CN115871690A - 自车轨迹预测方法、***和存储介质 - Google Patents
自车轨迹预测方法、***和存储介质 Download PDFInfo
- Publication number
- CN115871690A CN115871690A CN202211649685.3A CN202211649685A CN115871690A CN 115871690 A CN115871690 A CN 115871690A CN 202211649685 A CN202211649685 A CN 202211649685A CN 115871690 A CN115871690 A CN 115871690A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- time
- predicted
- self
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000033001 locomotion Effects 0.000 claims abstract description 30
- 230000001133 acceleration Effects 0.000 claims abstract description 11
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 abstract description 9
- 238000012360 testing method Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种自车轨迹预测方法,包括:根据当前车辆运动状态采用匀加速模型预测时间ti处车速vi;计算预测时间ti处车辆横摆角速度ωi;计算预测时间ti自车的坐标和朝向角,获得基于运动学模型的第一自车预测轨迹;根据车道中心线方程计算自车预测点的坐标,获得基于车道中心线的第二自车预测轨迹;最终预测轨迹坐标采用第一自车预测轨迹和第二自车预测轨迹的加权平均值。本发明通过融合短期车辆运动学模型预测轨迹和长期道路信息(车道中心线)预测轨迹,实现了对自车轨迹的长期精准预测,通过大量道路数据测试表明,本发明能够提高先进驾驶辅助***长期自车轨迹预测的精度。
Description
技术领域
本发明涉及汽车领域,特别是涉及一种用于车辆智能驾驶或先进驾驶辅助***的自车轨迹预测方法。
背景技术
在智能驾驶或先进驾驶辅助***中,智能车辆需要对自车轨迹进行预测以评估道路环境中可能的碰撞风险,长期自车轨迹预测是一项关键技术。现有自车轨迹预测方法可分为三类:基于物理模型的方法、基于驾驶员行为的方法和基于机器学习的方法。
基于物理模型的方法采用诸如匀速、匀加速、匀横摆角速度等物理运动模型或者汽车两轮模型、汽车动力学模型等模型对自车未来运动轨迹进行预测。匀速、匀加速、匀横摆角速度等物理运动模型实现相对简单,但仅考虑车辆运动惯性,未考虑驾驶员操作的影响,在较长预测时间上与实际轨迹相差较大。汽车两轮模型、汽车动力学模型等对车辆运动进行了建模,考虑了驾驶员操作的影响,对自车轨迹预测相对物理运动模型精确,但由于驾驶员操作可能发生变化,在较长预测时间上仍与实际轨迹相差较大,且高自由度汽车动力学模型增加了算法复杂度。
基于驾驶员行为的方法首先对驾驶员行为进行预测,如变道、加速、刹车等,而后根据驾驶员行为对自车轨迹进行预测,该方法由于考虑了驾驶员行为,提高了自车轨迹预测精度。但对驾驶员行为的预测需要增加驾驶员监测***,增加了***复杂度,且驾驶员行为预测准确率不高会导致更大的轨迹预测偏差。
基于机器学习的方法采用线性回归、支持向量机、长短期记忆网络等方法,通过提取自车运动特征对自车轨迹进行预测,此类方法能够从大数据中提取特征,实现较好的预测精度,但此类算法对计算资源需求较高,对于计算资源受限的先进驾驶辅助***实时性不足。
发明内容
在发明内容部分中引入了一系列简化形式的概念,该简化形式的概念均为本领域现有技术简化,这将在具体实施方式部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征,更不意味着试图确定所要求保护的技术方案的保护范围。
本发明要解决的技术问题是提供一种能提高长期自车轨迹预测准确率的自车轨迹预测方法。
为解决上述技术问题,本发明提供的自车轨迹预测方法,包括以下步骤:
S1,根据当前车辆运动状态采用匀加速模型预测时间ti处车速vi;
S2,计算预测时间ti处车辆横摆角速度ωi;
S3,计算预测时间ti自车的坐标和朝向角,获得基于运动学模型的第一自车预测轨迹;
S4,根据车道中心线方程计算自车预测点的坐标,获得基于车道中心线的第二自车预测轨迹;
S5,最终预测轨迹坐标采用第一自车预测轨迹和第二自车预测轨迹的加权平均值。
K为通过实车标定确定的一阶惯性***的时间常数,αi为预测时间ti处方向盘转角,L为车辆轴距,r为转向传动比,k为滤波系数。
可选择的,进一步改进所述的自车轨迹预测方法,步骤S3包括:
坐标增量Δxi,Δyi为:
计算可得任意预测时间点的坐标和朝向角,得到基于运动学模型的第一自车预测轨迹。
可选择的,进一步改进所述的自车轨迹预测方法,步骤S4包括:
车道中心线方程为:y=a0+a1x+a2x2+a3x3,a0,a1,a2,a3为车道中心线方程的系数;
计算可得任意预测点的坐标,得到基于车道中心线的第二自车预测轨迹。
可选择的,进一步改进所述的自车轨迹预测方法,步骤S5包括:
TM,TL为标定的时间阈值。
本发明提供一种计算机可读存储介质,其内部存储有一程序,所述程序被执行时,实现上述任意一项所述自车轨迹预测方法中的步骤。
为解决上述技术问题,本发明提供一种自车轨迹预测***,包括:
测速预测模块,其根据当前车辆运动状态采用匀加速模型预测时间ti处车速vi;
第一计算模块,其用于计算预测时间ti处车辆横摆角速度ωi;
第一预测模块,其用于计算预测时间ti自车的坐标和朝向角,获得基于运动学模型的第一自车预测轨迹;
第二预测模块,其用于根据车道中心线方程计算自车预测点的坐标,获得基于车道中心线的第二自车预测轨迹;
第三预测模块,其用于采用第一自车预测轨迹和第二自车预测轨迹的加权平均值计算最终预测轨迹坐标。
K为通过实车标定确定的一阶惯性***的时间常数,αi为预测时间ti处方向盘转角,L为车辆轴距,r为转向传动比,k为滤波系数。
可选择的,进一步改进所述的自车轨迹预测***,第一预测模块采用以下方式计算第一自车预测轨迹;
坐标增量Δxi,Δyi为:
计算可得任意预测时间点的坐标和朝向角,得到基于运动学模型的第一自车预测轨迹。
可选择的,进一步改进所述的自车轨迹预测***,第二预测模块采用以下方式计算第二自车预测轨迹;
车道中心线方程为:y=a0+a1x+a2x2+a3x3,a0,a1,a2,a3为车道中心线方程的系数;
计算可得任意预测点的坐标,得到基于车道中心线的第二自车预测轨迹。
可选择的,进一步改进所述的自车轨迹预测***,第三预测模块采用以下方式计算最终预测轨迹;
TM,TL为标定的时间阈值。
本发明通过融合短期车辆运动学模型预测轨迹和长期道路信息(车道中心线)预测轨迹,实现了对自车轨迹的长期精准预测,通过大量道路数据测试表明,本发明能够提高先进驾驶辅助***长期自车轨迹预测的精度。
附图说明
本发明附图旨在示出根据本发明的特定示例性实施例中所使用的方法、结构和/或材料的一般特性,对说明书中的描述进行补充。然而,本发明附图是未按比例绘制的示意图,因而可能未能够准确反映任何所给出的实施例的精确结构或性能特点,本发明附图不应当被解释为限定或限制由根据本发明的示例性实施例所涵盖的数值或属性的范围。下面结合附图与具体实施方式对本发明作进一步详细的说明:
图1是本发明流程示意图。
图2是最终预测轨迹权重系数分段函数
图3是本发明轨迹预测示意图。
1为车辆当前速度方向,2为基于运动学模型的预测轨迹,基本沿当前速度方向延伸,3为基于车道中心线的预测轨迹,4为融合后的最终预测轨迹,在较短时间内最终预测轨迹贴近基于模型的预测轨迹,在较长时间内贴近基于车道中心线的预测轨迹。
具体实施方式
以下通过特定的具体实施例说明本发明的实施方式,本领域技术人员可由本说明书所公开的内容充分地了解本发明的其他优点与技术效果。本发明还可以通过不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点加以应用,在没有背离发明总的设计思路下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。本发明下述示例性实施例可以多种不同的形式来实施,并且不应当被解释为只限于这里所阐述的具体实施例。应当理解的是,提供这些实施例是为了使得本发明的公开彻底且完整,并且将这些示例性具体实施例的技术方案充分传达给本领域技术人员。
参考图1所示,本发明提供一种自车轨迹预测方法,包括以下步骤:
S1,根据当前车辆运动状态采用匀加速模型预测时间ti处车速vi;
S2,计算预测时间ti处车辆横摆角速度ωi;
由于横摆角速度与车速不是线性关系,采用一阶惯性***表示其非线性关系,因此有:
对于方向盘转角,考虑方向盘转速惯性,认为在时间Ts内方向盘转速恒定,Ts为标定值,预测时间ti处方向盘转角αi为:
为了抑制横摆角速度高频变化,采用一阶低通滤波对横摆角速度进行滤波,即:
S3,计算预测时间ti自车的坐标和朝向角,获得基于运动学模型的第一自车预测轨迹;
初始位置自车在坐标原点,朝向角为0,即:x0=0,y0=0,φ0=0(9)
产生的坐标增量Δxi,Δyi为:坐标增量Δxi,Δyi为:
由初始条件式(9)和递推关系式(12)可得到任意预测时间点的坐标和朝向角,由此得到基于运动学模型的第一自车预测轨迹(短期自车轨迹预测);
S4,根据车道中心线方程计算自车预测点的坐标,获得基于车道中心线的第二自车预测轨迹;
对于基于车道中心线的自车轨迹预测,认为车辆沿车道中心线行驶,设车道中心线方程为3次多项式:y=a0+a1x+a2x2+a3x3(13),a0,a1,a2,a3为车道中心线方程的系数;
根据初始条件(9)和递推关系(14)(15)(16)可得到任意预测点的坐标,得到基于车道中心线的第二自车预测轨迹(长期自车轨迹预测);
S5,最终预测轨迹坐标采用第一自车预测轨迹和第二自车预测轨迹的加权平均值;
wi权重系数采用分段函数:
根据式(9)(12)(15)-(18)可计算得到自车在未来时间Tp的离散预测轨迹。
本发明提供一种计算机可读存储介质,其内部存储有一程序,所述程序被执行时,实现上述实施例所述自车轨迹预测方法中的步骤。
所述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。计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本发明提供一种自车轨迹预测***,包括:
测速预测模块,其根据当前车辆运动状态采用匀加速模型预测时间ti处车速vi;
第一计算模块,其用于计算预测时间ti处车辆横摆角速度ωi;
K为通过实车标定确定的一阶惯性***的时间常数,αi为预测时间ti处方向盘转角,L为车辆轴距,r为转向传动比,k为滤波系数;
第一预测模块,其用于计算预测时间ti自车的坐标和朝向角,获得基于运动学模型的第一自车预测轨迹;第一预测模块采用以下方式计算第一自车预测轨迹;
坐标增量Δxi,Δyi为:
计算可得任意预测时间点的坐标和朝向角,得到基于运动学模型的第一自车预测轨迹;
第二预测模块,其用于根据车道中心线方程计算自车预测点的坐标,获得基于车道中心线的第二自车预测轨迹;第二预测模块采用以下方式计算第二自车预测轨迹;
车道中心线方程为:y=a0+a1x+a2x2+a3x3,a0,a1,a2,a3为车道中心线方程的系数;
计算可得任意预测点的坐标,得到基于车道中心线的第二自车预测轨迹;
第三预测模块,其用于采用第一自车预测轨迹和第二自车预测轨迹的加权平均值计算最终预测轨迹坐标,第三预测模块采用以下方式计算最终预测轨迹;
TM,TL为标定的时间阈值。
第二预测模块采用以下方式计算第二自车预测轨迹;
车道中心线方程为:y=a0+a1x+a2x2+a3x3,a0,a1,a2,a3为车道中心线方程的系数;
计算可得任意预测点的坐标,得到基于车道中心线的第二自车预测轨迹。
除非另有定义,否则这里所使用的全部术语(包括技术术语和科学术语)都具有与本发明所属领域的普通技术人员通常理解的意思相同的意思。还将理解的是,除非这里明确定义,否则诸如在通用字典中定义的术语这类术语应当被解释为具有与它们在相关领域语境中的意思相一致的意思,而不以理想的或过于正式的含义加以解释。
以上通过具体实施方式和实施例对本发明进行了详细的说明,但这些并非构成对本发明的限制。在不脱离本发明原理的情况下,本领域的技术人员还可做出许多变形和改进,这些也应视为本发明的保护范围。
Claims (13)
1.一种自车轨迹预测方法,其特征在于,包括以下步骤:
S1,根据当前车辆运动状态采用匀加速模型预测时间ti处车速vi;
S2,计算预测时间ti处车辆横摆角速度ωi;
S3,计算预测时间ti自车的坐标和朝向角,获得基于运动学模型的第一自车预测轨迹;
S4,根据车道中心线方程计算自车预测点的坐标,获得基于车道中心线的第二自车预测轨迹;
S5,最终预测轨迹坐标采用第一自车预测轨迹和第二自车预测轨迹的加权平均值。
7.一种计算机可读存储介质,其特征在于:其内部存储有一程序,所述程序被执行时,实现权利要求1-6任意一项所述自车轨迹预测方法中的步骤。
8.一种自车轨迹预测***,其特征在于,包括:
测速预测模块,其根据当前车辆运动状态采用匀加速模型预测时间ti处车速vi;
第一计算模块,其用于计算预测时间ti处车辆横摆角速度ωi;
第一预测模块,其用于计算预测时间ti自车的坐标和朝向角,获得基于运动学模型的第一自车预测轨迹;
第二预测模块,其用于根据车道中心线方程计算自车预测点的坐标,获得基于车道中心线的第二自车预测轨迹;
第三预测模块,其用于采用第一自车预测轨迹和第二自车预测轨迹的加权平均值计算最终预测轨迹坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211649685.3A CN115871690A (zh) | 2022-12-21 | 2022-12-21 | 自车轨迹预测方法、***和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211649685.3A CN115871690A (zh) | 2022-12-21 | 2022-12-21 | 自车轨迹预测方法、***和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115871690A true CN115871690A (zh) | 2023-03-31 |
Family
ID=85755343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211649685.3A Pending CN115871690A (zh) | 2022-12-21 | 2022-12-21 | 自车轨迹预测方法、***和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115871690A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117622164A (zh) * | 2023-12-05 | 2024-03-01 | 深圳市木牛机器人科技有限公司 | 前轮转角的确定方法、装置、计算机设备和存储介质 |
CN117775078A (zh) * | 2024-02-28 | 2024-03-29 | 山西阳光三极科技股份有限公司 | 一种基于深度学习的矿内货运列车行驶方向判断方法 |
-
2022
- 2022-12-21 CN CN202211649685.3A patent/CN115871690A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117622164A (zh) * | 2023-12-05 | 2024-03-01 | 深圳市木牛机器人科技有限公司 | 前轮转角的确定方法、装置、计算机设备和存储介质 |
CN117775078A (zh) * | 2024-02-28 | 2024-03-29 | 山西阳光三极科技股份有限公司 | 一种基于深度学习的矿内货运列车行驶方向判断方法 |
CN117775078B (zh) * | 2024-02-28 | 2024-05-07 | 山西阳光三极科技股份有限公司 | 一种基于深度学习的矿内货运列车行驶方向判断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115871690A (zh) | 自车轨迹预测方法、***和存储介质 | |
CN111879957B (zh) | 基于模糊逻辑和增强机器学习的车辆动力学测定 | |
CN111717204A (zh) | 自动驾驶车辆的横向控制方法及*** | |
CN107664993A (zh) | 一种路径规划方法 | |
CN107664504A (zh) | 一种路径规划装置 | |
CN114212110B (zh) | 障碍物轨迹预测方法、装置、电子设备及存储介质 | |
CN112896191B (zh) | 轨迹处理方法、装置、电子设备和计算机可读介质 | |
US20210139007A1 (en) | Enhanced vehicle operation | |
CN117104226A (zh) | 基于车道线的巡航目标选择方法、装置、设备及介质 | |
Németh et al. | Optimised speed profile design of a vehicle platoon considering road inclinations | |
US11827217B2 (en) | Vehicle detection and response | |
Park et al. | Vehicle positioning based on velocity and heading angle observer using low-cost sensor fusion | |
CN116001811A (zh) | 一种自动驾驶车辆的轨迹规划方法、装置及设备 | |
CN116182884A (zh) | 基于frenet坐标系横纵解耦的智能车辆局部路径规划方法 | |
US11673548B2 (en) | Vehicle detection and response | |
CN111959506B (zh) | 车辆及车辆编队行驶的控制方法、装置 | |
CN115476881B (zh) | 车辆轨迹跟踪控制方法、装置、设备及介质 | |
CN111721309B (zh) | 路径规划方法及装置 | |
CN114815825B (zh) | 确定车辆最优行驶轨迹方法和装置 | |
CN115098821A (zh) | 轨迹参考曲率确定方法、装置、设备、介质及程序 | |
CN115447615A (zh) | 基于车辆运动学模型预测控制的轨迹优化方法 | |
CN115366913A (zh) | 车辆速度控制方法、装置、存储介质和电子设备 | |
Li et al. | Sliding mode control for vehicular platoon based on v2v communication | |
Tominaga et al. | GNSS-Based Lane Keeping Assist System Using Model Predictive Control and Time Delay Compensation | |
CN112596509A (zh) | 车辆控制方法、装置、计算机设备及计算机可读存储介质 |
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 |