车辆行驶轨迹预测方法、设备及其介质与流程

1.本发明涉及智能驾驶技术领域，尤其涉及一种车辆行驶轨迹预测方法、设备及其介质。


背景技术：

2.在智慧交通领域，车辆行驶轨迹对于道路路况的计算具有十分重要的参考作用。在现有技术中，车辆的行驶轨迹主要是根据车载设备或者放置于车辆上的其它移动设备上传的实时定位数据而生成。然而，在一些特殊情况下，车辆的实时定位数据可能不会被稳定的获得，这就会导致无法保证车辆行驶轨迹的真实性，进而无法计算出真实路况，造成极差的用户体验。而依赖于摄像头输出的车道线或者仅依赖于自车横摆角速度或方向盘转角等车辆动力学参数信息，由于车道线信息无法准确获取，另外，通过车辆动力学参数信息计算的自车行驶轨迹波动太大，滤波深度过大会使轨迹出现明显的迟滞，无法实时、准确预测自车的行驶轨迹，行车安全性低。


技术实现要素：

3.本发明要解决的技术问题是：为了解决现有技术中无法实时、准确预测自车的行驶轨迹的问题，本发明提供一种车辆行驶轨迹预测方法，能够实时、准确的预测车辆行驶轨迹，用户体验感好，提高了行车安全性。
4.本发明解决其技术问题所采用的技术方案是：一种车辆行驶轨迹预测方法，包括以下步骤：
5.步骤s1：获取自车动力学轨迹信息、道路轨迹信息以及前方车辆移动轨迹信息；
6.步骤s2：对所述自车动力学轨迹信息、所述道路轨迹信息以及所述前方车辆移动轨迹信息进行融合处理，得到融合后的轨迹数据；
7.步骤s3：基于序贯卡尔曼滤波方法对所述轨迹数据处理，得到最终预测的自车行驶轨迹信息。
8.进一步，具体地，所述步骤s2具体包括以下步骤：
9.步骤s21：分别计算所述自车动力学轨迹信息、所述道路轨迹信息以及所述前方车辆移动轨迹信息的方差；
10.步骤s22：判断所述道路轨迹信息是否为有效信息，若为有效信息，则进入下一步，反之，所述道路轨迹信息不进行融合处理；
11.步骤s23：将所述自车动力学轨迹信息的方差和所述道路轨迹信息的方差融合处理，得到第一融合数据；
12.步骤s24：判断所述前方车辆移动轨迹信息是否为有效信息，若为有效信息，则进入下一步，反之，所述前方车辆移动轨迹信息不进行融合处理；
13.步骤s25：将所述第一融合数据与所述前方车辆移动轨迹信息的方差融合处理，得到所述轨迹数据。
14.进一步，具体地，所述自车动力学轨迹信息的方差计算包括以下步骤：
15.所述自车动力学轨迹信息包括若干采样点y，获取当前自车车速，计算每个采样点的时距τ，计算公式为：
[0016][0017]
其中，dist_x(i)为第i个采样点y距离坐标系原点的纵向距离，v_x为当前自车车速；
[0018]
当时距τ＜1s时，所述自车动力学轨迹信息第i个采样点y方差计算公式为：
[0019]
f_vdyvar(i)＝f
11
*τ3+f
12
；
[0020]
当τ≥1s时，所述自车动力学轨迹信息第i个采样点y的方差计算如下：
[0021]
f_vdyvar(i)＝f
13
*τ
4.5
+f
14
；
[0022]
其中，f_vdyvar(i)表示第i个采样点y的方差值，f
11
、f
12
、f
13
和f
14
为常值系数；
[0023]
进一步，具体地，所述前方车辆移动轨迹信息的方差计算包括以下步骤：
[0024]
所述前方车辆移动轨迹信息包括若干采样点m，获取当前自车车速以及当前自车行驶轨迹的曲率值，根据所述当前自车车速以及所述当前自车行驶轨迹的曲率值判断当前车速是否为中低速；
[0025]
若为中低速，当时距τ＜1s时，第i采样点m的方差计算公式为：
[0026]
f_motvar(i)＝f
21
*τ3+f
22
；
[0027]
当1s≤τ≤4s时，第i采样点m的方差计算公式为：
[0028]
f_motvar(i)＝f
23
*τ
4.5
+f
24
；
[0029]
当τ＞4s时，第i采样点m的方差计算公式为：
[0030]
f_motvar(i)＝f
25
*τ5+f
26
；
[0031]
若为高速，第i采样点m的方差计算公式为：
[0032]
f_motvar(i)＝f
27
*τ3+f
28
；
[0033]
其中，f_motvar(i)表示第i个采样点m的方差值，，f
21
、f
22
、f
23
、f
24
、f
25
、f
26
、f
27
和f
28
为常值系数。
[0034]
进一步，具体地，所述道路轨迹信息的方差计算包括以下步骤：
[0035]
所述道路轨迹信息包括若干采样点b，获取所述道路轨迹信息的曲率，将所述道路轨迹信息的曲率的绝对值与所述曲率阈值比较；
[0036]
若所述道路轨迹信息的曲率的绝对值大于所述曲率阈值时：
[0037]
当时距τ＜1s时，第i采样点b的方差计算公式为：
[0038]
f_roadvar(i)＝f1*τ2+f2；
[0039]
当1s≤τ≤4s时，第i采样点b的方差计算公式为：
[0040]
f_roadvar(i)＝f
31
*τ
2，5
+f
32
；
[0041]
当τ＞4s时，第i采样点b的方差计算公式为：
[0042]
f_roadvar(i)＝f
33
*τ
3.5
+f
34
；
[0043]
若所述道路轨迹信息的曲率的绝对值小于或等于所述曲率阈值时：
[0044]
当时距τ＜1s时，第i采样点b的方差计算公式为：
[0045]
f_roadvar(i)＝f
35
*τ2+f
36
、；
[0046]
当1s≤τ≤4s时，第i采样点b的方差计算公式为：
[0047]
f_roadvar(i)＝f
37
*τ
2.5
+f
38
；
[0048]
当τ＞4s时，第i采样点b的方差计算公式为：
[0049]
f_roadvar(i)＝f
39
*τ
3.5
+f
40
；
[0050]
其中，f_roadvar(i)表示第i个采样点b的方差值，f1、f2、f
31
、f
32
、f
33
、f
34
、f
35
、f
36
、f
37
、f
38
、f
39
和f
40
为常值系数。
[0051]
进一步，具体地，所述中低速满足条件为：所述当前自车车速＜速度阈值、或所述当前自车行驶轨迹的曲率值＞曲率阈值；
[0052]
所述高速满足条件为：所述当前自车车速≥速度阈值。
[0053]
进一步，具体地，在所述步骤s23中融合处理计算公式为：
[0054][0055]
f_fusedx(i)1＝f_vdyx(i)+f_w1*(f_roadx(i)-f_vdyx(i))
[0056]
f_fusedy(i)1＝f_vdyy(i)+f_w1*(f_roady(i)-f_vdyy(i))
[0057]
f_fusedvar(i)1＝f_vdyvar(i)+f_w1*(f_roadvar(i)-f_vdyvar(i))；
[0058]
其中，f_vdyx(i)、f_vdyy(i)分别是第i采样点y的纵坐标和横坐标；f_w1是基于所述自车动力学轨迹信息的方差计算出的第一融合系数；f_fusedx(i)1、f_fusedy(i)1以及f_fusedvar(i)1分别是所述步骤s23中融合采样点的纵坐标、横坐标和方差值；
[0059]
在所述步骤s25中融合处理计算公式为：
[0060][0061]
f_finalx(i)2＝f_fusedx(i)+f_w2*(f_motx(i)-f_fusedx(i))
[0062]
f_finaly(i)2＝f_fusedy(i)+f_w2*(f_moty(i)-f_fusedy(i))
[0063]
f_finalvar(i)2＝f_fusedvar(i)+f_w2*(f_motvaar(i)-f_fusedvar(i))；
[0064]
其中，f_motx(i)、f_moty()分别是mot path第i个采样点m的纵坐标和横坐标；f_w2是基于所述前方车辆移动轨迹信息的方差计算出的融合系数；f_finalx(i)2、f_finaly(i)2以及f_finalvar(i)2分别是所述步骤s25中最终融合后采样点的纵坐标、横坐标和方差值。
[0065]
一种计算机设备，包括：
[0066]
处理器；
[0067]
存储器，用于存储可执行指令；
[0068]
其中，所述处理器用于从所述存储器中读取所述可执行指令，并执行所述可执行指令以实现如上所述的车辆行驶轨迹预测方法。
[0069]
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，使得处理器实现如上所述的车辆行驶轨迹预测方法。
[0070]
本发明的有益效果是，本发明的一种车辆行驶轨迹预测方法，获取自车动力学轨迹信息、道路轨迹信息以及前方车辆移动轨迹信息处理，以自车动力学轨迹信息为基础，通
过道路轨迹信息以及前方车辆移动轨迹信息来不断修正自车动力学轨迹信息，减小了自车动力学轨迹信息的波动，通过融合处理能够实时、准确的预测车辆行驶轨迹，用户体验感好，提高了行车安全性。另外，由于提高了车辆的行驶轨迹的精确度，大大减小了acc目标的误选率，适用于汽车acc功能。
附图说明
[0071]
下面结合附图和实施例对本发明进一步说明。
[0072]
图1是本发明实施例一的的流程示意图。
[0073]
图2是本发明实施例一融合处理的流程示意图。
[0074]
图3是本发明实施例三计算机设备结构示意图。
[0075]
图中10、计算机设备；1002、处理器；1004、存储器；1006、传输装置；
具体实施方式
[0076]
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
[0077]
实施例1：本技术实施例提供了一种车辆行驶轨迹预测方法，如图1所示，包括以下步骤：
[0078]
步骤s1：获取自车动力学轨迹信息、道路轨迹信息以及前方车辆移动轨迹信息。
[0079]
通过视觉摄像头和前向毫米波雷达来获取自车动力学轨迹信息、道路轨迹信息以及前方车辆移动轨迹信息，但不仅限如此，如还可以激光雷达替换视觉摄像头。
[0080]
步骤s2：对自车动力学轨迹信息、道路轨迹信息以及前方车辆移动轨迹信息进行融合处理，得到融合后的轨迹数据。
[0081]
步骤s3：基于序贯卡尔曼滤波方法对轨迹数据处理，得到最终预测的自车行驶轨迹信息。
[0082]
在本实施例中，如图2所述，步骤s2具体包括以下步骤：
[0083]
步骤s21：分别计算自车动力学轨迹信息、道路轨迹信息以及前方车辆移动轨迹信息的方差。
[0084]
进一步的，自车动力学轨迹信息的方差计算包括以下步骤：
[0085]
自车动力学轨迹信息包括若干采样点y，获取当前自车车速，计算每个采样点的时距τ，计算公式为：
[0086][0087]
其中，dist_x(i)为第i个采样点y距离坐标系原点的纵向距离，v_x为当前自车车速。
[0088]
当时距τ＜1s时，自车动力学轨迹信息第i个采样点y方差计算公式为：
[0089]
f_vdyvar(i)＝f
11
*τ3+f
12
；
[0090]
当τ≥1s时，自车动力学轨迹信息第i个采样点y的方差计算如下：
[0091]
f_vdyvar(i)＝f
13
*τ
4.5
+f
14
；
[0092]
其中，f_vdyvar(i)表示第i个采样点y的方差值，f
11
、f
12
、f
13
和f
14
为常值系数。
[0093]
前方车辆移动轨迹信息的方差计算包括以下步骤：
[0094]
前方车辆移动轨迹信息包括若干采样点m，获取当前自车车速以及当前自车行驶轨迹的曲率值，根据当前自车车速以及当前自车行驶轨迹的曲率值判断当前车速是否为中低速；
[0095]
若为中低速，当时距τ＜1s时，第i采样点m的方差计算公式为：
[0096]
f_motvar(i)＝f
21
*τ3+f
22
；
[0097]
当1s≤τ≤4s时，第i采样点m的方差计算公式为：
[0098]
f_motvar(i)＝f
23
*τ
4.5
+f
24
；
[0099]
当τ＞4s时，第i采样点m的方差计算公式为：
[0100]
f_motvar(i)＝f
25
*τ5+f
26
；
[0101]
若为高速，第i采样点m的方差计算公式为：
[0102]
f_motvar(i)＝f
27
*τ3+f
28
；
[0103]
其中，f_motvar(i)表示第i个采样点m的方差值，f
21
、f
22
、f
23
、f
24
、f
25
、f
26
、f
27
和f
28
为常值系数。
[0104]
需要说明的是，中低速满足条件为：当前自车车速＜速度阈值、或当前自车行驶轨迹的曲率值＞曲率阈值；高速满足条件为：当前自车车速≥速度阈值。
[0105]
道路轨迹信息的方差计算包括以下步骤：
[0106]
道路轨迹信息包括若干采样点b，获取道路轨迹信息的曲率，将道路轨迹信息的曲率的绝对值与曲率阈值比较；为了提高道路轨迹信息的拟合的精确度，将道路轨迹信息的曲率的绝对值划分为2段：
[0107]
(1)若道路轨迹信息的曲率的绝对值大于曲率阈值时：
[0108]
当时距τ＜1s时，第i采样点b的方差计算公式为：
[0109]
f_roadvar(i)＝f1*τ2+f2；
[0110]
当1s≤τ≤4s时，第i采样点b的方差计算公式为：
[0111]
f_roadvar(i)＝f
31
*τ
2.5
+f
32
；
[0112]
当τ＞4s时，第i采样点b的方差计算公式为：
[0113]
f_roadvar(i)＝f
33
*τ
3.5
+f
34
；
[0114]
(2)若道路轨迹信息的曲率的绝对值小于或等于曲率阈值时：
[0115]
当时距τ＜1s时，第i采样点b的方差计算公式为：
[0116]
f_roadvar(i)＝f
35
*τ2+f
36
、；
[0117]
当1s≤τ≤4s时，第i采样点b的方差计算公式为：
[0118]
f_roadvar(i)＝f
37
*τ
2.5
+f
38
；
[0119]
当τ＞4s时，第i采样点b的方差计算公式为：
[0120]
f_roadvar(i)＝f
39
*τ
3.5
+f
40
；
[0121]
其中，f_roadvar(i)表示第i个采样点b的方差值，f1、f2、f
31
、f
32
、f
33
、f
34
、f
35
、f
36
、f
37
、f
38
、f
39
和f
40
为常值系数。
[0122]
步骤s22：判断道路轨迹信息是否为有效信息，若为有效信息，则进入下一步，反之，道路轨迹信息不进行融合处理。
[0123]
步骤s23：将自车动力学轨迹信息的方差和道路轨迹信息的方差融合处理，得到第一融合数据。
[0124]
在步骤s23中融合处理计算公式为：
[0125][0126]
f_fusedx(i)1＝f_vdyx(i)+f_w1*(f_roadx(i)-f_vdyx(i))
[0127]
f_fusedy(i)1＝f_vdyy(i)+f_w1*(f_roady(i)-f_vdyy(i))
[0128]
f_fusedvar(i)1＝f_vdyvar(i)+f_w1*(f_roadvar(i)-f_vdyvar(i)).
[0129]
其中，f_vdyx(i)、f_vdyy(i)分别是第i采样点y的纵坐标和横坐标；f_w1是基于自车动力学轨迹信息的方差计算出的第一融合系数；f_fusedx(i)1、f_fusedy(i)1以及f_fusedvar(i)1分别是步骤s23中融合采样点的纵坐标、横坐标和方差值；
[0130]
步骤s24：判断前方车辆移动轨迹信息是否为有效信息，若为有效信息，则进入下一步，反之，前方车辆移动轨迹信息不进行融合处理。
[0131]
步骤s25：将第一融合数据与前方车辆移动轨迹信息的方差融合处理，得到轨迹数据。
[0132]
在步骤s25中融合处理计算公式为：
[0133][0134]
f_finalx(i)2＝f_fusedx(i)+f_w2*(f_motx(i)-f_fusedx(i))
[0135]
f_finaly(i)2＝f_fusedy(i)+f_w2*(f_moty(i)-f_fusedy(i))
[0136]
f_finalvar(i)2＝f_fusedvar(i)+f_w2*(f_motvar(i)-f_fusedvar(i))；
[0137]
其中，f_motx(i)、f_moty()分别是mot path第i个采样点m的纵坐标和横坐标；f_w2是基于前方车辆移动轨迹信息的方差计算出的融合系数；f_finalx(i)2、f_finaly(i)2以及f_finalvar(i)2分别是步骤s25中最终融合后采样点的纵坐标、横坐标和方差值。
[0138]
需要说明的是，在预测车辆行驶轨迹的过程中，以自车动力学轨迹信息为基础，利用道路轨迹信息和前方车辆移动轨迹信息来不断修正自车动力学轨迹信息。因此，在对道路轨迹信息和前方车辆移动轨迹信息融合处理过程中确定是否为有效信息，也就是说，需要进一步判断道路轨迹信息和前方车辆移动轨迹信息否可用。
[0139]
道路轨迹信息是否有效根据所有轨迹指示方向和所有轨迹曲率半径来判断，满足以下条件时，道路轨迹信息为有效信息：
[0140]
1)自车未发生变道工况；
[0141]
2)自车动力学轨迹信息曲率较小时，道路轨迹信息指示方向与自车动力学轨迹信息指示方向相同；
[0142]
3)道路轨迹信息指示方向和前方车辆移动轨迹信息指示方向相同，且在自车动力学轨迹信息曲率较大的情况下，道路轨迹信息的曲率与自车动力学轨迹信息的曲率相差较小；
[0143]
4)道路轨迹信息指示方向与自车动力学轨迹信息的指向信息和前方车辆移动轨迹信息的指示方向均相同；
[0144]
前方车辆移动轨迹信息是否有效根据所有轨迹指示方向和所有轨迹曲率半径来判断，满足以下条件时，前方车辆移动轨迹信息为有效信息：
[0145]
1)自车未发生变道工况；
[0146]
2)前方车辆移动轨迹信息指示方向与自车动力学轨迹信息的指示方向和道路轨迹信息的指示方向均相同；
[0147]
3)前方车辆移动轨迹信息曲率绝对值与自车动力学轨迹信息曲率绝对值和道路轨迹信息曲率绝对值之间相差较小；
[0148]
步骤s3具体包括以下步骤：
[0149]
s31：基于序贯卡尔曼滤波方法对轨迹数据处理，获得预测车辆的行驶轨迹曲率、曲率变化率以及航向角信息。
[0150]
具体的，以轨迹数据(采样点y的横坐标)作为观测值zk，状态变量xk＝[headng crvt dcrut]
′
，其中，heading表示为自车航向角，crvt为curvature的缩写，表示为自车行驶曲率，dcrvt为derivative curvature的缩写，表示为自车行驶曲率变化率，状态变量xk表征为自车行驶轨迹。
[0151]
状态转移矩阵a定义如下：
[0152][0153]
v为自车车速，t为模块运行周期；
[0154]
过程噪声矩阵q定义如下：
[0155][0156]q00
、q
11
和q
22
为标定常值；
[0157]
测量矩阵h定义如下：
[0158][0159]
x(i)表示轨迹数据内各采样点的纵坐标；
[0160]
其中，状态转移矩阵a、过程噪声矩阵q和测量矩阵h分别对应卡尔曼滤波中的状态转移矩阵(a)、卡尔曼滤波中的过程噪声矩阵(q)以及观测值的测量转换矩阵，因为无法直接测量heading、crvt以及dcrvt，通过测量采样点y的坐标，通过测量矩阵h将heading、crvt以及dcrvt和采样点y坐标联结。
[0161]
由于采用的是序贯卡尔曼滤波，轨迹数据内的每个采样点都进行一次卡尔曼滤波。因此，在一个运行周期内需要运行多次卡尔曼滤波。
[0162]
s32：获取视觉车道线轨迹信息，基于序贯卡尔曼滤波方法对处理视觉车道线轨迹信息，得到融合车道线信息的自车行驶轨迹，融合车道线信息的行驶轨迹更精确，进一步提
高了车辆的行驶轨迹的精确度。
[0163]
本发明的一种车辆行驶轨迹预测方法，获取自车动力学轨迹信息、道路轨迹信息以及前方车辆移动轨迹信息处理，以自车动力学轨迹信息为基础，通过道路轨迹信息以及前方车辆移动轨迹信息来不断修正自车动力学轨迹信息，减小了自车动力学轨迹信息的波动，通过融合处理能够实时、准确的预测车辆行驶轨迹，用户体验感好，提高了行车安全性。另外，由于提高了车辆的行驶轨迹的精确度，大大减小了acc目标的误选率，适用于汽车acc功能。
[0164]
实施例2：本技术实施例提供了一种计算机设备，该计算机设备包括处理器和存储器，该存储器中存储有至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现如上述方法实施例所提供的一种车辆行驶轨迹预测方法。
[0165]
图3示出了一种用于实现本技术实施例所提供的一种车辆行驶轨迹预测方法的设备的硬件结构示意图，设备可以参与构成或包含本技术实施例所提供的装置或系统。如图3所示，计算机设备10可以包括一个或多个处理器1002(处理器可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器1004、以及用于通信功能的传输装置1006。除此以外，还可以包括：显示设备、输入/输出接口(i/o接口)、通用串行总线(usb)端口(可以作为i/o接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图3所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机设备10还可包括比图3中所示更多或者更少的组件，或者具有与图3所示不同的配置。
[0166]
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机设备10(或移动设备)中的其他元件中的任意一个内。如本技术实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
[0167]
存储器1004可用于存储应用软件的软件程序以及模块，如本技术实施例中的一种车辆行驶轨迹预测方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器1004内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的一种方法。存储器1004可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1004可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0168]
传输装置1006用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机设备10的通信供应商提供的无线网络。在一个实例中，传输装置1006包括一个网络适配器(networkinterfacecontroller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置1006可以为射频(radiofrequency，rf)模块，其用于通过无线方式与互联网进行通讯。
[0169]
显示设备可以例如触摸屏式的液晶显示器(lcd)，该液晶显示器可使得用户能够与计算机设备10(或移动设备)的用户界面进行交互。
[0170]
实施例3：本技术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
可设置于服务器之中以保存用于实现方法实施例中一种车辆行驶轨迹预测方法相关的至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述方法实施例提供的一种车辆行驶轨迹预测方法。
[0171]
可选地，在本实施例中，上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0172]
实施例4：本发明实施例还提供了一种计算机程序产品或计算机程序，计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实施方式中提供的一种车辆行驶轨迹预测方法。
[0173]
需要说明的是：上述本技术实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本技术特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0174]
本技术中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备和存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0175]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0176]
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

技术特征：
1.一种车辆行驶轨迹预测方法，其特征在于，包括以下步骤：步骤s1：获取自车动力学轨迹信息、道路轨迹信息以及前方车辆移动轨迹信息；步骤s2：对所述自车动力学轨迹信息、所述道路轨迹信息以及所述前方车辆移动轨迹信息进行融合处理，得到融合后的轨迹数据；步骤s3：基于序贯卡尔曼滤波方法对所述轨迹数据处理，得到最终预测的自车行驶轨迹信息。2.如权利要求1所述的车辆行驶轨迹预测方法，其特征在于，所述步骤s2具体包括以下步骤：步骤s21：分别计算所述自车动力学轨迹信息、所述道路轨迹信息以及所述前方车辆移动轨迹信息的方差；步骤s22：判断所述道路轨迹信息是否为有效信息，若为有效信息，则进入下一步，反之，所述道路轨迹信息不进行融合处理；步骤s23：将所述自车动力学轨迹信息的方差和所述道路轨迹信息的方差融合处理，得到第一融合数据；步骤s24：判断所述前方车辆移动轨迹信息是否为有效信息，若为有效信息，则进入下一步，反之，所述前方车辆移动轨迹信息不进行融合处理；步骤s25：将所述第一融合数据与所述前方车辆移动轨迹信息的方差融合处理，得到所述轨迹数据。3.如权利要求2所述的车辆行驶轨迹预测方法，其特征在于，所述自车动力学轨迹信息的方差计算包括以下步骤：所述自车动力学轨迹信息包括若干采样点y，获取当前自车车速，计算每个采样点的时距τ，计算公式为：其中，dist_x(i)为第i个采样点y距离坐标系原点的纵向距离，v_x为当前自车车速；当时距τ＜1s时，所述自车动力学轨迹信息第i个采样点y方差计算公式为：f_vdyvar(i)＝f
11
*τ3+f
12
；当τ≥1s时，所述自车动力学轨迹信息第i个采样点y的方差计算如下：f_vdyvar(i)＝f
13
*τ
4.5
+f
14
；其中，f_vdyvar(i)表示第i个采样点y的方差值，f
11
、f
12
、f
13
和f
14
为常值系数。4.如权利要求3所述的车辆行驶轨迹预测方法，其特征在于，所述前方车辆移动轨迹信息的方差计算包括以下步骤：所述前方车辆移动轨迹信息包括若干采样点m，获取当前自车车速以及当前自车行驶轨迹的曲率值，根据所述当前自车车速以及所述当前自车行驶轨迹的曲率值判断当前车速是否为中低速；若为中低速，当时距τ＜1s时，第i采样点m的方差计算公式为：f_motvar(i)＝f
21
*τ3+f
22
；当1s≤τ≤4s时，第i采样点m的方差计算公式为：
f_motvar(i)＝f
23
*τ
4.5
+f
24
；当τ＞4s时，第i采样点m的方差计算公式为：f_motvar(i)＝f
25
*τ5+f
26
；若为高速，第i采样点m的方差计算公式为：f_motvar(i)＝f
27
*τ3+f
28
；其中，f_motvar(i)表示第i个采样点m的方差值，，f
21
、f
22
、f
23
、f
24
、f
25
、f
26
、f
27
和f
28
为常值系数。5.如权利要求4所述的车辆行驶轨迹预测方法，其特征在于，所述道路轨迹信息的方差计算包括以下步骤：所述道路轨迹信息包括若干采样点b，获取所述道路轨迹信息的曲率，将所述道路轨迹信息的曲率的绝对值与所述曲率阈值比较；若所述道路轨迹信息的曲率的绝对值大于所述曲率阈值时：当时距τ＜1s时，第i采样点b的方差计算公式为：f_roadvar(i)＝f1*τ2+f2；当1s≤τ≤4s时，第i采样点b的方差计算公式为：f_roadvar(i)＝f
31
*τ
2.5
+f
32
；当τ＞4s时，第i采样点b的方差计算公式为：f_roadvar(i)＝f
33
*τ
3.5
+f
34
；若所述道路轨迹信息的曲率的绝对值小于或等于所述曲率阈值时：当时距τ＜1s时，第i采样点b的方差计算公式为：f_roadvar(i)＝f
35
*τ2+f
36
；当1s≤τ≤4s时，第i采样点b的方差计算公式为：f_roadvar(i)＝f
37
*τ
2.5
+f
38
；当τ＞4s时，第i采样点b的方差计算公式为：f_roadvar(i)＝f
39
*τ
3.5
+f
40
；其中，f_roadvar(i)表示第i个采样点b的方差值，f1、f2、f
31
、f
32
、f
33
、f
34
、f
35
、f
36
、f
37
、f
38
、f
39
和f
40
为常值系数。6.如权利要求4所述的车辆行驶轨迹预测方法，其特征在于，所述中低速满足条件为：所述当前自车车速＜速度阈值、或所述当前自车行驶轨迹的曲率值＞曲率阈值；所述高速满足条件为：所述当前自车车速≥速度阈值。7.如权利要求4所述的车辆行驶轨迹预测方法，其特征在于，在所述步骤s23中融合处理计算公式为：f_fusedx(i)1＝f_vdyx(i)+f_w1*(f_roadx(i)-f_vdyx(i))f_fusedy(i)1＝f_vdyy(i)+f_w1*(f_roady(i)-f_vdyy(i))f_fusedvar(i)1＝f_vdyvar(i)+f_w1*(f_roadvar(i)-f_vdyvar(i))；其中，f_vdyx(i)、f_vdyy(i)分别是第i采样点y的纵坐标和横坐标；f_w1是基于所述自车动力学轨迹信息的方差计算出的第一融合系数；f_fusedx(i)1、f_fusedy(i)1以及f_
fusedvar(i)1分别是所述步骤s23中融合采样点的纵坐标横坐标和方差值；在所述步骤s25中融合处理计算公式为：f_finalx(i)2＝f_fusedx(i)+f_w2*(f_motx(i)-f_fusedx(i))f_finaly(i)2＝f_fusedy(i)+f_w2*(f_moty(i)-f_fusedy(i))f_finalvar(i)2＝f_fusedvar(i)+f_w2*(f_motvar(i)-f_fusedvar(i))；其中，f_motx(i)、f_moty()分别是mot path第i个采样点m的纵坐标和横坐标；f_w2是基于所述前方车辆移动轨迹信息的方差计算出的融合系数；f_finalx(i)2、f_finaly(i)2以及f_finalvar(i)2分别是所述步骤s25中最终融合后采样点的纵坐标、横坐标和方差值。8.一种计算机设备，其特征在于，包括：处理器；存储器，用于存储可执行指令；其中，所述处理器用于从所述存储器中读取所述可执行指令，并执行所述可执行指令以实现如权利要求1至6中任一项所述的车辆行驶轨迹预测方法。9.一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存储有计算机程序，当所述计算机程序被处理器执行时，使得处理器实现如权利要求1至7中任一项所述的车辆行驶轨迹预测方法。

技术总结
本发明涉及智能驾驶技术领域，尤其涉及一种车辆行驶轨迹预测方法、设备及其介质。车辆行驶轨迹预测方法包括:获取自车动力学轨迹信息、道路轨迹信息以及前方车辆移动轨迹信息；对自车动力学轨迹信息、道路轨迹信息以及前方车辆移动轨迹信息进行融合处理，得到融合后的轨迹数据；基于序贯卡尔曼滤波方法对轨迹数据处理，得到最终预测的自车行驶轨迹信息。本发明提供一种车辆行驶轨迹预测方法，能够实时、准确的预测车辆行驶轨迹，用户体验感好，提高了行车安全性。了行车安全性。了行车安全性。


技术研发人员：王神保 杜思伟 王向永
受保护的技术使用者：常州星宇车灯股份有限公司
技术研发日：2023.07.12
技术公布日：2023/10/15