CN117858020A - 一种轨迹预测方法、装置及车联网设备 - Google Patents
一种轨迹预测方法、装置及车联网设备 Download PDFInfo
- Publication number
- CN117858020A CN117858020A CN202311811602.0A CN202311811602A CN117858020A CN 117858020 A CN117858020 A CN 117858020A CN 202311811602 A CN202311811602 A CN 202311811602A CN 117858020 A CN117858020 A CN 117858020A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- track
- target
- prediction method
- historical
- 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 142
- 230000006855 networking Effects 0.000 claims abstract description 20
- 230000006399 behavior Effects 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 9
- 238000005070 sampling Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种轨迹预测方法、装置及车联网设备,涉及车联网技术领域,该方法包括:接收至少一个第二车联网设备发送的第一消息,第一消息包括第二车联网设备关联的第二车辆的历史轨迹点集合;根据至少一个历史轨迹点集合,确定距离第一车辆最近的目标路口的位置,第一车辆与第一车联网设备关联;在第一车辆的转向灯发生变化时,根据第一车辆的航向角和第一车辆与目标路口之间的距离,选择目标轨迹预测方法,目标轨迹预测方法包括基于运动学模型的轨迹预测方法或基于最优第二车辆的历史轨迹的轨迹预测方法;利用目标轨迹预测方法,对所述第一车辆进行轨迹预测。如此,实现了在无地图模式下对车辆行驶轨迹进行实时且准确的预测。
Description
技术领域
本申请涉及车联网技术领域,尤其是涉及一种轨迹预测方法、装置及车联网设备。
背景技术
车联网(Vehicle to Everything,V2X)是车与外界进行信息交换的一种通信方式,包括:车与车之间的直接通信(Vehicle to Vehicle,V2V),车与行人的通信(Vehicleto pedestrian,V2P),车与道路基础设施通信(Vehicle to Infrastructure,V2I),车通过移动网络与云端进行通信(Vehicle to Network,V2N)。V2X是未来智能交通系统的关键技术,它使得我们有效获得实时路况,道路信息,行人信息等一系列交通信息,从而可以提高驾驶安全性,减少拥堵,提高交通效率。
目前的V2V场景主要包括前向碰撞预警、交叉路口碰撞预警等9个场景。其场景触发均需要根据主车与远车的相对位置关系确定目标分类,当目标分类满足条件时,触发相关预警功能。在无地图场景下,目标分类算法的输入依赖于轨迹预测算法的输出,为了保证目标分类的正确性,必须保证轨迹预测的准确性。现有的无地图模式下的轨迹预测主要分为短时预测和长时预测,然而,现有的短时预测和长时预测的方式存在准确性和实时性不足的问题。
发明内容
本申请的目的在于提供一种轨迹预测方法、装置及车联网设备,从而解决现有的无地图模式下的轨迹预测的准确性和实时性不足的问题。
第一方面,本申请的实施例提供一种轨迹预测方法,应用于第一车联网设备,所述方法包括:
接收至少一个第二车联网设备发送的第一消息,所述第一消息包括所述第二车联网设备关联的第二车辆的历史轨迹点集合;
根据至少一个所述历史轨迹点集合,确定距离第一车辆最近的目标路口的位置,所述第一车辆与所述第一车联网设备关联;
在所述第一车辆的转向灯发生变化时,根据所述第一车辆的航向角和所述第一车辆与所述目标路口之间的距离,选择目标轨迹预测方法,其中,所述目标轨迹预测方法包括基于运动学模型的轨迹预测方法或基于最优第二车辆的历史轨迹的轨迹预测方法;
利用所述目标轨迹预测方法,对所述第一车辆进行轨迹预测。
可选地,所述在所述第一车辆的转向灯发生变化时,根据所述第一车辆的航向角和所述第一车辆与所述目标路口之间的距离,选择目标轨迹预测方法,包括:
计算所述第一车辆与所述目标路口之间的第一距离;
计算所述第一车辆在第一时刻的第一航向角和在当前时刻的第二航向角之间的差值,其中,所述第一时刻为所述转向灯发生变化的时刻;
在所述第一距离小于或等于第一阈值,或者,所述第一距离大于所述第一阈值且所述第二航向角与所述第一航向角之间的差值小于或等于第二阈值时,确定所述目标轨迹预测方法为基于最优第二车辆的历史轨迹的轨迹预测方法;
在所述第一距离大于所述第一阈值且所述第二航向角与所述第一航向角之间的差值大于所述第二阈值时,确定所述目标轨迹预测方法为基于运动学模型的轨迹预测方法。
可选地,所述利用所述目标轨迹预测方法,对所述第一车辆进行轨迹预测,包括:
在选择的所述目标轨迹预测方法为所述基于最优第二车辆的历史轨迹的轨迹预测方法的情况下,根据预设优先级规则,在与所述第一车辆的转向行为相同的第二车辆中,选择优先级最高的第二车辆,其中,所述第一车辆的转向行为根据所述转向灯确定;
根据所述优先级最高的第二车辆的历史轨迹点集合和所述第一车辆的当前位置,计算所述优先级最高的第二车辆相对于所述第一车辆的偏移向量;
根据所述偏移向量,将所述优先级最高的第二车辆的历史轨迹点集合中的历史轨迹点映射到所述第一车辆的行驶方向上,获得所述第一车辆的预测轨迹。
可选地,所述根据预设优先级规则,在与所述第一车辆的转向行为对应的第二车辆中,选择优先级最高的第二车辆,包括:
针对各个与所述第一车辆的转向行为相同的第二车辆,获取所述第一车辆的历史轨迹与所述第二车辆的历史轨迹的重合部分;
针对所述重合部分,将所述第一车辆的各历史轨迹点分别映射到所述第二车辆的相邻的两个历史轨迹点之间,并将所述第二车辆的各历史轨迹点分别映射到所述第一车辆的相邻的两个历史轨迹点之间;
根据所述历史轨迹点与所述历史轨迹点的映射点之间的欧式距离,计算所述第一车辆与各所述第二车辆的欧式距离;
确定第一车辆与各第二车辆的最小欧式距离对应的第二车辆为优先级最高的第二车辆。
可选地,所述根据至少一个所述历史轨迹点集合,确定距离第一车辆最近的目标路口的位置,包括:
根据历史轨迹匹配规则,在多个所述历史轨迹点集合中,筛选出参考历史轨迹点集合;其中,所述参考历史轨迹点集合对应的第二车辆与所述第一车辆在同一条道路上行驶且历史轨迹存在重合部分;
根据各所述参考历史轨迹点集合、与所述参考历史轨迹点集合对应的所述第二车辆的当前位置和所述第一车辆的当前位置,生成与各所述参考历史轨迹点集合对应的参考轨迹序列;
遍历所述参考轨迹序列中的轨迹点,计算所述参考轨迹序列中相邻两轨迹点之间的航向角差值;
根据所述航向角差值,确定与所述参考轨迹序列对应的目标路口的第一位置,以及与所述参考轨迹序列对应的所述第二车辆的类别,所述类别包括左转车辆、右转车辆或直行车辆;
根据与所述左转车辆和/或所述右转车辆对应的所述第一位置,确定所述目标路口的位置。
可选地,所述根据所述航向角差值,确定与所述参考轨迹序列对应的目标路口的第一位置,以及与所述参考轨迹序列对应的所述第二车辆的类别,包括:
根据所述航向角差值,在所述参考轨迹序列中获取多个转弯轨迹点;
根据多个所述转弯轨迹点的坐标和所述转弯轨迹点对应的航向角差值,确定与所述参考轨迹序列对应的第一位置;其中,所述第一位置位于第一个转弯轨迹点与第二个转弯轨迹点之间;
根据多个所述转弯轨迹点对应的航向角差值的和值,确定所述参考轨迹序列对应的所述第二车辆的类别。
可选地,所述根据与所述左转车辆和/或所述右转车辆对应的所述第一位置,确定所述目标路口的位置,包括:
遍历所述左转车辆和/或所述右转车辆对应的所述第一位置,获取距离所述第一车辆最近的目标第一位置,以及与所述目标第一位置的距离小于第三阈值的至少一个第一位置;
根据所述目标第一位置和所述至少一个第一位置,确定所述目标路口的位置。
第二方面,本申请的实施例提供一种轨迹预测装置,应用于第一车联网设备,所述装置包括:
接收模块,用于接收至少一个第二车联网设备发送的第一消息,所述第一消息包括所述第二车联网设备关联的第二车辆的历史轨迹点集合;
确定模块,用于根据至少一个所述历史轨迹点集合,确定距离第一车辆最近的目标路口的位置,所述第一车辆与所述第一车联网设备关联;
选择模块,用于在所述第一车辆的转向灯发生变化时,根据所述第一车辆的航向角和所述第一车辆与所述目标路口之间的距离,选择目标轨迹预测方法,其中,所述目标轨迹预测方法包括基于运动学模型的轨迹预测方法或基于最优第二车辆的历史轨迹的轨迹预测方法;
预测模块,用于利用所述目标轨迹预测方法,对所述第一车辆进行轨迹预测。
第三方面,本申请的实施例提供一种车联网设备,包括收发机、存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序,所述处理器执行所述程序时实现如第一方面所述的轨迹预测方法。
第四方面,本申请的实施例提供一种可读存储介质,其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第一方面所述的轨迹预测方法。
本申请的上述技术方案至少具有如下有益效果:
本申请实施例的轨迹预测方法中,首先,第一车联网设备接收至少一个第二车联网设备发送的第一消息,所述第一消息包括所述第二车联网设备关联的第二车辆的历史轨迹点集合;其次,第一车联网设备根据至少一个所述历史轨迹点集合,确定距离第一车辆最近的目标路口的位置,所述第一车辆与所述第一车联网设备关联;再次,在所述第一车辆的转向灯发生变化时,第一车联网设备根据所述第一车辆的航向角和所述第一车辆与所述目标路口之间的距离,选择目标轨迹预测方法,其中,所述目标轨迹预测方法包括基于运动学模型的轨迹预测方法或基于最优第二车辆的历史轨迹的轨迹预测方法;最后,第一车联网设备利用所述目标轨迹预测方法,对所述第一车辆进行轨迹预测。如此,实现了在有合适的参考车辆时,采用基于最优第二车辆的历史轨迹的轨迹预测方法进行轨迹预测,在没有合适的参考车辆时,采用基于运动学模型的轨迹预测方法进行轨迹预测,这样,能够在无地图模式下,实现快速且准确的进行车辆行驶轨迹的预测。
附图说明
图1为本申请实施例的轨迹预测方法的流程示意图;
图2为本申请实施例中第一车辆的位置投影到第二车辆的示意图;
图3为本申请实施例中第二车辆的转弯片段的历史轨迹的示意图;
图4为本申请实施例中第一车辆和第二车辆对应映射的示意图;
图5为本申请实施例的轨迹预测装置的结构示意图;
图6为本申请实施例的车联网设备的结构示意图。
具体实施方式
为使本申请要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。在下面的描述中,提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本申请的实施例。因此,本领域技术人员应该清楚,可以对这里描述的实施例进行各种改变和修改而不脱离本申请的范围和精神。另外,为了清楚和简洁,省略了对已知功能和构造的描述。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本申请的各种实施例中,应理解,下述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在本申请所提供的实施例中,应理解,“与A相应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其它信息确定B。
本申请的实施例提供一种轨迹预测方法,该方法应用于第一车联网设备,例如,第一车联网设备为车载终端(On Board Unit,OBU),如图1所示,该方法包括:
步骤101,接收至少一个第二车联网设备发送的第一消息,所述第一消息包括所述第二车联网设备关联的第二车辆的历史轨迹点集合;
这里,需要说明的是,一者,在V2X场景中,第二车辆为远车(Remote Vehicle,RV);二者,第二车联网设备与第二车辆关联可以理解为第二车联网设备安装在第二车辆上,具体例如,第二车联网设备为安装在第二车辆上的OBU;三者,第一消息例如为基本安全消息(Basic Safety Message,BSM);四者,第二车联网设备发送第一消息例如为第二车联网设备通过PC5周期性广播第一消息,其中,第一消息中携带的历史轨迹点集合中的历史轨迹点为RV在行驶过程汇总按照一定规则记录的该RV的若干历史轨迹点坐标;五者,第一车联网设备在接收到各个第一消息后,对各个第一消息进行解析,获得各个第一消息中携带的历史轨迹点集合;
步骤102,根据至少一个所述历史轨迹点集合,确定距离第一车辆最近的目标路口的位置,所述第一车辆与所述第一车联网设备关联;这里,在V2X场景中,第一车辆为本车(Host Vehicle,HV);本步骤具体例如为根据接收到的各个历史轨迹点集合对应的历史轨迹确定目标路口的位置;
步骤103,在所述第一车辆的转向灯发生变化时,根据所述第一车辆的航向角和所述第一车辆与所述目标路口之间的距离,选择目标轨迹预测方法,其中,所述目标轨迹预测方法包括基于运动学模型的轨迹预测方法或基于最优第二车辆的历史轨迹的轨迹预测方法;这里,在第一车辆的转向灯发生变化时,表明第一车辆当前有转向需求;也就是说,在第一车辆有转向需求时,可以基于第一车辆与目标路口之间的距离选择合适的轨迹预测方法,以确保后续能够准确且及时的进行轨迹预测;
步骤104,利用所述目标轨迹预测方法,对所述第一车辆进行轨迹预测。
本申请实施例的轨迹预测方法中,首先,第一车联网设备接收至少一个第二车联网设备发送的第一消息,所述第一消息包括所述第二车联网设备关联的第二车辆的历史轨迹点集合;其次,第一车联网设备根据至少一个所述历史轨迹点集合,确定距离第一车辆最近的目标路口的位置,所述第一车辆与所述第一车联网设备关联;再次,在所述第一车辆的转向灯发生变化时,第一车联网设备根据所述第一车辆的航向角和所述第一车辆与所述目标路口之间的距离,选择目标轨迹预测方法,其中,所述目标轨迹预测方法包括基于运动学模型的轨迹预测方法或基于最优第二车辆的历史轨迹的轨迹预测方法;最后,第一车联网设备利用所述目标轨迹预测方法,对所述第一车辆进行轨迹预测。如此,实现了在根据第一车辆与多个第二车辆的历史行驶轨迹确定的目标路口之间的距离,确定是否有合适的参考车辆,若有,则采用基于最优第二车辆的历史轨迹的轨迹预测方法进行轨迹预测,若没有,则采用基于运动学模型的轨迹预测方法进行轨迹预测,如此,能够在无地图模式下,实现快速且准确的进行车辆行驶轨迹的预测,为后续目标分类提供及时且准确的预测轨迹,从而保证目标分类的正确性。
作为一个可选的实现方式,步骤103包括:
计算所述第一车辆与所述目标路口之间的第一距离;这里,第一车辆的位置可以基于第一车辆上设置的传感器实时采集,如前所述,目标路口的位置根据各第二车辆的历史轨迹点集合确定;
计算所述第一车辆在第一时刻的第一航向角和在当前时刻的第二航向角之间的差值,其中,所述第一时刻为所述转向灯发生变化的时刻;
在所述第一距离小于或等于第一阈值,或者,所述第一距离大于所述第一阈值且所述第二航向角与所述第一航向角之间的差值小于或等于第二阈值时,表明存在预测该第一车辆的轨迹的参考车辆,因此,确定所述目标轨迹预测方法为基于最优第二车辆的历史轨迹的轨迹预测方法;
在所述第一距离大于所述第一阈值且所述第二航向角与所述第一航向角之间的差值大于所述第二阈值时,表明不存在预测该第一车辆的轨迹的参考车辆,确定所述目标轨迹预测方法为基于运动学模型的轨迹预测方法。
本可选的实现方式中,基于第一车辆当前的位置与根据各第二车辆的历史轨迹点集合确定的目标路口的位置之间的距离,以及所述第一车辆的航向角的变化判断是否存在供第一车辆参考的第二车辆,若存在,则基于参考车辆的历史轨迹进行轨迹预测,若不存在,则基于运动学模型进行轨迹预测,如此,实现了基于实际情况选择合适的预测方法,能够提升轨迹预测的准确性,且基于历史轨迹进行预测的方法不需要大量的算力,能够实现较快的轨迹预测,提高了预测的实时性且成本较低,而基于运动学模型进行轨迹预测为短时预测,也能够保证轨迹预测的及时性。
也就是说,当本车转向灯发生变化时,本车所参考的远车也会发生改变,此时需要对所参考的远车进行重新选择。具体的:
首先,当本车转向灯发生变化时,记录本车在转向灯开启时的航向角baseHeading,并进一步的计算本车当前(转向灯发生变化之后,且判定需要重新选择轨迹预测方法的时刻,如:检测到转向灯开启时长达到预设时长的时刻或周期性检测转向灯状态时,检测到转向灯处于开启状态的次数达到预设次数)的航向角currentHeading与baseHeading的差值,即:
headingOffset=currentHeading–baseHeading;
其次,计算本车当前位置与最近的路口位置的距离dis,若dis<disThreshold(距离阈值),则根据本车的转向灯判断本车的转向行为,分别为左转、直行和右转,并进入选择最优远车的步骤,以基于最优选车进行轨迹预测。如果dis>disThreshold,且abs(headingOffset)>headingThreshold(角度阈值)则使用运动学模型进行轨迹预测,若abs(headingOffset)<headingOffset(角度阈值)则以直行状态进入选择最优远车的步骤并进行轨迹预测。
作为一个可选的实现方式,步骤104包括:
在选择的所述目标轨迹预测方法为所述基于最优第二车辆的历史轨迹的轨迹预测方法的情况下,根据预设优先级规则,在与所述第一车辆的转向行为相同的第二车辆中,选择优先级最高的第二车辆,其中,所述第一车辆的转向行为根据所述转向灯确定;这里,与所述第一车辆的转向行为相同的第二车辆具体例如为:在所述第一车辆的转向行为为左转时,在表征左转的历史轨迹点集合对应的第二车辆中选择优先级最高的车辆;在所述第一车辆的转向行为为右转时,在表征右转的历史轨迹点集合对应的第二车辆中选择优先级最高的车辆;另外,第二车辆的优先级可以用第二车辆与第一车辆的历史轨迹的欧氏距离表示,欧氏距离越小,优先级越高;
根据所述优先级最高的第二车辆的历史轨迹点集合和所述第一车辆的当前位置,计算所述优先级最高的第二车辆相对于所述第一车辆的偏移向量;这里,该偏移向量例如为该第一车辆的当前位置与其在该优先级最高的第二车辆的历史轨迹的映射点(垂直投影点)之间的距离;
根据所述偏移向量,将所述优先级最高的第二车辆的历史轨迹点集合中的历史轨迹点映射到所述第一车辆的行驶方向上,获得所述第一车辆的预测轨迹;这里,具体是将第二车辆的历史轨迹点集合中位于第一车辆的当前位置之后的历史轨迹点映射到该第一车辆的行驶方向上,如此,即可实现基于优先级最高的第二车辆的历史轨迹预测第一车辆的行驶轨迹。
本可选的实现方式中,基于优先级最高的第二车辆的历史轨迹点集合对第一车辆进行轨迹预测,不需要大量的算力,能较快的实现对第一车辆的轨迹预测,提高算法实时性,方法简单,成本较低。
作为一个具体的实现方式,所述根据预设优先级规则,在与所述第一车辆的转向行为对应的第二车辆中,选择优先级最高的第二车辆,包括:
针对各个与所述第一车辆的转向行为相同的第二车辆,获取所述第一车辆的历史轨迹与所述第二车辆的历史轨迹的重合部分;这里,该重合部分是指:以第一车辆的当前位置为起点,沿着第一车辆的历史轨迹反向截取重合轨迹,其中,若第一车辆的历史轨迹比第二车辆的历史轨迹短,则第一车辆的历史轨迹的初始点(第一车辆的历史轨迹点集合的第一个历史轨迹点)作为该重合部分的终点,若第二车辆截止到第一车辆的当前位置的历史轨迹更短,则以第二车辆的历史轨迹的起点(第二车辆的历史轨迹点集合的第一个历史轨迹点)作为重合部分的终点。以图4为例,第一车辆与第二车辆的历史轨迹的重合部分为图4中的第一车辆的历史轨迹;
针对所述重合部分,将所述第一车辆的各历史轨迹点分别映射到所述第二车辆的相邻的两个历史轨迹点之间,并将所述第二车辆的各历史轨迹点分别映射到所述第一车辆的相邻的两个历史轨迹点之间;如此,在重合部分中,第一车辆的各历史轨迹点在第二车辆的历史轨迹中各对应一个映射点,且第二车辆的各历史轨迹点在第一车辆的历史轨迹中各对应一个映射点(具体可以参见图4的示例);
根据所述历史轨迹点与所述历史轨迹点的映射点之间的欧式距离,计算所述第一车辆与各所述第二车辆的欧式距离;这里,第一车辆与第二车辆的欧氏距离具体例如为两者重合部分中各历史轨迹点与其映射点的欧式距离的平均值或加权求和值,还可以是各历史轨迹点对应的最大欧式距离、最小欧式距离或各欧式距离中的中位数等;
确定第一车辆与各第二车辆的最小欧式距离对应的第二车辆为优先级最高的第二车辆;该步骤的具体实现可以是:将第一车辆与各第二车辆的欧式距离进行升序排列,则排列后的第一个欧式距离对应的第二车辆为优先级最高的第二车辆。
作为另一个可选的实现方式,在所述目标轨迹预测方法为基于运动学模型的轨迹预测方法的情况下,使用恒定曲率和加速度(Constant Curvature and Acceleration,CCA)与恒定转弯率和速度(Constant Turn Rate and Velocity,CTRV)模型进行轨迹预测,即第一车辆进行一段时间点加速运动,然后以匀速进行运动,其中,加速阶段使用CCA模型进行轨迹计算,匀速阶段使用CTRV模型进行轨迹计算。
作为一个可选的实现方式,步骤102包括:
(1)根据历史轨迹匹配规则,在多个所述历史轨迹点集合中,筛选出参考历史轨迹点集合;其中,所述参考历史轨迹点集合对应的第二车辆与所述第一车辆在同一条道路上行驶且历史轨迹存在重合部分;通过本步骤的筛选过程,能够将对轨迹预测无效的历史轨迹点集合剔除;这里,第一车辆与第二车辆的历史轨迹存在重合部分例如为两者均行驶过同一条道路的同一区间等;下面,对本步骤的实现过程进行说明:
针对每一个历史轨迹点集合,从该历史轨迹点集合中的第一个历史轨迹点开始遍历,以筛选出参考历史轨迹点集合,其中,参考历史轨迹点集合需要满足以下四个条件中的至少一个条件,即:历史轨迹匹配规则包括下述四个条件中的至少一个条件:
条件一:历史轨迹点集合中的至少一个历史轨迹点的航向角与第一车辆在当前位置的航向角的差值的绝对值小于角度阈值,例如,角度阈值为20°;
对满足条件一的历史轨迹点集合中的第i个历史轨迹点和第i+1个历史轨迹点做对应的轨迹点坐标转换,将第i个历史轨迹点和第i+1个历史轨迹点的坐标转换到第一车辆的车身坐标系下,其中,第i个历史轨迹点的航向角与第一车辆在当前位置的航向角的差值的绝对值小于角度阈值;
条件二:在满足条件一的情况下,在第一车辆的车身坐标系下,第一车辆的位置在第i个历史轨迹点和第i+1个历史轨迹点构成的直线上的垂直投影处于第i个历史轨迹点和第i+1个历史轨迹点之间;
条件三:在满足条件一的情况下,第一车辆的当前位置到第i个历史轨迹点和第i+1个历史轨迹点构成的直线的投影小于默认值,其中,该默认值例如为道路上的车道总宽度,具体例如,该默认值为14米;
条件四:在满足条件一的情况下,第一车辆的当前位置和第二车辆当前位置的折线距离需大于默认值(例如5米),其中,折线距离为:以本车当前位置在第二车辆的历史轨迹上的投影点为起点,遍历第二车辆上剩余的历史轨迹点(投影点之后的历史轨迹点),两两点连接在一起所形成线段的距离之和。以图2为例,满足(1)的两个点为远车的第i个历史轨迹点和i+1个历史轨迹点,第二车辆的历史轨迹的最后一个点为第i+3个历史轨迹点,则从投影点开始到远车第i+3个历史轨迹点的累计距离和为折线距离。该条件四的另一种表述为:第一车辆的当前位置在第i个历史轨迹点和第i+1个历史轨迹点构成的直线的投影点与所述历史轨迹点集合中的最后一个历史轨迹点之间的多个轨迹点中,相邻两两轨迹点之间的距离的和值小于预设值,其中,该预设值例如为5米;
若有历史轨迹点满足以上四个条件,则可将该第二车辆的历史轨迹点集合添加到可参考远车列表,即将该第二车辆的历史轨迹点集合确定为参考历史轨迹点集合,并停止当前轨迹遍历,开始遍历下一第二车辆的历史轨迹点集合。
(2)根据各所述参考历史轨迹点集合、与所述参考历史轨迹点集合对应的所述第二车辆的当前位置和所述第一车辆的当前位置,生成与各所述参考历史轨迹点集合对应的参考轨迹序列;
也就是说,对于每一个符合筛选条件的第二车辆,需要构造对应的参考轨迹序列,假设该第二车辆的历史轨迹点集合表示为PHPointi={(xi,yi)|i=1,……,n},第一车辆的当前位置在该第二车辆的历史轨迹上的投影点为P={xp,yp},第二车辆的当前位置为PRV={xRV,yRV},则构造的参考轨迹序列为:PHRefPoint={P,PHPointi+1,…,PHPointn,PRV};即:该参考轨迹序列包括第一车辆的当前位置在第二车辆的历史轨迹的投影点到第二车辆的当前位置之间的该第二车辆的所有历史轨迹点,以及该投影点和该第二车辆的当前位置。
(3)遍历所述参考轨迹序列中的轨迹点,计算所述参考轨迹序列中相邻两轨迹点之间的航向角差值;本步骤具体是针对各个参考轨迹序列,从该参考轨迹序列的第一个轨迹点开始遍历,依次获得各个轨迹点对应的航向角,并计算相邻的两个轨迹点对应的航向角的差值,例如,以li表示第i个轨迹点与第i+1个轨迹点构成的航向角,则第i个历史轨迹点与第i+1个历史轨迹点之间的航向角差值为li+1-li。
(4)根据所述航向角差值,确定与所述参考轨迹序列对应的目标路口的第一位置,以及与所述参考轨迹序列对应的所述第二车辆的类别,所述类别包括左转车辆、右转车辆或直行车辆;
(5)根据与所述左转车辆和/或所述右转车辆对应的所述第一位置,确定所述目标路口的位置。
作为一个具体的实现方式,所述根据所述航向角差值,确定与所述参考轨迹序列对应的目标路口的第一位置,以及与所述参考轨迹序列对应的所述第二车辆的类别,包括:
1)根据所述航向角差值,在所述参考轨迹序列中获取多个转弯轨迹点;即根据航向角差值确定该参考轨迹序列中的转弯片段对应的轨迹点;其中,第一个转弯轨迹点与第二个转弯轨迹点的航向角差值大于第一角度值,最后一个转弯轨迹点和与其相邻的前一个转弯轨迹点的航向角差值小于第一角度值;也就是说,本步骤的实现过程例如为:当|li+1-li|>10°时,记录第i个轨迹点(此时可能发生转弯,该点为第二车辆转弯片段的起始点),当|lk+1-lk|<10°时,判断转弯结束,记录第k个轨迹点(此时转弯结束,该点为远车转弯片段的终止点);
2)根据多个所述转弯轨迹点的坐标和所述转弯轨迹点对应的航向角差值,确定与所述参考轨迹序列对应的第一位置;其中,所述第一位置位于第一个转弯轨迹点与第二个转弯轨迹点之间;具体的,本步骤可以基于转弯轨迹点坐标和各转弯轨迹点对应的航向角,计算第一车辆转弯的曲率半径,并根据曲率半径和第一个转弯轨迹点与第一位置构成的直线的表达式,计算第一位置;下面,以图3为例,对本步骤的实现过程进行说明:
由图3可以得到,第二车辆的转弯开始轨迹点为a(即前述第i个轨迹点)结束轨迹点为f(即前述第k个轨迹点),第二车辆的的历史轨迹点序列为a->b->c->d->e->f,需要找到点o作为路口所在位置。假设点o坐标为(xo,yo),b点坐标为(xb,yb),c点坐标为(xc,yc),车辆在a,o,b,c两点的航向角分别为θa,θo,θb,θc,bc两点距离为sbc,车辆的转弯的曲率半径r,则可知:
r=sbc/(2*sin(abs(θc-θb)/2))
根据求出的曲率半径可知o,b两点之间的距离sob:
sob=2*r*sin(abs(θb-θo)/2)
其中,θo=θa,所以:
sob=2*r*sin(abs(θb-θa)/2)
又因为:
且直线ao方程为:
y=kx+h
联立方程组:
则有:
A=k2+1
B=-2xb+2kh-2kyb
所以,可求得:
y0=kx0+h
3)根据多个所述转弯轨迹点对应的航向角差值的和值,确定所述参考轨迹序列对应的所述第二车辆的类别。具体的,若该和值大于第二角度阈值,则确定对应的第二车辆的类别为左转车辆,若该和值小于第三角度阈值,则确定对应的第二车辆的类别为右转车辆;其中,第二角度阈值和第三角度阈值互为相反数且第二角度阈值大于第三角度阈值;
另外,若该和值小于或等于第二角度阈值且大于或等于第三角度阈值,则确定对应的第二车辆的类别为直行车辆,进一步地,若确定第二车辆的类别为直行车辆,还可以识别该第二车辆是否存在变道行为,具体算法如下:
以本车(第一车辆)位置为原点,航向角方向为x轴构建车身坐标系,遍历该第二车辆的参考轨迹序列,将第二车辆的参考轨迹点变换到车身坐标系下,以yi表示第i个点在车身坐标下的纵坐标,若abs(yi)>threshold(纵坐标阈值),则表示该第二车辆发生了变道行为,将该第二车辆存入直行变道集合,若遍历完所有参考轨迹点均小于阈值,则存入直行未变道集合。
作为另一个具体的实现方式,所述根据与所述左转车辆和/或所述右转车辆对应的所述第一位置,确定所述目标路口的位置,包括:
遍历所述左转车辆和/或所述右转车辆对应的所述第一位置,获取距离所述第一车辆最近的目标第一位置,以及与所述目标第一位置的距离小于第三阈值的至少一个第一位置;具体的,在按照前述步骤确定出各个左转车辆和/或右转车辆的参考轨迹序列对应的第一位置之后,对上述各第一位置进行遍历,在访问第一个第一位置时,计算访问的第一位置与第一车辆之间的第一距离,并将该第一个第一位置确定为当前距离第一车辆最近的第一位置;在访问到第二个及以后的第一位置时,一方面,计算当前访问的第一位置与当前距离第一车辆最近的第一位置之间的第二距离,若该第二距离小于第三阈值,则提取当前访问的第一位置;另一方面,计算当前访问的第一位置与第一车辆之间的第三距离,若该第三距离小于当前距离第一车辆最近的第一位置与第一车辆之间的距离,则更新距离该第一车辆最近的第一位置。如此,在遍历完成后,可以获得距离第一车辆最近的第一位置(目标第一位置),以及,与距离第一车辆最近的第一位置之间的距离小于第三阈值的一个或多个其他第一位置;
根据所述目标第一位置和所述至少一个第一位置,确定所述目标路口的位置;具体的,本步骤可以基于对该目标第一位置和该至少一个第一位置取平均或加权求和等确定目标路口的位置,或者,将该至少一个第一位置的中位数确定为目标路口的位置当然,作为一种特例,在不存在该至少一个第一位置时,则确定目标第一位置为目标路口的位置。
作为再一个具体的实现方式,所述根据与所述左转车辆和/或所述右转车辆对应的所述第一位置,确定所述目标路口的位置,包括:
遍历该左转车辆和/或所述右转车辆对应的所述第一位置,将距离该第一车辆最近的第一位置确定为目标路口的位置;即:假设当前遍历的第二车辆所识别出来的路口位置为posi,当前的最近路口位置为pos0,本车位置为poshv,若posi与pos0距离小于阈值,则认为posi与pos0表示的是同一个路口,否则,将离poshv更近的点作为最近路口位置,并继续遍历,直至遍历结束,获取到表示距离本车最近的路口的多个第一位置,并根据多个第一位置(如前所述,可以是加权求和、求平均或取中位数等)确定最近的路口的位置。
这里,需要说明的是,步骤104之后,所述方法还包括:
将预测轨迹点两两连接在一起,获得预测轨迹;
按照等时间间隔在所述预测轨迹上取轨迹点;其中,采样距离=采样时间间隔*第一车辆的当前速度(假设第一车辆为恒定速率);
在获取的轨迹点中,按照预设采样规则进行采样,获得采样点;这里,采样规则为:采样的时间间隔为T秒,最大预测时间小于或等于MaxPredictTime秒,同时,最大预测距离不能超过MaxPredictDis米。
本申请实施例的轨迹预测方法中,根据第一车辆的位置和各第二车辆的历史轨迹序列识别出跟第一车辆行驶在同一道路上的第二车辆,为本车轨迹预测提供参考;之后,在无地图模式下根据第二车辆的历史轨迹识别出路口并对路口位置进行修正,同时对第二车辆的轨迹进行分类,从而为第一车辆的的轨迹预测提供参考;最后,在无地图模式下根据第一车辆的位置、路口位置、第一车辆的转向灯以及航向角变化情况动态选择轨迹预测方法,一者,提升了轨迹预测的准确率和及时性,从而提高了无地图场景下的驾驶安全,二者,可以提升匝道轨迹预测准确率。
本申请的实施例还提供一种轨迹预测装置,应用于第一车联网设备,如图5所示,所述装置包括:
接收模块501,用于接收至少一个第二车联网设备发送的第一消息,所述第一消息包括所述第二车联网设备关联的第二车辆的历史轨迹点集合;
确定模块502,用于根据至少一个所述历史轨迹点集合,确定距离第一车辆最近的目标路口的位置,所述第一车辆与所述第一车联网设备关联;
选择模块503,用于在所述第一车辆的转向灯发生变化时,根据所述第一车辆的航向角和所述第一车辆与所述目标路口之间的距离,选择目标轨迹预测方法,其中,所述目标轨迹预测方法包括基于运动学模型的轨迹预测方法或基于最优第二车辆的历史轨迹的轨迹预测方法;
预测模块504,用于利用所述目标轨迹预测方法,对所述第一车辆进行轨迹预测。
可选地,所述选择模块503包括:
第一计算子模块,用于计算所述第一车辆与所述目标路口之间的第一距离;
第二计算子模块,用于计算所述第一车辆在第一时刻的第一航向角和在当前时刻的第二航向角之间的差值,其中,所述第一时刻为所述转向灯发生变化的时刻;
第一确定子模块,用于在所述第一距离小于或等于第一阈值,或者,所述第一距离大于所述第一阈值且所述第二航向角与所述第一航向角之间的差值小于或等于第二阈值时,确定所述目标轨迹预测方法为基于最优第二车辆的历史轨迹的轨迹预测方法;
第二确定子模块,用于在所述第一距离大于所述第一阈值且所述第二航向角与所述第一航向角之间的差值大于所述第二阈值时,确定所述目标轨迹预测方法为基于运动学模型的轨迹预测方法。
可选地,所述预测模块504包括:
选择子模块,用于在选择的所述目标轨迹预测方法为所述基于最优第二车辆的历史轨迹的轨迹预测方法的情况下,根据预设优先级规则,在与所述第一车辆的转向行为相同的第二车辆中,选择优先级最高的第二车辆,其中,所述第一车辆的转向行为根据所述转向灯确定;
第三计算子模块,用于根据所述优先级最高的第二车辆的历史轨迹点集合和所述第一车辆的当前位置,计算所述优先级最高的第二车辆相对于所述第一车辆的偏移向量;
获取子模块,用于根据所述偏移向量,将所述优先级最高的第二车辆的历史轨迹点集合中的历史轨迹点映射到所述第一车辆的行驶方向上,获得所述第一车辆的预测轨迹。
可选地,所述选择子模块包括:
第一获取单元,用于针对各个与所述第一车辆的转向行为相同的第二车辆,获取所述第一车辆的历史轨迹与所述第二车辆的历史轨迹的重合部分;
映射单元,用于针对所述重合部分,将所述第一车辆的各历史轨迹点分别映射到所述第二车辆的相邻的两个历史轨迹点之间,并将所述第二车辆的各历史轨迹点分别映射到所述第一车辆的相邻的两个历史轨迹点之间;
计算单元,用于根据所述历史轨迹点与所述历史轨迹点的映射点之间的欧式距离,计算所述第一车辆与各所述第二车辆的欧式距离;
第一确定单元,用于确定第一车辆与各第二车辆的最小欧式距离对应的第二车辆为优先级最高的第二车辆。
可选地,所述确定模块502包括:
筛选子模块,用于根据历史轨迹匹配规则,在多个所述历史轨迹点集合中,筛选出参考历史轨迹点集合;其中,所述参考历史轨迹点集合对应的第二车辆与所述第一车辆在同一条道路上行驶且历史轨迹存在重合部分;
生成子模块,用于根据各所述参考历史轨迹点集合、与所述参考历史轨迹点集合对应的所述第二车辆的当前位置和所述第一车辆的当前位置,生成与各所述参考历史轨迹点集合对应的参考轨迹序列;
第四计算子模块,用于遍历所述参考轨迹序列中的轨迹点,计算所述参考轨迹序列中相邻两轨迹点之间的航向角差值;
第三确定子模块,用于根据所述航向角差值,确定与所述参考轨迹序列对应的目标路口的第一位置,以及与所述参考轨迹序列对应的所述第二车辆的类别,所述类别包括左转车辆、右转车辆或直行车辆;
第四确定子模块,用于根据与所述左转车辆和/或所述右转车辆对应的所述第一位置,确定所述目标路口的位置。
可选地,所述第三确定子模块包括:
第二获取单元,用于根据所述航向角差值,在所述参考轨迹序列中获取多个转弯轨迹点;
第二确定单元,用于根据多个所述转弯轨迹点的坐标和所述转弯轨迹点对应的航向角差值,确定与所述参考轨迹序列对应的第一位置;其中,所述第一位置位于第一个转弯轨迹点与第二个转弯轨迹点之间;
第三确定单元,用于根据多个所述转弯轨迹点对应的航向角差值的和值,确定所述参考轨迹序列对应的所述第二车辆的类别。
可选地,所述第四确定子模块包括:
第三获取单元,用于遍历所述左转车辆和/或所述右转车辆对应的所述第一位置,获取距离所述第一车辆最近的目标第一位置,以及与所述目标第一位置的距离小于第三阈值的至少一个第一位置;
第四确定单元,用于根据所述目标第一位置和所述至少一个第一位置,确定所述目标路口的位置。
在此需要说明的是,本申请实施例提供的上述轨迹预测装置,能够实现上述应用于第一车联网设备的轨迹预测方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
本申请的实施例还提供一种车联网设备,包括收发机610、处理器600、存储器620及存储在所述存储器620上并可在所述处理器600上运行的程序;其中,所述处理器600执行所述程序时实现如上所述的应用于第一车联网设备的轨迹预测方法。
所述收发机610,用于在处理器600的控制下接收和发送数据。
其中,在图6中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器600代表的一个或多个处理器和存储器620代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口提供接口。收发机610可以是多个元件,即包括发送机和接收机,提供用于在传输介质上与各种其他装置通信的单元。处理器600负责管理总线架构和通常的处理,存储器620可以存储处理器600在执行操作时所使用的数据。
在此需要说明的是,本申请实施例提供的上述车联网设备,能够实现上述应用于第一车联网设备的轨迹预测方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
本领域技术人员可以理解,实现上述实施例的全部或者部分步骤可以通过硬件来完成,也可以通过计算机程序来指示相关的硬件来完成,所述计算机程序包括执行上述方法的部分或者全部步骤的指令;且该计算机程序可以存储于一可读存储介质中,存储介质可以是任何形式的存储介质。
另外,本申请实施例还提供一种可读存储介质,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如上所述的轨迹预测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。其中,该可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
此外,需要指出的是,在本申请的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序或按时间顺序执行,但是并不需要一定按照时间顺序执行,某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言,能够理解本申请的方法和装置的全部或者任何步骤或者部件,可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中,以硬件、固件、软件或者它们的组合加以实现,这是本领域普通技术人员在阅读了本申请的说明的情况下运用他们的基本编程技能就能实现的。
因此,本申请的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此,本申请的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说,这样的程序产品也构成本申请,并且存储有这样的程序产品的存储介质也能构成本申请。显然,所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。
最后,还需要说明的是,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、物品或者终端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“包括一个……”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。
以上所述是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种轨迹预测方法,其特征在于,应用于第一车联网设备,所述方法包括:
接收至少一个第二车联网设备发送的第一消息,所述第一消息包括所述第二车联网设备关联的第二车辆的历史轨迹点集合;
根据至少一个所述历史轨迹点集合,确定距离第一车辆最近的目标路口的位置,所述第一车辆与所述第一车联网设备关联;
在所述第一车辆的转向灯发生变化时,根据所述第一车辆的航向角和所述第一车辆与所述目标路口之间的距离,选择目标轨迹预测方法,其中,所述目标轨迹预测方法包括基于运动学模型的轨迹预测方法或基于最优第二车辆的历史轨迹的轨迹预测方法;
利用所述目标轨迹预测方法,对所述第一车辆进行轨迹预测。
2.根据权利要求1所述的方法,其特征在于,所述在所述第一车辆的转向灯发生变化时,根据所述第一车辆的航向角和所述第一车辆与所述目标路口之间的距离,选择目标轨迹预测方法,包括:
计算所述第一车辆与所述目标路口之间的第一距离;
计算所述第一车辆在第一时刻的第一航向角和在当前时刻的第二航向角之间的差值,其中,所述第一时刻为所述转向灯发生变化的时刻;
在所述第一距离小于或等于第一阈值,或者,所述第一距离大于所述第一阈值且所述第二航向角与所述第一航向角之间的差值小于或等于第二阈值时,确定所述目标轨迹预测方法为基于最优第二车辆的历史轨迹的轨迹预测方法;
在所述第一距离大于所述第一阈值且所述第二航向角与所述第一航向角之间的差值大于所述第二阈值时,确定所述目标轨迹预测方法为基于运动学模型的轨迹预测方法。
3.根据权利要求1所述的方法,其特征在于,所述利用所述目标轨迹预测方法,对所述第一车辆进行轨迹预测,包括:
在选择的所述目标轨迹预测方法为所述基于最优第二车辆的历史轨迹的轨迹预测方法的情况下,根据预设优先级规则,在与所述第一车辆的转向行为相同的第二车辆中,选择优先级最高的第二车辆,其中,所述第一车辆的转向行为根据所述转向灯确定;
根据所述优先级最高的第二车辆的历史轨迹点集合和所述第一车辆的当前位置,计算所述优先级最高的第二车辆相对于所述第一车辆的偏移向量;
根据所述偏移向量,将所述优先级最高的第二车辆的历史轨迹点集合中的历史轨迹点映射到所述第一车辆的行驶方向上,获得所述第一车辆的预测轨迹。
4.根据权利要求3所述的方法,其特征在于,所述根据预设优先级规则,在与所述第一车辆的转向行为对应的第二车辆中,选择优先级最高的第二车辆,包括:
针对各个与所述第一车辆的转向行为相同的第二车辆,获取所述第一车辆的历史轨迹与所述第二车辆的历史轨迹的重合部分;
针对所述重合部分,将所述第一车辆的各历史轨迹点分别映射到所述第二车辆的相邻的两个历史轨迹点之间,并将所述第二车辆的各历史轨迹点分别映射到所述第一车辆的相邻的两个历史轨迹点之间;
根据所述历史轨迹点与所述历史轨迹点的映射点之间的欧式距离,计算所述第一车辆与各所述第二车辆的欧式距离;
确定第一车辆与各第二车辆的最小欧式距离对应的第二车辆为优先级最高的第二车辆。
5.根据权利要求1所述的方法,其特征在于,所述根据至少一个所述历史轨迹点集合,确定距离第一车辆最近的目标路口的位置,包括:
根据历史轨迹匹配规则,在多个所述历史轨迹点集合中,筛选出参考历史轨迹点集合;其中,所述参考历史轨迹点集合对应的第二车辆与所述第一车辆在同一条道路上行驶且历史轨迹存在重合部分;
根据各所述参考历史轨迹点集合、与所述参考历史轨迹点集合对应的所述第二车辆的当前位置和所述第一车辆的当前位置,生成与各所述参考历史轨迹点集合对应的参考轨迹序列;
遍历所述参考轨迹序列中的轨迹点,计算所述参考轨迹序列中相邻两轨迹点之间的航向角差值;
根据所述航向角差值,确定与所述参考轨迹序列对应的目标路口的第一位置,以及与所述参考轨迹序列对应的所述第二车辆的类别,所述类别包括左转车辆、右转车辆或直行车辆;
根据与所述左转车辆和/或所述右转车辆对应的所述第一位置,确定所述目标路口的位置。
6.根据权利要求5所述的方法,其特征在于,所述根据所述航向角差值,确定与所述参考轨迹序列对应的目标路口的第一位置,以及与所述参考轨迹序列对应的所述第二车辆的类别,包括:
根据所述航向角差值,在所述参考轨迹序列中获取多个转弯轨迹点;
根据多个所述转弯轨迹点的坐标和所述转弯轨迹点对应的航向角差值,确定与所述参考轨迹序列对应的第一位置;其中,所述第一位置位于第一个转弯轨迹点与第二个转弯轨迹点之间;
根据多个所述转弯轨迹点对应的航向角差值的和值,确定所述参考轨迹序列对应的所述第二车辆的类别。
7.根据权利要求5所述的方法,其特征在于,所述根据与所述左转车辆和/或所述右转车辆对应的所述第一位置,确定所述目标路口的位置,包括:
遍历所述左转车辆和/或所述右转车辆对应的所述第一位置,获取距离所述第一车辆最近的目标第一位置,以及与所述目标第一位置的距离小于第三阈值的至少一个第一位置;
根据所述目标第一位置和所述至少一个第一位置,确定所述目标路口的位置。
8.一种轨迹预测装置,其特征在于,应用于第一车联网设备,所述装置包括:
接收模块,用于接收至少一个第二车联网设备发送的第一消息,所述第一消息包括所述第二车联网设备关联的第二车辆的历史轨迹点集合;
确定模块,用于根据至少一个所述历史轨迹点集合,确定距离第一车辆最近的目标路口的位置,所述第一车辆与所述第一车联网设备关联;
选择模块,用于在所述第一车辆的转向灯发生变化时,根据所述第一车辆的航向角和所述第一车辆与所述目标路口之间的距离,选择目标轨迹预测方法,其中,所述目标轨迹预测方法包括基于运动学模型的轨迹预测方法或基于最优第二车辆的历史轨迹的轨迹预测方法;
预测模块,用于利用所述目标轨迹预测方法,对所述第一车辆进行轨迹预测。
9.一种车联网设备,包括收发机、存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7中任一项所述的轨迹预测方法。
10.一种可读存储介质,其上存储有程序或指令,其特征在于,所述程序或指令被处理器执行时实现如权利要求1至7中任一项所述的轨迹预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311811602.0A CN117858020A (zh) | 2023-12-26 | 2023-12-26 | 一种轨迹预测方法、装置及车联网设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311811602.0A CN117858020A (zh) | 2023-12-26 | 2023-12-26 | 一种轨迹预测方法、装置及车联网设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117858020A true CN117858020A (zh) | 2024-04-09 |
Family
ID=90531471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311811602.0A Pending CN117858020A (zh) | 2023-12-26 | 2023-12-26 | 一种轨迹预测方法、装置及车联网设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117858020A (zh) |
-
2023
- 2023-12-26 CN CN202311811602.0A patent/CN117858020A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11897508B2 (en) | Navigation with a safe lateral distance | |
US11164264B2 (en) | Navigation based on liability constraints | |
US20220227367A1 (en) | Systems and methods for vehicle navigation | |
EP3699048A1 (en) | Travelling track prediction method and device for vehicle | |
CN111123933B (zh) | 车辆轨迹规划的方法、装置、智能驾驶域控制器和智能车 | |
CN110562258B (zh) | 一种车辆自动换道决策的方法、车载设备和存储介质 | |
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 | |
CN109213153B (zh) | 一种车辆自动驾驶方法及电子设备 | |
US20230286536A1 (en) | Systems and methods for evaluating domain-specific navigation system capabilities | |
JP7181354B2 (ja) | 接続されたデータ分析プラットフォームを用いた車両経路指定 | |
CN114829225A (zh) | 自主载具的条件行为预测 | |
CN113743469A (zh) | 一种融合多源数据及综合多维指标的自动驾驶决策方法 | |
US20200276984A1 (en) | Server and Vehicle Control System | |
CN114723903A (zh) | 障碍物风险场环境建模方法及其装置、相关产品 | |
US11873011B2 (en) | Labeling lane segments for behavior prediction for agents in an environment | |
CN115810291A (zh) | 一种关联目标识别方法、装置、路侧设备及车辆 | |
CN116424336A (zh) | 一种轨迹预测方法、装置及车联网设备 | |
CN117858020A (zh) | 一种轨迹预测方法、装置及车联网设备 | |
US20230080281A1 (en) | Precautionary observation zone for vehicle routing | |
CN114670870A (zh) | 障碍物slt空间风险场环境建模方法及其装置、相关产品 | |
JP2012108823A (ja) | 走行履歴情報送信装置、運転支援装置、方法およびプログラム | |
KR20220084339A (ko) | 다른 도로 사용자와의 통신을 위한 통신 네트워크에서 도로 사용자의 주변에서 인식된 객체에 대한 객체 메시지를 제공하는 방법 | |
CN117793642A (zh) | 一种轨迹预测方法、装置及车联网设备 | |
US20230415773A1 (en) | Validating protolanes with actor behavior flowcharts | |
US20230418291A1 (en) | Testing reuse across protolane families |
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 |