CN116182876A - 一种车辆航迹预测方法、装置、设备及存储介质 - Google Patents

一种车辆航迹预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116182876A
CN116182876A CN202111406716.8A CN202111406716A CN116182876A CN 116182876 A CN116182876 A CN 116182876A CN 202111406716 A CN202111406716 A CN 202111406716A CN 116182876 A CN116182876 A CN 116182876A
Authority
CN
China
Prior art keywords
vehicle
motion state
data
vector
spatial
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
Application number
CN202111406716.8A
Other languages
English (en)
Inventor
祝勇
方绍伟
蒙越
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Rockwell Technology Co Ltd
Original Assignee
Beijing Rockwell Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Rockwell Technology Co Ltd filed Critical Beijing Rockwell Technology Co Ltd
Priority to CN202111406716.8A priority Critical patent/CN116182876A/zh
Publication of CN116182876A publication Critical patent/CN116182876A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Automation & Control Theory (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请实施例提供一种车辆航迹预测方法、装置、设备及存储介质。电子设备可在车辆的定位系统异常时，将实时获取的多种传感器的数据输入到空间车辆运动状态模型，以预测车辆相对于初始计算时刻的空间位置和空间运动状态；根据空间位置向量以及空间运动状态向量，采用航迹预测模型，预测车辆的航迹。通过这种实施方式，在定位系统处于异常状态时仍可较为准确地预测车辆的航迹，提高了航迹预测的准确率和普适性。

Description

一种车辆航迹预测方法、装置、设备及存储介质
技术领域
本发明涉及汽车航迹预测技术领域，尤其涉及一种车辆航迹预测方法、装置、设备及存储介质。
背景技术
随着汽车智能化程度的不断提高，车辆航迹预测技术也在不断地发展。在现有技术中，通常采用GPS(Global Positioning System，全球定位系统)传感器等多种传感器直接采集车辆的信息，从而得出车辆的运动轨迹。然而，这种方案在传感器被遮挡或故障时，预测的准确性会大大降低。因此，一种不采用GPS传感器等直接获取车辆定位信息的解决方案亟待提出。
发明内容
本申请实施例提供一种车辆航迹预测方法、装置、设备及存储介质，用以较为准确地预测车辆航迹。
本申请实施例提供一种车辆航迹预测方法，包括：实时获取所述车辆的多种传感器的数据；所述多种传感器包括测量车辆车身姿态及运动状态的传感器；将所述多种传感器的数据输入到预设的空间车辆运动状态模型，以预测当前时刻所述车辆相对于初始计算时刻的空间位置向量和空间运动状态向量；根据所述空间位置向量以及所述空间运动状态向量，采用航迹预测模型，预测所述车辆的航迹。
进一步可选地，实时获取所述车辆的多种传感器的数据，包括：实时获取所述车辆的多种传感器的初始数据；将所述多种传感器的初始数据输入到预设的数据滤波模型，得到滤波处理后的所述多种传感器的滤波数据；将所述多种传感器的滤波数据输入到预设的数据状态分析模型进行数据筛选操作，得到筛选后的所述多种传感器的数据。
进一步可选地，将所述多种传感器的数据输入到预设的空间车辆运动状态模型，以预测当前时刻所述车辆相对于初始计算时刻的空间位置向量和空间运动状态向量，包括：将所述当前时刻以及所述当前时刻的前一时刻对应的多个传感器的数据输入所述空间车辆运动状态模型，得到所述当前时刻相对于所述前一时刻的空间位置变化量以及空间运动状态变化量；根据所述前一时刻相对于所述初始计算时刻的历史空间位置向量以及所述空间位置变化量，计算所述当前时刻相对于所述初始计算时刻的空间位置向量；以及，根据所述前一时刻相对于所述初始计算时刻的历史空间位置向量以及所述空间运动状态变化量，计算所述当前时刻相对于所述初始计算时刻的空间运动状态向量。
进一步可选地，根据所述空间位置向量以及所述空间运动状态向量，采用航迹预测模型，预测所述车辆的航迹，包括：确定所述空间位置向量以及所述空间运动状态向量所在的车体坐标系；根据所述车辆的历史定位数据，计算所述车体坐标系与所述车辆的定位系统对应的世界坐标系的对齐关系；所述历史定位数据包括：历史时刻所述车辆的GPS数据；根据所述对齐关系，将所述空间位置向量以及所述空间运动状态向量转换到所述世界坐标系中；根据转换到所述世界坐标系中的空间位置向量以及空间运动状态向量，采用所述航迹预测模型，预测所述车辆的航迹。
进一步可选地，根据所述空间位置向量以及所述空间运动状态向量，采用航迹预测模型，预测所述车辆的航迹，包括：将所述空间位置向量以及所述空间运动状态向量输入所述航迹预测模型；在所述航迹预测模型中，根据第一道路数据，计算与所述空间位置向量以及所述空间运动状态向量匹配的目标道路；所述第一道路数据包括：至少一条道路的道路位置数据、车道数据、车道方向数据以及路况数据中的至少一种；根据所述目标道路确定所述航迹。
进一步可选地，在所述航迹预测模型中，根据第一道路数据，计算与所述空间位置向量以及所述空间运动状态向量匹配的目标道路，包括：将所述空间位置向量、所述空间运动状态向量以及所述第一道路数据输入到基于隐马尔可夫的第一路径匹配模型中；在所述第一路径匹配模型中，根据所述空间位置向量、所述空间运动状态向量以及所述第一道路数据，计算所述车辆位于至少一条候选道路上的概率；将所述空间位置向量、所述空间运动状态向量、所述第一道路数据、所述车辆位于至少一条候选道路上的概率以及所述车辆的历史数据，输入基于深度学习的第二路径匹配模型，以通过所述第二路径匹配模型从所述至少一条候选道路中确定目标道路。
进一步可选地，预测所述车辆的航迹之后，还包括：根据所述车辆的航迹，对预测得到的所述空间位置向量进行修正，得到所述车辆在定位系统处于异常状态时的实时位置。
本申请实施例提供一种车辆航迹预测方法，包括：存储器以及处理器；其中，所述存储器用于：存储一条或多条计算机指令；所述处理器用于执行所述一条或多条计算机指令，以用于：执行所述车辆航迹预测方法中的步骤。
本申请实施例提供一种车辆航迹预测装置，包括：数据获取模块，用于实时获取所述车辆的多种传感器的数据，所述多种传感器包括测量车辆车身姿态及运动状态的传感器；向量预测模块，用于将所述多种传感器的数据输入到预设的空间车辆运动状态模型，以预测当前时刻所述车辆相对于初始计算时刻的空间位置向量和空间运动状态向量；航迹预测模块，用于根据所述空间位置向量以及所述空间运动状态向量，采用航迹预测模型，预测所述车辆的航迹。
进一步可选地，所述向量预测模块在将所述多种传感器的数据输入到预设的空间车辆运动状态模型，以预测当前时刻所述车辆相对于初始计算时刻的空间位置向量和空间运动状态向量时，具体用于：将所述当前时刻以及所述当前时刻的前一时刻对应的多个传感器的数据输入所述空间车辆运动状态模型，得到所述当前时刻相对于所述前一时刻的空间位置变化量以及空间运动状态变化量；根据所述前一时刻相对于所述初始计算时刻的历史空间位置向量以及所述空间位置变化量，计算所述当前时刻相对于所述初始计算时刻的空间位置向量；以及，根据所述前一时刻相对于所述初始计算时刻的历史空间运动状态向量以及所述空间运动状态变化量，计算所述当前时刻相对于所述初始计算时刻的空间运动状态向量。
进一步可选地，所述航迹预测模块在根据所述空间位置向量以及所述空间运动状态向量，采用航迹预测模型，预测所述车辆的航迹时，具体用于：将所述空间位置向量以及所述空间运动状态向量输入所述航迹预测模型；在所述航迹预测模型中，根据第一道路数据，计算与所述空间位置向量以及所述空间运动状态向量匹配的目标道路；所述第一道路数据包括：至少一条道路的道路位置数据、车道数据、车道方向数据以及路况数据中的至少一种；根据所述目标道路确定所述航迹。
本申请实施例提供一种存储有计算机程序的计算机可读存储介质，当计算机程序被处理器执行时，致使处理器实现所述车辆航迹预测方法中的步骤。
在本申请实施例，电子设备可在车辆的定位系统异常时，将实时获取的多种传感器的数据输入到空间车辆运动状态模型，以预测车辆相对于初始计算时刻的空间位置和空间运动状态；根据空间位置向量以及空间运动状态向量，采用航迹预测模型，预测车辆的航迹。通过这种实施方式，在定位系统处于异常状态时仍可较为准确地预测车辆的航迹，提高了航迹预测的准确率和普适性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请一示例性实施例提供的一种车辆航迹预测方法的流程示意图；
图2为本申请一示例性实施例提供的实际应用下的框图；
图3为本申请一示例性实施例提供的电子设备的结构示意图；
图4为本申请一示例性实施例提供的车辆航迹预测装置的示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
针对现有技术中，在传感器被遮挡或故障时，航迹预测的准确性会大大降低。针对这一技术问题，在本申请一些实施例中，提供了一种车辆航迹预测方法。
在该车辆航迹预测方法中，可根据多种传感器的数据和空间车辆运动状态模型，预测车辆相对于指定时刻的空间位置和空间运动状态，并根据空间位置向量、空间运动状态向量以及第一道路数据，采用航迹预测模型，预测车辆的航迹。以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本申请一示例性实施例提供的车辆航迹预测方法的流程示意图，如图1所示，该方法包括：
步骤11、实时获取车辆的多种传感器的数据；多种传感器包括测量车辆车身姿态及运动状态的传感器。
步骤12、将多种传感器的数据输入到预设的空间车辆运动状态模型，以预测当前时刻车辆相对于初始计算时刻的空间位置和向量空间运动状态向量。
步骤13、根据空间位置向量以及空间运动状态向量，采用航迹预测模型，预测车辆的航迹。
本实施例可由车载终端设备执行，该车载终端设备可固定安装在车辆中；除车载终端之外，本实施例也可由智能手机、平板电脑等可移动的终端执行，本实施例不做限制。
在本实施例中，车载终端设备可在车辆的定位系统异常时，实时获取车辆的多种传感器的数据。其中，多种传感器的数据包括：车辆上的多种传感器通过多次采集操作获取到的传感器的数据。其中，多种传感器可包括但不限于：IMU(Inertial Measurement Unit，惯性测量单元)传感器、陀螺仪、角度传感器(用于计算前轮偏角、横摆角、航向角等)、以及转速传感器(轮速计)中的两种或两种以上。比如，传感器在T0时刻、T1时刻以及T2时刻分别采集了1次，多种传感器的数据可包括：T0时刻采集操作对应的5°的俯仰角、T1时刻采集操作对应的10°的俯仰角、T2时刻采集操作对应的15°的俯仰角。
获取到多种传感器的数据后，可将多种传感器的数据输入到预设的空间车辆运动状态模型，以预测车辆相对于指定时刻(即初始计算时刻)的空间位置向量和空间运动状态向量。其中，指定时刻可以是预测的初始计算时刻，该初始计算时刻可以是车辆的定位系统未出现异常的时刻或者是出现异常后的某一时刻。空间位置向量用于描述车辆相对于其在初始时刻所处位置的相对位置。当实时进行多次采集并执行多次预测操作时，预测得到的空间位置向量可包括：根据多次采集操作对应的传感器的数据预测出的多个空间位置向量。多个空间位置向量按照时间顺序连接可初步拟合得到车辆的大致行驶轨迹。
其中，空间运动状态向量指的是用以表明车辆当前时刻在真实空间中的行驶状态相对于指定时刻的行驶状态的变化情况的数据。当实时进行多次采集并执行多次预测操作时，预测得到的空间运动状态向量可包括：多次采集操作对应的传感器的数据预测出的多个空间运动状态向量。在一些可选的实施例中，空间运动状态向量可包括但不限于以下至少一种运动状态信息：车辆的航向角、加速度、摇摆角、俯仰角，车辆在至少一个方向上的行驶速度、车辆在至少一个方向上的加速度和车辆在至少一个方向上的角速度。
比如，假设T3时刻为指定时刻，终端设备在T4时刻和T5时刻分别采集了一次传感器的数据，车辆在T3时刻位于点A，那么通过车辆空间运动状态模型，可预测出T4时刻采集操作对应的点B相对于点A的空间位置变化量和T5时刻采集操作对应的点C相对于点A的空间位置变化量，并可预测出T4时刻采集操作相对于T3时刻的50°的横摆角变化量和T5时刻采集操作相对于T3时刻的60°的横摆角变化量。
在预测出空间位置向量和空间运动状态向量之后，可根据空间位置向量以及空间运动状态向量，采用航迹预测模型，预测车辆的航迹。
其中，航迹预测模型可预先通过训练数据训练得到，该训练数据可包括：车辆的空间位置样本数据以及空间运动状态样本数据。在训练航迹预测模型时，可将空间位置样本数据以及空间运动状态样本数据输入航迹预测模型，并得到航迹预测模型输出的预测航迹。将预测航迹与车辆的真实航迹进行对比，即可确定航迹预测模型的预测误差。以不断收敛该预测误差为目标对深度模型的参数进行优化，即可得到训练完成的航迹预测模型。
在本申请实施例，电子设备可在车辆的定位系统异常时，将实时获取的多种传感器的数据输入到空间车辆运动状态模型，以预测车辆相对于指定时刻的空间位置向量和空间运动状态向量；根据空间位置向量以及空间运动状态向量，采用航迹预测模型，预测车辆的航迹。通过这种实施方式，在定位系统处于异常状态时仍可较为准确地预测车辆的航迹，提高了航迹预测的准确率和普适性。
在一些可选的实施例中，在车辆的定位系统异常时，实时获取车辆的多种传感器的数据时，可对采集到的多种传感器初始数据进行滤波和筛选，具体地，可根据以下步骤实现：
实时获取车辆的多种传感器的初始数据，其中，多种传感器的初始数据可包括：车辆的车轮轮速，电机转速信号，IMU加速度，俯仰角，横摆角和方向盘转角中的至少一种。比如，获取的传感器初始数据为：摇摆角15°和横摆角10°等。
将传感器的初始数据输入到预设的数据滤波模型，得到滤波处理后的的滤波数据。因传感器采集到的初始数据可能有杂波，此步骤旨在对传感器采集到的数据进行滤波，以减少杂波的干扰。
得到多种传感器的滤波数据之后，可将多种传感器的滤波数据输入到预设的数据状态分析模型进行数据筛选操作，得到筛选后的多种传感器的数据。因传感器采集到的初始数据可能存在无用的数据，此步骤旨在对传感器采集到的数据中的无用数据进行筛选，以减少后续步骤的计算量。
在一些可选的实施例中，上述步骤12中将多种传感器的数据输入到预设的空间车辆运动状态模型，以预测当前时刻所述车辆相对于初始计算时刻的空间位置向量和空间运动状态向量的操作，可通过以下步骤实现：
步骤121、将当前时刻以及当前时刻的前一时刻对应的多个传感器的数据输入空间车辆运动状态模型，得到当前时刻相对于前一时刻的空间位置变化量以及空间运动状态变化量。
其中，将相邻两个时刻(即当前时刻和前一时刻)对应的多个传感器的数据输入空间车辆运动状态模型时，空间车辆运动状态模型可输出相邻两个时刻的空间位置变化量以及空间运动状态变化量。例如，以时间序列{t0，t1，t2，t3}为例。将t0，t1对应的多个传感器的数据输入空间车辆运动状态模型时，空间车辆运动状态模型可输出t1时刻相对于t0时刻的空间位置变化量△P1(t0，t1)以及空间运动状态变化量△C1(t0，t1)；将t1，t2对应的多个传感器的数据输入空间车辆运动状态模型时，空间车辆运动状态模型可输出t2时刻相对于t1时刻的空间位置变化量△P2(t1，t2)以及空间运动状态变化量△C2(t1，t2)。同理，可得到△P3(t2，t3)以及△C3(t2，t3)。
步骤122、根据前一时刻相对于初始计算时刻的历史空间位置向量以及空间位置变化量，计算当前时刻相对于初始计算时刻的空间位置向量。
其中，历史空间位置向量，指的是当前时刻之前计算得到的空间位置向量。前一时刻的历史空间位置向量，用于表述前一时刻相对于初始计算时刻的位置变化。假设，t0为初始计算时刻，t1时刻为前一时刻，当前时刻为t2时刻；t1时刻的历史空间位置向量(P0，P1)，由t0时刻的初始空间位置向量以及t1时刻相对于t0时刻的空间位置变化量△P1计算得到。t2时刻的历史空间位置向量(P0，P2)，由t1时刻的历史空间位置向量(P0，P1)以及t2时刻相对于t1时刻的空间位置变化量△P2计算得到。
若当前时刻为t3时刻，则t3时刻的历史空间位置向量，由t2时刻的历史空间位置向量以及t3时刻相对于t2时刻的空间位置变化量计算得到。即，若当前时刻为t3时刻，则前一时刻t2的历史空间位置向量可表示为(P0，P2)。根据△P3对(P0，P2)进行向量计算，可得到t3时刻相对于t0时刻的空间位置向量(P0，P3)。
步骤123、根据前一时刻相对于初始计算时刻的历史空间运动状态向量以及空间运动状态变化量，计算当前时刻相对于初始计算时刻的空间运动状态向量。
其中，历史空间运动状态向量，指的是当前时刻之前计算得到的空间运动状态向量。前一时刻的历史空间运动状态向量，用于表述前一时刻相对于初始计算时刻的运动状态变化。假设，t0为初始计算时刻，t1时刻为前一时刻，当前时刻为t2时刻；t1时刻的历史空间运动状态向量(C0，C1)，由t0时刻的初始空间运动状态向量以及t1时刻相对于t0时刻的空间运动状态变化量△C1计算得到。t2时刻的历史空间运动状态向量(C0，C2)，由t1时刻的历史空间运动状态向量(C0，C1)以及t2时刻相对于t1时刻的空间运动状态变化量△C2计算得到。
若当前时刻为t3时刻，则t3时刻的历史空间运动状态向量，由t2时刻的历史空间运动状态向量以及t3时刻相对于t2时刻的空间运动状态变化量计算得到。即，若当前时刻为t3时刻，则前一时刻t2的历史空间运动状态向量可表示为(C0，C2)。根据△C3对(C0，C2)进行向量计算，可得到t3时刻相对于t0时刻的空间运动状态向量(C0，C3)。
上述步骤122以及步骤123可同步执行，也可按照特定的先后顺序异步执行，本实施例不做限制。
在一些可选的实施例中，当GPS失效后，计算空间位置向量以及空间运动状态向量的操作可以在车体坐标系下进行。为输出GPS坐标系下的航迹，上述步骤13中，根据所述空间位置向量以及所述空间运动状态向量，采用航迹预测模型，预测所述车辆的航迹的操作，可通过以下步骤实现：
步骤131、确定所述空间位置向量以及所述空间运动状态向量所在的车体坐标系。
步骤132、根据所述车辆的历史定位数据，计算所述车体坐标系与所述车辆的定位系统对应的世界坐标系的对齐关系；所述历史定位数据包括：历史时刻所述车辆的GPS数据。
步骤133、根据所述对齐关系，将所述空间位置向量以及所述空间运动状态向量转换到所述世界坐标系中。
步骤134、根据转换到所述世界坐标系中的空间位置向量以及空间运动状态向量，采用所述航迹预测模型，预测所述车辆的航迹。
上述步骤131～步骤133主要用于将车体坐标系下计算得到的当前时刻的空间位置向量以及空间运动状态向量，转换到世界坐标系中。通常，当车辆采用GPS进行导航时，该世界坐标系是指GPS对应的世界坐标系(即绝对坐标系)。
在步骤132中，车辆的历史定位数据可以是车辆失效前的至少一个时刻的有效定位数据。继续以前述时序{t0，t1，t2，t3}为例，假设t0时刻为初始计算时刻，且t0时刻GPS未失效，则可建立以t0时刻的GPS位置为原点的相对世界坐标系。根据t0时刻的GPS位置，可将以t0时刻为原点的相对世界坐标系与GPS对应的世界坐标系进行对齐。例如，可通过对该相对世界坐标系进行旋转、平移、尺度变换的方式，将该相对世界坐标系与GPS对应的世界坐标系进行对齐。在t0时刻，可确定车辆在车体坐标系中的位置，并可根据t0时刻车辆在车体坐标系中的位置以及t0时刻的GPS位置，确定车体坐标系和该相对世界坐标系的映射关系。
基于车体坐标系和该相对世界坐标系的映射关系，以及该相对世界坐标系与GPS对应的世界坐标系的对齐关系，可转换得到车体坐标系与GPS对应的世界坐标系的对齐关系。
基于车体坐标系与GPS对应的世界坐标系的对齐关系，可将空间位置向量以及所述空间运动状态向量转换到世界坐标系中，以便于后续计算。
在一些可选的实施例中，可通过空间车辆运动状态模型直接计算到位于GPS世界坐标系中的空间位置向量以及空间运动状态向量。可选地，可预先对空间车辆运动状态模型进行训练。具体地，可基于以下步骤实现：
在车辆的定位系统处于正常状态时，获取定位系统输出的车辆的GPS坐标以及多种传感器的数据样本。其中，传感器的数据样本指的是用于训练模型的传感器的数据。比如，获取到(北纬39，东经116)的定位坐标，以及加速度为5m/s2、方向盘转角为30°的传感器的数据样本。
获取到上述数据后，可将多种传感器的数据样本输入到空间车辆运动状态模型，得到车辆的预估空间位置。其中，采用“预估”对空间位置进行限定，仅用于与前述的“空间位置”进行区分。
需要说明的是，得到车辆的预估空间位置后，由于预估空间位置处于空间车辆运动状态模型对应的车体坐标系下，而GPS坐标处于GPS坐标系下，两者所处的坐标系不同，所以可对前述两个坐标系进行转换与对齐。其中，转换与对齐包括：坐标尺度转换、坐标原点对齐以及空间坐标修正。其中，坐标尺度转换指的是，将两个坐标系的尺度进行统一；坐标原点对齐指的是，将两个坐标系的坐标原点设定为同一点；空间坐标修正指的是，将GPS坐标所处的GPS坐标系以及空间车辆运动状态模型对应的坐标系更新为经过坐标系转换与对齐之后的相同的坐标系。
经过上述坐标系的转换与对齐之后，可将车辆的GPS坐标和预测得到的预估空间位置转换到相同的坐标系下，从而使得二者具有相同的比较基础。在二者具有相同比较基础的前提下，可计算车辆的GPS坐标与预估空间位置的差距，并可基于该差距对空间车辆运动状态模型进行训练，直至预估空间位置和GPS坐标之间的差距收敛到指定范围。其中，指定范围可为1％～3％或其他值，本实施例不做限制。
示例地，车辆的GPS坐标为(北纬60，东经50)，将传感器的数据样本Y1输入到空间车辆运动状态模型，输出的预估空间位置1为(北纬70，东经60)，与车辆的GPS坐标相差较大，那么可对空间车辆运动状态模型进行调整。将传感器的数据样本Y1再次输入到调整后的空间车辆运动状态模型，输出的预估空间位置2为(北纬65，东经55)，再将该预估空间位置2与GPS坐标进行对比，若两者之间的差距仍未收敛到指定范围，可再对空间车辆运动状态模型进行调整，即再次重复上述训练过程，直至预估空间位置和GPS坐标之间的差距收敛到指定范围。若指定范围为0～2％，重复100次上述步骤，当预估空间位置100为(北纬60.1，东经50.2)时，此时该预估空间位置100与GPS坐标的差距已收敛到指定范围内。
通过上述对空间车辆运动状态模型进行训练，可减少预测出的车辆相对于指定时刻的空间位置与实际GPS坐标的误差，提升了空间车辆运动状态模型的准确度。
在一些可选的实施例中，根据空间位置向量以及空间运动状态向量，采用航迹预测模型，预测所述车辆的航迹的操作时，可将空间位置向量以及空间运动状态向量输入航迹预测模型。在航迹预测模型中，可根据第一道路数据，计算与空间位置向量以及空间运动状态向量匹配的目标道路，并根据所述目标道路确定所述航迹。
在这种实施方式中，可获取空间位置对应的第一道路数据。其中，第一道路数据指的是空间位置所处区域的地图道路数据，该第一道路数据可包括：至少一条道路的道路位置数据、车道数据、车道方向数据以及路况数据中的至少一种。比如，预测出车辆位于点D之后，点D对应的区域为Q1，可获取Q1区域内的道路位置数据L1的第一道路数据。
在一些可选的实施例中，航迹预测模型可包括：基于隐马尔可夫的第一路径匹配模型以及基于深度学习的第二路径匹配模型。在航迹预测模型中，可根据第一道路数据，计算与空间位置向量以及空间运动状态向量匹配的目标道路的操作，可基于以下步骤实现：
步骤141、将空间位置向量、空间运动状态向量、第一道路数据输入到基于隐马尔可夫的第一路径匹配模型中。
其中，隐马尔科夫是一种道路匹配的方法，是将一系列有序的轨迹位置点关联到实际路网的算法。具体地，通过该算法，可以将由一系列有序的轨迹点组成的路径，与地图中的其他路径进行比较，可计算出一系列有序的轨迹点组成的路径与地图中的其他路径的相似度，进而，可判断出轨迹位置点最可能出现在地图中的哪条路上。即通过该算法，可从轨迹点推算出真实位置。
步骤142、在第一路径匹配模型中，根据空间位置向量、空间运动状态向量以及第一道路数据，计算车辆位于至少一条候选道路上的概率。
其中，至少一条候选道路，指的是空间位置向量对应的区域的地图道路数据中的道路。
比如，基于隐马尔可夫的第一路径匹配模型可根据输入的横摆角为10°和加速度为1m/s2的空间运动状态向量、空间位置1以及第一道路数据L2，计算出车辆位于候选道路1上的概率为70％，以及位于候选道路2上的概率为80％。
步骤143、将空间位置向量、空间运动状态向量、第一道路数据、车辆位于至少一条候选道路上的概率以及车辆的历史数据，输入基于深度学习的第二路径匹配模型，以通过第二路径匹配模型从至少一条候选道路中确定目标道路。
其中，目标道路指的是从候选道路中选择出的与车辆行驶轨迹最相似的道路。车辆的历史数据指的是在指定时刻之前传感器采集到的数据。
继续以前述例子距离，第二路径匹配模型可根据输入的第二横摆角为10°和加速度为1m/s2的空间运动状态向量、空间位置1、第一道路数据L2、车辆位于候选道路1上的概率为70％以及位于候选道路2上的概率为80％，确定候选道路2为目标道路。
通过上述方法，在定位系统处于异常状态时，仍能较为精确地预测出车辆所处的位置。
在一些可选的实施例中，在预测出航迹之后，可根据车辆的航迹，对预测得到的空间位置进行修正，得到车辆在定位系统处于异常状态时的实时位置。比如，根据预测出的航迹H1，将预测得到的空间位置3修正为空间位置4，即车辆在定位系统处于异常状态时的实时位置。
以下将结合图2以及实际应用场景，对本申请实施例提供的车辆航迹预测方法进行进一步说明。
如图2所示，车辆获取到轮速计以及IMU等多种传感器采集的数据后，将传感器采集的数据进行滤波和筛选之后，输入到预设的空间车辆运动状态模型中，可得到车辆在车辆运动状态模型坐标系下的空间位置和运动状态。通过失效前GPS信号，得到GPS失效前车辆在GPS坐标系下的GPS坐标。然后，将空间位置所处的空间车辆运动状态模型坐标系和GPS坐标所处的GPS坐标系进行转换与对齐，得到相同的坐标系。然后，可将车辆的GPS坐标和预测的预估空间位置转换到相同的坐标系下，从而使得两者具有具有相同的比较基础。二者具有相同比较基础的前提下，可计算车辆的GPS坐标与预估空间位置的差距，并可基于该差距对空间车辆运动状态模型进行训练，以提高该空间车辆运动状态模型预测的准确度。最后，结合前述步骤计算得到的信息，采用路径匹配算法和深度学习匹配算法计算出车辆的航迹。通过这种实施方式，在定位系统处于异常状态时仍可较为准确地预测车辆的航迹，提高了航迹预测的准确率和普适性。
需要说明的是，上述实施例所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤11至步骤14的执行主体可以为设备A；又比如，步骤11和12的执行主体可以为设备A，步骤13和14的执行主体可以为设备B；等等。
另外，在上述实施例及附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如11、12等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。
需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
图3是本申请一示例性实施例提供的电子设备的结构示意图，如图3所示，该电子设备包括：存储器301以及处理器302。
存储器301，用于存储计算机程序，并可被配置为存储其它各种数据以支持在终端设备上的操作。这些数据的示例包括用于在终端设备上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。
其中，存储器301可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
处理器302，与存储器301耦合，用于执行存储器301中的计算机程序，以用于：实时获取所述车辆的多种传感器的数据；所述多种传感器包括测量车辆车身姿态及运动状态的传感器；将所述多种传感器的数据输入到预设的空间车辆运动状态模型，以预测当前时刻所述车辆相对于初始计算时刻的空间位置向量和空间运动状态向量；根据所述空间位置向量以及所述空间运动状态向量，采用航迹预测模型，预测所述车辆的航迹。
进一步可选地，处理器302在实时获取所述车辆的多种传感器的数据，具体用于：实时获取所述车辆的多种传感器的初始数据；将所述多种传感器的初始数据输入到预设的数据滤波模型，得到滤波处理后的所述多种传感器的滤波数据；将所述多种传感器的滤波数据输入到预设的数据状态分析模型进行数据筛选操作，得到筛选后的所述多种传感器的数据。
进一步可选地，处理器302在将所述多种传感器的数据输入到预设的空间车辆运动状态模型，以预测当前时刻所述车辆相对于初始计算时刻的空间位置向量和空间运动状态向量时，具体用于：将所述当前时刻以及所述当前时刻的前一时刻对应的多个传感器的数据输入所述空间车辆运动状态模型，得到所述当前时刻相对于所述前一时刻的空间位置变化量以及空间运动状态变化量；根据所述前一时刻相对于所述初始计算时刻的历史空间位置向量以及所述空间位置变化量，计算所述当前时刻相对于所述初始计算时刻的空间位置向量；以及，根据所述前一时刻相对于所述初始计算时刻的历史空间位置向量以及所述空间运动状态变化量，计算所述当前时刻相对于所述初始计算时刻的空间运动状态向量。
进一步可选地，处理器302在根据所述空间位置向量以及所述空间运动状态向量，采用航迹预测模型，预测所述车辆的航迹时，具体用于：确定所述空间位置向量以及所述空间运动状态向量所在的车体坐标系；根据所述车辆的历史定位数据，计算所述车体坐标系与所述车辆的定位系统对应的世界坐标系的对齐关系；所述历史定位数据包括：历史时刻所述车辆的GPS数据；根据所述对齐关系，将所述空间位置向量以及所述空间运动状态向量转换到所述世界坐标系中；根据转换到所述世界坐标系中的空间位置向量以及空间运动状态向量，采用所述航迹预测模型，预测所述车辆的航迹。
进一步可选地，处理器302在根据所述空间位置向量以及所述空间运动状态向量，采用航迹预测模型，预测所述车辆的航迹时，具体用于：将所述空间位置向量以及所述空间运动状态向量输入所述航迹预测模型；在所述航迹预测模型中，根据第一道路数据，计算与所述空间位置向量以及所述空间运动状态向量匹配的目标道路；所述第一道路数据包括：至少一条道路的道路位置数据、车道数据、车道方向数据以及路况数据中的至少一种；根据所述目标道路确定所述航迹。
进一步可选地，处理器302在所述航迹预测模型中，根据第一道路数据，计算与所述空间位置向量以及所述空间运动状态向量匹配的目标道路时，具体用于：将所述空间位置向量、所述空间运动状态向量以及所述第一道路数据输入到基于隐马尔可夫的第一路径匹配模型中；在所述第一路径匹配模型中，根据所述空间位置向量、所述空间运动状态向量以及所述第一道路数据，计算所述车辆位于至少一条候选道路上的概率；将所述空间位置向量、所述空间运动状态向量、所述第一道路数据、所述车辆位于至少一条候选道路上的概率以及所述车辆的历史数据，输入基于深度学习的第二路径匹配模型，以通过所述第二路径匹配模型从所述至少一条候选道路中确定目标道路。
进一步可选地，处理器302还用于：根据所述车辆的航迹，对预测得到的所述空间位置向量进行修正，得到所述车辆在定位系统处于异常状态时的实时位置。
上述图3中的存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
上述图3中的显示器303包括屏幕，其屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
进一步，如图3所示，该电子设备还包括：通信组件304和电源组件305等其它组件。图3中仅示意性给出部分组件，并不意味着电子设备只包括图3所示组件。
上述图3中的通信组件304被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络，如WiFi，2G、3G、4G或5G，或它们的组合。在一个示例性实施例中，通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件可基于近场通信(NFC)技术、射频识别(RFID)技术、红外数据协会(IrDA)技术、超宽带(UWB)技术、蓝牙(BT)技术和其他技术来实现。
其中，电源组件305，为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统，一个或多个电源，及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
在本实施例中，电子设备可在车辆的定位系统异常时，将实时获取的多种传感器的数据输入到空间车辆运动状态模型，以预测车辆相对于初始计算时刻的空间位置和空间运动状态；根据空间位置向量以及空间运动状态向量，采用航迹预测模型，预测车辆的航迹。通过这种实施方式，在定位系统处于异常状态时仍可较为准确地预测车辆的航迹，提高了航迹预测的准确率和普适性。
图4为本申请一示例性实施例提供的车辆航迹预测装置的示意图，如图4所示，该车辆航迹预测装置包括：数据获取模块401、向量预测模块402以及航迹预测模块403。
其中，数据获取模块401，用于实时获取所述车辆的多种传感器的数据；所述多种传感器包括测量车辆车身姿态及运动状态的传感器。
向量预测模块402，用于向量预测模块，用于将所述多种传感器的数据输入到预设的空间车辆运动状态模型，以预测当前时刻所述车辆相对于初始计算时刻的空间位置向量和空间运动状态向量。
航迹预测模块403，用于根据所述空间位置向量以及所述空间运动状态向量，采用航迹预测模型，预测所述车辆的航迹。
进一步可选地，数据获取模块401在实时获取所述车辆的多种传感器的数据，具体用于：实时获取所述车辆的多种传感器的初始数据；将所述多种传感器的初始数据输入到预设的数据滤波模型，得到滤波处理后的所述多种传感器的滤波数据；将所述多种传感器的滤波数据输入到预设的数据状态分析模型进行数据筛选操作，得到筛选后的所述多种传感器的数据。
进一步可选地，向量预测模块402在将所述多种传感器的数据输入到预设的空间车辆运动状态模型，以预测当前时刻所述车辆相对于初始计算时刻的空间位置向量和空间运动状态向量时，具体用于：将所述当前时刻以及所述当前时刻的前一时刻对应的多个传感器的数据输入所述空间车辆运动状态模型，得到所述当前时刻相对于所述前一时刻的空间位置变化量以及空间运动状态变化量；根据所述前一时刻相对于所述初始计算时刻的历史空间位置向量以及所述空间位置变化量，计算所述当前时刻相对于所述初始计算时刻的空间位置向量；以及，根据所述前一时刻相对于所述初始计算时刻的历史空间位置向量以及所述空间运动状态变化量，计算所述当前时刻相对于所述初始计算时刻的空间运动状态向量。
进一步可选地，航迹预测模块403在根据所述空间位置向量以及所述空间运动状态向量，采用航迹预测模型，预测所述车辆的航迹时，具体用于：确定所述空间位置向量以及所述空间运动状态向量所在的车体坐标系；根据所述车辆的历史定位数据，计算所述车体坐标系与所述车辆的定位系统对应的世界坐标系的对齐关系；所述历史定位数据包括：历史时刻所述车辆的GPS数据；根据所述对齐关系，将所述空间位置向量以及所述空间运动状态向量转换到所述世界坐标系中；根据转换到所述世界坐标系中的空间位置向量以及空间运动状态向量，采用所述航迹预测模型，预测所述车辆的航迹。
进一步可选地，航迹预测模块403在根据所述空间位置向量以及所述空间运动状态向量，采用航迹预测模型，预测所述车辆的航迹时，具体用于：将所述空间位置向量以及所述空间运动状态向量输入所述航迹预测模型；在所述航迹预测模型中，根据第一道路数据，计算与所述空间位置向量以及所述空间运动状态向量匹配的目标道路；所述第一道路数据包括：至少一条道路的道路位置数据、车道数据、车道方向数据以及路况数据中的至少一种；根据所述目标道路确定所述航迹。
进一步可选地，航迹预测模块403在所述航迹预测模型中，根据第一道路数据，计算与所述空间位置向量以及所述空间运动状态向量匹配的目标道路时，具体用于：将所述空间位置向量、所述空间运动状态向量以及所述第一道路数据输入到基于隐马尔可夫的第一路径匹配模型中；在所述第一路径匹配模型中，根据所述空间位置向量、所述空间运动状态向量以及所述第一道路数据，计算所述车辆位于至少一条候选道路上的概率；将所述空间位置向量、所述空间运动状态向量、所述第一道路数据、所述车辆位于至少一条候选道路上的概率以及所述车辆的历史数据，输入基于深度学习的第二路径匹配模型，以通过所述第二路径匹配模型从所述至少一条候选道路中确定目标道路。
进一步可选地，航迹预测模块403还用于：根据所述车辆的航迹，对预测得到的所述空间位置向量进行修正，得到所述车辆在定位系统处于异常状态时的实时位置。
在本实施例中，电子设备可在车辆的定位系统异常时，将实时获取的多种传感器的数据输入到空间车辆运动状态模型，以预测车辆相对于初始计算时刻的空间位置和空间运动状态；根据空间位置向量以及空间运动状态向量，采用航迹预测模型，预测车辆的航迹。通过这种实施方式，在定位系统处于异常状态时仍可较为准确地预测车辆的航迹，提高了航迹预测的准确率和普适性。
相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，当计算机程序被处理器执行时，致使处理器实现车辆航迹预测方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (12)

1.一种车辆航迹预测方法，其特征在于，包括：
实时获取所述车辆的多种传感器的数据；所述多种传感器包括测量车辆车身姿态及运动状态的传感器；
将所述多种传感器的数据输入到预设的空间车辆运动状态模型，以预测当前时刻所述车辆相对于初始计算时刻的空间位置向量和空间运动状态向量；
根据所述空间位置向量以及所述空间运动状态向量，采用航迹预测模型，预测所述车辆的航迹。
2.根据权利要求1所述的方法，其特征在于，实时获取所述车辆的多种传感器的数据，包括：
实时获取所述车辆的多种传感器的初始数据；
将所述多种传感器的初始数据输入到预设的数据滤波模型，得到滤波处理后的所述多种传感器的滤波数据；
将所述多种传感器的滤波数据输入到预设的数据状态分析模型进行数据筛选操作，得到筛选后的所述多种传感器的数据。
3.根据权利要求1所述的方法，其特征在于，将所述多种传感器的数据输入到预设的空间车辆运动状态模型，以预测当前时刻所述车辆相对于初始计算时刻的空间位置向量和空间运动状态向量，包括：
将所述当前时刻以及所述当前时刻的前一时刻对应的多个传感器的数据输入所述空间车辆运动状态模型，得到所述当前时刻相对于所述前一时刻的空间位置变化量以及空间运动状态变化量；
根据所述前一时刻相对于所述初始计算时刻的历史空间位置向量以及所述空间位置变化量，计算所述当前时刻相对于所述初始计算时刻的空间位置向量；以及，
根据所述前一时刻相对于所述初始计算时刻的历史空间运动状态向量以及所述空间运动状态变化量，计算所述当前时刻相对于所述初始计算时刻的空间运动状态向量。
4.根据权利要求1所述的方法，其特征在于，根据所述空间位置向量以及所述空间运动状态向量，采用航迹预测模型，预测所述车辆的航迹，包括：
确定所述空间位置向量以及所述空间运动状态向量所在的车体坐标系；
根据所述车辆的历史定位数据，计算所述车体坐标系与所述车辆的定位系统对应的世界坐标系的对齐关系；所述历史定位数据包括：历史时刻所述车辆的GPS数据；
根据所述对齐关系，将所述空间位置向量以及所述空间运动状态向量转换到所述世界坐标系中；
根据转换到所述世界坐标系中的空间位置向量以及空间运动状态向量，采用所述航迹预测模型，预测所述车辆的航迹。
5.根据权利要求1所述的方法，其特征在于，根据所述空间位置向量以及所述空间运动状态向量，采用航迹预测模型，预测所述车辆的航迹，包括：
将所述空间位置向量以及所述空间运动状态向量输入所述航迹预测模型；
在所述航迹预测模型中，根据第一道路数据，计算与所述空间位置向量以及所述空间运动状态向量匹配的目标道路；所述第一道路数据包括：至少一条道路的道路位置数据、车道数据、车道方向数据以及路况数据中的至少一种；
根据所述目标道路确定所述航迹。
6.根据权利要求5所述的方法，其特征在于，在所述航迹预测模型中，根据第一道路数据，计算与所述空间位置向量以及所述空间运动状态向量匹配的目标道路，包括：
将所述空间位置向量、所述空间运动状态向量以及所述第一道路数据输入到基于隐马尔可夫的第一路径匹配模型中；
在所述第一路径匹配模型中，根据所述空间位置向量、所述空间运动状态向量以及所述第一道路数据，计算所述车辆位于至少一条候选道路上的概率；
将所述空间位置向量、所述空间运动状态向量、所述第一道路数据、所述车辆位于至少一条候选道路上的概率以及所述车辆的历史数据，输入基于深度学习的第二路径匹配模型，以通过所述第二路径匹配模型从所述至少一条候选道路中确定目标道路。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述预测所述车辆的航迹之后，还包括：
根据所述车辆的航迹，对预测得到的所述空间位置向量进行修正，得到所述车辆的实时位置。
8.一种电子设备，其特征在于，包括：存储器以及处理器；
其中，所述存储器用于：存储一条或多条计算机指令；
所述处理器用于执行所述一条或多条计算机指令，以用于：执行权利要求1-7任一项所述的方法中的步骤。
9.一种车辆航迹预测装置，其特征在于，包括：
数据获取模块，用于实时获取所述车辆的多种传感器的数据；所述多种传感器包括测量车辆车身姿态及运动状态的传感器；
向量预测模块，用于将所述多种传感器的数据输入到预设的空间车辆运动状态模型，以预测当前时刻所述车辆相对于初始计算时刻的空间位置向量和空间运动状态向量；
航迹预测模块，用于根据所述空间位置向量以及所述空间运动状态向量，采用航迹预测模型，预测所述车辆的航迹。
10.根据权利要求9所述的装置，其特征在于，所述向量预测模块在将所述多种传感器的数据输入到预设的空间车辆运动状态模型，以预测当前时刻所述车辆相对于初始计算时刻的空间位置向量和空间运动状态向量时，具体用于：
将所述当前时刻以及所述当前时刻的前一时刻对应的多个传感器的数据输入所述空间车辆运动状态模型，得到所述当前时刻相对于所述前一时刻的空间位置变化量以及空间运动状态变化量；
根据所述前一时刻相对于所述初始计算时刻的历史空间位置向量以及所述空间位置变化量，计算所述当前时刻相对于所述初始计算时刻的空间位置向量；以及，
根据所述前一时刻相对于所述初始计算时刻的历史空间运动状态向量以及所述空间运动状态变化量，计算所述当前时刻相对于所述初始计算时刻的空间运动状态向量。
11.根据权利要求9所述的装置，其特征在于，所述航迹预测模块在根据所述空间位置向量以及所述空间运动状态向量，采用航迹预测模型，预测所述车辆的航迹时，具体用于：
将所述空间位置向量以及所述空间运动状态向量输入所述航迹预测模型；
在所述航迹预测模型中，根据第一道路数据，计算与所述空间位置向量以及所述空间运动状态向量匹配的目标道路；所述第一道路数据包括：至少一条道路的道路位置数据、车道数据、车道方向数据以及路况数据中的至少一种；
根据所述目标道路确定所述航迹。
12.一种存储有计算机程序的计算机可读存储介质，其特征在于，当计算机程序被处理器执行时，致使处理器实现权利要求1-7任一项所述方法中的步骤。
CN202111406716.8A 2021-11-24 2021-11-24 一种车辆航迹预测方法、装置、设备及存储介质 Pending CN116182876A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111406716.8A CN116182876A (zh) 2021-11-24 2021-11-24 一种车辆航迹预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111406716.8A CN116182876A (zh) 2021-11-24 2021-11-24 一种车辆航迹预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116182876A true CN116182876A (zh) 2023-05-30

Family

ID=86449373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111406716.8A Pending CN116182876A (zh) 2021-11-24 2021-11-24 一种车辆航迹预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116182876A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117315421A (zh) * 2023-09-26 2023-12-29 中国人民解放军91977 部队 海上目标的航迹预测方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117315421A (zh) * 2023-09-26 2023-12-29 中国人民解放军91977 部队 海上目标的航迹预测方法及装置

Similar Documents

Publication Publication Date Title
CN106610294B (zh) 定位方法及装置
CN111947671B (zh) 用于定位的方法、装置、计算设备和计算机可读存储介质
CN110146909A (zh) 一种定位数据处理方法
CN201269758Y (zh) 一种交通标志车载全自动检测记录系统
CN107884800B (zh) 观测时滞系统的组合导航数据解算方法、装置及导航设备
CN110361008B (zh) 地下车库自动泊车的定位方法及装置
CN103717999A (zh) 行驶轨迹存储装置
CN103930797A (zh) 经时间校正的传感器系统
CN107521559A (zh) 转向角标定方法、运动轨迹计算方法和设备和车载设备
CN111551186A (zh) 一种车辆实时定位方法、系统及车辆
CN109143304B (zh) 用于确定无人驾驶车辆位姿的方法和装置
RU2667667C2 (ru) Способ и система для настройки навигационной системы
JP2013015735A (ja) 地図作成装置、方法及び車載用ナビゲーション装置
Mu et al. A GNSS/INS-integrated system for an arbitrarily mounted land vehicle navigation device
CN114413934B (zh) 一种车辆定位系统校正方法和装置
CN113252048A (zh) 一种导航定位方法、导航定位系统及计算机可读存储介质
CN116182876A (zh) 一种车辆航迹预测方法、装置、设备及存储介质
US11805390B2 (en) Method, apparatus, and computer program product for determining sensor orientation
CN113063441B (zh) 里程计累计推算误差的数据源纠正方法及装置
CN111383324A (zh) 点云地图的构建方法、装置、计算机设备和存储介质
CN109557484A (zh) 磁场检测方法及系统、终端
CN108981729B (zh) 车辆定位方法和装置
CN109710594B (zh) 地图数据的有效性判断方法、装置及可读存储介质
Forno et al. Techniques for improving localization applications running on low-cost IoT devices
CN114001730B (zh) 融合定位方法、装置、计算机设备和存储介质

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