一种汽车轨迹预测方法技术

本发明专利技术公开了一种汽车轨迹预测方法，包括如下步骤：将当前帧的所述环境状态图片和当前时刻中所述样本车辆的车辆状态信息作为输入数据输入预测模型；获取自动驾驶车辆最近时间内的转向偏移数据，所述转向偏移数据包括t时刻前轮的目标偏转角和真实偏转角；获取t时刻自动驾驶车辆的车辆状态信息；基于t时刻的车辆状态信息、转向偏移数据生成基准偏移补偿函数；根据当前时刻的样本车辆的车辆状态信息及基准偏移补偿函数生成对应样本车辆的样本偏移补偿函数；根据所述样本偏移补偿函数对预测模型进行修正；从修正后的预测模型的输出端获取所述样本车辆的预测轨迹。本发明专利技术具有提高了预测精度的优点。预测精度的优点。预测精度的优点。

【技术实现步骤摘要】
一种汽车轨迹预测方法


[0001]本专利技术涉及自动驾驶
，特别涉及一种汽车轨迹预测方法。

技术介绍

[0002]随着科技的进步和时代的发展，智能化产品越来越普遍，汽车行业也迎来了新势力的发展。智能汽车越来越被人们熟知和认可，目前传统汽车还是占据主要的市场，现实中传统汽车任然占比是最大的。随着汽车的智能化的发展，汽车行业逐渐改变自己的技术，大力发展研究无人驾驶的智能化汽车。
[0003]车辆轨迹预测是自动驾驶中的一个重要部分，是实现自动驾驶规划与决策的前提。在一些车辆轨迹的技术路线中，有的是基于专家规则，利用高精地图路网信息，目标检测跟踪结果，以及预测车辆的动力学模型，基于合理驾驶行为人为设计车辆未来的行驶路线。有的采用深度学习方法，完全基于目标检测跟踪得到的车辆行驶轨迹数据，对深度神经网络模型进行训练，由训练完成的模型输出预测的车辆未来行驶轨迹。但是这些技术路线的方案往往忽略了道路情况对车辆轨迹的影响，例如在较潮湿容易打滑的道路上预测的轨迹往往会有偏差。

技术实现思路

[0004]本专利技术的目的是提供一种汽车预测方法，其具有提高轨迹预测的准确度，提高了安全性的优点。
[0005]本专利技术的上述技术目的是通过以下技术方案得以实现的：
[0006]一种汽车轨迹预测方法，包括如下步骤：
[0007]基于地图数据生成以样本车辆为图片中心的环境状态图片；
[0008]基于所述目标检测跟踪结果获取所述样本车辆的车辆状态信息；
[0009]将当前时刻的所述环境状态图片和当前时刻中所述样本车辆的车辆状态信息作为输入数据输入预测模型；
[0010]所述预测模型的输出端输出所述样本车辆的初测轨迹；
[0011]获取自动驾驶车辆最近时间内的转向偏移数据，所述转向偏移数据包括t时刻前轮的目标偏转角和真实偏转角；
[0012]获取t时刻自动驾驶车辆的车辆状态信息；
[0013]基于t时刻的车辆状态信息、转向偏移数据生成基准偏移补偿函数；
[0014]根据当前时刻的样本车辆的车辆状态信息及基准偏移补偿函数生成对应样本车辆的样本偏移补偿函数；
[0015]根据所述样本偏移补偿函数对初测轨迹进行修正得到样本车辆的预测轨迹。
[0016]进一步设置：所述车辆状态信息包括t时刻自动驾驶车辆前进方向、车速；
[0017]所述基于t时刻的车辆状态信息、转向偏移数据生成基准偏移补偿函数具体包括：
[0018]根据t时刻前轮的目标偏转角和真实偏转角及t时刻自动驾驶车辆的车速生成偏
移参数；
[0019]根据偏移参数、自动驾驶车辆的前进方向及基准轴距生成基准偏移补偿函数，其中所述基准轴距为自动驾驶车辆前轮和后轮之间的轴距。
[0020]进一步设置：在所述从修正后的预测模型的输出端获取所述样本车辆的预测轨迹之后还包括以下步骤：
[0021]根据所述初测轨迹及预测轨迹生成预测区域，所述预测区域为所述初测轨迹与预测轨迹所为何成的平面区域；
[0022]将所述预测区域根据时间t划分为观测区域和调节区域，在第一预测时刻范围内的预测区域为观测区域，在第二时刻范围内的预测区域为调节区域；
[0023]获取第一预测时刻范围内所述样本车辆的实际行驶轨迹；
[0024]将实际行驶轨迹与所述观测区域进行比对得到比对结果，并根据比对结果选择修正策略对位于调节区域进行修正得到新的预测轨迹，所述比对结果包括标准、左偏和右偏；
[0025]若比对结果为标准则执行第一修正策略；若比对结果为左偏则执行第二修正策略；若比对结果为右偏则执行第三修正策略。
[0026]进一步设置：所述将实际行驶轨迹与所述观测区域进行比对得到比对结果具体包括如下步骤：
[0027]以预测轨迹与初测轨迹的起点为坐标原点建立坐标系，将预测区域与所述实际行驶轨迹均投影于该坐标系中；
[0028]若实际行驶轨迹均位于所述观测区域内则判断比对结果为标准；
[0029]若实际行驶轨迹有位于所述观测区域外的部分且该位于观测区域外的部分靠近所述初测轨迹则判断比对结果为左偏；
[0030]若实际行驶轨迹有位于所述观测区域外的部分且该位于观测区域外的部分靠近所述预测轨迹则判断比对结果为右偏。
[0031]进一步设置：所述第一修正策略具体包括如下步骤：
[0032]所述实际行驶轨迹将观测区域划分为第一半区和第二半区，所述第一半区即实际行驶轨迹与所述初测轨迹围合成的区域，所述第二半区即实际行驶轨迹与所述预测轨迹围合成的区域；
[0033]获取第一半区和第二半区在坐标系内的面积，并根据第一半区及第二半区的面积计算得到第一偏移值，所述第一偏移值为第一半区面积与所述第二半区面积的比值；
[0034]根据所述第一偏移值计算得到第一修正参数，根据所述第一修正参数对所述预测轨迹进行修正得到新的预测轨迹。
[0035]进一步设置：所述第二修正策略具体包括如下步骤：
[0036]获取实际行驶轨迹位于观测区域内的长度记为第二标准值，获取实际行驶轨迹位于观测区域外的长度记为第二偏差值；
[0037]根据第二标准值和第二偏差值计算得到第二偏移值，所述第二偏移值为第二标准值与所述第二偏差值的比值；
[0038]根据所述第二偏移值计算得到第二修正参数，根据所述第二修正参数对所述初测轨迹进行修正得到新的预测轨迹。
[0039]进一步设置：所述第三修正策略具体包括如下步骤：
[0040]获取实际行驶轨迹位于观测区域内的长度记为第三标准值，获取实际行驶轨迹位于观测区域外的长度记为第三偏差值；
[0041]根据第三标准值和第三偏差值计算得到第三偏移值，所述第三偏移值为第三标准值与所述第三偏差值的比值；
[0042]根据所述第三偏差值计算得到第三修正参数，根据所述第三修正参数对所述预测轨迹进行修正得到新的预测轨迹。
[0043]与现有技术相比，本方案的有益效果是：通过在自动驾驶车辆历史数据中距离当前时刻最近的一次转向偏移数据生成基准偏移补偿函数，反应车辆在当前道路环境下如果进行变相或者换道产生的偏移量，然后根据样本车辆即目标车辆的当前车速即前轮和后轮之间的轴距对基准偏移补偿函数进行修正，由于基准偏移补偿函数是基于自动驾驶车辆的相关数据得出的，因此通过修正得到符合样本车辆目前行车状态的样本偏移补偿函数，从而在预测模型中加入了道路状况对车辆轨迹的影响因素，使得到的预测轨迹更加精准同时由于加入了偏移量给后续的决策留出了更多的空间，增加了自动驾驶车辆行驶的安全性。预测模型输入环境状态图片数据基于预测车辆的感知视角进行构建，同时对预测车辆在环境状态图片中的位置亦进行特别的设置，这样的处理能更加有效地提取能够反映预测车辆的行驶趋势的特征，使预测结果更准确。
附图说明
[0044]图1是实施例的整体结流程图。
具体实施方式
[0045]以下结合附图对本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种汽车轨迹预测方法，其特征在于，包括如下步骤：基于地图数据生成以样本车辆为图片中心的环境状态图片；基于所述目标检测跟踪结果获取所述样本车辆的车辆状态信息；将当前时刻的所述环境状态图片和当前时刻中所述样本车辆的车辆状态信息作为输入数据输入预测模型；所述预测模型的输出端输出所述样本车辆的初测轨迹；获取自动驾驶车辆最近时间内的转向偏移数据，所述转向偏移数据包括t时刻前轮的目标偏转角和真实偏转角；获取t时刻自动驾驶车辆的车辆状态信息；基于t时刻的车辆状态信息、转向偏移数据生成基准偏移补偿函数；根据当前时刻的样本车辆的车辆状态信息及基准偏移补偿函数生成对应样本车辆的样本偏移补偿函数；根据所述样本偏移补偿函数对初测轨迹进行修正得到样本车辆的预测轨迹。2.根据权利要求1所述的一种汽车轨迹预测方法，其特征在于，所述车辆状态信息包括t时刻自动驾驶车辆前进方向、车速；所述基于t时刻的车辆状态信息、转向偏移数据生成基准偏移补偿函数具体包括：根据t时刻前轮的目标偏转角和真实偏转角及t时刻自动驾驶车辆的车速生成偏移参数；根据偏移参数、自动驾驶车辆的前进方向及基准轴距生成基准偏移补偿函数，其中所述基准轴距为自动驾驶车辆前轮和后轮之间的轴距。3.根据权利要求1所述的一种汽车轨迹预测方法，其特征在于，在所述从修正后的预测模型的输出端获取所述样本车辆的预测轨迹之后还包括以下步骤：根据所述初测轨迹及预测轨迹生成预测区域，所述预测区域为所述初测轨迹与预测轨迹所为何成的平面区域；将所述预测区域根据时间t划分为观测区域和调节区域，在第一预测时刻范围内的预测区域为观测区域，在第二时刻范围内的预测区域为调节区域；获取第一预测时刻范围内所述样本车辆的实际行驶轨迹；将实际行驶轨迹与所述观测区域进行比对得到比对结果，并根据比对结果选择修正策略对位于调节区域进行修正得到新的预测轨迹，所述比对结果包括标准、左偏和右偏；若比对结果为标准则执行第一修正策略；若比对结果为左偏则执行第二修正策略；若比对结果为右偏则执行第三修正策略。4.根据权利要求3所述的一种汽车轨迹预测方法...

【专利技术属性】
技术研发人员：裘海涛，朱爱军，
申请(专利权)人：裘海涛，
类型：发明
国别省市：