行驶任务输入至已训练完成的约束条件构建模型中，根据所述约束条件构建模型的输出结果，确定所述目标约束条件和所述备用约束条件。
6.根据权利要求1所述的方法，其特征在于，还包括：
若在所述预设预测时间内得到所述目标行驶轨迹，则根据所述目标行驶轨迹获得所述轨迹预测结果。
7.根据权利要求1所述的方法，其特征在于，所述目标约束条件包括可约束软化条件，所述可约束软化条件是除与运动学方程约束和初始时刻运动状态约束有关的条件之外的约束条件。
8.一种轨迹预测装置，其特征在于，包括：
获取模块，用于获取车辆的待预测行驶轨迹所在的目标时间段，以及与所述目标时间段对应的目标约束条件和备用约束条件，其中，所述备用约束条件是对所述目标约束条件进行约束软化后得到的约束条件，所述备用约束条件的复杂度小于所述目标约束条件的复杂度；
预测模块，用于基于所述目标约束条件预测所述车辆在所述目标时间段内的目标行驶轨迹，且基于所述备用约束条件预测所述车辆在所述目标时间段内的备用行驶轨迹；
获得模块，用于若在预设预测时间内未能得到所述目标行驶轨迹，则根据在所述预设预测时间内得到的所述备用行驶轨迹，获得轨迹预测结果。
9.一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的轨迹预测方法。
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，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的轨迹预测方法。
CN202010301538.1A 2020-04-16 2020-04-16 一种轨迹预测方法、装置、设备及存储介质 Active CN111752272B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010301538.1A CN111752272B (zh) 2020-04-16 2020-04-16 一种轨迹预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010301538.1A CN111752272B (zh) 2020-04-16 2020-04-16 一种轨迹预测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111752272A CN111752272A (zh) 2020-10-09
CN111752272B true CN111752272B (zh) 2024-06-21

Family

ID=72673174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010301538.1A Active CN111752272B (zh) 2020-04-16 2020-04-16 一种轨迹预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111752272B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114792149A (zh) * 2021-01-25 2022-07-26 华为技术有限公司 一种轨迹预测方法、装置及地图

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109515436A (zh) * 2018-12-07 2019-03-26 安徽江淮汽车集团股份有限公司 一种智能驾驶车辆行驶路径融合的选择方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4466716B2 (ja) * 2007-11-01 2010-05-26 トヨタ自動車株式会社 走行軌跡生成方法及び走行軌跡生成装置
CN105718750B (zh) * 2016-01-29 2018-08-17 长沙理工大学 一种车辆行驶轨迹的预测方法及系统
CN109583151B (zh) * 2019-02-20 2023-07-21 阿波罗智能技术(北京)有限公司 车辆的行驶轨迹预测方法及装置
CN110287529B (zh) * 2019-05-23 2023-01-31 杭州飞步科技有限公司 测试方法、装置、设备以及存储介质
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109515436A (zh) * 2018-12-07 2019-03-26 安徽江淮汽车集团股份有限公司 一种智能驾驶车辆行驶路径融合的选择方法

Also Published As

Publication number Publication date
CN111752272A (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
CN111898211B (zh) 基于深度强化学习的智能车速度决策方法及其仿真方法
CN111874001B (zh) 自动驾驶汽车的安全控制方法、电子设备及存储介质
Hidas Modelling lane changing and merging in microscopic traffic simulation
US11648935B2 (en) Driving assistance method and system
Forbes et al. The batmobile: Towards a bayesian automated taxi
CN109808709A (zh) 车辆行驶保障方法、装置、设备及可读存储介质
US11132211B1 (en) Neural finite state machines
KR20200094641A (ko) 강화 학습에 기초하여 협업 주행에서 다중 에이전트 센서 퓨전을 수행하는 방법 및 장치
Zhan et al. Probabilistic prediction from planning perspective: Problem formulation, representation simplification and evaluation metric
JP2019073271A (ja) 自律走行車ポリシー生成
US11866070B2 (en) Vehicle control method and apparatus, storage medium, and electronic device
Shalev-Shwartz et al. On the sample complexity of end-to-end training vs. semantic abstraction training
JP6981539B2 (ja) モデル推定システム、モデル推定方法およびモデル推定プログラム
Fan et al. Ubiquitous control over heterogeneous vehicles: A digital twin empowered edge AI approach
El Hamdani et al. Autonomous traffic management: Open issues and new directions
US11150656B2 (en) Autonomous vehicle decision making
Wang et al. Human-like maneuver decision using LSTM-CRF model for on-road self-driving
CN111273662B (zh) 车辆控制方法、装置、电子设备及可读存储介质
CN111752272B (zh) 一种轨迹预测方法、装置、设备及存储介质
Srinivasan et al. Comparing merging behaviors observed in naturalistic data with behaviors generated by a machine learned model
CN113911139B (zh) 车辆控制方法、装置和电子设备
Golpayegani et al. Urban emergency management using intelligent traffic systems: challenges and future directions
Vicini et al. Decision making via game theory for autonomous vehicles in the presence of a moving obstacle
CN116653957A (zh) 一种变速变道方法、装置、设备及存储介质
CN115719547A (zh) 基于多重交互行为的交通参与者轨迹预测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant