CN112839855A - 一种轨迹预测方法与装置 - Google Patents
一种轨迹预测方法与装置 Download PDFInfo
- Publication number
- CN112839855A CN112839855A CN202080005125.7A CN202080005125A CN112839855A CN 112839855 A CN112839855 A CN 112839855A CN 202080005125 A CN202080005125 A CN 202080005125A CN 112839855 A CN112839855 A CN 112839855A
- Authority
- CN
- China
- Prior art keywords
- lane
- target
- track
- trajectory
- lanes
- 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.)
- Granted
Links
Images
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
- 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
- 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
- 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
- B60W2556/45—External transmission of data to or from the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种轨迹预测方法与装置。在该方法中,获取目标车辆在第一时刻的第一位置,第一位置对应包含至少一个第一车道的第一车道集合;然后确定目标预测轨迹,目标预测轨迹的置信度大于或等于第一阈值,目标预测轨迹为至少一个候选预测轨迹中的至少一个,任一个候选预测轨迹包含存在连通性的第一车道和第二车道,第二车道集合对应预测得到的目标车道在第二时刻的第二位置。通过该方案,可以根据目标车辆不同时刻所处的不同位置确定车道集合,进而确定至少一个候选预测轨迹,相比现有仅根据车辆当前位置确定预测轨迹的方式更加准确,再将置信度大于第一阈值的至少一个候选预测轨迹作为目标预测轨迹,进一步提升轨迹预测的准确性。
Description
技术领域
本申请涉及智能驾驶领域,具体涉及一种轨迹预测方法与装置。
背景技术
随着轨迹预测技术的发展,轨迹预测在智能驾驶领域的作用日益凸显,轨迹预测是指在车辆行驶过程中,通过传感器或车载摄像头确定自身周围的其它车辆位置后,预测其它车辆未来短时间内可能行驶的轨迹,进而规划控制自身的行驶行为。
目前在对目标车辆进行轨迹预测时,根据目标车辆的当前位置确定目标车辆的航向角。根据目标车辆的当前位置以及预设的查询半径在地图中查找包括至少一个车道的车道集合,对查找到的车道集合中的每个车道,确定目标车辆的当前位置与该车道之间的垂直距离,除去车道集合中垂直距离大于预设阈值的车道后得到包括至少一个候选车道的候选车道集合。针对每个候选车道,确定目标车道当前位置投影到候选车道上的投影位置,并根据投影位置以及候选车道的中位线确定目标车辆若行驶到候选车道需要转过的夹角,然后确定航向角与夹角之间的角度差,按照候选车道对应的角度差从小到大的顺序,选择前N个候选车道确定预测轨迹,每个预测轨迹中包含一个候选车道,其中,N为大于等于1的正整数。
由上述介绍可知,目前在进行车道预测时,仅根据目标车辆的当前位置、车辆航向角等信息对目标车辆行驶轨迹进行预测,但当目标车辆处于复杂的路口场景,如立交桥路口时,可能导致投影后车道不准确、预测轨迹错误的情况;以及当驾驶人员存在操作不规范的驾驶行为时,仅根据车辆的当前位置以及车辆航向角信息进行轨迹预测,也可能会导致预测得到的轨迹不合理的现象。因此,目前的轨迹预测方法不够准确。
发明内容
本申请提供一种轨迹预测方法与装置,用以提高轨迹预测的准确性。
第一方面,本申请实施例提供一种轨迹预测方法。该方法包括:
获取目标车辆在第一时刻的第一位置,所述第一位置对应包含至少一个第一车道的第一车道集合;确定目标预测轨迹,所述目标预测轨迹的置信度大于或等于第一阈值,所述目标预测轨迹为至少一个候选预测轨迹中的至少一个,所述至少一个候选预测轨迹中的任一个候选预测轨迹包含所述第一车道集合中的第一车道以及第二车道集合中的第二车道,所述第一车道和第二车道在所述候选预测轨迹中连通;其中,所述第二车道集合与第二位置对应,所述第二位置为所述目标车辆在第二时刻的预测位置,所述第二时刻在时间上位于所述第一时刻之后。
在以上方法中,目标车辆的第一位置对应第一车道集合,目标车辆的第二位置对应第二车道集合,确定出的至少一个候选预测轨迹包括第一车道集合中的第一车道以及第二车道集合中的第二车道,通过该方法,能够根据目标车辆在第一时刻的第一位置对应的第一车道集合和预测的目标车辆在第二时刻的第二位置对应的第二车道集合确定至少一个候选预测轨迹,提升确定出的候选预测轨迹的准确度。目标预测轨迹是从至少一个候选预测轨迹中选择的置信度大于第一阈值的至少一个候选预测轨迹,本申请提供的轨迹预测方法使用置信度衡量候选预测轨迹的准确性,通过选择置信度大于第一阈值的至少一个候选预测轨迹作为目标预测轨迹,进一步提高预测得到的目标预测轨迹的准确性,可以为智能驾驶中轨迹预测的下游模块如规划控制模块提供更可信的目标预测轨迹,进而提升智能驾驶性能。
在一个可能的设计中,所述第一车道集合是根据所述第一位置和第一车道信息确定的;和/或,所述第二车道集合是根据所述第二位置和第二车道信息确定的;其中,所述第一车道信息包括所述第一位置所属区域的全部或部分车道的位置信息,所述第二车道信息包括所述第二位置所属区域的全部或部分车道的位置信息,所述第一车道信息和所述第二车道信息相同或不同。
通过该设计,基于目标车辆的第一位置确定第一车道集合,基于目标车辆的第二位置确定第二车道集合,可以确定目标车辆不同时刻所处位置对应的车道集合。
在一个可能的设计中,所述第一车道信息和/或所述第二车道信息为预配置或通过车辆通信或通过车辆配置的传感器获取到的。举例来说,可以将车道信息预配置在车辆中,或车辆通过与路侧单元或监控中心进行V2X通信获取车道信息,或通过车载摄像头、激光雷达等传感器实时检测和感知车道信息。
通过该设计,车道信息可以为预配置在车辆中的,可以是车辆通过车辆通信获取到的,也可以是实时检测的,提供了车道信息的多种获取方式。
在一个可能的设计中,所述方法还包括:根据所述目标第一位置所属区域的地图获取所述第一车道信息,根据所述第二位置所属区域的地图获取所述第二车道信息;将距离所述第一位置在预设查询半径内的至少一个车道作为所述第一车道集合,和/或,将距离所述第二位置在预设查询半径内的至少一个车道作为所述第二车道集合。
通过该设计,可以通过第一位置所属区域的地图获取第一车道信息,并通过第二位置所属区域的地图获取第二车道信息。在获取到第一车道信息和第二车道信息后,可以根据预设查询半径确定第一车道集合和/或第二车道集合,从而确定出目标车辆在不同时刻所处位置对应的车道集合。
在一个可能的设计中,在确定所述目标预测轨迹之前,根据所述第一车道集合以及所述第二车道集合,确定所述至少一个候选预测轨迹。
通过该设计,根据第一车道集合和第二车道集合确定至少一个候选预测轨迹,得到的候选预测轨迹包含了目标车辆在第一位置时可能通行的车道和目标车辆在第二位置时可能通行的车道,从而使确定出的候选预测轨迹更加准确。
在一个可能的设计中,所述根据所述第一车道集合以及所述第二车道集合,确定所述至少一个候选预测轨迹,包括:当所述第二车道集合中目标第二车道与所述第一车道集合中的目标第一车道存在连通性时,确定包含所述目标第二车道与所述目标第一车道的目标候选预测轨迹;其中,所述目标候选预测轨迹包含在所述至少一个候选预测轨迹中。
通过该设计,可以根据第一车道以及与该第一车道存在连通性的第二车道确定候选预测轨迹,保证得到的候选预测轨迹中的第一车道和第二车道连通,确定出的候选预测轨迹为实际中车辆可能会行驶的轨迹。
在一个可能的设计中,所述目标预测轨迹的置信度是根据第一相似度、第二相似度以及连通性信息得到的,其中,所述第一相似度用于指示所述目标车辆的历史轨迹与所述目标预测轨迹中的第一车道之间的相似度,所述第二相似度用于指示从所述第一位置到所述第二位置的预测行驶轨迹与所述第二车道之间的相似度,所述连通性信息用于指示所述第一车道和第二车道之间的连通性。
通过该设计,确定目标车辆的历史轨迹和目标预测轨迹中的第一车道的第一相似度,以及确定预测行驶轨迹与目标预测轨迹中第二车道的第二相似度,根据第一相似度、第二相似度和第一车道和第二车道之间的连通性信息,确定目标预测轨迹的置信度,由此得到的目标预测轨迹的置信度结合了目标车辆的历史轨迹和预测行驶轨迹两阶段的轨迹,并且引入车道之间的连通性信息,使得确定出的置信度更能体现目标预测轨迹的准确性。
在一个可能的设计中,根据下列方式确定所述目标预测轨迹的置信度:根据所述第一相似度、所述第一相似度对应的第一权重、所述第二相似度、所述第二相似度对应的第二权重、所述连通性信息以及所述连通性信息对应的第三权重,通过操作函数确定所述目标预测轨迹的置信度;其中,所述第一权重、所述第二权重、所述第三权重以及所述操作函数为预配置或根据机器学习得到的。
通过该设计,在确定目标预测轨迹的置信度时,可以为第一相似度、第二相似度和连通性信息配置权重,从而灵活调整置信度的确定方式。
在一种可能的设计中,所述目标预测轨迹的置信度是根据第一相似度和第二相似度得到的,其中,所述第一相似度用于指示所述目标车辆的历史轨迹与所述目标预测轨迹中的第一车道之间的相似度,所述第二相似度用于指示从所述第一位置到所述第二位置的预测行驶轨迹与所述第二车道之间的相似度。
通过该设计,根据目标车辆的历史轨迹和目标预测轨迹中的第一车道的第一相似度,以及预测行驶轨迹与目标预测轨迹中第二车道的第二相似度,确定目标预测轨迹的置信度,由此得到的目标预测轨迹的置信度结合了目标预测轨迹与目标车辆的历史轨迹和预测行驶轨迹两阶段的轨迹的相似度,使得确定出的目标预测轨迹的置信度更能够体现目标预测轨迹的准确性。
在一个可能的设计中,根据下列方式确定所述第一阈值:获取包含多个轨迹预测样本的数据集,确定所述数据集的每个轨迹预测样本中第二位置对应的终点位置误差值;根据所述每个轨迹预测样本的置信度、所述每个轨迹预测样本中第二位置对应的终点位置误差值以及预设值,确定所述第一阈值。
在一个可能的设计中,确定至少一个目标轨迹预测样本的置信度的平均值,将确定出的所述平均值作为所述第一阈值,其中,所述至少一个目标轨迹预测样本为所述多个轨迹预测样本中第二位置对应的终点位置误差值小于或等于预设值的至少一个轨迹预测样本;或者将所述多个轨迹预测样本中第二位置对应的终点位置误差值小于或等于预设值的至少一个轨迹预测样本作为正样本集合,以及将所述多个轨迹预测样本中第二位置对应的终点位置误差值大于预设值的至少一个轨迹预测样本作为负样本集合,基于二分类算法确定用于区分所述正样本集合和所述负样本集合的度量值,将确定出的所述度量值作为所述第一阈值。
通过以上设计,可以根据包括多个轨迹预测样本的数据集确定第一阈值,从而在通过第一阈值筛选候选预测轨迹时得到的目标预测轨迹更贴合实际场景,进一步提升轨迹预测的准确性。
第二方面,本申请实施例提供了一种轨迹预测方法,该方法包括:
根据目标车辆的第一位置,在地图中确定第一车道集合;其中,所述第一位置为所述目标车辆在第一时刻的位置,所述第一车道集合中包含至少一个第一车道;基于设定的轨迹预测模型,预测所述目标车辆的第二位置;其中,所述第二位置为所述目标车辆在第二时刻的位置,所述第二时刻位于所述第一时刻之后;根据所述第二位置在所述地图中确定第二车道集合;其中,所述第二车道集合中包含至少一个第二车道;根据所述第一车道集合和所述第二车道集合,确定至少一个候选预测轨迹;其中,任一个候选预测轨迹包含所述第一车道集合中的一个第一车道和所述第二车道集合中的一个第二车道,且任一个候选预测轨迹包含的第一车道与第二车道具有连通性;确定所述至少一个候选预测轨迹的置信度,任一个候选预测轨迹的置信度用于表示所述候选预测轨迹与所述目标车辆期望行驶的目标轨迹的相似度;将置信度大于第一阈值的候选预测轨迹作为目标预测轨迹。
通过上述方法,在对目标车辆进行轨迹预测时,可以根据目标车辆的第一位置在地图中确定第一车道集合,第一车道集合中包括目标车辆从第一位置可能行驶的车道。然后根据设定的轨迹预测模型预测的目标车辆的第二位置确定第二车道集合,第二车道集合中包括目标车辆从第二位置可能行驶的车道。再根据第一车道集合和第二车道集合确定至少一个候选预测轨迹,每个候选预测轨迹包含第一车道集合中的一个第一车道和第二车道集合中的一个第二车道,且每个候选预测轨迹包含的第一车道与第二车道具有连通性,则确定出的至少一个候选预测轨迹是根据目标车辆的多阶段的位置信息确定出来的,准确性更高。最后确定至少一个候选预测轨迹的置信度,并将置信度大于第一阈值的候选预测轨迹作为目标预测轨迹,使用置信度代表候选预测轨迹与目标车辆期望行驶的目标轨迹的相似度,并根据置信度选择目标预测轨迹,可以挑选出目标车辆更有可能行驶的候选预测轨迹,进一步提升了轨迹预测的准确性。
在一个可能的设计中,根据所述第一车道集合和所述第二车道集合,确定至少一个候选预测轨迹,包括:当所述第二车道集合中目标第二车道与所述第一车道集合中的目标第一车道存在连通性时,确定包含所述目标第二车道与所述目标第一车道的目标候选预测轨迹;其中,所述目标候选预测轨迹包含在所述至少一个候选预测轨迹中。
通过该设计,可以根据第一车道以及与该第一车道存在连通性的第二车道确定候选预测轨迹,保证得到的候选预测轨迹中的第一车道和第二车道连通,确定出的候选预测轨迹为实际中车辆可能会行驶的轨迹。
在一个可能的设计中,确定所述至少一个候选预测轨迹的置信度,包括:
通过以下步骤,确定所述至少一个候选预测轨迹中第一候选预测轨迹的置信度,其中,所述第一候选预测轨迹为所述至少一个候选预测轨迹中的任一个:获取所述第一候选预测轨迹包含的第一车道与第二车道之间的连通性信息;获取所述目标车辆的历史轨迹,确定所述第一候选预测轨迹中包含的第一车道与所述历史轨迹之间的第一相似度;基于所述轨迹预测模型,确定所述目标车辆从所述第一位置到所述第二位置的预测行驶轨迹;确定所述第一候选预测轨迹包含的第二车道与所述预测行驶轨迹之间的第二相似度;根据所述第一相似度、所述第二相似度,以及所述连通性信息,确定所述第一候选预测轨迹的置信度。
通过该设计,确定目标车辆的历史轨迹和目标预测轨迹中的第一车道的第一相似度,以及确定预测行驶轨迹与目标预测轨迹中第二车道的第二相似度,根据第一相似度、第二相似度和第一车道和第二车道之间的连通性信息,确定目标预测轨迹的置信度,由此得到的目标预测轨迹的置信度结合了目标车辆的历史轨迹和预测行驶轨迹两阶段的轨迹,并且引入车道之间的连通性信息,使得确定出的置信度更能体现目标预测轨迹的准确性。
在一个可能的设计中,所述根据所述第一相似度、所述第二相似度,以及所述连通性信息,确定所述第一候选预测轨迹的置信度,包括:
根据下列公式确定所述候选预测轨迹的置信度:
P=f(w1,Ph)*f(w2,Pf)*f(w3,EC)
其中,上述公式中P为所述第一候选预测轨迹的置信度,w1、w2、w3分别为预先配置或根据机器学习得到的权重系数;Ph为所述第一相似度;Pf为所述第二相似度;EC为所述连通性信息,f()为预先设定或根据机器学习得到的操作函数。
通过该设计,在确定目标预测轨迹的置信度时,可以为第一相似度、第二相似度和连通性信息配置权重,以及通过预先设定或根据机器学习得到的操作函数确定置信度,从而能够灵活调整置信度的确定方式。
在一个可能的设计中,所述根据目标车辆的第一位置,在地图中确定第一车道集合,包括:将所述地图中距离所述第一位置在预设查询半径内的至少一个车道作为所述第一车道集合;所述根据所述第二位置在所述地图中确定第二车道集合,包括:将所述地图中距离所述第二位置在预设查询半径内的至少一个车道作为所述第二车道集合。
通过该设计,可以根据预设查询半径确定第一车道集合和/或第二车道集合,从而确定出目标车辆在不同时刻所处位置对应的车道集合。
在一个可能的设计中,根据下列方式确定所述第一阈值:获取包含多个轨迹预测样本的数据集,确定所述数据集中每个轨迹预测样本中第二位置对应的终点位置误差值;根据所述每个轨迹预测样本的置信度、所述每个轨迹预测样本中第二位置对应的终点位置误差值以及预设值,确定所述第一阈值。
在一个可能的设计中,确定至少一个目标轨迹预测样本的置信度的平均值,将确定出的所述平均值作为所述第一阈值,其中,所述至少一个目标轨迹预测样本为所述多个轨迹预测样本中第二位置对应的终点位置误差值小于或等于预设值的至少一个轨迹预测样本;或者将所述多个轨迹预测样本中第二位置对应的终点位置误差值小于或等于预设值的至少一个轨迹预测样本作为正样本集合,以及将所述多个轨迹预测样本中第二位置对应的终点位置误差值大于预设值的至少一个轨迹预测样本作为负样本集合,基于二分类算法确定用于区分所述正样本集合和所述负样本集合的度量值,将确定出的所述度量值作为所述第一阈值。
通过以上设计,可以根据包括多个轨迹预测样本的数据集确定第一阈值,从而在通过第一阈值筛选候选预测轨迹时得到的目标预测轨迹更贴合实际场景,进一步提升轨迹预测的准确性。
第三方面,本申请实施例提供一种轨迹预测装置,包括用于执行上述任一方面中各个步骤的单元。
第四方面,本申请实施例提供一种轨迹预测装置,包括处理器和存储器,所述存储器中存储计算机程序指令,所述轨迹预测装置运行时,所述处理器执行上述任一方面提供的方法。
第五方面,本申请实施例还提供一种计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行上述任一方面提供的方法。
第六方面,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当所述计算机程序被计算机执行时,使得所述计算机执行上述任一方面提供的方法。
第七方面,本申请实施例还提供一种芯片,所述芯片用于读取存储器中存储的计算机程序,执行上述任一方面提供的方法。
第八方面,本申请实施例还提供一种芯片***,该芯片***包括处理器,用于支持计算机装置实现上述任一方面提供的方法。在一种可能的设计中,所述芯片***还包括存储器,所述存储器用于保存该计算机装置必要的程序和数据。该芯片***可以由芯片构成,也可以包含芯片和其他分立器件。
第九方面,本申请实施例还提供一种终端,所述终端可以包括上述第三方面或第四方面所述的轨迹预测装置。进一步地,所述终端可以为车辆。
附图说明
图1为本申请实施例提供的一种轨迹预测法适用的***的架构示意图;
图2为本申请实施例提供的一种车道示意图;
图3为本申请实施例提供的一种轨迹预测方法流程图;
图4为本申请实施例提供的一种地图;
图5为本申请实施例提供的一种车道连通性关系示意图;
图6为本申请实施例提供的一种候选预测轨迹示意图;
图7为本申请实施例提供的一种确定第一候选预测轨迹的置信度的方法的流程图;
图8为本申请实施例提供的一种历史轨迹确定方式的示意图;
图9为本申请实施例提供的一种预测行驶轨迹示意图;
图10为本申请实施例提供的第二种轨迹预测方法的流程图;
图11为本申请实施例提供的一种包含多个车道的地图示意图;
图12为本申请实施例提供的第一种轨迹预测方法示意图;
图13为本申请实施例提供的第二种轨迹预测方法示意图;
图14为本申请实施例提供的第三种轨迹预测方法示意图;
图15为本申请实施例提供的第一种轨迹预测装置的结构示意图;
图16为本申请实施例提供的第二种轨迹预测装置的结构示意图。
具体实施方式
为了方便理解本申请实施例,下面介绍与本申请实施例相关的术语:
智能驾驶,指机器帮助人进行驾驶,以及在特殊情况下完全取代人驾驶。具体的,通过车辆上的传感器获得相关视听觉信号和信息,并通过认知计算控制相应的随动***,实现对车辆行驶状态的分析以及对车辆后续行驶的控制。
下面将结合附图对本申请实施例作进一步地描述说明。
图1为本申请实施例提供的一种轨迹预测法适用的***的架构示意图,所述***架构中包括至少两辆车辆(如图1中以n辆车辆为例示出,分别为车辆1、车辆2、车辆n,n为大于或者等于2的整数),还可以包括监控中心。所述监控中心可以接收车辆发送的信息或请求,对车辆进行监测,并通过向车辆发送控制指令控制车辆行驶。
参阅图1,任一辆车辆可以包括:传感器、车载通信设备105、高精度定位设备106、车辆控制器107、轨迹预测装置108。其中,传感器包括以下器件中一种或多种:长短距毫米波雷达101、超声波雷达102、激光雷达103、车载摄像头104。具体地,在图1中仅以车辆1示出。
下面对车辆包含的上述模块的功能进行详细解释:
长短距毫米波雷达101:是工作在毫米波段(millimeter wave)探测的雷达,用于采集到达障碍物的光脉冲传输时间,并将采集的数据发送给所述轨迹预测装置108;或者用于在采集光脉冲传输时间后,计算周围障碍物的距离、速度、方位角等数据,并将计算得到的数据发送给所述轨迹预测装置108。
超声波雷达102:是利用超声波探测目标位置的雷达。其工作原理是超声波发生器产生超声波,超声波雷达102的探头接收障碍物反射的超声波,并根据发送超声波以及接收到反射的超声波的时差计算出与障碍物之间的距离,在本申请中,超声波雷达102可以将采集到的数据发送给轨迹预测装置108。
激光雷达103:是以发射激光束探测目标的位置、速度等特征量的雷达***。其工作原理是向目标发射探测信号(激光束),然后将接收到的从目标反射回来的信号(目标回波)与发射探测信号进行比较,作适当处理后,就可获得目标的有关数据,如目标距离、方位、高度、速度、姿态、甚至形状等参数。在本申请中,激光雷达103用于采集从障碍物反射回来的信号,并将反射回来的信号和发射信号发送给所述轨迹预测装置108;或者采集从障碍物反射回来的信号后,与发射信号对比,处理得到周围障碍物的距离、速度等数据,并将处理得到的数据发送给所述轨迹预测装置108。
车载摄像头104:用于采集周围图像或视频,并将采集的图像或视频发送给所述轨迹预测装置108;其中,车载摄像头可以为单目摄像头、双目摄像头、深度摄像头等,本申请对此不做限制。在本申请中,车载摄像头104可以采集图像或视频后,分析图像或视频中的周围障碍物的速度和距离等车辆信息,或分析图像或视频中的车道信息等,并将分析得到的数据发送给所述轨迹预测装置108。
车载通信设备105:用于与其它车辆或监控中心进行通信的设备,具体可以用于接收其它车辆发送的车辆信息,如其它车辆的行驶轨迹,或者发送自身轨迹给周围其它车辆,或者与监控中心进行交互,将车辆信息发送给监控中心或接收监控中心发送的控制指令。例如车载通信设备105可以是远程信息处理器(telematics BOX,TBOX)。
高精度定位设备106:采集当前车辆的精确位置信息(误差小于20cm),及所述精确位置信息对应的全球定位***(global positioning system,GPS)时间信息,并将采集的信息发送给所述轨迹预测装置108。其中,所述高精度定位设备108可以是组合定位***或组合定位模块。所述高精度定位设备108可以包括全球导航卫星***(global navigationsatellite system,GNSS)、惯性测量单元(inertial measurement unit,IMU)等设备和传感器。全球导航卫星***能够输出一定精度(例如,5-10Hz)的全局定位信息,惯性测量单元频率一般较高(例如,1000Hz),所述高精度定位设备106可以通过融合惯性测量单元和全球导航卫星***的信息,输出高频的精准定位信息(一般要求200Hz以上)。
车辆控制器107:执行控制命令,控制车辆转向、加速、减速、启动、停止等。
轨迹预测装置108:可以设置于车辆内,轨迹预测装置108具体由处理器和存储器实现,处理器包括中央处理器(central processing unit,CPU)或者具备处理功能的设备或模块。例如,轨迹预测装置108可以是智能驾驶域控制器、车载电子控制单元(ElectronicControl Unit,ECU)、车载移动数据中心(Mobile Data Center,MDC)等形式的智能驾驶融合感知模块。在本申请中,轨迹预测装置108接收传感器发送的目标车辆信息,如目标车辆速度、目标车辆位置信息等,以及轨迹预测装置108获取车道信息,具体可以为通过车载通信设备105接收路边单元或监控中心发送的车道信息。以轨迹预测装置为第一车辆的轨迹预测装置为例,轨迹预测装置108根据目标车辆信息以及车道信息确定目标车辆的目标预测轨迹,并根据目标预测轨迹对第一车辆的行驶路线进行规划控制,生成控制命令并下发给车辆控制器107,使车辆控制器107控制第一车辆执行控制命令。或者轨迹预测装置108接收传感器或高精度定位设备106发送的第一车辆的车辆信息后,通过车载通信设备105将第一车辆的车辆信息发送至监控中心,监控中心根据接收到的第一车辆的车辆信息以及第一车辆当前所处区域的车道信息,确定第一车辆的预测轨迹,并根据确定的预测轨迹向第一车辆或第一车辆周围的其它车辆发送控制命令,实现监控中心对道路上的车辆的监测与控制。
需要说明的是,上述涉及的周围障碍物在这里指的是其他车辆。
在图1示出的***中,以车辆1对车辆2进行轨迹预测为例,车辆1确定车辆2的当前位置(x,y),以车辆2当前位置(x,y)为原点,根据预设查询半径R在地图中查找包括至少一个车道的车道集合,对查找到的车道集合中的每个车道,确定车辆2的当前位置与车道之间的垂直距离,除去车道集合中垂直距离大于预设阈值的车道后得到包括至少一个候选车道的候选车道集合。例如,图2中示出车辆为车辆2,车辆1确定出车辆2对应的候选车道如图2中示出的车道A和车道B。对每个候选车道,确定目标车辆当前位置投影到候选车道的投影位置,并根据投影位置以及候选车道的中位线确定目标车辆若行驶到候选车道需要转过的夹角,然后确定目标车辆的航向角,并确定航向角与该夹角之间的角度差,按照候选车道对应的角度差从小到大的顺序,选择前N个候选车道确定预测轨迹,每个预测轨迹中包含一个候选车道,其中,N为大于等于1的正整数。例如,最终确定车道A对应的角度差小于车道B对应的角度差,则可以根据车道A确定车辆2的预测轨迹,如图2中示出的预测轨迹。
从上述内容可知,一个车辆对目标车辆进行轨迹预测时,仅根据目标车辆的当前位置、车辆航向角等信息对目标车辆行驶轨迹进行预测,但当目标车辆处于复杂的路口场景,如存在立交桥的路口时,可能导致投影后车道不准确、预测轨迹错误的情况;以及当驾驶人员存在操作不规范的驾驶行为时,仅根据目标车辆的当前位置以及车辆航向角信息进行轨迹预测,也可能会导致预测得到的轨迹不合理的现象。因此,目前的轨迹预测方法不够准确。
基于上述问题,本申请实施例提供一种轨迹预测方法,该方法可以应用于如图1所示的***中的任一辆车辆,还可以应用于如图1所示的***中的监控中心。当本申请提供的轨迹预测方法应用于任一辆车辆时,以第一车辆为例,第一车辆可以根据所述轨迹预测方法确定目标车辆的目标预测轨迹,此时目标车辆可以为当前道路上除第一车辆以外的其它任意车辆,或者第一车辆还可以根据本申请提供的轨迹预测方法预测本车辆的目标预测轨迹,第一车辆可以根据目标预测轨迹调整本车辆的行驶轨迹或行驶速度等,以实现智能驾驶。当本申请提供的轨迹预测方法应用于监控中心时,监控中心可对目标车辆进行轨迹预测,此时目标车辆可以为当前道路上的任意车辆,监控中心确定目标车辆的目标预测轨迹,根据目标车辆的目标预测轨迹向目标车辆以及目标车辆的周围车辆发送控制指令,灵活控制监控道路上行驶的车辆。
下面以轨迹预测方法应用于第一车辆为例,对本申请实施例提供的轨迹预测方法进行进一步介绍,第一车辆可以为图1所示***中的任意一辆车辆。图3为本申请实施例提供的一种轨迹预测方法流程图,所述轨迹预测方法包括以下步骤:
S301:获取目标车辆在第一时刻的第一位置,并确定第一位置对应的第一车道集合。
可选的,第一时刻可以为第一车辆触发对目标车辆进行轨迹预测的时刻,或者为预设的第一车辆对目标车辆进行轨迹预测的指定时刻,还可以为执行S301时的***时间(简称当前时刻)。
一种可选的实施方式中,第一车辆通过传感器获取目标车辆的第一位置,或者第一车辆通过车载通信设备接收目标车辆发送的第一位置,目标车辆发送的第一位置可以是目标车辆通过目标车辆中的高精度定位设备等设备获取的,本申请不对获取方式做具体限定。
第一车辆在确定目标车辆的第一位置后,获取第一车道信息,第一车道信息包括第一位置所属区域的全部或部分车道的位置信息。可选的,可以在第一车辆中预配置第一车道信息,或者第一车辆通过车联网(vehicle to everything,V2X)通信获取第一车道信息,例如第一车辆通过车载通信设备与路侧单元或监控中心通信,获取第一车道信息;或者第一车辆通过第一车辆中的传感器获取第一车道信息,例如第一车辆通过车载摄像头、激光雷达等传感器实时检测和感知第一车道信息。
第一车辆根据第一位置和第一车道信息确定第一车道集合。
一种可选的实施方式中,第一车辆获取第一位置所属区域的地图,并根据该地图获取第一车道信息,根据第一车道信息,获取距离第一位置在预设查询半径内的至少一个车道作为第一车道集合。举例来说,参考图4示出的地图,根据该地图获取第一车道信息,以目标车辆的第一位置为原点,确定预设查询半径内的车道,如图4中示出的车道A、车道B以及车道C均在预设查询半径内,则确定第一车道集合中包括车道A、车道B以及车道C三个第一车道。
S302:预测所述目标车辆在第二时刻的第二位置,并确定第二位置对应的第二车道集合。
其中,第二时刻在时间上位于第一时刻之后,如第二时刻为比第一时刻晚t秒的时刻。
一种可选的实施方式中,通过设定的轨迹预测模型预测目标车辆的第二位置,其中设定的轨迹预测模型可以为匀速运动模型(Constant Velocity Model,CV),匀速定转率模型(Constant Turn Rate and Velocity,CTRV),长短期记忆神经网络(Long Short-TermMemory,LSTM)。可选的,获取目标车辆的行驶速度、加速度,具体可以通过第一车辆中的传感器确定目标车辆的行驶速度以及加速度,将目标车辆的第一位置、行驶速度以及加速度作为设定的轨迹预测模型的输入特征,获取设定的轨迹预测模型输出的第二位置。
需要说明的是,本申请实施例第一车辆在确定目标车辆的第二位置时,可以选用一个轨迹预测模型作为设定的轨迹预测模型,设定的轨迹预测模型可以预测目标车辆的至少一个第二位置,或者可以选用多个轨迹预测模型模型预测目标车辆的多个第二位置,本申请对此不做限制。
第一车辆在确定目标车辆的第二位置之后,根据第二车道信息确定第二车道集合,其中,第二车道信息包括第二位置所属区域的全部或部分车道的位置信息。
一种可选的实施方式为,第一车辆获取第二位置所属区域的地图,并根据该地图获取第二车道信息,根据第二车道信息,获取距离第二位置在预设查询半径内的至少一个车道作为第二车道集合。
第一车辆具体确定第二车道集合的方式可以参见S301中第一车辆确定第一车道集合的方式,重复之处不再赘述。需要说明的是,第一车道集合与第二车道集合可以相同或不同,例如第一位置和第二位置所属区域相同,则获取到的第一车道集合和第二车道集合相同,或者第一位置与第二位置所属区域不同,则获取到的第一车道集合和第二车道集合不同。
S303:根据第一车道集合和第二车道集合,确定至少一个候选预测轨迹。
可选的,候选预测轨迹包含第一车道集合中的一个第一车道和第二车道集合中的一个第二车道,且候选预测轨迹包含的第一车道和第二车道具有连通性。其中,第一车道与第二车道具有连通性为第一车道与第二车道之间连通,可以理解为,目标车辆在第一车道上行驶时,可以通行到第二车道。车道之间的连通性为一种车道属性,可以通过车道信息获取,如第一车辆获取到第一位置所属区域的地图后,从该地图中获取包含车道连通性信息的车道信息。车道之间存在连通性时,车道之间的连通性关系可以为直接连通、变道连通、匝道连通、直线变道等。举例来说,图5示出了几种常见的车道连通性关系,图5中编号1、2、3、4、5、6、7分别对应一个车道,其中,存在直接连通的车道有:车道1和车道3、车道3和车道6、车道2和车道4、车道4和车道7;存在变道连通的车道为:车道6和车道7;存在匝道连通的车道为车道4和车道5;存在直线变道的车道为车道1和车道2、车道3和车道4。
一种可选的实施方式中,车道之间的连通性信息可以用车道之间的连通性系数表示,例如直接连通的两个车道之间的连通性系数为1,变道连通的两个车道之间的连通性系数为0.8等。
具体实施中,第一车辆根据下列方式确定至少一个候选预测轨迹:
第一车辆根据各车道之间的连通性,针对第一车道集合中的每个第一车道,在第二车道集合中确定与该第一车道存在连通性的第二车道。第一车辆根据每个第一车道以及与该第一车道存在连通性的第二车道,确定至少一个候选预测轨迹。举例来说,在图6中示出的地图中,第一车道集合包含车道D、车道E,第二车道集合包含了车道F、车道G和车道H;对于车道D,与车道D存在连通性的第二车道为车道G和车道H,则根据车道D和车道G确定的候选预测轨迹如图6中所示的轨迹1,根据车道D和车道H确定的候选预测轨迹如图6中所示的轨迹2。对于车道E,与车道E存在连通性的第二车道为车道F,则根据车道E和车道F确定的候选预测轨迹如图6中所示的轨迹3。
S304:确定所述至少一个候选预测轨迹的置信度。
可选的,任一个候选预测轨迹的置信度用于表示所述候选预测轨迹与目标车辆期望行驶的目标轨迹的相似度,其中,目标车辆期望行驶的目标轨迹为驾驶目标车辆的驾驶人员期望行驶的轨迹或目标车辆中的轨迹预测装置确定的未来预设时长内目标车辆的行驶轨迹。
一种可选的实施方式中,第一车辆对至少一个候选预测轨迹中的每个候选预测轨迹确定置信度,以至少一个候选预测轨迹中第一候选预测轨迹为例,第一候选预测轨迹为至少一个候选预测轨迹中的任一个,图7为一种确定第一候选预测轨迹的置信度的方法的流程图,该方法包括以下步骤:
S701:获取第一候选预测轨迹包含的第一车道和第二车道之间的连通性信息。
一种可选的实施方式中,可以在第一车辆中预配置车道之间的连通性信息,或第一车辆通过V2X通信获取车道之间的连通性信息,例如,第一车辆通过V2X通信从路侧单元或监控中心获取车道之间的连通性信息;或者,第一车辆通过第一车辆中的传感器获取车道之间的连通性信息,例如第一车辆通过车载摄像头、激光雷达等传感器实时检测车道之间的连通性,获取车道之间的连通性信息。可选的,车道信息也可以包括车道之间的连通性信息。
S702:确定第一候选预测轨迹中包含的第一车道与历史轨迹之间的第一相似度。
历史轨迹为目标车辆在历史预设时长内行驶过的轨迹,可选的,根据下列方式获取目标车辆的历史轨迹:
方式1、第一车辆获取目标车辆在历史预设时间段内的N帧历史位置信息,可选的,第一车辆通过传感器或车载摄像头获取目标车辆在历史预设时间段内的N帧历史位置信息,车辆对获取到的目标车辆的N帧历史位置信息拟合得到历史轨迹,例如,图8为一种历史轨迹确定方式的示意图,图8中矩形为获取到的目标车辆在历史时间段内的N帧位置信息,对N帧位置信息拟合得到如图8中所示的历史轨迹。
方式2、第一车辆接收目标车辆通过V2X通信发送的历史轨迹。
在获取到目标车辆的历史轨迹后,可以通过计算第一候选预测轨迹中的第一车道与历史轨迹之间的欧氏距离、余弦相似度、皮尔逊参数或Tanimoto相似度中的任意一个确定第一相似度,例如,通过计算第一车道与历史轨迹之间的欧氏距离确定第一相似度时,可以根据下列公式1确定第一相似度:
通过计算第一车道与历史轨迹之间的余弦相似度确定第一相似度时,可以根据下列公式2确定第一相似度:
通过计算第一车道与历史轨迹之间的皮尔逊参数确定第一相似度时,可以根据下列公式3确定第一相似度:
通过计算第一车道与历史轨迹之间的Tanimoto相似度确定第一相似度时,可以根据下列公式4确定第一相似度:
其中,上述公式中,Ph为第一车道与历史轨迹之间的第一相似度,xi为对第一车道中位线进行采样后的第i个采样点,yi为对历史轨迹进行采样后的第i个采样点,n为采样点个数。
举例来说,假设第一候选预测轨迹中的第一车道为图8所示的车道I,确定出的历史轨迹如图8所示的历史轨迹,则计算车道I与历史轨迹之间的欧式距离,并根据欧式距离确定第一相似度。
S703:确定第一候选预测轨迹中包含的第二车道与预测行驶轨迹之间的第二相似度。
其中,预测行驶轨迹为预测得到的目标车辆从第一位置到第二位置的行驶轨迹。
一种可选的实施方式中,第一车辆通过设定的轨迹预测模型确定预测行驶轨迹。其中设定的轨迹预测模型可以为匀速运动模型(Constant Velocity Model,CV),匀速定转率模型(Constant Turn Rate and Velocity,CTRV),长短期记忆神经网络(Long Short-Term Memory,LSTM)。可选的,获取目标车辆的行驶速度、加速度,具体可以通过第一车辆中的传感器确定目标车辆的行驶速度以及加速度,将目标车辆的第一位置、行驶速度以及加速度作为设定的轨迹预测模型的输入特征,获取设定的轨迹预测模型输出的预测行驶轨迹。
需要说明的是,本申请实施例第一车辆在确定目标车辆的预测行驶轨迹时,可以选用一个轨迹预测模型作为设定的轨迹预测模型,设定的轨迹预测模型可以预测目标车辆的至少一个预测行驶轨迹,或者可以选用多个轨迹预测模型预测目标车辆的多个预测行驶轨迹,本申请对此不做限制。另外,本申请实施例中第一车辆通过设定的轨迹预测模型确定目标车辆的第二位置时,可以通过相同或不同的轨迹预测模型确定目标车辆的预测行驶轨迹,当第一车辆确定预测行驶轨迹的轨迹预测模型与确定第二位置的轨迹预测模型不同时,在确定预测行驶轨迹时可以将预测行驶轨迹对应的第二位置作为轨迹预测模型的输入。
可选的,可以通过计算第一候选预测轨迹中的第二车道与预测行驶轨迹之间的欧氏距离、余弦相似度或皮尔逊参数中的任意一个确定第二相似度。具体计算方式可以参见S702中计算第一相似度的实施,重复之处不再赘述。
举例来说,假设第一候选预测轨迹中包含的第二车道如图9所示的车道J,基于CTRV得到的预测行驶轨迹为图9中示出的轨迹F1,基于LSTM得到的预测行驶轨迹为图9中示出的轨迹F2,则分别计算车道J和轨迹F1之间的第二相似度、车道J和轨迹F2之间的第二相似度,并选择车道J和轨迹F1之间的第二相似度以及车道J和轨迹F2之间的第二相似度之中数值更大的第二相似度作为车道J与预测行驶轨迹的第二相似度。
需要说明的是,本申请实施例计算相似度的方式并不限于上述的通过计算欧氏距离、余弦相似度或皮尔逊参数得到相似度的方法,任何计算两个轨迹或线段之间相似度的方式均适用。
S704:根据第一候选预测轨迹中的第一车道与历史轨迹之间的第一相似度、第一候选预测轨迹中的第二车道与预测行驶轨迹之间的第二相似度以及第一车道与第二车道之间的连通性信息,确定第一候选预测轨迹的置信度。
可选的,可以根据下列公式5确定第一候选预测轨迹的置信度:
P=f(w1,Ph)*f(w2,Pf)*f(w3,EC) 公式5
其中,上述公式中P为第一候选预测轨迹的置信度,w1、w2、w3分别为预先配置或根据机器学习得到的权重系数;Ph为第一候选预测轨迹中的第一车道与历史轨迹之间的第一相似度;Pf为第一候选预测轨迹中的第二车道与预测行驶轨迹之间的第二相似度;EC为第一车道与第二车道之间的连通性信息,f()为预先设定或根据机器学习得到的操作函数。
一种可能的实施方式中,上述公式4中的操作函数可以为技术人员预先设置的函数,如乘法运算,则可以根据公式6确定第一候选预测轨迹的置信度:
P=(w1*Ph)*(w2*Pf)*(w3*EC) 公式5
另一种可能的实施方式中,上述公式4中的操作函数可以为卷积神经网络中的pooling操作,仅对大于预设值的数据进行计算。
再一种可能的实施方式中,上述公式4中的操作函数可以为机器学习模型,具体的,将第一候选预测轨迹对应的Pf、Ph以及EC输入到置信度计算模型中,获取置信度计算模型输出的第一候选预测轨迹的置信度。可选的,该置信度计算模型可以通过以下方式进行训练:
根据数据集对初始置信度计算模型进行训练,数据集中包含多个训练样本,其中每个训练样本包括预测轨迹、实际行驶轨迹、预测轨迹包含的第一车道、第二车道,预测轨迹对应的第一相似度、第二相似度和连通性信息,实际行驶轨迹与预测轨迹的预测相似度等中的至少一个特征。将每个训练样本中预测轨迹对应的第一相似度、第二相似度和连通性信息作为初始置信度计算模型的输入,对初始置信度计算模型进行训练,计算模型输出的预测轨迹的置信度和预测相似度之间的损失值,根据每轮训练后得到的损失值调整模型参数,直至所述损失值收敛在预设范围中。
需要说明的是,由于本申请实施例中候选预测轨迹包括的第一车道与第二车道存在连通性,则在计算候选预测轨迹的置信度时,也可以仅根据候选预测轨迹中的第一车道与历史轨迹之间的第一相似度和候选预测轨迹中的第二车道与预测行驶轨迹之间的第二相似度确定置信度,以简化置信度计算方式,提升轨迹预测效率。
S305:将置信度大于第一阈值的候选预测轨迹作为目标预测轨迹。
其中,第一阈值可以为技术人员预先设置的经验数值,或者根据下列方式确定第一阈值:
基于本申请实施例提供的轨迹预测方法获取包含多个轨迹预测样本的数据集,每个轨迹预测样本中包括历史轨迹、第二位置及预测行驶轨迹、候选预测轨迹及其置信度、车辆实际行驶轨迹等数据;确定数据集中每个轨迹预测样本中第二位置对应的终点位置误差值;具体的,根据车辆实际行驶轨迹确定第二时刻时车辆的实际位置,根据第二位置及实际位置确定第二位置对应的终点位置误差值。根据每个轨迹预测样本的置信度、每个轨迹预测样本中第二位置对应的终点位置误差值以及预设值,确定第一阈值。
一种可选的实施方式中,确定数据集的多个轨迹预测样本中第二位置对应的终点位置误差值小于或等于预设值的至少一个目标轨迹预测样本,并确定至少一个目标轨迹预测样本的置信度的平均值,将确定出的平均值作为第一阈值。
另一种可选的实施方式中,将数据集的多个轨迹预测样本中第二位置对应的终点位置误差值小于或等于预设值的至少一个轨迹预测样本作为正样本集合,以及将数据集的多个轨迹预测样本中第二位置对应的终点位置误差值大于预设值的至少一个轨迹预测样本作为负样本集合,基于二分类算法确定用于区分所述正样本集合和所述负样本集合的度量值,将确定出的度量值作为第一阈值。其中,二分类算法可以为分类算法或聚类算法。
需要说明的是,预设值可以有多个,分别对应不同的应用场景或功能模块,如高速驾驶场景对应的预设值为5米,日常驾驶场景对应的预设值为2米,则根据不同预设值可以确定不同应用场景或功能模块对应的第一阈值。
通过上述方法,第一车辆在对目标车辆进行轨迹预测时,可以根据目标车辆的第一位置在地图中确定第一车道集合,第一车道集合中包括目标车辆从第一位置可能行驶的车道。然后根据设定的轨迹预测模型预测的目标车辆的第二位置确定第二车道集合,第二车道集合中包括目标车辆从第二位置可能行驶的车道。第一车辆再根据第一车道集合和第二车道集合确定至少一个候选预测轨迹,每个候选预测轨迹包含第一车道集合中的一个第一车道和第二车道集合中的一个第二车道,且每个候选预测轨迹包含的第一车道与第二车道具有连通性,则确定出的至少一个候选预测轨迹是根据目标车辆的多阶段的位置信息确定出来的,准确性更高。最后第一车辆确定至少一个候选预测轨迹的置信度,并将置信度大于第一阈值的候选预测轨迹作为目标预测轨迹,使用置信度代表候选预测轨迹与目标车辆期望行驶的目标轨迹的相似度,并根据置信度选择目标预测轨迹,可以挑选出目标车辆更有可能行驶的候选预测轨迹,进一步提升了轨迹预测的准确性。
图10为本申请实施例提供的另一种轨迹预测方法流程图,所述轨迹预测方法包括以下步骤:
S1001:获取目标车辆在第一时刻的第一位置,并确定第一位置对应的第一车道集合。
S1002:预测所述目标车辆在第二时刻的第二位置,并确定第二位置对应的第二车道集合。
需要说明的是,S1001~S1002具体实施可以参见本申请实施例中图3的S301~S302,重复之处不再赘述。
S1003:根据第一车道集合和第二车道集合,确定至少一对车道组合。
其中,至少一对车道组合中包含第一车道集合中的一个第一车道和第二车道集合中的一个第二车道。
S1004:确定至少一对车道组合的置信度。
具体实施中,可以参见图7示出的确定候选预测轨迹的置信度的方式,需要说明的是,由于本实施方式中在S1004中确定的车道组合中的第一车道和第二车道可能不存在连通性,对于这类不存在连通性的第一车道和第二车道,可以将第一车道和第二车道之间的连通性系数设置为0,或者第一车道和第二车道互为逆向车道时,可以将第一车道和第二车道之间的连通性系数设置为-1,进而进一步减小不存在连通性关系的车道组合的置信度。
S1005:根据置信度大于第一阈值的车道组合确定目标预测轨迹。
具体实施中,可以将置信度大于第一阈值的车道组合作为目标预测轨迹。
通过上述方法,可以对第一车道集合和第二车道集合中的所有车道组合确定置信度,而不需要根据车道连通性关系筛选可组成候选预测轨迹的车道,而是通过将不存在连通性关系的车道之间的连通性系数设置为0值或负数值,在选择置信度大于第一阈值的车道组合时将不存在连通性关系的车道组合进行过滤,进而确定出目标预测轨迹,提高轨迹预测的效率。
本申请实施例提供的轨迹预测方法中计算得到的候选预测轨迹的置信度可以用于选择目标预测轨迹,还可以用于选择关注目标。例如,针对目标车辆确定至少一个候选预测车道的置信度后,若目标车辆的至少一个候选预测轨迹的置信度中低于预设值的比例大于预设比例,表示较难预测该目标车辆的行驶轨迹,则选择该目标车辆为关注对象,认为该目标车辆存在驾驶行为模糊的问题,有可能违反交通规则,则需要关注目标车辆。
需要说明的是,为便于描述,上述对本申请实施例提供的轨迹预测方法的介绍以将轨迹预测方法应用于第一车辆为例,可以理解的是,本申请实施例提供的轨迹预测方式还可以应用于车辆中的一个或多个功能模块,或者,本申请实施例提供的轨迹预测方式还可以应用于图1所示的***中的监控中心,具体实施可以参见图3示出的轨迹预测方法,重复之处不再赘述。
下面以几个实例对本申请实施例提供的轨迹预测方法进行进一步介绍:
图11示出了一张包含多个车道的地图示意图,该地图中包括车道1-6,假设使用车道之间的连通性系数作为各车道之间的连通性信息,则部分车道之间的连通性系数如下表所示:
车道 | 连通性系数 |
车道1和车道2 | 1 |
车道1和车道4 | 0.8 |
车道4和车道5 | 0.8 |
车道4和车道6 | 0.6 |
图12为第一种目标车辆行驶在图11所示的地图包含的车道上时的轨迹预测方法示意图,图12中示出了目标车辆的历史轨迹以及基于设定的轨迹预测模型得到的预测行驶轨迹,第一车辆确定第一车道集合包括车道1,其中车道1与轨迹1的第一相似度为0.7,第二车道集合包括车道2和车道4,车道2与轨迹2的第二相似度为0.5,车道4与轨迹2的第二相似度为0.8。
第一车辆根据存在连通性的第一车道和第二车道确定至少一个候选预测轨迹,分别为候选预测轨迹1(包含车道1和车道2)和候选预测轨迹2(包含车道1和车道4)。
1、计算候选预测轨迹1的置信度:
P1=0.7*0.5*1=0.35
2、计算候选预测轨迹2的置信度:
P1=0.7*0.8*0.8=0.448
假设第一阈值为0.3,则确定置信度大于第一阈值的候选预测轨迹1和候选预测轨迹2为目标预测轨迹。
图13为第二种目标车辆行驶在图10所示的地图包含的车道上时的轨迹预测方法示意图,图13中示出了目标车辆的历史轨迹,以及基于设定的轨迹预测模型得到的轨迹F1、轨迹F2和轨迹F3。第一车辆确定第一车道集合包括车道1,其中车道1与历史轨迹的第一相似度为0.9,第二车道集合包括车道2,车道2与轨迹F1的第二相似度为0.8,车道2与轨迹F2的第二相似度为0.9,车道2与轨迹F3的第二相似度为0.7。
第一车辆根据存在连通性的第一车道和第二车道确定出一个候选预测轨迹1(包括车道1和车道2),确定候选预测轨迹1的置信度:P1=0.9*max(0.8,0.9,0.7)*1=0.81。
假设第一阈值为0.8,则候选预测轨迹1的置信度大于第一阈值,将候选预测轨迹1作为目标预测轨迹。
图14为第三种目标车辆行驶在图10所示的地图包含的车道上时的行驶轨迹示意图,图14中示出了目标车辆的历史轨迹,以及基于设定的轨迹预测模型得到的预测行驶轨迹,第一车辆确定第一车道集合包括车道4,其中车道4与历史轨迹的第一相似度为0.4,第二车道集合包括车道5和车道6,车道5与预测行驶轨迹的第二相似度为0.8,车道6与预测行驶轨迹的第二相似度为0.6。
第一车辆根据存在连通性的第一车道和第二车道确定至少一个候选预测轨迹,分别为候选预测轨迹1(包含车道4和车道5)和候选预测轨迹2(包含车道4和车道6)。
1、计算候选预测轨迹1的置信度:
P1=0.4*0.6*0.8=0.192
2、计算候选预测轨迹2的置信度:
P1=0.4*0.9*0.6=0.216
假设第一阈值为0.2,则确定置信度大于第一阈值的候选预测轨迹2为目标预测轨迹。
基于相同的技术构思,本申请还提供了一种轨迹预测装置1500,所述轨迹预测装置1500可以应用于图1所示的***中的任意一辆车辆或监控中心,图15为所述轨迹预测装置1500的结构示意图,所述轨迹预测装置1500包括获取单元1501和处理单元1502。下面对轨迹预测装置1500中的各个单元的功能进行介绍。
所述获取单元1501,用于获取目标车辆在第一时刻的第一位置,所述第一位置对应包含至少一个第一车道的第一车道集合;
所述处理单元1502,用于确定目标预测轨迹,所述目标预测轨迹的置信度大于或等于第一阈值,所述目标预测轨迹为至少一个候选预测轨迹中的至少一个,所述至少一个候选预测轨迹中的任一个候选预测轨迹包含所述第一车道集合中的第一车道以及第二车道集合中的第二车道,所述第一车道和第二车道在所述候选预测轨迹中连通;
其中,所述第二车道集合与第二位置对应,所述第二车道集合包括至少一个第二车道,所述第二位置为所述目标车辆在第二时刻的预测位置,所述第二时刻在时间上位于所述第一时刻之后。
在一种实施方式中,所述第一车道集合是根据所述第一位置和第一车道信息确定的;和/或,所述第二车道集合是根据所述第二位置和第二车道信息确定的;其中,所述第一车道信息包括所述第一位置所属区域的全部或部分车道的位置信息,所述第二车道信息包括所述第二位置所属区域的全部或部分车道的位置信息,所述第一车道信息和所述第二车道信息相同或不同。
在一种实施方式中,所述处理单元1502,还用于:
根据所述第一位置所属区域的地图获取所述第一车道信息,根据所述第二位置所属区域的地图获取所述第二车道信息;将距离所述第一位置在预设查询半径内的至少一个车道作为所述第一车道集合,和/或,将距离所述第二位置在预设查询半径内的至少一个车道作为所述第二车道集合。
在一种实施方式中,所述处理单元1502,还用于:
在确定所述目标预测轨迹之前,根据所述第一车道集合以及所述第二车道集合,确定所述至少一个候选预测轨迹。
在一种实施方式中,所述处理单元1502,具体用于:当所述第二车道集合中目标第二车道与所述第一车道集合中的目标第一车道存在连通性时,确定包含所述目标第二车道与所述目标第一车道的目标候选预测轨迹;其中,所述目标候选预测轨迹包含在所述至少一个候选预测轨迹中。
在一种实施方式中,所述目标预测轨迹的置信度是根据第一相似度、第二相似度以及连通性信息得到的,其中,所述第一相似度用于指示所述目标车辆的历史轨迹与所述目标预测轨迹中的第一车道之间的相似度,所述第二相似度用于指示从所述第一位置到所述第二位置的预测行驶轨迹与所述第二车道之间的相似度,所述连通性信息用于指示所述第一车道和第二车道之间的连通性。
在一种实施方式中,所述处理单元1502具体用于根据下列方式确定所述目标预测轨迹的置信度:根据所述第一相似度、所述第一相似度对应的第一权重、所述第二相似度、所述第二相似度对应的第二权重、所述连通性信息以及所述连通性信息对应的第三权重,通过操作函数确定所述目标预测轨迹的置信度;其中,所述第一权重、所述第二权重、所述第三权重以及所述操作函数为预配置或根据机器学习得到的。
在一种实施方式中,所述处理单元1502具体用于根据下列方式确定所述第一阈值:
获取包含多个轨迹预测样本的数据集,确定所述数据集的每个轨迹预测样本中第二位置对应的终点位置误差值;根据所述每个轨迹预测样本的置信度、所述每个轨迹预测样本中第二位置对应的终点位置误差值以及预设值,确定所述第一阈值。
在一种实施方式中,所述处理单元1502具体用于:确定至少一个目标轨迹预测样本的置信度的平均值,将确定出的所述平均值作为所述第一阈值,其中,所述至少一个目标轨迹预测样本为所述多个轨迹预测样本中第二位置对应的终点位置误差值小于或等于预设值的至少一个轨迹预测样本;或者将所述多个轨迹预测样本中第二位置对应的终点位置误差值小于或等于预设值的至少一个轨迹预测样本作为正样本集合,以及将所述多个轨迹预测样本中第二位置对应的终点位置误差值大于预设值的至少一个轨迹预测样本作为负样本集合,基于二分类算法确定用于区分所述正样本集合和所述负样本集合的度量值,将确定出的所述度量值作为所述第一阈值。
基于相同的技术构思,本申请还提供了一种轨迹预测装置1600,图16为本申请实施例提供的一种轨迹预测装置1600的结构示意图,所述轨迹预测装置1600可以应用于图1所示的***中的任意一辆车辆或监控中心。参阅图16所示,所述轨迹预测装置1600包括:处理器1601、存储器1602和总线1603。其中,处理器1601和存储器1602通过总线1603进行通信,也可以通过无线传输等其他手段实现通信。该存储器1602用于存储指令,该处理器1601用于执行该存储器1602存储的指令。该存储器1602存储程序代码,且处理器1601可以调用存储器1602中存储的程序代码执行以下操作:
获取目标车辆在第一时刻的第一位置,所述第一位置对应包含至少一个第一车道的第一车道集合;确定目标预测轨迹,所述目标预测轨迹的置信度大于或等于第一阈值,所述目标预测轨迹为至少一个候选预测轨迹中的至少一个,所述至少一个候选预测轨迹中的任一个候选预测轨迹包含所述第一车道集合中的第一车道以及第二车道集合中的第二车道,所述第一车道和第二车道在所述候选预测轨迹中连通;其中,所述第二车道集合与第二位置对应,所述第二车道集合包括至少一个第二车道,所述第二位置为所述目标车辆在第二时刻的预测位置,所述第二时刻在时间上位于所述第一时刻之后。
在一种实施方式中,所述第一车道集合是根据所述第一位置和第一车道信息确定的;和/或,所述第二车道集合是根据所述第二位置和第二车道信息确定的;其中,所述第一车道信息包括所述第一位置所属区域的全部或部分车道的位置信息,所述第二车道信息包括所述第二位置所属区域的全部或部分车道的位置信息,所述第一车道信息和所述第二车道信息相同或不同。
在一种实施方式中,所述处理器1601,还用于:
根据所述第一位置所属区域的地图获取所述第一车道信息,根据所述第二位置所属区域的地图获取所述第二车道信息;将距离所述第一位置在预设查询半径内的至少一个第一车道作为所述第一车道集合,和/或,将距离所述第二位置在预设查询半径内的至少一个车道作为所述第二车道集合。
在一种实施方式中,所述处理器1601,还用于:
在确定所述目标预测轨迹之前,根据所述第一车道集合以及所述第二车道集合,确定所述至少一个候选预测轨迹。
在一种实施方式中,所述处理器1601,具体用于:当所述第二车道集合中目标第二车道与所述第一车道集合中的目标第一车道存在连通性时,确定包含所述目标第二车道与所述目标第一车道的目标候选预测轨迹;其中,所述目标候选预测轨迹包含在所述至少一个候选预测轨迹中。
在一种实施方式中,所述目标预测轨迹的置信度是根据第一相似度、第二相似度以及连通性信息得到的,其中,所述第一相似度用于指示所述目标车辆的历史轨迹与所述目标预测轨迹中的第一车道之间的相似度,所述第二相似度用于指示从所述第一位置到所述第二位置的预测行驶轨迹与所述第二车道之间的相似度,所述连通性信息用于指示所述第一车道和第二车道之间的连通性。
在一种实施方式中,所述处理器1601具体用于根据下列方式确定所述目标预测轨迹的置信度:根据所述第一相似度、所述第一相似度对应的第一权重、所述第二相似度、所述第二相似度对应的第二权重、所述连通性信息以及所述连通性信息对应的第三权重,通过操作函数确定所述目标预测轨迹的置信度;其中,所述第一权重、所述第二权重、所述第三权重以及所述操作函数为预配置或根据机器学习得到的。
在一种实施方式中,所述处理器1601具体用于根据下列方式确定所述第一阈值:
获取包含多个轨迹预测样本的数据集,确定所述数据集的每个轨迹预测样本中第二位置对应的终点位置误差值;根据所述每个轨迹预测样本的置信度、所述每个轨迹预测样本中第二位置对应的终点位置误差值以及预设值,确定所述第一阈值。
在一种实施方式中,所述处理器1601具体用于:确定至少一个目标轨迹预测样本的置信度的平均值,将确定出的所述平均值作为所述第一阈值,其中,所述至少一个目标轨迹预测样本为所述多个轨迹预测样本中第二位置对应的终点位置误差值小于或等于预设值的至少一个轨迹预测样本;或者将所述多个轨迹预测样本中第二位置对应的终点位置误差值小于或等于预设值的至少一个轨迹预测样本作为正样本集合,以及将所述多个轨迹预测样本中第二位置对应的终点位置误差值大于预设值的至少一个轨迹预测样本作为负样本集合,基于二分类算法确定用于区分所述正样本集合和所述负样本集合的度量值,将确定出的所述度量值作为所述第一阈值。
可以理解,本申请图16中的存储器1602可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DR RAM)。应注意,本文描述的***和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
基于以上实施例,本申请实施例还提供了一种计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行图3或图4所示的实施例提供的轨迹预测方法。
基于以上实施例,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,所述计算机程序被计算机执行时,使得计算机执行图3或图4所示的实施例提供的轨迹预测方法。其中,存储介质可以是计算机能够存取的任何可用介质。以此为例但不限于:计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。
基于以上实施例,本申请实施例还提供了一种芯片,所述芯片用于读取存储器中存储的计算机程序,实现图3或图4所示的实施例提供的轨迹预测方法。
基于以上实施例,本申请实施例提供了一种芯片***,该芯片***包括处理器,用于支持计算机装置实现图3或图4所示的轨迹预测方法。在一种可能的设计中,所述芯片***还包括存储器,所述存储器用于保存该计算机装置必要的程序和数据。该芯片***,可以由芯片构成,也可以包含芯片和其他分立器件。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的保护范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (21)
1.一种轨迹预测方法,其特征在于,该方法包括:
获取目标车辆在第一时刻的第一位置,所述第一位置对应包含至少一个第一车道的第一车道集合;
确定目标预测轨迹,所述目标预测轨迹的置信度大于或等于第一阈值,所述目标预测轨迹为至少一个候选预测轨迹中的至少一个,所述至少一个候选预测轨迹中的任一个候选预测轨迹包含所述第一车道集合中的第一车道以及第二车道集合中的第二车道,所述第一车道和第二车道在所述候选预测轨迹中连通;
其中,所述第二车道集合与第二位置对应,所述第二车道集合包括至少一个第二车道,所述第二位置为所述目标车辆在第二时刻的预测位置,所述第二时刻在时间上位于所述第一时刻之后。
2.如权利要求1所述的方法,其特征在于,所述第一车道集合是根据所述第一位置和第一车道信息确定的;和/或
所述第二车道集合是根据所述第二位置和第二车道信息确定的;
其中,所述第一车道信息包括所述第一位置所属区域的全部或部分车道的位置信息,所述第二车道信息包括所述第二位置所属区域的全部或部分车道的位置信息,所述第一车道信息和所述第二车道信息相同或不同。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
根据所述第一位置所属区域的地图获取所述第一车道信息,根据所述第二位置所属区域的地图获取所述第二车道信息;
将距离所述第一位置在预设查询半径内的至少一个车道作为所述第一车道集合,和/或,将距离所述第二位置在预设查询半径内的至少一个车道作为所述第二车道集合。
4.如权利要求1至3任一项所述的方法,其特征在于,在确定所述目标预测轨迹之前,还包括:
根据所述第一车道集合以及所述第二车道集合,确定所述至少一个候选预测轨迹。
5.如权利要求4所述的方法,其特征在于,所述根据所述第一车道集合以及所述第二车道集合,确定所述至少一个候选预测轨迹,包括:
当所述第二车道集合中目标第二车道与所述第一车道集合中的目标第一车道存在连通性时,确定包含所述目标第二车道与所述目标第一车道的目标候选预测轨迹;其中,所述目标候选预测轨迹包含在所述至少一个候选预测轨迹中。
6.如权利要求1至5任一项所述的方法,其特征在于,所述目标预测轨迹的置信度是根据第一相似度、第二相似度以及连通性信息得到的,其中,所述第一相似度用于指示所述目标车辆的历史轨迹与所述目标预测轨迹中的第一车道之间的相似度,所述第二相似度用于指示从所述第一位置到所述第二位置的预测行驶轨迹与所述第二车道之间的相似度,所述连通性信息用于指示所述第一车道和第二车道之间的连通性。
7.如权利要求6所述的方法,其特征在于,根据下列方式确定所述目标预测轨迹的置信度:
根据所述第一相似度、所述第一相似度对应的第一权重、所述第二相似度、所述第二相似度对应的第二权重、所述连通性信息以及所述连通性信息对应的第三权重,通过操作函数确定所述目标预测轨迹的置信度;
其中,所述第一权重、所述第二权重、所述第三权重以及所述操作函数为预配置或根据机器学习得到的。
8.如权利要求1至7任一项所述的方法,其特征在于,根据下列方式确定所述第一阈值:
获取包含多个轨迹预测样本的数据集,确定所述数据集的每个轨迹预测样本中第二位置对应的终点位置误差值;
根据所述每个轨迹预测样本的置信度、所述每个轨迹预测样本中第二位置对应的终点位置误差值以及预设值,确定所述第一阈值。
9.如权利要求8所述的方法,其特征在于,所述方法还包括:
确定至少一个目标轨迹预测样本的置信度的平均值,将确定出的所述平均值作为所述第一阈值,其中,所述至少一个目标轨迹预测样本为所述多个轨迹预测样本中第二位置对应的终点位置误差值小于或等于预设值的至少一个轨迹预测样本;或者
将所述多个轨迹预测样本中第二位置对应的终点位置误差值小于或等于预设值的至少一个轨迹预测样本作为正样本集合,以及将所述多个轨迹预测样本中第二位置对应的终点位置误差值大于预设值的至少一个轨迹预测样本作为负样本集合,基于二分类算法确定用于区分所述正样本集合和所述负样本集合的度量值,将确定出的所述度量值作为所述第一阈值。
10.一种轨迹预测装置,其特征在于,包括:
获取单元,用于获取目标车辆在第一时刻的第一位置,所述第一位置对应包含至少一个第一车道的第一车道集合;
处理单元,用于确定目标预测轨迹,所述目标预测轨迹的置信度大于或等于第一阈值,所述目标预测轨迹为至少一个候选预测轨迹中的至少一个,所述至少一个候选预测轨迹中的任一个候选预测轨迹包含所述第一车道集合中的第一车道以及第二车道集合中的第二车道,所述第一车道和第二车道在所述候选预测轨迹中连通;
其中,所述第二车道集合与第二位置对应,所述第二车道集合包括至少一个第二车道,所述第二位置为所述目标车辆在第二时刻的预测位置,所述第二时刻在时间上位于所述第一时刻之后。
11.如权利要求10所述的装置,其特征在于,所述第一车道集合是根据所述第一位置和第一车道信息确定的;和/或
所述第二车道集合是根据所述第二位置和第二车道信息确定的;
其中,所述第一车道信息包括所述第一位置所属区域的全部或部分车道的位置信息,所述第二车道信息包括所述第二位置所属区域的全部或部分车道的位置信息,所述第一车道信息和所述第二车道信息相同或不同。
12.如权利要求11所述的装置,其特征在于,所述处理单元还用于:
根据所述第一位置所属区域的地图获取所述第一车道信息,根据所述第二位置所属区域的地图获取所述第二车道信息;
将距离所述第一位置在预设查询半径内的至少一个车道作为所述第一车道集合,和/或,将距离所述第二位置在预设查询半径内的至少一个车道作为所述第二车道集合。
13.如权利要求10至12任一项所述的装置,其特征在于,所述处理单元还用于:
在确定所述目标预测轨迹之前,根据所述第一车道集合以及所述第二车道集合,确定所述至少一个候选预测轨迹。
14.如权利要求13所述的装置,其特征在于,所述处理单元具体用于:
当所述第二车道集合中目标第二车道与所述第一车道集合中的目标第一车道存在连通性时,确定包含所述目标第二车道与所述目标第一车道的目标候选预测轨迹;其中,所述目标候选预测轨迹包含在所述至少一个候选预测轨迹中。
15.如权利要求14所述的装置,其特征在于,所述目标预测轨迹的置信度是根据第一相似度、第二相似度以及连通性信息得到的,其中,所述第一相似度用于指示所述目标车辆的历史轨迹与所述目标预测轨迹中的第一车道之间的相似度,所述第二相似度用于指示从所述第一位置到所述第二位置的预测行驶轨迹与所述第二车道之间的相似度,所述连通性信息用于指示所述第一车道和第二车道之间的连通性。
16.如权利要求15所述的装置,其特征在于,所述处理单元具体用于根据下列方式确定所述目标预测轨迹的置信度:
根据所述第一相似度、所述第一相似度对应的第一权重、所述第二相似度、所述第二相似度对应的第二权重、所述连通性信息以及所述连通性信息对应的第三权重,通过操作函数确定所述目标预测轨迹的置信度;
其中,所述第一权重、所述第二权重、所述第三权重以及所述操作函数为预配置或根据机器学习得到的。
17.如权利要求10至16任一项所述的装置,其特征在于,所述处理单元具体用于根据下列方式确定所述第一阈值:
获取包含多个轨迹预测样本的数据集,确定所述数据集的每个轨迹预测样本中第二位置对应的终点位置误差值;
根据所述每个轨迹预测样本的置信度、所述每个轨迹预测样本中第二位置对应的终点位置误差值以及预设值,确定所述第一阈值。
18.如权利要求17所述的装置,其特征在于,所述处理单元具体用于:
确定至少一个目标轨迹预测样本的置信度的平均值,将确定出的所述平均值作为所述第一阈值,其中,所述至少一个目标轨迹预测样本为所述多个轨迹预测样本中第二位置对应的终点位置误差值小于或等于预设值的至少一个轨迹预测样本;或者
将所述多个轨迹预测样本中第二位置对应的终点位置误差值小于或等于预设值的至少一个轨迹预测样本作为正样本集合,以及将所述多个轨迹预测样本中第二位置对应的终点位置误差值大于预设值的至少一个轨迹预测样本作为负样本集合,基于二分类算法确定用于区分所述正样本集合和所述负样本集合的度量值,将确定出的所述度量值作为所述第一阈值。
19.一种轨迹预测装置,其特征在于,包括处理器和存储器,所述存储器中存储计算机程序指令,所述轨迹预测装置运行时,所述处理器执行所述存储器中存储的所述计算机程序指令以实现上述权利要求1至9中任一所述的方法的操作步骤。
20.一种计算机可读存储介质,其特征在于,包括计算机指令,当所述计算机指令在被处理器运行时,使得读写器执行如权利要求1至9任一项所述的方法。
21.一种计算机程序产品,其特征在于,当所述计算机程序产品在处理器上运行时,使得车载设备执行如权利要求1至9任一项所述的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2020/142439 WO2022141538A1 (zh) | 2020-12-31 | 2020-12-31 | 一种轨迹预测方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112839855A true CN112839855A (zh) | 2021-05-25 |
CN112839855B CN112839855B (zh) | 2022-07-12 |
Family
ID=75926571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080005125.7A Active CN112839855B (zh) | 2020-12-31 | 2020-12-31 | 一种轨迹预测方法与装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112839855B (zh) |
WO (1) | WO2022141538A1 (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113291320A (zh) * | 2021-06-15 | 2021-08-24 | 苏州智加科技有限公司 | 一种车辆轨迹预测方法、装置、设备及存储介质 |
CN113313182A (zh) * | 2021-06-07 | 2021-08-27 | 北博(厦门)智能科技有限公司 | 一种基于雷达和视频融合的目标识别方法及终端 |
CN113682318A (zh) * | 2021-09-30 | 2021-11-23 | 阿波罗智能技术(北京)有限公司 | 车辆行驶控制方法及装置 |
CN113734198A (zh) * | 2021-09-03 | 2021-12-03 | 智己汽车科技有限公司 | 一种目标相对航向获取方法及设备 |
CN114872735A (zh) * | 2022-07-10 | 2022-08-09 | 成都工业职业技术学院 | 基于神经网络算法的自动驾驶物流车辆决策方法和装置 |
CN115230688A (zh) * | 2021-12-07 | 2022-10-25 | 上海仙途智能科技有限公司 | 障碍物轨迹预测方法、***和计算机可读存储介质 |
CN115293301A (zh) * | 2022-10-09 | 2022-11-04 | 腾讯科技(深圳)有限公司 | 车辆的变道方向的预估方法、装置及存储介质 |
US20220355805A1 (en) * | 2021-05-04 | 2022-11-10 | Hyundai Motor Company | Vehicle position correction apparatus and method thereof |
CN115540893A (zh) * | 2022-11-30 | 2022-12-30 | 广汽埃安新能源汽车股份有限公司 | 车辆路径规划方法、装置、电子设备和计算机可读介质 |
CN116543356A (zh) * | 2023-07-05 | 2023-08-04 | 青岛国际机场集团有限公司 | 一种轨迹确定方法、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105667518A (zh) * | 2016-02-25 | 2016-06-15 | 福州华鹰重工机械有限公司 | 车道检测的方法及装置 |
CN108303103A (zh) * | 2017-02-07 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 目标车道的确定方法和装置 |
US20200104607A1 (en) * | 2018-09-28 | 2020-04-02 | Samsung Electronics Co., Ltd. | Method and apparatus with lane determination |
CN111194395A (zh) * | 2017-08-11 | 2020-05-22 | 莱夫特公司 | 行驶路径和位置的预测 |
WO2020135881A1 (zh) * | 2018-12-29 | 2020-07-02 | 长城汽车股份有限公司 | 自动驾驶车辆的车道选择方法、***及车辆 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016513805A (ja) * | 2013-03-15 | 2016-05-16 | キャリパー コーポレイション | 車両ルート指定および交通管理のための車線レベル車両ナビゲーション |
CN106384540B (zh) * | 2016-10-20 | 2019-04-19 | 深圳市元征科技股份有限公司 | 车辆实时轨迹预测方法及预测*** |
CN108550279B (zh) * | 2018-04-03 | 2019-10-18 | 同济大学 | 基于机器学习的车辆驾驶行为预测方法 |
CN110111566B (zh) * | 2019-04-19 | 2021-07-06 | 腾讯科技(深圳)有限公司 | 轨迹预测方法、装置和存储介质 |
CN111422204B (zh) * | 2020-03-24 | 2022-03-04 | 北京京东乾石科技有限公司 | 自动驾驶车辆通行判定方法及相关设备 |
-
2020
- 2020-12-31 WO PCT/CN2020/142439 patent/WO2022141538A1/zh active Application Filing
- 2020-12-31 CN CN202080005125.7A patent/CN112839855B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105667518A (zh) * | 2016-02-25 | 2016-06-15 | 福州华鹰重工机械有限公司 | 车道检测的方法及装置 |
CN108303103A (zh) * | 2017-02-07 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 目标车道的确定方法和装置 |
CN111194395A (zh) * | 2017-08-11 | 2020-05-22 | 莱夫特公司 | 行驶路径和位置的预测 |
US20200104607A1 (en) * | 2018-09-28 | 2020-04-02 | Samsung Electronics Co., Ltd. | Method and apparatus with lane determination |
WO2020135881A1 (zh) * | 2018-12-29 | 2020-07-02 | 长城汽车股份有限公司 | 自动驾驶车辆的车道选择方法、***及车辆 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11821995B2 (en) * | 2021-05-04 | 2023-11-21 | Hyundai Motor Company | Vehicle position correction apparatus and method thereof |
US20220355805A1 (en) * | 2021-05-04 | 2022-11-10 | Hyundai Motor Company | Vehicle position correction apparatus and method thereof |
CN113313182A (zh) * | 2021-06-07 | 2021-08-27 | 北博(厦门)智能科技有限公司 | 一种基于雷达和视频融合的目标识别方法及终端 |
CN113313182B (zh) * | 2021-06-07 | 2023-10-17 | 北博(厦门)智能科技有限公司 | 一种基于雷达和视频融合的目标识别方法及终端 |
CN113291320A (zh) * | 2021-06-15 | 2021-08-24 | 苏州智加科技有限公司 | 一种车辆轨迹预测方法、装置、设备及存储介质 |
CN113734198A (zh) * | 2021-09-03 | 2021-12-03 | 智己汽车科技有限公司 | 一种目标相对航向获取方法及设备 |
CN113682318A (zh) * | 2021-09-30 | 2021-11-23 | 阿波罗智能技术(北京)有限公司 | 车辆行驶控制方法及装置 |
CN115230688B (zh) * | 2021-12-07 | 2023-08-25 | 上海仙途智能科技有限公司 | 障碍物轨迹预测方法、***和计算机可读存储介质 |
CN115230688A (zh) * | 2021-12-07 | 2022-10-25 | 上海仙途智能科技有限公司 | 障碍物轨迹预测方法、***和计算机可读存储介质 |
CN114872735A (zh) * | 2022-07-10 | 2022-08-09 | 成都工业职业技术学院 | 基于神经网络算法的自动驾驶物流车辆决策方法和装置 |
CN114872735B (zh) * | 2022-07-10 | 2022-10-04 | 成都工业职业技术学院 | 基于神经网络算法的自动驾驶物流车辆决策方法和装置 |
CN115293301B (zh) * | 2022-10-09 | 2023-01-31 | 腾讯科技(深圳)有限公司 | 车辆的变道方向的预估方法、装置及存储介质 |
CN115293301A (zh) * | 2022-10-09 | 2022-11-04 | 腾讯科技(深圳)有限公司 | 车辆的变道方向的预估方法、装置及存储介质 |
CN115540893B (zh) * | 2022-11-30 | 2023-03-14 | 广汽埃安新能源汽车股份有限公司 | 车辆路径规划方法、装置、电子设备和计算机可读介质 |
CN115540893A (zh) * | 2022-11-30 | 2022-12-30 | 广汽埃安新能源汽车股份有限公司 | 车辆路径规划方法、装置、电子设备和计算机可读介质 |
CN116543356A (zh) * | 2023-07-05 | 2023-08-04 | 青岛国际机场集团有限公司 | 一种轨迹确定方法、设备及介质 |
CN116543356B (zh) * | 2023-07-05 | 2023-10-27 | 青岛国际机场集团有限公司 | 一种轨迹确定方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022141538A1 (zh) | 2022-07-07 |
CN112839855B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112839855B (zh) | 一种轨迹预测方法与装置 | |
Goli et al. | Vehicle Trajectory Prediction with Gaussian Process Regression in Connected Vehicle Environment $\star$ | |
CN109937343B (zh) | 用于自动驾驶车辆交通预测中的预测轨迹的评估框架 | |
RU2737874C1 (ru) | Способ хранения информации транспортного средства, способ управления движением транспортного средства и устройство хранения информации транспортного средства | |
US11269329B2 (en) | Dynamic model with learning based localization correction system | |
US9079587B1 (en) | Autonomous control in a dense vehicle environment | |
CN109085829B (zh) | 一种动静态目标识别方法 | |
RU2758225C1 (ru) | Способ помощи при движении и устройство помощи при движении | |
US20150241226A1 (en) | Autonomous driving sensing system and method | |
EP3891474B1 (en) | Synchronizing sensors of autonomous driving vehicles | |
CN109767619B (zh) | 一种智能网联纯电动汽车行驶工况预测方法 | |
KR20180030448A (ko) | 차량의 예상 주행 의도에 관한 정보를 제공하는 방법 | |
CN113016153A (zh) | 验证在自动驾驶车辆中使用的传感器的定时 | |
RU2757234C2 (ru) | Способ и система для вычисления данных для управления работой беспилотного автомобиля | |
JP2023548879A (ja) | 交通流情報の決定方法、装置、電子機器及び記憶媒体 | |
CN114274972A (zh) | 自主驾驶环境中的场景识别 | |
CN110733507A (zh) | 车道变换及道路隔离方法、装置、设备及存储介质 | |
CN114694111A (zh) | 车辆定位 | |
JP2016218737A (ja) | 先行車両推定装置及びプログラム | |
CN112985825B (zh) | 用于确定自动驾驶***的乘坐稳定性的方法 | |
CN116991104A (zh) | 一种无人驾驶车辆自动化驱动的装置 | |
US11983918B2 (en) | Platform for perception system development for automated driving system | |
CN114426030B (zh) | 一种行人穿行意图估计方法、装置、设备和汽车 | |
CN113301496A (zh) | 增强的传感器操作 | |
CN111326002A (zh) | 一种自动驾驶汽车环境感知的预测方法、装置及*** |
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 |