CN112665590A - 车辆的轨迹确定方法、装置、电子设备及计算机存储介质 - Google Patents

Abstract

本申请提供了一种车辆的轨迹确定方法、装置、电子设备及计算机存储介质。该车辆的轨迹确定方法，包括：基于高精地图和行驶目的地，确定目标规划路径；基于目标规划路径和目标车辆的当前位置，确定目标车辆的车辆行驶模式；获取车辆行驶模式对应的目标历史车流轨迹；基于弯曲度值、距离和方位角，从目标历史车流轨迹中匹配出相关度最高的轨迹作为目标车辆的第一轨迹；依据目标车辆的运动状态信息，利用车辆动力学模型得到目标车辆的第二轨迹；基于融合函数将第一轨迹和第二轨迹进行融合，得到目标车辆的目标轨迹。根据本申请实施例，能够更加准确地确定车辆的轨迹。

Description

车辆的轨迹确定方法、装置、电子设备及计算机存储介质

技术领域

本申请属于智能交通技术领域，尤其涉及一种车辆的轨迹确定方法、装置、电子设备及计算机存储介质。

背景技术

目前，搭载先进传感器的自动驾驶汽车虽然可以解决大部分交通场景，但是由于受外界环境多种因素影响，例如，在惯性、环境、道路规则多种作用下，它的轨迹预测的精度只能在短时间内保持良好，而对于更长的时间，轨迹预测的精度会比较差。

因此，如何更加准确地确定车辆的轨迹是本领域技术人员亟需解决的技术问题。

发明内容

本申请实施例提供一种车辆的轨迹确定方法、装置、电子设备及计算机存储介质，能够更加准确地确定车辆的轨迹。

第一方面，本申请实施例提供一种车辆的轨迹确定方法，包括：

基于高精地图和行驶目的地，确定目标规划路径；

基于目标规划路径和目标车辆的当前位置，确定目标车辆的车辆行驶模式；

获取车辆行驶模式对应的目标历史车流轨迹；

基于弯曲度值、距离和方位角，从目标历史车流轨迹中匹配出相关度最高的轨迹作为目标车辆的第一轨迹；

依据目标车辆的运动状态信息，利用车辆动力学模型得到目标车辆的第二轨迹；

基于融合函数将第一轨迹和第二轨迹进行融合，得到目标车辆的目标轨迹。

可选的，获取车辆行驶模式对应的目标历史车流轨迹，包括：

获取车辆行驶模式对应的初始历史车流轨迹；

对初始历史车流轨迹进行异常轨迹清洗，得到目标历史车流轨迹。

可选的，对初始历史车流轨迹进行异常轨迹清洗，得到目标历史车流轨迹，包括：

对初始历史车流轨迹中的不完整轨迹、团簇轨迹和有噪声轨迹进行过滤，得到目标历史车流轨迹。

可选的，依据目标车辆的运动状态信息，利用车辆动力学模型得到目标车辆的第二轨迹，包括：

获取目标车辆的运动状态信息；其中，运动状态信息包括目标车辆当前的位置、速度、加速度、方向角；

依据运动状态信息，利用匀加速模型得到目标车辆的第二轨迹。

第二方面，本申请实施例提供了一种车辆的轨迹确定装置，包括：

第一确定模块，用于基于高精地图和行驶目的地，确定目标规划路径；

第二确定模块，用于基于目标规划路径和目标车辆的当前位置，确定目标车辆的车辆行驶模式；

第一获取模块，用于获取车辆行驶模式对应的目标历史车流轨迹；

匹配模块，用于基于弯曲度值、距离和方位角，从目标历史车流轨迹中匹配出相关度最高的轨迹作为目标车辆的第一轨迹；

第二获取模块，用于依据目标车辆的运动状态信息，利用车辆动力学模型得到目标车辆的第二轨迹；

融合模块，用于基于融合函数将第一轨迹和第二轨迹进行融合，得到目标车辆的目标轨迹。

可选的，第一获取模块，包括：

第一获取单元，用于获取车辆行驶模式对应的初始历史车流轨迹；

预处理单元，用于对初始历史车流轨迹进行异常轨迹清洗，得到目标历史车流轨迹。

可选的，预处理单元，包括：

预处理子单元，用于对初始历史车流轨迹中的不完整轨迹、团簇轨迹和有噪声轨迹进行过滤，得到目标历史车流轨迹。

可选的，第二获取模块，包括：

第二获取单元，用于获取目标车辆的运动状态信息；其中，运动状态信息包括目标车辆当前的位置、速度、加速度、方向角；

第三获取单元，用于依据运动状态信息，利用匀加速模型得到目标车辆的第二轨迹。

第三方面，本申请实施例提供了一种电子设备，电子设备包括：处理器以及存储有计算机程序指令的存储器；

处理器执行计算机程序指令时实现如第一方面所示的车辆的轨迹确定方法。

第四方面，本申请实施例提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面所示的车辆的轨迹确定方法。

本申请实施例的车辆的轨迹确定方法、装置、电子设备及计算机存储介质，能够更加准确地确定车辆的轨迹。该车辆的轨迹确定方法，基于高精地图和行驶目的地，确定目标规划路径；基于目标规划路径和目标车辆的当前位置，确定目标车辆的车辆行驶模式；获取车辆行驶模式对应的目标历史车流轨迹；基于弯曲度值、距离和方位角，从目标历史车流轨迹中匹配出相关度最高的轨迹作为目标车辆的第一轨迹；依据目标车辆的运动状态信息，利用车辆动力学模型得到目标车辆的第二轨迹；基于融合函数将第一轨迹和第二轨迹进行融合，得到目标车辆的目标轨迹。可见，该方法结合高精地图和目标历史车流轨迹确定第一轨迹，基于车辆动力学模型确定第二轨迹，最后基于融合函数将第一轨迹和第二轨迹进行融合，能够更加准确地确定车辆的目标轨迹。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，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是本申请一个实施例提供的车辆的轨迹确定方法的流程示意图；

图2是本申请另一个实施例提供的车辆的轨迹确定方法的流程示意图；

图3是本申请一个实施例提供的异常轨迹示意图；

图4是本申请一个实施例提供的基于弯曲度预测长轨迹过程示意图；

图5是本申请一个实施例提供的时间-权重分段函数示意图；

图6是本申请一个实施例提供的长短期轨迹融合预测示意图；

图7是本申请一个实施例提供的车辆的轨迹确定装置的结构示意图；

图8是本申请一个实施例提供的电子设备的结构示意图。

具体实施方式

下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

目前，搭载先进传感器的自动驾驶汽车虽然可以解决大部分交通场景，但是由于受外界环境多种因素影响，例如，在惯性、环境、道路规则多种作用下，它的轨迹预测的精度只能在短时间内保持良好，而对于更长的时间，轨迹预测的精度会比较差。

为了解决现有技术问题，本申请实施例提供了一种车辆的轨迹确定方法、装置、电子设备及计算机存储介质。下面首先对本申请实施例所提供的车辆的轨迹确定方法进行介绍。

图1示出了本申请一个实施例提供的车辆的轨迹确定方法的流程示意图。如图1所示，该车辆的轨迹确定方法包括：

S101、基于高精地图和行驶目的地，确定目标规划路径。

S102、基于目标规划路径和目标车辆的当前位置，确定目标车辆的车辆行驶模式。

S103、获取车辆行驶模式对应的目标历史车流轨迹。

在一个实施例中，获取车辆行驶模式对应的目标历史车流轨迹，包括：

获取车辆行驶模式对应的初始历史车流轨迹；

对初始历史车流轨迹进行异常轨迹清洗，得到目标历史车流轨迹。

在一个实施例中，对初始历史车流轨迹进行异常轨迹清洗，得到目标历史车流轨迹，包括：

对初始历史车流轨迹中的不完整轨迹、团簇轨迹和有噪声轨迹进行过滤，得到目标历史车流轨迹。

S104、基于弯曲度值、距离和方位角，从目标历史车流轨迹中匹配出相关度最高的轨迹作为目标车辆的第一轨迹。

S105、依据目标车辆的运动状态信息，利用车辆动力学模型得到目标车辆的第二轨迹。

在一个实施例中，依据目标车辆的运动状态信息，利用车辆动力学模型得到目标车辆的第二轨迹，包括：

获取目标车辆的运动状态信息；其中，运动状态信息包括目标车辆当前的位置、速度、加速度、方向角；

依据运动状态信息，利用匀加速模型得到目标车辆的第二轨迹。

S106、基于融合函数将第一轨迹和第二轨迹进行融合，得到目标车辆的目标轨迹。

该车辆的轨迹确定方法，基于高精地图和行驶目的地，确定目标规划路径；基于目标规划路径和目标车辆的当前位置，确定目标车辆的车辆行驶模式；获取车辆行驶模式对应的目标历史车流轨迹；基于弯曲度值、距离和方位角，从目标历史车流轨迹中匹配出相关度最高的轨迹作为目标车辆的第一轨迹；依据目标车辆的运动状态信息，利用车辆动力学模型得到目标车辆的第二轨迹；基于融合函数将第一轨迹和第二轨迹进行融合，得到目标车辆的目标轨迹。可见，该方法结合高精地图和目标历史车流轨迹确定第一轨迹，基于车辆动力学模型确定第二轨迹，最后基于融合函数将第一轨迹和第二轨迹进行融合，能够更加准确地确定车辆的目标轨迹。

下面以一个具体实施例对上述技术方案进行说明。

该实施例的整体方法流程图如图2所示，一方面，基于目的地规划整体路径；基于车辆当前位置，判断该车在当前路囗的行驶模式；基于该车辆行驶模式，获取该模式下历史车流轨迹；历史车流轨迹预处理；基于弯曲度值，融合距离和方位角最相关轨迹，得到目标车辆的预测长轨迹。另一方面，获取当前车辆状态：位置、速度、加速度、方向角；基于匀加速模型，得到基于运动模型轨迹。最后，利用三次多项式拟合数据，得到u(t)；u(t)函数融合；基于历史车流预测轨迹与基于运动模型预测轨迹，利用u(t)函数融合，得到车辆长短期轨迹。

基于图2，下面分别就高精地图与历史车流信息的车辆长期轨迹预测问题和基于车辆状态信息提升长轨迹预测准确度问题进行说明。首先，对高精地图与历史车流信息的车辆长期轨迹预测问题进行说明。

1.基于高精地图结合路径规划获取路口下的目标车辆行驶模式：

获取目标车辆目的地，利用路径规划算法对车辆行驶路径提前规划，在车辆行驶过程中实时更新当前车辆到达目的地的路径，结合高精地图，将目标车辆进行定位，判断在行驶到该路口时需要进入的车道，得到目标车辆在当前车道可进行的行驶模式，结合路径规划结果，获取目标车辆在路口下行驶模式。车辆行驶模式为当前车辆在当前车道可进行的操作，一般可包含左转Model_l、右转Model_r、直行Model_s、掉头Model_t。

2.对应车辆行驶模式下的历史车流数据获取及清洗：

1)选定交叉路口进行历史车流数据的收集，获取驶入交叉路口时的车辆状态信息，车辆当前状态定义为V_s＝[x_in,y_in,θ_in,v_in,a_in,dl_in]，x_in与y_in为车辆的位置，θ_in为方向角、v_in为车辆速度、a_in为加速度、dl_in为距车道中心线距离。

基于车辆当前行驶模式，我们将当前车辆模式的直行和右转及掉头的历史车流数据过滤，得到车辆未来行驶模式下的历史车流数据HisTra。

2)异常轨迹清洗。本实施例主要针对3种异常轨迹过滤，分别为不完整轨迹，团簇轨迹和有噪声轨迹。如图3所示右转模式为例，①为正常轨迹，②为不完整轨迹，③为有噪声轨迹，④为团簇轨迹。

由于目标检测失败可能会造成轨迹断裂，从未产生不完整轨迹，将利用HisTra包含轨迹的长度进行排序，选择前K个长度平均值avg_K，将ρ·avg_K,ρ∈(0,1]设置为阈值，将长度大于该阈值的轨迹保存，其中ρ值可根据实际情况而定，当历史车辆数据较多时，可将该值调大。

如果有些车在路边停车等待或在红灯亮时等待，那么此类轨迹对车辆行驶模式提供的信息较少，还有可能成为团簇轨迹，分别对某条轨迹的位置数据利用K-Means进行聚类，如果该轨迹存在大于40的聚类簇，则过滤，否则该轨迹保留。

有噪声轨迹可能由于追踪过程身份切换造成，按时序遍历轨迹，如果相邻两轨迹点之间距离过大，表明该轨迹存在噪声，删除此轨迹。

历史车流数据HisTra轨迹集合定义为HT＝{ht₁,…ht_j,…ht_N}，N表示集合中轨迹数量，

k∈[1,N]，其中n_j表示轨迹ht_j包含的轨迹点数量，p_k表示该轨迹其中一位置点信息，p_k＝{x_k,y_k,θ_k,v_k,a_k}，x为横坐标，y纵坐标，θ与x轴夹角(逆时针为正)，v为速度，a为加速度。

3.基于相关度的长轨迹获取：

1)基于车辆未来行驶的大方向上的历史车流数据HT，利用当前车辆方位角θ_k搜索与HT历史车流轨迹中角度最接近的轨迹ht_{angle_near}，图4中

表示目标车辆轨迹，该轨迹的方位角与①轨迹最接近，计算①轨迹弯曲程度，我们利用该轨迹点到baseline最远点距离α与对应α值的轨迹点在baseline的垂足点到起始点的距离β，baseline线为轨迹首尾点得到的线段，其长度表示为L，如图4中

所示。

2)基于当前车辆状态x_k,y_k位置信息，利用欧式距离获取与HT历史车流轨迹中距离最近的轨迹ht_pos。图4中与目标车辆当前位置接近是②轨迹。

基于ht_angle轨迹得到弯曲度值α_angle与β_angle，ht_pos轨迹得到弯曲度值α_pos与β_pos，从而得到预测轨迹弯曲度值，计算公式如下：

3)根据α_fusion和β_fusion调整轨迹ht_pos，得到当前目标车辆的长预测轨迹，如图4，③轨迹为通过融合距离最相关轨迹②和方位角最相关轨迹①得到的目标车辆预测长轨迹ht_long。

以上已经对高精地图与历史车流信息的车辆长期轨迹预测问题进行了说明，下面对基于车辆状态信息提升长轨迹预测准确度问题进行说明。

1.依据车辆状态信息预测车辆未来轨迹ht_short。

依据当前车端状态信息CA_x＝(x,y,θ,v,a)^T，计算车辆未来位置，公式如下：

根据公式，计算未来k步的车辆位置，k为自定义值，得到短期车辆轨迹T_short。

2.长短期轨迹融合过程。

ht_long得到的适合长期轨迹预测，而ht_short适合短期轨迹预测，随着预测轨迹增长，短期轨迹权重减弱，长期轨迹权重增强。u(t)表示两轨迹融合权重函数：

融合公式：

ht_fus＝u(t)·ht_long+(1-u(t))·ht_short

其中，u(t)为分段函数。

t为时间，单位为秒，u(t)函数，取值范围在区间[0,1]，其中

分别表示短轨迹时间阈值和长轨迹时间阈值。其中

之间的函数权重函数使用了sigmoid函数，但是对横轴进行了平移，令t＝shift_value时,u(t)＝0.5，如图5所示。

本实施例基于结合高精度地图和历史车流信息的方式提取出当前车辆的行驶模式，预测在路口下的车辆长期轨迹，通过将适合短期轨迹预测的运动模型结合高精度地图和历史车流信息的方式，实现了交通路口下车辆长短期的轨迹预测。

如图6所示，本实施例选择了车辆的轨迹③在箭头A所指位置进行轨迹预测，轨迹④是基于高精地图与历史车流信息的得到的该车辆车辆长期轨迹，轨迹①是基于车辆状态信息预测出的短期轨迹预测，轨迹②是利用融合函数得到的长短期轨迹。

图7是本申请一个实施例提供的车辆的轨迹确定装置的结构示意图，如图7所示，该车辆的轨迹确定装置，包括：

第一确定模块701，用于基于高精地图和行驶目的地，确定目标规划路径；

第二确定模块702，用于基于目标规划路径和目标车辆的当前位置，确定目标车辆的车辆行驶模式；

第一获取模块703，用于获取车辆行驶模式对应的目标历史车流轨迹；

匹配模块704，用于基于弯曲度值、距离和方位角，从目标历史车流轨迹中匹配出相关度最高的轨迹作为目标车辆的第一轨迹；

第二获取模块705，用于依据目标车辆的运动状态信息，利用车辆动力学模型得到目标车辆的第二轨迹；

融合模块706，用于基于融合函数将第一轨迹和第二轨迹进行融合，得到目标车辆的目标轨迹。

在一个实施例中，第一获取模块703，包括：

第一获取单元，用于获取车辆行驶模式对应的初始历史车流轨迹；

预处理单元，用于对初始历史车流轨迹进行异常轨迹清洗，得到目标历史车流轨迹。

在一个实施例中，预处理单元，包括：

预处理子单元，用于对初始历史车流轨迹中的不完整轨迹、团簇轨迹和有噪声轨迹进行过滤，得到目标历史车流轨迹。

在一个实施例中，第二获取模块705，包括：

第二获取单元，用于获取目标车辆的运动状态信息；其中，运动状态信息包括目标车辆当前的位置、速度、加速度、方向角；

第三获取单元，用于依据运动状态信息，利用匀加速模型得到目标车辆的第二轨迹。

图7所示装置中的各个模块/单元具有实现图1中各个步骤的功能，并能达到其相应的技术效果，为简洁描述，在此不再赘述。

图8示出了本申请实施例提供的电子设备的结构示意图。

电子设备可以包括处理器801以及存储有计算机程序指令的存储器802。

具体地，上述处理器801可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。

存储器802可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器802可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器802可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器802可在电子设备的内部或外部。在特定实施例中，存储器802可以是非易失性固态存储器。

在一个实例中，存储器802可以是只读存储器(Read Only Memory，ROM)。在一个实例中，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。

处理器801通过读取并执行存储器802中存储的计算机程序指令，以实现上述实施例中的任意一种车辆的轨迹确定方法。

在一个示例中，电子设备还可包括通信接口803和总线810。其中，如图8所示，处理器801、存储器802、通信接口803通过总线810连接并完成相互间的通信。

通信接口803，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。

总线810包括硬件、软件或两者，将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线810可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。

另外，本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种车辆的轨迹确定方法。

需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能模块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

上面参考根据本申请的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。

以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块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。应理解，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，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。

Claims (10)

1.一种车辆的轨迹确定方法，其特征在于，包括：

基于高精地图和行驶目的地，确定目标规划路径；

基于所述目标规划路径和目标车辆的当前位置，确定所述目标车辆的车辆行驶模式；

获取所述车辆行驶模式对应的目标历史车流轨迹；

基于弯曲度值、距离和方位角，从所述目标历史车流轨迹中匹配出相关度最高的轨迹作为所述目标车辆的第一轨迹；

依据所述目标车辆的运动状态信息，利用车辆动力学模型得到所述目标车辆的第二轨迹；

基于融合函数将所述第一轨迹和所述第二轨迹进行融合，得到所述目标车辆的目标轨迹。

2.根据权利要求1所述的车辆的轨迹确定方法，其特征在于，所述获取所述车辆行驶模式对应的目标历史车流轨迹，包括：

获取所述车辆行驶模式对应的初始历史车流轨迹；

对所述初始历史车流轨迹进行异常轨迹清洗，得到所述目标历史车流轨迹。

3.根据权利要求2所述的车辆的轨迹确定方法，其特征在于，所述对所述初始历史车流轨迹进行异常轨迹清洗，得到所述目标历史车流轨迹，包括：

对所述初始历史车流轨迹中的不完整轨迹、团簇轨迹和有噪声轨迹进行过滤，得到所述目标历史车流轨迹。

4.根据权利要求1所述的车辆的轨迹确定方法，其特征在于，所述依据所述目标车辆的运动状态信息，利用车辆动力学模型得到所述目标车辆的第二轨迹，包括：

获取所述目标车辆的所述运动状态信息；其中，所述运动状态信息包括所述目标车辆当前的位置、速度、加速度、方向角；

依据所述运动状态信息，利用匀加速模型得到所述目标车辆的所述第二轨迹。

5.一种车辆的轨迹确定装置，其特征在于，包括：

第一确定模块，用于基于高精地图和行驶目的地，确定目标规划路径；

第二确定模块，用于基于所述目标规划路径和目标车辆的当前位置，确定所述目标车辆的车辆行驶模式；

第一获取模块，用于获取所述车辆行驶模式对应的目标历史车流轨迹；

匹配模块，用于基于弯曲度值、距离和方位角，从所述目标历史车流轨迹中匹配出相关度最高的轨迹作为所述目标车辆的第一轨迹；

第二获取模块，用于依据所述目标车辆的运动状态信息，利用车辆动力学模型得到所述目标车辆的第二轨迹；

融合模块，用于基于融合函数将所述第一轨迹和所述第二轨迹进行融合，得到所述目标车辆的目标轨迹。

6.根据权利要求5所述的车辆的轨迹确定装置，其特征在于，所述第一获取模块，包括：

第一获取单元，用于获取所述车辆行驶模式对应的初始历史车流轨迹；

预处理单元，用于对所述初始历史车流轨迹进行异常轨迹清洗，得到所述目标历史车流轨迹。

7.根据权利要求6所述的车辆的轨迹确定装置，其特征在于，所述预处理单元，包括：

预处理子单元，用于对所述初始历史车流轨迹中的不完整轨迹、团簇轨迹和有噪声轨迹进行过滤，得到所述目标历史车流轨迹。

8.根据权利要求5所述的车辆的轨迹确定装置，其特征在于，所述第二获取模块，包括：

第二获取单元，用于获取所述目标车辆的所述运动状态信息；其中，所述运动状态信息包括所述目标车辆当前的位置、速度、加速度、方向角；

第三获取单元，用于依据所述运动状态信息，利用匀加速模型得到所述目标车辆的所述第二轨迹。

9.一种电子设备，其特征在于，所述电子设备包括：处理器以及存储有计算机程序指令的存储器；

所述处理器执行所述计算机程序指令时实现如权利要求1-4任意一项所述的车辆的轨迹确定方法。

10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-4任意一项所述的车辆的轨迹确定方法。

Images