自动驾驶车辆的环境信息预测、控制方法、装置及车辆与流程

1.本发明涉及自动驾驶技术领域，具体提供一种自动驾驶车辆环境信息预测、控制方法、装置及车辆。


背景技术：

2.随着自动驾驶技术的发展，未来自动驾驶车辆上会安装越来越多的传感器，如雷达、激光雷达、高精度地图、高精度惯导imu(inertial measurement unit)等。得益于图像处理技术、目标融合技术、定位技术的突破发展，获取多维度感知信息已经触手可及，而利用这些丰富的信息也为获取更为准确稳定的车辆环境模型提供了条件。同时基于这些环境模型的构建基础上，对周围交通参与者在环境道路上的行为预测提供了基础，这样会对行驶在公共道路上的自动驾驶车辆的提供更为稳定可靠的保证。
3.车辆环境模型在自动驾驶车辆的行为规划和控制中起到了非常重要的作用，其可以预测本车和周围车辆的行驶轨迹，进而对行驶轨迹上的道路特征障碍物信息进行获取和轨迹预测，为下一个阶段的车辆决策运动提供输入，最终实现自动驾驶车辆的转向控制、驱动控制、制动控制等控制过程。
4.目前，车辆环境模型没有很好的标准化形式，其大部分没有考虑到交通参与者的运动状态预测，早期仅是依赖单一信息预测：如基于车身运动状态信息如车速、横摆角速度信息获取等，这些都是基于当前车辆状态的一种稳态估计方法，没有很好的表征未来车辆运动趋势；而基于道路属性等感知信息虽然能够表征未来一定时空下的道路信息，但受限于障碍物、天气等，获取的环境模型鲁棒性受限。同时，应用多种信息获取环境模型受限于不同类型感知信息获取信息不统一，很难对多个输入信息进行融合使用。
5.相应地，本领域需要一种新的自动驾驶车辆环境模型构建方案来解决上述问题。


技术实现要素：

6.为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决如何结合多种信息构建自动驾驶车辆的环境模型，从而对环境信息实现充分考虑，并提升模型鲁棒性的问题。
7.在第一方面，本发明提供一种自动驾驶车辆的环境信息预测方法，所述方法包括：
8.根据所述自动驾驶车辆的自车运动信息，构建卡尔曼滤波方程的状态转换模型；
9.根据所述状态转换模型，获取当前时刻所述自动驾驶车辆的周围环境中的环境目标的位置关系的预测值；其中，所述位置关系为所述环境目标与所述自动驾驶车辆所处位置之间的关系；
10.根据所述自动驾驶车辆获取的当前时刻所述环境目标的位置关系的感知测量结果和所述预测值，基于卡尔曼滤波方程对所述预测值进行更新，获取当前时刻所述环境目标的位置关系的最终预测结果；
11.其中，所述感知测量结果通过所述自动驾驶车辆的自车运动系统和/或车端感知
设备和/或非车端感知设备获得。
12.在上述自动驾驶车辆的环境信息预测方法的一个技术方案中，所述环境目标包括预设的预瞄时间内所述自动驾驶车辆的预测轨迹点，所述位置关系包括所述预测轨迹点相对于所述自动驾驶车辆的纵向距离和朝向角；
13.所述方法还包括：
14.根据所述自动驾驶车辆的自车运动系统，获取所述自动驾驶车辆的车速和偏航角；
15.根据所述车速和所述偏航角，获取所述自动驾驶车辆的自车行驶半径；
16.根据所述自车行驶半径，获取所述自动驾驶车辆的车辆行驶轨迹；
17.根据所述车辆行驶轨迹，在所述车辆行驶轨迹的前后预瞄时间内获取所述自动驾驶车辆前后的预测轨迹点的纵向距离和朝向角，作为所述预测轨迹点的感知测量结果。
18.在上述自动驾驶车辆的环境信息预测方法的一个技术方案中，“根据所述车速和偏航角，获取所述自动驾驶车辆的自车行驶半径”的步骤包括：
19.基于所述自动驾驶车辆做定圆运动假设，根据所述车速和偏航角，获取每个时刻的所述自车行驶半径。
20.在上述自动驾驶车辆的环境信息预测方法的一个技术方案中，其特征在于，所述环境目标包括道路属性，所述位置关系包括所述道路属性相对于所述自动驾驶车辆的纵向距离和朝向角；
21.所述方法还包括：
22.根据所述自动驾驶车辆的车端感知设备，获取所述道路属性的感知数据；
23.将所述感知数据离散化，根据所述道路属性的多个离散点；
24.根据所述多个离散点，获取所述离散点相对于所述自动驾驶车辆的纵向距离和朝向角，作为所述道路属性的感知测量结果。
25.在上述自动驾驶车辆的环境信息预测方法的一个技术方案中，所述环境目标包括交通参与者，所述位置关系包括所述交通参与者相对于所述自动驾驶车辆的纵向距离和朝向角；
26.所述方法还包括：
27.根据所述自动驾驶车辆的车端感知设备，获取所述交通参与者的感知信息；
28.根据交通参与者的感知信息，获取相邻采样时间的两帧感知信息中所述交通参与者的位移；
29.根据所述自动驾驶车辆的当前位置和所述位移，获取所述交通参与者相对于所述自动驾驶车辆的纵向距离和朝向角，作为所述交通参与者的感知测量结果。
30.在上述自动驾驶车辆的环境信息预测方法的一个技术方案中，所述交通参与者包括非变道车辆；
31.所述方法还包括：
32.获取所述自动驾驶车辆的周围车辆的运动速度以及所述周围车辆的当前时刻与上一时刻之间的夹角；
33.将所述运动速度大于预设速度且夹角小于预设夹角的周围车辆，作为所述非变道车辆。
34.在上述自动驾驶车辆的环境信息预测方法的一个技术方案中，“根据所述自动驾驶车辆当前时刻的感知测量结果和所述预测值，基于卡尔曼滤波方程对所述预测值进行更新”的步骤包括：
35.根据所述非变道车辆的多个朝向角，获取所述朝向角的均值及方差；
36.根据所述均值和预设均值，确定有效非变道车辆；
37.根据所述有效非变道车辆的纵向距离和朝向角，对所述预测值进行更新。
38.在上述自动驾驶车辆的环境信息预测方法的一个技术方案中，“根据所述有效非变道车辆的纵向距离和朝向角，对所述预测值进行更新”的步骤包括：
39.将所述非变道车辆的朝向角的方差作为所述卡尔曼滤波方程进行更新的噪声；
40.根据所述噪声，以及所述有效非变道车辆的纵向距离和朝向角，对所述预测值进行更新。
41.在上述自动驾驶车辆的环境信息预测方法的一个技术方案中，所述环境目标包括车道路径，所述位置关系包括所述车道路径与所述自动驾驶车辆的纵向距离和朝向角；
42.所述方法还包括：
43.根据所述自动驾驶车辆的非车端感知设备，获取所述自动驾驶车辆的行驶路径；
44.根据所述自动驾驶车辆的当前位置和所述行驶路径，获取所述自动驾驶车辆当前所在车道以及周围车道的车道路径离散点；
45.将所述车道路径离散点相对于所述自动驾驶车辆的纵向距离和朝向角，作为所述车道路径的感知测量结果。
46.在上述自动驾驶车辆的环境信息预测方法的一个技术方案中，“根据所述自动驾驶车辆的当前位置和所述行驶路径，获取所述自动驾驶车辆当前所在车道以及周围车道的车道路径离散点”的步骤包括：
47.当道路合并时，根据所述当前位置获取所述自动驾驶车辆的后方的车道路径离散点；
[0048]“将所述车道路径离散点相对于所述自动驾驶车辆的纵向距离和朝向角，作为所述车道路径的感知测量结果”的步骤包括：
[0049]
将所述后方的车道路径离散点相对于所述自动驾驶车辆的纵向距离和朝向角，作为所述车道路径的感知测量结果。
[0050]
在上述自动驾驶车辆的环境信息预测方法的一个技术方案中，在“根据所述状态转换模型，获取当前时刻所述自动驾驶车辆的周围环境中的环境目标的位置关系的预测值”的步骤之前，所述方法还包括：
[0051]
对所述环境目标的感知测量信息进行初始化；
[0052]
基于所述初始化结果，对所述感知测量信息的获取设备的有效性进行判定。
[0053]
在上述自动驾驶车辆的环境信息预测方法的一个技术方案中，“对所述感知测量信息的获取设备的有效性进行判定”的步骤包括：
[0054]
当所述获取设备为所述自动驾驶车辆的车端感知设备时，根据所述车端感知设备的初始置信度和环境信息，获取所述车端感知设备的综合置信度；
[0055]
根据所述综合置信度，判断所述车端感知设备的有效性；和/或，
[0056]
当所述获取设备为地图匹配系统时，根据所述地图匹配系统中不同地图之间的通
信情况以及所述自动驾驶车辆的定位系统是否正常工作以及当前道路是否有高精度地图覆盖来判断所述有效性。
[0057]
在上述自动驾驶车辆的环境信息预测方法的一个技术方案中，“根据所述自动驾驶车辆获取的当前时刻所述环境目标的位置关系的感知测量结果和所述预测值，基于卡尔曼滤波方程对所述预测值进行更新，获取当前时刻所述环境目标的位置关系的最终预测结果”的步骤之前，所述方法包括：
[0058]
获取所述感知测量结果的置信度；
[0059]
根据所述置信度，选择性地应用所述感知测量结果对所述预测值进行更新，以获取所述最终预测结果。
[0060]
在上述自动驾驶车辆的环境信息预测方法的一个技术方案中，所述环境目标包括运动目标和静止目标，“根据所述自动驾驶车辆获取的当前时刻所述环境目标的位置关系的感知测量结果和所述预测值，基于卡尔曼滤波方程对所述预测值进行更新，获取当前时刻所述环境目标的位置关系的最终预测结果”的步骤包括：
[0061]
根据所述运动目标的感知测量结果对所述预测值进行更新，获取所述运动目标的更新后的预测值；
[0062]
根据所述运动目标的更新后的预测值和所述静止目标所处位置相对于所述自动驾驶车辆的位置关系，获取所述最终预测结果。
[0063]
在第二方面，本发明提供一种自动驾驶车辆的控制方法，所述方法包括：
[0064]
根据上述自动驾驶车辆的环境信息预测方法技术方案中任一项所述的自动驾驶车辆的环境信息预测方法，获取所述自动驾驶车辆的周围环境中的环境目标的最终预测结果；
[0065]
根据所述最终预测结果，对所述自动驾驶车辆进行控制。
[0066]
在上述自动驾驶车辆的控制方法的一个技术方案中，“根据所述最终预测结果，对所述自动驾驶车辆进行控制”的步骤包括：
[0067]
根据所述最终预测结果，对所述环境目标进行编码；
[0068]
根据所述编码结果，对所述自动驾驶车辆进行控制。
[0069]
在上述自动驾驶车辆的控制方法的一个技术方案中，“所述环境目标为所述自动驾驶车辆的周围车辆；“根据所述最终预测结果，对所述环境目标进行编码”的步骤包括：
[0070]
根据所述周围车辆的最终预测结果，获取所述周围车辆的朝向角；
[0071]
根据所述朝向角和预设的夹角阈值，对所述周围车辆进行编码。
[0072]
在第三方面，提供一种控制装置，该控制装置包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述自动驾驶车辆的环境信息预测方法的技术方案中任一项技术方案所述的自动驾驶车辆的环境信息预测方法或上述自动驾驶车辆的控制方法的技术方案中任一项技术方案所述的自动驾驶车辆的控制方法。
[0073]
在第四方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述自动驾驶车辆的环境信息预测方法的技术方案中任一项技术方案所述的自动驾驶车辆的环境信息预测方法或上述自动驾驶车辆的控制方法的技术方案中任一项技术方案所述的自动驾驶车辆的控制方
法。
[0074]
在第五方面，提供一种车辆，所述车辆包括上述控制装置技术方案中的控制装置。
[0075]
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
[0076]
在实施本发明的技术方案中，本发明根据自动驾驶车辆的自车运动信息来构建卡尔曼滤波方程的状态转换模型，根据状态转换模型获取当前时刻的自动驾驶车辆的周围环境中环境目标的位置关系的预测值，基于预测值和当前时刻位置关系的感知测量结果，应用卡尔曼滤波方程对预测值进行更新，获得当前时刻环境目标的位置关系的最终预测结果，其中，感知测量结果可以通过自车运动系统、车端感知设备和非车端感知设备获得。通过上述配置方式，本发明基于卡尔曼滤波模型对自动驾驶车辆周围环境中的环境目标与自动驾驶车辆的之间的位置关系进行预测，并基于自动驾驶车辆多维度的感知测量结果来对环境目标的位置关系的预测值进行更新，能够对自动驾驶车辆周围环境中的环境目标的运动趋势实现更为全面地预测，具有更高的鲁棒性；同时能够基于环境信息的最终预测结果对自动驾驶车辆进行控制，能够为自动驾驶车辆的控制过程提供更为全面、稳定、可靠的控制输入，实现更为有效地控制。
[0077]
方案1.一种自动驾驶车辆的环境信息预测方法，其特征在于，所述方法包括：
[0078]
根据所述自动驾驶车辆的自车运动信息，构建卡尔曼滤波方程的状态转换模型；
[0079]
根据所述状态转换模型，获取当前时刻所述自动驾驶车辆的周围环境中的环境目标的位置关系的预测值；其中，所述位置关系为所述环境目标与所述自动驾驶车辆所处位置之间的关系；
[0080]
根据所述自动驾驶车辆获取的当前时刻所述环境目标的位置关系的感知测量结果和所述预测值，基于卡尔曼滤波方程对所述预测值进行更新，获取当前时刻所述环境目标的位置关系的最终预测结果；
[0081]
其中，所述感知测量结果通过所述自动驾驶车辆的自车运动系统和/或车端感知设备和/或非车端感知设备获得。
[0082]
方案2.根据方案1所述的自动驾驶车辆的环境信息预测方法，其特征在于，所述环境目标包括预设的预瞄时间内所述自动驾驶车辆的预测轨迹点，所述位置关系包括所述预测轨迹点相对于所述自动驾驶车辆的纵向距离和朝向角；
[0083]
所述方法还包括：
[0084]
根据所述自动驾驶车辆的自车运动系统，获取所述自动驾驶车辆的车速和偏航角；
[0085]
根据所述车速和所述偏航角，获取所述自动驾驶车辆的自车行驶半径；
[0086]
根据所述自车行驶半径，获取所述自动驾驶车辆的车辆行驶轨迹；
[0087]
根据所述车辆行驶轨迹，在所述车辆行驶轨迹的前后预瞄时间内获取所述自动驾驶车辆前后的预测轨迹点的纵向距离和朝向角，作为所述预测轨迹点的感知测量结果。
[0088]
方案3.根据方案2所述的自动驾驶车辆的环境信息预测方法，其特征在于，“根据所述车速和偏航角，获取所述自动驾驶车辆的自车行驶半径”的步骤包括：
[0089]
基于所述自动驾驶车辆做定圆运动假设，根据所述车速和偏航角，获取每个时刻的所述自车行驶半径。
[0090]
方案4.根据方案1所述的自动驾驶车辆的环境信息预测方法，其特征在于，所述环
境目标包括道路属性，所述位置关系包括所述道路属性相对于所述自动驾驶车辆的纵向距离和朝向角；
[0091]
所述方法还包括：
[0092]
根据所述自动驾驶车辆的车端感知设备，获取所述道路属性的感知数据；
[0093]
将所述感知数据离散化，根据所述道路属性的多个离散点；
[0094]
根据所述多个离散点，获取所述离散点相对于所述自动驾驶车辆的纵向距离和朝向角，作为所述道路属性的感知测量结果。
[0095]
方案5.根据方案1所述的自动驾驶车辆的环境信息预测方法，其特征在于，所述环境目标包括交通参与者，所述位置关系包括所述交通参与者相对于所述自动驾驶车辆的纵向距离和朝向角；
[0096]
所述方法还包括：
[0097]
根据所述自动驾驶车辆的车端感知设备，获取所述交通参与者的感知信息；
[0098]
根据交通参与者的感知信息，获取相邻采样时间的两帧感知信息中所述交通参与者的位移；
[0099]
根据所述自动驾驶车辆的当前位置和所述位移，获取所述交通参与者相对于所述自动驾驶车辆的纵向距离和朝向角，作为所述交通参与者的感知测量结果。
[0100]
方案6.根据方案5所述的自动驾驶车辆的环境信息预测方法，其特征在于，所述交通参与者包括非变道车辆；
[0101]
所述方法还包括：
[0102]
获取所述自动驾驶车辆的周围车辆的运动速度以及所述周围车辆的当前时刻与上一时刻之间的夹角；
[0103]
将所述运动速度大于预设速度且夹角小于预设夹角的周围车辆，作为所述非变道车辆。
[0104]
方案7.根据方案6所述的自动驾驶车辆的环境信息预测方法，其特征在于，“根据所述自动驾驶车辆当前时刻的感知测量结果和所述预测值，基于卡尔曼滤波方程对所述预测值进行更新”的步骤包括：
[0105]
根据所述非变道车辆的多个朝向角，获取所述朝向角的均值及方差；
[0106]
根据所述均值和预设均值，确定有效非变道车辆；
[0107]
根据所述有效非变道车辆的纵向距离和朝向角，对所述预测值进行更新。
[0108]
方案8.根据方案7所述的自动驾驶车辆的环境信息预测方法，其特征在于，“根据所述有效非变道车辆的纵向距离和朝向角，对所述预测值进行更新”的步骤包括：
[0109]
将所述非变道车辆的朝向角的方差作为所述卡尔曼滤波方程进行更新的噪声；
[0110]
根据所述噪声，以及所述有效非变道车辆的纵向距离和朝向角，对所述预测值进行更新。
[0111]
方案9.根据方案1所述的自动驾驶车辆的环境信息预测方法，其特征在于，所述环境目标包括车道路径，所述位置关系包括所述车道路径与所述自动驾驶车辆的纵向距离和朝向角；
[0112]
所述方法还包括：
[0113]
根据所述自动驾驶车辆的非车端感知设备，获取所述自动驾驶车辆的行驶路径；
[0114]
根据所述自动驾驶车辆的当前位置和所述行驶路径，获取所述自动驾驶车辆当前所在车道以及周围车道的车道路径离散点；
[0115]
将所述车道路径离散点相对于所述自动驾驶车辆的纵向距离和朝向角，作为所述车道路径的感知测量结果。
[0116]
方案10.根据方案9所述的自动驾驶车辆的环境信息预测方法，其特征在于，
[0117]“根据所述自动驾驶车辆的当前位置和所述行驶路径，获取所述自动驾驶车辆当前所在车道以及周围车道的车道路径离散点”的步骤包括：
[0118]
当道路合并时，根据所述当前位置获取所述自动驾驶车辆的后方的车道路径离散点；
[0119]“将所述车道路径离散点相对于所述自动驾驶车辆的纵向距离和朝向角，作为所述车道路径的感知测量结果”的步骤包括：
[0120]
将所述后方的车道路径离散点相对于所述自动驾驶车辆的纵向距离和朝向角，作为所述车道路径的感知测量结果。
[0121]
方案11.根据方案1所述的自动驾驶车辆的环境信息预测方法，其特征在于，在“根据所述状态转换模型，获取当前时刻所述自动驾驶车辆的周围环境中的环境目标的位置关系的预测值”的步骤之前，所述方法还包括：
[0122]
对所述环境目标的感知测量信息进行初始化；
[0123]
基于所述初始化结果，对所述感知测量信息的获取设备的有效性进行判定。
[0124]
方案12.根据方案11所述的自动驾驶车辆的环境信息预测方法，其特征在于，“对所述感知测量信息的获取设备的有效性进行判定”的步骤包括：
[0125]
当所述获取设备为所述自动驾驶车辆的车端感知设备时，根据所述车端感知设备的初始置信度和环境信息，获取所述车端感知设备的综合置信度；
[0126]
根据所述综合置信度，判断所述车端感知设备的有效性；和/或，
[0127]
当所述获取设备为地图匹配系统时，根据所述地图匹配系统中不同地图之间的通信情况以及所述自动驾驶车辆的定位系统是否正常工作以及当前道路是否有高精度地图覆盖来判断所述有效性。
[0128]
方案13.根据方案1所述的自动驾驶车辆的环境信息预测方法，其特征在于，“根据所述自动驾驶车辆获取的当前时刻所述环境目标的位置关系的感知测量结果和所述预测值，基于卡尔曼滤波方程对所述预测值进行更新，获取当前时刻所述环境目标的位置关系的最终预测结果”的步骤之前，所述方法包括：
[0129]
获取所述感知测量结果的置信度；
[0130]
根据所述置信度，选择性地应用所述感知测量结果对所述预测值进行更新，以获取所述最终预测结果。
[0131]
方案14.根据方案1所述的自动驾驶车辆的环境信息预测方法，其特征在于，所述环境目标包括运动目标和静止目标，“根据所述自动驾驶车辆获取的当前时刻所述环境目标的位置关系的感知测量结果和所述预测值，基于卡尔曼滤波方程对所述预测值进行更新，获取当前时刻所述环境目标的位置关系的最终预测结果”的步骤包括：
[0132]
根据所述运动目标的感知测量结果对所述预测值进行更新，获取所述运动目标的更新后的预测值；
[0133]
根据所述运动目标的更新后的预测值和所述静止目标所处位置相对于所述自动驾驶车辆的位置关系，获取所述最终预测结果。
[0134]
方案15.一种自动驾驶车辆的控制方法，其特征在于，所述方法包括：
[0135]
根据方案1至14中任一项所述的自动驾驶车辆的环境信息预测方法，获取所述自动驾驶车辆的周围环境中的环境目标的最终预测结果；
[0136]
根据所述最终预测结果，对所述自动驾驶车辆进行控制。
[0137]
方案16.根据方案15所述的自动驾驶车辆的控制方法，其特征在于，“根据所述最终预测结果，对所述自动驾驶车辆进行控制”的步骤包括：
[0138]
根据所述最终预测结果，对所述环境目标进行编码；
[0139]
根据所述编码结果，对所述自动驾驶车辆进行控制。
[0140]
方案17.根据方案16所述的自动驾驶车辆的控制方法，其特征在于，所述环境目标为所述自动驾驶车辆的周围车辆；“根据所述最终预测结果，对所述环境目标进行编码”的步骤包括：
[0141]
根据所述周围车辆的最终预测结果，获取所述周围车辆的朝向角；
[0142]
根据所述朝向角和预设的夹角阈值，对所述周围车辆进行编码。
[0143]
方案18.一种控制装置，包括至少一个处理器和至少一个存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行方案1至14中任一项所述的自动驾驶车辆的环境信息预测方法或方案15至17中任一项所述的自动驾驶车辆的控制方法。
[0144]
方案19.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行方案1至14中任一项所述的自动驾驶车辆的环境信息预测方法或方案15至17中任一项所述的自动驾驶车辆的控制方法。
[0145]
方案20.一种车辆，其特征在于，所述车辆包括方案18所述的控制装置。
附图说明
[0146]
参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。此外，图中类似的数字用以表示类似的部件，其中：
[0147]
图1是根据本发明的一个实施例的自动驾驶车辆的环境信息预测方法的主要步骤流程示意图；
[0148]
图2是根据本发明的一个实施例的自动驾驶车辆的控制方法的主要步骤流程示意图；
[0149]
图3是根据本发明实施例的一个实施方式的自动驾驶车辆的控制方法的主要步骤流程示意图；
[0150]
图4是根据本发明实施例的一个实施方式的环境目标的编码结果示意图。
具体实施方式
[0151]
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
to everything)等。
[0162]
一个实施方式中，可以根据以下公式(1)来构建自动驾驶车辆的周围环境的预测道路模型：
[0163][0164]
其中，y0为横向位置参数；η为朝向角度参数；c0为曲率参数；c1为曲率变化率参数。
[0165]
根据上述公式(1)可以获得x距离处的道路切线与自车间的朝向角(heading)如公式(2)所示：
[0166][0167]
可以根据上述多项式构建卡尔曼滤波方程的传递函数如公式(3)和公式(4)所示：
[0168]
thetak＝f
×
theta
k-1
+q
ꢀꢀ
(3)
[0169]
zk＝h
×
thetak+r
ꢀꢀ
(4)
[0170]
其中，thetak为k时刻的预测值；f为状态转换矩阵；q为系统过程噪声矩阵；zk为k时刻的感知测量结果；h为感知测量结果与预测值之间的传递矩阵；r为测量噪声。
[0171]
theta可以通过以下公式(5)来表示：
[0172][0173]
状态转换矩阵可以通过以下公式(6)来表示：
[0174][0175]
如果假定当前车速为v，系统的运算周期为t，那么状态转换矩阵则可以通过以下公式(7)来表示：
[0176][0177]
传递矩阵可以通过以下公式(8)来表示：
[0178][0179]
基于上述过程的卡尔曼滤波的预测方程可以根据以下公式(9)和公式(10)来表示：
[0180]
theta
k(-)
＝f
×
theta
k-1
ꢀꢀ
(9)
[0181]
p
k(-)
＝f
×
p
k-1
×ft
+q
ꢀꢀ
(10)
[0182]
其中，theta
k(-)
为基于k-1的最终预测值获取k时刻的预测值；theta
k-1
为k-1的最终预测值；p
k(-)
为k时刻的预测协方差矩阵，p
k-1
为k-1时刻的最终协方差矩阵；f
t
为状态转换矩阵的转置。
[0183]
卡尔曼滤波的系统更新方程可以根据以下公式(11)至(13)来表示：
[0184]kk
＝p
k(-)
×ht
/(h
×
p
k(-)
×ht
+r)
ꢀꢀ
(11)
[0185]
thetak＝theta
k(-)
+kk×
(z
k-h
×
theta
k(-)
)
ꢀꢀ
(12)
[0186]
pk＝(i-kk×
h)
×
p
k(-)
×
(i-kk×
h)
t
+kk×r×kkt
ꢀꢀ
(13)
[0187]
其中，kk为k时刻的卡尔曼增益，thetak为k时刻的最终预测值，i为单位矩阵。
[0188]
一个实施方式中，可以获取多个感知测量结果的置信度，根据置信度来选择性地应用感知测量结果对预测值进行更新，以获取最终预测结果。
[0189]
一个实施方式中，可以设置置信度阈值，当感知测量结果的置信度小于置信度阈值时，则不应用该感知测量结果对预测值进行更新；当感知测量结果的置信度大于等于置信度阈值时，则可以应用该感知测量结果对预测值进行更新。
[0190]
一个实施方式中，可以针对不同的置信度，设置权重，如置信度较高的感知测量结果对应较高的权重，置信度较低的感知测量结果设置较低的权重，从而根据感知测量结果和对应的权重，对预测值进行更新。
[0191]
基于上述步骤s101-步骤s103，本发明实施例根据自动驾驶车辆的自车运动信息来构建卡尔曼滤波方程的状态转换模型，根据状态转换模型获取当前时刻的自动驾驶车辆的周围环境中环境目标的位置关系的预测值，基于预测值和当前时刻位置关系的感知测量结果，应用卡尔曼滤波方程对预测值进行更新，获得当前时刻环境目标的位置关系的最终预测结果，其中，感知测量结果可以通过自车运动系统、车端感知设备和非车端感知设备获得。通过上述配置方式，本发明实施例基于卡尔曼滤波模型对自动驾驶车辆周围环境中的环境目标与自动驾驶车辆的之间的位置关系进行预测，并基于自动驾驶车辆多维度的感知测量结果来对环境目标的位置关系的预测值进行更新，能够对自动驾驶车辆周围环境中的环境目标的运动趋势实现更为全面地预测，具有更高的鲁棒性；同时能够基于环境信息的最终预测结果对自动驾驶车辆进行控制，能够为自动驾驶车辆的控制过程提供更为全面、稳定、可靠的控制输入，实现更为有效地控制。
[0192]
下面对步骤s103中获取感知测量结果的步骤进行详细说明。
[0193]
在本发明实施例的一个实施方式中，环境目标可以包括预设的预瞄时间内自动驾驶车辆的预测轨迹点，位置关系包括预测轨迹点相对于自动驾驶车辆的纵向距离和朝向角；可以通过以下步骤s201至步骤s204获取预测轨迹点的感知测量结果。
[0194]
步骤s201：根据自动驾驶车辆的自车运动系统，获取自动驾驶车辆的车速和偏航角。
[0195]
步骤s202：根据车速和偏航角，获取自动驾驶车辆的自车行驶半径。
[0196]
在本实施方式中，步骤s202可以进一步被配置为：
[0197]
基于自动驾驶车辆做定圆运动假设，根据车速和偏航角，获取每个时刻的自车行驶半径。
[0198]
一个实施方式中，可以根据以下公式(14)获取车辆的行驶半径：
[0199][0200]
其中，roc为行驶半径，host_speed为自车的车速，host_yawrate为自车的偏航角。
[0201]
步骤s203；根据自车行驶半径，获取自动驾驶车辆的车辆行驶轨迹。
[0202]
步骤s204：根据车辆行驶轨迹，在车辆行驶轨迹的前后预瞄时间内获取自动驾驶车辆前后的预测轨迹点的纵向距离和朝向角，作为预测轨迹点的感知测量结果。
[0203]
在本实施方式中，可以根据车辆行驶轨迹的前后预瞄时间乘以当前车速获得自车前后一定范围的点和对应的heading值：
[0204]
[(-v*t_prd,heading(-v*t_prd))，(v*t_prd,heading(v*t_prd))]
[0205]
其中，t_prd为预瞄时间。可以将上述点作为预测轨迹点的感知测量结果。
[0206]
在本发明实施例的一个实施方式中，环境目标可以包括道路属性，位置关系可以包括道路属性相对于自动驾驶车辆的纵向距离和朝向角；可以根据以下步骤s301至步骤s303获取道路属性的感知测量结果。
[0207]
步骤s301：根据自动驾驶车辆的车端感知设备，获取道路属性的感知数据。
[0208]
步骤s302：将感知数据离散化，根据道路属性的多个离散点。
[0209]
步骤s303：根据多个离散点，获取离散点相对于自动驾驶车辆的纵向距离和朝向角，作为道路属性的感知测量结果。其中，道路属性可以包括车道线、路沿、栅栏等信息。
[0210]
在本实施方式中，可以根据以下公式(15)来获得基于道路属性的周围道路环境模型：
[0211]
y＝c0+c1×
x+2
×
c2×
x2+3
×
c3×
x3ꢀꢀ
(15)
[0212]
其中，x为车辆坐标系下道路属性的位置相对于自车的纵向距离，那么根据公式(15)可以进一步获得距离自车x出的朝向角heading，如公式(16)所示：
[0213]
headina(x)＝c1+2
×
c2×
x+3
×
c3×
x2ꢀꢀ
(16)
[0214]
基于公式(15)和公式(16)可以将感知数据离散化，获得多个道路属性的离散点，其纵向距离与朝向角关系为：
[0215]
[(x_1，heading(x_1))，(x_2，heading(x_2))，(x_3，heading(x_3))，
…
，(x_n，heading(x_n))]。
[0216]
可以基于上述离散化的点对预测值进行更新。
[0217]
在本发明实施例的一个实施方式中，环境目标包括交通参与者，位置关系包括交通参与者相对于自动驾驶车辆的纵向距离和朝向角。可以根据以下步骤s401至步骤s403获取交通参与者的感知测量结果。
[0218]
步骤s401：根据自动驾驶车辆的车端感知设备，获取交通参与者的感知信息。
[0219]
步骤s402：根据交通参与者的感知信息，获取相邻采样时间的两帧感知信息中交通参与者的位移。
[0220]
步骤s403：根据自动驾驶车辆的当前位置和位移，获取交通参与者相对于自动驾驶车辆的纵向距离和朝向角，作为交通参与者的感知测量结果。
[0221]
在本实施方式中，交通参与者可以包括行人、周围车辆等信息。可以根据车端感知设备获取交通参与者的感知信息，并基于前后两帧感知信息的位移，得到交通参与者的朝向角，如以下公式(17)至公式(19)所示：
[0222]
flow
dx
＝x
current-x
prev
ꢀꢀ
(17)
[0223]
flow
dy
＝y
current-y
prev
ꢀꢀ
(18)
[0224][0225]
其中，flow
dx
为x方向的位移，flow
dy
为y方向的位移，x
current
为当前帧的x坐标，x
prev
为前一帧的x坐标，y
current
为当前帧的y坐标，y
prev
为前一帧的y坐标，flow_angle为朝向角。
[0226]
根据上述公式(17)至公式(19)能够得到自车周围所有交通参与者与自车的纵向距离和朝向角heading关系：
[0227]
[(tgt1.long，tgt1.heading)，(tgt2.long，tgt2.heading)，(tgt3.long，tgt3.heading)，
…
(tgtn.long，tgtn.heading)]
[0228]
其中，tgt为交通参与者，tgt.long为纵向距离，tgt.heading为朝向角。
[0229]
一个实施方式中，交通参与者可以包括非变道车辆，可以根据以下步骤s501和步骤s502确定非变道车辆。
[0230]
步骤s501：获取自动驾驶车辆的周围车辆的运动速度以及周围车辆的当前时刻与上一时刻之间的夹角。
[0231]
步骤s502：将运动速度大于预设速度且夹角小于预设夹角的周围车辆，作为非变道车辆。
[0232]
在本实施方式中，可以基于周围车辆的运动速度和当前时刻与上一时刻之间的夹角来判断是否为非变道车辆。
[0233]
在本发明实施例的一个实施方式中，环境目标可以包括车道路径，位置关系可以包括车道路径与自动驾驶车辆的纵向距离和朝向角；可以根据以下步骤s601至步骤s603来获取车道路径的感知测量结果。
[0234]
步骤s601：根据自动驾驶车辆的非车端感知设备，获取自动驾驶车辆的行驶路径。
[0235]
步骤s602：根据自动驾驶车辆的当前位置和行驶路径，获取自动驾驶车辆当前所在车道以及周围车道的车道路径离散点。
[0236]
步骤s603：将车道路径离散点相对于自动驾驶车辆的纵向距离和朝向角，作为车道路径的感知测量结果。
[0237]
在本实施方式中，可以根据非车端感知设备来获取自动驾驶车辆的行驶路径，非车端感知设备可以包括导航地图和高精度地图。当车辆行驶在高精度地图覆盖区域时，可以根据导航地图和高精度地图融合获得行驶路径的高精度地图信息，该信息中包含路径级别、道路级别、车道级别的详细信息。根据自动驾驶车辆的当前位置可以获得自车前后的车道级别信息，如当前所在车道id、当前及周围前后车道相对于自车的纵向距离和朝向角，具体为：
[0238]
[(pos1.long，pos1.heading)，(pos 2.long，pos2.heading)，(pos 3.long，pos3.heading)，
…
，(pos n.long，pos n.heading)]
[0239]
其中，pos.long为车道路径离散点的纵向距离，pos.heading为车道路径离散点的朝向角。
[0240]
一个实施方式中，当道路合并时，可以根据当前位置获取自动驾驶车辆的后方的车道路径离散点；并将后方的车道路径离散点相对于自动驾驶车辆的纵向距离和朝向角，作为车道路径的感知测量结果。
[0241]
在本发明实施例的一个实施方式中，在步骤s102之前，本发明还可以包括步骤s104和步骤s105。
[0242]
步骤s104：对环境目标的感知测量信息进行初始化。
[0243]
步骤s105：基于初始化结果，对感知测量信息的获取设备的有效性进行判定。
[0244]
在本实施方式中，可以在对环境目标的位置关系进行预测之前，先对环境目标的
感知测量信息进行初始化，并基于初始化结果，对感知测量结果的获取设备的有效性进行判定，在判定通过时再进行对环境目标的位置关系进行预测的步骤。
[0245]
一个实施方式中，当获取设备为自动驾驶车辆的车端感知设备时，可以根据车端感知设备的初始置信度和环境信息，获取车端感知设备的综合置信度；根据综合置信度，判断车端感知设备的有效性。
[0246]
在本实施方式中，如果感知测量信息的获取设备为车端感知设备，如摄像头、激光雷达、毫米波雷达等，可以先根据车端感知设备的初始置信度判断该车端感知设备是否能够应用对环境目标的位置关系进行预测，然后再基于环境信息获得感知设备的综合置信度，根据综合置信度来判断车端感知设备的有效性。其中，初始置信度是指车道感知设备的设备默认置信度。综合置信度是综合初始置信度和环境信息获得的置信度。以车道线为例，环境信息可以包括检测其长度、清晰度、曲率、是否有交叉等信息。
[0247]
一个实施方式中，当获取设备为地图匹配系统时，根据地图匹配系统中不同地图之间的通信情况以及自动驾驶车辆的定位系统是否正常工作以及当前道路是否有高精度地图覆盖来判断有效性。
[0248]
在本发明实施例的一个实施方式中，步骤s103可以进一步包括以下步骤s1031和步骤s1032：
[0249]
步骤s1031：根据运动目标的感知测量结果对预测值进行更新，获取运动目标的更新后的预测值。
[0250]
步骤s1032：根据运动目标的更新后的预测值和静止目标所处位置相对于自动驾驶车辆的位置关系，获取最终预测结果。
[0251]
在本实施方式中，在对环境目标的位置关系进行预测和更新过程中，静止目标不参与讨论，仅针对运动目标进行预测和更新；然后根据运动目标的更新后的预测值和静止目标与自车间的位置关系来获得最终预测结果。
[0252]
一个实施方式中，当交通参与者为非变道车辆时，步骤s103可以进一步包括以下步骤s1033至步骤s1035：
[0253]
步骤s1033：根据非变道车辆的多个朝向角，获取朝向角的均值及方差。
[0254]
在本实施方式中，可以根据非变道车辆的多个朝向角来获得朝向角的均值和方差。
[0255]
步骤s1034：根据均值和预设均值，确定有效非变道车辆。
[0256]
在本实施方式中，可以设定预设均值，将朝向角均值与预设均值进行比较，来确定有效非变道车辆。
[0257]
步骤s1035：根据有效非变道车辆的纵向距离和朝向角，对预测值进行更新。
[0258]
在本实施方式中，步骤s1035可以进一步包括步骤s10351和步骤s10352：
[0259]
步骤s10351：将非变道车辆的朝向角的方差作为卡尔曼滤波方程进行更新的噪声。
[0260]
步骤s10352：根据噪声，以及有效非变道车辆的纵向距离和朝向角，对预测值进行更新。
[0261]
在本实施方式中，可以将非变道车辆的朝向角的方差作为卡尔曼滤波方程进行更新的噪声，并基于有效非变道车辆的纵向距离和朝向角对交通参与者的预测值进行更新。
[0262]
进一步，本发明还提供一种自动驾驶车辆的控制方法。
[0263]
参阅附图2，图2是根据本发明的一个实施例的自动驾驶车辆的控制方法的主要步骤流程示意图。如图2所示，本发明实施例中的自动驾驶车辆的控制方法主要包括下列步骤s701-步骤s702。
[0264]
步骤s701：根据上述自动驾驶车辆的环境信息预测方法实施例中的自动驾驶车辆的环境信息预测方法，获取自动驾驶车辆的周围环境中的环境目标的最终预测结果。
[0265]
在本实施例中，可以通过自动驾驶车辆的环境信息预测方法来获取周围环境中环境目标的最终预测结果。
[0266]
步骤s702：根据最终预测结果，对自动驾驶车辆进行控制。
[0267]
在本实施例中，可以基于环境目标的最终预测结果来实现自动驾驶车辆的行为规划，以进一步实现自动驾驶车辆的控制过程，如转向控制、驱动控制、制动控制等。
[0268]
一个实施方式中，步骤s702可以进一步包括以下步骤s7021和步骤s7022。
[0269]
步骤s7021：根据最终预测结果，对环境目标进行编码。
[0270]
步骤s7022：根据编码结果，对自动驾驶车辆进行控制。
[0271]
在本实施方式中，可以参阅附图4，图4是根据本发明实施例的一个实施方式的环境目标的编码结果示意图。如图4所示，针对不同的环境目标以及环境目标的最终预测结果可以对环境目标的进行编码，从而根据编码结果来实现自动驾驶车辆的控制。
[0272]
一个实施方式中，环境目标为自动驾驶车辆的周围车辆，步骤s7021可以进一步包括以下步骤s70211和步骤s70212。
[0273]
步骤s70211：根据周围车辆的最终预测结果，获取周围车辆的朝向角。
[0274]
步骤s70212：根据朝向角和预设的夹角阈值，对周围车辆进行编码。
[0275]
在本实施方式中，可以判断周围车辆的朝向角是否小于夹角阈值；当小于夹角阈值时，可以将该周围车辆编码为非变道属性；当夹角大于等于夹角阈值，可以将该周围车辆编码为变道属性。
[0276]
一个实施方式中，可以参阅附图3，图3是根据本发明实施例的一个实施方式的自动驾驶车辆的控制方法的主要步骤流程示意图。如图3所示，自动驾驶车辆的控制方法可以包括以下步骤s801至步骤s823。
[0277]
步骤s801：自车运动系统初始化。
[0278]
在本实施方式中，可以先初始化自车运动系统。
[0279]
步骤s802：自车运动系统的数据是否有效；若是，跳转至步骤s803；若否，跳转至步骤s801。
[0280]
在本实施方式中，可以判断自车运动系统的数据(如车速、偏航角等)是否有效。如果有效，则可以进行步骤s803，同时有效的自车运动系统的数据也可应用于步骤s822，进行预测值的更新。
[0281]
步骤s803：自车是否沿车道线行驶；若是，跳转至步骤s804；若否，跳转至步骤s801。
[0282]
在本实施方式中，可以判断自车是否沿车道线行驶。
[0283]
步骤s804：基于定圆属性(定圆运动假设)更新前后环境模型。
[0284]
在本实施方式中，步骤s804与前述步骤s202和步骤s203所述的方法类似，为了描
述简单，在此不再赘述。
[0285]
步骤s805：基于预瞄时间获取纵向距离及和heading信息(朝向角)，跳转至步骤s822。
[0286]
在本实施方式中，步骤s805与前述步骤s204所述的方法类似，为了描述简单，在此不再赘述。
[0287]
步骤s806：自车感知系统(车端感知设备)初始化。
[0288]
在本实施方式中，可以先初始化自车感知系统。
[0289]
步骤s807：自车感知系统诊断是否通过；若是，跳转至步骤s808和步骤s812；若否，跳转至步骤s806。
[0290]
在本实施方式中，可以判断自车感知系统的诊断是通过。
[0291]
步骤s808：感知得到车道线、路沿、栅栏校验是否合格；若是，跳转至步骤s809；若否，跳转至步骤s807。
[0292]
在本实施方式中，可以校验车道线、路沿、栅栏等是否校验合格。
[0293]
步骤s809：是否有车道交叉、合并、丢失；若否，跳转至步骤s810；若是，跳转至步骤s807。
[0294]
在本实施方式中，可以判断是否存在车道交叉、合并、丢失的情况。
[0295]
步骤s810：感知数据离散化。
[0296]
在本实施方式中，步骤s810与前述步骤s302所述的方法类似，为了描述简单，在此不再赘述。
[0297]
步骤s811：选取有效的车道线、路沿、栅栏信息的位置(纵向距离)和heading信息(朝向角)，跳转至步骤s822。
[0298]
在本实施方式中，步骤s811与前述步骤s303所述的方法类似，为了描述简单，在此不再赘述。
[0299]
步骤s812：感知交通参与者运动信息。
[0300]
在本实施方式中，步骤s812与前述步骤s401所述的方法类似，为了描述简单，在此不再赘述。
[0301]
步骤s813：判断交通参与者是否为运动目标，若是，跳转至步骤s814；若否，跳转至步骤s812。
[0302]
在本实施方式中，可以判断交通参与者是否为运动目标。若为运动目标，则执行步骤s814。同时有效的运动目标，也用于步骤s822中预测值的更新。
[0303]
步骤s814：更新得到的运动heading信息，并获取均值和方差。
[0304]
在本实施方式中，步骤s814与前述步骤s402和步骤s403所述的方法类似，为了描述简单，在此不再赘述。
[0305]
步骤s815：选取有效的运动目标方位(纵向距离)和heading信息，跳转至步骤s822。
[0306]
在本实施方式中，可以选取有效的运动目标用于预测。
[0307]
步骤s816：非车端感知系统(设备)初始化。
[0308]
在本实施方式中，可以初始化非车端感知系统。
[0309]
步骤s817：系统诊断是否通过；若是，跳转至步骤s818；若否，跳转至步骤s816。
[0310]
在本实施方式中，可以判断系统诊断是否通过。
[0311]
步骤s818：匹配车辆位置与高精度地图信息。
[0312]
步骤s819：匹配导航地图与未来路径信息。
[0313]
步骤s820：输出当前车辆前后路段地图信息。
[0314]
在本实施方式中，步骤s818、步骤s819和步骤s820所述的方法与前述步骤s601类似，为了描述简单，在此不再赘述。
[0315]
步骤s821：提取高精度地图的车道路径离散点。
[0316]
在本实施方式中，步骤s821所述的方法与前述步骤s602类似，为了描述检测，在此不再赘述。
[0317]
步骤s822：根据卡尔曼状态方程更新环境目标的预测值，得到环境目标的类型及置信度。
[0318]
在本实施方式中，可以根据卡尔曼方程，更新环境目标的预测值，获得环境目标的类型和置信度。
[0319]
步骤s823：根据自车及环境目标的关系，得到环境目标的编码结果。
[0320]
在本实施方式中，步骤s823所述的方法与前述步骤s7021类似，为了描述简单，在此不再赘述。
[0321]
要指出的是，尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述，但是本领域技术人员可以理解，为了实现本发明的效果，不同的步骤之间并非必须按照这样的顺序执行，其可以同时(并行)执行或以其他顺序执行，这些变化都在本发明的保护范围之内。
[0322]
需要说明的是，本公开实施例所涉及的数据(包括但不限于用于分析的数据、存储的数据、展示的数据、车辆使用数据、车辆采集的数据等)，均为经过各方充分授权的数据。本公开实施例中涉及到的数据的获取、采集等动作，均为经用户、对象授权或者经过各方充分授权后执行。
[0323]
本领域技术人员能够理解的是，本发明实现上述一实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
[0324]
进一步，本发明还提供了一种控制装置。在根据本发明的一个控制装置实施例中，控制装置包括处理器和存储装置，存储装置可以被配置成存储执行上述方法实施例的自动驾驶车辆的环境信息预测方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的自动驾驶车辆的环境信息预测方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明
实施例方法部分。该控制装置可以是包括各种电子设备形成的控制装置设备。
[0325]
在本发明实施例中控制装置可以是包括各种电子设备形成的控制装置设备。在一些可能的实施方式中，控制装置可以包括多个存储装置和多个处理器。而执行上述方法实施例的自动驾驶车辆的环境信息预测方法的程序可以被分割成多段子程序，每段子程序分别可以由处理器加载并运行以执行上述方法实施例的自动驾驶车辆的环境信息预测方法的不同步骤。具体地，每段子程序可以分别存储在不同的存储装置中，每个处理器可以被配置成用于执行一个或多个存储装置中的程序，以共同实现上述方法实施例的自动驾驶车辆的环境信息预测方法，即每个处理器分别执行上述方法实施例的自动驾驶车辆的环境信息预测方法的不同步骤，来共同实现上述方法实施例的自动驾驶车辆的环境信息预测方法。
[0326]
上述多个处理器可以是部署于同一个设备上的处理器，例如上述控制装置可以是由多个处理器组成的高性能设备，上述多个处理器可以是该高性能设备上配置的处理器。此外，上述多个处理器也可以是部署于不同设备上的处理器，例如上述控制装置可以是服务器集群，上述多个处理器可以是服务器集群中不同服务器上的处理器。
[0327]
进一步，本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的自动驾驶车辆的环境信息预测方法的程序，该程序可以由处理器加载并运行以实现上述自动驾驶车辆的环境信息预测方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
[0328]
进一步，本发明还提供了一种控制装置。在根据本发明的一个控制装置实施例中，控制装置包括处理器和存储装置，存储装置可以被配置成存储执行上述方法实施例的自动驾驶车辆的控制方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的自动驾驶车辆的控制方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该控制装置可以是包括各种电子设备形成的控制装置设备。
[0329]
在本发明实施例中控制装置可以是包括各种电子设备形成的控制装置设备。在一些可能的实施方式中，控制装置可以包括多个存储装置和多个处理器。而执行上述方法实施例的自动驾驶车辆的控制方法的程序可以被分割成多段子程序，每段子程序分别可以由处理器加载并运行以执行上述方法实施例的自动驾驶车辆的控制方法的不同步骤。具体地，每段子程序可以分别存储在不同的存储装置中，每个处理器可以被配置成用于执行一个或多个存储装置中的程序，以共同实现上述方法实施例的自动驾驶车辆的控制方法，即每个处理器分别执行上述方法实施例的自动驾驶车辆的控制方法的不同步骤，来共同实现上述方法实施例的自动驾驶车辆的控制方法。
[0330]
上述多个处理器可以是部署于同一个设备上的处理器，例如上述控制装置可以是由多个处理器组成的高性能设备，上述多个处理器可以是该高性能设备上配置的处理器。此外，上述多个处理器也可以是部署于不同设备上的处理器，例如上述控制装置可以是服务器集群，上述多个处理器可以是服务器集群中不同服务器上的处理器。
[0331]
进一步，本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机
可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的自动驾驶车辆的控制方法的程序，该程序可以由处理器加载并运行以实现上述自动驾驶车辆的控制方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
[0332]
进一步，本发明还提供一种车辆。在根据本发明的一个车辆实施例中，车辆可以包括控制装置实施例中的控制装置。
[0333]
进一步，应该理解的是，由于各个模块的设定仅仅是为了说明本发明的装置的功能单元，这些模块对应的物理器件可以是处理器本身，或者处理器中软件的一部分，硬件的一部分，或者软件和硬件结合的一部分。因此，图中的各个模块的数量仅仅是示意性的。
[0334]
本领域技术人员能够理解的是，可以对装置中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理，因此，拆分或合并之后的技术方案都将落入本发明的保护范围内。
[0335]
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

技术特征：
1.一种自动驾驶车辆的环境信息预测方法，其特征在于，所述方法包括：根据所述自动驾驶车辆的自车运动信息，构建卡尔曼滤波方程的状态转换模型；根据所述状态转换模型，获取当前时刻所述自动驾驶车辆的周围环境中的环境目标的位置关系的预测值；其中，所述位置关系为所述环境目标与所述自动驾驶车辆所处位置之间的关系；根据所述自动驾驶车辆获取的当前时刻所述环境目标的位置关系的感知测量结果和所述预测值，基于卡尔曼滤波方程对所述预测值进行更新，获取当前时刻所述环境目标的位置关系的最终预测结果；其中，所述感知测量结果通过所述自动驾驶车辆的自车运动系统和/或车端感知设备和/或非车端感知设备获得。2.根据权利要求1所述的自动驾驶车辆的环境信息预测方法，其特征在于，所述环境目标包括预设的预瞄时间内所述自动驾驶车辆的预测轨迹点，所述位置关系包括所述预测轨迹点相对于所述自动驾驶车辆的纵向距离和朝向角；所述方法还包括：根据所述自动驾驶车辆的自车运动系统，获取所述自动驾驶车辆的车速和偏航角；根据所述车速和所述偏航角，获取所述自动驾驶车辆的自车行驶半径；根据所述自车行驶半径，获取所述自动驾驶车辆的车辆行驶轨迹；根据所述车辆行驶轨迹，在所述车辆行驶轨迹的前后预瞄时间内获取所述自动驾驶车辆前后的预测轨迹点的纵向距离和朝向角，作为所述预测轨迹点的感知测量结果。3.根据权利要求2所述的自动驾驶车辆的环境信息预测方法，其特征在于，“根据所述车速和偏航角，获取所述自动驾驶车辆的自车行驶半径”的步骤包括：基于所述自动驾驶车辆做定圆运动假设，根据所述车速和偏航角，获取每个时刻的所述自车行驶半径。4.根据权利要求1所述的自动驾驶车辆的环境信息预测方法，其特征在于，所述环境目标包括道路属性，所述位置关系包括所述道路属性相对于所述自动驾驶车辆的纵向距离和朝向角；所述方法还包括：根据所述自动驾驶车辆的车端感知设备，获取所述道路属性的感知数据；将所述感知数据离散化，根据所述道路属性的多个离散点；根据所述多个离散点，获取所述离散点相对于所述自动驾驶车辆的纵向距离和朝向角，作为所述道路属性的感知测量结果。5.根据权利要求1所述的自动驾驶车辆的环境信息预测方法，其特征在于，所述环境目标包括交通参与者，所述位置关系包括所述交通参与者相对于所述自动驾驶车辆的纵向距离和朝向角；所述方法还包括：根据所述自动驾驶车辆的车端感知设备，获取所述交通参与者的感知信息；根据交通参与者的感知信息，获取相邻采样时间的两帧感知信息中所述交通参与者的位移；根据所述自动驾驶车辆的当前位置和所述位移，获取所述交通参与者相对于所述自动
驾驶车辆的纵向距离和朝向角，作为所述交通参与者的感知测量结果。6.根据权利要求5所述的自动驾驶车辆的环境信息预测方法，其特征在于，所述交通参与者包括非变道车辆；所述方法还包括：获取所述自动驾驶车辆的周围车辆的运动速度以及所述周围车辆的当前时刻与上一时刻之间的夹角；将所述运动速度大于预设速度且夹角小于预设夹角的周围车辆，作为所述非变道车辆。7.根据权利要求6所述的自动驾驶车辆的环境信息预测方法，其特征在于，“根据所述自动驾驶车辆当前时刻的感知测量结果和所述预测值，基于卡尔曼滤波方程对所述预测值进行更新”的步骤包括：根据所述非变道车辆的多个朝向角，获取所述朝向角的均值及方差；根据所述均值和预设均值，确定有效非变道车辆；根据所述有效非变道车辆的纵向距离和朝向角，对所述预测值进行更新。8.根据权利要求7所述的自动驾驶车辆的环境信息预测方法，其特征在于，“根据所述有效非变道车辆的纵向距离和朝向角，对所述预测值进行更新”的步骤包括：将所述非变道车辆的朝向角的方差作为所述卡尔曼滤波方程进行更新的噪声；根据所述噪声，以及所述有效非变道车辆的纵向距离和朝向角，对所述预测值进行更新。9.根据权利要求1所述的自动驾驶车辆的环境信息预测方法，其特征在于，所述环境目标包括车道路径，所述位置关系包括所述车道路径与所述自动驾驶车辆的纵向距离和朝向角；所述方法还包括：根据所述自动驾驶车辆的非车端感知设备，获取所述自动驾驶车辆的行驶路径；根据所述自动驾驶车辆的当前位置和所述行驶路径，获取所述自动驾驶车辆当前所在车道以及周围车道的车道路径离散点；将所述车道路径离散点相对于所述自动驾驶车辆的纵向距离和朝向角，作为所述车道路径的感知测量结果。10.根据权利要求9所述的自动驾驶车辆的环境信息预测方法，其特征在于，“根据所述自动驾驶车辆的当前位置和所述行驶路径，获取所述自动驾驶车辆当前所在车道以及周围车道的车道路径离散点”的步骤包括：当道路合并时，根据所述当前位置获取所述自动驾驶车辆的后方的车道路径离散点；“将所述车道路径离散点相对于所述自动驾驶车辆的纵向距离和朝向角，作为所述车道路径的感知测量结果”的步骤包括：将所述后方的车道路径离散点相对于所述自动驾驶车辆的纵向距离和朝向角，作为所述车道路径的感知测量结果。

技术总结
本发明涉及自动驾驶技术领域，具体提供一种自动驾驶车辆环境信息预测、控制方法、装置及车辆，旨在解决如何结合多种信息构建自动驾驶车辆的环境模型，从而对环境信息实现充分考虑，并提升模型鲁棒性的问题。为此目的，本发明根据自动驾驶车辆的自车运动信息来构建卡尔曼滤波方程的状态转换模型，进一步获取当前时刻环境目标的位置关系的预测值，基于预测值和当前时刻感知测量结果，应用卡尔曼滤波方程对预测值进行更新，获得最终预测结果，感知测量结果通过自车运动系统、车端感知设备和非车端感知设备获得，能够对环境目标的运动趋势实现全面预测，具有更高鲁棒性，能够为自动驾驶车辆的控制过程提供更为全面、稳定、可靠的控制输入。输入。输入。


技术研发人员：叶光湖 马骁
受保护的技术使用者：蔚来汽车科技（安徽）有限公司
技术研发日：2023.03.27
技术公布日：2023/7/6