CN112644518B - 一种车辆轨迹预测方法、装置、设备和存储介质 - Google Patents
一种车辆轨迹预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112644518B CN112644518B CN202011640612.9A CN202011640612A CN112644518B CN 112644518 B CN112644518 B CN 112644518B CN 202011640612 A CN202011640612 A CN 202011640612A CN 112644518 B CN112644518 B CN 112644518B
- Authority
- CN
- China
- Prior art keywords
- curvature
- vehicle
- value
- median
- target
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change 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
- 238000005070 sampling Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241001463014 Chazara briseis Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
- B60W40/072—Curvature of the road
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开了一种车辆轨迹预测方法、装置、设备和存储介质，方法包括：获取目标车道对应的车辆参考行驶轨迹和目标车辆的当前运动状态信息；根据当前运动状态信息，确定目标车辆以目标曲率行驶所形成的车辆预测行驶轨迹；其中，目标曲率使得车辆预测行驶轨迹与车辆参考行驶轨迹之间的距离最小。从而实现在有限的计算资源下，对交通场景中的目标车辆进行实时轨迹预测，以便于对当前车辆的待移动路径进行规划，进而降低意外风险的发生可能性，提高自动驾驶安全性。
Description
技术领域
本发明涉及运动轨迹预测技术领域，尤其涉及一种车辆轨迹预测方法、装置、设备和存储介质。
背景技术
随着对智能驾驶的研究日益深入，为了更加安全高效地在复杂交通场景中导航，智能驾驶汽车必须具有主动权，例如决定如何规避来车，何时更改车道，超车或减慢速度以允许其他车辆进行车道合并。这要求智能驾驶车辆需要对自身以及周围的车辆的轨迹进行预测，以便在与周围车辆发生相互作用之前能够主动采取措施规避意外风险。
车辆轨迹是指车辆在监控视频中连续出现的位置点的集合，通过对车辆轨迹的预测分析，能够提前得知车辆的行进路线，从而避免交通意外的发生。
现有的车辆轨迹预测方法通常是基于大量的实验数据对车辆轨迹进行预测，使用的计算资源较多，尤其在路口数量或车辆较多的复杂交通场景，难以有效地进行实时预测，从而导致意外风险的发生可能性增加。
发明内容
本发明提供了一种车辆轨迹预测方法、装置、设备和存储介质，解决了现有的车辆轨迹预测方法所使用的计算资源较多，难以在复杂交通场景下进行实时预测，导致意外风险的发生可能性增加的技术问题。
本发明第一方面提供了一种车辆轨迹预测方法，包括：
获取目标车道对应的车辆参考行驶轨迹和目标车辆的当前运动状态信息；
根据所述当前运动状态信息，确定所述目标车辆以目标曲率行驶所形成的车辆预测行驶轨迹；
其中，所述目标曲率使得所述车辆预测行驶轨迹与所述车辆参考行驶轨迹之间的距离最小。
可选地，所述获取目标车道对应的车辆参考行驶轨迹和目标车辆的当前运动状态信息的步骤，包括：
获取目标车道对应的多条车辆历史行驶轨迹；
依据多条所述车辆历史行驶轨迹，确定所述目标车道对应的车辆参考行驶轨迹；
获取目标车辆的当前运动状态信息。
可选地，所述依据多条所述车辆历史行驶轨迹，确定所述目标车道对应的车辆参考行驶轨迹的步骤，包括：
分别将每条所述车辆历史行驶轨迹划分为预设数量的子轨迹，并为所述子轨迹进行排序；
根据多条所述车辆历史行驶轨迹中序号相同的所述子轨迹的中点，计算每个序号的所述子轨迹的平均中点；
对全部所述平均中点进行连接，得到所述目标车道对应的车辆参考行驶轨迹。
可选地，所述当前运动状态信息包括当前速度，所述目标曲率包括多个目标子曲率，所述根据所述当前运动状态信息，确定所述目标车辆以目标曲率行驶所形成的车辆预测行驶轨迹的步骤，包括：
获取所述当前速度所对应的曲率最大值和曲率最小值；
根据所述曲率最大值和所述曲率最小值，确定所述目标车辆在预设步长的预测轨迹所对应的目标子曲率；所述目标子曲率使得所述预测轨迹的终止位置与所述车辆参考行驶轨迹的距离最小；
当所述终止位置与所述车辆参考行驶轨迹重合时，采用全部所述预测轨迹，形成车辆预测行驶轨迹。
可选地，所述终止位置包括中值终止位置和待比较终止位置，所述根据所述曲率最大值和所述曲率最小值，确定所述目标车辆在预设步长的预测轨迹所对应的目标子曲率的步骤，包括：
计算所述曲率最大值和所述曲率最小值对应的曲率中值；
根据所述曲率最大值、所述曲率最小值、所述曲率中值和所述当前速度，确定所述中值终止位置与所述车辆参考行驶轨迹的中值最小距离和所述待比较终止位置与所述车辆参考行驶轨迹的待比较最小距离；
根据所述中值最小距离和所述待比较最小距离的比较结果，更新所述曲率最大值和所述曲率最小值，返回所述计算所述曲率最大值和所述曲率最小值对应的曲率中值的步骤；
当所述曲率最大值和所述曲率最小值之差小于预定阈值时，将当前时刻的曲率中值确定为所述目标车辆在预设步长的预测轨迹所对应的目标子曲率。
可选地，所述待比较终止位置包括第一终止位置和第二终止位置，所述待比较最小距离包括第一最小距离和第二最小距离，所述根据所述曲率最大值、所述曲率最小值、所述曲率中值和所述当前速度，确定所述中值终止位置与所述车辆参考行驶轨迹的中值最小距离和所述待比较终止位置与所述车辆参考行驶轨迹的待比较最小距离的步骤，包括：
根据所述曲率中值和所述当前速度，确定所述中值终止位置与所述车辆参考行驶轨迹的中值最小距离；
根据所述曲率中值、所述曲率最小值和所述当前速度，确定所述第一终止位置与所述车辆参考行驶轨迹的第一最小距离；
根据所述曲率中值、所述曲率最大值和所述当前速度，确定所述第二终止位置与所述车辆参考行驶轨迹的第二最小距离。
可选地，所述根据所述曲率中值、所述曲率最小值和所述当前速度，确定所述第一终止位置与所述车辆参考行驶轨迹的第一最小距离的步骤，包括：
根据所述曲率中值和所述曲率最小值，计算所述目标车辆的车辆预测行驶轨迹所对应的第一曲率值；
根据所述第一曲率值和所述当前速度，确定所述第一终止位置与所述车辆参考行驶轨迹的第一最小距离。
可选地，所述根据所述曲率中值、所述曲率最大值和所述当前速度，确定所述第二终止位置与所述车辆参考行驶轨迹的第二最小距离的步骤，包括：
根据所述曲率中值和所述曲率最大值，计算所述目标车辆的车辆预测行驶轨迹所对应的第二曲率值；
根据所述第二曲率值和所述当前速度，确定所述第二终止位置与所述车辆参考行驶轨迹的第二最小距离。
可选地，所述根据所述中值最小距离和所述待比较最小距离的比较结果，更新所述曲率最大值和所述曲率最小值的步骤，包括：
比较所述中值最小距离和所述待比较最小距离；
若所述待比较最小距离小于所述中值最小距离，则将当前时刻的所述曲率最大值或所述曲率最小值更新为所述曲率中值；
若所述待比较最小距离大于或等于所述中值最小距离，则将当前时刻的所述曲率最小值更新为所述第一曲率值，将所述曲率最大值更新为所述第二曲率值。
可选地，所述若所述待比较最小距离小于所述中值最小距离，则将当前时刻的所述曲率最大值或所述曲率最小值更新为所述曲率中值的步骤，包括：
当所述第一最小距离小于所述中值最小距离时，将当前时刻的所述曲率最大值更新为所述曲率中值；
当所述第一最小距离大于或等于所述中值最小距离且所述第二最小距离小于所述中值最小距离时，将当前时刻的所述曲率最小值更新为所述曲率中值。
本发明第二方面还提供了一种车辆轨迹预测装置，包括：
数据获取模块，用于获取目标车道对应的车辆参考行驶轨迹和目标车辆的当前运动状态信息；
轨迹预测模块，用于根据所述当前运动状态信息，确定所述目标车辆以目标曲率行驶所形成的车辆预测行驶轨迹；
其中，所述目标曲率使得所述车辆预测行驶轨迹与所述车辆参考行驶轨迹之间的距离最小。
本发明第三方面还提供了一种计算机设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如本发明第一方面任一项所述的车辆轨迹预测方法的步骤。
本发明第四方面还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被所述处理器执行时实现如本发明第一方面任一项所述的车辆轨迹预测方法。
从以上技术方案可以看出，本发明具有以下优点：
本发明通过根据对应于目标车道的历史行驶轨迹，获取目标车道对应车辆参考行驶轨迹，同时采集目标车辆的当前运动状态信息，根据目标车辆的当前运动状态信息，确定目标车辆所对应的车辆预测行驶轨迹与车辆参考行驶轨迹之间距离最小的目标曲率，以确定目标车辆以目标曲率行驶所形成的车辆预测行驶轨迹。从而解决现有的车辆轨迹预测方法所使用的计算资源较多，难以在复杂交通场景下进行实时预测，导致意外风险的发生可能性增加的技术问题，实现在有限的计算资源下，对交通场景中的目标车辆进行实时轨迹预测，进而降低意外风险的发生可能性，提高自动驾驶安全性。
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性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例一提供的一种车辆轨迹预测方法的步骤流程图；
图2为本发明实施例二提供的一种车辆轨迹预测方法的步骤流程图；
图3为本发明实施例三提供的一种车辆轨迹预测方法的步骤流程图；
图4为本发明实施例四提供的一种车辆轨迹预测装置的结构框图；
图5为本发明实施例五提供的一种计算机设备的结构框图。
具体实施方式
本发明实施例提供了一种车辆轨迹预测方法、装置、设备和存储介质，用于解决现有的车辆轨迹预测方法所使用的计算资源较多，难以在复杂交通场景下进行实时预测，导致意外风险的发生可能性增加的技术问题。
曲率指的是曲线的曲率(curvature)，也就是针对曲线上某个点的切线方向角对弧长的转动率，通过微分来定义，表明曲线偏离直线的程度。数学上表明曲线在某一点的弯曲程度的数值。曲率越大，表示曲线的弯曲程度越大。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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，图1为本发明实施例一提供的一种车辆轨迹预测方法的步骤流程图。
本发明提供的一种车辆轨迹预测方法，包括：
步骤101，获取目标车道对应的车辆参考行驶轨迹和目标车辆的当前运动状态信息；
车辆参考行驶轨迹指的是在大数据的环境下，车辆针对某一目标车道行进所形成的平均轨迹。
当前运动状态信息包括但不限于目标车辆的当前速度、当前位置、当前姿态和所处车道等信息。
在本发明实施例中，可以根据每一个需要预测路口所对应的入口车道和出口车道对，获取其在一段时间内的多条车辆行驶轨迹，例如在四车道下高速的路口，根据其获取的多条车辆行驶轨迹，对其分别进行聚类以获取到从各车道变道下高速的车辆参考行驶轨迹，以便于在后续对目标车辆的预测行驶轨迹进行辅助生成；而除了车辆参考行驶轨迹外，还需要针对当前车辆所要预测的目标车辆，获取其当前运动状态信息，例如当前速度和当前位置，以便于后续确定当前车辆变道或转向实现过程所需要的曲率。
步骤102，根据所述当前运动状态信息，确定所述目标车辆以目标曲率行驶所形成的车辆预测行驶轨迹；
其中，所述目标曲率使得所述车辆预测行驶轨迹与所述车辆参考行驶轨迹之间的距离最小。
在获取到目标车辆的当前运动状态信息之后，可以基于当前运动状态信息进一步确定目标车辆以当前运动状态行驶的目标曲率，而在得知目标曲率后，结合当前运动状态信息中的当前位置，也就可以得到目标车辆以目标曲率行驶所形成的车辆预测行驶轨迹。
在具体实现中，基于自动驾驶的安全性的考虑，在目标曲率使得车辆预测行驶轨迹的终止位置与车辆参考行驶轨迹的距离最小的情况下，可以得到当前速度下车辆预测行驶轨迹的一个极限值，可以在此基础上可以度当前车辆规避路径的进一步生成，从而避免安全意外的发生。
在本发明实施例中，通过获取目标车道对应车辆参考行驶轨迹，同时采集目标车辆的当前运动状态信息，根据目标车辆的当前运动状态信息，确定使得目标车辆的车辆预测行驶轨迹与车辆参考行驶轨迹之间距离最小的目标曲率，以确定目标车辆以目标曲率行驶所形成的车辆预测行驶轨迹。从而解决现有的车辆轨迹预测方法所使用的计算资源较多，难以在复杂交通场景下进行实时预测，导致意外风险的发生可能性增加的技术问题，实现在有限的计算资源下，对交通场景中的目标车辆进行实时轨迹预测，进而降低意外风险的发生可能性，提高自动驾驶安全性。
请参阅图2，图2为本发明实施例二提供的一种车辆轨迹预测方法的步骤流程图，本实施例对车辆轨迹预测过程中的获取目标车道对应的车辆参考行驶轨迹部分进行细化说明。
本发明实施例提供的一种车辆轨迹预测方法，包括：
步骤201，获取目标车道对应的多条车辆历史行驶轨迹；
车辆历史行驶轨迹指的是在针对目标车道的历史行驶过程中，车辆变道或转向行驶到目标车道的过程所形成的轨迹。
在具体实现中，由于驾驶习惯与驾驶速度的不同，针对目标车道进行变道或转向的轨迹通常会有多条，可以获取针对目标车道的多条车辆历史行驶轨迹，以其作为聚类基础，以便于确定更为精准的车辆参考行驶轨迹。
可选地，为方便历史行驶轨迹的获取，可以设置历史轨迹数据库，将针对目标车道的行驶轨迹存储到历史轨迹数据库中，以得到多条车辆历史行驶轨迹。
步骤202，依据多条所述车辆历史行驶轨迹，确定所述目标车道对应的车辆参考行驶轨迹；
在本实施例中，车辆行驶所针对的目标车道相同的情况下，行驶轨迹具有相同的趋势，通过对其行驶轨迹进行进一步处理，可以获得在大数据下针对目标车道的车辆参考行驶轨迹。
在本发明实施例中，步骤202可以包括以下子步骤S1-S3：
S1、分别将每条所述车辆历史行驶轨迹划分为预设数量的子轨迹，并为所述子轨迹进行排序；
在本发明实施例中，可以将每条车辆历史行驶轨迹划分为预设数量的子轨迹，例如可以划分为100段子轨迹，具体数目由技术人员根据实际情况进行设定，并为划分得到的多段子轨迹进行排序，以得到每段子轨迹的序号。
S2、根据多条所述车辆历史行驶轨迹中序号相同的所述子轨迹的中点，计算每个序号的所述子轨迹的平均中点；
在获取到每条车辆历史行驶轨迹的多段子轨迹后，可以进一步获取每条车辆历史行驶轨迹划分得到的子轨迹的中点并进行排序，将序号相同的子轨迹的中点，进一步计算每段序号的子轨迹对应的平均中点。
例如，获取到10条车辆历史行驶轨迹，分别将每条车辆历史行驶轨迹划分为序号为1-100的子轨迹，得到10组序号为1-100的子轨迹，采用10组子轨迹中序号同样为3的子轨迹的中点的坐标求平均值，可以得到序号为3的子轨迹所对应的平均中点，对于其他序号的子轨迹同样如此。
在具体实现中，为提高计算效率，可以获取车辆历史行驶轨迹中具有相同序号的子轨迹对应的中点坐标，分别以全部中点坐标的平均横坐标作为平均中点的横坐标，以全部中点坐标的平均竖坐标作为平均中点的竖坐标，从而确定平均中点的坐标，以此确定该序号子轨迹的平均中点。
S3、对全部所述平均中点进行连接，得到所述目标车道对应的车辆参考行驶轨迹。
在获取到每段序号子轨迹对应的平均中点后，可以连接全部平均中点，从而得到目标车道对应的车辆参考行驶轨迹。
可选地，还可以采用三次隐士样条插值法(Cubic Hermit Spline)对全部平均中点进行平滑连接，以提高车辆参考行驶轨迹的拟合度。
三次隐士样条插值法指的是应用在python软件中，通过在数学上结合边界条件求解三弯矩方程组得到曲线函数组的过程，以绘制由一系列值点所构成的光滑曲线。
进一步地，可以通过最近距离(NearestDistance)函数计算车辆参考行驶轨迹的采样点Ti与目标车道之间的最短距离，i为整数且i≥0，所述采样点可以固定距离设置，例如5米。
步骤203，获取目标车辆的当前运动状态信息。
在本发明实施例中，除了确定车辆参考行驶轨迹外，还需要进一步获取到目标车辆的当前运动状态信息。
其中，目标车辆指的是对处于当前车辆一定范围内的车辆，当前运动状态信息包括但不限于目标车辆的当前位置和当前速度，目标车辆的当前速度和当前位置可以通过设置在当前车辆的相关传感器进行获取。
步骤204，根据所述当前运动状态信息，确定所述目标车辆以目标曲率行驶所形成的车辆预测行驶轨迹；
其中，所述目标曲率使得所述车辆预测行驶轨迹与所述车辆参考行驶轨迹之间的距离最小。
在获取到当前运动状态信息后，也就得到了目标车辆的当前速度，当前速度决定着目标车辆所能转动的最大曲率与最小曲率，此时可以根据目标车辆的当前速度选择与车辆参考行驶轨迹之间的距离最小的曲率作为目标曲率，将目标车辆以该目标曲率行驶所形成的行驶轨迹作为车辆预测行驶轨迹。
进一步地，在得到车辆预测行驶轨迹后，还可以根据所述车辆预测行驶轨迹和当前车辆的运动状态信息，调整所述当前车辆的待移动路径。
当得到目标车辆的车辆预测行驶轨迹后，也就得到了当前车辆的规避或其他移动动作的数据基础，此时可以基于车辆预测行驶轨迹和当前车辆的运动状态信息，进一步对当前车辆的待移动路径进行规划。
在具体实现的自动驾驶场景中，可以按照与目标车辆的车辆预测行驶轨迹相似的预测方式，结合当前车辆的路线规划和行驶速度等运动状态信息对当前车辆的实际行驶轨迹进行进一步预测，判断当前车辆若是按照当前路线规划行进时，与目标车辆是否存在碰撞危险，若是则调整当前车辆的路线规划，以防止车辆碰撞的发生。
进一步地，还可以对目标车辆的运动状态信息进行实时监听，以实时预测车辆预测行驶轨迹，从而在目标车辆运动状态突然改变时，当前车辆可以在第一时间对其轨迹的改变作出反应。
在本发明实施例中，通过获取目标车道对应的多条车辆历史行驶轨迹，依据对多条车辆历史行驶轨迹分别基于其划分的子轨迹进行进一步的聚类处理，以获取到目标车道对应的车辆参考行驶轨迹，同时采集目标车辆的当前运动状态信息，根据目标车辆的当前运动状态信息，确定使得目标车辆的车辆预测行驶轨迹与车辆参考行驶轨迹之间距离最小的目标曲率，以结合目标车辆的当前速度确定以目标曲率行驶所形成的车辆预测行驶轨迹，根据车辆预测行驶轨迹和当前车辆的运动状态信息，规划当前车辆的待移动路径。从而解决现有的车辆轨迹预测方法所使用的计算资源较多，难以在复杂交通场景下进行实时预测，导致意外风险的发生可能性增加的技术问题，实现在有限的计算资源下，对交通场景中的目标车辆进行实时轨迹预测，以便于对当前车辆的待移动路径进行规划，进而降低意外风险的发生可能性，提高自动驾驶安全性。
请参阅图3，图3为本发明实施例三提供的一种车辆轨迹预测方法的步骤流程图，本实施例对车辆轨迹预测过程中的确定目标车辆的目标曲率从而生成车辆预测行驶过程部分进行细化说明。
步骤301，获取目标车道对应的车辆参考行驶轨迹和目标车辆的当前运动状态信息；
在本实施例中，步骤301的具体实施方式与上述步骤101类似，在此不再赘述。
在本发明实施例中，所述当前运动状态信息包括当前速度，所述目标曲率包括多个目标子曲率，上述步骤102可以替换为以下步骤302-304：
步骤302，获取所述当前速度所对应的曲率最大值和曲率最小值；
在获取到目标车辆的当前速度后，由于当前速度的限制，目标车辆能够进入到目标车道所限制的曲率最大值和曲率最小值也就确定，此时可以直接获取到当前速度的曲率最大值和曲率最小值，以为后续确定目标子曲率提供数据基础。
可选地，在实际运行的过程中，为进一步提高曲率最大值和曲率最小值的精度，可以通过获取大量车辆实际行驶的速度调整当前速度下的曲率最大值和曲率最小值，还可以此为基础建立车辆行驶数据库，以保存在不同的车辆行驶速度下的曲率最大值和曲率最小值。
步骤303，根据所述曲率最大值和所述曲率最小值，确定所述目标车辆在预设步长的预测轨迹所对应的目标子曲率；
所述目标子曲率使得所述预测轨迹的终止位置与所述车辆参考行驶轨迹的距离最小；
在具体实现中，可以根据曲率最大值和曲率最小值，从曲率最小值与曲率最大值所构成的曲率范围中，选择曲率并结合所生成的预测轨迹的终止位置进行分析，以确定目标车辆在每个预设步长的预测轨迹对应的目标子曲率。
值得一提的是，目标车辆的当前运动信息还包括目标车辆的当前位置，目标车辆在每个预设步长的预测轨迹指的是在每个预设步长的时间内，目标车辆以目标子曲率从当前位置移动到终止位置所形成的轨迹。
例如，预测轨迹可以表示为以下函数的形式：
Pt+n＝Arc(Pt，c，V*n)
其中，Arc()为圆弧函数，Pt为预测轨迹的当前位置，Pt+n为预测轨迹的终止位置，c为目标子曲率，n为预设步长，V为目标车辆的当前速度。
可选地，所述终止位置包括中值终止位置和待比较终止位置，步骤303可以包括以下子步骤S21-S24：
S21、计算所述曲率最大值和所述曲率最小值对应的曲率中值；
S22、根据所述曲率最大值、所述曲率最小值、所述曲率中值和所述当前速度，确定所述中值终止位置与所述车辆参考行驶轨迹的中值最小距离和所述待比较终止位置与所述车辆参考行驶轨迹的待比较最小距离；
在本发明的一个示例中，通过计算曲率最大值和曲率最小值的中值，作为曲率中值，根据曲率最大值、曲率最小值和曲率中值，进一步选择更为贴近目标子曲率的曲率；再根据当前速度，结合所选择到的曲率，确定在预设步长内预测轨迹的中值终止位置与所述车辆参考行驶轨迹的中值最小距离，以及待比较终止位置与所述车辆参考行驶轨迹的待比较最小距离。
进一步地，所述待比较终止位置包括第一终止位置和第二终止位置，所述待比较最小距离包括第一最小距离和第二最小距离，步骤S22可以包括以下子步骤S221-S223：
S221、根据所述曲率中值和所述当前速度，确定所述中值终止位置与所述车辆参考行驶轨迹的中值最小距离；
在本发明实施例中，可以基于曲率中值、目标车辆的当前速度，采用上述的圆弧参数，确定目标车辆在该预设步长内的圆弧，以圆弧的终止位置作为中值终止位置，再进一步测量中值终止位置与车辆参考行驶轨迹的最小距离，以得到中值最小距离。
在具体实现中，可以对中值终止位置进行坐标化，从中值终止位置的坐标与车辆参考行驶轨迹做垂直线，测量垂直线的距离即可确定中值最小距离。
S222、根据所述曲率中值、所述曲率最小值和所述当前速度，确定所述第一终止位置与所述车辆参考行驶轨迹的第一最小距离；
在本发明的一个示例中，步骤S222可以包括以下子步骤S2221-S2222：
S2221、根据所述曲率中值和所述曲率最小值，计算所述目标车辆的车辆预测行驶轨迹所对应的第一曲率值；
在本发明实施例中，在获取到曲率中值后，可以对其与曲率最小值所构成的范围进行进一步的缩小，此时计算曲率最小值和曲率中值的平均值，作为目标车辆的车辆预测行驶轨迹所对应的第一曲率值。
S2222、根据所述第一曲率值和所述当前速度，确定所述第一终止位置与所述车辆参考行驶轨迹的第一最小距离。
在得到第一曲率值后，可以结合第一曲率值和当前速度，从目标车辆的当前位置开始按照圆弧函数生成圆弧，以得到在预设步长内终止的圆弧的第一终止位置，最后通过测量第一终止位置与车辆参考行驶轨迹的最小距离，作为第一最小距离。
S223、根据所述曲率中值、所述曲率最大值和所述当前速度，确定所述第二终止位置与所述车辆参考行驶轨迹的第二最小距离。
在本发明的另一个示例中，步骤S223可以包括以下子步骤S2231-S2232：
S2231、根据所述曲率中值和所述曲率最大值，计算所述目标车辆的车辆预测行驶轨迹所对应的第二曲率值；
同理，在获取到曲率中值后，很可以基于曲率中值和曲率最大值所构成的范围，进一步计算范围平均值，以其作为目标车辆的车辆预测行驶轨迹所对应的第二曲率值。
S2232、根据所述第二曲率值和所述当前速度，确定所述第二终止位置与所述车辆参考行驶轨迹的第二最小距离。
在得到第二曲率值后，可以结合第二曲率值和当前速度，从目标车辆的当前位置开始按照圆弧函数生成圆弧，以得到在预设步长内终止的圆弧的第二终止位置，最后通过测量第二终止位置与车辆参考行驶轨迹的最小距离，作为第二最小距离。
S23、根据所述中值最小距离和所述待比较最小距离的比较结果，更新所述曲率最大值和所述曲率最小值，返回所述计算所述曲率最大值和所述曲率最小值对应的曲率中值的步骤；
在本发明实施例中，为进一步提高预测精度，可以通过比较中值最小距离和待比较最小距离，基于其比较结果，对曲率最大值和曲率最小值进行更新，在重复执行上述S21-S23的步骤，直至曲率最大值与曲率最小值所构成的范围达到预设阈值。
在本发明的可选实施例中，子步骤S23可以包括以下子步骤S231-S233：
S231、比较所述中值最小距离和所述待比较最小距离；
S232、若所述待比较最小距离小于所述中值最小距离，则将当前时刻的所述曲率最大值或所述曲率最小值更新为所述曲率中值；
在获取到中值最小距离和待比较最小距离后，可以通过比较中值最小距离和待比较最小距离，若是待比较最小距离小于中值最小距离，则说明可以进一步将范围缩小，此时可以将当前时刻的曲率最大值或曲率最小值更新为曲率中值，以待后续的进一步比较。
可选地，步骤S232可以包括以下子步骤S2321-S2322：
S2321、当所述第一最小距离小于所述中值最小距离时，将当前时刻的所述曲率最大值更新为所述曲率中值；
在本发明的一个示例中，待比较最小距离可以为第一最小距离，若是第一最小距离小于中值最小距离，说明此时更优的曲率值位于曲率最小值到曲率中值所构成的范围内，此时可以保持当前的曲率最小值，将当前时刻的曲率最大值更新为曲率中值，从而缩小曲率的搜索范围。
S2322、当所述第一最小距离大于或等于所述中值最小距离且所述第二最小距离小于所述中值最小距离时，将当前时刻的所述曲率最小值更新为所述曲率中值。
在本发明的另一个示例中，若是第一最小距离大于或等于中值最小距离的情况，可以进一步比较第二最小距离是否小于中值最小距离。
若是第二最小距离小于中值最小距离，此时说明更优的曲率值位于曲率中值到曲率最大值的区间，此时可以将当前时刻的曲率最小值更新为曲率中值，保持当前的曲率最大值，以待要进一步的曲率搜索范围缩减。
S233、若所述待比较最小距离大于或等于所述中值最小距离，则将当前时刻的所述曲率最小值更新为所述第一曲率值，将所述曲率最大值更新为所述第二曲率值。
在本实施例中，若是待比较最小距离大于或等于中值最小距离，说明此时更优的曲率为与曲率中值的附近，此时可以将当前时刻的曲率最小值更新为第一曲率值，将曲率最大值更新为第二曲率值，将曲率搜索范围缩减到中值最小距离的附近。
S24、当所述曲率最大值和所述曲率最小值之差小于预定阈值时，将当前时刻的曲率中值确定为所述目标车辆在预设步长的预测轨迹所对应的目标子曲率。
在对曲率搜索范围进行缩减后，可以对曲率最大值与曲率最小值的差进行计算，若是小于预定阈值，则说明此时的曲率精度已经满足当前车辆轨迹预测的要求，可以将当前时刻的曲率中值确定为目标车辆在预设步长的预测轨迹所对应的目标子曲率。
将以该目标子曲率和当前速度，从当前位置行驶经过预设步长所形成轨迹作为当前预设步长内的预测轨迹。
步骤304，当所述终止位置与所述车辆参考行驶轨迹重合时，采用全部所述预测轨迹，形成车辆预测行驶轨迹。
其中，所述目标曲率使得所述车辆预测行驶轨迹与所述车辆参考行驶轨迹之间的距离最小。
在本发明实施例中，若是所述终止位置与所述车辆参考行驶轨迹重合，则说明在该时刻目标车辆已经位于目标车道上，此时可以采用全部的预测轨迹，并按照时间顺序形成车辆预测行驶轨迹。
进一步地，在得到车辆预测行驶轨迹后，还可以根据所述车辆预测行驶轨迹和当前车辆的运动状态信息，调整所述当前车辆的待移动路径。
在本发明实施例中，通过获取目标车道对应的多条车辆历史行驶轨迹，依据对多条车辆历史行驶轨迹分别基于其划分的子轨迹进行进一步的聚类处理，以获取到目标车道对应的车辆参考行驶轨迹，同时根据所采集的目标车辆的当前速度，确定当前速度所对应的曲率最大值、曲率最小值和曲率中值，通过不断的迭代比较所选中的曲率与车辆参考行驶轨迹的最小距离，对所选中的曲率进行更新；当曲率最大值和曲率最小值之差小于预定阈值时，输出当前时刻的曲率作为目标子曲率，以目标子曲率对应的轨迹作为预测轨迹；当预测轨迹的终止位置与车辆参考行驶轨迹重合时，组合所有的预测轨迹作为目标车辆当前时刻的车辆预测行驶轨迹；最后根据车辆预测行驶轨迹和当前车辆的运动状态信息，规划当前车辆的待移动路径。从而解决现有的车辆轨迹预测方法所使用的计算资源较多，难以在复杂交通场景下进行实时预测，导致意外风险的发生可能性增加的技术问题，实现在有限的计算资源下，对交通场景中的目标车辆进行实时轨迹预测，以便于对当前车辆的待移动路径进行规划，进而降低意外风险的发生可能性，提高自动驾驶安全性。
请参阅图4，图4示出了本发明实施例四中的一种车辆轨迹预测装置的结构框图。
本发明第二方面还提供了一种车辆轨迹预测装置，包括：
数据获取模块401，用于获取目标车道对应的车辆参考行驶轨迹和目标车辆的当前运动状态信息；
轨迹预测模块402，用于根据所述当前运动状态信息，确定所述目标车辆以目标曲率行驶所形成的车辆预测行驶轨迹；
其中，所述目标曲率使得所述车辆预测行驶轨迹与所述车辆参考行驶轨迹之间的距离最小。
可选地，所述数据获取模块401包括：
历史轨迹获取子模块，用于获取目标车道对应的多条车辆历史行驶轨迹；
参考轨迹确定子模块，用于依据多条所述车辆历史行驶轨迹，确定所述目标车道对应的车辆参考行驶轨迹；
运动状态信息获取子模块，用于获取目标车辆的当前运动状态信息。
可选地，所述参考轨迹确定子模块包括：
子轨迹划分单元，用于分别将每条所述车辆历史行驶轨迹划分为预设数量的子轨迹，并为所述子轨迹进行排序；
平均中点计算单元，用于根据多条所述车辆历史行驶轨迹中序号相同的所述子轨迹的中点，计算每个序号的所述子轨迹的平均中点；
车辆参考行驶轨迹生成单元，用于对全部所述平均中点进行连接，得到所述目标车道对应的车辆参考行驶轨迹。
可选地，所述当前运动状态信息包括当前速度，所述目标曲率包括多个目标子曲率，所述轨迹预测模块402包括：
曲率获取子模块，用于获取所述当前速度所对应的曲率最大值和曲率最小值；
目标子曲率确定子模块，用于根据所述曲率最大值和所述曲率最小值，确定所述目标车辆在预设步长的预测轨迹所对应的目标子曲率；所述目标子曲率使得所述预测轨迹的终止位置与所述车辆参考行驶轨迹的距离最小；
车辆预测行驶轨迹生成子模块，用于当所述终止位置与所述车辆参考行驶轨迹重合时，采用全部所述预测轨迹，形成车辆预测行驶轨迹。
可选地，所述终止位置包括中值终止位置和待比较终止位置，所述目标子曲率确定子模块包括：
曲率中值计算单元，用于计算所述曲率最大值和所述曲率最小值对应的曲率中值；
最小距离确定单元，用于根据所述曲率最大值、所述曲率最小值、所述曲率中值和所述当前速度，确定所述中值终止位置与所述车辆参考行驶轨迹的中值最小距离和所述待比较终止位置与所述车辆参考行驶轨迹的待比较最小距离；
曲率更新单元，用于根据所述中值最小距离和所述待比较最小距离的比较结果，更新所述曲率最大值和所述曲率最小值，返回所述计算所述曲率最大值和所述曲率最小值对应的曲率中值的步骤；
目标子曲率确定单元，用于当所述曲率最大值和所述曲率最小值之差小于预定阈值时，将当前时刻的曲率中值确定为所述目标车辆在预设步长的预测轨迹所对应的目标子曲率。
可选地，所述待比较终止位置包括第一终止位置和第二终止位置，所述待比较最小距离包括第一最小距离和第二最小距离，所述最小距离确定单元包括：
中值最小距离确定子单元，用于根据所述曲率中值和所述当前速度，确定所述中值终止位置与所述车辆参考行驶轨迹的中值最小距离；
第一距离确定子单元，用于根据所述曲率中值、所述曲率最小值和所述当前速度，确定所述第一终止位置与所述车辆参考行驶轨迹的第一最小距离；
第二距离确定子单元，用于根据所述曲率中值、所述曲率最大值和所述当前速度，确定所述第二终止位置与所述车辆参考行驶轨迹的第二最小距离。
可选地，所述第一距离确定子单元包括：
第一曲率值确定子单元，用于根据所述曲率中值和所述曲率最小值，计算所述目标车辆的车辆预测行驶轨迹所对应的第一曲率值；
第一最小距离确定子单元，用于根据所述第一曲率值和所述当前速度，确定所述第一终止位置与所述车辆参考行驶轨迹的第一最小距离。
可选地，所述第二距离确定子单元包括：
第二曲率值确定子单元，用于根据所述曲率中值和所述曲率最大值，计算所述目标车辆的车辆预测行驶轨迹所对应的第二曲率值；
第二最小距离确定子单元，用于根据所述第二曲率值和所述当前速度，确定所述第二终止位置与所述车辆参考行驶轨迹的第二最小距离。
可选地，所述曲率更新单元包括：
距离比较子单元，用于比较所述中值最小距离和所述待比较最小距离；
第一曲率极值更新子单元，用于若所述待比较最小距离小于所述中值最小距离，则将当前时刻的所述曲率最大值或所述曲率最小值更新为所述曲率中值；
第二曲率极值更新子单元，用于若所述待比较最小距离大于或等于所述中值最小距离，则将当前时刻的所述曲率最小值更新为所述第一曲率值，将所述曲率最大值更新为所述第二曲率值。
可选地，所述第一曲率极值更新子单元包括：
曲率最大值更新子单元，用于当所述第一最小距离小于所述中值最小距离时，将当前时刻的所述曲率最大值更新为所述曲率中值；
曲率最小值更新子单元，用于当所述第一最小距离大于或等于所述中值最小距离且所述第二最小距离小于所述中值最小距离时，将当前时刻的所述曲率最小值更新为所述曲率中值。
可选地，装置还包括：
待移动路径规划模块，用于根据所述车辆预测行驶轨迹和当前车辆的运动状态信息，调整所述当前车辆的待移动路径。
请参阅图5，图5示出了本发明实施例五的一种计算机设备的结构框图。
本发明实施例的一种计算机设备，所述计算机设备包括：一个或多个处理器501；存储器502，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器501执行，使得所述一个或多个处理器实现如上述任一实施例所述的障碍物位置检测方法。
存储器502可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器502具有用于执行上述方法中的任何方法步骤的程序代码513的存储空间503。例如，用于程序代码的存储空间503可以包括分别用于实现上面的方法中的各种步骤的各个程序代码513。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。程序代码可以例如以适当形式进行压缩。这些代码当由计算处理设备运行时，导致该计算处理设备执行上面所描述的方法中的各个步骤。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被所述处理器执行时实现如上述任一实施例所述的车辆轨迹预测方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明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，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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。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，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种车辆轨迹预测方法，其特征在于，包括：
获取目标车道对应的车辆参考行驶轨迹和目标车辆的当前运动状态信息；
根据所述当前运动状态信息，确定所述目标车辆以目标曲率行驶所形成的车辆预测行驶轨迹；
其中，所述目标曲率使得所述车辆预测行驶轨迹与所述车辆参考行驶轨迹之间的距离最小；
所述当前运动状态信息包括当前速度，所述目标曲率包括多个目标子曲率，所述根据所述当前运动状态信息，确定所述目标车辆以目标曲率行驶所形成的车辆预测行驶轨迹的步骤，包括：
获取所述当前速度所对应的曲率最大值和曲率最小值；
根据所述曲率最大值和所述曲率最小值，确定所述目标车辆在预设步长的预测轨迹所对应的目标子曲率；所述目标子曲率使得所述预测轨迹的终止位置与所述车辆参考行驶轨迹的距离最小；
当所述终止位置与所述车辆参考行驶轨迹重合时，采用全部所述预测轨迹，形成车辆预测行驶轨迹。
2.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述获取目标车道对应的车辆参考行驶轨迹和目标车辆的当前运动状态信息的步骤，包括：
获取目标车道对应的多条车辆历史行驶轨迹；
依据多条所述车辆历史行驶轨迹，确定所述目标车道对应的车辆参考行驶轨迹；
获取目标车辆的当前运动状态信息。
3.根据权利要求2所述的车辆轨迹预测方法，其特征在于，所述依据多条所述车辆历史行驶轨迹，确定所述目标车道对应的车辆参考行驶轨迹的步骤，包括：
分别将每条所述车辆历史行驶轨迹划分为预设数量的子轨迹，并为所述子轨迹进行排序；
根据多条所述车辆历史行驶轨迹中序号相同的所述子轨迹的中点，计算每个序号的所述子轨迹的平均中点；
对全部所述平均中点进行连接，得到所述目标车道对应的车辆参考行驶轨迹。
4.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述终止位置包括中值终止位置和待比较终止位置，所述根据所述曲率最大值和所述曲率最小值，确定所述目标车辆在预设步长的预测轨迹所对应的目标子曲率的步骤，包括：
计算所述曲率最大值和所述曲率最小值对应的曲率中值；
根据所述曲率最大值、所述曲率最小值、所述曲率中值和所述当前速度，确定所述中值终止位置与所述车辆参考行驶轨迹的中值最小距离和所述待比较终止位置与所述车辆参考行驶轨迹的待比较最小距离；
根据所述中值最小距离和所述待比较最小距离的比较结果，更新所述曲率最大值和所述曲率最小值，返回所述计算所述曲率最大值和所述曲率最小值对应的曲率中值的步骤；
当所述曲率最大值和所述曲率最小值之差小于预定阈值时，将当前时刻的曲率中值确定为所述目标车辆在预设步长的预测轨迹所对应的目标子曲率。
5.根据权利要求4所述的车辆轨迹预测方法，其特征在于，所述待比较终止位置包括第一终止位置和第二终止位置，所述待比较最小距离包括第一最小距离和第二最小距离，所述根据所述曲率最大值、所述曲率最小值、所述曲率中值和所述当前速度，确定所述中值终止位置与所述车辆参考行驶轨迹的中值最小距离和所述待比较终止位置与所述车辆参考行驶轨迹的待比较最小距离的步骤，包括：
根据所述曲率中值和所述当前速度，确定所述中值终止位置与所述车辆参考行驶轨迹的中值最小距离；
根据所述曲率中值、所述曲率最小值和所述当前速度，确定所述第一终止位置与所述车辆参考行驶轨迹的第一最小距离；
根据所述曲率中值、所述曲率最大值和所述当前速度，确定所述第二终止位置与所述车辆参考行驶轨迹的第二最小距离。
6.根据权利要求5所述的车辆轨迹预测方法，其特征在于，所述根据所述曲率中值、所述曲率最小值和所述当前速度，确定所述第一终止位置与所述车辆参考行驶轨迹的第一最小距离的步骤，包括：
根据所述曲率中值和所述曲率最小值，计算所述目标车辆的车辆预测行驶轨迹所对应的第一曲率值；
根据所述第一曲率值和所述当前速度，确定所述第一终止位置与所述车辆参考行驶轨迹的第一最小距离。
7.根据权利要求6所述的车辆轨迹预测方法，其特征在于，所述根据所述曲率中值、所述曲率最大值和所述当前速度，确定所述第二终止位置与所述车辆参考行驶轨迹的第二最小距离的步骤，包括：
根据所述曲率中值和所述曲率最大值，计算所述目标车辆的车辆预测行驶轨迹所对应的第二曲率值；
根据所述第二曲率值和所述当前速度，确定所述第二终止位置与所述车辆参考行驶轨迹的第二最小距离。
8.根据权利要求7所述的车辆轨迹预测方法，其特征在于，所述根据所述中值最小距离和所述待比较最小距离的比较结果，更新所述曲率最大值和所述曲率最小值的步骤，包括：
比较所述中值最小距离和所述待比较最小距离；
若所述待比较最小距离小于所述中值最小距离，则将当前时刻的所述曲率最大值或所述曲率最小值更新为所述曲率中值；
若所述待比较最小距离大于或等于所述中值最小距离，则将当前时刻的所述曲率最小值更新为所述第一曲率值，将所述曲率最大值更新为所述第二曲率值。
9.根据权利要求8所述的车辆轨迹预测方法，其特征在于，所述若所述待比较最小距离小于所述中值最小距离，则将当前时刻的所述曲率最大值或所述曲率最小值更新为所述曲率中值的步骤，包括：
当所述第一最小距离小于所述中值最小距离时，将当前时刻的所述曲率最大值更新为所述曲率中值；
当所述第一最小距离大于或等于所述中值最小距离且所述第二最小距离小于所述中值最小距离时，将当前时刻的所述曲率最小值更新为所述曲率中值。
10.一种车辆轨迹预测装置，其特征在于，包括：
数据获取模块，用于获取目标车道对应的车辆参考行驶轨迹和目标车辆的当前运动状态信息；
轨迹预测模块，用于根据所述当前运动状态信息，确定所述目标车辆以目标曲率行驶所形成的车辆预测行驶轨迹；
其中，所述目标曲率使得所述车辆预测行驶轨迹与所述车辆参考行驶轨迹之间的距离最小；
所述当前运动状态信息包括当前速度，所述目标曲率包括多个目标子曲率，所述轨迹预测模块包括：
曲率获取子模块，用于获取所述当前速度所对应的曲率最大值和曲率最小值；
目标子曲率确定子模块，用于根据所述曲率最大值和所述曲率最小值，确定所述目标车辆在预设步长的预测轨迹所对应的目标子曲率；所述目标子曲率使得所述预测轨迹的终止位置与所述车辆参考行驶轨迹的距离最小；
车辆预测行驶轨迹生成子模块，用于当所述终止位置与所述车辆参考行驶轨迹重合时，采用全部所述预测轨迹，形成车辆预测行驶轨迹。
11.一种计算机设备，其特征在于，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-9任一项所述的车辆轨迹预测方法的步骤。
12.一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1-9任一项所述的车辆轨迹预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011640612.9A CN112644518B (zh) | 2020-12-31 | 2020-12-31 | 一种车辆轨迹预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011640612.9A CN112644518B (zh) | 2020-12-31 | 2020-12-31 | 一种车辆轨迹预测方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112644518A CN112644518A (zh) | 2021-04-13 |
| CN112644518B true CN112644518B (zh) | 2021-11-05 |
Family
ID=75367919
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011640612.9A Active CN112644518B (zh) | 2020-12-31 | 2020-12-31 | 一种车辆轨迹预测方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112644518B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113460084A (zh) * | 2021-06-11 | 2021-10-01 | 北京汽车研究总院有限公司 | 用于确定车辆驾驶意图的方法、装置、车辆及存储介质 |
| CN113320543B (zh) * | 2021-06-29 | 2024-03-22 | 东软睿驰汽车技术（沈阳）有限公司 | 行车方法、装置、车辆及存储介质 |
| CN113411752B (zh) * | 2021-08-19 | 2021-11-16 | 智己汽车科技有限公司 | 一种车辆循迹过路口的方法及设备 |
| CN114860111B (zh) * | 2022-05-23 | 2024-06-18 | Oppo广东移动通信有限公司 | 触控轨迹的更新方法、装置、电子设备及存储介质 |
| CN117516584B (zh) * | 2024-01-05 | 2024-04-05 | 每日互动股份有限公司 | 一种预测行驶路径信息的获取方法、装置、介质及设备 |
| CN118560505A (zh) * | 2024-07-31 | 2024-08-30 | 清华大学苏州汽车研究院（相城） | 车辆轨迹的预测方法、装置、存储介质和电子终端 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109878515A (zh) * | 2019-03-12 | 2019-06-14 | 百度在线网络技术（北京）有限公司 | 预测车辆轨迹的方法、装置、存储介质和终端设备 |
| CN110789528A (zh) * | 2019-08-29 | 2020-02-14 | 腾讯科技（深圳）有限公司 | 一种车辆行驶轨迹预测方法、装置、设备及存储介质 |
| CN111231965A (zh) * | 2020-01-14 | 2020-06-05 | 北京小马智行科技有限公司 | 车辆控制模式的调整方法及装置、无人驾驶车辆 |
| CN111260950A (zh) * | 2020-01-17 | 2020-06-09 | 清华大学 | 一种基于轨迹预测的轨迹跟踪方法、介质和车载设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6772944B2 (ja) * | 2017-04-19 | 2020-10-21 | トヨタ自動車株式会社 | 自動運転システム |
-
2020
- 2020-12-31 CN CN202011640612.9A patent/CN112644518B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109878515A (zh) * | 2019-03-12 | 2019-06-14 | 百度在线网络技术（北京）有限公司 | 预测车辆轨迹的方法、装置、存储介质和终端设备 |
| CN110789528A (zh) * | 2019-08-29 | 2020-02-14 | 腾讯科技（深圳）有限公司 | 一种车辆行驶轨迹预测方法、装置、设备及存储介质 |
| CN111231965A (zh) * | 2020-01-14 | 2020-06-05 | 北京小马智行科技有限公司 | 车辆控制模式的调整方法及装置、无人驾驶车辆 |
| CN111260950A (zh) * | 2020-01-17 | 2020-06-09 | 清华大学 | 一种基于轨迹预测的轨迹跟踪方法、介质和车载设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112644518A (zh) | 2021-04-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112644518B (zh) | 一种车辆轨迹预测方法、装置、设备和存储介质 | |
| CN113715814B (zh) | 碰撞检测方法、装置、电子设备、介质及自动驾驶车辆 | |
| US9784592B2 (en) | Turn predictions | |
| CN111583715B (zh) | 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 | |
| CN110654381B (zh) | 用于控制车辆的方法和装置 | |
| CN114212110B (zh) | 障碍物轨迹预测方法、装置、电子设备及存储介质 | |
| CN115195790B (zh) | 一种预测车辆轨迹的方法、装置、电子设备及存储介质 | |
| CN110576847A (zh) | 基于焦点的对传感器数据的标记 | |
| EP3696791B1 (en) | Prediction of intention of path deviance for vehicles | |
| CN111422204A (zh) | 自动驾驶车辆通行判定方法及相关设备 | |
| EP3992732A1 (en) | Method and apparatus for predicting motion trajectory | |
| CN114323054A (zh) | 自动驾驶车辆行驶轨迹的确定方法、装置及电子设备 | |
| CN111707258B (zh) | 一种外部车辆监测方法、装置、设备及存储介质 | |
| CN112833903A (zh) | 一种轨迹预测方法、装置、设备和计算机可读存储介质 | |
| CN115062202A (zh) | 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质 | |
| CN110654380A (zh) | 用于控制车辆的方法和装置 | |
| CN114475656B (zh) | 行驶轨迹预测方法、装置、电子设备以及存储介质 | |
| CN113997954A (zh) | 一种车辆行驶意图预测方法、装置、设备及可读存储介质 | |
| WO2023123172A1 (zh) | 一种驾驶辅助的方法以及相关设备 | |
| EP4336445A2 (en) | Multi-object tracking system and its motion trajectory optimization apparatus and optimization method | |
| CN115123291B (zh) | 一种基于障碍物识别的行为预测方法及装置 | |
| CN116890876A (zh) | 车辆控制方法、装置、电子设备和自动驾驶车辆 | |
| CN116088538A (zh) | 车辆轨迹信息生成方法、装置、设备和计算机可读介质 | |
| CN113483775B (zh) | 路径预测方法及装置、电子设备及计算机可读存储介质 | |
| CN115583254A (zh) | 路径规划方法、装置、设备以及自动驾驶车辆 |
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 |