一种运动轨迹预测方法及装置制造方法及图纸

本发明专利技术提供了一种运动轨迹预测方法及装置，在得到障碍物运动信息和车道线信息之后，可以首先基于障碍物运动信息，确定目标障碍物在第一预设时间内的短时行驶轨迹，然后根据障碍物运动信息和车道线信息，确定目标障碍物在第二预设时间内的长时行驶轨迹，最后对短时行驶轨迹和长时行驶轨迹进行轨迹融合，得到目标障碍物的预测行驶轨迹。通过本发明专利技术可以在自动驾驶控制时知道目标障碍物的预测行驶轨迹，在目标障碍物进行近距离的车辆切入等工况时，提前进行障碍物规避。

【技术实现步骤摘要】
一种运动轨迹预测方法及装置
本专利技术涉及自动驾驶领域，更具体的说，涉及一种运动轨迹预测方法及装置。
技术介绍
具有高级驾驶辅助系统ADAS(AdvancedDrivingAssistantSystem)功能的车辆，通过安装在车辆上的摄像头、雷达等传感器实时采集车辆行驶道路上的障碍物。但是在检测障碍物时，本车仅采集了障碍物的当前相对位置，但基于障碍物的当前相对位置进行自动驾驶控制会在一些工况下，如近距离的车辆切入工况，容易出现本车制动过猛，甚至出现刹车失败而发生碰撞的现象。
技术实现思路
有鉴于此，本专利技术提供一种运动轨迹预测方法及装置，以解决本车仅采集了障碍物的当前相对位置，但基于障碍物的当前相对位置进行自动驾驶控制会在一些工况下，如近距离的车辆切入工况，容易出现本车制动过猛，甚至出现刹车失败而发生碰撞的现象的问题。为解决上述技术问题，本专利技术采用了如下技术方案：一种运动轨迹预测方法，包括：对毫米波雷达和摄像头分别采集的目标障碍物的初始障碍物运动信息进行信息融合，得到障碍物运动信息；对所述摄像头检测的道路车道线信息和高精地图输出的道路车道线信息进行信息融合，得到车道线信息；基于所述障碍物运动信息，确定所述目标障碍物在第一预设时间内的短时行驶轨迹；根据所述障碍物运动信息和所述车道线信息，确定所述目标障碍物在第二预设时间内的长时行驶轨迹；所述第二预设时间大于所述第一预设时间；对所述短时行驶轨迹和所述长时行驶轨迹进行轨迹融合，得到所述目标障碍物的预测行驶轨迹。优选地，对所述短时行驶轨迹和所述长时行驶轨迹进行轨迹融合，得到所述目标障碍物的预测行驶轨迹，包括：预测行驶轨迹Trajectoryfinal(t)的计算公式为：Trajectoryfinal(t)＝f(t)·Trajectorymodel(t)+(1-f(t))·Trajectorymaneuver(t)；其中，f(t)为融合权重系数；Trajectorymodel(t)为短时行驶轨迹；Trajectorymaneuver(t)为长时行驶轨迹。优选地，基于所述障碍物运动信息，确定所述目标障碍物在第一预设时间内的短时行驶轨迹，包括：获取车辆运动学模型；所述车辆运动学模型用于对所述目标障碍物的行驶轨迹进行预测；根据所述障碍物运动信息和所述车辆运动学模型，确定所述短时行驶轨迹Trajectorymodel(t)；Trajectorymodel(t)＝(xmdl(t)，ymdl(t))其中，xmdl为预测得到的短时行驶轨迹纵向距离；ymdl为预测得到的短时行驶轨迹横向距离。优选地，根据所述障碍物运动信息和所述车道线信息，确定所述目标障碍物在第二预设时间内的长时行驶轨迹，包括：基于所述车道线信息和所述障碍物运动信息，确定所述目标障碍物的行驶轨迹状态信息Xpath、以及与所述目标障碍物距离最近的目标车道线上的目标点；Xpath＝[Dis2LineRatioobj,θobj,Υobj]T其中，Dis2LineRatioobj为所述目标障碍物距所述目标障碍物所在的当前车道中心线的距离与车道宽的比值；θobj为所述目标障碍物的航向，T为向量/矩阵的转置；轨迹曲率Υobj为所述目标障碍物的角速度ωobj与所述目标障碍物的速度vobj的比值；Υobj＝ωobj/vobj确定所述目标车道线上的目标点的目标车道线状态信息Xlane＝[0,θlane,Υlane]T其中，θlane是所述目标点处的航向，Υlane是所述目标点处的曲率，T为向量/矩阵的转置；根据所述目标车道线状态信息和所述行驶轨迹状态信息，确定所述目标障碍物的当前行驶轨迹与所述目标障碍物所在的当前车道的中心线的当前轨迹偏差值；基于所述当前轨迹偏差值，确定所述目标障碍物的目标行驶车道；基于所述目标行驶车道和所述障碍物运动信息，确定所述目标障碍物的长时行驶轨迹。优选地，基于所述当前轨迹偏差值，确定所述目标障碍物的目标行驶车道，包括：获取历史轨迹偏差值；计算所述当前轨迹偏差值和所述历史轨迹偏差值的偏差之和；若所述偏差之和小于等于第一预设阈值，确定所述目标障碍物的目标行驶车道为所述目标障碍物所在的当前车道；若所述偏差之和大于所述第一预设阈值，基于所述历史轨迹偏差值和所述当前轨迹偏差值，确定轨迹偏差的变化趋势；若所述变化趋势为不断变小，确定所述目标障碍物的目标行驶车道为本车所在的当前车道；若所述变化趋势为不断变大，确定所述目标障碍物的目标行驶车道为所述目标障碍物所在的当前车道的相邻车道中与所述目标障碍物的当前行驶轨迹的偏差值较小的车道。优选地，基于所述目标行驶车道和所述目标障碍物运动信息，确定所述目标障碍物的长时行驶轨迹，包括：基于所述目标行驶车道和所述目标障碍物运动信息，确定在所述第二预设时间内的多个长时行驶轨迹；从所述长时行驶轨迹中筛选出一条满足预设轨迹筛选规则的长时行驶轨迹Trajectorymaneuver(t)；Trajectorymaneuver＝(xmane(t),ymane(t))其中，xmane为预测得到的长时轨迹纵向距离；ymane为预测得到的长时轨迹横向距离。优选地，对毫米波雷达和摄像头分别检测的目标障碍物的初始障碍物运动信息进行信息融合，得到障碍物运动信息，包括：获取所述毫米波雷达和所述摄像头分别采集的历史障碍物运动信息；计算所述毫米波雷达和所述摄像头分别检测的每一目标障碍物运动信息中所述目标障碍物的相似度；所述目标障碍物运动信息包括所述初始障碍物运动信息和所述历史障碍物运动信息；当所有的所述相似度均在预设阈值内时，将所述毫米波雷达和所述摄像头分别检测的初始障碍物运动信息进行加权融合，得到所述障碍物运动信息X；X＝[x,y,vx,vy,ax,ay]T；其中，x、y分别为所述目标障碍物距本车的纵向、横向距离，vx、vy分别为所述目标障碍物相对本车的纵向、横向相对速度，ax、ay分别为所述目标障碍物相对本车的纵向、横向相对加速度，T表示向量/矩阵的转置。优选地，对所述摄像头检测的道路车道线信息和高精地图输出的道路车道线信息进行信息融合，得到车道线信息，包括：车道线信息的计算公式为：其中，FusionLanes表示融合后的车道线信息；CamLanes表示所述摄像头检测的道路车道线信息，CamQuality表示所述摄像头的车道线检测质量值；HDMapLanes表示所述高精地图输出的道路车道线信息；PosQuality表示所述高精地图的车道线定位质量值；Const1、Const2为常数。一种运动轨迹预测装置，包括：运动信息确定模块，用于对毫米波雷达和摄像头分别采集的目标障碍物的初始障碍物运动信息进行信息融合，得到障碍物运动信息；车道线信息确定模块，用于对所述摄像头检测的道路车道线信息和高精地图输出的道路车道线信息进行信息融合，得到车道线信息；短时轨迹预测模块，用于基于所述障碍物运动信息，确定所述目标障碍物在第一预设时间内的短时行驶轨迹；长时轨迹预测模块，用于根据所述障碍物运动信息和所述车道线信息，确定所述目标障碍物在第二预设时间内的长时行驶轨迹；所述第二预设时间大于所述第一预设时间；轨迹融合模块，用于对所述短时行驶轨迹和所述长时行驶轨迹进行轨迹融合，得到所述目标障碍物的预测行驶轨迹。优选地，所述轨迹融合模块本文档来自技高网...

【技术保护点】
1.一种运动轨迹预测方法，其特征在于，包括：对毫米波雷达和摄像头分别采集的目标障碍物的初始障碍物运动信息进行信息融合，得到障碍物运动信息；对所述摄像头检测的道路车道线信息和高精地图输出的道路车道线信息进行信息融合，得到车道线信息；基于所述障碍物运动信息，确定所述目标障碍物在第一预设时间内的短时行驶轨迹；根据所述障碍物运动信息和所述车道线信息，确定所述目标障碍物在第二预设时间内的长时行驶轨迹；所述第二预设时间大于所述第一预设时间；对所述短时行驶轨迹和所述长时行驶轨迹进行轨迹融合，得到所述目标障碍物的预测行驶轨迹。

【技术特征摘要】
1.一种运动轨迹预测方法，其特征在于，包括：对毫米波雷达和摄像头分别采集的目标障碍物的初始障碍物运动信息进行信息融合，得到障碍物运动信息；对所述摄像头检测的道路车道线信息和高精地图输出的道路车道线信息进行信息融合，得到车道线信息；基于所述障碍物运动信息，确定所述目标障碍物在第一预设时间内的短时行驶轨迹；根据所述障碍物运动信息和所述车道线信息，确定所述目标障碍物在第二预设时间内的长时行驶轨迹；所述第二预设时间大于所述第一预设时间；对所述短时行驶轨迹和所述长时行驶轨迹进行轨迹融合，得到所述目标障碍物的预测行驶轨迹。2.根据权利要求1所述的运动轨迹预测方法，其特征在于，所述对所述短时行驶轨迹和所述长时行驶轨迹进行轨迹融合，得到所述目标障碍物的预测行驶轨迹，包括：预测行驶轨迹Trajectoryfinal(t)的计算公式为：Trajectoryfinal(t)＝f(t)·Trajectorymodel(t)+(1-f(t))·Trajectorymaneuver(t)；其中，f(t)为融合权重系数；Trajectorymodel(t)为短时行驶轨迹；Trajectorymaneuver(t)为长时行驶轨迹。3.根据权利要求2所述的运动轨迹预测方法，其特征在于，所述基于所述障碍物运动信息，确定所述目标障碍物在第一预设时间内的短时行驶轨迹，包括：获取车辆运动学模型；所述车辆运动学模型用于对所述目标障碍物的行驶轨迹进行预测；根据所述障碍物运动信息和所述车辆运动学模型，确定所述短时行驶轨迹Trajectorymodel(t)；Trajectorymodel(t)＝(xmdl(t)，ymdl(t))其中，xmdl为预测得到的短时行驶轨迹纵向距离；ymdl为预测得到的短时行驶轨迹横向距离。4.根据权利要求2所述的运动轨迹预测方法，其特征在于，所述根据所述障碍物运动信息和所述车道线信息，确定所述目标障碍物在第二预设时间内的长时行驶轨迹，包括：基于所述车道线信息和所述障碍物运动信息，确定所述目标障碍物的行驶轨迹状态信息Xpath、以及与所述目标障碍物距离最近的目标车道线上的目标点；Xpath＝[Dis2LineRatioobj,θobj,Υobj]T其中，Dis2LineRatioobj为所述目标障碍物距所述目标障碍物所在的当前车道中心线的距离与车道宽的比值；θobj为所述目标障碍物的航向，T为向量/矩阵的转置；轨迹曲率Υobj为所述目标障碍物的角速度ωobj与所述目标障碍物的速度vobj的比值；Υobj＝ωobj/vobj确定所述目标车道线上的目标点的目标车道线状态信息Xlane＝[0,θlane,Υlane]T其中，θlane是所述目标点处的航向，Υlane是所述目标点处的曲率，T为向量/矩阵的转置；根据所述目标车道线状态信息和所述行驶轨迹状态信息，确定所述目标障碍物的当前行驶轨迹与所述目标障碍物所在的当前车道的中心线的当前轨迹偏差值；基于所述当前轨迹偏差值，确定所述目标障碍物的目标行驶车道；基于所述目标行驶车道和所述障碍物运动信息，确定所述目标障碍物的长时行驶轨迹。5.根据权利要求4所述的运动轨迹预测方法，其特征在于，所述基于所述当前轨迹偏差值，确定所述目标障碍物的目标行驶车道，包括：获取历史轨迹偏差值；计算所述当前轨迹偏差值和所述历史轨迹偏差值的偏差之和；若所述偏差之和小于等于第一预设阈值，确定所述目标障碍物的目标行驶车道为所述目标障碍物所在的当前车道；若所述偏差之和大于所述第一预设阈值，基于所述历史轨迹偏差值和所述当前轨迹偏差值，确定轨迹偏差的变化趋势；若所述变化趋势为不断变小，确定所述目标障碍物的目标行驶车道...

【专利技术属性】
技术研发人员：葛彦悟，万国强，朱明，刘祥，
申请(专利权)人：北京经纬恒润科技有限公司，
类型：发明
国别省市：北京,11