一种融合运动学模型的深度学习车辆轨迹预测方法

1.本发明涉及自动驾驶领域，具体是一种融合运动学模型的深度学习车辆轨迹预测方法。


背景技术：

2.近年来，自动驾驶车辆是现代汽车智能化的重要发展方向。自动驾驶汽车不仅需要实时感知出周围场景信息，还需要理解场景信息并预测出未来一段时间内周围交通场景的变化趋势；目前自动驾驶车辆通过预测周围车辆在未来一段时间内最有可能的轨迹来实现对交通场景未来趋势的预测。
3.轨迹预测的研究方法主要分为两大类：
4.(1)基于物理模型的轨迹预测方法：该方法首先假设模型符合一定的车辆运动学模型或车辆动力学模型，依据预测目标车辆在历史时刻的运动状态进行轨迹预测，一般用于2秒以内的短时预测任务，如辅助驾驶系统中的防撞预警。基于物理学模型仅能预测特定简单场景下的轨迹，没有建模出智能体之间的交互关系；预测轨迹误差随时间的推移而不断累积增大，无法满足自动驾驶中对复杂交互场景的长时预测需求。
5.(2)基于机器学习的轨迹预测方法：该方法是通过学习交通场景中车辆的运动模式，并根据历史运动状态和周围场景预测出最有可能的轨迹模式。其中基于深度学习的轨迹预测方法能够提取场景信息及潜在各类交互，能够在复杂场景下进行长时多个运动模态的轨迹预测，能够基本满足自动驾驶预测时长和精度需求。
6.目前，基于深度学习的主流轨迹预测方法直接预测目标车辆的未来轨迹坐标，没有考虑预测目标车辆的运动学、动力学性质，未区分出不同类型车辆的差异，导致部分预测轨迹不符合实际车辆的物理运动规律、可行性较差。


技术实现要素：

7.本发明的目的在于提供一种融合运动学模型的深度学习车辆轨迹预测方法，以解决现有技术中无法兼顾长时域轨迹预测和考虑不同类型车辆运动学性质的问题，提高自动驾驶车辆在交通场景中对周围不同车辆的预测轨迹的准确性和可行性。
8.为实现上述目的，本发明的技术方案如下：一种融合运动学模型的深度学习车辆轨迹预测方法，包括如下步骤：
9.a、获取自动驾驶车辆周围场景信息并转换至目标车辆坐标系
10.a1、获取周围道路矢量信息
11.从高精地图中获取自动驾驶车辆vehicle
ego
周围的道路结构信息，所述道路结构信息包括车道中心线、车道边界线、人行横道区域的位置坐标；
12.将所述道路结构信息划分为多段的等距离的道路段，从每个道路段中提取起点坐标a、终点坐标b和方向c共同组成周围道路矢量信息roadvector
nbrs
＝{a,b,c}；
13.a2、获取自动驾驶车辆的历史运动状态信息
14.通过自动驾驶车辆的定位系统获得自动驾驶车辆vehicle
ego
按照采样频率f在过去th秒的h个时间步上的历史运动状态信息：
[0015][0016]
所述历史运动状态信息在第h个时间步上的历史状态信息为所述历史运动状态信息在第h个时间步上的历史状态信息为其中，h的取值范围为-h+1到0，l
ego
和b
ego
分别为自动驾驶车辆在大地坐标系下的经度与纬度，ψ
ego
为自动驾驶车辆的横摆角，v
ego
为自动驾驶车辆的质心速度，l
ego
、w
ego
分别为自动驾驶车辆的长度、宽度；
[0017]
a3、获取自动驾驶车辆的周围车辆的历史运动状态信息
[0018]
通过自动驾驶车辆环境感知系统的目标检测模块实时检测出m个周围车辆vehicle
nbrs
＝{vehicle1,vehicle2,..,vehiclem}，并通过跟踪模块获取每个周围车辆在过去th秒内的历史运动状态信息state
nbrs
＝{state1,state2,...,statem}，转至步骤a4；
[0019]
每一个周围车辆的历史运动状态信息是按照采样频率f在过去th秒内的h个时间步上获得的，j的取值范围为1到m，第j个周围车辆的历史运动状态信息为第j个周围车辆在第h个时间步的运动状态信息为其中，lj和bj分别为第j个周围车辆在大地坐标系下的经度和纬度，ψj为第j个周围车辆的横摆角，vj为第j个周围车辆的质心速度，lj、wj分别为第j个周围车辆长度、宽度，idj为第j个周围车辆的身份码；
[0020]
a4、选取目标车辆及坐标系转换
[0021]
从周围车辆vehicle
nbrs
中选取一个车辆作为目标车辆vehicle
target
，将除目标车辆以外的周围车辆和自动驾驶车辆合并为其他车辆vehicle
other
，以目标车辆在当前时刻的位置为原点，以车头朝向为x轴正方向、车辆左侧为y轴正方向建立车身直角坐标系xoy；
[0022]
将步骤a1、a2、a3中获取的周围道路矢量信息roadvector
nbrs
、自动驾驶车辆的历史状态信息state
ego
和周围车辆的历史运动状态信息state
nbrs
坐标转换至目标车辆车身直角坐标系，坐标转换后从周围车辆的历史运动状态信息state
nbrs
和自动驾驶车辆的历史状态信息state
ego
中筛选出其他车辆vehicle
other
的历史运动状态信息为历史运动状态信息state
other
；
[0023]
b、使用深度学习模型建立车辆历史运动状态信息及交互关系，预测目标车辆的质心加速度和前轮转角
[0024]
b1、编码车辆历史运动状态信息
[0025]
对步骤a3中获取的目标车辆的历史运动状态信息state
target
输入至第一长短时记忆网络lstm1中,lstm1输出目标车辆历史运动状态编码embedding
target
；
[0026]
对步骤a3中获取的其他车辆的历史运动状态信息state
other
输入至第二长短时记忆网络lstm2中，lstm2输出其他车辆历史运动状态编码embedding
other
；
[0027]
b2、编码各类交互关系
[0028]
对目标车辆历史运动状态编码embedding
target
和其他车辆历史运动状态编码embedding
other
输入至第一多级场景门控模块mcg1得到目标车辆与其他车辆交互特征
feature
t2o
；
[0029]
对目标车辆历史运动状态编码embedding
other
和周围道路矢量信息roadvector
nbrs
输入至第二多级场景门控模块mcg2得到目标车辆与周围道路交互特征feature
t2r
；
[0030]
将目标车辆与其他车辆交互特征feature
t2o
与目标车辆与周围道路交互特征feature
t2r
输入至第三多级场景门控模块mcg3得到全局交互特征feature
global
；
[0031]
将feature
t2o
、featuer
t2r
和feature
global
这三类交互特征使用拼接函数concat拼接在一起，构成隐性特征featuer
hidden
；
[0032]
b3、解码目标车辆运动参数
[0033]
使用多层感知机mlp作为解码器将从步骤b2中得到的隐性特征featuer
hidden
解码为包含n种不同运动模态的的质心加速度预测值a
pred
和n种不同运动模态的前轮转角预测值γ
pred
，计算公式如下：
[0034]apred
，γ
pred
＝mlp(feature
hidden
)
[0035][0036][0037][0038][0039]
其中mlp为使用多层感知机方法，a
pred
为包含n种不同运动模态的质心加速度预测值，γ
pred
为包含n种不同运动模态的前轮转角预测值，表示第n种运动模态的质心加速度预测值，表示第n种运动模态的前轮转角预测值，n的取值范围为1到n，表示第i个未来时间步上的第n种运动模态质心加速度预测值，表示第i个未来时间步上的第n种运动模态前轮转角预测值，i的取值范围为1到f；
[0040]
c、根据车辆长度划分车辆类型并约束车辆质心加速度、前轮转角的预测值，使用车辆二自由度模型由预测值计算出目标车辆的轨迹坐标
[0041]
c1、划分车辆类型并设置运动参数范围
[0042]
根据车辆长度将车辆类型进行划分并设置不同类型车辆的最大加速度：
[0043]
小型车辆：车辆长度≤7m，最大加速度a
小型max
为5m/s2；
[0044]
中型车辆：7m《车辆长度≤10m，最大加速度a
中型max
为3.5m/s2；
[0045]
大型车辆：车辆长度》10m，最大加速度a
大型max
为2.5m/s2；
[0046]
设置所有类型车辆的最大前轮转角γ
max
为36
°
；
[0047]
c2、约束运动参数预测值
[0048]
由步骤b3得到预测目标车辆在未来t
γ
秒f个时间步上n个运动模态的预测质心加速度及前轮转角，按照不同类型车辆加速度、最大前轮转角进行约束：若车辆质心加速度预测值a
pred
大于该类型车辆最大加速度a
max
，则车辆质心加速度预测值取该类型车辆的最大加速度a
max
；若车辆前轮转角预测值γ
pred
大于最大前轮转角γ
max
，则车辆前轮转角预测值
取该类型车辆的最大前轮转角γ
max
；
[0049]
c3、由车辆二自由度运动模型计算预测轨迹
[0050]
对预测目标车辆使用车辆二自由度运动模型，输入步骤c2得到的n个运动模态上的目标车辆的质心加速度预测值a
pred
和车辆前轮转角预测值γ
pred
，计算得到未来f个时间步上目标车辆的轨迹坐标，计算公式如下：
[0051]
获取运动状态初始值，以目标车辆当前时间步的运动状态为初始值：
[0052][0053][0054][0055][0056]
其中，为目标车辆的速度初始值，v0为当前时刻目标车辆的速度，为目标车辆的横向坐标初始值，为目标车辆的纵向坐标初始值，为目标车辆的横摆角初始值；
[0057]
由车辆二自由度模型计算未来每个时间步的轨迹坐标预测值和
[0058][0059][0060][0061][0062][0063][0064]
最终得到目标车辆在未来tf秒f个时间步上n种运动模态的轨迹坐标预测值trajectory
pred
为：
[0065][0066]
其中变量的上标为第i个未来时间步，i的取值范围为1至f，predn为第n种预测运
动模态，n的取值范围为1到n，v为目标车辆质心速度预测值，x为目标车辆质心在车身直角坐标系下的横向坐标，y为目标车辆质心的在车身直角坐标系下的纵向坐标，γ为目标车辆前轮转角，a为目标车辆质心加速度，t为每个时间步的时长，β为目标车辆质心侧偏角，lf为目标车辆前轴到质心的距离，lr为目标车辆后轴到质心的距离，ψ为目标车辆横摆角，yaw为目标车辆航向角。
[0067]
进一步地，所述等距离的道路段的长度为2-3m。
[0068]
与现有技术相比，本发明具有以下有益效果：
[0069]
1、本发明将车辆二自由度运动模型融合进深度学习预测模型，兼顾深度学习的高精度长时域预测性能并考虑车辆运动学性质，使预测轨迹结果更符合真实车辆的运动规律。
[0070]
2、通过不同类型车辆运动学规律的区别，能够提升预测轨迹的平滑度、均匀度，使预测轨迹符合车辆的运动学规律，提升预测轨迹的可行性和准确性，能够减少不可行预测结果导致主车规划过于保守的情况，提升自动驾驶汽车行驶安全性、平顺性。
[0071]
3、本发明使用多级场景门控机制模块mcg，显性建模出不同类型的交互：
[0072]
1)目标车辆vehicle
target
与其他车辆vehicle
other
的交互、
[0073]
2)目标车辆vehicle
target
与周围道路vehicle
other
的交互、
[0074]
3)目标车辆vehicle
target
、其他车辆vehicle
other
、周围道路vehicle
other
之间的全局交互；
[0075]
相较以往的预测模型能够更加全面地提取影响场景中不同类型场景元素之间的交互关系，提升模型的预测精度。
附图说明
[0076]
图1为本发明的流程示意图。
[0077]
图2为本发明的流程详细示意图。
[0078]
图3为本发明的深度学习预测模型的流程示意图。
[0079]
图4为场景门控模块(context gating,cg)的流程示意图。
[0080]
图5为多级场景门控模块(multiple context gating,mcg)的流程示意图。
[0081]
图6为车辆二自由度运动模型示意图。
具体实施方式
[0082]
以下由特定的具体实施例说明本发明的实施方式，本领域的技术人员可由本说明书所揭示的内容轻松地了解本发明的优势。下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。为了提供对本发明的深度了解，以下描述中将包含许多具体的细节。本发明也可以不使用这些细节实施。此外，为了避免混乱或模糊本发明的重点，有些具体细节将在描述中被省略。
[0083]
本技术中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。
[0084]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述：
[0085]
图1是本发明设计的融合车辆运动学模型的深度学习车辆轨迹预测方法的流程示意图，图2为本发明的流程详细示意图，首先获取自动驾驶车辆的历史运动状态信息、周围车辆的历史运动状态信息、周围道路的矢量信息，能够全面考虑交通场景中影响预测结果的各类动态、静态场景元素，并选取预测目标车辆，以目标车辆为中心转换坐标系，能够实现输入数据归一化、提升模型的精确度；之后使用采用编码器-解码器架构的深度学习模型，深度学习预测模型的结构图如图3所示，使用lstm网络编码目标车辆、其他车辆的历史运动状态信息，使用mcg模块编码目标车辆、其他车辆、周围道路的交互关系，通过对不同类型交互关系的显性建模实现对多种交互特征的提取，使用mlp解码出目标车辆在未来时域内n种不同运动模态的质心加速度和前轮转角，使用深度学习模型相较机器学习节省了复杂繁琐的特征工程，能够对真实交通场景以潜在特征方式表示实现更为紧凑的信息表示和更加优异的信息提取融合能力；考虑到不同类型车辆的动力性能存在差异，根据车辆长度将目标车辆划分为三类并分别设置不同的最大质心加速度，由不同类型车辆的最大质心加速度和最大前轮转向角来约束深度学习模型的预测值，能够避免轨迹预测模型预测出不符合车辆运动学规律的轨迹，提升预测轨迹的可行性和准确性，使用车辆二自由度运动模型来建模车辆的运动规律，将经约束后的车辆的最大质心加速度和最大前轮转向角在时间上积分得到未来预测轨迹。
[0086]
图4为场景门控模块(context gating,cg)的流程示意图，其计算公式如下所示：
[0087]ck
＝mlp(ak)
⊙
mlp(bk)
[0088]dk
＝pooling(mlp(ak)
⊙
mlp(bk))
[0089]
其中，ak、bk为cg模块的输入，
⊙
为使用向量点乘，mlp为使用多层感知机方法，ck、dk为cg模块的输出，pooling为使用最大池化方法，k为cg模块的级数。
[0090]
图5为多级场景门控模块(multiple context gating,mcg)的流程示意图，由k个cg模块堆叠构成，其计算公式如下所示：
[0091]ak+1
＝μ(ck，ak)
[0092]bk+1
＝μ(dk，bk)
[0093]ck
，dk＝cgk(ak，bk)
[0094]
其中k为cg模块的级数，取值范围为1至k，ak、bk为第k级cg模块的输入，ck、dk为第k级cg模块的输出，μ为求均值，cgk为使用第k级cg模块，ak、bk为mcg模块的输入，a
k+1
、b
k+1
为mcg模块的输出。具体地，k取值为5。
[0095]
图6为车辆二自由度运动模型示意图，车辆被简化为由前轮、后轮、车身构成的二自由度运动模型，在地面坐标系xoy中，前轮轮轴至车辆质心距离为lf,后轮轮轴至车辆质心距离为lr，v为车辆质心速度矢量，前轮朝向与车身朝向夹角为前轮转角γ，车身朝向与坐标系x轴夹角为横摆角ψ，车辆质心速度与车身朝向的夹角为质心侧偏角β，车辆质心速度与坐标系x轴夹角为航向角yaw。
[0096]
以上描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入
要求保护的本发明范围内。

技术特征：
1.一种融合运动学模型的深度学习车辆轨迹预测方法，其特征在于：包括如下步骤：a、获取自动驾驶车辆周围场景信息并转换至目标车辆坐标系a1、获取周围道路矢量信息从高精地图中获取自动驾驶车辆vehicle
ego
周围的道路结构信息，所述道路结构信息包括车道中心线、车道边界线、人行横道区域的位置坐标；将所述道路结构信息划分为多段的等距离的道路段，从每个道路段中提取起点坐标a、终点坐标b和方向c共同组成周围道路矢量信息roadvector
nbrs
＝{a,b,c}；a2、获取自动驾驶车辆的历史运动状态信息通过自动驾驶车辆的定位系统获得自动驾驶车辆vehicle
ego
按照采样频率f在过去t
h
秒的h个时间步上的历史运动状态信息：所述历史运动状态信息在第h个时间步上的历史状态信息为所述历史运动状态信息在第h个时间步上的历史状态信息为其中，h的取值范围为-h+1到0，l
ego
和b
ego
分别为自动驾驶车辆在大地坐标系下的经度与纬度，ψ
ego
为自动驾驶车辆的横摆角，v
ego
为自动驾驶车辆的质心速度，l
ego
、w
ego
分别为自动驾驶车辆的长度、宽度；a3、获取自动驾驶车辆的周围车辆的历史运动状态信息通过自动驾驶车辆环境感知系统的目标检测模块实时检测出m个周围车辆vehicle
nbrs
＝{vehicle1,vehicle2,..,vehicle
m
}，并通过跟踪模块获取每个周围车辆在过去t
h
秒内的历史运动状态信息state
nbrs
＝{state1,state2,...,state
m
}，转至步骤a4；每一个周围车辆的历史运动状态信息是按照采样频率f在过去t
h
秒内的h个时间步上获得的，j的取值范围为1到m，第j个周围车辆的历史运动状态信息为第j个周围车辆在第h个时间步的运动状态信息为其中，l
j
和b
j
分别为第j个周围车辆在大地坐标系下的经度和纬度，ψ
j
为第j个周围车辆的横摆角，v
j
为第j个周围车辆的质心速度，l
j
、w
j
分别为第j个周围车辆长度、宽度，id
j
为第j个周围车辆的身份码；a4、选取目标车辆及坐标系转换从周围车辆vehicle
nbrs
中选取一个车辆作为目标车辆vehicle
target
，将除目标车辆以外的周围车辆和自动驾驶车辆合并为其他车辆vehicle
other
，以目标车辆在当前时刻的位置为原点，以车头朝向为x轴正方向、车辆左侧为y轴正方向建立车身直角坐标系xoy；将步骤a1、a2、a3中获取的周围道路矢量信息roadvector
nbrs
、自动驾驶车辆的历史状态信息state
ego
和周围车辆的历史运动状态信息state
nbrs
坐标转换至目标车辆车身直角坐标系，坐标转换后从周围车辆的历史运动状态信息state
nbrs
和自动驾驶车辆的历史状态信息state
ego
中筛选出其他车辆vehicle
other
的历史运动状态信息为历史运动状态信息state
other
；b、使用深度学习模型建立车辆历史运动状态信息及交互关系，预测目标车辆的质心加
速度和前轮转角b1、编码车辆历史运动状态信息对步骤a3中获取的目标车辆的历史运动状态信息state
target
输入至第一长短时记忆网络lstm1中,lstm1输出目标车辆历史运动状态编码embedding
target
；对步骤a3中获取的其他车辆的历史运动状态信息state
other
输入至第二长短时记忆网络lstm2中，lstm2输出其他车辆历史运动状态编码embedding
other
；b2、编码各类交互关系对目标车辆历史运动状态编码embedding
target
和其他车辆历史运动状态编码embedding
other
输入至第一多级场景门控模块mcg1得到目标车辆与其他车辆交互特征feature
t2o
；对目标车辆历史运动状态编码embedding
other
和周围道路矢量信息roadvector
nbrs
输入至第二多级场景门控模块mcg2得到目标车辆与周围道路交互特征feature
t2r
；将目标车辆与其他车辆交互特征feature
t2o
与目标车辆与周围道路交互特征feature
t2r
输入至第三多级场景门控模块mcg3得到全局交互特征feature
global
；将feature
t2o
、feature
t2r
和feature
global
这三类交互特征使用拼接函数concat拼接在一起，构成隐性特征feature
hidden
；b3、解码目标车辆运动参数使用多层感知机mlp作为解码器将从步骤b2中得到的隐性特征feature
hidden
解码为包含n种不同运动模态的的质心加速度预测值a
pred
和n种不同运动模态的前轮转角预测值γ
pred
，计算公式如下：a
pred
，γ
pred
＝mlp(feature
hidden
))))其中mlp为使用多层感知机方法，a
pred
为包含n种不同运动模态的质心加速度预测值，γ
pred
为包含n种不同运动模态的前轮转角预测值，表示第n种运动模态的质心加速度预测值，表示第n种运动模态的前轮转角预测值，n的取值范围为1到n，表示第i个未来时间步上的第n种运动模态质心加速度预测值，表示第i个未来时间步上的第n种运动模态前轮转角预测值，i的取值范围为1到f；c、根据车辆长度划分车辆类型并约束车辆质心加速度、前轮转角的预测值，使用车辆二自由度模型由预测值计算出目标车辆的轨迹坐标c1、划分车辆类型并设置运动参数范围根据车辆长度将车辆类型进行划分并设置不同类型车辆的最大加速度：
小型车辆：车辆长度≤7m，最大加速度a
小型max
为5m/s2；中型车辆：7m<车辆长度≤10m，最大加速度a
中型max
为3.5m/s2；大型车辆：车辆长度>10m，最大加速度a
大型max
为2.5m/s2；设置所有类型车辆的最大前轮转角γ
max
为36
°
；c2、约束运动参数预测值由步骤b3得到预测目标车辆在未来t
f
秒f个时间步上n个运动模态的预测质心加速度及前轮转角，按照不同类型车辆加速度、最大前轮转角进行约束：若车辆质心加速度预测值a
pred
大于该类型车辆最大加速度a
max
，则车辆质心加速度预测值取该类型车辆的最大加速度a
max
；若车辆前轮转角预测值γ
pred
大于最大前轮转角γ
max
，则车辆前轮转角预测值取该类型车辆的最大前轮转角γ
max
；c3、由车辆二自由度运动模型计算预测轨迹对预测目标车辆使用车辆二自由度运动模型，输入步骤c2得到的n个运动模态上的目标车辆的质心加速度预测值a
pred
和车辆前轮转角预测值γ
pred
，计算得到未来f个时间步上目标车辆的轨迹坐标，计算公式如下：获取运动状态初始值，以目标车辆当前时间步的运动状态为初始值：获取运动状态初始值，以目标车辆当前时间步的运动状态为初始值：获取运动状态初始值，以目标车辆当前时间步的运动状态为初始值：获取运动状态初始值，以目标车辆当前时间步的运动状态为初始值：其中，为目标车辆的速度初始值，v0为当前时刻目标车辆的速度，为目标车辆的横向坐标初始值，为目标车辆的纵向坐标初始值，为目标车辆的横摆角初始值；由车辆二自由度模型计算未来每个时间步的轨迹坐标预测值和和和和和和和
最终得到目标车辆在未来t
f
秒f个时间步上n种运动模态的轨迹坐标预测值trajectory
pred
为：其中变量的上标为第i个未来时间步，i的取值范围为1至f，pred
n
为第n种预测运动模态，n的取值范围为1到n，v为目标车辆质心速度预测值，x为目标车辆质心在车身直角坐标系下的横向坐标，y为目标车辆质心的在车身直角坐标系下的纵向坐标，γ为目标车辆前轮转角，a为目标车辆质心加速度，t为每个时间步的时长，β为目标车辆质心侧偏角，l
f
为目标车辆前轴到质心的距离，l
r
为目标车辆后轴到质心的距离，ψ为目标车辆横摆角，yaw为目标车辆航向角。2.根据权利要求1所述一种融合运动学模型的深度学习车辆轨迹预测方法，其特征在于：所述等距离的道路段的长度为2-3m。

技术总结
本发明公开了一种融合运动学模型的深度学习车辆轨迹预测方法，包括如下步骤：获取自动驾驶车辆周围场景信息并转换至目标车辆坐标系；使用深度学习模型建立车辆历史运动状态信息及交互关系，预测目标车辆的质心加速度和前轮转角；根据车辆长度划分车辆类型并约束车辆质心加速度、前轮转角的预测值，使用车辆二自由度模型由预测值计算出目标车辆的轨迹坐标。本发明将车辆二自由度运动模型融合进深度学习预测模型，兼顾深度学习的高精度长时域预测性能并考虑车辆运动学性质，使预测轨迹结果更符合真实车辆运动规律。本发明能提升预测轨迹的可行性和准确性，能够减少不可行预测结果导致主车规划过于保守的情况，提升自动驾驶汽车行驶安全性、平顺性。平顺性。平顺性。


技术研发人员：李琳辉 付一帆 王雪成 连静 王霆 赵剑 王亚飞
受保护的技术使用者：大连理工大学
技术研发日：2023.03.10
技术公布日：2023/7/19