用于预测目标对象的运动轨迹的方法、计算设备和系统技术方案

本申请公开了用于预测目标对象的运动轨迹的方法、计算设备和系统。一种用于预测目标对象的运动轨迹的方法，包括：由交通工具的计算设备采集多个目标对象在预定时间段内的位姿数据，该多个目标对象与交通工具在未来时间段内的交通活动有关；以及由计算设备基于位姿数据来预测多个目标对象在未来时间段内的运动轨迹，其中，预测多个目标对象在未来时间段内的运动轨迹包括：根据贝叶斯法则，基于每个目标对象的位姿数据来计算每个目标对象在未来时间段内的未来时刻出现在指定位置时的最大似然估计，作为每个交通工具的状态变量；以及基于状态变量确定运动轨迹。及基于状态变量确定运动轨迹。及基于状态变量确定运动轨迹。

【技术实现步骤摘要】
用于预测目标对象的运动轨迹的方法、计算设备和系统


[0001]本申请涉及轨迹预测。

技术介绍

[0002]在智能驾驶和辅助驾驶中常使用轨迹预测。
[0003]一种轨迹预测方案是基于物理模型的预测方案，其通过物理、数学模型(例如，牛顿运动定律和已知车辆动力学参数)来预测车辆的运动轨迹。该方案需要对车辆的物理特性和环境因素进行建模。只要获得的数据准确，该方案就能够产生可靠的预测结果。然而，该方案仅能对自车进行预测，而无法准确预测其他车辆的运动轨迹。
[0004]另一种轨迹预测方案是基于机器学习的预测方案，其利用神经网络和大量训练数据进行建模，随后使用这些模型来预测未来轨迹。该方案预测结果准确，不仅可对自车进行预测，而且还能够对其他车辆进行预测。然而，该方案中产生的模型参数量大，对于目前的嵌入式计算环境而言模型的运算是一个挑战。
[0005]本领域中需要一种兼顾轨迹预测的预测准确性和计算资源消耗的方案。

技术实现思路

[0006]为了提供一种兼顾轨迹预测的准确性和计算资源消耗的方案，提供本专利技术。
[0007]根据本专利技术的一个方面，提供一种用于预测目标对象的运动轨迹的方法，其包括：由交通工具的计算设备采集多个目标对象在预定时间段内的位姿数据，多个目标对象与交通工具在未来时间段内的交通活动有关；以及由计算设备基于位姿数据来预测多个目标对象在未来时间段内的运动轨迹，其中，预测多个目标对象在未来时间段内的运动轨迹包括：根据贝叶斯法则，基于每个目标对象的位姿数据来计算每个目标对象在未来时间段内的未来时刻出现在指定位置时的最大似然估计，作为每个交通工具的状态变量；以及基于状态变量确定运动轨迹。
[0008]根据本专利技术的另一方面，提供一种计算机可读存储介质，其上存储有计算机可执行指令，该计算机可执行指令当被执行时用于执行上述方法。
[0009]根据本专利技术的另一方面，提供一种计算机程序产品，被有形地存储在计算机可读存储介质上，并且包括计算机可执行指令，该计算机可执行指令当被执行时用于执行上述方法。
[0010]根据本专利技术的另一方面，提供一种用于交通工具的计算设备，其包括处理器和存储器，该存储器存储计算机可执行指令，盖计算机可执行指令当被执行时使处理器执行上述方法。
[0011]根据本专利技术的另一方面，提供一种用于交通工具的系统，其包括传感器和上述计算设备，传感器用于感测交通工具的环境数据。
[0012]根据本专利技术的实施例的方法、计算设备和系统能够在不过多地消耗计算资源的情况下获得可接受的运动轨迹的预测准确性。
附图说明
[0013]图1示出根据本专利技术的实施例的运动轨迹预测和规划方案的应用场景。
[0014]图2示出根据本专利技术的实施例的用于交通工具的系统的框图。
[0015]图3示出根据本专利技术的实施例的用于目标对象的轨迹预测和交通工具的轨迹规划和控制的软件架构和相关流程。
[0016]图4示出根据本专利技术的实施例的用于预测目标对象的运动轨迹的方法的流程图。
[0017]图5是根据本专利技术的实施例的计算机可读存储介质的框图。
[0018]图6是根据本专利技术的实施例的计算机程序产品的框图。
[0019]图7示出用于根据本专利技术的实施例的批量状态估计的所解决问题的示意图。
[0020]图8示出用于根据本专利技术的实施例的批量状态估计解决问题方式的图形表示。
[0021]图9示出高斯分布的曲线图。
[0022]图10
‑
图11示出利用根据本专利技术的实施例的用于预测目标对象的运动轨迹的方法预测目标对象的轨迹的结果的示意图。
[0023]图12示出任务执行期间的实时性测试结果。
具体实施方式
[0024]在以下描述中，陈述了众多特定细节。然而，应当理解，可在没有这些特定细节的情况下实践本专利技术的实施例。在其他实例中，未详细示出公知的电路、结构和技术，以免使对本描述的理解模糊。
[0025]说明书中对“一个实施例”、“实施例”、“示例实施例”等的引用表明所描述的实施例可以包括特定的特征、结构或特性，但是每个实施例不一定都包括该特定的特征、结构或特性。此外，此类短语不一定是指同一个实施例。此外，当结合实施例描述特定的特征、结构或特性时，认为结合无论是否被明确描述的其他实施例而影响此类特征、结构或特性是在本领域技术人员的知识范围之内的。
[0026]出于本公开的目的，短语“A和/或B”意指(A)、(B)或(A和B)。出于本公开的目的，短语“A、B、和/或C”意指(A)、(B)、(C)、(A和B)、(A和C)、(B和C)或(A、B和C)。
[0027]在以下描述中，主要结合当前交通工具是汽车的情况描述各实施例，但是本申请的实施例也适用于其他形式的交通工具，包括但不限于各种非机动车、船舶、飞行器等。
[0028]在本申请中，使用术语“目标对象”表示与当前交通工具在未来时间段内的交通活动有关(即，参与到其中)的各种对象，其可包括其他交通工具、行人、动物、障碍物、其他可移动物体等，它们会对当前交通工具在未来时间段内的交通活动产生影响，因此需要预测这些目标对象在未来时间段内的运动轨迹，以更好地规划当前交通工具在未来时间段内的运动轨迹。
[0029]图1示出根据本专利技术的实施例的运动轨迹预测和规划方案的应用场景。场景100示出单向车道上的应用场景，可通过预测在相同方向上行驶的其他车辆的运动轨迹来规划自车的运动轨迹。场景150示出更复杂的十字路口的应用场景。在该场景中，更多目标对象(例如，在相同方向或相反方向上行驶的其他车辆，在垂直方向上行驶的车辆，在路口准备过马路的行人、非机动车、宠物狗等)，通过预测这些潜在目标对象在未来时间段内的运动轨迹，可以更好地规划自车的运动轨迹。
[0030]根据本专利技术的一个方面，提供一种用于交通工具的系统及其计算设备。
[0031]图2示出根据本专利技术的实施例的用于交通工具的系统200的框图。
[0032]系统200可用于交通工具(例如，当前交通工具)，以用于预测目标对象在未来时间段内的运动轨迹，从而更好地规划当前交通工具的运动轨迹。系统200可包括传感器210和计算设备230。传感器210可用于感测当前交通工具的环境数据。在一些实施例中，传感器210可包括前置摄像头212，其可用于捕捉与当前交通工具的环境有关的图像。在一些实施例中，传感器212可包括前置雷达214，其可用于探知位置信息。
[0033]计算设备230可用于从传感器210感测到的环境数据中采集与多个目标对象在预定时间段内的位姿数据。在此，多个目标对象与当前交通工具在未来时间段内的交通活动有关。作为示例，位姿数据可包括目标对象的当前位置信息(例如，坐标)、当前头部所处于的角度(例如，车头方向)等。计算设备230可用于基于所采集的位姿数据来预测多个目标对象在未来时间段内的运动轨迹。
[0034]作为示例，采集多个目标对象的位姿数据的预定时间段本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于预测目标对象的运动轨迹的方法，包括：由交通工具的计算设备采集多个目标对象在预定时间段内的位姿数据，所述多个目标对象与所述交通工具在未来时间段内的交通活动有关；以及由所述计算设备基于所述位姿数据来预测所述多个目标对象在所述未来时间段内的运动轨迹，其中，预测所述多个目标对象在所述未来时间段内的运动轨迹包括：根据贝叶斯法则，基于每个目标对象的位姿数据来计算每个目标对象在所述未来时间段内的未来时刻出现在指定位置时的最大似然估计，作为每个交通工具的状态变量；以及基于所述状态变量确定所述运动轨迹。2.如权利要求1所述的方法，其特征在于，计算每个目标对象在所述未来时间段内的未来时刻出现在指定位置时的最大似然估计包括：使用关于所述状态变量的高斯型概率密度函数。3.如权利要求2所述的方法，其特征在于，使用关于所述状态变量的高斯型分布密度函数包括：执行最小二乘计算，以产生针对所述高斯型概率密度函数的最大似然估计与观测值之间的最小误差，其中，所述观测值通过关于先前时刻的实际值的观测方程来确定。4.如权利要求3所述的方法，其特征在于，执行最小二乘计算包括：使用迭代方法求解极值，以确定所述最小误差。5.如权利要求3所述的方法，其特征在于，执行最小二乘计算包括：使用函数的泰勒展开式。6.如权利要求5所述的方法，其特征在于，所述函数为：其中，e是自然对数的底，a、b、c、d是参数，x是状态变量。7.如权利要求1所述的方法，其特征在于，还包括：将所述位姿数据形成为位姿数据矩阵，并且其中，计算每个目标对象在所述未来时间段内的未来时刻出现在指定位置时的最大似然估计还包括：使用CHOLESKY方法来优化导数求解。8.如权利要求1所述的方法，其特征在于...

【专利技术属性】
技术研发人员：沈蔚桦，张冬鹏，
申请(专利权)人：安波福电子苏州有限公司，
类型：发明
国别省市：