CN115320623B - 车辆轨迹预测方法、设备、移动装置和存储介质 - Google Patents
车辆轨迹预测方法、设备、移动装置和存储介质 Download PDFInfo
- Publication number
- CN115320623B CN115320623B CN202211248285.1A CN202211248285A CN115320623B CN 115320623 B CN115320623 B CN 115320623B CN 202211248285 A CN202211248285 A CN 202211248285A CN 115320623 B CN115320623 B CN 115320623B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- cost
- predicted
- determining
- track
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
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
- 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
- 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
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
- B60W2050/0052—Filtering, filters
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供一种车辆轨迹预测方法、设备、移动装置和存储介质。该方法包括:当车辆进入路口时,基于路口的地图信息确定车辆规范行驶的第一层出口候选点和车辆不规范行驶的第二层出口候选点,预测车辆行驶至第一层出口候选点以及第二层出口候选点的多条预测轨迹;基于预置的代价函数确定多条预测轨迹各自的转弯幅度代价;从多条预测轨迹各自的转弯幅度代价中,优先选择数值最低的转弯幅度代价所对应的预测轨迹作为车辆的轨迹预测结果。本发明实施例利用双层出口思路对某些行驶不规范的车辆具有很好的泛化能力,也可以得到对应的轨迹预测结果,同时在自动驾驶过程中结合历史帧的代价滤波能够防止预测轨迹波动频繁,增加自动驾驶的稳定性。
Description
技术领域
本发明涉及自动驾驶领域,尤其涉及一种车辆轨迹预测方法、设备、移动装置和存储介质。
背景技术
随着自动驾驶应用的日益广泛,自动驾驶技术应用到越来越多的领域中,例如搭载自动驾驶***的自动快递配送车、自动洗地车等。整个自动驾驶***主要包括定位-感知-预测-规划等模块,其中预测模块的主要作用是根据感知得到的周边环境障碍物信息进行障碍物未来一段时间的轨迹预测,从而为之后自车的规划模块提供一定的参考。路口场景是预测模块需要解决的一个典型场景,尤其是路口环境中车辆预测轨迹的稳定性与合理性对于自车如何进行决策起着关键的作用。
现有技术在路口环境的轨迹预测,基本上都是在高精地图的基础上对车辆进行预测,结合路口车道信息和历史轨迹点信息生成若干秒后的轨迹。其预测方法有两类:
1、采用一些规则化的方法,利用路口中车路之间的匹配关系、以及一些经验假设建立规则化的方式,从而预测出车辆的未来轨迹。
2、基于深度学习的预测方法,采集大量路口的车辆行驶场景作为训练样本,然后采用深度学习的思路,对神经网络中的参数进行优化调整,从而生成一个网络模型来实现预测轨迹的输出。
在实现本发明过程中,发明人发现相关技术中至少存在如下问题:
1、基于规则的预测方法大多是依赖高精地图和正常的经验假设来设计思路的,因此,对于某些未完全按照车道线来行驶的车辆而言,基于规则的预测方法没有太好的泛化能力。
2、基于深度学习的预测方法前期需要完成大量数据标注与预训练的工作,而且最终的输出轨迹缺乏一定的可解释性。
同时,上述两种方法对前后帧之间的预测轨迹没有一定的相关性检验,对于后端的决策规划模块会产生不利影响。例如,在前一帧预测的车辆轨迹为行驶到A出口,下一帧预测的车辆轨迹为行驶到B出口,这种轨迹的频繁跳变,会导致后端决策层对自车执行完全不同的决策逻辑,最终导致自动驾驶的不稳定。
发明内容
为了至少解决现有技术中车辆不规范行驶未完全按照车道线的情况下,预测方法没有太好的泛化能力,且得到的预测轨迹会频繁跳变使得自动驾驶不稳定的问题。
第一方面,本发明实施例提供一种车辆轨迹预测方法,包括:
当车辆进入路口时,基于所述路口的地图信息确定所述车辆规范行驶的第一层出口候选点,基于所述第一层出口候选点建立所述车辆不规范行驶的第二层出口候选点,预测所述车辆行驶至所述第一层出口候选点以及所述第二层出口候选点的多条预测轨迹;
基于预置的代价函数确定所述多条预测轨迹各自的转弯幅度代价,其中,所述代价函数与所述车辆行驶中的位置变化有关;
从所述多条预测轨迹各自的转弯幅度代价中,优先选择数值最低的转弯幅度代价所对应的预测轨迹作为所述车辆的轨迹预测结果。
第二方面,本发明实施例提供一种车辆轨迹预测***,包括:
候选点预测模块,用于当车辆进入路口时,基于所述路口的地图信息确定所述车辆规范行驶的第一层出口候选点,基于所述第一层出口候选点建立所述车辆不规范行驶的第二层出口候选点,预测所述车辆行驶至所述第一层出口候选点以及所述第二层出口候选点的多条预测轨迹;
代价确定模块,用于基于预置的代价函数确定所述多条预测轨迹各自的转弯幅度代价,其中,所述代价函数与所述车辆行驶中的位置变化有关;
轨迹预测模块,用于从所述多条预测轨迹各自的转弯幅度代价中,优先选择数值最低的转弯幅度代价所对应的预测轨迹作为所述车辆的轨迹预测结果。
第三方面,提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例的车辆轨迹预测方法的步骤。
第四方面,本发明实施例提供一种移动装置,包括本体和所述本体上安装的本发明任一实施例所述的电子设备。
第五方面,本发明实施例提供一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现本发明任一实施例的车辆轨迹预测方法的步骤。
第六方面,本发明实施例还提供一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行本发明实施例中任意一项所述的车辆轨迹预测方法。
本发明实施例的有益效果在于:利用双层出口思路对某些行驶不规范的车辆具有很好的泛化能力,也可以得到对应的轨迹预测结果,同时在自动驾驶过程中结合历史帧的代价滤波能够防止预测轨迹波动频繁,增加自动驾驶的稳定性。
附图说明
为了更清楚地说明本发明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一简单的介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明一实施例提供的一种车辆轨迹预测方法的流程图;
图2是本发明一实施例提供的一种车辆轨迹预测方法的路口地图环境示意图;
图3是本发明一实施例提供的一种车辆轨迹预测方法的出口候选点示意图;
图4是本发明一实施例提供的一种车辆轨迹预测方法的各候选点的预测轨迹示意图;
图5是本发明一实施例提供的一种车辆轨迹预测方法的路口出口分类示意图;
图6是本发明一实施例提供的一种车辆轨迹预测方法的曲率变化度示意图;
图7是本发明一实施例提供的一种车辆轨迹预测方法的角度变化度示意图;
图8是本发明一实施例提供的一种车辆轨迹预测方法的距离变化度示意图;
图9是本发明一实施例提供的一种车辆轨迹预测执行设备的结构示意图;
图10为本发明一实施例提供的一种车辆轨迹预测的电子设备的实施例的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本领域技术人员知道,本申请的实施方式可以实现为一种***、装置、设备、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
为了便于理解,以下对本申请涉及的技术术语进行解释:
本申请所称的“移动装置”包括但不限于国际自动机工程师学会(Society ofAutomotive Engineers International,SAE International)或中国国家标准《汽车驾驶自动化分级》制定的L0-L5自动驾驶技术等级的车辆。
在一些实施例中,移动装置可以是具有如下各种功能的车辆设备或机器人设备:
(1)载人功能,如家用轿车、公共汽车等;
(2)载货功能,如普通货车、厢式货车、甩挂车、封闭货车、罐式货车、平板货车、集装厢车、自卸货车、特殊结构货车等;
(3)工具功能,如物流配送车、自动导引运输车AGV、巡逻车、起重机、吊车、挖掘机、推土机、铲车、压路机、装载机、越野工程车、装甲工程车、污水处理车、环卫车、吸尘车、洗地车、洒水车、扫地机器人、送餐机器人、导购机器人、割草机、高尔夫球车等;
(4)娱乐功能,如娱乐车、游乐场自动驾驶装置、平衡车等;
(5)特殊救援功能,如消防车、救护车、电力抢修车、工程抢险车等。
如图1所示为本发明一实施例提供的一种车辆轨迹预测方法的流程图,包括如下步骤:
S11:当车辆进入路口时,基于所述路口的地图信息确定所述车辆规范行驶的第一层出口候选点,基于所述第一层出口候选点建立所述车辆不规范行驶的第二层出口候选点,预测所述车辆行驶至所述第一层出口候选点以及所述第二层出口候选点的多条预测轨迹;
S12:基于预置的代价函数确定所述多条预测轨迹各自的转弯幅度代价,其中,所述代价函数与所述车辆行驶中的位置变化有关;
S13:从所述多条预测轨迹各自的转弯幅度代价中,优先选择数值最低的转弯幅度代价所对应的预测轨迹作为所述车辆的轨迹预测结果。
在本实施方式中,可以将本方法应用于各类型的自动驾驶装置,例如小区内的自动快递配送车、餐厅内的自动配餐车、工业园区内的自动洗地车等自动驾驶车辆。以工业园区的自动洗地车为例,自动洗地车内存储有工业园区的高清地图,可以通过高清地图内存储的数据准确获得工业园区内各路口的环境情况。本方法以确定车辆要行驶到的路口出口为基准进行车辆轨迹预测,如图2所示为路口地图环境。
对于步骤S11,以工业园区的自动洗地车为例(自动驾驶装置也可以为其他装置,在此不做限定)。自动洗地车行驶至图2中的路口时,首先需要确定自动洗地车可能行驶的出口情况,基于已有的高精地图信息中的路口信息得到出口的数目和具***置,作为车辆规范行驶的第一层出口候选点。
但是考虑到真实的路口环境下,自动洗地车并不一定会完全的按照车道线来规范行驶,或者不是以出口点为目标来行驶,而是可能会以出口之后的位置为目标来行驶。为了兼容上述的特殊情况,在已确定第一层出口候选点位置的基础上向外侧偏移一定距离d,其中,距离d的数值是可配置的,进而建立如图3所示的第二层出口候选点。
在计算出双层出口点位置之后,认定第一层出口候选点和第二层出口候选点中所有的候选点为自动洗地车可能会行驶的到达位置,由此便可以使用贝塞尔曲线生成如图4所示的自动洗地车到各个候选点的预测轨迹,也可以使用别的方式,比如dubins曲线、多项式拟合等方法,在此不做限定。
对于步骤S12,在获取到各种可能的预测轨迹之后,接下来便需要对各条轨迹进行转弯幅度代价的计算,最后从中比较选择代价值最低的一条轨迹,考虑到路口是一个潜在危险的场景,在路口的转弯过程中,应尽量减少在路口中的转弯幅度,代价值最低的轨迹也就相当于该轨迹在路口中的行驶幅度相对较小,安全隐患也就越小,作为最后预测的轨迹。
具体的,通过自动洗地车的位置变化可以确定多个维度的代价函数。例如,通过确定行驶中自动洗地车在所述地图中的具***置,可以实时确定自动洗地车当前所在的车道线;利用自动洗地车位置中的坐标变化,可以确定出自动洗地车行驶中的曲率、偏角、距离等。
作为一种实施方式,所述车辆行驶中的位置变化包括行驶中所述车辆所在的车道线位置的变化,所述基于预置的代价函数确定所述多条预测轨迹各自的转弯幅度代价包括:
利用所述车辆当前所在的车道线位置与出口候选点匹配确定所述代价函数中的车道匹配代价,其中,所述车道匹配代价越小则所述转弯幅度代价越小。
在本实施方式中,获取自动洗地车当前所在车道,记为L。将出口位置所在车道与当前车道L进行匹配,并将匹配关系分为3类:出口车道与L属于同一车道或者拥有前后级关系,记为A类;出口车道与L有相邻的关系或者与L的下级车道有相邻关系,记为B类;无任何关系,记为C类。如图5所示,根据不同的匹配关系,设置代价Cost_lane如下
其中,c_A、c_B、c_C为可配置项。根据不同类别确定的车道匹配代价值越小则所述转弯幅度代价越小。
作为一种实施方式,所述车辆行驶中的位置变化包括行驶中所述车辆的曲率变化,所述基于预置的代价函数确定所述多条预测轨迹各自的转弯幅度代价包括:
利用路口位置以及车辆当前的位置确定所述车辆的历史曲率;
通过所述车辆当前的位置以及预测轨迹的出口位置确定所述车辆的预测曲率;
基于所述历史曲率以及所述预测曲率确定所述代价函数中的曲率变化代价,其中,所述曲率变化代价越小则所述转弯幅度代价越小。
在本实施方式中,如图6所示,记录自动洗地车刚进入路口时的位置为A点,自动洗地车当前位置为B点,记录路口出口的位置为C点。计算自动洗地车历史轨迹(即自动洗地车从A点到B点的轨迹)的最大曲率c_his,计算自动洗地车未来预测轨迹(即自动洗地车从B点到C点)的最大曲率c_fur。
通过历史曲率与预测曲率的变化关系生成曲率的变化度代价。设置规则为预测曲率越小则转弯幅度代价越小,据此建立如下代价函数(下述公式中k为可配置的系数):
作为一种实施方式,所述车辆行驶中的位置变化包括行驶中所述车辆的偏角变化,所述基于预置的代价函数确定所述多条预测轨迹各自的转弯幅度代价包括:
确定车辆在路口时的第一朝向、当前位置的第二朝向、出口位置的第三朝向;
分别利用所述第一朝向、所述第二朝向相对于所述第三朝向的偏差程度,确定所述代价函数中的偏角变化代价,其中,所述偏角变化代价越小则所述转弯幅度代价越小。
在本实施方式中,考虑到自动洗地车在路口的转弯幅度也与偏角变化有关,如图7所示,记录自动洗地车刚进入路口时的位置A,其朝向为angleA,自动洗地车当前位置为B,其朝向为angleB,记录出口的位置为C,其朝向为angleC。
分别计算angleA、angleB相对于angleC的偏差程度来生成偏角变化的代价(下述公式中的k为可配置的系数):
作为一种实施方式,所述车辆行驶中的位置变化包括行驶中所述车辆的轨迹变化,所述基于预置的代价函数确定所述多条预测轨迹各自的转弯幅度代价包括:
确定车辆从路口行驶到当前位置的历史轨迹长度,以及车辆从当前位置行驶到出口位置的预测轨迹长度;
基于所述历史轨迹长度以及所述预测轨迹长度生成所述代价函数中的距离变化代价,其中,所述距离变化代价越小则所述转弯幅度代价越小。在本实施方式中,考虑到自动洗地车在路口的转弯幅度也与距离变化有关,如图8所示。
记录自动洗地车刚进入路口时的位置为A点,自动洗地车当前位置为B点,记录路口出口的位置为C点。历史轨迹的长度记为L_AB,预测轨迹的长度记为L_BC。
根据L_AB和L_BC这两个长度生成距离变化代价(下述公式中的k为可配置的参数):
通过上述步骤中包括车道匹配代价函数、曲率变化代价函数、偏角变化代价函数、距离变化代价函数的预置的代价函数来计算出包括车道匹配代价,曲率变化代价,偏角变化代价,距离变化代价的转弯幅度代价,可通过如下公式确定:
其中,Cost_j表示某一出口点j的代价函数。
对于步骤S13,经过以上代价的计算之后,便可以得到第一层出口候选点、第二层出口候选点中每个出口的最终转弯幅度代价,然后从所有出口中选择转弯幅度代价值最小的出口,便作为最优的预测出口,生成的预测轨迹作为最优的预测轨迹。
作为一种实施方式,在所述车辆按照所述轨迹预测结果的行驶过程中,所述方法还包括:
确定当前帧的多条预测轨迹各自的转弯幅度代价;
对已有历史的多条预测轨迹各自的转弯幅度代价与所述当前帧的多条预测轨迹各自的转弯幅度代价进行滤波处理,得到优化的转弯幅度代价;
从所述优化的多条预测轨迹各自的转弯幅度代价中,优先选择数值最低的转弯幅度代价所对应的预测轨迹作为所述车辆的轨迹预测结果,以使所述车辆按照所述轨迹预测结果连续稳定行驶。
在本实施方式中,经过上述出口的设计与转弯幅度代价的计算,便可以得到路口环境下预测的出口和轨迹了,但是对于预测模块来讲,预测轨迹的稳定性和连续性也是一个重要的指标。也就是说,自动洗地车并不是一直按照在路口确定的预测轨迹进行行驶,而是需要实时地确定出当前最新的预测轨迹。然而会出现在前一帧预测的车辆轨迹为行驶到A出口,下一帧预测的车辆轨迹为行驶到B出口,这种轨迹的频繁跳变,会导致后端决策层对自车执行完全不同的决策逻辑,最终导致自动驾驶的不稳定的情况。
为了避免这种情况,在车辆按照轨迹的行驶过程中,本方法针对于当前预测的出口和之前的预测出口进行对比和滤波(也可以使用其他滤波方法,在此不做限定),得到最终优化之后的预测结果。获取每个出口点的历史n帧的预测结果与当前帧的预测结果进行耦合处理,得到包括当前帧在内的n+1帧预测的出口代价结果,如下所示:
记录当前帧下某一出口点j的代价值为Cost_j,记录历史前i帧下某一出口点j的代价值为Cost_j_i。为了结合历史帧的代价值来对当前帧的代价值进行滤波,设置当前帧下的权重系数为w_cur(可在0到1之间任意配置,这里设置为0.5),历史帧的权重系数为w_his,两者关系为:
其中,n为历史帧数。
利用历史帧的代价值和当前帧的代价值,利用滤波算法计算出一个新的代价,作为当前帧优化之后的代价,记为NewCost_j,那么计算得到某一出口点j的新代价值为:
然后比较更新过后所有出口的代价值,选择出其中代价值最小的出口便是最终的预测出口了,通过预测出口确定出实时的车辆预测轨迹结果。
通过该实施方式可以看出,利用双层出口思路对某些行驶不规范的车辆具有很好的泛化能力,也可以得到对应的轨迹预测结果,同时在自动驾驶过程中结合历史帧的代价滤波能够防止预测轨迹波动频繁,增加自动驾驶的稳定性。
如图9所示为本发明一实施例提供的一种车辆轨迹预测执行设备的结构示意图,该***可执行上述任意实施例所述的车辆轨迹预测方法,并配置在终端中。
本实施例提供的一种车辆轨迹预测***10包括:屏幕配置获取程序模块11,布局配置调整程序模块12和屏幕适配程序模块13。
其中,候选点预测模块11用于当车辆进入路口时,基于所述路口的地图信息确定所述车辆规范行驶的第一层出口候选点,基于所述第一层出口候选点建立所述车辆不规范行驶的第二层出口候选点,预测所述车辆行驶至所述第一层出口候选点以及所述第二层出口候选点的多条预测轨迹;代价确定模块12用于基于预置的代价函数确定所述多条预测轨迹各自的转弯幅度代价,其中,所述代价函数与所述车辆行驶中的位置变化有关;轨迹预测模块13用于从所述多条预测轨迹各自的转弯幅度代价中,优先选择数值最低的转弯幅度代价所对应的预测轨迹作为所述车辆的轨迹预测结果。
进一步地,所述轨迹预测模块还用于:确定当前帧的多条预测轨迹各自的转弯幅度代价;
对已有历史的多条预测轨迹各自的转弯幅度代价与所述当前帧的多条预测轨迹各自的转弯幅度代价进行滤波处理,得到优化的转弯幅度代价;
从所述优化的多条预测轨迹各自的转弯幅度代价中,优先选择数值最低的转弯幅度代价所对应的预测轨迹作为所述车辆的轨迹预测结果,以使所述车辆按照所述轨迹预测结果连续稳定行驶。
进一步地,所述代价确定模块用于:
利用所述车辆当前所在的车道线位置与出口候选点匹配确定所述代价函数中的车道匹配代价,其中,所述车道匹配代价越小则所述转弯幅度代价越小。
进一步地,所述代价确定模块用于:
利用路口位置以及车辆当前的位置确定所述车辆的历史曲率;
通过所述车辆当前的位置以及预测轨迹的出口位置确定所述车辆的预测曲率;
基于所述历史曲率以及所述预测曲率确定所述代价函数中的曲率变化代价,其中,所述曲率变化代价越小则所述转弯幅度代价越小。
进一步地,所述代价确定模块用于:
确定车辆在路口时的第一朝向、当前位置的第二朝向、出口位置的第三朝向;
分别利用所述第一朝向、所述第二朝向相对于所述第三朝向的偏差程度,确定所述代价函数中的偏角变化代价,其中,所述偏角变化代价越小则所述转弯幅度代价越小。
进一步地,所述代价确定模块用于:
确定车辆从路口行驶到当前位置的历史轨迹长度,以及车辆从当前位置行驶到出口位置的预测轨迹长度;
基于所述历史轨迹长度以及所述预测轨迹长度生成所述代价函数中的距离变化代价,其中,所述距离变化代价越小则所述转弯幅度代价越小。
本发明实施例还提供了一种非易失性计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的车辆轨迹预测方法;
作为一种实施方式,本发明的非易失性计算机存储介质存储有计算机可执行指令,计算机可执行指令设置为:
当车辆进入路口时,基于所述路口的地图信息确定所述车辆规范行驶的第一层出口候选点,基于所述第一层出口候选点建立所述车辆不规范行驶的第二层出口候选点,预测所述车辆行驶至所述第一层出口候选点以及所述第二层出口候选点的多条预测轨迹;
基于预置的代价函数确定所述多条预测轨迹各自的转弯幅度代价,其中,所述代价函数与所述车辆行驶中的位置变化有关;
从所述多条预测轨迹各自的转弯幅度代价中,优先选择数值最低的转弯幅度代价所对应的预测轨迹作为所述车辆的轨迹预测结果。
作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本发明实施例中的方法对应的程序指令/模块。一个或者多个程序指令存储在非易失性计算机可读存储介质中,当被处理器执行时,执行上述任意方法实施例中的车辆轨迹预测方法。
本发明实施例还提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行应用车辆轨迹预测方法。
在一些实施例中,本发明实施例还提供一种移动装置,包括本体和所述本体上安装的根据前述任一实施例所述的电子设备。其中,移动装置可以是无人驾驶车辆,例如无人驾驶清扫车、无人驾驶洗地车、无人驾驶物流车、无人驾驶乘用车、无人驾驶环卫车、无人驾驶小巴车/大巴车、卡车、矿车等,还可以是机器人等。
在一些实施例中,本发明实施例还提供一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行本发明实施例中任意一项所述的车辆轨迹预测方法。
图10是本申请另一实施例提供的车辆轨迹预测方法的电子设备的硬件结构示意图,如图10所示,该设备包括:
一个或多个处理器1010以及存储器1020,图10中以一个处理器1010为例。车辆轨迹预测方法的设备还可以包括:输入装置1030和输出装置1040。
处理器1010、存储器1020、输入装置1030和输出装置1040可以通过总线或者其他方式连接,图10中以通过总线连接为例。
存储器1020作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的车辆轨迹预测方法对应的程序指令/模块。处理器1010通过运行存储在存储器1020中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例车辆轨迹预测方法。
存储器1020可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储数据等。此外,存储器1020可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器1020可选包括相对于处理器1010远程设置的存储器,这些远程存储器可以通过网络连接至移动装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置1030可接收输入的数字或字符信息。输出装置1040可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器1020中,当被所述一个或者多个处理器1010执行时,执行上述任意方法实施例中的车辆轨迹预测方法。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请实施例所提供的方法。
非易失性计算机可读存储介质可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据装置的使用所创建的数据等。此外,非易失性计算机可读存储介质可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,非易失性计算机可读存储介质可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本发明实施例还提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例的车辆轨迹预测方法的步骤。
本申请实施例的电子设备可以是应用于移动装置的自动驾驶域控制器,该自动驾驶域控制器与移动装置上装载的各种传感器(如激光雷达、相机、毫米波雷达、超声波雷达、惯性测量单元IMU、轮速计等)通信连接,通过这些传感器获取环境感知数据和车身速度信息,并根据获取的环境感知数据和车身速度信息提取障碍物信息及生成移动装置的位置信息,以及根据位置信息和障碍物信息进行路径规划。
本申请实施例的电子设备还可以以如下多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如平板电脑。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器,掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)其他具有数据处理功能的移动装置。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”,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、物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……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种车辆轨迹预测方法,包括:
当车辆进入路口时,基于所述路口的地图信息确定所述车辆规范行驶的第一层出口候选点,基于所述第一层出口候选点建立所述车辆不规范行驶的第二层出口候选点,预测所述车辆行驶至所述第一层出口候选点以及所述第二层出口候选点的多条预测轨迹;
基于预置的代价函数确定所述多条预测轨迹各自的转弯幅度代价,其中,所述代价函数与所述车辆行驶中的位置变化有关;
从所述多条预测轨迹各自的转弯幅度代价中,优先选择数值最低的转弯幅度代价所对应的预测轨迹作为所述车辆的轨迹预测结果。
2.根据权利要求1所述的方法,其特征在于,在所述车辆按照所述轨迹预测结果的行驶过程中,所述方法还包括:
确定当前帧的多条预测轨迹各自的转弯幅度代价;
对已有历史的多条预测轨迹各自的转弯幅度代价与所述当前帧的多条预测轨迹各自的转弯幅度代价进行滤波处理,得到优化的转弯幅度代价;
从所述优化的多条预测轨迹各自的转弯幅度代价中,优先选择数值最低的转弯幅度代价所对应的预测轨迹作为所述车辆的轨迹预测结果,以使所述车辆按照所述轨迹预测结果连续稳定行驶。
3.根据权利要求1所述的方法,其特征在于,所述车辆行驶中的位置变化包括行驶中所述车辆所在的车道线位置的变化,所述基于预置的代价函数确定所述多条预测轨迹各自的转弯幅度代价包括:
利用所述车辆当前所在的车道线位置与出口候选点匹配确定所述代价函数中的车道匹配代价,其中,所述车道匹配代价越小则所述转弯幅度代价越小。
4.根据权利要求1所述的方法,其特征在于,所述车辆行驶中的位置变化包括行驶中所述车辆的曲率变化,所述基于预置的代价函数确定所述多条预测轨迹各自的转弯幅度代价包括:
利用路口位置以及车辆当前的位置确定所述车辆的历史曲率;
通过所述车辆当前的位置以及预测轨迹的出口位置确定所述车辆的预测曲率;
基于所述历史曲率以及所述预测曲率确定所述代价函数中的曲率变化代价,其中,所述曲率变化代价越小则所述转弯幅度代价越小。
5.根据权利要求1所述的方法,其特征在于,所述车辆行驶中的位置变化包括行驶中所述车辆的偏角变化,所述基于预置的代价函数确定所述多条预测轨迹各自的转弯幅度代价包括:
确定车辆在路口时的第一朝向、当前位置的第二朝向、出口位置的第三朝向;
分别利用所述第一朝向、所述第二朝向相对于所述第三朝向的偏差程度,确定所述代价函数中的偏角变化代价,其中,所述偏角变化代价越小则所述转弯幅度代价越小。
6.根据权利要求1所述的方法,其特征在于,所述车辆行驶中的位置变化包括行驶中所述车辆的轨迹变化,所述基于预置的代价函数确定所述多条预测轨迹各自的转弯幅度代价包括:
确定车辆从路口行驶到当前位置的历史轨迹长度,以及车辆从当前位置行驶到出口位置的预测轨迹长度;
基于所述历史轨迹长度以及所述预测轨迹长度生成所述代价函数中的距离变化代价,其中,所述距离变化代价越小则所述转弯幅度代价越小。
7.一种车辆轨迹预测执行设备,其特征在于,包括:
候选点预测模块,用于当车辆进入路口时,基于所述路口的地图信息确定所述车辆规范行驶的第一层出口候选点,基于所述第一层出口候选点建立所述车辆不规范行驶的第二层出口候选点,预测所述车辆行驶至所述第一层出口候选点以及所述第二层出口候选点的多条预测轨迹;
代价确定模块,用于基于预置的代价函数确定所述多条预测轨迹各自的转弯幅度代价,其中,所述代价函数与所述车辆行驶中的位置变化有关;
轨迹预测模块,用于从所述多条预测轨迹各自的转弯幅度代价中,优先选择数值最低的转弯幅度代价所对应的预测轨迹作为所述车辆的轨迹预测结果。
8.一种电子设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述方法的步骤。
9.一种移动装置,其特征在于,包括:如权利要求8所述的电子设备。
10.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211248285.1A CN115320623B (zh) | 2022-10-12 | 2022-10-12 | 车辆轨迹预测方法、设备、移动装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211248285.1A CN115320623B (zh) | 2022-10-12 | 2022-10-12 | 车辆轨迹预测方法、设备、移动装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115320623A CN115320623A (zh) | 2022-11-11 |
CN115320623B true CN115320623B (zh) | 2023-02-10 |
Family
ID=83913662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211248285.1A Active CN115320623B (zh) | 2022-10-12 | 2022-10-12 | 车辆轨迹预测方法、设备、移动装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115320623B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992050A (zh) * | 2017-12-20 | 2018-05-04 | 广州汽车集团股份有限公司 | 无人驾驶汽车局部路径运动规划方法和装置 |
CN108469827A (zh) * | 2018-05-16 | 2018-08-31 | 江苏华章物流科技股份有限公司 | 一种适用于物流仓储***的自动导引车全局路径规划方法 |
JP2019016208A (ja) * | 2017-07-07 | 2019-01-31 | 株式会社東芝 | 情報処理装置、車両、情報処理方法およびプログラム |
CN109655076A (zh) * | 2019-02-22 | 2019-04-19 | 百度在线网络技术(北京)有限公司 | 车辆转弯的速度规划方法、装置和存储介质 |
CN112706770A (zh) * | 2021-01-11 | 2021-04-27 | 南京航空航天大学 | 一种考虑线控转向迟滞的车辆汇入控制***及方法 |
CN113033925A (zh) * | 2021-05-21 | 2021-06-25 | 禾多科技(北京)有限公司 | 用于控制自动驾驶车辆行驶、装置、电子设备和介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10766487B2 (en) * | 2018-08-13 | 2020-09-08 | Denso International America, Inc. | Vehicle driving system |
-
2022
- 2022-10-12 CN CN202211248285.1A patent/CN115320623B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019016208A (ja) * | 2017-07-07 | 2019-01-31 | 株式会社東芝 | 情報処理装置、車両、情報処理方法およびプログラム |
CN107992050A (zh) * | 2017-12-20 | 2018-05-04 | 广州汽车集团股份有限公司 | 无人驾驶汽车局部路径运动规划方法和装置 |
CN108469827A (zh) * | 2018-05-16 | 2018-08-31 | 江苏华章物流科技股份有限公司 | 一种适用于物流仓储***的自动导引车全局路径规划方法 |
CN109655076A (zh) * | 2019-02-22 | 2019-04-19 | 百度在线网络技术(北京)有限公司 | 车辆转弯的速度规划方法、装置和存储介质 |
CN112706770A (zh) * | 2021-01-11 | 2021-04-27 | 南京航空航天大学 | 一种考虑线控转向迟滞的车辆汇入控制***及方法 |
CN113033925A (zh) * | 2021-05-21 | 2021-06-25 | 禾多科技(北京)有限公司 | 用于控制自动驾驶车辆行驶、装置、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115320623A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111736142B (zh) | 用于雷达交叉交通跟踪和操纵风险评估的***和方法 | |
WO2022052406A1 (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
CN106652515B (zh) | 车辆自动控制方法、装置和*** | |
Chae et al. | Virtual target-based overtaking decision, motion planning, and control of autonomous vehicles | |
CN116323364A (zh) | 用于车辆运动计划的路点预测和运动预报 | |
CN114391088A (zh) | 轨线规划器 | |
CN114926809A (zh) | 可通行区域检测方法及装置、移动工具、存储介质 | |
CN118176406A (zh) | 用于为自动驾驶车辆提供服务的优化的路线规划应用 | |
US20230111354A1 (en) | Method and system for determining a mover model for motion forecasting in autonomous vehicle control | |
CN115221970A (zh) | 目标轨迹预测方法、***、设备及介质 | |
US11613269B2 (en) | Learning safety and human-centered constraints in autonomous vehicles | |
CN110525421B (zh) | 一种用于具有挂车的车辆的车道保持强化学习方法及*** | |
CN114862964A (zh) | 传感器自动标定方法及电子设备和存储介质 | |
CN113619604A (zh) | 自动驾驶汽车的集成式决控方法、装置及存储介质 | |
CN115320623B (zh) | 车辆轨迹预测方法、设备、移动装置和存储介质 | |
WO2024066572A1 (zh) | 一种智能驾驶决策方法、决策装置以及车辆 | |
CN114964288A (zh) | 路径规划方法及装置、无人车 | |
CN111483463B (zh) | 基于车载单元和路侧单元的预判超车方法、存储介质 | |
CN114103994A (zh) | 基于车辆自动清扫路面的控制方法、装置、设备及车辆 | |
CN115416691A (zh) | 车辆控制规划方法及相关产品 | |
CN115326100B (zh) | 路径规划方法、装置、自动驾驶设备及计算机存储介质 | |
CN117850405A (zh) | 可通行路径生成方法及装置、计算设备、移动工具、存储介质 | |
CN115303291B (zh) | 拖挂车的挂车轨迹预测方法和装置、电子设备和存储介质 | |
US20230073933A1 (en) | Systems and methods for onboard enforcement of allowable behavior based on probabilistic model of automated functional components | |
US20240253667A1 (en) | Methods and systems for long-term trajectory prediction by extending a prediction horizon |
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 |