用于对车辆进行轨迹预测的方法技术

本发明专利技术涉及一种用于对车辆(200，201)进行轨迹预测的方法(100)，包括：接收(101)在一个车辆(200)的周围环境内在车道(217)上行驶的另一车辆(201)的行驶轨迹(203)的轨迹数据；基于所述轨迹数据来识别(103)至少一个通过该另一车辆所实施的控制动作(205，206，207)，其中，该控制动作表示驾驶机动操作(215)的至少一部分，借助该驾驶机动操作沿着该行驶轨迹来控制该另一车辆；在考虑所识别出的通过该另一车辆所实施的控制动作的情况下，求取(105)另一车辆(201)的未来行驶轨迹(211，212，213)；和提供(107)该另一车辆的该未来行驶轨迹。(107)该另一车辆的该未来行驶轨迹。(107)该另一车辆的该未来行驶轨迹。

【技术实现步骤摘要】
用于对车辆进行轨迹预测的方法


[0001]本专利技术涉及一种用于对车辆进行轨迹预测的方法。

技术介绍

[0002]对于对车辆、尤其对自主行驶的车辆所进行的控制，对在交通状况下待由车辆行驶的行驶轨迹进行预测是非常重要的，以便避免单独地被操控的车辆由于行驶轨迹冲突而发生碰撞。由于轨迹预测的高度复杂性，由现有技术所已知的方法在可靠性方面具有弱点。

技术实现思路

[0003]因此，本专利技术的一个任务是提供一种用于对车辆进行轨迹预测的经改善的方法。
[0004]该任务通过一种用于对车辆进行轨迹预测的方法来解决。根据本专利技术的一个方面，提供一种对车辆进行轨迹预测的方法，该方法包括：
[0005]接收在一个车辆的周围环境内在车道上行驶的另一车辆的行驶轨迹的轨迹数据；
[0006]基于所述轨迹数据来识别至少一个通过该另一车辆所实施的控制动作，其中，所述控制动作表示驾驶机动操作的至少一部分，借助所述驾驶机动操作沿着行驶轨迹来控制该另一车辆；
[0007]在考虑所识别出的通过该另一车辆所实施的控制动作的情况下，求取该另一车辆的未来行驶轨迹；和
[0008]提供该另一车辆的所述未来行驶轨迹。
[0009]有利构型能够通过在优选实施方式中所列举的措施实现。
[0010]由此能够实现如下技术优点：能够提供一种用于对车辆进行轨迹预测的经改善的方法。为此，基于车辆的轨迹数据来识别由该车辆所实施的控制动作。在此，所述控制动作是车辆的复杂驾驶机动操作的基础性组成部分。在复杂驾驶机动操作、例如向右转弯的过程中，控制动作例如包括直线行驶直至行车道的转弯点、将车辆速度降低到转弯速度、转向角偏转和车辆的相应的弯道行驶、转向角偏转直至方向盘的中间位置、直线行驶和必要时将车辆加速到直线行驶速度。所提及的控制动作仅仅是示例性的，转弯过程可以包括附加的控制动作。
[0011]在此，控制动作被广义地定义并且能够被用于各种各样的驾驶机动操作。借助这样定义的符合基础性基本机动操纵的控制动作，能够通过对控制动作进行相应组合来实现车辆的多个各种各样的复杂驾驶机动操作，在这些组合中同期地或以相应限定的时间进程在时间上依次地实施多个控制动作。
[0012]在考虑如此所识别出的控制动作的情况下，随后求取未来行驶轨迹，其中，在未来行驶轨迹中如此考虑至少一个控制动作，使得在该控制动作和该未来行驶轨迹的组合中实现车辆的复杂驾驶机动操作。通过对控制动作进行识别，能够实现用于轨迹预测的方法的高度灵活性。通过识别出代表各种各样的驾驶机动操作的控制动作并且在对行驶轨迹的预测中考虑这些控制动作，能够实现无问题地将该方法匹配于改变的交通状况。示例性地能
够将针对右行交通和在那里所实施的控制动作及驾驶机动操作所训练的这种轨迹预测匹配为左行交通，其方式是，针对在左行交通中相关的控制动作来训练该轨迹预测。在相应进行训练后，该轨迹预测设置为用于，由轨迹数据识别出左行交通的相应的控制动作，并且在考虑所述相应的控制动作和相应的驾驶机动操作的情况下来预测与新的交通状况、即与左行交通兼容的适合的行驶轨迹。由此能够省去对轨迹预测进行完全的重新结构化。此外，可以通过以下方式减少可能的行驶轨迹的数量：在预测中首要考虑与有意义的驾驶机动操作并且尤其与所求取到的控制动作相匹配的行驶轨迹。由此能够实现对未来行驶轨迹的更精确的预测。
[0013]根据一种实施方式，通过经相应训练的人工神经网络来实施对未来行驶轨迹所进行的求取，其中，所识别出的控制动作被用作该人工神经网络的输入数据。
[0014]由此能够实现以下技术优点：能够实现对未来行驶轨迹的精确且高性能的预测。通过作为输入数据的所识别出的控制动作对相应经训练的人工神经网络施加影响，能够实现根据本专利技术的方法的经提高的灵活性。
[0015]根据一种实施方式，人工神经网络包括融合层，其中，该融合层设置为用于将多个控制动作考虑为车辆的复杂驾驶机动操作的代表用于求取轨迹。
[0016]由此能够实现以下技术优点：通过由多个控制动作所代表的驾驶机动操作能够将对轨迹的预测限制到这样的轨迹：这些轨迹导致车辆的有意义的机动操作。由此能够实现对有意义轨迹的更精确预测。
[0017]根据一种实施方式，从多个预先已知的控制动作中识别出至少一个控制动作，其中，预先已知的控制动作作为独立的单元被集成到神经网络中。
[0018]由此能够实现以下技术优点：能够实现对控制动作的高效识别，其方式是，为了识别控制动作而基于轨迹数据检验：在所观察到的驾驶状况中是否存在及存在哪些预先已知的控制动作。
[0019]根据一种实施方式，根据多任务学习方法来训练人工神经网络，在该多任务学习方法中，针对在神经网络的单元中所代表的每个控制动作来独立地训练对未来轨迹所进行的求取。
[0020]由此能够实现如下技术优点：使用多任务学习的技术优点来实现对神经网络的高效训练。
[0021]根据一种实施方式，通过控制动作将关于通过另一车辆所实施的行驶轨迹的语义信息集成到神经网络中。
[0022]由此能够实现如下技术优点：通过语义信息来改善对未来行驶轨迹的预测。通过将语义信息集成，能够由对车辆的传感装置的纯原始数据进行处理来解决对未来行驶轨迹的预测，并实现对可能的驾驶机动操作进行考虑。
[0023]根据一种实施方式，借助基于切片的学习方法来训练神经网络，在该基于切片的学习方法中，考虑相应训练数据组的所选择的具有提高的或降低的优先级的数据。
[0024]由此能够实现将神经网络的训练过程改善的技术优点，其中，使用提高的优先级来考虑训练数据的、对于训练来说具有提高的重要性的方面。
[0025]根据一种实施方式，基于所识别出的控制动作来求取和/或提供多个未来行驶轨迹，其中，所述行驶轨迹设置有可靠性值。
[0026]由此能够实现如下技术优点：能够提高轨迹预测的精确度。通过提供所预测出的未来行驶轨迹的相应的可靠性值，能够在对车辆进行控制时，相应于各个可靠性值对所述未来行驶轨迹进行考虑。在此，可以相应地使用更高的可靠性值来设置以高概率来代表各个所求取到的驾驶机动操作的行驶轨迹。此外，在多个未来行驶轨迹的情况下的说明提高对车辆进行控制的灵活性。
[0027]根据一种实施方式，通过经用户限定的、指定的识别功能来对控制动作实施识别。
[0028]由此能够实现以下技术优点：能够实现对控制动作进行精确、可靠且经指定的识别。
[0029]根据一种实施方式，控制动作描述车辆的一般动作，并且包括：加速、制动、直线行驶、弯道行驶、向右和向左变道、向右和向左转弯、起步、停车。
[0030]由此能够实现以下技术优点：通过控制动作提供用于控制车辆的基础性动作，通过所述控制动作能够实现多个可能的驾驶机动操作。
[0031]根据一种实施方式，将控制动作匹配为车辆在城市交通和/或在城际交通中的动作，并且匹配于右行交通和/或左行交通。
[0032]由此能够实现如下技术优点：能够本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于对车辆(200，201)进行轨迹预测的方法(100)，所述方法包括：接收(101)在一个车辆(200)的周围环境内在车道(217)上行驶的另一车辆(201)的行驶轨迹(203)的轨迹数据；基于所述轨迹数据来识别(103)至少一个由所述另一车辆(201)所实施的控制动作(205，206，207)，其中，所述控制动作(205，206，207)是驾驶机动操作(215)的至少一部分，借助所述驾驶机动操作沿着所述行驶轨迹(203)来控制所述另一车辆(201)；在考虑所识别出的由所述另一车辆所实施的控制动作(205，206，207)的情况下，求取(105)所述另一车辆(201)的未来行驶轨迹(211，212，213)；和提供(107)所述另一车辆(201)的所述未来行驶轨迹(211，212，213)。2.根据权利要求1所述的方法(100)，其中，通过经相应训练的人工神经网络(504)来实施对所述未来行驶轨迹(211，212，213)所进行的求取(103)，并且其中，所识别出的控制动作(205，206，207)用作所述人工神经网络的输入数据。3.根据权利要求2所述的方法(100)，其中，所述人工神经网络(504)包括融合层(509)，并且其中，所述融合层(509)设置为用于将多个控制动作考虑为车辆(200，201)的复杂驾驶机动操作的代表(505)用于求取轨迹。4.根据前述权利要求2或3所述的方法(100)，其中，从多个预先已知的控制动作中识别出所述至少一个控制动作(205，206，207)，并且其中，预先已知的控制动作作为独立的单元被集成到所述神经网络(504)中。5.根据权利要求4所述的方法(100)，其中，根据多任务学习方法来训练所述人工神经网络(504)，在所述多任务学习方法中，针对在所述神经网络(504)的单元中所代表的每个控制动作来独立地训练对未来轨迹所进行的求取。6.根据前述权利要求2至5中任一项所述的方法(100)，其中，通过所述控制动作将关于由所述另一车辆(201)所实施的行驶轨迹(203)的语义信息集成到所述神经网络(504)中。7.根据前述权利要求2至6中任一项所述的方法(100)，其中，借助基于切片的学习方法来训练所述神经网络(504)，在所述基于切片的学习方法中，...

【专利技术属性】
技术研发人员：A，
申请(专利权)人：罗伯特，
类型：发明
国别省市：