面向城市开放道路场景预测车辆轨迹的方法、设备及可读存储介质技术

本发明专利技术涉及一种面向城市开放道路场景预测车辆轨迹的方法、设备及可读存储介质。该面向城市开放道路场景预测车辆轨迹的方法包括：S1，获取感知信息；S2，存储、管理感知信息；S3，基于感知信息提取高精地图数据；提取过往k帧的所有运动车辆的感知信息；基于感知信息提取运动状态向量；S4，基于高精地图数据和运动状态向量生成目标车辆的车道线向量、人行道向量；生成历史轨迹向量；S5，生成最小值向量；S6，输入深度神经网络模型，推理生成未来s秒内的目标车辆预测轨迹。本发明专利技术提出了一种面向城市开放道路场景预测车辆轨迹的方法、设备及可读存储介质，预测准确率高、耗时短且适用性强。耗时短且适用性强。耗时短且适用性强。

【技术实现步骤摘要】
面向城市开放道路场景预测车辆轨迹的方法、设备及可读存储介质


[0001]本专利技术涉及车辆自动驾驶
，尤其涉及一种面向城市开放道路场景预测车辆轨迹的方法、设备及可读存储介质。

技术介绍

[0002]预测车辆轨迹是面向城市开放道路的自动驾驶车辆一个重要的又基本的问题。
[0003]当人类驾驶车辆时，他通常会观察周围的交通参与者，并在开始新的驾驶动作(例如加速或变道)之前预测交通参与者的未来位置。
[0004]同理，自动驾驶车辆在城市开放道路上开启自动驾驶时，自动驾驶车辆周围的交通参与者包括运动的车辆、行人，准确地预测周围运动的车辆和行人将来可能的轨迹，不仅能减小自动驾驶车辆执行并道、换道、超车等特殊驾驶动作时发生危险的概率，还能提高自动驾驶车辆的行驶效率及行驶舒适性。
[0005]无论人类驾驶车辆还是自动驾驶车辆，在城市开放道路行驶过程中遇到运动的车辆是不可避免的，躲避运动的车辆也是不可避免的。毫无疑问，自动驾驶车辆必须具备预测车辆轨迹的能力，才能更有效地躲避运动的车辆，才能更有效地实现自动驾驶功能。
[0006]现有技术中，根据轨迹预测方法的输入类型、输出类型以及中间处理步骤的不同，目前研究的轨迹预测方法大概分为三类。
[0007]第一类基于物理约束的预测方法，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(如轮子转角、加速度等)、车辆特性(如车辆自重)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轨迹。
[0008]第二类基于行为意图的预测方法，这种方法将每辆交通车看作一个正在执行某种行为(直行、变道、转弯)的运动个体。将预测过程分成了两个部分：识别行为和预测轨迹。首先识别车辆的行为(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。
[0009]第三类基于深度学习的预测方法，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作为模型的输入特征，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。
[0010]前述轨迹预测的三类方法存在如下问题：
[0011]第一类基于物理约束的预测方法，只是通过车辆的运动模型来进行预测，没有考虑到道路结构、交通规则和其它车辆的交互，特别是当经过路口的时候，预测轨迹偏差值较大。
[0012]第二类基于行为意图的预测方法，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之间交互作用、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
(交通车辆之间交互作用、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。
[0013]第三类基于深度学习的预测方法，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。
[0014]然而，很多基于深度学习的预测方法，采用将高精地图信息(比如车道线、红绿灯)编码为一张张彩色图片，然后使用卷积神经网络提取彩色图片中车道线信息。这种方法存在一些局限性。比如：
[0015]a)计算量大，耗费时间长，导致实时性差。
[0016]b)卷积神经网络容易忽略长距离的道路信息，导致长时间预测轨迹的性能指标很差。
[0017]c)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，从而导致应对突发情况的能力差。

技术实现思路

[0018]针对现有技术的上述问题，本专利技术提出了一种面向城市开放道路场景预测车辆轨迹的方法、设备及可读存储介质，采用高精地图数据结合车辆自动驾驶系统获取的感知信息来推理生成目标车辆预测轨迹，准确率高、耗时短且适用性强。
[0019]具体地，本专利技术提出了一种面向城市开放道路场景预测车辆轨迹的方法，包括如下步骤：
[0020]S1，获取自动驾驶系统中感知模块提供的感知信息；
[0021]S2，存储、管理所述感知信息；
[0022]S3，基于所述感知信息提取目标车辆当前时刻的中心点坐标，获取所述中心点坐标为中心半径r米范围内的高精地图数据；提取过往k帧的所有运动车辆的感知信息；基于所述感知信息提取目标车辆的当前时刻的运动状态向量；
[0023]S4，基于所述高精地图数据和运动状态向量生成所述目标车辆的车道线向量、人行道向量；基于过往k帧的所有运动车辆的感知信息和运动状态向量生成所有运动车辆的历史轨迹向量；
[0024]S5，基于所述车道线向量、人行道向量和历史轨迹向量生成对应的最小值向量；
[0025]S6，将所述车道线向量、人行道向量、历史轨迹向量和最小值向量输入深度神经网络模型，推理生成未来s秒内的目标车辆预测轨迹。
[0026]根据本专利技术的一个实施例，在步骤S1中，所述感知信息包括所识别物的识别号、识别物对应矩形框的中心点坐标、识别物对应矩形框4个顶点的坐标、识别物的长度、宽度、颜色、速度、加速度、航向角、航向角变化率，所述识别物包括运动车辆。
[0027]根据本专利技术的一个实施例，在步骤S2中，管理所述感知信息的操作包括：
[0028]增加：增加所述感知模块的感知范围内新出现的运动车辆的感知信息；
[0029]删除：删除超出所述感知模块的感知范围内的已有运动车辆的感知信息；
[0030]修改：更新所述感知模块的感知范围内已有运动车辆的感知信息；
[0031]查找：根据某个搜索条件查找所述感知模块的感知范围内某个目标车辆的感知信息。
[0032]根据本专利技术的一个实施例，在步骤S3中，所述运动状态向量至少包括速度、加速度、航向角、航向角变化率。
[0033]根据本专利技术的一个实施例，在执行步骤S5之后并在步骤S6之前，将所述最小值向量转换为tensor格式。
[0034]根据本专利技术的一个实施例，150≤r≤250，15≤k≤25，1≤s≤5。
[0035]根据本专利技术的一个实施例，所述深度神经网络模型的特征向量的构建方法包括步骤：
[0036]T1，获取感知信息和高精地图数据；
[0037]T2，生成目标车辆和所有运动车辆的历史轨迹向量；
[0038]T3，生成车道线向量；
[0039]T4，生成人行道向量；
[0040]T5，生成历史轨迹向量、车道线向量和人行道向量对应的最小值向量。
[0041]根据本专利技术的一个实施例，所述深度神经网络模型包括subGraph模块、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向城市开放道路场景预测车辆轨迹的方法，包括如下步骤：S1，获取自动驾驶系统中感知模块提供的感知信息；S2，存储、管理所述感知信息；S3，基于所述感知信息提取目标车辆当前时刻的中心点坐标，获取所述中心点坐标为中心半径r米范围内的高精地图数据；提取过往k帧的所有运动车辆的感知信息；基于所述感知信息提取目标车辆的当前时刻的运动状态向量；S4，基于所述高精地图数据和运动状态向量生成所述目标车辆的车道线向量、人行道向量；基于过往k帧的所有运动车辆的感知信息和运动状态向量生成所有运动车辆的历史轨迹向量；S5，基于所述车道线向量、人行道向量和历史轨迹向量生成对应的最小值向量；S6，将所述车道线向量、人行道向量、历史轨迹向量和最小值向量输入深度神经网络模型，推理生成未来s秒内的目标车辆预测轨迹。2.如权利要求1所述的面向城市开放道路场景预测车辆轨迹的方法，其特征在于，在步骤S1中，所述感知信息包括所识别物的识别号、识别物对应矩形框的中心点坐标、识别物对应矩形框4个顶点的坐标、识别物的长度、宽度、颜色、速度、加速度、航向角、航向角变化率，所述识别物包括运动车辆。3.如权利要求1所述的面向城市开放道路场景预测车辆轨迹的方法，其特征在于，在步骤S2中，管理所述感知信息的操作包括：增加：增加所述感知模块的感知范围内新出现的运动车辆的感知信息；删除：删除超出所述感知模块的感知范围内的已有运动车辆的感知信息；修改：更新所述感知模块的感知范围内已有运动车辆的感知信息；查找：根据某个搜索条件查找所述感知模块的感知范围内某个目标车辆的感知信息。4.如权利要求1所述的面向城市开放道路场景预测车辆轨迹的方法，其特征在于，在步骤S3中，所述运动状态向量至少包括速度、加速度、航向角、航向角变化率。5.如权利要求1所述的面向城市开放道路场景预测车辆轨迹的方法，其特征在于，在执行步骤S5之后并在步骤S6之前，将所述最小值向量转换为tensor格式。6.如权利要求1所述的面向城市开放道路场景预测车辆轨迹的方法，其特征在于，150≤r≤250，15≤k≤25，1≤s≤5。7.如权利要求1所述的面向城市开放道路场景预测车辆轨迹的方法，其特征在于，所述深度神经网络模型的特征向量的构建方法包括步骤：T1，获取感知信息和高精地图数据；T2，生成目标车辆和所有运动车辆的历史轨迹向量；T3，生...

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