一种用于无人驾驶的轨迹预测方法技术

一种用于无人驾驶的轨迹预测方法，对历史轨迹数据利用马尔科夫算法进行轨迹预测，通过比较预测值和真实值来找出不合理的预测结果，再依据车辆行驶过程中的具体路况信息修正部分预测结果，具有预测准确率高的特点。

A trajectory prediction method for unmanned driving

【技术实现步骤摘要】
一种用于无人驾驶的轨迹预测方法
本专利属于城市交通中的轨迹预测
，特别涉及一种用于无人驾驶的轨迹预测方法。
技术介绍
随着互联网的快速发展和科技的突飞猛进，已进行了上百年的汽车领域的智能化也迎来了前所未有的发展期。安全技术也日趋成熟，比如：电子稳定系统、主动刹车系统、车道偏离与保持系统等。但是由于驾驶者的操作失误而造成的交通事故依然占有93％以上。而且驾驶者毕竟存在反应时间和主观思维，这就导致在发生危险时难以做出最优决策从而成为事故发生的主要因素。因此，要减少交通事故的发生，实现道路交通零伤亡，无人驾驶技术的发展就显得势在必行。通过将智能网联和无人驾驶汽车相结合，组成一个庞大的智能交通网络来最大化发挥智能化以提高道路通行能力，节约能源，减少拥堵，改善生活环境。通过对历史轨迹数据的挖掘，预测下一时段车辆的位置信息。根据这些预测信息，车辆可以提前做出决策，改变出行时间或者出行路线的方式来规避可能发生的交通拥堵，从而最大程度地缓解城市交通拥堵问题。专利内容为克服上述现有技术的不足，本专利的目的在于提供一种用于无人驾驶的轨迹预测方法，依据车辆历史轨迹数据，通过马尔科夫算法获得概率分布，预测出车辆行驶路线；依据车辆行驶的场景信息修正概率分布，调高预测准确率。为实现上述目的，本专利采用的技术方案是：一种用于无人驾驶的轨迹预测算法，包括以下步骤：步骤1，获取触发马尔科夫算法的运行指令；步骤2，采集车辆历史轨迹数据及其发生的场景信息，并生成预测算法所需的数据源；<br>步骤3，利用马尔科夫算法计算状态转移概率，建立状态转移矩阵，从而得到预测轨迹；步骤4，将步骤3获得的车辆的预测轨迹与实际的车辆轨迹进行对比，若存在误差，则改进马尔科夫算法，修正不合理的预测结果，提高轨迹预测准确率；发现只能达到65％的预测精度；由于马尔科夫算法每次都会选择最大值，但当最大值和第二大值之间的差过小时，实际行驶过程中选择最大值路口与第二大值路口相比是偶然的；所述的步骤3，具体做法是：设某道路共有n个路口，马尔科夫状态转移矩阵为一个n*n的矩阵，一步状态转移矩阵P中的第i行第j列元素Pij表示其经过路口i后再通过路口j的概率，i≥1，j≤n，其计算公式为式(1)：其中，Nij表示的是历史轨迹数据中先通过i路口再通过j路口的次数，i和j必须为相邻路口，得到一步状态转移矩阵P，进一步得到k步状态转移矩阵，为式(2)：P(k)＝Pk(2)根据公式(1)得到的一步状态转移矩阵P如式(3)所示：矩阵中的行号代表路口总数为n的历史数据构成的当前已知的轨迹路口,列号代表未来通过的下一路口；据当前位置扫描矩阵得到行号,选取对应行号所在的一行数据进行比较；概率最大的列号作为未来的下一路口,然后将此路口作为当前位置再次代入状态转移矩阵进行迭代求解,最终得到未来一系列的车辆轨迹；根据公式(2)得到的k步状态转移矩阵P(k)如式(4)所示：式中，请对各参数进行说明Pij为经过路口i后再通过路口j的概率，Nij为历史轨迹数据中先通过i路口再通过j路口的次数，i和j必须为相邻路口，P为一步状态转移矩阵，P(k)为k步状态转移矩阵，Pkij为通过路口i经过k步再通过路口j的概率，矩阵中的行号代表路口总数为n的历史数据构成的当前已知的轨迹路口,列号代表未来通过的下一路口；步骤4所述的改进马尔科夫算法，通过设置状态转移矩阵中一个在最大值和第二大值之间的阈值δ来改进；如果两值之差大于δ，则认为车辆未来通过的下一个路口等于状态转移矩阵的最大值；当小于δ时，则根据最大值路口是否交通拥堵采取不同的方法；可以分为两个不同情况：1)如果最大值路口交通不拥堵时，本专利认为车辆通过的下一路口仍然等于状态转移矩阵中的最大值。2)如果最大值路口交通拥堵时；则车辆会选择走状态转移矩阵中的第二大值路口。与现有技术相比，本专利技术的有益效果是：本专利通过分析实际的行驶情况，提出了改进的马尔科夫预测算法。在轨迹预测时，解决了马尔科夫算法在预测结果选择时可能出现的偶然性问题，有效融合了车辆行驶过程中的具体路况信息，提高了轨迹预测的准确率。附图说明图1为本专利技术的流程图。具体实施方式下面结合附图及实施例对本专利技术作进一步说明：本专利技术的核心是：通过将马尔科夫算法得到的预测结果和实际结果相比较，结合具体的路况信息，发现在预测过程中一些不合理的预测，修正部分预测结果，进而提高预测的准确率。具体算法流程如下：参见图1，一种用于无人驾驶的轨迹预测方法，包括以下步骤：步骤1，获取触发马尔科夫算法的运行指令；步骤2，采集车辆历史轨迹数据及其发生的场景信息，并生成预测算法所需的数据源；步骤3，利用马尔科夫算法计算状态转移概率，建立状态转移矩阵，从而得到预测轨迹；具体做法是：设某道路共有n个路口，马尔科夫状态转移矩阵为一个n*n的矩阵，一步状态转移矩阵P中的第i行第j列元素Pij表示其经过路口i(i≥1)后再通过路口j(j≤n)的概率，其计算公式为式(1)：其中，Nij表示的是历史轨迹数据中先通过i路口再通过j路口的次数，i和j必须为相邻路口，从而得到一步状态转移矩阵P，进一步得到k步状态转移矩阵，为式(2)：P(k)＝Pk(2)根据公式(1)得到的一步状态转移矩阵P如式(3)所示：矩阵中的行号代表路口总数为n的历史数据构成的当前已知的轨迹路口,列号代表未来通过的下一路口；据当前位置扫描矩阵得到行号,选取对应行号所在的一行数据进行比较；概率最大的列号作为未来的下一路口,然后将此路口作为当前位置再次代入状态转移矩阵进行迭代求解,最终得到未来一系列的车辆轨迹；根据公式(2)得到的k步状态转移矩阵P(k)如式(4)所示：步骤4，我们将用步骤3得到的车辆预测轨迹与实际的车辆轨迹进行对比，发现只能达到65％的预测精度。由于马尔科夫算法每次都会选择最大值，但当最大值和第二大值之间的差过小时，实际行驶过程中选择最大值路口与第二大值路口相比是偶然的。本实施例通过设置状态转移矩阵中一个在最大值和第二大值之间的阈值δ来解决这个问题。如果两值之差大于δ，则认为车辆未来通过的下一个路口等于状态转移矩阵的最大值。当小于δ时，则根据最大值路口是否交通拥堵采取不同的方法。可以分为两个不同情况：1)最大值路口交通不拥堵时；2)最大值路口交通拥堵时。1)如果交通不拥堵，本专利认为车辆通过的下一路口仍然等于状态转移矩阵中的最大值。2)如果交通拥堵，则车辆会选择走状态转移矩阵中的第二大值路口。本文档来自技高网...

【技术保护点】
1.一种用于无人驾驶的轨迹预测方法，其特征在于，包括以下步骤：/n步骤1，获取触发马尔科夫算法的运行指令；/n步骤2，采集车辆历史轨迹数据及其发生的场景信息，并生成预测算法所需的数据源；/n步骤3，利用马尔科夫算法计算状态转移概率，建立状态转移矩阵，得到预测轨迹；/n步骤4，将步骤3获得的预测轨迹与实际行驶轨迹进行对比，若存在误差，则改进马尔科夫算法，修正不合理的预测结果，提高轨迹预测准确率。/n

【技术特征摘要】
1.一种用于无人驾驶的轨迹预测方法，其特征在于，包括以下步骤：
步骤1，获取触发马尔科夫算法的运行指令；
步骤2，采集车辆历史轨迹数据及其发生的场景信息，并生成预测算法所需的数据源；
步骤3，利用马尔科夫算法计算状态转移概率，建立状态转移矩阵，得到预测轨迹；
步骤4，将步骤3获得的预测轨迹与实际行驶轨迹进行对比，若存在误差，则改进马尔科夫算法，修正不合理的预测结果，提高轨迹预测准确率。


2.根据权利要求1所述的一种用于无人驾驶的轨迹预测方法，其特征在于，所述的步骤3，具体做法是：
设某道路共有n个路口，马尔科夫状态转移矩阵为一个n*n的矩阵，一步状态转移矩阵P中的第i行第j列元素Pij表示其经过路口i后再通过路口j的概率，i≥1，j≤n，其计算公式为式(1)：



其中，Nij表示的是历史轨迹数据中先通过i路口再通过j路口的次数，i和j必须为相邻路口，得到一步状态转移矩阵P，进一步得到k步状态转移矩阵，为式(2)：
P(k)＝Pk。(2)
根据公式(1)得到的一步状态转移矩阵P如式(3)所示：



矩阵中的行号代表路口总数为n的历史数据构成的当前已知的轨迹路口,列号代表未来通过的下一路口；据当前位置扫描矩阵得到行号,选取对应行号所在的一行数据进行比较；概率最大的列号作为未来的下一路口,然后将此路口作为当前位置再次代入状态转移矩阵进行迭代求解,最...

【专利技术属性】
技术研发人员：高岭，王泽天，高全力，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：陕西;61