CN115782926A - 一种基于道路信息的车辆运动预测方法及装置 - Google Patents
一种基于道路信息的车辆运动预测方法及装置 Download PDFInfo
- Publication number
- CN115782926A CN115782926A CN202211710230.8A CN202211710230A CN115782926A CN 115782926 A CN115782926 A CN 115782926A CN 202211710230 A CN202211710230 A CN 202211710230A CN 115782926 A CN115782926 A CN 115782926A
- Authority
- CN
- China
- Prior art keywords
- target object
- road information
- turning angle
- vehicle motion
- obtaining
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000001914 filtration Methods 0.000 claims abstract description 41
- 238000001514 detection method Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
Abstract
本发明所提供的一种基于道路信息的车辆运动预测方法及装置,所述方法包括:获取目标图像,并识别所述目标图像中的目标物体及所述目标物体的前方道路信息;获取所述目标物体的初始位置数据,并根据所述前方道路信息得到目标物体即将发生的转弯角度;将所述初始位置数据和所述转弯角度输入卡尔曼滤波算法,得到所述目标物体的位置预测结果。本发明通过前方道路信息得到目标物体即将发生的转弯角度,将初始位置数据和转弯角度输入卡尔曼滤波算法,由于车辆转弯时会伴随着突然地减速,本发明将目标物体即将发生的转弯角度作为卡尔曼滤波算法的一个观测值,使得得到的位置预测结果更加精确。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其涉及的是一种基于道路信息的车辆运动预测方法及装置。
背景技术
在自动驾驶领域中,有时需要根据周围其他车辆的运动情况,来进行相应的自动控制,这种需求在ADB(自适应驾驶光束)系统中尤为突出。例如,在ADB系统中往往需要预测前车车辆的位置,进而对车灯进行自动切换。
在ADB系统中,由于整个系统运作过程存在时延,即从检测到目标触发控灯信号,到控灯行为实施的过程中存在时间差。如果检测到目标后才触发控灯程序进行切换,那么此时车辆已经不在触发控制的位置了。因此,需要对前车辆位置进行预测,预测车辆在时延后的位置并提前做出控灯行为。
现有技术使用卡尔曼滤波来对目标物体(如前车车辆)进行预测,其输入的观测数据通常由目标检测算法提供。这种方式依靠单一的观测数据来预测,会以前一状态目标物体的位置和速度信息来对目标未来的运动状态进行预测。因此,在目标物体产生突变加速/减速的时候,目标物体未来运动状况与原始的观测数据产生较大差异的时候,则会产生较大的误差,影响系统的精度。
因此,现有技术存在缺陷,有待改进与发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种基于道路信息的车辆运动预测方法及装置,旨在解决现有技术中目标物体的未来运动状况与原始的观测数据产生较大差异时,会产生较大的误差,影响预测精度的问题。
本发明解决技术问题所采用的技术方案如下:
一种基于道路信息的车辆运动预测方法,其中,所述方法包括:获取目标图像,并识别所述目标图像中的目标物体及所述目标物体的前方道路信息;
获取所述目标物体的初始位置数据,并根据所述前方道路信息得到目标物体即将发生的转弯角度;
将所述初始位置数据和所述转弯角度输入卡尔曼滤波算法,得到所述目标物体的位置预测结果。
在一种实现方式中,获取所述目标物体的初始位置数据,包括:
利用深度学习目标检测算法计算得到所述目标物体的初始位置数据。
在一种实现方式中,,根据所述前方道路信息得到目标物体即将发生的转弯角度,包括:
根据所述前方道路信息得到当前车道线曲线方程,根据所述当前车道线曲线方程计算车道线消失点;
根据所述车道线消失点得到目标物体即将发生的转弯角度。
在一种实现方式中,,根据所述车道线消失点得到目标物体即将发生的转弯角度,包括:
当所述目标物体位于车道即将发生转弯的位置处时,根据所述前方道路信息作一条辅助车道线,所述辅助车道线为车道即将发生转弯的位置处与车道线相垂直的虚拟相交线;
将与所述辅助车道线垂直且经过所述辅助车道线的中点的直线作为第一直线,将所述辅助车道线的中点和所述车道线消失点之间的连线作为第二直线;
获得所述第一直线的第一直线方程,并根据所述车道线消失点的坐标与所述辅助车道线的中点的坐标,计算得到第二直线方程;
根据所述第一直线方程和所述第二直线方程得到所述第一直线和所述第二直线之间的夹角,得到目标物体即将发生的转弯角度。
在一种实现方式中,所述转弯角度的计算公式为:
其中,所述k1为第一直线的斜率,所述k2为第二直线的斜率,所述θ为转弯角度。
在一种实现方式中,,将所述初始位置数据和所述转弯角度输入卡尔曼滤波算法,得到所述目标物体的位置预测结果,包括:
将所述转弯角度作为第一观测量,并将所述初始位置数据作为第二观测量;
将所述第一观测量和所述第二观测量共同输入卡尔曼滤波算法,得到所述目标物体的位置预测结果。
在一种实现方式中,所述卡尔曼滤波算法的公式包括:
y=z-(H*x);
S=(H*P*HT)+R;
x=x+(K*y);
P=(I-(K*H))*P;
其中,所述z表示第一观测量和第二观测量,所述y是由z决定的测量余量,所述H表示转换矩阵,所述x表示位置预测结果,所述S表示测量余量的协方差,所述P是误差的协方差矩阵,所述K为卡尔曼增益系数,所述R代表产生的噪声,所述T代表转置。
本发明还提供一种基于道路信息的车辆运动预测装置,所述装置包括:
识别模块,用于获取目标图像,并识别所述目标图像中的目标物体及所述目标物体的前方道路信息;
计算模块,用于获取所述目标物体的初始位置数据,并根据所述前方道路信息得到目标物体即将发生的转弯角度;
预测模块,用于将所述初始位置数据和所述转弯角度输入卡尔曼滤波算法,得到所述目标物体的位置预测结果。
本发明还提供一种终端,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于道路信息的车辆运动预测程序,所述基于道路信息的车辆运动预测程序被所述处理器执行时实现如上所述的基于道路信息的车辆运动预测方法的步骤。
本发明还提供一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序能够被执行以用于实现如上所述的基于道路信息的车辆运动预测方法的步骤。
本发明提供一种基于道路信息的车辆运动预测方法及装置,所述方法包括:获取目标图像,并识别所述目标图像中的目标物体及所述目标物体的前方道路信息;获取所述目标物体的初始位置数据,并根据所述前方道路信息得到目标物体即将发生的转弯角度;将所述初始位置数据和所述转弯角度输入卡尔曼滤波算法,得到所述目标物体的位置预测结果。本发明通过前方道路信息得到目标物体即将发生的转弯角度,将初始位置数据和转弯角度输入卡尔曼滤波算法,由于车辆转弯时会伴随着突然地减速,本发明将目标物体即将发生的转弯角度作为卡尔曼滤波算法的一个观测值,使得得到的位置预测结果更加精确。
附图说明
图1是本发明中基于道路信息的车辆运动预测方法较佳实施例的流程图。
图2是本发明中计算转弯角度的原理图。
图3是本发明中各种转弯角度的示意图。
图4是现有技术中卡尔曼滤波算法的原理框图。
图5是本发明中卡尔曼滤波算法的原理框图。。
图6是本发明中基于道路信息的车辆运动预测装置较佳实施例的功能原理框图。
图7是本发明中终端的较佳实施例的功能原理框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
现有技术常见的目标检测方案是采用卡尔曼滤波器进行车辆的运动预测,并使用深度学习目标检测算法的结果作为卡尔曼滤波的观测值。但是,如果预测的车辆突然的改变了原有的速度,仅依靠目标检测结果的卡尔曼滤波将会在这一时刻难以预测到正确的结果,这将导致ADB自动控制模块在短时间内失效或者性能降低。
在一般道路情况中,车辆在行驶过程中产生突变的加速/减速通常与道路信息有关,例如,在车辆需要进行转弯的时候,往往会伴随着突然地减速。本发明以车辆需要进行转弯时刻的转弯角度为例,将其作为一种观测数据,与目标检测结果一同作为卡尔曼滤波的观测数据。即一种车辆车道信息来辅助目标检测结果,使车辆运动预测更加精准,从而达到更好的ADB控制表现。
请参见图1,图1是本发明中基于道路信息的车辆运动预测的流程图。如图1所示,本发明实施例所述的基于道路信息的车辆运动预测包括:
步骤S100、获取目标图像,并识别所述目标图像中的目标物体及所述目标物体的前方道路信息。
具体地,在目标图像中,根据车道线行进方向,可以推断出目标物体(如前方车辆)即将或正在转弯,由此按照正常/标准行驶习惯,此时车辆需要进行减速。因此与原行驶速度相比,此时车辆会产生一个突然的加速度。车道道路信息是决定目标物体的重要影响因素之一,本发明在观测量中加入前方道路信息,作为卡尔曼滤波的一个观测值,使其对最终的预测与更新状态产生正向影响。
如图1所示,本实施例所述的基于道路信息的车辆运动预测还包括:
步骤S200、获取所述目标物体的初始位置数据,并根据所述前方道路信息得到目标物体即将发生的转弯角度。
具体地,本发明将车辆转弯的角度定义为0°~180°,车辆直行为0°,左转弯或右转弯为90°,左转掉头为180°。
在一种实现方式中,所述步骤S200中“获取所述目标物体的初始位置数据”具体包括:利用深度学习目标检测算法计算得到所述目标物体的初始位置数据。
具体地,初始位置数据P是通过目标检测算法的得到bbox中提取的位置信息。
在一种实现方式中,所述步骤S200中“根据所述前方道路信息得到目标物体即将发生的转弯角度”具体包括:
步骤S210、根据所述前方道路信息得到当前车道线曲线方程,根据所述当前车道线曲线方程计算车道线消失点;
步骤S220、根据所述车道线消失点得到目标物体即将发生的转弯角度。
具体地,根据所述前方道路信息中的车道线计算得到当前车道线曲线方程,车道线的交汇处即为车道线消失点。本发明根据车道线消失点计算目标物体即将发生的转弯角度,进而将转弯角度加入卡尔曼滤波算法的观测值中,使得预测结果更精确。
在一种实施例中,所述步骤S220具体包括:
步骤S221、当所述目标物体位于车道即将发生转弯的位置处时,根据所述前方道路信息作一条辅助车道线,所述辅助车道线为车道即将发生转弯的位置处与车道线相垂直的虚拟相交线;
步骤S222、将与所述辅助车道线垂直且经过所述辅助车道线的中点的直线作为第一直线,将所述辅助车道线的中点和所述车道线消失点之间的连线作为第二直线;
步骤S223、获得所述第一直线的第一直线方程,并根据所述车道线消失点的坐标与所述所述辅助车道线的中点的坐标,计算得到第二直线方程;
步骤S224、根据所述第一直线方程和所述第二直线方程得到所述第一直线和所述第二直线之间的夹角,得到目标物体即将发生的转弯角度。
具体地,如图2所示,根据车道线消失点X和辅助车道线l(车道即将发生转弯的时候的垂直相交线),P点为该车道的中点。根据直行车道信息,可以得到第一直线a的方程,根据消失点与P点的连线,可以得知第二直线b的方程,根据两直线之间夹角的求解公式,可以求解目标物体即将发生的转弯角度θ。
具体地,本发明根据上述公式可以计算得到目标物体即将发生的转弯角度,计算方式简单,提高了自动驾驶时的处理效率。
如图3所示,本发明设定如果车辆直行,即图3中B方向,那么车辆的旋转角度为0°,假使车辆掉头(即B的反方向),则此时车辆的旋转角度为180°。同理,上图中A方向可以经过车道线的测算预估为45°(估计值),C方向约为50°,D方向约为140°。
如图1所示,本实施例所述的基于道路信息的车辆运动预测还包括:
步骤S300、将所述初始位置数据和所述转弯角度输入卡尔曼滤波算法,得到所述目标物体的位置预测结果。
具体地,本发明通过前方车道信息,来预测观测车辆可能产生的加/减速,从而加入到卡尔曼滤波的观测值中,弥补检测算法的结果,实现精准预测,从而使ADB控制更加精准。
在一种实现方式中,所述步骤S300具体包括:
步骤S310、将所述转弯角度作为第一观测量,并将所述初始位置数据作为第二观测量;
步骤S320、将所述第一观测量和所述第二观测量共同输入卡尔曼滤波算法,得到所述目标物体的位置预测结果。
具体地,卡尔曼滤波是一个算法,它适用于线性、离散和有限维系统,通过系统输入输出观测数据,对系统状态进行最优估计的算法。其本质上是一个数据融合算法,将具有同样测量目的、来自不同传感器、(可能)具有不同单位(unit)的数据融合在一起,得到一个更精确的目的测量值。结合预测与观测,得到最“精确”的后验值。实际中,预测与观测均从传感器而来。
如图4所示,在原始的kalman(卡尔曼)滤波中,只将目标检测bbox(位置P)作为观测量输入卡尔曼滤波算法中,如图5所示,本发明则将目标物体的转弯角度同时作为观测量输入卡尔曼滤波中的观测方程中,结合了具体的道路情况,得到的位置预测结果更加精确。
原始的观测矩阵Z可表示为一个一维矩阵Z=[P],P是通过目标检测算法的得到bbox中提取的位置信息。添加目标的观测内容旋转角度θ。观测矩阵Z可表示为一个二维矩阵,其中两个维度分别为P和θ。根据卡尔曼观测方程,此时的观测量有位置P和角度θ,则:所述δ为参数。
在一种实施例中,所述卡尔曼滤波算法的公式包括:
y=z-(H*x);
S=(H*P*HT)+R;
K=P*HT*S-1;
x=x+(K*y);
P=(I-(K*H))*P;
其中,所述z表示第一观测量和第二观测量,所述y是由z决定的测量余量,所述H表示转换矩阵,所述x表示位置预测结果,所述S表示测量余量的协方差,所述P是误差的协方差矩阵,所述K为卡尔曼增益系数,所述R代表产生的噪声,所述T代表转置。
具体地,将观测数据带入到卡尔曼滤波公式中,可以对卡尔曼滤波的预测进行修正,带入到卡尔曼滤波的更新公式中:
转换矩阵H将状态向量映射到测量值所在的空间中。本发明得到的位置预测结果更加精确,进而根据得到的位置预测结果控制ADB做出进一步的指令。本发明可以使预测的车辆运动位置更加准确,从而达到更好的ADB系统控制及安全警示。
在一种实施例中,如图6所示,基于上述基于道路信息的车辆运动预测方法,本发明还相应提供了一种基于道路信息的车辆运动预测装置,所述装置包括:
识别模块100,用于获取目标图像,并识别所述目标图像中的目标物体及所述目标物体的前方道路信息;
计算模块200,用于获取所述目标物体的初始位置数据,并根据所述前方道路信息得到目标物体即将发生的转弯角度;
预测模块300,用于将所述初始位置数据和所述转弯角度输入卡尔曼滤波算法,得到所述目标物体的位置预测结果。
在一种实施例中,如图7所示,基于上述基于道路信息的车辆运动预测方法,本发明还相应提供了一种终端,包括处理器10、存储器20。图7仅示出了终端的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述终端的内部存储单元,例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备,例如所述终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据,例如安装所述终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器20上存储有基于道路信息的车辆运动预测程序30,该基于道路信息的车辆运动预测程序30可被处理器10所执行,从而实现本申请中基于道路信息的车辆运动预测方法。
所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行所述存储器20中存储的程序代码或处理数据,例如执行所述基于道路信息的车辆运动预测方法等。
在一实施例中,当处理器10执行所述存储器20中基于道路信息的车辆运动预测程序30时实现以下步骤:
获取目标图像,并识别所述目标图像中的目标物体及所述目标物体的前方道路信息;
获取所述目标物体的初始位置数据,并根据所述前方道路信息得到目标物体即将发生的转弯角度;
将所述初始位置数据和所述转弯角度输入卡尔曼滤波算法,得到所述目标物体的位置预测结果。
获取所述目标物体的初始位置数据,包括:
利用深度学习目标检测算法计算得到所述目标物体的初始位置数据。
根据所述前方道路信息得到目标物体即将发生的转弯角度,包括:
根据所述前方道路信息得到当前车道线曲线方程,根据所述当前车道线曲线方程计算车道线消失点;
根据所述车道线消失点得到目标物体即将发生的转弯角度。
根据所述车道线消失点得到目标物体即将发生的转弯角度,包括:
当所述目标物体位于车道即将发生转弯的位置处时,根据所述前方道路信息作一条辅助车道线,所述辅助车道线为车道即将发生转弯的位置处与车道线相垂直的虚拟相交线;
将与所述辅助车道线垂直且经过所述辅助车道线的中点的直线作为第一直线,将所述辅助车道线的中点和所述车道线消失点之间的连线作为第二直线;
获得所述第一直线的第一直线方程,并根据所述车道线消失点的坐标与所述辅助车道线的中点的坐标,计算得到第二直线方程;
根据所述第一直线方程和所述第二直线方程得到所述第一直线和所述第二直线之间的夹角,得到目标物体即将发生的转弯角度。
所述转弯角度的计算公式为:
其中,所述k1为第一直线的斜率,所述k2为第二直线的斜率,所述θ为转弯角度。
将所述初始位置数据和所述转弯角度输入卡尔曼滤波算法,得到所述目标物体的位置预测结果,包括:
将所述转弯角度作为第一观测量,并将所述初始位置数据作为第二观测量;
将所述第一观测量和所述第二观测量共同输入卡尔曼滤波算法,得到所述目标物体的位置预测结果。
所述卡尔曼滤波算法的公式包括:
y=z-(H*x);
S=(H*P*HT)+R;
K=P*HT*S-1;
x=x+(K*y);
P=(I-(K*H))*P;
其中,所述z表示第一观测量和第二观测量,所述y是由z决定的测量余量,所述H表示转换矩阵,所述x表示位置预测结果,所述S表示测量余量的协方差,所述P是误差的协方差矩阵,所述K为卡尔曼增益系数,所述R代表产生的噪声,所述T代表转置。
本发明还提供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,所述计算机程序能够被执行以用于实现如上所述的基于道路信息的车辆运动预测方法的步骤。
综上所述,本发明公开的一种基于道路信息的车辆运动预测方法及装置,所述方法包括:获取目标图像,并识别所述目标图像中的目标物体及所述目标物体的前方道路信息;获取所述目标物体的初始位置数据,并根据所述前方道路信息得到目标物体即将发生的转弯角度;将所述初始位置数据和所述转弯角度输入卡尔曼滤波算法,得到所述目标物体的位置预测结果。本发明通过前方道路信息得到目标物体即将发生的转弯角度,将初始位置数据和转弯角度输入卡尔曼滤波算法,由于车辆转弯时会伴随着突然地减速,本发明将目标物体即将发生的转弯角度作为卡尔曼滤波算法的一个观测值,使得得到的位置预测结果更加精确。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于道路信息的车辆运动预测方法,其特征在于,所述方法包括:
获取目标图像,并识别所述目标图像中的目标物体及所述目标物体的前方道路信息;
获取所述目标物体的初始位置数据,并根据所述前方道路信息得到目标物体即将发生的转弯角度;
将所述初始位置数据和所述转弯角度输入卡尔曼滤波算法,得到所述目标物体的位置预测结果。
2.根据权利要求1所述的基于道路信息的车辆运动预测方法,其特征在于,获取所述目标物体的初始位置数据,包括:
利用深度学习目标检测算法计算得到所述目标物体的初始位置数据。
3.根据权利要求1所述的基于道路信息的车辆运动预测方法,其特征在于,根据所述前方道路信息得到目标物体即将发生的转弯角度,包括:
根据所述前方道路信息得到当前车道线曲线方程,根据所述当前车道线曲线方程计算车道线消失点;
根据所述车道线消失点得到目标物体即将发生的转弯角度。
4.根据权利要求1所述的基于道路信息的车辆运动预测方法,其特征在于,根据所述车道线消失点得到目标物体即将发生的转弯角度,包括:
当所述目标物体位于车道即将发生转弯的位置处时,根据所述前方道路信息作一条辅助车道线,所述辅助车道线为车道即将发生转弯的位置处与车道线相垂直的虚拟相交线;
将与所述辅助车道线垂直且经过所述辅助车道线的中点的直线作为第一直线,将所述辅助车道线的中点和所述车道线消失点之间的连线作为第二直线;
获得所述第一直线的第一直线方程,并根据所述车道线消失点的坐标与所述辅助车道线的中点的坐标,计算得到第二直线方程;
根据所述第一直线方程和所述第二直线方程得到所述第一直线和所述第二直线之间的夹角,得到目标物体即将发生的转弯角度。
6.根据权利要求1所述的基于道路信息的车辆运动预测方法,其特征在于,将所述初始位置数据和所述转弯角度输入卡尔曼滤波算法,得到所述目标物体的位置预测结果,包括:
将所述转弯角度作为第一观测量,并将所述初始位置数据作为第二观测量;
将所述第一观测量和所述第二观测量共同输入卡尔曼滤波算法,得到所述目标物体的位置预测结果。
7.根据权利要求6所述的基于道路信息的车辆运动预测方法,其特征在于,所述卡尔曼滤波算法的公式包括:
y=z-(H*x);
S=(H*P*HT)+R;
K=P*HT*S-1;
x=x+(K*y);
P=(I-(K*H))*P;
其中,所述z表示第一观测量和第二观测量,所述y是由z决定的测量余量,所述H表示转换矩阵,所述x表示位置预测结果,所述S表示测量余量的协方差,所述P是误差的协方差矩阵,所述K为卡尔曼增益系数,所述R代表产生的噪声,所述T代表转置。
8.一种基于道路信息的车辆运动预测装置,其特征在于,所述装置包括:
识别模块,用于获取目标图像,并识别所述目标图像中的目标物体及所述目标物体的前方道路信息;
计算模块,用于获取所述目标物体的初始位置数据,并根据所述前方道路信息得到目标物体即将发生的转弯角度;
预测模块,用于将所述初始位置数据和所述转弯角度输入卡尔曼滤波算法,得到所述目标物体的位置预测结果。
9.一种终端,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于道路信息的车辆运动预测程序,所述基于道路信息的车辆运动预测程序被所述处理器执行时实现如权利要求1~7任意一项所述的基于道路信息的车辆运动预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序能够被执行以用于实现如权利要求1~7任意一项所述的基于道路信息的车辆运动预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211710230.8A CN115782926B (zh) | 2022-12-29 | 2022-12-29 | 一种基于道路信息的车辆运动预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211710230.8A CN115782926B (zh) | 2022-12-29 | 2022-12-29 | 一种基于道路信息的车辆运动预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115782926A true CN115782926A (zh) | 2023-03-14 |
CN115782926B CN115782926B (zh) | 2023-12-22 |
Family
ID=85428158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211710230.8A Active CN115782926B (zh) | 2022-12-29 | 2022-12-29 | 一种基于道路信息的车辆运动预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115782926B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150285614A1 (en) * | 2014-04-08 | 2015-10-08 | Denso Corporation | Travel path estimation apparatus and travel path estimation program |
CN107021104A (zh) * | 2017-04-21 | 2017-08-08 | 天津英创汇智汽车技术有限公司 | 一种车道识别补偿方法和装置 |
CN109658700A (zh) * | 2019-03-05 | 2019-04-19 | 上汽大众汽车有限公司 | 交叉路口防撞预警装置及预警方法 |
CN111746559A (zh) * | 2020-07-02 | 2020-10-09 | 湖北汽车工业学院 | 一种前车换道意图预测方法及预测系统 |
CN112733270A (zh) * | 2021-01-08 | 2021-04-30 | 浙江大学 | 车辆行驶轨迹预测和轨迹偏离危险度评估的系统与方法 |
CN112810619A (zh) * | 2020-12-18 | 2021-05-18 | 深圳市布谷鸟科技有限公司 | 基于雷达的辅助驾驶系统前方目标车辆识别方法 |
WO2021217420A1 (zh) * | 2020-04-28 | 2021-11-04 | 华为技术有限公司 | 车道线跟踪方法和装置 |
CN113682313A (zh) * | 2021-08-11 | 2021-11-23 | 中汽创智科技有限公司 | 一种车道线确定方法、确定装置及存储介质 |
CN113763434A (zh) * | 2021-09-26 | 2021-12-07 | 东风汽车集团股份有限公司 | 一种基于卡尔曼滤波多运动模型切换的目标轨迹预测方法 |
CN113879295A (zh) * | 2020-07-02 | 2022-01-04 | 华为技术有限公司 | 轨迹预测方法及装置 |
CN114194219A (zh) * | 2022-01-19 | 2022-03-18 | 上海智驾汽车科技有限公司 | 一种自动驾驶车辆行驶道路模型预测方法 |
CN114228713A (zh) * | 2021-12-07 | 2022-03-25 | 江铃汽车股份有限公司 | 一种交通拥堵辅助驾驶方法、系统、存储介质及设备 |
US20220212672A1 (en) * | 2021-01-05 | 2022-07-07 | Guangzhou Automobile Group Co., Ltd. | Vehicle positioning method and apparatus, storage medium, and electronic device |
-
2022
- 2022-12-29 CN CN202211710230.8A patent/CN115782926B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150285614A1 (en) * | 2014-04-08 | 2015-10-08 | Denso Corporation | Travel path estimation apparatus and travel path estimation program |
CN107021104A (zh) * | 2017-04-21 | 2017-08-08 | 天津英创汇智汽车技术有限公司 | 一种车道识别补偿方法和装置 |
CN109658700A (zh) * | 2019-03-05 | 2019-04-19 | 上汽大众汽车有限公司 | 交叉路口防撞预警装置及预警方法 |
WO2021217420A1 (zh) * | 2020-04-28 | 2021-11-04 | 华为技术有限公司 | 车道线跟踪方法和装置 |
CN111746559A (zh) * | 2020-07-02 | 2020-10-09 | 湖北汽车工业学院 | 一种前车换道意图预测方法及预测系统 |
CN113879295A (zh) * | 2020-07-02 | 2022-01-04 | 华为技术有限公司 | 轨迹预测方法及装置 |
CN112810619A (zh) * | 2020-12-18 | 2021-05-18 | 深圳市布谷鸟科技有限公司 | 基于雷达的辅助驾驶系统前方目标车辆识别方法 |
US20220212672A1 (en) * | 2021-01-05 | 2022-07-07 | Guangzhou Automobile Group Co., Ltd. | Vehicle positioning method and apparatus, storage medium, and electronic device |
CN112733270A (zh) * | 2021-01-08 | 2021-04-30 | 浙江大学 | 车辆行驶轨迹预测和轨迹偏离危险度评估的系统与方法 |
CN113682313A (zh) * | 2021-08-11 | 2021-11-23 | 中汽创智科技有限公司 | 一种车道线确定方法、确定装置及存储介质 |
CN113763434A (zh) * | 2021-09-26 | 2021-12-07 | 东风汽车集团股份有限公司 | 一种基于卡尔曼滤波多运动模型切换的目标轨迹预测方法 |
CN114228713A (zh) * | 2021-12-07 | 2022-03-25 | 江铃汽车股份有限公司 | 一种交通拥堵辅助驾驶方法、系统、存储介质及设备 |
CN114194219A (zh) * | 2022-01-19 | 2022-03-18 | 上海智驾汽车科技有限公司 | 一种自动驾驶车辆行驶道路模型预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115782926B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107636751B (zh) | 行驶车道判别装置和行驶车道判别方法 | |
CN109426261B (zh) | 自动驾驶装置 | |
EP3319065A1 (en) | Route prediction device | |
US10579888B2 (en) | Method and system for improving object detection and object classification | |
CN110167813B (zh) | 行驶路径识别装置及行驶路径识别方法 | |
US11507107B2 (en) | Map information system | |
US11409728B2 (en) | Map information system | |
US20220176989A1 (en) | High precision position estimation method through road shape classification-based map matching and autonomous vehicle thereof | |
CN111971724B (zh) | 行动选择装置、计算机能读取的存储介质和行动选择方法 | |
US20220001858A1 (en) | Dangerous scene prediction device, dangerous scene prediction method, and dangerous scene prediction program | |
CN114194217B (zh) | 车辆自动驾驶方法、装置、电子设备以及存储介质 | |
EP3552911A2 (en) | Apparatus and method for providing safety strategy in vehicle | |
US20160137207A1 (en) | Method and Apparatus For Efficiently Providing Occupancy Information on the Surroundings of a Vehicle | |
US20200174113A1 (en) | Omnidirectional sensor fusion system and method and vehicle including the same | |
CN114312783A (zh) | 用于车辆的道路进入系统和方法及计算机可读存储介质 | |
US20210370891A1 (en) | Information processing device, non-transitory computer-readable storage medium, and information processing method | |
CN115782926B (zh) | 一种基于道路信息的车辆运动预测方法及装置 | |
US20230020415A1 (en) | Vehicle control system, vehicle integrated control device, electronic control device, network communication device, vehicle control method and computer readable medium | |
US20220003570A1 (en) | Map data output device | |
EP4056441A1 (en) | Back propagation planning for adas/ad motion planning and control | |
CN112739599B (zh) | 一种车辆变道行为识别方法及装置 | |
JP7151387B2 (ja) | 自車挙動推定装置、自車挙動推定プログラム、記憶媒体および自車挙動推定装置の制御方法 | |
CN113327456A (zh) | 一种车道结构检测方法及装置 | |
CN113534222A (zh) | 用于车辆定位的方法、用于车辆定位的设备和车辆 | |
JP2007328631A (ja) | 物体候補領域検出装置、物体候補領域検出方法、歩行者認識装置および車両制御装置 |
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 |