CN113650616A - 一种基于采集数据的车辆行为预测方法及*** - Google Patents

一种基于采集数据的车辆行为预测方法及*** Download PDF

Info

Publication number
CN113650616A
CN113650616A CN202110822812.4A CN202110822812A CN113650616A CN 113650616 A CN113650616 A CN 113650616A CN 202110822812 A CN202110822812 A CN 202110822812A CN 113650616 A CN113650616 A CN 113650616A
Authority
CN
China
Prior art keywords
vehicle
target vehicle
target
data
vehicles
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
Application number
CN202110822812.4A
Other languages
English (en)
Other versions
CN113650616B (zh
Inventor
程德心
周风明
郝江波
余洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Kotei Informatics Co Ltd
Original Assignee
Wuhan Kotei Informatics Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Kotei Informatics Co Ltd filed Critical Wuhan Kotei Informatics Co Ltd
Priority to CN202110822812.4A priority Critical patent/CN113650616B/zh
Publication of CN113650616A publication Critical patent/CN113650616A/zh
Application granted granted Critical
Publication of CN113650616B publication Critical patent/CN113650616B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • 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
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Human Computer Interaction (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于采集数据的车辆行为预测方法及***，其方法包括：获取自身车辆采集到的前向车辆数据和后向车辆数据；从当前车辆采集到的前向车辆数据中，提取目标车辆当前的位置和速度；根据自身车辆采集到的后向车辆的历史数据，确定目标车辆的初始位置和初始时间；根据目标车辆当前的位置和速度，以及目标车辆的初始位置和初始时间，预测目标车辆被自身车辆发现前的运动轨迹。本发明通过自身车辆采集到的车辆数据和历史数据进行比对，结合运动学模型实现了对超出传感器测量范围的车辆的行为预测。

Description

一种基于采集数据的车辆行为预测方法及***
技术领域
本发明属于车辆自动驾驶与测量技术领域，具体涉及一种基于采集数据的车辆行为预测方法及***。
背景技术
在提取车辆采集数据的某个场景时，会发现传感器存在测量盲区：即当目标超出传感器的识别范围后，传感器是无法识别该目标(包括车辆)的相关信息的，只有当车辆进入传感器的范围内才能获取到该车辆或者其他对象的信息。由此，当上述采集的数据导入的场景还原或虚拟场景仿真时，会导致一部分车辆或其他目标闪现。
发明内容
为解决背景技术中提到的闪现车辆的历史轨迹无法预测的问题，在本发明的第一方面提供了一种基于采集数据的车辆行为预测方法，包括：获取自身车辆采集到的前向车辆数据和后向车辆数据；从当前车辆采集到的前向车辆数据中，提取目标车辆当前的位置和速度；根据自身车辆采集到的后向车辆的历史数据，确定目标车辆的初始位置和初始时间；根据目标车辆当前的位置和速度，以及目标车辆的初始位置和初始时间，预测目标车辆被自身车辆发现前的运动轨迹。
在一些实施例中，所述根据自身车辆采集到的后向车辆的历史数据，确定目标车辆的初始位置和初始时间包括如下步骤：识别当前前向车辆数据中的一个或多个目标车辆，将其记为第一类目标车辆；根据设时间间隔或自身车辆的预设位移，从自身车辆采集到的后向车辆的历史数据中，筛选出现次数低于阈值的第一类目标车辆，并将其记为第二类目标车辆；根据自身车辆距离传感器的精度和量程，确定所述第二类目标车辆的初始位置和初始时间。
在一些实施例中，所述根据目标车辆当前的位置和速度，以及目标车辆的初始位置和初始时间，预测目标车辆被自身车辆发现前的运动轨迹包括如下步骤：获取目标车辆当前的位置和速度，以及目标车辆的初始位置和初始时间；根据车辆运动学模型预测目标车辆从初始位置到被自身车辆发现前的运动轨迹。
进一步的，所述车辆运动学模型至少包括恒定速度模型、恒定加速度模型、恒定转弯和恒定速度模型中的一种。
在上述实施例中，还包括：若所述目标车辆被自身车辆发现前的运动轨迹与其他车辆轨迹发生重合，则重新预测；否则，将所述目标车辆被自身车辆发现前的运动轨迹导入到仿真场景中。
本发明的第二方面，提供了一种车辆仿真场景的优化方法，包括本发明第一方面提供的基于采集数据的车辆行为预测方法。
本发明的第三方面，提供了一种基于采集数据的车辆行为预测***，包括获取模块、提取模块、确定模块、预测模块，所述获取模块，用于获取自身车辆采集到的前向车辆数据和后向车辆数据；所述提取模块，用于从当前车辆采集到的前向车辆数据中，提取目标车辆当前的位置和速度；所述确定模块，用于根据自身车辆采集到的后向车辆的历史数据，确定目标车辆的初始位置和初始时间；所述预测模块，用于根据目标车辆当前的位置和速度，以及目标车辆的初始位置和初始时间，预测目标车辆被自身车辆发现前的运动轨迹。
进一步的，所述确定模块包括识别单元、筛选单元、确定单元，所述识别单元，用于识别当前前向车辆数据中的一个或多个目标车辆，将其记为第一类目标车辆；所述筛选单元，用于根据设时间间隔或自身车辆的预设位移，从自身车辆采集到的后向车辆的历史数据中，筛选出现次数低于阈值的第一类目标车辆，并将其记为第二类目标车辆；所述确定单元，用于根据自身车辆距离传感器的精度和量程，确定所述第二类目标车辆的初始位置和初始时间。
本发明的第四方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明第一方面提供的基于采集数据的车辆行为预测方法。
本发明的第五方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明第一方面提供的基于采集数据的车辆行为预测方法。
本发明的有益效果是：
1.本发明可对超出传感器范围的车辆行为，以及对突然出现的未识别到的对象行为进行预测；
2.本发明通过自身车辆采集到的车辆数据和历史数据进行比对，结合运动学模型实现了对超出传感器测量范围的车辆行为预测；
3.自动转换仿真场景时会出现车辆闪现出来(极短的时间内由测量盲区内到被发现)的现象，通过本发明提高工的方法后，可以实现车辆在仿真场景消除闪现的现象出现，使仿真场景还原度更高。
附图说明
图1为本发明的一些实施中的基于采集数据的车辆行为预测方法的基本流程示意图；
图2a为本发明的一些实施中的目标车辆超出自身车辆的测量范围的状态示意图；
图2b为本发明的一些实施中的目标车辆被自身车辆发现的状态示意图；
图3为本发明的一些实施中的车辆仿真场景的优化方法；
图4为本发明的一些实施中的基于采集数据的车辆行为预测***的结构示意图；
图5为本发明的一些实施中的电子设备的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
参考图1，在本发明的第一方面提供了一种基于采集数据的车辆行为预测方法，包括：S100.获取自身车辆采集到的前向车辆数据和后向车辆数据；S200.从当前车辆采集到的前向车辆数据中，提取目标车辆当前的位置和速度；S300.根据自身车辆采集到的后向车辆的历史数据，确定目标车辆的初始位置和初始时间；S400.根据目标车辆当前的位置和速度，以及目标车辆的初始位置和初始时间，预测目标车辆被自身车辆发现前的运动轨迹。
可以理解，初始位置和初始时间是指在自身车辆进行场景切换或运动状态发生改变(例如变道、加速或减速)时，目标车辆首次被自身车辆的后向传感器发现的时间(时刻)。受制于自身车辆的传感器数量和测量范围的不同，本发明提供的预测方法可用于一个自身车辆对一个或多个目标车辆的同时预测。
参考图2a和2b，在一些实施例中的步骤S300中，所述根据自身车辆采集到的后向车辆的历史数据，确定目标车辆的初始位置和初始时间包括如下步骤：识别当前前向车辆数据中的一个或多个目标车辆，将其记为第一类目标车辆；根据设时间间隔或自身车辆的预设位移，从自身车辆采集到的后向车辆的历史数据中，筛选出现次数低于阈值的第一类目标车辆，并将其记为第二类目标车辆；根据自身车辆距离传感器的精度和量程，确定所述第二类目标车辆的初始位置和初始时间。
具体地，以一个变道场景中，自身车辆变道完成时(由图2a时的状态到图2a的状态)，才发现前方200米的地方有一个车辆对象，相对该场景已发生5s时间；目标车辆处在自身车辆的测量盲区内5s后，才发现前面200米有一个车辆对象(目标车辆)，该车辆前5S的运动轨迹或状态则无法预知。可以理解，上述场景是以变道为例，但并不影响其他由于自身车辆的运动状态发生改变时的场景也会发生上述现象，例如：转弯、急刹车、突然加速等。
在一些实施例的步骤S400中，所述根据目标车辆当前的位置和速度，以及目标车辆的初始位置和初始时间，预测目标车辆被自身车辆发现前的运动轨迹包括如下步骤：获取目标车辆当前的位置和速度，以及目标车辆的初始位置和初始时间；根据车辆运动学模型预测目标车辆从初始位置到被自身车辆发现前的运动轨迹。
具体地，假定自车的起始位置为(0，0)速度为E＿V，行驶N秒后发现车辆C在前方纵向距离C＿x，横向距离为C＿y，此时车辆C的速度为C＿V，那么0－N秒现在是未知的，车辆在0－N秒之间的行为预测方法为：
纵向位置：((E＿V＊N)+C＿x)－C＿V＊N；横向位置：(0+C＿Y)；通过对比其他车辆的纵向位置及横向位置，确定是否与其他车辆位置发生重合，可通过调整预测车辆的速度和变道行为进行新的预测。例如发现预测车辆时的速度是C＿V，可以通过增加C＿V速度的方式重新预测每秒出现的位置进行对比。
进一步的，所述车辆运动学模型至少包括恒定速度模型(Constant Velocity，CV)、恒定加速度模型(Constant Acceleration，CA)、恒定转弯和恒定速度模型(ConstantTurn Rate and Velocity，CTRV)或恒定曲率和加速度(Constant Curvature andAcceleration，CCA)中的一种。
在上述实施例中，还包括：若所述目标车辆被自身车辆发现前的运动轨迹与其他车辆轨迹发生重合，则重新预测；否则，将所述目标车辆被自身车辆发现前的运动轨迹导入到仿真场景中。
参考图3，在发明的第二方面，提供了一种车辆仿真场景的优化方法，包括第一方面所述的基于采集数据的车辆行为预测方法。具体步骤如下：
步骤1.首先提取采集数据，转换以秒为单位数据；
步骤2.获取到每辆汽车对象的初始出现的时间，及位置，速度；
步骤3.将利用车辆出现的初始时间及初始位置将从后方超车的车辆筛选出来。通过一开始发现时的速度及时间，根据车辆发现时的速度和相对于本场景发现车辆对象的时间推算其运动的距离，计算出该车辆在此场景中每秒的位置及横向距离和纵向距离信息，并和其他的车辆运动行为轨迹做对比，看预测行为的车辆是否会与其他车辆的位置进行重合，如果发现重合，重新进行预测；
步骤4.比对每秒(每帧)车辆对象位置，看是否发生重合，未重合进行第5步，重合进入第4步；
步骤5.场景的转换及仿真，将其数据转换为仿真软件可以使用的格式信息，导入仿真场景中。
实施例2
本发明的第三方面，提供了一种基于采集数据的车辆行为预测***1，包括获取模块11、提取模块12、确定模块13、预测模块14，所述获取模块，11用于获取自身车辆采集到的前向车辆数据和后向车辆数据；所述提取模块12，用于从当前车辆采集到的前向车辆数据中，提取目标车辆当前的位置和速度；所述确定模块13，用于根据自身车辆采集到的后向车辆的历史数据，确定目标车辆的初始位置和初始时间；所述预测模块14，用于根据目标车辆当前的位置和速度，以及目标车辆的初始位置和初始时间，预测目标车辆被自身车辆发现前的运动轨迹。
进一步的，所述确定模块13包括识别单元、筛选单元、确定单元，所述识别单元，用于识别当前前向车辆数据中的一个或多个目标车辆，将其记为第一类目标车辆；所述筛选单元，用于根据设时间间隔或自身车辆的预设位移，从自身车辆采集到的后向车辆的历史数据中，筛选出现次数低于阈值的第一类目标车辆，并将其记为第二类目标车辆；所述确定单元，用于根据自身车辆距离传感器的精度和量程，确定所述第二类目标车辆的初始位置和初始时间。
实施例3
本发明的第四方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明第一方面提供的基于采集数据的车辆行为预测方法。
参考图5，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM502被安装。在该计算机程序被处理装置501执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD－ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于采集数据的车辆行为预测方法，其特征在于，包括：
获取自身车辆采集到的前向车辆数据和后向车辆数据；
从当前车辆采集到的前向车辆数据中，提取目标车辆当前的位置和速度；
根据自身车辆采集到的后向车辆的历史数据，确定目标车辆的初始位置和初始时间；
根据目标车辆当前的位置和速度，以及目标车辆的初始位置和初始时间，预测目标车辆被自身车辆发现前的运动轨迹。
2.根据权利要求1所述的基于采集数据的车辆行为预测方法，其特征在于，所述根据自身车辆采集到的后向车辆的历史数据，确定目标车辆的初始位置和初始时间包括如下步骤：
识别当前前向车辆数据中的一个或多个目标车辆，将其记为第一类目标车辆；
根据设时间间隔或自身车辆的预设位移，从自身车辆采集到的后向车辆的历史数据中，筛选出现次数低于阈值的第一类目标车辆，并将其记为第二类目标车辆；
根据自身车辆距离传感器的精度和量程，确定所述第二类目标车辆的初始位置和初始时间。
3.根据权利要求1所述的基于采集数据的车辆行为预测方法，其特征在于，所述根据目标车辆当前的位置和速度，以及目标车辆的初始位置和初始时间，预测目标车辆被自身车辆发现前的运动轨迹包括如下步骤：
获取目标车辆当前的位置和速度，以及目标车辆的初始位置和初始时间；
根据车辆运动学模型预测目标车辆从初始位置到被自身车辆发现前的运动轨迹。
4.根据权利要求3所述的基于采集数据的车辆行为预测方法，其特征在于，所述车辆运动学模型至少包括恒定速度模型、恒定加速度模型、恒定转弯和恒定速度模型中的一种。
5.根据权利要求1－4中任一项所述的基于采集数据的车辆行为预测方法，其特征在于，还包括：
若所述目标车辆被自身车辆发现前的运动轨迹与其他车辆轨迹发生重合，则重新预测；否则，将所述目标车辆被自身车辆发现前的运动轨迹导入到仿真场景中。
6.一种车辆仿真场景的优化方法，其特征在于，包括权利要求1至5中任一项所述的基于采集数据的车辆行为预测方法。
7.一种基于采集数据的车辆行为预测***，其特征在于，包括获取模块、提取模块、确定模块、预测模块，
所述获取模块，用于获取自身车辆采集到的前向车辆数据和后向车辆数据；
所述提取模块，用于从当前车辆采集到的前向车辆数据中，提取目标车辆当前的位置和速度；
所述确定模块，用于根据自身车辆采集到的后向车辆的历史数据，确定目标车辆的初始位置和初始时间；
所述预测模块，用于根据目标车辆当前的位置和速度，以及目标车辆的初始位置和初始时间，预测目标车辆被自身车辆发现前的运动轨迹。
8.根据权利要求7所述的基于采集数据的车辆行为预测***，其特征在于，所述确定模块包括识别单元、筛选单元、确定单元，
所述识别单元，用于识别当前前向车辆数据中的一个或多个目标车辆，将其记为第一类目标车辆；
所述筛选单元，用于根据设时间间隔或自身车辆的预设位移，从自身车辆采集到的后向车辆的历史数据中，筛选出现次数低于阈值的第一类目标车辆，并将其记为第二类目标车辆；
所述确定单元，用于根据自身车辆距离传感器的精度和量程，确定所述第二类目标车辆的初始位置和初始时间。
9.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至5中任一项所述的基于采集数据的车辆行为预测方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的基于采集数据的车辆行为预测方法。
CN202110822812.4A 2021-07-20 2021-07-20 一种基于采集数据的车辆行为预测方法及*** Active CN113650616B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110822812.4A CN113650616B (zh) 2021-07-20 2021-07-20 一种基于采集数据的车辆行为预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110822812.4A CN113650616B (zh) 2021-07-20 2021-07-20 一种基于采集数据的车辆行为预测方法及***

Publications (2)

Publication Number Publication Date
CN113650616A true CN113650616A (zh) 2021-11-16
CN113650616B CN113650616B (zh) 2022-11-25

Family

ID=78477588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110822812.4A Active CN113650616B (zh) 2021-07-20 2021-07-20 一种基于采集数据的车辆行为预测方法及***

Country Status (1)

Country Link
CN (1) CN113650616B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106585623A (zh) * 2016-12-21 2017-04-26 驭势科技（北京）有限公司 一种用于探测车辆周围目标的探测***以及其应用
KR20180101872A (ko) * 2017-03-06 2018-09-14 지엠 글로벌 테크놀러지 오퍼레이션스 엘엘씨 레이더 센서와 upa 센서를 이용하는 충돌 예측 알고리즘
WO2018224634A1 (fr) * 2017-06-08 2018-12-13 Renault S.A.S Procédé et système d'identification d'au moins un objet en déplacement
CN109215433A (zh) * 2017-07-03 2019-01-15 百度（美国）有限责任公司 用于自动驾驶仿真的基于视觉的驾驶场景生成器
CN110162089A (zh) * 2019-05-30 2019-08-23 北京三快在线科技有限公司 一种无人驾驶的仿真方法及装置
CN110712645A (zh) * 2019-10-18 2020-01-21 北京经纬恒润科技有限公司 一种预测盲区目标车辆相对位置的方法及***
CN111339877A (zh) * 2020-02-19 2020-06-26 北京百度网讯科技有限公司 盲区的长度检测方法、装置、电子设备及存储介质
CN112078592A (zh) * 2019-06-13 2020-12-15 初速度（苏州）科技有限公司 一种车辆行为和/或车辆轨迹的预测方法及装置
CN112389427A (zh) * 2021-01-19 2021-02-23 腾讯科技（深圳）有限公司 车辆轨迹优化方法、装置、电子设备和存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106585623A (zh) * 2016-12-21 2017-04-26 驭势科技（北京）有限公司 一种用于探测车辆周围目标的探测***以及其应用
KR20180101872A (ko) * 2017-03-06 2018-09-14 지엠 글로벌 테크놀러지 오퍼레이션스 엘엘씨 레이더 센서와 upa 센서를 이용하는 충돌 예측 알고리즘
WO2018224634A1 (fr) * 2017-06-08 2018-12-13 Renault S.A.S Procédé et système d'identification d'au moins un objet en déplacement
CN109215433A (zh) * 2017-07-03 2019-01-15 百度（美国）有限责任公司 用于自动驾驶仿真的基于视觉的驾驶场景生成器
CN110162089A (zh) * 2019-05-30 2019-08-23 北京三快在线科技有限公司 一种无人驾驶的仿真方法及装置
CN112078592A (zh) * 2019-06-13 2020-12-15 初速度（苏州）科技有限公司 一种车辆行为和/或车辆轨迹的预测方法及装置
CN110712645A (zh) * 2019-10-18 2020-01-21 北京经纬恒润科技有限公司 一种预测盲区目标车辆相对位置的方法及***
CN111339877A (zh) * 2020-02-19 2020-06-26 北京百度网讯科技有限公司 盲区的长度检测方法、装置、电子设备及存储介质
CN112389427A (zh) * 2021-01-19 2021-02-23 腾讯科技（深圳）有限公司 车辆轨迹优化方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN113650616B (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN111626208B (zh) 用于检测小目标的方法和装置
CN109598066B (zh) 预测模块的效果评估方法、装置、设备和存储介质
US20200209874A1 (en) Combined virtual and real environment for autonomous vehicle planning and control testing
CN113240909B (zh) 车辆监测方法、设备、云控平台和车路协同***
CN110654381B (zh) 用于控制车辆的方法和装置
CN110717918B (zh) 行人检测方法和装置
CN112630799B (zh) 用于输出信息的方法和装置
CN111401255B (zh) 用于识别分歧路口的方法和装置
CN112622923B (zh) 用于控制车辆的方法和装置
CN115366920A (zh) 用于自动驾驶车辆的决策方法及装置、设备和介质
CN114475656B (zh) 行驶轨迹预测方法、装置、电子设备以及存储介质
CN112651535A (zh) 局部路径规划方法、装置、存储介质、电子设备及车辆
CN113119999B (zh) 自动驾驶特征的确定方法、装置、设备、介质及程序产品
CN112849144B (zh) 车辆控制方法、装置及存储介质
CN112558036B (zh) 用于输出信息的方法和装置
CN112528711B (zh) 用于处理信息的方法和装置
CN113650616B (zh) 一种基于采集数据的车辆行为预测方法及***
CN115061386B (zh) 智能驾驶的自动化仿真测试***及相关设备
CN108960160B (zh) 基于非结构化预测模型来预测结构化状态量的方法和装置
CN116088538A (zh) 车辆轨迹信息生成方法、装置、设备和计算机可读介质
WO2022088658A1 (zh) 一种行人穿行意图估计方法、装置、设备和汽车
CN116052457A (zh) 具有缓冲车道的车辆动态出场引导方法
CN112668371B (zh) 用于输出信息的方法和装置
CN116311943B (zh) 交叉路口的平均延误时间的估算方法及装置
US20230025579A1 (en) High-definition mapping

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