CN115973162B - 用于确定车辆行驶轨迹的方法、装置、电子设备和介质 - Google Patents

Abstract

本公开涉及用于确定车辆行驶轨迹的方法、装置、电子设备和介质。该方法包括：确定与多个前车中的每个前车相对应的一组历史行驶轨迹，一组历史行驶轨迹包括多个历史轨迹点；基于与车辆的行驶轨迹相关联的一个或多个行驶参数，确定与车辆的目标行驶轨迹相关联的一组半径假设，一组半径假设中的每个半径假设对应于相应半径假设圆周轨迹；基于多个历史轨迹点中的相邻点到相应半径假设圆周轨迹的距离差，在一组半径假设中选取最优半径假设；以及根据所选取的最优半径假设，确定与目标行驶轨迹相关联的局部最优半径及全局最优半径中的至少一者。以此方式，能够利用前车信息，减少对采集设备的依赖，并且能够充分排除噪声，得到准确的车辆轨迹最优估计。

Description

用于确定车辆行驶轨迹的方法、装置、电子设备和介质

技术领域

本公开一般地涉及自动驾驶技术领域，特别地涉及用于确定车辆行驶轨迹的方法、装置、电子设备和计算机可读存储介质。

背景技术

近年来，自适应巡航控制***(ACC)、自动紧急刹车***(AEB)等辅助驾驶功能快速渗透于乘用车市场，高速结构化道路下的ACC、AEB功能已经较为成熟。

中国专利申请CN112665590A提供了一种车辆的轨迹确定方法、装置、电子设备及计算机存储介质。该车辆的轨迹确定方法包括：基于高精地图和行驶目的地，确定目标规划路径；基于目标规划路径和目标车辆的当前位置，确定目标车辆的车辆行驶模式；获取车辆行驶模式对应的目标历史车流轨迹；基于弯曲度值、距离和方位角，从目标历史车流轨迹中匹配出相关度最高的轨迹作为目标车辆的第一轨迹；依据目标车辆的运动状态信息，利用车辆动力学模型得到目标车辆的第二轨迹；基于融合函数将第一轨迹和第二轨迹进行融合，得到目标车辆的目标轨迹。

在该专利中车辆轨迹确定过程中，首先需要高精地图的输入，对前车轨迹核自车运动学轨迹进行加权融合，这种轨迹确定方法未充分利用前方车流信息，仅仅对自车运动轨迹进行简单融合，因此轨迹估计的精确度不够，严重时甚至影响行车安全。

特别地，在非结构化道路、拥堵路况等场景下，摄像头对车道线的检测结果大幅下降，车辆很难根据车道线去选择ACC、AEB的目标车辆。因此，设计出一种计算自车行驶轨迹的方法，对车辆行驶安全，尤其是ACC、AEB的性能表现至关重要。

发明内容

根据本公开的示例实施例，提供了一种用于确定车辆行驶轨迹的方案，以至少部分地解决现有技术中存在的问题。

在本公开的第一方面中，提供了一种用于确定车辆行驶轨迹的方法。该方法包括：确定与多个前车中的每个前车相对应的一组历史行驶轨迹，其中一组所述历史行驶轨迹包括多个历史轨迹点；基于与所述车辆的行驶轨迹相关联的一个或多个行驶参数，确定与所述车辆的目标行驶轨迹相关联的一组半径假设，一组所述半径假设中的每个半径假设对应于相应半径假设圆周轨迹；基于多个历史轨迹点中的相邻点到相应所述半径假设圆周轨迹的距离差，在一组所述半径假设中选取最优半径假设；以及根据所选取的所述最优半径假设，确定与所述目标行驶轨迹相关联的局部最优半径及全局最优半径中的至少一者。

在一些实施例中，确定与多个前车中的每个前车相对应的一组历史行驶轨迹可以优选地包括：利用最小二乘法对多个历史轨迹点进行拟合，以得到一组所述历史行驶轨迹。

在一些实施例中，基于与所述车辆的行驶轨迹相关联的一个或多个行驶参数，确定与所述车辆的目标行驶轨迹相关联的一组半径假设可以包括：基于所述车辆的横向加速度，确定第一半径假设；基于所述车辆的运动学轨迹，确定第二半径假设；以及基于上一周期计算的所述目标行驶轨迹，确定第三半径假设。

在一些实施例中，基于多个历史轨迹点中的相邻点到相应的所述半径假设圆周轨迹的距离差，在一组所述半径假设中选取最优半径假设可以包括：基于上一周期所述车辆的行驶轨迹曲率，确定起始全局最优半径；基于所确定的所述起始全局最优半径，计算多个历史轨迹点中的每个点到与所述起始全局最优半径相对应的圆周轨迹的距离；获取多个历史轨迹点中的相邻点到与所述起始全局最优半径相对应的圆周轨迹距离的差值绝对值；以及计算所述差值绝对值的平均值，用于判断与一组所述半径假设中的相应半径假设相对应的目标行驶轨迹优劣。

在一些实施例中，基于多个历史轨迹点中的相邻点到相应的所述半径假设圆周轨迹的距离差，在一组所述半径假设中选取最优半径假设包括：依次计算多个历史轨迹点中的所有轨迹点到与一组所述半径假设中的每个半径假设对应的所述半径假设圆周轨迹的所述差值绝对值的平均值；以及将与所述平均值中最小值对应的所述半径假设确定为所述最优半径假设。

在一些实施例中，所述方法可以包括：计算多个历史轨迹点中的所有点到与所述最优半径假设对应的圆周轨迹上的差值平均值。

在一些实施例中，根据所选取的所述最优半径假设，确定与所述目标行驶轨迹相关联的局部最优半径及全局最优半径中的至少一者可以包括：基于所述差值平均值，确定所述目标行驶轨迹的局部最优半径及全局最优半径中的至少一者；以及基于所述局部最优半径及所述全局最优半径中的至少一者，得到所述目标行驶轨迹。

在本公开的第二方面中，提供了一种用于确定车辆行驶轨迹的装置。该装置包括：前车历史行驶轨迹确定模块，被配置为确定与多个前车中的每个前车相对应的一组历史行驶轨迹，其中一组所述历史行驶轨迹包括多个历史轨迹点；半径假设确定模块，被配置为基于与所述车辆的行驶轨迹相关联的一个或多个行驶参数，确定与所述车辆的目标行驶轨迹相关联的一组半径假设，一组所述半径假设中的每个半径假设对应于相应的半径假设圆周轨迹；最优假设半径选取模块，被配置为基于多个历史轨迹点中的相邻点到相应的所述半径假设圆周轨迹的距离差，在一组所述半径假设中选取最优半径假设；以及目标最优半径确定模块，被配置为根据所选取的所述最优半径假设，确定与所述目标行驶轨迹相关联的局部最优半径及全局最优半径中的至少一者。

在一些实施例中，前车历史行驶轨迹确定模块还可以被配置为：利用最小二乘法对多个历史轨迹点进行拟合，以得到一组所述历史行驶轨迹。

在一些实施例中，半径假设确定模块还可以被配置为：基于所述车辆的横向加速度，确定第一半径假设；基于所述车辆的运动学轨迹，确定第二半径假设；以及基于上一周期计算的所述目标行驶轨迹，确定第三半径假设。

在一些实施例中，最优假设半径选取模块还可以被配置为：基于上一周期所述车辆的行驶轨迹曲率，确定起始全局最优半径；基于所确定的所述起始全局最优半径，计算多个历史轨迹点中的每个点到与所述起始全局最优半径相对应的圆周轨迹的距离；获取多个历史轨迹点中的相邻点到与所述起始全局最优半径相对应的圆周轨迹距离的差值绝对值；以及计算所述差值绝对值的平均值，用于判断与一组所述半径假设中的相应半径假设相对应的目标行驶轨迹优劣。

在一些实施例中，最优假设半径选取模块还可以被配置为：依次计算多个历史轨迹点中的所有轨迹点到与一组所述半径假设中的每个半径假设对应的所述半径假设圆周轨迹的所述差值绝对值的平均值；以及将与所述平均值中最小值对应的所述半径假设确定为所述最优半径假设。

在一些实施例中，所述装置可以被配置为：计算多个历史轨迹点中的所有点到与所述最优半径假设对应的圆周轨迹上的差值平均值。

在一些实施例中，目标最优半径确定模块还可以被配置为：基于所述差值平均值，确定与所述目标行驶轨迹相关联的局部最优半径及全局最优半径中的至少一者；以及基于所述局部最优半径及所述全局最优半径中的至少一者，得到所述目标行驶轨迹。

在本公开的第三方面中，提供了一种电子设备。该设备包括：一个或多个处理器；以及存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现根据本公开第一方面的方法。

在本公开的第四方面中，提供了一种计算机可读存储介质。该介质上存储有计算机程序，程序被处理器执行时实现根据本公开第一方面的方法。

在本公开的第五方面中，提供了一种计算机程序产品。该产品包括计算机程序/指令，计算机程序/指令被处理器执行时实现根据本公开第一方面的方法。

应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素。附图用于更好地理解本方案，不构成对本公开的限定，其中：

图1示出了本公开的多个实施例能够在其中实现的示例环境的示意图；

图2示出了根据本公开的一些实施例的用于确定车辆行驶轨迹的方法的示意流程图；

图3示出了根据本公开的一些实施例的粒子群算法的示意流程图；

图4示出了根据本公开的一些实施例的用于确定车辆行驶轨迹的装置的示意性框图；以及

图5示出了能够实施本公开的多个实施例的计算设备的框图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

如前文所描述，目前的技术未充分利用前方车流信息，仅仅对自车运动轨迹进行简单融合，因此造成轨迹估计的精确度不足。而且，目前对自车行驶轨迹的计算大多依赖于摄像头对车道线的检测，在非结构化道路或者其他车道线检测受阻的路况下，计算效果较差。

针对以上问题，本公开提供了一种确定车辆行驶轨迹的方案，该方案能够充分利用前方车辆信息，对多个前车轨迹进行拟合，随后对后车基于车辆的行驶参数进行半径假设，并且计算前车轨迹的各个轨迹点组成的粒子群到各个半径假设对应的轨迹曲线的距离，从而选取最优半径假设，并基于轨迹点到最优半径假设的距离确定目标行驶路径。该方式可以显著降低对摄像头的依赖，能够广泛地应用于非结构化道路、拥堵路况等场景。而且，该方法能够有效排除噪声，增加***鲁棒性。该方案能够得到目标行驶轨迹的最优估计。

下文将结合图1至图5介绍本公开的示例性实施例。

图1示出了本公开的多个实施例能够在其中实现的示例环境100的示意图。

如图1所示，在环境100的示例中，车辆110(即“自车”)正在道路行驶，其周边存在一个或多个其他车辆。车辆110例如处在拥堵环境下，感知单元(如摄像头)无法准确探测车道线信息。或者，车辆110所行驶的道路属于非结构化道路，周边的车道线不够清晰。车辆110需要准确探测前方车辆的轨迹，进而结合前方车辆的轨迹规划出最优的目标行驶轨迹，以保证行车舒适性和安全性。

应当理解，图1所示的环境100仅是车辆110正可能在其中行驶的一种示例环境。除了在室外道路上行驶之外，车辆110正还可能在隧道、室外停车场、建筑内部(例如，室内停车场)、小区、园区等各种环境中行驶。

在图1的示例中，车辆110可以是可以承载人和/或物并且通过发动机等动力***移动的任何类型的车辆，包括但不限于轿车、卡车、巴士、电动车、摩托车、房车、火车等等。在一些实施例中，环境100中的车辆110可以是具有一定自动驾驶能力的车辆，这样的车辆也被称为无人驾驶车辆或自动驾驶车辆。在一些实施例中，车辆110也可以是具有半自动驾驶能力的车辆。

如图1所示，车辆110还可以包括计算设备120。在一些实施例中，计算设备120可以通信地耦合到车辆110。虽然被示出为单独的实体，但计算设备120可以被嵌入在车辆110中。计算设备120也可以车辆110外部的实体，并且可以经由无线网络与车辆110通信。计算设备120可以是任何具有计算能力的设备。

如图1所示，作为非限制性示例，计算设备120可以是任意类型的固定计算设备、移动计算设备或便携式计算设备，包括但不限于台式计算机、膝上型计算机、笔记本计算机、上网本计算机、平板计算机、多媒体计算机、移动电话等；计算设备120的全部组件或一部分组件可以分布在云端。计算设备120至少包含处理器、存储器以及其他通常存在于通用计算机中的组件，以便实现计算、存储、通信、控制等功能。

在一些实施例中，计算设备120可以包括自动驾驶车辆速度规划的***。***结构例如可以包括***输入、信息处理、***执行等模块。其中，***输入模块可以至少包括感知单元和车身单元。感知单元可以包括雷达、摄像头等，用于获取前方车辆运动信息。车身单元可以用于获取自车运动学参数。信息处理模块可以用于前方车辆的运动信息处理，获得前方车辆在自车坐标系下的位置点灯信息，并且可以用于对自车的运动状态进行计算处理。信息处理模块还可以包括ADAS域控制器，用以实现车辆辅助驾驶算法，输出车辆控制命令。***执行模块用于执行上述的请求指令。各个单元之间参数传输包括但不限于CAN总线、以太网的传输。根据本公开的用于确定车辆行驶轨迹的各个实施例例如可以包含在ADAS域控制器中。

继续参考图1，在车辆100行驶在如前所提及的复杂环境中、感知单元无法准确提供车道线信息和周边车辆信息时，车辆100需要依靠多个前车的轨迹规划出一套最优行驶路径，以保证特殊场景下的行车安全和驾驶舒适性。

图2示出了根据本公开的一些实施例的用于确定车辆行驶轨迹的方法200的示意流程图。方法200例如可以由图1所示的计算设备120实现。

在框201，确定与多个前车中的每个前车相对应的一组历史行驶轨迹，其中一组历史行驶轨迹包括多个历史轨迹点。前车的历史轨迹可以通过车辆110的感知单元确定。例如，前方有个目标车A，A的历史点有X个，把X个历史点进行拟合就是A过去一段时间行驶的轨迹，也即历史行驶轨迹。当前方有多个车辆时，则得到与前方车辆数目相等的历史行驶轨迹。

在一些实施例中，可以利用最小二乘法对多个历史轨迹点进行拟合，以得到一组历史行驶轨迹。在一个实施例中，具体地，从感知单元获得每个车辆的历史轨迹点后，假设需要拟合的前方车辆的历史轨迹的曲线方程为二次方程：

f(x)＝C₀+C₁*x+C₂*x²

最小二乘法目的是求：

其中，x是轨迹点的纵向坐标，y是轨迹点的横向坐标。

式中y为真实值，f(x)为根据拟合曲线算出的值，要求最小值，需要对上式分别对C₀、C₁、C₂求偏导：

其中，n为曲线上点的个数，可以根据效果或经验确定，n的数量能准确计算出前车的历史轨迹方程即可。这样，转化为矩阵形式：

由此以较小的性能和算力消耗得出前车轨迹每条曲线的C₀、C₁、C₂。

需要说明，上述最小二乘法的计算方式和实施例仅仅是示例性的，还可以采用其他任意合适的方式进行拟合前车各个轨迹，本公开对此不作限制。

在框203，基于与车辆110的行驶轨迹相关联的一个或多个行驶参数，确定与车辆110的目标行驶轨迹相关联的一组半径假设，一组半径假设中的每个半径假设对应于相应半径假设圆周轨迹。

在一些实施例中，可以利用如图3所示的粒子群算法来实现以上操作和后续操作，从而将所有的前车轨迹组合成一条车辆110可以行驶的最优轨迹。该算法利用适应度函数计算所有有效轨迹上的相邻两个轨迹点到当前圆周半径的距离之差的平均值。该值越小，表明粒子群算法越接近收敛。下文将结合图3介绍该算法的工作原理。

图3示出了根据本公开的一些实施例的粒子群算法的示意流程图300。流程图300可以用于实现框203、框205以及框207中的一者或多者。

在框301，对粒子进行初始化，使得粒子处于能够进行下一步计算的状态。在框303，则计算每个粒子的适应度。适应度指算法中适应度函数的值，该算法在对动物集群活动行为观察基础上，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，通过迭代寻找最优解，从而通过适应度来评价解的品质。

进一步，在框305，则根据在框303计算得到的适应度更新全局最优值，并且在框307进一步更新粒子更新的速度和粒子的值。当达到最大迭代速度或全局最优时，则在框309得到最终输出。如果未达到最大迭代速度或全局最优，则返回框301重新迭代执行该过程，直至找到最优解。

返回框203。与车辆行驶轨迹相关联的一个或多个行驶参数例如可以是车辆110可接受的横向加速度(如最大横向加速度)、车辆的运动学轨迹、前一个周期计算的目标行驶轨迹以及其他任意合适的参数。这样，可以分别基于车辆110的横向加速度、运动学轨迹以及上一周期计算的所述目标行驶轨迹，分别确定第一半径假设、第二半径假设以及第三半径假设。假设半径的目的是迭代之前设定初始值，初始值的设置可以根据知识和经验。应当理解，初始值设置得越准确，最终输出的结果就越准确。

在一个实施例中，第一半径假设可以基于自车可接受的最大的横向加速度3m/s^2。即RadiusHyp[0]＝|Vego|^2/3。其中，Vego为自车速度。在其他实施例中，车辆可接受的速度可以根据经验进行设定。横向可以是垂直于车辆110行驶路径的方向，即车辆110行驶轨迹的法向。

在一个实施例中，第二半径假设可以基于车辆110运动学轨迹。即：RadiusHyp[1]＝1.0/VDY_c0。其中，VDY_c0为车辆110运动学轨迹模块计算出的轨迹曲率。

在一个实施例中，第三半径假设RadiusHyp[2]可以为上一周期计算的最终自车轨迹。

基于上述3种半径假设，初始化每个假设的局部最优以及粒子群的更新速度：LocalBestFit[i]＝InitFit；

LocalBestRadius[i]＝RadiusHyp[i]；

VelHyp[i]＝10；

应当理解，因为存在三个假设的初始半径，有三个适应度函数，LocalBestFit[1]LocalBestFit[2]LocalBestFit[3]其中，InitFit是上一条三个适应度函数初始值，可以根据经验给个最大值，VelHyp[i]是每个局部最优半径的更新速度，比如认为每个循环局部半径的值变换10m。

需要说明，以上半径假设和取值都是示意性的，还可以采用任意合适的半径假设和取值，本公开对此不作限制。

在框205，基于多个历史轨迹点中的相邻点到相应半径假设圆周轨迹的距离差，在一组半径假设中选取最优半径假设。

在一些实施例中，可以基于上一周期车辆的行驶轨迹曲率，确定起始全局最优半径。随后，基于所确定的起始全局最优半径，计算多个历史轨迹点中的每个点到与起始全局最优半径相对应的圆周轨迹的距离。进一步，获取多个历史轨迹点中的相邻点到与起始全局最优半径相对应的圆周轨迹距离的差值绝对值。最后，计算差值绝对值的平均值，用于判断与一组半径假设中的相应半径假设相对应的目标行驶轨迹优劣。

在一个实施例中，可以基于上一周期的自车轨迹曲率TraceCurve，确定起始的全局最优半径。即：GlobalBestRadius＝1/TraceCurve。接下来，可以根据上述操作确定的全局最优半径GlobalBestRadius，以如下操作来确定对应的适应度值：

S1：计算前车轨迹点到全局最优半径圆周轨迹的距离；

S2：计算前车轨迹上相邻两个轨迹点到圆周轨迹距离的差值的绝对值；以及

S3：计算圆周轨迹距离差值的平均值Curve2TraceDevAverage，该值用于判断融合曲线的优劣。

因此，起始的全局最优半径适应度值GlobalBestFit即等于Curve2TraceDevAverage。

在一些实施例中，可以依次计算多个历史轨迹点中的所有轨迹点到与一组半径假设中的每个半径假设对应的半径假设圆周轨迹的差值绝对值的平均值，并且将与平均值中最小值对应的半径假设确定为最优半径假设。

全局最优半径GlobalBestRadius是上一个周期的最终输出，本周期可以在上一周期输出三个假设半径之中找适应度函数最小的作为本周期一开始的最优半径假设。在一个实施中，依次计算所有轨迹点到每个假设半径圆周的距离差值的平均值，重复上面过程，仅将GlobalBestRadius替换成对应的RadiusHyp[i]。则对应的局部最优为：

LocalBestFit[i]；

if(LocalBestFit[i]<GlobalBestFit)

{

GlobalBestFit＝LocalBestFit[i]；

GlobalBestRadius＝RadiusHyp[i]；

}

需要说明，上述寻找最优半径假设的方式仅仅是示意性的，还可以采用其他任意合适的方式寻找最优半径假设，本公开对此不作限制。

在框207，根据所选取的最优半径假设，确定目标行驶轨迹的局部最优半径及全局最优半径中的至少一者。

在一些实施例中，可以计算多个历史轨迹点中的所有点到与最优半径假设对应的圆周轨迹上的差值平均值，然后基于差值平均值，确定目标行驶轨迹的局部最优半径及全局最优半径中的至少一者，并且基于局部最优半径及全局最优半径中的至少一者，得到目标行驶轨迹。

在一个实施例中，可以通过执行迭代循环来确定目标行驶轨迹的局部最优半径和全局最优半径：

RadiusHyp[i]＝RadiusHyp[i]+VelHyp[i]；

计算所有轨迹点到该半径假设圆周轨迹上的距离差值的平均值，得到Curve2TraceDevAverage。

然后可以通过如下方式寻找局部最优半径：

如果Curve2TraceDevAverage比上一周期的LocalBestFit[i]更小，说明此时的RadiusHyp[i]误差更小，用当前的RadiusHyp[i]替换LocalBestRadius[i]：

if(LocalBestFit[i]>Curve2TraceDevAverage)

{

LocalBestFit[i]＝Curve2TraceDevAverage；

LocalBestRadius[i]＝RadiusHyp[i]；

}

进一步，可以通过如下方式寻找全局最优：

if(GlobalBestFit[i]>Curve2TraceDevAverage)

{

GlobalBestFit[i]＝Curve2TraceDevAverage；

GlobalBestRadius＝RadiusHyp[i]；

}

可以根据不同的需求设置算法的迭代次数，迭代次数越多，那么最终的结果越接近真实值。算法达到迭代次数之后，就可以得到目标行驶轨迹的半径GlobalBestRadius。

需要说明，上述各个实施例可以通过图3所示的计算方法来实现，也可以采用其他合适的计算方法来实现，本公开对此不作限制。

这样一来，根据本公开的各个实施例能够充分利用前方车辆的历史轨迹信息，通过对前车单条轨迹拟合，并且依据前车轨迹信息利用预设算法求出车辆目标行驶轨迹的最优估计，显著提升***的鲁棒性和计算效率，保证复杂环境下车辆的行车安全。

图4示出了根据本公开的一些实施例的用于确定车辆行驶轨迹的装置400的示意性框图。

如图4所示，装置400包括前车历史行驶轨迹确定模块401、半径假设确定模块403、最优假设半径选取模块405以及目标最优半径确定模块407。

在装置400中，前车历史行驶轨迹确定模块401被配置为确定与多个前车中的每个前车相对应的一组历史行驶轨迹，其中一组历史行驶轨迹包括多个历史轨迹点。半径假设确定模块403被配置为基于与车辆的行驶轨迹相关联的一个或多个行驶参数，确定与车辆的目标行驶轨迹相关联的一组半径假设，一组半径假设中的每个半径假设对应于相应的半径假设圆周轨迹；最优假设半径选取模块405被配置为基于多个历史轨迹点中的相邻点到相应的半径假设圆周轨迹的距离差，在一组半径假设中选取最优半径假设。目标最优半径确定模块407被配置为根据所选取的最优半径假设，确定与目标行驶轨迹相关联的局部最优半径及全局最优半径中的至少一者。

在一些实施例中，前车历史行驶轨迹确定模块401还可以被配置为：利用最小二乘法对多个历史轨迹点进行拟合，以得到一组历史行驶轨迹。

在一些实施例中，半径假设确定模块403还可以被配置为基于车辆的横向加速度，确定第一半径假设；基于车辆的运动学轨迹，确定第二半径假设；以及基于上一周期计算的目标行驶轨迹，确定第三半径假设。

在一些实施例中，最优假设半径选取模块405还可以被配置为：基于上一周期车辆的行驶轨迹曲率，确定起始全局最优半径；基于所确定的起始全局最优半径，计算多个历史轨迹点中的每个点到与起始全局最优半径相对应的圆周轨迹的距离；获取多个历史轨迹点中的相邻点到与起始全局最优半径相对应的圆周轨迹距离的差值绝对值；以及计算差值绝对值的平均值，用于判断与一组半径假设中的相应半径假设相对应的目标行驶轨迹优劣。

在一些实施例中，最优假设半径选取模块405还可以被配置为：依次计算多个历史轨迹点中的所有轨迹点到与一组半径假设中的每个半径假设对应的半径假设圆周轨迹的差值绝对值的平均值；以及将与平均值中最小值对应的半径假设确定为最优半径假设。

在一些实施例中，装置400可以被配置为：计算多个历史轨迹点中的所有点到与最优半径假设对应的圆周轨迹上的差值平均值。

在一些实施例中，目标最优半径确定模块407还可以被配置为：基于差值平均值，确定与目标行驶轨迹相关联的局部最优半径及全局最优半径中的至少一者；以及基于局部最优半径及全局最优半径中的至少一者，得到目标行驶轨迹。

图5示出了能够实施本公开的多个实施例的计算设备500的框图。设备500例如可以用于实现图1的计算设备120。

如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序指令或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序指令，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元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。

设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM503并由计算单元501执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)等等。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (10)

1.一种用于确定车辆行驶轨迹的方法，其特征在于，包括：

确定与多个前车中的每个前车相对应的一组历史行驶轨迹，其中一组所述历史行驶轨迹包括多个历史轨迹点；

基于与所述车辆的行驶轨迹相关联的一个或多个行驶参数，确定与所述车辆的目标行驶轨迹相关联的一组半径假设，一组所述半径假设中的每个半径假设对应于相应半径假设圆周轨迹；

基于多个历史轨迹点中的相邻点到相应所述半径假设圆周轨迹的距离差，在一组所述半径假设中选取最优半径假设；以及

根据所选取的所述最优半径假设，确定与所述目标行驶轨迹相关联的局部最优半径及全局最优半径中的至少一者。

2.根据权利要求1所述的方法，其特征在于，确定与多个前车中的每个前车相对应的一组历史行驶轨迹优选地包括：

利用最小二乘法对多个历史轨迹点进行拟合，以得到一组所述历史行驶轨迹。

3.根据权利要求1所述的方法，其特征在于，基于与所述车辆的行驶轨迹相关联的一个或多个行驶参数，确定与所述车辆的目标行驶轨迹相关联的一组半径假设包括：

基于所述车辆的横向加速度，确定第一半径假设；

基于所述车辆的运动学轨迹，确定第二半径假设；以及

基于上一周期计算的所述目标行驶轨迹，确定第三半径假设。

4.根据权利要求1至3中任一项所述的方法，其特征在于，基于多个历史轨迹点中的相邻点到相应的所述半径假设圆周轨迹的距离差，在一组所述半径假设中选取最优半径假设包括：

基于上一周期所述车辆的行驶轨迹曲率，确定起始全局最优半径；

基于所确定的所述起始全局最优半径，计算多个历史轨迹点中的每个点到与所述起始全局最优半径相对应的圆周轨迹的距离；

获取多个历史轨迹点中的相邻点到与所述起始全局最优半径相对应的圆周轨迹距离的差值绝对值；以及

计算所述差值绝对值的平均值，用于判断与一组所述半径假设中的相应半径假设相对应的目标行驶轨迹优劣。

5.根据权利要求4所述的方法，其特征在于，基于多个历史轨迹点中的相邻点到相应的所述半径假设圆周轨迹的距离差，在一组所述半径假设中选取最优半径假设包括：

依次计算多个历史轨迹点中的所有轨迹点到与一组所述半径假设中的每个半径假设对应的所述半径假设圆周轨迹的所述差值绝对值的平均值；以及

将与所述平均值中最小值对应的所述半径假设确定为所述最优半径假设。

6.根据权利要求5所述的方法，其特征在于，所述方法包括：

计算多个历史轨迹点中的所有点到与所述最优半径假设对应的圆周轨迹上的差值平均值。

7.根据权利要求6所述的方法，其特征在于，根据所选取的所述最优半径假设，确定与所述目标行驶轨迹相关联的局部最优半径及全局最优半径中的至少一者包括：

基于所述差值平均值，确定与所述目标行驶轨迹相关联的局部最优半径及全局最优半径中的至少一者；以及

基于所述局部最优半径及所述全局最优半径中的至少一者，得到所述目标行驶轨迹。

8.一种用于确定车辆行驶轨迹的装置，其特征在于，包括：

前车历史行驶轨迹确定模块，被配置为确定与多个前车中的每个前车相对应的一组历史行驶轨迹，其中一组所述历史行驶轨迹包括多个历史轨迹点；

半径假设确定模块，被配置为基于与所述车辆的行驶轨迹相关联的一个或多个行驶参数，确定与所述车辆的目标行驶轨迹相关联的一组半径假设，一组所述半径假设中的每个半径假设对应于相应的半径假设圆周轨迹；

最优假设半径选取模块，被配置为基于多个历史轨迹点中的相邻点到相应的所述半径假设圆周轨迹的距离差，在一组所述半径假设中选取最优半径假设；以及

目标最优半径确定模块，被配置为根据所选取的所述最优半径假设，确定与所述目标行驶轨迹相关联的局部最优半径及全局最优半径中的至少一者。

9.一种电子设备，所述设备包括：

一个或多个处理器；以及

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根据权利要求1至7中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现根据权利要求1至7中任一项所述的方法。