CN115909246A - 一种基于运动学模型的轨迹筛选处理方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明提供一种基于运动学模型的轨迹筛选处理方法、装置、电子设备及存储介质，包括：获取当前车辆在预设范围内的目标对象的行驶数据，并基于行驶数据和预测算法确定所述目标对象的多条候选预测轨迹；获取目标对象所处的场景信息和所述目标对象的类型信息，并基于场景信息和类型信息确定所述预测算法的先验评分；对每条候选预测轨迹进行评价，获取每条候选预测轨迹的轨迹评分，基于轨迹评分和先验评分确定每条候选预测轨迹的最终评分，将评分最高的一条候选预测轨迹输出作为目标对象的预测轨迹。其能够对多种预测算法输出的若干预测轨迹进行筛选和处理，输出一条目标对象的最优预测轨迹，从而提高预测轨迹的准确性。

Description

一种基于运动学模型的轨迹筛选处理方法、装置、电子设备及存储介质

技术领域

本申请涉及车辆检测技术领域，具体涉及一种基于运动学模型的轨迹筛选处理方法、装置、电子设备及存储介质。

背景技术

自动驾驶汽车是依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人主动的操作下，自动安全地操作机动车辆。在整个自动驾驶软件系统中，预测系统的重要性不言而喻，一个优秀的预测系统能够准确的反应周围目标未来的运行轨迹，并判断与自车未来行驶轨迹有何种交互，这是决定自车未来的行为模式和速度控制的重要输入。

为了进一步的提高预测结果的准确性和预测系统的全面性，在预测系统中可能存在多种预测算法，例如将规则算法和深度学习算法相结合，使其在各自擅长的预测场景或目标类型能够发挥各自算法的优势。因此预测系统会对同一目标输出多条预测轨迹，如何从众多的预测轨迹中挑选出一条最优的预测轨迹是预测系统中的一个难点。

发明内容

鉴于以上所述现有技术的缺点，本发明提供一种基于运动学模型的轨迹筛选处理方法、装置、电子设备及存储介质，其能够对多种预测算法输出的若干预测轨迹进行筛选和处理，输出一条目标对象的最优预测轨迹，从而提高预测轨迹的准确性。

本发明提供一种基于运动学模型的轨迹筛选处理方法，该方法包括：

获取当前车辆在预设范围内的目标对象的行驶数据，并基于所述行驶数据和预测算法确定所述目标对象的多条候选预测轨迹；

获取所述目标对象所处的场景信息和所述目标对象的类型信息，并基于所述场景信息和所述类型信息确定所述预测算法的先验评分；

对每条所述候选预测轨迹进行评价，获取每条所述候选预测轨迹的轨迹评分，基于所述轨迹评分和所述先验评分确定每条所述候选预测轨迹的最终评分，将评分最高的一条候选预测轨迹输出作为所述目标对象的预测轨迹。

在本发明基于运动学模型的轨迹筛选处理方法一示例中，所述预测算法有多种，基于所述目标对象的行驶数据，每种所述预测算法输出一条或多条候选预测轨迹。

在本发明基于运动学模型的轨迹筛选处理方法一示例中，在获取所述目标对象的行驶数据时，对所述目标对象赋予目标ID；

所述预测算法在输出所述目标对象的候选预测轨迹时，所述候选预测轨迹携带所述目标对象的目标ID信息；

将具有同一目标ID信息的所述候选预测轨迹进行汇总整理。

在本发明基于运动学模型的轨迹筛选处理方法一示例中，预设一预测算法的多个先验评分，以及每个所述先验评分对应的场景信息和类型信息；

将获取到的所述目标对象所处的场景信息和所述目标对象的类型信息与预设的所述场景信息和所述类型信息进行匹配，从而获得所述目标对象在当前场景下应用该预测算法的先验评分。

在本发明基于运动学模型的轨迹筛选处理方法一示例中，对每条所述候选预测轨迹进行评价包括：

预设若干评估项和轨迹评分初始值；

对每个所述评估项赋予分值；

当一条所述候选预测轨迹的一评估项超出预设的阈值时，在轨迹评分初始值中扣除该评估项的分值；

当该所述候选预测轨迹的另一评估项在预设的阈值范围内时，不在轨迹评分初始值中扣除该评估项的分值，最终得到该所述候选预测轨迹的轨迹评分。

在本发明基于运动学模型的轨迹筛选处理方法一示例中，在对每条所述候选预测轨迹进行评价时，其评估项包括：

所述候选预测轨迹的平均横向加速度与第一参考值的偏差值a；

所述候选预测轨迹的平均速度和当前所有速度非零目标的平均速度的差值与第二参考值的偏差值b；

当一条所述候选预测轨迹的所述偏差值a或所述偏差值b大于预设的偏差值时，在轨迹评分初始值中扣除该评估项的分值，从而得到该所述候选预测轨迹的轨迹评分。

在本发明基于运动学模型的轨迹筛选处理方法一示例中，所述候选预测轨迹的评分公式如下：

Score_i＝(Score_initial-Offset)*P_i

其中，Score_i为最终评分，Score_initial为轨迹评分初始值，Offset为所有需扣除的评估项的分值之和，P_i为先验评分。

本发明还提供一种基于运动学模型的轨迹筛选和后处理装置，包括：

行驶数据获取模块，用于获取当前车辆预设范围内的目标对象的行驶数据；

预测算法模块，用于基于所述行驶数据确定所述目标对象的多条候选预测轨迹；

先验评分模块，用于获取所述目标对象所处的场景信息和所述目标对象的类型信息，并基于所述场景信息和所述类型信息确定所述预测算法的先验评分；

轨迹评分模块，用于对每条所述候选预测轨迹进行评价，获取每条所述候选预测轨迹的轨迹评分；

轨迹输出模块，用于基于所述轨迹评分和所述先验评分确定每条所述候选预测轨迹的最终评分，将评分最高的一条候选预测轨迹输出作为所述目标对象的预测轨迹。

本发明还提供一种电子设备，其包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现所述基于运动学模型的轨迹筛选和后处理方法。

本发明还提供一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行所述的基于运动学模型的轨迹筛选和后处理方法。

本发明一种基于运动学模型的轨迹筛选处理方法利用多种预测算法对目标对象输出多条候选预测轨迹，通过目标对象所处的场景信息和类型信息确定预测算法的先验评分，通过平均候选预测轨迹得到轨迹评分，通过先验评分和轨迹评分得到每条候选预测轨迹的最终评分，将评分最高的一条候选预测轨迹输出作为所述目标对象的预测轨迹，从而确保输出的预测轨迹是置信度最高的，进而提高预测轨迹的准确性和可靠性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。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者来讲，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。在附图中：

图1是本发明的一示例性实施例中基于运动学模型的轨迹筛选处理方法的步骤流程图；

图2是本发明的一示例性实施例中获取目标对象的行驶数据的步骤流程图；

图3是本发明的一示例性实施例中确定预测算法的先验评分的步骤流程图；

图4是本发明的一示例性实施例中对候选预测轨迹评价的步骤流程图；

图5是本发明的一示例性实施例中基于运动学模型的轨迹筛选处理装置的示意图；

图6是用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

以下将参照附图和优选实施例来说明本发明的实施方式，本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

在下文描述中，探讨了大量细节，以提供对本发明实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的，在其他实施例中，以方框图的形式而不是以细节的形式来示出公知的结构和设备，以避免使本发明的实施例难以理解。

在对本发明实施例提供的技术方案进行介绍前，先对本发明实施例的应用场景进行示例性的介绍，当然本发明实施例提供的技术方案还可以应用于其他场景，本发明实施例对技术方案的应用场景不加以限制。具体的，本实施例的应用场景包括：在复杂的交通环境中，车辆要想快速安全的行驶，不光要规划好自身的路线，更要根据周围目标的变化，动态的规划接下来的驾驶操作，如何准确的预测周围目标的未来行驶轨迹变得尤为重要。

自动驾驶车辆需要根据周围目标的未来行驶轨迹来准确规划自身车辆接下来的动作，所以自动驾驶车辆配置了各类传感器，如视觉摄像头、毫米波雷达、激光雷达等，通过上述传感器设备，自动驾驶车辆可以不间断地、全方位地对周围目标和环境进行检测，从而获取自动驾驶车辆周围的目标和环境信息，然后输入预测算法，从而输出预测轨迹。

如图1所示，图1本发明的一示例性实施例中基于运动学模型的轨迹筛选处理方法的步骤流程图。

本发明提供一种基于运动学模型的轨迹筛选处理方法，所述方法包括如下步骤：

步骤S101，获取当前车辆在预设范围内的目标对象的行驶数据，并基于所述行驶数据和预测算法确定所述目标对象的多条候选预测轨迹。

在本发明的实施例中，所述预测算法有多种，基于所述目标对象的行驶数据，每种所述预测算法输出一条或多条候选预测轨迹。在输出候选预测轨迹后，需要对候选预测轨迹进行修正，包括：去除明显不合理的轨迹点，将偏离的轨迹点校正回来。

如图2所示，图2是本发明的一示例性实施例中获取目标对象的行驶数据的步骤流程图。

在获取当前车辆在预设范围内的目标对象的行驶数据时，需要对所述目标对象的行驶数据进行收集和整理，其步骤包括：

步骤S201，在获取所述目标对象的行驶数据时，对所述目标对象赋予目标ID。

步骤S202，所述预测算法在输出所述目标对象的候选预测轨迹时，所述候选预测轨迹携带所述目标对象的目标ID信息。

步骤S203，将具有同一目标ID信息的所述候选预测轨迹进行汇总整理。

如图1所示，步骤S102，获取所述目标对象所处的场景信息和所述目标对象的类型信息，并基于所述场景信息和所述类型信息确定所述预测算法的先验评分。

如图3所示，图3是本发明的一示例性实施例中确定预测算法的先验评分的步骤流程图。

确定预测算法的先验评分的步骤包括：

步骤S301，预设一预测算法的多个先验评分，以及每个所述先验评分对应的场景信息和类型信息。

步骤S302，将获取到的所述目标对象所处的场景信息和所述目标对象的类型信息与预设的所述场景信息和所述类型信息进行匹配，从而获得所述目标对象在当前场景下应用该预测算法的先验评分。

由于每种预测算法在不同的场景下对不同目标类型的预测能力是不同的，先验评分是一预测算法针对当前场景和确定的目标类型的预测能力的评分。所以本发明的方法中针对每一种预测算法预设了多个先验评分，以及每个所述先验评分对应的场景信息和类型信息，将车辆捕捉获取的目标对象所处的场景信息和类型信息与数据库中的场景信息和类型信息进行匹配，从而获得所述目标对象在当前场景下应用该预测算法的先验评分。

所述场景信息可以包括：高速公路、城市公路、乡村公路等，并且可以分为畅通、拥堵和一般等情况。所述类型信息可以包括：重卡、巴士、SUV、轿车等，也可以进行更加详细的分类。当然还可以包括其他场景信息和类型信息，在此不再进行详述。

如图1所示，步骤S103，对每条所述候选预测轨迹进行评价，获取每条所述候选预测轨迹的轨迹评分。

如图4所示，图4是本发明的一示例性实施例中对候选预测轨迹评价的步骤流程图。

对每条所述候选预测轨迹进行评价包括：

步骤S401，预设若干评估项和轨迹评分初始值。

步骤S402，对每个所述评估项赋予分值。

步骤S403，当一条所述候选预测轨迹的一评估项超出预设的阈值时，在轨迹评分初始值中扣除该评估项的分值。

步骤S404，当该所述候选预测轨迹的另一评估项在预设的阈值范围内时，不在轨迹评分初始值中扣除该评估项的分值。

步骤S405，最终得到该所述候选预测轨迹的轨迹评分。

在本发明的一实施例中，预设了2个评估项，对每个评估项赋予了10分的分值，将轨迹评分初始值设为100分，当一条所述候选预测轨迹的一评估项超出预设的阈值时，在轨迹评分初始值100分中扣除该评估项的10分分值，当该所述候选预测轨迹的另一评估项在预设的阈值范围内时，不在轨迹评分初始值中扣除该评估项的分值。即该所述候选轨迹的轨迹评分为90分。

在本发明的另一实施例中，所述评估项包括：

1、所述候选预测轨迹的平均横向加速度与第一参考值的偏差值a。

2、所述候选预测轨迹的平均速度和当前所有速度非零目标的平均速度的差值与第二参考值的偏差值b。

在计算目标对象的一条候选预测轨迹的平均横向加速度时，需要将坐标系转换到目标对象的坐标系下，每三个相邻的轨迹点能够计算出单位时间内的横向加速度值，对计算出的N-2个横向加速度值取平均值得到整条轨迹的平均横向加速度。例如将预设的偏差值设置为小于或等于0.05m/s²，当所述偏差值a为小于或等于0.05m/s²时，不在轨迹评分初始值中扣除该评估项的分值，当所述偏差值a大于0.05m/s²时，在轨迹评分初始值中扣除该评估项的分值。

要计算当前场景内所有速度非零的目标的平均速度，需要遍历传感器融合后输出的目标列表，筛选去掉速度为零的目标，但考虑到在运动场景下传感器的性能不够稳定，实际判断时把目标和速度小于0.5m/s的目标都当作静止来处理，这一阈值同样也能筛选掉一些刚起步速度较小的目标。

以上两个评估项，结合了预测轨迹自身的物理信息，以及场景内目标的信息，能够在一定程度上的评测一条轨迹的综合表现。还可以加入一些环境信息的评估项，例如轨迹的平均曲率和当前场景曲率的比较。

如图1所示，步骤104，基于所述轨迹评分和所述先验评分确定每条所述候选预测轨迹的最终评分。

在本发明的一实施例中，所述候选预测轨迹的评分公式如下：

Score_i＝(Score_initial-Offset)*P_i

其中，Score_i为最终评分，Score_initial为轨迹评分初始值，Offset为所有需扣除的评估项的分值之和，P_i为先验评分。

通过上述公式即可计算得到一条候选预测轨迹的最终评分。

步骤105，将评分最高的一条候选预测轨迹输出作为所述目标对象的预测轨迹。

在本发明一实施例中，在计算得到一个目标对象的所有轨迹得分后，将所有轨迹的得分由高到低进行排序，并将评分最高的一条候选预测轨迹输出作为该目标对象的预测轨迹。

如图5所示，图5是本发明的一示例性实施例中基于运动学模型的轨迹筛选处理装置的示意图。

本发明的实施例还提供一种基于运动学模型的轨迹筛选处理装置，包括：形式数据获取模块510、预测算法模块520、先验评分模块530、轨迹评分模块540和轨迹输出模块550。

所述行驶数据获取模块510用于获取当前车辆预设范围内的目标对象的行驶数据。所述行驶数据获取模块与所以自动驾驶车辆配置的各类传感器连通，通过视觉摄像头、毫米波雷达、激光雷达等传感器设备，获取自动驾驶车辆周围的目标对象的行驶数据。在获取目标对象的行驶数据时，所述行驶数据获取模块510会对目标对象赋予目标ID。

所述预测算法模块520用于基于所述行驶数据确定所述目标对象的多条候选预测轨迹。所述预测算法模块520可以包括多种预测算法或包括多种预测算法的模块。所述预测算法模块520在输出所述目标对象的候选预测轨迹时，所述候选预测轨迹携带所述目标对象的目标ID信息。

所述先验评分模块530用于获取所述目标对象所处的场景信息和所述目标对象的类型信息，并基于所述场景信息和所述类型信息确定所述预测算法的先验评分。在所述先验评分模块530内预设每一种预测算法的多个先验评分，以及每个所述先验评分对应的场景信息和类型信息，将获取到的所述目标对象所处的场景信息和所述目标对象的类型信息与预设的所述场景信息和所述类型信息进行匹配，从而获得所述目标对象在当前场景下应用该预测算法的先验评分。

所述轨迹评分模块540用于对每条所述候选预测轨迹进行评价，获取每条所述候选预测轨迹的轨迹评分。所述轨迹输出模块550用于基于所述轨迹评分和所述先验评分确定每条所述候选预测轨迹的最终评分，将评分最高的一条候选预测轨迹输出作为所述目标对象的预测轨迹。

本发明的实施例还提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现上述各个实施例中提供的基于车载智能硬件的场景及设备联动的控制方法。

图6示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。需要说明的是，图6示出的电子设备的计算机系统600仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(Central Processing Unit，CPU)601，其可以根据存储在只读存储器(Read-Only Memory，ROM)602中的程序或者从储存部分608加载到随机访问存储器(Random Access Memory，RAM)603中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 603中，还存储有系统操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(Input/Output，I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分607；包括硬盘等的储存部分608；以及包括诸如LAN(Local Area Network，局域网)卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入储存部分608。

特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的系统中限定的各种功能。

需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

本发明一种基于运动学模型的轨迹筛选处理方法利用多种预测算法对目标对象输出多条候选预测轨迹，通过目标对象所处的场景信息和类型信息确定预测算法的先验评分，通过平均候选预测轨迹得到轨迹评分，通过先验评分和轨迹评分得到每条候选预测轨迹的最终评分，将评分最高的一条候选预测轨迹输出作为所述目标对象的预测轨迹，从而确保输出的预测轨迹是置信度最高的，进而提高预测轨迹的准确性和可靠性。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

上述实施例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种基于运动学模型的轨迹筛选处理方法，其特征在于，包括：

获取当前车辆在预设范围内的目标对象的行驶数据，并基于所述行驶数据和预测算法确定所述目标对象的多条候选预测轨迹；

获取所述目标对象所处的场景信息和所述目标对象的类型信息，并基于所述场景信息和所述类型信息确定所述预测算法的先验评分；

对每条所述候选预测轨迹进行评价，获取每条所述候选预测轨迹的轨迹评分，基于所述轨迹评分和所述先验评分确定每条所述候选预测轨迹的最终评分，将评分最高的一条候选预测轨迹输出作为所述目标对象的预测轨迹。

2.如权利要求1所述基于运动学模型的轨迹筛选处理方法，其特征在于，所述预测算法有多种，基于所述目标对象的行驶数据，每种所述预测算法输出一条或多条候选预测轨迹。

3.如权利要求1所述基于运动学模型的轨迹筛选处理方法，其特征在于，在获取所述目标对象的行驶数据时，对所述目标对象赋予目标ID；

所述预测算法在输出所述目标对象的候选预测轨迹时，所述候选预测轨迹携带所述目标对象的目标ID信息；

将具有同一目标ID信息的所述候选预测轨迹进行汇总整理。

4.如权利要求1所述基于运动学模型的轨迹筛选处理方法，其特征在于，预设一预测算法的多个先验评分，以及每个所述先验评分对应的场景信息和类型信息；

将获取到的所述目标对象所处的场景信息和所述目标对象的类型信息与预设的所述场景信息和所述类型信息进行匹配，从而获得所述目标对象在当前场景下应用该预测算法的先验评分。

5.如权利要求1所述基于运动学模型的轨迹筛选处理方法，其特征在于，对每条所述候选预测轨迹进行评价包括：

预设若干评估项和轨迹评分初始值；

对每个所述评估项赋予分值；

当一条所述候选预测轨迹的一评估项超出预设的阈值时，在轨迹评分初始值中扣除该评估项的分值；

当该所述候选预测轨迹的另一评估项在预设的阈值范围内时，不在轨迹评分初始值中扣除该评估项的分值，最终得到该所述候选预测轨迹的轨迹评分。

6.如权利要求5所述基于运动学模型的轨迹筛选和后处理方法，其特征在于，在对每条所述候选预测轨迹进行评价时，其评估项包括：

所述候选预测轨迹的平均横向加速度与第一参考值的偏差值a；

所述候选预测轨迹的平均速度和当前所有速度非零目标的平均速度的差值与第二参考值的偏差值b；

当一条所述候选预测轨迹的所述偏差值a或所述偏差值b大于预设的偏差值时，在轨迹评分初始值中扣除该评估项的分值，从而得到该所述候选预测轨迹的轨迹评分。

7.如权利要求5所述基于运动学模型的轨迹筛选和后处理方法，其特征在于，所述候选预测轨迹的评分公式如下：

Score_i＝(Score_initial-Offset)*P_i

其中，Score_i为最终评分，Score_initial为轨迹评分初始值，Offset为所有需扣除的评估项的分值之和，P_i为先验评分。

8.一种基于运动学模型的轨迹筛选和后处理装置，其特征在于，包括：

行驶数据获取模块，用于获取当前车辆预设范围内的目标对象的行驶数据；

预测算法模块，用于基于所述行驶数据确定所述目标对象的多条候选预测轨迹；

先验评分模块，用于获取所述目标对象所处的场景信息和所述目标对象的类型信息，并基于所述场景信息和所述类型信息确定所述预测算法的先验评分；

轨迹评分模块，用于对每条所述候选预测轨迹进行评价，获取每条所述候选预测轨迹的轨迹评分；

轨迹输出模块，用于基于所述轨迹评分和所述先验评分确定每条所述候选预测轨迹的最终评分，将评分最高的一条候选预测轨迹输出作为所述目标对象的预测轨迹。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如权利要求1至7中任一项所述的基于运动学模型的轨迹筛选和后处理方法。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行权利要求1至7中任一项所述的基于运动学模型的轨迹筛选和后处理方法。

Images