CN112833903B - 一种轨迹预测方法、装置、设备和计算机可读存储介质 - Google Patents
一种轨迹预测方法、装置、设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN112833903B CN112833903B CN202011642342.5A CN202011642342A CN112833903B CN 112833903 B CN112833903 B CN 112833903B CN 202011642342 A CN202011642342 A CN 202011642342A CN 112833903 B CN112833903 B CN 112833903B
- Authority
- CN
- China
- Prior art keywords
- information
- lane
- reference vehicle
- candidate
- track
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000013528 artificial neural network Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 241001463014 Chazara briseis Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- 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
- G01C21/34—Route searching; Route guidance
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种轨迹预测方法、装置、设备和计算机可读存储介质,其中方法包括:获取参考车辆位置处的地图信息、交通信息和所述参考车辆的车辆信息,生成所述参考车辆的目标车道;根据所述目标车道和所述目标车道对应的预设轨迹,对所述参考车辆进行行驶轨迹预测。解决了现有对无人驾驶汽车的轨迹预测结果准确度不高的技术问题。
Description
技术领域
本申请涉及驾驶控制技术领域,尤其涉及一种轨迹预测方法、装置、设备和计算机可读存储介质。
背景技术
安全驾驶是汽车驾驶过程中的终极目标。因此,自主车辆在行驶过程中,要对自主车辆周围的参考车辆进行轨迹预测,以通过预测的轨迹对自主车辆进行控制,使得自主车辆避开参考车辆实现安全驾驶。
现有技术对于参考车辆的轨迹预测准确度较低,自主车辆和参考车辆的碰撞时有发生。因此,提供一种较准确对参考车辆的行驶轨迹进行预测的方法是本领域技术人员亟待解决的技术问题。
发明内容
本申请提供了一种轨迹预测方法、装置、设备和计算机可读存储介质,解决了现有的轨迹预测方法准确度较低的技术问题。
有鉴于此,本申请第一方面提供了一种轨迹预测方法,包括:
获取参考车辆位置处的地图信息、交通信息和所述参考车辆的车辆信息,生成所述参考车辆的目标车道;
根据所述目标车道和所述目标车道对应的预设轨迹,对所述参考车辆进行行驶轨迹预测。
获取参考车辆位置处的地图信息、交通信息和所述参考车辆的车辆信息,生成所述参考车辆的目标车道,具体包括:
根据所述参考车辆位置的地图信息,获取若干候选车道各自对应的车道信息;
获取各所述候选车道对应的交通信息;
根据所述车道信息、所述交通信息和所述参考车辆的车辆信息,获取所述参考车辆对各所述候选车道的选择结果;
根据所述选择结果,从所述候选车道中选取所述目标车道。
可选地,根据所述选择结果,从所述候选车道中选取所述目标车道,具体包括:
将所述选择结果大于预设阈值的候选车道作为所述目标车道。
可选地,所述车道信息至少包括:所述参考车辆和候选车道之间的距离信息和朝向信息、各所述候选车道的中心线信息和停止线信息。
可选地,所述预设轨迹是根据所述目标车道的历史行驶轨迹配置的,其中,所述历史行驶轨迹为所述目标车道的入口和出口之间的历史行驶轨迹。
可选地,所述预设轨迹是对历史行驶轨迹进行聚类后得到的。
可选地,所述车辆信息至少包括:指示灯信息、速度信息和预置时长内行驶轨迹对应的曲率。
本申请第二方面提供了一种轨迹预测装置,包括:
获取单元,被配置为用于获取参考车辆位置处的地图信息、交通信息和所述参考车辆的车辆信息,生成所述参考车辆的目标车道;
预测单元,被配置为用于根据所述目标车道和所述目标车道对应的预设轨迹,对所述参考车辆进行行驶轨迹预测。
本申请第三方面提供了一种轨迹预测设备,所述设备包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行第一方面所述的轨迹预测方法。
本申请第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行第一方面所述的轨迹预测方法。
从以上技术方法可以看出,本申请具有以下优点:
本申请中的轨迹预测方法,获取参考车辆位置处的地图信息、交通信息和所述参考车辆的车辆信息,生成所述参考车辆的目标车道;根据所述目标车道和所述目标车道对应的预设轨迹,对所述参考车辆进行行驶轨迹预测。
本实施例中获取地图信息、交通信息和车辆信息,根据地图信息、交通信息和车辆信息生成目标车道,接着根据目标车道和其对应的预设轨迹进行行驶轨迹的预测,整个过程中,由于目标车道是根据多个信息获取的,结果更加准确,同时,由于不同的车道对应不同的预设轨迹,对应于在目标车道上行驶时根据其的预设轨迹进行预测得到的第一预设轨迹更准确,从而解决了现有对无人驾驶汽车的轨迹预测结果准确度不高的技术问题。
附图说明
为了更清楚地说明本申请实施例中的技术方法,下面将对实施例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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请实施例中一种轨迹预测方法的实施例一的流程示意图;
图2为本申请实施例中一种轨迹预测方法的实施例二的流程示意图;
图3为本申请实施例中预设轨迹的配置示意图;
图4为本申请实施例中历史行驶轨迹的说明示意图;
图5为本申请实施例中一种轨迹预测方法实施例三的流程示意图;
图6为实施例三中的神经网络的网络结构示意图;
图7为本申请实施例中一种轨迹预测装置的实施例的结构示意图。
具体实施方式
本申请实施例提供了一种轨迹预测方法、装置、设备和计算机可读存储介质,解决了现有的轨迹预测方法准确度较低的技术问题。
为了使本技术领域的人员更好地理解本申请方法,下面将结合本申请实施例中的附图,对本申请实施例中的技术方法进行清楚、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。
以便于理解,请参阅图1,图1为本申请实施例中一种轨迹预测方法的实施例一的流程示意图。
本实施例中的一种轨迹预测方法,包括:
步骤101、获取参考车辆位置处的地图信息、交通信息和参考车辆的车辆信息,生成参考车辆的目标车道。
要对参考车辆的行驶轨迹进行预测,需要知晓参考车辆的目标车道。且参考车辆在行驶的过程中,其所处位置处的地图信息、交通信息和参考车辆的车辆信息均与目标车道的选取有关,故本实施例中需要获取参考车辆位置处的地图信息、交通信息和参考车辆本身的车辆信息,并根据地图信息、交通信息和车辆信息,生成参考车辆可能行驶的目标车道。
可以理解的是,上述的地图信息可以是参考车辆处对应高精度地图的语义地图信息,也可以是其他类型的地图对应的信息,本领域技术人员可以根据需要进行选择,在此不做限定和赘述。
步骤102、根据目标车道和目标车道对应的预设轨迹,对参考车辆进行行驶轨迹预测。
在获取到参考车辆的目标车道后,根据目标车道和该目标车道对应的预设轨迹,对参考车辆的行驶轨迹进行预测。
可以理解的是,目标车道对应的预设轨迹的获取可以是:
基于目标车道、目标车道和预设轨迹的对应关系,获取该目标车道对应的预设轨迹。
即预先配置有目标车道和其对应的预设轨迹的对应关系,这样在获取到目标车道后,即可根据该对应关系获取目标车道对应的预设轨迹。具体地,在一种实施方式中,用于构建对应关系的目标车道的车道信息可以是车道名称、车道编号等,本领域技术人员可以根据需要进行选择,在此不再赘述。
本实施例中获取地图信息、交通信息和车辆信息,根据地图信息、交通信息和车辆信息生成目标车道,接着根据目标车道和其对应的预设轨迹进行行驶轨迹的预测,整个过程中,由于目标车道是根据多个信息获取的,结果更加准确,同时,由于不同的车道对应不同的预设轨迹,对应于在目标车道上行驶时根据其的预设轨迹进行预测得到的第一预设轨迹更准确,从而解决了现有对无人驾驶汽车的轨迹预测结果准确度不高的技术问题。
以上为本申请实施例提供的一种轨迹预测方法的实施例一,以下为本申请实施例提供的一种轨迹预测方法的实施例二。
请参阅图2,图2为本申请实施例中轨迹预测模型的配置过程的流程示意图。
本实施例中的轨迹预测方法包括:
步骤201、根据参考车辆位置处的地图信息,获取若干候选车道各自对应的车道信息。
本实施例中,参考车辆在行驶的过程中,其所处位置处可能有若干候选车道,然后从若干候选车道中进行目标车道的选取,其中车道信息是目标车道选取的一个先验信息。故,本实施例中根据参考车辆位置处的地图信息,获取若干候选车道各自对应的车道信息。
一般来说候选车道为参考车辆附近的车辆,即候选车道和参考车辆之间的距离小于预设距离阈值。具体地预设距离阈值可以设置为50米、20米等,具体地本领域根据需要进行选择,在此不再具体限定和赘述。
车辆在行驶的过程中,车道类型有左拐、右拐、调头、直行等,为了对参考车辆进行较为准确和全面的行驶轨迹预测,本实施例中对上述的各车道类型均对应配置有候选车道,且各车道类型对应的候选车道的数量为两条以上。可以理解的是,候选车道的车道类型可以是仅仅包括上述的其中一个、两个、三个等。上述候选车道的车道数量和车道类型仅仅是一种示意性的举例说明,本领域技术人员可以根据自己的需求和分析场景进行对应设置。
需要说明的是,本实施例中的轨迹预测方法,可以适用于自主车辆在道路上行驶时的对其对应的参考车辆进行轨迹预测,也可以适用于自主车辆在路口行驶时,对其对应的参考车辆的轨迹预测。对应于在道路上行驶时,可能只存在车道类型为直行的候选车道,对应的获取到的也是直行的候选车道对应的车道信息,其他车道类型的候选车道均为0。当在路口时,可能上述四种车道类型的候选车道均存在,对应的车道信息也可以获取。
上述的车道信息至少包括:参考车辆和候选车道之间的距离信息和朝向信息、各候选车道的中心线信息和停止线信息。
可以理解的是,本实施例中的朝向信息和距离信息可以包括:当前时刻、历史时刻和未来时刻的朝向信息和距离信息。在一种实施方式中,上述的距离信息包括:当前时刻的距离信息、下一时刻的距离信息和上一时刻的距离信息,朝向信息包括:当前时刻的朝向信息、下一时刻的朝向信息和上一时刻的朝向信息。
需要说明的是,在另外的一种实施方式中,上述距离信息包括:当前时刻的当前距离信息、第一时刻的距离信息、第二时刻的距离信息、第三时刻的距离信息和第四时刻的距离信息,朝向信息包括:当前时刻的当前朝向信息、第一时刻的朝向信息、第二时刻的朝向信息、第三时刻的朝向信息和第四时刻的朝向信息。可以理解的是,上述的第一时刻为当前时刻的上一时刻,第二时刻为第一时刻的上一时刻,第三时刻为当前时刻的下一时刻,第四时刻为第三时刻的下一时刻。
可以理解的是,上述参考车辆和候选车道之间的距离信息为参考车辆的中心点和候选车道中心线之间的最短距离。需要说明的是,上述的距离信息还可以是其他的距离信息,具体本领域技术人员可以根据需要进行选择。
当前时刻、上一时刻、下一时刻之间的时间间隔可以根据需要分析需要进行设置,例如设置相邻时刻之间的时间间隔为0.5s,即当前时刻和上一时刻之间的时间间隔为0.5s,当前时刻和下一时刻之间的时间间隔也未0.5s。可以理解的是,上述的预设时间间隔的设置同样是一种示意性地举例说明,本领域技术人员可以根据需要进行设置。
具体地,本实施例中的车道中心线信息包括:车道中心线上的若干点各自对应的坐标信息,相应地,本实施例中获取中心线信息的步骤具体包括:
S2011、以参考车辆为中心,参考车辆的正前方朝向为x轴,参考车辆的正左方朝向为y轴构建坐标系;
S2012、获取候选车道的车道中心线上距离参考车辆最近的点,并将该点作为基准点;
S2013、以基准点为中心,沿着车道中心线,向前选取第一长度的车道中心线,向后选取第二长度的车道中心线,得到基准线段(即由第一长度和第二长度的车道中心线构成);
S2014、在基准线段内选取若干点得到选取点;
S2015、计算各选取点在构建的坐标系内的坐标信息,并将所有的坐标信息作为车道中心线信息。
可以理解的是,在基准线段内选取点时,可以是等间距选取,也可以是非等间距选取的。上述的第一长度和第二长度可以是相同的,也可以是不相同的,对于具体第一长度和第二长度的设置,本领域技术人员可以根据需要进行设置,在此不再赘述。
步骤202、获取各候选车道对应的交通信息。
车辆的行驶和交通信息相关,故本实施例中不仅获取到各候选车道对应的车道信息,还获取各候选车道对应的交通信息。
可以理解的是,在一种实施方式中,上述的交通信息可以是机动车灯对应的指示灯情况,此时的机动车灯的指示灯情况包括:红灯、绿灯、黄灯等。在另一种实施方式中,上述的交通信息可以是人行横道灯对应的指示灯情况,此时的人行横道等的指示灯情况包括:红灯、绿灯。需要说明的是,交通信息也可以是上述二者的结合,即包括:机动车灯对应的指示灯情和人行横道灯对应的指示灯情况。
需要说明的是,上述交通信息的获取可以是通过参考车辆上的摄像单元拍摄得到的,也可以是其他的获取方式,本领域技术人员可以根据需要进行选择,在此不做具体限定和赘述。
步骤203、根据车道信息、交通信息和参考车辆的车辆信息,获取参考车辆对各候选车道的选择结果。
在获取到各候选车道的车道信息和交通信息后,便可以结合车道信息、交通信息和车辆的车辆信息获取各参考车道对候选车道的选择结果。
需要说明的是,参考车辆的车辆信息至少包括:指示灯信息、速度信息和预置时长内行驶轨迹对应的曲率。
可以理解的是,在一种实施方式中,上述的速度信息可以包括当前时刻的速度信息、上一时刻的速度信息和下一时刻的速度信息。具体本领域可以根据需要进行设置,在此不再赘述。
在另一种实施方式中,上述的速度信息包括:指示灯信息当前时刻的速度信息、第一时刻的速度信息、第二时刻的速度信息。其中第一时刻为当前时刻的上一时刻,第二时刻为第一时刻的上一时刻。
可以理解的是,上述的指示灯信息包括:转向灯信息和刹车灯信息,其中转向灯信息具体包括:左拐向灯信息、右拐向灯信息。
上述的速度信息包括线速度和角速度。上述指示灯信息和速度信息的设置本领域技术人员可以根据需要进行选择。
具体地,在一种实施方式中,对于上述根据车道信息、交通信息和车辆信息,获取各候选车道的选择结果的方式可以是通过神经网络实现的。具体地,预先根据车道信息、交通信息和车辆信息对神经网络进行训练,然后得到训练好的神经网络,因此在获取到车道信息、交通信息和车辆信息后,将上述的信息输入至训练好的神经网络,神经网络便可以输出各候选车道对应的选择结果。
可以理解的是,神经网络的输入相对较为固定,在将上述的各信息输入至神经网络的过程中,若该值存在计算值(获取值),则将对应的计算值输入,若某一值不存在,则将该信息对应的值赋值为0后输入。
步骤204、根据选择结果,从候选车道中选取目标车道。
可以理解的是,得到参考车道对各候选车道的选择结果后,便可以根据选择结果,从候选车道中选取目标车道。
具体地,根据选择结果,从候选车道中选取目标车道,具体包括:
将选择结果大于预设阈值的候选车道作为目标车道。可以理解的是,上述的选择结果可以是概率等值,当选择概率的值越大说明参考车辆选择该车道作为目标车道行驶的可能性就越大,当选择概率的值越小说明参考车辆选择该车道作为目标车道行驶的可能性就越小。需要说明的是,本实施例中对于选择概率的相关说明仅仅是一种示意性的举例说明,本领域技术人员可以根据具体设置的选择结果进行对应目标车道的配置。
预设概率阈值的设置本领域技术人员可以根据需要进行设置,在此不做具体限定和赘述。例如设置为0.1、0.3、0.5等。
步骤205、根据目标车道和目标车道对应的预设轨迹,对参考车辆进行行驶轨迹预测。
本实施例中,在获取到目标车道后,便可以根据目标车道和目标车道对应的预设轨迹对参考车辆进行行驶估计预测。
可以理解的是,在当获取到的目标车道有多条时,根据目标车道各自对应的预设轨迹,对参考车辆在该目标车道上行驶的行驶轨迹进行预测。例如,第一目标车道和第二目标车道,此时根据第一目标车道对应的预设轨迹,对参考车辆在第一目标车道上的行驶轨迹进行预测,根据第二目标车道对应的预设轨迹,对参考车辆在第二目标车道上的行驶轨迹进行预测。
具体地,本实施例中的预设轨迹是根据目标车道的历史行驶轨迹配置的,其中历史行驶轨迹为目标车道的入口和出口之间的历史行驶轨迹。
在一种实施方式中,预设轨迹是对历史行驶轨迹进行聚类后得到的,如图3所示,本实施例中对应的预设轨迹的配置过程包括:
S2051、获取目标车道上的M条历史行驶轨迹;
S2052、将各历史行驶轨迹进行分段,得到各自对应的n个分段,并对各分段进行编号,此时的分段的编号为1、2、3……n;
S2053、计算各分段的中点;
S2054、根据同一编号的各分段的中点,计算该编号的分段的平均中点;即例如根据所有编号为1的分段的中点,计算编号为1的分段的平均中点,其他编号的分段采用同样的方式计算平均中点;
S2055、连接所有平均中点即可得到上述的预设轨迹。可以理解的是,此处平均中点的连接可以是Cubic Hermit Spline平滑连接,也可以是其他的连接方式,具体地本领域技术人员可以根据需要进行选择,在此不再赘述。
可以理解的是,上述对历史行驶轨迹进行聚类得到预设估计的方式仅仅是一种示意性的举例说明,本领域技术人员可以根据上述的描述或需要进行其他方式的设置,在此不再一一详述。
通过上述预设轨迹的配置,最大限度地保留了不同车道的轨迹特征信息,避免了由于车道的一些独特的特征而造成预测轨迹失真,减少了预测轨迹和真实轨迹之间的均方差。
在另一种实施方式中,预设轨迹是从历史行驶轨迹中任意选取的一条。此种预设轨迹的配置方式无需对历史行驶轨迹进行计算,减少了计算量,较适用于存储单元较小的轨迹预测装置。
可以理解的是,在其他的实施方式中,预设轨迹也可以是根据历史行驶轨迹的其他信息配置的,例如,计算参考车辆当前行驶轨迹的曲率,然后将历史行驶轨迹中与曲率最相同(二者之间的差值最小)、车辆的朝向最相同的历史行驶轨迹作为预设轨迹。此时,由于预设轨迹和当前行驶轨迹的曲率差别很小,故根据该预设轨迹对参考车辆预测的行驶轨迹比较贴合当前的行驶场景,预测得到的行驶轨迹比较准确率较高。
如图4所示,箭头所指的车道为右拐车道R1,对应该车道的入口为标号为A的位置处,出口为B的位置处,在目标车辆日常行驶过程中采集其他车辆在从位置A经由右拐车道R1驶向位置B的行驶轨迹(即历史行驶轨迹),当收取到多条该右拐车道R1的历史行驶轨迹后,便可配置该右拐车道R1对应的预设轨迹。
本实施例中获取地图信息、交通信息和车辆信息,根据地图信息、交通信息和车辆信息生成目标车道,接着根据目标车道和其对应的预设轨迹进行行驶轨迹的预测,整个过程中,由于目标车道是根据多个信息获取的,结果更加准确,同时,由于不同的车道对应不同的预设轨迹,对应于在目标车道上行驶时根据其的预设轨迹进行预测得到的第一预设轨迹更准确,从而解决了现有对无人驾驶汽车的轨迹预测结果准确度不高的技术问题。
以上为本申请实施例提供的一种轨迹预测方法的实施例二,以下为本申请实施提供的一种轨迹预测方法的实施例三。
本实施例中,本申请提供一种路口时参考车辆的轨迹预测的方法。如图5所示,本实施例中的轨迹预测方法,包括:
S1:根据参考车辆位置处的语义地图信息,获取若干候选车道各自对应的车道信息。
按照车道类型(调头、左拐、直行、右拐)选择与参考车辆最近的9条车道作为候选车道,抽取各候选车道对应的语义地图信息。其中,调头车道最多选择2条(U1,U2),左拐车道最多选择2条(L1,L2),直行车道最多选择3条(F1,F2,F3),右拐车道最多选择2条(R1,R2)。每个类型的车道按与参考车辆的距离进行排序。
对候选车道抽取的语义地图信息包括:
1.该候选车道是否存在?如果存在则为1.0,否则为0.0。
2.参考车辆和候选车道之间的距离信息和朝向信息。参考车辆1秒前、0.5秒前、现在、按照当前速度行驶0.5秒后、按照当前速度行驶1秒后与候选车道的距离和朝向夹角。
3.候选车道的中心线信息。以参考车辆为中心,参考车辆正前方朝向为x轴,参考车辆正左方朝向为y轴构建2D笛卡尔坐标系。定义在候选车道中心线上最接近参考车辆的点为P。从P点顺着候选车道方向前10米到P点后20米,每隔5米选择一个点,共7个点。这7个点在车辆2D笛卡尔坐标系下的坐标即为候选车道中心线信息。
4.候选车道的停止线信息:如果候选车道上有停止线,参考车辆与停止线的距离为d,则为[1.0,d];如果候选车道上没有停止线,则为[0.0,0.0]。
S2:获取各候选车道对应的交通信息。
对于每条选择的候选车道,抽取以下信息作为交通信息:
候选车道对应的机动车灯的指示灯情况。可能的值有红灯、绿灯、黄灯、未知。
S3:根据车道信息、交通信息和参考车辆的车辆信息,获取参考车辆对各候选车道的选择概率。
本实施例中抽取参考车辆以下信息作为车辆信息:
1.该参考车辆最近1秒内移动轨迹的曲率。
2.该参考车辆1秒前、0.5秒前、现在的线速度。
3.该参考车辆1秒前、0.5秒前、现在的角速度。
4.该参考车辆的指示灯信息,包括:左拐向灯是否开启(开启为1.0,否则为0.0)、右拐向灯是否开启、刹车灯是否亮起。
接着将选择的每条车道的语义地图信息、交通信息以及将参考车辆的信息拼接在一起,得到一维向量X,即为特征抽取阶段的最终输出。通过上述的操作将语义地图信息、交通信息和车辆信息表达成神经网络可以接受的输入,得到神经网络输出的对各条候选车道的选择概率。
如图6所示为本实施例中神经网络的网络结构示意图,该神经网络为简单全连接神经网络(FullyConnectedNeuralNetwork,FC),根据特征抽取阶段抽取的特征X,预测障碍物选择9条最近车道的概率。神经网络包括一个输入层、三个隐藏层和一个输出层。输入层的神经元数量就是特征X的维度。隐藏层神经元的数量分别为256、128、64,使用的激活函数为整流线性单元(RectifiedLinearUnit,ReLU)。输出层的神经元数量为9,使用归一化指数函数(Softmax)。
使用上述的神经网络时,相关参数说明如下:
采集数据集。训练网络所需的采集数据以0.1秒每帧的形式存储。在t时刻,每帧Dt的信息包括多辆车辆的轮廓、位置、朝向、线速度、角速度、转向灯信息以及交通信息。
训练数据集。本实施例根据采集数据集,为意图预测网络生成训练数据集。意图预测网络的一个训练样本数据为(X,Y’)。X为S1阶段的输出。Y’为一位有效编码(One-HotEncoding)的9维向量,代表9条车道中,在未来8秒后与车辆距离最近的车道。车道的编号顺序为:U1、U2、L1、L2、F1、F2、F3、R1、R2。
损失函数。训练意图预测网络时采用的损失函数为交叉熵损失函数(CrossEntropyLossFunction),其对应的定义为:
式中,y'i为样本Y’中第i个元素的值,而yi为模型输出Y中第i个元素的值。
训练参数。模型使用tensorflow1.14版本训练。优化器采用Adam。Adam参数Beta1和Beta2为0.9。学习率为0.0001。
模型输出。模型的输出Y为9维向量,代表参考车辆对U1、U2、L1、L2、F1、F2、F3、R1、R2车道的选择概率,也即对U1、U2、L1、L2、F1、F2、F3、R1、R2的选择意图。
S4:将选择概率大于0.1的候选车道作为目标车道。
模型的输出Y中有参考车辆对U1、U2、L1、L2、F1、F2、F3、R1、R2车道的选择概率,将选择概率大于0.1的候选车道作为目标车道。
S5:对选中的目标车道,根据其的预设轨迹进行对应的行驶轨迹预测。
对于每一个目标车道,根据其入口和出口之间的所有历史行驶轨迹,计算得到该目标车道对应的预设轨迹。给定多条历史行驶轨迹,计算预设轨迹的方法为:
S51:将每条轨迹分为100条线段。
S52:对每条线段的中点,求得所有轨迹该线段的平均中点。
S53:用CubicHermitSpline平滑连接求得的平均中点,得到最终的预设轨迹。
利用历史行驶轨迹数据辅助生成预测轨迹
给定目标车道,选择与目标车道最接近的预设轨迹T,并根据该目标车道和该预设轨迹T,对参考车辆在该目标车道上的行驶轨迹进行预测。
通过上述的实施例,可以看到本实施例中的轨迹预测方法具有如下优点:
1、提出了一种轻量级的方法,对路口中参考车辆附近的车道进行编号,并预测参考车辆的车道意图,并能适配各种不同路口,计算量小,意图粒度足够细分,足以用作预测轨迹生成。
2、使用了路口中的历史行驶轨迹数据,最大限度地保留了不同路口的轨迹特征信息,避免了由于路口的一些独特的特征而造成预测轨迹失真,减少了预测轨迹和真实轨迹之间的均方差。
以上为本申请实施例提供的一种轨迹预测方法的实施例三,以下为本申请实施例提供的一种轨迹预测装置的实施例。
请参阅图7,图7本申请实施例中一种轨迹预测装置的实施例的结构示意图。
本实施例中的一种轨迹预测装置,包括:
获取单元701,被配置为用于获取参考车辆位置处的地图信息、交通信息和参考车辆的车辆信息,生成参考车辆的目标车道;
第一预测单元702,被配置为用于根据目标车道和目标车道对应的预设轨迹,对参考车辆进行行驶轨迹预测。
进一步地,获取单元具体包括:
第一获取子单元,被配置为用于根据参考车辆位置处的地图信息,获取若干候选车道各自对应的车道信息;
第二获取子单元,被配置为用于获取各候选车道对应的交通信息;
第三获取子单元,被配置为用于根据车道信息、交通信息和参考车辆的车辆信息,获取参考车辆对各候选车道的选择结果;
选取子单元,被配置为用于根据选择结果,从候选车道中选取目标车道。
选取子单元具体用于,将选择结果大于预设阈值的候选车道作为目标车道。
进一步地,车道信息包括:参考车辆和候选车道之间的距离信息和朝向信息、各候选车道的中心线信息和停止线信息。
需要说明的是,预设轨迹是根据目标车道的历史行驶轨迹配置的,其中,历史行驶轨迹为目标车道的入口和出口之间的历史行驶轨迹。
具体地,预设轨迹是对历史行驶轨迹进行聚类后得到的。
可以理解的是本实施例中的车辆信息包括:指示灯信息、预置时长内行驶轨迹对应的曲率、当前时刻的速度信息和下一时刻的速度信息。
本实施例中获取地图信息、交通信息和车辆信息,根据地图信息、交通信息和车辆信息生成目标车道,接着根据目标车道和其对应的预设轨迹进行行驶轨迹的预测,整个过程中,由于目标车道是根据多个信息获取的,结果更加准确,同时,由于不同的车道对应不同的预设轨迹,对应于在目标车道上行驶时根据其的预设轨迹进行预测得到的第一预设轨迹更准确,从而解决了现有对无人驾驶汽车的轨迹预测结果准确度不高的技术问题。
本申请实施例还提供了一种轨迹预测设备的实施例,本实施例中的检测设备包括处理器以及存储器;存储器用于存储程序代码,并将程序代码传输给处理器;处理器用于根据程序代码中的指令执行前述实施例中的轨迹预测方法。
本申请实施例还提供了一种计算机可读存储介质的实施例,本实施例中计算机可读存储介质用于存储程序代码,程序代码用于执行前述实施例中的轨迹预测方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,商品加载服务器和方法,可以通过其它的方式实现。例如,以上所描述的商品加载服务器实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,商品加载服务器或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,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单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取计算机可读存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个计算机可读存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的计算机可读存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-Only Memory,英文缩写:ROM)、随机存取存储器(英文全称:RandomAccess Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (8)
1.一种轨迹预测方法,其特征在于,包括:
获取参考车辆位置处的地图信息、交通信息和所述参考车辆的车辆信息,生成所述参考车辆的目标车道,具体包括:
根据所述参考车辆位置处的地图信息,获取若干候选车道各自对应的车道信息;
获取各所述候选车道对应的交通信息;
根据所述车道信息、所述交通信息和所述参考车辆的车辆信息,获取所述参考车辆对各所述候选车道的选择结果;
根据所述选择结果,从所述候选车道中选取所述目标车道;
根据所述目标车道和所述目标车道对应的预设轨迹,对所述参考车辆进行行驶轨迹预测;
所述车道信息包括:所述参考车辆和所述候选车道之间的距离信息和朝向信息、各所述候选车道的中心线信息和停止线信息;
所述朝向信息和距离信息包括:当前时刻、历史时刻和未来时刻的所述朝向信息和距离信息;
所述参考车辆和所述候选车道之间的距离信息为所述参考车辆的中心点和所述候选车道中心线之间的最短距离;
所述候选车道中心线信息包括:所述候选车道中心线上的若干点各自对应的坐标信息,具体地,获取所述候选车道中心线信息的步骤包括:
以所述参考车辆为中心,所述参考车辆的正前方朝向为x轴,所述参考车辆的正左方朝向为y轴构建坐标系;
获取所述候选车道的车道中心线上距离所述参考车辆最近的点,并将该点作为基准点;
以基准点为中心,沿着车道中心线,向前选取第一长度的车道中心线,向后选取第二长度的车道中心线,得到基准线段;
在所述基准线段内选取若干点得到选取点;
计算所述各选取点在构建的坐标系内的坐标信息,并将所有的坐标信息作为车道中心线信息。
2.根据权利要求1所述的轨迹预测方法,其特征在于,根据所述选择结果,从所述候选车道中选取所述目标车道,具体包括:
将所述选择结果大于预设阈值的候选车道作为所述目标车道。
3.根据权利要求1所述的轨迹预测方法,其特征在于,所述预设轨迹是根据所述目标车道的历史行驶轨迹配置的,其中,所述历史行驶轨迹为所述目标车道的入口和出口之间的历史行驶轨迹。
4.根据权利要求3所述的轨迹预测方法,其特征在于,所述预设轨迹是对历史行驶轨迹进行聚类后得到的。
5.根据权利要求1所述的轨迹预测方法,其特征在于,所述车辆信息至少包括:指示灯信息、速度信息和预置时长内行驶轨迹对应的曲率。
6.一种轨迹预测装置,其特征在于,包括:
获取单元,被配置为用于获取参考车辆位置处的地图信息、交通信息和所述参考车辆的车辆信息,生成所述参考车辆的目标车道;
预测单元,被配置为用于根据所述目标车道和所述目标车道对应的预设轨迹,对所述参考车辆进行行驶轨迹预测;
获取单元具体包括:
第一获取子单元,被配置为用于根据参考车辆位置处的地图信息,获取若干候选车道各自对应的车道信息;
第二获取子单元,被配置为用于获取各候选车道对应的交通信息;
第三获取子单元,被配置为用于根据车道信息、交通信息和参考车辆的车辆信息,获取参考车辆对各候选车道的选择结果;
选取子单元,被配置为用于根据选择结果,从候选车道中选取目标车道;
所述车道信息包括:所述参考车辆和所述候选车道之间的距离信息和朝向信息、各所述候选车道的中心线信息和停止线信息;
所述朝向信息和距离信息包括:当前时刻、历史时刻和未来时刻的朝向信息和距离信息;
所述参考车辆和所述候选车道之间的距离信息为所述参考车辆的中心点和所述候选车道中心线之间的最短距离;
所述候选车道中心线信息包括:所述候选车道中心线上的若干点各自对应的坐标信息,具体地,获取所述候选车道中心线信息的步骤包括:
以所述参考车辆为中心,所述参考车辆的正前方朝向为x轴,所述参考车辆的正左方朝向为y轴构建坐标系;
获取所述候选车道的车道中心线上距离所述参考车辆最近的点,并将该点作为基准点;
以基准点为中心,沿着车道中心线,向前选取第一长度的车道中心线,向后选取第二长度的车道中心线,得到基准线段;
在所述基准线段内选取若干点得到选取点;
计算所述各选取点在构建的坐标系内的坐标信息,并将所有的坐标信息作为车道中心线信息。
7.一种轨迹预测设备,其特征在于,所述设备包括处理器以及存储器;
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1至5中任一项所述的轨迹预测方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1至5中任一项所述的轨迹预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011642342.5A CN112833903B (zh) | 2020-12-31 | 2020-12-31 | 一种轨迹预测方法、装置、设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011642342.5A CN112833903B (zh) | 2020-12-31 | 2020-12-31 | 一种轨迹预测方法、装置、设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112833903A CN112833903A (zh) | 2021-05-25 |
CN112833903B true CN112833903B (zh) | 2024-04-23 |
Family
ID=75927085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011642342.5A Active CN112833903B (zh) | 2020-12-31 | 2020-12-31 | 一种轨迹预测方法、装置、设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112833903B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793520B (zh) * | 2021-09-15 | 2023-09-01 | 苏州挚途科技有限公司 | 车辆轨迹预测方法、装置及电子设备 |
CN113682318B (zh) * | 2021-09-30 | 2022-09-06 | 阿波罗智能技术(北京)有限公司 | 车辆行驶控制方法及装置 |
CN117897749A (zh) * | 2021-12-31 | 2024-04-16 | 深圳市大疆创新科技有限公司 | 一种车辆位置的预测方法、装置、车辆及存储介质 |
CN115148025B (zh) * | 2022-06-28 | 2023-10-20 | 重庆长安汽车股份有限公司 | 一种交通目标轨迹预测方法及可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718750A (zh) * | 2016-01-29 | 2016-06-29 | 长沙理工大学 | 一种车辆行驶轨迹的预测方法及*** |
CN107610464A (zh) * | 2017-08-11 | 2018-01-19 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
CN108761509A (zh) * | 2018-04-09 | 2018-11-06 | 吉林大学 | 一种基于历史数据的汽车行驶轨迹及里程预测方法 |
CN110400490A (zh) * | 2019-08-08 | 2019-11-01 | 腾讯科技(深圳)有限公司 | 轨迹预测方法和装置 |
CN110789528A (zh) * | 2019-08-29 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 一种车辆行驶轨迹预测方法、装置、设备及存储介质 |
CN110834644A (zh) * | 2019-10-30 | 2020-02-25 | 中国第一汽车股份有限公司 | 一种车辆控制方法、装置、待控制车辆及存储介质 |
CN111428943A (zh) * | 2020-04-23 | 2020-07-17 | 福瑞泰克智能***有限公司 | 障碍物车辆轨迹预测的方法、设备和计算机设备 |
CN111583715A (zh) * | 2020-04-29 | 2020-08-25 | 宁波吉利汽车研究开发有限公司 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102015220360A1 (de) * | 2015-10-20 | 2017-04-20 | Robert Bosch Gmbh | Verfahren zur Auswahl einer optimierten Trajektorie |
-
2020
- 2020-12-31 CN CN202011642342.5A patent/CN112833903B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718750A (zh) * | 2016-01-29 | 2016-06-29 | 长沙理工大学 | 一种车辆行驶轨迹的预测方法及*** |
CN107610464A (zh) * | 2017-08-11 | 2018-01-19 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
CN108761509A (zh) * | 2018-04-09 | 2018-11-06 | 吉林大学 | 一种基于历史数据的汽车行驶轨迹及里程预测方法 |
CN110400490A (zh) * | 2019-08-08 | 2019-11-01 | 腾讯科技(深圳)有限公司 | 轨迹预测方法和装置 |
CN110789528A (zh) * | 2019-08-29 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 一种车辆行驶轨迹预测方法、装置、设备及存储介质 |
CN110834644A (zh) * | 2019-10-30 | 2020-02-25 | 中国第一汽车股份有限公司 | 一种车辆控制方法、装置、待控制车辆及存储介质 |
CN111428943A (zh) * | 2020-04-23 | 2020-07-17 | 福瑞泰克智能***有限公司 | 障碍物车辆轨迹预测的方法、设备和计算机设备 |
CN111583715A (zh) * | 2020-04-29 | 2020-08-25 | 宁波吉利汽车研究开发有限公司 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN112833903A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112833903B (zh) | 一种轨迹预测方法、装置、设备和计算机可读存储介质 | |
US11131993B2 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
CN111133485B (zh) | 自主交通工具的对象预测优先级排序***和方法 | |
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 | |
CN109489675A (zh) | 用于自动驾驶车辆的基于成本的路径规划 | |
US20170344855A1 (en) | Method of predicting traffic collisions and system thereof | |
CN109491376A (zh) | 用于自动驾驶车辆的基于动态规划和梯度下降的决策和规划 | |
CN109270927B (zh) | 道路数据的生成方法及装置 | |
JP2020514158A (ja) | 自車両の制御方法及び自車両の制御システム | |
CN112734808B (zh) | 一种车辆行驶环境下易受伤害道路使用者的轨迹预测方法 | |
US11827214B2 (en) | Machine-learning based system for path and/or motion planning and method of training the same | |
CN112085077B (zh) | 车辆变道的确定方法、装置、存储介质和电子设备 | |
CN112203916A (zh) | 用于确定目标车辆变道相关信息的方法和设备、用于确定车辆舒适性度量用以预测目标车辆的驾驶机动操纵的方法和设备以及计算机程序 | |
Shimosaka et al. | Modeling risk anticipation and defensive driving on residential roads with inverse reinforcement learning | |
CN112644518B (zh) | 一种车辆轨迹预测方法、装置、设备和存储介质 | |
CN114005280A (zh) | 一种基于不确定性估计的车辆轨迹预测方法 | |
CN113844451A (zh) | 行驶设备控制方法、装置、电子设备及存储介质 | |
CN114399743A (zh) | 一种障碍物未来轨迹的生成方法 | |
EP3705367A1 (en) | Training a generator unit and a discriminator unit for collision-aware trajectory prediction | |
CN115062202A (zh) | 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质 | |
Zhang et al. | A convolutional neural network method for self-driving cars | |
EP4231051A1 (en) | Multi-scan sensor fusion for object tracking | |
US20240246563A1 (en) | Route deciding method, system and device, and medium | |
CN113928341B (zh) | 一种道路决策方法、***、设备和介质 | |
CN116363867A (zh) | 路口对象的行为预测方法、装置、设备和介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |