CN112133089A - 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置 - Google Patents

一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置 Download PDF

Info

Publication number
CN112133089A
CN112133089A CN202010936140.5A CN202010936140A CN112133089A CN 112133089 A CN112133089 A CN 112133089A CN 202010936140 A CN202010936140 A CN 202010936140A CN 112133089 A CN112133089 A CN 112133089A
Authority
CN
China
Prior art keywords
vehicle
information
track
behavior
lane
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.)
Granted
Application number
CN202010936140.5A
Other languages
English (en)
Other versions
CN112133089B (zh
Inventor
郑南宁
黄榕曜
薛培鑫
陈仕韬
辛景民
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Publication of CN112133089A publication Critical patent/CN112133089A/zh
Application granted granted Critical
Publication of CN112133089B publication Critical patent/CN112133089B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置，包括：基于传感器信息以及道路信息，生成在历史时间段内车辆相对于车道的位置、速度信息；根据生成的信息对车辆的行为意图构建隐马尔可夫模型，将车辆对于环境的理解总结为规则作为模型的先验概率，预测当前时刻车辆的行为意图；根据预测的车辆行为意图，结合车辆环境信息，基于行为决策模型设置车辆预测终点状态集，根据车辆起点状态以及终点状态对车辆轨迹采样，并根据代价函数筛选得到第一采样轨迹；使用状态滤波，对车辆初始状态递推采样，得到第二采样轨迹；使用融合权重函数合并第一采样轨迹和第二采样轨迹，得到预测轨迹，采用本发明中的方法，能够预测周围车辆未来的轨迹，为无人驾驶车辆提供危险预警和路径规划参考。

Description

一种基于周围环境与行为意图的车辆轨迹预测方法、系统及 装置
技术领域
本发明属于无人驾驶技术领域，具体涉及一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置。
背景技术
人类在驾驶过程中，通过器官感知周围的纹理、声音等信息，在根据驾驶经验以及交通规则对当前的情景进行分析和推理，对不同特征的物体产生对应不同强度的响应。在这一过程中，对环境的感知以及对当前交通场景的理解具有同等重要的作用。
无人驾驶车辆对于环境的完整认知不仅包括对目标的检测以及目标属性的识别，还包括结合当前情景对所处状态的认知以及未来可能发生的事件的预测。在未来的碰撞发生前，车辆需要对当前所处的紧急情况有相应的认知，并做出规避风险的行为。人类驾驶员通过观察其他车辆的行为并结合自身的认知，对其未来的行为以及轨迹做出预测。同样，无人驾驶系统需要通过周围交通参与者的历史轨迹预测后续的行为。
现有的车辆轨迹预测方法一般是基于车道引导线或者样条曲线的采样方法，该类方法得到的轨迹与目标车辆状态和道路的几何形状相关，但没有考虑目标车辆与周围车辆的交互性。在现实场景中，相同的道路结构和位置上，周围不同的车辆密度和行为都会影响驾驶员的行为意图，从而导致不同的驾驶行为。
此外，一些技术方案会使用深度学习的方法，该类方法通过将车辆以及其周围的障碍物的序列输入到深度神经网络中学习，预测未来车辆的轨迹。该类方法考虑了车辆的环境信息，但存在过度依赖数据，模型泛化能力差的问题。
发明内容
本发明要解决的技术问题是，提供一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置，在无人驾驶车辆行驶过程中实时、动态、准确预测周围车辆未来轨迹的方法。
为了实现上述目的，本发明采用的技术方案是，一种基于周围环境与行为意图的车辆轨迹预测方法，包括如下步骤：
S100，基于车载传感器采集的信息以及道路信息，生成在未来2-6s内车辆相对于车道的位置和速度信息，即车辆的初始状态；
S200，根据步骤S100生成的信息对车辆的行为意图构建隐马尔可夫模型，将车辆对于环境的理解总结为规则，将所述规则转换为隐马尔可夫模型的先验概率，预测当前时刻车辆的行为意图；
S300，根据步骤S200预测的车辆行为意图，结合车辆环境信息，基于行为决策模型设置车辆预测终点状态集，根据车辆起点状态以及终点状态对车辆轨迹采样，并根据代价函数筛选得到第一采样轨迹；
S400，使用卡尔曼滤波方法，对车辆初始状态递推采样，得到第二采样轨迹；
S500，使用融合权重函数合并S300所得第一采样轨迹和S400所得第二采样轨迹，得到车辆的预测轨迹。
所述传感器信息包括图像采集设备采集的车辆类型和位置信息，以及激光雷达采集的车辆位置和速度信息；
所述道路信息包括图像采集设备采集的车道线信息生成的信息以及通过车辆位置信息查询离线地图文件获得的信息；
所述车辆位置、速度信息为在Frenet坐标系下相对于车道线的横向位置与横向速度信息。
S200所述规则包括第一车辆在允许换道车道、不允许换道车道、允许转向车道或不允许转向车道场景下对于前方或者侧方切入第二车辆在速度高于第一车辆、速度低于第一车辆、减速、加速、静止以及转向灯开闭状态下的行为意图的先验概率分布。
隐马尔可夫模型的构建过程如下：
S210，采集具有行为意图标签的车辆位置和车辆速度信息并根据行为意图分类，对每个行为意图构建混合高斯模型，将所述混合高斯模型作为所述车辆位置和车辆速度信息对于其行为意图的概率分布函数；
所述高斯混合模型数学公式如下式所示：
Figure BDA0002671996520000031
其中
Figure BDA0002671996520000032
表示混合高斯模型中第m个高斯核在状态为i时的均值为μim，Σim为协方差矩阵，cim表示不同高斯核的权重，混合高斯模型的参数通过带有车辆行为意图标注的车辆状态信息使用EM算法训练得到；
S220，设置所述车辆行为意图作为隐马尔可夫模型的隐状态，并设置所述车辆的初始状态和状态转移矩阵；
S230，设置不同训练序列长度、观测序列长度以及高斯核数量的实验组，确定使得预测性能最优的模型参数。
S300所述行为决策模型假设第一车辆具有合理的驾驶行为且可以根据周围第二车辆以及其他交通参与者的状态做出响应，行为决策模型根据所述假设对第一车辆终点状态建模，所述行为决策模型分为横向以及纵向维度的模式组合，所述横向维度包括高速和低速模式，所述纵向维度包括跟车、停车和保持模式。
所述模式为车辆状态在预测时间段内的变化情况，所述车辆状态包括横向位置、横向速度、横向加速度、纵向位置、纵向速度以及纵向加速度。
S500所述融合权重函数为7阶多项式函数
Figure BDA0002671996520000041
一种车辆轨迹预测系统，包括：车辆初始状态生成模块，基于车载传感器采集的信息以及道路信息，生成在未来2-6s内车辆相对于车道的位置和速度信息，即车辆的初始状态；
模型构建模块，根据所述初始状态对车辆的行为意图构建隐马尔可夫模型，将车辆对于环境的理解总结为规则，将所述规则转换为隐马尔可夫模型的先验概率，预测当前时刻车辆的行为意图；
第一采样轨迹获取模块，根据所述车辆行为意图，结合车辆环境信息，基于行为决策模型设置车辆预测终点状态集，根据车辆起点状态以及终点状态对车辆轨迹采样，并根据代价函数筛选得到第一采样轨迹；
第二采样轨迹获取模块，使用卡尔曼滤波方法，对车辆初始状态递推采样，得到第二采样轨迹；
最终的车辆轨迹预测模块，使用融合权重函数合并第一采样轨迹和第二采样轨迹，得到车辆的预测轨迹。
一种车辆轨迹预测装置，包括一个或多个处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取部分或全部所述计算机可执行程序并执行，处理器执行部分或全部计算可执行程序时能实现本发明所述基于周围环境与行为意图的车辆轨迹预测方法。
一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现本发明所述的基于周围环境与行为意图的车辆轨迹预测方法。
与现有技术相比，本发明至少具有以下有益效果：
本发明中的基于周围环境与行为意图的车辆轨迹预测方法，可以根据环境因素动态调整预测轨迹，相比基于车道引导线或者样条曲线的方法考虑了预测车辆与环境的交互信息，提高了车辆轨迹预测的性能；在场景中同时存在多辆车辆行驶的情况下，本发明的车辆轨迹预测效果更具有显著性，并且相比基于深度学习的车辆轨迹预测方法，本发明对训练数据依赖度低。
附图说明
图1为本发明一种可实施的方法工作流程图。
图2为本发明步骤S200的详细流程图。
图3a为本发明实施的一种无第二车辆时轨迹预测示意图。
图3b为本发明实施的一种前方有第二车辆时轨迹预测示意图。
具体实施方式
下面结合附图对本发明进行详细阐述。
参考图1和图2，本发明实施例提供了一种车辆轨迹预测方法，包括以下步骤：
S100基于传感器采集的信息以及地图信息，生成在历史时间段内车辆相对于车道的位置、速度信息；
S200根据步骤S100生成的信息对车辆的行为意图构建隐马尔可夫模型，将车辆对于环境的理解总结为规则作为模型的先验概率，预测当前时刻车辆的行为意图；
S300根据步骤S200预测的车辆行为意图，结合车辆环境信息，基于行为决策模型设置车辆预测终点状态，根据车辆起点状态以及终点状态对车辆轨迹采样，得到第一采样轨迹。
S400使用卡尔曼滤波方法，对车辆初始状态递推采样，得到第二采样轨迹。
S500使用融合权重函数合并步骤S300所得第一采样轨迹和步骤S400所得第二采样轨迹，得到预测轨迹。
下面将具体说明本发明的基于周围环境与行为意图的车辆轨迹预测方法的具体实施过程。
S100基于传感器信息以及道路信息，生成在历史时间段内车辆相对于车道的位置、速度信息；
其中，所述传感器信息包括图像采集设备采集的车辆类型、位置信息以及激光雷达采集的车辆位置、速度信息；
所述道路信息包括图像采集设备采集的车道线信息生成的信息以及通过车辆位置信息查询离线地图文件获得的信息。
所述车辆位置、速度信息为在Frenet坐标系下相对于车道线的横向位置与横向速度信息。
S200根据步骤S100生成的信息对车辆的行为意图构建隐马尔可夫模型，将车辆对于环境的理解总结为规则作为模型的先验概率，预测当前时刻车辆的行为意图；
所述行为意图包括左换道LCL、右换道LCR、左转LT、右转RT行为；
所述隐马尔可夫模型的构建包括以下几个子步骤：
S210采集具有行为意图标签的车辆位置和车辆速度信息并根据行为意图分类，对每个行为意图构建混合高斯模型，将所述混合高斯模型，作为所述车辆位置和车辆速度信息对于所述行为意图的概率分布函数；
所述高斯混合模型数学公式如下式所示：
Figure BDA0002671996520000061
其中
Figure BDA0002671996520000062
表示混合高斯模型中第m个高斯核在状态为i时的均值为μim，协方差矩阵为Σim，cim表示不同高斯核的权重。混合高斯模型的参数是通过带有车辆行为意图标注的车辆状态信息使用EM算法训练得到。
S220设置所述车辆行为意图作为隐马尔可夫模型的隐状态，并设置初始状态和状态转移矩阵；
S230设置不同训练序列长度、观测序列长度和高斯核数量的实验组，确定使得预测性能最优的参数；
所述规则包括第一车辆在允许换道车道、不允许换道车道、允许转向车道、不允许转向车道等场景下对于前方或者侧方切入第二车辆在速度高于第一车辆、速度低于第一车辆、减速、加速、静止、转向灯开闭等状态下的行为意图的先验概率分布。
S300根据步骤S200预测的车辆行为意图，结合车辆环境信息，基于行为决策模型设置车辆预测终点状态集。根据车辆起点状态以及终点状态对车辆轨迹采样，并根据代价函数筛选得到第一采样轨迹。
所述行为决策模型为Frenet坐标系下动态道路场景的最优轨迹生成方法，所述行为决策模型假设第一车辆具有合理的驾驶行为且可以根据周围第二车辆以及其他交通参与者的状态做出响应。所述行为决策模型根据所述假设对第一车辆终点状态建模，所述行为决策模型分为横向以及纵向维度的模式组合，所述横向维度包括高速和低速模式，所述纵向维度包括跟车、停车、保持模式。
所述模式为车辆状态在预测时间段内的变化情况。所述车辆状态包括横向位置d1、横向速度
Figure BDA0002671996520000071
横向加速度
Figure BDA0002671996520000072
纵向位置s1、纵向速度
Figure BDA0002671996520000073
纵向加速度
Figure BDA0002671996520000074
代价函数通过函数的形式约束轨迹形状，使车辆轨迹同时满足平滑性和准确性的要求，其基本形式为：
C＝kjJt+kph(p(t1))
其中p(t1)表示终点车辆的横向或者纵向状态；kj和kp为权重函数；Jt表示车辆状态三阶导数平方的积分，用下式表示：
Figure BDA0002671996520000075
图3所示是结合地图信息的轨迹采样结果，浅色线条表示生成的待选路径，深色线条表示最终预测的轨迹。在第一车辆周围无其他第二车辆时，将倾向于保持预测时刻的状态。当第一车辆前方有速度较低的第二车辆时，将倾向于减速并进入跟车模式。本方法生成的轨迹能够同时满足平滑性以及与其他第二车辆横纵向的交互性。
S400使用状态滤波方法，对车辆初始状态递推采样，得到第二采样轨迹。
所述状态滤波采用扩展卡尔曼滤波方法，所述车辆初始状态为xk＝(x,y,θ,v,ω,a)T。
S500使用融合权重函数合并步骤S300所得第一采样轨迹和步骤S400所得第二采样轨迹，得到预测轨迹。
所述融合权重函数为7阶多项式函数，本实施例如下：
Figure BDA0002671996520000081
其中t为车辆基于当前的未来时刻表示。
本发明提供一种车辆轨迹预测系统，包括：车辆初始状态生成模块，基于车载传感器采集的信息以及道路信息，生成在未来2-6s内车辆相对于车道的位置和速度信息，即车辆的初始状态；
模型构建模块，根据所述初始状态对车辆的行为意图构建隐马尔可夫模型，将车辆对于环境的理解总结为规则，将所述规则转换为隐马尔可夫模型的先验概率，预测当前时刻车辆的行为意图；
第一采样轨迹获取模块，根据所述车辆行为意图，结合车辆环境信息，基于行为决策模型设置车辆预测终点状态集，根据车辆起点状态以及终点状态对车辆轨迹采样，并根据代价函数筛选得到第一采样轨迹；
第二采样轨迹获取模块，使用卡尔曼滤波方法，对车辆初始状态递推采样，得到第二采样轨迹；
最终的车辆轨迹预测模块，使用融合权重函数合并第一采样轨迹和第二采样轨迹，得到车辆的预测轨迹。
可选的，本发明还提供一种车辆轨迹预测装置，包括但不限于一个或多个处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取部分或全部所述计算机可执行程序并执行，处理器执行部分或全部计算可执行程序时能实现本发明所述基于周围环境与行为意图的车辆轨迹预测方法的部分步骤或所有步骤，存储器还能用于存储车载传感器信息、道路信息以及地图信息。
所述车辆轨迹预测装置可以采用车载计算机、笔记本电脑、平板电脑、桌面型计算机、手机或工作站。
本发明还提供用于输出预测结果的输出装置，所述输出装置连接处理器的输出端，输出装置为显示器或打印机。
处理器可以是中央处理器(CPU)、数字信号处理器(DSP)、专用集成电路(ASIC)或现成可编程门阵列(FPGA)。
对于本发明所述存储器，可以是车载计算机、笔记本电脑、平板电脑、桌面型计算机、手机或工作站的内部存储单元，如内存、硬盘；也可以采用外部存储单元，如移动硬盘、闪存卡。
计算机可读存储介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、固态硬盘(SSD，Solid State Drives)或光盘等。其中，随机存取记忆体可以包括电阻式随机存取记忆体(ReRAM,Resistance Random Access Memory)和动态随机存取存储器(DRAM，Dynamic Random Access Memory)。

Claims (10)

1.一种基于周围环境与行为意图的车辆轨迹预测方法，其特征在于，包括如下步骤：
S100，基于车载传感器采集的信息以及道路信息，生成在未来2-6s内车辆相对于车道的位置和速度信息，即车辆的初始状态；
S200，根据步骤S100生成的信息对车辆的行为意图构建隐马尔可夫模型，将车辆对于环境的理解总结为规则，将所述规则转换为隐马尔可夫模型的先验概率，预测当前时刻车辆的行为意图；
S300，根据步骤S200预测的车辆行为意图，结合车辆环境信息，基于行为决策模型设置车辆预测终点状态集，根据车辆起点状态以及终点状态对车辆轨迹采样，并根据代价函数筛选得到第一采样轨迹；
S400，使用卡尔曼滤波方法，对车辆初始状态递推采样，得到第二采样轨迹；
S500，使用融合权重函数合并S300所得第一采样轨迹和S400所得第二采样轨迹，得到车辆的预测轨迹。
2.根据权利要求1所述的基于周围环境与行为意图的车辆轨迹预测方法，其特征在于，所述传感器信息包括图像采集设备采集的车辆类型和位置信息，以及激光雷达采集的车辆位置和速度信息；
所述道路信息包括图像采集设备采集的车道线信息生成的信息以及通过车辆位置信息查询离线地图文件获得的信息；
所述车辆位置、速度信息为在Frenet坐标系下相对于车道线的横向位置与横向速度信息。
3.根据权利要求1所述的基于周围环境与行为意图的车辆轨迹预测方法，其特征在于，S200所述规则包括第一车辆在允许换道车道、不允许换道车道、允许转向车道或不允许转向车道场景下对于前方或者侧方切入第二车辆在速度高于第一车辆、速度低于第一车辆、减速、加速、静止以及转向灯开闭状态下的行为意图的先验概率分布。
4.根据权利要求1所述的基于周围环境与行为意图的车辆轨迹预测方法，其特征在于，隐马尔可夫模型的构建过程如下：
S210，采集具有行为意图标签的车辆位置和车辆速度信息并根据行为意图分类，对每个行为意图构建混合高斯模型，将所述混合高斯模型作为所述车辆位置和车辆速度信息对于其行为意图的概率分布函数；
所述高斯混合模型数学公式如下式所示：
Figure FDA0002671996510000021
其中
Figure FDA0002671996510000022
表示混合高斯模型中第m个高斯核在状态为i时的均值为μim，Σim为协方差矩阵，cim表示不同高斯核的权重，混合高斯模型的参数通过带有车辆行为意图标注的车辆状态信息使用EM算法训练得到；
S220，设置所述车辆行为意图作为隐马尔可夫模型的隐状态，并设置所述车辆的初始状态和状态转移矩阵；
S230，设置不同训练序列长度、观测序列长度以及高斯核数量的实验组，确定使得预测性能最优的模型参数。
5.根据权利要求1所述的基于周围环境与行为意图的车辆轨迹预测方法，其特征在于，S300所述行为决策模型假设第一车辆具有合理的驾驶行为且可以根据周围第二车辆以及其他交通参与者的状态做出响应，行为决策模型根据所述假设对第一车辆终点状态建模，所述行为决策模型分为横向以及纵向维度的模式组合，所述横向维度包括高速和低速模式，所述纵向维度包括跟车、停车和保持模式。
6.根据权利要求5所述的基于周围环境与行为意图的车辆轨迹预测方法，其特征在于，所述模式为车辆状态在预测时间段内的变化情况，所述车辆状态包括横向位置、横向速度、横向加速度、纵向位置、纵向速度以及纵向加速度。
7.根据权利要求1所述的基于周围环境与行为意图的车辆轨迹预测方法，其特征在于，S500所述融合权重函数为7阶多项式函数
Figure FDA0002671996510000031
8.一种车辆轨迹预测系统，其特征在于，包括：车辆初始状态生成模块，基于车载传感器采集的信息以及道路信息，生成在未来2-6s内车辆相对于车道的位置和速度信息，即车辆的初始状态；
模型构建模块，根据所述初始状态对车辆的行为意图构建隐马尔可夫模型，将车辆对于环境的理解总结为规则，将所述规则转换为隐马尔可夫模型的先验概率，预测当前时刻车辆的行为意图；
第一采样轨迹获取模块，根据所述车辆行为意图，结合车辆环境信息，基于行为决策模型设置车辆预测终点状态集，根据车辆起点状态以及终点状态对车辆轨迹采样，并根据代价函数筛选得到第一采样轨迹；
第二采样轨迹获取模块，使用卡尔曼滤波方法，对车辆初始状态递推采样，得到第二采样轨迹；
最终的车辆轨迹预测模块，使用融合权重函数合并第一采样轨迹和第二采样轨迹，得到车辆的预测轨迹。
9.一种车辆轨迹预测装置，其特征在于，包括一个或多个处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取部分或全部所述计算机可执行程序并执行，处理器执行部分或全部计算可执行程序时能实现权利要求1～7任一项所述基于周围环境与行为意图的车辆轨迹预测方法。
10.一种计算机可读存储介质，其特征在于，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现如权利要求1-7任一项所述的基于周围环境与行为意图的车辆轨迹预测方法。
CN202010936140.5A 2020-07-21 2020-09-08 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置 Active CN112133089B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010706143X 2020-07-21
CN202010706143 2020-07-21

Publications (2)

Publication Number Publication Date
CN112133089A true CN112133089A (zh) 2020-12-25
CN112133089B CN112133089B (zh) 2021-11-19

Family

ID=73846237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010936140.5A Active CN112133089B (zh) 2020-07-21 2020-09-08 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置

Country Status (1)

Country Link
CN (1) CN112133089B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112650064A (zh) * 2021-01-05 2021-04-13 南京航空航天大学 一种适应于混杂道路的智能汽车汇入控制系统及方法
CN112829744A (zh) * 2021-02-09 2021-05-25 清华大学 基于纵横向耦合的车辆长时域轨迹预测方法
CN112896191A (zh) * 2021-03-08 2021-06-04 京东鲲鹏(江苏)科技有限公司 轨迹处理方法、装置、电子设备和计算机可读介质
CN113157846A (zh) * 2021-04-27 2021-07-23 商汤集团有限公司 意图及轨迹预测方法、装置、计算设备和存储介质
CN113189989A (zh) * 2021-04-21 2021-07-30 东风柳州汽车有限公司 车辆意图预测方法、装置、设备及存储介质
CN113548054A (zh) * 2021-07-07 2021-10-26 东风汽车集团股份有限公司 基于时序的车辆变道意图预测方法及系统
CN113658214A (zh) * 2021-08-16 2021-11-16 北京百度网讯科技有限公司 轨迹预测方法、碰撞检测方法、装置、电子设备及介质
CN113859266A (zh) * 2021-10-12 2021-12-31 北京理工大学 一种非结构化道路目标车辆换道轨迹预测方法及系统
CN114153207A (zh) * 2021-11-29 2022-03-08 北京三快在线科技有限公司 一种无人驾驶设备的控制方法及控制装置
CN114291116A (zh) * 2022-01-24 2022-04-08 广州小鹏自动驾驶科技有限公司 周围车辆轨迹预测方法、装置、车辆及存储介质
CN114664094A (zh) * 2022-05-26 2022-06-24 青岛慧拓智能机器有限公司 一种车辆轨迹预测方法、装置、芯片、终端和计算机设备
CN115463003A (zh) * 2022-09-09 2022-12-13 燕山大学 一种基于信息融合的上肢康复机器人控制方法
WO2023061363A1 (en) * 2021-10-14 2023-04-20 Huawei Technologies Co., Ltd. Systems and methods for prediction-based driver assistance
CN117962932A (zh) * 2024-04-02 2024-05-03 福瑞泰克智能系统有限公司 障碍物的行驶轨迹生成方法、装置和存储介质及电子设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170154529A1 (en) * 2015-11-30 2017-06-01 Nissan North America, Inc. Host vehicle operation using remote vehicle intention prediction
CN106950956A (zh) * 2017-03-22 2017-07-14 合肥工业大学 融合运动学模型和行为认知模型的行车轨迹预测系统
US20190129436A1 (en) * 2017-10-28 2019-05-02 TuSimple System and method for real world autonomous vehicle trajectory simulation
CN110264721A (zh) * 2019-07-01 2019-09-20 北京理工大学 一种城市交叉口周边车辆轨迹预测方法
CN110310516A (zh) * 2019-06-17 2019-10-08 北京航空航天大学 一种基于车辆行驶轨迹预测的高速公路合流区交通冲突判别方法
US20190382007A1 (en) * 2018-06-15 2019-12-19 Uber Technologies, Inc. Multi-Task Machine-Learned Models for Object Intention Determination in Autonomous Driving
CN110705388A (zh) * 2019-09-16 2020-01-17 清华大学 一种基于预测反馈的辅助驾驶用目标车辆换道识别方法
CN110758382A (zh) * 2019-10-21 2020-02-07 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
CN110834644A (zh) * 2019-10-30 2020-02-25 中国第一汽车股份有限公司 一种车辆控制方法、装置、待控制车辆及存储介质
CN111046919A (zh) * 2019-11-21 2020-04-21 南京航空航天大学 一种融合行为意图的周围动态车辆轨迹预测系统及方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170154529A1 (en) * 2015-11-30 2017-06-01 Nissan North America, Inc. Host vehicle operation using remote vehicle intention prediction
CN106950956A (zh) * 2017-03-22 2017-07-14 合肥工业大学 融合运动学模型和行为认知模型的行车轨迹预测系统
US20190129436A1 (en) * 2017-10-28 2019-05-02 TuSimple System and method for real world autonomous vehicle trajectory simulation
US20190382007A1 (en) * 2018-06-15 2019-12-19 Uber Technologies, Inc. Multi-Task Machine-Learned Models for Object Intention Determination in Autonomous Driving
CN110310516A (zh) * 2019-06-17 2019-10-08 北京航空航天大学 一种基于车辆行驶轨迹预测的高速公路合流区交通冲突判别方法
CN110264721A (zh) * 2019-07-01 2019-09-20 北京理工大学 一种城市交叉口周边车辆轨迹预测方法
CN110705388A (zh) * 2019-09-16 2020-01-17 清华大学 一种基于预测反馈的辅助驾驶用目标车辆换道识别方法
CN110758382A (zh) * 2019-10-21 2020-02-07 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
CN110834644A (zh) * 2019-10-30 2020-02-25 中国第一汽车股份有限公司 一种车辆控制方法、装置、待控制车辆及存储介质
CN111046919A (zh) * 2019-11-21 2020-04-21 南京航空航天大学 一种融合行为意图的周围动态车辆轨迹预测系统及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YANGLIU DOU等: "Lane changing prediction at highway lane drops using support vector machine and artificial neural network classifiers", 《2016 IEEE INTERNATIONAL CONFERENCE ON ADVANCED INTELLIGENT MECHATRONICS (AIM)》 *
卢羽: "微观交通环境下的无人驾驶车辆行为安全策略研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
张一鸣等: "基于前车轨迹预测的高速智能车运动规划", 《汽车工程》 *
张海伦等: "高速场景相邻前车驾驶行为识别及意图预测", 《交通运输系统工程与信息》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112650064A (zh) * 2021-01-05 2021-04-13 南京航空航天大学 一种适应于混杂道路的智能汽车汇入控制系统及方法
CN112829744A (zh) * 2021-02-09 2021-05-25 清华大学 基于纵横向耦合的车辆长时域轨迹预测方法
CN112896191A (zh) * 2021-03-08 2021-06-04 京东鲲鹏(江苏)科技有限公司 轨迹处理方法、装置、电子设备和计算机可读介质
CN113189989A (zh) * 2021-04-21 2021-07-30 东风柳州汽车有限公司 车辆意图预测方法、装置、设备及存储介质
WO2022222647A1 (zh) * 2021-04-21 2022-10-27 东风柳州汽车有限公司 车辆意图预测方法、装置、设备及存储介质
CN113189989B (zh) * 2021-04-21 2022-07-01 东风柳州汽车有限公司 车辆意图预测方法、装置、设备及存储介质
CN113157846A (zh) * 2021-04-27 2021-07-23 商汤集团有限公司 意图及轨迹预测方法、装置、计算设备和存储介质
CN113548054A (zh) * 2021-07-07 2021-10-26 东风汽车集团股份有限公司 基于时序的车辆变道意图预测方法及系统
CN113548054B (zh) * 2021-07-07 2022-10-14 东风汽车集团股份有限公司 基于时序的车辆变道意图预测方法及系统
CN113658214B (zh) * 2021-08-16 2022-08-09 北京百度网讯科技有限公司 轨迹预测方法、碰撞检测方法、装置、电子设备及介质
CN113658214A (zh) * 2021-08-16 2021-11-16 北京百度网讯科技有限公司 轨迹预测方法、碰撞检测方法、装置、电子设备及介质
CN113859266A (zh) * 2021-10-12 2021-12-31 北京理工大学 一种非结构化道路目标车辆换道轨迹预测方法及系统
CN113859266B (zh) * 2021-10-12 2023-09-26 北京理工大学 一种非结构化道路目标车辆换道轨迹预测方法及系统
US11794766B2 (en) 2021-10-14 2023-10-24 Huawei Technologies Co., Ltd. Systems and methods for prediction-based driver assistance
WO2023061363A1 (en) * 2021-10-14 2023-04-20 Huawei Technologies Co., Ltd. Systems and methods for prediction-based driver assistance
CN114153207A (zh) * 2021-11-29 2022-03-08 北京三快在线科技有限公司 一种无人驾驶设备的控制方法及控制装置
CN114153207B (zh) * 2021-11-29 2024-02-27 北京三快在线科技有限公司 一种无人驾驶设备的控制方法及控制装置
CN114291116A (zh) * 2022-01-24 2022-04-08 广州小鹏自动驾驶科技有限公司 周围车辆轨迹预测方法、装置、车辆及存储介质
CN114664094A (zh) * 2022-05-26 2022-06-24 青岛慧拓智能机器有限公司 一种车辆轨迹预测方法、装置、芯片、终端和计算机设备
CN115463003A (zh) * 2022-09-09 2022-12-13 燕山大学 一种基于信息融合的上肢康复机器人控制方法
CN117962932A (zh) * 2024-04-02 2024-05-03 福瑞泰克智能系统有限公司 障碍物的行驶轨迹生成方法、装置和存储介质及电子设备
CN117962932B (zh) * 2024-04-02 2024-06-11 福瑞泰克智能系统有限公司 障碍物的行驶轨迹生成方法、装置和存储介质及电子设备

Also Published As

Publication number Publication date
CN112133089B (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
CN112133089B (zh) 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置
Ma et al. Artificial intelligence applications in the development of autonomous vehicles: A survey
CN113272830B (zh) 行为预测系统中的轨迹表示
CN110843789B (zh) 一种基于时序卷积网络的车辆换道意图预测方法
CN109598066B (zh) 预测模块的效果评估方法、装置、设备和存储介质
WO2022052406A1 (zh) 一种自动驾驶训练方法、装置、设备及介质
JP7239703B2 (ja) 領域外コンテキストを用いたオブジェクト分類
CN113439247B (zh) 自主载具的智能体优先级划分
US20200150665A1 (en) Verifying Predicted Trajectories Using A Grid-Based Approach
US11294386B2 (en) Device and method for determining U-turn strategy of autonomous vehicle
US20210107486A1 (en) Apparatus for determining lane change strategy of autonomous vehicle and method thereof
CN114435351A (zh) 用于基于神经网络的自动驾驶的系统和方法
CN112660128B (zh) 用于确定自动驾驶车辆的车道变更路径的设备及其方法
US11634133B1 (en) Adaptive automatic preventative braking (APB) distance
CN114475656B (zh) 行驶轨迹预测方法、装置、电子设备以及存储介质
Youssef et al. Comparative study of end-to-end deep learning methods for self-driving car
US11657635B2 (en) Measuring confidence in deep neural networks
US20220326714A1 (en) Unmapped u-turn behavior prediction using machine learning
JP2024019629A (ja) 予測装置、予測方法、プログラムおよび車両制御システム
CN117022262A (zh) 无人车速度规划控制方法、装置、电子设备及存储介质
US11618460B1 (en) Predictive planning
Zhang et al. Spatial attention for autonomous decision-making in highway scene
CN114889608A (zh) 一种基于注意力机制的车辆换道预测方法
US20220402522A1 (en) Tree based behavior predictor
CN111338336B (zh) 一种自动驾驶方法及装置

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