CN114265411A - 一种解决车辆预测模型性能受限于感知数据性能的方法 - Google Patents

Abstract

本发明提供了一种解决车辆预测模型性能受限于感知数据性能的方法，包括：选取设定范围的一被预测车辆，获取深度神经网络模型输出的被预测车辆的车辆预测轨迹；根据被预测车辆的感知数据，从地图数据库中提取被预测车辆当前所在的车道中心线数据；对车辆预测轨迹进行修正，修正包括：选取车辆预测轨迹上的若干坐标点作为车辆预测轨迹点，根据被预测车辆相对车道中心线的偏离程度，调整被预测车辆距离车道中心线的距离，获得被预测车辆的修正后预测轨迹；重复上述步骤，获得设定范围内全部车辆的修正后预测轨迹。本发明提出了一种在Frenet坐标系下调整车辆预测轨迹的方法，解决为了使弯曲的车道中心线与弯曲的车辆预测轨迹相匹配而需要花费大量计算的难题。

Description

一种解决车辆预测模型性能受限于感知数据性能的方法

技术领域

本发明主要涉及自动驾驶中车辆轨迹预测模型分析领域，尤其涉及一种解决车辆预测模型性能受限于感知数据性能的方法。

背景技术

车辆轨迹预测是自动驾驶领域一个重要且基本的问题。例如，在公共道路上开启自动驾驶时，必须准确预测其他车辆和行人预计可能在哪里，以便自动驾驶车辆采取安全有效的行动。

根据轨迹预测模型的输入以及中间步骤的不同，以往研究的预测模型大概分为三类：

第一类基于物理约束的预测模型，将车辆表示为受物理定律支配的动态实体，通过将控制状态(如车轮转角、加速度等)、汽车特性(如车身自重)和道路环境因素(如静止摩擦系数)与车辆状态(如位置、航向、速度)的演化联系起来，并利用动力学和运动学模型来预测车辆未来的运动趋势。

第二类基于行为的预测模型，将预测过程分成了两个部分：行为识别与轨迹预测。首先识别车辆的行为(跟随前车、路口左转等)，然后再预测车辆未来连续的物理状态，以便预测轨迹与可能执行的行为相对应。

第三类基于学习的预测模型，使用目标检测跟踪得到的车辆行驶轨迹数据和高精地图信息，对深度神经网络模型进行训练，由训练完成的模型输出预测的车辆未来行驶轨迹。

对以上三种类型的评价大致如下：

第一类完全基于规则进行人为设计，不能处理一些非正常场景，比如违反交通规则的闯红灯或道路违规逆行场景。

第二类利用先验知识比如速度、加速度、历史位置等车辆自身状态、道路几何结构、交通限速等道路结构化信息，但是忽略使用后验知识包括交通车辆交互作用、驾驶员的驾驶习惯等信息。在实际交通场景中，驾驶场景中的后验知识(驾驶员的驾驶习惯等)会影响相同驾驶意图下车辆的行驶轨迹，如果忽略了驾驶场景中的后验知识，则难以保证所得运动轨迹的准确性。

第三类基于学习的预测模型，也就是基于深度神经网络进行端到端设计，利用的训练数据不仅包括轨迹信息，还充分利用更为丰富的环境信息包括静态地图路网环境静态信息和动态目标物(如车、人)感知信息，基于深度神经网络模型进行学习，随着训练数据量增加和数据场景类型增加，能适应不同的驾驶场景，能获得更好的通用性和准确性。但是也存在一些局限性，比如强烈受限于输入感知数据的可靠性。

经对比可以了解到，第三类技术路线即为基于深度神经网络进行端到端设计，是未来研究和发展的一个重要方向。

第三类基于学习的预测模型的运算流程是：首先向经过训练的深度神经网络模型输入感知数据(感知数据包括但不限于：被预测车辆的历史轨迹位置、速度、加速度、Yaw、Yaw变化率、道路结构、其他周围车辆的历史轨迹位置)，然后经过模型推理，深度神经网络模型输出被预测车辆的预测轨迹位置。

通过若干次仿真测试和实车测试，发现第三类深度学习方法存在一些局限性，比如预测车辆轨迹的性能强烈受限于输入感知数据的性能，性能受到感知数据误差和延迟的影响，而且生成感知数据的传感器又不可避免地出现误差和延迟的错误现象。

为了描述清楚“预测车辆轨迹的性能强烈受限于输入感知数据的性能”的问题，一个常见的现象是，如果输入被预测车辆的Yaw(Yaw指在右手笛卡尔坐标系围绕Y轴旋转的角度，通俗地说，Yaw指车头朝向)存在误差，则输出的预测轨迹的Yaw会发生更严重的误差，导致预测轨迹严重偏离车道中心线，严重不符合实际的驾驶情况。

发明内容

应当理解，本公开以上的一般性描述和以下的详细描述都是示例性和说明性的，并且旨在为本公开提供进一步的解释。

针对上述的第三类基于学习的预测模型存在的预测车辆轨迹的性能强烈受限于输入感知数据的性能的问题，特别是输入被预测车辆的Yaw存在误差的问题，本发明提出一种采用从高精地图数据库提取道路结构信息(包括但不限于车道中心线、车道边界线、车道道路交通规则)来优化深度学习模型输出的轨迹的方法。

提出这个方法的启发来自于人类驾驶员在开车过程中，在预测其他车辆的过程中会参考道路结构信息。

本发明内容是一种解决车辆预测模型性能受限于感知数据性能的方法设计。

本发明要解决的技术问题是提供一种解决车辆预测模型性能受限于感知数据性能的方法，其特征在于，所述方法包括：

步骤S1，选取设定范围的一被预测车辆，获取深度神经网络模型输出的所述被预测车辆的车辆预测轨迹；

步骤S2，根据所述被预测车辆的感知数据，从地图数据库中提取所述被预测车辆当前所在的车道中心线数据；

步骤S3，对所述车辆预测轨迹进行修正，所述修正包括：

选取所述车辆预测轨迹上的若干坐标点作为车辆预测轨迹点，根据所述被预测车辆相对所述车道中心线的偏离程度，调整所述被预测车辆距离所述车道中心线的距离，获得所述被预测车辆的修正后预测轨迹；

步骤S4，重复步骤S1～S3，获得所述设定范围内全部车辆的修正后预测轨迹。

比较好的是，本发明进一步提供了一种解决车辆预测模型性能受限于感知数据性能的方法，其特征在于，所述步骤S3进一步包括：

步骤S31，根据所述被预测车辆偏离所述车道中心线的距离与预设比例范围的关系，决定以下修正方式：

当所述被预测车辆偏离所述车道中心线的距离大于所述预设比例范围，缩小所述被预测车辆距离所述车道中心线的距离；

当所述被预测车辆偏离所述车道中心线的距离小于所述预测比例范围，放大所述被预测车辆距离所述车道中心线的距离；

当所述预测车辆偏离所述车道中心线的距离在所述预设比例范围内，对所述车辆预测轨迹点不做修正。

比较好的是，本发明进一步提供了一种解决车辆预测模型性能受限于感知数据性能的方法，其特征在于，所述方法在步骤S2和S3之间进一步包括：

将所述车辆预测轨迹从笛卡尔坐标系转换为Frenet坐标系下的车辆预测轨迹点(s,l)；

所述步骤S4之后进一步包括：

将所述修正后的车辆预测轨迹从所述Frenet坐标系转换回笛卡尔坐标系；

其中，s表示沿着所述车道中心线行进的纵向位移，l表示在车道中心线左右的横向位移。

比较好的是，本发明进一步提供了一种解决车辆预测模型性能受限于感知数据性能的方法，其特征在于，所述步骤S31进一步包括：

根据第1个Frenet坐标系下的车辆预测轨迹点(s₁,l₁)，获得第一个比例值，判断该第一个比例值是否在第一预设比例范围[k_min～k_max]内；

其中，所述被预测车辆机动性相关的系数k_min为0，k_max为0.7～1，如果不在，通过缩小或放大修正获得落入所述阈值范围内的所述车辆预测轨迹点(s₁,l′₁)；

根据第i个Frenet坐标系下的车辆预测轨迹点(s_i,l_i)，获得第i个比例值，所述第i个比例值为第i个车辆预测轨迹点的横坐标l_i和第(i-1)个所述修正后车辆预测轨迹点的横坐标l_i-1相关，判断该第i个比例值是否在第i预设比例范围[1-K～1+K]内；

其中，与所述被预测车辆机动性相关的系数K为0.1～0.2；

其中，i为≤n的自然数，n为选取的全部车辆预测轨迹点的点数，门限值L为车道宽度W的一半。

比较好的是，本发明进一步提供了一种解决车辆预测模型性能受限于感知数据性能的方法，其特征在于，针对所述第1个Frenet坐标系下的车辆预测轨迹点(s₁,l₁)的修正中，所述放大修正包括：

l′₁＝(L*k_max)

所述缩小修正包括：

l′₁＝(L*k_min)

针对所述第i个Frenet坐标系下的车辆预测轨迹点(s_i,l_i)的修正中，所述放大修正包括：

l′_i＝[l′_i-1*(1-K)]

所述缩小修正包括：

l′_i＝[l′_i-1*(1+K)]。

比较好的是，本发明进一步提供了一种解决车辆预测模型性能受限于感知数据性能的方法，其特征在于，所述步骤S1和S4中，选取设定范围的被预测车辆包括圆心半径1KM内的所述被预测车辆。

比较好的是，本发明进一步提供了一种解决车辆预测模型性能受限于感知数据性能的方法，其特征在于，所述感知数据进一步包括：

所述被预测车辆的历史轨迹位置、速度、加速度、Yaw、Yaw变化率、道路结构和其他周围车辆的历史轨迹位置。

比较好的是，本发明进一步提供了一种解决车辆预测模型性能受限于感知数据性能的方法，其特征在于，所述车道中心线数据进一步包括：

所述被预测车辆的车道位置点、车道方向、允许的车辆转向类型和车道宽度。

与现有技术相比，本发明提出了一种在Frenet坐标系下调整车辆预测轨迹的方法，解决为了使弯曲的车道中心线与弯曲的车辆预测轨迹相匹配而需要花费大量计算的难题。

附图说明

现在将详细参考附图描述本公开的实施例。现在将详细参考本公开的优选实施例，其示例在附图中示出。在任何可能的情况下，在所有附图中将使用相同的标记来表示相同或相似的部分。此外，尽管本公开中所使用的术语是从公知公用的术语中选择的，但是本公开说明书中所提及的一些术语可能是申请人按他或她的判断来选择的，其详细含义在本文的描述的相关部分中说明。此外，要求不仅仅通过所使用的实际术语，而是还要通过每个术语所蕴含的意义来理解本公开。

下面，参照附图，对于熟悉本技术领域的人员而言，从对本发明的详细描述中，本发明的上述和其他目的、特征和优点将显而易见。

图1所示为本发明方法的总体流程图；

图2所示为笛卡尔坐标系转换为Frenet坐标系的示意图；

图3是采用本发明的修正方法前后的对比示意图。

具体实施方式

为了更清楚地说明本申请的实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

在本申请的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本申请保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。

为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。

此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本申请保护范围的限制。此外，尽管本申请中所使用的术语是从公知公用的术语中选择的，但是本申请说明书中所提及的一些术语可能是申请人按他或她的判断来选择的，其详细含义在本文的描述的相关部分中说明。此外，要求不仅仅通过所使用的实际术语，而是还要通过每个术语所蕴含的意义来理解本申请。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各种步骤。同时，或将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

请参见图1所示，本发明相关的解决车辆预测模型性能受限于感知数据性能的方法的总体流程图如下：

步骤S1，获取深度神经网络模型输出的车辆预测轨迹，该车辆预测轨迹是由若干个笛卡尔坐标系下车辆预测轨迹位置点(x,y)构成。

为方便描述算法流程，在下面的较佳实施例中，假定获取的车辆预测轨迹由10个车道位置点构成；

步骤S2，根据某辆被预测车辆的感知数据，该些感知数据包括：车辆位置、3维尺寸、车辆类型、速度、加速度、Yaw角)，从高精地图数据库中提取被预测车辆当前所在的车道中心线数据；

该些车道中心线数据包括：车道位置点(x,y)、车道方向、允许的车辆转向类型(包括但不限于直行、转左、转右)、车道宽度W。

其中，车道中心线是由若干个车道位置点(x,y)构成的列表，即车道中心线构成点列表，为方便描述算法流程，在较佳实施例中，设定当前车辆所在的车道中心线是由20个车道中心线构成点(x_mi,y_mi)，构成；

S2步骤中的车道中心线数据将是后面frenet坐标转换用到的参考线。

步骤S3，将步骤S1中获得的车辆预测轨迹从笛卡尔坐标系转换为Frenet坐标系；

在Frenet坐标系，以车道中心线为参考线，将10个笛卡尔坐标系中车辆预测轨迹位置点(x,y)转换为10个Frenet坐标系中的(s,l)。笛卡尔坐标系使用(x,y)描述位置点，Frenet坐标系使用(s,l)描述位置点。

下面详细介绍上述坐标系转换的实现方法：

如上所述，本步骤要实现在Frenet坐标系中，以车道中心线为参考线，将10个笛卡尔坐标系中车辆预测轨迹位置点(x,y)转换为10个Frenet坐标系中的(s,l)。

其中，s坐标表示沿着车道中心线行进的距离(也称为纵向位移)，l坐标表示在车道中心线左右的距离(也称为横向位移)。

首先，从前述步骤S2中形成的车道中心线构成点列表查找距离车辆当前位置X＝(x,y)最近的车道中心线构成点(x_mi,y_mi)，将(x_mi,y_mi)当作参考点R＝(x_r,y_r)。

请参见图2所示，X为车辆当前位置点，R为参考点，令θ_x、

分别为当前位置点的方位角、单位切向量、单位法向量，令θ_r、

分别为参考点的方位角、单位切向量、单位法向量。

在笛卡尔坐标系下，根据向量关系，很容易得出：

X＝R+lN_r (1)

上面这个公式是所有推导的基础。根据Frenet坐标系的定义，参考点的s值即为车辆的s值，l即两点之间的距离：

然后判断的l方向即位于参考线的左边或右边。假定沿着参考线s增加方向的左边为正，右边为负。根据几何知识推理得出：

当(y-y_r)cosθ_r-(x-x_r)sinθ_r大于0则l位于参考线的左边，否则l位于参考线的右边。即：

至此通过公式(3)已经计算出车辆当前位置X＝(x,y)对应的(s,l)，完成笛卡尔坐标系到Frenet坐标系的转换流程。

步骤S4，在Frenet坐标系下修正车辆预测轨迹，修正前的预测轨迹位置点为(s,l)；修正后的预测轨迹位置点为(s′,l′)；

经过步骤S3的坐标转换后，形成了Frenet坐标系下车辆预测轨迹的10个(s,l)预测轨迹位置点，下面进行修正：

步骤S41，计算第1个预测位置点(s₁,l₁)中l₁值与某个门限值L之间的比例值k₁：

不同的车辆类型预先设置不同的门限值L和比例范围值[k_min～k_max]：

其中，门限值L等于车道宽度除以2。比例范围值中k_min常规取值为0，k_max常规取值为0.7～1。小汽车常规k_max取值为0.7，大卡车常规k_max取值为1，k_max常规取值与汽车的机动性有关，机动性越强则值越小。

步骤S42，若计算得出的比例值k₁在预设比例范围内[k_min～k_max]，说明车辆的预测位置点在车道中心线左右两边的合理范围内，不需要修正预测位置点，则不修正第1个预测位置点(s₁,l₁)中l₁值，也就是l₁＝l′₁；

步骤S43，若计算得出的比例值k₁大于预设比例范围[k_min～k_max]，说明被预测车辆的预测位置点超出车道中心线左右两边的合理范围，需要缩小预测位置点距离车道中心线的距离，则缩小第1个(s₁,l₁)中l₁值，从而使修正后的l′₁值与某个门限值L之间的比例值k′₁在预设比例范围内[k_,in～k_max]，即：

l′₁＝(L*k_max) (6)

步骤S44，若计算得出的比例值k₁小于预设比例范围[k_min～k_max]，说明车辆的预测位置点不在车道中心线左右两边的合理范围，不符合实际的驾驶情况，需要放大预测位置点距离车道中心线的距离，则放大第1个预测位置点(s₁,l₁)中l₁值，从而使修正后的l′₁值与某个门限值L之间的比例值k′₁在预设比例范围内[k_min～k_max]，即：

l′₁＝(L*k_min) (7)

步骤S45，根据三种情况，将第1个预测位置点(s₁,l₁)中l₁修正为(s₁,l′₁)，由此可见该修正仅仅涉及被预测车辆偏离车道中心线左右的l方向，而并不涉及沿着车道中心线行进方向的s；

步骤S46，计算第2个(s₂,l₂)中l₂值与第1个预测位置点(s₁,l₁)中l′₁值之间的比例值k₂：

步骤S47，若计算得出的比例值k₂在预设比例范围[1-K～1+K]内，说明车辆的预测位置点在车道中心线左右两边的合理范围内，不需要修正预测位置点，则不修正第2个预测位置点(s₂,l₂)中l₂值，也就是l₂＝l′₂；

其中，K取值范围常规是0.1～0.2，K的取值与车辆的机动性有关，机动性越强则K取值越大；

步骤S48，若计算得出的比例值k₂大于预设比例范围[1-K～1+K]，说明车辆的预测位置点超出车道中心线左右两边的合理范围，需要缩小预测位置点距离车道中心线的距离，则缩小第2个预测位置点(s₂,l₂)中l₂值，从而使修正后的l′₂值与第1个预测位置点(s₁,l₁)中l′₁值之间的比例值k′₂在预设比例范围内[1-K～1+K]，即：

l′₂＝[l′₁*(1+K)] (9)

步骤S49，若计算得出的比例值k₂小于预设比例范围[1-K～1+K]，说明车辆的预测位置点不在车道中心线左右两边的合理范围，不符合实际的驾驶情况，需要放大预测位置点距离车道中心线的距离，则放大第2个预测位置点(s₂,l₂)中l₂值，从而使修正后的l′₂值与第1个预测位置点(s₁,l₁)中l′₁值之间的比例值k′₂在预设比例范围内[1-K～1+K]，即：

l′₂＝[l′₁*(1-K)] (10)

步骤S50，修正好第2个(s₂,l₂)中l₂值后表示为(s₂,l′₂)；

步骤S51，判断是否完成所有选取的Frenet坐标系中的预测位置点(s,l)中l的修正，如果未完成，转入步骤S46，重复步骤S46～S49，依次修正其他预测位置点(s_i,l_i)中l_i值，i＝3,4,…10；

需要说明的是，这里后预测位置点i和前一预测位置点(i-1)之间相关，故，在重复步骤46～S49时，比例值k_i是第i个预测位置点的横向座标l_i与前一修正后的横向座标l_i-1的比值。

步骤S52，由此，将10个车辆预测轨迹点(s,l)中l值进行修正，获得修正后的10个车辆预测轨迹点(s,l′)。

需要说明的是，因为l值有正负之分，但是正负之分不是表示正负数，而是表示相对于参考线的左右边。上述步骤中对l的判断采用的是绝对值。

因为不同的车辆类型(卡车、乘用车等)预先设置不同的门限值和比例范围值，所以在此不约束限定预先设置的门限值和比例范围值。

步骤S5，将车辆预测轨迹从Frenet坐标系转换为笛卡尔坐标系。将修正后的Frenet坐标系中10个车辆预测轨迹点(s′,l′)转换为笛卡尔坐标系中10个车辆预测轨迹点(x′,y′)，10个车辆预测轨迹点(x′,y′)构成优化后的车辆预测轨迹，至此调整完毕一条车辆的预测轨迹；

步骤S6，重复上述步骤S1～S5，从而实现调整周边其他车辆的预测轨迹；

由于本流程在一开始时，选取设定范围的被预测车辆，这里的周边其他车辆是指设定范围内的其他需要预测车辆，通常来说，该设定范围包括圆心半径1KM内的所有车辆。

步骤S7，至此步骤调整完毕预测轨迹，生成未来若干秒车辆预测轨迹。

图3给出了应用本发明方法后较图1的比对效果。

在图示的车道中，车道中心线3之间是黄色禁行线4，区隔成往来车道。

黑色小方块示意行驶在其中之一车道中心线的车辆，图中该车辆由左侧向右侧行驶，标号1表示传统模型输出的预测轨迹，标号2表示按照本发明描述的方法优化处理之后的预测轨迹。

经此对比分析之后发现，标号2的效果优于标号1的效果，标号2的预测的轨迹与车道中心线3之间的距离比较合理，符合正常驾驶场景。

综上所述，本发明提出了一种借助于高精地图信息解决车辆预测模型性能受限于感知数据性能的方法。

本发明提出了一种在Frenet坐标系下调整车辆预测轨迹的方法，解决为了使弯曲的车道中心线与弯曲的车辆预测轨迹相匹配而需要花费大量计算的难题。具体来说，本发明的技术效果体现在如下几个方面：

第一，行业内首次提出从高精地图数据库提取道路结构信息优化调整深度神经网络模型输出的车辆预测轨迹。这种方法既符合人类司机预测车辆轨迹的习惯，另外，以道路结构信息为参考线执行调整优化车辆预测轨迹，预测轨迹符合车辆的行驶常识。

第二，行业内首次提出在Frenet坐标系下优化调整车辆预测轨迹的算法。行业内已经提出在Frenet坐标系下优化调整自动驾驶车辆自己的运动规划轨迹，业内已经证明了在Frenet坐标系下进行优化调整规划轨迹的优点，比如降低使弯曲的车道中心线与弯曲的车辆预测轨迹相匹配的计算难度，减少运算量，提高准确度。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述发明披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

本申请的一些方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。处理器可以是一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DAPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器或者其组合。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。例如，计算机可读介质可包括，但不限于，磁性存储设备(例如，硬盘、软盘、磁带……)、光盘(例如，压缩盘CD、数字多功能盘DVD……)、智能卡以及闪存设备(例如，卡、棒、键驱动器……)。

计算机可读介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、射频信号、或类似介质、或任何上述介质的组合。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述发明披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

虽然本申请已参照当前的具体实施例来描述，但是本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本申请，在没有脱离本申请精神的情况下还可作出各种等效的变化或替换，因此，只要在本申请的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。

Claims (8)

1.一种解决车辆预测模型性能受限于感知数据性能的方法，其特征在于，所述方法包括：

步骤S1，选取设定范围的一被预测车辆，获取深度神经网络模型输出的所述被预测车辆的车辆预测轨迹；

步骤S2，根据所述被预测车辆的感知数据，从地图数据库中提取所述被预测车辆当前所在的车道中心线数据；

步骤S3，对所述车辆预测轨迹进行修正，所述修正包括：

选取所述车辆预测轨迹上的若干坐标点作为车辆预测轨迹点，根据所述被预测车辆相对所述车道中心线的偏离程度，调整所述被预测车辆距离所述车道中心线的距离，获得所述被预测车辆的修正后预测轨迹；

步骤S4，重复步骤S1～S3，获得所述设定范围内全部车辆的修正后预测轨迹。

2.根据权利要求1所述的解决车辆预测模型性能受限于感知数据性能的方法，其特征在于，所述步骤S3进一步包括：

步骤S31，根据所述被预测车辆偏离所述车道中心线的距离与预设比例范围的关系，决定以下修正方式：

当所述被预测车辆偏离所述车道中心线的距离大于所述预设比例范围，缩小所述被预测车辆距离所述车道中心线的距离；

当所述被预测车辆偏离所述车道中心线的距离小于所述预测比例范围，放大所述被预测车辆距离所述车道中心线的距离；

当所述预测车辆偏离所述车道中心线的距离在所述预设比例范围内，对所述车辆预测轨迹点不做修正。

3.根据权利要求2所述的解决车辆预测模型性能受限于感知数据性能的方法，其特征在于，

所述方法在步骤S2和S3之间进一步包括：

将所述车辆预测轨迹从笛卡尔坐标系转换为Frenet坐标系下的车辆预测轨迹点(s，l)；

所述步骤S4之后进一步包括：

将所述修正后的车辆预测轨迹从所述Frenet坐标系转换回笛卡尔坐标系；

其中，s表示沿着所述车道中心线行进的纵向位移，l表示在车道中心线左右的横向位移。

4.根据权利要求3所述的解决车辆预测模型性能受限于感知数据性能的方法，其特征在于，所述步骤S31进一步包括：

根据第1个Frenet坐标系下的车辆预测轨迹点(s₁，l₁)，获得第一个比例值，判断该第一个比例值是否在第一预设比例范围[k_min～k_max]内；

其中，所述被预测车辆机动性相关的系数k_min为0，k_max为0.7～1，如果不在，通过缩小或放大修正获得落入所述阈值范围内的所述车辆预测轨迹点(s₁，l′₁)；

根据第i个Frenet坐标系下的车辆预测轨迹点(s_i，l_i)，获得第n个比例值，所述第i个比例值为第i个车辆预测轨迹点的横坐标l_i和第(i-1)个所述修正后车辆预测轨迹点的横坐标l_i-1相关，判断该第i个比例值是否在第i预设比例范围[1-K～1+K]内；

其中，与所述被预测车辆机动性相关的系数K为0.1～0.2；

其中，i≤n，n为选取的全部车辆预测轨迹点的点数，门限值L为车道宽度W的一半。

5.根据权利要求4所述的解决车辆预测模型性能受限于感知数据性能的方法，其特征在于，

针对所述第1个Frenet坐标系下的车辆预测轨迹点(s₁，l₁)的修正中，所述放大修正包括：

l′₁＝(L*k_max)

所述缩小修正包括：

l′₁＝(L*k_min)

针对所述第i个Frenet坐标系下的车辆预测轨迹点(s_i，l_i)的修正中，所述放大修正包括：

l′_i＝[l′_i-1*(1-K)]

所述缩小修正包括：

l′_i＝[l′_i-1*(1+K)]。

6.根据权利要求5所述的解决车辆预测模型性能受限于感知数据性能的方法，其特征在于，

所述步骤S1和S4中，选取设定范围的被预测车辆包括圆心半径1KM内的所述被预测车辆。

7.根据权利要求6所述的解决车辆预测模型性能受限于感知数据性能的方法，其特征在于，所述感知数据进一步包括：

所述被预测车辆的历史轨迹位置、速度、加速度、Yaw、Yaw变化率、道路结构和其他周围车辆的历史轨迹位置。

8.根据权利要求7所述的解决车辆预测模型性能受限于感知数据性能的方法，其特征在于，所述车道中心线数据进一步包括：

所述被预测车辆的车道位置点、车道方向、允许的车辆转向类型和车道宽度。

Images