CN114735011A - 车辆轨迹预测方法及相关设备 - Google Patents

车辆轨迹预测方法及相关设备 Download PDF

Info

Publication number
CN114735011A
CN114735011A CN202210451746.9A CN202210451746A CN114735011A CN 114735011 A CN114735011 A CN 114735011A CN 202210451746 A CN202210451746 A CN 202210451746A CN 114735011 A CN114735011 A CN 114735011A
Authority
CN
China
Prior art keywords
sequence
track
vehicle
predicted
data set
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.)
Pending
Application number
CN202210451746.9A
Other languages
English (en)
Inventor
钱锦
刘祥
王晋振
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.)
Beijing Jingwei Hirain Tech Co Ltd
Original Assignee
Beijing Jingwei Hirain Tech Co Ltd
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 Beijing Jingwei Hirain Tech Co Ltd filed Critical Beijing Jingwei Hirain Tech Co Ltd
Priority to CN202210451746.9A priority Critical patent/CN114735011A/zh
Publication of CN114735011A publication Critical patent/CN114735011A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开了一种车辆轨迹预测方法及相关设备，其中方法包括：获取车辆的实际轨迹序列和车辆状态量，结合车辆状态量对应的时间戳，对实际轨迹序列和车辆状态量建立历史驾驶数据集；对历史驾驶数据集进行分割处理得到分割驾驶数据集；利用阿克曼几何关系计算得到第一转角序列，利用人工神经网络模型，得到第二转角序列；建立与车速vx相关的融合系数，对第一转角序列和第二转角序列进行融合得到转角预测序列；利用车辆动力学轨迹模型结合转角预测序列得到第一预测轨迹，利用挂车运动学模型结合规划预测轨迹序列得到第二预测轨迹，并融合第一预测轨迹和第二预测轨迹得到预测危险点轨迹。本申请实施例有效提高了危险点的预测轨迹的准确性。

Description

车辆轨迹预测方法及相关设备
技术领域
本发明涉及安全驾驶领域，尤其涉及车辆轨迹预测方法及相关设备。
背景技术
在行驶过程中，车辆上的某些位置点(一般为车辆的车身外侧上的某些点)容易和其他车辆或对象发生碰撞，这些位置点一般称为车辆危险点，例如：车辆的车头和车位的四个角上的点。
通过对车辆危险点的轨迹进行预测可以提前预估车辆危险点的轨迹，进而根据该轨迹确定车辆发生碰撞的风险。可见，对车辆危险点的轨迹进行预测可以有效提高行车安全。
当前对车辆危险点的轨迹进行预测的技术所预测的车辆危险点的轨迹的准确性不高。
发明内容
鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的车辆轨迹预测方法及相关设备，技术方案如下：
一种车辆轨迹预测方法，包括：
获取车辆的实际轨迹序列和车辆状态量，结合所述车辆状态量对应的时间戳，对所述实际轨迹序列和车辆状态量建立历史驾驶数据集；
对所述历史驾驶数据集进行分割处理得到分割驾驶数据集，所述分割驾驶数据集用于计算得到规划预测轨迹序列Λsegi；
利用阿克曼几何关系计算得到第一转角序列δsw_1，利用人工神经网络模型，输入路径曲率序列τseries_i，车速vx以及载荷G，得到第二转角序列δsw_2；
建立与所述车速vx相关的融合系数，对所述第一转角序列δsw_1和所述第二转角序列δsw_2进行融合得到转角预测序列
Figure BDA0003618916800000011
利用车辆动力学轨迹模型结合所述转角预测序列
Figure BDA0003618916800000012
得到第一预测轨迹，利用挂车运动学模型结合所述规划预测轨迹序列Λsegi得到第二预测轨迹，并融合所述第一预测轨迹和所述第二预测轨迹得到预测危险点轨迹。
可选的，所述获取车辆的实际轨迹序列和车辆状态量，结合所述车辆状态量对应的时间戳，对所述实际轨迹序列和车辆状态量建立历史驾驶数据集，包括：
测量得到车辆的定位点O的实际轨迹序列Λa，其中，Λa＝{ξa1,ξa2,…ξan},ξai＝[Xai,Yai,tai]，Xai和Yai分别为全局坐标系下的定位点O的横向坐标、纵向坐标，tai为所述实际轨迹序列的时间戳；
测量得到车辆状态量并记录所述车辆状态量对应的时间戳TimeStamps，所述车辆状态量包括方向盘转角δsw、挂车横摆角速度ωr、质心侧偏角β、纵向加速度ax、车速vx和挂车夹角
Figure BDA0003618916800000027
基于所述实际轨迹序列的时间戳tai和所述车辆状态量对应的时间戳TimeStamps的时间关系，建立所述实际轨迹序列Λa与所述时间戳TimeStamps的对应关系；
基于所述实际轨迹序列Λa、所述车辆状态量、所述时间戳TimeStamps及所述对应关系，建立历史驾驶数据集Θ，其中，
Figure BDA0003618916800000021
可选的，所述对所述历史驾驶数据集进行分割处理得到分割驾驶数据集，所述分割驾驶数据集用于计算得到规划预测轨迹序列Λsegi，包括：
对所述历史驾驶数据集Θ进行分割处理，得到分割驾驶数据集Θa_segi，其中：
Figure BDA0003618916800000022
Figure BDA0003618916800000028
为一段实际轨迹序列，
Figure BDA0003618916800000023
为一段方向盘转角序列，ωri、βi、axi、vxi、
Figure BDA00036189168000000216
分别表示时刻i的时间戳TimeStamps_i对应的挂车横摆角速度、质心侧偏角、纵向加速度、车速及挂车夹角；
所述
Figure BDA0003618916800000029
的获得过程包括：
获得所述历史驾驶数据集Θ中的实际轨迹序列Λa的时刻i的时间戳TimeStamps_i对应的数据点ξai，其中，ξai＝[Xai,Yai,tai]，按照时间先后顺序，从所述数据点ξai向后检索N个数据点，获得一段实际轨迹序列
Figure BDA00036189168000000210
N为预测轨迹的路径点个数；
所述
Figure BDA00036189168000000211
的获得过程包括：
获得所述历史驾驶数据集Θ中的方向盘转角δsw的时刻i的时间戳TimeStamps_i对应的数据点
Figure BDA00036189168000000212
按照时间先后顺序，从所述数据点
Figure BDA00036189168000000213
向后检索N个数据点，获得一段方向盘转角序列
Figure BDA00036189168000000214
N为预测轨迹的路径点个数。
可选的，所述利用阿克曼几何关系计算得到第一转角序列δsw_1，包括：
获得预测轨迹序列Λsegi，基于所述预测轨迹序列Λsegi计算得到路径曲率序列τseries_i，基于所述路径曲率序列τseries_i计算得到转向半径序列；
根据阿克曼几何关系
Figure BDA0003618916800000025
计算得到第一转角序列δsw_1，其中，R为转向半径，I为转向传动比，L为车辆轴距。
可选的，所述建立与所述车速vx相关的融合系数，对所述第一转角序列δsw_1和所述第二转角序列δsw_2进行融合得到转角预测序列
Figure BDA00036189168000000215
包括：
基于公式
Figure BDA0003618916800000026
对所述第一转角序列δsw_1和所述第二转角序列δsw_2进行融合得到转角预测序列
Figure BDA0003618916800000032
其中k为与所述车速vx相关的融合系数，k∈(0，1)，k与所述车速vx的绝对值呈正相关关系。
可选的，所述融合系数k的确定过程包括：
基于所述融合系数k与所述车速vx的函数关系
Figure BDA0003618916800000031
确定所述融合系数k，其中，
Figure BDA0003618916800000033
为k＝0.5时的车速，a1为使所述人工神经网络模型最快收敛的标定量。
可选的，所述利用车辆动力学轨迹模型结合所述转角预测序列
Figure BDA0003618916800000034
得到第一预测轨迹，利用挂车运动学模型结合所述规划预测轨迹序列Λsegi得到第二预测轨迹，包括：
将所述转角预测序列
Figure BDA0003618916800000035
所述车速vx及所述载荷G输入到车辆动力学轨迹模型中，计算得到第一预测轨迹P1；
将所述规划预测轨迹序列Λsegi输入挂车运动学模型，得到第二预测轨迹P2。
可选的，所述融合所述第一预测轨迹和所述第二预测轨迹得到预测危险点轨迹，包括：
基于公式
P＝a·P1+(1-a)·P2
计算得到预测危险点轨迹P，其中，P1为所述第一预测轨迹，P2为所述第二预测轨迹，a为所述车辆动力学轨迹模型的置信系数，a∈[0,1]。
可选的，所述人工神经网络模型的训练过程包括：
获取车辆的历史轨迹序列和历史车辆状态量，结合所述历史车辆状态量对应的时间戳，对所述历史轨迹序列和历史车辆状态量建立训练驾驶数据集；
对所述训练驾驶数据集进行分割处理得到分割训练驾驶数据集；
基于所述分割训练驾驶数据集对所述人工神经网络模型进行训练。
一种车辆轨迹预测装置，包括：
数据集建立单元，用于获取车辆的实际轨迹序列和车辆状态量，结合所述车辆状态量对应的时间戳，对所述实际轨迹序列和车辆状态量建立历史驾驶数据集；
数据集分割单元，用于对所述历史驾驶数据集进行分割处理得到分割驾驶数据集，所述分割驾驶数据集用于计算得到规划预测轨迹序列Λsegi；
转角序列获得单元，用于利用阿克曼几何关系计算得到第一转角序列δsw_1，利用人工神经网络模型，输入路径曲率序列τseries_i，车速vx以及载荷G，得到第二转角序列δsw_2；
融合单元，用于建立与所述车速vx相关的融合系数，对所述第一转角序列δsw_1和所述第二转角序列δsw_2进行融合得到转角预测序列
Figure BDA0003618916800000036
轨迹获得单元，用于利用车辆动力学轨迹模型结合所述转角预测序列
Figure BDA0003618916800000041
得到第一预测轨迹，利用挂车运动学模型结合所述规划预测轨迹序列Λsegi得到第二预测轨迹，并融合所述第一预测轨迹和所述第二预测轨迹得到预测危险点轨迹。
一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的任一种车辆轨迹预测方法。
一种存储介质，其上存储有程序，所述程序被处理器执行时实现上述的任一种车辆轨迹预测方法。
一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述的任一种车辆轨迹预测方法。
借由上述技术方案，本发明提供的车辆轨迹预测方法及相关设备，可以分别使用阿克曼几何关系和人工神经网络模型获得转角序列，并基于与车速相关的融合系数对获得的两个转角序列进行融合，得到转角预测序列，然后利用车辆动力学轨迹模型结合转角预测序列得到第一预测轨迹，利用挂车运动学模型结合规划预测轨迹序列得到第二预测轨迹，并融合第一预测轨迹和第二预测轨迹得到预测危险点轨迹。本申请实施例通过上述两次融合处理，有效提高了危险点的预测轨迹的准确性。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请实施例提供的一种车辆轨迹预测方法的流程图；
图2示出了本申请实施例提供的使用车速确定挂车运动学模型并获得第二预测轨迹的示意图；
图3示出了本申请实施例提供的融合系数与速度之间的函数关系曲线的示意图；
图4示出了本申请实施例提供的驾驶数据集的记录和使用示意图；
图5示出了本申请实施例提供的另一种车辆轨迹预测方法的流程图；
图6示出了本申请实施例提供的一种车辆轨迹预测装置的结构示意图；
图7示出了本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本申请实施例提供的一种车辆轨迹预测方法，可以包括：
S100、获取车辆的实际轨迹序列和车辆状态量，结合车辆状态量对应的时间戳，对实际轨迹序列和车辆状态量建立历史驾驶数据集。
在实际应用中，实际轨迹序列和车辆状态量中的至少一种数据可以采用传感器采集或通过其他方式(如从车辆手册中)得到。
具体的，车辆的轨迹是车辆中的预设定位点的横纵向坐标随时间变化的轨迹，可以通过定位装置(如GPS、北斗定位装置等)来检测获得。车辆的实际轨迹序列包括多个带有时刻的轨迹点。当本申请中的车辆为包括牵引车和挂车的车辆时，上述预设定位点可以位于牵引车上或位于挂车上。
可选的，上述车辆状态量中可以包括多种数据，如：方向盘转角、横摆角速度、质心侧偏角、纵向加速度、车速等多种数据中的至少一种。当本申请中的车辆为包括牵引车和挂车的车辆时，上述驾驶数据集中还可以包括：挂车夹角。当本申请中的车辆为包括牵引车和挂车的车辆时，上述横摆角速度可以为挂车横摆角速度。
方向盘转角是方向盘的转动角度。
横摆角速度是车辆质量绕z轴(车辆坐标系)旋转的角速度，可以通过陀螺仪传感器采集得到。
质心侧偏角是车辆质心速度方向与车头指向的夹角，可以通过陀螺仪传感器采集得到。
纵向加速度是车辆沿纵轴方向的加速度，可以通过加速度计传感器采集到。
挂车夹角是指挂车和牵引车之间的夹角，可以通过激光或视觉传感器采集到。
可以理解的是，实际轨迹序列和车辆状态量中的各种参数中的至少部分参数可以通过传感器采集得到，不同的传感器的采集频率不尽相同，这也导致不同参数的采集时刻也不同。本申请可以通过时间戳将车辆状态量中的各种参数对应起来，例如：某个时间范围内采集的车辆状态量都与同一个时间戳对应，该时间戳与该时间范围匹配。如：该时间戳为该时间范围内的一个时刻或为该时间范围的标识。同时，本申请也可以利用该时间戳将实际轨迹序列与该时间戳对应，这样，同一个时间范围内采集的实际轨迹序列和车辆状态量都可以和该时间戳对应，从而建立历史驾驶数据集。
S200、对历史驾驶数据集进行分割处理得到分割驾驶数据集，分割驾驶数据集用于计算得到规划预测轨迹序列Λsegi。
历史驾驶数据集中包括多个时间戳对应的实际轨迹序列和车辆状态量，本申请可以将历史驾驶数据集分割为多个分割驾驶数据集。每个分割驾驶数据集中均可以包括：与同一个时间戳对应的规划预测轨迹序列Λsegi、方向盘转角序列、挂车横摆角速度、质心侧偏角、纵向加速度、车速及挂车夹角。上述规划预测轨迹序列Λsegi可以具体包括：一个时间戳对应的轨迹点及该轨迹点之后的N个轨迹点。上述方向盘转角序列可以具体包括：一个时间戳对应的方向盘转角及该方向盘转角之后的N个方向盘转角。
S300、利用阿克曼几何关系计算得到第一转角序列δsw_1，利用人工神经网络模型，输入路径曲率序列τseries_i，车速vx以及载荷G，得到第二转角序列δsw_2。
阿克曼几何关系又称为阿克曼转向关系或阿克曼转向模型，阿克曼几何关系具体为：
Figure BDA0003618916800000061
其中，δsw为方向盘转角，R为转向半径，I为转向传动比，L为车辆轴距。
从该公式可以看出，在获得转向半径、转向传动比和汽车轴距后，就可以基于该公式计算得到方向盘转角。对于某固定的车辆而言，转向传动比和汽车轴距为已知量。转向半径又称为转弯半径，是指汽车行驶过程中，由转向中心到前外转向轮与地面接触点的距离。转向传动比是指方向盘转向程度与车轮转向程度之比。
本申请可以根据轨迹序列计算得到路径曲率，然后根据路径曲率计算得到转向半径，进而可以根据阿克曼几何关系计算得到方向盘转角，并获得第一转角序列δsw_1。
可选的，上述利用人工神经网络模型，输入路径曲率序列τseries_i，车速vx以及载荷G，得到第二转角序列δsw_2的具体包括可以包括：
将路径曲率序列τseries_i，车速vx以及载荷G输入预先训练好的人工神经网络模型，获得预先训练好的人工神经网络模型输出的第二转角序列δsw_2。
其中，上述人工神经网络模型的输入可以为：路径曲率序列、车速和载荷，上述人工神经网络模型的输出可以为：转角序列。上述人工神经网络模型可以用模型M2表示。
可以理解的是，本申请可以通过历史轨迹序列和历史车辆状态量对人工神经网络模型进行训练。
S400、建立与车速vx相关的融合系数，对第一转角序列δsw_1和第二转角序列δsw_2进行融合得到转角预测序列
Figure BDA0003618916800000062
可以理解的是，第一转角序列δsw_1是通过阿克曼几何关系计算得到的，第二转角序列δsw_2是通过人工神经网络模型得到的，因此本申请将对第一转角序列δsw_1和第二转角序列δsw_2进行融合得到的转角预测序列
Figure BDA0003618916800000063
具有比较高的准确性。同时，由于本申请通过与车速vx相关的融合系数来进行上述融合，因此当车速vx不同时，融合系数也可能不同，进一步提高了融合得到的转角预测序列的准确性。
可选的，当车速较低时，融合系数可以趋近于0，此时
Figure BDA0003618916800000071
趋近于δsw1；而当车速较高时，融合系数趋近于1，此时
Figure BDA0003618916800000072
趋近于δsw2。在实际应用中，本申请实施例可以基于融合系数与vx之间的函数关系来确定融合系数。
S500、利用车辆动力学轨迹模型结合转角预测序列
Figure BDA0003618916800000073
得到第一预测轨迹，利用挂车运动学模型结合规划预测轨迹序列Λsegi得到第二预测轨迹，并融合第一预测轨迹和第二预测轨迹得到预测危险点轨迹。
需要说明的是，本申请车辆轨迹预测方法中步骤S100至S500并不限于图1所示的一种执行顺序。
其中，动力学主要研究作用于物体的力与物体运动的关系，车辆动力学轨迹模型一般用于分析车辆的平顺性和车辆操纵的稳定性，并可以得到车辆的预测轨迹。
运动学是从几何学的角度研究物体的运动规律，包括物体在空间的位置、速度等随时间而产生的变化，因此，挂车运动学模型是能反映挂车位置、速度、加速度等参数与时间的关系的数学模型。
可选的，车辆动力学轨迹模型可以包括：牵引车模型及挂车模型。
本申请实施例的挂车运动学模型可以为二自由度汽车模型，考虑到该模型的定速假设，如图2所示，本申请实施例可以根据不同的车速搭建多个挂车运动学模型201。本申请实施例可以使用开关202来根据车速选择不同的挂车运动学模型201，然后使用选择的挂车运动学模型201对预测轨迹序列Λsegi进行计算，获得第二预测轨迹。可以理解的是，搭建的挂车运动学模型201越多，则基于挂车运动学模型得到的第二预测轨迹就越精确。在实际应用中，本申请可以将当前挂车夹角
Figure BDA0003618916800000074
等效成前轮的转角输入，在线估计挂车轮胎侧偏刚度、挂车质心位置等参数。本申请可以实时更新车辆动力学轨迹模型参数，以提高模型的准确度。
其中，使用挂车运动学模型对预测轨迹序列Λsegi进行计算，获得车辆的第二预测轨迹为现有的成熟技术，本领域技术人员知悉其具体方案，因此此处不再赘述。
本发明提供的车辆轨迹预测方法，可以分别使用阿克曼几何关系和人工神经网络模型获得转角序列，并基于与车速相关的融合系数对获得的两个转角序列进行融合，得到转角预测序列，然后利用车辆动力学轨迹模型结合转角预测序列得到第一预测轨迹，利用挂车运动学模型结合规划预测轨迹序列得到第二预测轨迹，并融合第一预测轨迹和第二预测轨迹得到预测危险点轨迹。本申请实施例通过上述两次融合处理，有效提高了危险点的预测轨迹的准确性。
与目前已有方法相比，本发明提供的车辆轨迹预测方法在计算过程中应用了车辆动力学轨迹模型。同时，该方法可以基于历史驾驶数据的累积不断完善模型，提升了挂车危险点轨迹预测模型精度。
可选的，在其他实施例中，图1所示方法中步骤S100可以具体包括：
测量得到车辆的定位点O的实际轨迹序列Λa，其中，Λa＝{ξa1,ξa2,…ξan},ξai＝[Xai,Yai,tai]，Xai和Yai分别为全局坐标系下的定位点O的横向坐标、纵向坐标，tai为实际轨迹序列的时间戳；
测量得到车辆状态量并记录车辆状态量对应的时间戳TimeStamps，车辆状态量包括方向盘转角δsw、挂车横摆角速度ωr、质心侧偏角β、纵向加速度ax、车速vx和挂车夹角
Figure BDA0003618916800000083
基于实际轨迹序列的时间戳tai和车辆状态量对应的时间戳TimeStamps的时间关系，建立实际轨迹序列Λa与时间戳TimeStamps的对应关系；
基于实际轨迹序列Λa、车辆状态量、时间戳TimeStamps及对应关系，建立历史驾驶数据集Θ，其中，
Figure BDA0003618916800000081
上述定位点O可以为车辆的后轴中心点，也可以为车辆的前轴中心点、车辆的几何中心点或车辆的车头中心点等。上述后轴、前轴可以为牵引车的后轴、前轴，也可以为挂车的后轴、前轴。
可以理解的是，轨迹序列中的每个轨迹点都会对应有一个轨迹时刻，以表示车辆的定位点在什么时刻到达该轨迹点。除车辆的轨迹外，历史驾驶数据集中还可以包括车辆状态量，这些车辆状态量中的至少部分数据可以通过传感器采集得到，因此历史驾驶数据集中的上述车辆状态量中的至少部分数据还对应有采集时刻。而各传感器的采集时刻不尽相同，同时上述车辆状态量的采集时刻与轨迹时刻也可能不同，因此为了将在一个时间段内采集或得到的历史驾驶数据集中的各数据对应起来，本申请使用了时间戳TimeStamps。可选的，历史驾驶数据集可以存储在数据库中，时间戳TimeStamps可以为数据库中的时间戳。该时间戳TimeStamps为数据库中自动生成的唯一二进制数字，通常用作给表行加版本戳的机制。可选的，随着时间的推移，本申请可以采集到多个历史驾驶数据集，一个历史驾驶数据集中各数据的采集时刻可以不完全相同，每个历史驾驶数据集均和一个时间戳TimeStamps对应，这样各历史驾驶数据集可以分别与多个不同的时间戳TimeStamps对应。
可选的，在其他实施例中，图1所示方法中步骤S200可以具体包括：
对历史驾驶数据集Θ进行分割处理，得到分割驾驶数据集Θa_segi，其中：
Figure BDA0003618916800000082
Figure BDA0003618916800000084
为一段实际轨迹序列，
Figure BDA0003618916800000085
为一段方向盘转角序列，ωri、βi、axi、vxi、
Figure BDA0003618916800000086
分别表示时刻i的时间戳TimeStamps_i对应的挂车横摆角速度、质心侧偏角、纵向加速度、车速及挂车夹角；
Figure BDA0003618916800000093
的获得过程包括：
获得历史驾驶数据集Θ中的实际轨迹序列Λa的时刻i的时间戳TimeStamps_i对应的数据点ξai，其中，ξai＝[Xai,Yai,tai]，按照时间先后顺序，从数据点ξai向后检索N个数据点，获得一段实际轨迹序列
Figure BDA0003618916800000094
N为预测轨迹的路径点个数；
Figure BDA0003618916800000095
的获得过程包括：
获得历史驾驶数据集Θ中的方向盘转角δsw的时刻i的时间戳TimeStamps_i对应的数据点
Figure BDA0003618916800000096
按照时间先后顺序，从数据点
Figure BDA0003618916800000097
向后检索N个数据点，获得一段方向盘转角序列
Figure BDA0003618916800000098
N为预测轨迹的路径点个数。
其中，TimeStamps_i表示时刻i的时间戳。其中，N可以为99或其他自然数。
可以理解的是，通过上述分割处理，本申请得到的分割驾驶数据集Θa_segi不仅包括了时刻i的时间戳对应的各种数据，还包括了时刻i之后的N个轨迹点、N个方向盘转角，因此本申请可以根据分割驾驶数据集计算得到规划预测轨迹序列Λsegi。
可选的，在其他实施例中，图1所示方法中步骤S300利用阿克曼几何关系计算得到第一转角序列δsw_1，可以包括：
获得预测轨迹序列Λsegi，基于预测轨迹序列Λsegi计算得到路径曲率序列τseries_i，基于路径曲率序列τseries_i计算得到转向半径序列；
根据阿克曼几何关系
Figure BDA0003618916800000091
计算得到第一转角序列δsw_1，其中，R为转向半径，I为转向传动比，L为车辆轴距。
在车速很低的稳态转向情形，车辆的运动简单服从阿克曼几何关系，即汽车轨迹曲率与方向盘转角成正比。通过预测轨迹序列Λsegi，可以计算得到路径曲率序列τseries_i，进而由阿克曼几何关系可得到第一转角序列δsw_1。阿克曼几何关系可以用模型M1表示。模型M1具有运算量小，运算速度快的优点；但当车速较高时，模型M1的精度会受较大影响。
可选的，在其他实施例中，图1所示方法中步骤S400可以包括：
基于公式
Figure BDA0003618916800000092
对第一转角序列δsw_1和第二转角序列δsw_2进行融合得到转角预测序列
Figure BDA0003618916800000099
其中k为与车速vx相关的融合系数，k∈(0，1)，k与车速vx的绝对值呈正相关关系。
本申请可以通过融合系数k实现M1，M2两个模型预测结果的融合。
融合系数k与车速vx相关。当车速较低时，融合系数k趋近于0，此时
Figure BDA0003618916800000102
接近于δsw1；而当车速较高时，融合系数k趋近于1，此时
Figure BDA0003618916800000103
接近于δsw2。
可选的，融合系数k的确定过程包括：
基于融合系数k与车速vx的函数关系
Figure BDA0003618916800000101
确定融合系数k，其中，
Figure BDA0003618916800000104
为k＝0.5时的车速，a1为使人工神经网络模型最快收敛的标定量。
如图3中，
Figure BDA0003618916800000105
为5米/秒。
Figure BDA0003618916800000106
可以影响函数关系曲线的形状，在实际应用中，本领域技术人员可以设定
Figure BDA0003618916800000107
的取值为一个固定值。a1为标定量，用于标定得到合适的融合函数关系。在一可选实施例中，融合系数k与速度vx之间的函数关系曲线可以如图3所示。
图3中的横坐标为速度，单位为米/秒；纵坐标为融合系数。图3中的三条曲线分别为当a1为1、1.8、2.6时的融合函数关系曲线。使用a1进行标定的过程可以为：首先设定一个a1的初始值，根据历史驾驶数据集对模型M2进行训练，观察模型M2的收敛情况；再选择另一个a1的初始值，继续进行训练并观察模型M2的收敛情况，重复进行该过程，直到找到一个最快收敛的a1的值，该最快收敛的a1的值即为a1的取值。
可选的，在其他实施例中，图1所示方法中步骤S500利用车辆动力学轨迹模型结合转角预测序列
Figure BDA0003618916800000108
得到第一预测轨迹，利用挂车运动学模型结合规划预测轨迹序列Λsegi得到第二预测轨迹，可以包括：
将转角预测序列
Figure BDA0003618916800000109
车速vx及载荷G输入到车辆动力学轨迹模型中，计算得到第一预测轨迹P1；
将规划预测轨迹序列Λsegi输入挂车运动学模型，得到第二预测轨迹P2。
可选的，在其他实施例中，图1所示方法中步骤S500融合第一预测轨迹和第二预测轨迹得到预测危险点轨迹，可以包括：
基于公式
P＝a·P1+(1-a)·P2
计算得到预测危险点轨迹P，其中，P1为第一预测轨迹，P2为第二预测轨迹，a为车辆动力学轨迹模型的置信系数，a∈[0,1]。
本申请实施例可以利用历史时间戳的驾驶数据集，计算P1及P2分别与P之间的接近度，然后根据该接近度，利用简单线性关系并归一化得到确定置信度a∈[0,1]。在对车辆动力学轨迹模型进行调整的过程中，a从0开始，随着车辆动力学轨迹模型精度的提高，a逐渐接近1。当a大于0.5时，说明使用车辆动力学轨迹模型得到的危险点的预测轨迹的精度超过了使用挂车运动学模型得到的危险点的预测轨迹的精度。
可选的，本申请中的人工神经网络模型的训练过程可以包括：
获取车辆的历史轨迹序列和历史车辆状态量，结合历史车辆状态量对应的时间戳，对历史轨迹序列和历史车辆状态量建立训练驾驶数据集；
对训练驾驶数据集进行分割处理得到分割训练驾驶数据集；
基于分割训练驾驶数据集对人工神经网络模型进行训练。
本申请可以在车辆行驶过程中对人工神经网络模型进行训练。
可选的，人工神经网络模型的训练过程中历史轨迹序列和历史车辆状态量的获取方式可以和图1所示方法中步骤S100获取车辆的实际轨迹序列和车辆状态量的方式相同，不再赘述。
可选的，人工神经网络模型的训练过程中分割处理的具体方式可以和图1所示方法中步骤S200进行分割处理的具体方式相同，不再赘述。
在实际应用中，如图4所示，本申请可以首先采集一段时间的驾驶数据集并将其作为初始驾驶数据集，从初始驾驶数据集的起点开始，按照步骤S100相同的获取方式，从初始驾驶数据集获得辆的实际轨迹序列和车辆状态量并建立训练驾驶数据集。然后从训练驾驶数据集中获得分割训练驾驶数据集对人工神经网络模型进行训练。同时，在车辆的正常行驶过程中，本申请可以继续进行驾驶数据的记录并将记录的数据加入到初始驾驶数据集中，然后从添加了数据的初始驾驶数据集再次获得训练驾驶数据集并再次对人工神经网络模型进行训练。每次获得的训练驾驶数据集都可以是前一次获得的训练驾驶数据集之后的数据。本申请可以不断完善训练驾驶数据集并在线训练模型M2。等到车辆动力学轨迹模型的置信系数a预测精度足够大(如已经超过通过运动学推算的精度)，则可以认为方向盘转角序列是可靠的，数据集已足够完善，可以不用再进行驾驶数据的采集。
这样，本申请就实现了对训练数据的更新和扩充，同时也实现了人工神经网络模型的持续优化，进一步提高了危险点的预测轨迹的准确性。
本申请应用了包括牵引车模型及挂车模型在内的车辆动力学轨迹模型，和目前采用运动学模型推算的方法相比提高了预测精度。
本申请可以基于已记录的历史数据，在线学习以提升挂车危险点轨迹的推算精度，并定义置信系数对该过程进行量化。
以传感器测得的定位点轨迹及方向盘转角作为原始数据进行训练，在事实上考虑了跟踪控制的误差，减少了定位点规划轨迹与定位点实际轨迹之间误差对挂车危险点轨迹预测精度的影响。
作为后续碰撞检测模块的基础，该方法有利于提高自动驾驶车辆的行驶安全性。
为方便理解，下面结合图5对本申请的方案进行说明：
如图5所示，本申请提供的一种车辆轨迹预测方法，可以包括：
获取车辆的实际轨迹序列和车辆状态量，结合所述车辆状态量对应的时间戳，对所述实际轨迹序列和车辆状态量建立历史驾驶数据集；车辆的车辆状态量包括：车速以及载荷；
对所述历史驾驶数据集进行分割处理得到分割驾驶数据集，所述分割驾驶数据集用于计算得到规划预测轨迹序列；
对规划预测轨迹序列进行路径曲率计算，获得路径曲率序列；
利用阿克曼几何关系对路径曲率序列进行计算，得到第一转角序列；
利用人工神经网络模型，输入路径曲率序列、车速以及载荷，得到第二转角序列；
建立与车速相关的融合系数，对第一转角序列和第二转角序列进行融合得到转角预测序列；
利用车辆动力学轨迹模型结合所述转角预测序列得到第一预测轨迹P1；
利用挂车运动学模型结合所述规划预测轨迹序列得到第二预测轨迹P2；
基于公式
P＝a·P1+(1-a)·P2
计算得到预测危险点轨迹P，其中，P1为第一预测轨迹，P2为第二预测轨迹，a为车辆动力学轨迹模型的置信系数，a∈[0,1]。
其中，如图5所示，置信系数a可以基于历史驾驶数据集、第一预测轨迹P1和第二预测轨迹P2计算得到。
与图1所示方法实施例相对应，本申请还提供了一种车辆轨迹预测装置。
如图6所示，本申请实施例提供的一种车辆轨迹预测装置，可以包括：
数据集建立单元100，用于获取车辆的实际轨迹序列和车辆状态量，结合车辆状态量对应的时间戳，对实际轨迹序列和车辆状态量建立历史驾驶数据集；
数据集分割单元200，用于对历史驾驶数据集进行分割处理得到分割驾驶数据集，分割驾驶数据集用于计算得到规划预测轨迹序列Λsegi；
转角序列获得单元300，用于利用阿克曼几何关系计算得到第一转角序列δsw_1，利用人工神经网络模型，输入路径曲率序列τseries_i，车速vx以及载荷G，得到第二转角序列δsw_2；
融合单元400，用于建立与车速vx相关的融合系数，对第一转角序列δsw_1和第二转角序列δsw_2进行融合得到转角预测序列
Figure BDA0003618916800000121
轨迹获得单元500，用于利用车辆动力学轨迹模型结合转角预测序列
Figure BDA0003618916800000122
得到第一预测轨迹，利用挂车运动学模型结合规划预测轨迹序列Λsegi得到第二预测轨迹，并融合第一预测轨迹和第二预测轨迹得到预测危险点轨迹。
可选的，数据集建立单元100，包括：第一测量子单元、第二测量子单元、对应子单元和建立子单元，
第一测量子单元，用于测量得到车辆的定位点O的实际轨迹序列Λa，其中，Λa＝{ξa1,ξa2,…ξan},ξai＝[Xai,Yai,tai]，Xai和Yai分别为全局坐标系下的定位点O的横向坐标、纵向坐标，tai为所述实际轨迹序列的时间戳；
第二测量子单元，用于测量得到车辆状态量并记录所述车辆状态量对应的时间戳TimeStamps，所述车辆状态量包括方向盘转角δsw、挂车横摆角速度ωr、质心侧偏角β、纵向加速度ax、车速vx和挂车夹角
Figure BDA0003618916800000135
对应子单元，用于基于所述实际轨迹序列的时间戳tai和所述车辆状态量对应的时间戳TimeStamps的时间关系，建立所述实际轨迹序列Λa与所述时间戳TimeStamps的对应关系；
建立子单元，用于基于所述实际轨迹序列Λa、所述车辆状态量、所述时间戳TimeStamps及所述对应关系，建立历史驾驶数据集Θ，其中，
Figure BDA0003618916800000131
可选的，数据集分割单元200包括：第一获得子单元、第二获得子单元和分割子单元，
所述第一获得子单元，用于获得所述历史驾驶数据集Θ中的实际轨迹序列Λa的时刻i的时间戳TimeStamps_i对应的数据点ξai，其中，ξai＝[Xai,Yai,tai]，按照时间先后顺序，从所述数据点ξai向后检索N个数据点，获得一段实际轨迹序列
Figure BDA0003618916800000136
N为预测轨迹的路径点个数；
第二获得子单元，用于获得所述历史驾驶数据集Θ中的方向盘转角δsw的时刻i的时间戳TimeStamps_i对应的数据点
Figure BDA0003618916800000137
按照时间先后顺序，从所述数据点
Figure BDA0003618916800000138
向后检索N个数据点，获得一段方向盘转角序列
Figure BDA0003618916800000139
N为预测轨迹的路径点个数。
分割子单元，用于对所述历史驾驶数据集Θ进行分割处理，得到分割驾驶数据集
Figure BDA00036189168000001310
其中：
Figure BDA0003618916800000132
Figure BDA00036189168000001311
为一段实际轨迹序列，
Figure BDA00036189168000001312
为一段方向盘转角序列，ωri、βi、axi、vxi、
Figure BDA00036189168000001313
分别表示时刻i的时间戳TimeStamps_i对应的挂车横摆角速度、质心侧偏角、纵向加速度、车速及挂车夹角。
可选的，转角序列获得单元300利用阿克曼几何关系计算得到第一转角序列δsw_1，具体设置为：
获得预测轨迹序列Λsegi，基于所述预测轨迹序列Λsegi计算得到路径曲率序列τseries_i，基于所述路径曲率序列τseries_i计算得到转向半径序列；
根据阿克曼几何关系
Figure BDA0003618916800000133
计算得到第一转角序列δsw_1，其中，R为转向半径，I为转向传动比，L为车辆轴距。
可选的，融合单元400具体用于：
基于公式
Figure BDA0003618916800000134
对所述第一转角序列δsw_1和所述第二转角序列δsw_2进行融合得到转角预测序列
Figure BDA0003618916800000142
其中k为与所述车速vx相关的融合系数，k∈(0，1)，k与所述车速vx的绝对值呈正相关关系。
可选的，融合单元400确定融合系数k具体配置为：
基于所述融合系数k与所述车速vx的函数关系
Figure BDA0003618916800000141
确定所述融合系数k，其中，
Figure BDA0003618916800000143
为k＝0.5时的车速，a1为使所述人工神经网络模型最快收敛的标定量。
可选的，轨迹获得单元500利用车辆动力学轨迹模型结合所述转角预测序列
Figure BDA0003618916800000144
得到第一预测轨迹，利用挂车运动学模型结合所述规划预测轨迹序列Λsegi得到第二预测轨迹，具体配置为：
将所述转角预测序列
Figure BDA0003618916800000145
所述车速vx及所述载荷G输入到车辆动力学轨迹模型中，计算得到第一预测轨迹P1；
将所述规划预测轨迹序列Λsegi输入挂车运动学模型，得到第二预测轨迹P2。
可选的，轨迹获得单元500融合所述第一预测轨迹和所述第二预测轨迹得到预测危险点轨迹，具体配置为：
基于公式
P＝a·P1+(1-a)·P2
计算得到预测危险点轨迹P，其中，P1为所述第一预测轨迹，P2为所述第二预测轨迹，a为所述车辆动力学轨迹模型的置信系数，a∈[0,1]。
可选的，图6所示装置还包括：训练单元，用于获取车辆的历史轨迹序列和历史车辆状态量，结合所述历史车辆状态量对应的时间戳，对所述历史轨迹序列和历史车辆状态量建立训练驾驶数据集；对所述训练驾驶数据集进行分割处理得到分割训练驾驶数据集；基于所述分割训练驾驶数据集对所述人工神经网络模型进行训练。
本发明提供的车辆轨迹预测装置，可以分别使用阿克曼几何关系和人工神经网络模型获得转角序列，并基于与车速相关的融合系数对获得的两个转角序列进行融合，得到转角预测序列，然后利用车辆动力学轨迹模型结合转角预测序列得到第一预测轨迹，利用挂车运动学模型结合规划预测轨迹序列得到第二预测轨迹，并融合第一预测轨迹和第二预测轨迹得到预测危险点轨迹。本申请实施例通过上述两次融合处理，有效提高了危险点的预测轨迹的准确性。
如图7所示，本发明实施例还提供了一种电子设备，可以包括：
一个或多个处理器701；
存储装置702，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器701执行时，使得所述一个或多个处理器701实现本申请实施例提供的任一种车辆轨迹预测方法。
本发明实施例还提供了一种存储介质，其上存储有程序，所述程序被处理器执行时实现本申请实施例提供的任一种车辆轨迹预测方法。
本发明实施例还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行本申请实施例提供的任一种车辆轨迹预测方法。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种车辆轨迹预测方法，其特征在于，包括：
获取车辆的实际轨迹序列和车辆状态量，结合所述车辆状态量对应的时间戳，对所述实际轨迹序列和车辆状态量建立历史驾驶数据集；
对所述历史驾驶数据集进行分割处理得到分割驾驶数据集，所述分割驾驶数据集用于计算得到规划预测轨迹序列Λsegi；
利用阿克曼几何关系计算得到第一转角序列δsw_1，利用人工神经网络模型，输入路径曲率序列τseries_i，车速vx以及载荷G，得到第二转角序列δsw_2；
建立与所述车速vx相关的融合系数，对所述第一转角序列δsw_1和所述第二转角序列δsw_2进行融合得到转角预测序列
Figure FDA0003618916790000011
利用车辆动力学轨迹模型结合所述转角预测序列
Figure FDA0003618916790000012
得到第一预测轨迹，利用挂车运动学模型结合所述规划预测轨迹序列Λsegi得到第二预测轨迹，并融合所述第一预测轨迹和所述第二预测轨迹得到预测危险点轨迹。
2.根据权利要求1所述的方法，其特征在于，所述获取车辆的实际轨迹序列和车辆状态量，结合所述车辆状态量对应的时间戳，对所述实际轨迹序列和车辆状态量建立历史驾驶数据集，包括：
测量得到车辆的定位点O的实际轨迹序列Λa，其中，Λa＝{ξa1,ξa2,…ξan},ξai＝[Xai,Yai,tai]，Xai和Yai分别为全局坐标系下的定位点O的横向坐标、纵向坐标，tai为所述实际轨迹序列的时间戳；
测量得到车辆状态量并记录所述车辆状态量对应的时间戳TimeStamps，所述车辆状态量包括方向盘转角δsw、挂车横摆角速度ωr、质心侧偏角β、纵向加速度ax、车速vx和挂车夹角
Figure FDA0003618916790000013
基于所述实际轨迹序列的时间戳tai和所述车辆状态量对应的时间戳TimeStamps的时间关系，建立所述实际轨迹序列Λa与所述时间戳TimeStamps的对应关系；
基于所述实际轨迹序列Λa、所述车辆状态量、所述时间戳TimeStamps及所述对应关系，建立历史驾驶数据集Θ，其中，
Figure FDA0003618916790000014
3.根据权利要求2所述的方法，其特征在于，所述对所述历史驾驶数据集进行分割处理得到分割驾驶数据集，所述分割驾驶数据集用于计算得到规划预测轨迹序列Λsegi，包括：
对所述历史驾驶数据集Θ进行分割处理，得到分割驾驶数据集Θa_segi，其中：
Figure FDA0003618916790000015
Figure FDA0003618916790000016
为一段实际轨迹序列，
Figure FDA0003618916790000017
为一段方向盘转角序列，ωri、βi、axi、vxi、
Figure FDA0003618916790000018
分别表示时刻i的时间戳TimeStamps_i对应的挂车横摆角速度、质心侧偏角、纵向加速度、车速及挂车夹角；
所述
Figure FDA0003618916790000021
的获得过程包括：
获得所述历史驾驶数据集Θ中的实际轨迹序列Λa的时刻i的时间戳TimeStamps_i对应的数据点ξai，其中，ξai＝[Xai,Yai,tai]，按照时间先后顺序，从所述数据点ξai向后检索N个数据点，获得一段实际轨迹序列
Figure FDA0003618916790000022
N为预测轨迹的路径点个数；
所述
Figure FDA0003618916790000023
的获得过程包括：
获得所述历史驾驶数据集Θ中的方向盘转角δsw的时刻i的时间戳TimeStamps_i对应的数据点
Figure FDA0003618916790000024
按照时间先后顺序，从所述数据点
Figure FDA0003618916790000025
向后检索N个数据点，获得一段方向盘转角序列
Figure FDA0003618916790000026
N为预测轨迹的路径点个数。
4.根据权利要求1所述的方法，其特征在于，所述利用阿克曼几何关系计算得到第一转角序列δsw_1，包括：
获得预测轨迹序列Λsegi，基于所述预测轨迹序列Λsegi计算得到路径曲率序列τseries_i，基于所述路径曲率序列τseries_i计算得到转向半径序列；
根据阿克曼几何关系
Figure FDA0003618916790000027
计算得到第一转角序列δsw_1，其中，R为转向半径，I为转向传动比，L为车辆轴距。
5.根据权利要求1所述的方法，其特征在于，所述建立与所述车速vx相关的融合系数，对所述第一转角序列δsw_1和所述第二转角序列δsw_2进行融合得到转角预测序列
Figure FDA0003618916790000028
包括：
基于公式
Figure FDA0003618916790000029
对所述第一转角序列δsw_1和所述第二转角序列δsw_2进行融合得到转角预测序列
Figure FDA00036189167900000210
其中k为与所述车速vx相关的融合系数，k∈(0，1)，k与所述车速vx的绝对值呈正相关关系。
6.根据权利要求5所述的方法，其特征在于，所述融合系数k的确定过程包括：
基于所述融合系数k与所述车速vx的函数关系
Figure FDA00036189167900000211
确定所述融合系数k，其中，
Figure FDA00036189167900000212
为k＝0.5时的车速，a1为使所述人工神经网络模型最快收敛的标定量。
7.根据权利要求1所述的方法，其特征在于，所述利用车辆动力学轨迹模型结合所述转角预测序列
Figure FDA00036189167900000213
得到第一预测轨迹，利用挂车运动学模型结合所述规划预测轨迹序列Λsegi得到第二预测轨迹，包括：
将所述转角预测序列
Figure FDA0003618916790000031
所述车速vx及所述载荷G输入到车辆动力学轨迹模型中，计算得到第一预测轨迹P1；
将所述规划预测轨迹序列Λsegi输入挂车运动学模型，得到第二预测轨迹P2。
8.根据权利要求1所述的方法，其特征在于，所述融合所述第一预测轨迹和所述第二预测轨迹得到预测危险点轨迹，包括：
基于公式
P＝a·P1+(1-a)·P2
计算得到预测危险点轨迹P，其中，P1为所述第一预测轨迹，P2为所述第二预测轨迹，a为所述车辆动力学轨迹模型的置信系数，a∈[0,1]。
9.根据权利要求1所述的方法，其特征在于，所述人工神经网络模型的训练过程包括：
获取车辆的历史轨迹序列和历史车辆状态量，结合所述历史车辆状态量对应的时间戳，对所述历史轨迹序列和历史车辆状态量建立训练驾驶数据集；
对所述训练驾驶数据集进行分割处理得到分割训练驾驶数据集；
基于所述分割训练驾驶数据集对所述人工神经网络模型进行训练。
10.一种车辆轨迹预测装置，其特征在于，包括：
数据集建立单元，用于获取车辆的实际轨迹序列和车辆状态量，结合所述车辆状态量对应的时间戳，对所述实际轨迹序列和车辆状态量建立历史驾驶数据集；
数据集分割单元，用于对所述历史驾驶数据集进行分割处理得到分割驾驶数据集，所述分割驾驶数据集用于计算得到规划预测轨迹序列Λsegi；
转角序列获得单元，用于利用阿克曼几何关系计算得到第一转角序列δsw_1，利用人工神经网络模型，输入路径曲率序列τseries_i，车速vx以及载荷G，得到第二转角序列δsw_2；
融合单元，用于建立与所述车速vx相关的融合系数，对所述第一转角序列δsw_1和所述第二转角序列δsw_2进行融合得到转角预测序列
Figure FDA0003618916790000032
轨迹获得单元，用于利用车辆动力学轨迹模型结合所述转角预测序列
Figure FDA0003618916790000033
得到第一预测轨迹，利用挂车运动学模型结合所述规划预测轨迹序列Λsegi得到第二预测轨迹，并融合所述第一预测轨迹和所述第二预测轨迹得到预测危险点轨迹。
CN202210451746.9A 2022-04-27 2022-04-27 车辆轨迹预测方法及相关设备 Pending CN114735011A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210451746.9A CN114735011A (zh) 2022-04-27 2022-04-27 车辆轨迹预测方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210451746.9A CN114735011A (zh) 2022-04-27 2022-04-27 车辆轨迹预测方法及相关设备

Publications (1)

Publication Number Publication Date
CN114735011A true CN114735011A (zh) 2022-07-12

Family

ID=82284424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210451746.9A Pending CN114735011A (zh) 2022-04-27 2022-04-27 车辆轨迹预测方法及相关设备

Country Status (1)

Country Link
CN (1) CN114735011A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116499420A (zh) * 2023-05-23 2023-07-28 清华大学 一种半挂车与牵引车之间的夹角的测量方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116499420A (zh) * 2023-05-23 2023-07-28 清华大学 一种半挂车与牵引车之间的夹角的测量方法及系统
CN116499420B (zh) * 2023-05-23 2023-10-17 清华大学 一种半挂车与牵引车之间的夹角的测量方法及系统

Similar Documents

Publication Publication Date Title
CN101793528B (zh) 使用传感器融合来估计车道路径的系统和方法
Zhang et al. A dynamic path search algorithm for tractor automatic navigation
CN111873991B (zh) 一种车辆转向的控制方法、装置、终端及存储介质
US20200269853A1 (en) Method and device for eliminating steady-state lateral deviation and storage medium
JPH06273187A (ja) 車体重心スリップ角計測装置
CN116457259A (zh) 车辆驾驶控制方法、装置、车辆及存储介质
KR20140082848A (ko) 센서 시스템의 데이터의 무결성을 독립적으로 평가하기 위한 센서 시스템
CN112577516B (zh) 一种用于车辆轮速误差识别和补偿的方法和系统
CN114735011A (zh) 车辆轨迹预测方法及相关设备
CN103279675A (zh) 轮胎-路面附着系数与轮胎侧偏角的估计方法
CN117062741A (zh) 用于评估群体轨迹位置的精度的计算机实施的方法
US20240067185A1 (en) Technology for dead time compensation during transverse and longitudinal guidance of a motor vehicle
Van Gennip et al. Parameter identification and validation for combined slip tire models using a vehicle measurement system
CN113665587A (zh) 自动驾驶车辆的横向控制方法、设备、存储介质及装置
KR20180095225A (ko) 차량 및 차량의 제어 방법
CN113696890B (zh) 车道保持方法、装置、设备、介质及系统
JP2008068669A (ja) 運転特性判定装置、運転特性判定方法及び車両制御装置
CN116989808A (zh) 考虑定位不确定的全轮转向车辆平行泊车路径规划方法
CN112577512A (zh) 一种基于轮速融合的状态量误差确定方法及车载终端
CN109062213B (zh) 一种基于修正比例导引的智能车自动驾驶的方法
Saraf et al. Slip angle estimation for vehicles on automated highways
Mendoza et al. GALNet: An End-to-End Deep Neural Network for Ground Localization of Autonomous Cars.
Pieralice et al. Vehicle sideslip angle estimation using Kalman filters: modelling and validation
Cho et al. A position and velocity estimation using multifarious and multiple sensor fusion
Fazekas et al. Identification of kinematic vehicle model parameters for localization purposes

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