CN113291320A - 一种车辆轨迹预测方法、装置、设备及存储介质 - Google Patents
一种车辆轨迹预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113291320A CN113291320A CN202110660601.5A CN202110660601A CN113291320A CN 113291320 A CN113291320 A CN 113291320A CN 202110660601 A CN202110660601 A CN 202110660601A CN 113291320 A CN113291320 A CN 113291320A
- Authority
- CN
- China
- Prior art keywords
- trajectory
- track
- candidate predicted
- vehicle
- confidence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000007613 environmental effect Effects 0.000 claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 9
- 238000013210 evaluation model Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 17
- 238000010586 diagram Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- B60W60/00274—Planning or execution of driving tasks using trajectory prediction for other traffic participants considering possible movement changes
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road 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
- 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
- B60W60/00276—Planning or execution of driving tasks using trajectory prediction for other traffic participants for two or more other traffic participants
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本说明书实施例提供一种车辆轨迹预测方法、装置、设备及存储介质。所述方法包括:获取目标车辆的至少两个候选预测轨迹;采集对应于所述目标车辆的环境信息;所述环境信息用于表示所述目标车辆所处的环境;结合所述环境信息,计算对应于各个候选预测轨迹的轨迹置信度;所述轨迹置信度用于描述目标车辆在所述环境信息下基于对应的候选预测轨迹行驶的可能性;根据所述轨迹置信度从所述至少两个候选预测轨迹中选取目标预测轨迹。上述方法准确有效地对目标车辆最可能的行驶轨迹进行预测,进而在为当前自动驾驶车辆制定行驶轨迹时提供有效的依据,保证了自动驾驶过程的安全性。
Description
技术领域
本说明书实施例涉及自动驾驶技术领域,特别涉及一种车辆轨迹预测方法、装置及存储介质。
背景技术
近几年来,无人驾驶技术获得了突飞猛进的发展,无人驾驶正在逐步成为现实。当无人驾驶车辆在实际路面上行驶时,不仅需要考虑道路对于行驶的决定作用,还需要考虑道路上的其他车辆对行驶过程所造成的影响。因此,在搜集外部环境信息的同时,也需要对道路上的其他车辆的行驶轨迹进行预测,以更好地制定当前车辆的行驶轨迹,保证自动驾驶的安全性。
但是,在实际应用中,当对其他车辆的行驶轨迹进行预测时,基于环境、车辆状态以及预测方法等因素的影响,可能会出现预测得到多条候选轨迹的情况。而在不同的情况下,这些候选轨迹可能具有不同的被选取的可能性。如何从不同的候选轨迹中选取出最为可信的行驶轨迹,对于制定当前车辆的行驶轨迹具有重要的意义。因此,目前亟需一种能够准确有效地从预测得到的多个轨迹中选取最可信的轨迹的技术方案。
发明内容
本说明书实施例的目的是提供一种车辆轨迹预测方法、装置、设备及存储介质,以解决如何准确有效地从预测到的多个轨迹中选取最可信的轨迹的问题。
为了解决上述技术问题,本说明书实施例提出一种车辆轨迹预测方法,包括:获取目标车辆的至少两个候选预测轨迹;采集对应于所述目标车辆的环境信息;所述环境信息用于表示所述目标车辆所处的环境;结合所述环境信息,计算对应于各个候选预测轨迹的轨迹置信度;所述轨迹置信度用于描述目标车辆在所述环境信息下基于对应的候选预测轨迹行驶的可能性;根据所述轨迹置信度从所述至少两个候选预测轨迹中选取目标预测轨迹。
本说明书实施例还提出一种车辆轨迹预测装置,包括:候选预测轨迹获取模块,用于获取目标车辆的至少两个候选预测轨迹;环境信息确定模块,用于采集对应于所述目标车辆的环境信息;所述环境信息用于表示所述目标车辆所处的环境;轨迹置信度计算模块,用于结合所述环境信息,计算对应于各个候选预测轨迹的轨迹置信度;所述轨迹置信度用于描述目标车辆在所述环境信息下基于对应的候选预测轨迹行驶的可能性;目标预测轨迹选取模块,用于根据所述轨迹置信度从所述至少两个候选预测轨迹中选取目标预测轨迹。
本说明书实施例还提出一种车辆轨迹预测设备,包括存储器和处理器;所述存储器,用于存储计算机程序指令;所述处理器,用于执行所述计算机程序指令以实现以下步骤:获取目标车辆的至少两个候选预测轨迹;采集对应于所述目标车辆的环境信息;所述环境信息用于表示所述目标车辆所处的环境;结合所述环境信息,计算对应于各个候选预测轨迹的轨迹置信度;所述轨迹置信度用于描述目标车辆在所述环境信息下基于对应的候选预测轨迹行驶的可能性;根据所述轨迹置信度从所述至少两个候选预测轨迹中选取目标预测轨迹。
本说明书实施例还提出一种计算机存储介质,其上存储有计算机程序,所述计算机程序在被执行时实现上述车辆轨迹预测方法。
本说明书实施例还提出一种自动驾驶车辆,所述自动驾驶车辆配置有上述车辆轨迹预测设备。
由以上本说明书实施例提供的技术方案可见,本说明书实施例在获取到对应于目标车辆的多个候选预测轨迹后,获取对应于所述目标车辆的环境信息,再结合所述环境信息计算各个候选预测轨迹的轨迹置信度,最终实现通过比对所述轨迹置信度从这些候选预测轨迹中筛选得到目标预测轨迹。上述方法针对预测多个轨迹的情况,结合环境信息对于目标车辆的影响,确定不同轨迹在当前环境下的可能性,从而能够准确有效地对目标车辆最可能的行驶轨迹进行预测,进而在为当前自动驾驶车辆制定行驶轨迹时提供有效的依据,保证了自动驾驶过程的安全性。
附图说明
为了更清楚地说明本说明书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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书实施例一种车辆轨迹预测方法的流程图;
图2为本说明书实施例一种隐藏层计算过程的示意图;
图3为本说明书实施例一种轨迹评估模型的结构示意图;
图4为本说明书实施例一种车辆轨迹预测过程的流程示意图;
图5为本说明书实施例一种车辆轨迹预测装置的模块图;
图6为本说明书实施例一种车辆轨迹预测设备的结构图;
图7为本说明书实施例一种车辆自动驾驶的场景示例图。
具体实施方式
下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都应当属于本说明书保护的范围。
为了解决上述技术问题,本说明书实施例提出一种车辆轨迹预测方法。具体的,所述车辆轨迹预测方法可以由车辆轨迹预测设备实现,所述车辆轨迹预测设备可以应用于自动驾驶车辆,以对自动驾驶车辆的无人驾驶过程进行指导。如图1所示,所述车辆轨迹预测方法包括以下具体实施步骤。
S110:获取目标车辆的至少两个候选预测轨迹。
在自动行驶车辆行驶在道路上时,不仅需要关注道路对应的路线信息,交通标识和交通信号灯的提示信息,还需要关注道路上的其他车辆对当前车辆所造成的影响。基于其他车辆当前的位置、行驶速度以及转向信息等情况,可能会对当前车辆的行驶路线造成不同程度的影响。因此,需要对这些车辆的行驶轨迹进行预测,进而结合其他车辆的行驶轨迹来制定当前的自动驾驶车辆的行驶轨迹。
目标车辆可以是自动驾驶车辆行驶过程,所确定的可能会对当前自动驾驶车辆的行驶过程造成影响的车辆。
实际应用中,可以基于一定的条件来筛选所述目标车辆,例如可以是与当前自动驾驶车辆的距离在一定范围内的车辆作为目标车辆,也可以是速度超过一定范围的车辆作为目标车辆。实际应用中也可以通过其他判断条件,或综合多个判断条件来确定所述目标车辆,在此不再赘述。
所述候选预测轨迹可以是预测得到的目标车辆可能的行驶轨迹。所述候选预测轨迹可以是根据目标车辆的状态信息所预测到的轨迹,例如,根据目标车辆当前的车辆朝向、车辆速度以及转向灯信息所预测到的行驶轨迹。
在本说明书实施例中,当针对目标车辆的轨迹进行预测时,可能会利用不同的预测模型,基于不同的预测条件来实现目标车辆的轨迹预测。这些预测模型可以具有不同的侧重点以及判断逻辑,进而使得在对目标车辆进行预测时,可能会产生不同的预测结果。
在存在有多种预测轨迹的情况下,为了能够有效地基于这些预测轨迹对当前的行驶轨迹进行调整,需要从这些预测轨迹中选取出可信度最高的预测轨迹,即所述目标车辆最有可能采取的行驶轨迹。
实际应用中可以在一个模型中设置不同的处理逻辑,来获取到多个预测轨迹,或者设置多种模型,来分别获取对应的预测轨迹,从而产生所述至少两个候选预测轨迹。具体的预测模型可以结合具体的应用算法进行设置,在此不再赘述。
S120:采集对应于所述目标车辆的环境信息;所述环境信息用于表示所述目标车辆所处的环境。
环境信息可以用于描述当前目标车辆所处的环境。所述环境信息可以用于描述目标车辆所处的环境,例如目标车辆当前所处的道路以及外部的气候信息,也可以用于描述目标车辆自身的状态,例如目标车辆当前的车速、朝向、车辆指示灯等信息。通过所述环境来对目标车辆的行驶状况进行进一步的分析。
在一些实施方式中,所述环境信息可以包括道路信息、交通标识信息、目标车辆状态信息、天气信息中的至少一种。道路信息可以表示道路的延伸路线,道路的属性信息,例如当前道路为水泥路、柏油路或泥路等,道路的状况,例如路面平整或有些许起伏或存在较多坑洼等。交通标志信息可以用于表示目标车辆附近的交通标识所包含的信息,例如,可以是交通牌上的限速标识信息、或者交通信号灯所提供的信息。目标车辆状态可以目标车辆的相关信息,例如目标车辆当前的行驶速度、目标车辆当前的车辆朝向以及车轮转动情况、目标车辆上的转向灯、刹车灯等信号灯信息等。天气信息可以用于表示当前的天气情况,例如当前是否有下雨,或是当前的风速状况,以及其他可能会对车辆行驶造成影响的信息。实际应用中也可以根据需要采集其他类型的信息作为环境信息,来对车辆行驶的状况进行评估和分析,并不限于上述示例,在此不再赘述。
需要说明的是,所述环境信息可以是在所述车辆轨迹预测设备中配置相应的传感器,以对相应的环境信息进行采集,也可以是接收车辆中的其他设备或远程设备所传输的信息数据,作为所述环境信息,或者也可以结合上述两种方法来获取相应的环境信息。实际应用中可以根据需要灵活调整获取环境信息的方式,并不限于上述方式,在此不再赘述。
在获取到环境信息后,根据所述环境信息,可以在后续步骤中结合车辆的候选预测轨迹对目标车辆的轨迹进行预测,提高了预测结果的准确性。
S130:结合所述环境信息,计算对应于各个候选预测轨迹的轨迹置信度;所述轨迹置信度用于描述目标车辆在所述环境信息下基于对应的候选预测轨迹行驶的可能性。
在获取到环境信息后,可以结合所述环境信息和候选预测轨迹来计算各个候选预测轨迹的轨迹置信度。轨迹置信度用于描述目标车辆在所述环境信息下基于对应的候选预测轨迹行驶的可能性,即通过所述轨迹置信度的大小即可选取可能性最高的候选预测轨迹,从而对自动驾驶过程进行指导。
在一些实施方式中,获取轨迹置信度时,可以将所述环境信息和候选预测轨迹输入轨迹评估模型,得到分别对应于各个候选预测轨迹的评估分数,再基于所述评估分数计算各个候选预测轨迹的轨迹置信度。
轨迹评估模型可以是预先设置的用于确定环境信息与候选预测轨迹之间的匹配程度。将所述环境信息和候选预测轨迹基于所述轨迹评估模型的处理逻辑进行运算之后,可以求出对应于各个轨迹的评估分数。评估分数用于确定环境信息与当前的候选预测轨迹之间的匹配程度,从而在后续步骤中利用所述评估分数来选取目标预测轨迹。
在一些实施方式中,所述轨迹评估模型可以是神经网络模型,即包括输入层、隐藏层和输出层。输入层用于接收相应的信息,输出层用于输出处理完毕的信息,而隐藏层用于接收信息,进行相应运算操作后得到对应的状态信息,并传递至下一层。需要说明的是,在所述轨迹评估模型中可以包括一层隐藏层,也可以包含有多层隐藏层。在存在多层隐藏层时,隐藏层可以接收上一隐藏层所发出的信息,进行处理后传递至下一隐藏层,直至将最终的信息传递至输出层为止。
具体的,在利用所述轨迹评估模型进行信息处理时,可以先将所述环境信息和候选预测轨迹转换为第一特征向量,再将所述第一特征向量输入所述输入层,以使输入层将所述第一特征向量发送至隐藏层中对应的计算节点。在隐藏层接收到至少一个第一特征向量后,分别对各个第一特征向量进行矩阵计算得到至少一个第二特征向量,隐藏层再综合各个调解特征向量进行激活函数运算得到第三特征向量,最终将所述第三特征向量传递至输出层以使所述输出层将所述第三特征向量转化为评估分数。
如图2所示,为一种隐藏层节点处理信息的结构示意图,其中,单一的隐藏层节点在接收到上一层节点的数据后,对这些数据进行矩阵计算。在综合所有接收到的节点的数据后,利用激活函数进行相应的运算操作,得到对应于当前节点的计算结果,并将所述计算结果传递至下一层的节点。需要说明的是,图中仅仅示出了将计算结果传递至一个节点的示例,实际应用中也可以将所述计算结果传递至隐藏层中的多个不同的节点,并不限于图中的示例,在此不再赘述。其中,隐藏层所采取的矩阵计算和激活函数运算可以基于实际应用的需求进行设置,在此不再赘述。
如图3所示,即为包含输入层、输出层和隐藏层在内的轨迹评估模型的整体结构示意图。其中,将候选轨迹和环境信息组合为第一特征向量,再分别传输至下一隐藏层中的各个节点,并由这些节点再次传递至下一层的隐藏层,从而最终综合不同隐藏层的输出结果至输出层位置。输出层计算轨迹分数,并利用softmax计算得到置信度为87%,用于最终的结果评估。
在一些实施方式中,计算所得到的评估分数可能只是对环境信息和候选预测轨迹进行综合后的数据结果,无法直接根据所述评估分数判断各个轨迹的可信度,因此,可以基于所述评估分数计算轨迹置信度,来实现后续步骤中的具体评估步骤。
S140:根据所述轨迹置信度从所述至少两个候选预测轨迹中选取目标预测轨迹。
在获取到所述轨迹置信度后,由于轨迹置信度可以用于表示不同的候选预测轨迹的可能性,因此,基于轨迹置信度的数值大小可以选取出最终的目标预测轨迹。所述目标预测轨迹即为通过分析确定的目标车辆最可能的行驶路线。基于目标车辆的目标预测轨迹可以对当前车辆的行驶策略进行指导,从而保证当前车辆自动行驶的有效进行。
具体的,在一些实施方式中,可以选取最大的轨迹置信度所对应的候选预测轨迹作为目标预测轨迹。例如,当存在两个候选预测轨迹时,候选预测轨迹A的轨迹置信度为70,候选预测轨迹B的轨迹置信度为30,则选取候选预测轨迹A为目标预测轨迹。
实际应用中也可以根据需要来利用轨迹置信度选取相应的目标预测轨迹,在此不再赘述。
结合附图4对上述车辆轨迹预测方法的整体流程进行进一步说明,如附图中所示,在获取到多条候选轨迹后,将这些候选轨迹和收集到的环境信息输入多层感知机中进行打分,得到相应的评估分数,再对所述评估分数进行softmax函数转化,得到各条轨迹的置信度。从这些轨迹中选取出置信度最高的轨迹,作为最优轨迹,用于指导后续的自动驾驶过程。
基于上述整体流程的介绍,上述实施例中的描述,结合一个具体的场景示例对所述方法进行进一步介绍。在该场景示例中,自动驾驶车辆在行驶的过程中,在同一道路的前方检测到可能会对当前车辆的驾驶造成影响的目标车辆。自动驾驶车辆中的相应计算单元根据目标车辆的速度、朝向等信息计算出三条可能的预测轨迹,并将这些预测轨迹传输至所述车辆轨迹预测设备。所述车辆轨迹预测设备在接收到这些预测轨迹后,利用相应的传感器采集包括目标车辆状态信息、道路信息、气候信息在内的多个信息,作为环境信息。之后,车辆轨迹预测设备将这些候选预测轨迹和环境信息一同输入值轨迹预测模型中,将这些候选预测轨迹和环境信息分别组合为相应的特征向量,轨迹预测模型利用其中所包含的多层隐藏层以及各个隐藏层中的隐藏层节点,对这些特征向量进行综合计算,并对各条轨迹所对应的评估分数进行处理后,将这些评估分数转化为分别对应于各个候选预测轨迹的置信度,得到三条预测轨迹A、B、C的置信度分别为70%、20%和10%。因此可以将所述预测轨迹A作为最终所确定的目标轨迹。
在确定目标轨迹后,车辆轨迹预测设备可以将目标轨迹传递至其他模块,由其他设备根据所述目标轨迹判断目标车辆对于当前车辆的影响。若判断目标车辆的行驶轨迹与当前车辆不存在较强的关联性,则可以继续按照预先制定的轨迹继续行驶。若判断目标车辆的行驶轨迹与当前车辆的行驶路线存在交错或重叠的现象,则可以根据所述目标轨迹调整当前车辆的行驶策略,例如通过改变当前车辆的行驶速度,或改变当前车辆的行驶方向来规避目标车辆对当前车辆的影响,保证车辆的安全驾驶。
基于上述实施例和场景示例的介绍,可以看出,所述方法在获取到对应于目标车辆的多个候选预测轨迹后,获取对应于所述目标车辆的环境信息,再结合所述环境信息计算各个候选预测轨迹的轨迹置信度,最终实现通过比对所述轨迹置信度从这些候选预测轨迹中筛选得到目标预测轨迹。上述方法针对预测多个轨迹的情况,结合环境信息对于目标车辆的影响,确定不同轨迹在当前环境下的可能性,从而能够准确有效地对目标车辆最可能的行驶轨迹进行预测,进而在为当前自动驾驶车辆制定行驶轨迹时提供有效的依据,保证了自动驾驶过程的安全性。
基于上述车辆轨迹预测方法,本说明书实施例还提出一种车辆轨迹预测装置。所述车辆轨迹预测装置可以设置于所述车辆轨迹预测设备。如图5所示,所述车辆轨迹预测装置可以包括以下具体模块。
候选预测轨迹获取模块510,用于获取目标车辆的至少两个候选预测轨迹。
环境信息确定模块520,用于采集对应于所述目标车辆的环境信息;所述环境信息用于表示所述目标车辆所处的环境。
轨迹置信度计算模块530,用于结合所述环境信息,计算对应于各个候选预测轨迹的轨迹置信度;所述轨迹置信度用于描述目标车辆在所述环境信息下基于对应的候选预测轨迹行驶的可能性。
目标预测轨迹选取模块540,用于根据所述轨迹置信度从所述至少两个候选预测轨迹中选取目标预测轨迹。
基于上述车辆轨迹预测方法,本说明书实施例还提供一种车辆轨迹预测设备。如图6所示,所述车辆轨迹预测设备可以包括存储器和处理器。
在本实施例中,所述存储器可以按任何适当的方式实现。例如,所述存储器可以为只读存储器、机械硬盘、固态硬盘、或U盘等。所述存储器可以用于存储计算机程序指令。
在本实施例中,所述处理器可以按任何适当的方式实现。例如,处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。所述处理器可以执行所述计算机程序指令实现以下步骤:获取目标车辆的至少两个候选预测轨迹;采集对应于所述目标车辆的环境信息;所述环境信息用于表示所述目标车辆所处的环境;结合所述环境信息,计算对应于各个候选预测轨迹的轨迹置信度;所述轨迹置信度用于描述目标车辆在所述环境信息下基于对应的候选预测轨迹行驶的可能性;根据所述轨迹置信度从所述至少两个候选预测轨迹中选取目标预测轨迹。
本说明书还提供计算机存储介质的一个实施例。所述计算机存储介质包括但不限于随机存取存储器(Random Access Memory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard Disk Drive,HDD)、存储卡(Memory Card)等等。所述计算机存储介质存储有计算机程序指令。在所述计算机程序在被执行时实现本说明书图1所对应实施例中的计算机程序指令。
本说明书实施例还提出一种自动驾驶车辆,所述自动驾驶车辆上可以设置有图6所对应的档位调节设备。
基于图7对所述自动驾驶车辆710的一个场景示例进行具体说明,如图中所示,自动驾驶车辆710在行驶过程中,对周围的车辆进行检测,并将指定范围内的车辆认定为目标车辆730。如图中所示,检测到前方的车辆为目标车辆730后,自动驾驶车辆710可以利用自身所配置的传感设备对所述目标车辆730的状态信息进行检测。例如可以利用速度传感器对目标车辆730的速度进行检测,利用图像传感器对目标车辆730的车辆状态、信号灯信息进行检测,在获取到车辆的相关信息后,自动驾驶车辆710可以将信息传递至自身的计算单元或云端的计算设备,以利用相应的轨迹预测逻辑来对所述目标车辆730的轨迹进行预测,并获取到至少两种预测轨迹。
在获取到至少两种预测轨迹后,自动驾驶车辆710可以将所述预测轨迹发送至车辆轨迹预测设备720,并将环境信息传递给车辆轨迹预测设备720,以使所述车辆轨迹预测设备720基于上述信息从这些预测轨迹中确定目标轨迹,即目标车辆730最可能的行驶路径。所述环境信息可以是自动驾驶车辆710之前所采集到的信息,也可以在此基础上额外补充其他的环境信息,例如气候信息、交通标识信息等。车辆轨迹预测设备720基于图1所对应的实施例中的方法,确定目标预测轨迹后,将所述目标预测轨迹反馈至车辆上的其他处理模块或云端服务器,以使这些计算设备根据目标车辆730的目标预测轨迹对自动驾驶车辆710自身的行驶策略进行调整,例如,可以降低自动驾驶车辆710的行驶速度以规避与目标车辆730追尾的风险。
需要说明的是,所述车辆轨迹预测设备可以是位于云端的服务器,自动驾驶车辆上所设置的传感器在采集到相应的目标车辆信息和环境信息后,可以将所采集到的信息直接发送至位于云端的服务器,由服务器来根据上述信息确定目标轨迹。所述车辆轨迹预测设备也可以是自动驾驶车辆上所设置的计算单元,通过有线通信或无线通信的方式与所述自动驾驶车辆内的其他模块进行通信。
上述场景只是为了更好地理解实际的自动驾驶场景中的轨迹预测流程,实际应用中可以基于需要对轨迹的预测以及车辆自身的行驶策略进行更改,以更为符合不同的应用场景,在此不做赘述。
虽然上文描述的过程流程包括以特定顺序出现的多个操作,但是,应当清楚了解,这些过程可以包括更多或更少的操作,这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。
虽然上文描述的过程流程包括以特定顺序出现的多个操作,但是,应当清楚了解,这些过程可以包括更多或更少的操作,这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。
本申请是参照根据本说明书实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书实施例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,本说明书实施例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。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。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说明书实施例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多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。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (11)
1.一种车辆轨迹预测方法,其特征在于,包括:
获取目标车辆的至少两个候选预测轨迹;
采集对应于所述目标车辆的环境信息;所述环境信息用于表示所述目标车辆所处的环境;
结合所述环境信息,计算对应于各个候选预测轨迹的轨迹置信度;所述轨迹置信度用于描述目标车辆在所述环境信息下基于对应的候选预测轨迹行驶的可能性;
根据所述轨迹置信度从所述至少两个候选预测轨迹中选取目标预测轨迹。
2.如权利要求1所述的方法,其特征在于,所述至少两个候选预测轨迹,包括利用一个轨迹预测模型所预测的轨迹,或,利用至少两个轨迹预测模型所预测的轨迹。
3.如权利要求1所述的方法,其特征在于,所述环境信息包括道路信息、交通标识信息、目标车辆状态信息、天气信息中的至少一种。
4.如权利要求1所述的方法,其特征在于,所述结合所述环境信息,计算对应于各个候选预测轨迹的轨迹置信度,包括:
将所述环境信息和候选预测轨迹输入轨迹评估模型,得到分别对应于各个候选预测轨迹的评估分数;所述轨迹评估模型用于确定环境信息与候选预测轨迹之间的匹配程度;
基于所述评估分数计算各个候选预测轨迹的轨迹置信度。
5.如权利要求4所述的方法,其特征在于,所述轨迹评估模型包括输入层、隐藏层和输出层;所述将所述环境信息和候选预测轨迹输入轨迹评估模型,得到分别对应于各个候选预测轨迹的评估分数,包括:
将所述环境信息和候选预测轨迹转换为第一特征向量;
将所述第一特征向量输入所述输入层,以使输入层将所述第一特征向量发送至隐藏层中对应的计算节点;
在隐藏层接收到至少一个第一特征向量后,分别对各个第一特征向量进行矩阵计算得到至少一个第二特征向量;
所述隐藏层综合各个调解特征向量进行激活函数运算得到第三特征向量;
将所述第三特征向量传递至输出层以使所述输出层将所述第三特征向量转化为评估分数。
7.如权利要求1所述的方法,其特征在于,所述根据所述轨迹置信度从所述至少两个候选预测轨迹中选取目标预测轨迹,包括:
选取最大的轨迹置信度所对应的候选预测轨迹作为目标预测轨迹。
8.一种车辆轨迹预测装置,其特征在于,包括:
候选预测轨迹获取模块,用于获取目标车辆的至少两个候选预测轨迹;
环境信息确定模块,用于采集对应于所述目标车辆的环境信息;所述环境信息用于表示所述目标车辆所处的环境;
轨迹置信度计算模块,用于结合所述环境信息,计算对应于各个候选预测轨迹的轨迹置信度;所述轨迹置信度用于描述目标车辆在所述环境信息下基于对应的候选预测轨迹行驶的可能性;
目标预测轨迹选取模块,用于根据所述轨迹置信度从所述至少两个候选预测轨迹中选取目标预测轨迹。
9.一种车辆轨迹预测设备,包括存储器和处理器;
所述存储器,用于存储计算机程序指令;
所述处理器,用于执行所述计算机程序指令以实现以下步骤:获取目标车辆的至少两个候选预测轨迹;采集对应于所述目标车辆的环境信息;所述环境信息用于表示所述目标车辆所处的环境;结合所述环境信息,计算对应于各个候选预测轨迹的轨迹置信度;所述轨迹置信度用于描述目标车辆在所述环境信息下基于对应的候选预测轨迹行驶的可能性;根据所述轨迹置信度从所述至少两个候选预测轨迹中选取目标预测轨迹。
10.一种计算机存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令在被执行时实现如权利要求1-7中任一项所述的方法。
11.一种自动驾驶车辆,其特征在于,所述自动驾驶车辆配置有如权利要求9所述的设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110660601.5A CN113291320A (zh) | 2021-06-15 | 2021-06-15 | 一种车辆轨迹预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110660601.5A CN113291320A (zh) | 2021-06-15 | 2021-06-15 | 一种车辆轨迹预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113291320A true CN113291320A (zh) | 2021-08-24 |
Family
ID=77328183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110660601.5A Pending CN113291320A (zh) | 2021-06-15 | 2021-06-15 | 一种车辆轨迹预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113291320A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114475656A (zh) * | 2022-02-21 | 2022-05-13 | 中国第一汽车股份有限公司 | 行驶轨迹预测方法、装置、电子设备以及存储介质 |
CN114519848A (zh) * | 2022-02-09 | 2022-05-20 | 商汤集团有限公司 | 一种运动意图确定方法、装置、设备及存储介质 |
CN114821542A (zh) * | 2022-06-23 | 2022-07-29 | 小米汽车科技有限公司 | 目标检测方法、装置、车辆及存储介质 |
CN116718197A (zh) * | 2023-08-09 | 2023-09-08 | 腾讯科技(深圳)有限公司 | 轨迹处理方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583151A (zh) * | 2019-02-20 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 车辆的行驶轨迹预测方法及装置 |
US20200089238A1 (en) * | 2018-09-15 | 2020-03-19 | Toyota Research Institute, Inc. | Systems and methods for predicting the trajectory of a road agent external to a vehicle |
US20210004966A1 (en) * | 2019-07-03 | 2021-01-07 | Robert Bosch Gmbh | Method for the Assessment of Possible Trajectories |
CN112347993A (zh) * | 2020-11-30 | 2021-02-09 | 吉林大学 | 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法 |
CN112839855A (zh) * | 2020-12-31 | 2021-05-25 | 华为技术有限公司 | 一种轨迹预测方法与装置 |
-
2021
- 2021-06-15 CN CN202110660601.5A patent/CN113291320A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200089238A1 (en) * | 2018-09-15 | 2020-03-19 | Toyota Research Institute, Inc. | Systems and methods for predicting the trajectory of a road agent external to a vehicle |
CN109583151A (zh) * | 2019-02-20 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 车辆的行驶轨迹预测方法及装置 |
US20210004966A1 (en) * | 2019-07-03 | 2021-01-07 | Robert Bosch Gmbh | Method for the Assessment of Possible Trajectories |
CN112347993A (zh) * | 2020-11-30 | 2021-02-09 | 吉林大学 | 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法 |
CN112839855A (zh) * | 2020-12-31 | 2021-05-25 | 华为技术有限公司 | 一种轨迹预测方法与装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114519848A (zh) * | 2022-02-09 | 2022-05-20 | 商汤集团有限公司 | 一种运动意图确定方法、装置、设备及存储介质 |
WO2023151241A1 (zh) * | 2022-02-09 | 2023-08-17 | 商汤集团有限公司 | 一种运动意图确定方法、装置、设备及存储介质 |
CN114475656A (zh) * | 2022-02-21 | 2022-05-13 | 中国第一汽车股份有限公司 | 行驶轨迹预测方法、装置、电子设备以及存储介质 |
CN114821542A (zh) * | 2022-06-23 | 2022-07-29 | 小米汽车科技有限公司 | 目标检测方法、装置、车辆及存储介质 |
CN116718197A (zh) * | 2023-08-09 | 2023-09-08 | 腾讯科技(深圳)有限公司 | 轨迹处理方法、装置、电子设备及存储介质 |
CN116718197B (zh) * | 2023-08-09 | 2023-10-24 | 腾讯科技(深圳)有限公司 | 轨迹处理方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10976410B1 (en) | Generating data using radar observation model based on machine learning | |
CN113291320A (zh) | 一种车辆轨迹预测方法、装置、设备及存储介质 | |
CN108372857B (zh) | 自主驾驶***的通过事件发生和情节记忆回顾进行有效情景感知 | |
CN110356412B (zh) | 用于自主驾驶的自动规则学习的方法和设备 | |
CN113291321A (zh) | 一种车辆轨迹预测方法、装置、设备及存储介质 | |
JP6418574B2 (ja) | 危険度推定装置、危険度推定方法及び危険度推定用コンピュータプログラム | |
EP4012679A1 (en) | Monitoring system, apparatus of a vehicle, apparatus of a roadside unit, traffic infrastructure system, and methods thereof | |
Kuhn et al. | Introspective black box failure prediction for autonomous driving | |
CN115017742B (zh) | 自动驾驶测试场景生成方法、装置、设备及存储介质 | |
CN110632916B (zh) | 行动预测装置以及自动驾驶装置 | |
US20220383736A1 (en) | Method for estimating coverage of the area of traffic scenarios | |
US20230111354A1 (en) | Method and system for determining a mover model for motion forecasting in autonomous vehicle control | |
KR102025491B1 (ko) | 차량 제동거리 예측을 통한 보강된 전방 추돌 경고 시스템 및 방법 | |
FR3002510A1 (fr) | Procede d'assistance du conducteur dans une manoeuvre d'evitement d'une collision et dispositif pour la mise en oeuvre | |
US11748593B2 (en) | Sensor fusion target prediction device and method for vehicles and vehicle including the device | |
CN112446466A (zh) | 在深度神经网络中测量置信度 | |
JP2012059058A (ja) | 危険推定装置及びプログラム | |
US20230077516A1 (en) | Systems and methods for utilizing machine learning for vehicle detection of adverse conditions | |
CN114734966A (zh) | 基于摄像头和云端实时地图的自动紧急制动***及方法 | |
CN115223144A (zh) | 一种基于云端数据的无人驾驶矿车传感器数据筛选方法及装置 | |
US11745766B2 (en) | Unseen environment classification | |
CN110333517B (zh) | 障碍物感知方法、装置及存储介质 | |
US12043289B2 (en) | Persisting predicted objects for robustness to perception issues in autonomous driving | |
US20230406298A1 (en) | Method for Training and Operating Movement Estimation of Objects | |
US20230054626A1 (en) | Persisting Predicted Objects for Robustness to Perception Issues in Autonomous Driving |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210824 |