CN113879337B - 一种轨迹预测方法、装置、存储介质及电子设备 - Google Patents
一种轨迹预测方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113879337B CN113879337B CN202111280491.6A CN202111280491A CN113879337B CN 113879337 B CN113879337 B CN 113879337B CN 202111280491 A CN202111280491 A CN 202111280491A CN 113879337 B CN113879337 B CN 113879337B
- Authority
- CN
- China
- Prior art keywords
- road
- obstacle
- sub
- target obstacle
- target
- 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 68
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 230000033001 locomotion Effects 0.000 claims abstract description 102
- 238000009826 distribution Methods 0.000 claims description 55
- 230000008859 change Effects 0.000 claims description 24
- 230000007613 environmental effect Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 230000004888 barrier function Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
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
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
-
- 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
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/50—Barriers
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本说明书公开了一种轨迹预测方法、装置、存储介质及电子设备。可用于无人驾驶技术领域。根据所要预测的目标障碍物自身的运动信息以及周围的环境信息,通过道路预测模型来选择出目标障碍物所在的预测子道路,并根据所选择出的预测子道路来预测目标障碍物的运动轨迹。采用上述方法预测运动轨迹时,由于先预测目标障碍物的子道路,也即并不预设目标障碍物始终在同一子道路上平行于道路方向运动,因此,所预测出的运动轨迹还能够描述目标障碍物在垂直于道路方向上的运动,提高了对目标障碍物轨迹预测的精确性。
Description
技术领域
本说明书涉及自动驾驶技术领域,尤其涉及一种轨迹预测方法、装置、存储介质及电子设备。
背景技术
为了避免无人车在以参考轨迹运动时与周围的障碍物发生碰撞,通常要先对障碍物未来的轨迹进行预测,以指导后续参考轨迹的规划。
在现有技术中,会先对障碍物的行驶意图进行判断,判断其是否存在转弯、掉头等行驶意图,然后再根据所判断出的行驶意图来预测轨迹。
对于行驶意图被判断为直行的障碍物,通常会直接生成平行于道路的轨迹作为所预测出的该障碍物的轨迹,但在现实中,障碍物即使在直行的过程中也有可能存在着超车、切入侧面车辆前方等包含横向运动的行为。仅为其生成平行于道路方向的预测轨迹无法描述障碍物的横向运动,导致所预测出的轨迹精确性较差。
发明内容
本说明书提供一种轨迹预测方法、装置、存储介质及电子设备,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种轨迹预测方法,包括:
确定待预测的目标障碍物;
确定平行于所述目标障碍物所在的标准道路并经过所述目标障碍物所在的位置的虚拟道路中心线,并将以所述虚拟道路中心线为道路中心线的虚拟道路划分为若干个虚拟的子道路;
输入所述目标障碍物自身的运动信息以及所述目标障碍物周围的环境信息至预先训练的道路预测模型中,得到所述道路预测模型输出的所述目标障碍物在未来时刻位于各子道路的概率分布,并将所述目标障碍物在未来时刻最大概率所处的子道路作为所述目标障碍物所在的预测子道路;
根据所选择出的所述预测子道路,对所述目标障碍物的运动轨迹进行预测。
可选地,将以所述虚拟道路中心线为道路中心线的虚拟道路划分为若干个虚拟的子道路,具体包括:
将以所述虚拟道路中心线为道路中心线的虚拟道路划分为若干个虚拟的子道路,其中,所划分出的每个虚拟的子道路的道路宽度不大于所述标准道路的道路宽度。
可选地,所述道路预测模型由多层感知机构成,所述道路预测模型包含特征提取层、输入层、至少一个隐藏层,以及分类层;
输入所述目标障碍物自身的运动信息以及所述目标障碍物周围的环境信息至预先训练的道路预测模型中,得到所述道路预测模型输出的所述目标障碍物在未来时刻位于各子道路的概率分布,具体包括:
将所述目标障碍物自身的运动信息以及所述目标障碍物周围的环境信息输入至所述道路预测模型的特征提取层,得到所提取出的所述目标障碍物的目标运动特征;
将所述目标运动特征输入所述道路预测模型的输入层,通过与所述输入层中每个节点相连接的所述道路预测模型的隐藏层中的各节点,将所述目标运动特征传递至所述道路预测模型的分类层,并得到所述分类层输出的所述目标障碍物在未来时刻位于各子道路的概率分布。
可选地,根据所选择出的所述预测子道路,对所述目标障碍物的运动轨迹进行预测,具体包括:
以所述目标障碍物的当前位置为所述目标障碍物的初始位置,并将所预测出的所述预测子道路的道路中心线的横向位置作为所预测出的所述目标障碍物在未来时刻的预测横向位置;
通过预先构建的运动学模型,根据所述目标障碍物的运动信息,拟合出所述目标障碍物自所述初始位置至所述预测横向位置之间的运动轨迹。
可选地,将所述目标障碍物在未来时刻最大概率所处的子道路作为所述目标障碍物所在的预测子道路,具体包括:
确定位于所述目标障碍物周围的其他障碍物;
针对每个其他障碍物,根据所述环境信息中所包括的该其他障碍物的运动信息,确定出所述目标障碍物运动至该其他障碍物所在子车道时,该其他障碍物对所述目标障碍物的换道风险度,作为该其他障碍物对应的换道风险度;
将所对应的换道风险度超过指定的风险度阈值的其他障碍物作为风险障碍物,并将风险障碍物所在子车道作为风险子车道;
将所述目标障碍物在未来时刻最大概率所处的非风险子车道作为所述目标障碍物所在的预测子道路。
可选地,所述目标障碍物为非机动车,所述目标障碍物所在的标准道路为非机动车道。
可选地,预先训练道路预测模型,具体包括:
确定待预测的样本障碍物;
确定平行于所述样本障碍物所在的标准道路并经过所述样本障碍物所在的位置的虚拟道路中心线,并将以所述虚拟道路中心线为道路中心线的虚拟道路划分为若干个虚拟的子道路;
输入所述样本障碍物自身的运动信息以及所述样本障碍物周围的环境信息至待训练的道路预测模型中,得到所述道路预测模型输出的预测子道路;
以所述道路预测模型输出的预测子道路和所述样本障碍物对应的标注子道路之间的差异最小为目标,调整所述道路预测模型中的参数。
可选地,输入所述样本障碍物自身的运动信息以及所述样本障碍物周围的环境信息至待训练的道路预测模型中,得到所述道路预测模型输出的预测子道路,具体包括:
输入所述样本障碍物自身的运动信息以及所述样本障碍物周围的环境信息至待训练的道路预测模型中,得到所述道路预测模型输出所述目标障碍物在未来时刻位于所划分出的各子道路的概率分布,作为该样本障碍物的预测概率分布;
以所述道路预测模型输出的预测子道路和所述样本障碍物对应的标注子道路之间的差异最小为目标,调整所述道路预测模型中的参数,具体包括:
根据所述样本障碍物对应的标注,确定所述样本障碍物在未来时刻位于所划分出的各子道路的概率分布,作为该样本障碍物的标准概率分布;
确定所述样本障碍物的预测概率分布和标准概率分布之间的交叉熵;
以所述样本障碍物的预测概率分布和标准概率分布之间的交叉熵最小为目标,调整所述道路预测模型中的参数。
本说明书提供了一种轨迹预测装置,包括:
障碍物确定模块,用于确定待预测的目标障碍物;
道路划分模块,用于确定平行于所述目标障碍物所在的标准道路并经过所述目标障碍物所在的位置的虚拟道路中心线,并将以所述虚拟道路中心线为道路中心线的虚拟道路划分为若干个虚拟的子道路;
子道路预测模块,用于输入所述目标障碍物自身的运动信息以及所述目标障碍物周围的环境信息至预先训练的道路预测模型中,得到所述道路预测模型输出的所述目标障碍物在未来时刻位于各子道路的概率分布,并将所述目标障碍物在未来时刻最大概率所处的子道路作为所述目标障碍物所在的预测子道路;
轨迹预测模块,用于根据所选择出的所述预测子道路,对所述目标障碍物的运动轨迹进行预测。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述轨迹预测方法。
本说明书提供了一种自动驾驶设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述轨迹预测方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的轨迹预测方法中,根据所要预测的目标障碍物自身的运动信息以及周围的环境信息,通过道路预测模型来选择出目标障碍物所在的预测子道路,并根据所选择出的预测子道路来预测目标障碍物的运动轨迹。采用上述方法预测运动轨迹时,由于先预测目标障碍物的子道路,也即并不预设目标障碍物始终在同一子道路上平行于道路方向运动,因此,所预测出的运动轨迹还能够描述目标障碍物在垂直于道路方向上的运动,提高了对目标障碍物轨迹预测的精确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中一种轨迹预测方法的流程示意图;
图2为本说明书提供的一种子道路的划分方法的示意图;
图3为本说明书提供的模型训练方法的流程示意图;
图4为本说明书提供的一种轨迹预测装置的示意图;
图5为本说明书提供的无人驾驶设备的结构示意图。
具体实施方式
本说明书实施例提供一种轨迹预测方法,根据所要预测的目标障碍物自身的运动信息以及周围的环境信息,通过道路预测模型来选择出目标障碍物的预测子道路,并根据所选择出的预测子道路来预测目标障碍物的运动轨迹。采用上述方法预测运动轨迹时,由于先对目标障碍物的子道路进行预测,也即并不预设目标障碍物在同一子道路上平行于道路方向(纵向方向)运动,因此,所预测出的运动轨迹还能够描述目标障碍物在垂直于道路方向(横向方向)上的运动,提高了对目标障碍物轨迹预测的精确性。
本说明书一实施例中,可以仅对行驶意图为直行的障碍物采用本说明书提供的方法进行轨迹预测。具体地,可以在判定所述目标障碍物的行驶意图为直行之后,执行本说明书所述的轨迹预测方法,即,在执行本说明书所述的轨迹预测方法之前,先判断所述目标障碍物的行驶意图,当所判断出的所述目标障碍物的意图为直行时,再继续执行本说明书所述的轨迹预测方法,否则,可以采用其他方法对目标障碍物的轨迹进行预测。
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例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,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中一种轨迹预测方法的流程示意图,具体包括以下步骤:
S100:确定待预测的目标障碍物。
本说明书所提供的轨迹预测方法,可由无人驾驶设备(以下简称无人车)执行,也可以由能够与无人车进行信息传输,或对无人车进行控制的电子设备执行,例如,笔记本电脑、手机、服务器等,本说明书对此不不作限制,为方便描述,本说明书以无人车为执行主体,示例性地对本说明书提供的轨迹预测方法进行说明。
本说明书中所述的无人车可包括自动驾驶的车辆以及具有辅助驾驶功能的车辆。无人车可以是应用于配送领域的配送车。
本说明书实施例中所提供的轨迹预测方法用以对障碍物的轨迹进行预测。通常认为,位于无人车周围的障碍物存在与无人车碰撞的可能性,因此,可以对无人车周围的障碍物的运动轨迹进行预测,本说明书实施例中,将所要预测运动轨迹的障碍物称作目标障碍物,以下,本说明书示例性以将无人车周围的一个障碍物作为目标障碍物,并对其运动轨迹进行预测为例来说明本说明书实施例提供的轨迹预测方法。其中所述无人车周围,可以指以无人车为中心的指定范围内,所述指定范围可为任一范围,例如无人车周围的20米内等等,本说明书对此不作限制。
S102:确定平行于所述目标障碍物所在的标准道路并经过所述目标障碍物所在的位置的虚拟道路中心线,并将以所述虚拟道路中心线为道路中心线的虚拟道路划分为若干个虚拟的子道路。
本说明实施例中,可以确定出平行于所述目标障碍物所在的标准道路并经过所述目标障碍物所在的位置的虚拟道路中心线,并确定出以所述虚拟道路中心线为道路中心线的虚拟道路,所述虚拟道路的虚拟道路边界线对称分布在所述虚拟道路的虚拟道路中心线的两侧,并且两个虚拟道路中心线在横向上具有指定距离,所述指定距离为所述虚拟道路的虚拟道路宽度。
本说明书实施例中,所述虚拟道路区别于道路规划所规定的标准道路,是采用上述方式所确定出的对路面上的车辆、行人等交通参与者并不具有指导和规范作用的道路,但所述虚拟道路是存在于现实世界中的,而非虚拟场景中的道路。本说明书一实施例中,所述标准道路可以为非机动车道,所述目标障碍物可以为在所述非机动车道上运动的非机动车。
图2中示出了位于标准道路1上的目标障碍物,可以确定出经过所述目标障碍物所在的位置并平行于标准道路方向的虚拟道路中心线,在图2中以点划线示出,作为所确定出的虚拟道路的道路中心线,然后,则可以将所述虚拟道路划分为如图2所示的虚拟的子道路A~子道路C,其中,所述点划线也可以为其中一条子道路的道路中心线,例如可以为图2中子道路B的道路中心线。
本说明书实施例中并不限制如何确定所划分出的所述虚拟道路的道路宽度,也不限制如何在划分所述虚拟道路的虚拟的子道路时,每个子道路的道路宽度,当然,示例性地,所划分出的每个虚拟的子道路可以具有相同的道路宽度。本说明书一实施例中,所划分出的每个虚拟的子道路的道路宽度可以不大于所述标准道路的道路宽度。
以下,本说明书实施例中,将由所述虚拟道路划分出的虚拟的子道路简称为子道路,将平行于目标障碍物所处的标准道路的中心线方向简称为纵向,并将垂直于目标障碍物所处的标准道路的中心线方向简称为横向。
需要说明的是,采用任一方式划分子道路时,所划分出的子道路与所述虚拟道路具有相同的道路中心线方向,也就是说,本说明书实施例中在确定虚拟道路时,即可以将所述虚拟道路在横向上的道路宽度划分为若干个道路子宽度,然后可以将所述虚拟道路划分为若干个道路宽度为道路子宽度的子道路。
需要说明的是,所划分出的各子道路在横向上可以相互重叠也可以各不重叠,本说明书一实施例中,以下以每个子道路在横向上均不与其他子道路重叠,即每个子道路不与其他子道路重叠为例进行说明。
S104:输入所述目标障碍物自身的运动信息以及所述目标障碍物周围的环境信息至预先训练的道路预测模型中,得到所述道路预测模型输出的所述目标障碍物在未来时刻位于各子道路的概率分布,并将所述目标障碍物在未来时刻最大概率所处的子道路作为所述目标障碍物所在的预测子道路。
在本说明书提供的轨迹预测方法中,在进行轨迹预测时需要考虑目标障碍物自身的运动信息和目标障碍物周围的环境信息。
其中,目标障碍物自身的运动信息可以包括目标障碍物自身的状态量数据和控制量数据等,例如,可以包括所述目标障碍物的位置、速度、加速度,速度方向与运动方向之间夹角等,当然,还可以包括目标障碍物与其所处的标准车道的左右边界之间的距离等等,类似的,目标障碍物周围的环境信息可以包括目标障碍物周围的其他障碍物的运动信息,其他障碍物的运动信息可以与上述目标障碍物的运动信息相类似,也可以还其他运动数据,例如,还可以包括其他障碍物与目标障碍物的差别数据,例如速度差、横向距离差、纵向距离差以及运动方向差等等。当然,以上仅为示例,本说明书实施例中并不限制目标障碍物的运动信息中具体包括哪些数据,也不限制目标障碍物周围的环境信息中具体包括哪些数据。
本说明书一实施例中,输入所述道路预测模型中的目标障碍物自身的运动信息可以为所述目标障碍物在历史上各时刻的运动信息,当然,还可以包括所述目标障碍物在当前时刻的运动信息。而输入所述道路预测模型中的所述目标障碍物的环境信息,由于历史上的环境通常不会对目标障碍物未来的运动轨迹产生影响,因此则可以仅考虑并输入当前时刻所述目标障碍物周围的环境信息。
本说明书一实施例中,所述环境信息中可以包括目标障碍物周围的其他障碍物的运动信息,所述其他障碍物可以包括动态障碍物及静态障碍物,其中,动态障碍物指除无人车自身以外的其他交通参与者,包括车辆、行人等;静态障碍物则指一般来说不存在运动可能的障碍物,例如,电线杆,广告牌等。
然后,可以将目标障碍物自身的运动信息以及目标障碍物周围的环境信息至预先训练的道路预测模型中,其中,所述道路预测模型可以由任一现有的机器学习模型构成,例如卷积神经网络(Convolutional Neural Networks,CNN)、多层感知器(MultilayerPerceptron,MLP)等等,本说明书实施例对此不作限制。示例性的,本说明书一实施例中,所述道路预测模型可以由MLP构成。
具体的,所述道路预测模型可以包括特征提取层以及MLP,所述MLP包括输入层、至少一个隐藏层,以及分类层。
所述特征提取层可以从所接收到的所述运动信息和环境信息中提取出所述目标障碍物的目标运动特征,然后,可以将所述目标运动特征输入MLP的输入层,所述输入层与MLP中第一个隐藏层之间为全连接层,因此可以通过与所述输入层中每个节点相连接的所述道路预测模型的第一个隐藏层中的各节点,将所述目标运动特征至所述道路预测模型的分类层,并得到所述分类层输出的所述目标障碍物在未来时刻位于各子道路的概率分布。
本说明书另一实施例中,所述分类层用于输出所述目标障碍物在未来时刻位于各子道路的概率分布,此时,则可以将所述概率分布中目标障碍物在未来时刻最大概率所处的子道路作为所述目标障碍物的预测子道路。本说明书一实施例中,所述分类层可以为任一现有用于分类的机器学习模型,例如可以为全连接层,再例如可以为任一现有的分类器例如softmax函数等等,本说明书实施例对此不作限制。
本说明书一实施例中,所述道路预测模型所输出的预测结果可以即为所述道路预测模型所预测出的目标障碍物在未来时刻所位于的子道路,即预测子道路。
本说明书实施例中,所要预测的运动轨迹为目标障碍物自当前时刻至未来时刻之间的运动轨迹,因此,所预测出的预测子道路即为目标障碍物在未来时刻所位于的子道路。所述未来时刻可以为任一指定时长之后的时刻,例如一秒之后或两秒之后,当然,也可以为其他时长之后的时刻,本说明书对此不作限制。
S106:根据所选择出的所述预测子道路,对所述目标障碍物的运动轨迹进行预测。
本说明书实施例中,所选择出的预测子道路即为所预测出的目标障碍物在未来时刻位于的子道路。
因此,在得到所述预测子道路时,能够确定目标障碍物在未来时刻位于该预测子道路所占据的道路区域内,并预测出目标障碍物运动至所述预测子道路的运动轨迹。
本说明书一实施例中,可以根据目标障碍物当前的位置、运动信息,以及所预测出的预测子道路所占据的道路区域来预测出所述目标障碍物自当前所在位置运动至所述预测子道路的预测轨迹。
基于图1所示的轨迹预测方法,根据所要预测的目标障碍物自身的运动信息以及周围的环境信息,通过道路预测模型来选择出目标障碍物的预测子道路,并根据所选择出的预测子道路来预测目标障碍物的运动轨迹。采用上述方法预测运动轨迹时,由于先对目标障碍物的子道路进行预测,也即并不预设目标障碍物始终平行于纵向方向运动,因此,所预测出的运动轨迹还能够描述目标障碍物在横向方向上的运动,提高了对目标障碍物轨迹预测的精确性。
本说明书一实施例中,在选择出所述目标障碍物的预测子道路后,可将所选择出的所述预测子道路的道路中心线的横向位置作为所述目标障碍物的预测横向位置,所述预测横向位置即所预测出的所述目标障碍物在未来时刻的位置。
本说明书一实施例中,预先构建有用于对目标障碍物运动进行描述的运动学模型,具体的,所述障碍物运动模型可以为以所述目标障碍物的运动信息作为参数的函数组,所述障碍物运动模型中至少包括待拟合的运动轨迹函数。然后,可以将所述障碍物的运动信息代入所述障碍物运动模型中,并求解出所述运动轨迹函数。
本说明书一实施例中,所述障碍物运动模型中的参数至少包括所述目标障碍物的预测横向位置。
目标障碍物周围包括位于所划分出的各子车道上的其他障碍物。
本说明书一实施例中,可以将位于所划分出的子车道上的所有目标障碍物以外的障碍物均作为所述其他障碍物,还可以将位于子车道上,并位于所述目标障碍物周围的障碍物作为其他障碍物,而由于通常目标障碍物运动时仅会对其前方障碍物进行考虑,因此,还可以将位于子车道上,并在子车道的纵向方向上位于所述目标障碍物的前方的障碍物作为其他障碍物,此外,还可以根据标准道路,将与目标障碍物处于同一标准道路上的障碍物作为其他障碍物,可以看出,可以采用任一方式设定出目标障碍物周围的其他障碍物,本说明书实施例在此不作赘述。
需要说明的是,可以仅从位于所划分出的子车道上的障碍物中选择其他障碍物。
然后,可以针对每个其他障碍物,根据所述环境信息中所包括的该其他障碍物的运动信息,确定出所述目标障碍物运动至该其他障碍物所在子车道时,该其他障碍物对所述目标障碍物的换道风险度,作为该其他障碍物对应的换道风险度。
举例而言,当一个其他障碍物与目标障碍物同向运动,此时若该其他障碍物与目标障碍物的纵向速度差较小,并且在纵向上的距离较近,则可以认为所述目标障碍物运动至该其他障碍物所在子车道的换道风险度较大,也就是说,目标障碍物运动至该其他障碍物所在的子车道时,与该其他障碍物相碰撞的概率较大。
再例如,对于目标障碍物前方静止的其他障碍物来说,也可以认为所述目标障碍物运动至该其他障碍物所在子车道时,该其他障碍物对所述目标障碍物的换道风险度较大。反过来说,对于位于目标障碍物前方,并且纵向速度远大于所述目标障碍物的其他障碍物来说,目标障碍物换道至该其他障碍物所在的子道路时,与该其他障碍物碰撞的概率较小,则可以认为目标障碍物运动至该其他障碍物所在子车道时,该其他障碍物对所述目标障碍物的换道风险度较小。
本说明书一实施例中,针对每个在纵向上位于所述目标障碍物前方的各其他障碍物,该其他障碍物的纵向速度越小,所确定出的该其他障碍物对应的换道风险度可以越大。而相应的,针对在纵向上位于所述目标障碍物后方的每个其他障碍物,该其他障碍物的纵向速度越大,所确定出的该其他障碍物对应的换道风险度可以越大。当然,也可以在确定换道风险度时并不对目标障碍物纵向后方的其他障碍物进行考虑。
然后,将所对应的换道风险度超过指定的风险度阈值的其他障碍物作为风险障碍物,并将风险障碍物所在子车道作为风险子车道,并从各非风险子道路中选择出所述目标障碍物的预测子道路,此时,若不对目标障碍物纵向后方的其他障碍物进行考虑,则目标障碍物纵向后方的其他障碍物均为非风险障碍物。
本说明书一实施例中,当所述道路预测模型所输出的是目标障碍物在未来时刻位于各子道路的概率分布时,可以将非风险子道路中所述概率分布中目标障碍物在未来时刻最大概率所处的子道路作为所述目标障碍物的预测子道路。
当然,由于非风险子道路上可能有若干个其他障碍物,还可以针对每个非风险子道路,根据该非风险子道路上的各其他障碍物的换道风险度确定出该非风险子道路的换道风险度,并根据各非风险子道路的换道风险度以及所述道路预测模型所输出的目标障碍物在未来时刻位于各子道路的概率分布从各非风险子道路中选择出所述目标障碍物的预测子道路。
以上为本说明实施例提供的轨迹预测方法,为了提高其中道路预测模型所输出的预测结果的准确性,以下,本说明书实施例还提供了一种模型训练方法,用于对上述任一轨迹预测方法中所采用的道路预测模型进行训练。图3为本说明书实施例提供的训练道路预测模型的流程示意图,包括:
S300:确定待预测的样本障碍物。
通常来讲,样本障碍物为预先收集到的历史上的真实障碍物,对应的,针对每个样本障碍物,还需要收集其在历史上的真实轨迹,作为该样本障碍物对应的标注。
S302:确定平行于所述样本障碍物所在的标准道路并经过所述样本障碍物所在的位置的虚拟道路中心线,并将以所述虚拟道路中心线为道路中心线的虚拟道路划分为若干个虚拟的子道路。
在划分出各子道路之后,可以根据所述样本障碍物的标注,即样本障碍物的真实轨迹,确定出样本障碍物的真实轨迹在未来时刻所位于的子道路,作为该样本障碍物的标注子道路。
S304:输入所述样本障碍物自身的运动信息以及所述样本障碍物周围的环境信息至待训练的道路预测模型中,得到所述道路预测模型输出的预测子道路。
S306:以所述道路预测模型输出的预测子道路和所述样本障碍物对应的标注子道路之间的差异最小为目标,调整所述道路预测模型中的参数。
即以道路预测模型输出的预测子道路以及样本障碍物的标注子道路之间的差异最小为目标,调整所述道路预测模型中的参数。
通常来说,在训练阶段往往会以多个障碍物作为样本障碍物,并在通过上述任一方式得到各样本障碍物的预测子道路和标注子道路之后,以各样本障碍物的预测子道路和标注子道路之间的差异之和最小为目标,调整所述道路预测模型中的参数。
此外,当所述道路预测模型输出的是所述目标障碍物在未来时刻位于所划分出的各子道路的概率分布时,还可以采用交叉熵最小的方式来训练所述道路预测模型。
具体的,可以根据所述样本障碍物对应的标注,确定所述样本障碍物在未来时刻位于所划分出的各子道路的概率分布,作为该样本障碍物的标准概率分布,然后,确定所述样本障碍物的预测概率分布和标准概率分布之间的交叉熵,最后,以所述样本障碍物的预测概率分布和标准概率分布之间的交叉熵最小为目标,调整所述道路预测模型中的参数
其中,本说明书实施例示例一种根据样本障碍物对应的标注确定样本障碍物的标准概率分布的方法,如图2所示,当所收集到的样本障碍物的历史轨迹标识,所述样本障碍物在未来时刻运动至子道路C时,子道路C即为该样本障碍物的标注子道路,此时该样本障碍物的标准概率分布可以即为(0,0,1)。
以上为本说明书的一个或多个实施例提供的轨迹预测方法,基于同样的思路,本说明书还提供了相应的轨迹预测装置,如图4所示。
图4为本说明书提供的一种轨迹预测装置示意图,该装置包括:
障碍物确定模块400,用于确定待预测的目标障碍物;
道路划分模块402,用于确定平行于所述目标障碍物所在的标准道路并经过所述目标障碍物所在的位置的虚拟道路中心线,并将以所述虚拟道路中心线为道路中心线的虚拟道路划分为若干个虚拟的子道路;
子道路预测模块404,用于输入所述目标障碍物自身的运动信息以及所述目标障碍物周围的环境信息至预先训练的道路预测模型中,得到所述道路预测模型输出的所述目标障碍物在未来时刻位于各子道路的概率分布,并将所述目标障碍物在未来时刻最大概率所处的子道路作为所述目标障碍物所在的预测子道路;
轨迹预测模块406,用于根据所选择出的所述预测子道路,对所述目标障碍物的运动轨迹进行预测。
可选地,所述道路划分模块402具体用于,将以所述虚拟道路中心线为道路中心线的虚拟道路划分为若干个虚拟的子道路,其中,所划分出的每个虚拟的子道路的道路宽度不大于所述标准道路的道路宽度。
可选地,所述道路预测模型由多层感知机构成,所述道路预测模型包含特征提取层、输入层、至少一个隐藏层,以及分类层;所述子道路预测模块404具体用于,将所述目标障碍物自身的运动信息以及所述目标障碍物周围的环境信息输入至所述道路预测模型的特征提取层,得到所提取出的所述目标障碍物的目标运动特征;将所述目标运动特征输入所述道路预测模型的输入层,通过与所述输入层中每个节点相连接的所述道路预测模型的隐藏层中的各节点,将所述目标运动特征传递至所述道路预测模型的分类层,并得到所述分类层输出的所述目标障碍物在未来时刻位于各子道路的概率分布。
可选地,所述轨迹预测模块406具体用于,以所述目标障碍物的当前位置为所述目标障碍物的初始位置,并将所预测出的所述预测子道路的道路中心线的横向位置作为所预测出的所述目标障碍物在未来时刻的预测横向位置;通过预先构建的运动学模型,根据所述目标障碍物的运动信息,拟合出所述目标障碍物自所述初始位置至所述预测横向位置之间的运动轨迹。
可选地,所述子道路预测模块404具体用于,确定位于所述目标障碍物周围的其他障碍物;针对每个其他障碍物,根据所述环境信息中所包括的该其他障碍物的运动信息,确定出所述目标障碍物运动至该其他障碍物所在子车道时,该其他障碍物对所述目标障碍物的换道风险度,作为该其他障碍物对应的换道风险度;将所对应的换道风险度超过指定的风险度阈值的其他障碍物作为风险障碍物,并将风险障碍物所在子车道作为风险子车道;将所述目标障碍物在未来时刻最大概率所处的非风险子车道作为所述目标障碍物所在的预测子道路。
可选地,所述目标障碍物为非机动车,所述目标障碍物所在的标准道路为非机动车道
可选地,所述轨迹预测装置还包括模型训练模块408,所述模型训练模块408具体用于,确定待预测的样本障碍物;确定平行于所述样本障碍物所在的标准道路并经过所述样本障碍物所在的位置的虚拟道路中心线,并将以所述虚拟道路中心线为道路中心线的虚拟道路划分为若干个虚拟的子道路;输入所述样本障碍物自身的运动信息以及所述样本障碍物周围的环境信息至待训练的道路预测模型中,得到所述道路预测模型输出的预测子道路;以所述道路预测模型输出的预测子道路和所述样本障碍物对应的标注子道路之间的差异最小为目标,调整所述道路预测模型中的参数。
可选地,所述模型训练模块408具体用于,输入所述样本障碍物自身的运动信息以及所述样本障碍物周围的环境信息至待训练的道路预测模型中,得到所述道路预测模型输出所述目标障碍物在未来时刻位于所划分出的各子道路的概率分布,作为该样本障碍物的预测概率分布;根据所述样本障碍物对应的标注,确定所述样本障碍物在未来时刻位于所划分出的各子道路的概率分布,作为该样本障碍物的标准概率分布;确定所述样本障碍物的预测概率分布和标准概率分布之间的交叉熵;以所述样本障碍物的预测概率分布和标准概率分布之间的交叉熵最小为目标,调整所述道路预测模型中的参数。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述轨迹预测方法。
本说明书还提供了图5所示的无人驾驶设备的结构示意图。如图5所示,在硬件层面,该无人驾驶设备包括处理器、内部总线、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述轨迹预测方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制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 Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
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,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。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (8)
1.一种轨迹预测方法,其特征在于,包括:
确定待预测的目标障碍物;
确定平行于所述目标障碍物所在的标准道路并经过所述目标障碍物所在的位置的虚拟道路中心线,并将以所述虚拟道路中心线为道路中心线的虚拟道路划分为若干个虚拟的子道路;
输入所述目标障碍物自身的运动信息以及所述目标障碍物周围的环境信息至预先训练的道路预测模型中,得到所述道路预测模型输出的所述目标障碍物在未来时刻位于各子道路的概率分布,并将所述目标障碍物在未来时刻最大概率所处的子道路作为所述目标障碍物所在的预测子道路;
根据所选择出的所述预测子道路,对所述目标障碍物的运动轨迹进行预测;
其中,预先训练道路预测模型,具体包括:
确定待预测的样本障碍物;
确定平行于所述样本障碍物所在的标准道路并经过所述样本障碍物所在的位置的虚拟道路中心线,并将以所述虚拟道路中心线为道路中心线的虚拟道路划分为若干个虚拟的子道路;
输入所述样本障碍物自身的运动信息以及所述样本障碍物周围的环境信息至待训练的道路预测模型中,得到所述道路预测模型输出的预测子道路;
以所述道路预测模型输出的预测子道路和所述样本障碍物对应的标注子道路之间的差异最小为目标,调整所述道路预测模型中的参数;
其中,输入所述样本障碍物自身的运动信息以及所述样本障碍物周围的环境信息至待训练的道路预测模型中,得到所述道路预测模型输出的预测子道路,具体包括:
输入所述样本障碍物自身的运动信息以及所述样本障碍物周围的环境信息至待训练的道路预测模型中,得到所述道路预测模型输出所述目标障碍物在未来时刻位于所划分出的各子道路的概率分布,作为该样本障碍物的预测概率分布;
以所述道路预测模型输出的预测子道路和所述样本障碍物对应的标注子道路之间的差异最小为目标,调整所述道路预测模型中的参数,具体包括:
根据所述样本障碍物对应的标注,确定所述样本障碍物在未来时刻位于所划分出的各子道路的概率分布,作为该样本障碍物的标准概率分布;
确定所述样本障碍物的预测概率分布和标准概率分布之间的交叉熵;
以所述样本障碍物的预测概率分布和标准概率分布之间的交叉熵最小为目标,调整所述道路预测模型中的参数。
2.如权利要求1所述的方法,其特征在于,将以所述虚拟道路中心线为道路中心线的虚拟道路划分为若干个虚拟的子道路,具体包括:
将以所述虚拟道路中心线为道路中心线的虚拟道路划分为若干个虚拟的子道路,其中,所划分出的每个虚拟的子道路的道路宽度不大于所述标准道路的道路宽度。
3.如权利要求1所述的方法,其特征在于,所述道路预测模型由多层感知机构成,所述道路预测模型包含特征提取层、输入层、至少一个隐藏层,以及分类层;
输入所述目标障碍物自身的运动信息以及所述目标障碍物周围的环境信息至预先训练的道路预测模型中,得到所述道路预测模型输出的所述目标障碍物在未来时刻位于各子道路的概率分布,具体包括:
将所述目标障碍物自身的运动信息以及所述目标障碍物周围的环境信息输入至所述道路预测模型的特征提取层,得到所提取出的所述目标障碍物的目标运动特征;
将所述目标运动特征输入所述道路预测模型的输入层,通过与所述输入层中每个节点相连接的所述道路预测模型的隐藏层中的各节点,将所述目标运动特征传递至所述道路预测模型的分类层,并得到所述分类层输出的所述目标障碍物在未来时刻位于各子道路的概率分布。
4.如权利要求1所述的方法,其特征在于,根据所选择出的所述预测子道路,对所述目标障碍物的运动轨迹进行预测,具体包括:
以所述目标障碍物的当前位置为所述目标障碍物的初始位置,并将所预测出的所述预测子道路的道路中心线的横向位置作为所预测出的所述目标障碍物在未来时刻的预测横向位置;
通过预先构建的运动学模型,根据所述目标障碍物的运动信息,拟合出所述目标障碍物自所述初始位置至所述预测横向位置之间的运动轨迹。
5.如权利要求1所述的方法,其特征在于,将所述目标障碍物在未来时刻最大概率所处的子道路作为所述目标障碍物所在的预测子道路,具体包括:
确定位于所述目标障碍物周围的其他障碍物;
针对每个其他障碍物,根据所述环境信息中所包括的该其他障碍物的运动信息,确定出所述目标障碍物运动至该其他障碍物所在子车道时,该其他障碍物对所述目标障碍物的换道风险度,作为该其他障碍物对应的换道风险度;
将所对应的换道风险度超过指定的风险度阈值的其他障碍物作为风险障碍物,并将风险障碍物所在子车道作为风险子车道;
将所述目标障碍物在未来时刻最大概率所处的非风险子车道作为所述目标障碍物所在的预测子道路。
6.如权利要求1所述的方法,其特征在于,所述目标障碍物为非机动车,所述目标障碍物所在的标准道路为非机动车道。
7.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~6任一项所述的方法。
8.一种无人驾驶设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111280491.6A CN113879337B (zh) | 2021-10-29 | 2021-10-29 | 一种轨迹预测方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111280491.6A CN113879337B (zh) | 2021-10-29 | 2021-10-29 | 一种轨迹预测方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113879337A CN113879337A (zh) | 2022-01-04 |
CN113879337B true CN113879337B (zh) | 2024-06-25 |
Family
ID=79014795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111280491.6A Active CN113879337B (zh) | 2021-10-29 | 2021-10-29 | 一种轨迹预测方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113879337B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111114543A (zh) * | 2020-03-26 | 2020-05-08 | 北京三快在线科技有限公司 | 一种轨迹预测方法及装置 |
CN112364997A (zh) * | 2020-12-08 | 2021-02-12 | 北京三快在线科技有限公司 | 一种障碍物的轨迹预测方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10228693B2 (en) * | 2017-01-13 | 2019-03-12 | Ford Global Technologies, Llc | Generating simulated sensor data for training and validation of detection models |
CN109885066B (zh) * | 2019-03-26 | 2021-08-24 | 北京经纬恒润科技股份有限公司 | 一种运动轨迹预测方法及装置 |
CN110081894B (zh) * | 2019-04-25 | 2023-05-12 | 同济大学 | 一种基于道路结构权值融合的无人车轨迹实时规划方法 |
CN111091591B (zh) * | 2019-12-23 | 2023-09-26 | 阿波罗智联(北京)科技有限公司 | 一种碰撞检测方法、装置、电子设备及存储介质 |
CN113537258B (zh) * | 2020-04-16 | 2024-04-05 | 北京京东乾石科技有限公司 | 行动轨迹预测方法、装置、计算机可读介质及电子设备 |
-
2021
- 2021-10-29 CN CN202111280491.6A patent/CN113879337B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111114543A (zh) * | 2020-03-26 | 2020-05-08 | 北京三快在线科技有限公司 | 一种轨迹预测方法及装置 |
CN112364997A (zh) * | 2020-12-08 | 2021-02-12 | 北京三快在线科技有限公司 | 一种障碍物的轨迹预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113879337A (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112364997B (zh) | 一种障碍物的轨迹预测方法及装置 | |
US10678248B2 (en) | Fast trajectory planning via maneuver pattern selection | |
US10739774B2 (en) | Keyframe based autonomous vehicle operation | |
CN111190427B (zh) | 一种轨迹规划的方法及装置 | |
CN111114543B (zh) | 一种轨迹预测方法及装置 | |
JP2022516382A (ja) | 自律型車両の計画および予測 | |
CN112034834A (zh) | 使用强化学习来加速自动驾驶车辆的轨迹规划的离线代理 | |
CN113128326A (zh) | 具有语义地图和lstm的车辆轨迹预测模型 | |
CN112034833A (zh) | 规划用于自动驾驶车辆的开放空间轨迹的在线代理 | |
CN112306059B (zh) | 一种控制模型的训练方法、控制方法以及装置 | |
CN113341941B (zh) | 一种无人驾驶设备的控制方法及装置 | |
CN111238523B (zh) | 一种运动轨迹的预测方法及装置 | |
CN112629550B (zh) | 一种预测障碍物轨迹以及模型训练的方法及装置 | |
CN112348293A (zh) | 一种障碍物的轨迹预测方法及装置 | |
CN111948938A (zh) | 规划用于自动驾驶车辆的开放空间轨迹的松弛优化模型 | |
US20210200221A1 (en) | Resource prioritization based on travel path relevance | |
CN113296541B (zh) | 一种基于未来碰撞风险的无人设备控制方法及装置 | |
CN113110526B (zh) | 一种模型训练的方法、无人驾驶设备的控制方法及装置 | |
CN116045998A (zh) | 使用动态步长搜索用于自主驾驶车辆的环境感知路径规划 | |
CN110942181A (zh) | 一种障碍物轨迹预测的方法及装置 | |
CN113968243B (zh) | 一种障碍物轨迹预测方法、装置、设备及存储介质 | |
CN112677993A (zh) | 一种模型训练的方法及装置 | |
CN112947495B (zh) | 模型训练的方法、无人驾驶设备的控制方法以及装置 | |
CN113033527A (zh) | 一种场景识别方法、装置、存储介质及无人设备 | |
CN111123957B (zh) | 一种轨迹规划的方法及装置 |
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 |