CN114954448A - 一种结合路网信息的车辆障碍物时序轨迹预测方法 - Google Patents
一种结合路网信息的车辆障碍物时序轨迹预测方法 Download PDFInfo
- Publication number
- CN114954448A CN114954448A CN202210736402.2A CN202210736402A CN114954448A CN 114954448 A CN114954448 A CN 114954448A CN 202210736402 A CN202210736402 A CN 202210736402A CN 114954448 A CN114954448 A CN 114954448A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- obst
- lane
- obstacle
- track
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 230000004888 barrier function Effects 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
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
- 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
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/50—Barriers
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种结合路网信息的车辆障碍物时序轨迹预测方法,属于图像处理技术领领域,本发明包括:将图像输入至障碍物检测模型中,以识别出所述待预测图像中存在的多个障碍物,其中,提取障碍物类型为车辆作为轨迹预测对象;基于车辆障碍物的运动信息,利用kalman预测算法得到一条车辆的时序轨迹预测点;基于导航地图或者高精地图,提取车辆当前运行路网信息,对车辆的所有可能运行轨迹进行时序预测;基于当前车道信息,对所有可能运行轨迹进行概率计算;评估概率最高的一条运行轨迹作为改车辆障碍物的时序轨迹预测路线。
Description
技术领域
本发明涉及图像处理技术领领域,尤其涉及一种结合路网信息的车辆障碍物时序轨迹预测方法。
背景技术
目前,常见的车辆障碍物轨迹预测方法是基于运动学或者基于kalman算法进行预测,获取1-3秒左右的未来运动轨迹,为主车智能驾驶避障或者路径规划做准备。
然而,单纯的基于运动学或者基于kalman算法并没有与运行路网信息相结合,以至于预测的车辆轨迹可能不在车道上,导致轨迹预测失效。
发明内容
本发明提供了一种结合路网信息的车辆障碍物时序轨迹预测方法,用以解决现有基于车辆障碍物动力学的轨迹预测不准确问题。
本发明的技术方案是:
一种结合路网信息的车辆障碍物时序轨迹预测方法,包括如下步骤:
步骤1)读取经过障碍物模型检测后的车辆障碍物信息;
步骤2)基于动力学原理,对各车辆障碍物进行时序轨迹预测;
步骤3)结合导航地图或者高精地图,对车辆障碍物所有可能运行轨迹进行时序预测;
步骤4)对所有的运行轨迹进行概率计算,并选取概率最高的作为该车辆障碍物的时序轨迹预测路线。
进一步的,
所述步骤1)中,读取经过障碍物模型检测后的车辆障碍物信息,包括障碍物的位置(Obsti.x,Obsti.y)、速度(Obsti.vx,Obsti.vy)、加速度 (Obsti.ax,Obsti.ay)、运行方向角Obsti.heading,其中i=1,...,m表示第i个车辆障碍物,m表示共有m个车辆障碍物,然后对速度和加速度进行饱和约束处理,速度和加速度的标量分别为Obsti.v=||(Obsti.vx,Obsti.vy)||和 Obsti.a=||(Obsti.ax,Obsti.ay)||。
如果||Obsti.v||<min v,则Obsti.v=min v,如果||Obsti.v||>max v,则Obsti.v=max v,其中min v和max v分别为速度饱和约束的下界和上界;同理,如果||Obsti.a||<mina,则Obsti.a=mina,如果||Obsti.a||>maxa,则 Obsti.a=maxa,其中mina和maxa分别为加速度饱和约束的下界和上界。
进一步的,
所述步骤2)中,循环对障碍物进行动力学kalman轨迹预测;首先对车辆障碍物的历史轨迹按照时间间隔T,选取20个轨迹点,然后对这20个轨迹点进行拟合,用拟合后的数据进行kalman预测。
进一步的,
按照步骤3),根据障碍物的位置信息,获取其在导航地图或者高精地图中的运行路网信息,情况有以下几种:
3.1)、障碍物行驶位置在十字交叉路口阈值,即 (Obsti.x,Obsti.y)∈Junction_threshold内,则所获取的信息有:是否在左转车道、是否在直行车道、是否在右转车道;
3.2)、障碍物行驶位置在路段中间阈值内,即 (Obsti.x,Obsti.y)∈SectionLane_threshold,则所获取的信息有:有无左车道、有无右车道;
3.3)、障碍物行驶位置在丁字路口阈值,即 (Obsti.x,Obsti.y)∈T·junction_threshold,则获取信息右:是否在左转车道、是否在右转车道。有了这些信息后,对车辆所有的可能行驶的轨迹结合动力学进行时序预测,即,用车辆历史10个轨迹点的平均速度轨迹点预测间隔时间peroid,预测轨迹点的数目num,则可以计算轨迹点总共长度为
再进一步的,
判断车辆障碍物处于哪种路网信息,如果符合路网信息3.1),如果障碍物车辆在左转车道,则直接沿着左转车道的中心线画长度为trajsize的时序轨迹预测线;如果障碍物车辆在右转车道,则直接沿着右转车道的中心线画长度为trajsize的时序轨迹预测线;障碍物车辆在直行车道,则直接沿着直行车道的中心线画长度为 trajsize的时序轨迹预测线。
如果符合路网信息3.2),如果只存在左车道,则在车辆障碍物当前车道和左车道分别基于沿着各车道中心线画长度为trajsize的时序轨迹预测线;如果只存在右车道,则在车辆障碍物当前车道和右车道分别基于沿着各车道中心线画长度为trajsize的时序轨迹预测线;如果同时存在左车道和右车道,则在车辆障碍物当前车道、左车道和右车道分别基于沿着各车道中心线画长度为trajsize的时序轨迹预测线。
如果符合路网信息3.3),如果在左转车道,则直接沿着左转车道的中心线画长度为trajsize的时序轨迹预测线;如果障碍物车辆在右转车道,则直接沿着右转车道的中心线画长度为trajsize的时序轨迹预测线。
进一步的,
按照步骤4),计算车辆障碍物所有轨迹线的概率,对于符合路网信息1和3 的情况,各轨迹线只有1条,因此概率为1;对于符合路网信息2的情况,利用最大熵对所有轨迹进行概率计算
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,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的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。
本发明提供了一种结合路网信息的车辆障碍物时序轨迹预测方法,包括:将图像输入至障碍物检测模型中,以识别出所述待预测图像中存在的多个障碍物,其中,提取障碍物类型为车辆作为轨迹预测对象;基于车辆障碍物的运动信息,利用kalman预测算法得到一条车辆的时序轨迹预测点;基于导航地图或者高精地图,提取车辆当前运行路网信息,对车辆的所有可能运行轨迹进行时序预测;基于当前车道信息,对所有可能运行轨迹进行概率计算;评估概率最高的一条运行轨迹作为改车辆障碍物的时序轨迹预测路线。
具体步骤如下:
步骤1、读取经过障碍物模型检测后的车辆障碍物信息;
步骤2、基于动力学原理,对各车辆障碍物进行时序轨迹预测;
步骤3、结合导航地图或者高精地图,对车辆障碍物所有可能运行轨迹进行时序预测;
步骤4、对所有的运行轨迹进行概率计算,并选取概率最高的作为该车辆障碍物的时序轨迹预测路线
所述步骤1中,读取经过障碍物模型检测后的车辆障碍物信息,包括障碍物的位置(Obsti.x,Obsti.y)、速度(Obsti.vx,Obsti.vy)、加速度 (Obsti.ax,Obsti.ay)、运行方向角Obsti.heading,其中i=1,...,m表示第i个车辆障碍物,m表示共有m个车辆障碍物,然后对速度和加速度进行饱和约束处理,速度和加速度的标量分别为Obsti.v=||(Obsti.vx,Obsti.vy)||和 Obsti.a=||(Obsti.ax,Obsti.ay)||。如果||Obsti.v||<min v,则Obsti.v=min v,如果||Obsti.v||>max v,则Obsti.v=max v,其中min v和max v分别为速度饱和约束的下界和上界;同理,如果||Obsti.a||<mina,则Obsti.a=mina,如果 ||Obsti.a||>maxa,则Obsti.a=maxa,其中mina和maxa分别为加速度饱和约束的下界和上界。
所述步骤2中,循环对障碍物进行动力学kalman轨迹预测。首先对车辆障碍物的历史轨迹按照时间间隔T,选取20个轨迹点,然后对这20个轨迹点进行拟合,用拟合后的数据进行kalman预测。(由于kalman预测是普遍应用的,因此这里步骤省略)。
按照步骤3,根据障碍物的位置信息,获取其在导航地图或者高精地图中的运行路网信息,情况有以下几种:1、障碍物行驶位置在十字交叉路口阈值,即 (Obsti.x,Obsti.y)∈Junction_threshold内,则所获取的信息有:是否在左转车道、是否在直行车道、是否在右转车道;2、障碍物行驶位置在路段中间阈值内,即(Obsti.x,Obsti.y)∈SectionLane_threshold,则所获取的信息有:有无左车道、有无右车道;3、障碍物行驶位置在丁字路口阈值,即 (Obsti.x,Obsti.y)∈T·junction_threshold,则获取信息右:是否在左转车道、是否在右转车道。有了这些信息后,对车辆所有的可能行驶的轨迹结合动力学进行时序预测,即,用车辆历史10个轨迹点的平均速度轨迹点预测间隔时间peroid,预测轨迹点的数目num,则可以计算轨迹点总共长度为
判断车辆障碍物处于哪种路网信息,如果符合路网信息1,如果障碍物车辆在左转车道,则直接沿着左转车道的中心线画长度为trajsize的时序轨迹预测线;如果障碍物车辆在右转车道,则直接沿着右转车道的中心线画长度为trajsize的时序轨迹预测线;障碍物车辆在直行车道,则直接沿着直行车道的中心线画长度为trajsize的时序轨迹预测线。如果符合路网信息2,如果只存在左车道,则在车辆障碍物当前车道和左车道分别基于沿着各车道中心线画长度为trajsize的时序轨迹预测线;如果只存在右车道,则在车辆障碍物当前车道和右车道分别基于沿着各车道中心线画长度为trajsize的时序轨迹预测线;如果同时存在左车道和右车道,则在车辆障碍物当前车道、左车道和右车道分别基于沿着各车道中心线画长度为trajsize的时序轨迹预测线。3、如果符合路网信息3,如果在左转车道,则直接沿着左转车道的中心线画长度为trajsize的时序轨迹预测线;如果障碍物车辆在右转车道,则直接沿着右转车道的中心线画长度为trajsize的时序轨迹预测线。
按照步骤4,计算车辆障碍物所有轨迹线的概率,对于符合路网信息1和3的情况,各轨迹线只有1条,因此概率为1。对于符合路网信息2的情况,利用最大熵对所有轨迹进行概率计算
其中b=[b1,b2,...,bnum]为车辆未来num个状态,其中h=(bpre,cpre),bpre为车辆障碍物num个历史轨迹状态信息,cpre为车辆障碍物与路网信息的交互,由vector模型提供。计算完每一条轨迹后,选取max(φ(b|h))的一条轨迹为该车辆障碍物的时序预测轨迹。
以上所述仅为本发明的较佳实施例,仅用于说明本发明的技术方案,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做的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种结合路网信息的车辆障碍物时序轨迹预测方法,其特征在于,
包括如下步骤:
步骤1)读取经过障碍物模型检测后的车辆障碍物信息;
步骤2)基于动力学原理,对各车辆障碍物进行时序轨迹预测;
步骤3)结合导航地图或者高精地图,对车辆障碍物所有可能运行轨迹进行时序预测;
步骤4)对所有的运行轨迹进行概率计算,并选取概率最高的作为该车辆障碍物的时序轨迹预测路线。
2.根据权利要求1所述的方法,其特征在于,
所述步骤1)中,读取经过障碍物模型检测后的车辆障碍物信息,包括障碍物的位置(Obsti.x,Obsti.y)、速度(Obsti.vx,Obsti.vy)、加速度(Obsti.ax,Obsti.ay)、运行方向角Obsti.heading,其中i=1,...,m表示第i个车辆障碍物,m表示共有m个车辆障碍物,然后对速度和加速度进行饱和约束处理,速度和加速度的标量分别为Obsti.v=||(Obsti.vx,Obsti.vy)||和Obsti.a=||(Obsti.ax,Obsti.ay)||;
如果||Obsti.v||<minv,则Obsti.v=minv,如果||Obsti.v||>maxv,则Obsti.v=maxv,其中minv和maxv分别为速度饱和约束的下界和上界;同理,如果||Obsti.a||<mina,则Obsti.a=mina,如果||Obsti.a||>maxa,则Obsti.a=maxa,其中mina和maxa分别为加速度饱和约束的下界和上界。
3.根据权利要求2所述的方法,其特征在于,
所述步骤2)中,循环对障碍物进行动力学kalman轨迹预测;首先对车辆障碍物的历史轨迹按照时间间隔T,选取20个轨迹点,然后对这20个轨迹点进行拟合,用拟合后的数据进行kalman预测。
4.根据权利要求3所述的的方法,其特征在于,
按照步骤3),根据障碍物的位置信息,获取其在导航地图或者高精地图中的运行路网信息,情况有以下几种:
3.1)、障碍物行驶位置在十字交叉路口阈值,即(Obsti.x,Obsti.y)∈Junction_threshold内,则所获取的信息有:是否在左转车道、是否在直行车道、是否在右转车道;
3.2)、障碍物行驶位置在路段中间阈值内,即(Obsti.x,Obsti.y)∈SectionLane_threshold,则所获取的信息有:有无左车道、有无右车道;
5.根据权利要求4所述的的方法,其特征在于,
判断车辆障碍物处于哪种路网信息,如果符合路网信息3.1),如果障碍物车辆在左转车道,则直接沿着左转车道的中心线画长度为trajsize的时序轨迹预测线;如果障碍物车辆在右转车道,则直接沿着右转车道的中心线画长度为trajsize的时序轨迹预测线;障碍物车辆在直行车道,则直接沿着直行车道的中心线画长度为trajsize的时序轨迹预测线。
7.根据权利要求4所述的的方法,其特征在于,
如果符合路网信息3.3),如果在左转车道,则直接沿着左转车道的中心线画长度为trajsize的时序轨迹预测线;如果障碍物车辆在右转车道,则直接沿着右转车道的中心线画长度为trajsize的时序轨迹预测线。
8.根据权利要求5所述的方法,其特征在于,
按照步骤4),计算车辆障碍物所有轨迹线的概率,对于符合路网信息3.1)的情况,各轨迹线只有1条,概率为1。
9.根据权利要求7所述的方法,其特征在于,
按照步骤4),计算车辆障碍物所有轨迹线的概率,对于符合路网信息3.3)的情况,各轨迹线只有1条,概率为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210736402.2A CN114954448A (zh) | 2022-06-27 | 2022-06-27 | 一种结合路网信息的车辆障碍物时序轨迹预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210736402.2A CN114954448A (zh) | 2022-06-27 | 2022-06-27 | 一种结合路网信息的车辆障碍物时序轨迹预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114954448A true CN114954448A (zh) | 2022-08-30 |
Family
ID=82965842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210736402.2A Pending CN114954448A (zh) | 2022-06-27 | 2022-06-27 | 一种结合路网信息的车辆障碍物时序轨迹预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114954448A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115497078A (zh) * | 2022-11-15 | 2022-12-20 | 广汽埃安新能源汽车股份有限公司 | 车道线生成方法、装置、设备和计算机可读介质 |
-
2022
- 2022-06-27 CN CN202210736402.2A patent/CN114954448A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115497078A (zh) * | 2022-11-15 | 2022-12-20 | 广汽埃安新能源汽车股份有限公司 | 车道线生成方法、装置、设备和计算机可读介质 |
CN115497078B (zh) * | 2022-11-15 | 2023-03-10 | 广汽埃安新能源汽车股份有限公司 | 车道线生成方法、装置、设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109572694B (zh) | 一种考虑不确定性的自动驾驶风险评估方法 | |
JP7140922B2 (ja) | マルチセンサデータ融合方法、及び装置 | |
Zyner et al. | Long short term memory for driver intent prediction | |
CN112347567B (zh) | 一种车辆意图和轨迹预测的方法 | |
CN112347993B (zh) | 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法 | |
EP3667638B1 (en) | Traffic lane information management method, running control method, and traffic lane information management device | |
US9708004B2 (en) | Method for assisting a driver in driving an ego vehicle and corresponding driver assistance system | |
Berndt et al. | Driver intention inference with vehicle onboard sensors | |
CN110077398B (zh) | 一种用于智能驾驶的危险处理方法 | |
CN110843789A (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
WO2022041706A1 (zh) | 一种定位方法、定位系统和车辆 | |
JP2016057750A (ja) | 自車走行レーン推定装置及びプログラム | |
Koschi et al. | Interaction-aware occupancy prediction of road vehicles | |
Zhang et al. | A framework for turning behavior classification at intersections using 3D LIDAR | |
US20220343637A1 (en) | Traffic flow machine-learning modeling system and method applied to vehicles | |
Yu et al. | Machine Learning-Based Vehicle Intention Trajectory Recognition and Prediction for Autonomous Driving | |
CN118235180A (zh) | 预测可行驶车道的方法和装置 | |
CN113743469A (zh) | 一种融合多源数据及综合多维指标的自动驾驶决策方法 | |
CN114954448A (zh) | 一种结合路网信息的车辆障碍物时序轨迹预测方法 | |
CN115230719A (zh) | 一种行驶轨迹规划方法和装置 | |
Schreiber et al. | A multi-task recurrent neural network for end-to-end dynamic occupancy grid mapping | |
Yang et al. | Vehicle trajectory prediction based on LSTM network | |
CN115223131A (zh) | 一种自适应巡航的跟随目标车辆检测方法、装置及汽车 | |
WO2023151499A1 (zh) | 空位识别方法、车辆及可读存储介质 | |
Kuhnt et al. | Lane-precise localization of intelligent vehicles using the surrounding object constellation |
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 |