CN113022580A - 轨迹预测方法、装置、存储介质及电子设备 - Google Patents

Abstract

公开了一种轨迹预测方法、预测装置、计算机可读存储介质及电子设备，通过对当前车辆的实时运动状态信息进行滤波，得到当前车辆的当前运动状态信息，并且根据预设的时间周期，获取多个历史行驶轨迹点，然后根据当前车辆的当前运动状态信息，计算多个历史行驶轨迹点的位置信息，最后根据多个历史行驶轨迹点的位置信息预测当前车辆的未来行驶轨迹；即通过滤波得到准确的当前运动状态信息和多个历史行驶轨迹点的位置信息，并且根据多个历史行驶轨迹点的位置信息预测未来行驶轨迹，可以避免仅基于当前运动状态预测未来行驶轨迹所带来的预测轨迹的抖动和不平滑等问题，有效提高了预测精度。

Description

轨迹预测方法、装置、存储介质及电子设备

技术领域

本公开涉及辅助驾驶中行车轨迹的预测方法、装置、计算机可读存储介质及电子设备。

背景技术

辅助驾驶作为车辆行驶过程中的一个辅助技术，可以根据车辆行驶的状态预判车辆行驶过程中可能存在的安全隐患，从而采取主动干预或提前进入动作准备状态，例如前方碰撞预警系统、自适应巡航控制系统、自动紧急制动系统等。

然而，上述系统主动干预或提前进入动作准备状态都是基于对车辆的行驶轨迹的预测，即通过预测车辆的行驶轨迹来判断该车辆是否存在安全隐患，从而确定是否采取行动。预测的车辆的行驶轨迹的准确性将直接影响到辅助驾驶的性能，继而影响到车辆行驶的安全性，因此，亟需一种准确预测车辆的行驶轨迹的方法。

发明内容

为了解决上述技术问题，提出了本公开。本公开提供了一种轨迹预测方法、预测装置、计算机可读存储介质及电子设备，提供了一种准确预测车辆的行驶轨迹的方案。

根据本公开的一个方面，提供了一种轨迹预测方法，包括：对当前车辆的实时运动状态信息进行滤波，得到所述当前车辆的当前运动状态信息；根据预设的时间周期，获取多个历史行驶轨迹点；根据所述当前车辆的当前运动状态信息，计算所述多个历史行驶轨迹点的位置信息；以及根据所述多个历史行驶轨迹点的位置信息预测所述当前车辆的未来行驶轨迹。

根据本公开的另一个方面，提供了一种轨迹预测装置，包括：滤波模块，用于对当前车辆的实时运动状态信息进行滤波，得到所述当前车辆的当前运动状态信息；获取模块，用于根据预设的时间周期，获取多个历史行驶轨迹点；计算模块，用于根据所述当前车辆的当前运动状态信息，计算所述多个历史行驶轨迹点的位置信息；以及预测模块，用于根据所述多个历史行驶轨迹点的位置信息预测所述当前车辆的未来行驶轨迹。

根据本公开的再一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述任一所述的轨迹预测方法。

根据本公开的另一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于执行上述任一所述的轨迹预测方法。

本公开提供了一种轨迹预测方法、预测装置、计算机可读存储介质及电子设备，通过对当前车辆的实时运动状态信息进行滤波，得到当前车辆的当前运动状态信息，并且根据预设的时间周期，获取多个历史行驶轨迹点，然后根据当前车辆的当前运动状态信息，计算多个历史行驶轨迹点的位置信息，最后根据多个历史行驶轨迹点的位置信息预测当前车辆的未来行驶轨迹；即通过滤波得到准确的当前运动状态信息和多个历史行驶轨迹点的位置信息，并且根据多个历史行驶轨迹点的位置信息预测未来行驶轨迹，可以避免仅基于当前运动状态预测未来行驶轨迹所带来的预测轨迹的抖动和不平滑等问题，有效提高了预测精度。

附图说明

通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1是本公开一示例性实施例提供的一种轨迹预测系统的结构示意图。

图2是本公开一示例性实施例提供的轨迹预测方法的流程示意图。

图3是本公开一示例性实施例提供的获取当前运动状态信息方法的流程示意图。

图4是本公开一示例性实施例提供的获取当前运动状态信息方法的流程示意图。

图5是本公开一示例性实施例提供的轨迹预测装置的结构示意图。

图6是本公开另一示例性实施例提供的轨迹预测装置的结构示意图。

图7是本公开一示例性实施例提供的电子设备的结构图。

具体实施方式

下面，将参考附图详细地描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。

概述

本公开可以应用于任何使用自动驾驶或辅助驾驶的技术领域。例如，本公开的实施例可以应用于带有辅助驾驶功能的车辆上，车辆在行驶过程中，可能会因为自车的突然改变行驶车道或者其他车辆突然改变行驶车道等突发事件而导致交通事故，而辅助驾驶功能即用于避免类似的交通事故的发生或者在事故发生时尽量减小事故的严重性。然而，辅助驾驶功能的实现都需要基于对车辆未来行驶轨迹的预测，即辅助驾驶功能的实现是基于预测自车未来的行驶轨迹，从而判断自车在未来的行驶轨迹上是否有安全隐患(即是否有发生交通事故的可能性)，从而根据该安全隐患的发生概率和发生情况而采取相应的措施，例如前方碰撞预警、自适应巡航控制、自动紧急制动等。

通常情况下，前方碰撞预警系统、自适应巡航控制系统、自动紧急制动系统等预测自车的未来行驶轨迹的方法是基于自车实时的底盘信息(包括方向盘转角、横摆角速度、实时车速等)计算自车的实时转弯半径，并拟合得到一条曲线作为该车的未来行驶轨迹。这样预测未来行驶轨迹的方法是基于实时的底盘信息，而采集底盘信息的传感器等设备也存在一定的延时或误差，从而造成预测精度不高，并且底盘信息是实时变化的，即采集的相邻的两个时刻的底盘信息很可能会有较大差别，从而拟合得到的曲线也就有较大差别，这样会导致自车的未来行驶轨迹左右摇摆不定，辅助驾驶系统也很难准确的采取正确的措施。

为了确定辅助驾驶系统的准确介入时机，就需要未来的预测轨迹精度较高，这样才能保证辅助驾驶系统在恰当的时机介入以避免安全隐患或减小事故的严重性，并且能够避免辅助驾驶系统的误操作带来的驾驶舒适感降低的问题。

针对上述的技术问题，本公开的基本构思是提出一种轨迹预测方法和装置，通过滤波得到当前车辆的当前运动状态信息，并根据当前运动状态信息计算多个历史行驶轨迹点的位置信息，最后根据该多个历史行驶轨迹点的位置信息预测未来行驶轨迹，利用滤波能够提高传感器测量得到的当前运动状态信息的精度，利用多个历史行驶轨迹点预测未来行驶轨迹，可以避免预测得到的未来行驶轨迹的左右摇摆，从而更为准确的预测出未来行驶轨迹，为辅助驾驶系统提供判断基础，从而提高辅助驾驶系统的准确性，进而减少安全隐患发生的几率，提高驾驶安全性。

在介绍了本公开的基本原理之后，下面将参考附图来具体介绍本公开的各种非限制性实施例。

示例性系统

本公开可以应用于任何自动驾驶系统或辅助驾驶系统上，例如上述的前方碰撞预警系统、自适应巡航控制系统、自动紧急制动系统等。图1是本公开一示例性实施例提供的一种轨迹预测系统的结构示意图。如图1所示，可以通过滤波得到当前车辆的当前运动状态信息(图1中实线车辆所在位置的运动状态信息)，并根据当前运动状态信息计算多个历史行驶轨迹点的位置信息(图1中实线上的多个点的位置信息)，最后根据该多个历史行驶轨迹点的位置信息预测未来行驶轨迹(图1中的虚线轨迹)。即根据多个历史行驶轨迹点获知当前车辆的行驶轨迹的运动趋势，从而预测当前车辆的未来行驶轨迹，并且利用滤波能够提高传感器测量得到的当前运动状态信息的精度，利用多个历史行驶轨迹点预测未来行驶轨迹，可以避免预测得到的未来行驶轨迹的左右摇摆，从而更为准确的预测出未来行驶轨迹，为辅助驾驶系统提供判断基础，从而提高辅助驾驶系统的准确性，进而减少安全隐患发生的几率，提高驾驶安全性。

示例性方法

图2是本公开一示例性实施例提供的轨迹预测方法的流程示意图。本实施例可应用在电子设备上，如图2所示，包括如下步骤：

步骤110：对当前车辆的实时运动状态信息进行滤波，得到当前车辆的当前运动状态信息。

实时运动状态信息可以包括以下物理量中的任一种或多种的组合：当前车辆的实时车速、实时加速度、实时横摆角速度和实时横摆角速度变化率；当前运动状态信息也可以包括与实时运动状态信息对应的上述物理量。其中实时运动状态信息可以由车辆底盘直接获取，由于车辆底盘获取的实时运动状态信息中包含一定的干扰信息(例如传感器误差、传动损失等)，直接使用实时运动状态信息预测得到的轨迹与实际轨迹存在一定的误差，因此，可以对实时运动状态信息进行滤波，去除该实时运动状态信息中的干扰信息，从而得到较为准确的当前运动状态信息。通过当前车辆的实时车速、实时加速度、实时横摆角速度和实时横摆角速度变化率中的一个或多个可以准确的获知当前车辆在当前位置或当前时刻的当前运动状态信息。应当理解，本申请实施例可以根据实际应用场景的需求而选取不同的物理量作为实时运动状态信息，本申请实施例对此不做限定。

步骤120：根据预设的时间周期，获取多个历史行驶轨迹点。

根据预设的时间周期，每个该预设的时间周期获取一个历史行驶轨迹点，直至获取到预设数量的历史行驶轨迹点，例如可以预设该时间周期为30-50毫秒，历史行驶轨迹点的数量为10个。应当理解，本公开实施例可以根据实际应用场景的需求而选取不同的时间周期和历史行驶轨迹点的数量，本公开实施例对此不做限定。

步骤130：根据当前车辆的当前运动状态信息，计算多个历史行驶轨迹点的位置信息。

由于车辆在行驶过程中前进方向可能会实时改变，即以车辆前进方向为坐标轴的坐标系是不断的变化，为了方便预测未来行驶轨迹，以当前运动状态信息为基准计算多个历史行驶轨迹点的位置信息，也就是说，以当前车辆的当前位置和前进方向建立坐标系，并且计算多个历史行驶轨迹点在该坐标系中的位置信息，得到同一个坐标系中的多个历史行驶轨迹点的位置坐标，从而方便后续的预测。

步骤140：根据多个历史行驶轨迹点的位置信息预测当前车辆的未来行驶轨迹。

由于车辆在行驶过程中的位置变化通常是缓慢变化的，即车辆的行驶轨迹是平滑的，因此，在计算得到多个历史行驶轨迹点在当前运动状态下的位置信息后，可以根据该多个历史行驶轨迹点的位置信息来拟合得到包含多个历史行驶轨迹点在内的一段距离内车辆的轨迹曲线，从而根据该轨迹曲线预测当前车辆的未来行驶轨迹。

本公开提供了一种轨迹预测方法，通过对当前车辆的实时运动状态信息进行滤波，得到当前车辆的当前运动状态信息，并且根据预设的时间周期，获取多个历史行驶轨迹点，然后根据当前车辆的当前运动状态信息，计算多个历史行驶轨迹点的位置信息，最后根据多个历史行驶轨迹点的位置信息预测当前车辆的未来行驶轨迹；即通过滤波得到准确的当前运动状态信息和多个历史行驶轨迹点的位置信息，并且根据多个历史行驶轨迹点的位置信息预测未来行驶轨迹，可以避免仅基于当前运动状态预测未来行驶轨迹所带来的预测轨迹的抖动和不平滑等问题，有效提高了预测精度。

在一实施例中，多个历史行驶轨迹点的数量可以与当前车辆的实时车速反相关。当实时车速较快时，根据预设的时间周期获取的相邻历史行驶轨迹点之间的距离较远，而距离较远(例如距离大于100米)的历史行驶轨迹点与未来的预测轨迹点的差距较大，通过距离较远的历史行驶轨迹点来预测未来预测轨迹点的误差较大，因此，当实时车速较快时，适当减少历史行驶轨迹点的数量以提高预测的未来行驶轨迹的准确度；而当实时车速较慢时，根据预设的时间周期获取的相邻历史行驶轨迹点之间的距离较近，可以获取较多数量的历史行驶轨迹点，以提高预测的未来行驶轨迹的准确度。应当理解，历史行驶轨迹点的数量过多会导致过拟合，从而难以预测得到准确的未来行驶轨迹，历史行驶轨迹点的数量过少又可能因为参照数量较少而导致预测的未来行驶轨迹不够准确，因此，历史行驶轨迹点的数量应该在一定的预设范围内与当前车辆的实时车速反相关，例如历史行驶轨迹点的数量在5个至10个之间。

在一实施例中，还可以根据预设的位移周期，周期性的获取多个历史行驶轨迹点。即预设位移周期(例如10米等)，在当前车辆的历史行驶轨迹中每间隔该位移周期获取一个历史行驶轨迹点。在上述实施例中，可以根据当前车辆的实时车速选取反相关的历史行驶轨迹点的数量，而位移量与实时车速正相关，由于实时车速较快时，历史行驶轨迹中各点的时间间隔较短、变化量也相对较小，因此，可以适当减少获取的历史行驶轨迹点的数量，减少计算量，从而可以实现实时车速快时，获取较少数量的历史行驶轨迹点，实时车速慢时，获取较多数量的历史行驶轨迹点，同时也能尽量保持获取历史行驶轨迹点的时间间隔，降低对传感器的速度要求；其中，历史行驶轨迹点的数量设定在一定的预设范围内。

在当前车辆到达下一位置后，需要以该下一位置为基准再次获取多个历史行驶轨迹点的位置信息，并且以该多个历史行驶轨迹点预测该下一位置的未来行驶轨迹。在当前车辆到达下一位置后，即当前位置成为历史行驶轨迹点，此时可以再次获取至少一个新的历史行驶轨迹点(当前位置与该下一位置之间)，并且在产生一个新的历史行驶轨迹点时，用新的历史行驶轨迹点替换多个历史行驶轨迹点中距离新的历史行驶轨迹点最远的历史行驶轨迹点。由于距离当前位置最近的历史行驶轨迹点最能反映当前车辆的未来行驶轨迹，因此，在产生一个新的历史行驶轨迹点时，用产生的新的历史行驶轨迹点替换当前的多个历史轨迹点中距离该新的历史行驶轨迹点最远的历史行驶轨迹点，从而实现最大精度的预测未来行驶轨迹。

在一实施例中，步骤140的具体实现方式可以为：根据多个历史行驶轨迹点的位置信息，拟合得到一个三次曲线；以及根据三次曲线预测当前车辆的未来行驶轨迹。拟合得到的三次曲线能够更好的反映非恒定曲率的实际道路，从而能够更加准确的预测未来行驶轨迹。应当理解，本公开实施例也可以根据实际应用场景的需求而选取不同的方法根据多个历史行驶轨迹点的位置信息预测未来行驶轨迹，本公开实施例对此不做限定。

图3是本公开一示例性实施例提供的获取当前运动状态信息方法的流程示意图。如图3所示，步骤110可以包括如下子步骤：

步骤111：将实时车速、实时加速度、实时横摆角速度和实时横摆角速度变化率设置为系统状态量，将实时车速、实时横摆角速度设置为观测量构建卡尔曼滤波器。

卡尔曼滤波器是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的设备。由于观测数据中包括系统中的噪声和干扰的影响，卡尔曼滤波是去除噪声还原真实数据的一种数据处理技术。本公开实施例通过当前车辆自带的传感器等器件实时采集当前车辆的实时运动状态信息，而该实时运动状态信息包含了噪音干扰，即该实时运动状态信息与当前车辆的真实运动状态信息之间还存在一定的误差，因此，本公开实施例通过构建卡尔曼滤波器对该实时运动状态信息进行滤波处理。其中，构建卡尔曼滤波器具体的方式为：以实时车速、实时加速度、实时横摆角速度和实时横摆角速度变化率为卡尔曼滤波器的系统状态量，并以实时车速、实时横摆角速度为卡尔曼滤波器的观测量构建卡尔曼滤波器。

步骤112：通过卡尔曼滤波器去除实时运动状态信息中的噪声干扰，得到当前车辆的当前运动状态信息。

在构建卡尔曼滤波器后，利用该卡尔曼滤波器去除实时运动状态信息中的噪声干扰，以得到接近真实的当前车辆的当前运动状态信息。通过构建卡尔曼滤波器并利用该卡尔曼滤波器得到当前运动状态信息，从而提高得到的当前车辆的当前运动状态信息的准确性，继而提高预测的未来行驶轨迹的准确性。

下面举例具体说明本公开实施例中卡尔曼滤波器的构建过程和预测过程：

卡尔曼滤波器的构建过程为：

构建观测量：z＝[v,γ]^T，构建状态量：

构建测量矩阵：

v为实时车速，γ为实时横摆角速度，a为实时加速度，

为实时横摆角速度变化率。

卡尔曼滤波器的预测过程为：

x_p(k)＝F*x(k-1)；

x_p(k)为当前预测值，P_p(k)为当前周期的过程噪声的预测值；F为系统的传递矩阵，具体为

T为上述预设的时间周期；基于包含预设的时间周期T的传递矩阵F和上一周期的输出值，计算得到当前的预测值。

P_p(k)＝F*P(k-1)*F^T+Q(k-1)；

P(k-1)为上一周期的过程噪声，Q(k-1)为上一周期的系统白噪声；基于传递矩阵和上一周期的过程噪声、并且加上上一周期的系统白噪声，得到当前的过程噪声的预测值。

y(k)＝z(k)-H*x_p(k)；

y(k)为当前残差，即预测值H*x_p(k)与测量值z(k)之间的差值。

C(k)＝H*P_p(k)*H^T+R(k)；

C(k)为当前协方差；R(k)为测量误差，可以设定为一定值；即将当前的过程噪声的预测值加上测量误差作为当前的协方差。

K(k)＝P_p(k)*H^T*C^-1(k)；

K(k)为卡尔曼增益；即根据当前的过程噪声的预测值和当前协方差计算卡尔曼增益。

x(k)＝x_p(k)+K(k)*y(k)；

x(k)为滤波后的值(即卡尔曼滤波器的输出量)；即由当前预测值加上卡尔曼增益和当前残差的组合，得到滤波后的值。

P(k)＝P_p(k)-K(k)*H*P_p(k)；

P(k)为当前周期的过程噪声；根据当前的过程噪声的预测值与其卡尔曼增益，计算得到当前周期的过程噪声。

通过上述过程可以得到滤波后的当前运动状态信息(即x(k))，从而提高预测的未来行驶轨迹的准确性。

图4是本公开一示例性实施例提供的获取当前运动状态信息方法的流程示意图。如图4所示，步骤130可以包括如下子步骤：

步骤131：根据当前运动状态信息及时间周期，获取当前观察坐标系与上一个时间周期对应的观察坐标系之间的位移。

根据上述方法获取的当前运动状态信息和时间周期，获取当前观察坐标系与上一时间周期对应的观察坐标系之间的位移，即以相邻的两个周期对应的运动状态信息分别建立对应的观察坐标系，并对比该相邻的两个周期对应的观察坐标系之间的位移。

在一实施例中，步骤131的具体实现方法可以包括：根据当前车辆的实时横摆角速度及时间周期，获取当前观察坐标系与上一个时间周期对应的观察坐标系之间的偏航角；根据偏航角、实时车速、实时加速度及时间周期，获取当前观察坐标系与上一个时间周期对应的观察坐标系之间的位移。

步骤132：根据多个历史行驶轨迹点在上一个时间周期对应的观察坐标系中的坐标值及当前观察坐标系与上一个时间周期对应的观察坐标系之间的位移，计算多个历史行驶轨迹点在当前观察坐标系中的坐标值。

根据获取的当前观察坐标系与上一个时间周期对应的观察坐标系之间的位移，将多个历史行驶轨迹点在上一个时间周期对应的观察坐标系中的坐标值转化为在当前观察坐标系中的坐标值，以方便在当前观察坐标系中预测未来行驶轨迹，因为在当前观察坐标系中可能增加了新的历史行驶轨迹点，因此，通过在当前观察坐标系中去预测未来行驶轨迹能够采用最邻近当前位置的多个历史行驶轨迹点作为预测基础，从而提高预测准确度。

下面举例具体说明本公开实施例中多个历史行驶轨迹点的位置信息的计算过程：

当前观察坐标系与上一个时间周期对应的观察坐标系之间的位移获取过程：

获取偏航角：

γ为实时横摆角速度，T为时间周期，

为实时横摆角速度变化率。

V_x＝v*cos(θ)+a*cos(θ)*T；

a为实时加速度，v为实时车速，V_x为车速在x方向上的分量；根据实时车速v和一个周期的时间车速的增量a*T在x方向上的分量，计算得到车速在x方向上的分量。

V_y＝v*sin(θ)+a*sin(θ)*T；

V_y为车速在y方向上的分量；根据实时车速v和一个周期的时间车速的增量a*T在y方向上的分量，计算得到车速在y方向上的分量。

ΔS_x为位移增量在x方向上的分量；根据位移在x方向上的分量和加速度在x方向上产生的增量，计算得到x方向上的位移增量。

ΔS_y为位移增量在y方向上的分量；根据位移在y方向上的分量和加速度在y方向上产生的增量，计算得到y方向上的位移增量。

多个历史行驶轨迹点在当前观察坐标系中的坐标值计算过程：

(S_x，S_y)为历史行驶轨迹点在当前观察坐标系中的坐标值；

为历史行驶轨迹点在上一时间周期对应的观察坐标系中的坐标值；根据历史行驶轨迹点在上一时间周期对应的观察坐标系中的坐标值在x、y两个方向上的分量和x、y两个方向上的位移增量，分别得到历史行驶轨迹点在当前观察坐标系中x、y两个方向上的位移分量(即坐标值)。

示例性装置

图5是本公开一示例性实施例提供的轨迹预测装置的结构示意图。如图5所示，该轨迹预测装置40包括：滤波模块41，用于对当前车辆的实时运动状态信息进行滤波，得到当前车辆的当前运动状态信息；获取模块42，用于根据预设的时间周期，获取多个历史行驶轨迹点；计算模块43，用于根据当前车辆的当前运动状态信息，计算多个历史行驶轨迹点的位置信息；以及预测模块44，用于根据多个历史行驶轨迹点的位置信息预测当前车辆的未来行驶轨迹。

本公开提供了一种轨迹预测装置，通过滤波模块41对当前车辆的实时运动状态信息进行滤波，得到当前车辆的当前运动状态信息，并且获取模块42根据预设的时间周期，获取多个历史行驶轨迹点，然后计算模块43根据当前车辆的当前运动状态信息，计算多个历史行驶轨迹点的位置信息，最后预测模块44根据多个历史行驶轨迹点的位置信息预测当前车辆的未来行驶轨迹；即通过滤波得到准确的当前运动状态信息和多个历史行驶轨迹点的位置信息，并且根据多个历史行驶轨迹点的位置信息预测未来行驶轨迹，可以避免仅基于当前运动状态预测未来行驶轨迹所带来的预测轨迹的抖动和不平滑等问题，有效提高了预测精度。

在一实施例中，实时运动状态信息可以包括以下物理量中的任一种或多种的组合：当前车辆的实时车速、实时加速度、实时横摆角速度和实时横摆角速度变化率。在一实施例中，多个历史行驶轨迹点的数量可以与当前车辆的实时车速反相关。

在一实施例中，获取模块42可以进一步配置为：根据预设的位移周期，周期性的获取多个历史行驶轨迹点。在一实施例中，获取模块42可以进一步配置为：在产生一个新的历史行驶轨迹点时，用新的历史行驶轨迹点替换多个历史行驶轨迹点中距离新的历史行驶轨迹点最远的历史行驶轨迹点。

在一实施例中，预测模块44可以进一步配置为：根据多个历史行驶轨迹点的位置信息，拟合得到一个三次曲线；以及根据三次曲线预测当前车辆的未来行驶轨迹。

图6是本公开另一示例性实施例提供的轨迹预测装置的结构示意图。如图6所示，滤波模块41还可以包括子单元：构建子单元411，用于以实时车速、实时加速度、实时横摆角速度和实时横摆角速度变化率为系统状态量，以实时车速、实时横摆角速度为观测量构建卡尔曼滤波器；去除噪声子单元412，用于根据卡尔曼滤波器去除实时运动状态信息中的噪声干扰，得到当前车辆的当前运动状态信息。

在一实施例中，如图6所示，计算模块43还可以包括子单元：位移获取子单元431，用于根据当前运动状态信息及时间周期，获取当前观察坐标系与上一个时间周期对应的观察坐标系之间的位移；坐标计算子单元432，用于根据多个历史行驶轨迹点在上一个时间周期对应的观察坐标系中的坐标值及当前观察坐标系与上一个时间周期对应的观察坐标系之间的位移，计算多个历史行驶轨迹点在当前观察坐标系中的坐标值。

应当理解，尽管在上文的详细描述中提及了装置的若干模块或单元，但是这种划分仅仅是示例性而非强制性的。实际上，上文描述的两个或更多模块/单元的特征和功能可以在一个模块/单元中实现，反之，上文描述的一个模块/单元的特征和功能可以进一步划分为由多个模块/单元来实现。此外，上文描述的某些模块/单元具体解决的技术问题以及对应的技术效果均在上述示例性方法中详细介绍，因此，在示例性装置部分仅简要介绍，并省略不必要的重复描述。

示例性电子设备

下面，参考图7来描述根据本公开实施例的电子设备。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。

图7图示了根据本公开实施例的电子设备的框图。

如图7所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本公开的各个实施例的轨迹预测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

例如，在该电子设备是第一设备或第二设备时，该输入装置13可以是传感器，用于获取运动状态信息的输入信号。在该电子设备是单机设备时，该输入装置13可以是通信网络连接器，用于从第一设备和第二设备接收所采集的输入信号。

此外，该输入设备13还可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出设备14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图7中仅示出了该电子设备10中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的轨迹预测方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的轨迹预测方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。

本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种轨迹预测方法，包括：

对当前车辆的实时运动状态信息进行滤波，得到所述当前车辆的当前运动状态信息；

根据预设的时间周期，获取多个历史行驶轨迹点；

根据所述当前车辆的当前运动状态信息，计算所述多个历史行驶轨迹点的位置信息；以及

根据所述多个历史行驶轨迹点的位置信息预测所述当前车辆的未来行驶轨迹。

2.根据权利要求1所述的方法，其中，所述实时运动状态信息包括以下物理量中的任一种或多种的组合：所述当前车辆的实时车速、实时加速度、实时横摆角速度和实时横摆角速度变化率。

3.根据权利要求2所述的方法，其中，所述多个行驶历史轨迹点的数量与所述当前车辆的实时车速反相关。

4.根据权利要求2所述的方法，其中，所述对当前车辆的实时运动状态信息进行滤波，得到所述当前车辆的当前运动状态信息包括：

以所述实时车速、所述实时加速度、所述实时横摆角速度和所述实时横摆角速度变化率为系统状态量，以所述实时车速、所述实时横摆角速度为观测量构建卡尔曼滤波器；以及

根据所述卡尔曼滤波器去除所述实时运动状态信息中的噪声干扰，得到所述当前车辆的当前运动状态信息。

5.根据权利要求2所述的方法，其中，所述根据所述当前车辆的当前运动状态信息，计算所述多个历史行驶轨迹点的位置信息包括：

根据所述当前运动状态信息及所述时间周期，获取当前观察坐标系与上一个时间周期对应的观察坐标系之间的位移；以及

根据所述多个历史行驶轨迹点在所述上一个时间周期对应的观察坐标系中的坐标值及所述当前观察坐标系与所述上一个时间周期对应的观察坐标系之间的位移，计算所述多个历史行驶轨迹点在所述当前观察坐标系中的坐标值。

6.根据权利要求5所述的方法，其中，所述根据所述当前运动状态信息及所述时间周期，获取当前观察坐标系与上一个时间周期对应的观察坐标系之间的位移包括：

根据所述当前车辆的实时横摆角速度及所述时间周期，获取所述当前观察坐标系与所述上一个时间周期对应的观察坐标系之间的偏航角；以及

根据所述偏航角、所述实时车速、所述实时加速度及所述时间周期，获取所述当前观察坐标系与所述上一个时间周期对应的观察坐标系之间的位移。

7.根据权利要求1所述的方法，其中，所述根据所述多个历史行驶轨迹点的位置信息预测所述当前车辆的未来行驶轨迹包括：

根据所述多个历史行驶轨迹点的位置信息，拟合得到一个三次曲线；以及

根据所述三次曲线预测所述当前车辆的未来行驶轨迹。

8.一种轨迹预测装置，包括：

滤波模块，用于对当前车辆的实时运动状态信息进行滤波，得到所述当前车辆的当前运动状态信息；

获取模块，用于根据预设的时间周期，获取多个历史行驶轨迹点；

计算模块，用于根据所述当前车辆的当前运动状态信息，计算所述多个历史行驶轨迹点的位置信息；以及

预测模块，用于根据所述多个历史行驶轨迹点的位置信息预测所述当前车辆的未来行驶轨迹。

9.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-7任一所述的轨迹预测方法。

10.一种电子设备，所述电子设备包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器，用于执行上述权利要求1-7任一所述的轨迹预测方法。

Images