CN115837920A - 轨迹预测方法、装置、车辆、电子设备及存储介质 - Google Patents
轨迹预测方法、装置、车辆、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115837920A CN115837920A CN202211725490.2A CN202211725490A CN115837920A CN 115837920 A CN115837920 A CN 115837920A CN 202211725490 A CN202211725490 A CN 202211725490A CN 115837920 A CN115837920 A CN 115837920A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- track
- driving
- running
- data
- 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
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种轨迹预测方法、装置、车辆、电子设备及存储介质,方法包括:能够获取第二车辆的第一行驶数据,所述第二车辆为在所述第一车辆预设范围内行驶的任一车辆基于所述第一行驶数据,预测所述第二车辆在预设时间段内的行驶轨迹,得到第一行驶轨迹;根据所述第一行驶轨迹控制所述第一车辆行驶状态。这样,在第一车辆行驶过程中,可以通过预测预设范围内第二车辆的行驶轨迹,来控制第一车辆的行驶状态,由此,可以提高第一车辆的行车安全。
Description
技术领域
本申请属于车辆技术领域,尤其涉及一种轨迹预测方法、装置、车辆、电子设备及存储介质。
背景技术
随着车辆智能化的不断发展,自动驾驶或无人驾驶是现有汽车技术和高级驾驶辅助系统的未来发展趋势。目前,无人驾驶汽车的一大应用场景是混合交通流道路,即无人驾驶汽车和驾驶人驾驶汽车并存的道路上。在该场景中,无人驾驶汽车会受到来自驾驶人驾驶汽车的影响。
因此,为了保证用户安全,无人驾驶汽车需要获取环境车辆的轨迹,基于这个轨迹对无人驾驶汽车进行控制,从而保证无人驾驶汽车能够安全高效的抵达目的地。
发明内容
本申请实施例提供一种轨迹预测方法、装置、车辆、电子设备及存储介质,以提高车辆行车的安全性。
第一方面,本申请实施例提供一种轨迹预测方法,应用于第一车辆,方法包括:
获取第二车辆的第一行驶数据,所述第二车辆为在所述第一车辆预设范围内行驶的任一车辆,所述第一行驶数据为所述第二车辆的历史行驶数据;
基于所述第一行驶数据,预测所述第二车辆在预设时间段内的行驶轨迹,得到第一行驶轨迹;
根据所述第一行驶轨迹控制所述第一车辆行驶状态。
在一些实施例中,所述基于所述第一行驶数据,预测所述第二车辆在预设时间段内的行驶轨迹,得到第一行驶轨迹,包括:
基于所述第一行驶数据,预测所述第二车辆在预设时间段内的行驶轨迹,得到N个第二行驶轨迹;
根据预设约束条件确定各所述第二行驶轨迹的代价值,得到N个代价值;
将所述N个代价值中最小代价值对应的第二行驶轨迹,确定为所述第一行驶轨迹。
在一些实施例中,所述预设约束条件包括加加速度约束条件、完成切入轨迹时间约束条件以及终点横向距离偏差约束条件,所述根据预设约束条件确定各所述第二行驶轨迹的代价值,包括:
根据所述加加速度约束条件、完成切入轨迹时间约束条件以及终点横向距离偏差约束条件,得到代价函数;
根据所述代价函数,确定各所述第二行驶轨迹的代价值。
在一些实施例中,所述基于所述第一行驶数据,预测所述第二车辆在预设时间段内的行驶轨迹,得到N个第二行驶轨迹,包括:
将所述第一行驶数据输入预先训练的车辆轨迹预测模型,得到N个第二行驶轨迹。
在一些实施例中,所述将所述N个代价值中最小代价值对应的第二行驶轨迹,确定为所述第一行驶轨迹之前,还包括:
对所述最小代价值对应的第二行驶轨迹,进行横纵向加速度最大值校验、横纵向速度最大值校验、轨迹曲率最大值校验以及碰撞校验,得到校验结果;
所述将所述N个代价值中最小代价值对应的第二行驶轨迹,确定为所述第一行驶轨迹,包括:
在所述校验结果指示所述最小代价值对应的第二行驶轨迹,满足校验条件的情况下,将所述最小代价值对应的第二行驶轨迹确定为所述第一行驶轨迹。
在一些实施例中,根据所述第一行驶轨迹控制所述第一车辆行驶状态,包括:
根据所述第一车辆行驶数据,预测所述第一车辆在预设时间段内的第三行驶轨迹;
在所述第一行驶轨迹与所述第三行驶轨迹,判断所述第一车辆与所述第二车辆是否存在碰撞风险;
在确定所述第一车辆与所述第二车辆存在碰撞风险的情况下,对所述第一车辆采取制动措施。
第二方面,本申请实施例提供了一种轨迹预测装置,应用于第一车辆,所述装置包括:
获取模块,用于获取第二车辆的第一行驶数据,所述第二车辆为在所述第一车辆预设范围内行驶的任一车辆,所述第一行驶数据为所述第二车辆的历史行驶数据;
预测模块,用于基于所述第一行驶数据,预测所述第二车辆在预设时间段内的行驶轨迹,得到第一行驶轨迹;
控制模块,用于根据所述第一行驶轨迹控制所述第一车辆行驶状态。
第三方面,本申请实施例提供了一种车辆,车辆包括车端,其中车端用于实现如第一方面的方法。
第四方面,本申请实施例提供了一种电子设备,设备包括:
处理器以及存储有程序或指令的存储器;
所述处理器执行所述程序或指令时实现上述的方法。
第五方面,本申请实施例提供了一种机器可读存储介质,所述机器可读存储介质上存储有程序或指令,所述程序或指令被处理器执行时实现上述的方法。
第六方面,本申请实施例提供了一种计算机程序产品,所述计算机程序产品中的指令由电子设备的处理器执行时,使得所述电子设备执行上述方法。
本申请实施例的轨迹预测方法、装置、车辆、电子设备及可读存储介质,能够获取第二车辆的第一行驶数据,所述第二车辆为在所述第一车辆预设范围内行驶的任一车辆基于所述第一行驶数据,预测所述第二车辆在预设时间段内的行驶轨迹,得到第一行驶轨迹;根据所述第一行驶轨迹控制所述第一车辆行驶状态。这样,在第一车辆行驶过程中,可以通过预测预设范围内第二车辆的行驶轨迹,来控制第一车辆的行驶状态,由此,可以提高第一车辆的行车安全。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单的介绍,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是本申请一个实施例提供的轨迹预测方法的流程示意图;
图2是本申请另一个实施例提供的轨迹预测装置的结构示意图;
图3是本申请又一个实施例提供的电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是,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……”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。
环境目标车辆轨迹预测是自动驾驶车辆重要技术组成部分,对于规划模块至关重要,是自动驾驶车辆能否规划出安全的轨迹的直接影响因素。因为环境目标车辆行为的不确定性,对于旁车道车辆是否切入自车轨迹的判断条件放宽容易造成自车的误刹车,判断条件过于严苛则容易造成追尾或急刹车。
为了解决现有技术问题,本申请实施例提供了一种轨迹预测方法、轨迹预测装置、车辆、电子设备及可读存储介质。下面首先对本申请实施例所提供的轨迹预测方法进行介绍。
图1示出了本申请一个实施例提供的轨迹预测方法的流程示意图。如图1所示,轨迹预测方法,应用于第一车辆,可以包括如下步骤101至步骤103:
步骤101,获取第二车辆的第一行驶数据。
在步骤101中,第一车辆可以为任一行驶的车辆,第二车辆为在第一车辆预设范围内行驶的任一车辆,第一行驶数据为第二车辆的历史行驶数据。第一车辆和第二车辆可以为无人驾驶汽车,也可以为驾驶员驾驶汽车,可以为新能源汽车,也可以为燃油汽车。其中,新能源汽车可以为纯电动汽车或者混动动力汽车。在本发明实施例中,对车辆不作具体限定。第一车辆预设范围内是指该车辆为中心,预设半径范围内组成的区域。预设半径可以根据需要进行设置并更改,在本公开实施例中,对预设半径不作具体限定。并且,预设半径可以根据基于不同的道路属性进行设置;例如,高速公路对应的预设半径可以为100米或者200米;普通道路对应的预设半径可以为2米或者3米等。
获取第一车辆的第一行驶数据,可以是通过第一车辆上的传感设备检测获得第二车辆的行驶数据,例如第一车辆可以通过雷达检测到在预设范围内行驶的第二车辆的行驶数据,也可以是通过车联网获取第二车辆检测到的自车的行驶数据,即第二车辆将自车的行驶数据发送至车联网,第一车辆从车联网获取第二车辆的第一行驶数据。可选地,还可以通过路侧单元获取第二车辆的行驶数据,这里,路侧单元可以是道路设施,包括:路侧摄像头、雷达等,例如该雷达可以是毫米波雷达,该道路设施设置于交通网络中的道路上,或者设置在道路的边缘,本申请实施例中不限定道路上设置的道路设施的个数以及分布密度,该道路设施具有道路监控功能,例如道路设施对道路上的第二车辆的行驶数据。
步骤102,基于第一行驶数据,预测第二车辆在预设时间段内的行驶轨迹,得到第一行驶轨迹。
在步骤102中,可以通过第一行驶数据即第二车辆的行驶数据来预测第二车辆在预设时间段内的第一行车轨迹。
这里第一行车轨迹可以是第二车辆在未来预设时间段内的行车轨迹即预设时间段内的连续的轨迹点集。例如:定义目标i在时间t时刻的状态为t1到tn的行驶轨迹定义为/>在每个时间帧根据第二车辆的历史轨迹对其未来轨迹进行预测。
在一些实施例中,上述步骤102,可以包括如下步骤:
基于第一行驶数据,预测第二车辆在预设时间段内的行驶轨迹,得到N个第二行驶轨迹,N为大于1的整数;
根据预设约束条件确定各第二行驶轨迹的代价值,得到N个代价值;
将N个代价值中最小代价值对应的第二行驶轨迹,确定为第一行驶轨迹。
具体地,首先通过对第二车辆的行车轨迹进行预测,得到N个第一行车轨迹,然后从N个行车轨迹中确定代价值最小的行车轨迹为第二车辆的预测轨迹(即第一行车轨迹)。代价值,即第二车辆选择该行车轨迹要付出的代价,通过代价值可以确定得到的N个行车轨迹的概率,由此可以选出概率最大的行车轨迹作为第二车辆的行车轨迹。
在考虑到第二车辆的驾驶员的驾驶习惯、驾乘人员的乘坐舒适度以及第二车辆的车辆性能等情况,需要排除一些比较极端的行车轨迹,因此需要在预测第二车辆的行车轨迹时,需要添加约束条件。在一些实施例中,上述预设约束条件包括加加速度约束条件、完成切入轨迹时间约束条件以及终点横向距离偏差约束条件,根据预设约束条件确定各第二行驶轨迹的代价值,包括:
根据加加速度约束条件、完成切入轨迹时间约束条件以及终点横向距离偏差约束条件,得到代价函数;
根据代价函数,确定各第二行驶轨迹的代价值。
其中,加加速度约束条件,即在车辆行车轨迹中,比较小概率会出现加加速度突然增大的情况,因此可以根据加加速度的舒适度阈值来确定加加速度的约束条件,如单位时间内加加速度小于a。完成切入轨迹时间约束条件,若第二车辆的行车轨迹为从原本车道切换至第一车辆所在车道,则切换车道时,完成切换的时间需满足一定阈值,时间小于阈值则不符合正常驾驶习惯且舒适度低,因此需要排除。终点横向距离偏差约束条件,可以根据对车辆的历史数据分析,确定行车轨迹的起点与终点之间的横向距离的约束条件。
在一些实施例中,行驶轨迹的代价值可以通过如下公式(1)计算得到:
C=kj*J+kt*T+kd*D (1)
其中,C为行驶轨迹的代价值,J为加加速度约束,kj为J对应权重;T为完成切入轨迹时间约束,kt为T对应权重;D为终点横向距离偏差约束,kd为D对应权重。
在一些实施例中,可以通过深度学习方法根据车辆的历史行车轨迹生成预测轨迹,因此上述步骤102可以包括如下步骤:
将第一行驶数据输入预先训练的车辆轨迹预测模型,得到N个第二行驶轨迹。
这里车辆轨迹预测模型可以通过以下方法训练得到:
获取多个车辆的历史行车轨迹信息,行车轨迹信息可以包括车辆在各时间帧的行驶速度、加速度、行驶方向以及位置信息等。
根据多个车辆的历史行车轨迹信息对初始轨迹预测模型进行训练,得到车辆轨迹预测模型。
初始训练模型可以为任一训练行车轨迹的训练模型,例如隐马尔可夫模型。
在本实施例中,可以通过深度学习方法来预测第二车辆的行车轨迹,使行车轨迹的预测更加快速便捷。
在一些实施例中,上述将N个代价值中最小代价值对应的第二行驶轨迹,确定为第一行驶轨迹之前,还可以包括:
对最小代价值对应的第二行驶轨迹,进行横纵向加速度最大值校验、横纵向速度最大值校验、轨迹曲率最大值校验以及碰撞校验,得到校验结果;
则上述将N个代价值中最小代价值对应的第二行驶轨迹,确定为第一行驶轨迹,可以包括:
在校验结果指示最小代价值对应的第二行驶轨迹,满足校验条件的情况下,将最小代价值对应的第二行驶轨迹确定为第一行驶轨迹。
其中,横纵向加速度、速度、轨迹曲率最大值校验,是为了将超过车辆性能的轨迹进行排除。碰撞校验,可以通过判断第二行车轨迹是否存在于其他车辆碰撞的风险,若在该轨迹中,存在障碍物或其他车辆阻挡,则需要将该行车轨迹排除。
具体地,在得到代价值最小的第二行车轨迹之后,还需要对该第二行车轨迹进行校验,确定该行车轨迹是否符合实际的行车情况。
在一些实施例中,若最小代价值对应的第二行驶轨迹不满足校验条件,则将该行车轨迹排除,选择第二小代价值对应的第二行驶轨迹。若连续两条或以上的行车轨迹都不满足,则显示提示信息进行报错处理。
在步骤103中,根据第一行驶轨迹控制第一车辆行驶状态。
在一些实施例中,上述步骤103可以包括如下步骤:
根据第一车辆行驶数据,预测第一车辆在预设时间段内的第三行驶轨迹;
在第一行驶轨迹与第三行驶轨迹,判断第一车辆与第二车辆是否存在碰撞风险;
在确定第一车辆与第二车辆存在碰撞风险的情况下,对第一车辆采取制动措施。
具体地,可以通过将第一车龄的行车轨迹与第二车辆的行车轨迹进行比较,来确定第一车辆与第二车辆之间是否存在碰撞风险,若存在碰撞风险则可以对第一车辆及时采取制动措施,确保行车安全。
本申请实施例的轨迹预测方法,能够获取第二车辆的第一行驶数据,所述第二车辆为在所述第一车辆预设范围内行驶的任一车辆基于所述第一行驶数据,预测所述第二车辆在预设时间段内的行驶轨迹,得到第一行驶轨迹;根据所述第一行驶轨迹控制所述第一车辆行驶状态。这样,在第一车辆行驶过程中,可以通过预测预设范围内第二车辆的行驶轨迹,来控制第一车辆的行驶状态,由此,可以提高第一车辆的行车安全。
基于上述实施例提供的轨迹预测方法,本申请还提供了一种车端的实施例。
图2示出了本申请另一个实施例提供的轨迹预测装置的结构示意图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图2,轨迹预测装置200包括:
获取模块201,用于获取第二车辆的第一行驶数据,第二车辆为在第一车辆预设范围内行驶的任一车辆,第一行驶数据为第二车辆的历史行驶数据;
预测模块202,用于基于第一行驶数据,预测第二车辆在预设时间段内的行驶轨迹,得到第一行驶轨迹;
控制模块203,用于根据第一行驶轨迹控制第一车辆行驶状态。
在一些实施例中,预测模块202还可以用于:
将第二密钥和车端的第一当前时刻信息进行哈希运算,生成第三密钥;
根据第三密钥和第一密钥,合成验证密钥;
将验证密钥和第一当前时刻信息进行哈希运算,生成实时密钥。
在一些实施例中,预测模块202还可以用于:
基于第一行驶数据,预测第二车辆在预设时间段内的行驶轨迹,得到N个第二行驶轨迹;
根据预设约束条件确定各第二行驶轨迹的代价值,得到N个代价值;
将N个代价值中最小代价值对应的第二行驶轨迹,确定为第一行驶轨迹。
在一些实施例中,预设约束条件包括加加速度约束条件、完成切入轨迹时间约束条件以及终点横向距离偏差约束条件,预测模块202还可以用于:根据加加速度约束条件、完成切入轨迹时间约束条件以及终点横向距离偏差约束条件,得到代价函数;
根据代价函数,确定各第二行驶轨迹的代价值。
在一些实施例中,预测模块202还可以用于:
将第一行驶数据输入预先训练的车辆轨迹预测模型,得到N个第二行驶轨迹。
在一些实施例中,预测模块202还可以用于:
对最小代价值对应的第二行驶轨迹,进行横纵向加速度最大值校验、横纵向速度最大值校验、轨迹曲率最大值校验以及碰撞校验,得到校验结果;
在校验结果指示最小代价值对应的第二行驶轨迹,满足校验条件的情况下,将最小代价值对应的第二行驶轨迹确定为第一行驶轨迹。
在一些实施例中,生成模块302还可以用于:
根据第一密钥、第二密钥、车端的第一当前时刻信息和误差时间信息,生成实时密钥。
在一些实施例中,控制模块203,还可以用于:根据第一车辆行驶数据,预测第一车辆在预设时间段内的第三行驶轨迹;
在第一行驶轨迹与第三行驶轨迹,判断第一车辆与第二车辆是否存在碰撞风险;
在确定第一车辆与第二车辆存在碰撞风险的情况下,对第一车辆采取制动措施。
本申请实施例的轨迹预测装置,能够获取第二车辆的第一行驶数据,所述第二车辆为在所述第一车辆预设范围内行驶的任一车辆基于所述第一行驶数据,预测所述第二车辆在预设时间段内的行驶轨迹,得到第一行驶轨迹;根据所述第一行驶轨迹控制所述第一车辆行驶状态。这样,在第一车辆行驶过程中,可以通过预测预设范围内第二车辆的行驶轨迹,来控制第一车辆的行驶状态,由此,可以提高第一车辆的行车安全。
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,与本申请方法实施例基于同一构思,是与上述轨迹预测方法对应的装置,上述方法实施例中所有实现方式均适用于该装置的实施例中,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。
图3示出了本申请又一个实施例提供的电子设备的硬件结构示意图。
设备可以包括处理器301以及存储有程序或指令的存储器302。
处理器301执行程序时实现上述任意各个方法实施例中的步骤。
示例性的,程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器302中,并由处理器301执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列程序指令段,该指令段用于描述程序在设备中的执行过程。
具体地,上述处理器301可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器302可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器302可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器302可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器302可在综合网关容灾设备的内部或外部。在特定实施例中,存储器302是非易失性固态存储器。
存储器可包括只读存储器(ROM),随机存取存储器(RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)机器可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可操作来执行参考根据本公开的一方面的方法所描述的操作。
处理器301通过读取并执行存储器302中存储的程序或指令,以实现上述实施例中的任意一种方法。
在一个示例中,电子设备还可包括通信接口303和总线304。其中,处理器301、存储器302、通信接口303通过总线304连接并完成相互间的通信。
通信接口303,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线304包括硬件、软件或两者,将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线304可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
另外,结合上述实施例中的方法,本申请实施例可提供一种机器可读存储介质来实现。该机器可读存储介质上存储有程序或指令;该程序或指令被处理器执行时实现上述实施例中的任意一种方法。该机器可读存储介质可以被如计算机等机器读取。
本申请实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现上述方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
本申请实施例提供一种计算机程序产品,该程序产品被存储在机器可读存储介质中,该程序产品被至少一个处理器执行以实现如上述方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能模块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网格被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序或指令实现。这些程序或指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本申请的具体实施方式,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,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种轨迹预测方法,其特征在于,应用于第一车辆,所述方法包括:
获取第二车辆的第一行驶数据,所述第二车辆为在所述第一车辆预设范围内行驶的任一车辆,所述第一行驶数据为所述第二车辆的历史行驶数据;
基于所述第一行驶数据,预测所述第二车辆在预设时间段内的行驶轨迹,得到第一行驶轨迹;
根据所述第一行驶轨迹控制所述第一车辆行驶状态。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一行驶数据,预测所述第二车辆在预设时间段内的行驶轨迹,得到第一行驶轨迹,包括:
基于所述第一行驶数据,预测所述第二车辆在预设时间段内的行驶轨迹,得到N个第二行驶轨迹,N为大于1的整数;
根据预设约束条件确定各所述第二行驶轨迹的代价值,得到N个代价值;
将所述N个代价值中最小代价值对应的第二行驶轨迹,确定为所述第一行驶轨迹。
3.根据权利要求2所述的方法,其特征在于,所述预设约束条件包括加加速度约束条件、完成切入轨迹时间约束条件以及终点横向距离偏差约束条件,所述根据预设约束条件确定各所述第二行驶轨迹的代价值,包括:
根据所述加加速度约束条件、完成切入轨迹时间约束条件以及终点横向距离偏差约束条件,得到代价函数;
根据所述代价函数,确定各所述第二行驶轨迹的代价值。
4.根据权利要求2所述的方法,其特征在于,所述基于所述第一行驶数据,预测所述第二车辆在预设时间段内的行驶轨迹,得到N个第二行驶轨迹,包括:
将所述第一行驶数据输入预先训练的车辆轨迹预测模型,得到N个第二行驶轨迹。
5.根据权利要求2所述的方法,其特征在于,所述将所述N个代价值中最小代价值对应的第二行驶轨迹,确定为所述第一行驶轨迹之前,还包括:
对所述最小代价值对应的第二行驶轨迹,进行横纵向加速度最大值校验、横纵向速度最大值校验、轨迹曲率最大值校验以及碰撞校验,得到校验结果;
所述将所述N个代价值中最小代价值对应的第二行驶轨迹,确定为所述第一行驶轨迹,包括:
在所述校验结果指示所述最小代价值对应的第二行驶轨迹,满足校验条件的情况下,将所述最小代价值对应的第二行驶轨迹确定为所述第一行驶轨迹。
6.根据权利要求1所述的方法,其特征在于,根据所述第一行驶轨迹控制所述第一车辆行驶状态,包括:
根据所述第一车辆行驶数据,预测所述第一车辆在预设时间段内的第三行驶轨迹;
在所述第一行驶轨迹与所述第三行驶轨迹,判断所述第一车辆与所述第二车辆是否存在碰撞风险;
在确定所述第一车辆与所述第二车辆存在碰撞风险的情况下,对所述第一车辆采取制动措施。
7.一种轨迹预测装置,其特征在于,应用于第一车辆,所述装置包括:
获取模块,用于获取第二车辆的第一行驶数据,所述第二车辆为在所述第一车辆预设范围内行驶的任一车辆,所述第一行驶数据为所述第二车辆的历史行驶数据;
预测模块,用于基于所述第一行驶数据,预测所述第二车辆在预设时间段内的行驶轨迹,得到第一行驶轨迹;
控制模块,用于根据所述第一行驶轨迹控制所述第一车辆行驶状态。
8.一种车辆,其特征在于,所述车辆包括:轨迹预测装置,所述轨迹预测装置用于实现如权利要求1-6任意一项所述的方法。
9.一种电子设备,其特征在于,所述设备包括:处理器以及存储有程序或指令的存储器;
所述处理器执行所述程序或指令时实现如权利要求1-6任意一项所述的方法。
10.一种机器可读存储介质,其特征在于,所述机器可读存储介质上存储有程序或指令,所述程序或指令被处理器执行时实现如权利要求1-6任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211725490.2A CN115837920A (zh) | 2022-12-30 | 2022-12-30 | 轨迹预测方法、装置、车辆、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211725490.2A CN115837920A (zh) | 2022-12-30 | 2022-12-30 | 轨迹预测方法、装置、车辆、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115837920A true CN115837920A (zh) | 2023-03-24 |
Family
ID=85577677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211725490.2A Pending CN115837920A (zh) | 2022-12-30 | 2022-12-30 | 轨迹预测方法、装置、车辆、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115837920A (zh) |
-
2022
- 2022-12-30 CN CN202211725490.2A patent/CN115837920A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108022450B (zh) | 一种基于蜂窝网络的辅助驾驶方法及交通控制单元 | |
Åsljung et al. | Using extreme value theory for vehicle level safety validation and implications for autonomous vehicles | |
CN103038117B (zh) | 堵车预测方法 | |
JP4416020B2 (ja) | 走行計画生成装置 | |
CN113753077A (zh) | 预测障碍物的运动轨迹的方法、装置及自动驾驶车辆 | |
CN109739230B (zh) | 驾驶轨迹生成方法、装置及存储介质 | |
US10726727B2 (en) | In-vehicle device, information processing system, and information processing method | |
JP2015082324A (ja) | 予測的運転者支援システムのための複合信頼度推定 | |
US10755565B2 (en) | Prioritized vehicle messaging | |
CN109910880B (zh) | 车辆行为规划的方法、装置、存储介质和终端设备 | |
EP4043309A1 (en) | Vehicle control method, device, controller and intelligent vehicle | |
CN116390879A (zh) | 用于避免即将发生的碰撞的系统和方法 | |
CN109815555A (zh) | 自动驾驶车辆的环境建模能力评估方法及系统 | |
CN109887321B (zh) | 无人车变道安全判别方法、装置及存储介质 | |
CN111739291B (zh) | 道路路况计算中的干扰识别方法及装置 | |
CN112396183A (zh) | 自动驾驶决策的方法、装置、设备及计算机存储介质 | |
CN105946578A (zh) | 油门踏板控制方法、装置及车辆 | |
CN115465273B (zh) | 跟车状态调整方法、装置、设备及计算机存储介质 | |
CN115837920A (zh) | 轨迹预测方法、装置、车辆、电子设备及存储介质 | |
CN116558469A (zh) | 距离误差评价方法、装置、电子设备及存储介质 | |
CN115556749A (zh) | 调整跟车状态的预测时间确定方法、装置及设备 | |
CN115597619A (zh) | 车辆的路径规划方法、装置、电子设备及自动驾驶车辆 | |
Yeo | Autonomous Driving Technology through Image Classfication and Object Recognition Based on CNN | |
CN111524389A (zh) | 车辆驾驶方法和装置 | |
JP2021036365A (ja) | 車両案内システム |
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 |