本公开的各示例描述了一种用于轨迹预测的方法、装置和车辆。该方法包括：从安装在车辆上的至少一个传感器获取针对车辆周围对象的传感器数据(502)；将所获取的传感器数据馈入混合预测器中，该混合预测器包括各自具有由该混合预测器指派的权重的多个预测器，其中该多个预测器至少包括自由空间预测器和基于道路模型的预测器(504)；对于当前时刻，该多个预测器中的每一者基于来自该至少一个传感器的历史传感器数据来给出其自己针对从当前时刻起的预定时间段的预测(506)；该混合预测器确定该多个预测器中的每一者的可靠性(508)；该混合预测器基于由该多个预测器中的每一者给出的相应预测以及该多个预测器中的每一者的可靠性来输出针对从当前时刻起的预定时间段的加权混合预测，其中将更大的权重指派给在前一个或多个时刻给出更好预测的预测器(510)；以及基于加权混合预测来提供所预测的轨迹(512)。(512)。(512)。
【技术实现步骤摘要】
【国外来华专利技术】用于驾驶策略的轨迹预测
[0001]本公开一般涉及自动驾驶车辆，更具体地，涉及用于驾驶策略的轨迹预测。
技术介绍
[0002]自动驾驶车辆(也称为无人驾驶汽车、自动驾驶汽车或机器人汽车)是一种能够感测其环境并且在无需人类输入的情况下导航的车辆。自动驾驶车辆(在下文中被称为ADV)使用各种技术来检测其周边环境，诸如使用雷达、激光、GPS、测程法以及计算机视觉。高级的控制系统对感测信息进行解读以标识合适的导航路径，以及障碍物和相关路标。
[0003]为了实现高等级(3
‑
5级)自动驾驶，应精确地建模对象的未来轨迹以用于驾驶策略决策和碰撞避免。目前，轨迹预测的现有技术包括以下方法：
[0004](1)应用卡尔曼滤波器或其变体来估计对象的运动学状态，诸如速度、位置和加速度等；
[0005](2)考虑道路环境中的障碍物，使用模型预测控制(MPC)方法来最小化道路碰撞的发生率；
[0006](3)预定义各种机动行为，并且利用隐马尔可夫模型(HMM)基于每个对象当前的运动学特征为每个对象选择最合理的机动行为；以及
[0007](4)利用动态贝叶斯网络(DBN)来对对象的特征状态进行建模。
[0008]上述现有技术方法可至少具有以下缺点：
[0009](1)目前的预测主要是基于车道，即，不是车道间；
[0010](2)为应用这些算法和方法做了很多假设，诸如直线车道、车道中仅考虑有限数目的对象、假设恒定速度模型等。这些假设通常在实践中不成立；
[0011](3)预定义轨迹不适用于城市驾驶环境中的各种复杂场景；
[0012](4)有时，根本不存在车道，因此这些现有技术在这种情况下不容易适应，因为这些算法显著取决于车道；
[0013](5)这些现有技术是基于恒速模型或恒加速度模型构建的，这在时间范围在一秒内时很有用，但对于几秒的时间范围而言效率较低，因为对象的运动学特征通常随着时间而发生变化；
[0014](6)一些静止的对象由一个或多个激光雷达检测到，但由于它们是静止的，有时云点会发生振荡，所融合的对象也不稳定。在检测噪声不可忽略的情况下，将导致预测性能不佳；
[0015](7)自动驾驶车辆将需要更准确地预测其他车辆的未来轨迹，以实现安全高效的驾驶；以及
[0016](8)基于车道的驾驶假设限制了预测的能力并且导致结果不准确。
[0017]因此，期望用于自动驾驶车辆的改进的轨迹预测解决方案。
技术实现思路
[0018]本公开旨在提供一种用于轨迹预测的方法、装置和车辆。
[0019]根据本公开的第一示例性实施例，提供了一种用于轨迹预测的计算机实现的方法。该方法包括：从安装在车辆上的至少一个传感器获取针对车辆周围对象的传感器数据；将所获取的传感器数据馈入混合预测器中，该混合预测器包括各自具有由该混合预测器指派的权重的多个预测器，其中该多个预测器至少包括自由空间预测器和基于道路模型的预测器；对于当前时刻，该多个预测器中的每一者基于来自该至少一个传感器的历史传感器数据来给出其自己针对从当前时刻起的预定时间段的预测；该混合预测器确定该多个预测器中的每一者的可靠性；该混合预测器基于由该多个预测器中的每一者给出的相应预测以及该多个预测器中的每一者的可靠性来输出针对从当前时刻起的预定时间段的加权混合预测，其中将更大的权重指派给在前一个或多个时刻给出更好预测的预测器；以及基于加权混合预测来提供所预测的轨迹。
[0020]根据本公开的第二示例性实施例，提供了一种轨迹预测装置。该装置包括传感器数据获取模块，该传感器数据获取模块被配置成从安装在车辆上的至少一个传感器获取针对车辆周围对象的传感器数据；混合预测器，该混合预测器包括各自具有由该混合预测器指派的权重的多个预测器，其中该多个预测器至少包括自由空间预测器和基于道路模型的预测器，并且该混合预测器被配置成：从传感器数据获取模块接收传感器数据；对于当前时刻，使用自由空间预测器和基于道路模型的预测器基于来自该至少一个传感器的历史传感器数据来各自给出其自己针对从当前时刻起的预定时间段的预测；确定该多个预测器中的哪个预测器给出了更接近对象在前一个或多个时刻的实际运动的更好的预测；以及基于由该多个预测器中的每一者针对当前时刻给出的相应预测来输出针对从当前时刻起的预定时间段的加权混合预测，其中将更大的权重指派给在前一个或多个时刻给出更好预测的那一个预测器；以及轨迹预测模块，该轨迹预测模块被配置成基于加权混合预测来提供所预测的轨迹。
[0021]根据本公开的第三示例性实施例，提供了一种车辆。该车辆包括至少一个传感器，该至少一个传感器被配置成捕捉针对车辆周围对象的感测数据；根据第二实施例的轨迹预测装置；以及决策模块，该决策模块被配置成基于由该轨迹预测装置预测的车辆周围对象的轨迹来做出车辆控制决策。
[0022]利用以上用于轨迹预测的方法、装置和车辆，相对于现有技术方法至少可以实现以下优点：
[0023](1)本专利技术可以处置不存在车道的场景(诸如道路交叉口)。
[0024](2)本专利技术不需要结合道路的任何假设。
[0025](3)本专利技术可以预测可能不在车道上移动的对象(诸如行人、滑板车、自行车等)的未来轨迹和运动状态，因为自由空间预测器将在这些场景中扮演重要角色。
[0026](4)本专利技术可以缓解在对象正以非常低的速度移动或甚至静止时所预测结果振荡的现象，因为混合预测器具有静态对象分类器。
[0027](5)本专利技术提高了未来车辆轨迹的预测精度，并且它更加灵活且独立于道路结构。
[0028]提供本
技术实现思路
以便以简化的形式介绍以下在具体实施方式中进一步描述的概念的选集。本
技术实现思路
并非旨在标识出要求保护的主题内容的关键特征或必要特征，亦非
旨在用于限定要求保护的主题内容的范围。诸示例的附加的方面、特征和/或优点将在下面的描述中部分地阐述，并且部分地从描述中将是显而易见的，或者可以通过本公开的实践而获知。
附图说明
[0029]结合附图，通过以下对示例性实施例的详细描述，本公开的上述和其它方面和优点将变得显而易见，这些附图作为示例解说了本公开的原理。注意，附图不一定按比例绘制。
[0030]图1解说了示例性道路环境。
[0031]图2示出了根据本专利技术的一个实施例的轨迹预测装置的示意框图。
[0032]图3是图1的道路环境的部分放大视图。
[0033]图4是图1的道路环境的另一部分放大视图。
[0034]图5是根据本专利技术的一个实施例的用于轨迹预测的方法的流程图。
[0035]图6解说了根据本专利技术的一实施例的示例性车辆。
[0036]图7解说了根据本公开的示例性实施例的其中可应用本公开的一般硬件环境。
具体实施方式
[0037]在以下详细描述中，阐述了许多具体细节以提供对所描述的示例性实施例的透彻理解。然而，对于本领域技术人员显而易见的是，可以在本文档来自技高网...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种用于轨迹预测的计算机实现的方法，其特征在于，所述方法包括：从安装在车辆上的至少一个传感器获取针对所述车辆周围的对象的传感器数据；将所获取的传感器数据馈入混合预测器中，所述混合预测器包括各自具有由所述混合预测器指派的权重的多个预测器，其中所述多个预测器至少包括自由空间预测器和基于道路模型的预测器；对于当前时刻，所述多个预测器中的每一者基于来自所述至少一个传感器的历史传感器数据来给出其自己针对从所述当前时刻起的预定时间段的预测；所述混合预测器确定所述多个预测器中的每一者的可靠性；所述混合预测器基于由所述多个预测器中的每一者给出的相应预测以及所述多个预测器中的每一者的可靠性来输出针对从所述当前时刻起的预定时间段的加权混合预测，其中将更大的权重指派给在前一个或多个时刻给出更好预测的预测器；以及基于所述加权混合预测来提供所预测的轨迹。2.根据权利要求1所述的方法，其特征在于，所述混合预测器进一步包括静态对象分类器，并且所述方法进一步包括：在所述多个预测器中的每一者给出其自己的预测之前，将所获取的传感器数据馈入所述静态对象分类器以将所述对象分类成静态或非静态。3.根据权利要求2所述的方法，其特征在于，进一步包括：响应于所述静态对象分类器将所述对象分类成静态，基于所述对象的静态状态来直接提供所预测的轨迹。4.根据权利要求2或3所述的方法，其特征在于，进一步包括：响应于所述静态对象分类器将所述对象分类成非静态，在将所述传感器数据馈入所述混合预测器之前平滑所述传感器数据。5.根据权利要求4所述的方法，其特征在于，平滑所述传感器数据包括使用卡尔曼滤波器来平滑所述传感器数据。6.根据前述权利要求中任一项所述的方法，其特征在于，所述自由空间预测器是基于RNN的预测器。7.根据前述权利要求中任一项所述的方法，其特征在于，进一步包括：在提供所预测的轨迹之前从所述加权混合预测中丢弃异常值。8.根据前述权利要求中任一项所述的方法，其特征在于，所述对象包括以下各项中的任一项：行人，滑板车，自行车，汽车，卡车，或公共汽车。9.一种轨迹预测装置，其特征在于，所述轨迹预测装置包括：传感器数据获取模块，所述传感器数据获取模块被配置成从安装在车辆上的至少一个传感器获取针对车辆周围对象的传感器数据；
混合预测器，所述混合预测器包括各自具有...
【专利技术属性】
技术研发人员：M，
申请(专利权)人：宝马股份公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。