CN115628736A - 行人轨迹的预测方法、设备、移动装置和存储介质 - Google Patents
行人轨迹的预测方法、设备、移动装置和存储介质 Download PDFInfo
- Publication number
- CN115628736A CN115628736A CN202211166000.XA CN202211166000A CN115628736A CN 115628736 A CN115628736 A CN 115628736A CN 202211166000 A CN202211166000 A CN 202211166000A CN 115628736 A CN115628736 A CN 115628736A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- track
- information
- trajectory
- elliptical
- 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 76
- 230000033001 locomotion Effects 0.000 claims abstract description 127
- 230000008447 perception Effects 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 29
- 238000005070 sampling Methods 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000009191 jumping Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000005406 washing Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 238000010295 mobile communication Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement 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
- 239000010865 sewage Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
- G01C21/1652—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments with ranging devices, e.g. LIDAR or RADAR
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/862—Combination of radar systems with sonar systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/865—Combination of radar systems with lidar systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/86—Combinations of sonar systems with lidar systems; Combinations of sonar systems with systems not using wave reflection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
- G06F16/212—Schema design and management with details for data modelling support
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供一种行人轨迹的预测方法、设备、移动装置和存储介质。该方法包括:实时采集移动装置周围的多个障碍物的感知信息,形成多个障碍物的累积轨迹信息,并从多个障碍物的累积轨迹信息中确定符合未知运动意图要求的行人的轨迹信息;利用符合未知运动意图要求的行人的轨迹信息进行椭圆轨迹建模,其中,至少在椭圆轨迹建模的运动特征提取中分别进行不确定性估计的横、纵向行人运动特征提取;基于椭圆轨迹建模后获取的不确定性轨迹进行未来轨迹预测。本发明实施确保轨迹预测准确性的基础上,避免因行人运动不固定,移动速度较慢的情况下行人目标轨迹的漏预测,抖动或跳变,从而为下游的决策提供稳定且可靠的预测轨迹。
Description
技术领域
本发明涉及自动驾驶领域,尤其涉及一种行人轨迹的预测方法、设备、移动装置和存储介质。
背景技术
自动驾驶系统通常由“感知-预测-决策-规划-控制”几个部分构成,其中的“预测”为“轨迹预测”,上游的“感知”为环境感知,下游的“决策”为认知决策。轨迹预测任务是基于上游感知任务给出的自车周围环境感知信息,来生成自车周围的交通参与者(例如,机动车/骑行者/行人等)在未来一定时间内的运动轨迹,为自车的认知决策和运动规划提供基本的输入信息,避免发生自车与周围障碍物的碰撞事故。不同于刚体运动的机动车和近似刚体运动的骑行者等非机动车,行人的运动具有更大的随机性和不确定性。例如,行人会在一段路途中来回踱步,又或者行人本想去往A地,但突然转向去B地,这在实际道路交通路况中是有可能会出现的。在实际复杂行驶路况下,目前行人预测方法往往不能给出未来一段时间内稳定无跳变且准确的行人轨迹。然而对于下游的自车决策而言,行人目标预测轨迹的稳定性与准确性起着关键作用。
现有的行人轨迹预测方法可以分为基于规则和基于深度学习的预测方法两类:
第一类是基于常速度、常加速度等数学模型,融入一些规则化约束和先验假设,进行行人轨迹的在先预测,输出行人在未来一定时间内的轨迹线,很少考虑轨迹的不确定性;
第二类是基于深度学习的预测方法,采集大量车辆行驶环境下的行人轨迹作为训练样本,设计深度学习编解码模型,进行网络参数的学习,生成训练好的网络模型,再利用离线训练好的模型,在实际车辆行驶进行推理,输出行人在未来一定时间内的单模态或多模态的轨迹线。
在实现本发明过程中,发明人发现相关技术中至少存在如下问题:
对于上述预测方法而言,对于慢悠悠地行走或来回踱步等运动意图不明确的低速行人障碍物,现有预测方法往往会产出预测延迟或不预测的结果。在这种情况下,给出的预测结果也不稳定,输出的轨迹线来回抖动或跳。若判断行人为静止目标,则不进行预测,没有预测轨迹。而真实行驶场景下,行人的行为多变、运动不确定性大,预测困难,轨迹预测任务对静止状态的判断不一定准确(例如用户不熟悉地形,走一段路就停下查看地图,再进行下一阶段的路程,发现走错了,又走了回来),可能产生漏预测的现象,继而可能会导致人-车碰撞等事故的发生。目前基于规则的预测方法和基于深度学习的预测方法输出轨迹的表达存在一定局限性,常表示为单模态或多模态的轨迹线,在路口环境下容易发生跳变,不能有效体现行人在未来一定时间位置的全面分布。
发明内容
为了至少解决现有技术中对运动意图不明确的障碍物轨迹预测不准确,容易发生跳变的问题。第一方面,本发明实施例提供一种行人轨迹的预测方法,包括:
实时采集移动装置周围的多个障碍物的感知信息,形成所述多个障碍物的累积轨迹信息,并从所述多个障碍物的累积轨迹信息中确定符合未知运动意图要求的行人的轨迹信息,其中,所述未知运动意图至少根据行人的速度和朝向来判定;
利用符合未知运动意图要求的行人的轨迹信息进行椭圆轨迹建模,其中,至少在所述椭圆轨迹建模的运动特征提取中分别进行不确定性估计的横、纵向行人运动特征提取;
基于所述椭圆轨迹建模后获取的不确定性轨迹进行未来轨迹预测。
第二方面,本发明实施例提供一种行人轨迹的预测执行设备,包括:
轨迹信息确定模块,用于实时采集移动装置周围的多个障碍物的感知信息,形成所述多个障碍物的累积轨迹信息,并从所述多个障碍物的累积轨迹信息中确定符合未知运动意图要求的行人的轨迹信息,其中,所述未知运动意图至少根据行人的速度和朝向来判定;
轨迹建模模块,用于利用符合未知运动意图要求的行人的轨迹信息进行椭圆轨迹建模,其中,至少在所述椭圆轨迹建模的运动特征提取中分别进行不确定性估计的横、纵向行人运动特征提取;
轨迹预测模块,用于基于所述椭圆轨迹建模后获取的不确定性轨迹进行未来轨迹预测。
第三方面,提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例的行人轨迹的预测方法的步骤。
第四方面,本发明实施例提供一种移动装置,包括本体和所述本体上安装的本发明任一实施例所述的电子设备。
第五方面,本发明实施例提供一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现本发明任一实施例的行人轨迹的预测方法的步骤。
第六方面,本发明实施例还提供一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行本发明实施例中任意一项所述的行人轨迹的预测方法。
本发明实施例的有益效果在于:利用速度、朝向等信息预测出符合未知运动意图要求的行人的轨迹,在确保轨迹预测准确性的基础上,避免因行人运动不固定,移动速度较慢的情况下行人目标轨迹的漏预测,行人目标的轨迹抖动或跳变,从而为下游的决策提供稳定且可靠的预测轨迹。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明一实施例提供的一种行人轨迹的预测方法的流程图;
图2是本发明一实施例提供的一种行人轨迹的预测方法的符合未知运动意图要求的判定流程图;
图3是本发明一实施例提供的一种行人轨迹的预测方法的轨迹建模流程图;
图4是本发明一实施例提供的一种行人轨迹的预测方法的轨迹预测对比图;
图5是本发明一实施例提供的一种行人轨迹的预测方法的对椭圆轨迹点进行校正的示意图;
图6是本发明一实施例提供的一种行人轨迹的预测方法的未来轨迹信息的可视化示意图;
图7是本发明一实施例提供的一种行人轨迹的预测方法的整体结构图;
图8是本发明一实施例提供的一种行人轨迹的预测执行设备的结构示意图;
图9为本发明一实施例提供的一种行人轨迹的预测的电子设备的实施例的结构示意图。
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中的附图,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作出创造性劳动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。
如图1所示为本发明一实施例提供的一种行人轨迹的预测方法的流程图,包括如下步骤:
S11:实时采集移动装置周围的多个障碍物的感知信息,形成所述多个障碍物的累积轨迹信息,并从所述多个障碍物的累积轨迹信息中确定符合未知运动意图要求的行人的轨迹信息,其中,所述未知运动意图至少根据行人的速度和朝向来判定;
S12:利用符合未知运动意图要求的行人的轨迹信息进行椭圆轨迹建模,其中,至少在所述椭圆轨迹建模的运动特征提取中分别进行不确定性估计的横、纵向行人运动特征提取;
S13:基于所述椭圆轨迹建模后获取的不确定性轨迹进行未来轨迹预测。
在本实施方式中,可以将本方法应用于各类型的移动装置中,例如,道路交通中的智能汽车、工业园区的自动洗地车、社区内的快递配送车以及商场内的自动洗地车等移动装置。这类移动装置在道路行驶中,常伴有其他车辆或行人。例如,道路交通中的智能汽车场景中,智能汽车和行人分别有各自的行动区域,智能汽车需要预测行人是否会闯入自车的行驶区域,及时规划出对应的控制决策。然而在商场内的自动洗地车的场景中,行人通常没有明确的移动路线。例如,行人只是漫无目的地逛商场(在商场慢悠悠地正、反绕圈、左右穿行或在某个区域内来回徘徊踱步,行人自己也没有目的地,只是低速的随意行走),并且自动洗地车和行人共用相同的行动区域。此时自动洗地车对这种符合未知运动意图要求的行人如果还是按照现有技术的基于规则或基于深度学习进行预测那么就会出现预测延迟、预测不准确,预测结果跳变等问题。而自动洗地车和行人共用相同的行驶区域,更需要预测的准确性,避免发生人车碰撞的事故。
对于步骤S11,以上述举例的自动洗地车为例,自动洗地车在执行清洗任务的过程中,实时采集自车周围障碍物的感知信息(障碍物包括行人、标识牌、其他移动装置等),例如可以使用相机、激光雷达采集自车周围障碍物的感知信息,采集自车周围障碍物的感知信息属于“预测”上游的“感知”步骤,在此不限定采集感知信息方法的选择。利用自车周围障碍物的感知信息判断哪些障碍物带有超低速标志位,也就是判断哪些障碍物属于符合未知运动意图要求的行人。其中,属于符合未知运动意图要求包括:慢悠悠地行走或来回踱步或徘徊等不明确的运动意图,其属于符合未知运动意图的轨迹属性体现在:障碍物的类别属于人、轨迹点的数目达到预设数目、障碍物的移动速度小于预设速度、障碍物的朝向发生过多次变化。
作为一种实施方式,所述实时采集移动装置周围的多个障碍物的感知信息,形成所述多个障碍物的累积轨迹信息,并从所述多个障碍物的累积轨迹信息中确定符合未知运动意图要求的行人的轨迹信息包括:
实时采集所述移动装置周围的多个障碍物的感知信息,其中,所述感知信息至少包括:障碍物的时间戳、帧序号、跟踪序号、障碍物类别、空间坐标以及航向角;
利用各障碍物的所述跟踪序号、所述时间戳以及所述帧序号形成所述各障碍物的累积轨迹信息;
将同时满足预设轨迹点数目和所述障碍物类别要求的障碍物的累积轨迹信息确定为行人的轨迹信息;
利用所述航向角确定所述行人的轨迹信息的朝向变化次数,利用所述帧序号和所述空间坐标确定所述行人的轨迹信息的速度;
将所述速度低于预设速度且所述朝向变化次数低于预设数值的行人的轨迹信息判定为符合预设速度标志位的符合未知运动意图要求的行人的轨迹信息。
在本实施方式中,可以按照10赫兹的采集频率采集自车周围障碍物的感知信息。感知信息包括但不局限于各障碍物的:时间戳obj_timestamp(单位:纳秒),各障碍物目标的帧序号frame_id(自然数)、跟踪序号tra_id(自然数)、障碍物类别obj_type(例如,可以为自然数0,1,2,类别不限于机动车、骑行者、行人)、各障碍物在商场空间中的横纵竖向三维坐标[obj_x,obj_y,obj_z](单位:米)、各障碍物的长宽高[obj_l,obj_w,obj_h](单位:米,m)和航向角obj_yaw(单位:弧度),汇总记为11维向量:[obj_timestamp,frame_id,tra_id,obj_type,obj_x,obj_y,obj_z,obj_l,obj_w,obj_h,obj_yaw]。
将上述实时采集的连续多帧中自车周围障碍物的感知信息存入感知数据缓存池。根据跟踪序号tra_id,形成各个跟踪者(tracker)的累积轨迹信息,要说明的是这里的轨迹信息与感知信息内容和格式一致。之后对于各个tracker进行轨迹点数目和类别的级联判断,若依次满足最小轨迹点数目(numtra_id>Nt)和类别为行人(obj_type=2)的要求,则确定出符合要求的障碍物轨迹为行人的轨迹,整体步骤如图2所示。
在对确定的行人的轨迹进行运动学特征的多层次判断中,分为历史帧和当前帧的统计速度值和统计朝向变化次数两个层面。
对于历史帧和当前帧的统计速度值包括:速度v,横向速度vx,纵向速度vy,其分别通过相邻两帧的位置和横、纵向位置变化求得,例如,第n帧的坐标为(xn,yn),第n+1帧的坐标为(xn+1,yn+1),对应当前帧横向速度为xn+1-xn,对应当前帧纵向速度为yn+1-yn,再利用确定出的横、纵速度确定速度v。利用速度v与预设的vminh相比,若速度v小于vminh则Nv累计次数+1。
对于统计朝向变化次数的统计:例如可以确定第n帧和第n+1帧的obj_yaw_n和obj_yaw_n+1,利用obj_yaw_n+1-obj_yaw_n判断相邻两帧朝向量的变化量是否大于Omin,如果大于Omin则No累计次数+1。
在具体实施中,例如可以设定超低速行人所需要的最小轨迹点数目为Nt=10(持续时间为1s),每帧目标速度阈值vminh=0.75m/s,平均速度阈值vminl=0.55m/s,速度统计次数阈值Nv=5,相邻两帧朝向变化量阈值Omin=30°,朝向变化量统计次数阈值No=5。
将同时满足上述示例的:轨迹点数目、类别为行人、统计速度值和统计朝向值的tracker,判定为超低速目标(也就是符合未知运动意图要求的行人),对应的超低速标志位is_ultra_static=True(默认False),将包含速度信息的轨迹信息送入后续的超低速轨迹建模层。相比于感知信息,符合未知运动意图要求的行人的轨迹信息还额外的具备了速度信息,汇总为15维向量:[obj_timestamp,frame_id,tra_id,obj_type,obj_x,obj_y,obj_z,obj_l,obj_w,obj_h,obj_yaw,v,vx,vy,is_ultra_static]。
对于步骤S12,利用步骤S11确定的符合未知运动意图要求的行人的轨迹信息进行椭圆轨迹建模,包括:符合未知运动意图要求的行人的运动特征的提取,超低速椭圆轨迹参数的计算,椭圆轨迹点的采样以及椭圆轨迹点的修正,整体步骤如图3所示,其中超低速行人为符合未知运动意图要求的行人。
具体的,所述利用符合未知运动意图要求的行人的轨迹信息进行椭圆轨迹建模包括:
在符合未知运动意图要求的行人的轨迹信息中进行不确定性估计的横、纵向行人运动特征提取,得到符合未知运动意图要求的行人的运动特征;
利用所述运动特征提取所述行人的椭圆轨迹参数;
利用所述行人的椭圆轨迹参数进行采样,得到所述行人的轨迹点;
将各行人的轨迹点转换至统一的全局坐标系,用于修正各行人的轨迹点。
作为一种实施方式,所述在符合未知运动意图要求的行人的轨迹信息中进行不确定性估计的横、纵向行人运动特征提取,得到符合未知运动意图要求的行人的运动特征包括:
利用对所述行人的轨迹信息进行连续多帧预测得到的速度信息,确定横、纵向速度的均值向量和标准差向量;
对所述横、纵向速度的均值向量和标准差向量进行横、纵向的不确定性估计,得到横、纵向速度的协方差矩阵;
将所述横、纵向速度的均值向量、标准差向量以及协方差矩阵确定为所述符合未知运动意图要求的行人的运动特征。
在本实施方式中,为了全方位考虑符合未知运动意图要求的行人的运动特征,更能体现行人的不确定性单独从横向和纵向统计超低速行人的运动特征,相比于现有技术基于规则或深度学习的轨迹预测,由于受限于有限的规则和模型样本,预测的轨迹通常只局限于小部分区域,而这种的预测结果对于未知运动意图要求的行人来说通常不够准确也不够全面,而本方法考虑到未知运动意图要求的行人的行动方向是不固定的,是需要单独从横向和纵向进行判断,进而整体扩大轨迹预测范围,满足未知运动意图要求的行人轨迹,如图4所示为利用不确定性的行人运动特征的轨迹预测与现有基于规则或深度学习轨迹预测的对比。
利用连续多帧的符合未知运动意图要求的行人的轨迹信息中的速度信息(v,vx,vy)依次统计横纵向的速度均值向量(mean_vx,mean_vy)和标准差向量(std_vx,std_vy),再根据连续多帧预测信息中的速度信息,统计计算横向速度和纵向速度的2×2的协方差矩阵matrix_cov。将横、纵向速度的均值向量、标准差向量以及协方差矩阵确定为所述符合未知运动意图要求的行人的运动特征。
作为一种实施方式,所述利用所述运动特征提取所述行人的椭圆轨迹参数包括:
从所述运动特征中提取椭圆轨迹的长半轴、短半轴以及方向角度,作为所述椭圆轨迹参数。
在本实施方式中,通过2×2的协方差矩阵matrix_cov计算特征向量vector_x,vector_y和对应的特征值λ_x,λ_y。然后计算椭圆轨迹的长半轴长度l_major、短半轴长度l_minor和方向角度angle,步骤如下:
椭圆轨迹上某点(x,y)满足下述公式:
等效为:
椭圆轨迹上某点(x,y)也满足下述公式:
上述公式中,C为椭圆尺寸,有两个未知数(x,y),因此此方程有两个自由度。
将上述两个某点(x,y)的公式联合,可获得:
联合后,C可以在卡方概率表(卡方分布表)中根据自由度和概率来查找。具体实施中,可以按置信度水平95%来计算,在卡方概率表中根据自由度2和概率0.05来查找,得C=5.991,则可根据上述公式计算椭圆的长、短半轴长。并通过下述公式确定椭圆方向角度angle:
将上述步骤中确定长半轴长度l_major、短半轴长度l_minor和方向角度angle,作为椭圆轨迹参数。
作为一种实施方式,所述利用所述行人的椭圆轨迹参数进行采样,得到所述行人的轨迹点包括:
利用所述椭圆轨迹参数构建符合未知运动意图要求的行人的椭圆轨迹;
按照预设角度间隔对所述椭圆轨迹进行均匀采样,得到各采样点对应的角度;
基于所述各采样点对应的角度确定所述符合未知运动意图要求的行人在所述椭圆轨迹中的轨迹点。
在本实施方式中,在确定了椭圆的长半轴长度l_major、短半轴长度l_minor和方向角度angle之后,可以构建出符合未知运动意图要求的行人的椭圆轨迹。
在采样过程中,可以按照一定的角度间隔θ度从0~360度对椭圆轨迹进行均匀采样,总的采样点数为360/θ,各个采样点对应的角度为{angel_1,angel_2,...,angle_i,...,angel_360/θ},其中的angle_i为第i个采样点,单位为度(°)。考虑到数据传输的效率,在实际的采样过程中,可采用10°的角度间隔进行均匀采样,存入vector容器中。对vector容器中存入的采样角度angel_i进行迭代,为了避免在运算过程中遇到无效的tan值,如tan(90°)通过angel_i=angel_i+0.1,让angel_i取值不能为0°、90°、180°、270°、360°(其中,tan为正切函数,定义域:{x|x≠(π/2)+kπ,k∈Z}),并将角度转换为弧度angel_i=angel_i×π/180。另外,考虑到采样点的正负性,进一步将angel_i进行如下转换:
假设椭圆中心为原点(0,0),则angle_i对应的采样点坐标为:
为了进一步使椭圆轨迹点精准,对上述步骤采样的椭圆轨迹点进行修正,生成最终的未来轨迹数据,包括:修正椭圆的原点、校正采样的轨迹点和坐标转换三部分。
根据所有轨迹点在长短轴方向上的速度vx和vy在椭圆方向(angle)上的投影,对椭圆中心(0,0)的坐标位置进行修正。
其中,下标i=1,2,…,T,对应预测时长time_i为1,2,…,T秒,在实际实施中,可以取T=3。
对angle_i对应的采样点坐标(sam_x,sam_y)更新:
如图5为对椭圆轨迹点进行校正的示意图,图中右斜箭头为椭圆的方向。水平方向箭头上配有采样点的椭圆为修正前的轨迹,按椭圆方向角度angle从水平方向逆时针旋转的配有采样点的斜椭圆为修正后轨迹。
将水平方向上的点按椭圆原点从水平方向逆时针旋转angle(椭圆方向角度)后得到的坐标点为:
利用目标的全局位置以及轨迹点与椭圆原点之间的相对位置,将两者相加,使得各个超低速行人目标的所有轨迹点从障碍物目标自身坐标系转换到统一的全局坐标系。在实际实施中,全局坐标系可采用UTM(Universal Transverse Mercator,通用横轴墨卡托投影)。
作为一种实施方式,所述基于所述椭圆轨迹建模后获取的不确定性轨迹进行未来轨迹预测包括:
基于所述椭圆轨迹建模中各行人的轨迹点按照预设频率预测符合未知运动意图要求的行人的未来轨迹;
对所述行人的未来轨迹进行可视化。
在本实施方式中,加载椭圆轨迹建模的轨迹数据,将符合未知运动意图要求的行人的未来轨迹数据按一定的频率进行发布,发布数据格式为[obj_timestamp,frame_id,tra_id,obj_type,obj_x,obj_y,obj_z,obj_yaw,v,vx,vy,is_ultra_static],其中的[obj_x,obj_y,obj_z]为预测的轨迹点坐标信息。预测轨迹的示意如图6的左侧附图所示。
在具体实时中,未来轨迹数据的发布可以按ROS(Robot Operating System,机器人操作系统)话题形式进行发布,发布频率为10Hz。输出的预测轨迹给下游的“决策”。
为了进一步表示未来轨迹,会将未来轨迹进行可视化处理,如图6中的右侧附图所示,方框表示行人目标框,线段表示车道信息,点表示轨迹点信息,每个目标框上的箭头表示目标朝向,图中的文字表示:跟踪序号id、速度speed、障碍物类别type和生命周期age。在实际可视化中,未来轨迹数据的可视化可以采用ROS中RVIZ工具实现。综合上述步骤来说,本方法的结构示意图如图7所示。
通过该实施方式可以看出,利用速度、朝向等信息预测出符合未知运动意图要求的行人的轨迹,在确保轨迹预测准确性的基础上,避免因行人运动不固定,移动速度较慢的情况下行人目标轨迹的漏预测,行人目标的轨迹抖动或跳变,从而为下游的决策提供稳定且可靠的预测轨迹。
如图8所示为本发明一实施例提供的一种行人轨迹的预测执行设备的结构示意图,该系统可执行上述任意实施例所述的行人轨迹的预测方法,并配置在终端中。
本实施例提供的一种行人轨迹的预测执行设备10包括:轨迹信息确定模块11,轨迹建模模块12和轨迹预测模块13。
其中,轨迹信息确定模块11用于实时采集移动装置周围的多个障碍物的感知信息,形成所述多个障碍物的累积轨迹信息,并从所述多个障碍物的累积轨迹信息中确定符合未知运动意图要求的行人的轨迹信息,其中,所述未知运动意图至少根据行人的速度和朝向来判定;轨迹建模模块12用于利用符合未知运动意图要求的行人的轨迹信息进行椭圆轨迹建模,其中,至少在所述椭圆轨迹建模的运动特征提取中分别进行不确定性估计的横、纵向行人运动特征提取;轨迹预测模块13用于基于所述椭圆轨迹建模后获取的不确定性轨迹进行未来轨迹预测。
进一步地,所述轨迹信息确定模块用于:
实时采集移动装置周围的多个障碍物的感知信息,其中,所述感知信息至少包括:障碍物的时间戳、帧序号、跟踪序号、障碍物类别、空间坐标以及航向角;
利用各障碍物的所述跟踪序号、所述时间戳以及所述帧序号形成所述各障碍物的累积轨迹信息;
将同时满足预设轨迹点数目和所述障碍物类别要求的障碍物的累积轨迹信息确定为行人的轨迹信息;
利用所述航向角确定所述行人的轨迹信息的朝向变化次数,利用所述帧序号和所述空间坐标确定所述行人的轨迹信息的速度;
将所述速度低于预设速度且所述朝向变化次数低于预设数值的行人的轨迹信息判定为符合预设速度标志位的符合未知运动意图要求的行人的轨迹信息。
进一步地,所述轨迹建模模块用于:
在符合未知运动意图要求的行人的轨迹信息中进行不确定性估计的横、纵向行人运动特征提取,得到符合未知运动意图要求的行人的运动特征;
利用所述运动特征提取所述行人的不确定性的椭圆轨迹参数;
利用所述行人的不确定性的椭圆轨迹参数进行采样,得到所述行人的轨迹点;
将各行人的轨迹点转换至统一的全局坐标系,用于修正各行人的轨迹点。
进一步地,所述轨迹建模模块用于:
利用对所述行人的轨迹信息进行连续多帧预测得到的速度信息,确定横、纵向速度的均值向量和标准差向量;
对所述横、纵向速度的均值向量和标准差向量进行横、纵向的不确定性估计,得到横、纵向速度的协方差矩阵;
将所述横、纵向速度的均值向量、标准差向量以及协方差矩阵确定为所述符合未知运动意图要求的行人的运动特征。
进一步地,所述轨迹建模模块用于:
从所述运动特征中提取椭圆轨迹的长半轴、短半轴以及方向角度作为椭圆轨迹参数。
进一步地,所述轨迹建模模块用于:
利用所述不确定性的椭圆轨迹参数构建符合未知运动意图要求的行人的椭圆轨迹;
按照预设角度间隔对所述椭圆轨迹进行均匀采样,得到各采样点对应的角度;
基于所述各采样点对应的角度确定所述符合未知运动意图要求的行人在所述椭圆轨迹中的轨迹点。
进一步地,所述轨迹预测模块用于:
基于所述椭圆轨迹建模中各行人的轨迹点按照预设频率预测符合未知运动意图要求的行人的未来轨迹;
对所述行人的未来轨迹进行可视化。
本发明实施例还提供了一种非易失性计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的行人轨迹的预测方法;
作为一种实施方式,本发明的非易失性计算机存储介质存储有计算机可执行指令,计算机可执行指令设置为:
实时采集移动装置周围的多个障碍物的感知信息,形成所述多个障碍物的累积轨迹信息,并从所述多个障碍物的累积轨迹信息中确定符合未知运动意图要求的行人的轨迹信息,其中,所述未知运动意图至少根据行人的速度和朝向来判定;
利用符合未知运动意图要求的行人的轨迹信息进行椭圆轨迹建模,其中,至少在所述椭圆轨迹建模的运动特征提取中分别进行不确定性估计的横、纵向行人运动特征提取;
基于所述椭圆轨迹建模后获取的不确定性轨迹进行未来轨迹预测。
作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本发明实施例中的方法对应的程序指令/模块。一个或者多个程序指令存储在非易失性计算机可读存储介质中,当被处理器执行时,执行上述任意方法实施例中的行人轨迹的预测方法。
本发明实施例还提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行行人轨迹的预测方法。
在一些实施例中,本发明实施例还提供一种移动装置,包括本体和所述本体上安装的根据前述任一实施例所述的电子设备。
上述移动装置可以是任何具备移动能力的设备,包括但不限于汽车、轮船、潜艇、飞机、飞行器等设备,其中汽车包括但不限于国际自动机工程师学会(Society ofAutomotive Engineers International,SAE International)或中国国家标准《汽车驾驶自动化分级》制定的L0-L5自动驾驶技术等级的车辆,例如可以是具有如下各种功能的车辆设备或机器人设备:
(1)载人功能,如家用轿车、公共汽车等;
(2)载货功能,如普通货车、厢式货车、甩挂车、封闭货车、罐式货车、平板货车、集装厢车、自卸货车、特殊结构货车等;
(3)工具功能,如物流配送车、自动导引运输车AGV、巡逻车、起重机、吊车、挖掘机、推土机、铲车、压路机、装载机、越野工程车、装甲工程车、污水处理车、环卫车、吸尘车、洗地车、洒水车、扫地机器人、送餐机器人、导购机器人、割草机、高尔夫球车等;
(4)娱乐功能,如娱乐车、游乐场自动驾驶装置、平衡车等;
(5)特殊救援功能,如消防车、救护车、电力抢修车、工程抢险车等。
在一些实施例中,本发明实施例还提供一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行本发明实施例中任意一项所述的行人轨迹的预测方法。
图9是本申请另一实施例提供的行人轨迹的预测方法的电子设备的硬件结构示意图,如图9所示,该设备包括:
一个或多个处理器910以及存储器920,图9中以一个处理器910为例。行人轨迹的预测方法的设备还可以包括:输入装置930和输出装置940。
处理器910、存储器920、输入装置930和输出装置940可以通过总线或者其他方式连接,图9中以通过总线连接为例。
存储器920作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的行人轨迹的预测方法对应的程序指令/模块。处理器910通过运行存储在存储器920中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例行人轨迹的预测方法。
存储器920可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储数据等。此外,存储器920可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器920可选包括相对于处理器910远程设置的存储器,这些远程存储器可以通过网络连接至移动装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置930可接收输入的数字或字符信息。输出装置940可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器920中,当被所述一个或者多个处理器910执行时,执行上述任意方法实施例中的行人轨迹的预测方法。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请实施例所提供的方法。
非易失性计算机可读存储介质可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据装置的使用所创建的数据等。此外,非易失性计算机可读存储介质可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,非易失性计算机可读存储介质可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本发明实施例还提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例的行人轨迹的预测方法的步骤。
上述电子设备可以实现为自动驾驶域控制器,其中,自动驾驶域控制器与移动装置上装载的各种传感器(包括但不限于激光雷达、相机、毫米波雷达、超声波雷达、惯性测量单元、轮速计等)通信连接,通过这些传感器获取环境感知数据和车身速度信息,并根据获取的环境感知数据和车身速度信息提取障碍物信息及生成移动装置的位置信息,以及根据位置信息和障碍物信息进行路径规划。
本申请实施例的电子设备还可以以其他多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如平板电脑。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器,掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)其他具有数据处理功能的电子装置。
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”,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……”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。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (11)
1.一种行人轨迹的预测方法,包括:
实时采集移动装置周围的多个障碍物的感知信息,形成所述多个障碍物的累积轨迹信息,并从所述多个障碍物的累积轨迹信息中确定符合未知运动意图要求的行人的轨迹信息,其中,所述未知运动意图至少根据行人的速度和朝向来判定;
利用符合未知运动意图要求的行人的轨迹信息进行椭圆轨迹建模,其中,至少在所述椭圆轨迹建模的运动特征提取中分别进行不确定性估计的横、纵向行人运动特征提取;
基于所述椭圆轨迹建模后获取的不确定性轨迹进行未来轨迹预测。
2.根据权利要求1所述的方法,其特征在于,所述实时采集移动装置周围的多个障碍物的感知信息,形成所述多个障碍物的累积轨迹信息,并从所述多个障碍物的累积轨迹信息中确定符合未知运动意图要求的行人的轨迹信息包括:
实时采集所述移动装置周围的多个障碍物的感知信息,其中,所述感知信息至少包括:障碍物的时间戳、帧序号、跟踪序号、障碍物类别、空间坐标以及航向角;
利用各障碍物的所述跟踪序号、所述时间戳以及所述帧序号形成所述各障碍物的累积轨迹信息;
将同时满足预设轨迹点数目和所述障碍物类别要求的障碍物的累积轨迹信息确定为行人的轨迹信息;
利用所述航向角确定所述行人的轨迹信息的朝向变化次数,利用所述帧序号和所述空间坐标确定所述行人的轨迹信息的速度;
将所述速度低于预设速度且所述朝向变化次数低于预设数值的行人的轨迹信息判定为符合预设速度标志位的符合未知运动意图要求的行人的轨迹信息。
3.根据权利要求1所述的方法,其特征在于,所述利用符合未知运动意图要求的行人的轨迹信息进行椭圆轨迹建模包括:
在符合未知运动意图要求的行人的轨迹信息中进行不确定性估计的横、纵向行人运动特征提取,得到符合未知运动意图要求的行人的运动特征;
利用所述运动特征提取所述行人的不确定性的椭圆轨迹参数;
利用所述行人的不确定性的椭圆轨迹参数进行采样,得到所述行人的轨迹点;
将各行人的轨迹点转换至统一的全局坐标系,用于修正各行人的轨迹点。
4.根据权利要求3所述的方法,其特征在于,所述在符合未知运动意图要求的行人的轨迹信息中进行不确定性估计的横、纵向行人运动特征提取,得到符合未知运动意图要求的行人的运动特征包括:
利用对所述行人的轨迹信息进行连续多帧预测得到的速度信息,确定横、纵向速度的均值向量和标准差向量;
对所述横、纵向速度的均值向量和标准差向量进行横、纵向的不确定性估计,得到横、纵向速度的协方差矩阵;
将所述横、纵向速度的均值向量、标准差向量以及协方差矩阵确定为所述符合未知运动意图要求的行人的运动特征。
5.根据权利要求3所述的方法,其特征在于,所述利用所述运动特征提取所述行人的不确定性的椭圆轨迹参数包括:
从所述运动特征中提取椭圆轨迹的长半轴、短半轴以及方向角度作为椭圆轨迹参数。
6.根据权利要求3所述的方法,其特征在于,所述利用所述行人的不确定性的椭圆轨迹参数进行采样,得到所述行人的轨迹点包括:
利用所述不确定性的椭圆轨迹参数构建符合未知运动意图要求的行人的椭圆轨迹;
按照预设角度间隔对所述椭圆轨迹进行均匀采样,得到各采样点对应的角度;
基于所述各采样点对应的角度确定所述符合未知运动意图要求的行人在所述椭圆轨迹中的轨迹点。
7.根据权利要求1所述的方法,其特征在于,所述基于所述椭圆轨迹建模后获取的不确定性轨迹进行未来轨迹预测包括:
基于所述椭圆轨迹建模中各行人的轨迹点按照预设频率预测符合未知运动意图要求的行人的未来轨迹;
对所述行人的未来轨迹进行可视化。
8.一种行人轨迹的预测执行设备,包括:
轨迹信息确定模块,用于实时采集移动装置周围的多个障碍物的感知信息,形成所述多个障碍物的累积轨迹信息,并从所述多个障碍物的累积轨迹信息中确定符合未知运动意图要求的行人的轨迹信息,其中,所述未知运动意图至少根据行人的速度和朝向来判定;
轨迹建模模块,用于利用符合未知运动意图要求的行人的轨迹信息进行椭圆轨迹建模,其中,至少在所述椭圆轨迹建模的运动特征提取中分别进行不确定性估计的横、纵向行人运动特征提取;
轨迹预测模块,用于基于所述椭圆轨迹建模后获取的不确定性轨迹进行未来轨迹预测。
9.一种电子设备,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述方法的步骤。
10.一种移动装置,包括根据权利要求9所述的电子设备。
11.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211166000.XA CN115628736A (zh) | 2022-09-23 | 2022-09-23 | 行人轨迹的预测方法、设备、移动装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211166000.XA CN115628736A (zh) | 2022-09-23 | 2022-09-23 | 行人轨迹的预测方法、设备、移动装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115628736A true CN115628736A (zh) | 2023-01-20 |
Family
ID=84902149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211166000.XA Pending CN115628736A (zh) | 2022-09-23 | 2022-09-23 | 行人轨迹的预测方法、设备、移动装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115628736A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009151644A (ja) * | 2007-12-21 | 2009-07-09 | Toyota Motor Corp | 走行可能領域生成装置 |
US20200023842A1 (en) * | 2019-09-27 | 2020-01-23 | David Gomez Gutierrez | Potential collision warning system based on road user intent prediction |
CN111121812A (zh) * | 2019-12-31 | 2020-05-08 | 深圳前海达闼云端智能科技有限公司 | 一种路径优化方法、电子设备及存储介质 |
CN111942407A (zh) * | 2020-07-31 | 2020-11-17 | 商汤集团有限公司 | 轨迹预测方法、装置、设备及存储介质 |
US20200361485A1 (en) * | 2018-09-28 | 2020-11-19 | Baidu Usa Llc | A pedestrian interaction system for low speed scenes for autonomous vehicles |
DE102019219783A1 (de) * | 2019-12-17 | 2021-06-17 | Continental Automotive Gmbh | Verfahren und Vorrichtung zur Erhöhung der Sicherheit von Fußgängern für ein Fahrzeug |
WO2021134169A1 (zh) * | 2019-12-30 | 2021-07-08 | 华为技术有限公司 | 一种轨迹预测方法及相关设备 |
US20210221405A1 (en) * | 2018-09-28 | 2021-07-22 | Baidu Usa Llc | A pedestrian probability prediction system for autonomous vehicles |
CN114371707A (zh) * | 2021-12-31 | 2022-04-19 | 江苏大学 | 考虑人车交互的行人轨迹预测及主动避撞方法及系统 |
-
2022
- 2022-09-23 CN CN202211166000.XA patent/CN115628736A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009151644A (ja) * | 2007-12-21 | 2009-07-09 | Toyota Motor Corp | 走行可能領域生成装置 |
US20200361485A1 (en) * | 2018-09-28 | 2020-11-19 | Baidu Usa Llc | A pedestrian interaction system for low speed scenes for autonomous vehicles |
US20210221405A1 (en) * | 2018-09-28 | 2021-07-22 | Baidu Usa Llc | A pedestrian probability prediction system for autonomous vehicles |
US20200023842A1 (en) * | 2019-09-27 | 2020-01-23 | David Gomez Gutierrez | Potential collision warning system based on road user intent prediction |
DE102019219783A1 (de) * | 2019-12-17 | 2021-06-17 | Continental Automotive Gmbh | Verfahren und Vorrichtung zur Erhöhung der Sicherheit von Fußgängern für ein Fahrzeug |
WO2021134169A1 (zh) * | 2019-12-30 | 2021-07-08 | 华为技术有限公司 | 一种轨迹预测方法及相关设备 |
CN111121812A (zh) * | 2019-12-31 | 2020-05-08 | 深圳前海达闼云端智能科技有限公司 | 一种路径优化方法、电子设备及存储介质 |
CN111942407A (zh) * | 2020-07-31 | 2020-11-17 | 商汤集团有限公司 | 轨迹预测方法、装置、设备及存储介质 |
CN114371707A (zh) * | 2021-12-31 | 2022-04-19 | 江苏大学 | 考虑人车交互的行人轨迹预测及主动避撞方法及系统 |
Non-Patent Citations (1)
Title |
---|
赵青;陈勇;罗斌;张良培;: "一种融合行人预测信息的局部路径规划算法", 武汉大学学报(信息科学版), no. 05, 5 May 2020 (2020-05-05) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11726477B2 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
Cui et al. | Multimodal trajectory predictions for autonomous driving using deep convolutional networks | |
US11554785B2 (en) | Driving scenario machine learning network and driving environment simulation | |
US11348339B2 (en) | Association and tracking for autonomous devices | |
WO2022052406A1 (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
RU2733015C1 (ru) | Оперативное управление автономным транспортным средством | |
US11537127B2 (en) | Systems and methods for vehicle motion planning based on uncertainty | |
CN113272830A (zh) | 行为预测系统中的轨迹表示 | |
Chen et al. | Driving maneuvers prediction based autonomous driving control by deep Monte Carlo tree search | |
US20210261123A1 (en) | Autonomous Vehicle Operation with Explicit Occlusion Reasoning | |
US11580851B2 (en) | Systems and methods for simulating traffic scenes | |
US11731663B2 (en) | Systems and methods for actor motion forecasting within a surrounding environment of an autonomous vehicle | |
CN114829225A (zh) | 自主载具的条件行为预测 | |
US11975742B2 (en) | Trajectory consistency measurement for autonomous vehicle operation | |
CN114880842A (zh) | 轨迹预测模型的自动化迭代方法、电子设备和存储介质 | |
CN114945952A (zh) | 使用神经网络从相机图像和已知深度数据生成深度 | |
US20230056589A1 (en) | Systems and methods for generating multilevel occupancy and occlusion grids for controlling navigation of vehicles | |
EP4160146A1 (en) | Quadtree based data structure for storing information relating to an environment of an autonomous vehicle and methods of use thereof | |
CN115713738A (zh) | 使用神经网络模型的凝视和意识预测 | |
CN115628736A (zh) | 行人轨迹的预测方法、设备、移动装置和存储介质 | |
Chipka et al. | Estimation and navigation methods with limited information for autonomous urban driving | |
Jazayeri | Predicting Vehicle Trajectories at Intersections Using Advanced Machine Learning Techniques | |
Schörner et al. | Towards Multi-Modal Risk Assessment | |
US20220379911A1 (en) | Using relevance of objects to assess performance of an autonomous vehicle perception system | |
US20220382284A1 (en) | Perception system for assessing relevance of objects in an environment of an autonomous vehicle |
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 |