CN113844446B - 融合长短程的车辆轨迹预测方法 - Google Patents

Abstract

本发明公开了一种融合长短程的车辆轨迹预测方法，本发明的主要设计构思在于，首先根据两种预测算法分别得到长程以及短程的预测轨迹，进一步地采用替换、插值、取点、拟合的步骤将长程以及短程的轨迹有机地结合起来，使得最终的预测轨迹既有长程轨迹的趋势特点也有短程轨迹的精度特点，并且能够根据不同场景、不同需求动态调节预测轨迹。本发明通过结合了基于车道选择的策略、基于深度学习的模型以及基于运动学的预测模型，充分利用各部分的优势，得到一条兼具短时间内行为预测精度，又具备长时间行为预测趋势的预测轨迹，从而为驾驶决策提供参考，进而为智能驾驶车辆更加安全快速地通行提供保障。

Description

融合长短程的车辆轨迹预测方法

技术领域

本发明涉及智能网联车辆领域，尤其涉及一种融合长短程的车辆轨迹预测方法。

背景技术

智能汽车是集感知、决策、控制于一体的综合智能体，随着计算机技术与芯片的大力发展，智能汽车已经成为减少交通事故与交通拥堵的重要手段之一，特别是在近几年，智能汽车的研究与使用出现高速发展的现象。但是尽管已经进行了大量的研究，目前智能汽车的安全问题仍然亟待解决，特别是对于城市道路，一方面是因为城市道路工况较为复杂，交通参与者种类(包括车辆、行人、电动车、自行车等等)以及数量较多，交通状况复杂；另一方面，简单的由感知-决策-控制的自动驾驶模式往往并不可靠。原因之一是三者之间数据的传输并不完全可靠，造成决策或者控制的失效等，原因之二是当外界环境出现突变时，规划的轨迹会产生跳变，严重时还可能导致碰撞等。究其原因就是智能汽车目前还不能完全像人一样能够在复杂的环境中去识别并且预测周围交通参与者(行人、车辆等)的行为。一旦没有良好的行为预测，再完美的感知、决策算法都不再是绝对安全的。

行为预测主要解决自动驾驶车辆与周围环境中的其它运动物体(车辆、行人等)的协同交互问题。该模块对感知模块所检测到的运动物体进行未来一段时间内行为意图的预测。以这些障碍车、行人、非机动车等运动物体的预测轨迹作为输入，自动驾驶车辆可以做出更加合理的驾驶决策，规划出更加合理、安全的车辆运动行为。现有的行为预测算法多种多样，主要包括基于车道选择的策略、基于物理学模型的预测以及基于深度学习模型的预测，此外还有基于博弈论的模型、基于神经网络的模型和基于隐马尔科夫的模型和贝叶斯网络等等。这些模型中有些用来预测目标实体长期的轨迹，例如基于策略的方法、基于车道选择的方法等；还有些模型用来预测目标实体短期的轨迹，例如基于物理学模型的预测、贝叶斯网络、长短时记忆网络等等。

现有技术只是考虑了单个行为预测模型，但是单个行为预测模型有其局限性，比如说基于物理学模型的预测，其可预测时长较短，当预测范围增大时，预测结果较差；又比如基于车道选择的模型，其预测的轨迹可以显示车辆在长期的时间范围内的趋势，但是对于短期的具体轨迹则表达的不够精准。

发明内容

鉴于上述，本发明旨在提供一种融合长短程的车辆轨迹预测方法，结合不同的行为预测算法，整合出一个预测轨迹，使其具有不同预测算法的优点，以解决现有行为预测方案的准确性及适应性不佳的问题。

本发明采用的技术方案如下：

一种融合长短程的车辆轨迹预测方法，其中包括：

获取目标车辆信息，所述目标车辆信息包括：所在车道信息、车辆类型信息、车速信息以及车灯信息；

根据目标车辆的所在车道信息、车灯信息以及预设的车道选择策略，并结合深度学习算法得到目标车辆的长程预测轨迹；

根据目标车辆的车辆类型信息建立车辆动力学模型，并结合目标车辆的历史车速信息，得到目标车辆的短程预测轨迹；

利用短程预测轨迹及预设的替换插值算法，对长程预测轨迹进行重构，得到新的长程预测轨迹；

在新的长程预测轨迹中采样若干轨迹点，并利用所述轨迹点拟合得到目标车辆的行为预测结果。

在其中至少一种可能的实现方式中，所述对长程预测轨迹进行重构包括：

将长程预测轨迹按时序拆分为原始的第一轨迹、第二轨迹、第三轨迹；

将原始的第一轨迹替换为短程预测轨迹；

去除原始的第二轨迹；

基于替换后的第一轨迹以及原始的第三轨迹，利用插值法得到新的第二轨迹；

融合替换后的第一轨迹、新的第二轨迹以及原始的第三轨迹，得到新的长程预测轨迹。

在其中至少一种可能的实现方式中，拆分长程预测轨迹的方式包括：使原始的第一轨迹与短程预测轨迹的时长相等；将长程预测轨迹与短程预测轨迹的时间差值均分，分别作为原始的第二轨迹及原始的第三轨迹对应的时长。

在其中至少一种可能的实现方式中，所述在新的长程预测轨迹中采样若干轨迹点包括：基于预设的非均匀采样机制在新的长程预测轨迹中取点。

在其中至少一种可能的实现方式中，所述非均匀采样机制包括：

基于所需的长程预测或短程预测的侧重需求，在替换后的第一轨迹取取较多的点，或者在新的第二轨迹及原始的第三轨迹上取较多的点。

在其中至少一种可能的实现方式中，所述车辆轨迹预测方法还包括：将同一时刻的多个目标车辆的行为预测结果放在同一坐标系内，按预设的安全策略要求进行安全性验证。

在其中至少一种可能的实现方式中，所述安全策略包括：不同目标车辆的最终的行为预测结果无交叉重叠，并且目标车辆的行为预测结果需符合合理的车辆行驶范围。

在其中至少一种可能的实现方式中，利用高精地图信息确定所述合理的车辆行驶范围。

在其中至少一种可能的实现方式中，所述车辆动力学模型为自适应的二自由度车辆运动模型，所述二自由度包括车辆的纵向运行与横向运动。

在其中至少一种可能的实现方式中，所述历史车速信息包括目标车辆的横向速度、纵向速度、角速度以及角加速度在预设的在先时间段内的历史数值。

本发明的主要设计构思在于，首先根据两种预测算法分别得到长程以及短程的预测轨迹，进一步地采用替换、插值、取点、拟合的步骤将长程以及短程的轨迹有机地结合起来，使得最终的预测轨迹既有长程轨迹的趋势特点也有短程轨迹的精度特点，并且能够根据不同场景、不同需求动态调节预测轨迹。本发明通过结合了基于车道选择的策略、基于深度学习的模型以及基于运动学的预测模型，充分利用各部分的优势，得到一条兼具短时间内行为预测精度，又具备长时间行为预测趋势的预测轨迹，从而为驾驶决策提供参考，进而为智能驾驶车辆更加安全快速地通行提供保障。

附图说明

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步描述，其中：

图1为本发明实施例提供的融合长短程的车辆轨迹预测方法的流程图。

具体实施方式

下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本发明提出了一种融合长短程的车辆轨迹预测方法的实施例，具体来说，如图1所示，其中包括：

步骤S1、获取本车信息、目标车辆信息、车道及路口信息；所述目标车辆信息包括：所在车道信息、车辆类型信息、车速信息以及车灯信息；

在实际操作中，可以通过激光雷达、高精地图以及惯导设备，确定本车的位置、朝向、所在车道等信息。此外，结合本车上的激光雷达以及摄像头，还可以得到目标车辆的信息，包括目标车辆所在车道信息、车辆类型、速度、加速度、朝向以及车灯信息。并且，还可以根据计算机视觉以及高精地图得到当前道路的车道线信息、路口交通灯信息、路口停止线距离等信息。

步骤S2、根据目标车辆的所在车道信息、车灯信息以及预设的车道选择策略，得到目标车辆的长程预测轨迹；

在实际操作中，可以利用目标车辆的所在车道信息、车速信息、车灯信息等，并结合预设的车道选择策略，得到目标车辆整体的轨迹趋势，然后根据深度学习的方法，进一步可以得到长程预测结果。具体来说，当目标车辆在直行车道上时，如果目标车辆没有打开转向灯，目标车辆极大概率会直行；当其在直行道上且有转向灯信息时，可判断目标车辆是否具备换道条件，并进一步判断车辆是否会变道以及换道时机；当目标车辆在交叉路口时，还可以结合高精地图，基于目标车辆所在车道，得到其长程预测结果。所谓长程是指该预测结果以时间为标识，预测出目标车辆在一定时长内可能的行驶轨迹，具体地，可以结合现有研究，基于车道选择的策略一般可以预测目标车辆在五秒左右的大致轨迹。

步骤S3、根据目标车辆的车辆类型信息建立车辆动力学模型，并结合目标车辆历史车速信息，确定目标车辆的短程预测轨迹；

在实际操作中，为简化逻辑提升效率，可以只考虑车辆在横向及纵向的前进与偏转，不需要考虑车辆在高度方向的运动，为此，可根据不同类型的目标车辆，建立自适应的二自由度车辆运动模型，其主要体现在不同车辆的基本参数(如质量、轴距等)上的区别；然后利用该车辆动力学模型，结合本车的激光雷达、摄像头得到的目标车辆的横向速度、纵向速度、角速度以及角加速度在之前一段时间内的历史数值，得到目标车辆在未来短时间内的短程轨迹。可以理解地，该部分的轨迹同样以时间为表征，例如得到目标车辆在未来两秒时间内的短程轨迹。

步骤S4、利用短程预测轨迹及预设的替换插值算法，对长程预测轨迹进行重构，得到新的长程预测轨迹；

这里，提供如下实施示例供参考，可以将长程预测轨迹按时序拆分为原始的第一轨迹、第二轨迹、第三轨迹，切分方式为：使原始的第一轨迹与短程预测轨迹的时长相等，并将长程预测轨迹与短程预测轨迹的时间差值均分，分别作为原始的第二轨迹及第三轨迹对应的时长；接着，将原始的第一轨迹替换为短程预测轨迹，去除掉原始的第二轨迹，基于替换后的第一轨迹以及原始的第三轨迹，利用插值法得到新的第二轨迹，然后融合替换后的第一轨迹、新的第二轨迹以及原始的第三轨迹，得到新的长程预测轨迹。

具体来说，将长程预测轨迹分为三部分，第一部分为与短程轨迹时长相同即两秒内的轨迹，第二第三部分平分剩余时长，分别为1.5秒。将得到的短程轨迹替换同时间点的长程预测轨迹，即长程轨迹中的第一部分的轨迹，去除第二部分的轨迹，之后根据第一第三部分的长程轨迹利用插值的方法得到第二部分的轨迹。这样做的目的是：保留短程轨迹以保证近距离预测轨迹的准确性，保留长程轨迹中第三部分的轨迹以保证整段轨迹的趋势，第二部分采用插值的方法是为了平滑衔接第一、第三部分的轨迹。

步骤S5、在新的长程预测轨迹中采样若干轨迹点，并利用所述轨迹点拟合得到目标车辆的行为预测结果。

在实际操作中，取点的个数及方式可以有所侧重，如果最后结果侧重短时间的轨迹精度，可在第一轨迹部分取较多的点，如果最后结果侧重长时间的轨迹趋势，则可在后两部分轨迹取较多点。待取点完成后，根据取的点利用高阶曲线或者样条线进行拟合，保证最后生成轨迹的平顺性。该步骤首先是为了适应不同的预测结果的选择，其次，进行拟合的目的也是为了得到预测轨迹的具体表达从而便于进行预测结果的评价。

进一步地，所述方法还可以包括安全性验证步骤，目的是为了对所得到的最终预测轨迹进行基本评价。因为前述五个步骤都是基于单个实体(目标车辆)进行轨迹预测，并没有考虑到其他车辆的影响，在逐个对单实体进行轨迹预测之后，将道路上相关的各个实体在某个时刻的预测轨迹放在同一坐标系内，显然，不同车辆的预测轨迹不能有交叉重叠的情况，并且生成的轨迹不能超出车辆的行驶范围，该部分在实际操作中可结合高精地图信息进行约束。

本发明结合了基于车道选择的策略、基于深度学习的模型以及基于运动学的预测模型，取长补短，充分利用各部分的优势，得到一条最优的预测轨迹，其兼具短时间内行为预测的精度，又具备长时间行为预测的趋势。需说明的是，本发明前述实施例适用于不同的场景，不仅仅是对于高速公路，对于城市快速路也同样适应。此外，还可以通过调整取点时的数量来控制该逻辑的侧重，在进行取点时并不一定要均匀取点。如果需要预测轨迹倾向于短时的精度，可在第一部分取点稍多，这样整体轨迹对于第一部分拟合效果较好；如果需要预测轨迹倾向于长时的趋势，可在第二第三部分取点稍多，这样整体轨迹对于后面部分的拟合效果较好。

综上所述，本发明的主要设计构思在于，首先根据两种预测算法分别得到长程以及短程的预测轨迹，进一步地采用替换、插值、取点、拟合的步骤将长程以及短程的轨迹有机地结合起来，使得最终的预测轨迹既有长程轨迹的趋势特点也有短程轨迹的精度特点，并且能够根据不同场景、不同需求动态调节预测轨迹。本发明通过结合了基于车道选择的策略、基于深度学习的模型以及基于运动学的预测模型，充分利用各部分的优势，得到一条兼具短时间内行为预测精度，又具备长时间行为预测趋势的预测轨迹，从而为驾驶决策提供参考，进而为智能驾驶车辆更加安全快速地通行提供保障。

本发明实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达，是指的这些项中的任意组合，包括单项或复数项的任意组合。例如，a，b和c中的至少一项可以表示：a，b，c，a和b，a和c，b和c或a和b和c，其中a，b，c可以是单个，也可以是多个。

以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果，但以上仅为本发明的较佳实施例，需要言明的是，上述实施例及其优选方式所涉及的技术特征，本领域技术人员可以在不脱离、不改变本发明的设计思路以及技术效果的前提下，合理地组合搭配成多种等效方案；因此，本发明不以图面所示限定实施范围，凡是依照本发明的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本发明的保护范围内。

Claims (9)

1.一种融合长短程的车辆轨迹预测方法，其特征在于，包括：

获取目标车辆信息，所述目标车辆信息包括：所在车道信息、车辆类型信息、历史车速信息以及车灯信息；

根据目标车辆的所在车道信息、车灯信息以及预设的车道选择策略，并结合深度学习算法得到目标车辆的长程预测轨迹；

根据目标车辆的车辆类型信息建立车辆动力学模型，并结合目标车辆的历史车速信息，得到目标车辆的短程预测轨迹；

利用短程预测轨迹及预设的替换插值算法，对长程预测轨迹进行重构，得到新的长程预测轨迹；所述对长程预测轨迹进行重构包括：将长程预测轨迹按时序拆分为原始的第一轨迹、第二轨迹、第三轨迹；将原始的第一轨迹替换为短程预测轨迹；去除原始的第二轨迹；基于替换后的第一轨迹以及原始的第三轨迹，利用插值法得到新的第二轨迹；融合替换后的第一轨迹、新的第二轨迹以及原始的第三轨迹，得到新的长程预测轨迹；

在新的长程预测轨迹中采样若干轨迹点，并利用所述轨迹点拟合得到目标车辆的行为预测结果。

2.根据权利要求1所述的融合长短程的车辆轨迹预测方法，其特征在于，拆分长程预测轨迹的方式包括：使原始的第一轨迹与短程预测轨迹的时长相等；将长程预测轨迹与短程预测轨迹的时间差值均分，分别作为原始的第二轨迹及原始的第三轨迹对应的时长。

3.根据权利要求1所述的融合长短程的车辆轨迹预测方法，其特征在于，所述在新的长程预测轨迹中采样若干轨迹点包括：基于预设的非均匀采样机制在新的长程预测轨迹中取点。

4.根据权利要求3所述的融合长短程的车辆轨迹预测方法，其特征在于，所述非均匀采样机制包括：

基于所需的长程预测或短程预测的侧重需求，在替换后的第一轨迹取较多的点，或者在新的第二轨迹及原始的第三轨迹上取较多的点。

5.根据权利要求1所述的融合长短程的车辆轨迹预测方法，其特征在于，所述车辆轨迹预测方法还包括：将同一时刻的多个目标车辆的行为预测结果放在同一坐标系内，按预设的安全策略要求进行安全性验证。

6.根据权利要求5所述的融合长短程的车辆轨迹预测方法，其特征在于，所述安全策略包括：不同目标车辆的最终的行为预测结果无交叉重叠，并且目标车辆的行为预测结果需符合合理的车辆行驶范围。

7.根据权利要求6所述的融合长短程的车辆轨迹预测方法，其特征在于，利用高精地图信息确定所述合理的车辆行驶范围。

8.根据权利要求1~7任一项所述的融合长短程的车辆轨迹预测方法，其特征在于，所述车辆动力学模型为自适应的二自由度车辆运动模型，所述二自由度包括车辆的纵向运行与横向运动。

9.根据权利要求8所述的融合长短程的车辆轨迹预测方法，其特征在于，所述历史车速信息包括目标车辆的横向速度、纵向速度、角速度以及角加速度在预设的在先时间段内的历史数值。