CN115195790B - 一种预测车辆轨迹的方法、装置、电子设备及存储介质 - Google Patents
一种预测车辆轨迹的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115195790B CN115195790B CN202211119864.6A CN202211119864A CN115195790B CN 115195790 B CN115195790 B CN 115195790B CN 202211119864 A CN202211119864 A CN 202211119864A CN 115195790 B CN115195790 B CN 115195790B
- Authority
- CN
- China
- Prior art keywords
- track
- target vehicle
- lane
- target
- distance
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 53
- 230000001133 acceleration Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 abstract description 14
- 101100369993 Mus musculus Tnfsf10 gene Proteins 0.000 description 12
- 230000008569 process Effects 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 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
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
- B60W60/00276—Planning or execution of driving tasks using trajectory prediction for other traffic participants for two or more 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
- 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
- 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
- B60W50/0097—Predicting future conditions
-
- 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
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- 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
- B60W60/00272—Planning or execution of driving tasks using trajectory prediction for other traffic participants relying on extrapolation of current movement
-
- 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
- B60W2556/10—Historical data
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种预测车辆轨迹的方法、装置、电子设备及存储介质,方法包括:自动驾驶车辆进入路口区域,确定进入路口区域的目标车辆;获取目标车辆进入路口区域之前的历史运动轨迹;基于目标车辆的运动状态参数和运动学模型,获取目标车辆的第一预测轨迹;将历史运动轨迹与第一预测轨迹拼接获取目标车辆的特征轨迹序列;基于目标车辆的运动状态参数和特征轨迹序列,以及路口区域内的多条车道中心线,获取目标车辆的目标车道中心线;基于目标车辆的运动状态参数和目标车道中心线,获取目标车辆的第二预测轨迹,提升了自动驾驶车辆对路口区域的环境车辆的运动轨迹的预测准确度,进一步降低了自车的行车风险,还提高了自动驾驶车辆的行车效率。
Description
技术领域
本申请属于车辆技术领域,尤其涉及一种预测车辆轨迹的方法、装置、电子设备及存储介质。
背景技术
自动驾驶作为一种能够提高交通安全性和较少交通拥堵的新技术正在快速发展,而车辆轨迹预测是自动驾驶车辆的自动驾驶系统不可或缺的组成部分。在路口场景,同一个路口区域内有各个方向运动的车辆,各车辆的运动交互比较复杂,目前对环境车辆的运动轨迹预测准确度有待进一步提高,自车有发生碰撞的风险或难以继续通行的情况。
现有技术存在对路口区域的环境车辆的运动轨迹预测不准确的问题,造成自车有发生碰撞的风险或无法通行的情况。
发明内容
本申请实施例提供了一种预测车辆轨迹的方法、装置、电子设备及存储介质,以解决自动驾驶车辆对路口区域的环境车辆的运动轨迹预测不准确,造成自车有发生碰撞的风险或无法通行的情况的问题。
第一方面,本申请实施例提供了一种预测车辆轨迹的方法,包括:
自动驾驶车辆进入路口区域,确定进入所述路口区域的目标车辆;
获取所述目标车辆进入所述路口区域的历史运动轨迹;
基于所述目标车辆的运动状态参数和运动学模型,获取所述目标车辆的第一预测轨迹;
将所述历史运动轨迹与所述第一预测轨迹拼接获取所述目标车辆的特征轨迹序列;
基于所述目标车辆的运动状态参数和所述特征轨迹序列,以及所述路口区域内的多条车道中心线,获取所述目标车辆的目标车道中心线;
基于所述目标车辆的运动状态参数和所述目标车道中心线,获取所述目标车辆的第二预测轨迹。
在其中一个实施例中,所述基于所述目标车辆的运动状态参数和所述目标车道中心线,获取所述目标车辆的第二预测轨迹的步骤之后,包括:
基于所述第二预测轨迹和所述自动驾驶车辆的运动状态参数,规划所述自动驾驶车辆在所述路口区域的第三预测轨迹。
在其中一个实施例中,所述运动状态参数包括位置坐标、航向角、速度、加速度、一阶导数航向角,所述位置坐标包括第一横向方向坐标和第一纵向方向坐标,所述运动学模型包括第一横向方向坐标计算式、第一纵向方向坐标计算式以及航向角计算式;
所述基于所述目标车辆的运动状态参数和运动学模型,获取所述目标车辆的第一预测轨迹,包括:
针对每一所述第一横向方向坐标,基于当前时刻的所述第一横向方向坐标和所述航向角,以及下一时刻的所述速度和所述加速度,通过所述第一横向方向坐标计算式获取所述下一时刻的所述第一横向方向坐标;
针对每一所述第一纵向方向坐标,基于当前时刻的所述第一纵向方向坐标和所述航向角,以及下一时刻的所述速度和所述加速度,通过所述第一纵向方向坐标计算式获取所述下一时刻的所述第一纵向方向坐标;
针对每一所述航向角,基于当前时刻的所述航向角以及下一时刻的所述一阶导数航向角,通过所述航向角计算式获取所述下一时刻的所述航向角;
每组所述第一横向方向坐标、所述第一纵向方向坐标及所述航向角形成一预测轨迹点;
多个所述预测轨迹点形成所述第一预测轨迹。
在其中一个实施例中,所述运动状态参数包括位置坐标、航向角;
所述基于所述目标车辆的运动状态参数和所述特征轨迹序列,以及所述路口区域内的多条车道中心线,获取所述目标车辆的目标车道中心线,包括:
若所述路口区域内的所述车道中心线与所述航向角的夹角小于第一阈值,所述车道中心线为第一车道中心线;
若所述第一车道中心线与所述目标车辆的所述位置坐标的距离小于第二阈值,所述第一车道中心线为第二车道中心线;
若所述第二车道中心线的数量小于或者等于一条,与所述目标车辆的所述位置坐标的距离最小的所述第二车道中心线为所述目标车道中心线;
若所述第二车道中心线的数量大于一条,与所述目标车辆的特征轨迹序列的相似度最大的所述第二车道中心线为所述目标车道中心线。
在其中一个实施例中,所述相似度采用所述特征轨迹序列与所述目标车道中心线之间的加权轨迹距离来表征;
所述与所述目标车辆的特征轨迹序列的相似度最大的所述第二车道中心线为所述目标车道中心线,包括:
在所述特征轨迹序列上从起点开始依次取得预设长度的序列曲线段;
将所述曲线段投影至一所述第二车道中心线获取投影曲线段;
针对每一所述序列曲线段和所述投影曲线段之间的轨迹距离,基于所述序列曲线段和所述投影曲线段之间的端点距离和余弦距离,通过轨迹距离计算式获取所述轨迹距离;
各所述轨迹距离通过加权轨迹距离计算式获取所述加权轨迹距离;
将各所述加权轨迹距离从小到大进行排序,排序第一的所述加权轨迹距离所对应的所述第二车道中心线为所述目标车道中心线。
在其中一个实施例中,所述端点距离包括第一端点距离和第二端点距离;
所述轨迹距离计算式为:
其中,Di为第i个所述轨迹距离,i为整数且1≦i,d1为所述序列曲线段的第一端和所述投影曲线段的第一端之间的所述第一端点距离,d2为所述序列曲线段的第二端和所述投影曲线段的第二端之间的所述第二端点距离,d3为所述余弦距离;
所述加权轨迹距离计算式为:
其中,D为所述加权轨迹距离,N为所述轨迹距离的数量,Di为第i个所述轨迹距离,i为整数且1≦i≦N,Si为第i个所述序列曲线段的终点与所述特征轨迹序列的起点之间的直线距离。
在其中一个实施例中,所述运动状态参数包括第二横向方向坐标、第二纵向方向坐标、速度、加速度;
所述基于所述目标车辆的所述运动状态参数和所述目标车道中心线,获取所述目标车辆的第二预测轨迹,包括:
针对每一所述第二横向方向坐标,基于当前时刻的所述第二横向方向坐标、所述速度和所述加速度,通过第二横向方向坐标计算式获取下一时刻的所述第二横向方向坐标;
针对每一所述第二纵向方向坐标,基于当前时刻的所述第二横向方向坐标、所述速度和所述加速度,通过第二横向方向坐标计算式获取下一时刻的所述第二横向方向坐标;
各所述第二横向方向坐标、各所述第二纵向方向坐标形成所述第二预测轨迹。
第二方面,本申请实施例提供了一种预测车辆轨迹的装置,包括:
确定目标车辆模块,用于自动驾驶车辆进入路口区域,确定进入所述路口区域的目标车辆;
获取历史轨迹模块,用于获取所述目标车辆进入所述路口区域的历史运动轨迹;
获取第一预测轨迹模块,用于基于所述目标车辆的运动状态参数和运动学模型,获取所述目标车辆的第一预测轨迹;
拼接模块,用于将所述历史运动轨迹与所述第一预测轨迹拼接获取所述目标车辆的特征轨迹序列;
获取目标车道中心线模块,用于基于所述目标车辆的运动状态参数和所述特征轨迹序列,以及所述路口区域内的多条车道中心线,获取所述目标车辆的目标车道中心线;
获取第二预测轨迹模块,用于基于所述目标车辆的运动状态参数和所述目标车道中心线,获取所述目标车辆的第二预测轨迹。
第三方面,本申请实施例提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面内容中任一项所述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面内容中任一项所述的方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的的方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是:
通过自动驾驶车辆进入路口区域,确定进入路口区域的目标车辆;获取目标车辆进入路口区域之前的历史运动轨迹;基于目标车辆的运动状态参数和运动学模型,获取目标车辆的第一预测轨迹;将历史运动轨迹与第一预测轨迹拼接获取目标车辆的特征轨迹序列;基于目标车辆的运动状态参数和特征轨迹序列,以及路口区域内的多条车道中心线,获取目标车辆的目标车道中心线;基于目标车辆的运动状态参数和目标车道中心线,获取目标车辆的第二预测轨迹,提升了自动驾驶车辆对路口区域的环境车辆的运动轨迹的预测准确度,进一步降低了自车的行车风险,提高了自车的安全性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种预测车辆轨迹的方法的流程示意图;
图2是本申请一实施例提供的确定进入路口区域的目标车辆的的流程示意图;
图3是本申请一实施例提供的基于目标车辆的运动状态参数和运动学模型,获取目标车辆的第一预测轨迹的流程示意图;
图4是本申请一实施例提供的将历史运动轨迹与第一预测轨迹拼接获取目标车辆的特征轨迹序列的示意图;
图5是本申请一实施例提供基于目标车辆的运动状态参数和特征轨迹序列,以及路口区域内的多条车道中心线,获取目标车辆的目标车道中心线的流程示意图;
图6是本申请一实施例提供的与目标车辆的特征轨迹序列的相似度最大的第二车道中心线为目标车道中心线的流程示意图;
图7是本申请一实施例提供的曲线段投影至一第二车道中心线获取投影曲线段的示意图;
图8是本申请一实施例提供的计算序列曲线段和投影曲线段之间的轨迹距离的示意图;
图9是本申请一实施例提供的特征轨迹序列与第二车道中心线的相似度的计算示意图;
图10是本申请一实施例提供的基于目标车辆的运动状态参数和目标车道中心线,获取目标车辆的第二预测轨迹的流程示意图;
图11是本申请一实施例提供的示意图;
图12是本申请实施例提供的一种预测车辆轨迹的装置的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
车辆轨迹预测是指将感知系统检测到的车辆运动信息储存下来,从历史运动信息中提取出有效信息,预测出未来一段时间内该环境车辆的运动轨迹。自动驾驶车辆通过对环境车辆的运动轨迹进行预测,从而形成对当前环境以及未来的环境趋势进行风险评估。通过对环境车辆运动轨迹的准确预测,可以使自动驾驶车辆提前做出合理的反应,从而提高行驶的安全性。
在路口区域场景中,由于路口区域没有车道线,同一个路口区域内有各个方向运动的车辆,各车辆的运动交互比较复杂,目前对环境车辆的运动轨迹预测准确度有待进一步提高,自车有发生碰撞的风险或难以继续通行的情况。已有的各种各样的预测车辆轨迹的方法,还有部分停留在数据集的验证,而基于机器学习的预测方法相对来说解释性差、迁移性差。而面向大规模量产的自动驾驶系统要求车辆轨迹预测算法具有一定的可解释性和较高的可靠性。
需要说明的是,在本实施例中,恒定转率和加速度运动学模型(Constant TurnRate and Acceleration, 简称CTRA),也称为匀横摆角速度匀加速度运动学模型。
在本申请实施例中,通过自动驾驶车辆进入路口区域,确定进入路口区域的目标车辆,并获取目标车辆进入路口区域之前的历史运动轨迹,再基于目标车辆的运动状态参数和运动学模型,获取目标车辆的第一预测轨迹,将历史运动轨迹与第一预测轨迹拼接获取目标车辆的特征轨迹序列,然后基于目标车辆的运动状态参数和特征轨迹序列,以及路口区域内的多条车道中心线,获取目标车辆的目标车道中心线,最后基于目标车辆的运动状态参数和目标车道中心线,获取目标车辆的第二预测轨迹,从而提升了自动驾驶车辆对路口区域的环境车辆的运动轨迹的预测准确度,进一步降低了自车的行车发生碰撞的风险,提高了自车的安全性,还进一步提升了自车的行车效率。
下面通过具体的实施例来说明本申请的技术方案。
第一方面,如图1所示,本实施例提供了一种预测车辆轨迹的方法,包括:
S100,自动驾驶车辆进入路口区域,确定进入路口区域的目标车辆。
自动驾驶车辆进入路口区域,确定进入路口区域的目标车辆,只针对目标车辆进行车辆轨迹的预测,有利于降低预测车辆轨迹的数量,降低自动驾驶车辆的自动驾驶系统的计算量,提高自动驾驶车辆的响应速度。
在一些实施例中,路口区域也可称为路口,可以包括以各出口/入口的停止线为基准所围绕起来的区域,路口可以包括T形路、十字路口、米字路口、Y形路口等。
在一个实施例中,如图2所示,自动驾驶车辆在行驶过程中,根据自动驾驶车辆的定位信息,能从高精度地图中获取自动驾驶车辆附近路口区域的路口信息。自动驾驶车辆进入路口区域时,若环境车辆的前方为路口区域,确定环境车辆为目标车辆。本实施例对环境车辆的数量或目标车辆的数量不进行限制,环境车辆的数量或目标车辆的数量均可以为一辆或多辆。
S200,获取目标车辆进入路口区域的历史运动轨迹。
获取目标车辆进入路口区域的历史运动轨迹,有利于协助自动驾驶系统判断目标车辆的运动意图,并能进一步提升车辆轨迹预测的准确度。例如,通过历史运动轨迹,能提前预测环境车辆在路口区域进行左转弯、右转弯、掉头或直行通过路口。
在一个实施例中,目标车辆进入路口区域的历史运动轨迹可以通过自动驾驶车辆的各种传感器、摄像头、声波雷达或激光雷达保存的历史信息获取,还可以从云端的路口区域的历史信息中获取。历史运动轨迹可以用集合H表示,H={h1,h2,...,hm},每个h表示一个历史运动轨迹点坐标(x,y,θ),其中,m表示历史运动轨迹点的数量,x为大地坐标系下的第一横向方向坐标,y为大地坐标系下的第一纵向方向坐标,θ为目标车辆的航向角。
需要说明的是,为了降低历史运动轨迹的存储数据,并降低自动驾驶系统获取目标车辆进入路口区域的历史运动轨迹的计算量,目标车辆的历史运动轨迹的行驶时间小于或者等于60秒,优选地,行驶时间小于或者等于30秒。历史运动轨迹包括目标车辆进入路口区域之前的历史运动轨迹、目标车辆行驶在路口区域的历史运动轨迹和目标车辆驶离路口区域的历史运动轨迹。
S300,基于目标车辆的运动状态参数和运动学模型,获取目标车辆的第一预测轨迹。
基于目标车辆的实时运动状态参数和运动学模型,获取目标车辆的第一预测轨迹,提高了获取目标车辆的第一预测轨迹的准确度,还能提高第一预测轨迹的速度准确度,有利于提高自动驾驶车辆的通过路口区域的通行效率。
在一个实施例中,运动状态参数包括位置坐标、航向角、速度、加速度、一阶导数航向角,位置坐标包括第一横向方向坐标和第一纵向方向坐标,运动学模型包括第一横向方向坐标计算式、第一纵向方向坐标计算式以及航向角计算式,第一预测轨迹的轨迹点坐标包括第一横向方向坐标、第一纵向方向坐标和航向角,速度包括横向速度和纵向速度。
在一个实施例中,运动学模型包括匀横摆角速度匀加速度运动学模型(CTRA)。
在一个实施例中,如图3所示,基于目标车辆的运动状态参数和运动学模型,获取目标车辆的第一预测轨迹,包括:
S310,针对每一第一横向方向坐标,基于当前时刻的第一横向方向坐标和航向角,以及下一时刻的速度和加速度,通过第一横向方向坐标计算式获取下一时刻的第一横向方向坐标。
第一横向方向坐标计算式包括:
其中,xt+1为下一时刻的第一横向方向坐标,xt为当前时刻的第一横向方向坐标,θt为当前时刻的航向角,dt为时间,at+1为下一时刻的加速度,vt+1为下一时刻的速度;
其中,下一时刻的速度的计算式为:
vx,t+1为下一时刻的横向速度,vy,t+1为下一时刻的纵向速度;
通过第一横向方向坐标计算式不断的迭代计算获取第一预测轨迹上的多个第一横向方向坐标,在第一横向方向坐标数量越多时,有利于提高第一预测轨迹的准确性。
S320,针对每一第一纵向方向坐标,基于当前时刻的第一纵向方向坐标和航向角,以及下一时刻的速度和加速度,通过第一纵向方向坐标计算式获取下一时刻的第一纵向方向坐标。
第一纵向方向坐标计算式为:
其中,yt+1为下一时刻的第一纵向方向坐标,yt为当前时刻的第一纵向方向坐标,θt为当前时刻的航向角,dt为时间,vt+1为下一时刻的速度,at+1为下一时刻的加速度;
其中,下一时刻的速度的计算式为:
vx,t+1为下一时刻的横向速度,vy,t+1为下一时刻的纵向速度;
通过第一纵向方向坐标计算式不断的迭代计算获取第一预测轨迹上的多个第一纵向方向坐标,在第一纵向方向坐标数量越多时,有利于提高第一预测轨迹的准确性。
S330,针对每一航向角,基于当前时刻的航向角以及下一时刻的一阶导数航向角,通过航向角计算式获取下一时刻的航向角。
航向角计算式为:
通过第一纵向方向坐标计算式不断的迭代计算获取第一预测轨迹上的多个第一纵向方向坐标,在第一纵向方向坐标数量越多时,有利于提高第一预测轨迹的准确性。
S340,每组第一横向方向坐标、第一纵向方向坐标及航向角形成一预测轨迹点。
S350,多个预测轨迹点形成第一预测轨迹。
第一预测轨迹可以用集合G表示,G={g1,g2,...,gn},每个g表示一个第一预测轨迹点坐标(x,y,θ),其中,n表示第一预测轨迹点的数量,x为大地坐标系下的第一横向方向坐标,y为大地坐标系下的第一纵向方向坐标,θ为目标车辆的航向角。
需要说明的是,第一预测轨迹上轨迹点越多,第一预测轨迹就越准确,在本实施例中对第一预测轨迹上的数量不进行限制,在满足自动驾驶系统的计算量的情况下,可以为100个、1000个或1万个。
S400,将历史运动轨迹与第一预测轨迹拼接获取目标车辆的特征轨迹序列。
将历史运动轨迹与第一预测轨迹拼接获取目标车辆的特征轨迹序列,有利于进一步提高目标车辆的预测轨迹的准确性。
在一个实施例中,如图4所示,目标车辆的特征轨迹序列由直行的历史运动轨迹和左转弯的第一预测轨迹拼接而成,车辆A表示目标车辆,车辆B表示自动驾驶车辆。
在一个实施例中,特征轨迹序列可以用集合F表示,F={H,G},表示为F={f1,f2,...,fm+n},每个f表示一个特征轨迹序列点坐标(x,y,θ),其中,m+n表示特征轨迹序列点的数量,x为大地坐标系下的第一横向方向坐标,y为大地坐标系下的第一纵向方向坐标,θ为目标车辆的航向角。
需要说明的是,对于与第一预测轨迹拼接的目标车辆的历史运动轨迹不进行限制,根据目标车辆的特征轨迹序列的需要选择不同的行驶时间时长与不同时间的历史运动轨迹。
可以理解地是,由于CTRA轨迹能够准确、快速地反应目标车辆的运动状态的变化,加入历史运动轨迹能抑制目标车辆实时检测的噪声,故特征轨迹序列既能够表征目标车辆的实时运动趋势,也具备一定的抗干扰能力,不会因为一帧的速度检测不准确导致表征不准确。
S500,基于目标车辆的运动状态参数和特征轨迹序列,以及路口区域内的多条车道中心线,获取目标车辆的目标车道中心线。
基于目标车辆的运动状态参数和特征轨迹序列,以及路口区域内的多条车道中心线,获取目标车辆的目标车道中心线,进一步提高了目标车辆的预测轨迹的准确性。
需要说明的是,在自动驾驶系统的高精度地图的路口区域信息中,存在多条车道中心线,以便于自动驾驶车辆根据目标车道中心线规划路径进行自动行驶。
在一个实施例中,如图5所示,基于目标车辆的运动状态参数和特征轨迹序列,以及路口区域内的多条车道中心线,获取目标车辆的目标车道中心线,包括:
S510,若路口区域内的车道中心线与航向角的夹角小于第一阈值,车道中心线为第一车道中心线。
由于在路口区域的某一车道存在多条车道中心线,例如左转弯车道中心线、右转弯车道中心线、直行车道中心线、掉头车道中心线等,有的路口区域每个方向有多条车道,则会有更多的车道中心线。若路口区域内的车道中心线与航向角的夹角小于第一阈值,车道中心线为第一车道中心线,能对多条车道中心线进行第一次筛选,降低预测目标车辆的计算量,提高了自动驾驶车辆的响应速度,还提高了预测轨迹的准确度。
在一个实施例中,第一阈值T1≦60°,进一步缩短了筛选出第一车道中心线的时间,进一步提高了预测轨迹的准确度。
S520,若第一车道中心线与目标车辆的位置坐标的距离小于第二阈值,第一车道中心线为第二车道中心线。
需要说明的是,第一车道中心线与目标车辆的位置坐标的距离为目标车辆的位置坐标到第一车道中心线之间的垂直距离。
若第一车道中心线与目标车辆的位置坐标的距离小于第二阈值,第一车道中心线为第二车道中心线,对第一车道中心线进行了第二次筛选,降低预测目标车辆的计算量,提高自动驾驶车辆的响应速度,还提高了预测轨迹的准确度。
在一个实施例中,第二阈值T2≦1.5 m,或者第二阈值T2≦0.5×W(W为一个车道的宽度),进一步缩短了筛选出第一车道中心线的时间,进一步提高了预测轨迹的准确度。
S530,若第二车道中心线的数量小于或者等于一条,与目标车辆的位置坐标的距离最小的第二车道中心线为目标车道中心线。
经过2次筛选后,若第二车道中心线的数量小于或者等于一条,与目标车辆的位置坐标的距离最小的第二车道中心线为目标车道中心线,进一步提高了目标车辆的预测轨迹的准确性。
S540,若第二车道中心线的数量大于一条,与目标车辆的特征轨迹序列的相似度最大的第二车道中心线为目标车道中心线。
经过2次筛选后,若第二车道中心线的数量大于一条,则还需要进行第3次筛选,选择与目标车辆的特征轨迹序列的相似度最大的第二车道中心线为目标车道中心线,进一步提高了目标车辆的预测轨迹的准确性。
在一个实施例中,目标车道中心线可以用集合L表示,表示为L={l1,l2,...,lk},每个l表示一个特征轨迹序列点坐标(x,y,θ),其中,k表示特征轨迹序列点的数量,x为大地坐标系下的第一横向方向坐标,y为大地坐标系下的第一纵向方向坐标,θ为目标车辆的航向角。
在一个实施例中,相似度采用特征轨迹序列与目标车道中心线之间的加权轨迹距离来表征,加权轨迹距离越小,则相似度越大,加权轨迹距离越大,则相似度越小。
在一个实施例中,如图6所示,与目标车辆的特征轨迹序列的相似度最大的第二车道中心线为目标车道中心线,包括:
S541,在特征轨迹序列上从起点开始依次取得预设长度的序列曲线段。
在特征轨迹序列上从起点开始依次取得预设长度的序列曲线段,有利于降低相似度的计算量,提高了自动驾驶车辆的响应速度。
需要说明的是,第一次取预设长度的序列曲线段是从特征轨迹序列上从起点开始,本实施例对后续每次取预设长度的序列曲线段的位置不进行限制,可以从上次序列曲线段的终点继续获取序列曲线段,也可以从上次序列曲线段的起点和终点之间的某一个位置继续获取序列曲线段,还可以在上次序列曲线段的终点之后不限定距离的位置继续获取序列曲线段。预设长度越长,可以降低序列曲线段的数量,预设长度越短,可以增加序列曲线段的数量。获取的序列曲线段数量越多,相似度的结果就越准确但计算量越大,获取的序列曲线段的数量越少,相似度的计算量就越小,但相似度的结果越差,具体从哪个位置开始获取序列曲线段或预设长度的设置在本实施例中不进行限制,根据自动驾驶车辆的具体场景具体需求来进行设定。
在一个实施例中,目序列曲线段可以用集合P表示,表示为P={p1,p2,...,pj},每个p表示一个特征轨迹序列点坐标(x,y,θ),其中,j表示特征轨迹序列点的数量,x为大地坐标系下的第一横向方向坐标,y为大地坐标系下的第一纵向方向坐标,θ为目标车辆的航向角。
S542,将曲线段投影至一第二车道中心线获取投影曲线段。
将曲线段投影至一第二车道中心线从而获取投影曲线段,有利于计算特征轨迹序列与各第二车道中心线的相似度,如图7所示。
S543,针对每一序列曲线段和投影曲线段之间的轨迹距离,基于序列曲线段和投影曲线段之间的端点距离和余弦距离,通过轨迹距离计算式获取轨迹距离。
针对每一序列曲线段和投影曲线段之间的轨迹距离,基于序列曲线段和投影曲线段之间的端点距离和余弦距离,通过轨迹距离计算式获取轨迹距离,有利于有利于计算序列曲线段与投影曲线段的相似度。
在一个实施例中,如图8所示,端点距离包括第一端点距离d1和第二端点距离d2。余
弦距离为d3,余弦距离计算式为,其中,d1为序列曲线段的第一端和投
影曲线段的第一端之间的第一端点距离,d2为序列曲线段的第二端和投影曲线段的第二端
之间的第二端点距离,d4为序列曲线段第一端点和第二端点之间的直线距离,d5为投影曲线
段第一端点和第二端点之间的直线距离,α为序列曲线段第一端点和第二端点之间的直线
与投影曲线段第一端点和第二端点之间的直线之间的夹角。
在一个实施例中,通过轨迹距离计算式获取多个轨迹距离,其中,轨迹距离计算式为:
其中,Di为第i个轨迹距离,i为整数且1≦i。
需要说明的是,序列曲线段可以一直取到特征轨迹序列的终点,也能在特征轨迹序列的中点位置或四分之三位置或其他位置,本实施例对此不进行限制,具体根据自动驾驶车辆的响应速度来进行设置。
S544,各轨迹距离通过加权轨迹距离计算式获取加权轨迹距离。
各轨迹距离通过加权轨迹距离计算式获取加权轨迹距离,进一步提高了相似度的准确度。
在一个实施例中,加权轨迹距离计算式为:
其中,D为加权轨迹距离(也可称为毫末距离),N为轨迹距离的数量,Di为第i个轨迹距离,i为整数且1≦i≦N,Si为第i个序列曲线段的终点与特征轨迹序列的起点之间的直线距离。
需要说明的是,轨迹距离的数量越多,加权轨迹距离的值越大,相似度的准确度就越高,本实施例对轨迹距离的数量不进行限定,具体选取的数量根据自动驾驶车辆的响应速度来进行设置。
S545,将各加权轨迹距离从小到大进行排序,排序第一的加权轨迹距离所对应的第二车道中心线为目标车道中心线。
通过将各加权轨迹距离从小到大进行排序,排序第一的加权轨迹距离所对应的第二车道中心线为目标车道中心线,从而将加权轨迹距离最小的第二车道中心线确定为目标车道中心线,进一步提高了相似度的准确度,也提高了目标车辆预测轨迹的准确度。
在一个实施例中,如图9所示,示意了特征轨迹序列与第二车道中心线的相似度的计算,从而在多条车道中心线中获得了目标车辆的目标车道中心线。
S600,基于目标车辆的运动状态参数和目标车道中心线,获取目标车辆的第二预测轨迹。
基于目标车辆的运动状态参数和目标车道中心线,获取目标车辆的第二预测轨迹,进一步提高了目标车辆预测轨迹的准确度,有利于提高自动驾驶车辆在路口区域的通行效率。
在一个实施例中,运动状态参数还包括第二横向方向坐标、第二纵向方向坐标,第二横向方向坐标和第二纵向方向坐标为目标车辆在Frenet坐标系下的横向坐标和纵向坐标。在Frenet坐标系下,目标车辆当前的位置R在目标车道中心线上的投影点为S(s,u),其中,s为Frenet坐标系下的第二横向方向坐标,u为Frenet坐标系下的第二纵向方向坐标。
在一个实施例中,如图10所示,基于目标车辆的运动状态参数和目标车道中心线,获取目标车辆的第二预测轨迹,包括:
S610,针对每一第二横向方向坐标,基于当前时刻的第二横向方向坐标、速度和加速度,通过第二横向方向坐标计算式获取下一时刻的第二横向方向坐标。
在一个实施例中,第二横向方向坐标计算式为:
其中,s1为下一时刻的第二横向方向坐标,s0为当前时刻的第二横向方向坐标,v0为当前时刻的速度,a为加速度,dt为时间;
通过第二横向方向坐标计算式不断的迭代计算获取第二预测轨迹上的多个第二横向方向坐标,在第二横向方向坐标数量越多时,有利于提高第二预测轨迹的准确度。
S620,针对每一第二纵向方向坐标,基于当前时刻的第二横向方向坐标以及当前时刻的速度和加速度,通过第二横向方向坐标计算式获取下一时刻的第二横向方向坐标。
在一个实施例中,第二纵向方向坐标计算式为:
其中,u1为下一时刻的第二纵向方向坐标,u0为当前时刻的第二纵向方向坐标,σ为趋近率,0<σ<1,趋近率为生成的第二预测轨迹趋近于目标中心线的速度。
通过第二横向方向坐标计算式不断的迭代计算获取第二预测轨迹上的多个第二横向方向坐标,在第二横向方向坐标数量越多时,有利于提高第二预测轨迹的准确度。
S630,各第二横向方向坐标、各第二纵向方向坐标形成第二预测轨迹。
通过不断的迭代,各第二横向方向坐标、各第二纵向方向坐标形成了目标车辆的第二预测轨迹,如图11所示。
第二预测轨迹可以用集合R表示,表示为R={r0,r1,r2,...,rj},每个r表示一个第二预测轨迹点。
需要说明的是,第二预测轨迹上轨迹点越多,第二预测轨迹就越准确,在本实施例中对第二预测轨迹上的数量不进行限制,在满足自动驾驶系统的计算量的情况下,可以为100个、1000个或1万个。
可以理解的是,当有多个目标车辆的时候,则会形成多个第二预测轨迹,每个第二预测轨迹都是按照上述步骤形成。
在一个实施例中,基于目标车辆的运动状态参数和目标车道中心线,获取目标车辆的第二预测轨迹的步骤之后,包括:
S700,基于第二预测轨迹和自动驾驶车辆的运动状态参数,规划自动驾驶车辆在路口区域的第三预测轨迹。
在获得目标车辆的第二预测轨迹后,基于第二预测轨迹和自动驾驶车辆的运动状态参数,规划自动驾驶车辆在路口区域的第三预测轨迹,这样自动驾驶车辆规划的第三预测轨迹能避开目标车辆,避免发生碰撞的危险,从而提高了自动驾驶车辆的行车效率。
可以理解的是,本实施例需要获取路口区域内的道路连接关系,而不依赖路口的几何特征,也不需要路口区域的入口/出口信息,具有较好的泛化能力,适应于预测不同形状的交叉路口的目标车辆的轨迹。此外,本实施例的预测车辆轨迹的方法兼具有可迁移性、可解释性和可靠性,适用于大规模量产的自动驾驶系统。
本实施例与现有技术相比存在的有益效果是:
通过自动驾驶车辆进入路口区域,确定进入路口区域的目标车辆;获取目标车辆进入路口区域之前的历史运动轨迹;基于目标车辆的运动状态参数和运动学模型,获取目标车辆的第一预测轨迹;将历史运动轨迹与第一预测轨迹拼接获取目标车辆的特征轨迹序列;基于目标车辆的运动状态参数和特征轨迹序列,以及路口区域内的多条车道中心线,获取目标车辆的目标车道中心线;基于目标车辆的运动状态参数和目标车道中心线,获取目标车辆的第二预测轨迹,提升了自动驾驶车辆对路口区域的环境车辆的运动轨迹的预测准确度,进一步降低了自车的行车风险,提高了自车的安全性,还提高了自动驾驶车辆的行车效率。
第二方面,如图12所示,本申请实施例提供了一种预测车辆轨迹的装置,包括:
确定模块100,用于自动驾驶车辆进入路口区域,确定进入路口区域的目标车辆。
获取历史轨迹模块200,用于获取目标车辆进入路口区域之前的历史运动轨迹。
获取第一预测轨迹模块300,用于基于目标车辆的运动状态参数和运动学模型,获取目标车辆的第一预测轨迹.
拼接模块400,用于将历史运动轨迹与第一预测轨迹拼接获取目标车辆的特征轨迹序列。
获取目标车道中心线模块500,用于基于目标车辆的运动状态参数和特征轨迹序列,以及路口区域内的多条车道中心线,获取目标车辆的目标车道中心线。
获取第二预测轨迹模块600,用于基于目标车辆的运动状态参数和目标车道中心线,获取目标车辆的第二预测轨迹。
第三方面,本申请实施例提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面内容中任一项所述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如第一方面内容中任一项所述的方法。
可以理解的是,上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例提供的一种预测车辆轨迹的方法可以应用于手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、个人数字助理(personal digital assistant,PDA)等终端设备上,本申请实施例对终端设备的具体类型不作任何限制。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/模块和方法,可以通过其它的方式实现。例如,以上所描述的装置/模块实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种预测车辆轨迹的方法,其特征在于,包括:
自动驾驶车辆进入路口区域,确定进入所述路口区域的目标车辆;
获取所述目标车辆进入所述路口区域的历史运动轨迹;
基于所述目标车辆的运动状态参数和运动学模型,获取所述目标车辆的第一预测轨迹;
将所述历史运动轨迹与所述第一预测轨迹拼接获取所述目标车辆的特征轨迹序列;
基于所述目标车辆的运动状态参数和所述特征轨迹序列,以及所述路口区域内的多条车道中心线,获取所述目标车辆的目标车道中心线;
基于所述目标车辆的运动状态参数和所述目标车道中心线,获取所述目标车辆的第二预测轨迹。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标车辆的运动状态参数和所述目标车道中心线,获取所述目标车辆的第二预测轨迹的步骤之后,包括:
基于所述第二预测轨迹和所述自动驾驶车辆的运动状态参数,规划所述自动驾驶车辆在所述路口区域的第三预测轨迹。
3.根据权利要求1所述的方法,其特征在于,所述运动状态参数包括位置坐标、航向角、速度、加速度、一阶导数航向角,所述位置坐标包括第一横向方向坐标和第一纵向方向坐标,所述运动学模型包括第一横向方向坐标计算式、第一纵向方向坐标计算式以及航向角计算式;
所述基于所述目标车辆的运动状态参数和运动学模型,获取所述目标车辆的第一预测轨迹,包括:
针对每一所述第一横向方向坐标,基于当前时刻的所述第一横向方向坐标和所述航向角,以及下一时刻的所述速度和所述加速度,通过所述第一横向方向坐标计算式获取所述下一时刻的所述第一横向方向坐标;
针对每一所述第一纵向方向坐标,基于当前时刻的所述第一纵向方向坐标和所述航向角,以及下一时刻的所述速度和所述加速度,通过所述第一纵向方向坐标计算式获取所述下一时刻的所述第一纵向方向坐标;
针对每一所述航向角,基于当前时刻的所述航向角以及下一时刻的所述一阶导数航向角,通过所述航向角计算式获取所述下一时刻的所述航向角;
每组所述第一横向方向坐标、所述第一纵向方向坐标及所述航向角形成一预测轨迹点;
多个所述预测轨迹点形成所述第一预测轨迹。
4.根据权利要求1所述的方法,其特征在于,所述运动状态参数包括位置坐标、航向角;
所述基于所述目标车辆的运动状态参数和所述特征轨迹序列,以及所述路口区域内的多条车道中心线,获取所述目标车辆的目标车道中心线,包括:
若所述路口区域内的所述车道中心线与所述航向角的夹角小于第一阈值,所述车道中心线为第一车道中心线;
若所述第一车道中心线与所述目标车辆的所述位置坐标的距离小于第二阈值,所述第一车道中心线为第二车道中心线;
若所述第二车道中心线的数量小于或者等于一条,与所述目标车辆的所述位置坐标的距离最小的所述第二车道中心线为所述目标车道中心线;
若所述第二车道中心线的数量大于一条,与所述目标车辆的特征轨迹序列的相似度最大的所述第二车道中心线为所述目标车道中心线。
5.根据权利要求4所述的方法,其特征在于,所述相似度采用所述特征轨迹序列与所述目标车道中心线之间的加权轨迹距离来表征;
所述与所述目标车辆的特征轨迹序列的相似度最大的所述第二车道中心线为所述目标车道中心线,包括:
在所述特征轨迹序列上从起点开始依次取得预设长度的序列曲线段;
将所述曲线段投影至一所述第二车道中心线获取投影曲线段;
针对每一所述序列曲线段和所述投影曲线段之间的轨迹距离,基于所述序列曲线段和所述投影曲线段之间的端点距离和余弦距离,通过轨迹距离计算式获取所述轨迹距离;
各所述轨迹距离通过加权轨迹距离计算式获取所述加权轨迹距离;
将各所述加权轨迹距离从小到大进行排序,排序第一的所述加权轨迹距离所对应的所述第二车道中心线为所述目标车道中心线。
7.根据权利要求1所述的方法,其特征在于,所述运动状态参数包括第二横向方向坐标、第二纵向方向坐标、速度、加速度;
所述基于所述目标车辆的所述运动状态参数和所述目标车道中心线,获取所述目标车辆的第二预测轨迹,包括:
针对每一所述第二横向方向坐标,基于当前时刻的所述第二横向方向坐标、所述速度和所述加速度,通过第二横向方向坐标计算式获取下一时刻的所述第二横向方向坐标;
针对每一所述第二纵向方向坐标,基于当前时刻的所述第二横向方向坐标、所述速度和所述加速度,通过第二横向方向坐标计算式获取下一时刻的所述第二横向方向坐标;
各所述第二横向方向坐标、各所述第二纵向方向坐标形成所述第二预测轨迹。
8.一种预测车辆轨迹的装置,其特征在于,包括:
确定目标车辆模块,用于自动驾驶车辆进入路口区域,确定进入所述路口区域的目标车辆;
获取历史轨迹模块,用于获取所述目标车辆进入所述路口区域的历史运动轨迹;
获取第一预测轨迹模块,用于基于所述目标车辆的运动状态参数和运动学模型,获取所述目标车辆的第一预测轨迹;
拼接模块,用于将所述历史运动轨迹与所述第一预测轨迹拼接获取所述目标车辆的特征轨迹序列;
获取目标车道中心线模块,用于基于所述目标车辆的运动状态参数和所述特征轨迹序列,以及所述路口区域内的多条车道中心线,获取所述目标车辆的目标车道中心线;
获取第二预测轨迹模块,用于基于所述目标车辆的运动状态参数和所述目标车道中心线,获取所述目标车辆的第二预测轨迹。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211119864.6A CN115195790B (zh) | 2022-09-15 | 2022-09-15 | 一种预测车辆轨迹的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211119864.6A CN115195790B (zh) | 2022-09-15 | 2022-09-15 | 一种预测车辆轨迹的方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115195790A CN115195790A (zh) | 2022-10-18 |
CN115195790B true CN115195790B (zh) | 2022-11-29 |
Family
ID=83571820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211119864.6A Active CN115195790B (zh) | 2022-09-15 | 2022-09-15 | 一种预测车辆轨迹的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115195790B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116238524B (zh) * | 2023-03-27 | 2024-02-09 | 宁波斯年智驾科技有限公司 | 基于高精地图与车辆历史轨迹的驾驶行为判别方法及系统 |
CN117184062B (zh) * | 2023-09-15 | 2024-06-11 | 广州汽车集团股份有限公司 | 车辆控制方法、装置、车辆及存储介质 |
CN117392773B (zh) * | 2023-12-13 | 2024-03-08 | 广汽埃安新能源汽车股份有限公司 | 一种车辆行驶轨迹获取方法及装置 |
CN117576950B (zh) * | 2024-01-16 | 2024-04-09 | 长沙行深智能科技有限公司 | 一种预测车辆选择经过路口入口和路口出口的方法及装置 |
CN118701110A (zh) * | 2024-08-14 | 2024-09-27 | 比亚迪股份有限公司 | 轨迹预测方法、装置、车载终端、车辆及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109878515A (zh) * | 2019-03-12 | 2019-06-14 | 百度在线网络技术(北京)有限公司 | 预测车辆轨迹的方法、装置、存储介质和终端设备 |
CN111422204A (zh) * | 2020-03-24 | 2020-07-17 | 北京京东乾石科技有限公司 | 自动驾驶车辆通行判定方法及相关设备 |
CN111738207A (zh) * | 2020-07-13 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 车道线检测方法、装置、电子设备及可读存储介质 |
CN114265411A (zh) * | 2021-12-28 | 2022-04-01 | 上汽大众汽车有限公司 | 一种解决车辆预测模型性能受限于感知数据性能的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3857531A1 (en) * | 2018-09-27 | 2021-08-04 | KPIT Technologies Limited | A system for grid-based merge cut-in prediction and method thereof |
-
2022
- 2022-09-15 CN CN202211119864.6A patent/CN115195790B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109878515A (zh) * | 2019-03-12 | 2019-06-14 | 百度在线网络技术(北京)有限公司 | 预测车辆轨迹的方法、装置、存储介质和终端设备 |
CN111422204A (zh) * | 2020-03-24 | 2020-07-17 | 北京京东乾石科技有限公司 | 自动驾驶车辆通行判定方法及相关设备 |
CN111738207A (zh) * | 2020-07-13 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 车道线检测方法、装置、电子设备及可读存储介质 |
CN114265411A (zh) * | 2021-12-28 | 2022-04-01 | 上汽大众汽车有限公司 | 一种解决车辆预测模型性能受限于感知数据性能的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115195790A (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115195790B (zh) | 一种预测车辆轨迹的方法、装置、电子设备及存储介质 | |
CN111583715B (zh) | 一种车辆轨迹预测方法、车辆碰撞预警方法、装置及存储介质 | |
CN109885066B (zh) | 一种运动轨迹预测方法及装置 | |
EP3699048A1 (en) | Travelling track prediction method and device for vehicle | |
CN113405558B (zh) | 自动驾驶地图的构建方法及相关装置 | |
EP3959576A1 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
JP2023106536A (ja) | 画像分析に基づく車両ナビゲーションのためのシステム | |
CN111415531A (zh) | 一种基于车辆行驶轨迹预测的高速公路合流区交通冲突判别方法 | |
CN112644518B (zh) | 一种车辆轨迹预测方法、装置、设备和存储介质 | |
EP3992732A1 (en) | Method and apparatus for predicting motion trajectory | |
CN110047276A (zh) | 障碍物车辆的拥堵状态确定方法、装置和相关产品 | |
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 | |
CN118235180A (zh) | 预测可行驶车道的方法和装置 | |
CN114663804A (zh) | 可行驶区域检测方法、装置、移动设备及存储介质 | |
CN116486374A (zh) | 风险障碍物确定方法、自动驾驶车辆、电子设备及介质 | |
CN114889606A (zh) | 一种基于多传感融合的低成本高精定位方法 | |
CN114030483A (zh) | 车辆控制方法、装置、电子设备和介质 | |
US20240092385A1 (en) | Driving Policy Determining Method and Apparatus, Device, and Vehicle | |
CN114194219A (zh) | 一种自动驾驶车辆行驶道路模型预测方法 | |
CN211427151U (zh) | 一种应用于封闭场地无人驾驶货运车辆上的自动引导系统 | |
CN113788028B (zh) | 车辆控制方法、装置及计算机程序产品 | |
CN115123291A (zh) | 一种基于障碍物识别的行为预测方法及装置 | |
CN115230688A (zh) | 障碍物轨迹预测方法、系统和计算机可读存储介质 | |
CN113327456A (zh) | 一种车道结构检测方法及装置 | |
CN113715846B (zh) | 借道控制方法、装置、存储介质以及车辆 |
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 |