CN118124578A - 换道轨迹规划方法、装置、车辆及存储介质 - Google Patents

Abstract

本申请涉及车辆技术领域，特别涉及一种换道轨迹规划方法、装置、车辆及存储介质，其中，方法包括：获取当前时刻目标车道内前车加速度和后车加速度；根据当前时刻目标车道内前车加速度和后车加速度，预测未来时刻目标车道内前车运动状态与后车运动状态；根据未来时刻目标车道内前车运动状态与后车运动状态确定目标换道空间，根据目标换道空间规划当前车辆的换道轨迹。由此，解决了相关技术中未充分考虑周围车辆速度变化以及其他车道车辆同时换道的情况，增加了交通事故的风险等问题。

Description

换道轨迹规划方法、装置、车辆及存储介质

技术领域

本申请涉及车辆技术领域，特别涉及一种换道轨迹规划方法、装置、车辆及存储介质。

背景技术

在驾驶过程中，驾驶员常因追求效率或遵守规则而产生换道意图。这一行为涉及与多条车道上车辆的复杂交互，若未经过合理规划，很可能影响整体交通流畅度，甚至引发事故。换道过程包括意图产生、轨迹执行和车速调整三个阶段，每个阶段都对驾驶员的决策和车辆控制系统的精准性提出了高要求。

然而，现有技术中将周围车辆的运动通常被简化为匀速运动，这在实际交通场景中并不准确。当周围车辆的速度发生变化时，基于匀速假设规划的轨迹可能会导致换道车辆与其他车辆发生碰撞。其次，忽视了其他车道车辆同时向目标车道换道的可能性，这种疏忽在实际交通中并不少见，且可能大幅增加事故发生的概率。

发明内容

本申请提供一种换道轨迹规划方法、装置、车辆及存储介质，以解决相关技术中未充分考虑周围车辆速度变化以及其他车道车辆同时换道的情况，增加了交通事故的风险等问题。

本申请第一方面实施例提供一种换道轨迹规划方法，包括以下步骤：获取当前时刻目标车道内前车加速度和后车加速度；根据当前时刻目标车道内前车加速度和后车加速度，预测未来时刻目标车道内前车运动状态与后车运动状态；根据未来时刻目标车道内前车运动状态与后车运动状态确定目标换道空间，根据目标换道空间规划当前车辆的换道轨迹。

可选地，获取当前时刻目标车道内前车加速度和后车加速度，包括：获取历史时刻目标车道内前车车速、后车车速、前车与后车的相对速度和前车与后车的相对距离；将历史时刻目标车道内前车车速、后车车速、前车与后车的相对速度和前车与后车的相对距离输入车辆跟驰模型，车辆跟驰模型输出当前时刻目标车道内前车加速度和后车加速度，其中，车辆跟驰模型为神经网络模型，利用真实交通数据对车辆跟驰模型进行训练。

可选地，前车运动状态包括前车车速和纵向位置，后车运动状态包括后车车速和纵向位置；根据未来时刻目标车道内前车运动状态与后车运动状态确定目标换道空间，包括：获取当前车辆分别与前车和后车的第一安全距离和第二安全距离；根据前车车速和纵向位置、后车车速和纵向位置、第一安全距离和第二安全距离构建目标换道空间。

可选地，在根据目标换道空间规划当前车辆的换道轨迹之后，还包括：识别目标范围内是否存在期望换道至目标车道的换道车辆；若识别到换道车辆，根据历史时刻换道车辆的横纵向位置预测未来时刻换道车辆横纵向位置；根据未来时刻换道车辆横纵向位置将目标换道空间划分为第一空间和第二空间，根据第一空间和第二空间重新规划当前车辆的换道轨迹。

可选地，识别目标范围内是否存在期望换道至所述目标车道的换道车辆，包括：识别目标范围越过目标车道的车道线的其他车辆；若其他车辆越过车道线的比例大于换道阈值，则判定其他车辆为期望换道至目标车道的换道车辆。

可选地，根据历史时刻换道车辆的横纵向位置预测未来时刻换道车辆横纵向位置，包括：将历史时刻换道车辆的横纵向位置输入轨迹预测模型，轨迹预测模型输入未来时刻换道车辆横纵向位置，其中，轨迹预测模型为神经网络模型，利用真实换道数据对轨迹预测模型进行训练。

可选地，根据第一空间和第二空间重新规划当前车辆的换道轨迹，包括：选择第一空间和第二空间中最大空间；若最大空间得到距离大于预设安全距离，则根据最大空间重新规划当前车辆的换道轨迹。

本申请第二方面实施例提供一种换道轨迹规划装置，包括：获取模块，用于获取当前时刻目标车道内前车加速度和后车加速度；预测模块，用于根据当前时刻目标车道内前车加速度和后车加速度，预测未来时刻目标车道内前车运动状态与后车运动状态；规划模块，用于根据未来时刻目标车道内前车运动状态与后车运动状态确定目标换道空间，根据目标换道空间规划当前车辆的换道轨迹。

本申请第三方面实施例提供一种车辆，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序，以实现如上述实施例的换道轨迹规划方法。

本申请第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上述实施例的换道轨迹规划方法。

由此，本申请至少具有如下有益效果：

本申请实施例通过实时获取目标车道内前车和后车的加速度数据，预测它们未来的运动状态，能够动态地评估换道的安全性，从而在当前车辆与前后车之间保持安全距离的前提下进行换道决策，可以有效提高换道决策的准确性和安全性，降低了由于未充分考虑周围车辆速度变化而引发的交通事故风险。同时，通过合理规划换道轨迹，可以确保换道过程平稳且提升乘客的舒适性。由此，解决了相关技术中未充分考虑周围车辆速度变化以及其他车道车辆同时换道的情况，增加了交通事故的风险等技术问题。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本申请实施例提供的换道轨迹规划方法的流程图；

图2为根据本申请一个实施例提供的目标车辆换道的示意图；

图3为根据本申请另一个实施例提供的目标车辆换道的示意图；

图4为根据本申请一个实施例提供的换道轨迹规划方法的流程图；

图5为根据本申请一个实施例提供的安全换道空间的示意图；

图6为根据本申请另一个实施例提供的安全换道空间的示意图；

图7为根据本申请实施例提供的换道轨迹规划装置的示例图；

图8为根据本申请实施例的车辆的结构示意图。

具体实施方式

下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

在驾驶员驾驶车辆的过程中，出于某种原因，比如追求更高的行驶效率、道路交通标线的约束等，会产生换道的意图。由于换道行为涉及到多条车道上车辆的交互，如果不能对换道进行合理的规划，可能反而会影响道路的通行效率，严重时甚至会引发交通事故。

一般来说，换道的过程可分为意图产生阶段、执行阶段、调整阶段。在意图产生阶段进行目标车道选择以及寻找安全的换道空间，如未找到合适的换道空间，则放弃本次换道行为；在执行阶段需要根据周围车辆的运动状态实时进行轨迹规划，并通过控制器实时将轨迹转化为方向盘转角、油门开度等控制量，保证车辆能够较好地跟随规划出的轨迹行驶；在调整阶段中，车辆应通过动态调整车速以实现跟随目标车道前车行驶。

综上，在意图产生和执行阶段均需要对周围车辆的运动状态做出合理的判断，从而保证换道行为的安全性要求。在现有技术中，周围车辆的运动通常被假设为匀速运动，当车辆的速度发生变化时，此时规划的轨迹可能导致换道车辆与其他车辆发生碰撞。同时，现有技术中没有考虑到其他车道的车辆同时向目标车道进行换道的情况，可能会引发交通事故。

下面参考附图描述本申请实施例的换道轨迹规划方法、装置、车辆及存储介质。针对上述背景技术中提到的换道过程中无法对周围车辆的运动状态进行合理预测的问题，本申请提供了一种换道轨迹规划方法，在该方法中，通过实时获取目标车道内前车和后车的加速度数据，预测它们未来的运动状态，能够动态地评估换道的安全性，从而在当前车辆与前后车之间保持安全距离的前提下进行换道决策，可以有效提高换道决策的准确性和安全性，降低了由于未充分考虑周围车辆速度变化而引发的交通事故风险。同时，通过合理规划换道轨迹，可以确保换道过程平稳且提升乘客的舒适性。由此，解决了相关技术中未充分考虑周围车辆速度变化以及其他车道车辆同时换道的情况，增加了交通事故的风险等问题。

具体而言，图1为本申请实施例所提供的一种换道轨迹规划方法的流程示意图。

如图1所示，该换道轨迹规划方法包括以下步骤：

在步骤S101中，获取当前时刻目标车道内前车加速度和后车加速度。

其中，当前时刻可以是当前时间点，目标车道可以是车辆计划换入的车道，前车加速度可以是目标车道内前车在当前时刻的加速度，后车加速度可以是目标车道内后车在当前时刻的加速度。

可以理解的是，本申请实施例可以通过车载传感器实时地收集目标车道内前车和后车的加速度数据，其中，前车和后车的加速度是动态的，能够反映前车和后车速度变化的快慢，方便后续预测它们未来的运动状态。

需要说明的是，前车和后车的状态和行为会影响当前车辆的换道决策和安全性，其中，前车可以是在目标车道内，位于当前车辆前方，且行驶方向与当前车辆相同的车辆；后车可以是在目标车道内，位于当前车辆后方，且行驶方向与当前车辆相同的车辆。

在本申请实施例中，获取当前时刻目标车道内前车加速度和后车加速度，包括：获取历史时刻目标车道内前车车速、后车车速、前车与后车的相对速度和前车与后车的相对距离；将历史时刻目标车道内前车车速、后车车速、前车与后车的相对速度和前车与后车的相对距离输入车辆跟驰模型，车辆跟驰模型输出当前时刻目标车道内前车加速度和后车加速度，其中，车辆跟驰模型为神经网络模型，利用真实交通数据对车辆跟驰模型进行训练。

其中，历史时刻可以是过去某一特定时间点，用来分析或预测未来的交通情况；前车车速可以是目标车道内，位于当前车辆前方且行驶方向相同的车辆的速度；后车车速可以是目标车道内，位于当前车辆后方且行驶方向相同的车辆的速度；前车与后车的相对速度可以是前车和后车之间速度的差异；前车与后车的相对距离可以是前车和后车之间在道路上的实际距离；

车辆跟驰模型可以是一种数学模型或算法，可以用于描述和预测车辆在道路上跟随前车行驶的行为，比如安全距离模型等；神经网络模型可以是基于人工神经网络的机器学习模型，能够处理复杂的交通情况，比如LSTM(Long Short-Term Memory，长短期记忆递归)神经网络等；真实交通数据可以是在实际道路交通环境中收集到的数据，比如车速、加速度、位置、时间等信息。

可以理解的是，本申请实施例可以通过神经网络结合大量的真实交通数据建立一个车辆的跟驰模型，能够预测车辆在道路上的动态行为，其中，将历史时刻目标车道内前车车速、后车车速、前车与后车的相对速度和前车与后车的相对距离输入车辆跟驰模型，预测前车和后车的加速度，为驾驶员提供更准确、更及时的驾驶辅助信息，从而帮助驾驶员做出更安全的驾驶决策。

举例而言，LSTM神经网络建立车辆的跟驰模型，跟驰模型的输入特征为过去一段时间t_past-cf内跟驰车的车速30m/s、跟驰车与前车的相对速度10m/s、跟驰车与前车的相对距离5m，输出为跟驰车当前时刻的加速度，基于真实交通数据完成跟驰模型的训练。

在步骤S102中，根据当前时刻目标车道内前车加速度和后车加速度，预测未来时刻目标车道内前车运动状态与后车运动状态。

其中，未来时刻可以是当前时刻之后的一个或多个时间点，前车运动状态可以包括前车车速和纵向位置，其中，纵向位置可以是当前车辆前方某一点与自身之间的相对距离，后车运动状态可以包括后车车速和纵向位置，其中，纵向位置可以是当前车辆后方某一点与后车之间的相对距离。

可以理解的是，本申请实施例可以根据当前时刻目标车道内前车和后车的加速度来预测它们在未来时刻的运动状态，获得更多关于周围车辆动态的信息，帮助驾驶员保持安全的跟车距离，避免追尾事故，降低交通事故发生的可能性。

在步骤S103中，根据未来时刻目标车道内前车运动状态与后车运动状态确定目标换道空间，根据目标换道空间规划当前车辆的换道轨迹。

其中，目标换道空间可以是在考虑前车和后车未来运动状态的基础上，为本车安全换道所需的最小空间；换道轨迹规划可以是根据目标换道空间、本车的当前状态以及道路环境信息，计算出一条从当前车道安全过渡到目标车道的行驶轨迹。

可以理解的是，本申请实施例可以根据未来时刻目标车道内前车与后车的运动状态来确定最佳的目标换道空间，准确判断换道过程中是否存在碰撞风险，提高驾驶的安全性，并根据目标换道空间规划当前车辆的换道轨迹，避免不必要的等待和试探性换道，显著提高换道效率和道路通行能力，确保换道过程平稳且提升乘客的舒适性。

在本申请实施例中，根据未来时刻目标车道内前车运动状态与后车运动状态确定目标换道空间，包括：获取当前车辆分别与前车和后车的第一安全距离和第二安全距离；根据前车车速和纵向位置、后车车速和纵向位置、第一安全距离和第二安全距离构建目标换道空间。

其中，当前车辆可以是正在进行换道或即将执行换道操作的车辆，第一安全距离可以是当前车辆与前车之间需要保持的最小安全距离，第二安全距离可以是当前车辆与后车之间需要保持的最小安全距离。

可以理解的是，本申请实施例可以获取当前车辆分别与前车和后车的第一安全距离和第二安全距离，确保车辆在换道过程中不会与前后车辆发生碰撞；根据前车车速和纵向位置、后车车速和纵向位置、第一安全距离和第二安全距离构建虚拟的目标换道空间，当前车辆可以安全地完成换道，确保了换道过程的安全性。通过实时监测和动态调整目标换道空间，能够更加灵活、高效地应对复杂的交通环境，提高道路通行能力和驾驶安全性。

在本申请实施例中，在根据目标换道空间规划当前车辆的换道轨迹之后，还包括：识别目标范围内是否存在期望换道至目标车道的换道车辆；若识别到换道车辆，根据历史时刻换道车辆的横纵向位置预测未来时刻换道车辆横纵向位置；根据未来时刻换道车辆横纵向位置将目标换道空间划分为第一空间和第二空间，根据第一空间和第二空间重新规划当前车辆的换道轨迹。

其中，目标范围可以是当前车辆感知系统能够覆盖并获取信息的区域，横纵向位置可以是车辆在道路上的具体坐标点，其中，横向位置可以是车辆相对于车道线的偏移，纵向位置可以是车辆在道路上的前后位置，第一空间可以是当前车辆换道轨迹中靠近换道车辆的部分，第二空间可以是远离换道车辆的部分。

可以理解的是，本申请实施例可以识别目标范围内是否存在期望换道至目标车道的换道车辆，确保当前车辆的换道决策不仅基于自身条件和周围环境，还考虑了其他车辆的动态行为。当识别到换道车辆，利用车辆的历史位置数据进行轨迹预测。通过分析车辆过去的横纵向移动模式，能够预测未来一段时间内的可能位置，根据预测结果将原本连续的目标换道空间划分为第一空间和第二空间，确保了当前车辆在选择换道路径时能够避开这些区域，从而避免碰撞。对第一空间和第二空间重新规划当前车辆的换道轨迹，确保当前车辆的行动既安全又有效，能够在不干扰其他车辆的情况下顺利完成换道操作。

在本申请实施例中，识别目标范围内是否存在期望换道至目标车道的换道车辆，包括：识别目标范围越过目标车道的车道线的其他车辆；若其他车辆越过车道线的比例大于换道阈值，则判定其他车辆为期望换道至目标车道的换道车辆。

其中，越过车道线可以是车辆的某一部分，比如轮胎、车身等，已经跨过了原本应该保持在其内的车道边界线，换道阈值可以是预设的数值，比如车身宽度的50％等，用来判断车辆是否真正在进行换道行为。

可以理解的是，本申请实施例通过识别目标范围内其他车辆与车道线的相对位置关系，以及这些位置关系是否超过了预设的换道阈值，来判断是否有其他车辆正在进行或准备进行换道操作，从而调整自身的行驶策略以确保安全。

举例而言，如图2、如图3所示，在过去一段时间t_past内，纵向范围内存在车辆持续越过与其距离最近的目标车道上的车道线，且越过的比例大于一定阈值，则认为该车正在向目标换道空间内换道。以自车中心为原点，前进方向为x轴正方向、垂直前进方向向左为y轴正方向。当自车以左侧车道为目标车道时，若其他车道在纵向范围内有车，在过去t_past时间内满足d₁<0，且/>时，则认为该车正在向目标车道进行换道；当自车以右侧车道为目标车道时，若其他车道范围内有车，在过去t_past时间内满足d₁>0，且/>时，则认为该车正在向目标车道进行换道。

其中，d₁为换道车辆在其换道方向上顶点的y坐标值和跨过车道线上与该顶点距离最近点的y坐标的差值，d₂为d₁对应的换道车辆对角顶点的y坐标值和跨过车道线上与该顶点距离最近点的y坐标的差值，abs()表示取绝对值，p_thr为设定的阈值。

在本申请实施例中，根据历史时刻换道车辆的横纵向位置预测未来时刻换道车辆横纵向位置，包括：将历史时刻换道车辆的横纵向位置输入轨迹预测模型，轨迹预测模型输入未来时刻换道车辆横纵向位置，其中，轨迹预测模型为神经网络模型，利用真实换道数据对轨迹预测模型进行训练。

其中，轨迹预测模型可以是用于预测换道车辆未来行驶位置的算法模型。

可以理解的是，本申请实施例可以利用历史时刻换道车辆的横纵向位置信息作为输入，通过一个经过真实换道数据训练的神经网络轨迹预测模型，来预测未来时刻换道车辆的横纵向位置，通过大量的数据输入来不断优化模型的参数，使得模型能够更准确地预测未来车辆的位置变化，有助于车辆更好地理解周围环境，做出更加合理和安全的行驶决策。

在本申请实施例中，根据第一空间和第二空间重新规划当前车辆的换道轨迹，包括：选择第一空间和第二空间中最大空间；若最大空间得到距离大于预设安全距离，则根据最大空间重新规划当前车辆的换道轨迹。

其中，预设安全距离可以是一个预先设定的阈值，用于判断当前车辆与周围障碍物之间的距离是否足够安全进行换道操作。

可以理解的是，本申请实施例可以通过比较第一空间和第二空间的大小及安全性，选择最大且安全的空间作为换道目标，并根据最大空间重新规划车辆的换道轨迹，确保整个换道过程平稳顺畅，从而提升乘客的乘坐舒适性。

根据本申请实施例提出的换道轨迹规划方法，通过实时获取目标车道内前车和后车的加速度数据，预测它们未来的运动状态，能够动态地评估换道的安全性，从而在当前车辆与前后车之间保持安全距离的前提下进行换道决策，可以有效提高换道决策的准确性和安全性，降低了由于未充分考虑周围车辆速度变化而引发的交通事故风险。同时，通过合理规划换道轨迹，可以确保换道过程平稳且提升乘客的舒适性。由此，解决了相关技术中未充分考虑周围车辆速度变化以及其他车道车辆同时换道的情况，增加了交通事故的风险等问题。

下面将结合图4对本申请一个实施例提供的换道轨迹规划方法进行具体阐述，阐述内容如下：

步骤一：基于LSTM神经网络建立车辆跟驰模型，输入为过去一段时间t_past-cf内跟驰车的车速、跟驰车与前车的相对速度、跟驰车与前车的相对距离，输出为跟驰车当前时刻的加速度。基于真实交通数据完成跟驰模型的训练。

步骤二：基于LSTM神经网络建立换道车辆的轨迹预测模型，输入为过去一段时间t_past-lc内换道车辆的横纵向位置，输出为未来一段时间t_future的横纵向位置，其中的横向位置为换道车辆相对于待跨过车道线的横向位置，并使用真实车辆的换道数据对模型进行训练。

步骤三：当车辆产生换道意图时，根据步骤一中获取的跟驰模型预测目标车道前后车未来一段时间内的运动状态。即通过跟驰模型获取当前时刻车辆加速度a₀，则下一时刻的车速v₁、位置s₁为：

v₁＝v₀+a₀Δt

其中，v₀为当前时刻车辆的速度，s₀为位置信息，Δt为时间步长。

通过上式分别计算下一时刻目标车道前车L_d、目标车道后车F_d的速度、位置，计算相对速度与相对距离，并以下一时刻为原点更新过去t_past-lc的输入，以此循环迭代，即可预测L_d、F_d在未来一段时间内的运动状态，结合安全距离模型构建换道区间gap如下：

其中，为在未来t_future时刻L_d所能到达的纵向位置、/>为在未来t_future时刻F_d所能到达的纵向位置，/>分别为自车M为到达目标空间，与F_d、L_d应保持的安全距离。若gap存在，则将其设为目标换道空间，进行换道轨迹规划操作。

步骤四：在换道执行过程中，实时执行步骤三以判断目标换道空间是否满足安全性的要求，且需判断是否存在其他车辆向目标换道空间进行换道的情况。若存在，自车M的后轴中心未越过起始车道与目标车道中的车道线，则需要重新判断新构成的换道空间是否满足要求，如不满足，自车需放弃换道，返回原车道行驶。

如图2、如图3所示，在过去一段时间t_past内，纵向范围内存在车辆持续越过与其距离最近的目标车道上的车道线，且越过的比例大于一定阈值，则认为该车正在向目标换道空间内换道。以自车中心为原点，前进方向为x轴正方向、垂直前进方向向左为y轴正方向。当自车以左侧车道为目标车道时，若其他车道在纵向/>范围内有车，在过去t_past时间内满足d₁<0，且/>时，则认为该车正在向目标车道进行换道；当自车以右侧车道为目标车道时，若其他车道/>范围内有车，在过去t_past时间内满足d₁>0，且/>时，则认为该车正在向目标车道进行换道。

其中，d₁为换道车辆在其换道方向上顶点的y坐标值和跨过车道线上与该顶点距离最近点的y坐标的差值，d₂为d₁对应的换道车辆对角顶点的y坐标值和跨过车道线上与该顶点距离最近点的y坐标的差值，abs()表示取绝对值，p_thr为设定的阈值。

如图5、如图6所示，使用步骤二获得的模型对其他换道车辆的轨迹进行预测，根据L_d、F_d、N所重新划分并选择安全的换道区间。其中，由L_d与N构成的换道空间F_d与N构成的换道空间

其中，x_N(t₀+t_future)为N在未来t_future时刻的纵向位置，为Ld在未来t_future时刻的纵向位置，/>为F_d在未来t_future时刻的纵向位置，/>为N与M之间保持的安全距离、/>为M与L_d之间保持的安全距离、/>为F_d与M之间保持的安全距离、/>为M与N之间保持的安全距离。

若gap₁与gap₂均不满足，则此时两换道空间无法满足安全性的要求，自车放弃本次换道并返回原车道；反之则选择二者中间距较大的作为目标换道空间。

综上，本申请实施例利用LSTM神经网络建立起车辆的跟驰模型，并完成目标车道车辆运动状态预测，根据预测结果建立换道空间；基于其他车道车辆相对车道线的状态，判断车辆是否具有向目标车道换道的意图；同时，考虑其他车道车辆向目标换道空间换道的情况，基于LSTM模型对换道轨迹进行预测，重新划分并选择目标换道空间，确保车辆能够平稳、安全地完成换道操作，同时最大化乘客的舒适性和行驶效率。

其次参照附图描述根据本申请实施例提出的换道轨迹规划装置。

图7是本申请实施例的换道轨迹规划装置的方框示意图。

如图7所示，该换道轨迹规划装置10包括：获取模块100、预测模块200和规划模块300。

其中，获取模块100用于获取当前时刻目标车道内前车加速度和后车加速度；预测模块200用于根据当前时刻目标车道内前车加速度和后车加速度，预测未来时刻目标车道内前车运动状态与后车运动状态；规划模块300用于根据未来时刻目标车道内前车运动状态与后车运动状态确定目标换道空间，根据目标换道空间规划当前车辆的换道轨迹。

需要说明的是，前述对换道轨迹规划方法实施例的解释说明也适用于该实施例的换道轨迹规划装置，此处不再赘述。

根据本申请实施例提出的换道轨迹规划装置，通过实时获取目标车道内前车和后车的加速度数据，预测它们未来的运动状态，能够动态地评估换道的安全性，从而在当前车辆与前后车之间保持安全距离的前提下进行换道决策，可以有效提高换道决策的准确性和安全性，降低了由于未充分考虑周围车辆速度变化而引发的交通事故风险。同时，通过合理规划换道轨迹，可以确保换道过程平稳且提升乘客的舒适性。由此，解决了相关技术中未充分考虑周围车辆速度变化以及其他车道车辆同时换道的情况，增加了交通事故的风险等问题。

图8为本申请实施例提供的车辆的结构示意图。该车辆可以包括：

存储器801、处理器802及存储在存储器801上并可在处理器802上运行的计算机程序。

处理器802执行程序时实现上述实施例中提供的换道轨迹规划方法。

进一步地，车辆还包括：

通信接口803，用于存储器801和处理器802之间的通信。

存储器801，用于存放可在处理器802上运行的计算机程序。

存储器801可能包含高速RAM(Random Access Memory，随机存取存储器)存储器，也可能还包括非易失性存储器，例如至少一个磁盘存储器。

如果存储器801、处理器802和通信接口803独立实现，则通信接口803、存储器801和处理器802可以通过总线相互连接并完成相互间的通信。总线可以是ISA(IndustryStandard Architecture，工业标准体系结构)总线、PCI(Peripheral Component，外部设备互连)总线或EISA(Extended Industry Standard Architecture，扩展工业标准体系结构)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，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果存储器801、处理器802及通信接口803，集成在一块芯片上实现，则存储器801、处理器802及通信接口803可以通过内部接口完成相互间的通信。

处理器802可能是一个CPU(Central Processing Unit，中央处理器)，或者是ASIC(Application Specific Integrated Circuit，特定集成电路)，或者是被配置成实施本申请实施例的一个或多个集成电路。

本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的换道轨迹规划方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例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例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例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例或示例以及不同实施例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，“N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。

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N个用于实现定制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，并且本申请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，这应被本申请的实施例所属技术领域的技术人员所理解。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N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或固件来实现。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，现场可编程门阵列等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带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，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种换道轨迹规划方法，其特征在于，包括以下步骤：

获取当前时刻目标车道内前车加速度和后车加速度；

根据当前时刻目标车道内前车加速度和后车加速度，预测未来时刻目标车道内前车运动状态与后车运动状态；

根据未来时刻目标车道内前车运动状态与后车运动状态确定目标换道空间，根据所述目标换道空间规划当前车辆的换道轨迹。

2.根据权利要求1所述的换道轨迹规划方法，其特征在于，所述获取当前时刻目标车道内前车加速度和后车加速度，包括：

获取历史时刻目标车道内前车车速、后车车速、前车与后车的相对速度和前车与后车的相对距离；

将历史时刻目标车道内前车车速、后车车速、前车与后车的相对速度和前车与后车的相对距离输入车辆跟驰模型，所述车辆跟驰模型输出当前时刻目标车道内前车加速度和后车加速度，其中，所述车辆跟驰模型为神经网络模型，利用真实交通数据对所述车辆跟驰模型进行训练。

3.根据权利要求1所述的换道轨迹规划方法，其特征在于，所述前车运动状态包括前车车速和纵向位置，所述后车运动状态包括后车车速和纵向位置；

所述根据未来时刻目标车道内前车运动状态与后车运动状态确定目标换道空间，包括：

获取当前车辆分别与前车和后车的第一安全距离和第二安全距离；

根据所述前车车速和纵向位置、所述后车车速和纵向位置、所述第一安全距离和所述第二安全距离构建所述目标换道空间。

4.根据权利要求1所述的换道轨迹规划方法，其特征在于，在根据所述目标换道空间规划当前车辆的换道轨迹之后，还包括：

识别目标范围内是否存在期望换道至所述目标车道的换道车辆；

若识别到所述换道车辆，根据历史时刻所述换道车辆的横纵向位置预测未来时刻所述换道车辆横纵向位置；

根据未来时刻所述换道车辆横纵向位置将所述目标换道空间划分为第一空间和第二空间，根据所述第一空间和所述第二空间重新规划所述当前车辆的换道轨迹。

5.根据权利要求4所述的换道轨迹规划方法，其特征在于，所述识别目标范围内是否存在期望换道至所述目标车道的换道车辆，包括：

识别目标范围越过所述目标车道的车道线的其他车辆；

若所述其他车辆越过车道线的比例大于换道阈值，则判定所述其他车辆为期望换道至所述目标车道的换道车辆。

6.根据权利要求4所述的换道轨迹规划方法，其特征在于，所述根据历史时刻所述换道车辆的横纵向位置预测未来时刻所述换道车辆横纵向位置，包括：

将历史时刻所述换道车辆的横纵向位置输入轨迹预测模型，所述轨迹预测模型输入未来时刻所述换道车辆横纵向位置，其中，所述轨迹预测模型为神经网络模型，利用真实换道数据对所述轨迹预测模型进行训练。

7.根据权利要求4所述的换道轨迹规划方法，其特征在于，所述根据所述第一空间和所述第二空间重新规划所述当前车辆的换道轨迹，包括：

选择所述第一空间和所述第二空间中最大空间；

若所述最大空间得到距离大于预设安全距离，则根据所述最大空间重新规划所述当前车辆的换道轨迹。

8.一种换道轨迹规划装置，其特征在于，包括：

获取模块，用于获取当前时刻目标车道内前车加速度和后车加速度；

预测模块，用于根据当前时刻目标车道内前车加速度和后车加速度，预测未来时刻目标车道内前车运动状态与后车运动状态；

规划模块，用于根据未来时刻目标车道内前车运动状态与后车运动状态确定目标换道空间，根据所述目标换道空间规划当前车辆的换道轨迹。

9.一种车辆，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-7任一项所述的换道轨迹规划方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-7任一项所述的换道轨迹规划方法。