CN110789528B - 一种车辆行驶轨迹预测方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了一种车辆行驶轨迹预测方法，该方法可以包括以下步骤：获得目标车辆的当前行驶数据；基于当前行驶数据，预测在当前时刻之后设定时长内目标车辆的粗略轨迹；根据粗略轨迹，确定目标车辆的目标车道；生成目标车辆到达目标车道的行驶轨迹。应用本申请实施例所提供的技术方案，使得对于周围车辆行驶轨迹的生成更为高效，使得最终生成的行驶轨迹更为准确，进而根据生成的行驶轨迹可以对当前车辆的进行更为准确的行驶控制，提高了车辆行驶的安全性。本申请还公开了一种车辆行驶轨迹预测装置、设备及存储介质，具有相应技术效果。

Description

一种车辆行驶轨迹预测方法、装置、设备及存储介质

技术领域

本申请涉及自动驾驶技术领域，特别是涉及一种车辆行驶轨迹预测方法、装置、设备及存储介质。

背景技术

随着人工智能在各行业的快速发展，作为人工智能的一个重要应用，自动驾驶技术逐渐兴起。自动驾驶，是指在不需要驾驶员执行物理性驾驶操作的情况下，能够对车辆行驶任务进行指导与决策，并代替驾驶员操控行为使车辆实现安全行驶，即目标就是实现车辆在无人状态下自主沿道路行进，在尽快到达目标点的同时保证本车安全，同时保证不对其他交通参与者的安全造成直接或者间接的威胁。

在车辆自动驾驶模式下，车辆的预测系统对周围车辆未来数秒内行驶趋势的判断显得至关重要，预测系统的正确判断，可以让车辆的自动驾驶系统预判周围环境的变化，使其更快做出响应。对周围车辆行驶轨迹的预测是预测系统的一个主要功能。在巡航过程中，通过对车辆行驶轨迹的预测，处于自动驾驶模式的车辆才能够理解其他车辆是否处于正常的保持车道状态，还是有变道的企图，从而帮助车辆做出保持车道、变道或者超车等决策。

如何准确预测周围车辆的行驶轨迹，是目前本领域技术人员急需解决的技术问题。

发明内容

本申请的目的是提供一种车辆行驶轨迹预测方法、装置、设备及存储介质，以准确预测周围车辆的行驶轨迹。

为解决上述技术问题，本申请提供如下技术方案：

一种车辆行驶轨迹预测方法，包括：

获得目标车辆的当前行驶数据；

基于所述当前行驶数据，预测在当前时刻之后设定时长内所述目标车辆的粗略轨迹；

根据所述粗略轨迹，确定所述目标车辆的目标车道；

生成所述目标车辆到达所述目标车道的行驶轨迹。

在本申请的一种具体实施方式中，所述基于所述当前行驶数据，预测在当前时刻之后设定时长内所述目标车辆的粗略轨迹，包括：

根据所述当前行驶数据，确定所述目标车辆的加速度和角速度；

假设所述目标车辆按照所述加速度和所述角速度运动，基于车辆运动学模型递推得到所述目标车辆在当前时刻之后设定时长内的粗略轨迹。

在本申请的一种具体实施方式中，所述根据所述粗略轨迹，确定所述目标车辆的目标车道，包括：

根据所述粗略轨迹，确定与所述粗略轨迹关联的所述目标车辆的候选车道；

从所述候选车道中选择所述目标车辆的目标车道。

在本申请的一种具体实施方式中，所述根据所述粗略轨迹，确定所述目标车辆的候选车道，包括：

将所述粗略轨迹离散为多个位置点；

分别查询每个所述位置点所在的车道；

将查询得到的车道确定为所述目标车辆的候选车道。

在本申请的一种具体实施方式中，所述候选车道有多条，所述在所述候选车道中选择所述目标车辆的目标车道，包括：

按照设定的特征表，确定每条所述候选车道的每个特征的特征值；

基于每条所述候选车道的每个特征的特征值，计算每条所述候选车道的选中概率；

根据所述选中概率大小，从所述候选车道中确定目标车道。

在本申请的一种具体实施方式中，所述生成所述目标车辆到达所述目标车道的行驶轨迹，包括：

预测所述目标车辆到达所述目标车道时的行驶状态；

根据所述行驶状态，生成所述目标车辆到达所述目标车道的行驶轨迹。

在本申请的一种具体实施方式中，所述行驶状态包括所述目标车辆到达所述目标车道的目标线和目标速度，所述根据所述行驶状态，生成所述目标车辆到达所述目标车道的行驶轨迹，包括：

假设所述目标车辆要到达所述目标线，采用纯追踪控制算法生成所述目标车道到达所述目标车道的所述目标线的行驶轨迹。

一种车辆行驶轨迹预测装置，包括：

行驶数据获得模块，用于获得目标车辆的当前行驶数据；

粗略轨迹预测模块，用于基于所述当前行驶数据，预测在当前时刻之后设定时长内所述目标车辆的粗略轨迹；

目标车道确定模块，用于根据所述粗略轨迹，确定所述目标车辆的目标车道；

行驶轨迹生成模块，用于生成所述目标车辆到达所述目标车道的行驶轨迹。

一种车辆行驶轨迹预测设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现上述任一项所述车辆行驶轨迹预测方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述车辆行驶轨迹预测方法的步骤。

应用本申请实施例所提供的技术方案，在获得目标车辆的当前行驶数据之后，基于当前行驶数据，预测在当前时刻之后设定时长内目标车辆的粗略轨迹，根据粗略轨迹，确定目标车辆最有可能到达的目标车道，生成目标车辆到达目标车道的行驶轨迹，使得对于周围车辆行驶轨迹的生成更为高效，使得最终生成的行驶轨迹更为准确。进而根据生成的行驶轨迹可以对当前车辆的进行更为准确的行驶控制，提高了车辆行驶的安全性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例中方案应用系统的结构示意图；

图2为本申请实施例中方案实施交互过程示意图；

图3为本申请实施例中车辆行驶轨迹预测设备的组成结构示意图；

图4为本申请实施例中一种车辆行驶轨迹预测方法的实施流程图；

图5为本申请实施例中车辆运动学模型示意图；

图6为本申请实施例中根据粗略轨迹确定的候选车道示意图；

图7为本申请实施例中车辆行驶状态预测示意图；

图8为本申请实施例中目标车道的目标线中路点确定示意图；

图9为本申请实施例中一种车辆行驶轨迹预测装置的结构示意图。

具体实施方式

本申请实施例的核心是提供一种车辆行驶轨迹预测方法，该方法可以应用到各个级别的车辆自动驾驶系统中，如L2辅助驾驶系统、L3需要人监管的高速自动驾驶系统、L4、L5城区全自动驾驶系统等，以实现自动驾驶车辆在不同驾驶情况下对周围车辆的行驶轨迹的准确预测，有助于自动驾驶车辆中的自动驾驶系统的进一步行驶决策。

为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

为了便于理解，先对本申请实施例的方案的应用系统的组成架构进行介绍，参见图1所示，为本申请实施例方案应用系统的一种结构示意图，该应用系统包括车辆10和在其周围的车辆11、车辆12。车辆10可以为自动驾驶车辆，在其中设置有自动驾驶系统，自动驾驶系统在控制车辆10行驶过程中，需要对周围其他车辆的行驶轨迹进行预测，通过对周围其他车辆的行驶轨迹的预测，可以理解到周围其他车辆是处于正常的保持车道状态，还是有变道的企图，从而基于此对车辆10做出保持车道、变道或者超车的决策。另外，在交叉路口附近，通过对周围其他车辆的行驶轨迹的预测，可以知道其他车辆的行驶方向，从而判断与这些车辆的相对路权。

车辆10通过传感器、激光雷达、超米波雷达等设备可以获得其周围的车辆11、车辆12的当前行驶数据，基于当前行驶数据，可以预测在当前时刻之后设定时长内车辆11、车辆12的粗略轨迹。从而根据粗略轨迹，可以确定出车辆11、车辆12的目标车道。具体的，可以先确定出车辆11、车辆12的候选车道，即有可能到达的车道，再从车辆11、车辆12对应的候选车道中选择出相应的目标车道，即最有可能到达的车道。生成车辆11、车辆12到达相应的目标车道的行驶轨迹。完成对周围车辆11和车辆12的行驶轨迹的准确预测，进而对自身的进一步行驶行为做出决策。

图1仅示出车辆10周围的两辆车辆，在实际行驶过程中，其周围可能还有更多车辆，可以通过对每辆车辆的行驶数据的获取，对每辆车辆进行行驶轨迹的预测。其周围车辆可以是自动驾驶车辆，还可以是普通车辆。

需要说明的是，本申请实施例中的车道，是指车辆可行驶的车道。在路口内，可以将从入口到出口的车通常行驶的轨迹认为是一个虚拟的车道，虽然这个车道在实际道路上并没有标明。

具体的，如图2所示，车辆10中设置的自动驾驶系统可以包括车辆行驶轨迹预测设备101和车辆行驶控制设备102，在车辆10正常行驶过程中，车辆行驶轨迹预测设备101通过传感器、雷达等设备可以获得目标车辆(这里的目标车辆以车辆11为例)的当前行驶数据，基于当前行驶数据，预测在当前时刻之后设定时长内目标车辆的粗略轨迹，根据该粗略轨迹，确定目标车辆的候选车道，在候选车道中选择目标车辆最有可能到达的目标车道，生成目标车辆到达目标车道的行驶轨迹，将生成的行驶轨迹传送给车辆行驶控制设备102，车辆行驶控制设备102基于该行驶轨迹，对车辆10的行驶进行控制。

图3所示，为车辆行驶轨迹预测设备101的组成结构示意图，车辆行驶轨迹预测设备101可以包括：处理器20、存储器21、通信接口22和通信总线23。处理器20、存储器21、通信接口22均通过通信总线23完成相互间的通信。

在本申请实施例中，处理器20可以为中央处理器(Central Processing Unit，CPU)、特定应用集成电路、数字信号处理器、现场可编程门阵列或者其他可编程逻辑器件等。

处理器20可以调用存储器21中存储的程序，具体的，处理器20可以执行以下车辆行驶轨迹预测方法的实施例中的操作。

存储器21中用于存放一个或者一个以上程序，程序可以包括程序代码，程序代码包括计算机操作指令，在本申请实施例中，存储器21中至少存储有用于实现以下功能的程序：

获得目标车辆的当前行驶数据；

基于当前行驶数据，预测在当前时刻之后设定时长内目标车辆的粗略轨迹；

根据粗略轨迹，确定目标车辆的目标车道；

生成目标车辆到达目标车道的行驶轨迹。

在一种可能的实现方式中，存储器21可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统，以及至少一个功能(比如声音播放功能、图像播放功能)所需的应用程序等；存储数据区可存储使用过程中所创建的数据，如行驶数据、轨迹数据等。

此外，存储器21可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件或其他易失性固态存储器件。

通信接口23可以为通信模块的接口，用于与其他设备或者系统连接。

当然，需要说明的是，图3所示的结构并不构成对本申请实施例中车辆行驶轨迹预测设备的限定，在实际应用中车辆行驶轨迹预测设备可以包括比图3所示的更多或更少的部件，或者组合某些部件。

结合以上共性，参见图4所示，为本申请实施例所提供的一种车辆行驶轨迹预测方法的实施流程图，该方法可以包括以下步骤：

S310：获得目标车辆的当前行驶数据。

在本申请实施例中，目标车辆可以是自动驾驶车辆行驶过程中在当前时刻其周围的任意一辆车辆，或者是通过对周围车辆的预判确定出的有变道意图的车辆。如果要对多辆车辆进行行驶轨迹的预测，可通过多线程同时对多辆车辆进行行驶轨迹的预测，后续在进行行驶决策的确定时综合对多辆车辆的行驶轨迹的预测结果即可。

下面对本申请实施例的说明均在执行主体为自动驾驶车辆，存在一辆目标车辆的场景中进行。

自动驾驶车辆可以实时或者按照设定时间间隔获得周围目标车辆的当前行驶数据，具体可以通过传感器、激光雷达、超米波雷达等设备可以获得目标车辆的当前行驶数据。当前行驶数据可以包括速度、加速度、位置、行驶方向等数据。

S320：基于当前行驶数据，预测在当前时刻之后设定时长内目标车辆的粗略轨迹。

获得目标车辆的当前行驶数据后，可以基于当前行驶数据，预测在当前时刻之后设定时长内目标车辆的粗略轨迹。该设定时长可以根据实际情况进行设定和调整，如设置为3秒。

在本申请的一种具体实施方式中，步骤S320可以包括以下步骤：

步骤一：根据当前行驶数据，确定目标车辆的加速度和角速度；

步骤二：假设目标车辆按照加速度和角速度运动，基于车辆运动学模型递推得到目标车辆在当前时刻之后设定时长内的粗略轨迹。

为便于描述，将上述两个步骤结合起来进行说明。

获得的目标车辆的当前行驶数据中包括目标车辆的速度、加速度、位置、行驶方向等数据，根据当前行驶数据，可以确定目标车辆的加速度和角速度。

在进行粗略轨迹的预测时，假设目标车辆按照当前加速度和角速度运动，基于车辆运动学模型可以递推得到目标车辆在当前时刻之后设定时长内的粗略轨迹。

先对本申请实施例所基于的车辆运动学模型进行说明。

如图5所示，为车辆运动学模型示意图。通常来说，可以将四轮车辆的运动特性进行一定的简化，将一对前轮和一对后轮分别合并考虑，从而形成图5所示的“自行车模型”，车辆运动学模型的运行学方程如公式(1)-(5)所示：

其中，

分别代表车辆的x位置、y位置、速度和行驶方向，a和δ分别代表车辆的加速度和前轮转角，前轮转角与方向盘转角直接相关，l_f表示车辆重心与前轮距离，l_r表示车辆重心与后轮距离，CoM为车辆重心。

简单的说，上述运动学方程表述的意思是，通过控制车辆加速度a和前轮转角δ，可以控制车辆的位置、速度和朝向等状态。上述运动学方程可以对车辆真实运动过程进行很好的描述。

在本申请实施例中，对上述运动学方程进行离散化处理，通过公式(6)进行描述：

X(n+1)＝f(X(n),u(n)) 公式(6)

其中，

为车辆状态量，u＝(a,δ)为车辆控制量，f为上述微分方程的离散化版本。公式(6)表达的是，车辆在n+1时刻的状态等于车辆在n时刻的状态并使用控制u。通过这个离散方程，给定车辆初始状态量和控制量，就可以获得车辆下一时刻的状态。

在获得目标车辆的当前行驶数据，并确定目标车辆的加速度和角速度之后，可以假设目标车辆按照当前的加速度和角速度运动，即使用CACR(Constant AccelerationConstant Yaw Rate，定加速度定角速度)思想，基于车辆运动学模型，根据目标车辆当前的状态量和当前的控制量来大致预测未来设定时长，如3秒内该目标车辆的粗略轨迹。这个粗略轨迹并非目标车辆最终的预测轨迹，是用于大致将目标车辆与其可能到达的车道联系起来。

具体而言，就是假定目标车辆将按照当前的加速度和当前的前轮转角运动，也就是保持u＝(a₀,δ₀)不变，按照公式(6)进行递推，迭代计算出一条粗略轨迹。a₀表示当前的加速度，δ₀表示当前的前轮转角。

S330：根据粗略轨迹，确定目标车辆的目标车道。

如前所描述的，预测在当前时刻之后设定时长内目标车辆的粗略轨迹的目的是要将目标车辆与其可能到达的车道联系起来。预测得到目标车辆的粗略轨迹后，一种方式可以将该粗略轨迹最终达到的车道确定为目标车辆的目标车道。

在本申请的一种具体实施方式中，可以根据粗略轨迹，先确定与粗略轨迹关联的目标车辆的候选车道，再从候选车道中选择目标车辆的目标车道。

可以将该粗略轨迹经过的所有车道均确定为目标车辆的候选车道，也就是说目标车辆之后很可能会到达候选车道中的一条车道上。候选车道可能有一条或者多条。

在本申请的一种具体实施方式中，步骤S330可以包括以下步骤：

第一个步骤：将粗略轨迹离散为多个位置点；

第二个步骤：分别查询每个位置点所在的车道；

第三个步骤：将查询得到的车道确定为目标车辆的候选车道。

为便于描述，将上述三个步骤结合起来进行说明。

确定目标车辆的粗略轨迹后，可以将粗略轨迹离散为多个位置点。具体的，可以按照时间间隔相等的方式进行离散或者按照距离间隔相等的方式进行离散。

以按照时间间隔相等的方式进行离散为例，假设粗略轨迹为3秒的轨迹，可以将该粗略轨迹等时距离散为30个点，相邻两个点之间的时间间隔为0.1秒。每个点都代表着目标车辆在相应时间点的状态，包括目标车辆的位置、行驶方向、速度等。从而可以得到每个点对应的位置，得到相应的位置点。

将粗略轨迹离散为多个位置点后，通过高精度地图可以查询得到每个位置点所在的车道。即对上例中的30个点都做一次查询，可得到一条或者多条候选车道，这些候选车道都是目标车辆未来有可能到达的车道。

也就是说，车辆在常规道路中行驶时，既有可能保持当前车道行驶，也有可能向左变道或者向右变道。在十字路口时，既有可能左转、直行，也有可能右转。确定的目标车辆的候选车道就是目标车辆未来有可能行驶的数条车道。

如图6所示，为根据粗略轨迹确定的候选车道示意图，通过粗略轨迹确定目标车辆在当前车辆位置至3秒后粗略预测车辆位置，该粗略轨迹经过三条车道，这三条车道可确定为目标车辆的候选车道，候车车道是目标车辆有可能到达的车道。

在确定出与粗略轨迹关联的目标车辆的候选车道后，可以在候选车道中选择目标车辆的目标车道。

确定的目标车辆的候选车道可能有一条或者多条。如果候选车道只有一条，则可以直接将该候选车道作为目标车辆的目标车道。如果候选车道有多条，则可以在候选车道中选择至少一条车道作为目标车辆的目标车道。目标车道就是目标车辆最终最有可能到达的车道，即目标车辆到达目标车道的可能性较大。

在本申请的一种具体实施方式中，候选车道有多条，可以通过以下步骤在候选车道中选择目标车辆的目标车道：

步骤一：按照设定的特征表，确定每条候选车道的每个特征的特征值；

步骤二：基于每条候选车道的每个特征的特征值，计算每条候选车道的选中概率；

步骤三：根据选中概率大小，从候选车道中确定目标车道。

为便于描述，将上述三个步骤结合起来进行说明。

在本申请实施例中，可以预先设定一个特征表，该特征表中包含与车道、车辆相关的多个特征，如表1所示：

表1

在表1中，包含车辆与候选车道夹角、车辆速度、车辆长、宽尺寸、车辆与前车距离、车辆与后车距离等特征。这些特征的特征值的大小可以表征车辆驶入候选车道的可能性。在实际应用中，可以加入更多特征或者选择部分特征。

对每条候选车道，均按照表1中的特征进行特征抽取，确定每条候选车道的每个特征的特征值。基于每条候选候车道的每个特征的特征值，可以计算每条候选车道的选中概率。

具体的，可以为每个特征预先赋予一定的权重，确定出每条候选车道的每个特征的特征值后，可以针对每条候选车道，计算该候选车道对应的这些特征值的加权和，将计算得到的加权和确定为该候选车道的待选分数，将待选分数进行归一化处理，得到每条候选车道的选中概率。当然，在确定出每条候选车道的每个特征的特征值之后，可以先将这些特征量化到[0,1]之间，方便对比和计算。

还可以采用机器学习算法得到每条候选车道的选中概率。比如，可以预先采集获得大量的训练数据，每条训练数据包括车辆对应的候选车道的每个特征的特征值，及该车辆最终到达的车道结果，不同训练数据可以对应相同或不同车辆，对应相同车辆的不同候选车道等。通过训练数据进行机器学习，得到选择模型，将每条候选车道的每个特征的特征值输入到该选择模型中，即可得到每条候选车道被选中为目标车道的概率，即选中概率。

这里的机器学习算法还可以使用神经网络、逻辑回归等其他算法替代。本申请实施例不再赘述。

根据选中概率大小，可以从候选车道中确定目标车道。如将选中概率最大的候选车道确定为目标车道，或者，将选中概率大于预设概率阈值的候选车道确定为目标车道，在这种情况下，确定的目标车道可以有一条或者多条。

S340：生成目标车辆到达目标车道的行驶轨迹。

在目标车辆的候选车道中选择得到目标车辆的目标车道后，可以生成目标车辆到达目标车道的行驶轨迹。

在本申请的一种具体实施方式中，步骤S340可以包括以下步骤：

第一个步骤：预测目标车辆到达目标车道时的行驶状态；

第二个步骤：根据行驶状态，生成目标车辆到达目标车道的行驶轨迹。

为便于描述，将上述两个步骤结合起来进行说明。

在确定目标车辆的目标车道后，可以进一步对目标车辆未来的行驶状态进行预测，行驶状态可以包括目标车辆到达目标车道的目标线和目标速度。如可以预测目标车辆在未来到达的目标线，可以通过与目标车道的中心线的偏移Δ表征，以及车辆在预测终止时间，如5秒时的目标速度v₁。车道和车道的中心线都可以通过高精度地图查询得到。

其中一种较为简单的预测方法是假定目标车辆最终到达目标车道的中心线，并保持车速不变，也就是Δ＝0，v₁＝v₀，v₀为当前时刻目标车辆的速度。

或者，可以采用机器学习算法预测Δ和v₁。如，可以预先采集获得大量的训练数据，每条训练数据包括车辆当前行驶状态及当前行驶状态所对应的一段时长后的行驶状态，不同训练数据可以对应相同或者不同车辆，或者相同车辆的不同车道。对训练数据进行机器学习，得到状态预测模型。将目标车辆的当前行驶状态信息输入到状态预测模型中，可以输出得到一段时长后的行驶状态。

这里的机器学习算法还可以使用神经网络、逻辑回归等其他算法替代。本申请实施例不再赘述。

预测得到目标车辆到达目标车道时的行驶状态后，可以根据行驶状态，得到目标车辆到达目标车道的位置，通过目标车辆当前位置和预测得到的到达目标车道的位置，可以生成目标车辆到达目标车道的行驶轨迹。

具体的，在确定出目标车道的中心线，获取到目标车道内偏移和目标速度后，可以将这三个量转化为一条目标车辆未来可能行驶的轨迹。在本申请实施例中，可以假设目标车辆要到达目标车道的目标线，目标车道的目标线即为目标车道的中心线+目标车道内偏移，模拟目标车辆行驶，采用纯追踪控制算法可以生成目标车道到达目标车道的目标线的行驶轨迹，如图7所示。需要说明的是，这里的纯追踪控制算法可以替换为其它的控制算法如Stanley(基于横向跟踪误差的非线性反馈函数)、PID(比例控制、积分控制、微分控制)等算法。

下面以采用纯追踪控制算法生成目标车辆到达目标车道的目标线的轨迹为例，可以先计算目标车辆的加速度，假设当前时刻目标车辆的速度为v₀，目标速度为v₁，在0-5秒时间段内目标车辆保持匀加速，可以获得加速度a＝(v₁-v₀)/5.0。

如图8所示，目标车辆用自行车模型表示，目标车道的目标线为path，采用纯追踪控制算法进行轨迹生成的目标是让目标车辆能够按照一个圆弧形轨迹到达目标车道的目标线path上的某一个路点(g_x,g_y)。

可以通过以下步骤获取路点(g_x,g_y)：

假设目标车辆在t秒内需要到达目标线，t可以根据车辆型号，在2s到4s范围内取值，目标车辆当前速度为v₀，计算得到预瞄距离l_d＝v₀*t，以l_d为半径，目标车辆的后轮轴心为圆心画圆，与目标线path相交的点即为路点(g_x,g_y)。

获得路点位置后，根据几何关系和公式(7)可得到目标车辆当前位置曲率k：

其中，α为目标车辆当前方向与目标车辆至路点方向的夹角，l_d为预瞄距离。

目标车辆前轮偏角δ可以通过公式(8)获得：

δ＝tan^-1(kL) 公式(8)

其中，L为目标车辆长度。

目标车辆前轮偏角δ代表的就是给定当前汽车状态，如果想要到达目标车道，目标车辆的前轮需要扭转多少角度。

如果假设目标车辆按照上面获取的加速度a和前轮偏角δ进行控制，则可以通过之前的离散状态方程X(n+1)＝f(X(n),u(n))计算出下一时刻目标车辆新的状态，包括位置、朝向等，而有了目标车辆下一时刻的位置，又可以使用上述纯追踪控制算法继续获得新的前轮偏角，如此迭代，即可获取目标车辆的可能行驶轨迹。

在实际应用中，可以假设每一个控制步长为0.1秒，总共轨迹时间长度为5秒，那么迭代50次可获得一条包含50个点的目标车辆未来路径，通过插值则可获得一条连续的行驶轨迹。

如果有多个目标车辆的目标车道，通过上述方法可以获得目标车辆的多条行驶轨迹。

本申请实施例通过CACR(Constant Acceleration Constant Yaw Rate，定加速度定角速度)方式，及车辆运动学模型，递推得到目标车辆的一条粗略轨迹，用于将目标车辆关联到一些候选车道上，对候选车道进行选择，选取其中最佳的一条或者两条作为目标车道，再通过预测目标车辆未来的状态，使用车辆运动学模型的车辆轨迹生成方法来生成最终行驶轨迹。

应用本申请实施例所提供的方法，在获得目标车辆的当前行驶数据之后，基于当前行驶数据，预测在当前时刻之后设定时长内目标车辆的粗略轨迹，根据粗略轨迹，确定目标车辆最有可能到达的目标车道，生成目标车辆到达目标车道的行驶轨迹，使得对于周围车辆行驶轨迹的生成更为高效，使得最终生成的行驶轨迹更为准确。进而根据生成的行驶轨迹可以对当前车辆的进行更为准确的行驶控制，提高了车辆行驶的安全性。

相应于上面的方法实施例，本申请实施例还提供了一种车辆行驶轨迹预测装置，下文描述的一种车辆行驶轨迹预测装置与上文描述的一种车辆行驶轨迹预测方法可相互对应参照。

参见图9所示，该装置可以包括以下模块：

行驶数据获得模块410，用于获得目标车辆的当前行驶数据；

粗略轨迹预测模块420，用于基于当前行驶数据，预测在当前时刻之后设定时长内目标车辆的粗略轨迹；

目标车道确定模块430，用于根据粗略轨迹，确定目标车辆的目标车道；

行驶轨迹生成模块440，用于生成目标车辆到达目标车道的行驶轨迹。

应用本申请实施例所提供的装置，在获得目标车辆的当前行驶数据之后，基于当前行驶数据，预测在当前时刻之后设定时长内目标车辆的粗略轨迹，根据粗略轨迹，确定目标车辆最有可能到达的目标车道，生成目标车辆到达目标车道的行驶轨迹，使得对于周围车辆行驶轨迹的生成更为高效，使得最终生成的行驶轨迹更为准确。进而根据生成的行驶轨迹可以对当前车辆的进行更为准确的行驶控制，提高了车辆行驶的安全性。

在本申请的一种具体实施方式中，粗略轨迹预测模块420，具体用于：

根据当前行驶数据，确定目标车辆的加速度和角速度；

假设目标车辆按照加速度和角速度运动，基于车辆运动学模型递推得到目标车辆在当前时刻之后设定时长内的粗略轨迹。

在本申请的一种具体实施方式中，目标车道确定模块430，具体用于：

根据粗略轨迹，确定与粗略轨迹关联的目标车辆的候选车道；

从候选车道中选择目标车辆的目标车道。

在本申请的一种具体实施方式中，目标车道确定模块430，具体用于：

将粗略轨迹离散为多个位置点；

分别查询每个位置点所在的车道；

将查询得到的车道确定为目标车辆的候选车道。

在本申请的一种具体实施方式中，候选车道有多条，目标车道确定模块430，具体用于：

按照设定的特征表，确定每条候选车道的每个特征的特征值；

基于每条候选车道的每个特征的特征值，计算每条候选车道的选中概率；

根据选中概率大小，从候选车道中确定目标车道。

在本申请的一种具体实施方式中，行驶轨迹生成模块440，具体用于：

预测目标车辆到达目标车道时的行驶状态；

根据行驶状态，生成目标车辆到达目标车道的行驶轨迹。

在本申请的一种具体实施方式中，行驶状态包括目标车辆到达目标车道的目标线和目标速度，行驶轨迹生成模块440，具体用于：

假设目标车辆要到达目标线，采用纯追踪控制算法生成目标车道到达目标车道的目标线的行驶轨迹。

相应于上面的方法实施例，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述车辆行驶轨迹预测方法的步骤。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的技术方案及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

Claims (8)

1.一种车辆行驶轨迹预测方法，其特征在于，包括：

获得目标车辆的当前行驶数据；

基于所述当前行驶数据，预测在当前时刻之后设定时长内所述目标车辆的粗略轨迹；

根据所述粗略轨迹，确定所述目标车辆的目标车道；

预测所述目标车辆到达所述目标车道时的行驶状态；所述行驶状态包括所述目标车辆到达所述目标车道的目标线和目标速度；

假设所述目标车辆要到达所述目标线，采用纯追踪控制算法生成所述目标车道到达所述目标车道的所述目标线的行驶轨迹。

2.根据权利要求1所述的方法，其特征在于，所述基于所述当前行驶数据，预测在当前时刻之后设定时长内所述目标车辆的粗略轨迹，包括：

根据所述当前行驶数据，确定所述目标车辆的加速度和角速度；

假设所述目标车辆按照所述加速度和所述角速度运动，基于车辆运动学模型递推得到所述目标车辆在当前时刻之后设定时长内的粗略轨迹。

3.根据权利要求1所述的方法，其特征在于，所述根据所述粗略轨迹，确定所述目标车辆的目标车道，包括：

根据所述粗略轨迹，确定与所述粗略轨迹关联的所述目标车辆的候选车道；

从所述候选车道中选择所述目标车辆的目标车道。

4.根据权利要求3所述的方法，其特征在于，所述根据所述粗略轨迹，确定所述目标车辆的候选车道，包括：

将所述粗略轨迹离散为多个位置点；

分别查询每个所述位置点所在的车道；

将查询得到的车道确定为所述目标车辆的候选车道。

5.根据权利要求3所述的方法，其特征在于，所述候选车道有多条，所述在所述候选车道中选择所述目标车辆的目标车道，包括：

按照设定的特征表，确定每条所述候选车道的每个特征的特征值；

基于每条所述候选车道的每个特征的特征值，计算每条所述候选车道的选中概率；

根据所述选中概率大小，从所述候选车道中确定目标车道。

6.一种车辆行驶轨迹预测装置，其特征在于，包括：

行驶数据获得模块，用于获得目标车辆的当前行驶数据；

粗略轨迹预测模块，用于基于所述当前行驶数据，预测在当前时刻之后设定时长内所述目标车辆的粗略轨迹；

目标车道确定模块，用于根据所述粗略轨迹，确定所述目标车辆的目标车道；

行驶轨迹生成模块，用于预测所述目标车辆到达所述目标车道时的行驶状态；所述行驶状态包括所述目标车辆到达所述目标车道的目标线和目标速度；假设所述目标车辆要到达所述目标线，采用纯追踪控制算法生成所述目标车道到达所述目标车道的所述目标线的行驶轨迹。

7.一种车辆行驶轨迹预测设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述车辆行驶轨迹预测方法的步骤。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述车辆行驶轨迹预测方法的步骤。

Images