复杂场景下车辆长期轨迹预测方法及系统技术方案

本发明专利技术提供了一种复杂场景下车辆长期轨迹预测方法及系统，包括：步骤1：根据车载传感器采集车辆状态信息，利用隐马尔科夫模型对车辆状态信息进行判断，得出车辆驾驶意图；步骤2：根据车辆驾驶意图，建立加速度预测模型并得到预测加速度；步骤3：根据预测加速度，采用匀加速模型迭代计算出长期的车辆预测轨迹。本发明专利技术提出了GPR预测轨迹模型，准确有效地预测车辆未来长期的行驶轨迹，适用于复杂场景，提高了车辆长期行驶轨迹预测的准确性与预测精度，增强了车辆行驶的高效性与安全性。

【技术实现步骤摘要】
复杂场景下车辆长期轨迹预测方法及系统
本专利技术涉及智能驾驶
，具体地，涉及一种复杂场景下车辆长期轨迹预测方法及系统。
技术介绍
智能驾驶技术代表了一个国家科研实力和工业发展水平，智能车辆自动行驶，驾驶员仅仅做高级的目的性操作，而让驾驶活动中常规的、持久且疲劳的操作自动完成，能够极大地提高智能交通系统的效率，增强我国汽车产业的核心竞争力。随着智能驾驶技术的发展，车辆轨迹预测是一个值得研究的重点。智能车辆在驾驶过程中的安全性和高效性，与车辆轨迹的预测息息相关。特别地，在复杂场景下车辆的长期轨迹预测，对于车辆的驾驶安全和行驶效率有着十分重要的影响。如何准确、可靠地预测车辆的长期行驶轨迹，成为了智能驾驶技术研究的关键问题之一。专利文献CN110176142A(申请号：201910416613.6)公开了一种车辆轨迹预测模型建立及预测方法，所述车辆轨迹预测模型建立，包括以下步骤：获取车辆的历史行驶轨迹数据，构建所述车辆的单辆车轨迹数据和路网车辆轨迹数据；进行筛选，得到筛选单辆车轨迹数据和筛选路网车辆轨迹数据；进行卡口补全，得到有效本文档来自技高网...

【技术保护点】
1.一种复杂场景下车辆长期轨迹预测方法，其特征在于，包括：/n步骤1：根据车载传感器采集车辆状态信息，利用隐马尔科夫模型对车辆状态信息进行判断，得出车辆驾驶意图；/n步骤2：根据车辆驾驶意图，建立加速度预测模型并得到预测加速度；/n步骤3：根据预测加速度，采用匀加速模型迭代计算出长期的车辆预测轨迹。/n

【技术特征摘要】
1.一种复杂场景下车辆长期轨迹预测方法，其特征在于，包括：
步骤1：根据车载传感器采集车辆状态信息，利用隐马尔科夫模型对车辆状态信息进行判断，得出车辆驾驶意图；
步骤2：根据车辆驾驶意图，建立加速度预测模型并得到预测加速度；
步骤3：根据预测加速度，采用匀加速模型迭代计算出长期的车辆预测轨迹。


2.根据权利要求1所述的复杂场景下车辆长期轨迹预测方法，其特征在于，所述步骤1包括：对不同驾驶操作，建立操作层的隐马尔科夫模型并进行参数训练和优化；
对不同驾驶意图，建立意图层的隐马尔科夫模型并进行参数训练和优化；
将操作层的隐马尔科夫模型参数与意图层的隐马尔科夫模型参数进行似然度计算，得到车辆驾驶意图；
所述隐马尔科夫模型参数，包括：方向盘转向角、方向盘转向角速度、车辆横摆角速度、车辆位置、车辆速度和车辆加速度。


3.根据权利要求1所述的复杂场景下车辆长期轨迹预测方法，其特征在于，所述步骤2包括：根据高斯过程回归模型GPR算法建立加速度与车辆当前位置和速度的映射关系，得到X方向及Y方向上的GPR加速度预测模型；
在t时刻将车辆X和Y方向的加速度预测解耦，包括：
在X方向上，将车辆的位置和速度(x(t)，y(t)，vX(t)，vY(t))作为预测模型的输入，预测值是车辆X方向上的加速度aX(t)；
在Y方向上，将车辆的位置和速度(x(t)，y(t)，vX(t)，vY(t))为预测模型的输入，预测值是车辆Y方向上的加速度aY(t)；
x(t)表示t时刻车辆在x方向上的位置，vX(t)表示t时刻车辆在x方向上的速度；
GPR加速度预测模型表示为：



式中，GPX，μ(Zt，D)，GPX，σ(Zt，D)表示的是加速度aX，t对应的预测结果的均值和标准差，GPY，μ(Zt，D)，GPY，σ(Zt，D)表示的是加速度aY，t对应的预测结果的均值和标准差，其中，Zt表示t时刻车辆的位置和速度，D表示训练数据集。


4.根据权利要求1所述的复杂场景下车辆长期轨迹预测方法，其特征在于，所述步骤3包括：采用匀加速运动模型计算得到下一步的车辆运动状态，从而得到下一步车辆的加速度，再采用匀加速运动模型继续计算得到未来多步的车辆运动状态，获得车辆的预测轨迹。


5.根据权利要求4所述的复杂场景下车辆长期轨迹预测方法，其特征在于，在匀加速运动模型中，车辆的运动状态表示为(x，y，vX，vY，aX，aY)，其中，(x，y)为车辆的位置，(vX，vY)为车辆的速度，(aX，aY)为车辆的加速度；
对于t时刻观测到的(x(t)，y(t)，vX(t)，vY(t))，通过匀加速运动模型推测t+1时刻车辆的位置与速度，则基于匀加速运动模型的GPR轨迹预测模型系统方程为：



式中，且
其中，σX，t＝GPX，σ(Zt，D)，σY，t＝GPY，σ(Zt，D)；Δt表示为当前时刻与下一步时刻之间的时间差，每一步的时间间隔根据具体情况自行定义；εt表示加速度aX，t，aY，t分别对应的预测结果的标准差；εX，t＝GPX，σ(Zt，D)表示的是加速度aX，t对应的预测结果的标准差；εY，t＝GPY，σ(Zt，D)表示的是加速度aY，t对应的预测结果的标准差。

<...

【专利技术属性】
技术研发人员：高洪波，朱菊萍，李智军，何希，郝正源，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽;34