CN113895460B - 行人轨迹预测方法、装置及存储介质 - Google Patents

行人轨迹预测方法、装置及存储介质 Download PDF

Info

Publication number
CN113895460B
CN113895460B CN202111333664.6A CN202111333664A CN113895460B CN 113895460 B CN113895460 B CN 113895460B CN 202111333664 A CN202111333664 A CN 202111333664A CN 113895460 B CN113895460 B CN 113895460B
Authority
CN
China
Prior art keywords
pedestrian
sample
vehicle
target
determining
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
CN202111333664.6A
Other languages
English (en)
Other versions
CN113895460A (zh
Inventor
韩佳琪
崔茂源
吕颖
高延熹
孔德宝
吕铮
董小瑜
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.)
FAW Group Corp
Original Assignee
FAW Group Corp
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 FAW Group Corp filed Critical FAW Group Corp
Priority to CN202111333664.6A priority Critical patent/CN113895460B/zh
Publication of CN113895460A publication Critical patent/CN113895460A/zh
Priority to PCT/CN2022/120380 priority patent/WO2023082850A1/zh
Application granted granted Critical
Publication of CN113895460B publication Critical patent/CN113895460B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • B60W60/00272—Planning or execution of driving tasks using trajectory prediction for other traffic participants relying on extrapolation of current movement
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/402—Type
    • B60W2554/4029—Pedestrians
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4041—Position
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/803—Relative lateral speed
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/804—Relative longitudinal speed

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明实施例公开了一种行人轨迹预测方法、装置及存储介质，该方法包括：获取目标行人在每一个目标车辆的车辆坐标系中的当前位置坐标，以及目标行人与各目标车辆的当前相对速度；根据当前位置坐标、当前相对速度以及预先构建的风险特征函数，确定下一时刻目标行人与每个目标车辆对应的碰撞风险值；根据碰撞风险值，确定目标行人所对应的避让概率分布；根据当前相对速度、当前位置坐标以及预先建立的人车交互模型，确定目标行人的避让运动速度；根据当前相对速度、当前位置坐标、避让运动速度以及避让概率分布，确定目标行人的目标预测位置。通过本发明实施例的技术方案，实现了快速且准确的预测行人轨迹的技术效果。

Description

行人轨迹预测方法、装置及存储介质
技术领域
本发明实施例涉及智能车辆技术领域，尤其涉及一种行人轨迹预测方法、装置及存储介质。
背景技术
典型的自动驾驶系统由环境感知、规划决策、执行控制三部分组成，行人轨迹预测属于规划决策中的一项基础任务。在混合交通场景下，对行人未来的运动轨迹进行准确、快速的预测，有助于提高自动驾驶汽车的规划有效性和决策准确性。
在城市道路交通环境中，各种交通标识和信号灯调节着行人与车辆之间的相互作用，传统的基于模型的预测方法通常是利用这一特征来预测行人未来的轨迹，然而这种方法需要依赖于传统的交通设备，应用范围具有局限性。并且，在没有交通设备的情况下，行人与车辆之间的相互作用则无法进行合理的预测。
由于行人轨迹预测从本质上来讲是一个时间序列的问题，近些年来，基于神经网络的预测方法逐渐应用在自动驾驶领域。目前，利用大型数据集来训练学习可以做到在任意场景下的行人轨迹的准确预测，但是，这种方法的性能优越性和通用性是以模型可解释性和计算速度作为代价的。
发明内容
本发明实施例提供了一种行人轨迹预测方法、装置及存储介质，以实现快速且准确的预测行人轨迹的技术效果。
第一方面，本发明实施例提供了一种行人轨迹预测方法，该方法包括：
获取目标行人在每一个目标车辆的车辆坐标系中的当前位置坐标，以及所述目标行人与各目标车辆的当前相对速度；
根据所述当前位置坐标、所述当前相对速度以及预先构建的风险特征函数，确定下一时刻所述目标行人与每个目标车辆对应的碰撞风险值；其中，所述风险特征函数根据样本行人和与所述样本行人相对应的样本车辆的最小距离以及达到所述最小距离的剩余时间构建；
根据所述碰撞风险值，确定所述目标行人所对应的避让概率分布；
根据所述当前相对速度、所述当前位置坐标以及预先建立的人车交互模型，确定所述目标行人的避让运动速度；其中，所述预先建立的人车交互模型根据所述样本行人的在与所述样本行人相对应的样本车辆的车辆坐标系中的样本位置坐标以及所述样本行人与所述样本车辆的样本相对速度建立；
根据所述当前相对速度、所述当前位置坐标、所述避让运动速度以及所述避让概率分布，确定所述目标行人的目标预测位置。
第二方面，本发明实施例还提供了一种行人轨迹预测装置，该装置包括：
信息获取模块，用于获取目标行人在每一个目标车辆的车辆坐标系中的当前位置坐标，以及所述目标行人与各目标车辆的当前相对速度；
碰撞风险值确定模块，用于根据所述当前位置坐标、所述当前相对速度以及预先构建的风险特征函数，确定下一时刻所述目标行人与每个目标车辆对应的碰撞风险值；其中，所述风险特征函数根据样本行人和与所述样本行人相对应的样本车辆的最小距离以及达到所述最小距离的剩余时间构建；
避让概率确定模块，用于根据所述碰撞风险值，确定所述目标行人所对应的避让概率分布；
运动速度预测模块，用于根据所述当前相对速度、所述当前位置坐标以及预先建立的人车交互模型，确定所述目标行人的避让运动速度；其中，所述预先建立的人车交互模型根据所述样本行人的在与所述样本行人相对应的样本车辆的车辆坐标系中的样本位置坐标以及所述样本行人与所述样本车辆的样本相对速度建立；
位置预测模块，用于根据所述当前相对速度、所述当前位置坐标、所述避让运动速度以及所述避让概率分布，确定所述目标行人的目标预测位置。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例任一所述的行人轨迹预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例任一所述的行人轨迹预测方法。
本发明实施例的技术方案，通过获取目标行人在每一个目标车辆的车辆坐标系中的当前位置坐标，以及目标行人与各目标车辆的当前相对速度，根据当前位置坐标、当前相对速度以及预先构建的风险特征函数，确定下一时刻目标行人与每个目标车辆对应的碰撞风险值，以判断碰撞风险，根据碰撞风险值，确定目标行人所对应的避让概率分布，以判断目标行人是否选择避让，进而，根据当前相对速度、当前位置坐标以及预先建立的人车交互模型，确定目标行人的避让运动速度，并根据当前相对速度、当前位置坐标、避让运动速度以及避让概率分布，确定目标行人的目标预测位置，解决了模型可解释性低和计算速度慢的问题，实现了快速且准确的预测行人轨迹的技术效果。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
图1为本发明实施例一所提供的一种行人轨迹预测方法的流程示意图；
图2为本发明实施例二所提供的一种行人轨迹预测方法的流程示意图；
图3为本发明实施例二所提供的一种车辆坐标系的示意图；
图4为本发明实施例二所提供的一种行人轨迹预测方法的流程示意图；
图5为本发明实施例三所提供的一种行人轨迹预测装置的结构示意图；
图6为本发明实施例四所提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一所提供的一种行人轨迹预测方法的流程示意图，本实施例可适用于在自动驾驶的场景中对行人未来运动轨迹进行预测的情况，该方法可以由行人轨迹预测装置来执行，该装置可以通过软件和/或硬件的形式实现，该硬件可以是电子设备，可选的，电子设备可以是移动终端等。
如图1所述，本实施例的方法具体包括如下步骤：
S110、获取目标行人在每一个目标车辆的车辆坐标系中的当前位置坐标，以及目标行人与各目标车辆的当前相对速度。
其中，目标行人可以是待预测运动轨迹的行人。目标车辆可以是能够影响目标行人的运动状态发生变化的车辆。车辆坐标系可以是根据目标车辆构建的平面直角坐标系。当前位置坐标可以是目标行人在车辆坐标系中的坐标信息。当前相对速度可以是当前时刻目标行人相对于目标车辆的相对速度。
需要说明的是，若针对目标行人不存在目标车辆，则目标行人会按照原有的运动状态运动。若针对目标行人存在至少一辆目标车辆，则一辆或多辆目标车辆会使目标行人的运动状态发生变化。
具体的，在每一个目标车辆的车辆坐标系中，确定目标行人在车辆坐标系中的当前位置坐标。并且，针对每一个目标车辆，确定当前时刻目标行人与目标车辆的相对速度。
S120、根据当前位置坐标、当前相对速度以及预先构建的风险特征函数，确定下一时刻目标行人与每个目标车辆对应的碰撞风险值。
其中，风险特征函数根据样本行人和与样本行人相对应的样本车辆的最小距离以及达到所述最小距离的剩余时间构建。碰撞风险值可以是用于目标行人与目标车辆发生碰撞的数据值。样本行人和样本车辆可以是大数据采集的样本，用于分析行人的运动变化。
具体的，在确定当前位置坐标以及当前相对速度后，可以将当前位置坐标以及当前相对速度输入至预先构建的风险特征函数中，通过计算得出下一时刻目标行人与每一个目标车辆相对应的碰撞风险值。
需要说明的是，根据风险特征函数可以构建一个风险边界，例如：在风险边界内，碰撞风险值较大，目标行人会对目标车辆进行避让，在风险边界外，碰撞风险值较小，目标行人不会对目标车辆进行避让。
S130、根据碰撞风险值，确定目标行人所对应的避让概率分布。
其中，避让概率分布可以二值概率分布，可以理解为是目标行人选择避让目标车辆的概率值以及目标行人选择不避让目标车辆的概率值。
具体的，在确定目标行人针对每一个目标车辆的碰撞风险值后，可以计算得到目标行人对每一个目标车辆选择避让和不避让的概率值，构成避让概率分布。
需要说明的是，根据实际情况可知：碰撞风险值越大，目标行人选择避让的概率值越大，因此，能够根据碰撞风险值计算得到避让概率分布。
S140、根据当前相对速度、当前位置坐标以及预先建立的人车交互模型，确定目标行人的避让运动速度。
其中，预先建立的人车交互模型可以是用于预测目标行人受目标车辆影响而产生运动状态变化的模型，人车交互模型可以根据样本行人的在与样本行人相对应的样本车辆的车辆坐标系中的样本位置坐标以及样本行人与样本车辆的样本相对速度建立。避让运动速度可以是目标行人受目标车辆影响后的当前相对速度变化后的运动速度，若存在与目标行人相对应的多个目标车辆，则避让运动速度可以是多个。
具体的，将目标行人的当前相对速度以及当前位置坐标输入至预先建立的人车交互模型中，可以确定目标行人相对于每一个目标车辆的避让速度。
S150、根据当前相对速度、所述当前位置坐标、避让运动速度以及避让概率分布，确定目标行人的目标预测位置。
其中，目标预测位置可以是下一时刻目标行人的位置信息，可以以当前相对速度所对应的车辆坐标系的坐标信息来描述。
具体的，根据避让分布概率可以确定目标行人针对哪些目标车辆进行避让，针对哪些目标车辆不进行避让。因此，可以通过避让概率分布确定避让运动速度的使用情况，进而以当前位置坐标为起始点，确定目标行人的目标预测位置。
本发明实施例的技术方案，通过获取目标行人在每一个目标车辆的车辆坐标系中的当前位置坐标，以及目标行人与各目标车辆的当前相对速度，根据当前位置坐标、当前相对速度以及预先构建的风险特征函数，确定下一时刻目标行人与每个目标车辆对应的碰撞风险值，以判断碰撞风险，根据碰撞风险值，确定目标行人所对应的避让概率分布，以判断目标行人是否选择避让，进而，根据当前相对速度、当前位置坐标以及预先建立的人车交互模型，确定目标行人的避让运动速度，并根据当前相对速度、当前位置坐标、避让运动速度以及避让概率分布，确定目标行人的目标预测位置，解决了模型可解释性低和计算速度慢的问题，实现了快速且准确的预测行人轨迹的技术效果。
实施例二
图2为本发明实施例二所提供的一种行人轨迹预测方法的流程示意图，本实施例在上述各实施例的基础上，增加了建立人车交互模型以及构建风险特征函数的步骤，具体方式可参见本实施例的技术方案。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。
如图2所述，本实施例的方法具体包括如下步骤：
S210、建立人车交互模型。
具体的，在进行行人轨迹预测之前需要预先建立人车交互模型。
建立人车交互模型的方式可以是：根据预先定义的行人速度影响函数，样本行人在每一个与样本行人相对应的样本车辆的车辆坐标系中纵坐标值以及样本行人与样本车辆的样本相对速度，建立人车交互模型。
其中，行人速度影响函数为分段线性函数，用于描述车辆对行人运动速度的影响。样本行人可以是通过大数据采集的用于分析的行人样本。样本车辆可以是在行人避让场景中，与样本行人相对应的车辆。需要说明的是，样本车辆可能会对样本行人未来的运动产生影响。样本相对速度可以是样本行人相对于样本车辆的运动速度。
具体的，针对样本行人，确定t时刻，样本行人的位置坐标为
Figure BDA0003349850950000081
t时刻对应的未来时刻的样本行人的位置坐标为Xt∈R2。样本行人运动的时间序列可以分为观察帧和预测帧，其中，t＝1,…,Tobs为观测帧，t＝Tobs+1,…,Tperd为预测帧。样本行人在未来时刻的位置就是根据预测帧对样本行人的运动轨迹的采样，具体表示为：
Figure BDA0003349850950000082
假设每一时刻样本车辆的位置和速度都是一致的，那么能够引起样本行人注意并对样本行人的运动造成影响的样本车辆集合定义为rt∈{1,…,nv}，其中，nv表示样本车辆的数量。那么，将在t时刻可能会引起的样本行人注意的样本车辆集合定义为Rt∈{1,…,nv}。对样本行人是否对样本车辆进行避让，可以通过二值变量qt来表示，当qt＝0时，表示样本行人对样本车辆进行避让，反之，当qt＝1时，表示样本行人不避让样本车辆，并继续保持当前的速度和方向运动。分别用
Figure BDA0003349850950000091
表示t时刻第i辆样本车辆的位置和速度，分别用
Figure BDA0003349850950000092
表示t时刻第i辆样本车辆的车辆坐标系中样本行人的横坐标和纵坐标。
根据实际场景可知，行人与车辆的相对距离越近，行人的运动速度应该越小，由此可以定义行人速度影响函数：fu:R→R，该函数可以看做是一条关于
Figure BDA0003349850950000093
的以零点为对称中心的分段线性函数。该函数通过学习得到，且在第一参数
Figure BDA00033498509500000910
上是线性的，其中，nu表示分段线性函数中网格点的个数，函数网格通过最大距离umax参数化，网格点均匀分布在[0,umax]上。最大距离umax表示行人的观察视野的最大距离。若样本行人对于第i辆样本车辆进行避让，那么样本行人的速度可以表示为：
Figure BDA0003349850950000094
其中，vt,yield表示样本行人对样本车辆避让后的运动速度。若样本行人不对样本车辆进行避让，会则继续保持当前的速度移动。
需要说明的是，上述对样本行人速度的表示方式可以作为人车交互模型。
还需要说明的是，假设目标行人观测值
Figure BDA0003349850950000095
服从一个数学期望Xt、方差为
Figure BDA0003349850950000096
的正态分布，其表示为：
Figure BDA0003349850950000097
假设样本行人的运动速度模型是一个无漂移的随机游走模型，服从一个数学期望为vt-1、方差为
Figure BDA0003349850950000098
的正态分布，其表示为：
Figure BDA0003349850950000099
S220、构建风险特征函数。
具体的，在进行行人轨迹预测之前需要预先构建风险特征函数。
构建风险特征函数的方式可以是：根据样本行人和与样本行人相对应的样本车辆的最小距离以及达到最小距离的剩余时间，构建风险特征函数。
其中，最小距离可以是样本行人与样本车辆在安全情况下的最小距离。剩余时间可以是样本行人和样本车辆之间的距离达到最小距离时所需要的时间。
具体的，样本车辆是否引起样本行人注意以及样本行人是否让行都取决于风险特征，而风险特征函数由最小距离和剩余时间决定。当剩余时间和最小距离的值较小时，行人与车辆的碰撞风险会很高，反之，碰撞风险会相对较小，由此可以定义一个风险特征函数。
可选的，可以根据下述步骤确定剩余时间以及最小距离：
步骤一、针对每一个样本车辆，根据样本车辆与样本行人的相对距离，以及样本车辆与样本行人的样本相对速度，确定剩余时间。
其中，相对距离可以是当前时刻样本车辆和样本行人之间的距离。样本相对速度可以是当前时刻样本行人和样本车辆之间的相对速度。
具体的，在样本相对速度恒定的情况下，样本行人与样本车辆的相对距离从样本行人开始注意到样本车辆时直至达到最小距离时所需剩余时间定义为
Figure BDA0003349850950000105
其表示如下：
Figure BDA0003349850950000101
其中，
Figure BDA0003349850950000102
为t时刻样本行人与第i辆样本车辆之间的剩余时间，Xt为t时刻样本行人的位置坐标，
Figure BDA0003349850950000103
分别是t时刻第i辆样本车辆的位置和速度，
Figure BDA0003349850950000104
为样本行人的运动速度。‖·‖2表示二范数，即绝对值的平方和再开方。
步骤二、根据相对距离，样本相对速度以及剩余时间，确定最小距离。
具体的，样本行人和第i辆样本车辆之间的最小距离定义为
Figure BDA0003349850950000111
其表示如下：
Figure BDA0003349850950000112
由此，可以定义风险特征函数如下：
Figure BDA0003349850950000113
其中，
Figure BDA0003349850950000114
表示t-1时刻的剩余时间，
Figure BDA0003349850950000115
表示t-1时刻的最小距离。
为了使风险变化程度更大，更接近于实际的交通情况，根据对数函数的性质，风险特征函数
Figure BDA0003349850950000116
的参数采用的是对数形式，可以在最小距离和剩余时间数值较小(小于1)时变化程度更大，风险程度也更高。风险特征函数是一个定义在基于[b0,b1]∈R2的带有
Figure BDA0003349850950000117
个等间隔点的规则网格上的分段函数fβ:R2→R，第二参数β是一个实向量且每个网格点都有一个元素和一个偏置项，因此，β中的元素总数为
Figure BDA0003349850950000118
通过采集到的车辆与行人的数据集，学习得到β的值。
可选的，根据行人轨迹预测的联合分布，确定行人速度影响函数中的第一参数和风险特征函数中的第二参数。
其中，第一参数可以是行人速度影响函数中的超参数u。第二参数可以是风险特征函数中的超参数β。
具体的，根据大量采样的样本行人轨迹，可以得到行人轨迹预测的联合分布，进而，能够计算得到行人速度影响函数中的第一参数和风险特征函数中的第二参数，以用于优化行人速度影响函数和风险特征函数。
可选的，可以根据下述步骤确定行人轨迹预测的联合分布：
步骤一、获取样本行人的运动轨迹数据。
其中，运动轨迹数据包括样本行人在各时刻的位置坐标，以及与样本行人相对应的样本车辆在各时刻的位置坐标。
步骤二、根据第一参数的分布概率、第二参数的分布概率、样本行人在下一时刻的位置坐标的概率分布、样本行人的选择避让的概率分布、以及样本行人在下一时刻的相对速度的最大概率，确定行人轨迹预测的联合分布。
具体的，当没有样本车辆出现在样本行人的注意范围之内时，Rt是一个空集即
Figure BDA0003349850950000121
在这种情况下，样本行人会保持当前的速度运动，不进行避让，此时，qt＝1；当样本行人的注意范围之内出现了至少一辆样本车辆时，样本行人对样本车辆的注意程度是与风险程度成比例的，对于i∈Rt，rt的分布表示如下：
Figure BDA0003349850950000122
其中，p(rt＝i|Xt-1,vt-1,β)表示通过整定上一时刻样本行人的位置坐标Xt-1，相对速度vt-1和第二参数β获得当前时刻rt＝i的最大概率，exp(·)表示以自然常数e为底的指数函数，∑(·)表示括号内的各项参数相加。
当样本车辆引起样本行人注意并使得样本行人让行，即qt＝0时，其分布表示如下：
Figure BDA0003349850950000123
其中，p(qt＝0|Xt-1,vt-1,rt,β)表示通过整定上一时刻样本行人的位置坐标Xt-1，相对速度vt-1，样本车辆集合rt和第二参数β得到qt＝0的最大概率。
与基于相对风险特征选择避让车辆相比，是否让行的决策是基于绝对风险的，为了确保第一参数u和第二参数β的准确性，假设其先验概率为一个零均值单位方差的高斯分布，为了方便后续计算，通过合理的推导和简化，分别将其概率分布的负对数形式表达为第一参数u和第二参数β的线性关系，其表示如下：
Figure BDA0003349850950000131
Figure BDA0003349850950000132
其中，αu和αβ是两个超参数，通过设定合适的数值，既能够使u中各元素的值控制在[-1,1]之间，又能使预测的结果更为精确。
第一参数u和第二参数β可以通过优化一个似然函数来估计得到，为了使公式表达更见简洁明了，分别用X,v,r,q表示Xt,vt,rt,qt这些变量的整个时间序列，比如
Figure BDA0003349850950000133
表示的是Xt从t＝1到t＝Tobs的整个观测序列值，令St＝(Xt,vt)，利用模型的马尔可夫结构，行人轨迹预测的联合分布表示如下：
Figure BDA0003349850950000134
其中，L(·)表示括号内的各项参数的联合概率分布，p(u)是第一参数u的概率分布，p(β)是第二参数β的概率分布，∏(·)表示括号中的各项参数相乘，
Figure BDA0003349850950000135
表示整定上一时刻的位置、相对速度、样本车辆集合、二值变量qt和第一参数u获得当前时刻
Figure BDA0003349850950000136
的最大概率，p(qt|St-1,rt,β)表示整定上一时刻的位置、相对速度、样本车辆集合和第二参数β获得qt的最大概率，p(rt|St-1,β)表示整定上一时刻的位置、相对速度和第二参数β获得rt的最大概率，
Figure BDA0003349850950000137
表示整定上一时刻的相对速度和速度变化关系得到当前时刻的相对速度的最大概率。
为了避免在优化过程中发生局部优化的情况，对上述公式进行简化，定义一组不会引起样本行人注意的样本车辆的时间序列为
Figure BDA0003349850950000141
当
Figure BDA0003349850950000142
时qt＝1，则p(qt＝1|t∈Q)＝1，样本行人速度不变，因此，可以将上述公式中的似然项简化后表示如下：
Figure BDA0003349850950000143
则行人轨迹预测的联合分布可以表示如下：
Figure BDA0003349850950000144
其中，
Figure BDA0003349850950000145
中的相对速度是通过传感器测量得到的，根据上一时刻的相对速度和速度变化即可得到当前时刻的相对速度，因此,该项的概率值为1，在t∈Q时间序列内，
Figure BDA0003349850950000146
中样本行人的位置坐标和相对速度是传感器测量得到的，因为没有引起注意的样本车辆，样本行人保持原来的速度运动，因此，下一时刻的位置坐标是可以确定的，因此，该项的概率为1，用qc来表示
Figure BDA0003349850950000147
则最终的似然估计可以写为
Figure BDA0003349850950000148
其中，Lc(·)为简化后的联合概率分布，根据极大似然估计原理最小化其负对数，则可以求得模型参数，其负对数形式表示如下：
Figure BDA0003349850950000151
其中，lc表示基于条件概率的损失函数，p(qt|St-1,rt,β)表示整定上一时刻的位置、相对速度、样本车辆集合和第二参数β获得qt的最大概率。
据此，可以最小化上述公式，以学习得到第一参数u和第二参数β。需要说明的是，第一参数u的物理含义可以是在与车辆不同距离时行人的反映情况，第二参数β的物理含义可以是车辆对行人产生影响的边界值。
S230、获取目标行人在每一个目标车辆的车辆坐标系中的当前位置坐标，以及目标行人与各目标车辆的当前相对速度。
S240、根据当前位置坐标、当前相对速度以及预先构建的风险特征函数，确定下一时刻目标行人与每个目标车辆对应的碰撞风险值。
S250、根据碰撞风险值，确定目标行人所对应的避让概率分布。
S260、根据当前相对速度、当前位置坐标以及预先建立的人车交互模型，确定目标行人的避让运动速度。
需要说明的是，确定目标行人的碰撞风险值、避让概率分布以及避让运动速度可以根据S210-S220中针对样本行人的分析方式进行确定，在此不再赘述。
S270、根据当前相对速度、当前位置坐标、避让运动速度以及避让概率分布，确定目标行人的目标预测位置。
具体的，目标行人的目标预测位置可以表示为：
Figure BDA0003349850950000152
其中，Xt表示在t时刻目标行人的位置，Xt-1表示在t-1时刻目标行人的位置，qt为目标行人是否对目标车辆进行避让的二值变量，fu(·)为行人速度影响函数，
Figure BDA0003349850950000161
为t时刻目标车辆集合中各目标车辆的车辆坐标系中目标行人的纵坐标，Δt是采样时间的步长。
可选的，可以通过下述方式建立目标车辆的车辆坐标系：
针对每一个目标车辆，以目标车辆的车辆质心作为坐标系原点，以目标车辆的前进方向为横轴的正方向，将横轴逆时针方向旋转90度为纵轴构建目标车辆的车辆坐标系。
可选的，可以通过下述方式确定目标车辆：
确定以目标行人为中心的目标范围内的车辆为待筛选车辆；针对每一个待筛选车辆，若待筛选车辆的车辆坐标系的横轴方向与目标行人的行进方向的夹角大于预设角度，则将待筛选车辆确定为目标车辆。
其中，目标范围可以是根据行人视野确定的最大距离，超过目标范围的车辆不在目标行人的观察范围之内。此外，在目标行人前方的车辆以及远离目标行人的车辆也不作考虑。待筛选车辆可以是目标行人周围的所有车辆。
具体的，在如图3所示的车辆坐标系中，Rt的具体表示如下：
Figure BDA0003349850950000162
其中，
Figure BDA0003349850950000163
表示在t时刻第i辆待筛选车辆的参考坐标系中目标行人的横向坐标，l是待筛选车辆质心到车尾的距离，
Figure BDA0003349850950000164
表示在t时刻第i辆待筛选车辆的车辆坐标系中目标行人的纵向坐标，vt T表示在该车辆坐标系中目标行人的相对速度的转置，z是车辆坐标系中横轴的单位矢量。
作为上述各实施例的可选实施方案，图4为本发明实施例二所提供的一种行人轨迹预测方法的流程示意图。
如图4所示，本实施例的方法具体包括：
获取样本行人历史轨迹，建立人车交互模型，并构建人车交互的风险特征函数，建立行人轨迹预测的联合分布。根据人车交互模型、风险特征函数以及行人轨迹预测的联合分布，建立行人轨迹预测模型。获取目标行人以及目标车辆的位置和速度信息，预测目标行人的运动轨迹。
通过建立基于风险的人车交互模型和风险特征函数，来判断能够引起目标行人注意的目标车辆以及对目标行人造成的影响，通过数据驱动进行轨迹的拟合并整定模型的第一参数和第二参数，设计马尔可夫结构得到行人轨迹预测的联合分布，使用最大似然估计方法计算概率最大行为并转化为预测的未来轨迹，其中，预测模型可用于在没有传统交通设备的场景下预测行人轨迹，不受传统预测方法中依靠交通设备信息的局限，考虑了目标车辆与目标行人轨迹预测的相关性，建立条件概率模型，分步完成目标行人的预测，提高预测过程的效率，同时增加轨迹预测精度，通过与数据驱动的方法相结合，避免了以往基于模型的预测方法中所要求的辅助模拟或手动指定的参数的问题。并且，本方法使用的测量数据可以通过智能车搭载的激光雷达或者相机获取，这些传感器广泛搭载于智能汽车上，具备良好的可实现性。
本发明实施例的技术方案，通过建立人车交互模型，构建风险特征函数，获取目标行人在每一个目标车辆的车辆坐标系中的当前位置坐标，以及目标行人与各目标车辆的当前相对速度，根据当前位置坐标、当前相对速度以及预先构建的风险特征函数，确定下一时刻目标行人与每个目标车辆对应的碰撞风险值，以判断碰撞风险，根据碰撞风险值，确定目标行人所对应的避让概率分布，以判断目标行人是否选择避让，进而，根据当前相对速度、当前位置坐标以及预先建立的人车交互模型，确定目标行人的避让运动速度，并根据当前相对速度、当前位置坐标、避让运动速度以及避让概率分布，确定目标行人的目标预测位置，解决了模型可解释性低和计算速度慢的问题，实现了快速且准确的预测行人轨迹的技术效果。
实施例三
图5为本发明实施例三所提供的一种行人轨迹预测装置的结构示意图，该装置包括：信息获取模块310、碰撞风险值确定模块320、避让概率确定模块330、运动速度预测模块340和位置预测模块350。
其中，信息获取模块310，用于获取目标行人在每一个目标车辆的车辆坐标系中的当前位置坐标，以及所述目标行人与各目标车辆的当前相对速度；碰撞风险值确定模块320，用于根据所述当前位置坐标、所述当前相对速度以及预先构建的风险特征函数，确定下一时刻所述目标行人与每个目标车辆对应的碰撞风险值；其中，所述风险特征函数根据样本行人和与所述样本行人相对应的样本车辆的最小距离以及达到所述最小距离的剩余时间构建；避让概率确定模块330，用于根据所述碰撞风险值，确定所述目标行人所对应的避让概率分布；运动速度预测模块340，用于根据所述当前相对速度、所述当前位置坐标以及预先建立的人车交互模型，确定所述目标行人的避让运动速度；其中，所述预先建立的人车交互模型根据所述样本行人的在与所述样本行人相对应的样本车辆的车辆坐标系中的样本位置坐标以及所述样本行人与所述样本车辆的样本相对速度建立；位置预测模块350，用于根据所述当前相对速度、所述当前位置坐标、所述避让运动速度以及所述避让概率分布，确定所述目标行人的目标预测位置。
可选的，所述装置还包括：人车交互模型建立模块，用于建立所述人车交互模型；所述人车交互模型建立模块，具体用于根据预先定义的行人速度影响函数，所述样本行人在每一个与所述样本行人相对应的样本车辆的车辆坐标系中纵坐标值以及所述样本行人与所述样本车辆的样本相对速度，建立所述人车交互模型；其中，所述行人速度影响函数为分段线性函数。
可选的，所述装置还包括：风险特征函数构建模块，用于构建所述风险特征函数；所述风险特征函数构建模块，具体用于根据所述样本行人和与所述样本行人相对应的样本车辆的最小距离以及达到所述最小距离的剩余时间，构建风险特征函数。
可选的，风险特征函数构建模块，还用于针对每一个样本车辆，根据所述样本车辆与所述样本行人的相对距离，以及所述样本车辆与所述样本行人的样本相对速度，确定所述剩余时间；根据所述相对距离，所述样本相对速度以及所述剩余时间，确定所述最小距离。
可选的，所述装置还包括：参数确定模块，用于根据行人轨迹预测的联合分布，确定所述行人速度影响函数中的第一参数和所述风险特征函数中的第二参数。
可选的，参数确定模块，还用于获取样本行人的运动轨迹数据，其中，所述运动轨迹数据包括所述样本行人在各时刻的位置坐标，以及与所述样本行人相对应的样本车辆在各时刻的位置坐标；根据所述第一参数的分布概率、所述第二参数的分布概率、所述样本行人在下一时刻的位置坐标的概率分布、所述样本行人的选择避让的概率分布、以及所述样本行人在下一时刻的相对速度的最大概率，确定所述行人轨迹预测的联合分布。
可选的，所述装置还包括：坐标系建立模块，用于针对每一个目标车辆，以所述目标车辆的车辆质心作为坐标系原点，以所述目标车辆的前进方向为横轴的正方向，将横轴逆时针方向旋转90度为纵轴构建所述目标车辆的车辆坐标系。
可选的，所述装置还包括：目标车辆确定模块，用于确定以所述目标行人为中心的目标范围内的车辆为待筛选车辆；针对每一个待筛选车辆，若所述待筛选车辆的车辆坐标系的横轴方向与所述目标行人的行进方向的夹角大于预设角度，则将所述待筛选车辆确定为目标车辆。
本发明实施例的技术方案，通过获取目标行人在每一个目标车辆的车辆坐标系中的当前位置坐标，以及目标行人与各目标车辆的当前相对速度，根据当前位置坐标、当前相对速度以及预先构建的风险特征函数，确定下一时刻目标行人与每个目标车辆对应的碰撞风险值，以判断碰撞风险，根据碰撞风险值，确定目标行人所对应的避让概率分布，以判断目标行人是否选择避让，进而，根据当前相对速度、当前位置坐标以及预先建立的人车交互模型，确定目标行人的避让运动速度，并根据当前相对速度、当前位置坐标、避让运动速度以及避让概率分布，确定目标行人的目标预测位置，解决了模型可解释性低和计算速度慢的问题，实现了快速且准确的预测行人轨迹的技术效果。
本发明实施例所提供的行人轨迹预测装置可执行本发明任意实施例所提供的行人轨迹预测方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。
实施例四
图6为本发明实施例四所提供的一种电子设备的结构示意图。图6示出了适于用来实现本发明实施例实施方式的示例性电子设备40的框图。图6显示的电子设备40仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，电子设备40以通用计算设备的形式表现。电子设备40的组件可以包括但不限于：一个或者多个处理器或者处理单元401，系统存储器402，连接不同系统组件(包括系统存储器402和处理单元401)的总线403。
总线403表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备40典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备40访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器402可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)404和/或高速缓存存储器405。电子设备40可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统406可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线403相连。系统存储器402可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块407的程序/实用工具408，可以存储在例如系统存储器402中，这样的程序模块407包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块407通常执行本发明所描述的实施例中的功能和/或方法。
电子设备40也可以与一个或多个外部设备409(例如键盘、指向设备、显示器410等)通信，还可与一个或者多个使得用户能与该电子设备40交互的设备通信，和/或与使得该电子设备40能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口411进行。并且，电子设备40还可以通过网络适配器412与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器412通过总线403与电子设备40的其它模块通信。应当明白，尽管图6中未示出，可以结合电子设备40使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元401通过运行存储在系统存储器402中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的行人轨迹预测方法。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种行人轨迹预测方法，该方法包括：
获取目标行人在每一个目标车辆的车辆坐标系中的当前位置坐标，以及所述目标行人与各目标车辆的当前相对速度；
根据所述当前位置坐标、所述当前相对速度以及预先构建的风险特征函数，确定下一时刻所述目标行人与每个目标车辆对应的碰撞风险值；其中，所述风险特征函数根据样本行人和与所述样本行人相对应的样本车辆的最小距离以及达到所述最小距离的剩余时间构建；
根据所述碰撞风险值，确定所述目标行人所对应的避让概率分布；
根据所述当前相对速度、所述当前位置坐标以及预先建立的人车交互模型，确定所述目标行人的避让运动速度；其中，所述预先建立的人车交互模型根据所述样本行人的在与所述样本行人相对应的样本车辆的车辆坐标系中的样本位置坐标以及所述样本行人与所述样本车辆的样本相对速度建立；
根据所述当前相对速度、所述当前位置坐标、所述避让运动速度以及所述避让概率分布，确定所述目标行人的目标预测位置。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种行人轨迹预测方法，其特征在于，包括：
获取目标行人在每一个目标车辆的车辆坐标系中的当前位置坐标，以及所述目标行人与各目标车辆的当前相对速度；
根据所述当前位置坐标、所述当前相对速度以及预先构建的风险特征函数，确定下一时刻所述目标行人与每个目标车辆对应的碰撞风险值；其中，所述风险特征函数根据样本行人和与所述样本行人相对应的样本车辆的最小距离以及达到所述最小距离的剩余时间构建；
根据所述碰撞风险值，确定所述目标行人所对应的避让概率分布；
根据所述当前相对速度、所述当前位置坐标以及预先建立的人车交互模型，确定所述目标行人的避让运动速度；其中，所述预先建立的人车交互模型根据所述样本行人的在与所述样本行人相对应的样本车辆的车辆坐标系中的样本位置坐标以及所述样本行人与所述样本车辆的样本相对速度建立；
根据所述当前相对速度、所述当前位置坐标、所述避让运动速度以及所述避让概率分布，确定所述目标行人的目标预测位置。
2.根据权利要求1所述的方法，其特征在于，还包括：
建立所述人车交互模型；
所述建立所述人车交互模型，包括：
根据预先定义的行人速度影响函数，所述样本行人在每一个与所述样本行人相对应的样本车辆的车辆坐标系中纵坐标值以及所述样本行人与所述样本车辆的样本相对速度，建立所述人车交互模型；其中，所述行人速度影响函数为分段线性函数。
3.根据权利要求1所述的方法，其特征在于，还包括：
构建所述风险特征函数；
所述构建所述风险特征函数，包括：
根据所述样本行人和与所述样本行人相对应的样本车辆的最小距离以及达到所述最小距离的剩余时间，构建风险特征函数。
4.根据权利要求3所述的方法，其特征在于，还包括：
针对每一个样本车辆，根据所述样本车辆与所述样本行人的相对距离，以及所述样本车辆与所述样本行人的样本相对速度，确定所述剩余时间；
根据所述相对距离，所述样本相对速度以及所述剩余时间，确定所述最小距离。
5.根据权利要求2所述的方法，其特征在于，还包括：
根据行人轨迹预测的联合分布，确定所述行人速度影响函数中的第一参数和所述风险特征函数中的第二参数。
6.根据权利要求5所述的方法，其特征在于，还包括：
获取样本行人的运动轨迹数据，其中，所述运动轨迹数据包括所述样本行人在各时刻的位置坐标，以及与所述样本行人相对应的样本车辆在各时刻的位置坐标；
根据所述第一参数的分布概率、所述第二参数的分布概率、所述样本行人在下一时刻的位置坐标的概率分布、所述样本行人的选择避让的概率分布、以及所述样本行人在下一时刻的相对速度的最大概率，确定所述行人轨迹预测的联合分布。
7.根据权利要求1所述的方法，其特征在于，还包括：
针对每一个目标车辆，以所述目标车辆的车辆质心作为坐标系原点，以所述目标车辆的前进方向为横轴的正方向，将横轴逆时针方向旋转90度为纵轴构建所述目标车辆的车辆坐标系。
8.根据权利要求1所述的方法，其特征在于，还包括：
确定以所述目标行人为中心的目标范围内的车辆为待筛选车辆；
针对每一个待筛选车辆，若所述待筛选车辆的车辆坐标系的横轴方向与所述目标行人的行进方向的夹角大于预设角度，则将所述待筛选车辆确定为目标车辆。
9.一种行人轨迹预测装置，其特征在于，包括：
信息获取模块，用于获取目标行人在每一个目标车辆的车辆坐标系中的当前位置坐标，以及所述目标行人与各目标车辆的当前相对速度；
碰撞风险值确定模块，用于根据所述当前位置坐标、所述当前相对速度以及预先构建的风险特征函数，确定下一时刻所述目标行人与每个目标车辆对应的碰撞风险值；其中，所述风险特征函数根据样本行人和与所述样本行人相对应的样本车辆的最小距离以及达到所述最小距离的剩余时间构建；
避让概率确定模块，用于根据所述碰撞风险值，确定所述目标行人所对应的避让概率分布；
运动速度预测模块，用于根据所述当前相对速度、所述当前位置坐标以及预先建立的人车交互模型，确定所述目标行人的避让运动速度；其中，所述预先建立的人车交互模型根据所述样本行人的在与所述样本行人相对应的样本车辆的车辆坐标系中的样本位置坐标以及所述样本行人与所述样本车辆的样本相对速度建立；
位置预测模块，用于根据所述当前相对速度、所述当前位置坐标、所述避让运动速度以及所述避让概率分布，确定所述目标行人的目标预测位置。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的行人轨迹预测方法。
CN202111333664.6A 2021-11-11 2021-11-11 行人轨迹预测方法、装置及存储介质 Active CN113895460B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111333664.6A CN113895460B (zh) 2021-11-11 2021-11-11 行人轨迹预测方法、装置及存储介质
PCT/CN2022/120380 WO2023082850A1 (zh) 2021-11-11 2022-09-22 行人轨迹预测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111333664.6A CN113895460B (zh) 2021-11-11 2021-11-11 行人轨迹预测方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN113895460A CN113895460A (zh) 2022-01-07
CN113895460B true CN113895460B (zh) 2023-01-13

Family

ID=79193945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111333664.6A Active CN113895460B (zh) 2021-11-11 2021-11-11 行人轨迹预测方法、装置及存储介质

Country Status (2)

Country Link
CN (1) CN113895460B (zh)
WO (1) WO2023082850A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113895460B (zh) * 2021-11-11 2023-01-13 中国第一汽车股份有限公司 行人轨迹预测方法、装置及存储介质
CN114212110B (zh) * 2022-01-28 2024-05-03 中国第一汽车股份有限公司 障碍物轨迹预测方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2887669A3 (fr) * 2005-06-27 2006-12-29 Renault Sas Procede et systeme embarque de prediction de choc entre un vehicule et un pieton
WO2019011536A1 (de) * 2017-07-11 2019-01-17 Robert Bosch Gmbh Verfahren, vorrichtung, computerprogramm und ein maschinenlesbares speichermedium zum betreiben eines fahrzeugs
WO2021217752A1 (zh) * 2020-04-27 2021-11-04 清华大学 车辆-行人碰撞风险域的计算方法及安全评价系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102338554B1 (ko) * 2015-03-16 2021-12-15 주식회사 만도모빌리티솔루션즈 자동 긴급 제동장치 및 그 제어방법
DE102017208245A1 (de) * 2017-05-16 2018-11-22 Continental Automotive Gmbh Verfahren und Vorrichtung zur zielbasierten Prädiktion dynamischer Objekte
EP3706034A1 (en) * 2019-03-06 2020-09-09 Robert Bosch GmbH Movement prediction of pedestrians useful for autonomous driving
US11345342B2 (en) * 2019-09-27 2022-05-31 Intel Corporation Potential collision warning system based on road user intent prediction
CN110834631A (zh) * 2019-11-01 2020-02-25 中国第一汽车股份有限公司 一种行人避让方法、装置、车辆及存储介质
CN111429754A (zh) * 2020-03-13 2020-07-17 南京航空航天大学 一种行人过街工况下的车辆避撞轨迹风险评估方法
KR102352983B1 (ko) * 2020-09-08 2022-01-20 울산대학교 산학협력단 곡선 도로에서의 차량 충돌 회피 방법 및 곡선 도로에서의 차량 충돌 회피 시스템
CN113895460B (zh) * 2021-11-11 2023-01-13 中国第一汽车股份有限公司 行人轨迹预测方法、装置及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2887669A3 (fr) * 2005-06-27 2006-12-29 Renault Sas Procede et systeme embarque de prediction de choc entre un vehicule et un pieton
WO2019011536A1 (de) * 2017-07-11 2019-01-17 Robert Bosch Gmbh Verfahren, vorrichtung, computerprogramm und ein maschinenlesbares speichermedium zum betreiben eines fahrzeugs
WO2021217752A1 (zh) * 2020-04-27 2021-11-04 清华大学 车辆-行人碰撞风险域的计算方法及安全评价系统

Also Published As

Publication number Publication date
WO2023082850A1 (zh) 2023-05-19
CN113895460A (zh) 2022-01-07

Similar Documents

Publication Publication Date Title
JP6831414B2 (ja) 測位のための方法、測位のための装置、デバイス及びコンピュータ読み取り可能な記憶媒体
CN113264066B (zh) 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备
CN112634181B (zh) 用于检测地面点云点的方法和装置
CN113895460B (zh) 行人轨迹预测方法、装置及存储介质
WO2022056770A1 (zh) 一种路径规划方法和路径规划装置
CN109870698B (zh) 一种超声波阵列障碍物检测结果处理方法及系统
CN114212110B (zh) 障碍物轨迹预测方法、装置、电子设备及存储介质
CN114771572A (zh) 一种自动驾驶轨迹预测方法、装置、设备和存储介质
CN114802303A (zh) 障碍物轨迹预测方法、装置、电子设备及存储介质
CN109635868B (zh) 障碍物类别的确定方法、装置、电子设备及存储介质
CN113177980B (zh) 用于自动驾驶的目标对象速度确定方法、装置及电子设备
CN112651535A (zh) 局部路径规划方法、装置、存储介质、电子设备及车辆
CN114241448A (zh) 障碍物航向角的获取方法、装置、电子设备及车辆
CN113469025A (zh) 应用于车路协同的目标检测方法、装置、路侧设备和车辆
CN117128979A (zh) 一种多传感器融合方法、装置、电子设备及存储介质
CN116343169A (zh) 路径规划方法、目标对象运动控制方法、装置及电子设备
CN115366919A (zh) 一种轨迹预测方法、系统、电子设备及存储介质
CN115061499A (zh) 无人机控制方法及无人机控制装置
CN113688920A (zh) 模型训练及目标检测方法、装置、电子设备以及路侧设备
CN114407916B (zh) 车辆控制及模型训练方法、装置、车辆、设备和存储介质
Ronecker et al. Dynamic Occupancy Grids for Object Detection: A Radar-Centric Approach
CN114580623B (zh) 模型的训练方法、多源多目标数据关联方法及装置
CN113997955B (zh) 轨迹预测方法、装置、电子设备以及存储介质
CN115431968B (zh) 车辆控制器、车辆及车辆控制方法
CN113963027B (zh) 不确定性检测模型的训练、不确定性的检测方法及装置

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