一种基于长短时运动轨迹融合的周边车辆轨迹预测方法及系统技术方案

本发明专利技术公开一种基于长短时运动轨迹融合的车辆轨迹预测方法，包括：获取目标车辆的历史位置信息以及目标车辆的车道信息，其中目标车辆的车道信息为根据目标车辆当前的位置，提取目标车辆过去一短时间T内的历史运动轨迹，与历史运动轨迹相对应的车道线及车道中心线；基于目标车辆的历史位置信息和目标车辆的车道信息分别进行基于运动学的短时轨迹预测和基于行为趋势的长时轨迹预测；将短时轨迹预测的结果与长时轨迹预测的结果进行融合获得未来轨迹融合表征；并基于未来轨迹融合表征获得周边车辆轨迹预测结果。还公开了对应系统、电子设备及计算机可读存储介质，使得轨迹预测不依赖于训练集、考虑了预测的准确性、并且计算简单，实时性可控。实时性可控。实时性可控。

【技术实现步骤摘要】
一种基于长短时运动轨迹融合的周边车辆轨迹预测方法及系统


[0001]本专利技术涉及智能交通
，尤其涉及一种基于长短时运动轨迹融合的周边车辆轨迹预测方法及系统。

技术介绍

[0002]智能交通目前在各主要科技强国都有研究，而且是一大着力攻关点。智能交通在改善交通安全和交通效率方面有很大的潜力；智能交通的普及对提高节能减排同样有着积极的意义。一般而方，智能驾驶车辆通过感知模块感知外部的环境，识别目标和运动状态；而决策模块接收感知模块的信息，并抽象出目标的高级行为，进而推断出交通参与者在未来一段时间内的运动情况，从而做出更正确的决策；最后执行模块对决策模块的指令进行解析，使车辆产生规划中的物理行为，从而完成整个智能驾驶过程。智能车辆面临比较大的挑战是环境的复杂性和交通参与者的高度不确定性，故需要对交通参与者的未来行为进行预测，提高智能交通的决策水平，使得智能车辆的行为更智能和更人性。所以，准确和及时的运动预测在智能驾驶中仍扮演重要角色。
[0003]运动预测可分为基于短时(short
‑
term)的运动预测和基于长时(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于长短时运动轨迹融合的车辆轨迹预测方法，其特征在于，包括：S1，获取目标车辆的历史位置信息以及目标车辆的车道信息，其中所述目标车辆的车道信息为根据所述目标车辆当前的位置，提取目标车辆过去一短时间T内的历史运动轨迹，与历史运动轨迹相对应的车道线及车道中心线；S2，基于所述目标车辆的历史位置信息和所述目标车辆的车道信息分别进行基于运动学的短时轨迹预测(short
‑
term)和基于行为趋势的长时轨迹预测(long
‑
term)；S3,将所述短时轨迹预测的结果与所述长时轨迹预测的结果进行融合获得未来轨迹融合表征；并基于所述未来轨迹融合表征获得周边车辆轨迹预测结果。2.根据权利要求1所述的一种基于长短时运动轨迹融合的车辆轨迹预测方法，其特征在于，所述S1，获取目标车辆的历史位置信息以及目标车辆的车道信息，其中所述目标车辆的车道信息为根据所述目标车辆当前的位置，提取目标车辆过去一短时间T内的历史运动轨迹，与历史运动轨迹相对应的车道线及车道中心线包括：S11，以所述目标车辆的车体的当前位置作为终点，提取过去一段时间T内所述目标车辆的运动轨迹；S12，提取所述目标车辆的运动轨迹中的起点和终点，分别在车道中心线上找到与所述运动轨迹的起点和终点分别对应的第一参考路径的起点和终点，将连接第一参考路径的起点和终点的点集作为第一参考路径；S13，基于所述第一参考路径提取所述目标车辆运动轨迹信息，其中所述目标车辆运动轨迹信息包括所述目标车辆在所述过去一段时间T内不同时刻的位置、横摆角、速度、加速度以及横摆角速度。3.根据权利要求2所述的一种基于长短时运动轨迹融合的车辆轨迹预测方法，其特征在于，所述S2包括：S21，基于所述目标车辆的历史位置信息，采用运动学模型获得目标车辆的短时运动轨迹T1；S22，基于所述目标车辆的历史位置信息以及所述目标车辆的车道信息获得所述目标车辆的车道中心线，并且基于所述目标车辆的车道中心线提取与所述目标车辆的历史轨迹的起点位置和终点位置相对应的第二参考路径，计算所述历史轨迹与所述第二参考路径的相似度与距离；S23，基于所述历史轨迹与所述第二参考路径的相似度比较结果，并根据车道线的位置设置比较阈值，识别目标车辆的驾驶意图；S24，将所述目标车辆的位置转换至Frenet坐标系统下，并基于实时计算得到的驾驶意图，对所述目标车辆的长时运动轨迹进行推导，得到长时运动轨迹T2；S25，基于短时运动轨迹T1和长时运动轨迹T2，利用样条函数将短时运动轨迹T1和长时运动轨迹T2进行融合，所述样条函数的设计满足融合后的结果在短时内趋向于运动模型推导的短时运动轨迹T1，而在长时里趋向于采用驾驶意图推导出的长时运动轨迹T2。4.根据权利要求3所述的一种基于长短时运动轨迹融合的车辆轨迹预测方法，其特征在于，所述S21包括：所述运动学模型为CTRV模型，将状态变量设置为：
其中，p
x
，p
y
，v，ψ，分别表示横坐标、纵坐标、速度、横摆角及横摆角速度；按CTRV模型对状态向量进行递推，考虑噪声的影响，引入UKF进行滤波，消除不确定性，从而获得短时运动轨迹T1。5.根据权利要求4所述的一种基于长短时运动轨迹融合的车辆轨迹预测方法，其特征在于，所述S22包括：将车道中心线按如下方程(1)进行拟合：y(x)＝c2x2+c1x1+c0ꢀꢀꢀ
(1)；将两段路径进行向量化描述，包括：对车辆的历史轨迹，向量化表示为：X
p
＝[d
l
，d
r
，θ]
T
，d
l
，d
r
，θ分别表示目标车辆到左车道线的距离、目标车辆到右车道线的距离以及目标车辆的当前横摆角；对车道中心线，向量化为：X
l
＝[d
l
，d
r
，θ]
T
，前两项为车道宽度的一半，最后一项为车道中心的摆向角；将两个向量通过下式(2)进行相似度的计算：D2＝(X
l
‑
X
p
)
T
(∑

【专利技术属性】
技术研发人员：张战军，王占国，吴仁杰，杨杰，刘梦琪，王蕊，李康，蔡连良，胡成林，李涛，
申请(专利权)人：中国邮政速递物流股份有限公司，
类型：发明
国别省市：