CN109885066B - 一种运动轨迹预测方法及装置 - Google Patents

Abstract

本发明提供了一种运动轨迹预测方法及装置，在得到障碍物运动信息和车道线信息之后，可以首先基于障碍物运动信息，确定目标障碍物在第一预设时间内的短时行驶轨迹，然后根据障碍物运动信息和车道线信息，确定目标障碍物在第二预设时间内的长时行驶轨迹，最后对短时行驶轨迹和长时行驶轨迹进行轨迹融合，得到目标障碍物的预测行驶轨迹。通过本发明可以在自动驾驶控制时知道目标障碍物的预测行驶轨迹，在目标障碍物进行近距离的车辆切入等工况时，提前进行障碍物规避。

Description

一种运动轨迹预测方法及装置

技术领域

本发明涉及自动驾驶领域，更具体的说，涉及一种运动轨迹预测方法及装置。

背景技术

具有高级驾驶辅助***ADAS(Advanced Driving Assistant System)功能的车辆，通过安装在车辆上的摄像头、雷达等传感器实时采集车辆行驶道路上的障碍物。

但是在检测障碍物时，本车仅采集了障碍物的当前相对位置，但基于障碍物的当前相对位置进行自动驾驶控制会在一些工况下，如近距离的车辆切入工况，容易出现本车制动过猛，甚至出现刹车失败而发生碰撞的现象。

发明内容

有鉴于此，本发明提供一种运动轨迹预测方法及装置，以解决本车仅采集了障碍物的当前相对位置，但基于障碍物的当前相对位置进行自动驾驶控制会在一些工况下，如近距离的车辆切入工况，容易出现本车制动过猛，甚至出现刹车失败而发生碰撞的现象的问题。

为解决上述技术问题，本发明采用了如下技术方案：

一种运动轨迹预测方法，包括：

对毫米波雷达和摄像头分别采集的目标障碍物的初始障碍物运动信息进行信息融合，得到障碍物运动信息；

对所述摄像头检测的道路车道线信息和高精地图输出的道路车道线信息进行信息融合，得到车道线信息；

基于所述障碍物运动信息，确定所述目标障碍物在第一预设时间内的短时行驶轨迹；

根据所述障碍物运动信息和所述车道线信息，确定所述目标障碍物在第二预设时间内的长时行驶轨迹；所述第二预设时间大于所述第一预设时间；

对所述短时行驶轨迹和所述长时行驶轨迹进行轨迹融合，得到所述目标障碍物的预测行驶轨迹。

优选地，对所述短时行驶轨迹和所述长时行驶轨迹进行轨迹融合，得到所述目标障碍物的预测行驶轨迹，包括：

预测行驶轨迹Trajectory_final(t)的计算公式为：

Trajectory _final(t)＝f(t)·Trajectory _{mod el}(t)+(1-f(t))·Trajectory_maneuver(t)；

其中，f_(t)为融合权重系数；Trajectory _{mod el}(t)为短时行驶轨迹；Trajectory_maneuver(t)为长时行驶轨迹。

优选地，基于所述障碍物运动信息，确定所述目标障碍物在第一预设时间内的短时行驶轨迹，包括：

获取车辆运动学模型；所述车辆运动学模型用于对所述目标障碍物的行驶轨迹进行预测；

根据所述障碍物运动信息和所述车辆运动学模型，确定所述短时行驶轨迹Trajectory _{mod el}(t)；

Trajectory _{mod el}(t)＝(x_mdl(t)，y_mdl(t))

其中，x_mdl为预测得到的短时行驶轨迹纵向距离；y_mdl为预测得到的短时行驶轨迹横向距离。

优选地，根据所述障碍物运动信息和所述车道线信息，确定所述目标障碍物在第二预设时间内的长时行驶轨迹，包括：

基于所述车道线信息和所述障碍物运动信息，确定所述目标障碍物的行驶轨迹状态信息X^path、以及与所述目标障碍物距离最近的目标车道线上的目标点；

X^path＝[Dis2LineRatio_obj,θ_obj,Υ_obj]^T

其中，Dis2LineRatio_obj为所述目标障碍物距所述目标障碍物所在的当前车道中心线的距离与车道宽的比值；θobj为所述目标障碍物的航向，T为向量/矩阵的转置；

轨迹曲率Υ_obj为所述目标障碍物的角速度ω_obj与所述目标障碍物的速度v_obj的比值；

Υ_obj＝ω_obj/v_obj

确定所述目标车道线上的目标点的目标车道线状态信息X^lane＝[0,θ_lane,Υ_lane]^T其中，θlane是所述目标点处的航向，Υ_lane是所述目标点处的曲率，T为向量/矩阵的转置；

根据所述目标车道线状态信息和所述行驶轨迹状态信息，确定所述目标障碍物的当前行驶轨迹与所述目标障碍物所在的当前车道的中心线的当前轨迹偏差值；

基于所述当前轨迹偏差值，确定所述目标障碍物的目标行驶车道；

基于所述目标行驶车道和所述障碍物运动信息，确定所述目标障碍物的长时行驶轨迹。

优选地，基于所述当前轨迹偏差值，确定所述目标障碍物的目标行驶车道，包括：

获取历史轨迹偏差值；

计算所述当前轨迹偏差值和所述历史轨迹偏差值的偏差之和；

若所述偏差之和小于等于第一预设阈值，确定所述目标障碍物的目标行驶车道为所述目标障碍物所在的当前车道；

若所述偏差之和大于所述第一预设阈值，基于所述历史轨迹偏差值和所述当前轨迹偏差值，确定轨迹偏差的变化趋势；

若所述变化趋势为不断变小，确定所述目标障碍物的目标行驶车道为本车所在的当前车道；

若所述变化趋势为不断变大，确定所述目标障碍物的目标行驶车道为所述目标障碍物所在的当前车道的相邻车道中与所述目标障碍物的当前行驶轨迹的偏差值较小的车道。

优选地，基于所述目标行驶车道和所述目标障碍物运动信息，确定所述目标障碍物的长时行驶轨迹，包括：

基于所述目标行驶车道和所述目标障碍物运动信息，确定在所述第二预设时间内的多个长时行驶轨迹；

从所述长时行驶轨迹中筛选出一条满足预设轨迹筛选规则的长时行驶轨迹Trajectory_maneuver(t)；

Trajectory _maneuver＝(x_mane(t),y_mane(t))

其中，x_mane为预测得到的长时轨迹纵向距离；y_mane为预测得到的长时轨迹横向距离。

优选地，对毫米波雷达和摄像头分别检测的目标障碍物的初始障碍物运动信息进行信息融合，得到障碍物运动信息，包括：

获取所述毫米波雷达和所述摄像头分别采集的历史障碍物运动信息；

计算所述毫米波雷达和所述摄像头分别检测的每一目标障碍物运动信息中所述目标障碍物的相似度；所述目标障碍物运动信息包括所述初始障碍物运动信息和所述历史障碍物运动信息；

当所有的所述相似度均在预设阈值内时，将所述毫米波雷达和所述摄像头分别检测的初始障碍物运动信息进行加权融合，得到所述障碍物运动信息X；

X＝[x,y,v_x,v_y,a_x,a_y]^T；

其中，x、y分别为所述目标障碍物距本车的纵向、横向距离，v_x、v_y分别为所述目标障碍物相对本车的纵向、横向相对速度，a_x、a_y分别为所述目标障碍物相对本车的纵向、横向相对加速度，T表示向量/矩阵的转置。

优选地，对所述摄像头检测的道路车道线信息和高精地图输出的道路车道线信息进行信息融合，得到车道线信息，包括：

车道线信息的计算公式为：

其中，FusionLanes表示融合后的车道线信息；CamLanes表示所述摄像头检测的道路车道线信息，CamQuality表示所述摄像头的车道线检测质量值；HDMapLanes表示所述高精地图输出的道路车道线信息；PosQuality表示所述高精地图的车道线定位质量值；Const1、Const2为常数。

一种运动轨迹预测装置，包括：

运动信息确定模块，用于对毫米波雷达和摄像头分别采集的目标障碍物的初始障碍物运动信息进行信息融合，得到障碍物运动信息；

车道线信息确定模块，用于对所述摄像头检测的道路车道线信息和高精地图输出的道路车道线信息进行信息融合，得到车道线信息；

短时轨迹预测模块，用于基于所述障碍物运动信息，确定所述目标障碍物在第一预设时间内的短时行驶轨迹；

长时轨迹预测模块，用于根据所述障碍物运动信息和所述车道线信息，确定所述目标障碍物在第二预设时间内的长时行驶轨迹；所述第二预设时间大于所述第一预设时间；

轨迹融合模块，用于对所述短时行驶轨迹和所述长时行驶轨迹进行轨迹融合，得到所述目标障碍物的预测行驶轨迹。

优选地，所述轨迹融合模块用于对所述短时行驶轨迹和所述长时行驶轨迹进行轨迹融合，得到所述目标障碍物的预测行驶轨迹时，具体用于：

预测行驶轨迹Trajectory_final(t)的计算公式为：

Trajectory _final(t)＝f(t)·Trajectory _{mod el}(t)+(1-f(t))·Trajectory_maneuver(t)；

其中，f_(t)为融合权重系数；Trajectory _{mod el}(t)为短时行驶轨迹；Trajectory_maneuver(t)为长时行驶轨迹。

相较于现有技术，本发明具有以下有益效果：

本发明提供了一种运动轨迹预测方法及装置，在得到障碍物运动信息和车道线信息之后，可以首先基于所述障碍物运动信息，确定所述目标障碍物在第一预设时间内的短时行驶轨迹，然后根据所述障碍物运动信息和所述车道线信息，确定所述目标障碍物在第二预设时间内的长时行驶轨迹，最后对所述短时行驶轨迹和所述长时行驶轨迹进行轨迹融合，得到所述目标障碍物的预测行驶轨迹。通过本发明可以在自动驾驶控制时知道目标障碍物的预测行驶轨迹，在目标障碍物进行近距离的车辆切入等工况时，提前进行障碍物规避。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种运动轨迹预测方法的方法流程图；

图2为本发明实施例提供的另一种运动轨迹预测方法的方法流程图；

图3为本发明实施例提供的融合权重系数的数值变化图；

图4为本发明实施例提供的又一种运动轨迹预测方法的方法流程图；

图5为本发明实施例提供的一种运动轨迹预测装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明实施例提供了一种运动轨迹预测方法，可以应用于自动驾驶控制器，参照图1，可以包括：

S11、对毫米波雷达和摄像头分别采集的目标障碍物的初始障碍物运动信息进行信息融合，得到障碍物运动信息。

其中，目标障碍物可以是车辆、行人等可移动的障碍物，但优选为车辆。目标障碍物的障碍物运动信息为在以车辆作为原点的车辆坐标系下的数据。障碍物运动信息可以包括位置、速度和加速度等信息。

具体的，毫米波雷达实时对自动驾驶车辆行驶环境进行感知，输出检测到的目标障碍物的初始障碍物运动信息。

需要说明的是，毫米波雷达可以检测到包括目标障碍物在内的多个障碍物的障碍物运动信息。如检测到本车左前方、正前方和右前方分别有一障碍物，确定每一障碍物的初始障碍物运动信息。

摄像头实时对自动驾驶车辆行驶环境进行感知，输出检测到的所述目标障碍物的初始障碍物运动信息和所述本车所在道路的道路车道线信息。

本发明的一个优选实现方式中，参照图2，步骤S11可以包括：

S21、获取所述毫米波雷达和所述摄像头分别采集的历史障碍物运动信息。

具体的，毫米波雷达和所述摄像头实时采集障碍物运动信息，当前时刻采集的障碍物运动信息作为初始障碍物运动信息，历史采集的障碍物运动信息作为历史障碍物运动信息。

S22、计算所述毫米波雷达和所述摄像头分别检测的每一目标障碍物运动信息中所述目标障碍物的相似度。

所述目标障碍物运动信息包括所述初始障碍物运动信息和所述历史障碍物运动信息。

S23、当所有的所述相似度均在预设阈值内时，将所述毫米波雷达和所述摄像头分别检测的初始障碍物运动信息进行加权融合，得到所述障碍物运动信息X；

X＝[x,y,v_x,v_y,a_x,a_y]^T；

其中，x、y分别为所述目标障碍物距本车的纵向、横向距离，v_x、v_y分别为所述目标障碍物相对本车的纵向、横向相对速度，a_x、a_y分别为所述目标障碍物相对本车的纵向、横向相对加速度，T表示向量/矩阵的转置。

具体的，毫米波雷达和摄像头均可以检测到包括目标障碍物的多个障碍物的障碍物运动信息。但是摄像头检测到的障碍物和毫米波雷达检测到的障碍物可能是一个障碍物，也可能是不同的障碍物，如摄像头检测到七个障碍物，毫米波雷达检测到五个障碍物，需要从多个障碍物中确定出需要确定出预测行驶轨迹的目标障碍物。

具体的，从多个障碍物中确定出目标障碍物的过程如下：

分别比对摄像头和毫米波雷达采集的当前帧和第一预设数量的历史帧的障碍物的位置、速度、加速度等信息的相似度，相似度度量方式包括欧氏距离、马氏距离等。即比较摄像头采集的每一帧中每一障碍物的位置、速度、加速度等信息与毫米波雷达采集的每一帧中每一障碍物的位置、速度、加速度等信息的相似度。若每一帧中的障碍物相似度均较大，如，在预设阈值内，则确定为同一障碍物，并作为目标障碍物。

确定目标障碍物之后，对毫米波雷达和摄像头检测的初始障碍物信息进行融合，如可以是加权融合，即设置毫米波雷达和摄像头检测的初始障碍物运动信息的权重值，再进行加权求和即可。

需要说明的是，也可以仅使用安装的毫米波雷达或摄像头采集的初始障碍物运动信息作为障碍物运动信息，即不做信息融合。

S12、对所述摄像头检测的道路车道线信息和高精地图输出的道路车道线信息进行信息融合，得到车道线信息。

具体的，如上所述，摄像头可以检测到本车所在道路的道路车道线信息，车道线信息一般是一个、两个或三个车道的车道线的位置。

高精地图***内部存储有不同道路的车道线信息，实时输出自动驾驶车辆所在道路的道路车道线信息即可。

本发明的一种优选实现方式中，步骤S12可以包括：

车道线信息的计算公式为：

其中，FusionLanes表示融合后的车道线信息；CamLanes表示所述摄像头检测的道路车道线信息，CamQuality表示所述摄像头的车道线检测质量值；

HDMapLanes表示所述高精地图输出的道路车道线信息；PosQuality表示所述高精地图的车道线定位质量值；Const1、Const2为常数。CamQuality和PosQuality可以预先获取。

具体的，当摄像头检测的车道线检测质量值CamQuality大于Const1时，将摄像头检测的道路车道线信息作为车道线信息，当摄像头检测的车道线检测质量值CamQuality小于Const1、且高精地图***的车道线定位质量值PosQuality大于Const2时，将高精地图输出的道路车道线信息作为车道线信息。

S13、基于所述障碍物运动信息，确定所述目标障碍物在第一预设时间内的短时行驶轨迹。

S14、根据所述障碍物运动信息和所述车道线信息，确定所述目标障碍物在第二预设时间内的长时行驶轨迹。

所述第二预设时间大于所述第一预设时间。第一预设时间和第二预设时间均由技术人员根据使用场景提前设定。

S15、对所述短时行驶轨迹和所述长时行驶轨迹进行轨迹融合，得到所述目标障碍物的预测行驶轨迹。

具体的，本实施例中预测了两个不同时间段的行驶轨迹，在对两个行驶轨迹进行轨迹融合，进一步保证了预测轨迹的准确性。

本实施例中，在得到障碍物运动信息和车道线信息之后，可以首先基于所述障碍物运动信息，确定所述目标障碍物在第一预设时间内的短时行驶轨迹，然后根据所述障碍物运动信息和所述车道线信息，确定所述目标障碍物在第二预设时间内的长时行驶轨迹，最后对所述短时行驶轨迹和所述长时行驶轨迹进行轨迹融合，得到所述目标障碍物的预测行驶轨迹。通过本发明可以在自动驾驶控制时知道目标障碍物的预测行驶轨迹，在目标障碍物进行近距离的车辆切入等工况时，提前进行障碍物规避。

可选的，在上述任一实施例的基础上，步骤S15可以包括：

预测行驶轨迹Trajectory_final(t)的计算公式为：

Trajectory _final(t)＝f(t)·Trajectory _{mod el}(t)+(1-f(t))·Trajectory_maneuver(t)；

其中，f_(t)为融合权重系数；Trajectory _{mod el}(t)为短时行驶轨迹；Trajectory_maneuver(t)为长时行驶轨迹。

对得到的短时行驶轨迹和长时行驶轨迹进行融合，得到最终的预测轨迹Trajectory_final。融合准则为，在[0,T1]时间内给予短时行驶轨迹更大的权重，且权重逐渐降低；[T1,T2]时间内给予长时行驶轨迹更大的权重，且权重逐渐增大，如下式所示：

Trajectory _final(t)＝f(t)·Trajectory _{mod el}(t)+(1-f(t))·Trajectory_maneuver(t)

其中，f(t)为融合权重系数，其形式如图3所示。

可选的，在本实施例的基础上，步骤S13可以包括：

获取车辆运动学模型，根据所述障碍物运动信息和所述车辆运动学模型，确定所述短时行驶轨迹Trajectory _{mod el}(t)；

Trajectory _{mod el}(t)＝(x_mdl(t)，y_mdl(t))

其中，所述车辆运动学模型用于对所述目标障碍物的行驶轨迹进行预测。车辆运动学模型可以是常速度模型、常加速度模型等。

x_mdl为预测得到的短时行驶轨迹纵向距离；y_mdl为预测得到的短时行驶轨迹横向距离。

具体的，基于障碍物运动信息和车辆运动学模型进行短时轨迹预测，该模型有效时间为第一预设时间T1。预测的短时轨迹输出Trajectory_model(t)为目标障碍物未来时刻的一系列位置。

可选的，在本实施例的基础上，参照图4，步骤S14可以包括：

S31、基于所述车道线信息和所述障碍物运动信息，确定所述目标障碍物的行驶轨迹状态信息X^path、以及与所述目标障碍物距离最近的目标车道线上的目标点。

X^path＝[Dis2LineRatio_obj,θ_obj,Υ_obj]^T

其中，Dis2LineRatio_obj为所述目标障碍物距所述目标障碍物所在的当前车道中心线的距离与车道宽的比值；θobj为所述目标障碍物的航向，T为向量/矩阵的转置；

轨迹曲率Υ_obj为所述目标障碍物的角速度ω_obj与所述目标障碍物的速度v_obj的比值；

Υ_obj＝ω_obj/v_obj

具体的，目标障碍物所在的当前车道的车道线数据，如车道宽、中心线位置等可以从车道线信息中获取，所述目标障碍物距离最近的目标车道线上的目标点可以基于目标障碍物的位置与车道线信息共同确定。

S32、确定所述目标车道线上的目标点的目标车道线状态信息X^lane＝[0,θ_lane,Υ_lane]^T

其中，θlane是所述目标点处的航向，Υ_lane是所述目标点处的曲率，T为向量/矩阵的转置。

具体的，目标点的目标车道线状态信息可以从车道线信息获取。

S33、根据所述目标车道线状态信息和所述行驶轨迹状态信息，确定所述目标障碍物的当前行驶轨迹与所述目标障碍物所在的当前车道的中心线的当前轨迹偏差值。

具体的，目标障碍物的目标行驶车道可以通过障碍物的当前行驶轨迹和其当前所在当前车道的中心线的偏差来判定。偏差包括目标障碍物距其所在的当前车道中心线的距离占车道宽的比例、目标障碍物的航向和目标点的航向的航向差、目标障碍物的轨迹曲率和目标点的曲率的曲率差。

目标障碍物的航向和目标点的航向已知，做差即可得到航向差，目标障碍物的轨迹曲率和目标点的曲率已知，做差即可得到曲率差，目标障碍物距其所在的当前车道中心线的距离占车道宽的比例为Dis2LineRatio_obj。

S34、基于所述当前轨迹偏差值，确定所述目标障碍物的目标行驶车道。

具体的，基于障碍物运动信息和车道线信息对障碍物行为进行识别。需要识别的行为包括车道保持或者换道。行为识别的本质是对障碍物的目标行驶车道进行预测。确定了目标障碍物的目标行驶车道，即可确定目标障碍物的预测行驶轨迹。

可选的，在本实施例的基础上，步骤S34可以包括：

1)获取历史轨迹偏差值。

2)计算所述当前轨迹偏差值和所述历史轨迹偏差值的偏差之和。

具体的，根据目标障碍物的当前轨迹偏差值和第二预设数量的历史轨迹偏差值判断目标障碍物是否要离开其当前所在车道，偏差的表达形式包括欧式距离、马氏距离等。

3)若所述偏差之和小于等于第一预设阈值，确定所述目标障碍物的目标行驶车道为所述目标障碍物所在的当前车道。

若偏差之和小于等于第一预设阈值D_threshold，则判断目标障碍物当前驾驶行为为车道保持。

4)若所述偏差之和大于所述第一预设阈值，基于所述历史轨迹偏差值和所述当前轨迹偏差值，确定轨迹偏差的变化趋势；

5)若所述变化趋势为不断变小，确定所述目标障碍物的目标行驶车道为本车所在的当前车道；

6)若所述变化趋势为不断变大，确定所述目标障碍物的目标行驶车道为所述目标障碍物所在的当前车道的相邻车道中与所述目标障碍物的当前行驶轨迹的偏差值较小的车道。

具体的，若偏差之和大于第一预设阈值D_threshold，且趋势是越来越小，则判断目标障碍物刚从旁边车道进入本车所在的当前车道；若偏差大于第一预设阈值D_threshold，且趋势是越来越大，则判断目标障碍物换道，其目标行驶车道为相邻目标障碍物所在的当前车道的两个车道中与目标障碍物的当前行驶轨迹的偏差更小的一个。

S35、基于所述目标行驶车道和所述障碍物运动信息，确定所述目标障碍物的长时行驶轨迹。

可选的，在本实施例的基础上，步骤S35可以包括：

基于所述目标行驶车道和所述目标障碍物运动信息，确定在所述第二预设时间内的多个长时行驶轨迹，从所述长时行驶轨迹中筛选出一条满足预设轨迹筛选规则的长时行驶轨迹Trajectory_maneuver(t)；

Trajectory _maneuver＝(x_mane(t),y_mane(t))

其中，x_mane为预测得到的长时轨迹纵向距离；y_mane为预测得到的长时轨迹横向距离。

具体的，所述长时行驶轨迹为所述目标障碍物从当前位置行驶到所述目标行驶车道的轨迹，长时行驶轨迹是第二预设时间内的行驶轨迹，车道保持或换道等行为的时间最大值设为第二预设时间T2，所述第二预设时间大于所述第一预设时间。在第二预设时间内，每间隔Δt生成一条多项式轨迹，可得一个长时行驶轨迹集Trajectory_set。

从Trajectory_set中基于一定的预设轨迹筛选规则如时间长短、轨迹曲率、轨迹横向加速度等选取一条最优的长时行驶轨迹Trajectory_maneuver。

本实施例中，确定目标障碍物的目标行驶车道，预测目标障碍物的预测行驶轨迹，能够提前更新目标障碍物信息，输出给自适应巡航等***，进而能够更早的对即将进入或离开本车道的目标障碍物做出判断，控制本车对切入切出的目标障碍物更早的进行制动减速或者加速等动作，提高自动驾驶车辆在实际道路行驶时的安全性和舒适性。

可选的，在上述运动轨迹预测方法的实施例的基础上，本发明的另一实施例提供了一种运动轨迹预测装置，参照图5，可以包括：

运动信息确定模块101，用于对毫米波雷达和摄像头分别采集的目标障碍物的初始障碍物运动信息进行信息融合，得到障碍物运动信息；

车道线信息确定模块102，用于对所述摄像头检测的道路车道线信息和高精地图输出的道路车道线信息进行信息融合，得到车道线信息；

短时轨迹预测模块103，用于基于所述障碍物运动信息，确定所述目标障碍物在第一预设时间内的短时行驶轨迹；

长时轨迹预测模块104，用于根据所述障碍物运动信息和所述车道线信息，确定所述目标障碍物在第二预设时间内的长时行驶轨迹；所述第二预设时间大于所述第一预设时间；

轨迹融合模块105，用于对所述短时行驶轨迹和所述长时行驶轨迹进行轨迹融合，得到所述目标障碍物的预测行驶轨迹。

可选的，在本实施例的基础上，所述运动信息确定模块101可以包括：

信息获取子模块，用于获取所述毫米波雷达和所述摄像头分别采集的历史障碍物运动信息；

相似度计算字模块，用于计算所述毫米波雷达和所述摄像头分别检测的每一目标障碍物运动信息中所述目标障碍物的相似度；所述目标障碍物运动信息包括所述初始障碍物运动信息和所述历史障碍物运动信息；

融合子模块，用于当所有的所述相似度均在预设阈值内时，将所述毫米波雷达和所述摄像头分别检测的初始障碍物运动信息进行加权融合，得到所述障碍物运动信息X；

X＝[x,y,v_x,v_y,a_x,a_y]^T；

其中，x、y分别为所述目标障碍物距本车的纵向、横向距离，v_x、v_y分别为所述目标障碍物相对本车的纵向、横向相对速度，a_x、a_y分别为所述目标障碍物相对本车的纵向、横向相对加速度，T表示向量/矩阵的转置。

可选的，在本实施例的基础上，所述车道线信息确定模块102用于对所述摄像头检测的道路车道线信息和高精地图输出的道路车道线信息进行信息融合，得到车道线信息时，具体用于：

车道线信息的计算公式为：

其中，FusionLanes表示融合后的车道线信息；CamLanes表示所述摄像头检测的道路车道线信息，CamQuality表示所述摄像头的车道线检测质量值；HDMapLanes表示所述高精地图输出的道路车道线信息；PosQuality表示所述高精地图的车道线定位质量值；Const1、Const2为常数。

本实施例中，在得到障碍物运动信息和车道线信息之后，可以首先基于所述障碍物运动信息，确定所述目标障碍物在第一预设时间内的短时行驶轨迹，然后根据所述障碍物运动信息和所述车道线信息，确定所述目标障碍物在第二预设时间内的长时行驶轨迹，最后对所述短时行驶轨迹和所述长时行驶轨迹进行轨迹融合，得到所述目标障碍物的预测行驶轨迹。通过本发明可以在自动驾驶控制时知道目标障碍物的预测行驶轨迹，在目标障碍物进行近距离的车辆切入等工况时，提前进行障碍物规避。

需要说明的是，本实施例中的各个模块和子模块的工作过程，请参照上述实施例中的相应说明，在此不再赘述。

可选的，在上述任一实施例的基础上，所述轨迹融合模块105用于对所述短时行驶轨迹和所述长时行驶轨迹进行轨迹融合，得到所述目标障碍物的预测行驶轨迹时，具体用于：

预测行驶轨迹Trajectory_final(t)的计算公式为：

Trajectory _final(t)＝f(t)·Trajectory _{mod el}(t)+(1-f(t))·Trajectory_maneuver(t)；

其中，f_(t)为融合权重系数；Trajectory _{mod el}(t)为短时行驶轨迹；Trajectory_maneuver(t)为长时行驶轨迹。

可选的，在本实施例的基础上，短时轨迹预测模块103用于基于所述障碍物运动信息，确定所述目标障碍物在第一预设时间内的短时行驶轨迹时，具体用于：

获取车辆运动学模型，根据所述障碍物运动信息和所述车辆运动学模型，确定所述短时行驶轨迹Trajectory _{mod el}(t)。

其中，所述车辆运动学模型用于对所述目标障碍物的行驶轨迹进行预测；

Trajectory _{mod el}(t)＝(x_mdl(t)，y_mdl(t))

x_mdl为预测得到的短时行驶轨迹纵向距离；y_mdl为预测得到的短时行驶轨迹横向距离。

可选的，在本实施例的基础上，所述长时轨迹预测模块104可以包括：

数据确定子模块，用于基于所述车道线信息和所述障碍物运动信息，确定所述目标障碍物的行驶轨迹状态信息X^path、以及与所述目标障碍物距离最近的目标车道线上的目标点；

X^path＝[Dis2LineRatio_obj,θ_obj,Υ_obj]^T

其中，Dis2LineRatio_obj为所述目标障碍物距所述目标障碍物所在的当前车道中心线的距离与车道宽的比值；θobj为所述目标障碍物的航向，T为向量/矩阵的转置；

轨迹曲率Υ_obj为所述目标障碍物的角速度ω_obj与所述目标障碍物的速度v_obj的比值；

Υ_obj＝ω_obj/v_obj

信息确定子模块，用于确定所述目标车道线上的目标点的目标车道线状态信息X^lane＝[0,θ_lane,Υ_lane]^T其中，θlane是所述目标点处的航向，Υ_lane是所述目标点处的曲率，T为向量/矩阵的转置；

偏差值确定子模块，用于根据所述目标车道线状态信息和所述行驶轨迹状态信息，确定所述目标障碍物的当前行驶轨迹与所述目标障碍物所在的当前车道的中心线的当前轨迹偏差值；

车道确定子模块，用于基于所述当前轨迹偏差值，确定所述目标障碍物的目标行驶车道；

轨迹确定子模块，用于基于所述目标行驶车道和所述障碍物运动信息，确定所述目标障碍物的长时行驶轨迹。

可选的，在本实施例的基础上，所述车道确定子模块可以包括：

偏差值获取单元，用于获取历史轨迹偏差值；

偏差计算单元，用于计算所述当前轨迹偏差值和所述历史轨迹偏差值的偏差之和；

第一确定单元，用于若所述偏差之和小于等于第一预设阈值，确定所述目标障碍物的目标行驶车道为所述目标障碍物所在的当前车道；

趋势确定单元，用于若所述偏差之和大于所述第一预设阈值，基于所述历史轨迹偏差值和所述当前轨迹偏差值，确定轨迹偏差的变化趋势；

第二确定单元，用于若所述变化趋势为不断变小，确定所述目标障碍物的目标行驶车道为本车所在的当前车道；

第三确定单元，用于若所述变化趋势为不断变大，确定所述目标障碍物的目标行驶车道为所述目标障碍物所在的当前车道的相邻车道中与所述目标障碍物的当前行驶轨迹的偏差值较小的车道。

可选的，在本实施例的基础上，轨迹确定子模块用于基于所述目标行驶车道和所述障碍物运动信息，确定所述目标障碍物的长时行驶轨迹时，具体用于：

基于所述目标行驶车道和所述目标障碍物运动信息，确定在所述第二预设时间内的多个长时行驶轨迹；

从所述长时行驶轨迹中筛选出一条满足预设轨迹筛选规则的长时行驶轨迹Trajectory_maneuver(t)；

Trajectory _maneuver＝(x_mane(t),y_mane(t))

其中，x_mane为预测得到的长时轨迹纵向距离；y_mane为预测得到的长时轨迹横向距离。

本实施例中，确定目标障碍物的目标行驶车道，预测目标障碍物的预测行驶轨迹，能够提前更新目标障碍物信息，输出给自适应巡航等***，进而能够更早的对即将进入或离开本车道的目标障碍物做出判断，控制本车对切入切出的目标障碍物更早的进行制动减速或者加速等动作，提高自动驾驶车辆在实际道路行驶时的安全性和舒适性。

需要说明的是，本实施例中的各个模块、子模块和单元的工作过程，请参照上述实施例中的相应说明，在此不再赘述。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种运动轨迹预测方法，其特征在于，包括：

对毫米波雷达和摄像头分别采集的目标障碍物的初始障碍物运动信息进行信息融合，得到障碍物运动信息；

对所述摄像头检测的道路车道线信息和高精地图输出的道路车道线信息进行信息融合，得到车道线信息；

基于所述障碍物运动信息，确定所述目标障碍物在第一预设时间内的短时行驶轨迹；

根据所述障碍物运动信息和所述车道线信息，确定所述目标障碍物在第二预设时间内的长时行驶轨迹；所述第二预设时间大于所述第一预设时间；

对所述短时行驶轨迹和所述长时行驶轨迹进行轨迹融合，得到所述目标障碍物的预测行驶轨迹。

2.根据权利要求1所述的运动轨迹预测方法，其特征在于，所述对所述短时行驶轨迹和所述长时行驶轨迹进行轨迹融合，得到所述目标障碍物的预测行驶轨迹，包括：

预测行驶轨迹Trajectory_final(t)的计算公式为：

Trajectory_final(t)＝f(t)·Trajectory_model(t)+(1-f(t))·Trajectory_maneuver(t)；

其中，f_(t)为融合权重系数；Trajectory_model(t)为短时行驶轨迹；Trajectory_maneuver(t)为长时行驶轨迹。

3.根据权利要求2所述的运动轨迹预测方法，其特征在于，所述基于所述障碍物运动信息，确定所述目标障碍物在第一预设时间内的短时行驶轨迹，包括：

获取车辆运动学模型；所述车辆运动学模型用于对所述目标障碍物的行驶轨迹进行预测；

根据所述障碍物运动信息和所述车辆运动学模型，确定所述短时行驶轨迹Trajectorymodel(t)；

Trajectory_model(t)＝(x_mdl(t)，y_mdl(t))

其中，x_mdl为预测得到的短时行驶轨迹纵向距离；y_mdl为预测得到的短时行驶轨迹横向距离。

4.根据权利要求2所述的运动轨迹预测方法，其特征在于，所述根据所述障碍物运动信息和所述车道线信息，确定所述目标障碍物在第二预设时间内的长时行驶轨迹，包括：

基于所述车道线信息和所述障碍物运动信息，确定所述目标障碍物的行驶轨迹状态信息X^path、以及与所述目标障碍物距离最近的目标车道线上的目标点；

X^path＝[Dis2LineRatio_obj,θ_obj,Υ_obj]^T

其中，Dis2LineRatio_obj为所述目标障碍物距所述目标障碍物所在的当前车道中心线的距离与车道宽的比值；θobj为所述目标障碍物的航向，T为向量/矩阵的转置；

轨迹曲率Υ_obj为所述目标障碍物的角速度ω_obj与所述目标障碍物的速度v_obj的比值；

Υ_obj＝ω_obj/v_obj

确定所述目标车道线上的目标点的目标车道线状态信息X^lane＝[0,θ_lane,Υ_lane]^T其中，θlane是所述目标点处的航向，Υ_lane是所述目标点处的曲率，T为向量/矩阵的转置；

根据所述目标车道线状态信息和所述行驶轨迹状态信息，确定所述目标障碍物的当前行驶轨迹与所述目标障碍物所在的当前车道的中心线的当前轨迹偏差值；

基于所述当前轨迹偏差值，确定所述目标障碍物的目标行驶车道；

基于所述目标行驶车道和所述障碍物运动信息，确定所述目标障碍物的长时行驶轨迹。

5.根据权利要求4所述的运动轨迹预测方法，其特征在于，所述基于所述当前轨迹偏差值，确定所述目标障碍物的目标行驶车道，包括：

获取历史轨迹偏差值；

计算所述当前轨迹偏差值和所述历史轨迹偏差值的偏差之和；

若所述偏差之和小于等于第一预设阈值，确定所述目标障碍物的目标行驶车道为所述目标障碍物所在的当前车道；

若所述偏差之和大于所述第一预设阈值，基于所述历史轨迹偏差值和所述当前轨迹偏差值，确定轨迹偏差的变化趋势；

若所述变化趋势为不断变小，确定所述目标障碍物的目标行驶车道为本车所在的当前车道；

若所述变化趋势为不断变大，确定所述目标障碍物的目标行驶车道为所述目标障碍物所在的当前车道的相邻车道中与所述目标障碍物的当前行驶轨迹的偏差值较小的车道。

6.根据权利要求4所述的运动轨迹预测方法，其特征在于，基于所述目标行驶车道和所述目标障碍物运动信息，确定所述目标障碍物的长时行驶轨迹，包括：

基于所述目标行驶车道和所述目标障碍物运动信息，确定在所述第二预设时间内的多个长时行驶轨迹；

从所述长时行驶轨迹中筛选出一条满足预设轨迹筛选规则的长时行驶轨迹Trajectory_maneuver(t)；

Trajectory_maneuver＝(x_mane(t),y_mane(t))

其中，x_mane为预测得到的长时轨迹纵向距离；y_mane为预测得到的长时轨迹横向距离。

7.根据权利要求1所述的运动轨迹预测方法，其特征在于，对毫米波雷达和摄像头分别检测的目标障碍物的初始障碍物运动信息进行信息融合，得到障碍物运动信息，包括：

获取所述毫米波雷达和所述摄像头分别采集的历史障碍物运动信息；

计算所述毫米波雷达和所述摄像头分别检测的每一目标障碍物运动信息中所述目标障碍物的相似度；所述目标障碍物运动信息包括所述初始障碍物运动信息和所述历史障碍物运动信息；

当所有的所述相似度均在预设阈值内时，将所述毫米波雷达和所述摄像头分别检测的初始障碍物运动信息进行加权融合，得到所述障碍物运动信息X；

X＝[x,y,v_x,v_y,a_x,a_y]^T；

其中，x、y分别为所述目标障碍物距本车的纵向、横向距离，v_x、v_y分别为所述目标障碍物相对本车的纵向、横向相对速度，a_x、a_y分别为所述目标障碍物相对本车的纵向、横向相对加速度，T表示向量/矩阵的转置。

8.根据权利要求1所述的运动轨迹预测方法，其特征在于，对所述摄像头检测的道路车道线信息和高精地图输出的道路车道线信息进行信息融合，得到车道线信息，包括：

车道线信息的计算公式为：

其中，FusionLanes表示融合后的车道线信息；CamLanes表示所述摄像头检测的道路车道线信息，CamQuality表示所述摄像头的车道线检测质量值；HDMapLanes表示所述高精地图输出的道路车道线信息；PosQuality表示所述高精地图的车道线定位质量值；Const1、Const2为常数。

9.一种运动轨迹预测装置，其特征在于，包括：

运动信息确定模块，用于对毫米波雷达和摄像头分别采集的目标障碍物的初始障碍物运动信息进行信息融合，得到障碍物运动信息；

车道线信息确定模块，用于对所述摄像头检测的道路车道线信息和高精地图输出的道路车道线信息进行信息融合，得到车道线信息；

短时轨迹预测模块，用于基于所述障碍物运动信息，确定所述目标障碍物在第一预设时间内的短时行驶轨迹；

长时轨迹预测模块，用于根据所述障碍物运动信息和所述车道线信息，确定所述目标障碍物在第二预设时间内的长时行驶轨迹；所述第二预设时间大于所述第一预设时间；

轨迹融合模块，用于对所述短时行驶轨迹和所述长时行驶轨迹进行轨迹融合，得到所述目标障碍物的预测行驶轨迹。

10.根据权利要求9所述的运动轨迹预测装置，其特征在于，所述轨迹融合模块用于对所述短时行驶轨迹和所述长时行驶轨迹进行轨迹融合，得到所述目标障碍物的预测行驶轨迹时，具体用于：

预测行驶轨迹Trajectory_final(t)的计算公式为：

Trajectory_final(t)＝f(t)·Trajectory_model(t)+(1-f(t))·Trajectory_maneuver(t)；

其中，f_(t)为融合权重系数；Trajectory_model(t)为短时行驶轨迹；Trajectory_maneuver(t)为长时行驶轨迹。

Images