CN111857134B - 一种基于贝叶斯网络的目标障碍车轨迹预测方法 - Google Patents

Abstract

本发明公开无人驾驶汽车领域中的一种基于贝叶斯网络的目标障碍车轨迹预测方法，环境模型分别计算出历史路径概率P_A、航向角概率P_B、目标障碍车与其他障碍物距离影响概率P_C、历史速度概率P_D、历史避让障碍物速度概率P_E和目标障碍车速度概率P_F并输入贝叶斯网络模型，贝叶斯网络模型将概率P_A、P_B、P_C、P_D、P_E、P_F作为子节点输入，下一步路径栅格概率、下一步栅格速度概率作为根节点构建贝叶斯网络结构，得到从当前所在栅格到周围八个栅格的不同的后验概率以及各栅格对应的速度的后验概率，比较出后验概率值最大的栅格及速度作为目标障碍车的下一轨迹点，本发明考虑动态环境下目标障碍车与其周边其他障碍物之间距离的影响，预测的未来轨迹更加准确。

Description

一种基于贝叶斯网络的目标障碍车轨迹预测方法

技术领域

本发明涉及无人驾驶汽车领域，具体是对行驶在无人驾驶汽车周围的目标障碍车的行驶轨迹进行预测的方法。

背景技术

在无人驾驶领域中，需要对无人驾驶车进行轨迹规划，从而得到安全平滑的运行轨迹。为了使无人驾驶车能够更准确的避开周围的障碍物，通常需要对障碍物未来的轨迹进行预测。一般来说，通常是根据障碍物在当前以及当前之前预设时段内的运动状态，预测障碍物在未来多个预设时刻的轨迹点，从而得到障碍物未来的轨迹。但是，通过这种方式预测的障碍物未来的轨迹准确度较差，使得无人驾驶车轨迹规划的结果缺乏准确性。例如，在中国专利申请号为201910034446.9的文献中公布一种基于障碍物预测与MPC算法的无人驾驶轨迹规划方法，其通过车载传感器设备及相应的图像识别算法得到周围车辆的运动速度与方向，其假设在预测时域内，周围车辆沿当前车道按照当前速度行驶，得到周围车辆运动轨迹，保证了其后期轨迹规划的安全性，但是其假定在预测时域内，按照当前车道以及当前速度行驶，忽略了周围其他障碍物对其行驶的影响，与实际动态的行车环境不符。

发明内容

针对现有技术中存在的不足，本发明提出一种基于贝叶斯网络的目标障碍车轨迹预测方法，构建基于贝叶斯网络的轨迹预测模型，通过考虑相似环境下历史轨迹、航向角、目标障碍车与周围其他障碍物距离、避让障碍物速度、目标障碍车速度等多种影响因素，提高预测轨迹的准确性。

本发明是通过以下技术手段实现上述技术目的的：信息采集模块采集当前地图以及周围道路环境信息S、当前地点历史轨迹数据T、目标障碍车当前位置P_s、目标障碍车速度v₀、目标障碍车与其他障碍物之间的相对距离p、其他障碍物速度v₁和目标障碍车的航向角B信息并输入到环境模型中，历史轨迹数据T包括历史路径A、历史速度D和历史避让障碍物速度E，还包括以下步骤：

步骤(1)环境模型根据当前地图以及周围道路环境信息S将整个地图空间划分成大小相同的栅格，构建栅格地图，分别计算出历史路径概率P_A、航向角概率P_B、目标障碍车与其他障碍物距离影响概率P_C、历史速度概率P_D、历史避让障碍物速度概率P_E和目标障碍车速度概率P_F并输入贝叶斯网络模型；

步骤(2)贝叶斯网络模型将所述的概率P_A、P_B、P_C、P_D、P_E、P_F作为子节点输入，下一步路径栅格概率G、下一步栅格速度概率H作为根节点，构建贝叶斯网络结构，得到各节点的条件概率分布以及下一步路径栅格概率G、下一步栅格速度概率H的先验概率，运用贝叶斯公式得到从当前所在栅格M_k到周围M₁到M₈号栅格的不同的后验概率以及各栅格对应的速度的后验概率；

步骤(3)贝叶斯网络模型比较出后验概率值最大的栅格及速度作为目标障碍车的下一轨迹点，所有轨迹点连接起来得到预测的目标障碍车轨迹。

步骤(1)中，所述的历史路径概率P_A为

n_(k→u)为当前地点相似历史路径A中包括栅格号串{M_k，M_u}的路径数目，n_k为所有包含栅格M_k号的路径数目，M_k为目标障碍车当前所在栅格，M_u为目标障碍车即将到达的下一栅格，u∈{1,2,3,…,8}；

选取九个相邻的栅格组成九宫格，以九宫格中心为圆心画一个内切圆，与九宫格内线相交八个点，这八个交点分别连接圆心，内切圆被分成八个扇形，分别对应八个栅格号，由航向角B得到目标障碍车的车头朝向和车辆中心线，得到车辆前轮转角范围∠C和前轮转角范围与不同扇形重叠部分角度∠A，则所述的航向角概率P_B为

所述的目标障碍车与其他障碍物距离影响概率P_C为

p为目标障碍车与周围其他障碍物的相对距离，p₀为障碍物影响范围，v为目标障碍车与其他障碍物的相对速度，f为地面摩擦系数，a为安全系数，半径为p₀+a的圆经过的栅格，其概率值最大，为55％；

所述的历史速度概率

n_vi为当前地点环境下统计各区间速度出现的频次，n_v为历史速度D总数；

所述的历史避让障碍物速度概率

n_avi为避让障碍物时各区间速度出现的频次，n_av历史避让障碍物速度E总数；

当目标障碍车速度v₀属于划分的速度区间时，则所述的目标障碍车速度概率P_F为

t为时间，其余区间目标障碍车速度概率P_F为10％。

本发明的有益效果是：

(1)本发明将朴素贝叶斯网络模型运用到轨迹预测中，不仅考虑了历史轨迹的影响，同时还考虑了当前的航向角及动态环境下目标障碍车与其周边其他障碍物距离等影响，使影响因素不再单一，避免出现特殊情况而不能准确预测。

(2)本发明通过考虑动态环境下目标障碍车与其周边其他障碍物之间距离的影响，并提出对应的叶节点概率计算公式，更加符合实际动态环境，并对目标障碍车的每一个路径点的速度进行预测，因此，预测得到的目标障碍车未来轨迹更加准确。

(3)本发明设立滚动周期进行滚动预测，使预测出的路径能够适应复杂多变的环境。

附图说明

图1为实现本发明一种基于贝叶斯网络的目标障碍车轨迹预测方法的预测系统的硬件图；

图2为目标障碍车、本车和其他障碍物关系示意图；

图3为本发明目标障碍车轨迹预测方法的流程图；

图4为本发明路径预测网络结构图；

图5为本发明速度预测网络结构图；

图6为本发明运用模型预测路径栅格号和速度区间的流程图；

图7为本发明中贝叶斯网络预测方法原理图；

图8为本发明设计的相似历史路径栅格示意图；

图9为本发明设计的航向角示意图；

图10为本发明设计的目标障碍物与其他障碍物距离影响示意图。

具体实施方式

下面结合附图以及具体实施方式对本发明作进一步的说明，但本发明的保护范围并不限于此。

本发明首先是要构建如图1所示的预测系统，该预测系统基于朴素贝叶斯网络建立的贝叶斯网络模型，通过贝叶斯网络模型对目标障碍车轨迹进行预测估计。该预测系统主要由依次串联的信息采集模块、信息处理模块和决策模块组成。其中，信息采集模块包括雷达、CCD相机和历史轨迹数据库及地图下载部分，信息处理模块包括依次串联的环境模型和贝叶斯网络模型。

雷达部分负责采集目标障碍车当前位置P_s、目标障碍车速度v₀、目标障碍车与其他障碍物之间的相对距离p、其他障碍物速度v₁，并将其发给信息处理模块中的环境模型。

CCD相机部分负责采集目标障碍车航向角B，并将其发给信息处理模块中的环境模型。

历史轨迹数据库及地图下载部分用于获取当前地点以往经过车辆的历史轨迹数据T和当前地图以及周围道路环境信息S，并且将其发给信息处理模块中的环境模型。其中，当前地点以往经过车辆的历史轨迹数据T主要包括当前地点相似历史路径A、当前地点历史速度D、当前地点历史避让障碍物速度E。

信息处理模块中的环境模型根据接收到的当前地图以及周围道路环境信息S进行环境建模，然后结合目标障碍车当前位置P_s、目标障碍车与其他障碍物之间的相对距离p、目标障碍车航向角B、目标障碍车速度v₀、其他障碍物速度v₁以及当前地点历史轨迹数据T计算出历史路径概率P_A、航向角概率P_B、目标障碍车与其他障碍物距离影响概率P_C、历史速度概率P_D、历史避让障碍物速度概率P_E和目标障碍车速度概率P_F，并将计算出的P_A、P_B、P_C、P_D、P_E、P_F，输入贝叶斯网络模型，作为贝叶斯网络模型各叶节点概率，最后，由贝叶斯网络模型根据各叶节点概率预测出目标障碍车轨迹l并发送给决策模块。决策模块根据信息处理模块发送的目标障碍车轨迹l信息进行下一步决策处理。

如图2所示，本发明的研究对象分为两类：无人驾驶汽车和障碍物。图2中的黑色圆代表无人驾驶汽车，无人驾驶汽车称为本车，黑色方块代表目标障碍车，灰色方块代表其他障碍物。其中，障碍物又可分为目标障碍车和其他障碍物，目标障碍车为本发明轨迹预测方法的预测对象，其他障碍物为相对于目标障碍车来说的路径范围内的障碍物，包括无人驾驶汽车相对于目标障碍车也属于其他障碍物，p是目标障碍车与其他障碍物之间的相对距离。图1中的预测系统安装在本车上，用来采集和处理当前目标障碍车周围环境和目标障碍车的状态信息，然后预测出目标障碍车未来n秒内的目标障碍车轨迹l。

本发明所述的一种基于贝叶斯网络的目标障碍车轨迹预测方法在进行预测时，分为预测模型构建和目标障碍车未来轨迹预测两个阶段，流程图如图3所示。首先，信息采集模块将当前地图以及周围道路环境信息S、当前地点历史轨迹数据T、目标障碍车当前位置P_s、目标障碍车速度v₀、目标障碍车与其他障碍物之间的相对距离p、其他障碍物速度v₁和目标障碍车的航向角B信息发送给信息处理模块，其次，信息处理模块中环境模型根据当前地图以及周围道路环境信息S进行环境建模，将整个地图空间划分成大小相同的栅格，形成一个栅格地图，栅格长度为L，在同一个栅格内的对象都被看作是一个质点，则栅格地图上的一条轨迹就可以由一连串栅格号表示，如图7所示，然后信息处理模块通过信息采集模块发送的信息计算出目标障碍车周围相邻八个栅格被选中的后验概率值以及目标障碍车速度的概率值，比较出后验概率值最大的栅格及速度作为目标障碍车的下一轨迹点，所有轨迹点连接起来得到一条目标障碍车轨迹l，最后信息处理模块将目标障碍车轨迹l发送给决策模块。其中信息采集模块每经过一个滚动周期将重新采集信息传输给信息处理模块重新计算。具体步骤如下：

第一阶段，预测模型的构建

步骤1：信息采集模块将雷达采集到的目标障碍车当前位置P_s、目标障碍车速度v₀、目标障碍车与其他障碍物之间相对距离p、其他障碍物速度v₁、CCD相机采集的目标障碍车航向角B以及下载的当前地点历史轨迹数据T、当前地图以及周围道路环境信息S发送给信息处理模块，信息处理模块中的环境模型可计算出目标障碍车与其他障碍物相对速度v，v＝v₀-v₁。历史轨迹数据T包括历史路径A、历史速度D和历史避让障碍物速度E。

步骤2：信息处理模块中的环境模型根据信息采集模块传回的信息构建栅格地图，并根据目标障碍车当前位置Ps、目标障碍车与其他障碍物之间的相对距离p、目标障碍车的航向角B、目标障碍车速度v₀以及当前地点历史轨迹数据T分别设计历史路径概率P_A、航向角概率P_B、目标障碍车与其他障碍物距离影响概率P_C、历史速度概率P_D、历史避让障碍物速度概率P_E和目标障碍车速度概率P_F计算公式。

参见图7和图8，将目标障碍车周围8个栅格从1～8标号，目标障碍车当前所在栅格称为栅格M_k，则目标障碍车即将到达的下一栅格为M_u，u∈{1,2,3,…,8}，并将速度划分成连续的12个区间，速度区间间隔10km/h，分别为[0,10]、[10,20]、[20,30]…[110,120]，单位为km/h。栅格与速度区间划分得越细，轨迹之间区分的越明显。

1.计算历史路径概率P_A：如图8所示，为了充分利用历史轨迹T的信息，基于每个栅格的状态值来设计历史路径转移概率公式。目标障碍车从栅格M_k中行驶到栅格M_u中的历史路径概率P_A的值等于当前地点相似历史路径A中包括栅格号串{M_k，M_u}的路径数目除以所有包含栅格M_k号的路径数目。因此，对于栅格图中的每对相邻栅格，都可以预计算出转移概率，公式为：

其中n_(k→u)为当前地点相似历史路径A中包括栅格号串{M_k，M_u}的路径数目，n_k为所有包含栅格M_k号的路径数目。

2.计算航向角概率P_B：如图9所示，选取九个相邻的栅格组成九宫格，以九宫格中心为圆心，画一个内切圆，与九宫格内线相交八个点，这八个交点分别连接圆心，内切圆被分成八个扇形，分别对应八个栅格号。由目标障碍车航向角B得到目标障碍车的车头朝向，图9中栅格M₅中的粗虚线表示车辆中心线，∠C为车辆前轮转角范围，∠A为前轮转角范围与不同扇形重叠部分角度，其中在一个滚动周期Δt内认为目标障碍车行驶方向不变。目标障碍车从M_k中行驶到M_u中的航向角概率P_B的值等于前轮转角范围与不同扇形重叠部分角度和车辆前轮转角之间的比值：

其中，∠A为前轮转角与不同扇形重叠部分角度，∠C为车辆前轮转角范围。

3.计算目标障碍车与其他障碍物距离影响概率P_C：如图10所示，网格颜色越深代表其概率值越低，基于环境建模，将整个道路栅格概率定义为50％，当周围出现其他障碍物时，越靠近障碍物周围的栅格概率值越低，距离越远的概率值越高；半径为p₀+a的圆经过的栅格，其概率值最大，为55％；当距离超过p₀+a时，则恢复原道路栅格概率值50％。其中p₀为障碍物影响范围，随着目标障碍车与其他障碍物之间相对速度变化而变化。目标障碍车从栅格M_k中行驶到栅格M_u中的目标障碍车与其他障碍物距离影响概率用P_C表示：

其中，p为目标障碍车与周围其他障碍物的相对距离，p₀为障碍物影响范围，v为目标障碍车与其他障碍物的相对速度，f为地面摩擦系数，a为安全系数。

4.计算历史速度概率P_D：将当前地点环境下统计以往经过车辆各区间速度出现的频次记为n_vi，所有统计的当前地点历史速度D总数记为n_v，目标障碍车从栅格M_k中行驶到栅格M_u中的历史速度概率P_D的值等于各区间速度出现的频次与历史速度总数的比值：

其中n_vi为当前地点环境下统计各区间速度出现的频次，n_v为所有统计的历史速度D总数。

5.计算历史避让障碍物速度概率P_E：统计避让障碍物时各区间速度出现的频次记为n_avi，所有统计的当前地点历史避让速度E总数记为n_av，目标障碍车从栅格M_k中行驶到栅格M_u中的避让障碍物速度概率P_E的值等于各区间速度出现的频次与行驶速度总数的比值：

其中n_avi为避让障碍物时各区间速度出现的频次，n_av所有统计的历史避让速度E总数。

6.计算目标障碍车速度概率P_F：当雷达检测到目标障碍车速度v₀属于划分的某个速度区间时，其区间速度概率值用P_t表示，其余区间车速概率值记为10％，一个预测周期内传感器检测到的目标障碍车速度v₀随着预测时间的推移而保持不变的概率P_t为：

其中t为时间。

则目标障碍车从M_k中行驶到M_u中的目标障碍车速度概率P_F为：

步骤3：贝叶斯网络模型的构建包括可视化的体现节点相关性的有向无环图以及量化的各个节点的条件概率。现将目标障碍物车下一步即将行驶到栅格M_u的概率称为下一步路径栅格概率G，行驶到下一步路径栅格时的目标障碍物车的速度在某一速度区间概率称为下一步栅格速度概率H。如图4和图5所示，贝叶斯网络模型将环境模型输出的历史路径概率P_A、航向角概率P_B、目标障碍车与其他障碍物距离影响概率P_C、历史速度概率P_D、历史避让障碍物速度概率P_E、目标障碍车速度概率P_F作为子节点输入，下一步路径栅格概率G、下一步栅格速度概率H作为根节点，构建贝叶斯网络结构，得到各网络节点的条件概率分布，具体包括当前地点相似历史路径概率P_A和下一步路径栅格概率G的条件概率P(A_u|G_u)，目标障碍车航向角概率P_B和下一步路径栅格概率G的条件概率P(B_u|G_u)，目标障碍车与其他障碍物距离影响概率P_C和下一步路径栅格概率G的条件概率P(C_u|G_u)，相似环境历史速度概率P_D和下一步栅格速度概率H的条件概率P(D_j|H_j)，当前地点历史避让障碍物速度概率P_E和下一步栅格速度概率H的条件概率P(E_j|H_j)，目标障碍车速度概率P_F和下一步栅格速度概率H的条件概率P(F_j|H_j)，下一步路径栅格概率G的先验概率分布P_f(G_u)，下一步栅格速度概率H的先验概率分布P_f(H_j)，其中，下一步路径栅格概率G包含8种结果{G₁，G₂，G₃，G₄，G₅，G₆，G₇，G₈}，则先验概率P_f(G)分别为P_f(G₁)，P_f(G₂)…P_f(G₈)，下一步栅格速度概率H包含{H₁，H₂，H₃，H₄，H₅，H₆，H₇，H₈，H₉，H₁₀，H₁₁，H₁₂}，分别对应12个速度区间，分别为P_f(H₁)，P_f(H₂)…P_f(H₁₂)。

运用贝叶斯公式可以得到从当前所在栅格M_k到周围M₁到M₈号栅格的不同的后验概率P(G_u|A_u,B_u,C_u)以及各栅格对应的速度的后验概率P(H_j|D_j,E_j,F_j)：

(1)

(2)

其中u∈(1,2,3…8)表示当前所在栅格周围1号栅格到8号栅格，j∈(1,2,3…12)表示12个不同速度区间。

若max{P(G₁|A₁,B₁,C₁),P(G₂|A₂,B₂,C₂)…P(G₈|A₈,B₈,C₈)}＝P(G_u|A_u,B_u,C_u)，则选择栅格M_u为目标障碍车的下一步栅格，将每步预测出栅格号连接起来，则可得到未来n秒内的一系列路径点。

若max{P(H₁|D₁,E₁,F₁),P(H₂|D₂,E₂,F₂)…P(H₁₂|D₁₂,E₁₂,F₁₂)}＝P(H_j|D_j,E_j,F_j)，则选择v_j为下一步路径栅格上目标障碍车的速度v_j，然后将路径点与对应的速度结合起来形成目标障碍车轨迹点，如图6所示，其中，信息采集模块每经过一个滚动周期Δt将重新搜集信息并传输给信息处理模块计算后验概率，更新轨迹点。如此构建成贝叶斯网络模型，即预测模型。

第二阶段：基于预测模型对目标障碍车未来轨迹进行预测。

步骤1：信息采集模块通过雷达、CCD相机采集目标障碍车周围以及目标障碍车当前的状态信息，并下载历史信息和地图，具体包括当前道路地图及周围道路信息S、当前地点以往经过车辆的历史轨迹数据T、目标障碍车的当前位置P_s、目标障碍车与其他障碍物之间的相对距离p、目标障碍车的航向角B、目标障碍车速度v₀、其他障碍物速度v₁等信息。

步骤2：先将信息采集模块中获取的参数信息发送给信息处理模块作为环境模型的输入，目标障碍车的当前位置P_s为目标障碍车的路径起点，根据第一阶段中步骤2的概率计算公式分别得到各叶节点概率，再由贝叶斯网络模型得到各条件概率，并运用贝叶斯定理分别计算出目标障碍车路径栅格及速度后验概率分布，选定下一路径栅格和速度，其中信息采集模块每经过一个滚动周期Δt将重新搜集信息并传输给信息处理模块计算后验概率，更新轨迹点，最终得到未来n秒的目标障碍车轨迹l。

步骤3：信息处理模块将预测出的目标障碍车轨迹l发送到决策模块，进行下一步决策处理。

所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (4)

1.一种基于贝叶斯网络的目标障碍车轨迹预测方法，信息采集模块采集当前地图以及周围道路环境信息S、当前地点历史轨迹数据T、目标障碍车当前位置P_s、目标障碍车速度v₀、目标障碍车与其他障碍物之间的相对距离p、其他障碍物速度v₁和目标障碍车的航向角B信息并输入到环境模型中，历史轨迹数据T包括历史路径A、历史速度D和历史避让障碍物速度E，其特征是包括以下步骤：

步骤(1)环境模型根据当前地图以及周围道路环境信息S将整个地图空间划分成大小相同的栅格，构建栅格地图，分别计算出历史路径概率P_A、航向角概率P_B、目标障碍车与其他障碍物距离影响概率P_C、历史速度概率P_D、历史避让障碍物速度概率P_E和目标障碍车速度概率P_F并输入贝叶斯网络模型；

所述的历史路径概率P_A为

n_(k→u)为当前地点相似历史路径A中包括栅格号串{M_k，M_u}的路径数目，n_k为所有包含栅格M_k号的路径数目，M_k为目标障碍车当前所在栅格，M_u为目标障碍车即将到达的下一栅格，u∈{1,2,3,…,8}；

选取九个相邻的栅格组成九宫格，以九宫格中心为圆心画一个内切圆，与九宫格内线相交八个点，这八个交点分别连接圆心，内切圆被分成八个扇形，分别对应八个栅格号，由航向角B得到目标障碍车的车头朝向和车辆中心线，得到车辆前轮转角范围∠C和前轮转角范围与不同扇形重叠部分角度∠A，则所述的航向角概率P_B为

所述的目标障碍车与其他障碍物距离影响概率P_C为

p为目标障碍车与周围其他障碍物的相对距离，p₀为障碍物影响范围，v为目标障碍车与其他障碍物的相对速度，f为地面摩擦系数，a为安全系数，半径为p₀+a的圆经过的栅格，其概率值最大，为55％；

所述的历史速度概率

n_vi为当前地点环境下统计各区间速度出现的频次，n_v为历史速度D总数；

所述的历史避让障碍物速度概率

n_avi为避让障碍物时各区间速度出现的频次，n_av历史避让障碍物速度E总数；

当目标障碍车速度v₀属于划分的速度区间时，则所述的目标障碍车速度概率P_F为

t为时间，其余区间目标障碍车速度概率P_F为10％；

步骤(2)贝叶斯网络模型将所述的概率P_A、P_B、P_C、P_D、P_E、P_F作为子节点输入，下一步路径栅格概率G、下一步栅格速度概率H作为根节点，构建贝叶斯网络结构，得到各节点的条件概率分布以及下一步路径栅格概率G、下一步栅格速度概率H的先验概率，运用贝叶斯公式得到从当前所在栅格M_k到周围M₁到M₈号八个栅格的不同的后验概率以及各栅格对应的速度的后验概率；

当前所在栅格M_k到周围M₁到M₈号栅格的不同的后验概率

各栅格对应的速度的后验概率

u∈(1,2,3…8)表示当前所在栅格周围1号栅格到8号栅格，j∈(1,2,3…12)表示12个不同速度区间，当前地点相似历史路径概率P_A和下一步路径栅格概率G的条件概率为P(A_u|G_u)，目标障碍车航向角概率P_B和下一步路径栅格概率G的条件概率为P(B_u|G_u)，目标障碍车与其他障碍物距离影响概率P_C和下一步路径栅格概率G的条件概率为P(C_u|G_u)，相似环境历史速度概率P_D和下一步栅格速度概率H的条件概率为P(D_j|H_j)，当前地点历史避让障碍物速度概率P_E和下一步栅格速度概率H的条件概率为P(E_j|H_j)，目标障碍车速度概率P_F和下一步栅格速度概率H的条件概率为P(F_j|H_j)，下一步路径栅格概率G的先验概率分布为P_f(G_u)，下一步栅格速度概率H的先验概率分布为P_f(H_j)；

步骤(3)贝叶斯网络模型比较出后验概率值最大的栅格及速度作为目标障碍车的下一轨迹点，所有轨迹点连接起来得到预测的目标障碍车轨迹。

2.根据权利要求1所述的一种基于贝叶斯网络的目标障碍车轨迹预测方法，其特征是：若max{P(G₁|A₁,B₁,C₁),P(G₂|A₂,B₂,C₂)…P(G₈|A₈,B₈,C₈)}＝P(G_u|A_u,B_u,C_u)，则选择栅格M_u为目标障碍车的下一步栅格，将每步预测出栅格号连接起来得到未来n秒内的一系列路径点，若max{P(H₁|D₁,E₁,F₁),P(H₂|D₂,E₂,F₂)…P(H₁₂|D₁₂,E₁₂,F₁₂)}＝P(H_j|D_j,E_j,F_j)，则选择v_j为下一步路径栅格上目标障碍车的速度，将一系列路径点与对应的速度结合起来形成目标障碍车轨迹点。

3.根据权利要求1所述的一种基于贝叶斯网络的目标障碍车轨迹预测方法，其特征是：信息采集模块每经过一个滚动周期△t重新采集信息，贝叶斯网络模型更新目标障碍车轨迹点。

4.根据权利要求1所述的一种基于贝叶斯网络的目标障碍车轨迹预测方法，其特征是：贝叶斯网络模型将预测出的目标障碍车轨迹发送给决策模块进行下一步决策处理。

Images