CN112829744B - 基于纵横向耦合的车辆长时域轨迹预测方法 - Google Patents

Abstract

本申请提供一种基于纵横向耦合的车辆长时域轨迹预测方法，其中该方法包括：根据第一位置序列和第一速度序列，确定被测车辆在第一时间段内的第二位置序列和第二速度序列，第一位置序列表征被测车辆在历史时间段内的纵向位置和横向位置，第二位置序列表征被测车辆在第一时间段内的纵向位置和横向位置；根据第一速度序列和第二速度序列，确定被测车辆在第二时间段内的第三速度序列，根据第三速度序列、第一位置序列和第二位置序列，确定被测车辆在第二时间段内的第三位置序列，第三位置序列表纵向位置和横向位置；对第二位置序列和第三位置序列进行线性叠加处理，得到被测车辆的预测轨迹。得到长时域内的预测轨迹，提高长时域内的轨迹预测精准性。

Description

基于纵横向耦合的车辆长时域轨迹预测方法

技术领域

本申请涉及车辆和自动驾驶技术领域，尤其涉及一种基于纵横向耦合的车辆长时域轨迹预测方法。

背景技术

随着车辆技术的发展，智能车辆开始得到发展和应用，智能车辆例如是自动驾驶车辆。智能车辆在行驶时，需要获知周围其他车辆的未来轨迹，以协助自身的行驶。即，需要对周围其他车辆的轨迹进行预测。

现在，在对周围其他车辆的轨迹进行预测时，可以采用预设的物理模型进行轨迹点的预测，其中，物理模型例如是车辆运动学的模型或动力学模型。

然而采用预设的物理模型进行轨迹点的预测的方式，由于依赖于车辆运动的低级属性，只能够预测到较为精准的短时域上的轨迹，即，只能够得到周围其他车辆在较短时间上的预测轨迹；无法得到较为精准的长时域上的轨迹。

发明内容

本申请提供一种基于纵横向耦合的车辆长时域轨迹预测方法，用以解决无法得到较为精准的长时域上的轨迹的问题。

第一方面，本申请提供了一种基于纵横向耦合的车辆长时域轨迹预测方法，所述方法包括：

获取被测车辆在历史时间段内的第一位置序列和第一速度序列，其中，所述第一位置序列表征所述被测车辆在历史时间段内的纵向位置和横向位置；所述第一位置序列表征所述被测车辆依次在历史时间段内每一时刻的位置，所述第一速度序列表征所述被测车辆依次在历史时间段内每一时刻的速度；

根据所述第一位置序列中的最后时刻的位置和所述第一速度序列中最后时刻的速度，确定所述被测车辆在第一时间段内的第二位置序列和第二速度序列，其中，所述第二位置序列表征所述被测车辆在第一时间段内的纵向位置和横向位置，所述第一时间段为所述历史时间段之后的时间；所述第二位置序列表征所述被测车辆依次在第一时间段内每一时刻的位置，所述第二速度序列表征所述被测车辆依次在第一时间段内每一时刻的速度；

根据所述第一速度序列和所述第二速度序列，确定所述被测车辆在第二时间段内的第三速度序列，其中，所述第二时间段为所述第一时间段之后的时间，所述第三速度序列表征所述被测车辆依次在第二时间段内每一时刻的速度；并根据所述第三速度序列、所述第一位置序列和所述第二位置序列，确定所述被测车辆在第二时间段内的第三位置序列，其中，所述第三位置序列表征所述被测车辆在第二时间段内的纵向位置和横向位置，所述第三位置序列表征所述被测车辆依次在第二时间段内每一时刻的位置；

对所述第二位置序列和所述第三位置序列进行线性叠加处理，得到所述被测车辆的预测轨迹，其中，所述预测轨迹为所述被测车辆在所述第一时间段和所述第二时间段所构成的时间上的轨迹。

第二方面，本申请提供了一种电子设备，包括用于执行以上第一方面的任一方法各个步骤的单元或者手段(means)。

第三方面，本申请提供了一种电子设备，包括处理器、存储器以及计算机程序，其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现第一方面的任一方法。

第四方面，本申请提供了一种电子设备，包括用于执行以上第一方面的任一方法的至少一个处理元件或芯片。

第五方面，本申请提供了一种计算机程序，该计算程序在被处理器执行时用于执行以上第一方面的任一方法。

第六方面，本申请提供了一种计算机可读存储介质，其上存储有第六方面的计算机程序。

第七方面，本申请提供了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，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。

本申请提供的基于纵横向耦合的车辆长时域轨迹预测方法，通过获取到被测车辆在历史时间段内的第一位置序列和第一速度序列，其中，第一位置序列表征被测车辆在历史时间段内的纵向位置和横向位置；依据根据第一位置序列中的最后时刻的位置和第一速度序列中最后时刻的速度，预测出被测车辆在第一时间段内的第二位置序列和第二速度序列，其中，第二位置序列表征被测车辆在第一时间段内的纵向位置和横向位置；基于根据第一速度序列和第二速度序列，预测出被测车辆在第二时间段内的第三速度序列；进而，去得到被测车辆在第二时间段内的第三位置序列，其中，第三位置序列表征被测车辆在第二时间段内的纵向位置和横向位置；由于得到了被测车辆在第一时间内的第二位置序列、以及在第二时间段内的第三位置序列，可以对第二位置序列和第三位置序列进行线性叠加处理，得到被测车辆的预测轨迹，其中，预测轨迹为被测车辆在第一时间段和第二时间段所构成的时间上的轨迹。可以得到长时域内的预测轨迹；并且，由于基于纵向信息和横向信息去进行轨迹预测，提高了长时域内的轨迹预测的精准性，减少了不确定性。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1为本申请实施例提供的应用场景示意图，如图1所示；

图2为本申请实施例提供的一种基于纵横向耦合的车辆长时域轨迹预测方法的流程示意图；

图3为本申请实施例提供的另一种基于纵横向耦合的车辆长时域轨迹预测方法的流程示意图；

图4为本申请实施例提供的又一种基于纵横向耦合的车辆长时域轨迹预测方法的流程示意图；

图5为本申请实施例提供的DIR模型的示意图；

图6为本申请实施例提供的被测车辆在不同的驾驶特性下的轨迹的示意图；

图7为本申请实施例提供的预测轨迹的示意图一；

图8为本申请实施例提供的预测轨迹的示意图二；

图9为本申请实施例提供的被测车辆的预测位置区域的示意图。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

随着车辆技术的发展、以及信息电子等相关技术的发展，智能车辆开始得到发展和应用，智能车辆例如是自动驾驶车辆。智能车辆被赋予了智能化及网联化的特性，智能车辆的应用提高了人们出行的便捷性、舒适性、安全性、节能性等等。

智能车辆在行驶时，需要获知周围其他车辆的未来轨迹，即，需要准确的判断周围其他车辆的未来运动意图，以协助自身的行驶。即，需要对周围其他车辆的轨迹进行预测。对周围其他车辆的轨迹进行准确的预测，可以帮助当前车辆判断周围其他车辆的未来运动意图，帮助当前车辆进行轨迹的规划、协助当前车辆的行驶的安全性。

一个示例中，在对周围其他车辆的轨迹进行预测时，可以采用预设的物理模型进行轨迹的预测，其中，物理模型例如是车辆运动学的模型或动力学模型。并且，在采用预设的物理模型进行轨迹点的预测时，可以结合卡尔曼滤波和蒙特卡洛方法解决物理模型的不确定性问题。具体来说，采用预设的物理模型，对被测车辆的轨迹进行预测时，需要依赖于车辆的运行的低级属性，即依赖于车辆的动力学或运动学属性；进而得到被测车辆在短时域内的预测轨迹(即，未来轨迹)，并且，正是由于依赖于车辆的运行的低级属性，是可以得到被测车辆在短时域(例如，小于1秒)内的精准的预测轨迹的。可知，基于物理模型去预测车辆的轨迹，是一种短时域预测的方式。

然而上述采用预设的物理模型对被测车辆的轨迹进行预测的方式，由于依赖于车辆运动的低级属性，只能够预测到较为精准的短时域上的轨迹，即，只能够得到周围其他车辆在较短时间上的预测轨迹；无法得到较为精准的长时域(大于1秒)上的轨迹，无法得到被测车辆的完整运动过程。例如，若被测车辆在十字路的转弯或者正常直线行驶的换道运动，基于物理模型是无法得到被测车辆的准确的轨迹的。

一个示例中，在对周围其他车辆的轨迹进行预测时，可以采用基于行为的方法进行轨迹的预测。在采用基于行为的方法对被测车辆的轨迹进行预测时，可以获取被测车辆的驾驶意图或者驾驶行为(即，识别被测车辆的驾驶意图或驾驶行为)，然后基于被测车辆的驾驶意图或者驾驶行为得到被测车辆的轨迹(例如，基于轨迹聚类的方式将车辆历史轨迹进行分类，然后基于驾驶意图或者驾驶行为得到被测车辆的轨迹)。

并且，基于驾驶意图去预测车辆的轨迹，是一种长时域预测的方式。而基于深度学习方法去预测车辆的轨迹，也是一种长时域预测的方式。

一个示例中，基于驾驶意图去预测车辆的轨迹的方式，是可以保证长时间(大于1秒)范围内的预测精度；但是这样的方式的起始阶段(即，开始的时候)的预测精度是很低的。并且，基于驾驶意图去预测车辆的轨迹的方式，对于被测车辆的纵向和横向预测是独立分开分析的，进而无法分析出基于纵横向耦合下的车辆轨迹预测。

一个示例中，基于深度学习方法去预测车辆的轨迹的方式，可以得到长时域下的轨迹，但是这种方式非常依赖于数据，且深度学习模型的可解释性和场景迁移性很差，并且难以进行预测不确定性的描述，所以很难应用到实际的车辆预测中。

本申请提供的基于纵横向耦合的车辆长时域轨迹预测方法，旨在解决现有技术的如上技术问题。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

图1为本申请实施例提供的应用场景示意图，如图1所示，在道路中多个车辆在行驶，当前车辆的周围有至少一个被测车辆，需要对至少一个被测车辆的未来轨迹进行预测。如图1所示，当前车辆周围有多个被测车辆，可以对多个被测车辆中的每一个被测车辆进行轨迹的预测，或者只对其中一个被测车辆进行估计的预测。需要注意的是，本方案中，是对每一个被测车辆分别进行轨迹预测的。

首先，需要解释的是，本申请中所提及的“纵向”和“横向”，可以有以下不同的解释方式。

方式1、车辆的行驶方向为“纵向”，垂直于车辆的行驶方向的方向为“横向”。

方式2、在得到车辆的行驶方向之后，对车辆的行驶方向进行拆解，得到两个方向，分别为“纵向”和“横向”。

图2为本申请实施例提供的一种基于纵横向耦合的车辆长时域轨迹预测方法的流程示意图。如图2所示，该方法包括：

101、获取被测车辆在历史时间段内的第一位置序列和第一速度序列，其中，第一位置序列表征被测车辆在历史时间段内的纵向位置和横向位置；第一位置序列表征被测车辆依次在历史时间段内每一时刻的位置，第一速度序列表征被测车辆依次在历史时间段内每一时刻的速度。

示例性地，在本实施例中，本实施例的执行主体可以是当前车辆、或者当前车辆中的控制器、或者服务器、或者终端设备、或者电子设备、或者其他可以执行本申请的方案的装置或设备。本实施例中，以执行主体为电子设备进行说明。

当前车辆的周围有至少一个被测车辆，在需要对被测车辆进行轨迹预测时，针对每一个被测车辆可以执行本申请的方案。

首先，需要获取到被测车辆在历史时间段1:t内的位置情况和速度情况。可以通过传感器去采集被测车辆在历史时间段1:t内的第一位置序列和第一速度序列；或者，接收被测车辆发送的被测车辆在历史时间段1:t内的第一位置序列和第一速度序列。

其中，第一位置序列表征被测车辆在历史时间段1:t内的纵向位置和横向位置。可知，第一位置序列中包括被测车辆在历史时间段1:t内的每一时刻上的位置(即，位置信息)，这里的历史时间段1:t内的第i时刻的位置包括纵向位置x和横向位置y。即，第i时刻的位置表征为(x,y)；需要知道的是，每一时刻的位置是不同或相同的。

第一速度序列表征被测车辆依次在历史时间段1:t内每一时刻的速度，并且，第一速度序列表征被测车辆依次在历史时间段1:t内的纵向速度和横向速度。可知，第一速度序列包括被测车辆在历史时间段1:t内的每一时刻上的速度信息，这里的历史时间段1:t内的第i时刻的速度包括纵向速度v_x和横向速度v_y。即，第i时刻的速度表征为(v_x,v_y)；需要知道的是，每一时刻的速度是不同或相同的。

另外，还可以通过传感器去采集被测车辆在历史时间段1:t内的第一加速度序列；或者，接收被测车辆发送的被测车辆在历史时间段1:t内的第一加速度序列。

第一加速度序列表征被测车辆依次在历史时间段1:t内每一时刻的加速度，并且，第一加速度序列表征被测车辆依次在历史时间段1:t内的纵向加速度和横向加速度。可知，第一加速度序列包括被测车辆在历史时间段1:t内的每一时刻上的加速度，这里的历史时间段1:t内的第i时刻的加速度包括纵向加速度a_x和横向加速度a_y。即，第i时刻的加速度表征为(a_x,a_y)；需要知道的是，每一时刻的加速度是不同或相同的。

其中，i∈[1,T]，i、t、T为正整数；t小于T。

102、根据第一位置序列中的最后时刻的位置和第一速度序列中最后时刻的速度，确定被测车辆在第一时间段内的第二位置序列和第二速度序列，其中，第二位置序列表征被测车辆在第一时间段内的纵向位置和横向位置，第一时间段为历史时间段之后的时间；第二位置序列表征被测车辆依次在第一时间段内每一时刻的位置，第二速度序列表征被测车辆依次在第一时间段内每一时刻的速度。

示例性地，第一位置序列中包括了多个时刻下位置，第一速度序列中包括了多个时刻下的速度；进而，提取出第一位置序列中的最后时刻t的位置和第一速度序列中最后时刻t的速度。

然后，根据第一位置序列中的最后时刻t的位置和第一速度序列中最后时刻t的速度进行预测处理，得到被测车辆在第一时间段t：t+ΔT内的第二位置序列、以及被测车辆在第一时间段t：t+ΔT内的第二速度序列。第一时间段为历史时间段之后的时间，即，第一时间段是未来时间；且第一时间段是一个短时域。

第二位置序列表征被测车辆在第一时间段t：t+ΔT内的纵向位置和横向位置。可知，第二位置序列中包括被测车辆在第一时间段t：t+ΔT内的每一时刻上的位置(即，位置信息)，这里的第一时间段t：t+ΔT内的第i时刻的位置包括纵向位置x和横向位置y。即，第i时刻的位置表征为(x,y)；需要知道的是，每一时刻的位置是不同或相同的。

第二速度序列表征被测车辆依次在第一时间段t：t+ΔT内每一时刻的速度，并且，第二速度序列表征被测车辆依次在第一时间段t：t+ΔT内的纵向速度和横向速度。可知，第二速度序列包括被测车辆在第一时间段t：t+ΔT内的每一时刻上的速度信息，这里的第一时间段t：t+ΔT内的第i时刻的速度包括纵向速度v_x和横向速度v_y。即，第i时刻的速度表征为(v_x,v_y)；需要知道的是，每一时刻的速度是不同或相同的。

此外，还可以预测到被测车辆在第一时间段t：t+ΔT内的第二加速度序列。

第二加速度序列表征被测车辆依次在第一时间段t：t+ΔT内每一时刻的加速度，并且，第二加速度序列表征被测车辆依次在第一时间段t：t+ΔT内的纵向加速度和横向加速度。可知，第二加速度序列包括被测车辆在第一时间段t：t+ΔT内的每一时刻上的加速度，这里的第一时间段t：t+ΔT内的第i时刻的加速度包括纵向加速度a_x和横向加速度a_y。即，第i时刻的加速度表征为(a_x,a_y)；需要知道的是，每一时刻的加速度是不同或相同的。

其中，ΔT小于T，ΔT为正整数。

103、根据第一速度序列和第二速度序列，确定被测车辆在第二时间段内的第三速度序列，其中，第二时间段为第一时间段之后的时间，第三速度序列表征被测车辆依次在第二时间段内每一时刻的速度；并根据第三速度序列、第一位置序列和第二位置序列，确定被测车辆在第二时间段内的第三位置序列，其中，第三位置序列表征被测车辆在第二时间段内的纵向位置和横向位置，第三位置序列表征被测车辆依次在第二时间段内每一时刻的位置。

示例性地，由于第一速度序列表征被测车辆依次在历史时间段1:t内每一时刻的速度，并且，第一速度序列表征被测车辆依次在历史时间段1:t内的纵向速度和横向速度；第二加速度序列表征被测车辆依次在第一时间段t：t+ΔT内每一时刻的加速度，并且，第二加速度序列表征被测车辆依次在第一时间段t：t+ΔT内的纵向加速度和横向加速度。进而，可以依据历史时间和短时域的速度，对未来的长时域进行速度预测，此时得到被测车辆在第二时间段t+ΔT：t+T内的第三速度序列。其中，第二时间段为第一时间段之后的时间，第二时间段的时间长度可以大于第一时间段的时间长度。

第三速度序列表征被测车辆依次在第二时间段t+ΔT：t+T内每一时刻的速度，并且，第安速度序列表征被测车辆依次在第二时间段t+ΔT：t+T内的纵向速度和横向速度。可知，第三速度序列包括被测车辆在第二时间段t+ΔT：t+T内的每一时刻上的速度信息，这里的第二时间段t+ΔT：t+T内的第i时刻的速度包括纵向速度v_x和横向速度v_y。即，第i时刻的速度表征为(v_x,v_y)；需要知道的是，每一时刻的速度是不同或相同的。

然后，根据第三速度序列、第一位置序列和第二位置序列进行预测处理，得到被测车辆在第二时间段t+ΔT：t+T内的第三位置序列。

第三位置序列表征被测车辆在第二时间段t+ΔT：t+T内的纵向位置和横向位置。可知，第三位置序列中包括被测车辆在第二时间段t+ΔT：t+T内的每一时刻上的位置(即，位置信息)，这里的第二时间段t+ΔT：t+T内的第i时刻的位置包括纵向位置x和横向位置y。即，第i时刻的位置表征为(x,y)；需要知道的是，每一时刻的位置是不同或相同的。

104、对第二位置序列和第三位置序列进行线性叠加处理，得到被测车辆的预测轨迹，其中，预测轨迹为被测车辆在第一时间段和第二时间段所构成的时间上的轨迹。

示例性地，通过上述步骤得到了被测车辆在第一时间段t：t+ΔT内的第二位置序列、以及在第二时间段t+ΔT：t+T内的第三位置序列。其中，第二位置序列表征被测车辆在第一时间段t：t+ΔT内的纵向位置和横向位置，第二位置序列中包括被测车辆在第一时间段t：t+ΔT内的每一时刻上的位置(即，位置信息)；第三位置序列表征被测车辆在第二时间段t+ΔT：t+T内的纵向位置和横向位置，第三位置序列中包括被测车辆在第二时间段t+ΔT：t+T内的每一时刻上的位置(即，位置信息)。

其中，第二位置序列可以采用(x^t：t+ΔT,y^t：t+ΔT)表示，第三位置序列可以采用(x^{t +ΔT：t+T},y^t+ΔT：t+T)表示。

然后，对第二位置序列(x^t：t+ΔT,y^t：t+ΔT)、第三位置序列(x^t+ΔT：t+T,y^t+ΔT：t+T)进行线性叠加，进而通过线性叠加的方式得到被测车辆的预测轨迹，其中，预测轨迹为被测车辆在第一时间段和第二时间段所构成的时间上的轨迹。其中，预测轨迹是被测车辆在时间段t:T内的轨迹，预测轨迹可以采用(x^t：t+T,y^t：t+T)表示。

可知，所得到的预测轨迹(x^t：t+T,y^t：t+T)融合了车辆的纵向位置和横向位置。

本实施例，通过获取到被测车辆在历史时间段内的第一位置序列和第一速度序列，其中，第一位置序列表征被测车辆在历史时间段内的纵向位置和横向位置；依据根据第一位置序列中的最后时刻的位置和第一速度序列中最后时刻的速度，预测出被测车辆在第一时间段内的第二位置序列和第二速度序列，其中，第二位置序列表征被测车辆在第一时间段内的纵向位置和横向位置；基于根据第一速度序列和第二速度序列，预测出被测车辆在第二时间段内的第三速度序列；进而，去得到被测车辆在第二时间段内的第三位置序列，其中，第三位置序列表征被测车辆在第二时间段内的纵向位置和横向位置；由于得到了被测车辆在第一时间内的第二位置序列、以及在第二时间段内的第三位置序列，可以对第二位置序列和第三位置序列进行线性叠加处理，得到被测车辆的预测轨迹，其中，预测轨迹为被测车辆在第一时间段和第二时间段所构成的时间上的轨迹。可以得到长时域内的预测轨迹；并且，由于基于纵向信息和横向信息去进行轨迹预测，提高了长时域内的轨迹预测的精准性，减少了不确定性。

图3为本申请实施例提供的另一种基于纵横向耦合的车辆长时域轨迹预测方法的流程示意图。如图3所示，该方法包括：

201、获取被测车辆在历史时间段内的相对运动信息，并获取当前车辆在历史时间段内的第一历史运动信息。

示例性地，在本实施例中，本实施例的执行主体可以是当前车辆、或者当前车辆中的控制器、或者服务器、或者终端设备、或者电子设备、或者其他可以执行本申请的方案的装置或设备。本实施例中，以执行主体为电子设备进行说明。

当前车辆的周围有至少一个被测车辆，在需要对被测车辆进行轨迹预测时，针对每一个被测车辆可以执行本申请的方案。

首先，需要获取到被测车辆在历史时间段1:t内的位置情况和速度情况。在每一车辆上可以设置传感器，其中传感器包括但不限于激光雷达、毫米波雷达。被测车辆可以通过传感器获取到被测车辆在历史时间段1:t内的相对运动信息。相对运动信息表征的是被测车辆与当前车辆之间的相对运动关系下的信息。其中，相对运动信息包括纵横向的相对位置、纵横向的相对速度和纵横向的相对加速度。

并且，可以获取到当前车辆的在历史时间段1:t内的第一历史运动信息，例如，通过导航定位系统得到当前车辆的在历史时间段1:t内的第一历史运动信息。其中，第一历史运动信息包括当前车辆在历史时间段1:t的每一时刻下的横向位置和纵向位置、当前车辆在历史时间段1:t的每一时刻下的横向速度和纵向速度、当前车辆在历史时间段1:t的每一时刻下的横向加速度和纵向加速度。

202、根据相对运动信息和第一历史运动信息，确定被测车辆在历史时间段内的第二历史运动信息，其中，第二历史运动信息中包括第一位置序列和第一速度序列。第一位置序列表征被测车辆在历史时间段内的纵向位置和横向位置；第一位置序列表征被测车辆依次在历史时间段内每一时刻的位置，第一速度序列表征被测车辆依次在历史时间段内每一时刻的速度。

一个示例中，第二历史运动信息中还包括第一加速度序列，第一加速度序列表征被测车辆依次在历史时间段内每一时刻的加速度。

示例性地，将相对运动信息和第一历史运动信息进行融合，得到被测车辆在历史时间段1:t内的第二历史运动信息。其中，第二历史运动信息中包括第一位置序列、第一速度序列以及第一加速度序列。

其中，第二历史运动信息可以采用A^1：t进行表示；A^1：t为历史时间段1:t(即，1:t时域)内的被测车辆的运动信息。其中，A＝{x,y,v_x,v_y,a_x,a_y}，历史时间段1:t内的第i时刻的位置包括纵向位置x和横向位置y，历史时间段1:t内的第i时刻的速度包括纵向速度v_x和横向速度v_y，历史时间段1:t内的第i时刻的加速度包括纵向加速度a_x和横向加速度a_y。i∈[1,T]，i、t、T为正整数；t小于T。

对于第一位置序列、第一速度序列以及第一加速度序列的介绍，请参见图2所示的步骤101，不再赘述。

203、获取被测车辆在历史时间段的最后时刻上的姿态信息，根据被测车辆在历史时间段的最后时刻上的姿态信息、第一位置序列中最后时刻的位置、以及第一速度序列中最后时刻的速度，确定被测车辆在第一时间段的初始时刻的状态空间信息；其中，状态空间信息用于指示被测车辆在每一时刻上的速度、位置、加速度和姿态。

一个示例中，被测车辆在第一时间段中每一时刻的状态空间信息，包括：横向位置、纵向位置、被测车辆在行驶方向上的速度、被测车辆在行驶方向上的加速度、以及姿态信息。其中，行驶方向，可以是横向、或者纵向、或者车辆的实际行驶方向。

一个示例中，姿态信息包括被测车辆的横摆角和/或横摆角速度。

示例性地，获取被测车辆在历史时间段1:t中每一时刻上的姿态信息。例如，在被测车辆中设置有传感器，通过被测车辆上的传感器获取被测车辆的姿态信息。其中，姿态信息包括被测车辆的横摆角θ，和/或，横摆角速度ω。进而，得到了第一姿态序列(表征被测车辆依次在历史时间段1:t内每一时刻的姿态信息)；然后，可以提取出被测车辆在历史时间段1:t的最后时刻t上的姿态信息。

第一位置序列中包括了多个时刻下位置，第一速度序列中包括了多个时刻下的速度；进而，提取出第一位置序列中的最后时刻t的位置和第一速度序列中最后时刻t的速度。

然后，根据被测车辆在历史时间段1:t的最后时刻t上的姿态信息、第一位置序列中最后时刻t的位置、以及第一速度序列中最后时刻t的速度，建立状态空间方程，就可以确定出被测车辆在第一时间段t：t+ΔT的初始时刻t的状态空间信息。

一个示例中，在本申请的方案中，是对车辆的纵向信息和横向信息都进行分析的。若只分析被测车辆的纵向信息(即，纵向运动的信息)，则只能得到被测车辆的简单的直线运动轨迹，无法准确的对被测车辆的轨迹进行预测；并且，所得的被测车辆的预测轨迹显示对当前车辆的正常行驶没有构成危险，此时，对当前车辆的行驶没有参考意义。若只分析被测车辆的横向信息(即，横向运动的信息)，所得到的被测车辆的预测轨迹，对当前车辆的正常行驶造成危险，可知，被测车辆的横向信息是很重要的；但是，若只分析被测车辆的横向信息，所得到的被测车辆的预测轨迹依然是不完整的、不准确的。

从而，在本申请中，建立一种运动学模型选择恒定转弯速率和加速度(constantturn rate and acceleration，简称CTRA)模型；基于CTRA模型，去得到被测车辆在第一时间段t：t+ΔT内的第二位置序列和第二速度序列。

首先，针对于第一时间段t：t+ΔT的初始时刻t，根据被测车辆在历史时间段1:t的最后时刻t上的姿态信息(包括了横摆角θ，横摆角速度ω)、第一位置序列中最后时刻t的位置(x,y)、第一速度序列中最后时刻t的速度v、第加速度序列中最后时刻t的加速度a，建立被测车辆在第一时间段t：t+ΔT的初始时刻t下的

其中，这里的“最后时刻t”指的是“第一时间段t：t+ΔT的初始时刻t”。

是一个六维矩阵。

204、根据被测车辆在第一时间段的相邻时刻中前一时刻的在行驶方向上的速度、被测车辆在第一时间段的相邻时刻中前一时刻的在行驶方向上的加速度、以及被测车辆在第一时间段的相邻时刻中前一时刻的姿态信息，建立被测车辆在第一时间段的相邻时刻中后一时刻的预设间隔状态信息。

示例性地，在步骤205之前，还需要得到各相邻时刻下的间隔状态信息。针对于被测车辆在第一时间段t：t+ΔT的每一相邻时刻，将相邻时刻中前一时刻的在行驶方向上的速度、相邻时刻中前一时刻的在行驶方向上的加速度、相邻时刻中前一时刻的姿态信息建立状态转移方程，就可以得到相邻时刻中后一时刻的预设间隔状态信息。

一个示例中，针对于被测车辆在第一时间段t：t+ΔT的每一相邻时刻，相邻时刻中后一时刻的预设间隔状态信息为ΔS。ΔS是一个六维矩阵。

其中，Δt是一个时间间隔，Δt是正数；例如，Δt是与车辆感知系统的数据采样频率一致的运行周期。v1是被测车辆在第一时间段t：t+ΔT的相邻时刻中前一时刻的速度(这里的速度，是被测车辆在行驶方向上的速度)，a1是被测车辆在第一时间段t：t+ΔT的相邻时刻中前一时刻的加速度(这里的速度，是被测车辆在行驶方向上的加速度)，ω1是被测车辆在第一时间段t：t+ΔT的相邻时刻中前一时刻的横摆角速度，θ1是被测车辆在第一时间段t：t+ΔT的相邻时刻中前一时刻的横摆角。

205、根据被测车辆在第一时间段的相邻时刻中前一时刻的状态空间信息、以及被测车辆在第一时间段的相邻时刻中后一时刻的预设间隔状态信息，确定被测车辆在第一时间段的相邻时刻中后一时刻的状态空间信息。

一个示例中，步骤205具体包括：将被测车辆在第一时间段的相邻时刻中前一时刻的状态空间信息、以及被测车辆在第一时间段的相邻时刻中后一时刻的预设间隔状态信息进行累加，得到被测车辆在第一时间段的相邻时刻中后一时刻的状态空间信息。

示例性地，针对于第一时间段的各相邻时刻，将相邻时刻中前一时刻的状态空间信息、被测车辆在第一时间段的相邻时刻中后一时刻的预设间隔状态信息，两者进行累加，得到相邻时刻中后一时刻的状态空间信息。

206、根据被测车辆在第一时间段中每一个时刻的状态空间信息，确定第二位置序列和第二速度序列。

其中，第二位置序列表征被测车辆在第一时间段内的纵向位置和横向位置，第一时间段为历史时间段之后的时间；第二位置序列表征被测车辆依次在第一时间段内每一时刻的位置，第二速度序列表征被测车辆依次在第一时间段内每一时刻的速度。

示例性地，由于状态空间信息用于指示被测车辆在每一时刻上的速度、位置、加速度和姿态，进而可以直接根据被测车辆在第一时间段中每一个时刻的状态空间信息，提取出第二位置序列和第二速度序列。

其中，被测车辆在第一时间段中每一时刻的状态空间信息，包括了以下信息：横向位置、纵向位置、被测车辆在行驶方向上的速度、被测车辆在行驶方向上的加速度、以及姿态信息。

举例来说，由于得到了第一加速度序列和第一姿态序列，其中，第一加速度序列表征被测车辆依次在历史时间段1:t内每一时刻的加速度，第一姿态序列表征被测车辆依次在历史时间段1:t内每一时刻的姿态信息；进而可以提取出第一速度序列中最后时刻t的在行驶方向上的速度、第一加速度序列中最后时刻t的在行驶方向上的加速度。

然后，针对于第一时间段t：t+ΔT的初始时刻t，根据被测车辆在历史时间段1:t的最后时刻t上的姿态信息(包括了横摆角θ，横摆角速度ω)、第一位置序列中最后时刻t的位置(x,y)、第一速度序列中最后时刻t的速度v、第一加速度序列中最后时刻t的加速度a，建立被测车辆在第一时间段t：t+ΔT的初始时刻t下的

其中，这里的“最后时刻t”指的是“第一时间段t：t+ΔT的初始时刻t”。

是一个六维矩阵。

根据被测车辆在历史时间段1:t的最后时刻t上的姿态信息(包括了横摆角θ，横摆角速度ω)、第一位置序列中最后时刻t的位置(x,y)、第一速度序列中最后时刻t的速度v、第加速度序列中最后时刻t的加速度a，建立时刻t+Δt的间隔状态信息ΔS(t)。

此时，时刻t+Δt的间隔状态信息ΔS(t)为以下表达：

然后，将被测车辆在第一时间段t：t+ΔT的初始时刻t下的状态空间信息

时刻t+Δt的间隔状态信息ΔS(t)进行累加，得到被测车辆在第一时间段t：t+ΔT的时刻t+Δt的状态空间信息

其中，ΔT＝NΔt,N为迭代次数，N为正整数；Δt是一个时间间隔，Δt是正数；例如，Δt是与车辆感知系统的数据采样频率一致的运行周期。

接着，根据被测车辆在第一时间段t：t+ΔT的时刻t+Δt上的姿态信息(包括了横摆角θ_t+Δt，横摆角速度ω_t+Δt)、被测车辆在第一时间段t：t+ΔT的时刻t+Δt上的位置(x_t+Δt,y_t+Δt)、被测车辆在第一时间段t：t+ΔT的时刻t+Δt上的速度v_t+Δt、被测车辆在第一时间段t：t+ΔT的时刻t+Δt上的加速度a_t+Δt，建立时刻t+2Δt的间隔状态信息ΔS(t+Δt)。

此时，时刻t+2Δt的间隔状态信息ΔS(t+Δt)为以下表达：

然后，将被测车辆在第一时间段t：t+ΔT的时刻t+Δt下的状态空间信息

时刻t+Δt的间隔状态信息ΔS(t+Δt)进行累加，得到被测车辆在第一时间段t：t+ΔT的时刻t+2Δt的状态空间信息

接着，根据被测车辆在第一时间段t：t+ΔT的时刻t+2Δt上的姿态信息(包括了横摆角θ_t+2Δt，横摆角速度ω_t+2Δt)、被测车辆在第一时间段t：t+ΔT的时刻t+2Δt上的位置(x_t+2Δt,y_t+2Δt)、被测车辆在第一时间段t：t+ΔT的时刻t+2Δt上的速度v_t+2Δt、被测车辆在第一时间段t：t+ΔT的时刻t+2Δt上的加速度a_t+2Δt，建立时刻t+3Δt的间隔状态信息ΔS(t+2Δt)。

此时，时刻t+3Δt的间隔状态信息ΔS(t+2Δt)为以下表达：

然后，将被测车辆在第一时间段t：t+ΔT的时刻t+2Δt下的状态空间信息

时刻t+3Δt的间隔状态信息ΔS(t+2Δt)进行累加，得到被测车辆在第一时间段t：t+ΔT的时刻t+3Δt的状态空间信息

以此类推，得到被测车辆在第一时间段t：t+ΔT的每一时刻的状态空间信息。并且，状态空间信息中包括横向位置、纵向位置、被测车辆在行驶方向上的速度、被测车辆在行驶方向上的加速度、以及姿态信息，进而可以直接确定被测车辆在第一时间段t：t+ΔT内的第二位置序列(y^t：t+ΔT,x^t：t+ΔT)、被测车辆在第一时间段t：t+ΔT内的第二速度序列

通过步骤203-206，通过迭代的方式得到状态转移信息(即，状态转移方程)，进而预测出被测车辆在第一时间段t：t+ΔT内的第二位置序列和第二速度序列，即，得到被测车辆在短时域内的位置序列和速度序列。通过步骤203-206，结合车辆物理模型、以及非线性车辆运动学模型，得到被测车辆在短时域内的位置序列和速度序列；其中，车辆物理模型具有预测精度高的特点。

本实施例中，还可以包括以下步骤：对第一位置序列和第二位置序列进行线性叠加处理，得到被测车辆在历史时间段和第一时间段所构成的时间内的第四位置序列，其中，第四位置序列表征被测车辆在历史时间段和第一时间段所构成的时间内的纵向位置和横向位置。

结合被测车辆在历史时间段1:t内的第一位置序列、被测车辆在第一时间段t：t+ΔT内的第二位置序列(y^t：t+ΔT,x^t：t+ΔT)，可以得到被测车辆在时间段1：t+ΔT内的第四位置序列(y^1：t+ΔT,x^1：t+ΔT)；结合被测车辆在历史时间段1:t内的第一速度序列、被测车辆在第一时间段t：t+ΔT内的第二速度序列

可以得到被测车辆在时间段1：t+ΔT内的第四速度序列

207、根据被测车辆在第一时间段中每一个时刻的状态空间信息，建立第一函数和第二函数，其中，第一函数用于指示状态空间信息与系统噪声之间的关系，第二函数用于指示状态空间信息与观测噪声之间的关系，第一函数为考虑不确定性的状态转移方程，第二函数为考虑不确定性的观测方程。

一个示例中，步骤207中的“根据被测车辆在第一时间段中每一个时刻的状态空间信息，建立第一函数”，包括以下步骤：根据被测车辆在第一时间段中每一个时刻的状态空间信息，建立运动状态函数，其中，运动状态函数表征状态空间信息与时刻之间的关系；根据运动状态函数和预设的系统噪声函数，建立第一函数。

一个示例中，步骤207中的“根据被测车辆在第一时间段中每一个时刻的状态空间信息，建立第二函数”，包括以下步骤：根据被测车辆在第一时间段中每一个时刻的状态空间信息，建立运动状态观测函数，其中，运动状态观测函数表征状态空间信息与时刻之间的关系；根据运动状态观测函数和预设的观测噪声函数，建立第二函数。

示例性地，根据被测车辆在第一时间段t：t+ΔT中每一个时刻的状态空间信息，建立第一函数和第二函数。

具体来说，由于预测轨迹时具有预测不确定性，这是由于智能车辆的传感器测所得的感知信息具有不确定性、被测车辆的驾驶行为具有不确定性、以及模型本身的建模误差等问题。进而为了处理非线性CTRA模型的不确定性问题，可以修正所得到的第二位置序列，去扩大被测车辆在第一时间段t：t+ΔT中位置。可以采用无迹卡尔曼滤波(unscentedKalman filtering，简称UKF)的方式，来去扩大被测车辆在第一时间段t：t+ΔT中位置。

可以根据被测车辆在第一时间段t：t+ΔT中每一个时刻的状态空间信息，建立运动状态函数，其中，运动状态函数表征状态空间信息与时刻之间的关系；然后，根据运动状态函数和预设的系统噪声函数，建立第一函数。第一函数用于指示状态空间信息与系统噪声之间的关系，第一函数为考虑不确定性的状态转移方程。

根据被测车辆在第一时间段t：t+ΔT中每一个时刻的状态空间信息，建立运动状态观测函数，其中，运动状态观测函数表征状态空间信息与时刻之间的关系；然后，根据运动状态观测函数和预设的观测噪声函数，建立第二函数。第二函数用于指示状态空间信息与观测噪声之间的关系，第二函数为考虑不确定性的观测方程。

举例来说，针对于第一时间段t：t+ΔT的初始时刻t，根据被测车辆在第一时间段t：t+ΔT的初始时刻t下的状态空间信息

建立初始时刻t的运动状态函数

然后，根据初始时刻t的运动状态函数

系统噪声函数e(t)，建立初始时刻t的第一函数

根据被测车辆在第一时间段t：t+ΔT的初始时刻t下的状态空间信息

建立初始时刻t的运动状态观测函数

然后，根据初始时刻t的运动状态观测函数

观测噪声函数q(t)，建立初始时刻t的第二函数

针对于第一时间段t：t+ΔT的时刻t+Δt，根据被测车辆在第一时间段t：t+ΔT的时刻t+Δt下的状态空间信息

建立时刻t+Δt的运动状态函数

然后，根据时刻t+Δt的运动状态函数

系统噪声函数et+Δt)，建立时刻t+Δt的第一函数

根据被测车辆在第一时间段t：t+ΔT的时刻t+Δt下的状态空间信息

建立时刻t+Δt的运动状态观测函数

然后，根据时刻t+Δt的运动状态观测函数

观测噪声函数q(t+Δt)，建立时刻t+Δt的第二函数

其中，上述系统噪声函数和观测噪声函数都，均为高斯白噪声。

以此类推，得到第一时间段t：t+ΔT的每一时刻的第一函数和第二函数。

208、对第一函数和第二函数进行迭代处理，得到被测车辆在第一时间段内的第一位置分布区域，其中，第一位置分布区域包括被测车辆在第一时间段中每一时刻的多个位置点，被测车辆在第一时间段中每一时刻的多个位置点为被测车辆在第一时间段中每一时刻的位置的相邻位置。

示例性地，基于UKF的无迹变换理论(unscented transform theory，简称UT)，对第一时间段t：t+ΔT的每一时刻的第一函数和第二函数进行迭代处理，就可以得到被测车辆在第一时间段t：t+ΔT内的每一位置的粒子分布；每一位置的粒子分布，为第二位置序列中每一位置的附近的多个相邻位置。此时，被测车辆在第一时间段t：t+ΔT内的各位置的粒子分布，对应了一个方差

(该方差，也可以称作不确定性方差)。可以直接采用该方差

去描述被测车辆在第一时间段t：t+ΔT内的第一位置分布区域(第一位置分布区域，也可以称作不确定性区域)；第一位置分布区域包括被测车辆在第一时间段t：t+ΔT内的第二位置序列中的位置的各相邻位置。

209、根据第一速度序列和第二速度序列，确定被测车辆在第二时间段内的第三速度序列，其中，第二时间段为第一时间段之后的时间，第三速度序列表征被测车辆依次在第二时间段内每一时刻的速度；并根据第三速度序列、第一位置序列和第二位置序列，确定被测车辆在第二时间段内的第三位置序列，其中，第三位置序列表征被测车辆在第二时间段内的纵向位置和横向位置，第三位置序列表征被测车辆依次在第二时间段内每一时刻的位置。

示例性地，本步骤可以参见图2的步骤103，不再赘述。

210、对第二位置序列和第三位置序列进行线性叠加处理，得到被测车辆的预测轨迹，其中，预测轨迹为被测车辆在第一时间段和第二时间段所构成的时间上的轨迹。

示例性地，本步骤可以参见图2的步骤104，不再赘述。

211、根据预测轨迹，控制当前车辆的行驶。

示例性地，在得到被测车辆在时间段t:t+T内的预测轨迹之后，可以根据预测轨迹和当前车辆的行驶状态(例如，当前车辆的行驶轨迹、当前车辆的预设未来轨迹)，控制当前车辆的行驶。

一个示例中，云端的服务器可以执行步骤201-210，然后服务器根据预测轨迹和当前车辆的行驶状态(例如，当前车辆的行驶轨迹、当前车辆的预设未来轨迹)重新规划当前车辆的轨迹，得到新的轨迹；服务器将新的轨迹发送给当前车辆，进而当前车辆根据新的轨迹进行行驶。

一个示例中，当前车辆可以执行步骤201-210，然后服务器根据预测轨迹和当前车辆的行驶状态(例如，当前车辆的行驶轨迹、当前车辆的预设未来轨迹)重新规划当前车辆的轨迹，得到新的轨迹；当前车辆根据新的轨迹进行行驶。

本实施例中，在上述实施例的基础上，根据被测车辆在第一时间段的相邻时刻中前一时刻的状态空间信息、以及被测车辆在第一时间段的相邻时刻中后一时刻的预设间隔状态信息，确定被测车辆在第一时间段的相邻时刻中后一时刻的状态空间信息；根据被测车辆在第一时间段中每一个时刻的状态空间信息，确定被测车辆在第一时间段内的第二位置序列和第二速度序列。进而可以基于CTRA模型，预测出被测车辆在短时域内的第二位置序列和第二速度序列。并且，基于根据被测车辆在第一时间段中每一个时刻的状态空间信息，得到被测车辆在第一时间段内的第一位置分布区域，其中，第一位置分布区域包括被测车辆在第一时间段中每一时刻的多个位置点，被测车辆在第一时间段中每一时刻的多个位置点为被测车辆在第一时间段中每一时刻的位置的相邻位置；进而扩大被测车辆在第一时间段t：t+ΔT中位置。

图4为本申请实施例提供的又一种基于纵横向耦合的车辆长时域轨迹预测方法的流程示意图。如图4所示，该方法包括：

301、获取被测车辆在历史时间段内的第一位置序列和第一速度序列，其中，第一位置序列表征被测车辆在历史时间段内的纵向位置和横向位置；第一位置序列表征被测车辆依次在历史时间段内每一时刻的位置，第一速度序列表征被测车辆依次在历史时间段内每一时刻的速度。

示例性地，在本实施例中，本实施例的执行主体可以是当前车辆、或者当前车辆中的控制器、或者服务器、或者终端设备、或者电子设备、或者其他可以执行本申请的方案的装置或设备。本实施例中，以执行主体为电子设备进行说明。

本步骤可以参见上述实施例的介绍，不再赘述。

302、获取联合概率分布函数的条件参数，其中，联合概率分布函数为隐变量和观测变量在历史时间段下的联合概率分布函数，其中，隐变量用于指示驾驶意图和混合高斯参数，观测变量中包括第一位置序列、第一速度序列、以及被测车辆在历史时间段内的第一加速度序列；第一加速度序列表征被测车辆依次在历史时间段内每一时刻的加速度。

一个示例中，条件参数包括：先验概率、状态转移概率、第一条件转移概率和第二条件转移概率；其中，先验概率用于表征被测车辆在历史时间段的初始时刻下的驾驶意图的概率，状态转移概率用于表征被测车辆在历史时间段的各时刻下的驾驶意图的概率，第一条件转移概率用于表征被测车辆在历史时间段的各时刻下混合高斯参数与驾驶意图之间的关系的概率，第二条件转移概率用于表征被测车辆在历史时间段的各时刻下观测变量、驾驶意图、混合高斯参数三者之间的关系的概率。

示例性地，在得到被测车辆在历史时间段1:t内的第一位置序列和第一速度序列之后，还可以分析被测车辆在历史时间段1:t的每一时刻的驾驶意图。

第一位置序列是一个时序数据，第一速度序列是一个时序数据，第一加速度序列是一个时序数据；本申请中提出一种基于动态贝叶斯网络(dynamic Bayesian network，简称DBN)理论的车辆驾驶意图识别(driver intention recognition，简称DIR)模型，DIR模型是本申请提供的模型；由于DBN理论适合于时序数据的概率推理处理，并且DBN理论可以从概率的角度处理不确定性问题，基于本申请提供的DIR模型，确定出被测车辆在历史时间段1:t中每一时刻的驾驶意图。

其中，每一时刻的驾驶意图，指的是车辆在每一时刻下的可能的驾驶方式。驾驶意图，包括但不限于：直线行驶、向左换道、向右换道、掉头、十字路路口的转弯、加速前进、减速前进、等等。举例来说，针对于高速的应用场景，车辆的可能驾驶意图有直线行驶、向左换道、向右换道；针对于城市道路的应用场景，车辆的可能驾驶意图有直线行驶、向左换道、向右换道、掉头、十字路路口的转弯。

首先构建DIR模型，图5为本申请实施例提供的DIR模型的示意图，如图5所示，在DIR模型中为历史时间段1:t中的相邻时刻建立了如图5所示的关系。DIR模型由节点和边组成，图5中的方框和圆代表节点，图5中的带箭头的直线代表边；各节点都有对应的变量，其中，方框所代表节点的变量是离散的，圆所代表的节点的变量是连续的，各条边都有对应的条件概率。如图5所示，图5为第i时刻到第i+1时刻的DIR模型的结构，节点的变量包括了隐变量和观测变量。隐变量H用于指示驾驶意图和混合高斯参数。观测变量O中包括第一位置序列、第一速度序列、以及第一加速度序列。i∈[1,T]，i、t、T为正整数；t小于T。

其中，DIR模型的隐变量H包括{D,M₁,M₂}，其中，D代表车辆的驾驶意图，{M₁,M₂}为混合高斯参数。DIR模型的观测变量O包括{O₁,O₂}，O₁为被测车辆在历史时间段1:t内的纵向运动信息，纵向运动信息包括了纵向位置x、纵向速度v_x和纵向加速度a_x，可知O₁包含了{x,v_x,a_x}；O₂为被测车辆在历史时间段1:t内的横向运动信息，横向运动信息包括了横向位置y、横向速度v_y和横向加速度a_y，可知O₂包含了{y,v_y,a_y}。

如图5所示，第i时刻的隐变量H可以采用

进行表示，第i时刻的观测变量O可以采用

进行表示；第i+1时刻的驾驶意图D可以采用Dⁱ进行表示。第i+1时刻的隐变量H可以采用

进行表示，第i+1时刻的观测变量O可以采用

进行表示；第i+1时刻的驾驶意图D可以采用Dⁱ⁺¹进行表示。

首先，可以建立起隐变量H和观测变量在O历史时间段1:t下的联合概率分布函数：

其中，联合概率分布函数P(H^1：t,O^1：t)中的，H^1：t表示历史时间段1:t下的隐变量，O^{1 ：t}表示历史时间段1:t下的观测变量。j＝1,2。

P(D¹)为先验概率，先验概率P(D¹)用于表征被测车辆在历史时间段1:t的初始时刻下的驾驶意图的概率。

为状态转移概率，状态转移概率

用于表征被测车辆在历史时间段1:t的各时刻下的驾驶意图的概率。

为第一条件转移概率，第一条件转移概率

用于表征被测车辆在历史时间段1:t的各时刻下混合高斯参数与驾驶意图之间的关系的概率。

为第二条件转移概率，第二条件转移概率

用于表征被测车辆在历史时间段1:t的各时刻下观测变量、驾驶意图、混合高斯参数三者之间的关系的概率。

上述先验概率、状态转移概率、第一条件转移概率和第二条件转移概率，是需要确定的条件参数ρ。可知，需要获取联合概率分布函数的条件参数。获取联合概率分布函数的条件参数的方式，包括以下两种。

第一种方式。根据第一预设参数和观测变量，确定与观测变量对应的最大概率值；确定最大概率值对应的模型参数，为条件参数。具体来说，求解的问题是：给定一个观测值序列O^1：t，如何得到联合概率分布函数(即，模型)的条件参数ρ。此时，可以采用最大似然法得到条件参数ρ；给定一个第一预设参数ρ′，根据第一预设参数ρ′和观测变量O^1：t，确定出观测变量O^1：t的概率值P(O^1：t|ρ′)，P(O^1：t|ρ′)也称为是第一预设参数ρ′的似然函数；然后，根据概率值P(O^1：t|ρ′)，求解出最大概率值max_ρ′P(O^1：t|ρ′)；进而，就可以直接得到条件参数ρ。

第二种方式。重复以下步骤，直至达到预设条件：根据第二预设参数、隐变量和观测变量，确定期望函数；将期望函数的最优解作为新的第二预设参数；将达到预设条件时所得到第二预设参数，作为条件参数。具体来说，若观测变量O^1：t中存在一定的数据缺失或数据空白，则可以采用最大期望(expectation maximization algorithm，简称EM)算法得到条件参数ρ。此时，在似然函数的基础上引入完备对数似然函数logP(H,O|ρ)，它是隐变量H的一个函数。

重复以下步骤：先为待求解的条件参数ρ进行初始化赋值ρ＝ρ⁰，即得到一个第二预设参数ρ⁰；根据第二预设参数ρ⁰、隐变量H和观测变量O，确定完备对数似然函数logP(H,O|ρ)在条件分布P(H|ρ⁰,O)下的期望函数R(ρ|ρ⁰)。

然后，求解出期望函数R(ρ|ρ⁰)的最优解ρ¹＝arg max_ρ R(ρ|ρ⁰)；此时就可以得到新的第二预设参数ρ¹。

接着，根据新的第二预设参数ρ¹、隐变量H和观测变量O，确定完备对数似然函数logP(H，O|ρ)在条件分布P(H|ρ¹，O)下的期望函数R(ρ|ρ¹)。

然后，求解出期望函数R(ρ|ρ¹)的最优解ρ²＝arg max_ρ R(ρ|ρ¹)；此时就可以得到新的第二预设参数ρ²。

依次类推，直至达到预设条件，进而得到最终的第二预设参数ρ^*，将此时的ρ^*作为条件参数ρ。一个示例中，预设条件为重复执行了Q次，Q为大于等于1的正整数。

303、根据条件参数、隐变量和观测变量，确定第一因子和第二因子。

示例性地，在得到了条件参数ρ之后，需要进行概率推理。其中，概率推理，指的是，已知了观测变量O^1：t(即，观测值序列O^1：t)，如何求解隐变量H^1：t(即，隐变量序列H^1：t)在取特定的状态序列h^1：t的条件概率P(H^1：t＝h^1：t|O^1：t，ρ)。其中，每一种状态序列h^1：t用于指示出每一种驾驶意图组合；这里的“驾驶意图组合”，指的是，被测车辆在历史时间段1：t中每一时刻的驾驶意图。可以根据向前向后算法(foreward and backward algorithm)进行确定出被测车辆在历史时间段1：t中每一时刻的驾驶意图。

首先，根据条件参数ρ、观测变量O^1：t(即，观测值序列O^1：t)、隐变量H^1：t(即，隐变量序列H^1：t)，确定出第i时刻的第一因子

第i时刻的第二因子ω(hⁱ)＝P(O^t+1：T|h^t，ρ)。第一因子和第二因子是向前向后算法中的因子。

304、根据第一因子和第二因子，确定被测车辆在历史时间段中每一时刻的驾驶意图。

一个示例中，步骤304具体包括：根据第一因子和第二因子，确定被测车辆在历史时间段中每一时刻下每一种驾驶意图的概率；针对在历史时间段中每一时刻，确定最大的概率所对应的驾驶意图为该时刻下的驾驶意图。

示例性地，根据第一因子和第二因子，计算得到条件概率P(hⁱ|O^1：t，ρ)。

然后，求解

得到历史时间段1：t中第i时刻下的隐变量取特定的状态序列h^1：t的概率。可知得到历史时间段1：t中每一时刻下的隐变量取特定的状态序列h^{1 ：t}的概率。针对在历史时间段1：t中每一时刻，确定最大的概率所对应的驾驶意图为该时刻下的驾驶意图。

305、根据第一位置序列中的最后时刻的位置和第一速度序列中最后时刻的速度，确定被测车辆在第一时间段内的第二位置序列和第二速度序列，其中，第二位置序列表征被测车辆在第一时间段内的纵向位置和横向位置，第一时间段为历史时间段之后的时间；第二位置序列表征被测车辆依次在第一时间段内每一时刻的位置，第二速度序列表征被测车辆依次在第一时间段内每一时刻的速度；

示例性地，本步骤可以参见上述实施例的介绍，不再赘述。

306、对第一速度序列和第二速度序列进行线性叠加处理，得到被测车辆在历史时间段和第一时间段所构成的时间内的第四速度序列。

示例性地，将被测车辆在历史时间段1：t内的第一速度序列

被测车辆在第一时间段t：t+ΔT内的第二速度序列

两者进行线性叠加处理，可以得到被测车辆在时间段1：t+ΔT内的第四速度序列

307、将第四速度序列输入预设的聚类模型中，得到被测车辆在历史时间段和第一时间段所构成的时间内的驾驶特性。

示例性地，可以采用一个训练成熟的聚类模型对被测车辆在时间段1：t+ΔT内的第四速度序列

进行处理，得到被测车辆在时间段1：t+ΔT内的驾驶特性。其中，驾驶特性指的是被测车辆在驾驶意图下的各个驾驶方式；在不同的驾驶特性下，车辆的轨迹是不同的。例如，被测车辆在驾驶意图“左换道”下可以有的驾驶特性，包括：稳定的往左换道、快速的往左换道、慢速的往左换道。

举例来说，图6为本申请实施例提供的被测车辆在不同的驾驶特性下的轨迹的示意图，如图6所示，图6中的六条曲线是六条轨迹。被测车辆在驾驶意图“左换道”下可以多种驾驶特性，则在在驾驶意图“左换道”下可以有多种轨迹；即，在驾驶意图“左换道”下，一种驾驶特性可以对应一种轨迹。如图6所示，被测车辆在驾驶意图“左换道”下，可以有三种驾驶特性，分别为稳定的往左换道、快速的往左换道、慢速的往左换道；进而对了三条轨迹。如图6所示，被测车辆在驾驶意图“右换道”下，可以有三种驾驶特性，分别为稳定的往右换道、快速的往右换道、慢速的往右换道；进而对了三条轨迹。

在对被测车辆的轨迹进行预测时，若不考虑驾驶特性，则最终的预测轨迹的精度是较差的。即，为了保证预测轨迹的精度，需要考虑被测车辆的驾驶特性。

首先，需要得到训练成熟的聚类模型。本实施例还可以包括以下步骤：获取预设自然数据集中的多个待训练速度序列，其中，每一待训练速度序列归属于每一种驾驶特性，每一待训练速度序列中包括多个车辆速度；根据多个待训练速度序列，对待训练的聚类模型进行训练，得到预设的聚类模型。

具体来说，首先，选取自然数据集；针对于每一种场景(例如，高速、城市道路、乡村道路)分别选取对应于场景的自然数据集。采用每一场景下的自然数据集，训练得到每一场景下的聚类模型。

针对于每一场景下的自然数据集，自然数据集中的多个待训练速度序列，其中，每一待训练速度序列归属于每一种驾驶特性，并且，每一待训练速度序列中包括多个车辆速度；将多个待训练速度序列输入到待训练的聚类模型中，对待训练的聚类模型进行训练，得到每一场景下的聚类模型。由于所采用的数据是是与时间有关的序列数据，从而采用序列聚类模型才进行聚类；本申请中可以采用基于混合高斯的聚类方法，得到聚类模型。

举例来说，针对每一场景下的自然数据集，自然数据集中的多个待训练速度序列

其中，N_D为待训练速度序列的数量，T_D为每一待训练速度序列的长度，n、m、N_D、T_D均为大于等于1的正整数。

在训练时，先设定聚类模型的类别数为K，即，聚类模型的驾驶特性有K种；K为大于等于1的正整数。每一种驾驶特性都具有对应的聚类中心，聚类中心是一个速度序列。

对于聚类模型来说，需要计算的是第n条待训练速度序列

的类别c_n为k(k∈K)的后验概率为：

其中，k、k′为大于等于1的正整数。k′∈K。b为聚类模型的预设参数。

然后，利用最大后验估计法，得到z_n属于的最佳类别c_n ^*：

然后，基于混合高斯的聚类模型中的协方差矩阵∑，为各向同性协方差矩阵，即∑＝σ²I；其中，I为单位矩阵，σ为方差。此时，基于序列的聚类问题，转化为混合高斯估计均值u的问题。然后，上一个求解z_n属于的最佳类别c_n ^*的公式可以转化为：

初始化聚类中心均值

k＝1：K；找到每一次待训练速度序列z_n的最近聚类中心

接着通过以c_n为聚类中心的所有的待训练速度序列(假设有N_k个待训练速度序列)，进而去更新聚类中心均倍

如此类推，不断的迭代直到u_n收敛时，就可以得到最佳的聚类中心

通过上述训练过程，得到每一场景下的聚类模型。

然后，针对于被测车辆在历史时间段1：t中时刻t的驾驶意图，获取该驾驶意图对应的聚类模型里然后，将第四速度序列输入预设的聚类模型中，得到被测车辆在历史时间段和第一时间段所构成的时间内的驾驶特性。即，将被测车辆在时间1：t+ΔT内第四速度序列

将作为聚类模型(此时的模型是与时刻t的驾驶意图对应的聚类模型)的输入，输出第四速度序列对应的最佳聚类类别，该最佳聚类类别，可以指示出被测车辆在时间1：t+ΔT内的驾驶特性。

例如，被测车辆在历史时间段1：t中时刻t的驾驶意图为左换道，将第四速度序列

输入到与左换道对应的聚类模型中，得到第四速度序列

对应的最佳聚类类别

其中，

此时，最佳聚类类别

指示出被测车辆在时间1：t+ΔT内的驾驶特性。

308、根据预设自然数据集、以及被测车辆在历史时间段和第一时间段所构成的时间内的驾驶特性，确定第三速度序列；其中，预设自然数据集包括驾驶特性、与驾驶特性对应的预设速度序列；预设速度序列中包括多个时刻中每一时刻的速度；预设自然数据集的驾驶意图，为被测车辆在历史时间段的最后时刻所对应的驾驶意图。

其中，第二时间段为第一时间段之后的时间，第三速度序列表征被测车辆依次在第二时间段内每一时刻的速度。

示例性地，由于预设自然数据集的驾驶意图，为被测车辆在历史时间段1：t的最后时刻t所对应的驾驶意图。预设自然数据集中所包括了预设速度序列中包括了长时域的速度。在得到被测车辆在时间1：t+ΔT内的驾驶特性之后，就可以从预设自然数据集中提取与该驾驶特性对应的预设速度序列。

然后，将与该驾驶特性对应的预设速度序列中的位于第二时间段t+ΔT：t+T上的各速度，作为被测车辆在第二时间段t+ΔT：t+T内的第三速度序列

309、根据第三速度序列、第一位置序列和第二位置序列，确定被测车辆在第二时间段内的第三位置序列，其中，第三位置序列表征被测车辆在第二时间段内的纵向位置和横向位置，第三位置序列表征被测车辆依次在第二时间段内每一时刻的位置。

一个示例中，步骤309具体包括以下步骤：

第一步骤、对第一速度序列和第二速度序列进行线性叠加处理，得到被测车辆在历史时间段和第一时间段所构成的时间内的第四速度序列；并对第一位置序列和第二位置序列进行线性叠加处理，得到被测车辆在历史时间段和第一时间段所构成的时间内的第四位置序列，其中，第四位置序列表征被测车辆在历史时间段和第一时间段所构成的时间内的纵向位置和横向位置。

第二步骤、基于多输入高斯过程MGP模型确定参数组合，并根据参数组合、第四速度序列，基于MGP模型确定第一均值和第一协方差；其中，第一均值用于指示第四位置序列，第一协方差用于指示第一位置分布区域，第一位置分布区域包括被测车辆在第一时间段中每一时刻的多个位置点，被测车辆在第一时间段中每一时刻的多个位置点为被测车辆在第一时间段中每一时刻的位置的相邻位置。

第三步骤、根据参数组合和第三速度序列，基于MGP模型确定第二均值和第二协方差；其中，第二均值用于指示待确定的第三位置序列，第二协方差用于指示待确定的第二位置分布区域。

第四步骤、根据第一均值、第一协方差、第二均值和第二协方差，确定第三因子，并根据第一协方差和第二协方差，确定第四因子。

第五步骤、根据第三因子和第四因子，对预设的条件概率函数进行求解，其中，条件概率函数用于指示第四位置序列与待确定的第三位置序列之间的关系，得到第三均值和第三协方差。

第六步骤、根据第三均值，确定第三位置序列，并根据第三协方差确定被测车辆在第二时间段内的第二位置分布区域，其中，第二位置分布区域包括被测车辆在第二时间段中每一时刻的多个位置点，被测车辆在第二时间段中每一时刻的多个位置点为被测车辆在第二时间段中每一时刻的位置的相邻位置。

一个示例中，第一均值包括第一子均值和第二子均值，第一协方差包括第一子协方差和第二子协方差；其中，第一子均值用于指示第四位置序列中每一个位置点的纵向位置，第二子均值用于指示第四位置序列中每一个位置点的横向位置；第一子协方差用于指示第一位置分布区域中每一位置点的纵向位置；第一子协方差用于指示第一位置分布区域中每一位置点的横向位置。

第二均值包括第三子均值和第四子均值，第二协方差包括第三子协方差和第四子协方差；其中，第三子均值用于指示待确定的第三位置序列中每一个位置点的纵向位置，第四子均值用于指示待确定的第三位置序列中每一个位置点的横向位置；第三子协方差用于指示待确定的第二位置分布区域中每一个位置点的纵向位置，第四子协方差用于指示待确定的第二位置分布区域中每一个位置点的横向位置。

其中，“根据第三均值，确定第三位置序列，并根据第三协方差确定被测车辆在第二时间段内的第二位置分布区域”包括：

根据第三均值，分别确定被测车辆在第二时间段内的纵向位置、以及被测车辆在第二时间段内的横向位置；并对被测车辆在第二时间段内的纵向位置、以及被测车辆在第二时间段内的横向位置进行融合，得到第三位置序列；根据第三协方差，分别确定被测车辆在第二时间段中每一时刻的多个位置点各自的纵向位置、以及被测车辆在第二时间段中每一时刻的多个位置点各自的横向位置；并对被测车辆在第二时间段中每一时刻的多个位置点各自的纵向位置、以及被测车辆在第二时间段中每一时刻的多个位置点各自的横向位置进行融合，得到第二位置分布区域。

一个示例中，上述“第二步骤”具体包括：

将第一训练样本输入至待训练MGP模型中，其中，第一训练样本包括多个第一训练信息，每一第一训练信息包括车辆纵向速度、车辆横向速度以及车辆纵向位置，得到MGP模型的第一似然函数；对MGP模型的第一似然函数进行求解处理，得到第一最优参数；将第二训练样本输入至待训练MGP模型中，其中，第二训练样本包括多个第二训练信息，每一第二训练信息包括车辆纵向速度、车辆横向速度以及车辆横向位置，得到MGP模型的第二似然函数；对MGP模型的第二似然函数进行求解处理，得到第二最优参数；确定第一最优参数，参数组合中的第一组合参数，并确定第二最优参数，参数组合中的第二组合参数。

其中，第一组合参数用于确定第三位置序列中每一位置点的纵向位置、以及第二位置分布区域中每一位置点的纵向位置；第二组合参数用于确定第三位置序列中每一位置点的横向位置、以及第二位置分布区域中每一位置点的横向位置。

示例性地，在确定被测车辆在第二时间段t+ΔT：t+T内的第三位置序列的时候，可以基于多输入高斯过程(multi-input Gaussian process，简称MGP)模型去实现。本申请中所提供的MGP模型是多输入的，而现有的MGP模型是单输入的。并且，在本申请中，基于高斯过程的预测，是可以进行长时域内的轨迹预测的；同时能够处理预测不确定性的问题。并且，由于本申请是对车辆的纵横向运动进行分析，进而需要采用基于多输入高斯过程模型，分析纵向运动与横向运动之间的相关性。

首先，将被测车辆在历史时间段1：t内的第一速度序列

被测车辆在第一时间段t：t+ΔT内的第二速度序列

进行叠加，可以得到被测车辆在时间段1：t+ΔT内的第四速度序列

将被测车辆在历史时间段1：t内的第一位置序列(y^1：t，x^1：t)、被测车辆在第一时间段t：t+ΔT内的第二位置序列(y^t：t+ΔT，x^t：t+ΔT)，进行叠加，可以得到被测车辆在时间段1：t+ΔT内的第四位置序列(y^1：t+ΔT，x^1：t+ΔT)。第四位置序列表征被测车辆在时间段1：t+ΔT内的纵向位置和横向位置。

然后，建立MGP模型，其中，MGP模型的输入量为纵向速度和横向速度，输出量为纵向位置和横向位置；需要计算MGP模型的均值函数、协方差函数。首先，需要先训练出MGP模型的参数组合Λ＝{p，σ_f，l₁，l₂，σ_n}。

建立MGP模型的过程如下介绍。

可以基于MGP模型确定参数组合。具体的，MGP模型的MGP函数F(x)的表达式为F(x)～GP(u(x)，∑(x，x’))；其中，MGP函数F(x)输入量为x＝[x₁ x₂]^T，x₁为纵向速度，x₂为横向速度；u(x)代表均值函数；∑(x，x’)代表协方差函数，x，x’分别代表不同时刻(不是相邻时刻)；要注意的是，这里的x＝[x₁ x₂]^T中的T不是上述的时间T，而是矩阵的转置符号。均值函数u(x)可以设置为多项式的形式，进而可以更好的表达车辆的轨迹，多项式所包含的参数q作为均值函数的参数q。

因为需要使得所预测出的预测轨迹尽量平滑，并且轨迹预测问题本身存在不确定性，从而上述协方差函数∑(x，x’)需要选择平滑性能好的均方指数形式。本申请中，带噪声的均方指数形式的协方差函数为：

其中，W＝l^-2I，1＝[l₁ l₂]^T；这里的[l₁ l₂]^T中的T不是上述的时间T，而是矩阵的转置符号。

上述σ_n为观测噪声标准差，δ为Kronecker函数，I为单位矩阵，{σ_f，l₁，l₂}为均方指数函数的参数。可知，MGP模型的参数组合Λ＝{p，σ_f，l₁，l₂，σ_n}，是需要求解的参数。

为了确定MGP模型的参数组合Λ＝{p，σ_f，l₁，l₂，σ_n}，本申请中基于数据学习和最大似然估计法(maximum likelihood estimation，简称MLE)进行参数组合Λ的学习。

然后，需要对MGP模型进行训练，以得到MGP模型的参数组合Λ。可以基于MGP模型，确定参数组合Λ。确定参数组合Λ的过程如下介绍。

首先，从自然驾驶数据集中提取出多个序列样本，该多个序列样本用于训练MGP模型；提取出的每一序列样本可以采用进行

表示；其中，N_G为序列样本的数量，T_G为每一序列样本的长度；r、s、N_G、T_G均为大于等于1的正整数。

为第r个序列样本中的第s个位置点，

为第r个序列样本中的第s个位置点的纵向位置，

为第r个序列样本中的第s个位置点的横向位置。

为为第r个序列样本中的第s个速度信息，

为第r个序列样本中的第s个速度信息的纵向速度，

为第r个序列样本中的第s个速度信息的横向速度。

本实施例中，是对纵向位置和横向位置分别训练的，即，分别得到用于确定第三位置序列中每一位置点的纵向位置的第一组合参数、用于确定第三位置序列中每一位置点的横向位置的第二组合参数；第一组合参数和第二组合参数构成了MGP模型的参数组合Λ。其中，第一组合参数还用于确定第二位置分布区域中每一位置点的纵向位置；第二组合参数还用于确定第二位置分布区域中每一位置点的横向位置。

从而，可以将每一序列样本中的车辆纵向速度(即，纵向速度)、车辆横向速度(即，横向速度)以及车辆纵向位置(即，纵向位置)，组成每一第一训练信息

各第一训练信息，构成了第一训练样本。

可以将每一序列样本中的车辆纵向速度(即，纵向速度)、车辆横向速度(即，横向速度)以及车辆横向位置(即，横向位置)，组成每一第二训练信息

各第二训练信息，构成了第二训练样本。

针对于第一训练样本，将第一训练样本输入到待训练MGP模型中；此时，待训练MGP模型的输入量为

待训练MGP模型的输出量为y1(y1为纵向位置)，y1＝(x^s，s＝1：T_G)。将第一训练样本输入到待训练MGP模型中进行训练之后，得到MGP模型的第一似然函数P1(y|x，Λ1)；为了便于后续的运算，可以采用使用对数似然函数logP1(y|x，Λ1)，其中，

这里(y-u_x)^T中的T是转置矩阵。

然后，通过Λ1^*＝argmax(logP1(y|x，Λ1))，对MGP模型的第一似然函数进行求解处理，得到MGP模型的第一最优参数Λ1^*；确定第一最优参数Λ1^*，参数组合中的第一组合参数，具体来说，可以使用基于梯度下降的优化方法，分别对Λ1中每一个元素Λ1_c求偏导数，即，采用

作为下降梯度的计算方式，可以求解得到MGP模型的第一最优参数Λ1^*。

针对于第二训练样本，将第二训练样本输入到待训练MGP模型中；此时，待训练MGP模型的输入量为

待训练MGP模型的输出量为y2(y2为横向位置)，y2＝(y^s，s＝1：T_G)。将第二训练样本输入到待训练MGP模型中进行训练之后，得到MGP模型的第二似然函数P2(y|x，Λ2)；为了便于后续的运算，可以采用使用对数似然函数logP2(y|x，Λ2)，其中，

这里(y-u_x)^T中的T是转置矩阵。

然后，通过Λ2^*＝argmax(logP2(y|x，Λ2))，对MGP模型的第二似然函数进行求解处理，得到MGP模型的第二最优参数Λ2^*；确定第二最优参数Λ2^*，参数组合中的第二组合参数，具体来说，可以使用基于梯度下降的优化方法，分别对Λ2中每一个元素Λ2_c求偏导数，即，采用

作为下降梯度的计算方式，可以求解得到MGP模型的第二最优参数Λ2^*。

第一最优参数Λ1^*和第二最优参数Λ2^*，构成了MGP模型的参数组合Λ。

基于上述过程得到MGP模型的参数组合Λ、第四速度序列、以及第三速度序列，预测被测车辆在长时域上的位置序列；即，确定被测车辆在被测车辆在第二时间段t+ΔT：t+T内的第三位置序列。

可以被测车辆在时间段t：t+ΔT内的第四速度序列

为y_h，被测车辆在第二时间段t+ΔT：t+T内的第三位置序列为y_f，此时，第三位置序列y_f是未知的；(y_h，y_f)的联合概率密度可表示为：

其中，

表示高斯分布，u为均值函数，∑为协方差函数；符号“～”代表y_h、y_f服从高斯分布。

首先，根据参数组合、第四速度序列，确定第一均值和第一协方差；其中，第一均值用于指示第四位置序列，第一协方差用于指示上述第一位置分布区域。在确定第一均值和第一协方差时，具体来说，将被测车辆在时间段1：t+ΔT内的第四速度序列

作为MGP模型的输入x_h，第四速度序列

表征的是纵横向位置序列信息；然后，利用第四速度序列

以及MGP模型的参数组合Λ，得到第一均值u_h和第一协方差∑_hh。此时，将被测车辆在时间段1：t+ΔT内的第四位置序列(y^1：t+ΔT，x^1：t+ΔT)作为yh，第四位置序列(y^1：t+ΔT，x^1：t+ΔT)表征的是纵横向速度序列信息。

其中，第一均值包括第一子均值和第二子均值，第一协方差包括第一子协方差和第二子协方差。

根据参数组合、第三速度序列，确定第二均值和第二协方差；其中，第二均值用于指示待确定的第三位置序列，第二协方差用于指示待确定的第二位置分布区域。在确定第二均值和第二协方差时，具体来说，将被测车辆在第二时间段t+ΔT：t+T内的第三速度序列

作为MGP模型的输入x_h，第三速度序列

表征的是纵横向位置序列信息；然后，利用第三速度序列

以及MGP模型的参数组合Λ，得到第二均值u_f和第二协方差(∑_ff，∑_hf)；此时，将被测车辆在第二时间段t+ΔT：t+T内的待确定的第三位置序列(y^t+ΔT：t+T，x^t+ΔT：t+T)作为y_h，第三位置序列(y^t+ΔT：t+T，x^t+ΔT：t+T)表征的是纵横向速度序列信息。

其中，第二均值包括第三子均值和第四子均值，第二协方差包括第三子协方差和第四子协方差。

然后，根据第一均值u_h、第一协方差∑_hh、第二均值u_f和第二协方差(∑_ff，∑_hf)，确定第三因子

并根据第一协方差∑_hh和第二协方差(∑_ff，∑_hf)，确定第四因子

然后，根据第三因子

以及第四因子

对预设的条件概率函数P(y_f|x_f，x_h，y_h)进行求解。

其中，条件概率函数P(y_f|x_f，x_h，y_h)的表达式为：

并且，条件概率函数P(y_f|x_f，x_h，y_h)是在第四位置序列下的第三位置序列的条件概率；即，条件概率函数P(y_f|x_f，x_h，y_h)是在轨迹序列y_h(轨迹序列y_h即，第四位置序列)下的未来轨迹序列y_f(轨迹序列y_f即，第三位置序列)的条件概率。可知，条件概率函数用于指示第四位置序列与待确定的第三位置序列之间的关系。

通过对预设的条件概率函数P(y_f|x_f，x_h，y_h)进行求解，就可以得到第三均值u_f|h和第三协方差∑_f|h。

由于第三均值u_f|h所对应的序列，为被测车辆在第二时间段t+ΔT：t+T内的第三位置序列，进而可以直接根据第三均值确定第三位置序列。

由于第三协方差∑_f|h所对应的序列，为被测车辆在第二时间段t+ΔT：t+T内的第二位置分布区域(第二位置分布区域，也可以称作不确定性区域)；进而，可以直接根据第三协方差，确定第二位置分布区域。第二位置分布区域包括被测车辆在第二时间段t+ΔT：t+T内的第三位置序列中的位置的各相邻位置。此时，被测车辆在第二时间段t+ΔT：t+T内的各位置的粒子分布，对应了一个协方差∑_f|h(该协方差，也可以称作不确定性方差

可以直接采用该协方差∑_f|h，去描述被测车辆在第二时间段t+ΔT：t+T内的第二位置分布区域(第二位置分布区域，也可以称作不确定性区域)

一个示例中，首先确定第三位置序列中每一个位置点的纵向位置。

将被测车辆在时间段1：t+ΔT内的第四速度序列

作为MGP模型的输入x_h；然后，基于第四速度序列，利用MGP模型的参数组合Λ中的第一组合参数，得到第一子均值u_h1和第一子协方差∑_h1h1；其中，第一子均值用于指示第四位置序列中每一个位置点的纵向位置，第一子协方差用于指示第一位置分布区域中每一位置点的纵向位置。此时，将被测车辆在时间段1：t+ΔT内的第四位置序列(y^1：t+ΔT，x^1：t+ΔT)中的各纵向位置作为y_h。

将被测车辆在第二时间段t+ΔT：t+T内的第三速度序列

作为MGP模型的输入x_h；然后，基于第三速度序列，利用MGP模型的参数组合Λ中的第二组合参数，得到第三子均值u_f1和第三子协方差(∑_f1f1，∑_h1f1)；其中，第三子均值用于指示待确定的第三位置序列中每一个位置点的纵向位置，第三子协方差用于指示待确定的第二位置分布区域中每一个位置点的纵向位置。此时，将被测车辆在第二时间段t+ΔT：t+T内的待确定的第三位置序列

中的各纵向位置作为y_h。

然后，根据第一子均值u_h1、第一子协方差∑₁、第三子均值u_f1和第三子协方差(∑_f1f1，∑_h1f1)，确定第三因子

并根据第一子协方差∑_h1h1和第三子协方差(∑_f1f1，∑_h1f1)，确定第四因子

然后，根据第三因子

以及第四因子

对预设的条件概率函数P(y_f|x_f，x_h，y_h)进行求解，此时条件概率函数P(y_f|x_f，x_h，y_h)是在第四位置序列下的第三位置序列的纵向位置的条件概率。

通过对此时的条件概率函数P(y_f|x_f，x_h，y_h)进行求解，就可以得到均值u_f1|h1和协方差∑_f1|h1。由于均值u_f1|h1所对应的序列，为被测车辆在第二时间段t+ΔT：t+T内的第三位置序列中的各纵向位置，进而可以直接根据均值u_f1|h1确定第三位置序列中的各纵向位置。

由于协方差∑_f1|h1所对应的序列，为被测车辆在第二时间段t+ΔT：t+T内的第二位置分布区域中的各纵向位置；进而，可以直接根据协方差∑_f1|h1，确定第二位置分布区域中的各纵向位置。

然后，确定第三位置序列中每一个位置点的横向位置。

将被测车辆在时间段1：t+ΔT内的第四速度序列

作为MGP模型的输入x_h；然后，基于第四速度序列，利用MGP模型的参数组合Λ中的第一组合参数，得到第二子均值u_h2和第二子协方差∑_h2h2；其中，第二子均值用于指示第四位置序列中每一个位置点的横向位置；第一子协方差用于指示第一位置分布区域中每一位置点的横向位置。此时，将被测车辆在时间段1：t+ΔT内的第四位置序列(y^1：t+ΔT，x^1：t+ΔT)中的各横向位置作为y_h。

将被测车辆在第二时间段t+ΔT：t+T内的第三速度序列

作为MGP模型的输入x_h；然后，基于第三速度序列，利用MGP模型的参数组合Λ中的第二组合参数，得到第四子均值u_f2和第四子协方差(∑_f2f2，∑_h2f2)；其中，第四子均值用于指示待确定的第三位置序列中每一个位置点的横向位置，第四子协方差用于指示待确定的第二位置分布区域中每一个位置点的横向位置。此时，将被测车辆在第二时间段t+ΔT：t+T内的待确定的第三位置序列(y^t+ΔT：t+T，x^t+ΔT：t+T)中的各横向位置作为y_h。

然后，根据第二子均值u_h2、第二子协方差∑_h2h2、第四子均值u_f2和第四子协方差(∑_f2f2，∑_h2f2)，确定第三因子

并根据第二子协方差∑_h2h2和第四子协方差(∑_f2f2，∑_h2f2)，确定第四因子

然后，根据第三因子

以及第四因子

对预设的条件概率函数P(y_f|x_f，x_h，y_h)进行求解，此时条件概率函数P(y_f|x_f，x_h，y_h)是在第四位置序列下的第三位置序列的横向位置的条件概率。

通过对此时的条件概率函数P(y_f|x_f，x_h，y_h)进行求解，就可以得到均值u_f2|h2和协方差∑_f2|h2。由于均值u_f2|h2所对应的序列，为被测车辆在第二时间段t+ΔT：t+T内的第三位置序列中的各横向位置，进而可以直接根据均值u_f2|h2确定第三位置序列中的各横向位置。

由于协方差∑_f2|h2所对应的序列，为被测车辆在第二时间段t+ΔT：t+T内的第二位置分布区域中的各横向位置；进而，可以直接根据协方差∑_f2|h2，确定第二位置分布区域中的各横向位置。

从而，根据被测车辆在第二时间段t+ΔT：t+T内的第二位置分布区域中的各纵向位置、被测车辆在第二时间段t+ΔT：t+T内的第二位置分布区域中的各横向位置，得到第三位置序列。根据第二位置分布区域中的各纵向位置、第二位置分布区域中的各横向位置，得到第二位置分布区域。

其中，第三均值包括了均值u_f1|h1和均值u_f2|h2；第三协方差包括了协方差∑_f1|h1和协方差∑_f2|h2。

310、对第二位置序列和第三位置序列进行线性叠加处理，得到被测车辆的预测轨迹，其中，预测轨迹为被测车辆在第一时间段和第二时间段所构成的时间上的轨迹。

示例性地，本步骤可以参见上述实施例的介绍，不再赘述。

311、对第一位置分布区域和第二位置分布区域进行线性叠加处理，得到被测车辆的预测位置区域，其中，预测位置区域为被测车辆在第一时间段和第二时间段所构成的时间上的预测位置。

一个示例中，步骤311具体包括以下步骤：

获取被测车辆在第一时间段内的第一位置分布区域，其中，第一位置分布区域包括被测车辆在第一时间段中每一时刻的多个位置点，被测车辆在第一时间段中每一时刻的多个位置点为被测车辆在第一时间段中每一时刻的位置的相邻位置；

获取被测车辆在第二时间段内的第二位置分布区域，其中，第二位置分布区域包括被测车辆在第二时间段中每一时刻的多个位置点，被测车辆在第二时间段中每一时刻的多个位置点为被测车辆在第二时间段中每一时刻的位置的相邻位置；

对第一位置分布区域和第二位置分布区域进行线性叠加处理，得到被测车辆的预测位置区域，其中，预测位置区域为被测车辆在第一时间段和第二时间段所构成的时间上的预测位置。

示例性地，通过上述步骤，已经得到了被测车辆在第一时间段t：t+ΔT内的第一位置分布区域、以及被测车辆在第二时间段t+ΔT：t+T内的第二位置分布区域；将第一位置分布区域和第二位置分布区域进行线性叠加处理，得被测车辆的预测位置区域。

可知，预测位置区域为被测车辆在时间段t：t+T内的位置区域，预测位置区域包括了被测车辆在时间段t：t+T内的第二位置序列和第三位置序列中的位置的各相邻位置。

图7为本申请实施例提供的预测轨迹的示意图一，如图7所示，通过本申请的方案，可以对被测这里将短期轨迹预测(在第一时间段t：t+ΔT内的轨迹预测)和长时域预测轨迹(在第二时间段t+ΔT：t+T内的轨迹预测)。如图7所示，轨迹1为采用现有的基于车辆运动学模型所得到轨迹，该轨迹1是较短时间内的轨迹，即，采用现有的基于车辆运动学模型无法得到较为准确的长时域下的轨迹；轨迹2为采用本申请的方案所得到的预测轨迹，轨迹2是时域t：t+T内的轨迹预测。

图8为本申请实施例提供的预测轨迹的示意图二，如图8所示，轨迹2由轨迹3和轨迹4组成，其中，轨迹2是被测车辆在第一时间段t：t+ΔT内的第二位置序列，轨迹3是被测车辆在第二时间段t+ΔT：t+T内的第三位置序列。即，轨迹2是时域t：t+T内的轨迹预测。

对第一位置分布区域和第二位置分布区域进行线性叠加处理，得被测车辆的预测位置区域。图9为本申请实施例提供的被测车辆的预测位置区域的示意图，如图9所示，采用图9中的椭圆描述预测轨迹(第二位置序列和第三位置序列所确定的预测轨迹)的每一位置点的不确定性；椭圆代表了每一位置点的不确定区域。可知，预测位置区域将预测轨迹的位置范围进行了扩大。

312、根据预测轨迹，控制当前车辆的行驶。

示例性地，本步骤可以参见上述实施例，不再赘述。

本实施例，在上述实施例的基础上，基于本申请提供的DIR模型，确定出被测车辆在历史时间段1：t中每一时刻的驾驶意图；基于历史时间段1：t中时刻t的驾驶意图，确定被测车辆的驾驶特性；基于驾驶特性完成被测车辆的轨迹预测过程，保证预测轨迹的精度；上述过程中，在采用预设的物理模型进行轨迹点的预测时，可以结合卡尔曼滤波和蒙特卡洛方法解决物理模型的不确定性问题。并且，基于车辆的纵向信息和横向信息(即，对车辆的纵向信息和横向信息进行耦合分析)，完成轨迹预测；可以提高长时域内轨迹预测的精度，同时，在多输入高斯过程模型基础上融合了基于车辆运动模型的短时域预测结果，增加了多输入高斯模型的输入序列长度，减少了预测的不确定性；并给出合理的不确定性区域，扩大所得到的预测轨迹的位置范围。可知，本申请提供的方案可以精准的预测出被测车辆在长时域下的未来轨迹(预测轨迹和不确定性区域)；基于被测车辆在长时域下的未来轨迹，可以更好的控制当前车辆的行驶；进而，提升了智能车辆的出行安全，预防安全事故的发生。

本申请提供了一种电子设备，可以用于执行上述实施例的动作或步骤，具体包括：处理器，存储器和通信接口；存储器，用于存储计算机程序；处理器，用于执行存储器中存储的计算机程序，以实现上述实施例中电子设备的动作，不再赘述。

本申请还提供一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器，上述指令可由上述电子设备的处理器执行以完成上述方法。

本申请还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述任一实施例提供的方案。

本申请还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。

Claims (10)

1.一种基于纵横向耦合的车辆长时域轨迹预测方法，其特征在于，所述方法包括：

获取被测车辆在历史时间段内的第一位置序列和第一速度序列，其中，所述第一位置序列表征所述被测车辆在历史时间段内的纵向位置和横向位置；所述第一位置序列表征所述被测车辆依次在历史时间段内每一时刻的位置，所述第一速度序列表征所述被测车辆依次在历史时间段内每一时刻的速度；

根据所述第一位置序列中的最后时刻的位置和所述第一速度序列中最后时刻的速度，确定所述被测车辆在第一时间段内的第二位置序列和第二速度序列，其中，所述第二位置序列表征所述被测车辆在第一时间段内的纵向位置和横向位置，所述第一时间段为所述历史时间段之后的时间；所述第二位置序列表征所述被测车辆依次在第一时间段内每一时刻的位置，所述第二速度序列表征所述被测车辆依次在第一时间段内每一时刻的速度；

根据所述第一速度序列和所述第二速度序列，确定所述被测车辆在第二时间段内的第三速度序列，其中，所述第二时间段为所述第一时间段之后的时间，所述第三速度序列表征所述被测车辆依次在第二时间段内每一时刻的速度；并根据所述第三速度序列、所述第一位置序列和所述第二位置序列，确定所述被测车辆在第二时间段内的第三位置序列，其中，所述第三位置序列表征所述被测车辆在第二时间段内的纵向位置和横向位置，所述第三位置序列表征所述被测车辆依次在第二时间段内每一时刻的位置；

对所述第二位置序列和所述第三位置序列进行线性叠加处理，得到所述被测车辆的预测轨迹，其中，所述预测轨迹为所述被测车辆在所述第一时间段和所述第二时间段所构成的时间上的轨迹。

2.根据权利要求1所述的方法，其特征在于，根据所述第一位置序列中的最后时刻的位置和所述第一速度序列中最后时刻的速度，确定所述被测车辆在第一时间段内的第二位置序列和第二速度序列，包括：

获取所述被测车辆在所述历史时间段的最后时刻上的姿态信息，根据所述被测车辆在所述历史时间段的最后时刻上的姿态信息、所述第一位置序列中最后时刻的位置、以及所述第一速度序列中最后时刻的速度，确定所述被测车辆在第一时间段的初始时刻的状态空间信息；其中，所述状态空间信息用于指示所述被测车辆在每一时刻上的速度、位置、加速度和姿态；

根据所述被测车辆在第一时间段的相邻时刻中前一时刻的状态空间信息、以及被测车辆在第一时间段的相邻时刻中后一时刻的预设间隔状态信息，确定所述被测车辆在第一时间段的相邻时刻中后一时刻的状态空间信息；

根据所述被测车辆在第一时间段中每一个时刻的状态空间信息，确定所述第二位置序列和所述第二速度序列；

其中，所述被测车辆在第一时间段中每一时刻的状态空间信息，包括：横向位置、纵向位置、被测车辆在行驶方向上的速度、被测车辆在行驶方向上的加速度、以及姿态信息；所述姿态信息包括所述被测车辆的横摆角和/或横摆角速度。

3.根据权利要求2所述的方法，其特征在于，在根据所述被测车辆在第一时间段的相邻时刻中前一时刻的状态空间信息、以及被测车辆在第一时间段的相邻时刻中后一时刻的预设间隔状态信息，确定所述被测车辆在第一时间段的相邻时刻中后一时刻的状态空间信息之前，还包括：

根据被测车辆在第一时间段的相邻时刻中前一时刻的在行驶方向上的速度、被测车辆在第一时间段的相邻时刻中前一时刻的在行驶方向上的加速度、以及被测车辆在第一时间段的相邻时刻中前一时刻的姿态信息，建立被测车辆在第一时间段的相邻时刻中后一时刻的预设间隔状态信息。

4.根据权利要求2所述的方法，其特征在于，所述方法还包括：

根据所述被测车辆在第一时间段中每一个时刻的状态空间信息，建立第一函数和第二函数，其中，所述第一函数用于指示状态空间信息与系统噪声之间的关系，所述第二函数用于指示状态空间信息与观测噪声之间的关系，所述第一函数为考虑不确定性的状态转移方程，所述第二函数为考虑不确定性的观测方程；

对所述第一函数和第二函数进行迭代处理，得到所述被测车辆在第一时间段内的第一位置分布区域，其中，所述第一位置分布区域包括所述被测车辆在第一时间段中每一时刻的多个位置点，所述被测车辆在第一时间段中每一时刻的多个位置点为所述被测车辆在第一时间段中每一时刻的位置的相邻位置；

其中，根据所述被测车辆在第一时间段中每一个时刻的状态空间信息，建立第一函数，包括：根据所述被测车辆在第一时间段中每一个时刻的状态空间信息，建立运动状态函数，其中，所述运动状态函数表征状态空间信息与时刻之间的关系；根据所述运动状态函数和预设的系统噪声函数，建立所述第一函数；

其中，根据所述被测车辆在第一时间段中每一个时刻的状态空间信息，建立第二函数，包括：根据所述被测车辆在第一时间段中每一个时刻的状态空间信息，建立运动状态观测函数，其中，所述运动状态观测函数表征状态空间信息与时刻之间的关系；根据所述运动状态观测函数和预设的观测噪声函数，建立所述第二函数。

5.根据权利要求1所述的方法，其特征在于，根据所述第一速度序列和所述第二速度序列，确定所述被测车辆在第二时间段内的第三速度序列，包括：

对所述第一速度序列和所述第二速度序列进行线性叠加处理，得到所述被测车辆在所述历史时间段和所述第一时间段所构成的时间内的第四速度序列；

将所述第四速度序列输入预设的聚类模型中，得到所述被测车辆在所述历史时间段和所述第一时间段所构成的时间内的驾驶特性；

根据预设自然数据集、以及所述被测车辆在所述历史时间段和所述第一时间段所构成的时间内的驾驶特性，确定所述第三速度序列；其中，所述预设自然数据集包括驾驶特性、与驾驶特性对应的预设速度序列；所述预设速度序列中包括多个时刻中每一时刻的速度；所述预设自然数据集的驾驶意图，为所述被测车辆在历史时间段的最后时刻所对应的驾驶意图。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取联合概率分布函数的条件参数，其中，所述联合概率分布函数为隐变量和观测变量在历史时间段下的联合概率分布函数，其中，所述隐变量用于指示驾驶意图和混合高斯参数，所述观测变量中包括所述第一位置序列、所述第一速度序列、以及被测车辆在历史时间段内的第一加速度序列；所述第一加速度序列表征所述被测车辆依次在历史时间段内每一时刻的加速度；其中，所述条件参数包括：先验概率、状态转移概率、第一条件转移概率和第二条件转移概率；所述先验概率用于表征所述被测车辆在历史时间段的初始时刻下的驾驶意图的概率，所述状态转移概率用于表征所述被测车辆在历史时间段的各时刻下的驾驶意图的概率，所述第一条件转移概率用于表征所述被测车辆在历史时间段的各时刻下混合高斯参数与驾驶意图之间的关系的概率，所述第二条件转移概率用于表征所述被测车辆在历史时间段的各时刻下观测变量、驾驶意图、混合高斯参数三者之间的关系的概率；

根据所述条件参数、所述隐变量和所述观测变量，确定第一因子和第二因子；

根据所述第一因子和所述第二因子，确定所述被测车辆在历史时间段中每一时刻的驾驶意图；

其中，所述获取联合概率分布函数的条件参数，包括：根据第一预设参数和所述观测变量，确定与所述观测变量对应的最大概率值；确定所述最大概率值对应的模型参数，为所述条件参数；

或者，所述获取联合概率分布函数的条件参数，包括：

重复以下步骤，直至达到预设条件：根据第二预设参数、所述隐变量和所述观测变量，确定期望函数；将所述期望函数的最优解作为新的第二预设参数；

将达到所述预设条件时所得到第二预设参数，作为所述条件参数。

7.根据权利要求1所述的方法，其特征在于，根据所述第三速度序列、所述第一位置序列和所述第二位置序列，确定所述被测车辆在第二时间段内的第三位置序列，包括：

对所述第一速度序列和所述第二速度序列进行线性叠加处理，得到所述被测车辆在所述历史时间段和所述第一时间段所构成的时间内的第四速度序列；并对所述第一位置序列和所述第二位置序列进行线性叠加处理，得到所述被测车辆在所述历史时间段和所述第一时间段所构成的时间内的第四位置序列，其中，所述第四位置序列表征所述被测车辆在所述历史时间段和所述第一时间段所构成的时间内的纵向位置和横向位置；

基于多输入高斯过程MGP模型确定参数组合，并根据所述参数组合、所述第四速度序列，基于所述MGP模型确定第一均值和第一协方差；其中，所述第一均值用于指示所述第四位置序列，所述第一协方差用于指示第一位置分布区域，所述第一位置分布区域包括所述被测车辆在第一时间段中每一时刻的多个位置点，所述被测车辆在第一时间段中每一时刻的多个位置点为所述被测车辆在第一时间段中每一时刻的位置的相邻位置；

根据所述参数组合和所述第三速度序列，基于所述MGP模型确定第二均值和第二协方差；其中，所述第二均值用于指示待确定的第三位置序列，所述第二协方差用于指示待确定的第二位置分布区域；

根据所述第一均值、所述第一协方差、所述第二均值和所述第二协方差，确定第三因子，并根据所述第一协方差和所述第二协方差，确定第四因子；

根据所述第三因子和所述第四因子，对预设的条件概率函数进行求解，其中，所述条件概率函数用于指示所述第四位置序列与待确定的第三位置序列之间关系，得到第三均值和第三协方差；

根据所述第三均值，确定所述第三位置序列，并根据所述第三协方差确定所述被测车辆在第二时间段内的第二位置分布区域，其中，所述第二位置分布区域包括所述被测车辆在第二时间段中每一时刻的多个位置点，所述被测车辆在第二时间段中每一时刻的多个位置点为所述被测车辆在第二时间段中每一时刻的位置的相邻位置。

8.根据权利要求7所述的方法，其特征在于，第一均值包括第一子均值和第二子均值，所述第一协方差包括第一子协方差和第二子协方差；其中，所述第一子均值用于指示所述第四位置序列中每一个位置点的纵向位置，所述第二子均值用于指示所述第四位置序列中每一个位置点的横向位置；所述第一子协方差用于指示第一位置分布区域中每一位置点的纵向位置；所述第一子协方差用于指示第一位置分布区域中每一位置点的横向位置；

所述第二均值包括第三子均值和第四子均值，所述第二协方差包括第三子协方差和第四子协方差；其中，所述第三子均值用于指示待确定的第三位置序列中每一个位置点的纵向位置，所述第四子均值用于指示待确定的第三位置序列中每一个位置点的横向位置；所述第三子协方差用于指示待确定的第二位置分布区域中每一个位置点的纵向位置，所述第四子协方差用于指示待确定的第二位置分布区域中每一个位置点的横向位置；

根据所述第三均值，确定所述第三位置序列，并根据所述第三协方差确定所述被测车辆在第二时间段内的第二位置分布区域，包括：

根据所述第三均值，分别确定所述被测车辆在第二时间段内的纵向位置、以及所述被测车辆在第二时间段内的横向位置；并对所述被测车辆在第二时间段内的纵向位置、以及所述被测车辆在第二时间段内的横向位置进行融合，得到所述第三位置序列；

根据所述第三协方差，分别确定所述被测车辆在第二时间段中每一时刻的多个位置点各自的纵向位置、以及所述被测车辆在第二时间段中每一时刻的多个位置点各自的横向位置；并对所述被测车辆在第二时间段中每一时刻的多个位置点各自的纵向位置、以及所述被测车辆在第二时间段中每一时刻的多个位置点各自的横向位置进行融合，得到所述第二位置分布区域。

9.根据权利要求7所述的方法，其特征在于，基于所述MGP模型确定参数组合，包括：

将第一训练样本输入至待训练MGP模型中，其中，所述第一训练样本包括多个第一训练信息，每一所述第一训练信息包括车辆纵向速度、车辆横向速度以及车辆纵向位置，得到MGP模型的第一似然函数；对MGP模型的第一似然函数进行求解处理，得到第一最优参数；

将第二训练样本输入至待训练MGP模型中，其中，所述第二训练样本包括多个第二训练信息，每一所述第二训练信息包括车辆纵向速度、车辆横向速度以及车辆横向位置，得到MGP模型的第二似然函数；对MGP模型的第二似然函数进行求解处理，得到第二最优参数；

确定所述第一最优参数，所述参数组合中的第一组合参数，并确定所述第二最优参数，所述参数组合中的第二组合参数；

其中，所述第一组合参数用于确定所述第三位置序列中每一位置点的纵向位置、以及所述第二位置分布区域中每一位置点的纵向位置；所述第二组合参数用于确定所述第三位置序列中每一位置点的横向位置、以及所述第二位置分布区域中每一位置点的横向位置。

10.根据权利要求1-9任一项所述的方法，其特征在于，所述方法还包括：

获取所述被测车辆在第一时间段内的第一位置分布区域，其中，所述第一位置分布区域包括所述被测车辆在第一时间段中每一时刻的多个位置点，所述被测车辆在第一时间段中每一时刻的多个位置点为所述被测车辆在第一时间段中每一时刻的位置的相邻位置；

获取所述被测车辆在第二时间段内的第二位置分布区域，其中，所述第二位置分布区域包括所述被测车辆在第二时间段中每一时刻的多个位置点，所述被测车辆在第二时间段中每一时刻的多个位置点为所述被测车辆在第二时间段中每一时刻的位置的相邻位置；

对所述第一位置分布区域和所述第二位置分布区域进行线性叠加处理，得到所述被测车辆的预测位置区域，其中，所述预测位置区域为所述被测车辆在所述第一时间段和所述第二时间段所构成的时间上的预测位置。

Images