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 PDF

Info

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
Application number
CN202211649685.3A
Other languages
English (en)
Inventor
寇胜杰
许英
管登诗
杨静宁
田贺
芦畅
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.)
DIAS Automotive Electronic Systems Co Ltd
Original Assignee
DIAS Automotive Electronic Systems 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 DIAS Automotive Electronic Systems Co Ltd filed Critical DIAS Automotive Electronic Systems Co Ltd
Priority to CN202211649685.3A priority Critical patent/CN115871690A/zh
Publication of CN115871690A publication Critical patent/CN115871690A/zh
Pending legal-status Critical Current

Links

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

自车轨迹预测方法、***和存储介质
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。
其中，
Figure BDA0004009820930000021
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：
时刻ti第一自车预测轨迹预测位置坐标和朝向角分别为
Figure BDA0004009820930000022
从时间ti到ti+1，车辆运动距离增量di和转向角度增量θi分别为：
Figure BDA0004009820930000023
坐标增量Δxi，Δyi为：
Figure BDA0004009820930000024
转换到自车坐标系下得到ti+1时刻的坐标
Figure BDA0004009820930000031
和朝向角/>
Figure BDA0004009820930000032
为：
Figure BDA0004009820930000033
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；
时刻ti第二自车预测轨迹预测位置坐标为
Figure BDA0004009820930000034
车辆运动距离增量为di＝viΔt，此处车道中心线切线方向角βi为：/>
Figure BDA0004009820930000035
时刻ti+1处车辆预测位置横坐标
Figure BDA0004009820930000036
为：/>
Figure BDA0004009820930000037
时刻ti+1处车辆预测位置纵坐标
Figure BDA0004009820930000038
为：/>
Figure BDA0004009820930000039
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：
Figure BDA00040098209300000310
Figure BDA00040098209300000311
为最终预测轨迹坐标，/>
Figure BDA00040098209300000312
为时刻ti第一自车预测轨迹位置坐标，
Figure BDA00040098209300000313
时刻ti自车预测位置坐标，Tp为预测时间，Δt为离散时间间隔，wi为权重系数。/>
其中，
Figure BDA00040098209300000314
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。
Figure BDA0004009820930000041
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；
时刻ti第一自车预测轨迹预测位置坐标和朝向角分别为
Figure BDA0004009820930000042
从时间ti到ti+1，车辆运动距离增量di和转向角度增量θi分别为：
Figure BDA0004009820930000043
坐标增量Δxi，Δyi为：
Figure BDA0004009820930000044
转换到自车坐标系下得到ti+1时刻的坐标
Figure BDA0004009820930000045
和朝向角/>
Figure BDA0004009820930000046
为：
Figure BDA0004009820930000051
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；
时刻ti第二自车预测轨迹预测位置坐标为
Figure BDA0004009820930000052
车辆运动距离增量为di＝viΔt，此处车道中心线切线方向角βi为：/>
Figure BDA0004009820930000053
时刻ti+1处车辆预测位置横坐标
Figure BDA0004009820930000054
为：/>
Figure BDA0004009820930000055
时刻ti+1处车辆预测位置纵坐标
Figure BDA0004009820930000056
为：/>
Figure BDA0004009820930000057
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；
Figure BDA0004009820930000058
Figure BDA0004009820930000059
为最终预测轨迹坐标，/>
Figure BDA00040098209300000510
为时刻ti第一自车预测轨迹位置坐标，
Figure BDA00040098209300000511
时刻ti自车预测位置坐标，Tp为预测时间，Δt为离散时间间隔，wi为权重系数。
其中，
Figure BDA00040098209300000512
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；
设当前车辆运动状态为：自车速度v0、加速度a0、横摆角速度ω0、方向盘转角α0，方向盘转速为
Figure BDA0004009820930000071
对于车辆纵向运动，采用匀加速模型vi＝v0+a0ti(1)
S2，计算预测时间ti处车辆横摆角速度ωi；
对于车辆横向运动，采用两轮自行车模型和一阶惯性***表示。根据两轮自行车模型，车辆横摆角速度ω，
Figure BDA0004009820930000072
v是车辆速度，L是车辆轴距，δ是是车辆前轮转角；
前轮转角与方向盘转角间关系为：
Figure BDA0004009820930000073
r为转向传动比；
由于前轮转角较小，可近似取tan(δ)＝δ，因此有：
Figure BDA0004009820930000074
(4)；
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：
Figure BDA0004009820930000075
K为一阶惯性***的时间常数，通过实车标定确定。
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：
Figure BDA0004009820930000076
根据式(5)得到预测时间ti处横摆角速度ωi为：
Figure BDA0004009820930000077
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：
Figure BDA0004009820930000078
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；
根据式(1)(6)(8)，采用向前积分对自车轨迹进行预测，可计算在预测时间Tp内离散时间点ti，
Figure BDA0004009820930000081
处自车的预测位置，其中离散时间间隔为Δt。
初始位置自车在坐标原点，朝向角为0，即：x0＝0，y0＝0，φ0＝0(9)
对于时刻ti，自车预测位置坐标和朝向角分别为
Figure BDA0004009820930000082
从时间ti到ti+1，车辆运动距离增量di和转向角度增量θi分别为：
Figure BDA0004009820930000083
产生的坐标增量Δxi，Δyi为：坐标增量Δxi，Δyi为：
Figure BDA0004009820930000084
转换到自车坐标系下得到ti+1时刻的坐标
Figure BDA0004009820930000085
和朝向角/>
Figure BDA0004009820930000086
为：
Figure BDA0004009820930000087
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；
时刻ti第二自车预测轨迹预测位置坐标为
Figure BDA0004009820930000088
车辆运动距离增量为di＝viΔt，此处车道中心线切线方向角βi为：/>
Figure BDA0004009820930000091
时刻ti+1处车辆预测位置横坐标
Figure BDA0004009820930000092
为：/>
Figure BDA0004009820930000093
时刻ti+1处车辆预测位置纵坐标
Figure BDA0004009820930000094
为：
Figure BDA0004009820930000095
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；
Figure BDA0004009820930000096
Figure BDA0004009820930000097
为最终预测轨迹坐标，/>
Figure BDA0004009820930000098
为时刻ti第一自车预测轨迹位置坐标，/>
Figure BDA0004009820930000099
时刻ti自车预测位置坐标，Tp为预测时间，Δt为离散时间间隔，wi为权重系数。
wi权重系数采用分段函数：
Figure BDA00040098209300000910
Figure BDA00040098209300000911
为标定的时间阈值，即在预测时间小于TM时完全采用基于运动学模型的预测轨迹，在预测时间大于TL时完全采用基于车道中心线的预测轨迹，预测时间在TM和TL之间时采用二者的线性平均值，如图2所示。
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；
Figure BDA0004009820930000101
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；
时刻ti第一自车预测轨迹预测位置坐标和朝向角分别为
Figure BDA0004009820930000102
从时间ti到ti+1，车辆运动距离增量di和转向角度增量θi分别为：
Figure BDA0004009820930000103
坐标增量Δxi，Δyi为：
Figure BDA0004009820930000104
转换到自车坐标系下得到ti+1时刻的坐标
Figure BDA0004009820930000105
和朝向角/>
Figure BDA0004009820930000106
为：/>
Figure BDA0004009820930000111
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；
时刻ti第二自车预测轨迹预测位置坐标为
Figure BDA0004009820930000112
车辆运动距离增量为di＝viΔt，此处车道中心线切线方向角βi为：/>
Figure BDA0004009820930000113
时刻ti+1处车辆预测位置横坐标
Figure BDA0004009820930000114
为：/>
Figure BDA0004009820930000115
时刻ti+1处车辆预测位置纵坐标
Figure BDA0004009820930000116
为：/>
Figure BDA0004009820930000117
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；
Figure BDA0004009820930000118
Figure BDA0004009820930000119
为最终预测轨迹坐标，/>
Figure BDA00040098209300001110
为时刻ti第一自车预测轨迹位置坐标，
Figure BDA00040098209300001111
时刻ti自车预测位置坐标，Tp为预测时间，Δt为离散时间间隔，wi为权重系数；
Figure BDA00040098209300001112
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；
时刻ti第二自车预测轨迹预测位置坐标为
Figure BDA0004009820930000121
车辆运动距离增量为ai＝viΔt，此处车道中心线切线方向角βi为：/>
Figure BDA0004009820930000122
时刻ti+1处车辆预测位置横坐标
Figure BDA0004009820930000123
为：/>
Figure BDA0004009820930000124
时刻ti+1处车辆预测位置纵坐标
Figure BDA0004009820930000125
为：/>
Figure BDA0004009820930000126
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。
2.如权利要求1所述的自车轨迹预测方法，其特征在于：
Figure FDA0004009820920000011
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。
3.如权利要求1所述的自车轨迹预测方法，其特征在于，步骤S3包括：
时刻ti第一自车预测轨迹预测位置坐标和朝向角分别为
Figure FDA0004009820920000012
从时间ti到ti+1，车辆运动距离增量di和转向角度增量θi分别为：
Figure FDA0004009820920000013
坐标增量Δxi，Δyi为：
Figure FDA0004009820920000014
转换到自车坐标系下得到ti+1时刻的坐标
Figure FDA0004009820920000015
和朝向角/>
Figure FDA0004009820920000016
为：
Figure FDA0004009820920000021
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。
4.如权利要求1所述的自车轨迹预测方法，其特征在于，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；
时刻ti第二自车预测轨迹预测位置坐标为
Figure FDA0004009820920000022
车辆运动距离增量为di＝viΔt，此处车道中心线切线方向角βi为：/>
Figure FDA0004009820920000023
时刻ti+1处车辆预测位置横坐标
Figure FDA0004009820920000024
为：/>
Figure FDA0004009820920000025
时刻ti+1处车辆预测位置纵坐标
Figure FDA0004009820920000026
为：/>
Figure FDA0004009820920000027
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。
5.如权利要求1所述的自车轨迹预测方法，其特征在于，步骤S5包括：
Figure FDA0004009820920000028
Figure FDA0004009820920000029
为最终预测轨迹坐标，/>
Figure FDA00040098209200000210
为时刻ti第一自车预测轨迹位置坐标，/>
Figure FDA00040098209200000211
时刻ti自车预测位置坐标，Tp为预测时间，Δt为离散时间间隔，wi为权重系数。
6.如权利要求5所述的自车轨迹预测方法，其特征在于：
Figure FDA00040098209200000212
TM，TL为标定的时间阈值。
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。
9.如权利要求8所述的自车轨迹预测***，其特征在于：
Figure FDA0004009820920000031
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。
10.如权利要求8所述的自车轨迹预测***，其特征在于：第一预测模块采用以下方式计算第一自车预测轨迹；
时刻ti第一自车预测轨迹预测位置坐标和朝向角分别为
Figure FDA0004009820920000032
从时间ti到ti+1，车辆运动距离增量di和转向角度增量θi分别为：
Figure FDA0004009820920000033
坐标增量Δxi，Δyi为：
Figure FDA0004009820920000034
转换到自车坐标系下得到ti+1时刻的坐标
Figure FDA0004009820920000041
和朝向角/>
Figure FDA0004009820920000042
为：/>
Figure FDA0004009820920000043
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。
11.如权利要求8所述的自车轨迹预测***，其特征在于：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；
时刻ti第二自车预测轨迹预测位置坐标为
Figure FDA0004009820920000044
车辆运动距离增量为di＝viΔt，此处车道中心线切线方向角βi为：/>
Figure FDA0004009820920000045
时刻ti+1处车辆预测位置横坐标
Figure FDA0004009820920000046
为：/>
Figure FDA0004009820920000047
时刻ti+1处车辆预测位置纵坐标
Figure FDA0004009820920000048
为：/>
Figure FDA0004009820920000049
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。
12.如权利要求8所述的自车轨迹预测***，其特征在于：第三预测模块采用以下方式计算最终预测轨迹；
Figure FDA00040098209200000410
Figure FDA00040098209200000411
为最终预测轨迹坐标，/>
Figure FDA00040098209200000412
为时刻ti第一自车预测轨迹位置坐标，/>
Figure FDA00040098209200000413
时刻ti自车预测位置坐标，Tp为预测时间，Δt为离散时间间隔，wi为权重系数。
13.如权利要求12所述的自车轨迹预测***，其特征在于：
Figure FDA0004009820920000051
TM，TL为标定的时间阈值。
CN202211649685.3A 2022-12-21 2022-12-21 自车轨迹预测方法、***和存储介质 Pending CN115871690A (zh)

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)

* Cited by examiner, † Cited by third party
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

Cited By (3)

* Cited by examiner, † Cited by third party
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