CN117429448A - 障碍物未来占据空间的预测方法、装置、电子设备及介质 - Google Patents
障碍物未来占据空间的预测方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN117429448A CN117429448A CN202311383960.6A CN202311383960A CN117429448A CN 117429448 A CN117429448 A CN 117429448A CN 202311383960 A CN202311383960 A CN 202311383960A CN 117429448 A CN117429448 A CN 117429448A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- future
- curve
- historical
- representing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 239000000463 material Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
- B60W60/00272—Planning or execution of driving tasks using trajectory prediction for other traffic participants relying on extrapolation of current movement
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
- B60W60/00274—Planning or execution of driving tasks using trajectory prediction for other traffic participants considering possible movement changes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
- B60W2530/201—Dimensions of vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/402—Type
- B60W2554/4029—Pedestrians
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4042—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/10—Historical data
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种障碍物未来占据空间的预测方法,包括:根据障碍物的历史移动方向数据、当前移动速度和当前位置预测障碍物的未来移动轨迹;根据障碍物的尺寸和当前移动速度预测障碍物的未来缩放尺寸;根据未来缩放尺寸和未来移动轨迹确定障碍物的未来占据空间。本公开还提供了一种障碍物未来占据空间的预测装置、电子设备及介质。本公开能够根据未来缩放尺寸和未来移动轨迹较准确地确定障碍物的未来占据空间,算法简单、运行效率高、可解释性强。
Description
技术领域
本公开涉及一种障碍物未来占据空间的预测方法、装置、电子设备及介质。
背景技术
随着自动驾驶技术的发展,可使用自动驾驶技术的场景正在逐渐扩大,自动驾驶车辆需要处理的决策任务也愈发复杂,合理、准确的预测算法是自动驾驶车辆做出正确决策的基础。
在相关技术中,仅将预测的障碍物未来轨迹作为自动驾驶车辆决策模块的输入,但是由于自车和移动障碍物(特别是其他行驶的车辆)存在道路权的博弈,如果只依赖障碍物的未来移动轨迹进行自动驾驶决策,所得到的自动驾驶决策结果过于保守,因此还应当结合障碍物的未来占据空间进行自动驾驶决策。进而,如何准确地确定出障碍物的未来占据空间成为亟需解决的问题。
发明内容
为了解决上述技术问题中的至少一个,本公开提供了一种障碍物未来占据空间的预测方法、装置、电子设备及介质。
根据本公开的一个方面,提供了一种障碍物未来占据空间的预测方法,包括:根据障碍物的历史移动方向数据、当前移动速度和当前位置预测所述障碍物的未来移动轨迹;根据所述障碍物的尺寸和所述当前移动速度预测所述障碍物的未来缩放尺寸;根据所述未来缩放尺寸和所述未来移动轨迹确定所述障碍物的未来占据空间。
根据本公开的至少一个实施方式的障碍物未来占据空间的预测方法,所述根据障碍物的历史移动方向数据、当前移动速度和当前位置预测所述障碍物的未来移动轨迹,包括:根据所述障碍物的历史移动方向数据预测所述障碍物的未来移动方向;根据所述未来移动方向、所述当前移动速度和所述当前位置预测所述障碍物的未来移动轨迹。
根据本公开的至少一个实施方式的障碍物未来占据空间的预测方法,所述历史移动方向数据包括多个历史移动方向,所述根据所述障碍物的历史移动方向数据预测所述障碍物的未来移动方向,包括:确定多个所述历史移动方向的拟合权重;根据多个所述历史移动方向及其对应的拟合权重确定目标拟合曲线;根据所述目标拟合曲线预测所述障碍物的未来移动方向。
根据本公开的至少一个实施方式的障碍物未来占据空间的预测方法,所述历史移动方向的拟合权重通过下式计算得到:其中,wi表示第i个历史移动方向的拟合权重,e为自然常数,aw为标定参数,ti表示第i个历史移动方向的采集时间。
根据本公开的至少一个实施方式的障碍物未来占据空间的预测方法,所述根据多个所述历史移动方向及其对应的拟合权重确定目标拟合曲线,包括:根据多个所述历史移动方向及其对应的拟合权重确定常数拟合曲线、一次拟合曲线和二次拟合曲线;根据所述常数拟合曲线、多个所述历史移动方向及其对应的拟合权重计算常数拟合曲线误差;根据所述一次拟合曲线、多个所述历史移动方向及其对应的拟合权重计算一次拟合曲线误差;根据所述二次拟合曲线、多个所述历史移动方向及其对应的拟合权重计算二次拟合曲线误差;根据所述常数拟合曲线误差、所述一次拟合曲线误差和所述二次拟合曲线误差确定所述目标拟合曲线。
根据本公开的至少一个实施方式的障碍物未来占据空间的预测方法,所述常数拟合曲线通过下式计算得到:θ=c0,其中,θ表示所述障碍物的移动方向,c0表示所述常数拟合曲线的常数项,wi表示第i个历史移动方向的拟合权重,yi表示第i个历史移动方向,n表示所述历史移动方向的总数量。
根据本公开的至少一个实施方式的障碍物未来占据空间的预测方法,所述常数拟合曲线误差通过下式计算得到:其中,f0表示所述常数拟合曲线误差。
根据本公开的至少一个实施方式的障碍物未来占据空间的预测方法,所述一次拟合曲线通过下式计算得到:θ=b1t+c1, 其中,θ表示所述障碍物的移动方向,b1表示所述一次拟合曲线的一次项系数,t表示预测时间,c1表示所述一次拟合曲线的常数项,wi表示第i个历史移动方向的拟合权重,ti表示第i个历史移动方向的采集时间,yi表示第i个历史移动方向,n表示所述历史移动方向的总数量。
根据本公开的至少一个实施方式的障碍物未来占据空间的预测方法,所述一次拟合曲线误差通过下式计算得到:其中,f1表示所述一次拟合曲线误差。
根据本公开的至少一个实施方式的障碍物未来占据空间的预测方法,所述二次拟合曲线通过下式计算得到:θ=a2t2+b2t+c2,
其中,θ表示所述障碍物的移动方向,a2表示所述二次拟合曲线的二次项系数,b2表示所述二次拟合曲线的一次项系数,t表示预测时间,c2表示所述二次拟合曲线的常数项,wi表示第i个历史移动方向的拟合权重,ti表示第i个历史移动方向的采集时间,yi表示第i个历史移动方向,n表示所述历史移动方向的总数量。
根据本公开的至少一个实施方式的障碍物未来占据空间的预测方法,所述二次拟合曲线误差通过下式计算得到:其中,f2表示所述二次拟合曲线误差。
根据本公开的至少一个实施方式的障碍物未来占据空间的预测方法,所述根据所述常数拟合曲线误差、所述一次拟合曲线误差和所述二次拟合曲线误差确定所述目标拟合曲线,包括:确定所述常数拟合曲线误差、所述一次拟合曲线误差和所述二次拟合曲线误差中的最小值;响应于所述最小值为所述常数拟合曲线误差,将所述常数拟合曲线作为所述目标拟合曲线;响应于所述最小值为所述一次拟合曲线误差,将所述一次拟合曲线作为所述目标拟合曲线;响应于所述最小值为所述二次拟合曲线误差、且所述二次拟合曲线的二次项系数绝对值大于0,若所述二次拟合曲线的顶点横坐标小于历史移动方向最晚采集时间、或所述二次拟合曲线的顶点横坐标大于未来移动方向最晚预测时间,将所述二次拟合曲线作为所述目标拟合曲线;响应于所述最小值为所述二次拟合曲线误差,若所述二次拟合曲线的二次项系数等于0、或所述二次拟合曲线的顶点横坐标大于等于历史移动方向最晚采集时间且小于等于未来移动方向最晚预测时间,将所述一次拟合曲线作为所述目标拟合曲线。
根据本公开的至少一个实施方式的障碍物未来占据空间的预测方法,所述障碍物的未来移动轨迹通过下式计算得到:其中,其中,(xk,yk)表示k时刻所述障碍物的位置,(xk-1,yk-1)表示k-1时刻所述障碍物的位置,v表示所述当前移动速度,Δt表示k时刻与k-1时刻的时间差,θk-1表示k-1时刻所述障碍物的移动方向。
根据本公开的至少一个实施方式的障碍物未来占据空间的预测方法,所述尺寸包括长度和宽度,所述未来缩放尺寸包括未来缩放长度和未来缩放宽度,所述根据所述障碍物的尺寸和所述当前移动速度预测所述障碍物的未来缩放尺寸,包括:根据所述当前移动速度确定长度衰减系数和宽度衰减系数;根据所述长度和所述长度衰减系数预测所述障碍物的未来缩放长度;根据所述宽度和所述宽度衰减系数预测所述障碍物的未来缩放宽度。
根据本公开的至少一个实施方式的障碍物未来占据空间的预测方法,所述未来缩放长度通过下式计算得到:其中,dt表示所述未来缩放长度,L表示所述长度,at表示所述长度衰减系数,e为自然常数,t表示预测时间,Th表示历史移动方向最晚采集时间。
根据本公开的至少一个实施方式的障碍物未来占据空间的预测方法,所述未来缩放宽度通过下式计算得到:其中,dn表示所述未来缩放宽度,H表示所述宽度,an表示所述宽度衰减系数,e为自然常数,t表示预测时间,Th表示历史移动方向最晚采集时间。
根据本公开的至少一个实施方式的障碍物未来占据空间的预测方法,所述未来移动轨迹包括未来位置,所述根据所述未来缩放尺寸和所述未来移动轨迹确定所述障碍物的未来占据空间,包括:以所述未来位置为矩形框几何中心、以所述未来缩放长度为矩形框长度、以所述未来缩放宽度为矩形框宽度,绘制矩形框,所述矩形框的长度方向与所述当前移动速度方向平行,所述矩形框的宽度方向与所述矩形框的长度方向垂直;将所述矩形框框定的区域作为所述障碍物的未来占据空间。
根据本公开的第二方面,提供了一种障碍物未来占据空间的预测装置,包括:第一预测模块,用于根据障碍物的历史移动方向数据、当前移动速度和当前位置预测所述障碍物的未来移动轨迹;第二预测模块,用于根据所述障碍物的尺寸和所述当前移动速度预测所述障碍物的未来缩放尺寸;确定模块,用于根据所述未来缩放尺寸和所述未来移动轨迹确定所述障碍物的未来占据空间。
根据本公开的第三方面,提供了一种电子设备,包括:存储器,所述存储器存储执行指令;以及处理器,所述处理器执行所述存储器存储的执行指令,使得所述处理器执行本公开任一实施方式所述的障碍物未来占据空间的预测方法。
根据本公开的第四方面,提供了一种可读存储介质,所述可读存储介质中存储有执行指令,所述执行指令被处理器执行时用于实现本公开任一实施方式所述的障碍物未来占据空间的预测方法。
本公开提供的障碍物未来占据空间的预测方法、装置、电子设备及介质,根据障碍物的历史移动方向数据、当前移动速度和当前位置预测障碍物的未来移动轨迹,并根据障碍物的尺寸和当前移动速度预测障碍物的未来缩放尺寸,进而能够根据未来缩放尺寸和未来移动轨迹较准确地确定障碍物的未来占据空间,算法简单、运行效率高、可解释性强。
附图说明
附图示出了本公开的示例性实施方式,并与其说明一起用于解释本公开的原理,其中包括了这些附图以提供对本公开的进一步理解,并且附图包括在本说明书中并构成本说明书的一部分。
图1是根据本公开的一个实施方式的障碍物未来占据空间的预测方法的流程示意图。
图2是根据本公开的一个实施方式的预测障碍物未来移动轨迹的过程示意图。
图3是根据本公开的一个实施方式的预测障碍物未来移动方向的过程示意图。
图4是根据本公开的一个实施方式的确定目标拟合曲线的过程示意图。
图5是根据本公开的一个实施方式的确定目标拟合曲线的另一过程示意图。
图6是根据本公开的一个实施方式的预测障碍物未来缩放尺寸的过程示意图。
图7是根据本公开的一个实施方式的障碍物尺寸定义方式的可视化示例图。
图8是根据本公开的一个实施方式的障碍物未来占据空间的预测方法的另一流程示意图。
图9是根据本公开的一个实施方式的拟合权重曲线的可视化示例图。
图10是根据本公开的一个实施方式的历史移动方向数据的可视化示例图。
图11是根据本公开的一个实施方式的障碍物未来占据空间的可视化示例图。
图12是根据本公开的一个实施方式的采用处理系统的硬件实现方式的障碍物未来占据空间的预测装置的结构示意框图。
具体实施方式
下面结合附图和实施方式对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施方式仅用于解释相关内容,而非对本公开的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本公开相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本公开的技术方案。
除非另有说明,否则示出的示例性实施方式/实施例将被理解为提供可以在实践中实施本公开的技术构思的一些方式的各种细节的示例性特征。因此,除非另有说明,否则在不脱离本公开的技术构思的情况下,各种实施方式/实施例的特征可以另外地组合、分离、互换和/或重新布置。
在附图中使用交叉影线和/或阴影通常用于使相邻部件之间的边界变得清晰。如此,除非说明,否则交叉影线或阴影的存在与否均不传达或表示对部件的具体材料、材料性质、尺寸、比例、示出的部件之间的共性和/或部件的任何其它特性、属性、性质等的任何偏好或者要求。此外,在附图中,为了清楚和/或描述性的目的,可以夸大部件的尺寸和相对尺寸。当可以不同地实施示例性实施例时,可以以不同于所描述的顺序来执行具体的工艺顺序。例如,可以基本同时执行或者以与所描述的顺序相反的顺序执行两个连续描述的工艺。此外,同样的附图标记表示同样的部件。
当一个部件被称作“在”另一部件“上”或“之上”、“连接到”或“结合到”另一部件时,该部件可以直接在所述另一部件上、直接连接到或直接结合到所述另一部件,或者可以存在中间部件。然而,当部件被称作“直接在”另一部件“上“、“直接连接到”或“直接结合到”另一部件时,不存在中间部件。为此,术语“连接”可以指物理连接、电气连接等,并且具有或不具有中间部件。
本文使用的术语是为了描述具体实施例的目的,而不意图是限制性的。如这里所使用的,除非上下文另外清楚地指出,否则单数形式“一个(种、者)”和“所述(该)”也意图包括复数形式。此外,当在本说明书中使用术语“包含”和/或“包括”以及它们的变型时,说明存在所陈述的特征、整体、步骤、操作、部件、组件和/或它们的组,但不排除存在或附加一个或更多个其它特征、整体、步骤、操作、部件、组件和/或它们的组。还要注意的是,如这里使用的,术语“基本上”、“大约”和其它类似的术语被用作近似术语而不用作程度术语,如此,它们被用来解释本领域普通技术人员将认识到的测量值、计算值和/或提供的值的固有偏差。
下文结合图1至图12对本公开的障碍物未来占据空间的预测方法和障碍物未来占据空间的预测装置等进行详细说明。
图1是根据本公开的一个实施方式的障碍物未来占据空间的预测方法的流程示意图。本公开的障碍物未来占据空间的预测方法可用于本车自动驾驶场景、机器人自动导航场景或无人机自动巡航场景等,以下将以本车自动驾驶场景为例,对本公开的障碍物未来占据空间的预测方法进行详细说明。如图1所示,本公开实施例的障碍物未来占据空间的预测方法可以包括步骤S10、步骤S20和步骤S30。
S10:根据障碍物的历史移动方向数据、当前移动速度和当前位置预测障碍物的未来移动轨迹。
可以理解的是,在相关技术中,采用简单规则的预测模型(如匀加速直线预测模型、匀速直线预测模型等)预测障碍物的未来移动轨迹,这些预测模型仅依赖障碍物的当前状态数据进行预测,进而导致预测出的障碍物未来移动轨迹的准确率较低。
而在本公开的实施方式中,在预测障碍物未来移动轨迹时,不仅用到了障碍物的当前移动速度和当前位置,还用到了障碍物的历史移动方向数据,从而增强了对历史数据的依赖,提高了预测出的障碍物未来移动轨迹的准确率。
障碍物的历史移动方向数据可包括障碍物的多个历史移动方向。历史移动方向,可以理解为障碍物的历史绝对移动方向。示例性地,绝对移动方向为在北东地坐标系或东北天坐标系中的移动方向。
障碍物的当前移动速度,可以理解为障碍物的当前相对大地移动速度。
障碍物的当前位置,可以理解为障碍物的当前绝对位置。示例性地,绝对位置为GPS定位坐标。
示例性地,可通过本车上装载的诸如摄像头、激光雷达等传感器获取障碍物历史相对本车移动方向、当前相对本车移动速度和当前相对本车位置,进而通过预设转换算法,将障碍物历史相对本车移动方向、当前相对本车移动速度和当前相对本车位置分别转换为障碍物的历史绝对移动方向、当前相对大地移动速度和当前绝对位置,从而获得障碍物的历史移动移动方向数据、当前移动速度和当前位置。对于障碍物的历史移动方向数据、当前移动速度和当前位置的获取方式,本公开实施方式不作限制。
在获取到障碍物的历史移动方向数据、当前移动速度和当前位置之后,可结合障碍物的历史移动方向数据、当前移动速度和当前位置预测出障碍物的未来移动轨迹。
S20:根据障碍物的尺寸和当前移动速度预测障碍物的未来缩放尺寸。
示例性地,障碍物的尺寸可以根据障碍物的类别选择相应的默认配置。例如,可以通过本车的摄像头等传感器采集包含障碍物的图像,通过图像处理来确定障碍物的类别,进而在预存的障碍物尺寸数据中查询对应该障碍物类别的尺寸,即可获得障碍物的尺寸等数据。
进一步地,假设障碍物的类别为车辆,其形状通常默认为矩形,进而障碍物的尺寸可以包括障碍物的长度和宽度等信息。假设障碍物的类别为人,其形状也可默认为矩形,进而障碍物的尺寸同样可以包括障碍物的长度和宽度等信息。
当然,还可采用诸如目标检测等算法对包含障碍物的图像进行处理来获得障碍物的实时尺寸信息。对于障碍物尺寸的表达方式、具体内容、获取方式等,本公开实施例均不作限制。
在获取到障碍物的尺寸和当前移动速度之后,可结合障碍物的尺寸和当前移动速度预测出障碍物的未来缩放尺寸。
障碍物的未来缩放尺寸,可以理解为障碍物在预设障碍物占据空间坐标系中的未来尺寸,也可以理解为对障碍物的尺寸进行缩放之后得到的尺寸。示例性地,若移动中的障碍物逐渐远离本车,则障碍物的在预设障碍物占据空间坐标系中的未来尺寸逐渐缩小,也即障碍物的未来缩放尺寸逐渐缩小;若移动中的障碍物逐渐靠近本车,则障碍物的在预设障碍物占据空间坐标系中的未来尺寸逐渐放大,也即障碍物的未来缩放尺寸逐渐放大。
需要指出的是,在图1的示例中,步骤S20在步骤S10之后执行,在其他示例中,步骤S20也可在步骤S10之前执行,或者步骤S20与步骤S10同时执行,步骤S20与步骤S10的执行顺序,在此不作限定。
S30:根据未来缩放尺寸和未来移动轨迹确定障碍物的未来占据空间。
示例性地,根据未来移动轨迹可以确定障碍物在预设障碍物占据空间坐标系中的位置,根据未来缩放尺寸可以确定障碍物在预设障碍物占据空间坐标系中尺寸,进而在获取到未来缩放尺寸和未来移动轨迹之后,能够在预设障碍物占据空间坐标系中确定出障碍物的未来占据空间。障碍物的未来占据空间,可以理解为障碍物在预设障碍物占据空间坐标系中某一位置占据的一定尺寸的区域。
在某些实施方式中,在确定出障碍物的未来占据空间之后,根据确定出的障碍物的未来占据空间进行自动驾驶决策。
本公开提供的障碍物未来占据空间的预测方法,根据障碍物的历史移动方向数据、当前移动速度和当前位置预测障碍物的未来移动轨迹,并根据障碍物的尺寸和当前移动速度预测障碍物的未来缩放尺寸,进而能够根据未来缩放尺寸和未来移动轨迹较准确地确定障碍物的未来占据空间,算法简单、运行效率高、可解释性强。并且根据本公开确定出的障碍物的未来占据空间进行自动驾驶决策,能够避免自动驾驶决策结果过于保守。
请参阅图2,在一些实施方式中,步骤S10包括步骤S11和步骤S12。
S11:根据障碍物的历史移动方向数据预测障碍物的未来移动方向。
S12:根据未来移动方向、当前移动速度和当前位置预测障碍物的未来移动轨迹。
如此,能够充分结合障碍物的历史移动方向数据、当前移动速度和当前位置预测出障碍物的未来移动轨迹,提高了预测出的障碍物未来移动轨迹的准确率。
示例性地,可采用最小二乘法对障碍物的历史移动方向数据进行曲线拟合,根据拟合得到的曲线预测障碍物的未来移动方向,进而根据未来移动方向、当前移动速度和当前位置预测障碍物的未来移动轨迹。
示例性地,历史移动方向可通过历史角度进行表征,一般情况下,历史角度定义范围为[-pi,pi],在采用最小二乘法对障碍物的历史移动方向数据进行曲线拟合之前,还包括:对障碍物的历史角度数据进行预处理,例如,将对应历史角度加或者减2k*Pi,k=0、1、2…,以使得预处理后的历史角度数据为单调的。进一步地,采用最小二乘法对障碍物的历史移动方向数据进行曲线拟合,包括:采用最小二乘法对预处理后的历史角度数据进行曲线拟合。
在一些实施方式中,历史移动方向数据包括多个历史移动方向。相应地,请参阅图3,步骤S11包括步骤S111、步骤S112和步骤S113。
S111:确定多个历史移动方向的拟合权重。
S112:根据多个历史移动方向及其对应的拟合权重确定目标拟合曲线。
S113:根据目标拟合曲线预测障碍物的未来移动方向。
如此,基于多个历史移动方向的拟合权重对多个历史移动方向进行拟合,能够保证确定出的目标拟合曲线更加准确可靠,进而提高障碍物的未来移动方向的预测准确率。
具体地,不同时间采集到的历史移动方向的拟合权重不同。
示例性地,越早采集到的历史移动方向的拟合权重越小,越晚采集到的历史移动方向的拟合权重越大。如此,保证后续拟合的结果更加贴近障碍物的当前运动状态,且又不忽略障碍物的历史运动状态。
示例性地,目标拟合曲线能够表征障碍物移动方向随时间的变化关系,进而在确定出目标拟合曲线之后,对于某一未来预测时间,可根据目标拟合曲线确定出对应的障碍物未来移动方向。
在一些实施方式中,历史移动方向的拟合权重通过以下公式(1)计算得到:
公式(1)中,wi表示第i个历史移动方向的拟合权重,e为自然常数,aw为标定参数,ti表示第i个历史移动方向的采集时间。
如此,采用指数型函数为各历史移动方向分配不同的权重,使得后续拟合结果贴近障碍物的当前运动状态,提高预测准确率。
示例性地,针对不同的车型,aw可以采用不同的值。
请参阅图4,在一些实施方式中,步骤S112包括步骤S1121、步骤S1122、步骤S1123、步骤S1124和步骤S1125。
S1121:根据多个历史移动方向及其对应的拟合权重确定常数拟合曲线、一次拟合曲线和二次拟合曲线。
S1122:根据常数拟合曲线、多个历史移动方向及其对应的拟合权重计算常数拟合曲线误差。
S1123:根据一次拟合曲线、多个历史移动方向及其对应的拟合权重计算一次拟合曲线误差。
S1124:根据二次拟合曲线、多个历史移动方向及其对应的拟合权重计算二次拟合曲线误差。
S1125:根据常数拟合曲线误差、一次拟合曲线误差和二次拟合曲线误差确定目标拟合曲线。
如此,采用三种不同的曲线对障碍物的历史移动方向进行拟合,能够覆盖更多场景,保证确定出的目标拟合曲线更加符合障碍物的实际运动状态,进而提高预测准确率。
可以理解的是,常数拟合曲线代表障碍物沿直线行驶,一次拟合曲线代表障碍物通过圆弧型弯道,二次拟合曲线代表障碍物通过S型弯道。
示例性地,目标拟合曲线可为常数拟合曲线、一次拟合曲线和二次拟合曲线中的一种。
在一些实施方式中,常数拟合曲线通过以下公式(2)和公式(3)计算得到:
θ=c0 公式(2)。
公式(2)和公式(3)中,θ表示障碍物的移动方向,c0表示常数拟合曲线的常数项,wi表示第i个历史移动方向的拟合权重,yi表示第i个历史移动方向,n表示历史移动方向的总数量。
在一些实施方式中,常数拟合曲线误差通过以下公式(4)计算得到:
公式(4)中,f0表示常数拟合曲线误差。
在一些实施方式中,一次拟合曲线通过以下公式(5)、公式(6)和公式(7)计算得到:
θ=b1t+c1 公式(5)。
公式(5)、公式(6)和公式(7)中,θ表示障碍物的移动方向,b1表示一次拟合曲线的一次项系数,t表示预测时间,c1表示一次拟合曲线的常数项,wi表示第i个历史移动方向的拟合权重,ti表示第i个历史移动方向的采集时间,yi表示第i个历史移动方向,n表示历史移动方向的总数量。
示例性地,预测时间t的取值可为历史移动方向的采集时间,也可为当前时间或未来时间。
示例性地,“时间”为绝对时间,也即单调递增的时间,例如,历史移动方向数据中包括第2s时采集的一个历史移动方向、第3s时采集的一个历史移动方向、第4s时采集的一个历史移动方向和第5s时采集的一个历史移动方向(此时历史移动方向最晚采集时间即为5s),当前时间为第6s,若想预测第7s时障碍物的移动方向,则令t取值为7s,进而结合公式(5)计算出第7s时障碍物的移动方向。
在一些实施方式中,一次拟合曲线误差通过以下公式(8)计算得到:
公式(8)中,f1表示一次拟合曲线误差。
在一些实施方式中,二次拟合曲线通过以下公式(9)至公式(18)计算得到:
θ=a2t2+b2t+c2 公式(9)。
/>
公式(9)至公式(18)中,θ表示障碍物的移动方向,a2表示二次拟合曲线的二次项系数,b2表示二次拟合曲线的一次项系数,t表示预测时间,c2表示二次拟合曲线的常数项,wi表示第i个历史移动方向的拟合权重,ti表示第i个历史移动方向的采集时间,yi表示第i个历史移动方向,n表示历史移动方向的总数量。
在一些实施方式中,二次拟合曲线误差通过以下公式(19)计算得到:
公式(19)中,f2表示二次拟合曲线误差。
在一些实施方式中,步骤S1125包括步骤S11251、步骤S11252、步骤S11253、步骤S11254和步骤S11255。
S11251:确定常数拟合曲线误差、一次拟合曲线误差和二次拟合曲线误差中的最小值。
S11252:响应于最小值为常数拟合曲线误差,将常数拟合曲线作为目标拟合曲线。
S11253:响应于最小值为一次拟合曲线误差,将一次拟合曲线作为目标拟合曲线。
S11254:响应于最小值为二次拟合曲线误差、且二次拟合曲线的二次项系数绝对值大于0,若二次拟合曲线的顶点横坐标小于历史移动方向最晚采集时间、或二次拟合曲线的顶点横坐标大于未来移动方向最晚预测时间,将二次拟合曲线作为目标拟合曲线。
S11255:响应于最小值为二次拟合曲线误差,若二次拟合曲线的二次项系数等于0、或二次拟合曲线的顶点横坐标大于等于历史移动方向最晚采集时间且小于等于未来移动方向最晚预测时间,将一次拟合曲线作为目标拟合曲线。
如此,将拟合程度最好的拟合曲线作为目标拟合曲线,进而提高后续根据目标拟合曲线确定出的障碍物未来移动轨迹的准确率。
示例性地,在确定出常数拟合曲线误差、一次拟合曲线误差和二次拟合曲线误差之后,请结合图5,首先判断常数拟合曲线误差是否为三者中的最小值,若是,则直接将常数拟合曲线确定为目标拟合曲线;若否,则进一步判断一次拟合曲线误差是否为三者中的最小值。若一次拟合曲线误差是三者中的最小值,则直接将一次拟合曲线确定为目标拟合曲线;若一次拟合曲线误差不是三者中的最小值,则进一步判断二次拟合曲线的二次项系数a2绝对值是否大于0、且二次拟合曲线的顶点横坐标Te是否小于历史移动方向最晚采集时间Th或二次拟合曲线的顶点横坐标Te是否大于未来移动方向最晚预测时间Tp。进而,在二次拟合曲线的二次项系数a2绝对值大于0的情况下,若二次拟合曲线的顶点横坐标Te小于历史移动方向最晚采集时间Th、或二次拟合曲线的顶点横坐标Te大于未来移动方向最晚预测时间Tp,则将二次拟合曲线作为目标拟合曲线;在二次拟合曲线的二次项系数a2等于0的情况下,将一次拟合曲线作为目标拟合曲线;在二次拟合曲线的顶点横坐标Te大于等于历史移动方向最晚采集时间Th且二次拟合曲线的顶点横坐标Te小于等于未来移动方向最晚预测时间Tp的情况下,将一次拟合曲线作为目标拟合曲线。其中,二次拟合曲线的顶点横坐标Te=-b2/2a2。如此,避免未来移动方向的预测时间内包含二次拟合曲线的极点。
在一个例子中,预先设置最大预测时长,进而在当前时间的基础上加上最大预测时长,即可得到未来移动方向最晚预测时间。
在一些实施方式中,障碍物的未来移动轨迹通过以下公式(20)计算得到:
公式(20)中,(xk,yk)表示k时刻障碍物的位置,(xk-1,yk-1)表示k-1时刻障碍物的位置,v表示当前移动速度,Δt表示k时刻与k-1时刻的时间差,θk-1表示k-1时刻障碍物的移动方向。
可以理解的是,在相关技术中,基于预先训练好的神经网络模型(比如长短期记忆递归神经网络模型等)预测障碍物的未来移动轨迹,但是这样前期需要依赖大量的样本数据进行模型学习和模型训练,整体效率低下,并且算法可解释性差。而在本实施方式中,采用如公式(20)所示的显示函数模型对障碍物的未来移动轨迹进行预测,不需要采用大量的样本数据进行模型学习和模型训练,整体效率更高,并且可解释性更强。
k时刻障碍物的位置,可以理解为障碍物的未来位置。k-1时刻障碍物的位置,可以理解为k时刻的上一时刻障碍物的位置。
在一个例子中,当前时间为第6s,若想在当前时间预测障碍物每间隔1s(即Δt为1s)的未来移动轨迹,则过程可为:首先,确定k-1取6s、k取7s,然后将第6s时障碍物的位置(即当前位置)、第6s时障碍物的移动速度(即当前移动速度)和第6s时障碍物的移动方向带入上述公式(20),求解得到第7s时障碍物的位置;接着,确定k-1取7s、k取8s,然后将第7s时障碍物的位置、第6s时障碍物的移动速度(即当前移动速度)和第7s时障碍物的移动方向带入上述公式(20),求解得到第8s时障碍物的位置;其次,确定k-1取8s、k取9s,然后将第8s时障碍物的位置、第6s时障碍物的移动速度(即当前移动速度)和第8s时障碍物的移动方向带入上述公式(20),求解得到第9s时障碍物的位置,如此类推,直至确定出最晚预测时间障碍物的位置,最后将第6s至最晚预测时间之间障碍物的位置连接起来生成障碍物的未来移动轨迹。
在一些实施方式中,尺寸包括长度和宽度,未来缩放尺寸包括未来缩放长度和未来缩放宽度。相应地,请参阅图6,步骤S20包括步骤S21、步骤S22和步骤S23。
S21:根据当前移动速度确定长度衰减系数和宽度衰减系数。
S22:根据长度和长度衰减系数预测障碍物的未来缩放长度。
S23:根据宽度和宽度衰减系数预测障碍物的未来缩放宽度。
如此,基于长度衰减系数和宽度衰减系数对障碍物的尺寸进行缩放,以确定障碍物的未来缩放尺寸,进而便于后续根据障碍物的未来缩放尺寸准确确定障碍物的未来占据空间,从而使得在根据本公开确定出的障碍物的未来占据空间进行自动驾驶决策时,避免自动驾驶决策结果过于保守。
请结合图7,示例性地,障碍物当前移动速度为v,将障碍物沿当前移动速度方向A上的尺寸定义为障碍物的长度,将障碍物沿当前移动速度的法线方向B上的尺寸定义为障碍物的宽度。进而,长度衰减系数,可以理解为障碍物当前移动速度方向A上的衰减系数;宽度衰减系数,可以理解为障碍物当前移动速度的法线方向B上的衰减系数。
示例性地,可以预先标定不同移动速度对应的长度衰减系数和宽度衰减系数,并以表格的形式进行存储,进而在确定出当前移动速度之后,可通过查表快速确定当前移动速度对应的长度衰减系数和宽度衰减系数。
在一个例子中,若当前移动速度为0,则长度衰减系数和宽度衰减系数均为0;若当前移动速度为10km/h,则长度衰减系数为0.03、宽度衰减系数为0.01;若当前移动速度为50km/h,则长度衰减系数为0.14、宽度衰减系数为0.07;若当前移动速度为100km/h,则长度衰减系数为0.18、宽度衰减系数为0.10。
在一些实施方式中,未来缩放长度通过以下公式(21)计算得到:
公式(21)中,dt表示未来缩放长度,L表示长度,at表示长度衰减系数,e为自然常数,t表示预测时间,Th表示历史移动方向最晚采集时间。
如此,采用如公式(21)所示的指数型衰减函数对障碍物的长度进行衰减,进而能够根据未来缩放长度较准确地确定出障碍物的未来占据空间,从而使得在根据本公开确定出的障碍物的未来占据空间进行自动驾驶决策时,避免自动驾驶决策结果过于保守。
在一个例子中,历史移动方向数据中包括第2s时采集的一个历史移动方向、第3s时采集的一个历史移动方向、第4s时采集的一个历史移动方向和第5s时采集的一个历史移动方向,障碍物的长度为5m,长度衰减系数为0.03,当前时间为第6s,若想预测第7s时障碍物的未来缩放长度,则令t取值为7s、Th取值为5s、L取值为5m、at取值为0.03,进而结合公式(21)计算出第7s时障碍物的未来缩放长度。
在一些实施方式中,未来缩放宽度通过以下公式(22)计算得到:
公式(22)中,dn表示未来缩放宽度,H表示宽度,an表示宽度衰减系数,e为自然常数,t表示预测时间,Th表示历史移动方向最晚采集时间。
如此,采用如公式(22)所示的指数型衰减函数对障碍物的宽度进行衰减,进而能够根据未来缩放宽度较准确地确定出障碍物的未来占据空间,从而使得在根据本公开确定出的障碍物的未来占据空间进行自动驾驶决策时,避免自动驾驶决策结果过于保守。
在一些实施方式中,未来移动轨迹包括未来位置。相应地,步骤S30包括步骤S31和步骤S32。
S31:以未来位置为矩形框几何中心、以未来缩放长度为矩形框长度、以未来缩放宽度为矩形框宽度,绘制矩形框,矩形框的长度方向与当前移动速度方向平行,矩形框的宽度方向与矩形框的长度方向垂直。
S32:将矩形框框定的区域作为障碍物的未来占据空间。
如此,能够根据未来移动轨迹和未来缩放尺寸准确地确定出障碍物的未来占据空间,从而使得在根据本公开确定出的障碍物的未来占据空间进行自动驾驶决策时,避免自动驾驶决策结果过于保守。
请结合图8,以下将以一个完整的实施例对本公开的障碍物未来占据空间的预测方法进行说明:
在本实施例中,标定参数aw为0.25,进而历史移动方向的拟合权重曲线如图9所示。障碍物的当前移动速度v为50km/h,障碍物的长度L为5m,障碍物的宽度H为2.4m,障碍物过去5s内的历史移动方向数据如图10所示。
进一步地,根据如图9所示的拟合权重对障碍物的历史移动方向进行拟合,获得常数拟合曲线、一次拟合曲线和二次拟合曲线,并计算出常数拟合曲线误差、一次拟合曲线误差和二次拟合曲线误差,通过比较常数拟合曲线误差、一次拟合曲线误差和二次拟合曲线误差,确定出依次拟合曲线误差最小,因此将一次拟合曲线作为目标拟合曲线,采用一次拟合曲线预测障碍物的未来移动方向,进而根据障碍物的未来移动方向、障碍物的当前移动速度和障碍物的当前位置预测出障碍物的未来移动轨迹。其中,一次拟合曲线的常数项c1为0.529,一次拟合曲线的一次项系数b1为0.040。
同时,由于障碍物的当前移动速度v为50km/h,可确定出长度衰减系数为0.14、宽度衰减系数为0.07,进而根据长度衰减系数预测出障碍物的未来缩放长度,并根据宽度衰减系数预测出障碍物的未来缩放宽度。
最后,结合障碍物的未来移动轨迹、未来缩放长度和未来缩放宽度确定出障碍物的未来占据空间。为了方便展示,将障碍物的当前几何中心位置设置为坐标原点,将当前时间记为0.0s,进而本实施例得到的障碍物的未来占据空间如图11所示。
图12是根据本公开的一个实施方式的采用处理系统的硬件实现方式的障碍物未来占据空间的预测装置的结构示意框图。
该装置可以包括执行上述流程图中各个或几个步骤的相应模块。因此,可以由相应模块执行上述流程图中的每个步骤或几个步骤,并且该装置可以包括这些模块中的一个或多个模块。模块可以是专门被配置为执行相应步骤的一个或多个硬件模块、或者由被配置为执行相应步骤的处理器来实现、或者存储在计算机可读介质内用于由处理器来实现、或者通过某种组合来实现。
该硬件结构可以利用总线架构来实现。总线架构可以包括任何数量的互连总线和桥接器,这取决于硬件的特定应用和总体设计约束。总线1100将包括一个或多个处理器1200、存储器1300和/或硬件模块的各种电路连接到一起。总线1100还可以将诸如外围设备、电压调节器、功率管理电路、外部天线等的各种其它电路1400连接。
总线1100可以是工业标准体系结构(ISA,Industry Standard Architecture)总线、外部设备互连(PCI,Peripheral Component)总线或扩展工业标准体系结构(EISA,Extended Industry Standard Component)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,该图中仅用一条连接线表示,但并不表示仅有一根总线或一种类型的总线。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本公开的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本公开的实施方式所属技术领域的技术人员所理解。处理器执行上文所描述的各个方法和处理。例如,本公开中的方法实施方式可以被实现为软件程序,其被有形地包含于机器可读介质,例如存储器。在一些实施方式中,软件程序的部分或者全部可以经由存储器和/或通信接口而被载入和/或安装。当软件程序加载到存储器并由处理器执行时,可以执行上文描述的方法中的一个或多个步骤。备选地,在其他实施方式中,处理器可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上述方法之一。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,可以具体实现在任何可读存储介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。
就本说明书而言,“可读存储介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。可读存储介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式只读存储器(CDROM)。另外,可读存储介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在存储器中。
应当理解,本公开的各部分可以用硬件、软件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施方式方法的全部或部分步骤是可以通过程序来指令相关的硬件完成,程序可以存储于一种可读存储介质中,该程序在执行时,包括方法实施方式的步骤之一或其组合。
此外,在本公开各个实施方式中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个可读存储介质中。存储介质可以是只读存储器,磁盘或光盘等。
图12是根据本公开的一个实施方式的障碍物未来占据空间的预测装置1000的一种结构示意图。如图12所示,根据本公开的障碍物未来占据空间的预测装置1000可以包括第一预测模块1002、第二预测模块1004和确定模块1006。
其中,第一预测模块1002,用于根据障碍物的历史移动方向数据、当前移动速度和当前位置预测障碍物的未来移动轨迹。第二预测模块1004,用于根据障碍物的尺寸和当前移动速度预测障碍物的未来缩放尺寸。确定模块1006,用于根据未来缩放尺寸和未来移动轨迹确定障碍物的未来占据空间。
本公开还提供了一种电子设备,包括:存储器,存储器存储执行指令;以及处理器或其他硬件模块,处理器或其他硬件模块执行存储器存储的执行指令,使得处理器或其他硬件模块执行上述障碍物未来占据空间的预测方法。
示例性地,电子设备包括但不限于车载终端、服务器、域控制器、飞行控制器等。
本公开还提供了一种可读存储介质,可读存储介质中存储有执行指令,执行指令被处理器执行时用于实现上述障碍物未来占据空间的预测方法。
在本说明书的描述中,参考术语“一个实施方式/方式”、“一些实施方式/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施方式/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式/方式或示例中。在本说明书中,对上述术语的示意性表述不必须的是相同的实施方式/方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施方式/方式或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施方式/方式或示例以及不同实施方式/方式或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
本领域的技术人员应当理解,上述实施方式仅仅是为了清楚地说明本公开,而并非是对本公开的范围进行限定。对于所属领域的技术人员而言,在上述公开的基础上还可以做出其它变化或变型,并且这些变化或变型仍处于本公开的范围内。
Claims (10)
1.一种障碍物未来占据空间的预测方法,其特征在于,包括:
根据障碍物的历史移动方向数据、当前移动速度和当前位置预测所述障碍物的未来移动轨迹;
根据所述障碍物的尺寸和所述当前移动速度预测所述障碍物的未来缩放尺寸;
根据所述未来缩放尺寸和所述未来移动轨迹确定所述障碍物的未来占据空间。
2.根据权利要求1所述的障碍物未来占据空间的预测方法,其特征在于,所述根据障碍物的历史移动方向数据、当前移动速度和当前位置预测所述障碍物的未来移动轨迹,包括:
根据所述障碍物的历史移动方向数据预测所述障碍物的未来移动方向;
根据所述未来移动方向、所述当前移动速度和所述当前位置预测所述障碍物的未来移动轨迹。
3.根据权利要求2所述的障碍物未来占据空间的预测方法,其特征在于,所述历史移动方向数据包括多个历史移动方向,所述根据所述障碍物的历史移动方向数据预测所述障碍物的未来移动方向,包括:
确定多个所述历史移动方向的拟合权重;
根据多个所述历史移动方向及其对应的拟合权重确定目标拟合曲线;
根据所述目标拟合曲线预测所述障碍物的未来移动方向。
4.根据权利要求3所述的障碍物未来占据空间的预测方法,其特征在于,所述历史移动方向的拟合权重通过下式计算得到:
其中,wi表示第i个历史移动方向的拟合权重,e为自然常数,aw为标定参数,ti表示第i个历史移动方向的采集时间。
5.根据权利要求3所述的障碍物未来占据空间的预测方法,其特征在于,所述根据多个所述历史移动方向及其对应的拟合权重确定目标拟合曲线,包括:
根据多个所述历史移动方向及其对应的拟合权重确定常数拟合曲线、一次拟合曲线和二次拟合曲线;
根据所述常数拟合曲线、多个所述历史移动方向及其对应的拟合权重计算常数拟合曲线误差;
根据所述一次拟合曲线、多个所述历史移动方向及其对应的拟合权重计算一次拟合曲线误差;
根据所述二次拟合曲线、多个所述历史移动方向及其对应的拟合权重计算二次拟合曲线误差;
根据所述常数拟合曲线误差、所述一次拟合曲线误差和所述二次拟合曲线误差确定所述目标拟合曲线;
可选地,所述常数拟合曲线通过下式计算得到:
θ=c0,
其中,θ表示所述障碍物的移动方向,c0表示所述常数拟合曲线的常数项,wi表示第i个历史移动方向的拟合权重,yi表示第i个历史移动方向,n表示所述历史移动方向的总数量;
可选地,所述常数拟合曲线误差通过下式计算得到:
其中,f0表示所述常数拟合曲线误差;
可选地,所述一次拟合曲线通过下式计算得到:
θ=b1t+c1,
其中,θ表示所述障碍物的移动方向,b1表示所述一次拟合曲线的一次项系数,t表示预测时间,c1表示所述一次拟合曲线的常数项,wi表示第i个历史移动方向的拟合权重,ti表示第i个历史移动方向的采集时间,yi表示第i个历史移动方向,n表示所述历史移动方向的总数量;
可选地,所述一次拟合曲线误差通过下式计算得到:
其中,f1表示所述一次拟合曲线误差;
可选地,所述二次拟合曲线通过下式计算得到:
θ=a2t2+b2t+c2,
其中,θ表示所述障碍物的移动方向,a2表示所述二次拟合曲线的二次项系数,b2表示所述二次拟合曲线的一次项系数,t表示预测时间,c2表示所述二次拟合曲线的常数项,wi表示第i个历史移动方向的拟合权重,ti表示第i个历史移动方向的采集时间,yi表示第i个历史移动方向,n表示所述历史移动方向的总数量;
可选地,所述二次拟合曲线误差通过下式计算得到:
其中,f2表示所述二次拟合曲线误差;
可选地,所述根据所述常数拟合曲线误差、所述一次拟合曲线误差和所述二次拟合曲线误差确定所述目标拟合曲线,包括:
确定所述常数拟合曲线误差、所述一次拟合曲线误差和所述二次拟合曲线误差中的最小值;
响应于所述最小值为所述常数拟合曲线误差,将所述常数拟合曲线作为所述目标拟合曲线;
响应于所述最小值为所述一次拟合曲线误差,将所述一次拟合曲线作为所述目标拟合曲线;
响应于所述最小值为所述二次拟合曲线误差、且所述二次拟合曲线的二次项系数绝对值大于0,若所述二次拟合曲线的顶点横坐标小于历史移动方向最晚采集时间、或所述二次拟合曲线的顶点横坐标大于未来移动方向最晚预测时间,将所述二次拟合曲线作为所述目标拟合曲线;
响应于所述最小值为所述二次拟合曲线误差,若所述二次拟合曲线的二次项系数等于0、或所述二次拟合曲线的顶点横坐标大于等于历史移动方向最晚采集时间且小于等于未来移动方向最晚预测时间,将所述一次拟合曲线作为所述目标拟合曲线。
6.根据权利要求2所述的障碍物未来占据空间的预测方法,其特征在于,所述障碍物的未来移动轨迹通过下式计算得到:
其中,(xk,yk)表示k时刻所述障碍物的位置,(xk-1,yk-1)表示k-1时刻所述障碍物的位置,v表示所述当前移动速度,Δt表示k时刻与k-1时刻的时间差,θk-1表示k-1时刻所述障碍物的移动方向。
7.根据权利要求1所述的障碍物未来占据空间的预测方法,其特征在于,所述尺寸包括长度和宽度,所述未来缩放尺寸包括未来缩放长度和未来缩放宽度,所述根据所述障碍物的尺寸和所述当前移动速度预测所述障碍物的未来缩放尺寸,包括:
根据所述当前移动速度确定长度衰减系数和宽度衰减系数;
根据所述长度和所述长度衰减系数预测所述障碍物的未来缩放长度;
根据所述宽度和所述宽度衰减系数预测所述障碍物的未来缩放宽度;
可选地,所述未来缩放长度通过下式计算得到:
其中,dt表示所述未来缩放长度,L表示所述长度,at表示所述长度衰减系数,e为自然常数,t表示预测时间,Th表示历史移动方向最晚采集时间;
可选地,所述未来缩放宽度通过下式计算得到:
其中,dn表示所述未来缩放宽度,H表示所述宽度,an表示所述宽度衰减系数,e为自然常数,t表示预测时间,Th表示历史移动方向最晚采集时间;
可选地,所述未来移动轨迹包括未来位置,所述根据所述未来缩放尺寸和所述未来移动轨迹确定所述障碍物的未来占据空间,包括:
以所述未来位置为矩形框几何中心、以所述未来缩放长度为矩形框长度、以所述未来缩放宽度为矩形框宽度,绘制矩形框,所述矩形框的长度方向与所述当前移动速度方向平行,所述矩形框的宽度方向与所述矩形框的长度方向垂直;
将所述矩形框框定的区域作为所述障碍物的未来占据空间。
8.一种障碍物未来占据空间的预测装置,其特征在于,包括:
第一预测模块,用于根据障碍物的历史移动方向数据、当前移动速度和当前位置预测所述障碍物的未来移动轨迹;
第二预测模块,用于根据所述障碍物的尺寸和所述当前移动速度预测所述障碍物的未来缩放尺寸;
确定模块,用于根据所述未来缩放尺寸和所述未来移动轨迹确定所述障碍物的未来占据空间。
9.一种电子设备,其特征在于,包括:
存储器,所述存储器存储执行指令;以及
处理器,所述处理器执行所述存储器存储的执行指令,使得所述处理器执行如权利要求1至7中任一项所述的障碍物未来占据空间的预测方法。
10.一种可读存储介质,其特征在于,所述可读存储介质中存储有执行指令,所述执行指令被处理器执行时用于实现如权利要求1至7中任一项所述的障碍物未来占据空间的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311383960.6A CN117429448A (zh) | 2023-10-24 | 2023-10-24 | 障碍物未来占据空间的预测方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311383960.6A CN117429448A (zh) | 2023-10-24 | 2023-10-24 | 障碍物未来占据空间的预测方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117429448A true CN117429448A (zh) | 2024-01-23 |
Family
ID=89557837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311383960.6A Pending CN117429448A (zh) | 2023-10-24 | 2023-10-24 | 障碍物未来占据空间的预测方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117429448A (zh) |
-
2023
- 2023-10-24 CN CN202311383960.6A patent/CN117429448A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6644742B2 (ja) | 頑健で効率的な車両測位用のアルゴリズム及びインフラ | |
US10816977B2 (en) | Path and speed optimization fallback mechanism for autonomous vehicles | |
CN111583715B (zh) | 一种车辆轨迹预测方法、车辆碰撞预警方法、装置及存储介质 | |
US20200049511A1 (en) | Sensor fusion | |
CN110316193B (zh) | 预瞄距离的设置方法、装置、设备及计算机可读存储介质 | |
CN107450593B (zh) | 一种无人机自主导航方法和系统 | |
CN110632921A (zh) | 机器人路径规划方法、装置、电子设备和存储介质 | |
US9823661B2 (en) | Occupancy grid map for a vehicle | |
CN111936825A (zh) | 传感器校准 | |
JP7042905B2 (ja) | 逆センサモデルを生成する方法および装置、ならびに障害物を検出するための方法 | |
CN114599995A (zh) | 根据静止路边对象的雷达回波估计面内速度 | |
CN108255170A (zh) | 动态地调整自动驾驶车辆的速度控制率的方法 | |
US11077756B2 (en) | Area occupancy determining device | |
CN114943952A (zh) | 多相机重叠视域下障碍物融合方法、系统、设备和介质 | |
US20200204903A1 (en) | Method and System for Locating an Acoustic Source Relative to a Vehicle | |
JP7047576B2 (ja) | 地図作成装置 | |
US20210397198A1 (en) | Enhanced vehicle operation | |
US20230347979A1 (en) | Methods and processors for controlling steering of self-driving car | |
CN116626670B (zh) | 自动驾驶模型的生成方法、装置、车辆及存储介质 | |
CN115249066A (zh) | 分位数神经网络 | |
CN116295497A (zh) | 路径生成方法、装置、机器人和存储介质 | |
CN117429448A (zh) | 障碍物未来占据空间的预测方法、装置、电子设备及介质 | |
CN115061499A (zh) | 无人机控制方法及无人机控制装置 | |
Wessner et al. | Extending occupancy grid mapping for dynamic environments | |
CN112833896A (zh) | 自主场景中用于对象轨迹预测的系统和方法 |
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 |