CN114664094A - 一种车辆轨迹预测方法、装置、芯片、终端和计算机设备 - Google Patents

一种车辆轨迹预测方法、装置、芯片、终端和计算机设备 Download PDF

Info

Publication number
CN114664094A
CN114664094A CN202210578437.8A CN202210578437A CN114664094A CN 114664094 A CN114664094 A CN 114664094A CN 202210578437 A CN202210578437 A CN 202210578437A CN 114664094 A CN114664094 A CN 114664094A
Authority
CN
China
Prior art keywords
turn
vehicle
observation state
state sequence
micro
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
Application number
CN202210578437.8A
Other languages
English (en)
Other versions
CN114664094B (zh
Inventor
杨清源
魏辉
高�玉
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.)
Qingdao Vehicle Intelligence Pioneers Inc
Original Assignee
Qingdao Vehicle Intelligence Pioneers Inc
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 Qingdao Vehicle Intelligence Pioneers Inc filed Critical Qingdao Vehicle Intelligence Pioneers Inc
Priority to CN202210578437.8A priority Critical patent/CN114664094B/zh
Publication of CN114664094A publication Critical patent/CN114664094A/zh
Application granted granted Critical
Publication of CN114664094B publication Critical patent/CN114664094B/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
    • G08G1/0125—Traffic data processing
    • 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
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供了一种车辆轨迹预测方法、装置、芯片、终端和计算机设备，涉及非电变量的控制或调整系统技术领域。该方法包括：根据不同行驶时刻车辆的大地坐标，确定相对于起始时刻的车体坐标系的相对坐标系；获取不同行驶时刻车辆在相对坐标系下的横向位移、纵向速度以及纵向加速度，并根据横向位移、纵向速度以及纵向加速度，生成观测状态序列；基于观测状态序列和不同行驶行为对应的行为识别模型，对车辆的行驶行为进行识别；基于观测状态序列和预设多项式，生成不同行驶行为的轨迹曲线集合，以及在不同行驶行为的轨迹曲线集合中，确定与识别到的车辆的行驶行为对应的目标轨迹曲线集合；根据观测状态序列在目标轨迹曲线集合中确定车辆的轨迹曲线。

Description

一种车辆轨迹预测方法、装置、芯片、终端和计算机设备
技术领域
本申请涉及非电变量的控制或调整系统技术领域，尤其是涉及到一种车辆轨迹预测方法、车辆轨迹预测装置、芯片、终端、计算机设备和计算机可读存储介质。
背景技术
无人驾驶技术是智能矿山的研究热点，无人驾驶技术包括感知、轨迹预测、运动规划、控制等。轨迹预测作为无人驾驶预测的关键技术之一，预测结果的实时性和准确性将直接决定无人驾驶车辆和交通参与者的安全。轨迹预测在结构化道路场景下有比较确定的场景研究，例如换道轨迹预测、十字路口轨迹预测等，并且针对这些特定的场景有高精度地图信息作为预测信息的参考。而在矿山这种非结构化场景下，道路的结构类型复杂，包括S弯、U型弯、装载区、卸载区、不同形状的交叉路口等道路结构，因此车辆的行驶行为也很复杂。
相关技术中，针对矿山这种非结构化场景下的轨迹预测包括：
方法一，基于车辆运动学模型进行轨迹预测的方法，该方法为常用的非结构化轨迹预测方法，但是该方法在短期预测较为有效，长期预测的结果数据波动较大。
方法二，基于虚拟车道、车辆换道数据、车辆轨迹数据等数据和预设估计模型，进行换道估计预测。但是，由于矿区道路宽度和道路边界不确定，并且有装载区、卸载区等空旷场地，无法采用虚拟车道的方式获取换道数据；同时车辆行驶行为不仅有换道行为，还存在U型掉头、S弯行驶等，因此该方法无法覆盖所有矿区车辆的行驶行为。
发明内容
有鉴于此，本申请提供了一种车辆轨迹预测方法、车辆轨迹预测装置、芯片、终端、计算机设备和计算机可读存储介质，实现了在矿区环境下不依赖道路和环境信息，实时、高效、稳定地预测长期车辆的轨迹。
第一方面，本申请实施例提供了一种车辆轨迹预测方法，包括：根据不同行驶时刻车辆的大地坐标和航向角，确定相对于起始时刻的车体坐标系的相对坐标系；获取不同行驶时刻车辆在相对坐标系下的横向位移、纵向速度以及纵向加速度，并根据横向位移、纵向速度以及纵向加速度，生成观测状态序列；基于观测状态序列和不同行驶行为对应的行为识别模型，对车辆的行驶行为进行识别；基于观测状态序列和预设多项式，生成不同行驶行为的轨迹曲线集合，以及在不同行驶行为的轨迹曲线集合中，确定与识别到的车辆的行驶行为对应的目标轨迹曲线集合；根据观测状态序列在目标轨迹曲线集合中确定车辆的轨迹曲线。
根据本申请实施例的上述车辆轨迹预测方法，还可以具有以下附加技术特征：
在上述技术方案中，可选地，根据不同行驶时刻车辆的大地坐标和航向角，确定相对于起始时刻车体坐标系的相对坐标系，包括：获取车辆在大地坐标系下的不同行驶时刻的大地坐标和航向角，并根据大地坐标和航向角生成坐标变换矩阵；根据坐标变换矩阵，得到车辆相对于起始时刻的车体坐标系下的相对坐标和航向角；当航向角在连续时间内的变化量均小于第一阈值时，以当前时刻的车体坐标系为相对坐标系；当航向角在连续时间内的至少一个变化量大于第一阈值时，以当前时刻的前一时刻的车体坐标系为相对坐标系。
在上述任一技术方案中，可选地，获取不同行驶时刻车辆在相对坐标系下的横向位移、纵向速度以及纵向加速度，包括：获取不同行驶时刻车辆在相对坐标系下的相对坐标的横向位移和纵向位移；根据纵向位移和时间间隔，求取不同行驶时刻的纵向速度和纵向加速度。
在上述任一技术方案中，可选地，在根据横向位移、纵向速度以及纵向加速度，生成观测状态序列之前，还包括：采用卡尔曼滤波算法对横向位移、纵向速度以及纵向加速度进行滤波处理。
在上述任一技术方案中，可选地，根据横向位移、纵向速度以及纵向加速度，生成观测状态序列，包括：根据起始时刻对应的观测状态S0={y0,vx0,ax0}，求取时间序列T={t1,t2,t3,......,tn}对应的观测状态St={S1,S2,S3,......,Sn}，则观测状态序列Ot={O1,O2,O3,......,On}={S1-S0,S2-S0,S3-S0,......,Sn-S0}，其中，y0为横向位移，vx0为纵向速度，ax0为纵向加速度。
在上述任一技术方案中，可选地，不同行驶行为对应的行为识别模型包括左转识别模型、微左转识别模型、直行识别模型、微右转识别模型以及右转识别模型；基于观测状态序列和不同行驶行为对应的行为识别模型，对车辆的驾驶方向进行识别，包括：将观测状态序列分别输入左转识别模型、微左转识别模型、直行识别模型、微右转识别模型以及右转识别模型，得到左转概率、微左转概率、直行概率、微右转概率以及右转概率；将左转概率、微左转概率、直行概率、微右转概率以及右转概率中的最大值所对应的行驶行为作为车辆的行驶行为。
在上述任一技术方案中，可选地，该方法还包括：获取样本观测状态序列；根据样本观测状态序列的最大横向位移，将样本观测状态序列分类为左转观测状态序列、微左转观测状态序列、直行观测状态序列、微右转观测状态序列以及右转观测状态序列；设置左转识别模型、微左转识别模型、直行识别模型、微右转识别模型以及右转识别模型；将左转观测状态序列输入左转识别模型进行训练得到左转识别模型的参数、将微左转观测状态序列输入微左转识别模型进行训练得到微左转识别模型的参数、将直行观测状态序列输入直行识别模型进行训练得到直行识别模型的参数、将微右转观测状态序列输入微右转识别模型进行训练得到微右转识别模型的参数、将右转观测状态序列输入右转识别模型进行训练得到右转识别模型的参数。
在上述任一技术方案中，可选地，基于观测状态序列和预设多项式，生成不同行驶行为的轨迹曲线集合，以及在不同行驶行为的轨迹曲线集合中，确定与识别到的车辆的行驶行为对应的目标轨迹曲线集合，包括：将观测状态序列起始时刻的相对坐标系的原点作为起点坐标，获取多个采样横向位移和采样纵向位移，确定多个终点坐标，并根据起点坐标、多个终点坐标和预设多项式，生成多个轨迹曲线集合；根据曲线末端曲率和方向将多个轨迹曲线集合分类为左转曲线集合、微左转曲线集合、直行曲线集合、微右转曲线集合以及右转曲线集合，并确定与识别到的行驶行为对应的目标轨迹曲线集合。
在上述任一技术方案中，可选地，根据观测状态序列在目标轨迹曲线集合中确定车辆的轨迹曲线，包括：根据观测状态序列对应的横向位移和纵向位移，分别计算目标轨迹曲线集合中的轨迹曲线与车辆的已行驶轨迹的相似度；将相似度最大的轨迹曲线，作为车辆的轨迹趋势曲线；根据观测状态序列中最后一个行驶时刻对应的纵向速度和轨迹趋势曲线，得到车辆在未来预设时间内的轨迹曲线。
第二方面，本申请实施例提供了一种车辆轨迹预测装置，包括：坐标确定模块，用于根据不同行驶时刻车辆的大地坐标和航向角，确定相对于起始时刻的车体坐标系的相对坐标系；序列生成模块，用于获取不同行驶时刻车辆在相对坐标系下的横向位移、纵向速度以及纵向加速度，并根据横向位移、纵向速度以及纵向加速度，生成观测状态序列；识别模块，用于基于观测状态序列和行为识别模型，对车辆的行驶行为进行识别；曲线生成模块，用于基于观测状态序列和预设多项式，生成多个轨迹曲线集合，以及在多个轨迹曲线集合中，确定与车辆的行驶行为对应的目标轨迹曲线集合；确定模块，用于根据观测状态序列在目标轨迹曲线集合中确定车辆的轨迹曲线。
第三方面，本申请实施例提供了一种芯片，芯片包括至少一个处理器和通信接口，通信接口和至少一个处理器耦合，至少一个处理器用于运行程序或指令，以实现如第一方面的车辆轨迹预测方法的步骤。
第四方面，本申请实施例提供了一种终端，终端包括如第二方面的车辆轨迹预测装置。
第五方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，计算机程序被处理器执行时实现如第一方面的车辆轨迹预测方法的步骤。
第六方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如第一方面的车辆轨迹预测方法的步骤。
本申请的有益效果在于，将车辆的复杂行驶轨迹转换成相对于起始车体坐标下的直行、左转、右转等行驶行为，简化了后续车辆的行驶行为的识别，提高对车辆轨迹预测的效率；采用微左转、左转、直行、微右转、右转五类细分的行驶行为进行轨迹预测，并用多项式作为轨迹生成集合，使得计算高效、预测轨迹平滑且稳定；本申请能够在矿区环境下不依赖道路和环境信息，实时、高效、稳定地预测长期车辆的轨迹，并且本申请在实现长期预测车辆轨迹的情况下，能够尽可能地减少计算量。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了本申请实施例的车辆轨迹预测方法的流程示意图；
图2示出了本申请实施例的车辆行驶轨迹的示意图；
图3示出了本申请实施例的车辆行驶轨迹坐标更新的示意图；
图4示出了本申请实施例的车辆在相对坐标系下的轨迹示意图之一；
图5示出了本申请实施例的车辆在相对坐标系下的轨迹示意图之二；
图6示出了本申请实施例的车辆在相对坐标系下的轨迹示意图之三；
图7示出了本申请实施例的车辆在相对坐标系下的轨迹示意图之四；
图8示出了本申请实施例的横向位移y随时间的变化趋势示意图；
图9示出了本申请实施例的时间序列T对应的横向位移yi相对于时间序列起始时刻t0的横向位移y0的变化趋势示意图；
图10示出了本申请实施例的多个轨迹曲线集合示意图；
图11示出了本申请实施例的车辆轨迹预测装置的示意框图；
图12示出了本申请实施例的芯片的结构示意框图；
图13示出了本申请实施例的终端的结构示意框图；
图14示出了本申请实施例的电子设备的结构示意框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的车辆轨迹预测方法、车辆轨迹预测装置、芯片、终端、计算机设备和计算机可读存储介质进行详细地说明。
本申请实施例提供了一种车辆轨迹预测方法，如图1所示，该方法包括：
步骤101，根据不同行驶时刻车辆的大地坐标和航向角，确定相对于起始时刻的车体坐标系的相对坐标系。
具体地，在本步骤中，矿区中的作业车辆在行驶过程中，获取采集车辆的在大地坐标系下的大地坐标和航向角，并根据不同时刻的车辆的大地坐标，求出相对于起始时刻车体坐标系下的相对坐标，进行坐标系更新，得到相对坐标系，从而将车辆的复杂行驶轨迹转换成相对于起始车体坐标下的直行、左转、右转等行驶行为（也即驾驶意图）。
步骤102，获取不同行驶时刻车辆在相对坐标系下的横向位移、纵向速度以及纵向加速度，并根据横向位移、纵向速度以及纵向加速度，生成观测状态序列。
具体地，在本步骤中，获取上述相对坐标系下相对坐标的横向位移、纵向位移，并计算出车辆的纵向速度以及纵向加速度，基于不同时刻下的横向位移、纵向速度以及纵向加速度生成车辆的观测状态序列。
步骤103，基于观测状态序列和不同行驶行为对应的行为识别模型，对车辆的行驶行为进行识别。
具体地，在本步骤中，将观测状态数据分别输入至不同行驶行为的行为识别模型，其中不同行驶行为的行为识别模型包括左转识别模型、微左转识别模型、直行识别模型、微右转识别模型以及右转识别模型，从而根据各个行为识别模型的输出结果识别到车辆当前的行驶行为。
步骤104，基于观测状态序列和预设多项式，生成不同行驶行为的轨迹曲线集合，以及在不同行驶行为的轨迹曲线集合中，确定与识别到的车辆的行驶行为对应的目标轨迹曲线集合。
具体地，在本步骤中，基于车辆的观测状态序列和预设多项式（例如二次多项式），生成不同行驶行为的轨迹曲线集合，来表达一定时间内车辆可能的行驶轨迹，可包括左转曲线集合、微左转曲线集合、直行曲线集合、微右转曲线集合以及右转曲线集合。进而在其中确定与车辆当前的行驶行为对应的目标轨迹曲线集合，例如，如果识别到车辆当前的行驶行为为左转，则左转曲线集合即为目标轨迹曲线集合，如果识别到车辆当前的行驶行为为右转，则右转曲线集合即为目标轨迹曲线集合。
步骤105，根据观测状态序列在目标轨迹曲线集合中确定车辆的轨迹曲线。
具体地，在本步骤中，在目标轨迹曲线集合中，根据观测状态序列的横向位移和纵向位移，确定出最终的车辆的轨迹曲线。
本申请的技术方案，一方面，将车辆的复杂行驶轨迹转换成相对于起始车体坐标下的直行、左转、右转等行驶行为，简化了后续车辆的行驶行为的识别，提高对车辆轨迹预测的效率；另一方面，采用微左转、左转、直行、微右转、右转五类细分的行驶行为进行轨迹预测，并用多项式作为轨迹生成集合，使得计算高效、预测轨迹平滑且稳定；再一方面，本申请能够在矿区环境下不依赖道路和环境信息，实时、高效、稳定地预测长期车辆的轨迹，并且本申请在实现长期预测车辆轨迹的情况下，能够尽可能地减少计算量。
在本申请实施例中，进一步地，根据不同行驶时刻车辆的大地坐标和航向角，确定相对于起始时刻车体坐标系的相对坐标系，包括：获取车辆在大地坐标系下的不同行驶时刻的大地坐标和航向角，并根据大地坐标和航向角生成坐标变换矩阵；根据坐标变换矩阵，得到车辆相对于起始时刻的车体坐标系下的相对坐标和航向角；当航向角在连续时间内的变化量均小于第一阈值时，以当前时刻的车体坐标系为相对坐标系；当航向角在连续时间内的至少一个变化量大于第一阈值时，以当前时刻的前一时刻的车体坐标系为相对坐标系。
在该实施例中，根据不同时刻的车辆的大地坐标和航向角，求出相对于起始时刻车体坐标下的相对坐标。具体地，实时获取车辆的基于大地坐标系的大地坐标和航向角的位姿信息，采用Eigen矩阵库将大地坐标和航向角转换成坐标变换矩阵，根据坐标变换矩阵之间的转换关系，求出相对于起始时刻车体坐标下的相对坐标和航向角。
然后，判断车辆航向角在连续时间内的变化量，当车辆航向角在连续时间内的变化量均小于某一阈值（也即第一阈值）时，则以当前车辆的车体坐标系为相对坐标系；当车辆航向角在连续时间内的变化量不均小于该阈值时，则不更新相对坐标系，也即，以车辆的前一个车体坐标系为相对坐标系。
示例性地，图2所示为一段车辆行驶轨迹，其中S点为起点，D点为终点。图3所示为车辆行驶轨迹坐标更新示意图，其中Ci为不同时刻更新的相对坐标系；车辆从起点出发，相对坐标系为C1，当车辆航向角在连续时间内变化量均小于某一阈值时，更新相对坐标系为C2；当更新到C3时，车辆航向角变化量较大，不能满足在连续时间内变化量均小于某一阈值时，不更新坐标系；直到出弯后，车辆航向角变化量较小，此时更新坐标系为C4，以此类推。图4至图7所示为相对坐标系下的轨迹，其中，C1、C2、C4、C6、C8为直行，其相对坐标系下的轨迹如图4所示；C3为左转，其相对坐标系下的轨迹如图5所示；C5为右转，其相对坐标系下的轨迹如图6所示；C7为左转，其相对坐标系下的轨迹如图7所示。
本申请实施例，采用相对坐标系进行更新的机制，将大地坐标系中车辆的复杂行驶行为转换成相对坐标系下的直行、左转、右转的行驶行为，以简化车辆的行驶行为，提高对车辆轨迹预测的效率。
在本申请实施例中，进一步地，获取不同行驶时刻车辆在相对坐标系下的横向位移、纵向速度以及纵向加速度，包括：获取不同行驶时刻车辆在相对坐标系下的相对坐标的横向位移和纵向位移；根据纵向位移和时间间隔，求取不同行驶时刻的纵向速度和纵向加速度。
在该实施例中，以起始时刻的车体坐标系为相对坐标系，在当前时刻的坐标为坐标系原点时，设置纵向速度为0m/s，设置纵向加速度为0m/s2；在当前时刻的坐标不为坐标原点时，根据当前时刻纵向位移和上一时刻纵向位移，以及时间间隔Δt计算当前纵向速度，根据当前时刻纵向速度和上一时刻纵向速度，以及时间间隔Δt计算纵向加速度，该时间间隔Δt可以根据实际需要进行设置，例如为0.1s，在此不做具体限定。
由此，将大地坐标系下车辆复杂的速度变化和加速度变化，转换成了相对坐标系下从速度0m/s开始进行加速的较为有规律的变化。
在本申请实施例中，进一步地，在根据横向位移、纵向速度以及纵向加速度，生成观测状态序列之前，还包括：采用卡尔曼滤波算法对横向位移、纵向速度以及纵向加速度进行滤波处理。
在该实施例中，采用卡尔曼滤波对横向位移以及计算所得的纵向速度和纵向加速度分别进行滤波处理，从而减少计算的误差。
需要说明的是，当坐标原点更新时，卡尔曼滤波的参数也需重置，重新进行状态预测，从而提高数据准确度。
在本申请实施例中，进一步地，根据横向位移、纵向速度以及纵向加速度，生成观测状态序列，包括：根据起始时刻对应的观测状态S0={y0,vx0,ax0}，求取时间序列T={t1,t2,t3,......,tn}对应的观测状态St={S1,S2,S3,......,Sn}，则观测状态序列Ot={O1,O2,O3,......,On}={S1-S0,S2-S0,S3-S0,......,Sn-S0}，其中，y0为横向位移，vx0为纵向速度，ax0为纵向加速度。
在该实施例中，获取观测状态序列Ot={O1,O2,O3,......,On}，其中状态Oi是时间序列起始时刻t0对应的观测状态S0={y0,vx0,ax0}的横向位移y的变化量、纵向速度vx的变化量以及纵向加速度ax的变化量，具体地，图8示出了横向位移y随时间的变化，图9示出了每一组时间序列T={t1,t2,t3,......,tn}对应的观测状态横向位移yi相对于时间序列起始时刻t0的观测状态横向位移y0的变化。进一步地，求取时间序列T={t1,t2,t3,......,tn}对应的状态St={S1,S2,S3,......,Sn}，则Ot={S1-S0,S2-S0,S3-S0,......,Sn-S0}。
其中，时间序列T的长度可由实际情况进行调整，例如时间序列T可以设定为1s。值得注意的是，坐标更新时间必须满足在每一个时间序列T的起点，否则坐标更新和观测状态序列的更新不一致，无法获取有规律的数据。
通过上述方式，能够准确地获取到车辆的观测状态序列，从而提高车辆轨迹预测的准确性。
在本申请实施例中，进一步地，不同行驶行为对应的行为识别模型包括左转识别模型、微左转识别模型、直行识别模型、微右转识别模型以及右转识别模型；基于观测状态序列和不同行驶行为对应的行为识别模型，对车辆的驾驶方向进行识别，包括：将观测状态序列分别输入左转识别模型、微左转识别模型、直行识别模型、微右转识别模型以及右转识别模型，得到左转概率、微左转概率、直行概率、微右转概率以及右转概率；将左转概率、微左转概率、直行概率、微右转概率以及右转概率中的最大值所对应的行驶行为作为车辆的行驶行为。
在该实施例中，预先建立左转识别模型、微左转识别模型、直行识别模型、微右转识别模型以及右转识别模型五类行为识别模型，行为识别模型可以为隐马尔可夫模型。实时输入观测状态序列，采用前向算法或后向算法在不同行为识别模型下分别计算条件概率，得到左转概率、微左转概率、直行概率、微右转概率以及右转概率。最终，选取条件概率最大的行为识别模型对应的行驶行为作为识别结果。
示例性地，将观测状态序列输入至左转识别模型、微左转识别模型、直行识别模型、微右转识别模型以及右转识别模型，分别得到左转概率为b、微左转概率为c、直行概率为d、微右转概率为e以及右转概率为f，其中，b<c<d<e<f，则确定车辆的行驶行为为右转。
通过上述方式，采用微左转、左转、直行、微右转、右转五类细分的行驶行为进行轨迹预测，实现行驶行为的简单识别，提高轨迹预测的效率。
在本申请实施例中，进一步地，该方法还包括：获取样本观测状态序列；根据样本观测状态序列的最大横向位移，将样本观测状态序列分类为左转观测状态序列、微左转观测状态序列、直行观测状态序列、微右转观测状态序列以及右转观测状态序列；设置左转识别模型、微左转识别模型、直行识别模型、微右转识别模型以及右转识别模型；将左转观测状态序列输入左转识别模型进行训练得到左转识别模型的参数、将微左转观测状态序列输入微左转识别模型进行训练得到微左转识别模型的参数、将直行观测状态序列输入直行识别模型进行训练得到直行识别模型的参数、将微右转观测状态序列输入微右转识别模型进行训练得到微右转识别模型的参数、将右转观测状态序列输入右转识别模型进行训练得到右转识别模型的参数。
在该实施例中，建立左转、微左转、直行、微右转、右转五类隐马尔可夫模型，用于车辆行驶行为的识别。具体地，获取样本观测状态序列，以样本观测状态序列的最大横向位移作为行驶行为的主要行驶特点，将样本观测状态序列分类为左转数据、微左转数据、直行数据、微右转数据、右转数据。其中，微左转或微右转在横向位移方面的行驶特点是时间序列T内横向位移最大值的绝对值大于等于0.05m小于等于1m；左转和右转在横向位移方面的行驶特点是时间序列T内横向位移最大值的绝对值大于等于1m。直行在横向位移方面的行驶特点是时间序列T内横向位移最大值的绝对值小于等于0.05m。
然后，分别将五类样本观测状态数据作为输入，分别对五类模型进行初始参数设置，采用Baum-Welch算法对于模型参数进行训练，得到左转、微左转、直行、微右转和右转模型的参数μ=[π,A,B]。其中，π为初始状态概率，表示初始时刻各隐状态出现的概率，通常记为π=(π1,π2,π3,......,πn)，πi表示模型的初始状态为Shi的概率，其中Shi为隐状态；A为状态转移概率，表示各个隐状态间转换的概率，通常记为矩阵A[aij]，其中aij表示在任意时刻t，若状态为Shi，则在下一时刻状态为Shj的概率；B为输出观测概率，表示模型根据当前状态获得各个观测值的概率。
需要说明的是，本申请可以采用高斯混合模型作为观测概率输出模型，其参数包括高斯混合数目、高斯混合权重、均值、协方差。
通过上述方式，建立五类行为识别模型，为后续对车辆的行驶行为的识别提供基础，使得车辆的行驶行为的识别较为简单。
在本申请实施例中，进一步地，基于观测状态序列和预设多项式，生成不同行驶行为的轨迹曲线集合，以及在不同行驶行为的轨迹曲线集合中，确定与识别到的车辆的行驶行为对应的目标轨迹曲线集合，包括：将观测状态序列起始时刻的相对坐标系的原点作为起点坐标，获取多个采样横向位移和采样纵向位移，确定多个终点坐标，并根据起点坐标、多个终点坐标和预设多项式，生成多个轨迹曲线集合；根据曲线末端曲率和方向将多个轨迹曲线集合分类为左转曲线集合、微左转曲线集合、直行曲线集合、微右转曲线集合以及右转曲线集合，并确定与识别到的行驶行为对应的目标轨迹曲线集合。
在该实施例中，矿区道路在形状上较为复杂性、道路宽度不确定、道路边界不明显，且有空旷的自由行驶场景，则基于上述场景，采用预设多项式（例如二次多项式）在横向和纵向进行确定性采样，用于描述车辆未来一段时间的行驶轨迹。具体地，基于观测状态序列起始时刻t0的车体坐标系的原点为预设多项式的起点坐标，以多种横向位移和纵向位移组合，确定预设多项式的终点坐标，生成多个轨迹曲线集合，采用通过二次多项式轨迹的集合来表达一定时间内车可能的行驶轨迹。需要说明的是，预设多项式包括一次多项式、二次多项式、三次多项式、四次多项式和五次多项式等，在此不对多项式进行穷举，任何一种多项式均在本申请的保护范围内。
示例性地，以车辆的后轴中心为二次多项式起点，以纵向50m为二次多项式x坐标，在车辆横向20m到-20m的范围内的间隔1m作为y坐标；以横向20m和横向-20m为y坐标，在纵向30m到50m的范围内间隔1m作为x坐标，x、y坐标组合作为终点，形成确定性采样轨迹集合，如图10所示，为多个轨迹曲线集合示意图。
值得注意的是，确定采样的轨迹终点可以根据不同的车辆的运动特性进行修改，即轨迹的终点位置可以根据实际情况再做调整，不必一定是上述的50m、20m等，本申请在此不做限定。
进一步地，根据曲线末端的曲率大小和曲线末端的方向，将多个轨迹曲线集合分为左转曲线集合、微左转曲线集合、直行曲线集合、微右转曲线集合以及右转曲线集合。例如左转曲线集合的曲率范围为第一曲率范围，微左转曲线集合的曲率范围为第二曲率范围、直行曲线集合的曲率范围为第三曲率范围、微右转曲线集合的曲率范围为第四曲率范围以及右转曲线集合的曲率范围为第五曲率范围，其中第一曲率范围大于第二曲率范围大于第三曲率范围，第五曲率范围大于第四曲率范围大于第三曲率范围，假设曲线L1的曲线末端指向左，且L1的曲线末端的曲率属于第一曲率范围，则将曲线L1分类为左转曲线集合；L2的曲线末端指向左，且L2的曲线末端的曲率属于第二曲率范围，则将曲线L2分类为微左转曲线集合；L3的曲线末端指向正前方，且L3的曲线末端的曲率属于第三曲率范围，则将曲线L3分类为直行曲线集合；L4的曲线末端指向右，且L4的曲线末端的曲率属于第四曲率范围，则将曲线L4分类为微右转曲线集合；L5的曲线末端指向右，且L5的曲线末端的曲率属于第五曲率范围，则将曲线L5分类为右转曲线集合；需要说明的是，第一曲率范围与第五曲率范围可以相同，也可以不同，第二曲率范围与第四曲率范围可以相同，也可以不同。还需要进一步说明的是，轨迹曲线集合并不局限于这五种，可以根据实际需求设计多个轨迹曲线集合的参数，从而对曲线进行更加详细的分类。再根据行驶行为的识别结果，选择对应类型的目标轨迹曲线集合。
本申请实施例，采用微左转、左转、直行、微右转、右转五类细分的行驶行为进行轨迹预测，并用二次多项式作为轨迹生成集合，使得计算高效、预测轨迹平滑且稳定。
在本申请实施例中，进一步地，根据观测状态序列在目标轨迹曲线集合中确定车辆的轨迹曲线，包括：根据观测状态序列对应的横向位移和纵向位移，分别计算目标轨迹曲线集合中的轨迹曲线与车辆的已行驶轨迹的相似度；将相似度最大的轨迹曲线，作为车辆的轨迹趋势曲线；根据观测状态序列中最后一个行驶时刻对应的纵向速度和轨迹趋势曲线，得到车辆在未来预设时间内的轨迹曲线。
在该实施例中，根据观测状态序列对应的横向位移和纵向位移，采用余弦相似度方法和加权平均的方法，对车辆行驶行为所对应的目标轨迹曲线集合中的轨迹曲线与车辆的已行驶轨迹的相似度进行计算，求取相似度最大的轨迹曲线，确定为轨迹趋势曲线。然后，根据观测状态序列的末状态绝对速度，求取在tn时刻车体坐标下的纵向速度vx，预测未来预设时间tf的轨迹曲线，具体为，采用vx×tf确定二次多项式的终点纵坐标，并根据二次多项式求出终点横坐标，则此段轨迹曲线即为未来预设时间tf内的车辆轨迹。
通过上述方式，实现对未来预设时间内的车辆的轨迹进行准确地预测。
进一步地，作为上述车辆轨迹预测方法的具体实现，本申请实施例提供了一种车辆轨迹预测装置。如图11所示，该车辆轨迹预测装置1100包括：坐标确定模块1101、序列生成模块1102、识别模块1103、曲线生成模块1104以及确定模块1105。
其中，坐标确定模块1101根据不同行驶时刻车辆的大地坐标和航向角，确定相对于起始时刻的车体坐标系的相对坐标系；序列生成模块1102获取不同行驶时刻车辆在相对坐标系下的横向位移、纵向速度以及纵向加速度，并根据横向位移、纵向速度以及纵向加速度，生成观测状态序列；识别模块1103基于观测状态序列和不同行驶行为对应的行为识别模型，对车辆的行驶行为进行识别；曲线生成模块1104基于观测状态序列和预设多项式，生成不同行驶行为的轨迹曲线集合，以及在不同行驶行为的轨迹曲线集合中，确定与识别到的车辆的行驶行为对应的目标轨迹曲线集合；确定模块1105根据观测状态序列在目标轨迹曲线集合中确定车辆的轨迹曲线。
在该实施例中，矿区中的作业车辆在行驶过程中，获取采集车辆的在大地坐标系下的大地坐标和航向角，并根据不同时刻的车辆的大地坐标，求出相对于起始时刻车体坐标系下的相对坐标，进行坐标系更新，得到相对坐标系，从而将车辆的复杂行驶轨迹转换成相对于起始车体坐标下的直行、左转、右转等行驶行为。获取上述相对坐标系下相对坐标的横向位移、纵向位移，并计算出车辆的纵向速度以及纵向加速度，基于不同时刻下的横向位移、纵向速度以及纵向加速度生成车辆的观测状态序列。根据观测状态序列的最大横向位移作为行驶行为的主要行驶特点，将观测状态序列分类为不同行驶行为的观测状态数据，例如，左转数据、微左转数据、直行数据、微右转数据、右转数据。再将不同行驶行为的观测状态数据分别对应输入至不同行驶行为的行为识别模型，其中不同行驶行为的行为识别模型包括左转识别模型、微左转识别模型、直行识别模型、微右转识别模型以及右转识别模型，从而根据各个行为识别模型的输出结果识别到车辆当前的行驶行为。基于车辆的观测状态序列和预设多项式（例如二次多项式），生成不同行驶行为的轨迹曲线集合，来表达一定时间内车辆可能的行驶轨迹，可包括左转曲线集合、微左转曲线集合、直行曲线集合、微右转曲线集合以及右转曲线集合。进而在其中确定与车辆当前的行驶行为对应的目标轨迹曲线集合，例如，如果识别到车辆当前的行驶行为为左转，则左转曲线集合即为目标轨迹曲线集合，如果识别到车辆当前的行驶行为为右转，则右转曲线集合即为目标轨迹曲线集合。在目标轨迹曲线集合中，根据观测状态序列的横向位移和纵向位移，确定出最终的车辆的轨迹曲线。
本申请的技术方案，一方面，将车辆的复杂行驶轨迹转换成相对于起始车体坐标下的直行、左转、右转等行驶行为，简化了后续车辆的行驶行为的识别，提高对车辆轨迹预测的效率；另一方面，采用微左转、左转、直行、微右转、右转五类细分的行驶行为进行轨迹预测，并用多项式作为轨迹生成集合，使得计算高效、预测轨迹平滑且稳定；再一方面，本申请能够在矿区环境下不依赖道路和环境信息，实时、高效、稳定地预测长期车辆的轨迹，并且本申请在实现长期预测车辆轨迹的情况下，能够尽可能地减少计算量。
在本申请实施例中，进一步地，坐标确定模块1101具体用于：获取车辆在大地坐标系下的不同行驶时刻的大地坐标和航向角，并根据大地坐标和航向角生成坐标变换矩阵；根据坐标变换矩阵，得到车辆相对于起始时刻的车体坐标系下的相对坐标和航向角；当航向角在连续时间内的变化量均小于第一阈值时，以当前时刻的车体坐标系为相对坐标系；当航向角在连续时间内的至少一个变化量大于第一阈值时，以当前时刻的前一时刻的车体坐标系为相对坐标系。
在本申请实施例中，进一步地，序列生成模块1102具体用于：获取不同行驶时刻车辆在相对坐标系下的相对坐标的横向位移和纵向位移；根据纵向位移和时间间隔，求取不同行驶时刻的纵向速度和纵向加速度。
在本申请实施例中，进一步地，该车辆轨迹预测装置1100还包括：滤波模块，用于采用卡尔曼滤波算法对横向位移、纵向速度以及纵向加速度进行滤波处理。
在本申请实施例中，进一步地，序列生成模块1102具体用于：根据起始时刻对应的观测状态S0={y0,vx0,ax0}，求取时间序列T={t1,t2,t3,......,tn}对应的观测状态St={S1,S2,S3,......,Sn}，则观测状态序列Ot={O1,O2,O3,......,On}={S1-S0,S2-S0,S3-S0,......,Sn-S0}，其中，y0为横向位移，vx0为纵向速度，ax0为纵向加速度。
在本申请实施例中，进一步地，不同行驶行为对应的行为识别模型包括左转识别模型、微左转识别模型、直行识别模型、微右转识别模型以及右转识别模型；识别模块1103具体用于：将观测状态序列分别输入左转识别模型、微左转识别模型、直行识别模型、微右转识别模型以及右转识别模型，得到左转概率、微左转概率、直行概率、微右转概率以及右转概率；将左转概率、微左转概率、直行概率、微右转概率以及右转概率中的最大值所对应的行驶行为作为车辆的行驶行为。
在本申请实施例中，进一步地，该车辆轨迹预测装置1100还包括：模型建立模块用于：获取样本观测状态序列；根据样本观测状态序列的最大横向位移，将样本观测状态序列分类为左转观测状态序列、微左转观测状态序列、直行观测状态序列、微右转观测状态序列以及右转观测状态序列；设置左转识别模型、微左转识别模型、直行识别模型、微右转识别模型以及右转识别模型；将左转观测状态序列输入左转识别模型进行训练得到左转识别模型的参数、将微左转观测状态序列输入微左转识别模型进行训练得到微左转识别模型的参数、将直行观测状态序列输入直行识别模型进行训练得到直行识别模型的参数、将微右转观测状态序列输入微右转识别模型进行训练得到微右转识别模型的参数、将右转观测状态序列输入右转识别模型进行训练得到右转识别模型的参数。
在本申请实施例中，进一步地，曲线生成模块1104具体用于：将观测状态序列起始时刻的相对坐标系的原点作为起点坐标，获取多个采样横向位移和采样纵向位移，确定多个终点坐标，并根据起点坐标、多个终点坐标和预设多项式，生成多个轨迹曲线集合；根据曲线末端曲率和方向将多个轨迹曲线集合分类为左转曲线集合、微左转曲线集合、直行曲线集合、微右转曲线集合以及右转曲线集合，并确定与识别到的行驶行为对应的目标轨迹曲线集合。
在本申请实施例中，进一步地，确定模块1105具体用于：根据观测状态序列对应的横向位移和纵向位移，分别计算目标轨迹曲线集合中的轨迹曲线与车辆的已行驶轨迹的相似度；将相似度最大的轨迹曲线，作为车辆的轨迹趋势曲线；根据观测状态序列中最后一个行驶时刻对应的纵向速度和轨迹趋势曲线，得到车辆在未来预设时间内的轨迹曲线。
本申请实施例中的车辆轨迹预测装置1100可以是计算机设备，也可以是计算机设备中的部件，例如集成电路或芯片。该计算机设备可以是终端，也可以为除终端之外的其他设备。示例性的，计算机设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载计算机设备、移动上网装置（Mobile Internet Device，MID）、机器人、超级移动个人计算机（Ultra-Mobile Personal Computer，UMPC）、上网本或者个人数字助理（Personal DigitalAssistant，PDA）等，还可以为服务器、网络附属存储器（Network Attached Storage，NAS）、个人计算机（Personal Computer，PC）等，本申请实施例不作具体限定。
本申请实施例中的车辆轨迹预测装置1100可以为具有操作系统的装置。该操作系统可以为安卓（Android）操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本申请实施例不作具体限定。
本申请实施例提供的车辆轨迹预测装置1100能够实现图1的车辆轨迹预测方法实施例实现的各个过程，为避免重复，这里不再赘述。
本申请实施例还提供了一种芯片，如图12所示，芯片1200包括至少一个处理器1201和通信接口1202，通信接口1202和至少一个处理器1201耦合，至少一个处理器1201用于运行程序或指令，实现上述车辆轨迹预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
优选地，该芯片1200还包括存储器1203，存储器1203存储了如下的元素：可执行模块或者数据结构，或者他们的子集，或者他们的扩展集。
本申请实施例中，存储器1203可以包括只读存储器和随机存取存储器，并向处理器1201提供指令和数据。存储器1203的一部分还可以包括非易失性随机存取存储器（non-volatile random access memory，NVRAM）。
本申请实施例中，处理器1201、通信接口1202以及存储器1203通过总线系统1204耦合在一起。其中，总线系统1204除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。为了便于描述，在图12中将各种总线都标为总线系统1204。
上述本申请实施例描述的方法可以应用于处理器1201中，或者由处理器1201实现。处理器1201可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1201中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1201可以是通用处理器（例如，微处理器或常规处理器）、数字信号处理器（digitalsignal processing，DSP）、专用集成电路（application specific integrated circuit，ASIC）、现成可编程门阵列（field-programmable gate array，FPGA）或者其他可编程逻辑器件、分立门、晶体管逻辑器件或分立硬件组件，处理器1201可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。
本申请实施例还提供一种终端，如图13所示，该终端1300包括上述车辆轨迹预测装置1100。
上述终端1300可以通过车辆轨迹预测装置1100执行上述实施例所描述的方法。可以理解，终端1300对车辆轨迹预测装置1100进行控制的实现方式，可以根据实际应用场景设定，本申请实施例不作具体限定。
上述终端1300包括但不限于：车辆、车载终端、车载控制器、车载模块、车载模组、车载部件、车载芯片、车载单元、车载雷达或车载摄像头等其他传感器，车辆可通过该车载终端、车载控制器、车载模块、车载模组、车载部件、车载芯片、车载单元、车载雷达或摄像头，实施本申请提供的方法。本申请中的车辆包括乘用车和商用车，商用车的常见车型包括但不限于：皮卡、微卡、轻卡、微客，自缷车、载货车、牵引车、挂车、专用车和矿用车辆等。矿用车辆包括但不限于矿卡、宽体车、铰接车、挖机、电铲、推土机等。本申请对智能车的类型不作进一步限定，任何一种车型均在本申请的保护范围内。
本申请实施例中的终端作为一种执行非电变量的控制或调整系统，对车辆的观测状态序列、轨迹曲线等非电变量进行控制或调整，从而实现在矿区环境下不依赖道路和环境信息，实时、高效、稳定地预测长期车辆的轨迹。
本申请实施例还提供一种计算机设备，如图14所示，该计算机设备1400包括处理器1401和存储器1402，存储器1402上存储有可在处理器1401上运行的程序或指令，该程序或指令被处理器1401执行时实现上述车辆轨迹预测方法实施例的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，本申请实施例中的计算机设备1400包括上述的移动计算机设备和非移动计算机设备。
存储器1402可用于存储软件程序以及各种数据。存储器1402可主要包括存储程序或指令的第一存储区和存储数据的第二存储区，其中，第一存储区可存储操作系统、至少一个功能所需的应用程序或指令（比如声音播放功能、图像播放功能等）等。此外，存储器1402可以包括易失性存储器或非易失性存储器，或者，存储器1402可以包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DRRAM)。本申请实施例中的存储器1402包括但不限于这些和任意其它适合类型的存储器。
处理器1401可包括一个或多个处理单元；可选的，处理器1401集成应用处理器和调制解调处理器，其中，应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作，调制解调处理器主要处理无线通信信号，如基带处理器。可以理解的是，上述调制解调处理器也可以不集成到处理器1401中。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述车辆轨迹预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例还提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如上述车辆轨迹预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (14)

1.一种车辆轨迹预测方法，其特征在于，包括：
根据不同行驶时刻车辆的大地坐标和航向角，确定相对于起始时刻的车体坐标系的相对坐标系；
获取不同行驶时刻所述车辆在所述相对坐标系下的横向位移、纵向速度以及纵向加速度，并根据所述横向位移、所述纵向速度以及所述纵向加速度，生成观测状态序列；
基于所述观测状态序列和不同行驶行为对应的行为识别模型，对所述车辆的行驶行为进行识别；
基于所述观测状态序列和预设多项式，生成不同行驶行为的轨迹曲线集合，以及在所述不同行驶行为的轨迹曲线集合中，确定与识别到的所述车辆的行驶行为对应的目标轨迹曲线集合；
根据所述观测状态序列在所述目标轨迹曲线集合中确定所述车辆的轨迹曲线。
2.根据权利要求1所述的方法，其特征在于，所述根据不同行驶时刻车辆的大地坐标和航向角，确定相对于起始时刻车体坐标系的相对坐标系，包括：
获取所述车辆在大地坐标系下的不同行驶时刻的大地坐标和航向角，并根据所述大地坐标和所述航向角生成坐标变换矩阵；
根据所述坐标变换矩阵，得到所述车辆相对于起始时刻的车体坐标系下的相对坐标和航向角；
当所述航向角在连续时间内的变化量均小于第一阈值时，以当前时刻的车体坐标系为所述相对坐标系；
当所述航向角在连续时间内的至少一个变化量大于所述第一阈值时，以当前时刻的前一时刻的车体坐标系为所述相对坐标系。
3.根据权利要求2所述的方法，其特征在于，所述获取不同行驶时刻所述车辆在所述相对坐标系下的横向位移、纵向速度以及纵向加速度，包括：
获取不同行驶时刻所述车辆在所述相对坐标系下的相对坐标的横向位移和纵向位移；
根据所述纵向位移和时间间隔，求取不同行驶时刻的所述纵向速度和所述纵向加速度。
4.根据权利要求2所述的方法，其特征在于，在所述根据所述横向位移、所述纵向速度以及所述纵向加速度，生成观测状态序列之前，还包括：
采用卡尔曼滤波算法对所述横向位移、所述纵向速度以及所述纵向加速度进行滤波处理。
5.根据权利要求1所述的方法，其特征在于，所述根据所述横向位移、所述纵向速度以及所述纵向加速度，生成观测状态序列，包括：
根据起始时刻对应的观测状态S0={y0,vx0,ax0}，求取时间序列T={t1,t2,t3,......,tn}对应的观测状态St={S1,S2,S3,......,Sn}，则所述观测状态序列Ot={O1,O2,O3,......,On}={S1-S0,S2-S0,S3-S0,......,Sn-S0}，其中，y0为所述横向位移，vx0为所述纵向速度，ax0为所述纵向加速度。
6.根据权利要求1所述的方法，其特征在于，所述不同行驶行为对应的行为识别模型包括左转识别模型、微左转识别模型、直行识别模型、微右转识别模型以及右转识别模型；
所述基于所述观测状态序列和不同行驶行为对应的行为识别模型，对所述车辆的驾驶方向进行识别，包括：
将所述观测状态序列分别输入所述左转识别模型、所述微左转识别模型、所述直行识别模型、所述微右转识别模型以及所述右转识别模型，得到左转概率、微左转概率、直行概率、微右转概率以及右转概率；
将所述左转概率、所述微左转概率、所述直行概率、所述微右转概率以及所述右转概率中的最大值所对应的行驶行为作为所述车辆的行驶行为。
7.根据权利要求6所述的方法，其特征在于，还包括：
获取样本观测状态序列；
根据所述样本观测状态序列的最大横向位移，将所述样本观测状态序列分类为左转观测状态序列、微左转观测状态序列、直行观测状态序列、微右转观测状态序列以及右转观测状态序列；
设置左转识别模型、微左转识别模型、直行识别模型、微右转识别模型以及右转识别模型；
将所述左转观测状态序列输入所述左转识别模型进行训练得到所述左转识别模型的参数、将所述微左转观测状态序列输入所述微左转识别模型进行训练得到所述微左转识别模型的参数、将所述直行观测状态序列输入所述直行识别模型进行训练得到所述直行识别模型的参数、将所述微右转观测状态序列输入所述微右转识别模型进行训练得到所述微右转识别模型的参数、将所述右转观测状态序列输入所述右转识别模型进行训练得到所述右转识别模型的参数。
8.根据权利要求1至7中任一项所述的方法，其特征在于，所述基于所述观测状态序列和预设多项式，生成不同行驶行为的轨迹曲线集合，以及在所述不同行驶行为的轨迹曲线集合中，确定与识别到的所述车辆的行驶行为对应的目标轨迹曲线集合，包括：
将所述观测状态序列起始时刻的所述相对坐标系的原点作为起点坐标，获取多个采样横向位移和采样纵向位移，确定多个终点坐标，并根据所述起点坐标、所述多个终点坐标和所述预设多项式，生成所述多个轨迹曲线集合；
根据曲线末端曲率和方向将所述多个轨迹曲线集合分类为左转曲线集合、微左转曲线集合、直行曲线集合、微右转曲线集合以及右转曲线集合，并确定与识别到的所述行驶行为对应的目标轨迹曲线集合。
9.根据权利要求8所述的方法，其特征在于，所述根据所述观测状态序列在所述目标轨迹曲线集合中确定所述车辆的轨迹曲线，包括：
根据所述观测状态序列对应的所述横向位移和所述纵向位移，分别计算所述目标轨迹曲线集合中的轨迹曲线与所述车辆的已行驶轨迹的相似度；
将相似度最大的轨迹曲线，作为所述车辆的轨迹趋势曲线；
根据所述观测状态序列中最后一个行驶时刻对应的纵向速度和所述轨迹趋势曲线，得到所述车辆在未来预设时间内的轨迹曲线。
10.一种车辆轨迹预测装置，其特征在于，包括：
坐标确定模块，用于根据不同行驶时刻车辆的大地坐标和航向角，确定相对于起始时刻的车体坐标系的相对坐标系；
序列生成模块，用于获取不同行驶时刻所述车辆在所述相对坐标系下的横向位移、纵向速度以及纵向加速度，并根据所述横向位移、所述纵向速度以及所述纵向加速度，生成观测状态序列；
识别模块，用于基于所述观测状态序列和不同行驶行为对应的行为识别模型，对所述车辆的行驶行为进行识别；
曲线生成模块，用于基于所述观测状态序列和预设多项式，生成不同行驶行为的轨迹曲线集合，以及在所述不同行驶行为的轨迹曲线集合中，确定与识别到的所述车辆的行驶行为对应的目标轨迹曲线集合；
确定模块，用于根据所述观测状态序列在所述目标轨迹曲线集合中确定所述车辆的轨迹曲线。
11.一种芯片，其特征在于，所述芯片包括至少一个处理器和通信接口，所述通信接口和所述至少一个处理器耦合，所述至少一个处理器用于运行程序或指令，以实现如权利要求1至9中任一项所述的车辆轨迹预测方法的步骤。
12.一种终端，其特征在于，所述终端包括如权利要求10所述的车辆轨迹预测装置。
13.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，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至9中任一项所述的车辆轨迹预测方法的步骤。
14.一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至9中任一项所述的车辆轨迹预测方法的步骤。
CN202210578437.8A 2022-05-26 2022-05-26 一种车辆轨迹预测方法、装置、芯片、终端和计算机设备 Active CN114664094B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210578437.8A CN114664094B (zh) 2022-05-26 2022-05-26 一种车辆轨迹预测方法、装置、芯片、终端和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210578437.8A CN114664094B (zh) 2022-05-26 2022-05-26 一种车辆轨迹预测方法、装置、芯片、终端和计算机设备

Publications (2)

Publication Number Publication Date
CN114664094A true CN114664094A (zh) 2022-06-24
CN114664094B CN114664094B (zh) 2022-08-26

Family

ID=82038218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210578437.8A Active CN114664094B (zh) 2022-05-26 2022-05-26 一种车辆轨迹预测方法、装置、芯片、终端和计算机设备

Country Status (1)

Country Link
CN (1) CN114664094B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116012972A (zh) * 2022-12-15 2023-04-25 悦享雄安科技有限公司 车辆轨迹的处理方法以及车辆轨迹的处理装置
CN116994436A (zh) * 2023-09-26 2023-11-03 青岛慧拓智能机器有限公司 一种智慧矿山道路碰撞预警方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107610464A (zh) * 2017-08-11 2018-01-19 河海大学 一种基于高斯混合时间序列模型的轨迹预测方法
US20180281785A1 (en) * 2017-03-29 2018-10-04 Mitsubishi Electric Research Laboratories, Inc. System and Method for Controlling Lateral Motion of Vehicle
CN112133089A (zh) * 2020-07-21 2020-12-25 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
US20210237779A1 (en) * 2018-09-27 2021-08-05 Kpit Technologies Limited System for grid-based merge cut-in prediction and method thereof
CN113386795A (zh) * 2021-07-05 2021-09-14 西安电子科技大学芜湖研究院 一种自动驾驶车辆智能决策及局部轨迹规划方法及其决策系统
CN113859266A (zh) * 2021-10-12 2021-12-31 北京理工大学 一种非结构化道路目标车辆换道轨迹预测方法及系统
CN113879295A (zh) * 2020-07-02 2022-01-04 华为技术有限公司 轨迹预测方法及装置
CN114074678A (zh) * 2020-08-13 2022-02-22 福特全球技术公司 模拟驾驶特征控制脑机接口
CN114132340A (zh) * 2021-08-16 2022-03-04 中南大学 一种变道轨迹预测方法、装置及计算机存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180281785A1 (en) * 2017-03-29 2018-10-04 Mitsubishi Electric Research Laboratories, Inc. System and Method for Controlling Lateral Motion of Vehicle
CN107610464A (zh) * 2017-08-11 2018-01-19 河海大学 一种基于高斯混合时间序列模型的轨迹预测方法
US20210237779A1 (en) * 2018-09-27 2021-08-05 Kpit Technologies Limited System for grid-based merge cut-in prediction and method thereof
CN113879295A (zh) * 2020-07-02 2022-01-04 华为技术有限公司 轨迹预测方法及装置
CN112133089A (zh) * 2020-07-21 2020-12-25 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
CN114074678A (zh) * 2020-08-13 2022-02-22 福特全球技术公司 模拟驾驶特征控制脑机接口
CN113386795A (zh) * 2021-07-05 2021-09-14 西安电子科技大学芜湖研究院 一种自动驾驶车辆智能决策及局部轨迹规划方法及其决策系统
CN114132340A (zh) * 2021-08-16 2022-03-04 中南大学 一种变道轨迹预测方法、装置及计算机存储介质
CN113859266A (zh) * 2021-10-12 2021-12-31 北京理工大学 一种非结构化道路目标车辆换道轨迹预测方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116012972A (zh) * 2022-12-15 2023-04-25 悦享雄安科技有限公司 车辆轨迹的处理方法以及车辆轨迹的处理装置
CN116994436A (zh) * 2023-09-26 2023-11-03 青岛慧拓智能机器有限公司 一种智慧矿山道路碰撞预警方法
CN116994436B (zh) * 2023-09-26 2024-02-20 青岛慧拓智能机器有限公司 一种智慧矿山道路碰撞预警方法

Also Published As

Publication number Publication date
CN114664094B (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
CN111338346B (zh) 一种自动驾驶控制方法、装置、车辆及存储介质
CN114664094B (zh) 一种车辆轨迹预测方法、装置、芯片、终端和计算机设备
US11131993B2 (en) Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout
US12046131B2 (en) Autonomous vehicle planning and prediction
Wei et al. A behavioral planning framework for autonomous driving
CN106428009B (zh) 车辆轨迹确定的系统和方法
US20220080961A1 (en) Control system and control method for sampling based planning of possible trajectories for motor vehicles
JP7297172B2 (ja) 物体の拡大状態を追跡するためのシステムおよび方法
Zhou et al. Autonomous vehicles’ turning motion planning for conflict areas at mixed-flow intersections
Wissing et al. Probabilistic time-to-lane-change prediction on highways
CN113942524B (zh) 一种车辆行驶控制方法、系统及计算机可读存储介质
CN112015842B (zh) 自行车轨迹预测的自动驾驶车辆风险评估方法及系统
Reda et al. Path planning algorithms in the autonomous driving system: A comprehensive review
CN115123217B (zh) 矿区障碍车辆行使轨迹生成方法、装置及计算机设备
CN111177934A (zh) 参考路径规划的方法、设备和存储介质
CN116758741A (zh) 一种多维度不确定性感知的智能汽车碰撞概率预测方法
Chen et al. Automatic overtaking on two-way roads with vehicle interactions based on proximal policy optimization
Mänttäri et al. Learning to predict lane changes in highway scenarios using dynamic filters on a generic traffic representation
CN114442630A (zh) 一种基于强化学习和模型预测的智能车规划控制方法
Adelberger et al. Decision making through stochastic maneuver validation for overtaking on country roads
JP2023531927A (ja) 運転意思決定方法および運転意思決定装置ならびにチップ
CN112644517B (zh) 一种井下车辆自动驾驶算法
CN115257801A (zh) 轨迹规划方法及装置、服务器、计算机可读存储介质
CN114104005A (zh) 自动驾驶设备的决策方法、装置、设备及可读存储介质
Yang et al. Deep Reinforcement Learning Lane-Changing Decision Algorithm for Intelligent Vehicles Combining LSTM Trajectory Prediction

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