CN113928324A - 用于预测目标车辆在车辆的环境中的轨迹的方法和系统 - Google Patents
用于预测目标车辆在车辆的环境中的轨迹的方法和系统 Download PDFInfo
- Publication number
- CN113928324A CN113928324A CN202110726829.XA CN202110726829A CN113928324A CN 113928324 A CN113928324 A CN 113928324A CN 202110726829 A CN202110726829 A CN 202110726829A CN 113928324 A CN113928324 A CN 113928324A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target vehicle
- trajectory
- environment
- state
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000005457 optimization Methods 0.000 claims description 12
- BXIGJZDQFDFASM-UHFFFAOYSA-N cyclopyrimorate Chemical class N=1N=C(Cl)C=C(OC(=O)N2CCOCC2)C=1OC=1C(C)=CC=CC=1C1CC1 BXIGJZDQFDFASM-UHFFFAOYSA-N 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 238000002922 simulated annealing Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 22
- 238000005259 measurement Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 241001057362 Cyra Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
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
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/04—Traffic conditions
-
- 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
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
-
- 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
- B60W2050/0052—Filtering, filters
-
- 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
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/30—Road curve radius
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/53—Road markings, e.g. lane marker or crosswalk
-
- 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
- B60W2554/20—Static objects
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种用于预测目标车辆在车辆的环境中的轨迹的方法,该方法包括以下步骤:a)借助于基于摄像头的检测装置(2)来检测该目标车辆的状态、检测在该车辆的环境中的其他车辆物体的状态并且检测道路标记物,b)预处理在步骤a)中获得的数据,其中去掉离群值并且计算缺失的状态,c)借助于基于在步骤b)中预处理的数据的物理模型来计算估测轨迹,d)基于在步骤b)中预处理的数据来计算基于驾驶员行为的轨迹,e)将在步骤c)和d)中计算的轨迹整合成该目标车辆的预测轨迹。
Description
技术领域
本发明涉及一种用于预测目标车辆在车辆的环境中的轨迹的方法和系统。
背景技术
现代机动车辆通常具有驾驶员辅助系统(英文“Advanced Driver AssistanceSystems”,ADAS),例如自适应的速度调节装置、碰撞警告装置、紧急制动助手、高速公路助手或堵车助手,以便降低车辆碰撞的风险并提高驾驶舒适性。此类半自主或自主工作的驾驶员辅助系统要求对该车辆的环境中的目标车辆的轨迹进行预测。此类轨迹预测例如用作功能决策、路径规划或制动介入的基础。预测的轨迹典型地由在二维中的N个目标车辆预测状态组成,例如目标车辆的位置、速度、横摆角以及横摆角速率。
从现有技术中已知的用于预测目标车辆在车辆的环境中的轨迹的方法使用非常不同的物理模型或基于驾驶操作的模型,必须相对复杂地适配这些模型。
从EP 3 467 799 A1已知一种用于预测目标车辆在车辆的环境中的轨迹的方法,其中检测沿着道路的车道运动的车辆的车辆类型并且产生运动预测信息,以便基于目标车辆的车辆类型来预测目标车辆的运动。在此将运动指配给车道。
在预测目标车辆的轨迹时的挑战尤其在于,基于由基于摄像头的检测装置提供的传感器信号或测量数据来提前预测在最多五秒的时间段内目标车辆的状态,尤其是位置、速度、横摆角以及横摆角速率。此外,用于预测目标车辆在车辆的环境中的轨迹的方法应是尽可能稳健的,以便将例如由于随机或系统性误差引入到所测量状态(尤其是目标车辆的位置和速度)中的离群值的影响最小化。
发明内容
由此出发,本发明的目的是提供一种经改进的方法以及一种系统,用于预测目标车辆在车辆的环境中的轨迹。
这个目的的解决方案提供了一种具有下一段落中描述的特征的、用于预测目标车辆在车辆的环境中的轨迹的方法以及一种具有本部分倒数第二段中描述的特征的系统。以下提到的实施方式涉及本发明的有利的改进方案。
根据本发明的用于预测目标车辆在车辆的环境中的轨迹的方法包括以下步骤:
a)借助于基于摄像头的检测装置来检测该目标车辆的状态、检测在该车辆的环境中的其他车辆物体的状态并且检测道路标记物,
b)预处理在步骤a)中获得的数据,其中去掉离群值并且计算缺失的状态,
c)借助于基于在步骤b)中预处理的数据的物理模型来计算估测轨迹,
d)基于在步骤b)中预处理的数据来计算基于驾驶员行为的轨迹,
e)将在步骤c)和d)中计算的轨迹整合成该目标车辆的预测轨迹。
本发明的方法能够实现:基于由基于摄像头的检测装置提供的数据来提前预测优选在最多五秒的时间段内目标车辆的状态,尤其是位置、速度、横摆角以及横摆角速率。此外,提供了一种用于预测目标车辆在车辆的环境中的轨迹的稳健的方法,以便能够将例如由于随机或系统性误差引入到所测量状态(尤其是目标车辆的位置和速度)中的离群值的影响最小化。对目标车辆的轨迹的预测在此可以有利地考虑到相应行驶状况的物理方面和环境方面并且将其对应地加权。
在一个优选的实施方式中提出,在整合之前通过优化算法来优化在步骤c)和d)中计算的轨迹。优选可以使用模拟退火算法作为优化算法。
在一个实施方式中存在以下可能性:使用RANSAC滤波算法以预处理在步骤a)中获得的数据。由此可以可靠地检测并消除测量数据中可能的离群值。
实际的问题常常在于,基于摄像头的检测装置的摄像头传感器在正常情况下不能提供对目标车辆的横摆角和横摆角速率的可靠估测。因为借助于基于摄像头的检测装置检测的目标车辆的目标位置典型地不仅受到高斯白噪声的影响还受到非白、非高斯噪声的影响。因此,在一个有利的实施方式中提出,使用阿尔法-贝塔滤波算法从在步骤a)中获得的数据中去除噪声部分。
在一个有利的改进方案中提出,在预处理在步骤a)中获得的数据时,基于所测量的该目标车辆的状态以及在该环境中的其他车辆物体的状态和该车辆自身的状态并且基于由该基于摄像头的检测装置检测的路面标记物以及静止物体来估测道路的走向和路面的走向。
在一个实施方式中存在以下可能性:为了借助于该物理模型计算该估测轨迹,在步骤c)中使用修改的CYRA模型,其中通过多个物理模型并行地计算单独的轨迹并且通过这些单独的轨迹的组合来计算加权轨迹。修改的CYRA模型在此以假定恒定的横摆角速率和恒定的加速度为出发点(CYRA=“Constant Yaw Rate and Acceleration”)。
本发明的用于执行本部分第三段中描述的所述方法的系统包括:基于摄像头的检测装置,该检测装置被形成为用于根据步骤a)检测该目标车辆的状态、检测在该车辆的环境中的其他车辆物体的状态并且检测道路标记物;以及计算装置,在该计算装置中至少实现有用于实施该方法的步骤b)至e)的器件。
在一个实施方式中可以提出,该计算装置包括预测模块,在该预测模块中尤其实现有驾驶员行为分类模块,该驾驶员行为分类模块除了驾驶操作检测系统之外还具有马尔科夫状态机。由此创造了改进行为分类的可能性。在此,基于标准化的目标车辆车道指定方式、对标准化目标车辆车道指定方式和速度向量的推导,目标车辆的行为被分类到多个类别中,例如“变道”、“保持车道”、“加速”、“制动”、“保持速度”。驾驶员行为分类模块的输入参量优选由目标车辆的N个估测的历史状态、其他车辆物体的N个估测的历史状态以及估测的道路走向构成。
附图说明
本发明的其他特征和优点借助于参考附图对优选实施例的以下说明而变得清楚。在附图中:
图1示出一种系统的示意图,该系统被实施为用于执行根据本发明优选实施例的用于预测目标车辆在车辆的环境中的轨迹的方法,
图2示出展示对由该系统的基于摄像头的检测装置检测的数据进行预处理的细节的示意图,
图3示出展示优化算法细节的示意图。
具体实施方式
参考图1,用于执行预测目标车辆在车辆的环境中的轨迹的方法的系统1包括基于摄像头的检测装置2,该检测装置尤其被形成为检测和跟踪在该车辆的环境中的目标车辆和其他车辆物体并且探测路面标记物。
另外,系统1包括计算装置3,在该计算装置中实现了轨迹预测模块4,该轨迹预测模块获得基于摄像头的检测装置2的测量数据作为输入参量并且被形成为用于基于这些测量数据以下文阐释的方式通过计算机实现的方法对目标车辆在车辆的环境中的轨迹进行预测。
为此目的,在轨迹预测模块4中实现了多个软件模块40、41、42、43、44,其功能应在下文中详细阐释。
预测模块4具有预处理模块40,该预处理模块被形成为对由基于摄像头的检测装置2检测的数据进行预处理,这些数据被提供给预测模块4以进行进一步处理。预处理模块40被配置为用于借助于对应形成的数据预处理算法从测量数据中去掉在所测量的目标车辆和其他车辆物体状态中的任何离群值并且计算目标车辆和其他车辆物体的缺失的状态。
在很多情况下,在车辆行驶期间基于摄像头的检测装置2没有以所要求的可靠度检测到后续可以对其进行进一步处理的路面标记物。因此,在预处理模块40中还实现了算法,该算法被形成为用于基于在车辆的环境中的所测量的目标车辆以及其他车辆物体和该车辆自身的状态、并且基于由基于摄像头的检测装置2检测的路面标记物和静止物体(例如护栏、坡道等)来估测道路的走向和车道的走向。
此外,在预测模块4中实现了物理轨迹计算模块41,该物理轨迹计算模块可以从由预处理模块40提供的数据基于物理轨迹计算模型来计算目标车辆在车辆的环境中的轨迹。在此优选使用修改的CYRA模型,其中通过多个物理模型并行地计算目标车辆的单独的轨迹并且计算这些单独的轨迹的加权组合。修改的CYRA模型在此以假定目标车辆的恒定的横摆角速率和恒定的加速度为出发点(英文:Constant Yaw Rate and Acceleration,缩写:CYRA)。
此外,在预测模块4中实现了驾驶员行为分类模块42,该驾驶员行为分类模块除了驾驶操作检测系统之外还具有马尔科夫状态机,以便改进行为分类。在此,基于标准化的目标车辆车道指定方式、对标准化目标车辆车道指定方式和速度向量的推导,目标车辆的行为被分类到多个类别中,例如“变道”、“保持车道”、“加速”、“制动”、“保持速度”。驾驶员行为分类模块42的输入参量由目标车辆的N个估测的历史状态、其他车辆物体的N个估测的历史状态以及估测的道路走向构成。
在预测模块4中另外实现了路径规划模块43,该路径规划模块从驾驶员行为分类模块42获得输入数据并且被形成为用于预测并输出目标车辆的基于行为的轨迹。路径规划模块43被配置为用于基于呈现驾驶员行为的行为类别并且基于目标车辆状态和目标车辆历史来计算目标车辆的基于驾驶员行为的轨迹。
另外,在预测模块4中实现了轨迹整合模块44。这个轨迹整合模块44被形成为用于基于优化算法来整合借助于物理轨迹计算模块41计算的轨迹的参数和借助于路径规划模块43计算的轨迹的参数。为此目的,在计算装置3中实现了优化模块5,该优化模块被形成为用于将借助于物理轨迹计算模块41、驾驶员行为分类模块42以及路径规划模块43获得的目标车辆轨迹的所有参数一起通过对应的优化技术进行适配。
参考图2,下面应详细阐释借助于预处理模块40预处理由基于摄像头的检测装置2检测的数据的其他细节。在此使用用于估测目标车辆的横摆角以及横摆角速率的新方法,该方法是基于目标车辆的N个(缓冲器400)预测的目标位置(x位置、y位置)。
主要的挑战在于,基于摄像头的检测装置2的摄像头传感器在正常情况下不能提供对目标车辆的横摆角和横摆角速率的可靠估测。因为借助于基于摄像头的检测装置2检测的目标车辆的目标位置不仅受到高斯白噪声的影响还受到非白、非高斯噪声的影响。
在此处使用的方法通过横摆角计算模块402基于摄像头测量来估测目标横摆角以及目标横摆角速率,其中优选仍然不考虑通过自适应RANSAC算法401检测的离群值并且优选通过阿尔法-贝塔滤波算法403来去除噪声影响。在RANSAC算法401中,除了来自缓冲器400的目标车辆的N个预测的目标位置(x位置、y位置)之外还计入目标车辆在x方向上的速度。
基于摄像头的检测装置2以车辆在x-y坐标系中的位置的形式输出目标车辆的车辆状态,其中x轴表示车辆的向前行驶方向。用于估测横摆角和横摆角速率的新算法基于修改的RANSAC滤波算法401和阿尔法-贝塔滤波器403。在此,记录了目标车辆的目标位置的N个测量值。借助于RANSAC算法401用线拟合目标车辆的位置,基于目标位置和目标速度在线地适配其参数。可以非常简单地计算拟合的线与目标车辆的x坐标之间的角度,并且该角度形成对目标车辆的横摆角的度量。将以这种方式计算的横摆角提供给阿尔法-贝塔算法403,该算法被形成为用于输出经拟合的横摆角和估测的横摆角速率。
继续参考图3,下面应详细阐释借助于优化模块5实施的优化方法的其他细节。
借助于基于摄像头的检测装置2来记录在车辆的环境中的目标车辆以及其他车辆物体的物体数据和所识别的道路标记物。在此,借助于基于摄像头的检测装置2的摄像头界面将每个目标车辆和每个其他车辆物体提供为具有其对应协方差矩阵的二维框。所检测的每个道路标记物经由摄像头界面提供为回旋曲线参数(Klothoidenparameter)。
优化模块5具有参照物提取模块50,该参照物提取模块如下处理基于摄像头的检测装置2的以上述方式获得的数据:
-被记录为回旋曲线的所记录的道路标记物(道路线)用三次多项式拟合。
-将道路标记物(道路线)送至用于提取道路走向的新算法,借助于该算法来计算对道路走向的估测。
-通过平滑函数来处理所记录的目标车辆和其他车辆物体的位置。这种平滑的结果是对目标车辆和其他车辆物体的真实轨迹的估测。
-基于对道路走向和对目标车辆和其他车辆物体的轨迹的估计来表征驾驶员的基础事实行为(Grundwahrheitsverhalten)。
这些数据被提供给评价模块51。预测模块4读取由基于摄像头的检测装置2记录的数据并且在预处理这些数据之后提供对于某一目标车辆的轨迹的预测。借助于评价模块51来计算在预测与估计的驾驶员基础事实行为之间的在x坐标和y坐标中的误差。将与借助于驾驶员行为分类模块42分类的驾驶员行为的差别同驾驶员的特征性基础事实行为进行对比。
优选基于模拟退火方法的优化算法52计算用于预测模块4的经更新的参数,以便使在x方向和y方向上的误差以及在驾驶员行为分类模块42中的误差最小化。
用于提取道路走向的算法提供了一种新的途径,以便在使用来自基于摄像头的检测装置2的摄像头记录的对道路标记物的不精确测量的情况下提取对实际道路走向的估计。这种算法使用具有所记录的不精确且相对短的道路标记物(线)的窗口并且由此在使用直方图估测的情况下得出道路标记物的实际位置。除了直方图估测之外,该算法优选还使用启发法来识别道路的交汇点和分叉点。这种算法的输出是估测的道路走向。
Claims (9)
1.一种用于预测目标车辆在车辆的环境中的轨迹的方法,该方法包括以下步骤:
a)借助于基于摄像头的检测装置(2)来检测该目标车辆的状态、检测在该车辆的环境中的其他车辆物体的状态并且检测道路标记物,
b)预处理在步骤a)中获得的数据,其中去掉离群值并且计算缺失的状态,
c)借助于基于在步骤b)中预处理的数据的物理模型来计算估测轨迹,
d)基于在步骤b)中预处理的数据来计算基于驾驶员行为的轨迹,
e)将在步骤c)和d)中计算的轨迹整合成该目标车辆的预测轨迹。
2.根据权利要求1所述的方法,其特征在于,在整合之前通过优化算法(52)来优化在步骤c)和d)中计算的轨迹。
3.根据权利要求2所述的方法,其特征在于,使用模拟退火算法作为优化算法(52)。
4.根据权利要求1至3之一所述的方法,其特征在于使用RANSAC滤波算法(401)以预处理在步骤a)中获得的数据。
5.根据权利要求1至4之一所述的方法,其特征在于使用阿尔法-贝塔滤波算法(403)从在步骤a)中获得的数据中去除噪声部分。
6.根据权利要求1至5之一所述的方法,其特征在于在预处理在步骤a)中获得的数据时,基于所测量的该目标车辆的状态以及在该环境中的其他车辆物体的状态和该车辆自身的状态并且基于由该基于摄像头的检测装置(2)检测的路面标记物以及静止物体来估测道路走向和车道走向。
7.根据权利要求1至6之一所述的方法,其特征在于为了借助于该物理模型计算该估测轨迹,在步骤c)中使用修改的CYRA模型,其中通过多个物理模型并行地计算单独的轨迹并且计算这些单独的轨迹的加权组合。
8.一种用于执行根据权利要求1至7之一所述的方法的系统(1),该系统包括:基于摄像头的检测装置(2),该检测装置被形成为用于根据步骤a)检测该目标车辆的状态、检测在该车辆的环境中的其他车辆物体的状态并且检测道路标记物;以及计算装置(3),在该计算装置中实现用于实施该方法的步骤b)至e)的器件。
9.根据权利要求8所述的系统(1),其特征在于,该计算装置(3)包括预测模块(4),在该预测模块中尤其实现驾驶员行为分类模块(42),该驾驶员行为分类模块除了驾驶操作检测系统之外还具有马尔科夫状态机。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020117004 | 2020-06-29 | ||
DE102020117004.1 | 2020-06-29 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113928324A true CN113928324A (zh) | 2022-01-14 |
Family
ID=78827190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110726829.XA Pending CN113928324A (zh) | 2020-06-29 | 2021-06-29 | 用于预测目标车辆在车辆的环境中的轨迹的方法和系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210403008A1 (zh) |
JP (1) | JP7328281B2 (zh) |
KR (1) | KR102570338B1 (zh) |
CN (1) | CN113928324A (zh) |
DE (1) | DE102021116703A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102021105174B3 (de) * | 2021-03-04 | 2022-03-31 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Verfahren und Vorrichtung zur Spurregelung eines Fahrzeugs |
US20230012905A1 (en) * | 2021-07-02 | 2023-01-19 | Canoo Technologies Inc. | Proximity detection for automotive vehicles and other systems based on probabilistic computing techniques |
US11912311B2 (en) * | 2021-08-10 | 2024-02-27 | GM Global Technology Operations LLC | System and method of detecting and mitigating erratic on-road vehicles |
CN115879294B (zh) * | 2022-11-30 | 2024-04-26 | 西部科学城智能网联汽车创新中心(重庆)有限公司 | 一种基于多车环境感知的全样车流轨迹生成方法及系统 |
CN117649583B (zh) * | 2024-01-30 | 2024-05-14 | 科大国创合肥智能汽车科技有限公司 | 一种自动驾驶车辆行驶实时道路模型融合方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006209333A (ja) * | 2005-01-26 | 2006-08-10 | Toyota Central Res & Dev Lab Inc | 危険度判定装置及び通信装置 |
WO2014024284A1 (ja) * | 2012-08-08 | 2014-02-13 | トヨタ自動車株式会社 | 衝突予測装置 |
JP2014067169A (ja) * | 2012-09-25 | 2014-04-17 | Toyota Motor Corp | 衝突予測装置 |
WO2015185175A1 (de) * | 2014-06-04 | 2015-12-10 | Audi Ag | Verfahren zum betrieb eines fahrerassistenzsystems zur automatisierten führung eines kraftfahrzeugs sowie zugeordnetes kraftfahrzeug |
JP2016212872A (ja) * | 2015-05-04 | 2016-12-15 | ホンダ リサーチ インスティテュート ヨーロッパ ゲーエムベーハーHonda Research Institute Europe GmbH | 対象物体の将来状態を計算により予測する方法の性能を向上するための方法、運転者支援システム、そのような運転者支援システムを備える車両、並びに対応するプログラムの記憶媒体及びプログラム |
CN109583151A (zh) * | 2019-02-20 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 车辆的行驶轨迹预测方法及装置 |
CN110705388A (zh) * | 2019-09-16 | 2020-01-17 | 清华大学 | 一种基于预测反馈的辅助驾驶用目标车辆换道识别方法 |
CN110758382A (zh) * | 2019-10-21 | 2020-02-07 | 南京航空航天大学 | 一种基于驾驶意图的周围车辆运动状态预测系统及方法 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09506698A (ja) * | 1993-11-23 | 1997-06-30 | シーメンス アクチエンゲゼルシヤフト | レーダー方法及びこの方法を実施する装置 |
JP4096384B2 (ja) * | 1997-09-30 | 2008-06-04 | 日産自動車株式会社 | 運転行動パターン認識装置 |
US6819991B2 (en) * | 2001-11-29 | 2004-11-16 | Ford Global Technologies, Llc | Vehicle sensing based pre-crash threat assessment system |
JP3966219B2 (ja) | 2003-04-25 | 2007-08-29 | 三菱自動車工業株式会社 | 運転支援装置 |
US20080091352A1 (en) * | 2006-10-11 | 2008-04-17 | O'hare James K | Automobile collision avoidance system |
CN102509067B (zh) * | 2011-09-22 | 2014-04-02 | 西北工业大学 | 一种车道边界和主车方位检测方法 |
DE102012009555A1 (de) | 2012-05-12 | 2012-11-29 | Daimler Ag | Verfahren zur Unterstützung eines Fahrers beim Führen eines Fahrzeugs und Fahrerassistenzsystem |
US9090255B2 (en) | 2012-07-12 | 2015-07-28 | Honda Motor Co., Ltd. | Hybrid vehicle fuel efficiency using inverse reinforcement learning |
CN105324275B (zh) * | 2013-05-31 | 2017-06-20 | 丰田自动车株式会社 | 移动轨迹预测装置和移动轨迹预测方法 |
KR101645322B1 (ko) * | 2014-12-31 | 2016-08-04 | 가천대학교 산학협력단 | 차선 변화벡터와 카디널 스플라인을 이용한 차선 검출 시스템 및 그 방법 |
US9784592B2 (en) * | 2015-07-17 | 2017-10-10 | Honda Motor Co., Ltd. | Turn predictions |
JP6898629B2 (ja) | 2016-09-05 | 2021-07-07 | 株式会社Subaru | 車両の走行制御装置 |
US10394245B2 (en) | 2016-11-22 | 2019-08-27 | Baidu Usa Llc | Method and system to predict vehicle traffic behavior for autonomous vehicles to make driving decisions |
JP6583252B2 (ja) * | 2016-12-27 | 2019-10-02 | トヨタ自動車株式会社 | 運転支援装置 |
EP3415945B1 (en) * | 2017-06-12 | 2024-01-10 | Aptiv Technologies Limited | Method of determining the yaw rate of a target vehicle |
KR20190035159A (ko) | 2017-09-26 | 2019-04-03 | 삼성전자주식회사 | 차량 움직임 예측 방법 및 장치 |
JP7020097B2 (ja) | 2017-12-13 | 2022-02-16 | 株式会社豊田中央研究所 | 車両制御装置、リスクマップ生成装置、及びプログラム |
JP6601696B2 (ja) * | 2018-01-19 | 2019-11-06 | 本田技研工業株式会社 | 予測装置、予測方法、およびプログラム |
GB201804195D0 (en) * | 2018-03-15 | 2018-05-02 | Blue Vision Labs Uk Ltd | Visual vehicle tracking through noise and occlusions using crowd-sourced maps |
US10627818B2 (en) * | 2018-03-28 | 2020-04-21 | Zoox, Inc. | Temporal prediction model for semantic intent understanding |
US10250283B1 (en) | 2018-07-16 | 2019-04-02 | The United States Of America, As Represented By The Secretary Of The Navy | Digital frequency locked loop for wideband communications channels requiring extreme Doppler compensation and low signal to noise ratio |
US11275173B2 (en) * | 2019-05-20 | 2022-03-15 | Zoox, Inc. | Yaw rate from radar data |
-
2021
- 2021-06-28 US US17/359,769 patent/US20210403008A1/en active Pending
- 2021-06-29 KR KR1020210084560A patent/KR102570338B1/ko active IP Right Grant
- 2021-06-29 CN CN202110726829.XA patent/CN113928324A/zh active Pending
- 2021-06-29 JP JP2021107495A patent/JP7328281B2/ja active Active
- 2021-06-29 DE DE102021116703.5A patent/DE102021116703A1/de active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006209333A (ja) * | 2005-01-26 | 2006-08-10 | Toyota Central Res & Dev Lab Inc | 危険度判定装置及び通信装置 |
WO2014024284A1 (ja) * | 2012-08-08 | 2014-02-13 | トヨタ自動車株式会社 | 衝突予測装置 |
JP2014067169A (ja) * | 2012-09-25 | 2014-04-17 | Toyota Motor Corp | 衝突予測装置 |
WO2015185175A1 (de) * | 2014-06-04 | 2015-12-10 | Audi Ag | Verfahren zum betrieb eines fahrerassistenzsystems zur automatisierten führung eines kraftfahrzeugs sowie zugeordnetes kraftfahrzeug |
JP2016212872A (ja) * | 2015-05-04 | 2016-12-15 | ホンダ リサーチ インスティテュート ヨーロッパ ゲーエムベーハーHonda Research Institute Europe GmbH | 対象物体の将来状態を計算により予測する方法の性能を向上するための方法、運転者支援システム、そのような運転者支援システムを備える車両、並びに対応するプログラムの記憶媒体及びプログラム |
CN109583151A (zh) * | 2019-02-20 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 车辆的行驶轨迹预测方法及装置 |
CN110705388A (zh) * | 2019-09-16 | 2020-01-17 | 清华大学 | 一种基于预测反馈的辅助驾驶用目标车辆换道识别方法 |
CN110758382A (zh) * | 2019-10-21 | 2020-02-07 | 南京航空航天大学 | 一种基于驾驶意图的周围车辆运动状态预测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
DE102021116703A1 (de) | 2021-12-30 |
JP2022013848A (ja) | 2022-01-18 |
JP7328281B2 (ja) | 2023-08-16 |
KR102570338B1 (ko) | 2023-08-25 |
US20210403008A1 (en) | 2021-12-30 |
KR20220001498A (ko) | 2022-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113928324A (zh) | 用于预测目标车辆在车辆的环境中的轨迹的方法和系统 | |
JP5323766B2 (ja) | 道路の特定のレーン上に目標車両が存在する確率を見積もる方法 | |
JP4906398B2 (ja) | 車載道路形状識別装置、車載システム、道路形状識別方法及び周辺監視方法 | |
EP3319065A1 (en) | Route prediction device | |
WO2015155833A1 (ja) | 衝突防止装置 | |
CN106794840B (zh) | 车辆行驶控制装置 | |
CN111670468A (zh) | 移动体行为预测装置以及移动体行为预测方法 | |
JP2010501413A (ja) | 車両の運転操作のための衝突防止軌道を計算する方法 | |
JP2005539288A5 (zh) | ||
JP2013225295A5 (zh) | ||
CN111645679B (zh) | 用于车辆的侧面碰撞风险估计系统 | |
EP3492870B1 (en) | Self-position estimation method and self-position estimation device | |
CN109923438B (zh) | 用于确定车辆速度的装置和方法 | |
CN111103587A (zh) | 用于预测同时并线车辆的方法和设备及包括其的车辆 | |
KR102592830B1 (ko) | 차량용 센서퓨전 타겟 예측 장치 및 그의 센서 퓨전 타겟 예측 방법과 그를 포함하는 차량 | |
CN113933858A (zh) | 定位传感器的异常检测方法、装置及终端设备 | |
CN113635894A (zh) | 用于确定可行驶区域的方法 | |
CN111722249A (zh) | 物体识别装置以及车辆控制系统 | |
KR101628547B1 (ko) | 주행 차선 확인 장치 및 방법 | |
CN109933945B (zh) | 交通环境建模方法 | |
JP6263453B2 (ja) | 運動量推定装置及びプログラム | |
CN113335311B (zh) | 一种车辆碰撞检测方法、装置、车辆及存储介质 | |
JP2021043146A (ja) | 障害物検知システムおよび障害物検知方法 | |
JP2021190119A (ja) | 交通参加者の経路を予測するための方法およびデバイス、ならびにセンサシステム | |
JP7308141B2 (ja) | 自己位置推定方法及び自己位置推定装置 |
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 |