CN114291116B - 周围车辆轨迹预测方法、装置、车辆及存储介质 - Google Patents
周围车辆轨迹预测方法、装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN114291116B CN114291116B CN202210077961.7A CN202210077961A CN114291116B CN 114291116 B CN114291116 B CN 114291116B CN 202210077961 A CN202210077961 A CN 202210077961A CN 114291116 B CN114291116 B CN 114291116B
- Authority
- CN
- China
- Prior art keywords
- lane
- vehicle
- sampling
- target
- host vehicle
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005070 sampling Methods 0.000 claims abstract description 76
- 230000007613 environmental effect Effects 0.000 claims abstract description 17
- 230000008450 motivation Effects 0.000 claims abstract description 6
- 230000001133 acceleration Effects 0.000 claims description 54
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000003068 static effect Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000033001 locomotion Effects 0.000 description 8
- 238000005259 measurement Methods 0.000 description 7
- 230000002093 peripheral effect Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 101710116822 Atrochrysone carboxylic acid synthase Proteins 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- IHKWXDCSAKJQKM-SRQGCSHVSA-N n-[(1s,6s,7r,8r,8ar)-1,7,8-trihydroxy-1,2,3,5,6,7,8,8a-octahydroindolizin-6-yl]acetamide Chemical compound O[C@H]1[C@H](O)[C@@H](NC(=O)C)CN2CC[C@H](O)[C@@H]21 IHKWXDCSAKJQKM-SRQGCSHVSA-N 0.000 description 2
- 231100000817 safety factor Toxicity 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
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
Images
Classifications
-
- 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
Abstract
本发明实施例公开了一种周围车辆轨迹预测方法、装置、车辆及存储介质，该方法包括：根据车道线确定主车辆的主车车道以及相邻车道；基于预设的环境模型，从主车车道和相邻车道上确定主车辆周围的目标车辆；获取目标车辆的路径预测类型、预测速度和横向路径特征；根据路径预测类型、预测速度和横向路径特征，分析目标车辆的动机意图类型；基于动机意图类型，在空间上对目标车辆进行多个目标位置点采样，以获得多条采样轨迹；获取多条采样轨迹中成本最低的采样轨迹，作为目标车辆的预测行驶轨迹；能够实现主车辆的周围车辆的行驶轨迹的预测，准确率较高，从而提高主车辆自动驾驶的安全性。
Description
技术领域
本申请涉及自动驾驶技术领域，尤其涉及一种周围车辆轨迹预测方法、装置、车辆及存储介质。
背景技术
汽车自动防撞系统(Automatic Collision Avoidance System，ACAS)，是新能源智能汽车防止发生碰撞的一种智能装置，能够自动发现可能与汽车发生碰撞的车辆、行人、或其他障碍物体，发出警报或同时采取制动或规避等措施，以避免碰撞的发生。在采用先进驾驶辅助系统(Advanced Driver Assistant System，ADAS)辅助驾驶时，结合ACAS不断预测场景的演变，不仅要预测自车的轨迹，还要预测自车周围环境中检测到的车辆的轨迹，以便检测到将来可能与自车发生的任何碰撞。
目前，在许多情况下是通过假设某个运动模型来进行自车周围车辆的轨迹预测的，其中，一些运动模型只是针对匀速或恒定偏航速率运动，如果速度、偏航率和加速度是变化的，预测就会出现错误，例如，周围车辆在变道操作中，运动变化很大，预测就会很快出现差错，造成自车碰撞检测发生误差，产生行车安全隐患。
发明内容
本发明实施例公开了一种周围车辆轨迹预测方法、装置、车辆及存储介质，用于准确预测周围车辆轨迹，降低车辆碰撞，提高行车安全率。
本发明实施例第一方面公开了一种周围车辆轨迹预测方法，可包括：
根据车道线确定主车辆的主车车道以及相邻车道；
基于预设的环境模型，从所述主车车道和所述相邻车道上确定所述主车辆周围的目标车辆；
获取所述目标车辆的路径预测类型、预测速度和横向路径特征；
根据所述路径预测类型、所述预测速度和所述横向路径特征，分析所述目标车辆的动机意图类型；
基于所述动机意图类型，在空间上对所述目标车辆进行多个目标位置点采样，以获得多条采样轨迹；
获取所述多条采样轨迹中成本最低的采样轨迹，作为所述目标车辆的预测行驶轨迹。
作为一种可选的实施方式，在本发明实施例第一方面中，所述根据车道线确定主车辆的主车车道以及相邻车道，包括：
获取所述主车辆的当前位置到车道中心线的距离小于预设半径的第一车道；
从所述第一车道中剔除所述主车辆的方向角与投影点切角的差值大于预设夹角阈值的车道，获得第二车道；
从所述第二车道上剔除所述主车辆在车道中心线的投影点不在车道区间上的车道，获得第三车道；
从所述第三车道中选择所述主车辆的方向与车道方向之间的夹角最小的车道，作为主车车道；
根据所述主车车道确定相邻车道。
作为一种可选的实施方式，在本发明实施例第一方面中，所述基于预设的环境模型，从所述主车车道和所述相邻车道上确定所述主车辆周围的目标车辆，包括：
基于预设的环境模型，获取所述主车车道和所述相邻车道上的所述主车辆的前向路径和后向路径上与所述主车辆相邻的车辆，作为所述主车辆周围的目标车辆。
作为一种可选的实施方式，在本发明实施例第一方面中，所述动机意图类型包括车道保持、车道变更和异常行为。
作为一种可选的实施方式，在本发明实施例第一方面中，所述路径预测类型包括车道保持、左侧变道和右侧变道；
所述预测速度大于或等于1且小于或等于最小限速，所述最小限速为所述目标车辆所在车道的车道限速、横向加速度极限的限速、静止虚拟障碍物引起的限速和前方车辆引起的限速中的最小速度；
所述横向路径特征包括所述目标车辆与车道边线的距离、所述目标车辆与所在车道的车道方向的夹角、所述目标车辆的横向速度或纵向速度与横向加速度或纵向加速度、所述目标车辆的历史路径与短期恒加速度路径的组合路径与可行驶车道的车道中心线的相似性、变道风险指标以及安全距离指标。
作为一种可选的实施方式，在本发明实施例第一方面中，所述多个目标位置点包括多个横向位置点和多个纵向位置点，所述基于所述动机意图类型，在空间上对所述目标车辆进行多个目标位置点采样，以获得多条采样轨迹，包括：
基于所述动机意图类型，采样所述多个横向位置点和多个纵向位置点；
以所述目标车辆所在位置点和所述多个横向位置点为依据，利用三次多项式作为基函数生成多条横向轨迹；
以所述目标车辆所在位置点和所述多个纵向位置点为依据，利用四阶多项式作为基函数生成多条纵向轨迹；
结合所述多条横向轨迹和所述多条纵向轨迹，得到多条采样轨迹。
作为一种可选的实施方式，在本发明实施例第一方面中，所述获取所述多条采样轨迹中成本最低的采样轨迹，作为所述目标车辆的预测行驶轨迹，包括：
计算每条所述采样轨迹的轨迹相似性成本、加速度成本、向心加速度成本和静态障碍物碰撞成本；
计算每条所述采样轨迹的所述轨迹相似性成本、所述加速度成本、所述向心加速度成本与所述静态障碍物碰撞成本的总和，获得每条所述采样轨迹的总成本；
从所述多条采样轨迹中选择总成本最低的采样轨迹，作为所述目标车辆的预测行驶轨迹。
本发明实施例第二方面公开了一种周围车辆轨迹预测装置，可包括：
第一确定模块，用于根据车道线确定主车辆的主车车道以及相邻车道；
第二确定模块，用于基于预设的环境模型，从所述主车车道和所述相邻车道上确定所述主车辆周围的目标车辆；
第一获取模块，用于获取所述目标车辆的路径预测类型、预测速度和横向路径特征；
分析模块，用于根据所述路径预测类型、所述预测速度和所述横向路径特征，分析所述目标车辆的动机意图类型；
采样模块，用于基于所述动机意图类型，在空间上对所述目标车辆进行多个目标位置点采样，以获得多条采样轨迹；
第二获取模块，用于获取所述多条采样轨迹中成本最低的采样轨迹，作为所述目标车辆的预测行驶轨迹。
本发明实施例第三方面公开了一种车辆，可包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例第一方面公开的一种周围车辆轨迹预测方法。
本发明实施例第四方面公开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本发明实施例第一方面的任意一种方法的步骤。
本发明实施例第五方面公开一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行第一方面的任意一种方法的部分或全部步骤。
本发明实施例第六方面公开一种应用发布平台，所述应用发布平台用于发布计算机程序产品，其中，当所述计算机程序产品在计算机上运行时，使得所述计算机执行第一方面的任意一种方法的部分或全部步骤。
与现有技术相比，本发明实施例具有以下有益效果：
在本发明实施例中，先根据车道线确定出主车车道和相邻车道，基于预设的环境模型，从主车车道和相邻车道上确定出主车辆周围的目标车辆，进一步获取目标车辆的路径预测类型、预测速度和横向路径特征，根据路径预测类型、预测速度和横向路径特征，分析得到目标车辆的动机意图类型，然后基于该目标车辆的动机意图类型，在空间上对目标车辆进行多个目标位置点采样后，获得多条采样轨迹，从多条采样轨迹中获取成本最低的采样轨迹，作为目标车辆的预测行驶轨迹；可以看出，实施本发明实施例，能够利用预设的环境模型，确定出主车辆周围的目标车辆，结合目标车辆的路径预测类型、预测速度和横向路径特征准确分析出目标车辆的动机意图类型，然后基于目标车辆的动机意图类型再进一步分析出目标车辆的预测行驶轨迹，提高主车辆周围车辆的行驶轨迹的预测准确率，以有效提高主车辆自动驾驶的安全性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的环境模型的示意图；
图2为本发明实施例公开的虚拟车辆的设置示意图；
图3为本发明实施例一公开的周围车辆轨迹预测方法的流程示意图；
图4为本发明实施例二公开的周围车辆轨迹预测方法的流程示意图；
图5为本发明实施例一公开的周围车辆轨迹预测装置的结构示意图；
图6为本发明实施例二公开的周围车辆轨迹预测装置的结构示意图；
图7为本发明实施例公开的车辆的结构示意图；
图8为本发明实施例公开的Frenet坐标系中的车辆轨迹预测采样示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例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，本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”及“第四”等是用于区别不同的对象，而不是用于描述特定顺序。本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，请参阅图1，图1为本发明实施例公开的环境模型的示意图；结合图1，本发明实施例公开的环境模型从主车辆的主车车道和相邻车道的角度出发考虑主车辆(因为以主车辆作为视角，也可以称为本车辆)周围的六个相邻车辆，且是以主车辆在中间车道上行驶，存在相邻左侧车道和相邻右侧车道为例，确定出主车车道、相邻左侧车道和相邻右侧车道三个车道上对主车车辆可能存在安全隐患的六辆相邻车辆，分别为右后路径方向上的相邻车辆1(相邻右侧车道上)、正后路径方向上的相邻车辆2(主车车道上)、左后路径方向上的相邻车辆3(相邻左侧车道上)、右前路径方向上的相邻车辆4(相邻右侧车道上)、正前路径方向上的相邻车辆5(主车车道上)和左前路径方向上的相邻车辆6(相邻左侧车道上)。
主车辆是实时进行相邻车辆的行驶轨迹预测，以规划自身的行驶轨迹，因此，在实际应用中，在车辆都正常行驶的情况下，考虑上述六辆相邻车辆可以有效的降低碰撞风险，提高行车安全。
进一步参阅图2，图2为本发明实施例公开的虚拟车辆的设置示意图；结合图2，为了提高基于该环境模型的决策算法的防御性，还可以在环境模型中设置主车辆的虚拟车辆，可以防止主车辆车速较低或者感知较低(当主车辆的传感器探测范围有限或者相邻车道车辆被遮挡)时出现危险的超车行为。在进行实际决策算法过程中，主车辆在开放空间的情况下，主车辆的虚拟车辆优先设置于传感器可以检测到的极限位置上；而在拥挤的交通中，如图2所示，主车辆的虚拟车辆可以位于传感器能够识别到的最远距离的识别车辆的前面和后面，即设置在主车辆的前向路径方向上识别到的最远距离的识别车辆的前面，以及设置在主车辆的后向路径方向上识别到的最远距离的识别车辆的后面。
基于上述所介绍的环境模型，本发明实施例公开了一种周围车辆轨迹预测方法、装置、车辆及存储介质，用于准确预测主车辆的周围车辆的行驶轨迹，以提高主车辆自动驾驶的可靠性和安全性。下面将通过具体实施例，对本发明技术方案进行详细说明。
请参阅图3，图3为本发明实施例一公开的周围车辆轨迹预测方法的流程示意图；如图3所示，该周围车辆轨迹预测方法可包括：
301、根据车道线确定主车辆的主车车道以及相邻车道。
其中，在进行主车辆周围的目标车辆的行驶轨迹预测时，先明确主车辆所在的主车车道，以及主车辆的相邻车道。在主车辆位于中间车道时，存在的相邻车道包括相邻左侧车道和相邻右侧车道；在主车辆位于最左边的车道时，存在的相邻车道包括相邻右侧车道；在主车辆位于最右边的车道时，存在的相邻车道包括相邻左侧车道。需要说明的是，相邻车道只考虑车道方向与车辆方向相同的车道。另外，在单车道上时，不存在相邻车道，但是由于此时车辆只能在单车道上以队列方式行驶前进，即车辆的操纵是车道保持，不影响到主车辆的运动，可以忽略。
在一些可选的实施方式中，步骤301可以包括以下实现步骤：
获取主车辆的当前位置到车道中心线的距离小于预设半径的第一车道；
从第一车道中剔除主车辆的方向角与投影点切角的差值大于预设夹角阈值的车道，获得第二车道；
从第二车道上剔除主车辆在车道中心线的投影点不在车道区间上的车道，获得第三车道；
从第三车道中选择主车辆的方向与车道方向之间的夹角最小的车道，作为主车车道；
根据主车车道确定相邻车道，该相邻车道包括所述主车车道的相邻左侧车道和/或相邻右侧车道。
在上述实施方式中，首先，根据采集的实际车道情况设置预设半径，具体是先获取车道类型、车道数量和车道宽度，根据车道类型、车道数量和车道宽度设置，预设半径通常小于或等于车道数量与车道宽度的乘积，例如，车道类型是单向三车道，车道数量为3，车道宽度为d1，那么预设半径小于或等于3与d1的乘积；又例如，车道类型是双向双车道，车道数量为4，车道宽度为d2，那么预设半径小于或等于4与d2的乘积，通过预设半径，能够将非车道排除，以确定出所有车道，作为第一车道。
进一步的，根据主车辆的方向角与投影点切角进一步剔除另一个方向的车道，剩下与主车辆同一行驶方向的车道，即第二车道。其中，主车辆的方向角即主车辆的方向(行驶方向)与参考方向(一般为正北方向)的夹角，投影点切角为主车辆在车道中心线上的投影点与车道中心线的切角，在计算的夹角与切角的差值大于预设夹角阈值时，说明相应的车道方向与主车辆的方向不同，将与主车辆的方向不同的车道从第一车道中剔除，得到第二车道。
进一步的，通过剔除主车辆在车道中心线的投影点不在车道区间上的车道，得到第三车道，再进一步根据主车辆的方向与车道方向之间的夹角，从中选择出夹角最小的车道，确定为主车辆的主车车道。其中，获取主车辆GPS点坐标，将GPS点投影到车道中心线上，获得主车辆在车道中心线的投影点。
最后，基于主车车道，在与主车辆的方向相同的车道上选择出相邻车道，相邻车道包括相邻右侧车道和/或相邻左侧车道。
可见，通过上述实施方式，能够准确地确定出主车辆所在的主车车道和相邻车道，以提高后续周围车辆的行驶轨迹的预测准确率。
302、基于预设的环境模型，从主车车道和相邻车道上确定主车辆周围的目标车辆。
在步骤302中，基于预设的环境模型，获取主车车道和相邻车道上的主车辆的前向路径和后向路径上与主车辆相邻的车辆，作为主车辆周围的目标车辆。具体的，能够参照预设的环境模型所指示的六个位置的周围车辆，从主车辆的主车车道和相邻车道上检测对应的六个位置是否存在车辆，若至少一个位置存在车辆，那么确定出至少一个目标车辆。
示例性的，结合图1，若主车辆具有相邻左侧车道和相邻右侧车道，在主车辆的正后路径方向上(主车车道)存在相邻车辆，在左前路径方向(相邻左侧车道)上存在相邻车辆，而其它四个位置上不存在相邻车辆，那么将正后路径方向(主车车道)上的相邻车辆和左前路径方向(相邻左侧车道)上的相邻车辆确定为主车辆周围的目标车辆。
303、获取目标车辆的路径预测类型、预测速度和横向路径特征。
可选的，上述路径预测类型包括车道保持、左侧变道和右侧变道。
其中，目标车辆的路径预测类型可以根据目标车辆与主车辆的位置关联来推测。在图1公开的预设的环境模型中，六个位置的目标车辆的可能路径预测类型有：车道保持、左侧变道和右侧变道，并且能够进一步获知，对于正后路径方向上的车辆2在车道保持时，不影响到主车辆的运动，可以不用考虑正后路径方向上的车辆2在车道保持时的情况，右后路径方向上的相邻车辆1和左后路径方向上的相邻车辆3的变道行为对主车辆的驾驶行为不造成影响，可以忽略，右前路径方向上的相邻车辆4和左前路径方向上的车辆6远离主车辆的变道行为对主车辆不会造成影响。基于这个原理，可以确定出每个目标车辆的路径预测类型。
可选的，上述预测速度大于或等于1且小于或等于最小限速，该最小限速为目标车辆所在车道的车道限速、横向加速度极限的限速、静止虚拟障碍物引起的限速和前方车辆引起的限速中的最小速度。
具体的，可以对每一个目标车辆进行速度预测，示例性的，对应图1中的右后路径方向上的相邻车辆1、正后路径方向上的车辆2和左后路径方向上的相邻车辆3，从能够对主车辆造成影响角度出发，预测速度可以为加速或者保持匀速；而右前路径方向上的相邻车辆4、正前路径方向上的车辆5和左前路径方向上的车辆6，从能够对主车辆造成影响角度出发，预测速度可以为保持匀速或者减速。基于该原理，在本发明实施例中，根据横向车辆状态和纵向车辆状态，预测每个目标车辆的预测速度分布应该满足以下条件：
0≤v(s)≤min(vlimit(s),vacc(s),vvirtual,vlead) (公式1)
其中，v(s)为目标车辆的预测速度，vlimit(s)为车道限速，vacc(s)为根据横向加速度极限得到的限速，vvirtual为静止虚拟障碍物引起的限速，vlead为前方车辆引起的限速。
αlat为最大横向加速度，κ1(s)为道路曲率，tR为车辆系统反应时间，αa,max为车辆系统最大加速度，αd,max为车辆系统最大减速度，dhorizon为车辆传感器感知探测的最大距离，dsafe为最小安全距离，vf 2为前车速度，αbrake为前车刹车加速度，dsafe,follow为最小跟车安全距离。
可选的，在本发明实施例中，主车辆通过传感器可以采集横向路径特征，上述横向路径特征包括目标车辆与车道边线的距离、目标车辆与所在车道的车道方向的夹角、目标车辆的横向速度或纵向速度与横向加速度或纵向加速度、目标车辆的历史路径与短期恒加速度路径的组合路径与可行驶车道的车道中心线的相似性、变道风险指标以及安全距离指标。
304、根据路径预测类型、预测速度和横向路径特征，分析目标车辆的动机意图类型。
可选的，结合城市道路，目标车辆的动机意图类型可以包括以下几种类型：
1)车道保持：车道跟随、车辆跟随、目标刹车等。
2)车道变更：左侧变道、右侧变道。
3)异常行为分类：车辆入库行为、车辆异常行驶等。
305、基于上述动机意图类型，在空间上对目标车辆进行多个目标位置点采样，以获得多条采样轨迹。
在本发明实施例中，根据目标车辆的动机意图类型，对目标车辆进行多个目标位置点采样，进而根据目标车辆的当前位置和目标位置点即可得到多条采样轨迹。
306、获取多条采样轨迹中成本最低的采样轨迹，作为目标车辆的预测行驶轨迹。
其中，在生成多条采样轨迹后，从中选择成本较低的采样轨迹来作为目标车辆的行驶轨迹，从而主车辆能够根据目标车辆的行驶轨迹，生成自身的行驶轨迹，以降低碰撞风险，提高主车辆的自动驾驶的安全性。
可见，实施上述实施例，能够利用预设的环境模型，确定出主车辆周围的目标车辆，结合目标车辆的路径预测类型、预测速度和横向路径特征准确分析出目标车辆的动机意图类型，然后基于目标车辆的动机意图类型再进一步分析出目标车辆的预测行驶轨迹，提高主车辆周围车辆的行驶轨迹的预测准确率，以有效提高主车辆自动驾驶的安全性。
请参阅图4，图4为本发明实施例二公开的周围车辆轨迹预测方法的流程示意图；如图4所示，该周围车辆轨迹预测方法可包括：
401、根据车道线确定主车辆的主车车道以及相邻车道。
402、基于预设的环境模型，从主车车道和相邻车道上确定主车辆周围的目标车辆。
403、获取目标车辆的路径预测类型、预测速度和横向路径特征。
其中，上述路径预测类型包括车道保持、左侧变道和右侧变道。
上述预测速度通过步骤303上的计算公式获取得到。
其中，横向路径特征至少包括以下几种：
横向路径特征1：目标车辆与车道边线的距离，具体包括：目标车辆与车道左边线的距离dleft、目标车辆与车道右边线的距离dright；其中，通过车辆传感器检测dleft和dright，能够预测出可以容忍的较高的横向偏移量，以检测目标车辆是否能够实现车道变更，以实现更好的目标车辆的动机意图类型的分类。
横向路径特征2：目标车辆与所在车道的车道方向的夹角；其中，通过传感器检测目标车辆与所在车道的车道方向的夹角，该夹角θdtff表示为：
θdtff＝θ-θr (公式5)
其中，θ是目标车辆的航向角，θr是车道中心线的方向角。
横向路径特征3：目标车辆的横向速度或纵向速度与横向加速度或纵向加速度；其中，通过传感器检测目标车辆的横向速度或纵向速度、以及横向加速度或纵向加速度。
横向路径特征4：目标车辆的历史路径与短期恒加速度路径的组合路径与可行驶车道的车道中心线的相似性；其中，测量目标车辆最新的n个测量路径(目标车辆最接近当前时间点的n个历史路径)，n个测量路径表示为：
P＝[P0P1...Pn-2Pn-1] (公式6)
其中，任意一个测量路径为：
Pi＝[xiyiθiκ'i] (公式7)
其中，xi表示车辆的横向位置，yi表示车辆的纵向位置，θi表示第i个测量路径时车辆的航向角，κ'i表示第i个测量路径时车辆位置处的道路曲率，n为正整数，i和j为大于或等于0的整数。
进一步的，基于车辆运动模型(恒加速度(CA)模型)预测的短期恒加速度路径，将上述测量路径与短期恒加速度路径进行叠加，生成组合路径，进一步计算组合路径与可行驶的车道中心线之间的相似性来预测目标车辆的轨迹，以准确分析目标车辆的动机意图类型。
具体的，在上述计算组合路径与可行驶的车道中心线之间的相似性时，引入车辆状态向量Xv，其中，车辆状态向量Xv表示如下：
Xv＝[d'leftd'rightθ'κ'] (公式8)
其中，d'left为车辆中心到车道左边线的距离，d'right为车辆中心到车道右边线的距离，θ'为车辆的航向角，κ'为车辆位置处的道路曲率。
上述组合路径可以采用公式8的车辆状态向量Xv表示。
而车道中心线具有相同的状态参数，表示为：
X0＝[d"leftd"rightθ"κ"] (公式9)
其中，d"left为车道中心线到车道左边线的距离，等于车道宽度的一半，d"right为车道中心线到车道右边线的距离，等于车道宽度的一半，θ"为车道中心线的方向角，κ"为在车辆位置投影点处的曲率。
基于上述两个向量，计算归一化二次误差函数D2，其中，D2的计算公式如下：
D2＝(Xv-X0)TQ(Xv-X0) (公式10)
其中，T为向量或矩阵的装置，Q对应于每个状态向量的协方差矩阵，用于为状态向量的每个元素分配相应的权重，然后计算N个D的采样值的加权平均值，来评估相似性，其中，N个D的采样值的加权平均值的表达式如下：
其中，ωi为第i个组合路径对应的权重。如果计算的D*在增加，目标车辆将离开其当前车道，目标车道是距离最小的车道，与车辆的当前车道分开。如果逾期车道是相邻车道，预测操纵的是车道变更，如果逾期车道是交叉路口的连通车道，预测操纵的是转弯。如果计算的D*在减小，说明车辆正在进入其当前车道，预测操纵的是保持车道。
横向路径特征5：变道风险指标，即车道变更变道风险指标。这里引入三个安全系数作为风险度量，包括碰撞时间(TTC)、制动时间(TTB)和最小安全裕度(MSM)。
其中，碰撞时间(TTC)，为两辆车辆如果继续以各自当前的速度和轨迹行驶，发生碰撞所需的时间，具体计算公式表示如下：
制动时间(TTB)，定义为如果车辆保持其当前速度和轨迹，发生碰撞所需的时间，具体计算公式表示如下：
最小安全裕度(MSM)，定义为两辆车辆保持最小安全性所需的距离，具体计算公式表示如下：
MSM＝|Sn-Se| (公式14)
其中，在上述公式12、公式13和公式14中，Sn和Vn是分别在某一时刻t每个指定区域中最近障碍物的位置和速度，变量Se和Ve分别是目标车辆在时刻t的位置和速度。
根据上述三个安全系数，进一步可以得到对应的风险参数，分别定义为：
其中，
和
分别是TTC、TTB和MSM的阈值，可以结合车辆传感器规格、国家交通规则、国际安全标准或每个系统规范进行设置。
进一步的，在上述三个安全系数中，R(TTB)和R(MSM)影响前方区域，R(TTC)和R(MSM)影响后方区域，从而通过组合R(TTC)、R(TTB)和R(MSM)，将前方和后方的碰撞风险分别定义如下：
其中，对于当前车道而言，假设车辆不会反向行驶，因此向后碰撞风险不会影响操纵决策，而当前车道中距离最近的前方车辆导致的碰撞风险将可能触发换道操作。对于相邻左侧车道，将会检查相邻的左车道中左后方快速行驶车辆，和左前方行驶较慢的车辆或停止车辆，以防止在车道变更操作过程中的碰撞风险。而相邻右侧车道与相邻左侧车道相似，用于评估右侧紧邻车道是否可以安全进入。
横向路径特征6：安全距离指标。
其中，为了保证车道变更的安全性，还需要保证车辆与目标车道的最近后方车辆、车辆与目标车道的最近前方车辆、最近后方车辆与最近前方车辆之间的间隙足够大。
对于车道保持，车辆需要确保与前一辆车辆的间隙超过一定安全距离Slk，该安全距离的计算公式如下：
其中，
表示目标车辆的纵向速度，τk是恒定的车道保持时间间隔，Ck是最小的车道保持距离。
对于车道变更，需要考虑车辆与目标车道最近前方车辆、目标车道最近后方车辆之间的相对速度，当后方车辆的速度快于前方车辆的速度时，需要更大的距离，此时的安全距离Slc为：
其中，
表示目标车道车辆纵向速度，ds表示目标车道车辆与目标车辆的相对纵向速度，τc1是车道变化的相对速度的时间间隔，τc2是车道变更允许的最小时间间隔，Cc是换道的最小间隙。
另外，前方车辆的速度需要大于或等于目标车辆和后方车辆的速度，以保证间隙没有被缩小，以及当前车道的剩余路径长度需要足够长以满足车道变更规划的长度。
404、根据路径预测类型、预测速度和横向路径特征，分析目标车辆的动机意图类型。
其中，能够结合预测速度，传感器实际测量得到的各种横向路径特征，和提前基于目标车辆所在位置分析得到的路径预测类型，准确分析出目标车辆的动机意图类型，以获知其是车道保持和/或车道变更等。
可选的，还可以进一步通过合适添加目标车辆的虚拟车辆，参考图2，以进一步准确分析目标车辆的动机意图类型，进一步降低碰撞风险。
405、基于动机意图类型，采样多个横向位置点和多个纵向位置点。
在经过步骤401-405分析出目标车辆的动机意图类型后，能够基于目标车辆的动机意图类型中的车道变更的可能性，在Frenet坐标系中在横向空间上采样多个横向位置点，然后在纵向空间上采样多个纵向位置点，如图8所示，左边大圆点(灰色圆点)为目标车辆的当前位置，右边小圆点为为横向位置点或纵向位置点。
406、以目标车辆所在位置点和多个横向位置点为依据，利用三次多项式作为基函数生成多条横向轨迹。
结合图8，对横向位置点，采用三次多项式作为基函数生成横向轨迹：
l(s)＝α0+α1s+α2s2+α3s3(0≤s≤sf) (公式19)
其中，公式19的边界条件表达如下：
其中，α0、α1、α2和α3为系数，l0和
分别是目标车辆的当前横向偏移量和每个车道相对于车道中心线的中心位置，
表示目标车辆相对于车道中心线切向角的航向角，其中，车道中心线切角是指构建车道坐标系，在车道坐标系中以直线表示车道中心线，并将实际车道中心线投影至车道坐标系中，获得的一个角度；而目标车辆相对于车道中心线切向角的航向角，为在车道坐标系中确定目标车辆，目标车辆在车道坐标系中相对于车道中心线的角度。
407、以目标车辆所在位置点和多个纵向位置点为依据，利用四阶多项式作为基函数生成多条纵向轨迹。
结合图8，对纵向位置点，采用作为沿当前车道的中心线的移动距离的弧长被建模为关于时间的四阶多项式作为基函数生成纵向轨迹，其表达式如下：
s(t)＝b0+b1t+b2t2+b3t3+b4t4 (公式21)
公式21的边界条件表达如下：
其中，t为时间，b0、b1、b2、b3和b4为系数，tf为预测时间，示例性的，tf为1.5-6s；VT为目标速度，默认等于V0，若为停车意图，则为0。
408、结合多条横向轨迹和多条纵向轨迹，得到多条采样轨迹。
409、计算每条采样轨迹的轨迹相似性成本、加速度成本、向心加速度成本和静态障碍物碰撞成本。
410、计算每条采样轨迹的轨迹相似性成本、加速度成本、向心加速度成本与静态障碍物碰撞成本的总和，获得每条采样轨迹的总成本。
1、每条采样轨迹的轨迹相似性成本。在步骤409和410中，使用CA模型预测车辆在短时间段内的运动，如果CA预测的轨迹表示为：
其中，
表示用时为
的第1个预测路径，
表示用时为
的第2个预测路径，
表示用时为
的第m个预测路径，m为正整数。
而上述最后生成的采样轨迹表示为:
其中，
表示用时为
的采样轨迹中的第1个路径，
表示用时为
的采样轨迹中的第2个路径，
表示用时为
的采样轨迹中的第n个路径，n为正整数。
则两者相似性度量通过以下公式计算：
其中，(i′,j′)表示L＝min(m，n)，i′,j′为正整数，m，n为正整数。
而对于考虑的车道，选择最适合车辆运动的相似度为：
d*＝min(min(d(i′,j′))) (公式26)
2、加速度成本。其中，加速度成本通过以下计算公式计算：
Cacc＝∑αi 2 (公式27)
其中，αi为加速度。
3、向心加速度成本。其中，该向心加速度成本Clat_a的计算公式如下：
其中，
为目标车辆的速度，K为目标车辆的曲率，i为正整数，表示采样轨迹中的第i个路径。
4、静态障碍物碰撞成本。其中，静态障碍物碰撞成本的计算公式如下：
其中，d"i表示与障碍物之间的距离，dsafe表示与障碍物之间的安全距离。
最后，成本函数可以总结为如下：
Ctotal＝ω1Cacc+ω2Clat_a+ω3Ccollision+ω4d* (公式30)
其中，ω1、ω2、ω3和ω4分别表示对应成本的权重。
411、从多条采样轨迹中选择总成本最低的采样轨迹，作为目标车辆的预测行驶轨迹。
根据公式30计算得到的每一条采样轨迹的总成本，选择出总成本最低的采样轨迹，作为目标车辆的预测行驶轨迹。
实施上述实施例，能够利用预设的环境模型，确定出主车辆周围的目标车辆，结合目标车辆的路径预测类型、预测速度和横向路径特征准确分析出目标车辆的动机意图类型，然后基于目标车辆的动机意图类型再进一步分析出目标车辆的预测行驶轨迹，提高主车辆周围车辆的行驶轨迹的预测准确率，以有效提高主车辆自动驾驶的安全性。
请参阅图5，图5为本发明实施例一公开的周围车辆轨迹预测装置的结构示意图；如图5所示，该周围车辆轨迹预测装置可包括：
第一确定模块501，用于根据车道线确定主车辆的主车车道以及相邻车道；
第二确定模块502，用于基于预设的环境模型，从主车车道和相邻车道上确定主车辆周围的目标车辆；
第一获取模块503，用于获取目标车辆的路径预测类型、预测速度和横向路径特征；
分析模块504，用于根据路径预测类型、预测速度和横向路径特征，分析目标车辆的动机意图类型；
采样模块505，用于基于动机意图类型，在空间上对目标车辆进行多个目标位置点采样，以获得多条采样轨迹；
第二获取模块506，用于获取多条采样轨迹中成本最低的采样轨迹，作为目标车辆的预测行驶轨迹。
实施上述装置，利用预设的环境模型，确定出主车辆周围的目标车辆，结合目标车辆的路径预测类型、预测速度和横向路径特征准确分析出目标车辆的动机意图类型，然后基于目标车辆的动机意图类型再进一步分析出目标车辆的预测行驶轨迹，提高主车辆周围车辆的行驶轨迹的预测准确率，以有效提高主车辆自动驾驶的安全性。
可选的，第二确定模块502用于基于预设的环境模型，从主车车道和相邻车道上确定主车辆周围的目标车辆的方式具体为：
基于预设的环境模型，获取主车车道和相邻车道上的主车辆的前向路径和后向路径上与主车辆相邻的车辆，作为主车辆周围的目标车辆。
可选的，上述动机意图类型包括车道保持、车道变更和异常行为。
上述路径预测类型包括车道保持、左侧变道和右侧变道。
上述预测速度大于或等于1且小于或等于最小限速，最小限速为目标车辆所在车道的车道限速、横向加速度极限的限速、静止虚拟障碍物引起的限速和前方车辆引起的限速中的最小速度；
上述横向路径特征包括目标车辆与所在车道的车道边线的距离、目标车辆与所在车道的车道方向的夹角、目标车辆的横向速度或纵向速度与横向加速度或纵向加速度、目标车辆的历史路径与短期恒加速度路径的组合路径与目标车辆所在车道的车道中心线的相似性、变道风险指标以及安全距离指标。
请参阅图6，图6为本发明实施例二公开的周围车辆轨迹预测装置的结构示意图；图6所示的周围车辆轨迹预测装置是在图5所示的周围车辆轨迹预测装置的基础上进行优化得到的，图6所示的周围车辆轨迹预测装置中，第一确定模块501进一步包括：
第一确定子模块5011，用于获取主车辆的当前位置到车道中心线的距离小于预设半径的第一车道；
第二确定子模块5012，用于从第一车道中剔除主车辆的方向角与投影点切角的差值大于预设夹角阈值的车道，获得第二车道；
第三确定子模块5013，用于从第二车道上剔除主车辆在车道中心线的投影点不在车道区间上的车道，获得第三车道；
选择子模块5014，用于从第三车道中选择主车辆的方向与车道方向之间的夹角最小的车道，作为主车车道；
第四确定子模块5015，用于根据主车车道确定相邻车道。
进一步的，上述多个目标位置点包括多个横向位置点和多个纵向位置点，图6所示的周围车辆轨迹预测装置中的采样模块505进一步包括：
采样子模块5051，用于基于动机意图类型，采样多个横向位置点和多个纵向位置点；
第一生成子模块5052，用于以目标车辆所在位置点和多个横向位置点为依据，利用三次多项式作为基函数生成多条横向轨迹；
第二生成子模块5053，用于以目标车辆所在位置点和多个纵向位置点为依据，利用四阶多项式作为基函数生成多条纵向轨迹；
第三生成子模块5054，用于结合多条横向轨迹和多条纵向轨迹，得到多条采样轨迹。
进一步的，图6所示的周围车辆轨迹预测装置中的第二获取模块506进一步包括：
第一计算子模块5061，用于计算每条采样轨迹的轨迹相似性成本、加速度成本、向心加速度成本和静态障碍物碰撞成本；
第二计算子模块5062，用于计算每条采样轨迹的轨迹相似性成本、加速度成本、向心加速度成本与静态障碍物碰撞成本的总和，获得每条采样轨迹的总成本；
第三计算子模块5063，用于从多条采样轨迹中选择总成本最低的采样轨迹，作为目标车辆的预测行驶轨迹。
请参阅图7，图7为本发明实施例公开的车辆的结构示意图；图7所示的车辆可包括：
存储有可执行程序代码的存储器701；
与存储器701耦合的处理器702；
其中，处理器702调用存储器701中存储的可执行程序代码，执行图3至图4任意一种周围车辆轨迹预测方法的部分步骤或者全部步骤。
本发明实施例还公开一种计算机可读存储介质，其存储计算机程序，其中，所述计算机程序使得计算机执行图3至图4公开的一种周围车辆轨迹预测方法。
本发明实施例还公开一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行图3至图4公开的任意一种方法的部分或全部步骤。
本发明实施例还公开一种应用发布平台，所述应用发布平台用于发布计算机程序产品，其中，当所述计算机程序产品在计算机上运行时，使得所述计算机执行图3至图4公开的任意一种方法的部分或全部步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本发明实施例公开的一种周围车辆轨迹预测方法、装置、车辆及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种周围车辆轨迹预测方法，其特征在于，包括：
根据车道线确定主车辆的主车车道以及相邻车道；
基于预设的环境模型，从所述主车车道和所述相邻车道上确定所述主车辆周围的目标车辆；
获取所述目标车辆的路径预测类型、预测速度和横向路径特征；
根据所述路径预测类型、所述预测速度和所述横向路径特征，分析所述目标车辆的动机意图类型；
基于所述动机意图类型，在空间上对所述目标车辆进行多个目标位置点采样，以获得多条采样轨迹；
计算每条所述采样轨迹的轨迹相似性成本、加速度成本、向心加速度成本和静态障碍物碰撞成本；
计算每条所述采样轨迹的所述轨迹相似性成本、所述加速度成本、所述向心加速度成本与所述静态障碍物碰撞成本的总和，获得每条所述采样轨迹的总成本；
从所述多条采样轨迹中选择总成本最低的采样轨迹，作为所述目标车辆的预测行驶轨迹。
2.根据权利要求1所述的方法，其特征在于，所述根据车道线确定主车辆的主车车道以及相邻车道，包括：
获取所述主车辆的当前位置到车道中心线的距离小于预设半径的第一车道；
从所述第一车道中剔除所述主车辆的方向角与投影点切角的差值大于预设夹角阈值的车道，获得第二车道；
从所述第二车道上剔除所述主车辆在车道中心线的投影点不在车道区间上的车道，获得第三车道；
从所述第三车道中选择所述主车辆的方向与车道方向之间的夹角最小的车道，作为主车车道；
根据所述主车车道确定相邻车道。
3.根据权利要求1或2所述的方法，其特征在于，所述基于预设的环境模型，从所述主车车道和所述相邻车道上确定所述主车辆周围的目标车辆，包括：
基于预设的环境模型，获取所述主车车道和所述相邻车道上的所述主车辆的前向路径和后向路径上与所述主车辆相邻的车辆，作为所述主车辆周围的目标车辆。
4.根据权利要求1或2所述的方法，其特征在于，所述动机意图类型包括车道保持、车道变更和异常行为。
5.根据权利要求4所述的方法，其特征在于，所述路径预测类型包括车道保持、左侧变道和右侧变道；
所述预测速度大于或等于1且小于或等于最小限速，所述最小限速为所述目标车辆所在车道的车道限速、横向加速度极限的限速、静止虚拟障碍物引起的限速和前方车辆引起的限速中的最小速度；
所述横向路径特征包括所述目标车辆与车道边线的距离、所述目标车辆与所在车道的车道方向的夹角、所述目标车辆的横向速度或纵向速度与横向加速度或纵向加速度、所述目标车辆的历史路径与短期恒加速度路径的组合路径与可行驶车道的车道中心线的相似性、变道风险指标以及安全距离指标。
6.根据权利要求1所述的方法，其特征在于，所述多个目标位置点包括多个横向位置点和多个纵向位置点，所述基于所述动机意图类型，在空间上对所述目标车辆进行多个目标位置点采样，以获得多条采样轨迹，包括：
基于所述动机意图类型，采样所述多个横向位置点和多个纵向位置点；
以所述目标车辆所在位置点和所述多个横向位置点为依据，利用三次多项式作为基函数生成多条横向轨迹；
以所述目标车辆所在位置点和所述多个纵向位置点为依据，利用四阶多项式作为基函数生成多条纵向轨迹；
结合所述多条横向轨迹和所述多条纵向轨迹，得到多条采样轨迹。
7.一种周围车辆轨迹预测装置，其特征在于，包括：
第一确定模块，用于根据车道线确定主车辆的主车车道以及相邻车道；
第二确定模块，用于基于预设的环境模型，从所述主车车道和所述相邻车道上确定所述主车辆周围的目标车辆；
第一获取模块，用于获取所述目标车辆的路径预测类型、预测速度和横向路径特征；
分析模块，用于根据所述路径预测类型、所述预测速度和所述横向路径特征，分析所述目标车辆的动机意图类型；
采样模块，用于基于所述动机意图类型，在空间上对所述目标车辆进行多个目标位置点采样，以获得多条采样轨迹；
第二获取模块，用于获取所述多条采样轨迹中成本最低的采样轨迹，作为所述目标车辆的预测行驶轨迹；
所述第二获取模块，包括：
第一计算子模块，用于计算每条所述采样轨迹的轨迹相似性成本、加速度成本、向心加速度成本和静态障碍物碰撞成本；
第二计算子模块，用于计算每条所述采样轨迹的所述轨迹相似性成本、所述加速度成本、所述向心加速度成本与所述静态障碍物碰撞成本的总和，获得每条所述采样轨迹的总成本；
第三计算子模块，用于从所述多条采样轨迹中选择总成本最低的采样轨迹，作为所述目标车辆的预测行驶轨迹。
8.一种车辆，其特征在于，包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行权利要求1-6任一项所述的周围车辆轨迹预测方法。
9.一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，所述计算机程序被处理器执行时实现权利要求1-6任一项所述的周围车辆轨迹预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210077961.7A CN114291116B (zh) | 2022-01-24 | 2022-01-24 | 周围车辆轨迹预测方法、装置、车辆及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210077961.7A CN114291116B (zh) | 2022-01-24 | 2022-01-24 | 周围车辆轨迹预测方法、装置、车辆及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114291116A CN114291116A (zh) | 2022-04-08 |
| CN114291116B true CN114291116B (zh) | 2023-05-16 |
Family
ID=80977176
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210077961.7A Active CN114291116B (zh) | 2022-01-24 | 2022-01-24 | 周围车辆轨迹预测方法、装置、车辆及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114291116B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114758502B (zh) * | 2022-04-29 | 2023-08-18 | 北京百度网讯科技有限公司 | 双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102018008624A1 (de) * | 2018-10-31 | 2020-04-30 | Trw Automotive Gmbh | Steuerungssystem und Steuerungsverfahren zum samplingbasierten Planen möglicher Trajektorien für Kraftfahrzeuge |
| WO2020121010A1 (ja) * | 2018-12-11 | 2020-06-18 | 日産自動車株式会社 | 他車動作予測方法及び他車動作予測装置 |
| WO2021042856A1 (zh) * | 2019-09-02 | 2021-03-11 | 华为技术有限公司 | 一种车道中心线确定方法及装置 |
| WO2021129309A1 (zh) * | 2019-12-24 | 2021-07-01 | 华为技术有限公司 | 车辆轨迹规划的方法、装置、智能驾驶域控制器和智能车 |
| WO2021134172A1 (zh) * | 2019-12-30 | 2021-07-08 | 华为技术有限公司 | 一种轨迹预测方法及相关设备 |
Family Cites Families (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9934688B2 (en) * | 2015-07-31 | 2018-04-03 | Ford Global Technologies, Llc | Vehicle trajectory determination |
| US10029682B2 (en) * | 2016-01-22 | 2018-07-24 | Toyota Motor Engineering & Manufacturing North America, Inc. | Surrounding vehicle classification and path prediction |
| WO2017141788A1 (ja) * | 2016-02-18 | 2017-08-24 | 本田技研工業株式会社 | 車両制御装置、車両制御方法、および車両制御プログラム |
| US10345815B2 (en) * | 2016-09-14 | 2019-07-09 | Qualcomm Incorporated | Motion planning and intention prediction for autonomous driving in highway scenarios via graphical model-based factorization |
| US10562538B2 (en) * | 2017-11-22 | 2020-02-18 | Uatc, Llc | Object interaction prediction systems and methods for autonomous vehicles |
| CN108032858B (zh) * | 2017-11-30 | 2020-06-12 | 广州小鹏汽车科技有限公司 | 基于旁车行驶路径预测的自适应巡航控制方法及系统 |
| KR102463720B1 (ko) * | 2017-12-18 | 2022-11-07 | 현대자동차주식회사 | 차량의 경로 생성 시스템 및 방법 |
| EP3857531A1 (en) * | 2018-09-27 | 2021-08-04 | KPIT Technologies Limited | A system for grid-based merge cut-in prediction and method thereof |
| TWI674984B (zh) * | 2018-11-15 | 2019-10-21 | 財團法人車輛研究測試中心 | 自動駕駛車輛之行駛軌跡規劃系統及方法 |
| KR102138979B1 (ko) * | 2018-11-29 | 2020-07-29 | 한국과학기술원 | 차선 기반의 확률론적 주변 차량 거동 예측 및 이를 이용한 종방향 제어 방법 |
| DK201970148A1 (en) * | 2018-12-10 | 2020-07-06 | Aptiv Tech Ltd | Motion graph construction and lane level route planning |
| CN109583151B (zh) * | 2019-02-20 | 2023-07-21 | 阿波罗智能技术(北京)有限公司 | 车辆的行驶轨迹预测方法及装置 |
| US11305765B2 (en) * | 2019-04-23 | 2022-04-19 | Baidu Usa Llc | Method for predicting movement of moving objects relative to an autonomous driving vehicle |
| CN110415266A (zh) * | 2019-07-19 | 2019-11-05 | 东南大学 | 一种基于本车周围车辆轨迹预测安全行驶的方法 |
| US11351996B2 (en) * | 2019-11-01 | 2022-06-07 | Denso International America, Inc. | Trajectory prediction of surrounding vehicles using predefined routes |
| US11780472B2 (en) * | 2019-11-16 | 2023-10-10 | Uatc, Llc | Systems and methods for generating motion forecast data for a plurality of actors with respect to an autonomous vehicle |
| US20210174668A1 (en) * | 2019-12-10 | 2021-06-10 | Samsung Electronics Co., Ltd. | Systems and methods for trajectory prediction |
| US20210179092A1 (en) * | 2019-12-16 | 2021-06-17 | Automotive Research & Testing Center | Active safety assistance system for pre-adjusting speed and control method using the same |
| RU2757234C2 (ru) * | 2019-12-25 | 2021-10-12 | Общество с ограниченной ответственностью "Яндекс Беспилотные Технологии" | Способ и система для вычисления данных для управления работой беспилотного автомобиля |
| JP7373118B2 (ja) * | 2020-02-13 | 2023-11-02 | マツダ株式会社 | 走行経路生成システム及び車両運転支援システム |
| CN111361564B (zh) * | 2020-04-29 | 2023-07-07 | 吉林大学 | 一种考虑效益最大化的车道变更系统及综合决策方法 |
| JP2022007526A (ja) * | 2020-06-26 | 2022-01-13 | 株式会社アイシン | 周辺車両判別システム、周辺車両判別プログラム |
| CN112133089B (zh) * | 2020-07-21 | 2021-11-19 | 西安交通大学 | 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置 |
| CN112347567B (zh) * | 2020-11-27 | 2022-04-01 | 青岛莱吉传动系统科技有限公司 | 一种车辆意图和轨迹预测的方法 |
| 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 |
| CN113401143B (zh) * | 2021-07-19 | 2022-04-12 | 电子科技大学长三角研究院(衢州) | 一种基于驾驶风格和意图的个性化自适应轨迹预测方法 |
| CN113859267B (zh) * | 2021-10-27 | 2023-08-25 | 广州小鹏自动驾驶科技有限公司 | 路径决策方法、装置及车辆 |
-
2022
- 2022-01-24 CN CN202210077961.7A patent/CN114291116B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102018008624A1 (de) * | 2018-10-31 | 2020-04-30 | Trw Automotive Gmbh | Steuerungssystem und Steuerungsverfahren zum samplingbasierten Planen möglicher Trajektorien für Kraftfahrzeuge |
| WO2020121010A1 (ja) * | 2018-12-11 | 2020-06-18 | 日産自動車株式会社 | 他車動作予測方法及び他車動作予測装置 |
| WO2021042856A1 (zh) * | 2019-09-02 | 2021-03-11 | 华为技术有限公司 | 一种车道中心线确定方法及装置 |
| WO2021129309A1 (zh) * | 2019-12-24 | 2021-07-01 | 华为技术有限公司 | 车辆轨迹规划的方法、装置、智能驾驶域控制器和智能车 |
| WO2021134172A1 (zh) * | 2019-12-30 | 2021-07-08 | 华为技术有限公司 | 一种轨迹预测方法及相关设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114291116A (zh) | 2022-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108327716B (zh) | 碰撞缓解和避免 | |
| EP3319065B1 (en) | Route prediction device | |
| US9688272B2 (en) | Surroundings monitoring apparatus and drive assistance apparatus | |
| US9159023B2 (en) | System for predicting a driver's intention to change lanes | |
| US9308916B2 (en) | Driver-assistance system and method for operating the driver-assistance system | |
| US8781720B2 (en) | Vehicle travel track estimator | |
| CN103303306B (zh) | 就所出现的危险状况对车辆驾驶员作出警示的方法 | |
| CN101327796B (zh) | 用于避免后路口交通碰撞的方法和设备 | |
| US9522701B2 (en) | Steering risk decision system and method for driving narrow roads | |
| CN110834630A (zh) | 一种车辆的驾驶控制方法、装置、车辆及存储介质 | |
| CN110884490B (zh) | 一种车辆侵入判断及辅助行驶的方法、系统、车辆及存储介质 | |
| KR20180092101A (ko) | Ecu, 상기 ecu를 포함하는 무인 자율 주행 차량, 및 이의 주행 차로 판단 방법 | |
| KR20140057583A (ko) | 자동차용 안전 장치 | |
| JP7193656B2 (ja) | 割り込んでくる又は抜け出て行く車両を認識する制御ユニット及び方法 | |
| CN113771867B (zh) | 一种行驶状态的预测方法、装置和终端设备 | |
| US11661061B2 (en) | Method and device for assisting a driver in a vehicle | |
| CN113815620B (zh) | 一种车辆安全行驶的评估方法、装置、设备及存储介质 | |
| CN111833648A (zh) | 一种车辆碰撞预警方法及装置 | |
| CN113453969A (zh) | 用于保护车辆的方法 | |
| CN116872921A (zh) | 一种车辆规避风险方法、系统、车辆及存储介质 | |
| EP3527450B1 (en) | Vehicle control apparatus | |
| CN114291116B (zh) | 周围车辆轨迹预测方法、装置、车辆及存储介质 | |
| CN113335311B (zh) | 一种车辆碰撞检测方法、装置、车辆及存储介质 | |
| CN110940982A (zh) | 一种车辆前方目标识别方法以及相应的设备 | |
| CN111038511B (zh) | 用于adas的车辆过弯时选取目标的方法、系统和车 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240304 Address after: 510000 No.8 Songgang street, Cencun, Tianhe District, Guangzhou City, Guangdong Province Patentee after: GUANGZHOU XIAOPENG MOTORS TECHNOLOGY Co.,Ltd. Country or region after: China Address before: Room 46, room 406, No.1, Yichuang street, Zhongxin knowledge city, Huangpu District, Guangzhou City, Guangdong Province 510000 Patentee before: Guangzhou Xiaopeng Automatic Driving Technology Co.,Ltd. Country or region before: China |