CN114005280B - 一种基于不确定性估计的车辆轨迹预测方法 - Google Patents

一种基于不确定性估计的车辆轨迹预测方法 Download PDF

Info

Publication number
CN114005280B
CN114005280B CN202111360841.XA CN202111360841A CN114005280B CN 114005280 B CN114005280 B CN 114005280B CN 202111360841 A CN202111360841 A CN 202111360841A CN 114005280 B CN114005280 B CN 114005280B
Authority
CN
China
Prior art keywords
vehicle
information
lane
historical
pose
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
CN202111360841.XA
Other languages
English (en)
Other versions
CN114005280A (zh
Inventor
田炜
周斯泓
熊璐
黄禹尧
邓振文
谭大艺
韩帅
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202111360841.XA priority Critical patent/CN114005280B/zh
Publication of CN114005280A publication Critical patent/CN114005280A/zh
Application granted granted Critical
Publication of CN114005280B publication Critical patent/CN114005280B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于不确定性估计的车辆轨迹预测方法，包括：实时采集周围车辆的位姿信息和局部语义地图信息，并得到车辆历史位姿信息；根据采集的车辆位置信息，结合高精地图、车道连通关系以及交通规则，确定出未来轨迹终点的所有候选车道；根据车辆位姿和局部语义地图评估车辆历史位姿的不确定性；将车辆历史位姿转换至各车道坐标系下，结合车道走向等信息进行特征编码，预测车辆行驶终点在各候选车道上的概率；根据特征编码预测目标车辆的未来行驶路线的概率分布。与现有技术相比，本发明解决了现有技术中忽视输入车辆历史位姿不确定性和轨迹多模态建模不完整的问题，能够为自动驾驶的下游决策规划提供准确可靠的信息来源、降低风险。

Description

一种基于不确定性估计的车辆轨迹预测方法
技术领域
本发明涉及自动驾驶技术领域，尤其是涉及一种基于不确定性估计的车辆轨迹预测方法。
背景技术
自动驾驶技术具有显著提高交通安全性、减少交通拥堵等优点，这使得其受到了越来越多的关注。在真实的驾驶场景中，自动驾驶车辆通常需要与其他车辆在一片共享的区域内行驶，为了应对这种复杂的交通环境，自动驾驶技术不仅需要获得周围车辆的当前位姿，还要对周围车辆的未来轨迹进行可靠的预测，以能够为自动驾驶车辆安全、高效的决策规划提供依据。
目前，车辆轨迹预测技术主要分为单模态方法和多模态方法。其中，单模态方法是指给定确定的历史轨迹，预测算法只输出一条确定的轨迹。这种方法简化了车辆未来的驾驶行为，选择性忽视了驾驶者意图等造成的车辆未来轨迹的多种可能性；而多模态模型则会输出多条可行的轨迹或者分布，更加符合真实的不确定情况，比如将未来轨迹硬性分为左转、直行、加速、减速等模态，每个模态分别预测几条带概率的轨迹；还有通过采样隐变量的方法，随机生成某几个模态上的未来轨迹，通常隐变量的维度即为模态数；以及运用两阶段方法，先预测几个未来轨迹的终点，再回归行驶路径。但是上述现有方法仍存在部分问题，主要体现在以下几个方面：
一、现有方法在真实驾驶场景中，输入的目标车辆历史位姿信息是由上游检测跟踪算法得到的，其结果不可避免的存在抖动或者标定、算法缺陷等引起的其他不确定误差。将检测跟踪算法得到的结果直接作为车辆的真实历史位姿进行预测，由于忽略了不确定因素，必然会对轨迹预测算法的准确性造成影响。
二、现有方法对车辆轨迹多模态的建模仅仅停留在轨迹本身的形态上，难以权衡对所有可能性的覆盖，且无法消除冗余模态，并不能完整建模轨迹多模态中的不确定性。例如，硬性划分模态的方法往往忽视了掉头这种小概率的可能性，而在右前方无可行驶区域时依然保留右转模态；而采样隐变量和两阶段的方法生成的多条轨迹往往集中在概率较大的模态上，忽视了其他可能出现的情况，精度不差但可靠性大大降低，可能造成决策风险。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于不确定性估计的车辆轨迹预测方法，以解决现有技术中忽视输入车辆历史位姿不确定性和轨迹多模态建模不完整的问题。
本发明的目的可以通过以下技术方案来实现：一种基于不确定性估计的车辆轨迹预测方法，包括以下步骤：
S1、实时采集周围车辆的位姿信息和局部语义地图信息，并得到车辆历史位姿信息，其中，位姿信息包括车辆位置信息、车辆速度信息、车辆加速度信息和车辆航向角信息；
S2、根据采集的车辆位置信息，结合高精地图、车道连通关系以及交通规则，确定出未来轨迹终点的所有候选车道；
S3、构建车辆轨迹合理性评估模型，结合采集的车辆位姿信息和局部语义地图信息，得到车辆历史位姿的不确定性评估结果；
S4、构建候选车道概率预测模型，结合车辆历史位姿的不确定评估结果，预测得到车辆行驶终点在各候选车道上的概率；
S5、构建车辆未来轨迹概率分布预测模型，得到目标车辆在各候选车道上的未来轨迹概率分布；
S6、结合车辆行驶终点在各候选车道上的概率与各候选车道上车辆未来轨迹的概率分布，得到车辆未来轨迹完整的不确定性可知的多模态概率分布，即为车辆轨迹预测结果。
进一步地，所述步骤S1中位姿信息具体为：
Figure BDA0003359199890000021
其中，
Figure BDA0003359199890000022
为第i辆车在t时刻的位姿信息，
Figure BDA0003359199890000023
为对应的车辆位置信息，
Figure BDA0003359199890000024
为对应的车辆速度信息，
Figure BDA0003359199890000025
为对应的车辆加速度信息，
Figure BDA0003359199890000026
为对应的车辆航向角信息；
由此可得到车辆历史位姿信息具体为：
Figure BDA0003359199890000031
其中，
Figure BDA0003359199890000032
为第i辆车在t时刻的历史位姿信息，T为实时采集的历史信息时间长度。
进一步地，所述步骤S2具体包括以下步骤：
S21、根据车辆位置信息，结合高精地图，确定出目标车辆当前所在的车道lo；
S22、根据车道连通关系和交通规则，确定出预设距离内在车道lo上的车辆通过设定驾驶行为能够抵达的所有车道，以得到候选车道集：
Lt＝{l1,l2,…,lK}
其中，K为候选车道总数，所述设定驾驶行为包括直行、转弯、变道或掉头。
进一步地，所述步骤S3具体包括以下步骤：
S31、对目标车辆历史位姿信息进行编码，得到车辆历史位姿编码，以衡量车辆历史位姿本身的合理性和平滑性；
S32、根据目标车辆历史位置和朝向，从局部语义地图中截取包含目标车辆的原始感知信息；
将该原始感知信息进行处理后编码，得到原始感知编码，以衡量不同数据源信息的吻合程度；
S33、结合历史位姿编码和原始感知编码，评估车辆历史轨迹的合理性，得到目标车辆历史位姿的不确定性度量。
进一步地，所述步骤S31具体采用深度自注意力网络对目标车辆历史位姿信息进行编码，得到车辆历史位姿编码为：
Figure BDA0003359199890000033
其中，
Figure BDA0003359199890000034
为第i辆车在t时刻的历史位姿编码；
所述步骤S32具体采用卷积神经网络对原始感知信息进行处理及编码，得到原始感知编码为：
Figure BDA0003359199890000035
其中，
Figure BDA0003359199890000036
为第i辆车在t-T至t时刻的原始感知编码，
Figure BDA0003359199890000037
为第i辆车在t时刻的原始感知信息；
所述步骤S33具体是通过带有跳层连接的全连接神经网络，得到目标车辆历史位姿的不确定性度量为：
Figure BDA0003359199890000038
其中，
Figure BDA0003359199890000041
为第i辆车在t时刻的历史位姿的不确定性度量，
Figure BDA0003359199890000042
为对应的在x、y方向上的距离标准差，
Figure BDA0003359199890000043
为对应的x、y方向上的速度标准差，
Figure BDA0003359199890000044
为对应的在x、y方向上的加速度标准差，
Figure BDA0003359199890000045
为对应的航向角标准差。
进一步地，所述步骤S4具体包括以下步骤：
S41、针对各候选车道线，将目标车辆及其周围车辆的历史位姿及其不确定性度量转化至车道坐标系下、并进行编码，得到第一特征编码；
S42、编码目标车辆与其周围车辆的交互关系，得到第二特征编码；
S43、根据目标车辆历史位置和朝向，截取局部语义地图信息、并进行编码，得到第三特征编码；
S44、编码各候选车道线的走向特征，得到第四特征编码；
S45、根据第一～第四特征编码，预测车辆终点落在各候选车道上的概率。
进一步地，所述步骤S41具体通过深度自注意力网络进行编码，得到第一特征编码为：
Figure BDA0003359199890000046
其中，chi为车道坐标系下第i辆车在t时刻的位姿及其方差的编码，
Figure BDA0003359199890000047
为车道坐标系下第i辆车在t时刻的位姿信息；
所述步骤S42具体通过图卷积神经网络进行编码，得到第二特征编码为：
Figure BDA0003359199890000048
其中，
Figure BDA0003359199890000049
为车道坐标系下第i辆车在t时刻与其周围车辆的交互关系编码，N为当前场景中所有车辆的数目；
所述步骤S43具体通过卷积神经网络和两层全连接层进行编码，得到第三特征编码为：
Figure BDA00033591998900000410
其中，
Figure BDA00033591998900000411
为第i辆车在t时刻对应的局部语义地图信息编码，
Figure BDA00033591998900000412
为截取的局部语义地图信息；
所述步骤S44具体是通过带有跳层连接的多层全连接神经网络进行编码，得到第四特征编码为：
cl,i＝gl(ok)
ok＝[(d1,ρ1),(d2,ρ2),…(dz,ρz)]
其中，cl,i为第i辆车在候选车道线上走向特征点集合的编码，ok为候选车道线上走向特征点集合，dj,ρj分别为第z个走向特征点在车道方向上与起点之间的距离、以及第z个走向特征点的车道曲率。
进一步地，所述步骤S45具体是将第一～第四特征编码进行合并，利用三层全连接层组成的解码器，预测车辆终点落在各候选车道上的概率：
Figure BDA0003359199890000051
Figure BDA0003359199890000052
其中，
Figure BDA0003359199890000053
为第i辆车在t时刻的车辆终点落在候选车道线{l1,ρ2,…,ρK}上的概率集合，
Figure BDA0003359199890000054
为第i辆车在t时刻的车辆终点落在第k条候选车道线的概率。
进一步地，所述步骤S5的具体过程为：
将第一～第四特征编码进行合并，通过全连接层组成的解码器，得到目标车辆在各候选车道线上的未来轨迹的概率分布：
Figure BDA0003359199890000055
其中，
Figure BDA0003359199890000056
为第i辆车在t时刻在各候选车道线上的未来轨迹的概率分布，每个候选车道线
Figure BDA0003359199890000057
上的轨迹表示为每个路径点位置的二维高斯分布：
Figure BDA0003359199890000058
Figure BDA0003359199890000059
Figure BDA00033591998900000510
Figure BDA00033591998900000511
其中，
Figure BDA00033591998900000512
为t+j时刻第k条车道线上路径点的高斯分布，
Figure BDA00033591998900000513
分别为t+j时刻第k条车道线上路径点对应高斯分布的均值和方差，
Figure BDA00033591998900000514
分别为t+j时刻第k条车道线上x和y方向的路径点坐标分布的均值，
Figure BDA00033591998900000515
则分别为t+j时刻第k条车道线上路径点的x、y坐标分布的协方差矩阵的各项元素。
进一步地，所述步骤S6中车辆未来轨迹完整的不确定性可知的多模态概率分布具体为：
Figure BDA00033591998900000516
Figure BDA00033591998900000517
其中，
Figure BDA00033591998900000518
为第i辆车在t时刻的未来轨迹完整的不确定性可知的多模态概率分布，
Figure BDA00033591998900000519
为第i辆车在t时刻的轨迹终点落在第k条车道线的概率以及该模态下路径点的二维高斯分布。
与现有技术相比，本发明通过评估输入信息的不确定性，并根据候选车道线进行模态划分，最终输出路径点概率分布，能够解决现有技术中忽视输入车辆历史位姿不确定性和轨迹多模态建模不完整的问题，根据车道划分多模态的方法，更加符合决策规划算法在结构化道路下更加关注周围车辆所在的车道信息的需求；
本发明从输入的不确定性评估、到多候选车道的概率预测、再到未来轨迹的概率分布预测，在车辆轨迹预测过程中贯通不确定性估计，充分考虑并描述了结构化道路下周围车辆未来轨迹的可能性，从而确保自动驾驶车辆在做决策规划时更加安全可靠。
附图说明
图1为本发明的方法流程示意图；
图2为实施例的应用过程示意图；
图3为实施例中原理流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示，一种基于不确定性估计的车辆轨迹预测方法，包括以下步骤：
S1、实时采集周围车辆的位姿信息和局部语义地图信息，并得到车辆历史位姿信息，其中，位姿信息包括车辆位置信息、车辆速度信息、车辆加速度信息和车辆航向角信息：
Figure BDA0003359199890000061
式中，
Figure BDA0003359199890000062
为第i辆车在t时刻的位姿信息，
Figure BDA0003359199890000063
为对应的车辆位置信息，
Figure BDA0003359199890000064
为对应的车辆速度信息，
Figure BDA0003359199890000065
为对应的车辆加速度信息，
Figure BDA0003359199890000066
为对应的车辆航向角信息；
由此可得到车辆历史位姿信息为：
Figure BDA0003359199890000067
式中，
Figure BDA0003359199890000068
为第i辆车在t时刻的历史位姿信息，T为实时采集的历史信息时间长度；
S2、根据采集的车辆位置信息，结合高精地图、车道连通关系以及交通规则，确定出未来轨迹终点的所有候选车道，具体的：
首先根据车辆位置信息，结合高精地图，确定出目标车辆当前所在的车道li；
之后根据车道连通关系和交通规则，确定出预设距离内在车道lo上的车辆通过设定驾驶行为(包括直行、转弯、变道或掉头)能够抵达的所有车道，以得到候选车道集：
Lt＝{l1,l2,…,lK}
式中，K为候选车道总数；
S3、构建车辆轨迹合理性评估模型，结合采集的车辆位姿信息和局部语义地图信息，得到车辆历史位姿的不确定性评估结果，具体的：
S31、对目标车辆历史位姿信息进行编码，得到车辆历史位姿编码，以衡量车辆历史位姿本身的合理性和平滑性；
S32、根据目标车辆历史位置和朝向，从局部语义地图中截取包含目标车辆的原始感知信息；
将该原始感知信息进行处理后编码，得到原始感知编码，以衡量不同数据源信息的吻合程度；
S33、结合历史位姿编码和原始感知编码，评估车辆历史轨迹的合理性，得到目标车辆历史位姿的不确定性度量；
本实施例采用深度自注意力网络对目标车辆历史位姿信息进行编码，得到车辆历史位姿编码为：
Figure BDA0003359199890000071
其中，
Figure BDA0003359199890000072
为第i辆车在t时刻的历史位姿编码；
采用卷积神经网络对原始感知信息进行处理及编码，得到原始感知编码为：
Figure BDA0003359199890000073
其中，
Figure BDA0003359199890000074
为第i辆车在t-T至t时刻的原始感知编码，
Figure BDA0003359199890000075
为第i辆车在t时刻的原始感知信息；
并通过带有跳层连接的全连接神经网络，得到目标车辆历史位姿的不确定性度量为：
Figure BDA0003359199890000076
其中，
Figure BDA0003359199890000077
为第i辆车在t时刻的历史位姿的不确定性度量，
Figure BDA0003359199890000078
为对应的在x、y方向上的距离标准差，
Figure BDA0003359199890000081
为对应的x、y方向上的速度标准差，
Figure BDA0003359199890000082
为对应的在x、y方向上的加速度标准差，
Figure BDA0003359199890000083
为对应的航向角标准差；
S4、构建候选车道概率预测模型，结合车辆历史位姿的不确定评估结果，预测得到车辆行驶终点在各候选车道上的概率，具体的：
S41、针对各候选车道线，将目标车辆及其周围车辆的历史位姿及其不确定性度量转化至车道坐标系下、并进行编码，得到第一特征编码；
S42、编码目标车辆与其周围车辆的交互关系，得到第二特征编码；
S43、根据目标车辆历史位置和朝向，截取局部语义地图信息、并进行编码，得到第三特征编码；
S44、编码各候选车道线的走向特征，得到第四特征编码；
S45、根据第一～第四特征编码，预测车辆终点落在各候选车道上的概率；
本实施例通过深度自注意力网络进行编码，得到第一特征编码为：
Figure BDA0003359199890000084
其中，ch,i为车道坐标系下第i辆车在t时刻的位姿及其方差的编码，
Figure BDA0003359199890000085
为车道坐标系下第i辆车在t时刻的位姿信息；
本实施例通过图卷积神经网络进行编码，得到第二特征编码为：
Figure BDA0003359199890000086
其中，
Figure BDA0003359199890000087
为车道坐标系下第i辆车在t时刻与其周围车辆的交互关系编码，N为当前场景中所有车辆的数目；
本实施例通过卷积神经网络和两层全连接层进行编码，得到第三特征编码为：
Figure BDA0003359199890000088
其中，
Figure BDA0003359199890000089
为第i辆车在t时刻对应的局部语义地图信息编码，
Figure BDA00033591998900000810
为截取的局部语义地图信息；
本实施例通过带有跳层连接的多层全连接神经网络进行编码，得到第四特征编码为：
cl,i＝gl(ok)
ok＝[(d1,ρ1),(d2,ρ2),…(dz,ρz)]
其中，cl,i为第i辆车在候选车道线上走向特征点集合的编码，ok为候选车道线上走向特征点集合，dj,ρj分别为第z个走向特征点在车道方向上与起点之间的距离、以及第z个走向特征点的车道曲率；
最后将第一～第四特征编码进行合并，本实施例利用三层全连接层组成的解码器，预测车辆终点落在各候选车道上的概率：
Figure BDA0003359199890000091
Figure BDA0003359199890000092
其中，
Figure BDA0003359199890000093
为第i辆车在t时刻的车辆终点落在候选车道线{l1,l2,…,lK}上的概率集合，
Figure BDA0003359199890000094
为第i辆车在t时刻的车辆终点落在第k条候选车道线的概率；
S5、构建车辆未来轨迹概率分布预测模型，得到目标车辆在各候选车道上的未来轨迹概率分布，具体是将第一～第四特征编码进行合并，本实施例通过全连接层组成的解码器，得到目标车辆在各候选车道线上的未来轨迹的概率分布：
Figure BDA0003359199890000095
其中，
Figure BDA0003359199890000096
为第i辆车在t时刻在各候选车道线上的未来轨迹的概率分布，每个候选车道线
Figure BDA0003359199890000097
上的轨迹表示为每个路径点位置的二维高斯分布：
Figure BDA0003359199890000098
Figure BDA0003359199890000099
Figure BDA00033591998900000910
Figure BDA00033591998900000911
其中，
Figure BDA00033591998900000912
为t+j时刻第k条车道线上路径点的高斯分布，
Figure BDA00033591998900000913
分别为t+j时刻第k条车道线上路径点对应高斯分布的均值和方差，
Figure BDA00033591998900000914
分别为t+j时刻第k条车道线上x和y方向的路径点坐标分布的均值，
Figure BDA00033591998900000915
则分别为t+j时刻第k条车道线上路径点的x、y坐标分布的协方差矩阵的各项元素；
S6、结合车辆行驶终点在各候选车道上的概率与各候选车道上车辆未来轨迹的概率分布，得到车辆未来轨迹完整的不确定性可知的多模态概率分布，即为车辆轨迹预测结果，其中，车辆未来轨迹完整的不确定性可知的多模态概率分布具体为：
Figure BDA00033591998900000916
Figure BDA00033591998900000917
式中，
Figure BDA00033591998900000918
为第i辆车在t时刻的未来轨迹完整的不确定性可知的多模态概率分布，
Figure BDA00033591998900000919
为第i辆车在t时刻的轨迹终点落在第k条车道线的概率以及该模态下路径点的二维高斯分布。
本实施例应用上述技术方案，其应用过程和方法原理如图2和图3所示：
1)实时采集周围车辆的位姿信息和局部语义地图信息；周围车辆的位姿信息
Figure BDA0003359199890000109
包括当前时刻t的车辆位置信息、车辆速度信息、车辆加速度信息和车辆的航向角信息：
Figure BDA0003359199890000101
其中，i表示第i辆车
那么，可以得到历史车辆位姿
Figure BDA0003359199890000102
其中，T为算法所利用的历史信息时间长度，本实施例取5s。
2)通过采集到的车辆位置，结合高精地图、车道连通关系及交通规则，选取未来轨迹终点的所有候选车道：
21)根据车辆位置和高精地图，确定目标车辆当前所在的车道lo；
22)根据车道连通关系和交通规则，找到一定距离内该车道lo上的车辆通过包括直行、转弯、变道、掉头等驾驶行为能够抵达的所有车道，得到候选车道集Lt＝{l1,l2,…,lK}，K为候选车道总数。
3)建立车辆轨迹合理性评估模型，根据采集到的车辆历史位姿信息和局部语义地图信息，评估车辆历史位姿的不确定性：
31)利用一种深度自注意力网络Transformer编码目标车辆历史位姿信息，以衡量车辆历史位姿本身的合理性和平滑性：
Figure BDA0003359199890000103
32)根据目标车辆历史位置和朝向，从局部语义地图
Figure BDA0003359199890000104
中截取包含目标车辆的原始感知信息，表示为
Figure BDA0003359199890000105
目标车辆位于中心，车辆航向角与y轴一致。通过卷积神经网络提取局部语义信息的特征，以衡量与位姿信息的吻合程度:
Figure BDA0003359199890000106
33)结合历史位姿编码、局部图像编码和局部点云编码，通过带有跳层连接的全连接神经网络，评估车辆历史位姿的合理性：
Figure BDA0003359199890000107
将其作为车辆历史位姿的不确定性度量:
Figure BDA0003359199890000108
4)建立候选车道概率预测模型，将目标车辆的历史位姿转化至车道坐标系下，根据车辆历史位姿及其不确定性度量、目标车辆与周围车辆的历史相对位姿信息及其不确定性度量、局部语义地图信息和车道走向，预测车辆行驶终点在各候选车道上的概率。
41)针对各候选车道线，将目标车辆的历史位姿及其不确定性度量转化至车道坐标系下:
Figure BDA0003359199890000111
车道坐标系以车道中心线为y轴，车道允许行驶方向为正方向，垂直于车道方向为x轴，相对于y轴的顺时针方向为正；车辆沿着道路的距离为纵坐标，与车道中心线的位移为横坐标。
将转化后的目标车辆历史状态
Figure BDA0003359199890000112
通过一种深度自注意力网络Transformer进行编码：
Figure BDA0003359199890000113
42)利用图卷积神经网络GCN，编码场景中目标车辆与其他车辆的之间的交互关系:
Figure BDA0003359199890000114
其中，N为场景中所有车辆的数目。
43)根据目标车辆历史位置和朝向，截取高精语义地图的信息
Figure BDA0003359199890000115
目标车辆位于该局部语义地图中心，车辆航向角与y轴一致。利用卷积神经网络和两层全连接层进行编码：
Figure BDA0003359199890000116
44)为了表示车道的走向特征，以2m的间隔从当前车辆位置的投影点为起点，选取各候选车道线的车道中心线上的点，计算每个点的曲率及其在车道方向上的距离，组成一串特征点：
ok＝[(d1,ρ1),(d2,ρ2),…]
利用带有跳层连接的多层全连接神经网络对其进行编码：
cl,i＝gl(ok)
45)将这四类特征合并，利用三层全连接层组成的解码器，预测车辆终点落在各候选车道上的概率：
Figure BDA0003359199890000117
其中，
Figure BDA0003359199890000118
分别表示车辆终点落在候选车道线{l1,l2,…,lK}上的概率，
Figure BDA0003359199890000119
5)建立车辆未来轨迹概率分布预测模型，根据步骤4)中的特征编码，分别预测目标车辆在各候选车道上的未来轨迹概率分布。
将41)、42)、43)、44)中所述的特征编码进行合并后，通过全连接层组成的解码器得到目标车辆在各候选车道线上的未来轨迹的概率分布：
Figure BDA0003359199890000121
其中，
Figure BDA0003359199890000122
每个候选车道线
Figure BDA0003359199890000123
上的轨迹表示为每个路径点位置的二维高斯分布：
Figure BDA0003359199890000124
对第j个路径点
Figure BDA0003359199890000125
其中，
Figure BDA0003359199890000126
Figure BDA0003359199890000127
6)将车辆终点在各候选车道上的概率与车候选车道上车辆未来轨迹的概率分布结合，得到车辆未来轨迹完整的不确定性可知的多模态概率分布。
对于t时刻第i辆车，未来轨迹完整的不确定性可知的多模态概率分布表示定义如下：
Figure BDA0003359199890000128
对每个候选车道线，预测结果包括轨迹终点落在该车道线上的概率和该模态下路径点的二维高斯分布：
Figure BDA0003359199890000129
综上可知，本发明提出一种融合车道信息的不确定性可知的车辆轨迹预测方法，该方法包括实时采集周围车辆的位姿和局部语义地图信息；根据车辆位置和高精地图，选取未来轨迹终点的候选车道；根据车辆位姿和局部语义地图评估车辆历史位姿的不确定性；将车辆历史位姿转换至各车道坐标系下，结合车道走向等信息进行特征编码，预测车辆行驶终点在各候选车道上的概率；根据特征编码预测目标车辆的未来行驶路线的概率分布。本发明通过评估输入信息的不确定性，根据候选车道线进行模态划分，最终输出路径点概率分布的方式，将不确定性估计贯通于轨迹预测算法流程。此外，根据车道划分多模态的方法，更加符合决策规划算法在结构化道路下更加关注周围车辆所在的车道信息的需求，且能够根据规则完全覆盖车辆行驶的所有可能性，使得自动驾驶车辆在做决策规划时，更加安全可靠。

Claims (5)

1.一种基于不确定性估计的车辆轨迹预测方法，其特征在于，包括以下步骤：
S1、实时采集周围车辆的位姿信息和局部语义地图信息，并得到车辆历史位姿信息，其中，位姿信息包括车辆位置信息、车辆速度信息、车辆加速度信息和车辆航向角信息；
S2、根据采集的车辆位置信息，结合高精地图、车道连通关系以及交通规则，确定出未来轨迹终点的所有候选车道；
S3、构建车辆轨迹合理性评估模型，结合采集的车辆位姿信息和局部语义地图信息，得到车辆历史位姿的不确定性评估结果；
S4、构建候选车道概率预测模型，结合车辆历史位姿的不确定评估结果，预测得到车辆行驶终点在各候选车道上的概率；
S5、构建车辆未来轨迹概率分布预测模型，得到目标车辆在各候选车道上的未来轨迹概率分布；
S6、结合车辆行驶终点在各候选车道上的概率与各候选车道上车辆未来轨迹的概率分布，得到车辆未来轨迹完整的不确定性可知的多模态概率分布，即为车辆轨迹预测结果；
所述步骤S3具体包括以下步骤：
S31、对目标车辆历史位姿信息进行编码，得到车辆历史位姿编码，以衡量车辆历史位姿本身的合理性和平滑性；
S32、根据目标车辆历史位置和朝向，从局部语义地图中截取包含目标车辆的原始感知信息；
将该原始感知信息进行处理后编码，得到原始感知编码，以衡量不同数据源信息的吻合程度；
S33、结合历史位姿编码和原始感知编码，评估车辆历史轨迹的合理性，得到目标车辆历史位姿的不确定性度量；
所述步骤S4具体包括以下步骤：
S41、针对各候选车道线，将目标车辆及其周围车辆的历史位姿及其不确定性度量转化至车道坐标系下、并进行编码，得到第一特征编码；
S42、编码目标车辆与其周围车辆的交互关系，得到第二特征编码；
S43、根据目标车辆历史位置和朝向，截取局部语义地图信息、并进行编码，得到第三特征编码；
S44、编码各候选车道线的走向特征，得到第四特征编码；
S45、根据第一～第四特征编码，预测车辆终点落在各候选车道上的概率；
所述步骤S41具体通过深度自注意力网络进行编码，得到第一特征编码为：
Figure FDA0003934441610000021
其中，ch,i为车道坐标系下第i辆车在t时刻的位姿及其方差的编码，
Figure FDA0003934441610000022
为车道坐标系下第i辆车在t时刻的位姿信息；
所述步骤S42具体通过图卷积神经网络进行编码，得到第二特征编码为：
Figure FDA0003934441610000023
其中，
Figure FDA0003934441610000024
为车道坐标系下第i辆车在t时刻与其周围车辆的交互关系编码，N为当前场景中所有车辆的数目；
所述步骤S43具体通过卷积神经网络和两层全连接层进行编码，得到第三特征编码为：
Figure FDA0003934441610000025
其中，
Figure FDA0003934441610000026
为第i辆车在t时刻对应的局部语义地图信息编码，
Figure FDA0003934441610000027
为截取的局部语义地图信息；
所述步骤S44具体是通过带有跳层连接的多层全连接神经网络进行编码，得到第四特征编码为：
cl,i＝gl(ok)
ok＝[(d1,ρ1),(d2,ρ2),…(dz,ρz)]
其中，cl,i为第i辆车在候选车道线上走向特征点集合的编码，ok为候选车道线上走向特征点集合，dz,ρz分别为第z个走向特征点在车道方向上与起点之间的距离、以及第z个走向特征点的车道曲率；
所述步骤S45具体是将第一～第四特征编码进行合并，利用三层全连接层组成的解码器，预测车辆终点落在各候选车道上的概率：
Figure FDA0003934441610000028
Figure FDA0003934441610000029
其中，
Figure FDA0003934441610000031
为第i辆车在t时刻的车辆终点落在候选车道线{l1,l2,…,lK}上的概率集合，
Figure FDA0003934441610000032
为第i辆车在t时刻的车辆终点落在第k条候选车道线的概率；
所述步骤S5的具体过程为：
将第一～第四特征编码进行合并，通过全连接层组成的解码器，得到目标车辆在各候选车道线上的未来轨迹的概率分布：
Figure FDA0003934441610000033
其中，
Figure FDA0003934441610000034
为第i辆车在t时刻在各候选车道线上的未来轨迹的概率分布，每个候选车道线
Figure FDA0003934441610000035
上的轨迹表示为每个路径点位置的二维高斯分布：
Figure FDA0003934441610000036
Figure FDA0003934441610000037
Figure FDA0003934441610000038
Figure FDA0003934441610000039
其中，
Figure FDA00039344416100000310
为t+j时刻第k条车道线上路径点的高斯分布，
Figure FDA00039344416100000311
分别为t+j时刻第k条车道线上路径点对应高斯分布的均值和方差，
Figure FDA00039344416100000312
分别为t+j时刻第k条车道线上x和y方向的路径点坐标分布的均值，
Figure FDA00039344416100000313
则分别为t+j时刻第k条车道线上路径点的x、y坐标分布的协方差矩阵的各项元素。
2.根据权利要求1所述的一种基于不确定性估计的车辆轨迹预测方法，其特征在于，所述步骤S1中位姿信息具体为：
Figure FDA00039344416100000314
其中，
Figure FDA00039344416100000315
为第i辆车在t时刻的位姿信息，
Figure FDA00039344416100000316
为对应的车辆位置信息，
Figure FDA00039344416100000317
为对应的车辆速度信息，
Figure FDA00039344416100000318
为对应的车辆加速度信息，
Figure FDA00039344416100000319
为对应的车辆航向角信息；
由此可得到车辆历史位姿信息具体为：
Figure FDA00039344416100000320
其中，
Figure FDA00039344416100000321
为第i辆车在t时刻的历史位姿信息，T为实时采集的历史信息时间长度。
3.根据权利要求2所述的一种基于不确定性估计的车辆轨迹预测方法，其特征在于，所述步骤S2具体包括以下步骤：
S21、根据车辆位置信息，结合高精地图，确定出目标车辆当前所在的车道lo；
S22、根据车道连通关系和交通规则，确定出预设距离内在车道lo上的车辆通过设定驾驶行为能够抵达的所有车道，以得到候选车道集：
Lt＝{l1,l2,…,lK}
其中，K为候选车道总数，所述设定驾驶行为包括直行、转弯、变道或掉头。
4.根据权利要求1所述的一种基于不确定性估计的车辆轨迹预测方法，其特征在于，所述步骤S31具体采用深度自注意力网络对目标车辆历史位姿信息进行编码，得到车辆历史位姿编码为：
Figure FDA0003934441610000041
其中，
Figure FDA0003934441610000042
为第i辆车在t时刻的历史位姿编码；
所述步骤S32具体采用卷积神经网络对原始感知信息进行处理及编码，得到原始感知编码为：
Figure FDA0003934441610000043
其中，
Figure FDA0003934441610000044
为第i辆车在t-T至t时刻的原始感知编码，
Figure FDA0003934441610000045
为第i辆车在t时刻的原始感知信息；
所述步骤S33具体是通过带有跳层连接的全连接神经网络，得到目标车辆历史位姿的不确定性度量为：
Figure FDA0003934441610000046
其中，
Figure FDA0003934441610000047
为第i辆车在t时刻的历史位姿的不确定性度量，
Figure FDA0003934441610000048
为对应的在x、y方向上的距离标准差，
Figure FDA0003934441610000049
为对应的x、y方向上的速度标准差，
Figure FDA00039344416100000410
为对应的在x、y方向上的加速度标准差，
Figure FDA00039344416100000411
为对应的航向角标准差。
5.根据权利要求1所述的一种基于不确定性估计的车辆轨迹预测方法，其特征在于，所述步骤S6中车辆未来轨迹完整的不确定性可知的多模态概率分布具体为：
Figure FDA00039344416100000412
Figure FDA00039344416100000413
其中，
Figure FDA00039344416100000414
为第i辆车在t时刻的未来轨迹完整的不确定性可知的多模态概率分布，
Figure FDA00039344416100000415
为第i辆车在t时刻的轨迹终点落在第k条车道线的概率以及该模态下路径点的二维高斯分布。
CN202111360841.XA 2021-11-17 2021-11-17 一种基于不确定性估计的车辆轨迹预测方法 Active CN114005280B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111360841.XA CN114005280B (zh) 2021-11-17 2021-11-17 一种基于不确定性估计的车辆轨迹预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111360841.XA CN114005280B (zh) 2021-11-17 2021-11-17 一种基于不确定性估计的车辆轨迹预测方法

Publications (2)

Publication Number Publication Date
CN114005280A CN114005280A (zh) 2022-02-01
CN114005280B true CN114005280B (zh) 2023-03-28

Family

ID=79929328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111360841.XA Active CN114005280B (zh) 2021-11-17 2021-11-17 一种基于不确定性估计的车辆轨迹预测方法

Country Status (1)

Country Link
CN (1) CN114005280B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114509065B (zh) * 2022-02-16 2023-11-07 北京易航远智科技有限公司 地图构建方法、系统、车辆终端、服务器端及存储介质
CN114872718B (zh) * 2022-04-11 2024-06-25 清华大学 车辆轨迹预测方法、装置、计算机设备和存储介质
CN114889638B (zh) * 2022-04-22 2024-08-13 武汉路特斯汽车有限公司 一种自动驾驶系统中的轨迹预测方法及系统
CN115220454A (zh) * 2022-07-21 2022-10-21 同济大学 一种无人驾驶的换道规划控制一体化方法
CN115009275B (zh) * 2022-08-08 2022-12-16 北京理工大学前沿技术研究院 面向城市场景下车辆轨迹预测方法、系统及存储介质
CN117685968A (zh) * 2022-08-26 2024-03-12 北京三快在线科技有限公司 智能体导航的方法和智能体
CN115143985B (zh) * 2022-09-05 2022-12-09 小米汽车科技有限公司 车辆定位方法、装置、车辆及可读存储介质
CN115610435B (zh) * 2022-12-02 2023-04-11 福思(杭州)智能科技有限公司 对象行驶意图的预测方法和装置、存储介质及电子装置
CN116048091B (zh) * 2023-02-09 2023-09-15 武汉溯野科技有限公司 一种考虑位姿估计不确定性的机器人轨迹规划方法和装置
CN116226787B (zh) * 2023-05-04 2023-08-01 中汽信息科技(天津)有限公司 商用车出险概率预测方法、设备和介质
CN117492447B (zh) * 2023-12-28 2024-03-26 苏州元脑智能科技有限公司 自动驾驶车辆行驶轨迹规划方法、装置、设备及存储介质
CN118419065A (zh) * 2024-04-29 2024-08-02 江苏大学 基于双交叉Transformer的自动驾驶车辆轨迹预测方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046919A (zh) * 2019-11-21 2020-04-21 南京航空航天大学 一种融合行为意图的周围动态车辆轨迹预测系统及方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016012376A1 (de) * 2016-10-15 2017-06-01 Daimler Ag Verfahren zum Betrieb eines Fahrzeugs und Fahrerassistenzvorrichtung
CN109572694B (zh) * 2018-11-07 2020-04-28 同济大学 一种考虑不确定性的自动驾驶风险评估方法
CN110400490B (zh) * 2019-08-08 2022-02-25 腾讯科技（深圳）有限公司 轨迹预测方法和装置
CN113486822B (zh) * 2021-07-12 2022-04-29 吉林大学 一种基于驾驶意图的周围车辆轨迹预测方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046919A (zh) * 2019-11-21 2020-04-21 南京航空航天大学 一种融合行为意图的周围动态车辆轨迹预测系统及方法

Also Published As

Publication number Publication date
CN114005280A (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
CN114005280B (zh) 一种基于不确定性估计的车辆轨迹预测方法
JP7338052B2 (ja) 軌跡予測方法、装置、機器及び記憶媒体リソース
CN112964271B (zh) 一种面向多场景的自动驾驶规划方法及系统
CN110749333B (zh) 基于多目标优化的无人驾驶车辆运动规划方法
CN110264721B (zh) 一种城市交叉口周边车辆轨迹预测方法
CN109059944B (zh) 基于驾驶习惯学习的运动规划方法
CN106114507B (zh) 用于智能车辆的局部轨迹规划方法和装置
CN104819724B (zh) 一种基于gis的无人地面车辆自主行驶辅助系统
US20230073897A1 (en) Aligning road information for navigation
CN111873995A (zh) 高速公路自动驾驶上下匝道的系统及方法
Huang et al. Conditional predictive behavior planning with inverse reinforcement learning for human-like autonomous driving
CN110986945B (zh) 基于语义高度地图的局部导航方法和系统
Rabe et al. Ego-lane estimation for lane-level navigation in urban scenarios
CN113743469A (zh) 一种融合多源数据及综合多维指标的自动驾驶决策方法
CN116817957B (zh) 基于机器视觉的无人车行驶路径规划方法及系统
CN118235180A (zh) 预测可行驶车道的方法和装置
CN116337045A (zh) 一种基于karto和teb的高速建图导航方法
Meng et al. Trajectory prediction for automated vehicles on roads with lanes partially covered by ice or snow
CN114995398A (zh) 路径生成方法、装置、存储介质、处理器及电子装置
Tanzmeister et al. Grid-based multi-road-course estimation using motion planning
CN115140096A (zh) 一种基于样条曲线与多项式曲线的自动驾驶轨迹规划方法
Wang et al. Trajectory prediction for turning vehicles at intersections by fusing vehicle dynamics and driver’s future input estimation
CN114670867B (zh) 基于分层学习和潜在风险模型的多车轨迹预测系统
CN113903173B (zh) 一种基于有向图结构和lstm的车辆轨迹特征提取方法
CN114194219A (zh) 一种自动驾驶车辆行驶道路模型预测方法

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