CN112113578A

CN112113578A - 一种用于自动驾驶车辆的障碍物运动预测方法

Info

Publication number: CN112113578A
Application number: CN202011009059.9A
Authority: CN
Inventors: 邓书朝; 孙雪皓; 童宝宏; 张国涛; 孙船斌; 赵婷婷; 王煊赫; 程世杰; 贾丰源
Original assignee: Anhui University of Technology AHUT
Current assignee: Anhui University of Technology AHUT
Priority date: 2020-09-23
Filing date: 2020-09-23
Publication date: 2020-12-22

Abstract

本发明公开了自动驾驶车辆技术领域的一种用于自动驾驶车辆的障碍物运动预测方法，包括基于车载多传感器融合的目标检测、基于V2V通信接收附近车辆广播的检测和预测数据、融合自车感知结果和接收到的跨车辆感知和预测数据、基于数据融合结果预测交通参与者运动状态和广播更新的检测和预测结果数据，基于车载多传感器融合的目标检测，包括多种传感器联合互补，提高感知准确度；获得冗余传感信息，增加感知维度，该用于自动驾驶车辆的障碍物运动预测方法，能够使得自动驾驶车辆可以通过V2V通信智能地融合跨车辆的感知信息，并将检测和预测两个任务进行联合处理，以提高其对交通参与者的感知和预测性能。

Description

一种用于自动驾驶车辆的障碍物运动预测方法

技术领域

本发明涉及自动驾驶车辆技术领域，具体为一种用于自动驾驶车辆的障碍物运动预测方法。

背景技术

近年来，自动驾驶技术飞速发展，在工业界和学术界都掀起了巨大的研发热潮。其目标是减少人为驾驶错误以提高安全性；显著促进交通流的优化；降低油耗和二氧化碳排放；提高交通基础设施的使用效率。环境感知是自动驾驶系统的第一个环节，是自动驾驶车辆与外界环境信息交互的关键，其核心在于使自动驾驶车辆更好地模拟、最终超越人类驾驶员的感知能力，准确地感知并理解车辆自身和周边环境的运动态势。对交通环境中其他参与者的运动进行合理的概率预测是保证轨迹规划结果安全可行的必要保证，反映了自动驾驶车辆对于环境未来变化态势的理解。交通环境的复杂性和参与者运动的不确定性是自动驾驶车辆对障碍物进行感知和运动预测的巨大难题。

传统分层式自动驾驶体系架构中，障碍物检测属于感知层，交通参与者的运动预测归属于决策控制层，所以经典运动预测的两步法中将检测和预测分别处理。

本发明基于车辆对车辆(V2V-vehicle-to-vehicle)的通信智能地融合跨车辆多视角感知数据以增强感知视野，实现自车的超时空感知。检测和预测的一体化联合处理可实现两个任务的共享计算、高效的内存利用和快速的联合推理。进而，在满足现有硬件传输带宽能力的同时，获得较强的感知和运动预测性能，提高决策控制层的准确性和鲁棒性。

基于此，本发明设计了一种用于自动驾驶车辆的障碍物运动预测方法以解决上述问题。

发明内容

本发明的目的在于提供一种用于自动驾驶车辆的障碍物运动预测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种用于自动驾驶车辆的障碍物运动预测方法，包括以下步骤：基于车载多传感器融合的目标检测、基于V2V通信接收附近车辆广播的检测和预测数据、融合自车感知结果和接收到的跨车辆感知和预测数据、基于数据融合结果预测交通参与者运动状态和广播更新的检测和预测结果数据。

优选的，基于车载多传感器融合的目标检测，包括多种传感器联合互补，提高感知准确度；获得冗余传感信息，增加感知维度，提高系统的可靠性和鲁棒性；更广的空间和时间覆盖范围，增强环境适应能力；多个价格低廉的传感器替代价格昂贵的传感器设备，有效降低传感设备成本。

优选的，基于V2V通信接收附近车辆广播的检测和预测数据，包括获取多视角跨车辆的感知和预测数据，最大化感知视野，消除感知盲区；感知数据分布式处理减小计算量，降低车载计算单元的设备成本；车辆与车辆之间传输感知和预测结果数据，降低传输的带宽以便于使用低成本、低带宽、分散的通信设备；采用时延补偿消除数据的计算和传输所引入的时间误差，提高融合精度。

优选的，融合自车感知结果和接收到的跨车辆感知和预测数据，包括自动驾驶车辆基于跨车辆的感知和预测数据捕获多尺度环境信息；充分考虑车辆与车辆的交互及行为依赖关系，提高交通参与车辆感知信息的置信度。

优选的，基于数据融合结果预测交通参与者运动状态，实现同一局部环境下交通参与车辆的联合协同感知与推理决策，实现“单车智能”到“区域智能”的转化，提高其对于交通参与者运动预测的准确性和鲁棒性，提高自动驾驶车辆的安全性。

与现有技术相比，本发明的有益效果是：

1、交通环境中的每辆车处理各自的传感器数据并生成目标列表，分布式计算以降低车载计算单元计算负载。

2、基于V2V通信获取跨车辆感知数据，增强自动驾驶车辆的感知视野，获得超时空的感知能力。

3、车辆与车辆之间广播和接收的是经过处理的目标列表数据，减少传输的信息量，降低对传输带宽的要求。

4、环境中的每辆车都在接收和广播各自的感知和预测数据，充分考虑车辆与车辆的交互及行为依赖关系，提高交通参与车辆感知信息的置信度。

5、感知和预测的一体化协同处理，提高自动驾驶车辆感知和预测的准确性和鲁棒性。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，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他的附图。

图1为本发明的流程框图；

图2为基于车载多传感器融合的目标检测流程图；

图3为基于V2V通信的数据传输示意图；

图4为车辆遮挡场景示意图。

具体实施方式

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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1至图4，本发明提供一种技术方案：一种用于自动驾驶车辆的障碍物运动预测方法，包括以下步骤：(1)基于车载多传感器融合的目标检测；(2)基于V2V通信接收附近车辆广播的检测和预测数据；(3)融合自车感知结果和接收到的跨车辆感知和预测数据；(4)基于数据融合结果预测交通参与者运动状态和广播更新的检测和预测结果数据。

(1)基于车载多传感器融合的目标检测

如图2所示，本发明所设计预测方法的第一个阶段是基于车载多传感器融合的目标检测；本阶段中环境中的每辆车独立执行，具体步骤包括：

S1：每个传感器独立地进行原始探测数据的获取；

S2：每个传感器独立地对探测数据进行预处理；

S3：每个传感器独立地进行特征提取、变换，获取对目标的检测结果；

S4：对分散的检测结果按照一定的准则进行数据关联；

S5：基于优化算法对各传感器数据进行融合，获取观测目标的一致性描述和解释；

S6：输出融合的检测目标列表。

基于车载多传感器后融合技术进行目标检测的主要作用为：

1、提高感知准确度：多种车载传感器优缺点联合互补，可避免避免单一传感器的感知局限性，最大程度发挥各种传感器的感知优势，同时获取观测目标的多种不同特征信息，减少环境、噪声等干扰；

2、增加感知维度，提高系统的可靠性和鲁棒性：每个传感器获取信息的维度以及范围有限且包含随机噪声，多传感器信息融合实现可带来一定的信息冗余度，具有较高的容错性，提高系统的可靠性和置信度；

3、增强环境适应能力：多传感器采集的信息有明显的特征互补性，对空间和时间的覆盖范围更广，弥补单一传感器对空间的分辨率和检测不确定性；

4、有效降低传感设备成本：多传感器融合实现多个价格低廉的传感器替代价格昂贵的传感器设备，在保证性能的基础上又有效降低传感设备成本；

5、模块化结构易于扩展：每种传感器都提供一个通用接口，在不改变感知系统融合机制的前提下合并额外的传感器或替换现有的传感器，而不需要对融合算法进行任何调整。

(2)基于V2V通信接收附近车辆广播的检测和预测数据

如图3所示，在V2V通信机制下，同一局部环境中每辆车都可以向附近车辆广播和接收感知及预测数据信息Mge(Δt，Δp，z)；其中，Δt表示时间延迟，Δp表示相对姿态，z表示目标列表和预测信息；具体步骤如下：

S1：通过V2V通信接收周围车辆广播的感知和预测信息Mge(Δt，Δp，z)；

S2：将接收的数据进行数据格式上的统一；由于车辆之间交互的信息是感知和预测结果的目标列表，所以数据本身已经符合一定的通讯机制；

S3：将接收的数据进行时间和位置尺度上的对齐，即接收到的信息转换至接受者坐标系以进行无损融合；只有在时间和位置尺度上保持各车之间的对齐，数据融合过程才有实际意义；通过V2X网络本身和GNSS系统的时间戳实现参与广播的车辆实体保持时间同步，借助GNSS系统确定车辆质心的绝对位置(经纬度)和车辆位姿以实现位置尺度上的对齐；

S4：补偿车辆之间信息传递的时延，消除V2V通信引入的时间误差；时延计算为每辆车车载传感器获取感知数据的时间差。

在本阶段中，基于V2V通信的联合感知和预测主要实现以下功能：

1、接收方车辆收集来自不同视角的感知和预测信息，以使其视野最大化，更加信任视角更好的视野数据，共享感知数据实现跨车辆的感知和预测；

2、感知数据分布式处理减小计算量，车辆与车辆之间传输感知和预测结果数据，同时降低传输的带宽以便于使用低成本、低带宽、分散的通信设备；

3、采用时延补偿消除数据的计算和传输所引入的时间误差，提高融合精度。

(3)融合自车感知结果和接收到的跨车辆感知和预测数据

执行消息传递后，自动驾驶车辆基于跨车辆的感知和预测数据捕获多尺度环境信息；进一步融合自车感知和预测结果进行联合推理，输出检测和预测估计；包括两个分支网络，

检测输出网络：检测输出为(x，y，w，h，θ)，表示每个物体的位置、大小和方向；

预测输出网络：运动预测分支的输出参数化为(x_t，y_t)，表示目标在未来时间步长t的位置；以0.5s的间隔预测参与者在接下来3s内的运动。

(4)基于数据融合结果预测交通参与者运动状态

生成所有交通参与者的位置及其未来预测轨迹的最终估计，并以Mge(Δt，Δp，z)的消息格式广播，供其他交通参与车接收，实现当前区域内的检测和预测数据共享；

本实施例的一个具体应用为：如图4所示，场景描述：场景中四辆移动车辆(自车、交通车辆2、交通车辆4和交通车辆7)，自车对交通车辆2和交通车辆4的检测被停止车辆遮挡；

基于本发明所设计障碍物运动预测方法在车辆被遮挡场景下的实施步骤如下：

S1：四辆移动车辆基于各自的车载传感器进行目标检测，生成融合的目标感知列表；

S2：区域1内的交通车辆2、交通车辆4和交通车辆7基于V2V通信进行跨车辆的检测和预测信息共享；消除交通车7对交通车辆2和交通车辆4的感知盲区；

S3：区域2内的交通车辆2、交通车辆4和自车基于V2V通信进行跨车辆的检测和预测信息共享；消除自车对交通车辆2和交通车辆4的感知盲区，同时扩展自车对交通车辆7的感知和预测；

S4：自车基于融合的感知和预测信息进行联合推理，生成交通车辆2、交通车辆4和交通车辆7的运动预测结果。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者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。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims

1.一种用于自动驾驶车辆的障碍物运动预测方法，其特征在于，包括以下步骤：(1)基于车载多传感器融合的目标检测、(2)基于V2V通信接收附近车辆广播的检测和预测数据、(3)融合自车感知结果和接收到的跨车辆感知和预测数据、(4)基于数据融合结果预测交通参与者运动状态和广播更新的检测和预测结果数据。

2.根据权利要求1所述的一种用于自动驾驶车辆的障碍物运动预测方法，其特征在于：(1)基于车载多传感器融合的目标检测，包括多种传感器联合互补，提高感知准确度；获得冗余传感信息，增加感知维度，提高系统的可靠性和鲁棒性；更广的空间和时间覆盖范围，增强环境适应能力；多个价格低廉的传感器替代价格昂贵的传感器设备，有效降低传感设备成本。

3.根据权利要求1所述的一种用于自动驾驶车辆的障碍物运动预测方法，其特征在于：(2)基于V2V通信接收附近车辆广播的检测和预测数据，包括获取多视角跨车辆的感知和预测数据，最大化感知视野，消除感知盲区；感知数据分布式处理减小计算量，降低车载计算单元的设备成本；车辆与车辆之间传输感知和预测结果数据，降低传输的带宽以便于使用低成本、低带宽、分散的通信设备；采用时延补偿消除数据的计算和传输所引入的时间误差，提高融合精度。

4.根据权利要求1所述的一种用于自动驾驶车辆的障碍物运动预测方法，其特征在于：(3)融合自车感知结果和接收到的跨车辆感知和预测数据，包括自动驾驶车辆基于跨车辆的感知和预测数据捕获多尺度环境信息；充分考虑车辆与车辆的交互及行为依赖关系，提高交通参与车辆感知信息的置信度。

5.根据权利要求1所述的一种用于自动驾驶车辆的障碍物运动预测方法，其特征在于：(4)基于数据融合结果预测交通参与者运动状态，实现同一局部环境下交通参与车辆的联合协同感知与推理决策，实现单车智能到区域智能的转化，提高其对于交通参与者运动预测的准确性和鲁棒性，提高自动驾驶车辆的安全性。