CN115782917A

CN115782917A - 车辆轨迹预测方法、装置、存储介质和电子设备

Info

Publication number: CN115782917A
Application number: CN202211435232.0A
Authority: CN
Inventors: 任明仑; 周俊杰; 吴淑慧
Original assignee: Hefei University of Technology
Current assignee: Hefei University of Technology
Priority date: 2022-11-16
Filing date: 2022-11-16
Publication date: 2023-03-14

Abstract

本发明提供了一种车辆轨迹预测方法、装置、存储介质和电子设备，涉及车辆轨迹预测技术领域。本发明实施例在对目标车辆的变道轨迹进行预测时，基于跟驰模型获取目标车辆在预测时长内的位移和目标车辆在变道完成时长内的位移，随后根据求得的位移选取用于构建变道预测路径的若干个控制点，并采用贝塞尔函数对控制点进行插值，得到第一变道预测路径，再根据基于变道预测终点和终点控制点之间的车道中心线得到补充路径，最终得到第二变道预测路径，最后再利用跟驰模型获取各个路径点的速度，使得最终得到的变道预测轨迹与实际车辆行驶轨迹点较为符合、偏差较小，更有利于自动驾驶车辆进行准确决策，进而保障行车安全。

Description

车辆轨迹预测方法、装置、存储介质和电子设备

技术领域

本发明涉及车辆轨迹预测技术领域，具体涉及一种车辆轨迹预测方法、装置、存储介质和电子设备。

背景技术

在车辆预测中分为意图预测和轨迹预测两个过程。其中意图预测是根据不同的场景，通过深度学习神经网络给出各行为意图的概率。而轨迹预测是考虑与主车的交互。

针对轨迹预测，目前的方法多是运用采样+代价函数选择的方法，其中代价函数参数使用神经网络进行训练，而后给出合理的轨迹预测。

但现有方法并未考虑到在限制超车的单行道上行驶车队中相邻两车之间的相互作用对轨迹预测的影响，导致预测的轨迹不能很好的匹配真实行驶场景。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种车辆轨迹预测方法、装置、存储介质和电子设备，解决了如何获得更好匹配真实行驶场景的车辆轨迹的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

第一方面，提供了一种车辆轨迹预测方法，该方法包括：

获取目标车辆的行为意图；

当目标车辆的行为意图为变道时，基于跟驰模型获取目标车辆在预测时长内的位移和目标车辆在变道完成时长内的位移；且预测时长大于变道完成时长；

基于目标车辆在变道完成时长内的位移获取若干控制点，所述控制点包括起点控制点、终点控制点以及若干中间控制点，且控制点均位于车道中心线上；再基于贝塞尔函数对控制点进行插值获取第一变道预测路径；

基于虚拟点和目标车辆在预测时长内的位移获取变道预测终点；所述虚拟点为目标车辆的相邻车道中心线上距目标车辆最近的点；

基于变道预测终点和终点控制点之间的车道中心线得到补充路径；

将第一变道预测路径与补充路径拼接得到第二变道预测路径；

基于跟驰模型获取第二变道预测路径中的各个路径点的速度，得到变道预测轨迹。

进一步的，所述跟驰模型中在t时刻，车辆i的期望车间距离与车辆i的加速度的计算公式为：

其中，

表示在t时刻，车辆i的期望车间距离；

d₀表示静止安全间距；

T表示安全车头时距；

v_i，t表示在t时刻，行驶车队中车辆i的速度；

Δv_i，t表示在t时刻，车辆i减去前车速度的速度差；

a_max表示最大加速度；

a_c表示舒适减速度；

a_i，t表示在t时刻，跟驰模型中行驶车队中目标车辆对应的车辆i的加速度；

a_max表示最大加速度；

v₀表示自由流速度；

δ表示速度幂系数；

表示在t时刻，车辆i与前车的实际车间距离；

且目标车辆在t+1时刻的实际车间距离

的计算公式如下：

v_i，t+1＝v_i，t+a_i，tΔt

其中，

v_i，t+1表示在t+1时刻，车辆i的速度；

v_i，t表示在t时刻，车辆i的速度；

a_i，t表示在t时刻，车辆i的加速度；

Δt表示t时刻与t+1时刻的间隔时长；

s_i，t+1表示从t至t+1时刻，车辆i的位移；

表示在t+1时刻，车辆i与前车i-1的实际车间距离；

表示在t时刻，车辆i与前车i-1的实际车间距离；

v_i-1表示前车i-1的速度。

进一步的，所述目标车辆在预测时长内的位移和目标车辆在变道完成时长内的位移的计算方法为：

其中，t₀表示预测时长；

s₀表示目标车辆在预测时长t₀内的位移；

t₁表示变道完成时长；

s₁表示目标车辆在变道完成时长t₁内的位移。

进一步的，基于五阶贝塞尔函数对控制点进行插值获取第一变道预测路径；且获取的若干控制点，包括：

将目标车辆在矢量地图中的位置P₁(x₁，y₁)作为第一控制点；

基于第一控制点P₁(x₁，y₁)和第一距离β₁获取第二控制点P₂(x₂，y₂)；且第一距离β₁表示基于跟驰模型目标车辆从第一控制点P₁(x₁，y₁)运动t₂时长后的位移；t₂表示第一时间段；

基于第一控制点P₁(x₁，y₁)、第二控制点P₂(x₂，y₂)和第二距离β₂获取第三控制点P₃(x₃，y₃)；且第二距离β₂表示基于跟驰模型目标车辆从第二控制点P₂(x₂，y₂)运动t₃时长后的位移；t₃表示第二时间段，是个预设值，根据人的经验设置；

基于虚拟点P₀(x₀，y₀)和目标车辆在变道完成时长t₁内的位移s₁获取第六控制点P₆(x₆，y₆)；

基于第六控制点P₆(x₆，y₆)和第三距离β₃获取第五控制点P₅(x₅，y₅)；且第三距离β₃表示基于跟驰模型目标车辆从第六控制点P₆(x₆，y₆)倒推运动t₂时长前的位移；

基于第六控制点P₆(x₆，y₆)、第五控制点P₅(x₅，y₅)和第四距离β₄获取第四控制点P₄(x₄，y₄)，且第四距离β₄表示基于跟驰模型目标车辆从第五控制点P₅(x₅，y₅)倒推运动t₃时长前的位移；

其中，第一控制点P₁(x₁，y₁)为起点控制点；第六控制点P₆(x₆，y₆)为终点控制点；第五控制点P₅(x₅，y₅)、第四控制点P₄(x₄，y₄)、第三控制点P₃(x₃，y₃)、第二控制点P₂(x₂，y₂)均为中间控制点，且x，y表示对应该控制点的坐标值。

进一步的，所述第二变道预测路径中的各个路径点的速度计算方法为：

其中，v_i，t+1表示在t+1时刻对应的路径点的速度。

进一步的，该方法还包括：

当目标车辆的行为意图为直行时，

获取目标车辆在预测时长t₀内的位移s₀和第一控制点P₁(x₁，y₁)；所述第一控制点为目标车辆在矢量地图中的位置；

将在行驶方向上距第一控制点P₁(x₁，y₁)距离为s₀的中心线上的点作为直行预测终点P₈(x₈，y₈)，再获取从P₁(x₁，y₁)至P₈(x₈，y₈)的直行预测路径；

再基于跟驰模型迭代获取直行预测路径中各个路径点的速度，得到直行预测轨迹。

进一步的，所述补充路径和直行预测路径均采用一阶贝塞尔进行两点间的均匀插值。

第二方面，提供了一种车辆轨迹预测装置，该装置包括：

行为意图获取模块，用于获取目标车辆的行为意图；

位移计算模块，用于当目标车辆的行为意图为变道时，基于跟驰模型获取目标车辆在预测时长内的位移和目标车辆在变道完成时长内的位移；且预测时长大于变道完成时长；

第一变道预测路径生成模块，用于基于目标车辆在变道完成时长内的位移获取若干控制点，所述控制点包括起点控制点、终点控制点以及若干中间控制点，且控制点均位于车道中心线上；再基于贝塞尔函数对控制点进行插值获取第一变道预测路径；

变道预测终点获取模块，用于基于虚拟点和目标车辆在预测时长内的位移获取变道预测终点；所述虚拟点为目标车辆的相邻车道中心线上距目标车辆最近的点；

补充路径生成模块，用于基于变道预测终点和终点控制点之间的车道中心线得到补充路径；

第二变道预测路径生成模块，用于将第一变道预测路径与补充路径拼接得到第二变道预测路径；

变道预测轨迹生成模块，用于基于跟驰模型获取第二变道预测路径中的各个路径点的速度，得到变道预测轨迹。

第三方面，提供了一种存储介质，其存储用于车辆轨迹预测的计算机程序，其中，所述计算机程序使得计算机执行上述的车辆轨迹预测方法。

第四方面，提供了一种电子设备，包括：

一个或多个处理器；

存储器；以及

一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行上述的车辆轨迹预测方法。

(三)有益效果

本发明提供了一种车辆轨迹预测方法、装置、存储介质和电子设备。与现有技术相比，具备以下有益效果：

本发明实施例在对目标车辆的变道轨迹进行预测时，基于跟驰模型获取目标车辆在预测时长内的位移和目标车辆在变道完成时长内的位移，随后根据求得的位移选取用于构建变道预测路径的若干个控制点，并采用贝塞尔函数对控制点进行插值，得到第一变道预测路径，再根据基于变道预测终点和终点控制点之间的车道中心线得到补充路径，最终得到第二变道预测路径，最后再利用跟驰模型获取各个路径点的速度，使得最终得到的变道预测轨迹与实际车辆行驶轨迹点较为符合、偏差较小，更有利于自动驾驶车辆进行准确决策，进而保障行车安全。

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简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例的流程图；

图2为本发明实施例的变道意图时的示意图；

图3为本发明实施例的直行意图时的示意图。

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，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。

本申请实施例通过提供一种车辆轨迹预测方法、装置、存储介质和电子设备，解决了如何获得更加符合实际情况的预测轨迹的问题。

本申请实施例中的技术方案为解决上述技术问题，总体思路如下：

本文采用智能驾驶模型(IDM))为ACC功能开发算法；考虑到该算法的纵向速度规划较为符合驾驶员驾驶习惯，增加“时间-速度-位置”迭代推算公式；对预测距离以及路径点对应的速度信息进行解算

五阶贝塞尔相较于三阶贝塞尔增加了控制点，可以更加灵活控制生成路径形状；其中控制点解算与速度关联，使得路径曲率随着速度越大而越小，区域平缓，更好地符合驾驶员驾驶行驶路径。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

实施例1：

如图1所示，本发明提供了一种车辆轨迹预测方法，该方法包括：

获取目标车辆的行为意图；

本实施例的有益效果为：

下面对本发明实施例的实现过程进行详细说明：

S1、获取目标车辆的行为意图。

本实施例在具体实施时，对行为意图的具体获取方式不做限定，例如，可根据不同的场景，通过深度学习神经网络给出各行为意图的概率。

S2、当目标车辆的行为意图为变道时，基于跟驰模型获取目标车辆在预测时长t₀内的位移s₀和目标车辆在变道完成时长t₁内的位移s₁；-且t₀＞t₁。

在具体实施时：t₀可设置为8～10秒，t₁可设置为6～8秒，且位移s₁采用如下方式计算得到：

S2.1、获取目标车辆的相邻车道中心线上距目标车辆最近的点，作为代表目标车辆的虚拟点；

假设以车辆质心或车辆后轴位置作为车辆的位置，则目标车辆在矢量地图的位置为P₁(x₁，y₁)，则所述虚拟点记为P₀(x₀，y₀)。

S2.2、基于虚拟点P₀(x₀，y₀)和跟驰模型获取目标车辆在t时刻的加速度a_i，t；且加速度a_i，t的计算公式为：

其中，

表示在t时刻，车辆i的期望车间距离；(未知，计算结果)；

d₀表示静止安全间距；(其值预先设定，例如可设定为5-10米)；

T表示安全车头时距；(其值预先设定，例如可设定为1.5秒)；

v_i，t表示在t时刻，行驶车队中车辆i的速度；(已知量，通过读取车辆信息获得)；

Δv_i，t表示在t时刻，车辆i减去前车速度的速度差；(已知，传感器采集前车/邻车)；

a_max表示最大加速度；(其值预先设定，例如现有参考文献中设定为1.4m·s^-2)；

a_c表示舒适减速度；(其值预先设定，例如现有参考文献中设定为2m·s^-2)；

a_i，t表示在t时刻，跟驰模型中行驶车队中目标车辆对应的车辆i的加速度；(未知，计算结果)；

v₀表示自由流速度；(已知量，交规设定巡航速度，例如现有参考文献中的设定为120km·h^-1)；

δ表示速度幂系数；(其值可由模型参数标定获得，例如现有参考文献中的设定δ＝4)；

表示在t时刻，车辆i与前车的实际车间距离；(已知量，通过车辆的传感器采集)。

S2.3、基于所述目标车辆在t时刻的加速度a_i，t迭代获取目标车辆在t+1时刻的车辆信息，直至得到目标车辆在预测时长t₀内的位移s₀和目标车辆在变道完成时长t₁内的位移s₁。

在具体实施时，可利用如下公式获取车辆的实时速度、位移和实际车间距离。

其中，迭代获取目标车辆在t+1时刻的车辆信息为：

v_i，t+1＝v_i，t+a_i，tΔt

其中，

v_i，t+1表示在t+1时刻，车辆i的速度；

v_i，t表示在t时刻，车辆i的速度；

a_i，t表示在t时刻，车辆i的加速度；

Δt表示t时刻与t+1时刻的间隔时长；

s_i，t+1表示从t至t+1时刻，车辆i的位移；

表示在t+1时刻，车辆i与前车i-1的实际车间距离；

表示在t时刻，车辆i与前车i-1的实际车间距离；

v_i-1表示前车i-1的速度，假定前车速度不变保持匀速运动。

至此，通过上述公式迭代计算，即可得到目标车辆在变道完成时长t₁内的位移s₁；

而目标车辆在预测时长t₀内的位移s₀的计算过程以此类推，继续迭代计算到t₀时刻即可，公式如下：

S3、基于目标车辆在变道完成时长t₁内的位移s₁获取若干控制点，所述控制点包括起点控制点P₁(x₁，y₁)、终点控制点P₆(x₆，y₆)以及若干中间控制点，且控制点均位于车道中心线上；再基于贝塞尔函数对控制点进行插值获取第一变道预测路径。

在具体实施时，控制点用于后续利用贝塞尔函数生成路径，其数量取决于使用的贝塞尔函数类型，n阶贝塞尔曲线有n+1个顶点，但为了获得更加符合实际车辆行驶轨迹的路径，本实施例中采用五阶贝塞尔曲线，即如图2所示，需要设定6个控制点：P₁(x₁，y₁)、P₂(x₂，y₂)、P₃(x₃，y₃)、P₄(x₄，y₄)、P₅(x₅，y₅)、P₆(x₆，y₆)；其中，x，y表示对应该控制点的坐标值。

则基于目标车辆在变道完成时长t₁内的位移s₁获取若干控制点，包括如下步骤：

S3.1、基于目标车辆在变道完成时长t₁内的位移s₁获取若干控制点，包括：

①对于第一控制点P₁(x₁，y₁)，即起点控制点：

将目标车辆在矢量地图中的位置P₁(x₁，y₁)作为起点控制点/第一控制点。

②对于第二控制点P₂(x₂，y₂)：

基于第一控制点P₁(x₁，y₁)和第一距离β₁获取第二控制点P₂(x₂，y₂)。

且以图2为例，具体的计算公式为：

x₂＝x₀+β₁

y₂＝y₀

其中，第一距离β₁表示基于跟驰模型目标车辆从第一控制点P₁(x₁，y₁)运动t₂时长后的位移；t₂表示第一时间段，是个预设值，根据人的经验设置。

③对于第三控制点P₃(x₃，y₃)：

基于第一控制点P₁(x₁，y₁)、第二控制点P₂(x₂，y₂)和第二距离β₂获取第三控制点P₃(x₃，y₃)。

且以图2为例，具体的计算公式为：

x₃＝x₂+β₂*sin(θ₁)

y₃＝y₂+β₂*cos(θ₁)

其中，第二距离β₂表示基于跟驰模型目标车辆从第二控制点P₂(x₂，y₂)运动t₃时长后的位移；t₃表示第二时间段，是个预设值，根据人的经验设置。

④对于第六控制点P₆(x₆，y₆)，即终点控制点：

基于虚拟点P₀(x₀，y₀)和目标车辆在变道完成时长t₁内的位移s₁获取第六控制点P₆(x₆，y₆)。

且以图2为例，第六控制点P₆(x₆，y₆)的计算公式为：

x₆＝x₀+s₁

y₆＝y₀

⑤对于第五控制点P₅(x₅，y₅)：

基于第六控制点P₆(x₆，y₆)和第三距离β₃获取第五控制点P₅(x₅，y₅)。

且以图2为例，具体的计算公式为：

x₅＝x₆-β₃

y₆＝y₆

其中，第三距离β₃表示基于跟驰模型目标车辆从第六控制点P₆(x₆，y₆)倒推运动t₂时长前的位移；

⑥对于第四控制点P₄(x₄，y₄)：

基于第六控制点P₆(x₆，y₆)、第五控制点P₅(x₅，y₅)和第四距离β₄获取第四控制点P₄(x₄，y₄)。

x₄＝x₅-β₄*sin(θ₂)

y₄＝y₅-β₄*cos(θ₂)

其中，第四距离β₄表示基于跟驰模型目标车辆从第五控制点P₅(x₅，y₅)倒推运动t₃时长前的位移。

显然，本实施例中第一控制点即为起点控制点，第二～五控制点为四个中间控制点，第六控制点即为终点控制点。

3.2、基于贝塞尔函数对控制点进行插值获取第一变道预测路径。

如图2所示，在具体实施时，利用五阶贝塞尔函数结合上述6个控制点，构建经过第一控制点P₁(x₁，y₁)至第六控制点P₆(x₆，y₆)的第一变道预测路径，且第一变道预测路径中包含若干个路径点。

S4、基于虚拟点P₀(x₀，y₀)和目标车辆在预测时长t₀内的位移s₀获取变道预测终点P₇(x₇，y₇)；所述虚拟点P₀(x₀，y₀)为目标车辆的相邻车道中心线上距目标车辆最近的点。

在具体实施时，以图2为例，变道预测终点P₇(x₇，y₇)的计算方法如下：

x₇＝x₀+s₀

y₇＝y₀

S5、基于变道预测终点P₇(x₇，y₇)和终点控制点P₆(x₆，y₆)之间的车道中心线得到补充路径。

在具体实施时，补充路径的路径点的生成方式不做限制，例如可以可通过一阶贝塞尔进行两点间的均匀插值。

S6、将第一变道预测路径与补充路径拼接得到第二变道预测路径，所述第二变道预测路径是由第一控制点P₁(x₁，y₁)至变道预测终点P₇(x₇，y₇)的路径。

S7、基于跟驰模型获取第二变道预测路径中的各个路径点的速度，得到变道预测轨迹。

在具体实施时，包括如下步骤：

S7.1、获取第二变道预测路径中第一控制点P₁(x₁，y₁)对应的路径点的速度，即v_i，0，为已知量；

S7.2基于跟驰模型依次迭代获取第二变道预测路径中下个路径点，直至获取所有路径点的速度，得到变道预测轨迹。

此时，s_i，t+1即为相邻两个路径点之间的距离，已知量；

v_i，t由前一步算出来，已知量；

a_i，t由跟驰模型计算得到，已知量；

v_i，t+1表示在t+1时刻对应的路径点的速度。

实施例2：

在实施例1的基础上，还可进一步包括如下步骤：

如图3所示，当目标车辆的行为意图为直行时，

按实施例1的步骤获取目标车辆在预测时长t₀内的位移s₀和第一控制点P₁(x₁，y₁)；

在行驶方向上距第一控制点P₁(x₁，y₁)距离为s₀的中心线上的点作为直行预测终点P₈(x₈，y₈)，再获取从P₁(x₁，y₁)至P₈(x₈，y₈)的直行预测路径；

实施例3：

一种车辆轨迹预测装置，该装置包括：

行为意图获取模块，用于获取目标车辆的行为意图；

此外，该装置还可以进一步包括：

直行轨迹预测模块，用于将在行驶方向上距第一控制点P₁(x₁，y₁)距离为s₀的中心线上的点作为直行预测终点P₈(x₈，y₈)，并获取从P₁(x₁，y₁)至P₈(x₈，y₈)的直行预测路径；再基于跟驰模型迭代获取直行预测路径中各个路径点的速度，得到直行预测轨迹。

实施例4：

一种存储介质，其存储用于车辆轨迹预测的计算机程序，其中，所述计算机程序使得计算机执行如下步骤：

获取目标车辆的行为意图；

实施例5：

一种电子设备，包括：

一个或多个处理器；

存储器；以及

一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如下步骤：

获取目标车辆的行为意图；

可理解的是，本发明实施例提供的车辆轨迹预测装置、存储介质、电子设备与上述车辆轨迹预测方法相对应，其有关内容的解释、举例、有益效果等部分可以参考车辆轨迹预测方法中的相应内容，此处不再赘述。

综上所述，与现有技术相比，本发明具备以下有益效果：

本发明在对目标车辆的变道轨迹进行预测时，基于跟驰模型获取目标车辆在预测时长内的位移和目标车辆在变道完成时长内的位移，进而选取用于构建变道预测路径的控制点，并采用贝塞尔函数对控制点进行插值，得到第一变道预测路径，再根据基于变道预测终点和终点控制点之间的车道中心线得到补充路径，最终得到第二变道预测路径，最后再利用跟驰模型获取各个路径点的速度，使得最终得到的变道预测轨迹与实际车辆行驶轨迹点较为符合、偏差较小，更有利于自动驾驶车辆进行准确决策，进而保障行车安全。

需要说明的是，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。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。在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

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。