一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法技术方案

本发明专利技术提供了一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，包括：获取并管理该自动驾驶车辆上自动驾驶系统提供的感知信息；从高精地图数据库提取道路结构信息，为该自动驾驶车辆感知范围内的每一辆汽车查找和匹配当前时刻的道路结构信息，并管理该每一辆汽车当前时刻和历史时刻的道路结构信息；自动驾驶车辆根据当前时刻所在道路结构信息和历史时刻所在道路结构信息，以及当前时刻感知信息和历史时刻感知信息，判断其感知范围内每一辆汽车是否处于突发事件场景；根据判断结果采用不同运动模型获取每一辆汽车的预测轨迹。本发明专利技术借助于若干场景实现评估汽车是否处于突发事件场景，具有强可操作性，强扩展性，高实用价值的优点。实用价值的优点。实用价值的优点。

【技术实现步骤摘要】
一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法


[0001]本专利技术主要涉及自动驾驶系统领域，尤其涉及一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法。

技术介绍

[0002]车辆轨迹预测是自动驾驶车辆领域一个重要的又基本的问题。例如，在公共道路上开启自动驾驶时，准确预测其他车辆和行人预计可能在哪里，能够有助于自动驾驶车辆采取安全且有效的行动。
[0003]根据轨迹预测模型的输入以及中间处理步骤的不同，以往研究的预测模型大概分为三类。
[0004]第一类基于物理约束的预测模型，车辆由于惯性不能瞬间改变轨迹，将车辆表示为受牛顿物理定律支配的动态实体，通过将控制状态(如车轮转角、加速度等)、汽车特性(如车身自重)和道路环境因素(如静止摩擦系数)与车辆状态(如位置、航向、速度)的演化联系起来，并利用动力学模型和运动学模型来预测车辆未来的运动趋势。
[0005]第二类基于行为意图的预测模型，将预测过程分成了两个部分：识别意图和预测轨迹。首先识别车辆的意图(跟随前车直线、路口左转、右转等)，然后再预测车辆未来连续的物理状态，以便预测轨迹与可能执行的行为意图相对应。
[0006]第三类基于学习的预测模型，使用目标检测跟踪得到的车辆行驶轨迹数据和高精地图信息，对深度神经网络模型进行训练，由训练完成的模型推理输出预测的车辆未来行驶轨迹。
[0007]针对这三类预测模型的不足之处分析如下：
[0008]第一类物理模型只是通过车辆的运动模型来进行预测，没有考虑到交通规则和其它车的交互，特别是当经过路口的时候，预测轨迹偏差值较大。
[0009]第二类意图模型，利用先验知识比如速度、加速度、历史位置等车辆自身状态、道路几何结构、交通限速等道路结构化信息，但是忽略使用后验知识包括交通车辆交互作用、驾驶员的驾驶习惯等信息。在实际交通场景中，驾驶场景中的后验知识(驾驶员的驾驶习惯等)会影响相同驾驶意图下车辆的行驶轨迹，如果忽略了驾驶场景中的后验知识，则难以保证所得运动轨迹的准确性。
[0010]第三类基于学习的预测模型，也就是基于深度神经网络进行端到端设计，利用的训练数据不仅包括轨迹信息，还充分利用更为丰富的环境信息包括静态地图路网环境静态信息和动态目标物(如车、人)感知信息，基于深度神经网络模型进行学习，随着训练数据量增加和数据场景类型增加，能适应不同的驾驶场景，能获得更好的通用性和准确性。但是也存在一些局限性，比如强烈受限于输入感知数据的可靠性、计算耗费时间长导致实时性差、需要累计几个周期的历史轨迹点才能执行预测，一般需要9个周期的历史轨迹、应对突发情况的能力差。
[0011]无论人类驾驶汽车还是自动驾驶汽车，在行车过程中遇到突发事件(比如：对向的
车辆突然因为事故冲入自己的车道)是不可避免的。毫无疑问，自动驾驶汽车必须具备面向突发事件安全行驶的能力。

技术实现思路

[0012]应当理解，本公开以上的一般性描述和以下的详细描述都是示例性和说明性的，并且旨在为本公开提供进一步的解释。
[0013]应对上述自动驾驶系统遇到突发事件的情况，这是自动驾驶汽车必须具备的能力需求，本申请就此提出了一种面向突发事件场景的车辆轨迹预测方法，该方法是基于物理约束的预测模型。
[0014]本专利技术公开了一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，应用于自动驾驶车辆中，其特征在于，所述方法包括：
[0015]步骤一，获取并管理该自动驾驶车辆上自动驾驶系统提供的感知信息；
[0016]步骤二，从高精地图数据库提取道路结构信息，为该自动驾驶车辆感知范围内的每一辆汽车查找和匹配当前时刻的道路结构信息，并管理该每一辆汽车当前时刻和历史时刻的道路结构信息；
[0017]步骤三，所述自动驾驶车辆根据当前时刻所在道路结构信息和历史时刻所在道路结构信息，以及当前时刻感知信息和历史时刻感知信息，判断其感知范围内每一辆汽车是否处于突发事件场景；
[0018]步骤四，根据判断结果采用不同运动模型获取所述每一辆汽车的预测轨迹。
[0019]比较好的是，本专利技术还进一步揭示了一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，其特征在于，所述步骤三中判断是否处于突发事件场景进一步包括：
[0020]步骤三一，判断当前时刻该自动驾驶车辆处于直行道路或转弯道路？
[0021]步骤三二，如果处于直行道路，继续判断当前时刻该自动驾驶车辆的加速度是否为零？
[0022]步骤三三，如果处于转弯道路，继续判断当前时刻该自动驾驶车辆的加速度是否为零？
[0023]步骤三四，该自动驾驶车辆当前处于直行，且当前时刻加速度不为零，则采用CV运动模型生成车辆预测轨迹；
[0024]步骤三五，该自动驾驶车辆当前处于直行，且当前时刻加速度为零，则采用CA运动模型生成车辆预测轨迹；
[0025]步骤三六，该自动驾驶车辆当前处于转弯，且当前时刻加速度不为零，则采用CTRV运动模型生成车辆预测轨迹；
[0026]步骤三七，该自动驾驶车辆当前处于转弯，且当前时刻加速度为零，则采用CTRA运动模型生成车辆预测轨迹。
[0027]比较好的是，本专利技术还进一步揭示了一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，其特征在于，所述突发事件场景包括：
[0028]场景一，在环形路口，该自动驾驶车辆遇到逆向行驶的车辆；
[0029]场景二，该自动驾驶车辆并道驶出高速/高架，即将进入驶出匝道，该自动驾驶车辆遇到逆向行驶的车辆，两车可能相撞的时间小于3秒；
[0030]场景三，该自动驾驶车辆从匝道驶入高速/高架，已经进入驶入匝道，该自动驾驶车辆遇到逆向行驶的车辆，两车可能相撞的时间小于3秒；
[0031]场景四，在交叉路口，该自动驾驶车辆遇到逆向行驶的车辆；
[0032]场景五，在直道上，该自动驾驶车辆遇到对向车辆占用本车道逆向行驶；
[0033]场景六，在弯道上，该自动驾驶车辆遇到对向车辆占用本车道逆向行驶。
[0034]比较好的是，本专利技术还进一步揭示了一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，其特征在于，所述CV和CA运动模型适用于场景一、场景二和场景五。
[0035]比较好的是，本专利技术还进一步揭示了一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，其特征在于，所述CTRV运动模型适用于场景一、场景二和场景三。
[0036]比较好的是，本专利技术还进一步揭示了一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，其特征在于，所述CTRA运动模型适用于场景四和场景六。
[0037]比较好的是，本专利技术还进一步揭示了一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，其特征在于，所述步骤一中获取的感知信息包括：该自动驾驶车辆的位置、长度、宽度、颜色、速度、加速度、yaw角度和yaw角度变化率；
[0038]所述步骤一中管理获取的感知信息包括：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，应用于自动驾驶车辆中，其特征在于，所述方法包括：步骤一，获取并管理该自动驾驶车辆上自动驾驶系统提供的感知信息；步骤二，从高精地图数据库提取道路结构信息，为该自动驾驶车辆感知范围内的每一辆汽车查找和匹配当前时刻的道路结构信息，并管理该每一辆汽车当前时刻和历史时刻的道路结构信息；步骤三，所述自动驾驶车辆根据当前时刻所在道路结构信息和历史时刻所在道路结构信息，以及当前时刻感知信息和历史时刻感知信息，判断其感知范围内每一辆汽车是否处于突发事件场景；步骤四，根据判断结果采用不同运动模型获取所述每一辆汽车的预测轨迹。2.根据权利要求1所述的自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，其特征在于，所述步骤三中判断是否处于突发事件场景进一步包括：步骤三一，判断当前时刻该自动驾驶车辆处于直行道路或转弯道路？步骤三二，如果处于直行道路，继续判断当前时刻该自动驾驶车辆的加速度是否为零？步骤三三，如果处于转弯道路，继续判断当前时刻该自动驾驶车辆的加速度是否为零？步骤三四，该自动驾驶车辆当前处于直行，且当前时刻加速度不为零，则采用CV运动模型生成车辆预测轨迹；步骤三五，该自动驾驶车辆当前处于直行，且当前时刻加速度为零，则采用CA运动模型生成车辆预测轨迹；步骤三六，该自动驾驶车辆当前处于转弯，且当前时刻加速度不为零，则采用CTRV运动模型生成车辆预测轨迹；步骤三七，该自动驾驶车辆当前处于转弯，且当前时刻加速度为零，则采用CTRA运动模型生成车辆预测轨迹。3.根据权利要求2所述的自动驾驶系统中面向突发事件场景的车辆轨迹预测方法，其特征在于，所述突发事件场景包括：场景一，在环形路口，该自动驾驶车辆遇到逆向行驶的车辆；场景二，该自动驾驶车辆并道驶出高速/高架，即将...

【专利技术属性】
技术研发人员：秦学方，施亮，吴轶群，
申请(专利权)人：上汽大众汽车有限公司，
类型：发明
国别省市：