CN114043993B - 一种适用于智能驾驶车辆的关键目标选择方法及装置 - Google Patents

Abstract

本发明公开了一种适用于智能驾驶车辆的关键目标选择方法及装置。所述适用于智能驾驶车辆的关键目标选择方法，包括：根据智能驾驶车辆的运动状态轨迹和智能驾驶车辆所在车道的车道中心线轨迹，生成合成轨迹；分别根据每一融合目标与智能驾驶车辆的重叠度，计算每一融合目标的选择概率，得到各个融合目标的选择概率；根据所有融合目标的选择概率，将选择概率最高的融合目标作为关键目标。本发明能够在实际驾驶场景下稳定准确地选择关键目标。

Description

一种适用于智能驾驶车辆的关键目标选择方法及装置

技术领域

本发明涉及智能驾驶技术领域，尤其涉及一种适用于智能驾驶车辆的关键目标选择方法及装置。

背景技术

随着高级驾驶辅助系统技术的不断发展，许多高端汽车都具有高级驾驶辅助功能，该类型的车辆一般搭载有摄像头、毫米波雷达、超声波雷达等传感器，这些传感器通常在融合后输出数十个目标的运动信息，往往需要从中筛选出一个最值得关注和持续跟踪的目标作为关键目标。

常用的关键目标选择方法主要可分为两类，一类是通过根据各个目标相对于本车的纵向距离、横向距离、纵向速度、横向速度来建立概率模型，求得各个目标的威胁度，以选择威胁度最高的目标作为关键目标，另一类是通过本车所在的车道线，或者是在车道线缺失情况下通过本车的运动状态计算本车的行驶边界线，选择行驶边界线内的目标作为关键目标。

在实际驾驶场景下，如果采用第一类方法，那么当本车沿车道线转弯时，车道线内的目标更具威胁性，而第一类方法没有考虑本车所在的车道线及本车的运动状态，容易选择距本车横向距离最近的正前方目标作为关键目标，出现关键目标选择错误的问题；如果采用第二类方法，那么当车道线内同时存在两辆车，一辆车压着车道线，离本车较近但不阻碍本车通行，一辆车在车道中间，离本车稍远时，容易出现难以选择关键目标的问题，以及当本车急转弯时，继续相信车道线的信息，而忽略急转弯轨迹上的车辆，容易出现关键目标选择错误的问题，发生碰撞风险。

综上，根据现有的关键目标选择方法，难以在实际驾驶场景下稳定准确地选择关键目标。

发明内容

为了克服现有技术的缺陷，本发明提供一种适用于智能驾驶车辆的关键目标选择方法及装置，能够在实际驾驶场景下稳定准确地选择关键目标。

为了解决上述技术问题，第一方面，本发明的实施例提供一种适用于智能驾驶车辆的关键目标选择方法，包括：

根据所述智能驾驶车辆的运动状态轨迹和所述智能驾驶车辆所在车道的车道中心线轨迹，生成合成轨迹；

分别根据每一融合目标与所述智能驾驶车辆的重叠度，计算每一所述融合目标的选择概率，得到各个所述融合目标的选择概率；

根据所有所述融合目标的选择概率，将选择概率最高的所述融合目标作为关键目标。

进一步地，在所述根据所述智能驾驶车辆的运动状态轨迹和所述智能驾驶车辆所在车道的车道中心线轨迹，生成合成轨迹之前，还包括：

从所述智能驾驶车辆的CAN信号中提取所述智能驾驶车辆的车速和角速度，根据所述车速和所述角速度，得到所述运动状态轨迹；

获取所述智能驾驶车辆所在车道的左车道线轨迹和右车道线轨迹，根据所述左车道线轨迹和所述右车道线轨迹，得到所述车道中心线轨迹。

进一步地，所述根据所述智能驾驶车辆的运动状态轨迹和所述智能驾驶车辆所在车道的车道中心线轨迹，生成合成轨迹，具体为：

对所述运动状态轨迹和所述车道中心线轨迹进行动态加权平均，得到所述合成轨迹。

进一步地，所述分别根据每一融合目标与所述智能驾驶车辆的重叠度，计算每一所述融合目标的选择概率，得到各个所述融合目标的选择概率，具体为：

对于每一所述融合目标，根据所述融合目标与所述合成轨迹之间的距离，计算所述融合目标与所述智能驾驶车辆的重叠度，并根据所述融合目标与所述智能驾驶车辆的重叠度，计算所述融合目标的选择概率，得到各个所述融合目标的选择概率。

进一步地，所述运动状态轨迹为：

；

其中，v₀为所述车速，ω为所述角速度，t为时间；

所述车道中心线轨迹为：

；

其中，c₀= (a₀+ b₀)/2，c₁= (a₁+ b₁)/2，c₂ = (a₂+ b₂)/2，c₃ = (a₃+ b₃)/2，a₀、a₁、a₂、a₃为所述左车道线轨迹

中的系数，b₀、b₁、b₂、b₃为所述右车道线轨迹

中的系数。

进一步地，所述合成轨迹为：

；

其中，Weight(t)为分段可微分函数，

，t₀为第一预设时间阈值，t₁为第二预设时间阈值，d₀、d₁、d₂、d₃满足

，v₀、ω分别为所述运动状态轨迹

中的所述智能驾驶车辆的速度和角速度，c₀、c₁、c₂、c₃为所述车道中心线轨迹

中的系数，t为时间。

进一步地，所述融合目标与所述合成轨迹之间的距离为：

；

其中，x₀为所述融合目标在车辆坐标系下的X轴坐标，y₀为所述融合目标在车辆坐标系下的Y轴坐标，x_traj(t)为所述合成轨迹在t时间的X轴坐标，y_traj(t)为所述合成轨迹在t时间的Y轴坐标。

进一步地，所述融合目标与所述智能驾驶车辆的重叠度为：

；

其中，W_ego为所述智能驾驶车辆的车宽，W_target为所述融合目标的车宽，distance_to_traj为所述融合目标与所述合成轨迹之间的距离。

进一步地，所述融合目标的选择概率为：

；

其中，f为所述融合目标与所述智能驾驶车辆的重叠度，L为纵向相对距离影响因子，

，x₀为所述融合目标在车辆坐标系下的X轴坐标。

第二方面，本发明一实施例提供一种适用于智能驾驶车辆的关键目标选择装置，包括：

合成轨迹生成模块，用于根据所述智能驾驶车辆的运动状态轨迹和所述智能驾驶车辆所在车道的车道中心线轨迹，生成合成轨迹；

选择概率计算模块，用于分别根据每一融合目标与所述智能驾驶车辆的重叠度，计算每一所述融合目标的选择概率，得到各个所述融合目标的选择概率；

关键目标选择模块，用于根据所有所述融合目标的选择概率，将选择概率最高的所述融合目标作为关键目标。

本发明的实施例，具有如下有益效果：

通过根据智能驾驶车辆的运动状态轨迹和智能驾驶车辆所在车道的车道中心线轨迹，生成合成轨迹，分别根据每一融合目标与智能驾驶车辆的重叠度，计算每一融合目标的选择概率，得到各个融合目标的选择概率，根据所有融合目标的选择概率，将选择概率最高的融合目标作为关键目标，完成选择关键目标。相比于现有技术，本发明的实施例通过根据运动状态轨迹和车道中心线轨迹，生成更符合车辆实际运动路径的合成轨迹，根据融合目标与智能驾驶车辆的重叠度来计算融合目标的选择概率，更好地反映融合目标对智能驾驶车辆的威胁程度，从而能够在实际驾驶场景下稳定准确地选择关键目标。

附图说明

图1为本发明第一实施例中的一种适用于智能驾驶车辆的关键目标选择方法的流程示意图；

图2为本发明第一实施例中示例的运动状态轨迹、车道中心线轨迹和合成轨迹的示意图；

图3为本发明第一实施例中示例的车辆坐标系的示意图；

图4为本发明第二实施例中的一种适用于智能驾驶车辆的关键目标选择装置的结构示意图。

具体实施方式

下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，文中的步骤编号，仅为了方便具体实施例的解释，不作为限定步骤执行先后顺序的作用。本实施例提供的方法可以由相关的终端设备执行，且下文均以处理器作为执行主体为例进行说明。

如图1所示，第一实施例提供一种适用于智能驾驶车辆的关键目标选择方法，包括步骤S1~S3：

S1、根据智能驾驶车辆的运动状态轨迹和智能驾驶车辆所在车道的车道中心线轨迹，生成合成轨迹；

S2、分别根据每一融合目标与智能驾驶车辆的重叠度，计算每一融合目标的选择概率，得到各个融合目标的选择概率；

S3、根据所有融合目标的选择概率，将选择概率最高的融合目标作为关键目标。

作为示例性地，在步骤S1中，获取智能驾驶车辆的运动状态轨迹和智能驾驶车辆所在车道的车道中心线轨迹，将运动状态轨迹与车道中心线轨迹融合，生成合成轨迹。

在步骤S2中，获取所有摄像头、毫米波雷达、超声波雷达等传感器输出的融合目标，确定各个融合目标与智能驾驶车辆的重叠度，分别根据每一融合目标与智能驾驶车辆的重叠度，计算每一融合目标的选择概率，得到各个融合目标的选择概率。

在步骤S3中，按照所有融合目标的选择概率从高到低的顺序排列所有融合目标，将选择概率最高的融合目标作为关键目标。

本实施例通过根据运动状态轨迹和车道中心线轨迹，生成更符合车辆实际运动路径的合成轨迹，根据融合目标与智能驾驶车辆的重叠度来计算融合目标的选择概率，更好地反映融合目标对智能驾驶车辆的威胁程度，从而能够在实际驾驶场景下稳定准确地选择关键目标。

在优选的实施例当中，在所述根据智能驾驶车辆的运动状态轨迹和智能驾驶车辆所在车道的车道中心线轨迹，生成合成轨迹之前，还包括：从智能驾驶车辆的CAN信号中提取智能驾驶车辆的车速和角速度，根据车速和角速度，得到运动状态轨迹；获取智能驾驶车辆所在车道的左车道线轨迹和右车道线轨迹，根据左车道线轨迹和右车道线轨迹，得到车道中心线轨迹。

如图2所示，作为示例性地，解析智能驾驶车辆的CAN信号，从中提取智能驾驶车辆的车速和角速度，根据车速和角速度，计算运动状态轨迹的曲线方程，得到运动状态轨迹。

检测智能驾驶车辆所在车道的左车道线和右车道线，获取左车道线轨迹和右车道线轨迹的曲线方程，对左车道线轨迹和右车道线轨迹的曲线方程进行加权平均，计算车道中心线轨迹的曲线方程，得到车道中心线轨迹。

可以理解的是，在车辆坐标系下，车道线轨迹的曲线方程通常表示为三次曲线。如图3所示，车辆坐标系以智能驾驶车辆的车头中心点为原点O，向前为X轴正方向，向右为Y轴正方向。

在本实施例的一优选实施方式中，运动状态轨迹为：

（1）；

其中，v₀为车速，ω为角速度，t为时间；

车道中心线轨迹为：

（2）；

其中，c₀= (a₀+ b₀)/2，c₁= (a₁+ b₁)/2，c₂ = (a₂+ b₂)/2，c₃ = (a₃+ b₃)/2，a₀、a₁、a₂、a₃为左车道线轨迹

中的系数，b₀、b₁、b₂、b₃为右车道线轨迹

中的系数。

本实施例通过根据智能驾驶车辆的车速和角速度计算运动状态轨迹，有利于后续生成更符合车辆实际运动路径的合成轨迹。

在优选的实施例当中，所述根据智能驾驶车辆的运动状态轨迹和智能驾驶车辆所在车道的车道中心线轨迹，生成合成轨迹，具体为：对运动状态轨迹和车道中心线轨迹进行动态加权平均，得到合成轨迹。

作为示例性地，考虑到智能驾驶车辆的机动性和未来的可规划性，为使合成轨迹在短时间内更相信运动状态轨迹，在长时间内更相信车道中心线轨迹，对运动状态轨迹的曲线方程和车道中心线轨迹的曲线方程进行动态加权平均，计算合成轨迹的曲线方程，从而将运动状态轨迹和车道中心线轨迹融合为合成轨迹。

在本实施例的一优选实施方式中，合成轨迹为：

（3）；

其中，Weight(t)为分段可微分函数，

，t₀为第一预设时间阈值，t₁为第二预设时间阈值，d₀、d₁、d₂、d₃满足

，v₀、ω分别为运动状态轨迹

中的智能驾驶车辆的速度和角速度，c₀、c₁、c₂、c₃为车道中心线轨迹

中的系数，t为时间。

本实施例通过对运动状态轨迹和车道中心线轨迹进行动态加权平均，能够使合成轨迹在短时间内更相信运动状态轨迹，在长时间内更相信车道中心线轨迹，生成更符合车辆实际运动路径的合成轨迹，有利于适应智能驾驶车辆转弯、变道等实际驾驶场景，稳定准确地选择关键目标。

在优选的实施例当中，所述分别根据每一融合目标与智能驾驶车辆的重叠度，计算每一融合目标的选择概率，得到各个融合目标的选择概率，具体为：对于每一融合目标，根据融合目标与合成轨迹之间的距离，计算融合目标与智能驾驶车辆的重叠度，并根据融合目标与智能驾驶车辆的重叠度，计算融合目标的选择概率，得到各个融合目标的选择概率。

作为示例性地，获取所有摄像头、毫米波雷达、超声波雷达等传感器输出的融合目标的运动状态，对于每一融合目标，采用梯度下降法计算融合目标所在位置到合成轨迹的最短距离，根据融合目标与合成轨迹之间的距离，计算融合目标与智能驾驶车辆的重叠度，并采用Sigmoid概率模型，根据融合目标与智能驾驶车辆的重叠度，计算融合目标的选择概率，得到各个融合目标的选择概率。

可以理解的是，融合目标的运动状态，即是融合目标在车辆坐标系下的位置坐标。

在本实施例的一优选实施方式中，融合目标与合成轨迹之间的距离为：

（4）；

其中，x₀为融合目标在车辆坐标系下的X轴坐标，y₀为融合目标在车辆坐标系下的Y轴坐标，x_traj(t)为合成轨迹在t时间的X轴坐标，y_traj(t)为合成轨迹在t时间的Y轴坐标。

在本实施例的一优选实施方式中，融合目标与智能驾驶车辆的重叠度为：

（5）；

其中，W_ego为智能驾驶车辆的车宽，W_target为融合目标的车宽，distance_to_traj为融合目标与合成轨迹之间的距离。

在本实施例的一优选实施方式中，融合目标的选择概率为：

（6）；

其中，f为融合目标与智能驾驶车辆的重叠度，L为纵向相对距离影响因子，

，x₀为融合目标在车辆坐标系下的X轴坐标。

本实施例通过根据融合目标与智能驾驶车辆的重叠度来计算融合目标的选择概率，能够更好地反映融合目标对智能驾驶车辆的威胁程度，也就是反映前方区域是否可以通行、融合目标是否危险等情况，同时考虑在不同重叠度下，威胁程度会产生非线性的变化，例如，智能驾驶车辆与融合目标没有重叠时，融合目标对智能驾驶车辆的威胁程度较低，可以忽略，而一旦智能驾驶车辆与融合目标发生重叠，融合目标对智能驾驶车辆的威胁程度会急剧上升，选择Sigmoid概率模型更能反映驾驶员在实际驾驶场景下对融合目标威胁程度的体验，有利于适应智能驾驶车辆转弯、变道等实际驾驶场景，稳定准确地选择关键目标。

如图4所示，第二实施例提供一种适用于智能驾驶车辆的关键目标选择装置，包括：合成轨迹生成模块21，用于根据所述智能驾驶车辆的运动状态轨迹和所述智能驾驶车辆所在车道的车道中心线轨迹，生成合成轨迹；选择概率计算模块22，用于分别根据每一融合目标与所述智能驾驶车辆的重叠度，计算每一所述融合目标的选择概率，得到各个所述融合目标的选择概率；关键目标选择模块23，用于根据所有所述融合目标的选择概率，将选择概率最高的所述融合目标作为关键目标。

作为示例性地，通过合成轨迹生成模块21，获取智能驾驶车辆的运动状态轨迹和智能驾驶车辆所在车道的车道中心线轨迹，将运动状态轨迹与车道中心线轨迹融合，生成合成轨迹。

通过选择概率计算模块22，获取所有摄像头、毫米波雷达、超声波雷达等传感器输出的融合目标，确定各个融合目标与智能驾驶车辆的重叠度，分别根据每一融合目标与智能驾驶车辆的重叠度，计算每一融合目标的选择概率，得到各个融合目标的选择概率。

通过关键目标选择模块23，按照所有融合目标的选择概率从高到低的顺序排列所有融合目标，将选择概率最高的融合目标作为关键目标。

本实施例通过根据运动状态轨迹和车道中心线轨迹，生成更符合车辆实际运动路径的合成轨迹，根据融合目标与智能驾驶车辆的重叠度来计算融合目标的选择概率，更好地反映融合目标对智能驾驶车辆的威胁程度，从而能够在实际驾驶场景下稳定准确地选择关键目标。

在优选的实施例当中，合成轨迹生成模块21，还用于在所述根据智能驾驶车辆的运动状态轨迹和智能驾驶车辆所在车道的车道中心线轨迹，生成合成轨迹之前，从智能驾驶车辆的CAN信号中提取智能驾驶车辆的车速和角速度，根据车速和角速度，得到运动状态轨迹，获取智能驾驶车辆所在车道的左车道线轨迹和右车道线轨迹，根据左车道线轨迹和右车道线轨迹，得到车道中心线轨迹。

作为示例性地，通过合成轨迹生成模块21，解析智能驾驶车辆的CAN信号，从中提取智能驾驶车辆的车速和角速度，根据车速和角速度，计算运动状态轨迹的曲线方程，得到运动状态轨迹。

通过合成轨迹生成模块21，检测智能驾驶车辆所在车道的左车道线和右车道线，获取左车道线轨迹和右车道线轨迹的曲线方程，对左车道线轨迹和右车道线轨迹的曲线方程进行加权平均，计算车道中心线轨迹的曲线方程，得到车道中心线轨迹。

可以理解的是，在车辆坐标系下，车道线轨迹的曲线方程通常表示为三次曲线。

在本实施例的一优选实施方式中，运动状态轨迹为：

（7）；

其中，v₀为车速，ω为角速度，t为时间；

车道中心线轨迹为：

（8）；

其中，c₀= (a₀+ b₀)/2，c₁= (a₁+ b₁)/2，c₂ = (a₂+ b₂)/2，c₃ = (a₃+ b₃)/2，a₀、a₁、a₂、a₃为左车道线轨迹

中的系数，b₀、b₁、b₂、b₃为右车道线轨迹

中的系数。

本实施例通过合成轨迹生成模块21，根据智能驾驶车辆的车速和角速度计算运动状态轨迹，有利于后续生成更符合车辆实际运动路径的合成轨迹。

在优选的实施例当中，所述根据智能驾驶车辆的运动状态轨迹和智能驾驶车辆所在车道的车道中心线轨迹，生成合成轨迹，具体为：对运动状态轨迹和车道中心线轨迹进行动态加权平均，得到合成轨迹。

作为示例性地，考虑到智能驾驶车辆的机动性和未来的可规划性，为使合成轨迹在短时间内更相信运动状态轨迹，在长时间内更相信车道中心线轨迹，通过合成轨迹生成模块21，对运动状态轨迹的曲线方程和车道中心线轨迹的曲线方程进行动态加权平均，计算合成轨迹的曲线方程，从而将运动状态轨迹和车道中心线轨迹融合为合成轨迹。

在本实施例的一优选实施方式中，合成轨迹为：

（9）；

其中，Weight(t)为分段可微分函数，

，t₀为第一预设时间阈值，t₁为第二预设时间阈值，d₀、d₁、d₂、d₃满足

，v₀、ω分别为运动状态轨迹

中的智能驾驶车辆的速度和角速度，c₀、c₁、c₂、c₃为车道中心线轨迹

中的系数，t为时间。

本实施例通过合成轨迹生成模块21，对运动状态轨迹和车道中心线轨迹进行动态加权平均，能够使合成轨迹在短时间内更相信运动状态轨迹，在长时间内更相信车道中心线轨迹，生成更符合车辆实际运动路径的合成轨迹，有利于适应智能驾驶车辆转弯、变道等实际驾驶场景，稳定准确地选择关键目标。

在优选的实施例当中，所述分别根据每一融合目标与智能驾驶车辆的重叠度，计算每一融合目标的选择概率，得到各个融合目标的选择概率，具体为：对于每一融合目标，根据融合目标与合成轨迹之间的距离，计算融合目标与智能驾驶车辆的重叠度，并根据融合目标与智能驾驶车辆的重叠度，计算融合目标的选择概率，得到各个融合目标的选择概率。

作为示例性地，通过选择概率计算模块22，获取所有摄像头、毫米波雷达、超声波雷达等传感器输出的融合目标的运动状态，对于每一融合目标，采用梯度下降法计算融合目标所在位置到合成轨迹的最短距离，根据融合目标与合成轨迹之间的距离，计算融合目标与智能驾驶车辆的重叠度，并采用Sigmoid概率模型，根据融合目标与智能驾驶车辆的重叠度，计算融合目标的选择概率，得到各个融合目标的选择概率。

可以理解的是，融合目标的运动状态，即是融合目标在车辆坐标系下的位置坐标。

在本实施例的一优选实施方式中，融合目标与合成轨迹之间的距离为：

（10）；

其中，x₀为融合目标在车辆坐标系下的X轴坐标，y₀为融合目标在车辆坐标系下的Y轴坐标，x_traj(t)为合成轨迹在t时间的X轴坐标，y_traj(t)为合成轨迹在t时间的Y轴坐标。

在本实施例的一优选实施方式中，融合目标与智能驾驶车辆的重叠度为：

（11）；

其中，W_ego为智能驾驶车辆的车宽，W_target为融合目标的车宽，distance_to_traj为融合目标与合成轨迹之间的距离。

在本实施例的一优选实施方式中，融合目标的选择概率为：

（12）；

其中，f为融合目标与智能驾驶车辆的重叠度，L为纵向相对距离影响因子，

，x₀为融合目标在车辆坐标系下的X轴坐标。

本实施例通过选择概率计算模块22，根据融合目标与智能驾驶车辆的重叠度来计算融合目标的选择概率，能够更好地反映融合目标对智能驾驶车辆的威胁程度，也就是反映前方区域是否可以通行、融合目标是否危险等情况，同时考虑在不同重叠度下，威胁程度会产生非线性的变化，例如，智能驾驶车辆与融合目标没有重叠时，融合目标对智能驾驶车辆的威胁程度较低，可以忽略，而一旦智能驾驶车辆与融合目标发生重叠，融合目标对智能驾驶车辆的威胁程度会急剧上升，选择Sigmoid概率模型更能反映驾驶员在实际驾驶场景下对融合目标威胁程度的体验，有利于适应智能驾驶车辆转弯、变道等实际驾驶场景，稳定准确地选择关键目标。

综上所述，实施本发明的实施例，具有如下有益效果：

通过根据智能驾驶车辆的运动状态轨迹和智能驾驶车辆所在车道的车道中心线轨迹，生成合成轨迹，分别根据每一融合目标与智能驾驶车辆的重叠度，计算每一融合目标的选择概率，得到各个融合目标的选择概率，根据所有融合目标的选择概率，将选择概率最高的融合目标作为关键目标，完成选择关键目标。本发明的实施例通过根据运动状态轨迹和车道中心线轨迹，生成更符合车辆实际运动路径的合成轨迹，根据融合目标与智能驾驶车辆的重叠度来计算融合目标的选择概率，更好地反映融合目标对智能驾驶车辆的威胁程度，从而能够在实际驾驶场景下稳定准确地选择关键目标。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

本领域普通技术人员可以理解实现上述实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（Random Access Memory，RAM）等。

Claims (7)

1.一种适用于智能驾驶车辆的关键目标选择方法，其特征在于，包括：

从所述智能驾驶车辆的CAN信号中提取所述智能驾驶车辆的车速和角速度，根据所述车速和所述角速度，得到运动状态轨迹；

所述运动状态轨迹为：

；

其中，v₀为所述车速，ω为所述角速度，t为时间；

获取所述智能驾驶车辆所在车道的左车道线轨迹和右车道线轨迹，根据所述左车道线轨迹和所述右车道线轨迹，得到车道中心线轨迹；

所述车道中心线轨迹为：

；

其中，c₀= (a₀+ b₀)/2，c₁= (a₁+ b₁)/2，c₂ = (a₂+ b₂)/2，c₃ = (a₃+ b₃)/2，a₀、a₁、a₂、a₃为所述左车道线轨迹

中的系数，b₀、b₁、b₂、b₃为所述右车道线轨迹

中的系数；

根据所述智能驾驶车辆的运动状态轨迹和所述智能驾驶车辆所在车道的车道中心线轨迹，生成合成轨迹；

分别根据每一融合目标与所述智能驾驶车辆的重叠度，计算每一所述融合目标的选择概率，得到各个所述融合目标的选择概率；

所述分别根据每一融合目标与所述智能驾驶车辆的重叠度，计算每一所述融合目标的选择概率，得到各个所述融合目标的选择概率，具体为：

对于每一所述融合目标，根据所述融合目标与所述合成轨迹之间的距离，计算所述融合目标与所述智能驾驶车辆的重叠度，并根据所述融合目标与所述智能驾驶车辆的重叠度，计算所述融合目标的选择概率，得到各个所述融合目标的选择概率；

根据所有所述融合目标的选择概率，将选择概率最高的所述融合目标作为关键目标。

2.如权利要求1所述的适用于智能驾驶车辆的关键目标选择方法，其特征在于，所述根据所述智能驾驶车辆的运动状态轨迹和所述智能驾驶车辆所在车道的车道中心线轨迹，生成合成轨迹，具体为：

对所述运动状态轨迹和所述车道中心线轨迹进行动态加权平均，得到所述合成轨迹。

3.如权利要求2所述的适用于智能驾驶车辆的关键目标选择方法，其特征在于，所述合成轨迹为：

；

其中，Weight(t)为分段可微分函数，

，t₀为第一预设时间阈值，t₁为第二预设时间阈值，d₀、d₁、d₂、d₃满足

，v₀、ω分别为所述运动状态轨迹

中的所述智能驾驶车辆的速度和角速度，c₀、c₁、c₂、c₃为所述车道中心线轨迹

中的系数，t为时间。

4.如权利要求1所述的适用于智能驾驶车辆的关键目标选择方法，其特征在于，所述融合目标与所述合成轨迹之间的距离为：

；

其中，x₀为所述融合目标在车辆坐标系下的X轴坐标，y₀为所述融合目标在车辆坐标系下的Y轴坐标，x_traj(t)为所述合成轨迹在t时间的X轴坐标，y_traj(t)为所述合成轨迹在t时间的Y轴坐标。

5.如权利要求1所述的适用于智能驾驶车辆的关键目标选择方法，其特征在于，所述融合目标与所述智能驾驶车辆的重叠度为：

；

其中，W_ego为所述智能驾驶车辆的车宽，W_target为所述融合目标的车宽，distance_to_traj为所述融合目标与所述合成轨迹之间的距离。

6.如权利要求1所述的适用于智能驾驶车辆的关键目标选择方法，其特征在于，所述融合目标的选择概率为：

；

其中，f为所述融合目标与所述智能驾驶车辆的重叠度，L为纵向相对距离影响因子，

，x₀为所述融合目标在车辆坐标系下的X轴坐标。

7.一种适用于智能驾驶车辆的关键目标选择装置，其特征在于，包括：

合成轨迹生成模块，用于从所述智能驾驶车辆的CAN信号中提取所述智能驾驶车辆的车速和角速度，根据所述车速和所述角速度，得到运动状态轨迹；

所述运动状态轨迹为：

；

其中，v₀为所述车速，ω为所述角速度，t为时间；

获取所述智能驾驶车辆所在车道的左车道线轨迹和右车道线轨迹，根据所述左车道线轨迹和所述右车道线轨迹，得到车道中心线轨迹；

所述车道中心线轨迹为：

；

其中，c₀= (a₀+ b₀)/2，c₁= (a₁+ b₁)/2，c₂ = (a₂+ b₂)/2，c₃ = (a₃+ b₃)/2，a₀、a₁、a₂、a₃为所述左车道线轨迹

中的系数，b₀、b₁、b₂、b₃为所述右车道线轨迹

中的系数；

根据所述智能驾驶车辆的运动状态轨迹和所述智能驾驶车辆所在车道的车道中心线轨迹，生成合成轨迹；

选择概率计算模块，用于分别根据每一融合目标与所述智能驾驶车辆的重叠度，计算每一所述融合目标的选择概率，得到各个所述融合目标的选择概率；

所述分别根据每一融合目标与所述智能驾驶车辆的重叠度，计算每一所述融合目标的选择概率，得到各个所述融合目标的选择概率，具体为：

对于每一所述融合目标，根据所述融合目标与所述合成轨迹之间的距离，计算所述融合目标与所述智能驾驶车辆的重叠度，并根据所述融合目标与所述智能驾驶车辆的重叠度，计算所述融合目标的选择概率，得到各个所述融合目标的选择概率；

关键目标选择模块，用于根据所有所述融合目标的选择概率，将选择概率最高的所述融合目标作为关键目标。

Images