CN114475656A - 行驶轨迹预测方法、装置、电子设备以及存储介质 - Google Patents
行驶轨迹预测方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN114475656A CN114475656A CN202210155222.5A CN202210155222A CN114475656A CN 114475656 A CN114475656 A CN 114475656A CN 202210155222 A CN202210155222 A CN 202210155222A CN 114475656 A CN114475656 A CN 114475656A
- Authority
- CN
- China
- Prior art keywords
- track
- prediction
- candidate
- target object
- predicted
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012216 screening Methods 0.000 claims description 39
- 230000001133 acceleration Effects 0.000 claims description 34
- 230000003993 interaction Effects 0.000 claims description 23
- 230000007613 environmental effect Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
- B60W60/0016—Planning or execution of driving tasks specially adapted for safety of the vehicle or its occupants
-
- 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
- B60W40/10—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 vehicle motion
- B60W40/109—Lateral acceleration
-
- 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
-
- 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
- B60W2554/404—Characteristics
- B60W2554/4042—Longitudinal speed
-
- 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
- B60W2554/80—Spatial relation or speed relative to 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
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/60—Traffic rules, e.g. speed limits or right of way
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种行驶轨迹预测方法、装置、电子设备以及存储介质。该方法包括：获取当前车辆预设范围内的目标对象的行驶数据，并基于所述行驶数据确定所述目标对象的至少一个候选预测轨迹；获取所述目标对象所处环境的环境约束条件，并基于所述环境约束条件以及各所述候选预测轨迹，确定所述目标对象的对象预测轨迹；获取所述当前车辆的当前行驶轨迹，并基于所述当前行驶轨迹以及所述对象预测轨迹，确定所述当前车辆的预测轨迹。通过本发明实施例公开的技术方案，实现提高自动驾驶中轨迹预测的合理性以及准确性。
Description
技术领域
本发明实施例涉及自动驾驶技术领域，尤其涉及一种行驶轨迹预测方法、装置、电子设备以及存储介质。
背景技术
在复杂的交通环境中，车辆要想安全快速行驶，不光要规划好自身的路径，更要根据周围障碍物的实时变化，动态的规划接下来的驾驶动作，如何准确的预测周围障碍物的未来行驶轨迹变得尤其重要。
有经验的驾驶员会根据周围车辆的一系列动作准确预测出其接下来的行为，比如直行，换道，转弯等，并能预估其未来行驶轨迹的位置点，如远离或者接近本车，从而避免与周围车辆发生碰撞，或者规划出更高效的超车路线。
自动驾驶应用中，无人车也需要根据周围车辆的未来行驶轨迹来准确规划自身车辆接下来的动作，由于现有技术在预测过程中所依赖的信息不够全面以及使用的预测算法存在误差，可能会预测出不合理的运动轨迹，进而影响对周围车辆的行驶轨迹的预测，从而对自动驾驶的安全性、可靠性以及舒适性都会产生很大影响。
发明内容
本发明提供一种行驶轨迹预测方法、装置、电子设备以及存储介质，以实现提高自动驾驶中轨迹预测的合理性以及准确性。
第一方面，本发明实施例提供了一种行驶轨迹预测方法，该方法包括：
获取当前车辆预设范围内的目标对象的行驶数据，并基于所述行驶数据确定所述目标对象的至少一个候选预测轨迹；
获取所述目标对象所处环境的环境约束条件，并基于所述环境约束条件以及各所述候选预测轨迹，确定所述目标对象的对象预测轨迹；
获取所述当前车辆的当前行驶轨迹，并基于所述当前行驶轨迹以及所述对象预测轨迹，确定所述当前车辆的预测行驶轨迹。
可选的，所述获取当前车辆预设范围内的目标对象的行驶数据，包括：
基于预设雷达装置感知所述目标对象的行驶速度信息，以及所述目标对象于所述当前车辆的距离信息；
基于预设定位装置获取所述当前车辆的车辆定位信息，并基于所述车辆定位信息以及所述距离信息确定所述目标对象的对象定位信息；
基于预设摄像装置确定所述目标对象预设范围内的环境信息。
可选的，所述基于所述行驶数据确定所述目标对象的至少一个候选预测轨迹，包括：
获取轨迹预测模型，将所述速度信息、所述对象定位信息和所述环境信息输入至所述轨迹预测模型，得到所述轨迹预测模型输出的各候选预测轨迹。
可选的，所述环境约束条件包括运动学特性约束条件、交通规则约束条件以及车辆交互约束条件；
相应的，所述基于所述环境约束条件以及各所述候选预测轨迹，确定所述目标对象的对象预测轨迹，包括：
基于所述运动学特性约束条件、所述交通规则约束条件以及所述车辆交互约束条件对各所述候选预测轨迹进行筛选，并将筛选后的候选预测轨迹确定为所述目标对象的对象预测轨迹。
可选的，所述基于所述运动学特性约束条件对各所述候选预测轨迹进行筛选，包括：
获取各所述候选预测轨迹的轨迹曲率，并分别基于各所述轨迹曲率和所述当前车辆的车辆行驶速度，确定各所述候选预测轨迹的侧向加速度；
获取预设侧向加速度阈值，并基于所述侧向加速度阈值以及各所述侧向加速度的加速度比对结果，对各所述候选预测轨迹进行筛选。
可选的，所述基于所述交通规则约束条件对各所述候选预测轨迹进行筛选，包括：
获取各所述候选预测轨迹所处行驶车道的车道限速阈值，并基于所述车道限速阈值和各所述候选预测轨迹中的行驶速度的速度比对结果，对各所述候选预测轨迹进行筛选；
获取各所述候选预测轨迹行驶方向处的信号灯状态，并基于所述信号灯状态和各所述候选预测轨迹中的行驶状态的状态比对结果，对各所述候选预测轨迹进行筛选；
获取各所述候选预测轨迹所处行驶车道的车道转弯类型，并基于所述车道转弯类型和各所述候选预测轨迹中的转弯类型的转弯比对结果，对各所述候选预测轨迹进行筛选。
可选的，所述车辆交互约束条件对各所述候选预测轨迹进行筛选，包括：
获取各所述候选预测轨迹预设范围内的其他对象的行驶状态，并基于所述行驶状态和各所述候选预测轨迹中的行驶状态的车辆交互比对结果，对各所述候选预测轨迹进行筛选。
第二方面，本发明实施例还提供了一种行驶轨迹预测装置，该装置包括：
候选预测轨迹确定模块，用于获取当前车辆预设范围内的目标对象的行驶数据，并基于所述行驶数据确定所述目标对象的至少一个候选预测轨迹；
对象预测轨迹确定模块，用于对象预测轨迹获取所述目标对象所处环境的环境约束条件，并基于所述环境约束条件以及各所述候选预测轨迹，确定所述目标对象的对象预测轨迹；
行驶轨迹预测模块，用于获取所述当前车辆的当前行驶轨迹，并基于所述当前行驶轨迹以及所述对象预测轨迹，确定所述当前车辆的预测行驶轨迹。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例提供的行驶轨迹预测方法。
第四方面，本发明实施例还提供了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任意实施例提供的行驶轨迹预测方法。
本实施例的技术方案通过获取当前车辆预设范围内的目标对象的行驶数据，并基于行驶数据确定目标对象的至少一个候选预测轨迹；获取目标对象所处环境的环境约束条件，并基于环境约束条件以及各候选预测轨迹，确定目标对象的对象预测轨迹；实现了使得到的目标对象的各预测轨迹更加合理；进一步的，获取当前车辆的当前行驶轨迹，并基于当前行驶轨迹以及对象预测轨迹，确定当前车辆的预测行驶轨迹；基于更加合理的对象预测轨迹确定当前车辆的预测行驶轨迹，实现了得到更加准确的预测行驶轨迹，从而提高了自动驾驶的安全性。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
图1是本发明实施例一提供的行驶轨迹预测方法的流程示意图；
图2是本发明实施例二提供的行驶轨迹预测方法的流程示意图；
图3是本发明实施例二涉及的一种预测轨迹筛选方法的流程示意图；
图4是本发明实施例二涉及的另一种预测轨迹筛选方法的流程示意图；
图5是本发明实施例二涉及的另一种预测轨迹筛选方法的流程示意图；
图6是本发明实施例三提供的行驶轨迹预测装置的结构示意图；
图7为本发明实施例四提供的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种行驶轨迹预测方法的流程图，本实施例可适用于对当前车辆的行驶轨迹进行预测的情况；具体的，更适用基于环境条件约束得到各周围障碍物的预测轨迹，并基于周围障碍物的预测轨迹以及当前车辆行驶轨迹，对当前车辆的行驶轨迹进行预测的情况。该方法可以由行驶轨迹预测装置来执行，该装置可以由软件和/或硬件的方式来实现。
在对本发明实施例提供的技术方案进行介绍之前，先对该本发明实施例的应用场景进行示例性的介绍，当然本发明实施例提供的技术方案还可以应用于其他应用场景，本实施例对技术方案的应用场景不加以限制。具体的，本实施例的应用场景包括：在复杂的交通环境中，车辆要想安全快速行驶，不光要规划好自身的路径，更要根据周围障碍物的实时变化，动态的规划接下来的驾驶动作，如何准确的预测周围障碍物的未来行驶轨迹变得尤其重要。
有经验的驾驶员会根据周围车辆的一系列动作准确预测出其接下来的行为，比如直行，换道，转弯等，并能预估其未来行驶轨迹的位置点，如远离或者接近本车，从而避免与周围车辆发生碰撞，或者规划出更高效的超车路线。
自动驾驶应用中，无人车也需要根据周围车辆的未来行驶轨迹来准确规划自身车辆接下来的动作，由于现有技术在预测过程中所依赖的信息不够全面以及使用的预测算法存在误差，可能会预测出不合理的运动轨迹，进而影响对周围车辆的行驶轨迹的预测，从而对自动驾驶的安全性、可靠性以及舒适性都会产生很大影响。
基于上述技术问题，本实施例中的技术方案通过将自动驾驶车辆配置各类传感器，如视觉摄像头，毫米波雷达，激光雷达等，这使得它们具备远超人类的检测感知能力，并且可以做到不间断，全方位地检测周围环境，同时结合高精地图丰富的车道信息，就可以对障碍车辆进行驾驶行为的判断和行驶轨迹的预测，最终用于自身车辆行为决策和轨迹规划的依据。在实际交通环境中，车辆行驶通常受到某些约束，比如交通规则的约束，车辆运动学特性的约束，以及多车交互的约束等，因此在对障碍车辆轨迹进行预测的时候，需要结合各种约束条件并设定合理的规则，进而来计算出更准确的车辆预测轨迹。
基于上述技术思路，本实施例的技术方案通过获取当前车辆预设范围内的目标对象的行驶数据，并基于行驶数据确定目标对象的至少一个候选预测轨迹；获取目标对象所处环境的环境约束条件，并基于环境约束条件以及各候选预测轨迹，确定目标对象的对象预测轨迹；实现了使得到的目标对象的各预测轨迹更加合理；进一步的，获取当前车辆的当前行驶轨迹，并基于当前行驶轨迹以及对象预测轨迹，确定当前车辆的预测行驶轨迹；基于更加合理的对象预测轨迹确定当前车辆的预测行驶轨迹，实现了得到更加准确的预测行驶轨迹，从而提高了自动驾驶的安全性。
如图1所示，该方法具体包括以下步骤：
S110、获取当前车辆预设范围内的目标对象的行驶数据，并基于行驶数据确定目标对象的至少一个候选预测轨迹。
在本发明实施例中，当前车辆可以当前自动驾驶的车辆。目标对象可以包括当前车辆预设范围内的各对象，例如可以是车辆也可以是行人。目标对象的数量可以是一个也可以是多个，本实施例中对目标对象的数量以及类型均不加以限定。目标对象的行驶数据可以是目标对象在行驶过程中的数据，例如当目标对象是当前车辆相邻车道上的其他车辆时，行驶数据包括但不限于行驶速度，行驶方向等行驶数据。目标对象的候选预测轨迹为对目标对象在下一时刻的行驶轨迹进行初步预测得到的预测结果；本实施例中，候选预测轨迹的数量可以是一个，也可以为多个，本实施例对候选预测轨迹的数量不加以限定。
本实施例中，目标对象的行驶数据包括目标对象的行驶速度信息、对象定位信息和所处的环境信息。可选的，获取当前车辆预设范围内的目标对象的行驶数据的方法可以包括：基于预设雷达装置感知目标对象的行驶速度信息，以及目标对象于当前车辆的距离信息；基于预设定位装置获取当前车辆的车辆定位信息，并基于车辆定位信息以及距离信息确定目标对象的对象定位信息；基于预设摄像装置确定目标对象预设范围内的环境信息。
具体的，雷达装置可以包括雷达、毫米波雷达、激光雷达等雷达装置；进一步的，可以基于上述任意雷达装置获取目标对象的行驶速度信息，以及实时获取目标对象和当前车辆之间的各种距离信息。
具体的，预设定位装置可以是GPS系统，也可以是北斗系统或者其他定位系统；进一步的，可以基于上述任意定位装置获取当前车辆的定位信息，并基于当前车辆的定位信息以及当前车辆与目标对象之间的距离信息，确定目标对象的定位信息。
具体的，摄像装置可以包括预先安装在当前车辆的摄像头等装置，通过进行扫描拍摄，得到目标对象周边的环境信息。
需要说明的是，本发明实施例中目标对象的行驶数据还包括除上述介绍的速度信息、对象定位信息和环境信息之外的其他行驶数据，本实施例在此不进行一一介绍。当然，获取行驶数据的装置也还包括出上述装置外的奇其他装置，本实施例对此不加以限定。
进一步的，在获取目标对象的行驶数据之后，基于该行驶数据对目标对象的行驶轨迹进行预测，得到至少一个候选预测轨迹。可选的，得到候选预测轨迹的方法可以基于神经网络预先训练的模型，也可以基于预先拟合的轨迹预测方程，本实施例对确定候选预测轨迹的方法不加以限定。
可选的，基于神经网络预先训练的模型得到候选预测轨迹的方法可以包括：获取轨迹预测模型，将速度信息、对象定位信息和环境信息输入至轨迹预测模型，得到轨迹预测模型输出的各候选预测轨迹。
需要说明的是，轨迹预测模型可以是基于LSTM的轨迹预测算法，还可以是基于CNN的栅格图像轨迹预测算法等，本实施例对轨迹预测模型的具体网络不加以限定。
S120、获取目标对象所处环境的环境约束条件，并基于环境约束条件以及各候选预测轨迹，确定目标对象的对象预测轨迹。
在本发明实施例中，环境约束条件是目标对象在行驶过程中都会受到的约束，如不可能快速转弯的车辆运动学特性约束条件，不可以闯红灯的交通规则约束条件，以及不会与周围车辆发生碰撞的车辆交互约束条件。本实施例的技术方案可以根据这些环境约束条件对各候选预测轨迹进行筛选，从而输出更合理和精确的预测轨迹。
可选的，基于运动学特性约束条件、交通规则约束条件以及车辆交互约束条件对各候选预测轨迹进行筛选，并将筛选后的候选预测轨迹确定为目标对象的对象预测轨迹。
可选的，本实施例的技术方案可以同时基于运动学特性约束条件、交通规则约束条件以及车辆交互约束条件对各候选预测轨迹进行筛选，并将同时通过各约束条件的候选预测轨迹作为目标对象在下一时刻的对象预测轨迹；上述操作的有益效果在于可以快速得到目标对象的对象预测轨迹。
可选的，本实施例的技术方案还可以按顺序依次基于上述约束条件对各候选预测轨迹进行筛选，将最终得到的候选预测轨迹作为目标对象在下一时刻的对象预测轨迹；上述操作的有益效果在于可以减小处理器的处理压力。
当然，还可以基于实际情况选择基于上述环境约束条件进行筛选确定目标对象的对象预测轨迹的顺序，本实施例对此不加以限定。
S130、获取当前车辆的当前行驶轨迹，并基于当前行驶轨迹以及对象预测轨迹，确定当前车辆的预测行驶轨迹。
在本发明实施例中，获取当前车辆的行驶轨迹，具体的，可以基于当前车辆的内置传感器(例如，车内空气质量监测器、燃油量表、机油温度表等)获取行驶轨迹。来自这些传感器中的一个或多个的传感器数据可用于检测当前车辆的相应特性(位置、形状、方向、速度等)。进一步的，基于目标对象，即周围车辆或者行人的预测轨迹以及当前车辆的行驶轨迹确定当前车辆在下一时刻的预测行驶轨迹；基于更加合理的对象预测轨迹确定当前车辆的预测行驶轨迹，实现了得到更加准确的预测行驶轨迹。
本实施例的技术方案通过获取当前车辆预设范围内的目标对象的行驶数据，并基于行驶数据确定目标对象的至少一个候选预测轨迹；获取目标对象所处环境的环境约束条件，并基于环境约束条件以及各候选预测轨迹，确定目标对象的对象预测轨迹；实现了使得到的目标对象的各预测轨迹更加合理；进一步的，获取当前车辆的当前行驶轨迹，并基于当前行驶轨迹以及对象预测轨迹，确定当前车辆的预测行驶轨迹；基于更加合理的对象预测轨迹确定当前车辆的预测行驶轨迹，实现了得到更加准确的预测行驶轨迹，从而提高了自动驾驶的安全性。
实施例二
图2为本发明实施例二提供的一种行驶轨迹预测方法的流程图，本实施例在上述各实施例的基础上，将步骤“基于环境约束条件以及各候选预测轨迹，确定目标对象的对象预测轨迹”细化为步骤“基于运动学特性约束条件、交通规则约束条件以及车辆交互约束条件对各候选预测轨迹进行筛选，并将筛选后的候选预测轨迹确定为目标对象的对象预测轨迹”其中与上述各实施例相同或相应的术语的解释在此不再赘述。参见图2，本实施例提供的行驶轨迹预测方法包括：
S210、获取当前车辆预设范围内的目标对象的行驶数据，并基于行驶数据确定目标对象的至少一个候选预测轨迹。
S220、基于运动学特性约束条件、交通规则约束条件以及车辆交互约束条件对各候选预测轨迹进行筛选，并将筛选后的候选预测轨迹确定为目标对象的对象预测轨迹。
在本发明实施例中，运动学特性约束条件可以理解为包括但不限于不可能快速转弯等车辆运动学特性约束条件；交通规则约束条件可以理解为包括但不限于不可以闯红灯等交通规则约束条件；车辆交互约束条件可以理解为包括但不限于不会与周围车辆发生碰撞等车辆交互约束条件。
可选的，基于运动学特性约束条件对各候选预测轨迹进行筛选的方法包括：获取各候选预测轨迹的轨迹曲率，并分别基于各轨迹曲率和当前车辆的车辆行驶速度，确定各候选预测轨迹的侧向加速度；获取预设侧向加速度阈值，并基于侧向加速度阈值以及各侧向加速度的加速度比对结果，对各候选预测轨迹进行筛选。
具体的，本实施例中候选预测轨迹的轨迹曲率可以是基于历史驾驶数据进行预先设置的，本实施例中对于轨迹曲率的具体数值不加以限定。以确定各候选预测轨迹中任一候选预测轨迹的侧向加速度为例进行具体介绍。
具体的，在获取到当前候选预测轨迹的轨迹曲率以及当前车辆的车辆速度之后，基于下述公式确定当前候选预测轨迹的侧向加速度：
a＝v2×c
其中a表示侧向加速度，v表示当前车辆的车辆速度，c表示候选预测轨迹的轨迹曲率。
在基于上述公式确定各候选预测轨迹的侧向加速度之后，获取预设侧向加速度阈值，分别将各侧向加速度阈值与该预设侧向加速度阈值进行比对，并将没有超过该侧向加速度阈值的侧向加速度对应的候选预测轨迹确定为筛选后的候选预测轨迹。
示例性的如图3所示，根据车辆运动学的特性，行驶中的车辆为防止侧滑通常不会以很快的速度转弯，既不会产生过大的侧向加速度。当车辆在路口处存在多条候选预测轨迹时，结合车辆的速度和不同预测轨迹的曲率，可计算得到不同轨迹下的侧向加速度，根据经验设定侧向加速度的阈值即可排除会使车辆产生过大侧向加速度的候选轨迹，最终输出合理的预测轨迹。
在本实施例中，交通规则约束条件包括车道限速约束条件、信号灯状态约束条件以及车道转弯类型约束条件。相应的，基于交通规则约束条件对各候选预测轨迹进行筛选的方法包括：获取各候选预测轨迹所处行驶车道的车道限速阈值，并基于车道限速阈值和各候选预测轨迹中的行驶速度的速度比对结果，对各候选预测轨迹进行筛选；和，获取各候选预测轨迹行驶方向处的信号灯状态，并基于信号灯状态和各候选预测轨迹中的行驶状态的状态比对结果，对各候选预测轨迹进行筛选；和，获取各候选预测轨迹所处行驶车道的车道转弯类型，并基于车道转弯类型和各候选预测轨迹中的转弯类型的转弯比对结果，对各候选预测轨迹进行筛选。
示例性的如图4所示，如果目标对象(例如，周围车辆)处于禁止左转的直行车道，则其预测轨迹就不可以包含左转车道的预测轨迹；如果目标对象(例如，周围车辆)处于限速60km/h的车道路段，则其预测轨迹就不可以包含速度超过60km/h的预测轨迹；如果目标对象(例如，周围车辆)在路口处遇到前方直行车道为红灯，则其预测轨迹就不可以包含直行车道的预测轨迹。
可选的，基于车辆交互约束条件对各候选预测轨迹进行筛选的方法包括：获取各候选预测轨迹预设范围内的其他对象的行驶状态，并基于行驶状态和各候选预测轨迹中的行驶状态的车辆交互比对结果，对各候选预测轨迹进行筛选。
示例性的如图5所示，目标对象(例如，周围车辆)的行驶存在与周围的其他车辆互相交互的约束，如前方有慢速行驶的车辆，那么处于后方的目标对象就不可能继续快速的直行，只可能慢速的跟车或者采取变道超车的行驶路线，因此可以根据多车的交互约束，剔除不合理的预测轨迹，最终输出最合理的预测轨迹。
S230、获取当前车辆的当前行驶轨迹，并基于当前行驶轨迹以及对象预测轨迹，确定当前车辆的预测行驶轨迹。
本实施例的技术方案通过获取当前车辆预设范围内的目标对象的行驶数据，并基于行驶数据确定目标对象的至少一个候选预测轨迹；获取目标对象所处环境的环境约束条件，并基于环境约束条件以及各候选预测轨迹，确定目标对象的对象预测轨迹；实现了使得到的目标对象的各预测轨迹更加合理；进一步的，获取当前车辆的当前行驶轨迹，并基于当前行驶轨迹以及对象预测轨迹，确定当前车辆的预测行驶轨迹；基于更加合理的对象预测轨迹确定当前车辆的预测行驶轨迹，实现了得到更加准确的预测行驶轨迹，从而提高了自动驾驶的安全性。
以下是本发明实施例提供的行驶轨迹预测装置的实施例，该装置与上述各实施例的行驶轨迹预测方法属于同一个发明构思，在行驶轨迹预测装置的实施例中未详尽描述的细节内容，可以参考上述行驶轨迹预测方法的实施例。
实施例三
图6为本发明实施例三提供的行驶轨迹预测装置的结构示意图，本实施例可适用于对当前车辆的行驶轨迹进行预测的情况；具体的，更适用基于环境条件约束得到各周围障碍物的预测轨迹，并基于周围障碍物的预测轨迹以及当前车辆行驶轨迹，对当前车辆的行驶轨迹进行预测的情况。参见图6，该行驶轨迹预测装置的具体结构包括：候选预测轨迹确定模块310、对象预测轨迹确定模块320以及行驶轨迹预测模块330；其中，
候选预测轨迹确定模块310，用于获取当前车辆预设范围内的目标对象的行驶数据，并基于所述行驶数据确定所述目标对象的至少一个候选预测轨迹；
对象预测轨迹确定模块320，用于对象预测轨迹获取所述目标对象所处环境的环境约束条件，并基于所述环境约束条件以及各所述候选预测轨迹，确定所述目标对象的对象预测轨迹；
行驶轨迹预测模块330，用于获取所述当前车辆的当前行驶轨迹，并基于所述当前行驶轨迹以及所述对象预测轨迹，确定所述当前车辆的预测行驶轨迹。
本实施例的技术方案通过获取当前车辆预设范围内的目标对象的行驶数据，并基于所述行驶数据确定所述目标对象的至少一个候选预测轨迹；获取所述目标对象所处环境的环境约束条件，并基于所述环境约束条件以及各所述候选预测轨迹，确定所述目标对象的对象预测轨迹；实现了使得到的目标对象的各预测轨迹更加合理；进一步的，获取所述当前车辆的当前行驶轨迹，并基于所述当前行驶轨迹以及所述对象预测轨迹，确定所述当前车辆的预测行驶轨迹；基于更加合理的对象预测轨迹确定当前车辆的预测行驶轨迹，实现了得到更加准确的预测行驶轨迹，从而提高了自动驾驶的安全性。
在上述各发明实施例的基础上，候选预测轨迹确定模块310，包括：
距离信息获取单元，用于基于预设雷达装置感知所述目标对象的行驶速度信息，以及所述目标对象于所述当前车辆的距离信息；
对象定位信息获取单元，用于基于预设定位装置获取所述当前车辆的车辆定位信息，并基于所述车辆定位信息以及所述距离信息确定所述目标对象的对象定位信息；
环境信息获取单元，用于基于预设摄像装置确定所述目标对象预设范围内的环境信息。
在上述各发明实施例的基础上，候选预测轨迹确定模块310，包括：
候选预测轨迹确定单元，用于获取轨迹预测模型，将所述速度信息、所述对象定位信息和所述环境信息输入至所述轨迹预测模型，得到所述轨迹预测模型输出的各候选预测轨迹。
在上述各发明实施例的基础上，所述环境约束条件包括运动学特性约束条件、交通规则约束条件以及车辆交互约束条件；
相应的，对象预测轨迹确定模块320，包括：
对象预测轨迹确定子模块，用于基于所述运动学特性约束条件、所述交通规则约束条件以及所述车辆交互约束条件对各所述候选预测轨迹进行筛选，并将筛选后的候选预测轨迹确定为所述目标对象的对象预测轨迹。
在上述各发明实施例的基础上，对象预测轨迹确定子模块，包括：
侧向加速度确定方法，用于获取各所述候选预测轨迹的轨迹曲率，并分别基于各所述轨迹曲率和所述当前车辆的车辆行驶速度，确定各所述候选预测轨迹的侧向加速度；
第一候选预测轨迹筛选单元，用于候选预测轨迹获取预设侧向加速度阈值，并基于所述侧向加速度阈值以及各所述侧向加速度的加速度比对结果，对各所述候选预测轨迹进行筛选。
在上述各发明实施例的基础上，对象预测轨迹确定子模块，包括：
第二候选预测轨迹筛选单元，用于获取各所述候选预测轨迹所处行驶车道的车道限速阈值，并基于所述车道限速阈值和各所述候选预测轨迹中的行驶速度的速度比对结果，对各所述候选预测轨迹进行筛选；
第三候选预测轨迹筛选单元，用于获取各所述候选预测轨迹行驶方向处的信号灯状态，并基于所述信号灯状态和各所述候选预测轨迹中的行驶状态的状态比对结果，对各所述候选预测轨迹进行筛选；
第四候选预测轨迹筛选单元，用于获取各所述候选预测轨迹所处行驶车道的车道转弯类型，并基于所述车道转弯类型和各所述候选预测轨迹中的转弯类型的转弯比对结果，对各所述候选预测轨迹进行筛选。
在上述各发明实施例的基础上，对象预测轨迹确定子模块，包括：
第五候选预测轨迹筛选单元，用于获取各所述候选预测轨迹预设范围内的其他对象的行驶状态，并基于所述行驶状态和各所述候选预测轨迹中的行驶状态的车辆交互比对结果，对各所述候选预测轨迹进行筛选。
本发明实施例所提供的行驶轨迹预测装置可执行本发明任意实施例所提供的行驶轨迹预测方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述行驶轨迹预测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例四
图7为本发明实施例四提供的一种电子设备的结构示意图。图7示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图7显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备12以通用计算电子设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图7所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图7中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及样本数据获取，例如实现本发实施例所提供的一种行驶轨迹预测方法步骤，行驶轨迹预测方法包括：
获取当前车辆预设范围内的目标对象的行驶数据，并基于所述行驶数据确定所述目标对象的至少一个候选预测轨迹；
获取所述目标对象所处环境的环境约束条件，并基于所述环境约束条件以及各所述候选预测轨迹，确定所述目标对象的对象预测轨迹；
获取所述当前车辆的当前行驶轨迹，并基于所述当前行驶轨迹以及所述对象预测轨迹，确定所述当前车辆的预测行驶轨迹。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的样本数据获取方法的技术方案。
实施例五
本实施例五提供了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例如实现本发实施例所提供的一种行驶轨迹预测方法步骤，行驶轨迹预测方法包括：
获取当前车辆预设范围内的目标对象的行驶数据，并基于所述行驶数据确定所述目标对象的至少一个候选预测轨迹；
获取所述目标对象所处环境的环境约束条件，并基于所述环境约束条件以及各所述候选预测轨迹，确定所述目标对象的对象预测轨迹；
获取所述当前车辆的当前行驶轨迹，并基于所述当前行驶轨迹以及所述对象预测轨迹，确定所述当前车辆的预测行驶轨迹。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种行驶轨迹预测方法，其特征在于，包括：
获取当前车辆预设范围内的目标对象的行驶数据，并基于所述行驶数据确定所述目标对象的至少一个候选预测轨迹；
获取所述目标对象所处环境的环境约束条件，并基于所述环境约束条件以及各所述候选预测轨迹，确定所述目标对象的对象预测轨迹；
获取所述当前车辆的当前行驶轨迹，并基于所述当前行驶轨迹以及所述对象预测轨迹，确定所述当前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，所述获取当前车辆预设范围内的目标对象的行驶数据，包括：
基于预设雷达装置感知所述目标对象的行驶速度信息，以及所述目标对象于所述当前车辆的距离信息；
基于预设定位装置获取所述当前车辆的车辆定位信息，并基于所述车辆定位信息以及所述距离信息确定所述目标对象的对象定位信息；
基于预设摄像装置确定所述目标对象预设范围内的环境信息。
3.根据权利要求2所述的方法，其特征在于，所述基于所述行驶数据确定所述目标对象的至少一个候选预测轨迹，包括：
获取轨迹预测模型，将所述速度信息、所述对象定位信息和所述环境信息输入至所述轨迹预测模型，得到所述轨迹预测模型输出的各候选预测轨迹。
4.根据权利要求1所述的方法，其特征在于，所述环境约束条件包括运动学特性约束条件、交通规则约束条件以及车辆交互约束条件；
相应的，所述基于所述环境约束条件以及各所述候选预测轨迹，确定所述目标对象的对象预测轨迹，包括：
基于所述运动学特性约束条件、所述交通规则约束条件以及所述车辆交互约束条件对各所述候选预测轨迹进行筛选，并将筛选后的候选预测轨迹确定为所述目标对象的对象预测轨迹。
5.根据权利要求4所述的方法，其特征在于，所述基于所述运动学特性约束条件对各所述候选预测轨迹进行筛选，包括：
获取各所述候选预测轨迹的轨迹曲率，并分别基于各所述轨迹曲率和所述当前车辆的车辆行驶速度，确定各所述候选预测轨迹的侧向加速度；
获取预设侧向加速度阈值，并基于所述侧向加速度阈值以及各所述侧向加速度的加速度比对结果，对各所述候选预测轨迹进行筛选。
6.根据权利要求4所述的方法，其特征在于，所述基于所述交通规则约束条件对各所述候选预测轨迹进行筛选，包括：
获取各所述候选预测轨迹所处行驶车道的车道限速阈值，并基于所述车道限速阈值和各所述候选预测轨迹中的行驶速度的速度比对结果，对各所述候选预测轨迹进行筛选；
获取各所述候选预测轨迹行驶方向处的信号灯状态，并基于所述信号灯状态和各所述候选预测轨迹中的行驶状态的状态比对结果，对各所述候选预测轨迹进行筛选；
获取各所述候选预测轨迹所处行驶车道的车道转弯类型，并基于所述车道转弯类型和各所述候选预测轨迹中的转弯类型的转弯比对结果，对各所述候选预测轨迹进行筛选。
7.根据权利要求4所述的方法，其特征在于，所述基于车辆交互约束条件对各所述候选预测轨迹进行筛选，包括：
获取各所述候选预测轨迹预设范围内的其他对象的行驶状态，并基于所述行驶状态和各所述候选预测轨迹中的行驶状态的车辆交互比对结果，对各所述候选预测轨迹进行筛选。
8.一种行驶轨迹预测装置，其特征在于，包括：
候选预测轨迹确定模块310，用于获取当前车辆预设范围内的目标对象的行驶数据，并基于所述行驶数据确定所述目标对象的至少一个候选预测轨迹；
对象预测轨迹确定模块320，用于对象预测轨迹获取所述目标对象所处环境的环境约束条件，并基于所述环境约束条件以及各所述候选预测轨迹，确定所述目标对象的对象预测轨迹；
行驶轨迹预测模块330，用于获取所述当前车辆的当前行驶轨迹，并基于所述当前行驶轨迹以及所述对象预测轨迹，确定所述当前车辆的预测行驶轨迹。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的行驶轨迹预测方法。
10.一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，该程序被处理器执行时实现如权利要求1-7中任一所述的行驶轨迹预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210155222.5A CN114475656B (zh) | 2022-02-21 | 2022-02-21 | 行驶轨迹预测方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210155222.5A CN114475656B (zh) | 2022-02-21 | 2022-02-21 | 行驶轨迹预测方法、装置、电子设备以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114475656A true CN114475656A (zh) | 2022-05-13 |
| CN114475656B CN114475656B (zh) | 2024-06-14 |
Family
ID=81482139
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210155222.5A Active CN114475656B (zh) | 2022-02-21 | 2022-02-21 | 行驶轨迹预测方法、装置、电子设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114475656B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114913197A (zh) * | 2022-07-15 | 2022-08-16 | 小米汽车科技有限公司 | 车辆轨迹预测方法、装置、电子设备及存储介质 |
| CN116203964A (zh) * | 2023-03-13 | 2023-06-02 | 阿波罗智联(北京)科技有限公司 | 一种控制车辆行驶的方法、设备和装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180292834A1 (en) * | 2017-04-06 | 2018-10-11 | Toyota Jidosha Kabushiki Kaisha | Trajectory setting device and trajectory setting method |
| CN110223318A (zh) * | 2019-04-28 | 2019-09-10 | 驭势科技（北京）有限公司 | 一种多目标轨迹的预测方法、装置、车载设备及存储介质 |
| US20190317515A1 (en) * | 2018-04-16 | 2019-10-17 | Baidu Usa Llc | Method for generating trajectories for autonomous driving vehicles (advs) |
| CN110622226A (zh) * | 2017-05-16 | 2019-12-27 | 日产自动车株式会社 | 行驶辅助装置的动作预测方法以及动作预测装置 |
| CN113291320A (zh) * | 2021-06-15 | 2021-08-24 | 苏州智加科技有限公司 | 一种车辆轨迹预测方法、装置、设备及存储介质 |
| CN113657433A (zh) * | 2021-07-01 | 2021-11-16 | 华南理工大学 | 一种车辆轨迹多模态预测方法 |
-
2022
- 2022-02-21 CN CN202210155222.5A patent/CN114475656B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180292834A1 (en) * | 2017-04-06 | 2018-10-11 | Toyota Jidosha Kabushiki Kaisha | Trajectory setting device and trajectory setting method |
| CN110622226A (zh) * | 2017-05-16 | 2019-12-27 | 日产自动车株式会社 | 行驶辅助装置的动作预测方法以及动作预测装置 |
| US20190317515A1 (en) * | 2018-04-16 | 2019-10-17 | Baidu Usa Llc | Method for generating trajectories for autonomous driving vehicles (advs) |
| CN110223318A (zh) * | 2019-04-28 | 2019-09-10 | 驭势科技（北京）有限公司 | 一种多目标轨迹的预测方法、装置、车载设备及存储介质 |
| CN113291320A (zh) * | 2021-06-15 | 2021-08-24 | 苏州智加科技有限公司 | 一种车辆轨迹预测方法、装置、设备及存储介质 |
| CN113657433A (zh) * | 2021-07-01 | 2021-11-16 | 华南理工大学 | 一种车辆轨迹多模态预测方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114913197A (zh) * | 2022-07-15 | 2022-08-16 | 小米汽车科技有限公司 | 车辆轨迹预测方法、装置、电子设备及存储介质 |
| CN116203964A (zh) * | 2023-03-13 | 2023-06-02 | 阿波罗智联(北京)科技有限公司 | 一种控制车辆行驶的方法、设备和装置 |
| CN116203964B (zh) * | 2023-03-13 | 2024-02-09 | 阿波罗智联(北京)科技有限公司 | 一种控制车辆行驶的方法、设备和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114475656B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109598066B (zh) | 预测模块的效果评估方法、装置、设备和存储介质 | |
| US11440565B2 (en) | Decision method, device, equipment in a lane changing process and storage medium | |
| CN112133089B (zh) | 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 | |
| CN110843789B (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
| CN111382768A (zh) | 多传感器数据融合方法和装置 | |
| CN113228040B (zh) | 多级对象行进方向估计的系统和方法 | |
| US11618467B2 (en) | Dynamic route information interface | |
| CN112172835B (zh) | 一种车辆预警方法、装置、设备及存储介质 | |
| CN114475656B (zh) | 行驶轨迹预测方法、装置、电子设备以及存储介质 | |
| CN113335276A (zh) | 障碍物的轨迹预测方法、装置、电子设备及存储介质 | |
| US10495480B1 (en) | Automated travel lane recommendation | |
| RU2750243C2 (ru) | Способ и система для формирования траектории для беспилотного автомобиля (sdc) | |
| CN111527013A (zh) | 车辆变道预测 | |
| CN114212110B (zh) | 障碍物轨迹预测方法、装置、电子设备及存储介质 | |
| US11829131B2 (en) | Vehicle neural network enhancement | |
| CN112519765A (zh) | 车辆控制方法、装置、设备和介质 | |
| CN111984018A (zh) | 自动驾驶方法及装置 | |
| CN111413973A (zh) | 车辆的换道决策方法及装置、电子设备、存储介质 | |
| US20220121213A1 (en) | Hybrid planning method in autonomous vehicle and system thereof | |
| CN111707258B (zh) | 一种外部车辆监测方法、装置、设备及存储介质 | |
| CN114475651A (zh) | 基于车路协同的盲区障碍物紧急避让方法和装置 | |
| CN116187475A (zh) | 轨迹预测模型生成方法及装置、模型训练方法及装置 | |
| CN109887321B (zh) | 无人车变道安全判别方法、装置及存储介质 | |
| CN113686595B (zh) | 车辆耐久测试方法、装置、云控平台及系统 | |
| CN113911111A (zh) | 车辆碰撞检测方法、系统、电子设备以及存储介质 |
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 |