CN112286049A - 运动轨迹预测方法和装置 - Google Patents
运动轨迹预测方法和装置 Download PDFInfo
- Publication number
- CN112286049A CN112286049A CN201910685546.8A CN201910685546A CN112286049A CN 112286049 A CN112286049 A CN 112286049A CN 201910685546 A CN201910685546 A CN 201910685546A CN 112286049 A CN112286049 A CN 112286049A
- Authority
- CN
- China
- Prior art keywords
- target
- motion
- state
- states
- initial state
- 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
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 195
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000001133 acceleration Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012821 model calculation Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 11
- 230000008447 perception Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/10—Path keeping
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
- B60W60/00274—Planning or execution of driving tasks using trajectory prediction for other traffic participants considering possible movement changes
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- 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
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- 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
-
- 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
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0248—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means in combination with a laser
-
- 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
- G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
-
- 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
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- 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
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/30—Road curve radius
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Business, Economics & Management (AREA)
- Optics & Photonics (AREA)
- Electromagnetism (AREA)
- Acoustics & Sound (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种运动轨迹预测方法和装置,解决了现有技术中运动轨迹预测精度较低的技术问题,可以应用于包括自动驾驶和辅助驾驶的智能驾驶系统。获取包括初始位置和初始运动状态的运动目标的初始状态,根据运动目标的初始状态和预设的路径信息生成运动目标的一个或多个目的状态,根据运动目标的初始状态和所述一个或多个目的状态对所述运动目标进行运动轨迹预测,得到一个或多个预测的运动轨迹。
Description
技术领域
本发明涉及运动轨迹预测技术,尤其涉及一种运动轨迹预测方法和装置。
背景技术
智能驾驶系统通常包括感知、定位和规控等模块。感知模块用于感知车辆周围的环境,定位模块用于确定车辆所在的位置,规控模块用于结合感知模块的感知结果和定位模块的定位结果对智能驾驶车辆进行路径规划和控制。智能驾驶车辆在控车的过程中,不仅需要对车辆自身周围环境充分感知,还需要提前预知其未来的轨迹变化,从而避免可能的碰撞。目标轨迹预测往往位于规控模块,是基于对目标物的感知结果对目标物的未来轨迹进行预测,正确的轨迹预测能够为规控模块的路径规划提供重要的参考信息。
现有技术通常基于目标的位置和速度,以一定的运动学模型(如恒定速度、恒定加速度或恒定角速度等)进行轨迹预测。如图1所示,实线表示目标的历史轨迹,虚线表示根据目标当前时刻的位置和速度推理得到的预测轨迹。由于目标未来的运动不会完全按照原始运动特征持续运动,尤其当其未来的运动根据道路结构调整时,采用现有技术进行轨迹预测存在较大偏差。
发明内容
针对现有技术中对运动轨迹预测精度低的技术问题,本发明实施例提出一种运动轨迹预测方法和装置,用于提高运动轨迹预测的精度。
本发明实施例可以应用于包括自动驾驶和辅助驾驶的智能驾驶系统,所述目标不仅可以是车辆目标,还可以是行人、骑行者、机器人或其它运动目标。
第一方面,提供一种运动轨迹预测方法,包括:获取目标的初始状态,所述初始状态包括初始位置和初始运动状态;根据所述初始状态和预设的路径信息生成所述目标的一个或多个目的状态,所述目的状态至少包括目的位置;根据所述初始状态和所述目的状态对所述目标进行运动轨迹预测,得到一个或多个预测的运动轨迹。通过引入诸如道路结构、路标指示或地图等形式的预设路径信息,使目标的预测轨迹受到预设路径信息的约束,相比单独利用目标的初始状态预测出的轨迹,更符合运动目标尤其是车辆目标的实际运动场景,能够大大改善运动轨迹预测的精度,可以针对长时间(比如10s)的轨迹进行预测。
根据第一方面,在所述运动轨迹预测方法的第一种可能的实现方式中,所述根据所述初始状态和预设的路径信息生成所述目标的一个或多个目的状态包括:根据所述初始位置和所述预设的路径信息确定与所述目标相关联的一个或多个预设路径;根据所述初始状态和运动模型生成所述一个或多个目的状态,所述一个或多个目的状态对应于所述一个或多个预设路径。确定与所述目标相关联的预设路径,有助于将所述目标的初始状态与所述预设的路径信息关联起来,从而得到与预设的路径信息相关联的目的状态。被确定的与所述目标相关联的预设路径可以是与所述目标距离最近的一个预设路径,也可以是与所述目标临近的多个预设路径。
根据第一方面或第一方面的第一种可能的实现方式,在所述运动轨迹预测方法的第二种可能的实现方式中,所述根据所述初始状态和运动模型生成所述一个或多个目的状态包括:基于所述一个或多个预设路径建立一个或多个Frenet坐标系;分别在所述一个或多个Frenet坐标系中,根据所述目标的初始状态和运动模型生成所述一个或多个目的状态。通过基于与所述目标相关联的预设路径建立Frenet坐标系,便于在与所述目标相关联的预设路径上应用运动模型进行计算。
根据第一方面,或以上第一方面的任意一种实现方式,在所述运动轨迹预测方法的第三种可能的实现方式中,所述一个或多个预测的运动轨迹为在所述一个或多个Frenet坐标系下的运动轨迹,所述方法还包括:将所述一个或多个预测的的运动轨迹转换到用于目标运动规划控制的坐标系中。将预测的运动轨迹从Frenet坐标系转换到用于目标运动规划控制的坐标系,便于将目标的运动轨迹预测结果应用于运动规划控制模块。
根据第一方面,或以上第一方面的任意一种实现方式,在所述运动轨迹预测方法的第四种可能的实现方式中,所述用于目标运动规划控制的坐标系包括车体坐标系、站心坐标系或世界坐标系。
根据第一方面,或以上第一方面的任意一种实现方式,在所述运动轨迹预测方法的第五种可能的实现方式中,所述根据所述初始状态和预设的路径信息生成所述目标的一个或多个目的状态包括:根据所述初始状态、预设的路径信息和模型训练后的参数生成所述目标的一个或多个目的状态。采用模型训练后的参数生成的目的状态与实际目标运动特征的匹配度更高,轨迹的预测更加精准。
根据第一方面,或以上第一方面的任意一种实现方式,在所述运动轨迹预测方法的第六种可能的实现方式中,当所述一个或多个目的状态为多个目的状态时,所述方法还包括:根据所述目标的初始状态和所述预设的路径信息生成所述多个目的状态中每个目的状态的概率,所述每个目的状态的概率用于得到多个预测的运动轨迹中每一个的概率。实际运动环境中目标下一步可能的运动轨迹可能有多个,通过引入概率计算,有助于对所述目标可能做出的选择进行更好的判断,进一步提高运动轨迹预测的精准度。
根据第一方面,或以上第一方面的任意一种实现方式,在所述运动轨迹预测方法的第七种可能的实现方式中,所述根据所述初始状态和所述一个或多个目的状态对所述目标进行运动轨迹预测,得到一个或多个预测的运动轨迹包括:根据所述初始状态和具有最大概率的目的状态对所述目标进行运动轨迹预测,得到最大概率的预测的运动轨迹。
根据第一方面,或以上第一方面的任意一种实现方式,在所述运动轨迹预测方法的第八种可能的实现方式中,所述目的状态还包括目的运动状态,所述目的运动状态包括速度、加速度、角速度或角加速度中至少一个。综合目的位置和目的运动状态进行运动轨迹预测可以进一步提高预测精准度。
根据第一方面,或以上第一方面的任意一种实现方式,在所述运动轨迹预测方法的第九种可能的实现方式中,所述初始运动状态包括速度、加速度、角速度或角加速度中至少一个。
根据第一方面,或以上第一方面的任意一种实现方式,在所述运动轨迹预测方法的第十种可能的实现方式中,所述目标的初始状态与所述预设的路径信息基于相同的坐标系,所述获取目标的初始状态包括:从一种或多种传感器获取目标感知结果;将所述目标感知结果投影到所述相同的坐标系中以得到所述目标的初始状态。传感器输出的结果通常与预设的路径信息基于不同的坐标系,通过投影操作将二者对应到相同坐标系中,便于后续操作中综合二者生成目标的目的状态。
根据第一方面,或以上第一方面的任意一种实现方式,在所述运动轨迹预测方法的第十一种可能的实现方式中,所述目标感知结果基于传感器坐标系或车体坐标系,所述相同的坐标系是站心坐标系或世界坐标系。
第二方面,提供一种运动轨迹预测装置,包括:初始状态获取模块,用于获取目标的初始状态,所述初始状态包括初始位置和初始运动状态;目的状态生成模块,用于根据所述初始状态和预设的路径信息生成所述目标的一个或多个目的状态,所述目的状态至少包括目的位置;运动轨迹预测模块,用于根据所述初始状态和所述目的状态对所述目标进行运动轨迹预测,得到一个或多个预测的运动轨迹。
根据第二方面,在所述运动轨迹预测装置的第一种可能的实现方式中,所述目的状态生成模块包括:关联路径确定模块,用于根据所述初始位置和所述预设的路径信息确定与所述目标相关联的一个或多个预设路径;模型计算模块,用于根据所述初始状态和运动模型生成所述一个或多个目的状态,所述一个或多个目的状态对应于所述一个或多个预设路径。
根据第二方面或第二方面的第一种可能的实现方式,在所述运动轨迹预测装置的第二种可能的实现方式中,所述模型计算模块包括:坐标系建立模块,用于基于所述一个或多个预设路径建立一个或多个Frenet坐标系;所述一个或多个目的状态由所述模型计算模块分别在所述一个或多个Frenet坐标系中根据所述目标的初始状态和运动模型生成。
根据第二方面,或以上第二方面的任意一种实现方式,在所述运动轨迹预测装置的第三种可能的实现方式中,所述一个或多个预测的运动轨迹为在所述一个或多个Frenet坐标系下的运动轨迹,所述装置还包括坐标系转换模块,用于将所述一个或多个预测的的运动轨迹转换到用于目标运动规划控制的坐标系中。
根据第二方面,或以上第二方面的任意一种实现方式,在所述运动轨迹预测装置的第四种可能的实现方式中,所述用于目标运动规划控制的坐标系包括车体坐标系、站心坐标系或世界坐标系。
根据第二方面,或以上第二方面的任意一种实现方式,在所述运动轨迹预测装置的第五种可能的实现方式中,所述根据所述初始状态和预设的路径信息生成所述目标的一个或多个目的状态包括:根据所述初始状态、预设的路径信息和模型训练后的参数生成所述目标的一个或多个目的状态。
根据第二方面,或以上第二方面的任意一种实现方式,在所述运动轨迹预测装置的第六种可能的实现方式中,所述目的状态生成模块包括概率计算模块,用于当所述一个或多个目的状态为多个目的状态时,根据所述目标的初始状态和所述预设的路径信息生成所述多个目的状态中每个目的状态的概率,所述每个目的状态的概率用于得到多个预测的运动轨迹中每一个的概率。
根据第二方面,或以上第二方面的任意一种实现方式,在所述运动轨迹预测装置的第七种可能的实现方式中,所述根据所述初始状态和所述一个或多个目的状态对所述目标进行运动轨迹预测,得到一个或多个预测的运动轨迹包括:根据所述初始状态和具有最大概率的目的状态对所述目标进行运动轨迹预测,得到最大概率的预测的运动轨迹。
根据第二方面,或以上第二方面的任意一种实现方式,在所述运动轨迹预测装置的第八种可能的实现方式中,所述目的状态还包括目的运动状态,所述目的运动状态包括速度、加速度、角速度或角加速度中至少一个。
根据第二方面,或以上第二方面的任意一种实现方式,在所述运动轨迹预测装置的第九种可能的实现方式中,所述初始运动状态包括速度、加速度、角速度或角加速度中至少一个。
根据第二方面,或以上第二方面的任意一种实现方式,在所述运动轨迹预测装置的第十种可能的实现方式中,所述所述目标的初始状态与所述预设的路径信息基于相同的坐标系,所述获取目标的初始状态包括:从一种或多种传感器获取目标感知结果;将所述目标感知结果投影到所述相同的坐标系中以得到所述目标的初始状态。传感器输出的结果通常与预设的路径信息基于不同的坐标系,通过投影操作将二者对应到相同坐标系中,便于后续操作中综合二者生成目标的目的状态。
根据第二方面,或以上第二方面的任意一种实现方式,在所述运动轨迹预测装置的第十一种可能的实现方式中,所述目标感知结果基于传感器坐标系或车体坐标系,所述相同的坐标系是站心坐标系或世界坐标系。
第三方面,提供一种运动轨迹预测装置,包括存储器和处理器,所述存储器存储计算机程序指令,所述处理器运行所述计算机程序指令以执行权利要求1-8任一项所述的方法。
第四方面,提供一种计算机存储介质,包括计算机指令,当所述计算机指令在被处理器运行时,使得所述运动轨迹预测装置执行如权利要求1-8任一项所述的方法。
第五方面,提供一种计算机程序产品,当所述计算机程序产品在处理器上运行时,使得所述运动轨迹预测装置执行如权利要求1-8任一项所述的方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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为现有技术运动轨迹预测方法的示意图;
图2为本发明实施例中Frenet坐标系的的示意图;
图3为本发明实施例典型的应用场景图(以机动车在道路上的行驶情景为例);
图4为本发明实施例一提供的运动轨迹预测方法的流程图;
图5为本发明实施例一中一个目标对应多个预设路径的情况示意图;
图6为本发明实施例一中将目标的运动轨迹由Frenet坐标系转换到站心坐标系的示意图;
图7为本发明实施例二提供的运动轨迹预测装置的结构框图;
图8为本发明实施例三提供的运动轨迹预测装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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他实施例,都属于本发明保护的范围。
无论是高级辅助驾驶ADAS系统,还是自动驾驶系统,一个重要工作就是计算系统自己的位置,以及系统自己与道路、车辆或行人等交通元素之间的相对位置关系或速度关系。为了描述这些复杂的空间关系,需要建立空间坐标系,这是实现各种环境感知和决策规划算法的前提条件。首先对本发明实施例涉及的几种坐标系作如下说明:
(1)传感器坐标系:各传感器感测结果所基于的坐标系,根据传感器种类或安装位置的不同,各传感器所采用的坐标系也可能不同。
(2)车体坐标系:用来描述车辆周围的物体和本车之间的相对位置关系,三个相互垂直的坐标轴分别为汽车的长度方向、宽度方向和高度方向。目前学术界和工业界有几种比较常用的车体坐标系定义方式,分别是ISO国际标准定义、SAE(Society of AutomotiveEngineers)汽车工程师协会定义和基于惯用测量单元IMU的坐标定义。
(3)站心坐标系:又称ENU坐标系或NEU坐标系或东北天坐标系,三个坐标轴分别指向相互垂直的东向、北向和天向。
(4)世界坐标系:世界坐标系是描述地球上位置关系的坐标系,常见的世界坐标系包括WGS-84坐标系、UTM(Universal Transverse Mercartor,通用横轴横墨卡托)坐标系。
(5)Frenet坐标系:如图2所示,使用预设路径的中心线作为参考线,定义坐标系的原点为参考线上的某一参考点,坐标系的s轴为运动目标沿所述参考线的前进方向,坐标系的d轴为所述运动目标在参考线上的投影点与所述目标之间的连线方向,所述运动目标与所述投影点之间的连线垂直于所述参考线在所述投影点的切线。
图3以机动车在道路上的行驶情景为例介绍本发明实施例典型的应用场景图,但本发明实施例的应用场景不仅仅限于这一具体情形,也可应用于所有运动目标(包括机动车、非机动车、行人或机器人等)在所有形式的路径(包括高速公路、城市道路、乡村道路或室内路径等)上的运动,后续实施例以车辆或车道为例做描述,但本领域技术人员可以将其扩展至其他目标的运动轨迹预测领域。如图3所示,在t0时刻,目标车辆在位置A以速度V0(本发明实施例中的速度包括速度大小和方向)沿着车道中心线右侧行驶,前方不远处车道将由一条分为两条(分别是直行和右转),因此在待预测的t时刻该目标车辆较大可能地出现在位置B或位置C,从而目标车辆在t0时刻至t时刻的运动轨迹存在两种并列的可能,即继续直行(由位置A行驶至位置B)或者右转(由位置A行驶至位置C)。
图4是本发明运动轨迹预测方法的一个实施例的流程图。如图4所示,运动轨迹预测方法包括步骤401、步骤402和步骤403:
步骤401,获取目标的初始状态。所述目标包括行人、机动车或非机动车,也可以包括其它运动目标。通过一种或者多种目标探测传感器(如摄像头、激光雷达或毫米波雷达等)获取环境探测的原始数据,再通过一定的目标检测和跟踪算法获取目标感知结果,包括位置、速度、加速度或角速度等运动状态相关信息。由于目标探测传感器获取的目标感知结果所基于的坐标系(常见的例如传感器坐标系或车体坐标系)经常不同于预设的路径信息所基于的坐标系(常见的例如站心坐标系或世界坐标系),因此步骤401包括坐标转换操作,将所述目标感知结果投影到所述预设的路径信息所基于的坐标中,得到基于与所述预设的路径信息相同的坐标系的目标的初始状态。所述目标的初始状态包括初始位置和初始运动状态,所述初始运动状态包括速度、加速度、角速度或角加速度。
步骤402,根据所述初始状态和预设的路径信息生成所述目标的一个或多个目的状态。所述预设的路径信息可以是道路结构、路标指示或地图等形式的信息。所述目的状态至少包括目的位置,还可以包括目的运动状态,如速度、加速度、角速度或角加速度。综合目的位置和目的运动状态进行运动轨迹预测可以进一步提高预测精准度。
步骤402包括:根据目标初始状态中的初始位置信息和所述预设的路径信息确定与所述目标相关联的一个或多个预设路径。具体地,以图3所示情形为例,可以根据目标车辆在t0时刻的初始位置查找道路交通图等形式的预设的路径信息,获取目标车辆在t0时刻所对应的车道及车道中心线,该车道及车道中心线为图3中与目标车辆相关的预设路径。
需要注意的是,由于目标一般为具有一定形状的物体,因此可以一个目标对应多个车道,图5是一个目标对应多个预设路径的情况示意图,与图3所示的以机动车在道路上的行驶情景为例的应用场景相对应。起始点A是目标车辆的初始位置,速度V0是目标车辆的初始运动状态,二者包括在目标车辆的初始状态中。由于在初始时刻t0目标车辆位于第一车道和第二车道相重合的车道内,因此可将第一车道中心线和第二车道中心线作为与目标车辆相关联的多个预设路径。在其他场景下,可以选择与运动目标初始位置距离最近的一个预设路径作为关联预设路径,也可以选择与运动目标的距离在设定阈值内的多个预设路径作为所述相关联的预设路径,或者选择满足设定数量的与运动目标距离最近的多个预设路径作为所述相关联的预设路径,还可以选择与运动目标的运动方向(如速度方向、加速度方向或角加速度方向)最匹配的一个或多个预设路径作为所述相关联的预设路径。当选择与所述目标相关联的多个预设路径时,可通过计算每个相关联的预设路径的概率得到与所述每个相关联的预设路径相对应的目的状态的概率,所述目的状态的概率用于计算预测的运动轨迹的概率,可为后续作出更准确的规控决策提供参考。
步骤402还包括:基于选择的一个或多个预设路径建立一个或多个Frenet坐标系,分别在所述一个或多个Frenet坐标系中,根据所述目标的初始状态和运动模型生成所述一个或多个目的状态。
以图5所示一个目标对应多个关联的预设路径的情况为例,将目标初始位置起始点A分别投影到第一车道中心线和第二车道中心线,分别获取初始位置投影点1和投影点2。分别以投影点1和投影点2为原点,以对应的第一车道中心线和第二车道中心线的方向为s方向,沿车道中心线建立两个Frenet坐标系,则起始点A在两个Frenet坐标系中的s分量均为0,d分量分别由起始点A与投影点1、投影点2各自的距离确定。分别在两个Frenet坐标系中,根据所述目标车辆的初始状态和运动模型生成两个目的状态,两个目的状态分别对应于之前选择的两条关联的预设路径(即第一车道中心线和第二车道中心线),对应于第一车道中心线的目的状态为目的点B和速度Vt,对应于第二车道中心线的目的状态为目的点C和速度Vt’。
将目标的初始位置和初始速度投影到同一Frenet坐标系中,如前所述,Frenet坐标系的s轴为目标沿关联预设路径(例如图5的第一车道中心线或第二车道中心线)的前进方向,坐标系的d轴为所述目标在关联预设路径上的投影点与所述目标之间的连线方向,所述目标与所述投影点之间的连线垂直于所述关联预设路径在所述投影点的切线,以所述投影点作为原点,0时刻目标的初始位置为P0(P0在s轴和d轴的分量分别为P0S和P0d),目标的初始速度为V0(V0在s轴和d轴的分量分别为V0S和V0d),待预测的T时刻目标的目的位置为PT(PT在s轴和d轴的分量分别为PTS和PTd),目标的目的速度为VT(VT在s轴和d轴的分量分别为VTS和VTd)。下面用两个例子说明如何利用初始状态和运动模型计算目的状态:
(1)如果设置在s轴和d轴上采用的运动模型分别为匀速运动模型和匀减速运动模型,并假设T时刻目标的速度方向平行于关联的预设路径,则待预测的T时刻的目的状态为:
由于目标在s轴上保持恒定速度V0S,所以PTS=V0S×T;
由于目标在d轴上匀减速,因此PTd=P0d-0.5×V0d×T;
由于目标在s轴上保持恒定速度V0S,所以VTS=V0S;
由于T时刻目标的速度方向平行于关联的预设路径,而d轴与关联的预设路径相垂直,因此VTd=0。
(2)如果设置在s轴和d轴上采用的运动模型分别为匀加速运动模型和匀速运动模型,并假设目标的加速度为a,则待预测的T时刻的目的状态为:
PTS=0.5×V0S×T+0.5×aT2;
PTd=P0d-V0d×T;
VTS=V0S+aT;
VTd=V0d。
由前面可知,一个目标可能关联多个预设路径,对应多个Frenet坐标系,也会生成多个对应的目的状态,此时还要根据所述目标的初始状态生成每个目的状态的概率,针对说明书附图5所示情形,可以分别生成目的位置B和目的位置C的概率,将两个概率连同两个目的状态一同提供给路径规划与控制模块,以更好地辅助规控决策;或者可以上述两个概率确定概率最大的一个目的状态,仅将所述概率最大的一个目的状态提供给路径规划与控制模块。
为了进一步提高轨迹预测的精度,步骤402“根据所述初始状态和预设的路径信息生成所述目标的一个或多个目的状态”时还采用了模型训练后的参数。模型训练是指使用已有的样本数据,通过一些方法确定模型的参数。下面通过三个例子进行说明本实施例如何使用模型训练后的参数:
(1)采用模型训练后的参数选择与目标相关联的一个或多个预设路径。
对于与目标相关联的车道的选择,可以结合目标初始位置与各个车道的距离以及初始速度方向与车道线的夹角建立多分类器模型,通过softmax、boosting或决策树等算法获取对应于各个车道的概率。以softmax为例,根据目标初始位置与各个车道的距离以及初始速度方向与车道线的夹角建立如下模型:
w=alpha1×d0+alpha2×Δh0
pj=exp(-wj)/(∑i exp(-wi))
其中w为用于计算目标关联于对应车道的概率的权重,d0为目标初始位置与车道的距离(即目标初始位置到车道中心线的投影与所述目标初始位置之间的距离),Δh0为目标初始速度方向与车道中心线朝向的夹角,alpha1和alpha2为模型训练后的参数,pj为目标关联于车道j的概率,j为整数,wi为目标关联于车道i的概率的权重,i需要遍历所有车道。
(2)采用模型训练后的参数计算目标的目的位置。
以目的位置在Frenet坐标系的d分量为例,可以构建如下位移衰减模型
df=exp(-alpha×l-beta)(d0)
其中l为预测轨迹的长度,由目的位置在Frenet坐标系的s分量决定,d0为初始位置在Frenet坐标系的d分量,alpha和beta为模型训练后的参数,可以通过线性回归来训练参数。
(3)采用模型训练后的参数计算目标的目的速度。
以目的速度在Frenet坐标系的d分量为例,可以构建如下位移衰减模型
vf=exp(-alpha×l-beta)(v0)
其中l为预测轨迹的长度,由目的位置在Frenet坐标系的s分量决定,v0为初始速度在Frenet坐标系的d分量,alpha和beta为模型训练后的参数,可以通过线性回归来训练参数。
步骤403,根据所述初始状态和所述一个或多个目的状态对所述目标进行运动轨迹预测,得到一个或多个预测的运动轨迹。当目的状态有多个时,可以根据步骤402确定的每个目的状态的概率得到多个预测的运动轨迹中每一个的概率,也可以仅根据概率最大的一个目的状态结合所述初始状态对所述目标进行运动轨迹预测,从而预测概率最大的一个运动轨迹。预测的一个或多个运动轨迹及其概率可提供给车辆路径规划模块或者其他的控制模块,可为后续作出更准确的规控决策提供参考。具体来看,路径规划模块可以根据目标车辆的预测轨迹进行必要的避让操作,防止与其发生碰撞。例如,对于在自车车道左侧或者右侧相邻车道上的目标车辆,当对目标车辆预测的轨迹侵占自车的车道、与当前时刻自车规划的路径有冲突时,则根据预测的目标车辆在未来不同时刻的运动轨迹对自车规划的路径的入侵位置和入侵程度,对自车的规划路径和规划速度进行调整,通过降低规划速度或者偏移规划路径进行避让。
步骤403具体包括:
步骤403a,根据目标在Frenet坐标系的初始状态和目的状态绘制目标在Frenet坐标系的运动轨迹。具体地,可以采用Cubic Hermite Spline插值的方式拟合一条平滑曲线作为Frenet坐标系下的轨迹,也可以以该平滑曲线为基础通过PID控制器(比例-积分-微分控制器)获取最终的Frenet坐标系下轨迹。
步骤404b,将Frenet坐标系下的所述一个或多个预测的的运动轨迹转换到用于目标运动规划控制的坐标系中,所述用于目标运动规划控制的坐标系包括车体坐标系、站心坐标系或世界坐标系。图6是将目标的运动轨迹由Frenet坐标系转换到站心坐标系的示意图,其中的虚线为预测的轨迹线,在Frenet坐标系下目的位置相对起始位置沿Frenet坐标系的s轴和d轴均有位移,结合Frenet坐标系中s轴和d轴的意义可知,所述位移变换到在站心坐标系就表现为运动目标一边沿着所述Frenet坐标系所基于的车道中心线伸展的方向向前运动,一边更靠近车道中心线。
从本实施例可以看出,本发明实施例不仅利用了目标物的初始状态,还利用了预设的路径信息,采用运动模型在基于车道中心线的Frenet坐标系生成目的状态,并结合目标初始状态和目的状态生成预测轨迹,相比传统的单纯基于初始状态的轨迹预测方法,更符合运动目标尤其是车辆目标的实际运动场景,预测的轨迹具有更高的准确性。
图7为本发明实施例二提供的运动轨迹预测装置的结构框图。如图7所示,运动轨迹预测装置包括:
初始状态获取模块71,用于获取目标的初始状态,所述初始状态包括初始位置和初始运动状态;
目的状态生成模块72,用于根据所述初始状态和预设的路径信息生成所述目标的一个或多个目的状态,所述目的状态至少包括目的位置。
该目的状态生成模块72进一步包括:
关联路径确定模块73,用于根据所述初始位置和所述预设的路径信息确定与所述目标相关联的一个或多个预设路径;
模型计算模块74,用于根据所述初始状态和运动模型生成所述一个或多个目的状态,所述一个或多个目的状态对应于所述一个或多个预设路径;
概率计算模块76,用于当所述一个或多个目的状态为多个时,根据所述目标的初始状态和所述预设的路径信息生成每个目的状态的概率,所述每个目的状态的概率用于得到多个预测的运动轨迹中每一个的概率。
其中,模型计算模块74又进一步包括坐标系建立模块75,用于基于所述一个或多个预设路径建立一个或多个Frenet坐标系。所述一个或多个目的状态由所述模型计算模块分别在所述一个或多个Frenet坐标系中根据所述目标的初始状态和运动模型生成。
运动轨迹预测装置还包括:
运动轨迹预测模块77,用于根据所述初始状态和所述一个或多个目的状态对所述目标进行运动轨迹预测,得到一个或多个预测的运动轨迹;
坐标系转换模块78,用于将所述一个或多个预测的的运动轨迹转换到用于目标运动规划控制的坐标系中,所述用于目标运动规划控制的坐标系包括车体坐标系、站心坐标系或世界坐标系。
图7中的各个模块的只一个或多个可以软件、硬件、固件或其结合实现。所述软件或固件包括但不限于计算机程序指令或代码,并可以被硬件处理器所执行。所述硬件包括但不限于各类集成电路,如中央处理单元(CPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)或专用集成电路(ASIC)。
图8是本发明实施例三提供的运动轨迹预测装置的结构框图。如图8所示,运动轨迹预测装置8包括存储器81和处理器82。所述存储器81存储计算机程序指令,所述处理器82运行所述计算机程序指令以执行实施例一所描述的运动轨迹预测相关操作。所述处理器82还与运动轨迹预测装置8外界的一个或多个传感器相连接,接收所述传感器探测的自车周围环境的原始数据。所述传感器包括但不限于如摄像头、激光雷达、超声波雷达或毫米波雷达。运动轨迹预测装置8输出的目标轨迹预测结果一般发送给智能驾驶车辆的路径规划与控制模块,提供控车参考信息。路径规划与控制模块也可以是由处理器82执行的一个软件模块或集成于处理器82中,本实施例不做限定。处理器82包括但不限于各类CPU、DSP、微控制器、微处理器或人工智能处理器。
上述图7、图8所示的运动轨迹预测装置,通过引入预设路径信息,使目标运动物体的预测轨迹受到预设路径信息的约束,更符合运动目标尤其是车辆目标的实际运动场景。另外,利用目标的初始状态和运动模型在以关联的预设路径为基础的Frenet坐标系生成目的状态,并依据Frenet坐标系下的初始状态和目的状态生成目标的预测轨迹,有效地将目标运动和预设路径信息结合起来,大大改善目标轨迹预测的精度和可靠性。
本领域的技术人员可以清楚地了解到,本申请提供的各实施例的描述可以相互参照,为描述的方便和简洁,例如关于本申请实施例提供的各装置、设备的功能以及执行的步骤可以参照本申请方法实施例的相关描述,各方法实施例之间、各装置实施例之间也可以互相参照。
本领域技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的全部或部分步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,在没有超过本申请的范围内,可以通过其他的方式实现。例如,以上所描述的实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
另外,所描述系统、装置和方法以及不同实施例的示意图,在不超出本申请的范围内,可以与其它系统,模块,技术或方法结合或集成。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电子、机械或其它的形式。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (23)
1.一种运动轨迹预测方法,其特征在于,包括:
获取目标的初始状态,所述初始状态包括初始位置和初始运动状态;
根据所述初始状态和预设的路径信息生成所述目标的一个或多个目的状态,所述目的状态至少包括目的位置;
根据所述初始状态和所述一个或多个目的状态对所述目标进行运动轨迹预测,得到一个或多个预测的运动轨迹。
2.根据权利要求1所述的方法,其特征在于,所述根据所述初始状态和预设的路径信息生成所述目标的一个或多个目的状态包括:
根据所述初始位置和所述预设的路径信息确定与所述目标相关联的一个或多个预设路径;
根据所述初始状态和运动模型生成所述一个或多个目的状态,所述一个或多个目的状态对应于所述一个或多个预设路径。
3.根据权利要求2所述的方法,其特征在于,所述根据所述初始状态和运动模型生成所述一个或多个目的状态包括:
基于所述一个或多个预设路径建立一个或多个Frenet坐标系;
分别在所述一个或多个Frenet坐标系中,根据所述目标的初始状态和运动模型生成所述一个或多个目的状态。
4.根据权利要求3所述的方法,其特征在于,所述一个或多个预测的运动轨迹为在所述一个或多个Frenet坐标系下的运动轨迹,所述方法还包括:
将所述一个或多个预测的的运动轨迹转换到用于目标运动规划控制的坐标系中。
5.根据权利要求4所述的方法,其特征在于,所述用于目标运动规划控制的坐标系包括车体坐标系、站心坐标系或世界坐标系。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述根据所述初始状态和预设的路径信息生成所述目标的一个或多个目的状态包括:根据所述初始状态、预设的路径信息和模型训练后的参数生成所述目标的一个或多个目的状态。
7.根据权利要求1-6任一项所述的方法,其特征在于,还包括:当所述一个或多个目的状态为多个目的状态时,所述方法还包括:
根据所述目标的初始状态和所述预设的路径信息生成所述多个目的状态中每个目的状态的概率,所述每个目的状态的概率用于得到多个预测的运动轨迹中每一个的概率。
8.根据权利要求7所述的方法,其特征在于,所述根据所述初始状态和所述一个或多个目的状态对所述目标进行运动轨迹预测,得到一个或多个预测的运动轨迹包括:根据所述初始状态和具有最大概率的目的状态对所述目标进行运动轨迹预测,得到最大概率的预测的运动轨迹。
9.根据权利要求1-8任一项所述的方法,其特征在于,所述目的状态还包括目的运动状态,所述目的运动状态包括速度、加速度、角速度或角加速度中至少一个。
10.根据权利要求1-9任一项所述的方法,其特征在于,所述初始运动状态包括速度、加速度、角速度或角加速度中至少一个。
11.一种运动轨迹预测装置,其特征在于,包括:
初始状态获取模块,用于获取目标的初始状态,所述初始状态包括初始位置和初始运动状态;
目的状态生成模块,用于根据所述初始状态和预设的路径信息生成所述目标的一个或多个目的状态,所述目的状态至少包括目的位置;
运动轨迹预测模块,用于根据所述初始状态和所述一个或多个目的状态对所述目标进行运动轨迹预测,得到一个或多个预测的运动轨迹。
12.根据权利要求11所述的装置,其特征在于,所述目的状态生成模块包括:
关联路径确定模块,用于根据所述初始位置和所述预设的路径信息确定与所述目标相关联的一个或多个预设路径;
模型计算模块,用于根据所述初始状态和运动模型生成所述一个或多个目的状态,所述一个或多个目的状态对应于所述一个或多个预设路径。
13.根据权利要求12所述的装置,其特征在于,所述模型计算模块包括:
坐标系建立模块,用于基于所述一个或多个预设路径建立一个或多个Frenet坐标系;
所述一个或多个目的状态由所述模型计算模块分别在所述一个或多个Frenet坐标系中根据所述目标的初始状态和运动模型生成。
14.根据权利要求13所述的装置,其特征在于,所述一个或多个预测的运动轨迹为在所述一个或多个Frenet坐标系下的运动轨迹,所述装置还包括:
坐标系转换模块,用于将所述一个或多个预测的的运动轨迹转换到用于目标运动规划控制的坐标系中。
15.根据权利要求14所述的装置,其特征在于,所述用于目标运动规划控制的坐标系包括车体坐标系、站心坐标系或世界坐标系。
16.根据权利要求11-15任一项所述的装置,其特征在于,所述根据所述初始状态和预设的路径信息生成所述目标的一个或多个目的状态包括:根据所述初始状态、预设的路径信息和模型训练后的参数生成所述目标的一个或多个目的状态。
17.根据权利要求11-16任一项所述的装置,其特征在于,所述目的状态生成模块包括概率计算模块,用于当所述一个或多个目的状态为多个目的状态时,根据所述目标的初始状态和所述预设的路径信息生成所述多个目的状态中每个目的状态的概率,所述每个目的状态的概率用于得到多个预测的运动轨迹中每一个的概率。
18.根据权利要求17所述的方法,其特征在于,所述根据所述初始状态和所述一个或多个目的状态对所述目标进行运动轨迹预测,得到一个或多个预测的运动轨迹包括:根据所述初始状态和具有最大概率的目的状态对所述目标进行运动轨迹预测,得到最大概率的预测的运动轨迹。
19.根据权利要求11-18任一项所述的装置,其特征在于,所述目的状态还包括目的运动状态,所述目的运动状态包括速度、加速度、角速度或角加速度中至少一个。
20.根据权利要求11-19任一项所述的装置,其特征在于,所述初始运动状态包括速度、加速度、角速度或角加速度中至少一个。
21.一种运动轨迹预测装置,其特征在于,包括:包括存储器和处理器,所述存储器存储计算机程序指令,所述处理器运行所述计算机程序指令以执行权利要求1-10任一项所述的方法。
22.一种计算机存储介质,其特征在于,包括计算机指令,当所述计算机指令在被处理器运行时,使得所述运动轨迹预测装置执行如权利要求1-10任一项所述的方法。
23.一种计算机程序产品,其特征在于,当所述计算机程序产品在处理器上运行时,使得所述运动轨迹预测装置执行如权利要求1-10任一项所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910685546.8A CN112286049A (zh) | 2019-07-27 | 2019-07-27 | 运动轨迹预测方法和装置 |
EP20846548.4A EP3992732A4 (en) | 2019-07-27 | 2020-03-28 | METHOD AND DEVICE FOR PREDICTING MOVEMENT PATH |
PCT/CN2020/081894 WO2021017504A1 (zh) | 2019-07-27 | 2020-03-28 | 运动轨迹预测方法和装置 |
US17/585,802 US20220144265A1 (en) | 2019-07-27 | 2022-01-27 | Moving Track Prediction Method and Apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910685546.8A CN112286049A (zh) | 2019-07-27 | 2019-07-27 | 运动轨迹预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112286049A true CN112286049A (zh) | 2021-01-29 |
Family
ID=74230167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910685546.8A Pending CN112286049A (zh) | 2019-07-27 | 2019-07-27 | 运动轨迹预测方法和装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220144265A1 (zh) |
EP (1) | EP3992732A4 (zh) |
CN (1) | CN112286049A (zh) |
WO (1) | WO2021017504A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419098A (zh) * | 2022-01-18 | 2022-04-29 | 长沙慧联智能科技有限公司 | 基于视觉变换的运动目标轨迹预测方法及装置 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11754666B2 (en) * | 2021-02-12 | 2023-09-12 | Aptiv Technologies Limited | Radar detection prioritization based on downstream feedback |
US20230202469A1 (en) * | 2021-12-23 | 2023-06-29 | Baidu Usa Llc | Drive with caution under uncertainty for an autonomous driving vehicle |
CN114964292B (zh) * | 2022-05-30 | 2023-10-20 | 国汽智控(北京)科技有限公司 | 全局路径规划方法、装置、电子设备及存储介质 |
CN114872735B (zh) * | 2022-07-10 | 2022-10-04 | 成都工业职业技术学院 | 基于神经网络算法的自动驾驶物流车辆决策方法和装置 |
CN117874529B (zh) * | 2024-03-12 | 2024-05-28 | 浪潮电子信息产业股份有限公司 | 运动轨迹预测方法、模型训练方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104808679A (zh) * | 2015-02-27 | 2015-07-29 | 中国民航大学 | 基于飞行轨迹预测的通用航空aip文件智能匹配方法 |
CN109496288A (zh) * | 2017-07-13 | 2019-03-19 | 北京嘀嘀无限科技发展有限公司 | 用于确定轨迹的系统和方法 |
CN109583151A (zh) * | 2019-02-20 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 车辆的行驶轨迹预测方法及装置 |
FR3072069A1 (fr) * | 2017-10-10 | 2019-04-12 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Procede de conduite automatique sous contrainte d'un vehicule, notamment d'un bus dans un centre de remisage, et dispositif mettant en œuvre un tel procede |
CN109976355A (zh) * | 2019-04-26 | 2019-07-05 | 腾讯科技(深圳)有限公司 | 轨迹规划方法、系统、设备及存储介质 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130238181A1 (en) * | 2012-03-12 | 2013-09-12 | Toyota Motor Eng. & Man. North America (Tema) | On-board vehicle path prediction using processed sensor information |
DE102013212359A1 (de) * | 2013-06-27 | 2014-12-31 | Bayerische Motoren Werke Aktiengesellschaft | Vorhersage von Fahrpfaden eines Fahrzeugs |
EP3001272B1 (en) * | 2014-09-26 | 2017-04-12 | Volvo Car Corporation | Method of trajectory planning for yielding manoeuvres |
US9248834B1 (en) * | 2014-10-02 | 2016-02-02 | Google Inc. | Predicting trajectories of objects based on contextual information |
US11235777B2 (en) * | 2015-10-15 | 2022-02-01 | Harman International Industries, Incorporated | Vehicle path prediction and target classification for autonomous vehicle operation |
US10029682B2 (en) * | 2016-01-22 | 2018-07-24 | Toyota Motor Engineering & Manufacturing North America, Inc. | Surrounding vehicle classification and path prediction |
CN105549597B (zh) * | 2016-02-04 | 2018-06-26 | 同济大学 | 一种基于环境不确定性的无人车动态路径规划方法 |
US10345815B2 (en) * | 2016-09-14 | 2019-07-09 | Qualcomm Incorporated | Motion planning and intention prediction for autonomous driving in highway scenarios via graphical model-based factorization |
CN106774327B (zh) * | 2016-12-23 | 2019-09-27 | 中新智擎科技有限公司 | 一种机器人路径规划方法及装置 |
CN106864361B (zh) * | 2017-02-14 | 2019-04-30 | 驭势科技(北京)有限公司 | 车辆与车外人车交互的方法、系统、装置和存储介质 |
DE102017206987A1 (de) * | 2017-04-26 | 2018-10-31 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren, Computerprogrammprodukt, Computer-lesbares Medium, Steuergerät und Fahrzeug umfassen das Steuergerät zum Bestimmen eines kollektiven Manövers von wenigstens zwei Fahrzeugen |
CN107168342B (zh) * | 2017-07-12 | 2020-04-07 | 哈尔滨工大智慧工厂有限公司 | 一种用于机器人路径规划的行人轨迹预测方法 |
EP3495219B1 (en) * | 2017-12-11 | 2023-07-05 | Volvo Car Corporation | Path prediction for a vehicle |
CN109059944B (zh) * | 2018-06-06 | 2021-08-06 | 上海国际汽车城(集团)有限公司 | 基于驾驶习惯学习的运动规划方法 |
CN109885066B (zh) * | 2019-03-26 | 2021-08-24 | 北京经纬恒润科技股份有限公司 | 一种运动轨迹预测方法及装置 |
-
2019
- 2019-07-27 CN CN201910685546.8A patent/CN112286049A/zh active Pending
-
2020
- 2020-03-28 EP EP20846548.4A patent/EP3992732A4/en active Pending
- 2020-03-28 WO PCT/CN2020/081894 patent/WO2021017504A1/zh unknown
-
2022
- 2022-01-27 US US17/585,802 patent/US20220144265A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104808679A (zh) * | 2015-02-27 | 2015-07-29 | 中国民航大学 | 基于飞行轨迹预测的通用航空aip文件智能匹配方法 |
CN109496288A (zh) * | 2017-07-13 | 2019-03-19 | 北京嘀嘀无限科技发展有限公司 | 用于确定轨迹的系统和方法 |
FR3072069A1 (fr) * | 2017-10-10 | 2019-04-12 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Procede de conduite automatique sous contrainte d'un vehicule, notamment d'un bus dans un centre de remisage, et dispositif mettant en œuvre un tel procede |
CN109583151A (zh) * | 2019-02-20 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 车辆的行驶轨迹预测方法及装置 |
CN109976355A (zh) * | 2019-04-26 | 2019-07-05 | 腾讯科技(深圳)有限公司 | 轨迹规划方法、系统、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
席军强: "BIT号无人驾驶车辆", 《车辆信息技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419098A (zh) * | 2022-01-18 | 2022-04-29 | 长沙慧联智能科技有限公司 | 基于视觉变换的运动目标轨迹预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
US20220144265A1 (en) | 2022-05-12 |
EP3992732A4 (en) | 2022-08-24 |
WO2021017504A1 (zh) | 2021-02-04 |
EP3992732A1 (en) | 2022-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112286049A (zh) | 运动轨迹预测方法和装置 | |
US10515321B2 (en) | Cost based path planning for autonomous driving vehicles | |
US10948919B2 (en) | Dynamic programming and gradient descent based decision and planning for autonomous driving vehicles | |
US10754339B2 (en) | Dynamic programming and quadratic programming based decision and planning for autonomous driving vehicles | |
US10816990B2 (en) | Non-blocking boundary for autonomous vehicle planning | |
US10990099B2 (en) | Motion planning methods and systems for autonomous vehicle | |
US10754341B2 (en) | Systems and methods for accelerated curve projection | |
US10571921B2 (en) | Path optimization based on constrained smoothing spline for autonomous driving vehicles | |
US10606277B2 (en) | Speed optimization based on constrained smoothing spline for autonomous driving vehicles | |
US10591926B2 (en) | Smooth road reference for autonomous driving vehicles based on 2D constrained smoothing spline | |
US10816985B2 (en) | Method on moving obstacle representation for trajectory planning | |
US10800427B2 (en) | Systems and methods for a vehicle controller robust to time delays | |
WO2020243162A1 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
US10369993B2 (en) | Method and device for monitoring a setpoint trajectory to be traveled by a vehicle for being collision free | |
CN113165648A (zh) | 用于基于采样对机动车辆的可能轨迹进行规划的控制系统和控制方法 | |
US20140032012A1 (en) | Tracking on-road vehicles with sensors of different modalities | |
CN111208814B (zh) | 用于自动车辆的、利用动态模型的、基于记忆的最优运动规划 | |
US10909377B2 (en) | Tracking objects with multiple cues | |
CN115127576B (zh) | 路径规划方法、装置、芯片、终端、电子设备及存储介质 | |
CN112394725A (zh) | 用于自动驾驶的基于预测和反应视场的计划 | |
CN118235180A (zh) | 预测可行驶车道的方法和装置 | |
CN116576857A (zh) | 一种基于单线激光雷达的多障碍物预测导航避障方法 | |
Sandblom et al. | Sensor data fusion for multiple configurations | |
CN113085868A (zh) | 用于运行自动化车辆的方法、设备和存储介质 | |
CN116991104A (zh) | 一种无人驾驶车辆自动化驱动的装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210129 |