CN115107806A - 一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法 - Google Patents

一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法 Download PDF

Info

Publication number
CN115107806A
CN115107806A CN202210814267.9A CN202210814267A CN115107806A CN 115107806 A CN115107806 A CN 115107806A CN 202210814267 A CN202210814267 A CN 202210814267A CN 115107806 A CN115107806 A CN 115107806A
Authority
CN
China
Prior art keywords
vehicle
automatic driving
scene
emergency
moment
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
CN202210814267.9A
Other languages
English (en)
Inventor
秦学方
施亮
吴轶群
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.)
SAIC Volkswagen Automotive Co Ltd
Original Assignee
SAIC Volkswagen Automotive 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 SAIC Volkswagen Automotive Co Ltd filed Critical SAIC Volkswagen Automotive Co Ltd
Priority to CN202210814267.9A priority Critical patent/CN115107806A/zh
Publication of CN115107806A publication Critical patent/CN115107806A/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
    • 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
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/40—High definition maps

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，包括：获取并管理该自动驾驶车辆上自动驾驶系统提供的感知信息；从高精地图数据库提取道路结构信息，为该自动驾驶车辆感知范围内的每一辆汽车查找和匹配当前时刻的道路结构信息，并管理该每一辆汽车当前时刻和历史时刻的道路结构信息；自动驾驶车辆根据当前时刻所在道路结构信息和历史时刻所在道路结构信息，以及当前时刻感知信息和历史时刻感知信息，判断其感知范围内每一辆汽车是否处于突发事件场景；根据判断结果采用不同运动模型获取每一辆汽车的预测轨迹。本发明借助于若干场景实现评估汽车是否处于突发事件场景，具有强可操作性，强扩展性，高实用价值的优点。

Description

一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法
技术领域
本发明主要涉及自动驾驶系统领域，尤其涉及一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法。
背景技术
车辆轨迹预测是自动驾驶车辆领域一个重要的又基本的问题。例如，在公共道路上开启自动驾驶时，准确预测其他车辆和行人预计可能在哪里，能够有助于自动驾驶车辆采取安全且有效的行动。
根据轨迹预测模型的输入以及中间处理步骤的不同，以往研究的预测模型大概分为三类。
第一类基于物理约束的预测模型，车辆由于惯性不能瞬间改变轨迹，将车辆表示为受牛顿物理定律支配的动态实体，通过将控制状态(如车轮转角、加速度等)、汽车特性(如车身自重)和道路环境因素(如静止摩擦系数)与车辆状态(如位置、航向、速度)的演化联系起来，并利用动力学模型和运动学模型来预测车辆未来的运动趋势。
第二类基于行为意图的预测模型，将预测过程分成了两个部分：识别意图和预测轨迹。首先识别车辆的意图(跟随前车直线、路口左转、右转等)，然后再预测车辆未来连续的物理状态，以便预测轨迹与可能执行的行为意图相对应。
第三类基于学习的预测模型，使用目标检测跟踪得到的车辆行驶轨迹数据和高精地图信息，对深度神经网络模型进行训练，由训练完成的模型推理输出预测的车辆未来行驶轨迹。
针对这三类预测模型的不足之处分析如下：
第一类物理模型只是通过车辆的运动模型来进行预测，没有考虑到交通规则和其它车的交互，特别是当经过路口的时候，预测轨迹偏差值较大。
第二类意图模型，利用先验知识比如速度、加速度、历史位置等车辆自身状态、道路几何结构、交通限速等道路结构化信息，但是忽略使用后验知识包括交通车辆交互作用、驾驶员的驾驶习惯等信息。在实际交通场景中，驾驶场景中的后验知识(驾驶员的驾驶习惯等)会影响相同驾驶意图下车辆的行驶轨迹，如果忽略了驾驶场景中的后验知识，则难以保证所得运动轨迹的准确性。
第三类基于学习的预测模型，也就是基于深度神经网络进行端到端设计，利用的训练数据不仅包括轨迹信息，还充分利用更为丰富的环境信息包括静态地图路网环境静态信息和动态目标物(如车、人)感知信息，基于深度神经网络模型进行学习，随着训练数据量增加和数据场景类型增加，能适应不同的驾驶场景，能获得更好的通用性和准确性。但是也存在一些局限性，比如强烈受限于输入感知数据的可靠性、计算耗费时间长导致实时性差、需要累计几个周期的历史轨迹点才能执行预测，一般需要9个周期的历史轨迹、应对突发情况的能力差。
无论人类驾驶汽车还是自动驾驶汽车，在行车过程中遇到突发事件(比如：对向的车辆突然因为事故冲入自己的车道)是不可避免的。毫无疑问，自动驾驶汽车必须具备面向突发事件安全行驶的能力。
发明内容
应当理解，本公开以上的一般性描述和以下的详细描述都是示例性和说明性的，并且旨在为本公开提供进一步的解释。
应对上述自动驾驶系统遇到突发事件的情况，这是自动驾驶汽车必须具备的能力需求，本申请就此提出了一种面向突发事件场景的车辆轨迹预测方法，该方法是基于物理约束的预测模型。
本发明公开了一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，应用于自动驾驶车辆中，其特征在于，所述方法包括：
步骤一，获取并管理该自动驾驶车辆上自动驾驶系统提供的感知信息；
步骤二，从高精地图数据库提取道路结构信息，为该自动驾驶车辆感知范围内的每一辆汽车查找和匹配当前时刻的道路结构信息，并管理该每一辆汽车当前时刻和历史时刻的道路结构信息；
步骤三，所述自动驾驶车辆根据当前时刻所在道路结构信息和历史时刻所在道路结构信息，以及当前时刻感知信息和历史时刻感知信息，判断其感知范围内每一辆汽车是否处于突发事件场景；
步骤四，根据判断结果采用不同运动模型获取所述每一辆汽车的预测轨迹。
比较好的是，本发明还进一步揭示了一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，其特征在于，所述步骤三中判断是否处于突发事件场景进一步包括：
步骤三一，判断当前时刻该自动驾驶车辆处于直行道路或转弯道路？
步骤三二，如果处于直行道路，继续判断当前时刻该自动驾驶车辆的加速度是否为零？
步骤三三，如果处于转弯道路，继续判断当前时刻该自动驾驶车辆的加速度是否为零？
步骤三四，该自动驾驶车辆当前处于直行，且当前时刻加速度不为零，则采用CV运动模型生成车辆预测轨迹；
步骤三五，该自动驾驶车辆当前处于直行，且当前时刻加速度为零，则采用CA运动模型生成车辆预测轨迹；
步骤三六，该自动驾驶车辆当前处于转弯，且当前时刻加速度不为零，则采用CTRV运动模型生成车辆预测轨迹；
步骤三七，该自动驾驶车辆当前处于转弯，且当前时刻加速度为零，则采用CTRA运动模型生成车辆预测轨迹。
比较好的是，本发明还进一步揭示了一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，其特征在于，所述突发事件场景包括：
场景一，在环形路口，该自动驾驶车辆遇到逆向行驶的车辆；
场景二，该自动驾驶车辆并道驶出高速/高架，即将进入驶出匝道，该自动驾驶车辆遇到逆向行驶的车辆，两车可能相撞的时间小于3秒；
场景三，该自动驾驶车辆从匝道驶入高速/高架，已经进入驶入匝道，该自动驾驶车辆遇到逆向行驶的车辆，两车可能相撞的时间小于3秒；
场景四，在交叉路口，该自动驾驶车辆遇到逆向行驶的车辆；
场景五，在直道上，该自动驾驶车辆遇到对向车辆占用本车道逆向行驶；
场景六，在弯道上，该自动驾驶车辆遇到对向车辆占用本车道逆向行驶。
比较好的是，本发明还进一步揭示了一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，其特征在于，所述CV和CA运动模型适用于场景一、场景二和场景五。
比较好的是，本发明还进一步揭示了一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，其特征在于，所述CTRV运动模型适用于场景一、场景二和场景三。
比较好的是，本发明还进一步揭示了一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，其特征在于，所述CTRA运动模型适用于场景四和场景六。
比较好的是，本发明还进一步揭示了一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，其特征在于，所述步骤一中获取的感知信息包括：该自动驾驶车辆的位置、长度、宽度、颜色、速度、加速度、yaw角度和yaw角度变化率；
所述步骤一中管理获取的感知信息包括：增加、删除和修改更新感知范围内新出现车辆的感知信息，并根据搜索条件查找感知范围内某辆车的感知信息。
比较好的是，本发明还进一步揭示了一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，其特征在于，所述步骤三中，如果判断车辆没有处于突发事件场景，则调用面向非突发事件场景的车辆预测算法计算预测轨迹。
比较好的是，本发明还进一步揭示了一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，其特征在于，当所述步骤四对该自动驾驶车辆感知范围内的每一辆汽车逐一完成预测轨迹后，重新返回步骤一开始新一轮预测。
本发明采用不同的运动模型实现计算处于突发事件场景的车辆预测轨迹的方法，匹配不同的突发事件场景，从而计算车辆预测轨迹的方法，该方法在保持高性能的基础上，具有简单高效，占用计算资源少，计算耗费时间短，实时性强的优点。
附图说明
现在将详细参考附图描述本公开的实施例。现在将详细参考本公开的优选实施例，其示例在附图中示出。在任何可能的情况下，在所有附图中将使用相同的标记来表示相同或相似的部分。此外，尽管本公开中所使用的术语是从公知公用的术语中选择的，但是本公开说明书中所提及的一些术语可能是申请人按他或她的判断来选择的，其详细含义在本文的描述的相关部分中说明。此外，要求不仅仅通过所使用的实际术语，而是还要通过每个术语所蕴含的意义来理解本公开。
下面，参照附图，对于熟悉本技术领域的人员而言，从对本发明的详细描述中，本发明的上述和其他目的、特征和优点将显而易见。
图1是本发明给出的突发事件场景一的示意图；
图2是本发明给出的突发事件场景二的示意图；
图3是本发明给出的突发事件场景三的示意图；
图4是本发明给出的突发事件场景四的示意图；
图5是本发明给出的突发事件场景五的示意图；
图6是本发明给出的突发事件场景六的示意图；
图7示意为自动驾驶车辆在行驶过程中如何生成车辆预测轨迹的整体流程图；
图8是本发明在前述图1～6的几种突发场景下的流程图。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
在本申请的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本申请保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本申请保护范围的限制。此外，尽管本申请中所使用的术语是从公知公用的术语中选择的，但是本申请说明书中所提及的一些术语可能是申请人按他或她的判断来选择的，其详细含义在本文的描述的相关部分中说明。此外，要求不仅仅通过所使用的实际术语，而是还要通过每个术语所蕴含的意义来理解本申请。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各种步骤。同时，或将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
关于本发明相关的突发事件场景，具体涉及如下内容，图示中标示A为自动驾驶车辆：
场景一：在环形路口，自动驾驶车辆遇到逆向行驶的车辆。
如图1所示，场景参数：目标车数量：1～4，目标车速度：0～120km/h；环岛直径：4～50m；车道数量：1～2；环岛出口位置：1～4，两车可能相撞的时间小于3秒。
场景二：自动驾驶车辆并道驶出高速/高架，即将进入驶出匝道，自动驾驶车辆遇到逆向行驶的车辆，两车可能相撞的时间小于3秒。
请参见图2所示，该场景参数：目标车数量：1～4，目标车速度：0～120km/h，车道数量：1～2。
场景三：自动驾驶车辆从匝道驶入高速/高架，已经进入驶入匝道，自动驾驶车辆遇到逆向行驶的车辆，两车可能相撞的时间小于3秒。
请参见图3所示，该场景参数：目标车数量：1～4，目标车速度：0～120km/h，车道数量：1～2。
场景四：在交叉路口，自动驾驶车辆遇到逆向行驶的车辆。
请参见图4所示，该场景参数：目标车数量：1～4，目标车速度：0～120km/h，车道数量：1～6，交叉出口位置：1～4，两车可能相撞的时间小于3秒。
场景五：在直道上，自动驾驶车辆遇到对向车辆占用本车道逆向行驶。
请参见图5所示，该场景参数：目标车数量：1～4，目标车速度：0～120km/h；两辆车的车道重叠率：25％-100％，车道数量：1～6，两车可能相撞的时间小于3秒。
场景六：在弯道上，自动驾驶车辆遇到对向车辆占用本车道逆向行驶。
请参见图6所示，该场景参数：目标车数量：1～4，目标车速度：0～120km/h；两辆车的车道重叠率：25％-100％，车道数量：1～6，两车可能相撞的时间小于3秒。
前述目标车速度是指：自动驾驶车辆的感知范围内的其他车辆的行驶速度范围。
本申请将上述六种场景视为突发事件场景，所有有关于面向突发事件场景的车辆轨迹预测方法均基于这六种场景。
图7示意为自动驾驶车辆在行驶过程中如何生成车辆预测轨迹的整体流程图，结合该流程图对各步骤说明如下：
步骤71，获取自动驾驶系统提供的感知信息；
较佳实施例中，获取的感知信息包括：车辆的位置、长度、宽度、颜色、速度、加速度、yaw角度、yaw角度变化率。
步骤72，管理获取的感知信息；
较佳实施例中，管理获取的感知信息包括：增加、删除、修改、查找感知信息。具体来说：
a)增加：增加感知范围内新出现车辆的感知信息；
b)删除：删除超出感知范围车辆的感知信息；
c)修改：更新感知范围内已经出现车辆的感知信息；
d)查找：根据某个搜索条件查找感知范围内某辆车的感知信息；
步骤73，从高精地图数据库提取道路结构信息，为每一辆汽车查找和匹配当前时刻的道路结构信息，然后管理每一辆汽车当前时刻和过去历史时刻的道路结构信息。
需要说明的是，此步骤中，“每一辆汽车”含义是：处于自动驾驶汽车感知范围内的每一辆汽车。本申请文本中出现的“每一辆汽车”的含义与此一致。
道路结构信息包括：每一辆汽车当前所在车道、当前所在车道前面连接车道和后面连接车道、当前所在车道左边相邻车道和右边相邻车道。
同样，此处“管理”的含义包括：增加、删除、修改、查找感知信息的能力。
步骤74，根据车辆当前时刻所在的道路结构信息、历史时刻所在的道路结构信息，车辆当前时刻感知信息、历史时刻感知信息，判断每一辆汽车是否处于突发事件场景。
需要特别说明的是，在该流程中，该自动驾驶功能的车辆是评估其周围一定距离(例如100米)范围内的所有车辆是否处于突发场景，评估完毕后，这辆自动驾驶汽车去预测该范围内的所有车辆的将来轨迹。
所预测的该范围内所有车辆包括各种类型车辆，这些车辆可以是无人驾驶或有人驾驶车辆。
具体而言，步骤74的判断是逐一进行的，即：第一个计算周期评估第一辆汽车，然后预测第一辆汽车的未来轨迹，第二个计算周期评估第二辆汽车，然后预测第二两汽车的未来轨迹，如此不停地评估、预测，直到把周围设定范围内所有车辆评估、预测完毕。在这一轮评估预测完毕之后，继续重头开始，评估、预测第一辆汽车，然后评估、预测第二辆汽车。直至该自动驾驶车辆熄火停止，才会停止评估、预测工作。
步骤75，若步骤74的判断结果为是，即表明某辆汽车处于突发事件场景，则调用面向突发事件场景的车辆预测算法，计算预测轨迹。
步骤76，若步骤74的判断结果为否，即表明某辆汽车没有处于突发事件场景，调用面向非突发事件场景的车辆预测算法，计算预测轨迹。
步骤77，接收步骤75和76生成的预测轨迹，为每一辆汽车，生成未来若干秒车辆预测轨迹。
在上述车辆轨迹预测方法的总体流程中，步骤74和步骤75是与突发时间场景相关的内容，本发明在涉及其的相关技术方案中，应用到三种运动模型，具体介绍如下：
(1)CV和CA运动模型。
其中，恒定速度运动模型(Constant Velocity motion model，简称CV)
恒定加速度运动模型(Constant Acceleration motion model，简称CA)
上述两种模型均为假设自动驾驶车辆速度保持不变或加速度保持不变的物理模型，适用于车辆行驶在直道的场景，例如，场景一，二，五。
(2)CTRV运动模型。
恒定转弯角速度和速度运动模型(Constant Turn Rate and Velocity motionmodel，简称CTRV)
在车辆状态向量中引入yaw角和yaw角变化率来反映车辆围绕Z轴变化情况，假设yaw角变化率和速度保持不变，其中yaw角称为偏航角，即车辆车头的朝向。
这种运动模型适用于自动驾驶车辆行驶在弯道的场景，例如，场景一，二，三。
(3)CTRA运动模型。
Constant Turn Rate and Acceleration motion model(CTRA)
在车辆状态向量中引入yaw角和yaw角变化率来反映车辆围绕Z轴变化情况，假设yaw角变化率和加速度保持不变。
该种运动模型也适用于自动驾驶车辆行驶在弯道的场景，例如，场景四，六。
请参见图8，所示为图7中步骤74-75的扩展流程图，结合该图说明如下：
步骤81，提取当前时刻的该自动驾驶车辆的位置、速度、加速度、yaw、yaw变化率等若干参数，从高精地图数据库提取当前时刻的该自动驾驶车辆周边道路结构信息；
步骤82，根据步骤81，判断当前时刻该自动驾驶车辆处于直行道路或转弯道路？
步骤83，如果当前处于直行道路，继续判断当前时刻该自动驾驶车辆的加速度是否为零？
步骤84，如果当前处于转弯道路，继续判断当前时刻该自动驾驶车辆的加速度是否为零？
步骤85，如果当前车辆直行，且当前时刻该自动驾驶车辆的加速度不为零，则采用CV运动模型；
步骤86，如果当前车辆直行，且当前时刻该自动驾驶车辆的加速度为零，则采用CA运动模型；
步骤87，如果当前处于转弯道路，且当前时刻该自动驾驶车辆的加速度不为零，则采用CTRV运动模型；
步骤88，如果当前处于转弯道路，且当前时刻该自动驾驶车辆的加速度为零，则采用CTRA运动模型。
步骤89，为每一辆车生成未来若干秒的车辆预测轨迹。
在步骤89中，根据所选择的不同运动模型，生成车辆预测轨迹，该过程具体说明如下：
当步骤85和86所选择为CV和CA运动模型时，此运动模型下，车辆速度保持不变或加速度保持不变。
在当前时刻k下，假设该自动驾驶车辆的状态矢量Xk为：
Figure BDA0003740438460000151
其中，
Figure BDA0003740438460000152
表示k时刻车辆位置坐标x；
Figure BDA0003740438460000153
表示k时刻车辆位置坐标y；
Figure BDA0003740438460000154
表示k时刻车辆x方向速度值；
Figure BDA0003740438460000155
表示k时刻车辆y方向速度值；
Figure BDA0003740438460000156
表示k时刻车辆x方向加速度值；
Figure BDA0003740438460000157
表示k时刻车辆y方向加速度值；
t，表示更新计算周期值，通常是1秒，单位是秒。
在时刻k+1的车辆的状态矢量Xk+1为：
Figure BDA0003740438460000158
按照如下步骤计算得到车辆预测轨迹：
步骤一，利用公式(2)中能计算得到时刻k+1的车辆的状态矢量Xk+1。
步骤二，计算得到时刻k+1的车辆的状态矢量Xk+1之后，利用公式(2)能进一步计算得到时刻k+2的车辆的状态矢量Xk+2。
步骤三，如此循环可以得到未来若干个时刻的预测轨迹点，未来若干个时刻的预测轨迹点构成车辆预测轨迹，从而能够计算得到车辆预测轨迹。
当步骤87选择为CTRV运动模型，该模型于(车辆状态向量中引入yaw角和yaw角变化率来反映车辆围绕Z轴变化情况，假设yaw角变化率和速度保持不变。
在当前时刻k时，假设该自动驾驶车辆的状态矢量Xk，根据公式：
Figure BDA0003740438460000161
其中，
Figure BDA0003740438460000162
表示k时刻车辆位置坐标x；
Figure BDA0003740438460000163
表示k时刻车辆位置坐标y；
vk，表示k时刻车辆速度值；
yawk，表示k时刻车辆yaw值；
yawdk，表示k时刻车辆yaw变化率值；
acck，表示k时刻车辆加速度值；
t，表示更新计算周期值，通常是1秒，单位是秒。
在时刻k+1的车辆的状态矢量Xk+1分别为：
Figure BDA0003740438460000171
以及
Figure BDA0003740438460000172
按照如下步骤计算得到车辆预测轨迹：
步骤一，利用公式(4)或公式(5)能计算得到时刻k+1的车辆的状态矢量Xk+1，其中：
若|yawdk|≤0.01，则使用公式(4)计算得到时刻k+1的车辆的状态矢量Xk+1；
若|yawdk|＞0.01，则使用公式(5)计算得到时刻k+1的车辆的状态矢量Xk+1。
步骤二，计算得到时刻k+1的车辆的状态矢量Xk+1之后，利用公式(4)或公式(5)能计算得到时刻k+2的车辆的状态矢量Xk+2。
步骤三，如此循环可以得到未来若干个时刻的预测轨迹点，未来若干个时刻的预测轨迹点构成车辆预测轨迹，从而能够计算得到车辆预测轨迹。
当步骤88选择为CTRA运动模型时，在车辆状态向量中引入yaw角和yaw角变化率来反映车辆围绕Z轴变化情况，假设yaw角变化率和加速度保持不变。
在当前时刻k时，假设该自动驾驶车辆的状态矢量Xk，根据公式：
Figure BDA0003740438460000181
在时刻k+1的车辆的状态矢量Xk+1为：
Figure BDA0003740438460000182
其中，
Figure BDA0003740438460000183
表示k时刻车辆位置坐标x；
Figure BDA0003740438460000184
表示k时刻车辆位置坐标y；
θk,表示k时刻车辆yaw值；
vk,表示k时刻车辆速度值；
wk,表示k时刻车辆yaw变化率；
ak,表示k时刻车辆加速度值；
t,表示更新计算周期值，通常是1秒，单位是秒。
按照如下步骤计算得到车辆预测轨迹：
步骤一，利用公式(7)能计算得到时刻k+1的车辆的状态矢量Xk+1；
步骤二，计算得到时刻k+1的车辆的状态矢量Xk+1之后，利用公式(7)能计算得到时刻k+2的车辆的状态矢量Xk+2。
步骤三，如此循环可以得到未来若干个时刻的预测轨迹点，未来若干个时刻的预测轨迹点构成车辆预测轨迹，从而能够计算得到车辆预测轨迹。
综上所述，本发明在业内首次提出一种借助于若干个具体场景实现评估一辆汽车是否处于突发事件场景的方法。泛化场景参数，从而使场景更具有广泛性，该方法具有强可操作性，强扩展性，高实用价值的优点。而且本发明采用不同的运动模型实现计算处于突发事件场景的车辆预测轨迹的方法。匹配不同的突发事件场景，从而计算车辆预测轨迹的方法，该方法在保持高性能的基础上，具有简单高效，占用计算资源少，计算耗费时间短，实时性强的优点。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述发明披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
本申请的一些方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。处理器可以是一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理器件(DAPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器或者其组合。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。例如，计算机可读介质可包括，但不限于，磁性存储设备(例如，硬盘、软盘、磁带……)、光盘(例如，压缩盘CD、数字多功能盘DVD……)、智能卡以及闪存设备(例如，卡、棒、键驱动器……)。
计算机可读介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、射频信号、或类似介质、或任何上述介质的组合。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述发明披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
虽然本申请已参照当前的具体实施例来描述，但是本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本申请，在没有脱离本申请精神的情况下还可作出各种等效的变化或替换，因此，只要在本申请的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。

Claims (9)

1.一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，应用于自动驾驶车辆中，其特征在于，所述方法包括：
步骤一，获取并管理该自动驾驶车辆上自动驾驶系统提供的感知信息；
步骤二，从高精地图数据库提取道路结构信息，为该自动驾驶车辆感知范围内的每一辆汽车查找和匹配当前时刻的道路结构信息，并管理该每一辆汽车当前时刻和历史时刻的道路结构信息；
步骤三，所述自动驾驶车辆根据当前时刻所在道路结构信息和历史时刻所在道路结构信息，以及当前时刻感知信息和历史时刻感知信息，判断其感知范围内每一辆汽车是否处于突发事件场景；
步骤四，根据判断结果采用不同运动模型获取所述每一辆汽车的预测轨迹。
2.根据权利要求1所述的自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，其特征在于，所述步骤三中判断是否处于突发事件场景进一步包括：
步骤三一，判断当前时刻该自动驾驶车辆处于直行道路或转弯道路？
步骤三二，如果处于直行道路，继续判断当前时刻该自动驾驶车辆的加速度是否为零？
步骤三三，如果处于转弯道路，继续判断当前时刻该自动驾驶车辆的加速度是否为零？
步骤三四，该自动驾驶车辆当前处于直行，且当前时刻加速度不为零，则采用CV运动模型生成车辆预测轨迹；
步骤三五，该自动驾驶车辆当前处于直行，且当前时刻加速度为零，则采用CA运动模型生成车辆预测轨迹；
步骤三六，该自动驾驶车辆当前处于转弯，且当前时刻加速度不为零，则采用CTRV运动模型生成车辆预测轨迹；
步骤三七，该自动驾驶车辆当前处于转弯，且当前时刻加速度为零，则采用CTRA运动模型生成车辆预测轨迹。
3.根据权利要求2所述的自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，其特征在于，所述突发事件场景包括：
场景一，在环形路口，该自动驾驶车辆遇到逆向行驶的车辆；
场景二，该自动驾驶车辆并道驶出高速/高架，即将进入驶出匝道，该自动驾驶车辆遇到逆向行驶的车辆，两车可能相撞的时间小于3秒；
场景三，该自动驾驶车辆从匝道驶入高速/高架，已经进入驶入匝道，该自动驾驶车辆遇到逆向行驶的车辆，两车可能相撞的时间小于3秒；
场景四，在交叉路口，该自动驾驶车辆遇到逆向行驶的车辆；
场景五，在直道上，该自动驾驶车辆遇到对向车辆占用本车道逆向行驶；
场景六，在弯道上，该自动驾驶车辆遇到对向车辆占用本车道逆向行驶。
4.根据权利要求3所述的自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，其特征在于，
所述CV和CA运动模型适用于场景一、场景二和场景五。
5.根据权利要求3所述的自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，其特征在于，
所述CTRV运动模型适用于场景一、场景二和场景三。
6.根据权利要求3所述的自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，其特征在于，
所述CTRA运动模型适用于场景四和场景六。
7.根据权利要求1所述的自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，其特征在于，
所述步骤一中获取的感知信息包括：该自动驾驶车辆的位置、长度、宽度、颜色、速度、加速度、yaw角度和yaw角度变化率；
所述步骤一中管理获取的感知信息包括：增加、删除和修改更新感知范围内新出现车辆的感知信息，并根据搜索条件查找感知范围内某辆车的感知信息。
8.根据权利要求1所述的自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，其特征在于，
所述步骤三中，如果判断车辆没有处于突发事件场景，则调用面向非突发事件场景的车辆预测算法计算预测轨迹。
9.根据权利要求1所述的自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，其特征在于，
当所述步骤四对该自动驾驶车辆感知范围内的每一辆汽车逐一完成预测轨迹后，重新返回步骤一开始新一轮预测。
CN202210814267.9A 2022-07-11 2022-07-11 一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法 Pending CN115107806A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210814267.9A CN115107806A (zh) 2022-07-11 2022-07-11 一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210814267.9A CN115107806A (zh) 2022-07-11 2022-07-11 一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法

Publications (1)

Publication Number Publication Date
CN115107806A true CN115107806A (zh) 2022-09-27

Family

ID=83332106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210814267.9A Pending CN115107806A (zh) 2022-07-11 2022-07-11 一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法

Country Status (1)

Country Link
CN (1) CN115107806A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115900697A (zh) * 2022-10-28 2023-04-04 北京百度网讯科技有限公司 对象运动轨迹信息处理方法、电子设备以及自动驾驶车辆
CN117962917A (zh) * 2022-10-24 2024-05-03 北京三快在线科技有限公司 自动驾驶决策规划方法及自动驾驶车辆

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117962917A (zh) * 2022-10-24 2024-05-03 北京三快在线科技有限公司 自动驾驶决策规划方法及自动驾驶车辆
CN115900697A (zh) * 2022-10-28 2023-04-04 北京百度网讯科技有限公司 对象运动轨迹信息处理方法、电子设备以及自动驾驶车辆
CN115900697B (zh) * 2022-10-28 2024-03-29 北京百度网讯科技有限公司 对象运动轨迹信息处理方法、电子设备以及自动驾驶车辆

Similar Documents

Publication Publication Date Title
US11899411B2 (en) Hybrid reinforcement learning for autonomous driving
CN113056749B (zh) 用于自主机器应用的未来对象轨迹预测
US11726477B2 (en) Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout
WO2022052406A1 (zh) 一种自动驾驶训练方法、装置、设备及介质
US20230124864A1 (en) Graph Representation Querying of Machine Learning Models for Traffic or Safety Rules
Chae et al. Virtual target-based overtaking decision, motion planning, and control of autonomous vehicles
CN115107806A (zh) 一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法
US11385642B2 (en) Perpendicular cut-in training
US11810365B1 (en) Perception error modeling
CN112577506B (zh) 一种自动驾驶局部路径规划方法和系统
JP7520444B2 (ja) 乗り物に基づくデータ処理方法、データ処理装置、コンピュータ機器、及びコンピュータプログラム
US20220227391A1 (en) Systems and methods for scenario dependent trajectory scoring
CN112325898B (zh) 路径规划方法、装置、设备和存储介质
Chen et al. Target-driven obstacle avoidance algorithm based on DDPG for connected autonomous vehicles
US11590969B1 (en) Event detection based on vehicle data
Siboo et al. An empirical study of ddpg and ppo-based reinforcement learning algorithms for autonomous driving
Gao et al. Discretionary cut-in driving behavior risk assessment based on naturalistic driving data
Khanum et al. Involvement of deep learning for vision sensor-based autonomous driving control: a review
Katrakazas Developing an advanced collision risk model for autonomous vehicles
Rizvi et al. Fuzzy adaptive cruise control system with speed sign detection capability
Villagra et al. Motion prediction and risk assessment
WO2024049925A1 (en) Trajectory prediction based on a decision tree
Liu et al. Enhancing Social Decision-Making of Autonomous Vehicles: A Mixed-Strategy Game Approach With Interaction Orientation Identification
Gill Probabilistic framework for behavior characterization of traffic participants enabling long term prediction
YU et al. Vehicle Intelligent Driving Technology

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