CN112712729B - 预测运动轨迹的方法和系统 - Google Patents

预测运动轨迹的方法和系统 Download PDF

Info

Publication number
CN112712729B
CN112712729B CN202010197477.9A CN202010197477A CN112712729B CN 112712729 B CN112712729 B CN 112712729B CN 202010197477 A CN202010197477 A CN 202010197477A CN 112712729 B CN112712729 B CN 112712729B
Authority
CN
China
Prior art keywords
motion
target
track
trajectory
trail
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
Application number
CN202010197477.9A
Other languages
English (en)
Other versions
CN112712729A (zh
Inventor
申泽庶
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to PCT/CN2020/102512 priority Critical patent/WO2021077818A1/zh
Priority to EP20879883.5A priority patent/EP4027317A4/en
Publication of CN112712729A publication Critical patent/CN112712729A/zh
Application granted granted Critical
Publication of CN112712729B publication Critical patent/CN112712729B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/161—Decentralised systems, e.g. inter-vehicle communication
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/20—Data confidence level
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]

Abstract

本申请公开了一种预测运动轨迹的方法，涉及智能驾驶领域，该方法应用于智能汽车，包括：获取第一目标的N条运动轨迹，该N条运动轨迹由N个设备提供，N为正整数；根据N条运动轨迹的类型，确定第一目标的被应用的运动轨迹，其中，第一目标的被应用的运动轨迹用于智能汽车的行驶决策。通过上述方法获得的第一目标的被应用的运动轨迹准确性更高，进一步地提高了智能汽车行驶的安全性。

Description

预测运动轨迹的方法和系统
技术领域
本申请涉及智能驾驶(intelligent driving)领域，尤其涉及一种预测运动轨迹的方法和系统。
背景技术
智能驾驶在减少交通事故、缓解交通拥堵、提高道路利用率等方面具有巨大潜能，已成为众多企业的竞争热点。智能驾驶是指汽车能够像人一样智能地感知、判断、推理、决策和记忆，并智能地控制或驾驶汽车；具备智能驾驶能力的汽车称为智能汽车。智能汽车能够实施主动预测和控制，并能够进行人机交互与协调。实现智能驾驶的一个重要技术是要对智能汽车周边环境的目标在未来时间的运动轨迹进行预测，进而根据周边目标的运动轨迹对自己的运动轨迹、运行速度等进行决策或调整(例如：根据周边环境的目标的运动轨迹决定何时改变车道、决定行驶速度、决定是否进行避让等)。对周边的其他目标的运动轨迹进行预测的准确性与智能汽车行驶的安全性极为相关。
相关的预测周边环境中的目标的运动轨迹的方法，通常基于智能汽车的传感器系统感知周边环境的目标的信息，并根据目标的信息构建运动模型对目标在未来时间的运动轨迹进行预测。这种方法获得的目标的运动轨迹的预测结果存在准确性较低的问题，无法保证智能汽车行驶的安全性。如何更准确地预测运动轨迹成了智能驾驶领域急需解决的问题。
发明内容
本申请提供了一种预测运动轨迹的方法。该方法通过根据第一目标的N条运动轨迹的类型，确定第一目标的被应用的运动轨迹，使获得的第一目标的被应用的运动轨迹的准确性更高，进一步地提高智能汽车行驶的安全性。
第一方面，本申请提供一种预测运动轨迹的方法，该方法应用于智能汽车，包括：获取第一目标的N条运动轨迹，该N条运动轨迹由N个设备提供，N为正整数；根据N条运动轨迹的类型，确定第一目标的被应用的运动轨迹，其中，第一目标的被应用的运动轨迹用于智能汽车的行驶决策。通过上述方法获得的第一目标的被应用的运动轨迹准确性更高。
在第一方面的一种可能的实现中，该N条运动轨迹来自N个设备提供的N个运动轨迹集，每个运动轨迹集包含每个设备收集的M个目标的运动轨迹，M为正整数。
在第一方面的一种可能的实现中，运动轨迹的类型包括预测轨迹类型和规划轨迹类型，其中，所述预测轨迹类型表示所述运动轨迹为设备根据目标的信息进行预测获得的运动轨迹；所述规划轨迹类型表示所述运动轨迹为所述目标进行轨迹规划获得的运动轨迹。
在第一方面的一种可能的实现中，根据N条运动轨迹的类型，确定第一目标的被应用的运动轨迹，包括：当N条运动轨迹的类型全为预测轨迹类型，且N大于1时，确定每条运动轨迹的可信度；根据所述每条运动轨迹的可信度，对所述N条运动轨迹进行融合，获得所述第一目标的被应用的运动轨迹。
上述方法通过根据每条运动轨迹的可信度对N条运动轨迹进行融合，避免了简单地从算法层面进行多条运动轨迹的融合，使融合后获得的第一目标的被应用的运动轨迹的准确性更高。
在第一方面的一种可能的实现中，根据N条运动轨迹的类型，确定第一目标的被应用的运动轨迹，包括：当所述N条运动轨迹的类型全为预测轨迹类型，且N等于1时，获取运动模型对所述第一目标预测的运动轨迹，其中，所述运动模型根据所述第一目标的历史运动轨迹构建得到；将所述N条运动轨迹和所述运动模型对所述第一目标预测的运动轨迹进行融合，获得所述第一目标的被应用的运动轨迹。通过上述方式可以避免接收到明显跳变或者伪造的运动轨迹，提高获得的第一目标的被应用的运动轨迹的准确性。
在第一方面的一种可能的实现中，根据N条运动轨迹的类型，确定第一目标的被应用的运动轨迹，包括：当所述N条运动轨迹的类型中包括规划轨迹类型时，将所述N条运动轨迹中包括的类型为规划轨迹类型的运动轨迹确定为所述第一目标的被应用的运动轨迹。
上述情况下，由于获得的N条运动轨迹中包括第一目标对自身规划的运动轨迹，因此可以认为该规划的运动轨迹准确性最高，无需与其他预测的运动轨迹再进行融合来提高准确性。通过将规划轨迹类型作为第一目标的被应用的运动轨迹，可以提高智能汽车的安全性。
在第一方面的一种可能的实现中，在根据N条运动轨迹的类型，确定所述第一目标的被应用的运动轨迹之前，该方法还包括：对所述N条运动轨迹进行安全检测，丢弃所述第一目标的不可信的运动轨迹。该方法可以避免因接收到明显错误或伪造的运动轨迹而影响智能汽车的行驶决策。
在第一方面的一种可能的实现中，该方法还包括：获取L个运动轨迹集，L大于或等于N；根据所述智能汽车的行驶信息，确定所述智能汽车的感兴趣区域ROI；根据所述ROI筛出每个运动轨迹集中不在所述ROI内的运动轨迹；根据筛选后的L个运动轨迹集，获得所述第一目标的N条运动轨迹。
在第一方面的一种可能的实现中，每条运动轨迹的可信度为每条运动轨迹所属的运动轨迹集的可信度，该方法还包括：计算上一周期的每个运动轨迹集中的目标的运动轨迹与上一周期的被应用的运动轨迹集中对应的目标的运动轨迹的匹配程度；根据所述匹配程度，确定当前周期的每条运动轨迹所属的运动轨迹集的可信度。根据上一周期的运动轨迹集中的运动轨迹与被应用的运动轨迹集中的运动轨迹的匹配程度，调整或者确定每个运动轨迹集的可信度，可以获得更准确的可信度。
在第一方面的一种可能的实现中，每条运动轨迹的可信度为每条运动轨迹所属的运动轨迹集的可信度，所述每条运动轨迹所属的运动轨迹集的可信度由运动轨迹集对应的设备的属性确定。由于设备固有的属性影响该设备产生的运动轨迹集的可信度，根据设备的属性确定可信度可以使获得的可信度更符合真实情况。
第二方面，本申请还提供一种装置，包括：获取单元，用于获取第一目标的N条运动轨迹，所述N条运动轨迹由N个设备提供，N为正整数；处理单元，用于根据所述N条运动轨迹的类型，确定所述第一目标的被应用的运动轨迹，所述第一目标的被应用的运动轨迹用于所述智能汽车的行驶决策。
在第二方面的一种可能的实现中，所述N条运动轨迹来自所述N个设备提供的N个运动轨迹集，每个运动轨迹集包含每个设备收集的M个目标的运动轨迹，M为正整数。
在第二方面的一种可能的实现中，运动轨迹的类型包括预测轨迹类型和规划轨迹类型，其中，所述预测轨迹类型表示所述运动轨迹为设备根据目标的信息进行预测获得的运动轨迹；所述规划轨迹类型表示所述运动轨迹为所述目标进行轨迹规划获得的运动轨迹。
在第二方面的一种可能的实现中，当所述N条运动轨迹的类型全为预测轨迹类型，且N大于1时，所述处理单元具体用于：确定每条运动轨迹的可信度；根据所述每条运动轨迹的可信度，对所述N条运动轨迹进行融合，获得所述第一目标的被应用的运动轨迹。
在第二方面的一种可能的实现中，当所述N条运动轨迹的类型全为预测轨迹类型，且N等于1时，所述处理单元具体用于：获取运动模型对所述第一目标预测的运动轨迹，其中，所述运动模型根据所述第一目标的历史运动轨迹构建得到；将所述N条运动轨迹和所述运动模型对所述第一目标预测的运动轨迹进行融合，获得所述第一目标的被应用的运动轨迹。
在第二方面的一种可能的实现中，当所述N条运动轨迹的类型中包括规划轨迹类型时，所述处理单元具体用于：将所述N条运动轨迹中包括的类型为规划轨迹类型的运动轨迹确定为所述第一目标的被应用的运动轨迹。
在第二方面的一种可能的实现中，所述处理单元还用于：对所述N条运动轨迹进行安全检测，丢弃所述第一目标的不可信的运动轨迹。
在第二方面的一种可能的实现中，所述处理单元还用于：获取L个运动轨迹集，L大于或等于N；根据所述智能汽车的行驶信息，确定所述智能汽车的感兴趣区域ROI；根据所述ROI筛出每个运动轨迹集中不在所述ROI内的运动轨迹；根据筛选后的L个运动轨迹集，获得所述第一目标的N条运动轨迹。
在第二方面的一种可能的实现中，所述每条运动轨迹的可信度为每条运动轨迹所属的运动轨迹集的可信度，所述处理单元还用于：计算上一周期的每个运动轨迹集中的目标的运动轨迹与上一周期的被应用的运动轨迹集中对应的目标的运动轨迹的匹配程度；根据所述匹配程度，确定当前周期的每条运动轨迹所属的运动轨迹集的可信度。
在第二方面的一种可能的实现中，所述每条运动轨迹的可信度为每条运动轨迹所属的运动轨迹集的可信度，所述每条运动轨迹所属的运动轨迹集的可信度由运动轨迹集对应的设备的属性确定。
第三方面，本申请还提供一种车载装置，该车载装置设置于车辆上，该车载装置用于执行第一方面或第一方面的任意一种可能的实现提供的方法。
第四方面，本申请还提供一种设备，包括处理器和存储器，存储器存储程序代码，处理器执行所述程序代码，以使该设备执行第一方面或第一方面的任意一种可能的实现提供的方法。
第五方面，本申请还提供一种车辆，该车辆包括存储单元和处理单元，该车辆的存储单元用于存储一组计算机指令和数据集合，处理单元执行存储单元存储的计算机指令，处理单元读取所述存储单元的数据集合，以使得该车辆执行第一方面或第一方面的任意一种可能的实现方式提供的方法。
第六方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序代码，当所述计算机程序代码被计算设备执行时，所述计算设备执行前述第一方面或第一方面的任意一种可能的实现中提供的方法。该存储介质包括但不限于易失性存储器，例如随机访问存储器，非易失性存储器，例如快闪存储器、硬盘(英文：hard diskdrive，缩写：HDD)、固态硬盘(英文：solid state drive，缩写：SSD)。
第七方面，本申请提供一种计算机程序产品，所述计算机程序产品包括计算机程序代码，在所述计算机程序代码被计算设备执行时，所述计算设备执行前述第一方面或第一方面的任意可能的实现中提供的方法。该计算机程序产品可以为一个软件安装包，在需要使用前述第一方面或第一方面的任意可能的实现方式中提供的方法的情况下，可以下载该计算机程序产品并在计算设备上执行该计算机程序产品。
附图说明
图1为本申请实施例提供的一种应用场景的示意图；
图2为本申请实施例提供的一种系统架构的示意图；
图3为本申请实施例提供的一种预测运动轨迹的方法流程图；
图4为本申请实施例提供的一种安全检测的三种情况的示意图；
图5为本申请实施例提供的获得被应用的运动轨迹的三种情况的示意图；
图6为本申请实施例提供的一种装置600的结构示意图；
图7为本申请实施例提供的一种设备800的结构示意图。
具体实施方式
下面结合附图对本申请提供的实施例进行具体的介绍。
为了更清楚地描述本申请实施例的技术方案，下面对一些术语进行解释。
目标：本申请实施例中的目标是指在交通道路上或者交通道路周边的运动物体，例如：行人、车辆等。
运动轨迹：表示一个目标在交通道路上运动的路线，目标的运动轨迹包括：目标在当前时刻以及未来时间可能形成的运动轨迹，和/或，目标在当前时刻以前的历史时间形成的运动轨迹。目标的运动轨迹可以包括一个序列，该序列包括一组位置信息和对应的一组时间信息，该序列中每个位置信息与一个时间信息对应，表示在某一时间目标所在的地理位置。可选的，目标的运动轨迹还可以包括检测到的目标的属性信息，目标的属性信息可以包括：目标的类型信息、目标的颜色信息、目标的形状信息等。应理解，本申请中的未来时间表示当前时刻以后的一个时间段，例如：未来30秒内，或者未来1分钟内。
智能汽车：具有环境感知、规划决策、辅助驾驶或自动驾驶能力的汽车，智能汽车还可以与其他设备进行通信。
路侧设备(road side unit，RSU)：指设置在交通道路附近的、具有感知能力和计算能力的设备。路侧设备包括传感器系统，可通过传感器系统获得对周边环境的目标的信息，路侧设备还可以与其他设备进行通信。
感知区域：设备的传感器系统所能感知的地理范围称为该设备的感知区域。
融合：将多组信息通过特定方式(例如：融合算法)进行处理，获得一组信息的过程，融合可以包括根据多组源信息获得一组新的信息，也可以包括根据多组源信息确定其中一组源信息，还可以包括根据多组源信息进行拼接获得一组新的包括多组源信息的内容的信息。
车辆到一切(vehicle to everything，V2X)技术：V2X技术是使车辆和其周围环境中的一切可能与其发生关联的事物建立通信连接的技术，V2X也称为车联网。
V2X技术具体包括：使车辆与其周围的车辆建立通信连接的车辆到车辆(vehicleto vehicle，V2V)技术、使车辆与其周围的交通信号灯、公交站、电线杆、大楼、立交桥、隧道、路障等交通设施建立通信连接的车辆到基础设施(vehicle to infrastructure，V2I)技术、使车辆与行人的智能手机等智能设备建立通信连接的车辆到行人(vehicle topedestrian，V2P)技术、使车辆与互联网建立通信连接的车辆到互联网(vehicle tonetwork，V2N)技术。V2X技术的实现有多种，例如：1、专用短程通信(dedicated short-range communications，DSRC)技术；2、长期演进技术(long term evolution，LTE)V2X，即基于移动蜂窝网络的V2X通信技术。
智能驾驶是智慧城市和智慧交通的大趋势。通过采用智能驾驶技术，智能汽车可以自动感知、分析和决策，实现无人驾驶或智能辅助驾驶。在实际场景中，智能汽车行驶在交通道路上时，其周边可能包括各种其他车辆、行人、动物等也在运动的物体。智能汽车周边环境中的目标的运动轨迹极大地影响着智能汽车的行驶决策。
相关技术中，智能汽车通过智能汽车装载的传感器系统可以实时地感知周边环境中的目标的信息，进而根据感知到的目标的信息进行目标的运动轨迹预测，进而根据预测的目标的运动轨迹进行自车行驶的决策。这种方式至少存在如下问题：1、智能汽车的传感器系统所能感知的范围有限，可能存在一些目标对于智能汽车的行驶影响很大，但是智能汽车的传感器系统无法感知到这些目标的情况，导致智能汽车的行驶决策不能考虑到这些目标的行驶轨迹，使得智能汽车存在潜在的行驶危险。2、智能汽车的传感器系统对于一些目标的信息可能感知不准确，导致预测的目标的运动轨迹存在较大误差，进而影响智能汽车的行驶决策，易导致安全事故的发生。
为了解决上述问题，本申请提供一种预测运动轨迹的方法，该方法可以由智能汽车执行，更具体地，该方法可以由智能汽车的车载计算系统执行。该方法通过接收交通道路上的其他设备(例如：具有通信能力和感知能力的路侧设备、具有通信能力和/或感知能力的车辆)发送的运动轨迹集，结合智能汽车通过自车的传感器系统和车载计算系统获得的运动轨迹集，对目标的运动轨迹进行判断和处理，获得周边目标的更为准确的运动轨迹。
在具体描述本本申请的预测运动轨迹的方法之前，先进行应用场景和系统架构的介绍。
如图1所示，在一种应用场景中，一辆智能汽车100行驶在交通道路上时，其周边的目标包括具备感知能力和通信能力的车辆120(如：也是一辆智能汽车)，这类车辆可以通过传感器系统感知到其周边的其他目标的信息，并通过车载计算系统对每个目标进行运动轨迹预测，获得运动轨迹集。车辆120可以通过通信系统广播运动轨迹集，使得智能汽车100能够获得车辆120计算的运动轨迹集，或者，车辆120还可以通过通信系统将运动轨迹集发送至智能汽车100。如图1所示，交通道路上还可以包括不具备感知能力，但具备计算能力和通信能力的车辆140，这类车辆可以向智能汽车发送自身的运动轨迹。交通道路周边还可以包括路侧设备160，路侧设备160也具有感知、计算、通信的能力，其可以向智能汽车100发送包括其周边目标的运动轨迹的运动轨迹集。交通道路上还包括不具备感知能力和通信能力的车辆或行人等目标，这些目标的运动轨迹可以由智能汽车100、车辆120、路侧设备160等目标获得，由此智能汽车100可以更大程度地获得周边环境中的更多目标的运动轨迹(例如,获得更大地理范围内的目标的运动轨迹)。
应理解，在一些实施例中，智能汽车100与周边环境中的其他设备可以通过V2X技术进行通信，由此，智能汽车100可以实时或者近乎实时地获得周边目标的运动轨迹，获得的周边目标的运动轨迹为智能汽车自身或者发送该运动轨迹的设备计算和预测的目标在当前时刻以及未来时间的运动轨迹，可选的，智能汽车获得的目标的运动轨迹还可以包括目标在历史时间的运动轨迹。
根据上述图1所示的应用场景，图2展示了智能汽车100的结构以及其与发送运动轨迹集的设备的结构。如图2所示，智能汽车100包括传感器系统101、车载计算系统102和通信系统103。
传感器系统101，用于对智能汽车周边环境的目标进行探测和感知，实时地获得周边环境中的目标的信息。传感器系统101可以包括多种硬件传感器或者软件传感器。例如:传感器系统101可以包括摄像机、激光雷达、毫米波雷达、超声波雷达、红外传感器中的任意一种或多种。传感器系统101中的每种传感器可以包括一个或者多个。
车载计算系统102，用于从传感器系统101中获取传感器系统101感知到的目标的信息，并对目标的信息进行分析和处理，对目标的运动轨迹进行预测。车载计算系统102还用于获取通信系统103接收到的其他设备发送的运动轨迹集，结合智能汽车自车获得的目标的运动轨迹对其他设备的运动轨迹集中的每个目标的运动轨迹进行分析和处理，车载计算系统102最终获得一个更为准确的运动轨迹全集。车载计算系统102还可以根据运动轨迹全集中的目标的运动轨迹对智能汽车100的行驶进行决策和控制。
通信系统103，用于与智能汽车100附件的其他具有通信能力的设备(例如：行驶在交通道路上的车辆、交通道路周边的路侧设备、数据中心等)进行通信。通信系统103可以采用多种通信技术与其他设备进行通信，例如：第四代移动通信技术(4G)、第五代移动通信技术(5G)。更具体地，在一些实施例中，通信系统103中安装有V2X单元，可以采用V2X技术与交通道路上的其他车辆或者路侧设备实现更快速、实时的通信。
如图2所示，在本申请的一些实施例中，智能汽车100的通信系统103可以接收车辆120发送的运动轨迹集，车辆120发送的运动轨迹集中包括车辆120的传感器系统感知到的目标的运动轨迹以及车辆120自身的运动轨迹。通信系统103还可以接收车辆140发送的车辆140自身的运动轨迹.通信系统103还可以接收路侧设备160的通信系统163发送的运动轨迹集，路侧设备160发送的运动轨迹集包括路侧设备160感知到的目标的运动轨迹。
车辆120的结构可参考智能汽车100的结构，此处不再赘述。车辆140可以包括车载计算系统以及通信系统，路侧设备160包括传感器系统161、边缘计算系统162和通信系统163，其中，传感器系统161的功能与智能汽车100的传感器系统101相似，边缘计算系统162的功能与车载计算系统102相似，通信系统163的功能与通信系统103类似，此处不再赘述。
由上述可知，由于智能汽车100可以获得自车感知和计算得到的包括至少一个目标的运动轨迹的运动轨迹集，还可以获得其他设备发送的目标的运动轨迹集，在一些情况下，智能汽车100可以从多个运动轨迹集中获得交通道路上的同一目标的运动轨迹，对于此类目标，智能汽车100可对目标的多条运动轨迹进行融合处理，获得这类目标对应的更为准确的运动轨迹。在另一些情况下，智能汽车100可以获得一些自车没有感知到的目标的运动轨迹，对于这类目标，智能汽车100对目标的运动轨迹进行安全判断，进而进行处理。本申请提供的方法对于智能汽车获得的运动轨迹集中的每个目标进行分析，对于不同情况进行不同处理，最终获得更准确的运动轨迹全集。
下面结合图3对本申请提供的一种预测运动轨迹的具体实施方式进行介绍。该方法可以由上述车载计算系统103执行。
S301：获取多个运动轨迹集。
具体地，上述多个运动轨迹集包括交通道路上的车辆或者路侧设备等设备发送给智能汽车的运动轨迹集，还包括智能汽车根据自车的感知区域内的目标的信息进行计算获得的运动轨迹集，每个运动轨迹集由不同的设备提供，每个运动轨迹集中包括至少一个目标的运动轨迹。
每个运动轨迹集中可以包括其对应的设备根据设备的感知区域内的目标的信息进行预测得到的目标的运动轨迹，和/或，还可以包括其各自设备对设备自身进行规划得到的运动轨迹。对于运动轨迹集中包括该设备自身规划的运动轨迹，可以对该设备自身规划的运动轨迹设置一个标识，由此，可以在运动轨迹集中清楚地通过标识判断运动轨迹为规划的轨迹。可选的，对于运动轨迹集中包括由设备进行预测获得的运动轨迹，可以对该预测的运动轨迹设置一个标识，由此，可以在运动轨迹集中清楚地通过标识判断运动轨迹为预测的轨迹。
以智能汽车周边的一个车辆A发送的运动轨迹集A为例，车辆A为既具有通信能力又具有感知和计算能力的汽车，车辆A的感知区域内包括目标1、目标2、目标3，车辆A通过自身装载的传感器系统可以获得感知区域内的运动的目标1、目标2、目标3的实时的信息，这些信息包括目标的实时的位置信息、速度信息、朝向信息、类型信息、特征信息等。车辆A根据获得的目标1、目标2、目标3的信息，可以分别预测目标1、目标2和目标3在未来一段时间内的运动轨迹。另外，车辆A根据感知区域内的该3个目标的预测的运动轨迹，可以对车辆A自身在未来一段时间的运动轨迹进行规划，获得车辆A的运动轨迹。由此，车辆A可以向智能汽车发送的运动轨迹集A中包括目标1、目标2、目标3的运动轨迹，还包括车辆A的运动轨迹。
应理解，交通道路上的车辆或者路侧设备可以周期性地广播自身设备计算得到的运动轨迹集，广播的运动轨迹集中包括的运动轨迹包括目标在当前时刻以及未来时间内的运动轨迹，可选的，广播的运动轨迹集中还可以包括目标的历史时间的运动轨迹。本申请实施例描述的为某一个周期内(当前周期)智能汽车对获取的运动轨迹集中的目标的运动轨迹的处理。应理解，本申请中的一个周期可以是一段时间，例如：一分钟，30秒。本申请中的当前周期可以是包括当前时刻的一段时间。
可选的，上述获取多个运动轨迹集的过程还可以包括对其他设备发送给智能汽车的运动轨迹集进行鉴权，接收鉴权合法的运动轨迹集，丢弃鉴权不合法的运动轨迹集。
本申请实施例不限定具体的鉴权方式，可采用业界通用的鉴权方式进行交通态势信息的鉴权，例如：采用公钥和私钥进行加密和解密进行鉴权的方法，具体地，智能汽车可以产生一对公钥和私钥，将公钥发布给合法的周边车辆或者路侧设备，周边车辆或者路侧设备在向智能汽车发送运动轨迹集时，对原始的运动轨迹集采用智能汽车发布的公钥进行加密，将加密后的运动轨迹集发送至智能汽车，智能汽车通过私钥进行解密鉴权，当通过私钥对获得的运动轨迹集解密成功时，可认为对接收到的运动轨迹集鉴权为合法。
对接收到的运动轨迹集进行鉴权可以大幅度降低智能汽车的安全风险，例如，可以避免恶意发送端向智能汽车发送错误的运动轨迹集，进而避免智能汽车根据接收到的错误信息做出错误规划或控制而引发的交通事故。另一方面，对接收到的运动轨迹集进行鉴权还可以避免运动轨迹集在传输过程中遭遇恶意篡改后智能汽车不可知的问题，大大提高了智能汽车的安全性。
可选的，上述获得的多个运动轨迹集中每个运动轨迹集的内容格式可以遵循一种标准化格式，由此，智能汽车可以根据该标准化格式进行信息的提取。
S302：根据多个运动轨迹集，记录目标的运动轨迹至轨迹数据库。
具体地，由于上述获得的多个运动轨迹集中可能包括交通道路上或者交通道路周边的同一个目标的多条运动轨迹，在获得多个运动轨迹集之后，可以将多个运动轨迹集中的每条运动轨迹投射至地图，即：根据每条运动轨迹的序列的信息在地图上表示每条运动轨迹。将所有运动轨迹投射至地图后，对于在地图上运动轨迹重合或高度重合的几条运动轨迹，可以认为这几条运动轨迹为同一个目标被不同的设备预测或规划后形成的运动轨迹。根据地图中的运动轨迹，在轨迹数据库中按照目标序号为索引，记录每个目标对应的一个或多条运动轨迹。
上述判断几条运动轨迹在地图上重合或高度重合的方法可以通过拟合运动轨迹，获得运动轨迹曲线，再分别计算两条运动轨迹曲线的重合度(例如：最小二乘法)的方法，将重合度大于预设定的重合阈值的两条运动轨迹曲线确定为是同一个目标的两条运动轨迹。
可选的，上述运动轨迹集中度每条运动轨迹还可以包括目标的属性信息，在判断两条运动轨迹是否为同一个目标的运动轨迹时，还可以在计算运动轨迹重合度的基础上，利用两条运动轨迹所带的目标的属性信息加以验证，若重合度大于预设定的重合度阈值且两条运动轨迹所带的目标的属性信息相同，则认为两条运动轨迹为同一个目标的运动轨迹。轨迹数据库中每个目标序号还可以对应该目标的属性信息。
S303:获取智能汽车的行驶信息，根据行驶信息确定智能汽车的感兴趣区域(region of interest，ROI)，滤除轨迹数据库中在ROI之外的目标的运动轨迹。
智能汽车中的系统或模块可以获取到自车的行驶信息，行驶信息是当前时刻智能汽车的位置、状态、性能等信息，或者自车存储的可用于进行智能驾驶的信息。例如：智能汽车的车辆状态监控模块可以获取自车的状态信息，如：行驶速度、航向角、车身传感器的状态，地图管理与车辆定位模块可以获取车辆的位置信息以及车辆存储的高清地图。
应理解，在本申请实施例中，自车表示执行本申请实施例提供的预测运动轨迹方法的智能汽车。
根据行驶信息可以确定自车的ROI，自车的ROI为当前时刻对自车的行驶关联性较强的地理范围。自车的ROI内的目标的运动轨迹可能会影响自车的行驶决策，例如:决策下一周期的行驶的方向和行驶的速度等，因此，智能汽车需要获取当前周期ROI范围内的目标的运动轨迹。自车的ROI在每一时刻可以动态地进行调整，在一个时刻的自车的ROI取决于自车所在的位置、上一时刻或者上一时间周期自车的轨迹规划、自车的导航路径信息(例如：变道、左转、右转、上下匝道、掉头、经过十字路口等)中的任意一种或多种信息。根据行驶信息确定自车的ROI的方法可以有多种，本申请不限定具体实现方式，根据行驶信息确定自车的ROI的方式还可以根据自车所在的交通道路不同而不同。以如下两种具体实现方式进行举例：
一、对于智能汽车行驶在高速公路路段时，可以根据智能汽车的行驶速度、位置确定智能汽车周围的一个矩形范围为智能汽车自车的ROI。
例如：获取自车的速度信息V，根据速度信息计算自车的最大刹车距离M，以自车为中心在地图上确定距离自车前向和后向最大刹车距离的两条平行线为自车的ROI的前后边界；以高速公路的最左车道的左边界线为自车的ROI的左边界，以高速公路的最右车道的右边界线为自车的ROI的右边界。由此，根据自车的ROI的前后左右边界线确定自车在当前时刻和当前位置的ROI在地图中的范围。
再例如，在另一种实施方式中，确定当前时刻智能汽车在高速公路上行驶的车速为V，当前智能汽车在车道S-L坐标系下的位置为[S0，L0]，其中，S-L坐标系以智能汽车所在车道的中心线为S轴，以车道的横截线为L轴。m为车道宽，智能汽车每个时刻(或者每个时间周期)规划的轨迹时间窗为t(即每次规划未来t秒内的行驶轨迹)，Ls为自车所在的车道的中心线，L-1为高速公路的左车道中心线，L-1为右车道中心线。则可以根据上述信息确定该智能汽车的ROI矩形区域的横向线为[L-1-m/2，L1+m/2]，该智能汽车的ROI矩形区域的纵向线为[S0-V*t，S0+2V*t]。由此得到了该智能汽车在当前时刻的ROI矩形区域，已知的S-L坐标系下的ROI矩形区域的横向线和纵向线可以根据需要转换成ROI矩形区域在地图的全局坐标系下的位置。
二、根据自车的位置信息和地图确定当前时刻的自车行驶在十字路口，则根据自车的位置信息确定在地图上以自车为中心、半径为100米的圆形区域为自车的ROI。或者，根据自车的位置信息确定地图上包括该路口的所有人行道的区域为自车的ROI。
可选的，在另一种实施方式中，当智能汽车行驶在十字路口时，也可以将当前时刻的智能汽车的ROI确定为一个矩形区域。假设当前时刻智能汽车在高速公路上行驶的车速为V，当前智能汽车在车道S-L坐标系下的位置为[S0，L0]，其中，S-L坐标系以智能汽车所在车道的中心线为S轴，以车道的横截线为L轴。m为车道宽，智能汽车每个时刻(或者每个时间周期)规划的轨迹时间窗为t(即每次规划未来t秒内的行驶轨迹)，Ls为自车所在的车道的中心线，L-1为高速公路的左车道中心线，L-1为右车道中心线。则可以根据上述信息确定该智能汽车的ROI矩形区域的横向线为[L0-2*V*t，L0+2*V*t]，该智能汽车的ROI矩形区域的纵向线为[S0-V*t，S0+2V*t]。由此得到了该智能汽车在当前时刻的ROI矩形区域，已知的S-L坐标系下的ROI矩形区域的横向线和纵向线可以根据需要转换成ROI矩形区域在地图的全局坐标系下的位置。获得的ROI区域可以映射至地图中。
获得了智能汽车在当前时刻的ROI后，可以根据自车的ROI滤除前述步骤S302中获得的轨迹数据库中的不在智能汽车的ROI内的目标的运动轨迹。
值得注意的是，上述步骤S303为本申请中的可选步骤，在本申请提供的预测运动轨迹的另一些实施例中，也可以不执行上述步骤S303。执行上述步骤S303可以减少对于智能汽车的行驶影响较小的目标的计算，减少资源消耗，且可以提高智能汽车行驶规划的速度。
S304：在轨迹数据库中选择第一目标的N条运动轨迹，其中，N为正整数，第一目标的N条运动轨迹由N个设备提供，对第一目标的运动轨迹进行安全检测。
具体地，从上述轨迹数据库中选择的第一目标可以是根据轨迹数据库中目标的序号选择的一个目标。
对第一目标的N条运动轨迹进行安全检测的方法可分为不同的情况，对于不同的情况可以有不同的安全检测方法，如图4所示，如下401-403分别介绍了三种情况下的安全检测方法。
401、对于N条运动轨迹中包括多个设备提供的运动轨迹的情况，即N大于1(例如：包括智能汽车对该第一目标预测的运动轨迹，以及还包括其他设备发送至智能汽车的该第一目标的运动轨迹的情况；或者，第一目标的运动轨迹包括多个设备发送至智能汽车的该第一目标的运动轨迹的情况)，将第一目标的每条运动轨迹进行交叉对比，以确认第一目标的运动轨迹中是否存在不可信的运动轨迹，例如：跳变的运动轨迹或伪造的运动轨迹，丢弃不可信的运动轨迹。本申请不限定交叉对比的方式，例如：可以计算两条运动轨迹之间的重合度，对于与其他设备提供的运动轨迹重合度均低于阈值的运动轨迹进行丢弃，保留安全的运动轨迹。
可选的，还可以将每个设备提供的第一目标的运动轨迹与智能汽车对在上一周期获得的该第一目标的运动轨迹进行外推预测获得的运动轨迹进行比对。
402、对于N条运动轨迹中仅包括一个设备提供的运动轨迹，即N＝1，且在上一周期智能汽车获得了该第一目标的运动轨迹，将该设备提供的第一目标的运动轨迹与智能汽车对在上一周期获得的该第一目标的运动轨迹进行外推预测获得的运动轨迹进行比对，以确认该第一目标的运动轨迹是否可信，例如:是否跳变或是否为伪造的运动轨迹，若是，则丢弃，保留安全的运动轨迹。
403、对于N条运动轨迹中仅包括一个设备提供的运动轨迹，即N＝1，且在上一周期智能汽车未获得该第一目标的运动轨迹，直接将该第一目标的运动轨迹确认为安全的运动轨迹。即：不进行安全检测，默认第一目标的运动轨迹为安全的运动轨迹。
值得注意的是，上述步骤S304为本申请中的可选的步骤，在本申请提供的预测运动轨迹的另一些实施例中，也可以不执行上述步骤S304。执行上述步骤S304可以提高本申请获得的第一目标的被应用的运动轨迹的准确性，进一步地提高智能汽车行驶的安全性。
S305：根据第一目标的N条运动轨迹的类型，获得该第一目标的被应用的运动轨迹。
由前述可知，第一目标的N条运动轨迹为N个设备提供的运动轨迹。N条运动轨迹可以包括设备根据设备感知到的该第一目标的信息进行预测获得的运动轨迹，这种运动轨迹的类型称为预测轨迹类型。第一目标的N条运动轨迹中还可以包括第一目标根据自身周边的目标的行驶轨迹对自身的行驶进行规划获得的运动轨迹，称这种运动轨迹的类型为规划轨迹类型。
应理解，在第一目标的N条运动轨迹中，可以全部为预测轨迹类型的运动轨迹，也可以既包括其他设备对该第一目标进行预测得到的预测轨迹类型的运动轨迹，也包括第一目标自身规划的规划轨迹类型的运动轨迹。因为，在一些实施例中，在交通道路上，一个第一目标可以是一辆具备计算能力、感知能力、通信能力的车辆(即：该车辆也是可以自主规划行驶轨迹的智能车辆)，对于这个第一目标，第一目标自身会根据感知区域内的目标的行驶轨迹规划自身的行驶轨迹，另一方面，行驶在交通道路上的该第一目标还可以被其周边其他设备感知到，其他设备会对该第一目标的车辆进行预测，获得的预测的该第一目标的运动轨迹。由此，智能汽车接收该第一目标发送的运动轨迹集(包括该第一目标规划的运动轨迹)，智能汽车还接收其他设备发送的运动轨迹集，根据上述步骤S302可以在轨迹数据库中获得该第一目标的N条运动轨迹，因此该第一目标的运动轨迹既包括第一目标规划的运动轨迹，又包括其他设备预测到的运动轨迹。
应理解，上述步骤S304和S305对轨迹数据库中的每个目标包括的运动轨迹都对应执行一次，当对轨迹数据库中的每个目标都执行完上述步骤S304和S305后，获得的多个目标的被应用的运动轨迹一起构成了一个当前周期的被应用的运动轨迹集。应理解，每个周期都执行如上步骤S301-S305，由此，在每个周期，智能汽车均可以获得一个被应用的运动轨迹集。
对于第一目标的N条运动轨迹的类型的不同，获得该第一目标的被应用的运动轨迹的方法也有不同。下面结合图5，对如下501-503对应的三种情况进行介绍：
501、当第一目标的N条运动轨迹的类型包括规划轨迹类型时，将类型为规划轨迹类型的运动轨迹确定所述第一目标的被应用的运动轨迹。由于第一目标对自身进行规划的运动轨迹即第一目标未来计划行驶的轨迹，相对于其他设备对第一目标进行预测的运动轨迹而言，第一目标对自身进行规划的运动轨迹的准确性高，因此，智能汽车可以将第一目标对自身进行规划的运动轨迹作为第一目标的被应用的运动轨迹，第一目标的被应用的运动轨迹将用于智能汽车的后续对自身的行驶决策和轨迹规划中。
502、当第一目标的N条运动轨迹的类型全为预测轨迹类型，且所述第一目标的运动轨迹包括至少两个设备提供的运动轨迹时(即N大于1)，则确定N条运动轨迹中每条运动轨迹的可信度；根据第一目标的每条运动轨迹的可信度，对N条运动轨迹进行融合，获得所述第一目标的被应用的运动轨迹。
上述第一目标的每条运动轨迹的可信度表示智能汽车对不同设备收集的第一目标的运动轨迹的准确性的信赖程度。例如，在这种情况下，第一目标的N条运动轨迹可以包括三种：路侧设备发送的其预测的运动轨迹，周边车辆发送的其预测的运动轨迹，以及由智能汽车根据自车的传感器系统和车载计算系统预测的运动轨迹。
在一些实施例中，可以认为对于来自不同设备的运动轨迹集，可信度是不同的；对于同一设备提供的运动轨迹集中的每个目标的运动轨迹的可信度是相同的。因此，可以通过确定不同设备提供的运动轨迹集的可信度，从而获得每个运动轨迹集中的目标的运动轨迹的可信度。
在某一时刻，每个设备提供的运动轨迹集的可信度可以是预设置的，或者是经过动态更新后的。确定第一目标的每条运动轨迹的可信度具体为：确定第一目标的每条运动轨迹所属的运动轨迹集对应的设备，确定当前周期的该设备提供的运动轨迹集的可信度，该运动轨迹集中的第一目标的运动轨迹的可信度即为该运动轨迹集的可信度。根据第一目标的每条运动轨迹的可信度可以确定第一目标的每条运动轨迹的权重。由此，可以获得第一目标的多个具有各自权重的运动轨迹，第一目标的每条运动轨迹的权重可以用于对该目标的多条运动轨迹进行融合。
值得注意的是，从历史经验来看，智能汽车自车获得的运动轨迹集的可信度最高，由于智能汽车周边环境的路侧设备的传感器系统较为稳定，周边环境的路侧设备提供的运动轨迹集的可信度相较于周边环境的车辆获得的运动轨迹集的可信度较高。
智能汽车自车获得的运动轨迹集的可信度可以由We表示，智能汽车周边环境中的车辆提供的运动轨迹集的可信度可以由Wa表示，智能汽车周边环境中的路侧设备提供的运动轨迹集的可信度可以由Wr表示。在一些实施例中，不同设备的运动轨迹集的可信度可以结合前述历史经验进行预设定，例如：预设定的可信度满足如下条件：We＞0.5；Wr＝β*Wa，其中β大于或等于1；∑Wr+∑Wa+We＝1。在满足前述三个条件的基础上，再根据经验可以分别确定Wr、Wa、We的可信度。
可选的，对于初始根据经验确定了不同设备的运动轨迹集的可信度之后，后续周期的不同设备的运动轨迹集的可信度还可以根据智能汽车接收到的上一周期的各个运动轨迹集中的目标的运动轨迹与上一周期获得的被应用的运动轨迹集中的目标的运动轨迹的匹配程度，以及上一周期的各个设备提供的运动轨迹集的可信度动态地进行确定。
动态确定可信度的一种具体方法是：遍历智能汽车在上一周期获得的运动轨迹集，求每个设备提供的运动轨迹集中与上一周期获得的被应用的运动轨迹集的交集，获得每个交集中的目标的运动轨迹的数量。获得的交集中目标的运动轨迹的数量即为该设备感知到的目标的运动轨迹与被应用的运动轨迹集中的目标的匹配成功的个数。
根据上一周期每个设备的运动轨迹集的匹配成功的个数，对所有个数进行归一化，使得：∑Wr+∑Wa+We＝1。综合计算当前周期每个设备对应的运动轨迹集的可信度。
动态确定可信度的另一种具体方法可以是：遍历智能汽车在上一周期获得的所有设备的运动轨迹集，计算每个设备提供的运动轨迹集与上一周期获得的被应用的运动轨迹集中的相同目标的运动轨迹的综合距离的平均值，例如：在上一周期，若智能汽车获得三个设备提供的运动轨迹集，分别为集H、集J、集K，则首先分别获取三个运动轨迹集中集H、集J、集K中的目标的运动轨迹与被应用的运动轨迹集中对应的相同目标的信息之间的综合距离的平均值，分别获得该三个运动轨迹集的综合距离的平均值。获得的综合距离的平均值可以体现每个设备提供的目标的运动轨迹与最终的同一目标的运动轨迹之间的差异值。由于最终的目标的运动轨迹被认为是更可信的，若综合距离的平均值越小表示设备预测的目标的运动轨迹与最终的该目标的运动轨迹之间的差异越小，可认为设备获得的目标的运动轨迹的可信度较高。
根据上述获得的设备对应的综合距离的平均值更新对应设备提供的运动轨迹集的可信度，更新原则为：综合距离平均值越高则对应降低可信度，综合距离平均值越低则对应提高可信度。整体的可信度应满足：∑Wr+∑Wa+We＝1。具体的可信度数据提高和降低的数值可由不同的环境或者历史经验确定，本申请不作限定。
由此，根据上一周期的各个设备的运动轨迹集中目标的运动轨迹与上一周期的被应用的运动轨迹集中的对应相同目标的运动轨迹之间的匹配程度，以及上一周期的各个设备的运动轨迹集的可信度，获得更新后的各个设备的运动轨迹集的可信度。更新后的各个设备的运动轨迹集的可信度可用于对当前周期的获得的各个设备的运动轨迹集中的目标的运动轨迹进行融合。
根据第一目标的每条运动轨迹的可信度，可以对第一目标的每条运动轨迹进行融合，获得第一目标的被应用的运动轨迹。
应理解，在一种实施例中，对第一目标的运动轨迹进行融合时，可以对第一目标在当前周期的各条运动轨迹进行空间上的融合，例如：采用加权融合的方式，根据第一目标的每条运动轨迹的可信度确定第一目标的每条运动轨迹的权重，进而根据权重，加权计算第一目标的运动轨迹中各个点的值，获得被应用的运动轨迹。获得的第一目标在当前周期的被应用的运动轨迹可以用于智能汽车的行驶决策和轨迹规划。
可选的，在对第一目标的运动轨迹进行融合时，还可以通过一些算法对第一目标的运动轨迹进行时间和空间上的多层融合。多层融合的方法可以采用现有用于预测的算法中的一种或多种，例如:D-S证据理论、最近邻数据关联(nearest neighbor，NN)、卡尔曼滤波(Kalman filtering，KF)、贝叶斯滤波(Bayes filtering)等。本申请不对融合的具体方法进行限定。
503、当第一目标的N条运动轨迹中仅包括一个设备提供的类型为预测轨迹类型的运动轨迹时(即N条运动轨迹的类型全为预测轨迹类型，且N为1)，获取运动模型对所述第一目标预测的运动轨迹，其中，所述运动模型由所述第一目标的历史运动轨迹构建得到；对所述第一目标的运动轨迹和运动模型对所述第一目标预测的运动轨迹进行融合，获得所述第一目标的被应用的运动轨迹。
具体地：当第一目标的N条运动轨迹中仅包括一个设备提供的类型为预测轨迹类型的运动轨迹时，可以进一步判断智能汽车是否已为该第一目标构建运动模型(即智能汽车在历史周期是否已获得该第一目标的运动轨迹)。
1、若智能汽车已有该第一目标的运动模型，则根据该运动模型获得该运动模型对该第一目标预测的运动轨迹。进而对设备提供的第一目标的运动轨迹和运动模型对该第一目标预测的运动轨迹进行融合，获得第一目标的被应用的运动轨迹。
上述第一目标的运动模型可以根据智能汽车历史周期获得的第一目标的运动轨迹进行建模或拟合得到，例如:智能汽车在当前时刻的前3分钟均获得了该第一目标的运动轨迹，获得的该目标的运动轨迹包括的时间段为当前时刻的前3分钟至未来30秒的时间内第一目标的运动轨迹。智能汽车根据这3分30秒时间内的运动轨迹可以进行建模，获得第一目标的运动模型，进而根据这个运动模型，智能汽车可以进一步预测获得未来30秒至未来1分钟内预测的运动轨迹。设备提供的第一目标的运动轨迹包括设备对第一目标计算的当前时刻至未来1分钟内的运动轨迹。
上述根据智能汽车历史周期获得的第一目标的运动轨迹进行建模或拟合得到的运动模型还有一个可信度，运动模型的可信度表示该运动模型预测的运动轨迹的可信度。首次构建的运动模型的可信度为预设值，在每个周期可以对运动模型的可信度进行更新，具体的更新方法为根据运动模型在该周期预测第一目标的运动轨迹与该周期第一目标的最终轨迹的差异值更新运动模型的可信度，差异值较大则将运动模型的可信度更新得更小，差异值越小则将运动模型的可信度更新得更大。进一步地，还可以在每一周期根据运动模型在该周期预测第一目标的运动轨迹与该周期第一目标的最终轨迹的差异值更新运动模型的参数。
由此，可以进而对设备提供的第一目标的运动轨迹和运动模型对该第一目标预测的运动轨迹进行融合，获得第一目标的被应用的运动轨迹。例如：进行融合的可以是设备提供的第一目标的当前时刻至未来1分钟内的运动轨迹与运动模型预测的当前时刻至未来1分钟内的运动轨迹。
上述对第一目标的这两条运动轨迹进行融合的方法与前述第二种情况的融合方法相似，此处不再赘述。值得注意的是，设备提供的第一目标的运动轨迹的可信度依然根据以前述第二种情况描述的可信度确定方法获得，运动模型对该第一目标预测的运动轨迹的可信度即为运动模型的可信度。
2、若智能汽车没有该第一目标的运动模型，则将该一个设备提供的第一目标的运动轨迹作为第一目标的被应用的运动轨迹，并根据该第一目标的运动轨迹构建第一目标对应的运动模型。
根据上述S305的方法，可以获得当前周期内第一目标的被应用的运动轨迹。应理解，在一个周期内，可以对S302获得的轨迹数据库中的每个目标的运动轨迹执行上述步骤S304-S305中对应的操作，由此，智能汽车在一个周期内可以获知周边环境中的目标的被应用的运动轨迹，周边环境中的目标的被应用的运动轨迹表示了这些目标在当前时刻的位置点以及在未来时间内的行驶轨迹。智能汽车的车载计算系统可以根据获得的这些目标的被应用的运动轨迹进行智能汽车在未来时间内的行驶决策和轨迹规划。
本申请还提供一种装置600，所述装置600可以用于执行本申请实施例提供的预测运动轨迹的方法。装置600包括获取单元601和处理单元602。
获取单元601，用于获取第一目标的N条运动轨迹，所述N条运动轨迹由N个设备提供，N为正整数；
处理单元602，用于根据所述N条运动轨迹的类型，确定所述第一目标的被应用的运动轨迹，所述第一目标的被应用的运动轨迹用于所述智能汽车的行驶决策。
运动轨迹的类型包括预测轨迹类型和规划轨迹类型，其中，所述预测轨迹类型表示所述运动轨迹为设备根据目标的信息进行预测获得的运动轨迹；所述规划轨迹类型表示所述运动轨迹为所述目标进行轨迹规划获得的运动轨迹。
可选的，当N条运动轨迹的类型全为预测轨迹类型，且N大于1时，处理单元602具体用于：确定每条运动轨迹的可信度；根据所述每条运动轨迹的可信度，对所述N条运动轨迹进行融合，获得所述第一目标的被应用的运动轨迹。
可选的，当N条运动轨迹的类型全为预测轨迹类型，且N等于1时，处理单元602具体用于：获取运动模型对所述第一目标预测的运动轨迹，其中，所述运动模型根据所述第一目标的历史运动轨迹构建得到；将所述N条运动轨迹和所述运动模型对所述第一目标预测的运动轨迹进行融合，获得所述第一目标的被应用的运动轨迹。
可选的，当N条运动轨迹的类型中包括规划轨迹类型时，处理单元602具体用于：将所述N条运动轨迹中包括的类型为规划轨迹类型的运动轨迹确定为所述第一目标的被应用的运动轨迹。
可选的，处理单元602还用于：对所述N条运动轨迹进行安全检测，丢弃所述第一目标的不可信的运动轨迹。
可选的，处理单元602还用于：获取L个运动轨迹集，L大于或等于N；根据所述智能汽车的行驶信息，确定所述智能汽车的感兴趣区域ROI；根据所述ROI筛出每个运动轨迹集中不在所述ROI内的运动轨迹；根据筛选后的L个运动轨迹集，获得所述第一目标的N条运动轨迹。
可选的，所述每条运动轨迹的可信度为每条运动轨迹所属的运动轨迹集的可信度，处理单元602还用于：计算上一周期的每个运动轨迹集中的目标的运动轨迹与上一周期的被应用的运动轨迹集中对应的目标的运动轨迹的匹配程度；根据所述匹配程度，确定当前周期的每条运动轨迹所属的运动轨迹集的可信度。
可选的，所述每条运动轨迹所属的运动轨迹集的可信度还可以由运动轨迹集对应的设备的属性确定。
在另一些实施例中，所述装置600用于执行图3-5所述的方法实施例，其中，具体的，获取单元601用于执行数据或者信息获取的相关步骤，处理单元602用于执行处理相关的步骤(如:融合、可信度确定、筛选ROI内的运动轨迹、安全检查等)。
本申请还提供一种车载计算系统，车载计算系统可以用于执行上述图3-5所述的方法实施例，或者可以实现前述图6所示的装置600的功能。
本申请还提供如前述图1或图2中所示的智能汽车100，智能汽车100可以执行上述图3-5所述的方法实施例，或者可以实现前述图6所示的装置600的功能。
本申请还提供一种设备800，该设备可以为车载设备。如图7所示，设备800包括：处理器801、存储器802、通信接口803和内存804，设备800可以是安装在智能汽车中的车载设备。其中，处理器801、存储器802、通信接口803和内存804通过总线805进行通信。该存储器802存储程序代码，且处理器801可以调用存储器802中存储的程序代码执行前述实施例中的图3-图5的操作，和/或实现前述装置600的功能。
应理解，在本申请实施例中，该处理器801可以是CPU，该处理器801还可以是其他通用处理器、数字信号处理器(digital signal processing，DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。
可选地，设备800中可以包括多个处理器，示例地，图7中包括处理器801和处理器806。其中，处理器801和处理器806可以是不同类型的处理器，而且，每种处理器中包括一个或多个芯片。
该存储器802可以包括只读存储器和随机存取存储器，并向处理器801提供指令和数据。存储器802还可以包括非易失性随机存取存储器。例如，存储器802还可以运动轨迹集或者存储器802还可以存储轨迹数据库。
该存储器802可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data date SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlinkDRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，DR RAM)。
该总线804除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都标为总线804。可选地，该总线804还可以是车载以太或控制器局域网(controller area network,CAN)总线或其他内部总线。
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。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式来实现。该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计算机执行指令时，全部或部分地产生按照本申请上述实施例的流程或功能。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。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，计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，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。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以用介质集成的服务器、数据中心等数据存储设备。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。
尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请的过程中，本领域技术人员通过查看附图、公开内容、以及所附权利要求书，可理解并实现公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (18)

1.一种预测运动轨迹的方法，其特征在于，所述方法应用于智能汽车，包括：
获取第一目标的N条运动轨迹，所述N条运动轨迹由N个设备提供，N为正整数；
根据所述N条运动轨迹的类型，确定所述第一目标的被应用的运动轨迹，所述第一目标的被应用的运动轨迹用于所述智能汽车的行驶决策；其中，运动轨迹的类型包括预测轨迹类型和规划轨迹类型，所述预测轨迹类型表示所述运动轨迹为设备根据所述第一目标的信息进行预测获得的运动轨迹；所述规划轨迹类型表示所述运动轨迹为所述第一目标进行轨迹规划获得的运动轨迹；
所述根据所述N条运动轨迹的类型，确定所述第一目标的被应用的运动轨迹，包括：
当所述N条运动轨迹的类型中包括规划轨迹类型时，将所述N条运动轨迹中包括的类型为规划轨迹类型的运动轨迹确定为所述第一目标的被应用的运动轨迹。
2.如权利要求1所述的方法，其特征在于，所述N条运动轨迹来自所述N个设备提供的N个运动轨迹集，每个运动轨迹集包含每个设备收集的M个目标的运动轨迹，M为正整数。
3.如权利要求1或2所述的方法，其特征在于，
根据所述N条运动轨迹的类型，确定所述第一目标的被应用的运动轨迹，包括：
当所述N条运动轨迹的类型全为预测轨迹类型，且N大于1时，
确定每条运动轨迹的可信度；
根据所述每条运动轨迹的可信度，对所述N条运动轨迹进行融合，获得所述第一目标的被应用的运动轨迹。
4.如权利要求1或2所述的方法，其特征在于，
根据所述N条运动轨迹的类型，确定所述第一目标的被应用的运动轨迹，包括：
当所述N条运动轨迹的类型全为预测轨迹类型，且N等于1时，
获取运动模型对所述第一目标预测的运动轨迹，其中，所述运动模型根据所述第一目标的历史运动轨迹构建得到；
将所述N条运动轨迹和所述运动模型对所述第一目标预测的运动轨迹进行融合，获得所述第一目标的被应用的运动轨迹。
5.如权利要求1或2所述的方法，其特征在于，在根据所述N条运动轨迹的类型，确定所述第一目标的被应用的运动轨迹之前，所述方法还包括：
对所述N条运动轨迹进行安全检测，丢弃所述第一目标的不可信的运动轨迹。
6.如权利要求1或2所述的方法，其特征在于，所述方法还包括：
获取L个运动轨迹集，L大于或等于N；
根据所述智能汽车的行驶信息，确定所述智能汽车的感兴趣区域ROI；
根据所述ROI筛出每个运动轨迹集中不在所述ROI内的运动轨迹；
根据筛选后的L个运动轨迹集，获得所述第一目标的N条运动轨迹。
7.如权利要求3所述的方法，其特征在于，所述每条运动轨迹的可信度为每条运动轨迹所属的运动轨迹集的可信度，
所述方法还包括：
计算上一周期的每个运动轨迹集中的目标的运动轨迹与上一周期的被应用的运动轨迹集中对应的目标的运动轨迹的匹配程度；
根据所述匹配程度，确定当前周期的每条运动轨迹所属的运动轨迹集的可信度。
8.如权利要求3所述的方法，其特征在于，所述每条运动轨迹的可信度为每条运动轨迹所属的运动轨迹集的可信度，所述每条运动轨迹所属的运动轨迹集的可信度由运动轨迹集对应的设备的属性确定。
9.一种装置，其特征在于，包括：
获取单元，用于获取第一目标的N条运动轨迹，所述N条运动轨迹由N个设备提供，N为正整数；
处理单元，用于根据所述N条运动轨迹的类型，确定所述第一目标的被应用的运动轨迹，所述第一目标的被应用的运动轨迹用于智能汽车的行驶决策；其中，运动轨迹的类型包括预测轨迹类型和规划轨迹类型，所述预测轨迹类型表示所述运动轨迹为设备根据所述第一目标的信息进行预测获得的运动轨迹；所述规划轨迹类型表示所述运动轨迹为所述第一目标进行轨迹规划获得的运动轨迹；
当所述N条运动轨迹的类型中包括规划轨迹类型时，所述处理单元具体用于：将所述N条运动轨迹中包括的类型为规划轨迹类型的运动轨迹确定为所述第一目标的被应用的运动轨迹。
10.如权利要求9所述的装置，其特征在于，所述N条运动轨迹来自所述N个设备提供的N个运动轨迹集，每个运动轨迹集包含每个设备收集的M个目标的运动轨迹，M为正整数。
11.如权利要求9或10所述的装置，其特征在于，
当所述N条运动轨迹的类型全为预测轨迹类型，且N大于1时，
所述处理单元具体用于：确定每条运动轨迹的可信度；根据所述每条运动轨迹的可信度，对所述N条运动轨迹进行融合，获得所述第一目标的被应用的运动轨迹。
12.如权利要求9或10所述的装置，其特征在于，
当所述N条运动轨迹的类型全为预测轨迹类型，且N等于1时，
所述处理单元具体用于：获取运动模型对所述第一目标预测的运动轨迹，其中，所述运动模型根据所述第一目标的历史运动轨迹构建得到；将所述N条运动轨迹和所述运动模型对所述第一目标预测的运动轨迹进行融合，获得所述第一目标的被应用的运动轨迹。
13.如权利要求9或10所述的装置，其特征在于，
所述处理单元还用于：对所述N条运动轨迹进行安全检测，丢弃所述第一目标的不可信的运动轨迹。
14.如权利要求9或10所述的装置，其特征在于，
所述处理单元还用于：获取L个运动轨迹集，L大于或等于N；根据所述智能汽车的行驶信息，确定所述智能汽车的感兴趣区域ROI；根据所述ROI筛出每个运动轨迹集中不在所述ROI内的运动轨迹；根据筛选后的L个运动轨迹集，获得所述第一目标的N条运动轨迹。
15.如权利要求11所述的装置，其特征在于，所述每条运动轨迹的可信度为每条运动轨迹所属的运动轨迹集的可信度，
所述处理单元还用于：计算上一周期的每个运动轨迹集中的目标的运动轨迹与上一周期的被应用的运动轨迹集中对应的目标的运动轨迹的匹配程度；根据所述匹配程度，确定当前周期的每条运动轨迹所属的运动轨迹集的可信度。
16.如权利要求11所述的装置，其特征在于，所述每条运动轨迹的可信度为每条运动轨迹所属的运动轨迹集的可信度，所述每条运动轨迹所属的运动轨迹集的可信度由运动轨迹集对应的设备的属性确定。
17.一种设备，其特征在于，包括处理器和存储器，所述存储器存储程序代码，所述处理器执行所述程序代码，以使所述设备执行前述权利要求1-8任一项所述的方法。
18.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序代码，当所述计算机程序代码被计算设备执行时，所述计算设备执行上述权利要求1至8中任一项所述的方法。
CN202010197477.9A 2019-10-26 2020-03-19 预测运动轨迹的方法和系统 Active CN112712729B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/CN2020/102512 WO2021077818A1 (zh) 2019-10-26 2020-07-17 预测运动轨迹的方法和系统
EP20879883.5A EP4027317A4 (en) 2019-10-26 2020-07-17 METHOD AND SYSTEM FOR PREDICTING A MOVEMENT PATH

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201911026823 2019-10-26
CN2019110268230 2019-10-26

Publications (2)

Publication Number Publication Date
CN112712729A CN112712729A (zh) 2021-04-27
CN112712729B true CN112712729B (zh) 2023-01-06

Family

ID=75541181

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010197477.9A Active CN112712729B (zh) 2019-10-26 2020-03-19 预测运动轨迹的方法和系统

Country Status (3)

Country Link
EP (1) EP4027317A4 (zh)
CN (1) CN112712729B (zh)
WO (1) WO2021077818A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021210142B3 (de) * 2021-09-14 2022-09-29 Continental Teves Ag & Co. Ohg Verfahren zur Verbesserung der Stabilität kooperativer Fahrmanöverplanung und elektronische Kontrollvorrichtung
CN114387786B (zh) * 2022-01-26 2023-03-21 青岛海信网络科技股份有限公司 一种路口车辆运行状态预测方法及装置
CN115205330B (zh) * 2022-06-17 2023-03-24 中关村科学城城市大脑股份有限公司 轨迹信息生成方法、装置、电子设备和计算机可读介质
CN116819511A (zh) * 2023-04-11 2023-09-29 中铁十一局集团有限公司 隧道全向广域毫米波雷达精准感知方法及相关设备

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7719461B1 (en) * 2008-08-05 2010-05-18 Lockheed Martin Corporation Track fusion by optimal reduced state estimation in multi-sensor environment with limited-bandwidth communication path
CN101655561A (zh) * 2009-09-14 2010-02-24 南京莱斯信息技术股份有限公司 基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法
CN202512237U (zh) * 2012-03-19 2012-10-31 南京理工大学常熟研究院有限公司 红外机动目标跟踪系统
CN105160356B (zh) * 2015-08-31 2019-07-19 上汽通用汽车有限公司 一种车辆主动安全系统传感器数据融合方法及系统
JP2018036722A (ja) * 2016-08-29 2018-03-08 日産自動車株式会社 車両の運動制御方法及び車両の運動制御装置
US10268200B2 (en) * 2016-12-21 2019-04-23 Baidu Usa Llc Method and system to predict one or more trajectories of a vehicle based on context surrounding the vehicle
US10254763B2 (en) * 2016-12-29 2019-04-09 Intel Corporation Detection of traffic dynamics and road changes in autonomous driving
CN106950956B (zh) * 2017-03-22 2020-02-14 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
US11545033B2 (en) * 2017-06-22 2023-01-03 Apollo Intelligent Driving Technology (Beijing) Co., Ltd. Evaluation framework for predicted trajectories in autonomous driving vehicle traffic prediction
US10545505B2 (en) * 2017-08-28 2020-01-28 Toyota Research Institute, Inc Trajectory plan modification for an autonomous vehicle operation in a heterogeneous vehicle environment
CN107967486B (zh) * 2017-11-17 2020-08-28 江苏大学 一种周边车辆行为识别方法
CN108280442B (zh) * 2018-02-10 2020-07-28 西安交通大学 一种基于轨迹匹配的多源目标融合方法
CN110146100B (zh) * 2018-02-13 2021-08-13 华为技术有限公司 轨迹预测方法、装置及存储介质
US11257370B2 (en) * 2018-03-19 2022-02-22 Derq Inc. Early warning and collision avoidance
CN109635855A (zh) * 2018-11-26 2019-04-16 南京理工大学 基于自编码器模型的多传感器融合跟踪方法
CN109657928B (zh) * 2018-11-28 2022-10-04 大连理工大学 一种车载传感器系统的闭环协同调度框架的协同调度方法
CN109410586B (zh) * 2018-12-13 2020-06-05 中南大学 一种基于多元数据融合的交通状态检测方法
CN109583151B (zh) * 2019-02-20 2023-07-21 阿波罗智能技术(北京)有限公司 车辆的行驶轨迹预测方法及装置
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
CN109949570A (zh) * 2019-04-30 2019-06-28 汉腾汽车有限公司 一种环境感知系统

Also Published As

Publication number Publication date
EP4027317A4 (en) 2022-11-09
EP4027317A1 (en) 2022-07-13
CN112712729A (zh) 2021-04-27
WO2021077818A1 (zh) 2021-04-29

Similar Documents

Publication Publication Date Title
CN112712717B (zh) 一种信息融合的方法、装置和设备
US11543834B2 (en) Positioning system based on geofencing framework
CN112712729B (zh) 预测运动轨迹的方法和系统
US11235777B2 (en) Vehicle path prediction and target classification for autonomous vehicle operation
US10591608B2 (en) Positioning quality filter for the V2X technologies
CN108022450B (zh) 一种基于蜂窝网络的辅助驾驶方法及交通控制单元
US8954205B2 (en) System and method for road side equipment of interest selection for active safety applications
US9805592B2 (en) Methods of tracking pedestrian heading angle using smart phones data for pedestrian safety applications
US10431093B2 (en) System and method for collision avoidance
US11597395B2 (en) Systems and methods to manage vehicles under anomalous driving behavior
US11516669B2 (en) Misbehavior detection for vehicle-to-everything messages
US11405786B1 (en) Detecting misbehavior conditions in vehicle-to-everything (V2X) messages
JP2023179580A (ja) Ｖ２ｘおよびセンサデータを使用するためのシステムおよび方法
US11495064B2 (en) Value-anticipating cooperative perception with an intelligent transportation system station
US11877217B2 (en) Message processing for wireless messages based on value of information
US20230260398A1 (en) System and a Method for Reducing False Alerts in a Road Management System
US20230419200A1 (en) Decentralized parking fulfillment service
US11967230B2 (en) System and method for using V2X and sensor data

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