【技术实现步骤摘要】
本专利技术涉及露天矿区无人驾驶领域，尤其涉及一种基于相似度匹配的露天矿区目标车辆轨迹预测方法。
技术介绍
1、露天矿山无人运输是新基建下智能交通运输领域的关键技术之一，对无人运输产业的发展具有重要的推动意义，能够推动国家智能汽车创新发展战略落地。而露天矿山无人驾驶矿卡的行车安全是保障露天矿山无人运输系统的重要一环。
2、中国专利公开号为cn116061973a的专利技术专利公开了目标车辆轨迹预测方法、控制装置、可读存储介质及目标车辆，以及公开号为cn116682018a的专利技术专利公开了一种目标车辆轨迹预测方法、装置、系统及存储介质。这两个专利的主要专利技术点类似，通过机器学习的方法对周围动态场景进行特征编码，包括自车轨迹编码特征、周边轨迹编码特征和路网编码特征，还包括自车轨迹交互特征、周边轨迹交互特征和环境交互特征，这些特征进行预处理后需要经过神经网络网络模型基于大量数据进行训练学习。该类技术主要是解决城市交叉路口大量乘用车的多模态交互轨迹预测任务，直接迁移至露天矿区轨迹预测存在不适用情况，主要缺陷之一是城市道路场景存在有明显约束的车道线信息，而露天矿区道路无明确车道约束，需要设计参考路径；主要缺陷之二是基于大量数据进行训练学习依赖大量标注好的动态场景数据同时实时计算时普遍需要大算力且比较耗时。
技术实现思路
1、为解决上述问题，考虑到神经网络模型训练时对数据的严格要求与耗时耗算力问题，本专利技术提供一种基于相似度匹配的露天矿区目标车辆轨迹预测方法。基于露天矿区高精
2、采用的技术方案如下：
3、一种基于相似度匹配的露天矿区目标车辆轨迹预测方法，包括如下步骤：
4、s1、进行目标车辆选择不同参考路径的意图预测，具体步骤如下：
5、s11、获取目标车辆实时状态信息：获取的目标车辆实时状态信息矢量为其中，k表示目标车辆离散状态量的当前时刻，表示目标车辆中心在全局坐标系当前位置的东向位置为xk、北向位置为yk、航向角为θk、纵向速度为vk、偏航角速度为γk、纵向加速度为ak、偏航角加速度为
6、s12、获取目标车辆候选参考路径：依据目标车辆实时位姿(xk，yk，θk)及矿区高精度地图获取目标车辆前方的候选路径集合set(pathi)；不同的参考路径表示了交叉路口处目标车辆可以驶向其它道路的连接关系；
7、s13、基于运动学模型预测目标车辆短时轨迹：包括短时局部状态量预测和基于扩展卡尔曼滤波预测短时轨迹；
8、s14、路径相似度评分模型：未来短时预测轨迹为其中，m为短时预测时域的步长，作为输出，为在候选路径集合set(pathi)中对每条候选路径pathi进行相似度评分；
9、s15、归一化得到目标车辆选择不同参考路径的概率，对每条候选路径pathi的相似度分数score(pathi)进行归一化；
10、s2、进行目标车辆的长时轨迹预测，具体步骤如下：
11、s21、基于匀速假设获取参考路径上的目标点：以步骤s15中候选参考路径中概率最大的参考路径为依据，基于匀速假设，按照长时预测时域tpredcit计算预瞄距离dis＝vktpredict，并以所述预瞄距离dis作为输入查询参考路径上的目标点，得到目标点状态target(x1，y1，θ1，v1＝vk，a1＝ak)，其中，目标车辆中心在全局坐标系的目标点的东向位置为x1、目标点北向位置为y1、目标点航向角为θ1、目标点纵向速度为v1、目标点纵向加速度为a1；
12、s22、基于五次多项式轨迹曲线得到目标车辆长时预测轨迹：以目标车辆实时状态作为初始状态startk(xk，yk，θk，vk，ak)，以目标车辆在参考路径上的目标点状态作为终点状态target(x1，y1，θ1，v1＝vk，a1＝ak)，所述五次多项式轨迹曲线差值方法如下：
13、x(t)＝a5t5+a4t4+a3t3+a2t2+a1t+a0
14、y(t)＝b5t5+b4t4+b3t3+b2t2+b1t+b0
15、所述五次多项式轨迹曲线起点与终点约束条件为：
16、x(0)＝xk y(0)＝yk
17、x′(0)＝vkcosθk y′(0)＝vksinθk
18、x″(0)＝akcosθk y″(0)＝aksinθk
19、x(tpredict)＝x1 y(tpredict)＝y1
20、x′(tpredict)＝v1cosθky′(tpredict)＝v1cosθk
21、x″(tpredict)＝0，y″(tpredict)＝0
22、式中，x(t)和y(t)分别为东向位置、北向位置随时间t的函数关系，建模为五次多项式曲线，a0～a5和b0～b5分别为五次多项式曲线函数的参数，随着目标车辆的当前位置点和目标点的更新而实时更新求解，得到目标车辆长时预测轨迹。
23、进一步，步骤s11中所述目标车辆实时状态信息来源于自动驾驶目标车辆感知模块、路侧感知单元或v2v通信系统中的一个或者多个信息源融合结果。
24、进一步，步骤s13具体包括如下步骤：
25、s131、短时局部状态量预测：依据目标车辆短时历史时间窗口的纵向速度和偏航角速度，使用移动平均法预测目标车辆在未来短时时间窗口的纵向速度和偏航角速度：
26、
27、
28、其中，m为短时预测时域的步长，n为历史时间窗口步长，为移动平均法的每个时间步权重系数，为待标定参数，j1＝0，1，2…n-1；
29、s132、基于扩展卡尔曼滤波预测短时轨迹：构建目标车辆未来状态预测模型，将所述未来短时时间窗口的纵向速度和偏航角速度作为观测值，对其它状态量进行扩展卡尔曼滤波操作，得到未来短时时间窗口的其它状态量，进而得到目标车辆未来短时预测轨迹表示为
30、进一步，步骤s132中所述扩展卡尔曼滤波包括过程模型、测量模型、预测步骤和更新步骤
31、进一步，步骤s132中，所述扩展卡尔曼滤波中的过程模型为.
32、sk+1＝f(sk)+qk＝[f1，f2，f3，f4，f5，f6，f7]+qk
33、其中，sk是目标车辆实时状态矢量，sk+1是目标车辆下一时刻状态矢量，f(sk)是基于非线性目标车辆运动学的状态转移方程；qk是过程噪声，过程噪声符合高斯分布，即qk～n(0，qk)，过程噪声方差矩阵为其中，qdv，qdγ，qda，依次分别表示纵向速度、偏航角速度、纵向加速度、偏航角加速度的方差值，为待标定参数，基于所述非线性目标车辆运动学的状态转移方本文档来自技高网...
【技术保护点】
1.一种基于相似度匹配的露天矿区目标车辆轨迹预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于相似度匹配的露天矿区目标车辆轨迹预测方法，其特征在于，步骤S11中所述目标车辆实时状态信息来源于自动驾驶目标车辆感知模块、路侧感知单元或V2V通信系统中的一个或者多个信息源融合的结果。
3.根据权利要求2所述的一种基于相似度匹配的露天矿区目标车辆轨迹预测方法，其特征在于，步骤S13具体包括如下步骤：
4.根据权利要求3所述的一种基于相似度匹配的露天矿区目标车辆轨迹预测方法，其特征在于，步骤S132中所述扩展卡尔曼滤波包括过程模型、测量模型、预测步骤和更新步骤。
5.根据权利要求4所述的一种基于相似度匹配的露天矿区目标车辆轨迹预测方法，其特征在于，步骤S132中，所述扩展卡尔曼滤波中的过程模型为：
6.根据权利要求5所述的一种基于相似度匹配的露天矿区目标车辆轨迹预测方法，其特征在于，步骤S132中，所述扩展卡尔曼滤波中的预测步骤为fekf，predict：
7.根据权利要求6所述的一种基于相似度匹配
8.根据权利要求7所述的一种基于相似度匹配的露天矿区目标车辆轨迹预测方法，其特征在于，所述采样周期T＝0.1s，所述长时预测时域Tpredict＝5s。
9.根据权利要求8所述的一种基于相似度匹配的露天矿区目标车辆轨迹预测方法，其特征在于，步骤S14中，所述路径相似度评分模型为：
10.根据权利要求9所述的一种基于相似度匹配的露天矿区目标车辆轨迹预测方法，其特征在于，步骤S15中，使用Softmax函数来将每条候选路径的分数转换成概率，所述概率计算公式如下：
...【技术特征摘要】
1.一种基于相似度匹配的露天矿区目标车辆轨迹预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于相似度匹配的露天矿区目标车辆轨迹预测方法，其特征在于，步骤s11中所述目标车辆实时状态信息来源于自动驾驶目标车辆感知模块、路侧感知单元或v2v通信系统中的一个或者多个信息源融合的结果。
3.根据权利要求2所述的一种基于相似度匹配的露天矿区目标车辆轨迹预测方法，其特征在于，步骤s13具体包括如下步骤：
4.根据权利要求3所述的一种基于相似度匹配的露天矿区目标车辆轨迹预测方法，其特征在于，步骤s132中所述扩展卡尔曼滤波包括过程模型、测量模型、预测步骤和更新步骤。
5.根据权利要求4所述的一种基于相似度匹配的露天矿区目标车辆轨迹预测方法，其特征在于，步骤s132中，所述扩展卡尔曼滤波中的过程模型为：
6.根据权利要求5所述的一种...
【专利技术属性】
技术研发人员：陈志发，李磊，张飞，李涵，邬海杰，段星集，
申请(专利权)人：北京踏歌智行科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。