CN112070808A - 轨迹预测方法、装置和计算机可读存储介质 - Google Patents

轨迹预测方法、装置和计算机可读存储介质 Download PDF

Info

Publication number
CN112070808A
CN112070808A CN202010901272.4A CN202010901272A CN112070808A CN 112070808 A CN112070808 A CN 112070808A CN 202010901272 A CN202010901272 A CN 202010901272A CN 112070808 A CN112070808 A CN 112070808A
Authority
CN
China
Prior art keywords
predicted
information
point information
track point
trajectory
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.)
Pending
Application number
CN202010901272.4A
Other languages
English (en)
Inventor
林晓鹏
贺志国
王维
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.)
Sany Special Vehicle Co Ltd
Original Assignee
Sany Special Vehicle 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 Sany Special Vehicle Co Ltd filed Critical Sany Special Vehicle Co Ltd
Priority to CN202010901272.4A priority Critical patent/CN112070808A/zh
Publication of CN112070808A publication Critical patent/CN112070808A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/77—Determining position or orientation of objects or cameras using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30261—Obstacle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种轨迹预测方法、装置和计算机可读存储介质，轨迹预测方法，包括：获取目标障碍物的历史轨迹点信息；接收第一待预测轨迹点信息所对应的第一时刻；利用存储的高斯过程模型对第一时刻、历史轨迹点信息进行处理，以得到第一待预测轨迹点信息。采用高斯过程模型来进行轨迹预测，相对于传统的机器学习模型，其需要处理的数据量较少，因此，从数据录入到得到第一待预测轨迹点信息之间花费的时间较少，为未来行驶路径预测在在无人驾驶领域的应用提供了基础。

Description

轨迹预测方法、装置和计算机可读存储介质
技术领域
本发明涉及轨迹预测技术领域，具体而言，涉及一种轨迹预测方法、装置和计算机可读存储介质。
背景技术
在无人驾驶领域中，车辆需要对障碍物的未来行驶路径进行预测，分析其在未来短时间内是否会对自身车辆造成威胁，从而提早提醒司机，以及做出相对应的策略来避开风险。
本领域的技术人员发现，现有未来行驶路径预测的方案通常采用机器学习的模型来进行处理，而机器模型需要大量的数据进行训练，此外，在未来行驶路径进行预测的过程中同样也需要处理大量的数据，基于工程方面的考虑，无人驾驶感知的频率是10赫兹，也就是每一帧大约100毫秒，由于无人驾驶系统通常由好几个模块构成，所以预测模块要控制在几十毫秒，现有未来行驶路径预测方式耗时较长，无法满足无人驾驶领域的使用需求。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此，本发明的第一个方面在于，提供了一种轨迹预测方法。
本发明的第二个方面在于，提供了一种轨迹预测装置。
本发明的第三个方面在于，提供了一种车辆。
本发明的第四个方面在于，提供了一种计算机可读存储介质。
有鉴于此，根据本发明的第一个方面，本发明提供了一种轨迹预测方法，包括：获取目标障碍物的历史轨迹点信息；接收第一待预测轨迹点信息所对应的第一时刻；利用存储的高斯过程模型对第一时刻、历史轨迹点信息进行处理，以得到第一待预测轨迹点信息。
在本发明的技术方案中，提出了一种用于目标障碍物的轨迹预测方法。在该方案中，采用高斯过程模型来进行轨迹预测，相对于传统的机器学习模型，其需要处理的数据量较少，因此，从数据录入到得到第一待预测轨迹点信息之间花费的时间较少，为未来行驶路径预测在在无人驾驶领域的应用提供了基础。
另外，本发明提供的上述技术方案中的轨迹预测方法还可以具有如下附加技术特征：
在上述技术方案中，获取目标障碍物的历史轨迹点信息的步骤，还包括：获取目标障碍物的运动意图信息；利用存储的高斯过程模型对第一时刻、历史轨迹点信息进行处理，以得到第一待预测轨迹点信息的步骤，具体包括：利用高斯过程模型对历史轨迹点信息、运动意图信息和第一时刻进行处理，以得到第一待预测轨迹点信息。
在该技术方案中，在获取目标障碍物的历史轨迹点信息的步骤的同时，还获取目标障碍物的运动意图信息，以便在对第一待预测轨迹点信息进行预测时，可以参考目标障碍物的运动意图信息。在此过程中，预测得到的第一待预测轨迹点信息更加准确，提高了预测结果的可靠性。
在上述任一技术方案中，获取目标障碍物的运动意图信息的步骤，具体包括：获取目标障碍物的姿态信息；根据目标障碍物的姿态信息确定目标障碍物的运动意图信息。
在该技术方案中，由于目标障碍物的运动意图信息可以根据目标障碍物的姿态信息来确定，而目标障碍物的姿态信息能够表征目标障碍物的实际运行状态，因此，可以确保运动意图信息的准确性，进而提高了第一待预测轨迹点信息的可信度。其中，运动意图信息可以包括向左转向行驶、向右转向行驶、向前进方向行驶、停止、以及与前进方向相反的方向行驶，如在目标障碍物为自行车时，可以获取自行车在当前姿态，进而确定车辆的运动意图，具体地，在自行车的车把偏向自行车行进方向的左侧，认定自行车为向左转向行驶，同理，在自行车的车把偏向自行车行进方向的右侧，认定自行车为向右转向行驶。
在上述任一技术方案中，目标障碍物设置有指示装置，获取目标障碍物的运动意图信息的步骤，具体包括：获取指示装置输出的指示信息；根据指示信息确定目标障碍物的运动意图信息。
在该技术方案中，在目标障碍物设置有指示装置时，根据该指示装置所输出的指示信息来确定目标障碍物的运动意图信息，进而降低了运动意图信息的检测难度。具体地，目标障碍物可以是车辆，指示装置可以是转向灯，通过获取转向灯的点亮情况来确定目标障碍物的运动意图信息。
在上述任一技术方案中，在利用高斯过程模型对历史轨迹点信息和运动意图信息进行处理，以得到第一待预测轨迹点信息的步骤之前，还包括：根据运动意图信息确定均值函数；根据选定的核函数和均值函数确定高斯过程模型。
在该技术方案中，在利用高斯过程模型对历史轨迹点信息和运动意图信息进行处理，以得到第一待预测轨迹点信息的步骤之前，还包括：构建高斯过程模型，具体地，根据运动意图信息确定均值函数，并根据选定的核函数得到高斯过程模型。在此过程中，由于高斯过程模型的确定过程中结合了运动意图信息，因此，确保了得到的高斯过程模型能够准确结合运动意图信息进行预测，提高了得到第一待预测轨迹点信息的可信度。
在上述任一技术方案中，第一待预测轨迹点信息包括多个待预测轨迹点，利用存储的高斯过程模型对第一时刻、历史轨迹点信息进行处理，以得到第一待预测轨迹点信息的步骤之后，还包括：获取任一待预测轨迹点的概率值；将概率值最大所对应的待预测轨迹点作为目标障碍物的第一未来轨迹信息。
在该技术方案中，由于本申请的技术方案所采用的模型为高斯过程模型，因此，得到的第一待预测轨迹点信息属于一个动态范围。具体地，其包含多个待预测轨迹点，通过比较任意两个待预测轨迹点的概率值，进而确定概率值最大的待预测轨迹点，并将该待预测轨迹点作为目标障碍物的第一未来轨迹信息。在此过程中，通过选取概率值最大的待预测轨迹点作为第一未来轨迹信息，提高了预测结果的可信度。
在上述任一技术方案中，利用存储的高斯过程模型对第一时刻、历史轨迹点信息进行处理，以得到第一待预测轨迹点信息的步骤之后，还包括：接收第二待预测轨迹点信息所对应的第二时刻；利用存储的高斯过程模型对第二时刻、历史轨迹点信息进行处理，以得到第二待预测轨迹点信息；根据第二待预测轨迹点信息确定第二未来轨迹信息；根据第一未来轨迹信息和第二未来轨迹信息生成目标障碍物的预测轨迹。
在该技术方案中，通过输入不同待预测轨迹点信息所对应的时刻，进而得到多个未来轨迹信息，利用得到的多个未来轨迹信息生成目标障碍物的预测轨迹，以便用户可以根据该预测轨迹驾驶车辆，降低目标障碍物在未来短时间内是否会对自身车辆造成威胁，以便用户及时做出相对应的策略来避开风险，从而提升了车辆驾驶的安全性。
在上述任一技术方案中，还包括：确定第一待预测轨迹点信息的方差。
在该技术方案中，通过确定第一待预测轨迹点信息的方差，以便根据该方差来确定目标障碍物的预测轨迹的不可确定性的范围，以便根据该不可确定性的范围来确定目标障碍物可能出现的运动轨迹，以便用户根据可能出现的运动轨迹驾驶车辆，以提高车辆驾驶的安全性。
在上述任一技术方案中，选取与当前时刻最近的历史轨迹点作为历史轨迹点信息，其中，历史轨迹点的数量大于或等于3。
在该技术方案中，通过限定历史轨迹点信息为与当前时刻最近的历史轨迹点，以便得到的第一待预测轨迹点信息与最接近的行驶轨迹相关，进而提高了第一待预测轨迹点信息的可信度。
此外，通过限定历史轨迹点的数量大于或等于3，即限定了历史轨迹点的数量不少于三个，以降低历史轨迹点信息的数量过少，造成第一待预测轨迹点信息的可信度偏低的问题。
根据本发明的第二个方面，本发明提供了一种轨迹预测装置，包括：存储器，存储器上存储有计算机程序；控制器，控制器执行计算机程序实现如第一方面中任一项的轨迹预测方法的步骤。
本发明的技术方案提出了一种轨迹预测装置，其中，轨迹预测装置包括存储器和控制器，而控制器执行计算机程序实现如第一方面中任一项的轨迹预测方法的步骤，因此，轨迹预测装置具有上述任一项轨迹预测方法的全部有益技术效果，在此，不再赘述。
根据本发明的第三个方面，本发明提供了一种车辆，包括：本体；如第二方面的轨迹预测装置。
本发明的技术方案提出了一种车辆，其中，车辆包括本体和如第二方面的轨迹预测装置，因此，车辆具有轨迹预测装置的全部有益技术效果，在此，不再赘述。
根据本发明的第四个方面，本发明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如第一方面中任一项的轨迹预测方法的步骤。
本发明的技术方案提出了一种计算机可读存储介质，其中，计算机可读存储介质上存储的计算机程序被处理器执行时实现如第一方面中任一项轨迹预测方法的步骤，因此，计算机可读存储介质中的计算机程序被执行时具有上述任一项轨迹预测方法的全部有益技术效果，在此，不再赘述。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1示出了根据本发明一个实施例的轨迹预测方法的流程示意图；
图2示出了根据本发明一个实施例的轨迹预测方法的流程示意图；
图3示出了根据本发明一个实施例的获取目标障碍物的运动意图信息的流程示意图；
图4示出了根据本发明一个实施例的获取目标障碍物的运动意图信息的流程示意图；
图5示出了根据本发明一个实施例的轨迹预测方法的流程示意图；
图6示出了根据本发明一个实施例的预测轨迹的示意图；
图7示出了根据本发明一个实施例的轨迹预测装置的示意框图；
图8示出了根据本发明一个实施例的车辆的示意框图。
具体实施方式
为了能够更清楚地理解本发明的上述方面、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
实施例一
在本发明的一个实施例中，如图1所示，提供了一种轨迹预测方法，包括：
步骤102，获取目标障碍物的历史轨迹点信息；
步骤104，接收第一待预测轨迹点信息所对应的第一时刻；
步骤106，利用存储的高斯过程模型对第一时刻、历史轨迹点信息进行处理，以得到第一待预测轨迹点信息。
在本发明的实施例中，提出了一种用于目标障碍物的轨迹预测方法。在该方案中，采用高斯过程模型来进行轨迹预测，相对于传统的机器学习模型，其需要处理的数据量较少，因此，从数据录入到得到第一待预测轨迹点信息之间花费的时间较少，为未来行驶路径预测在在无人驾驶领域的应用提供了基础。
在其中一个实施例中，选取与当前时刻最近的历史轨迹点作为历史轨迹点信息，其中，历史轨迹点的数量大于或等于3。
在该实施例中，通过限定历史轨迹点信息为与当前时刻最近的历史轨迹点，以便得到的第一待预测轨迹点信息与最接近的行驶轨迹相关，进而提高了第一待预测轨迹点信息的可信度。
此外，通过限定历史轨迹点的数量大于或等于3，即限定了历史轨迹点的数量不少于三个，以降低历史轨迹点信息的数量过少，造成第一待预测轨迹点信息的可信度偏低的问题。
在其中一个实施例中，目标障碍物可以立即为选定的障碍物，其确定过程可以基于图像识别来实现，目标障碍物可以是车辆、如机动车(如汽车、电动车)，还可以是非机动车(如自行车、滑板车)。
实施例二
在本发明的一个实施例中，如图2所示，提供了一种轨迹预测方法，包括：
步骤202，获取目标障碍物的历史轨迹点信息以及目标障碍物的运动意图信息；
步骤204，接收第一待预测轨迹点信息所对应的第一时刻；
步骤206，利用高斯过程模型对历史轨迹点信息、运动意图信息和第一时刻进行处理，以得到第一待预测轨迹点信息。
在本发明的实施例中，提出了一种用于目标障碍物的轨迹预测方法。在该方案中，采用高斯过程模型来进行轨迹预测，相对于传统的机器学习模型，其需要处理的数据量较少，因此，从数据录入到得到第一待预测轨迹点信息之间花费的时间较少，为未来行驶路径预测在在无人驾驶领域的应用提供了基础。在获取目标障碍物的历史轨迹点信息的步骤的同时，还获取目标障碍物的运动意图信息，以便在对第一待预测轨迹点信息进行预测时，可以参考目标障碍物的运动意图信息。在此过程中，预测得到的第一待预测轨迹点信息更加准确，提高了预测结果的可靠性。
在其中一个实施例中，选取与当前时刻最近的历史轨迹点作为历史轨迹点信息，其中，历史轨迹点的数量大于或等于3。
在该实施例中，通过限定历史轨迹点信息为与当前时刻最近的历史轨迹点，以便得到的第一待预测轨迹点信息与最接近的行驶轨迹相关，进而提高了第一待预测轨迹点信息的可信度。
此外，通过限定历史轨迹点的数量大于或等于3，即限定了历史轨迹点的数量不少于三个，以降低历史轨迹点信息的数量过少，造成第一待预测轨迹点信息的可信度偏低的问题。
在其中一个实施例中，目标障碍物可以立即为选定的障碍物，其确定过程可以基于图像识别来实现，目标障碍物可以是车辆、如机动车(如汽车、电动车)，还可以是非机动车(如自行车、滑板车)。
在其中一个实施例中，目标障碍物也可以是相对大地参考系位置不变的物体。
实施例三
在本发明的一个实施例中，如图3所示，获取目标障碍物的运动意图信息的步骤，具体包括：
步骤302，获取目标障碍物的姿态信息；
步骤304，根据目标障碍物的姿态信息确定目标障碍物的运动意图信息。
在该实施例中，由于目标障碍物的运动意图信息可以根据目标障碍物的姿态信息来确定，而目标障碍物的姿态信息能够表征目标障碍物的实际运行状态，因此，可以确保运动意图信息的准确性，进而提高了第一待预测轨迹点信息的可信度。其中，运动意图信息可以包括向左转向行驶、向右转向行驶、向前进方向行驶、停止、以及与前进方向相反的方向行驶，如在目标障碍物为自行车时，可以获取自行车在当前姿态，进而确定车辆的运动意图，具体地，在自行车的车把偏向自行车行进方向的左侧，认定自行车为向左转向行驶，同理，在自行车的车把偏向自行车行进方向的右侧，认定自行车为向右转向行驶。
实施例四
在本发明的一个实施例中，如图4所示，目标障碍物设置有指示装置，获取目标障碍物的运动意图信息的步骤，具体包括：
步骤402，获取指示装置输出的指示信息；
步骤404，根据指示信息确定目标障碍物的运动意图信息。
在该实施例中，在目标障碍物设置有指示装置时，根据该指示装置所输出的指示信息来确定目标障碍物的运动意图信息，进而降低了运动意图信息的检测难度。具体地，目标障碍物可以是车辆，指示装置可以是转向灯，通过获取转向灯的点亮情况来确定目标障碍物的运动意图信息。
实施例五
在本发明的一个实施例中，在利用高斯过程模型对历史轨迹点信息和运动意图信息进行处理，以得到第一待预测轨迹点信息的步骤之前，还包括：根据运动意图信息确定均值函数；根据选定的核函数和均值函数确定高斯过程模型。
在该实施例中，在利用高斯过程模型对历史轨迹点信息和运动意图信息进行处理，以得到第一待预测轨迹点信息的步骤之前，还包括：构建高斯过程模型，具体地，根据运动意图信息确定均值函数，并根据选定的核函数得到高斯过程模型。在此过程中，由于高斯过程模型的确定过程中结合了运动意图信息，因此，确保了得到的高斯过程模型能够准确结合运动意图信息进行预测，提高了得到第一待预测轨迹点信息的可信度。
在其中一个实施例中，构建高斯过程模型的步骤，具体包括：
初始的高斯过程模型表示为：y＝f(x)+ε；
其中，
Figure BDA0002659864080000091
f(x)～gp(m(x),k(x,x′))；
其中，y为输出概率，在本申请中代表障碍物为位置点；x为时间点；ε代表误差，实际情况会存在一定的噪声干扰，假设其服从正态分布(均值为0，方差为
Figure BDA0002659864080000092
)；f(x)为模型输出概率值，m(x)为均值函数，k(x,x′)为核函数，其表示数据点之间的关系，根据实际情况选择适当的核函数，在本申请中核函数代表了两两历史轨迹点之间的相互关系。
其中，可以选择使用的核函数如表1所示：
Figure BDA0002659864080000093
在本发明的实施例中，选取v＝3/2的核函数，其中，r是两个数据点之间的欧氏距离，基于表1所示，需要确定σf和l两个参数，而上述两个参数可以根据MAP(最大后验概率估计，一种最优解的确定方法)进行训练优化获得合适的数值，以得到高斯过程模型。
具体地，基于高斯过程模型得到第一待预测轨迹点信息的过程如下：
Figure BDA0002659864080000094
Figure BDA0002659864080000095
其中，
Figure BDA0002659864080000101
其中，y*为预测点位置，y为历史数据点位置，K为历史数据时间点，两两之间构成的核函数矩阵，K*为预测点时间与历史数据点时间两两之间构成核函数矩阵，
Figure BDA0002659864080000102
是K*的转置矩阵，K**为预测点时间两两之间构成的核函数矩阵。
其中，K的表达式如下所示：
Figure BDA0002659864080000103
其中，
Figure BDA0002659864080000104
其中，历史数据点即本申请中的历史轨迹点。
基于上述表达式，可以得到带有历史数据以及横向意图的高斯过程模型，进而可以根据该高斯过程模型预测第一待预测轨迹点信息。
在其中一个实施例中，如图5所示，轨迹预测方法包括：
步骤502，选择目标障碍物的历史数据点；
步骤504，根据目标障碍物的行驶行为确定均值函数；
步骤506，选择合适的核函数；
步骤508，通过MAP训练超参数σf和l；
步骤510，根据高斯过程模型预测待预测轨迹点信息。
在该实施例中，由于采用高斯过程模型进行待预测轨迹点信息的预测，因此，无需大量数据，降低了轨迹预测需要的时长。
实施例六
在上述任一实施例中，第一待预测轨迹点信息包括多个待预测轨迹点，利用存储的高斯过程模型对第一时刻、历史轨迹点信息进行处理，以得到第一待预测轨迹点信息的步骤之后，还包括：获取任一待预测轨迹点的概率值；将概率值最大所对应的待预测轨迹点作为目标障碍物的第一未来轨迹信息。
在该实施例中，由于本申请的实施例所采用的模型为高斯过程模型，因此，得到的第一待预测轨迹点信息属于一个动态范围。具体地，其包含多个待预测轨迹点，通过比较任意两个待预测轨迹点的概率值，进而确定概率值最大的待预测轨迹点，并将该待预测轨迹点作为目标障碍物的第一未来轨迹信息。在此过程中，通过选取概率值最大的待预测轨迹点作为第一未来轨迹信息，提高了预测结果的可信度。
在上述任一实施例中，利用存储的高斯过程模型对第一时刻、历史轨迹点信息进行处理，以得到第一待预测轨迹点信息的步骤之后，还包括：接收第二待预测轨迹点信息所对应的第二时刻；利用存储的高斯过程模型对第二时刻、历史轨迹点信息进行处理，以得到第二待预测轨迹点信息；根据第二待预测轨迹点信息确定第二未来轨迹信息；根据第一未来轨迹信息和第二未来轨迹信息生成目标障碍物的预测轨迹。
在该实施例中，通过输入不同待预测轨迹点信息所对应的时刻，进而得到多个未来轨迹信息，利用得到的多个未来轨迹信息生成目标障碍物的预测轨迹，以便用户可以根据该预测轨迹驾驶车辆，降低目标障碍物在未来短时间内是否会对自身车辆造成威胁，以便用户及时做出相对应的策略来避开风险，从而提升了车辆驾驶的安全性。
在上述任一实施例中，还包括：确定第一待预测轨迹点信息的方差。
在该实施例中，通过确定第一待预测轨迹点信息的方差，以便根据该方差来确定目标障碍物的预测轨迹的不可确定性的范围，以便根据该不可确定性的范围来确定目标障碍物可能出现的运动轨迹，以便用户根据可能出现的运动轨迹驾驶车辆，以提高车辆驾驶的安全性。
具体地，如图6所示，目标障碍物为车辆，历史轨迹点包括历史轨迹点1、历史轨迹点2和历史轨迹点3，其中，图6中的横坐标为时间，纵坐标为第一未来轨迹信息，即预测的未来位置，其中，实线表示目标障碍物的预测轨迹，灰度区间表示第一待预测轨迹点信息的方差所代表的不可确定性的范围。
在该实施例中，灰度区间具体表示概率为68％的不确定性范围，即有68％的概率障碍物的中心点会出现在这个范围之内，以便用户根据该信息做出相对应的策略来避开风险。
在其中一个实施例中，68％仅仅是示例，其具体数值可以根据用户设定进行选取。
在其中一个实施例，高斯过程模型可以划分成两个部分，其中一个用于生成目标障碍物的预测轨迹，另外一个用于计算第一待预测轨迹点信息的方差，以实现数据的分布计算。
实施例七
在本发明的一个实施例中，如图7所示，提供了一种轨迹预测装置700，包括：存储器702，存储器702上存储有计算机程序；控制器704，控制器704执行计算机程序实现如上述任一实施例中的轨迹预测方法的步骤。
本发明的实施例提出了一种轨迹预测装置700，其中，轨迹预测装置700包括存储器702和控制器704，而控制器704执行计算机程序实现如上述任一实施例中的轨迹预测方法的步骤，因此，轨迹预测装置700具有上述任一项轨迹预测方法的全部有益技术效果，在此，不再赘述。
实施例八
在本发明的一个实施例中，如图8所示，提供了一种车辆800，包括：本体802；如第二方面的轨迹预测装置700。
本发明的实施例提出了一种车辆800，其中，车辆800包括本体802和如第二方面的轨迹预测装置700，因此，车辆800具有轨迹预测装置700的全部有益技术效果，在此，不再赘述。
在其中一个实施例中，车辆800还包括图像获取装置，图像获取装置设置在本体802上，图像获取装置用于拍摄障碍物的图像信息，并根据障碍物的图像信息确定目标障碍物，以及识别得到目标障碍物的姿态信息或目标障碍物的指示装置输出的指示信息，其中，图像获取装置可以是摄像头，其设置在本体802上。
实施例九
在本发明的一个实施例中，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如第一方面中任一项的轨迹预测方法的步骤。
本发明的实施例提出了一种计算机可读存储介质，其中，计算机可读存储介质上存储的计算机程序被处理器执行时实现如第一方面中任一项轨迹预测方法的步骤，因此，计算机可读存储介质中的计算机程序被执行时具有上述任一项轨迹预测方法的全部有益技术效果，在此，不再赘述。
在本发明的描述中，术语“多个”则指两个或两个以上，除非另有明确的限定，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制；术语“连接”、“安装”、“固定”等均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本发明中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种轨迹预测方法，其特征在于，包括：
获取目标障碍物的历史轨迹点信息；
接收第一待预测轨迹点信息所对应的第一时刻；
利用存储的高斯过程模型对所述第一时刻、所述历史轨迹点信息进行处理，以得到第一待预测轨迹点信息。
2.根据权利要求1所述的轨迹预测方法，其特征在于，所述获取目标障碍物的历史轨迹点信息的步骤，还包括：
获取所述目标障碍物的运动意图信息；
所述利用存储的高斯过程模型对所述第一时刻、所述历史轨迹点信息进行处理，以得到第一待预测轨迹点信息的步骤，具体包括：
利用所述高斯过程模型对所述历史轨迹点信息、所述运动意图信息和所述第一时刻进行处理，以得到所述第一待预测轨迹点信息。
3.根据权利要求2所述的轨迹预测方法，其特征在于，所述获取所述目标障碍物的运动意图信息的步骤，具体包括：
获取所述目标障碍物的姿态信息；
根据所述目标障碍物的姿态信息确定所述目标障碍物的运动意图信息；或
所述目标障碍物设置有指示装置，所述获取所述目标障碍物的运动意图信息的步骤，具体包括：
获取所述指示装置输出的指示信息；
根据所述指示信息确定所述目标障碍物的运动意图信息。
4.根据权利要求3所述的轨迹预测方法，其特征在于，在所述利用所述高斯过程模型对所述历史轨迹点信息和所述运动意图信息进行处理，以得到所述第一待预测轨迹点信息的步骤之前，还包括：
根据所述运动意图信息确定均值函数；
根据选定的核函数和所述均值函数确定所述高斯过程模型。
5.根据权利要求4所述的轨迹预测方法，其特征在于，所述第一待预测轨迹点信息包括多个待预测轨迹点，
所述利用存储的高斯过程模型对所述第一时刻、所述历史轨迹点信息进行处理，以得到第一待预测轨迹点信息的步骤之后，还包括：
获取任一所述待预测轨迹点的概率值；
将概率值最大所对应的待预测轨迹点作为所述目标障碍物的第一未来轨迹信息。
6.根据权利要求5所述的轨迹预测方法，其特征在于，所述利用存储的高斯过程模型对所述第一时刻、所述历史轨迹点信息进行处理，以得到第一待预测轨迹点信息的步骤之后，还包括：
接收第二待预测轨迹点信息所对应的第二时刻；
利用存储的高斯过程模型对所述第二时刻、所述历史轨迹点信息进行处理，以得到第二待预测轨迹点信息；
根据所述第二待预测轨迹点信息确定第二未来轨迹信息；
根据所述第一未来轨迹信息和所述第二未来轨迹信息生成所述目标障碍物的预测轨迹。
7.根据权利要求5所述的轨迹预测方法，其特征在于，还包括：
确定所述第一待预测轨迹点信息的方差。
8.根据权利要求1至3中任一项所述的轨迹预测方法，其特征在于，
选取与当前时刻最近的历史轨迹点作为所述历史轨迹点信息，
其中，所述历史轨迹点的数量大于或等于3。
9.一种轨迹预测装置，其特征在于，包括：
存储器，所述存储器上存储有计算机程序；
控制器，所述控制器执行所述计算机程序实现如权利要求1至8中任一项所述的轨迹预测方法的步骤。
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，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的轨迹预测方法的步骤。
CN202010901272.4A 2020-09-01 2020-09-01 轨迹预测方法、装置和计算机可读存储介质 Pending CN112070808A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010901272.4A CN112070808A (zh) 2020-09-01 2020-09-01 轨迹预测方法、装置和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010901272.4A CN112070808A (zh) 2020-09-01 2020-09-01 轨迹预测方法、装置和计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN112070808A true CN112070808A (zh) 2020-12-11

Family

ID=73666185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010901272.4A Pending CN112070808A (zh) 2020-09-01 2020-09-01 轨迹预测方法、装置和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112070808A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113226885A (zh) * 2021-05-27 2021-08-06 华为技术有限公司 一种目标车辆转向意图的确定方法及装置
CN115184895A (zh) * 2022-09-07 2022-10-14 北京海兰信数据科技股份有限公司 一种基于导航雷达的静态目标识别方法及系统
CN116644862A (zh) * 2023-07-24 2023-08-25 志成信科(北京)科技有限公司 一种鸟类飞行轨迹预测方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106714110A (zh) * 2017-01-19 2017-05-24 深圳大学 一种Wi‑Fi位置指纹地图自动构建方法及系统
CN107610464A (zh) * 2017-08-11 2018-01-19 河海大学 一种基于高斯混合时间序列模型的轨迹预测方法
CN110304075A (zh) * 2019-07-04 2019-10-08 清华大学 基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法
CN111583715A (zh) * 2020-04-29 2020-08-25 宁波吉利汽车研究开发有限公司 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106714110A (zh) * 2017-01-19 2017-05-24 深圳大学 一种Wi‑Fi位置指纹地图自动构建方法及系统
CN107610464A (zh) * 2017-08-11 2018-01-19 河海大学 一种基于高斯混合时间序列模型的轨迹预测方法
CN110304075A (zh) * 2019-07-04 2019-10-08 清华大学 基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法
CN111583715A (zh) * 2020-04-29 2020-08-25 宁波吉利汽车研究开发有限公司 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

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113226885A (zh) * 2021-05-27 2021-08-06 华为技术有限公司 一种目标车辆转向意图的确定方法及装置
CN115184895A (zh) * 2022-09-07 2022-10-14 北京海兰信数据科技股份有限公司 一种基于导航雷达的静态目标识别方法及系统
CN116644862A (zh) * 2023-07-24 2023-08-25 志成信科(北京)科技有限公司 一种鸟类飞行轨迹预测方法和装置
CN116644862B (zh) * 2023-07-24 2023-09-22 志成信科(北京)科技有限公司 一种鸟类飞行轨迹预测方法和装置

Similar Documents

Publication Publication Date Title
CN112070808A (zh) 轨迹预测方法、装置和计算机可读存储介质
US9990736B2 (en) Robust anytime tracking combining 3D shape, color, and motion with annealed dynamic histograms
Liu et al. Parking like a human: A direct trajectory planning solution
CN110941272B (zh) 自动驾驶控制方法和设备
EP3611652A1 (en) Pedestrian identification device and method, and driving assistance device
CN113942524B (zh) 一种车辆行驶控制方法、系统及计算机可读存储介质
US20220121213A1 (en) Hybrid planning method in autonomous vehicle and system thereof
CN111402328B (zh) 一种基于激光里程计的位姿计算方法及装置
US11899750B2 (en) Quantile neural network
US20210398014A1 (en) Reinforcement learning based control of imitative policies for autonomous driving
Mutz et al. Following the leader using a tracking system based on pre-trained deep neural networks
US10831209B2 (en) Using a long-term recurrent convolutional network to plan a sequence of lateral controls in autonomous driving
CN115373383A (zh) 一种垃圾回收无人艇的自主避障方法、装置及相关设备
WO2019123582A1 (ja) 物体情報生成装置及び物体情報生成プログラム
CN115635982A (zh) 基于驾驶效率与舒适度的自动驾驶方法及系统
CN111856188B (zh) 一种基于物联网的新能源车辆检测方法及系统
EP3376471A1 (en) Vehicle roll angle estimation system, vehicle, vehicle roll angle estimation method, and program
CN114604235A (zh) 自动驾驶辅助系统
CN113377189A (zh) 用于车辆的面部辨识系统
CN112883909B (zh) 基于包围盒的障碍物位置检测方法、装置和电子设备
Santos et al. Model-based and machine learning-based high-level controller for autonomous vehicle navigation: lane centering and obstacles avoidance
CN117765796B (zh) 自动驾驶教学系统、方法及装置
CN117935388B (zh) 一种基于联网的高速公路计费监控系统和方法
CN117719540A (zh) 车辆轨迹的预测方法、装置、车辆及存储介质
CN115402352A (zh) 预测车辆刹车的方法、装置、设备及存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201211