CN114735011B 车辆轨迹预测方法及相关设备 （北京经纬恒润科技股份有限公司）

US2017008560A1,2017.01.12本发明公开了一种车辆轨迹预测方法及相列和车辆状态量，结合车辆状态量对应的时间一转角序列和第二转角序列进行融合得到转角合第一预测轨迹和第二预测轨迹得到预测危险2获取车辆的实际轨迹序列和车辆状态量，结合所述车辆状对所述历史驾驶数据集进行分割处理得到分割驾驶数据集，所述分割驾计算得到规划预测轨迹序列Λsegi；基于融合系数k与车速vx的函数关系建立与所述车速vx相关的融合系数k，对所述第一转角序列δsw_1和所述第二转角序列δsw_2进行融合得到转角预测序列iswruson5其中，所述利用车辆动力学轨迹模型结合所述转角预测序列i车运动学模型结合所述规划预测轨迹序列Λsegi得到第二预测轨迹，并融合所述第一预测测量得到车辆的定位点O的实际轨迹序列Λa，其中，Λa＝{ξa1,ξa2,…ξan},ξai＝[Xa测量得到车辆状态量并记录所述车辆状态量对应的时间戳TimeP;基于所述实际轨迹序列的时间戳tai和所述车辆状态量对应的时间戳TimeStamps的时pi分别3获得所述历史驾驶数据集Θ中的实际轨迹序列Λa的时刻i的时间戳TimeStamps_i对应据点，获得一段实际轨迹序列N为预测轨迹的路径点个获得所述历史驾驶数据集Θ中的方向盘转角δsw的时刻i的时间戳TimeStamps_i对应的盘转角序列N为预测轨迹的路径点个数。获得预测轨迹序列Λse，基于所述预测轨迹序列Λsegi计算得到路径曲率序列τser基于所述路径曲率序列τseries_i计算得到转向半径序列；所述第一转角序列δsw_1和所述第二转角序列δsw_2进行融合得到转角预测序列iswrsions包对所述第一转角序列δsw_1和所述第二转角序列δsw_2进行融合得到转角预测序列Bvnuon:x的绝对值呈正相关关系。角预测序列iswnson得到第一预测轨将所述转角预测序列iswruson所述车速vx及所述载荷G输入到车辆动力学轨迹模型24获取车辆的历史轨迹序列和历史车辆状态量，结合所述历史车辆状态量对应的时间对所述训练驾驶数据集进行分割处理得到分割训练驾驶数数据集建立单元，用于获取车辆的实际轨迹序列和车辆状态驶数据集中包括多个时间戳对应的实际轨迹序列数据集分割单元，用于对所述历史驾驶数据集进行分述分割驾驶数据集用于计算得到规划预测轨迹序列Λsegi；k，对所述第一转角序列δsw_1和所述第二转角序列δsw_2进行融合得到转角预测序列融合所述第一预测轨迹和所述第二预测轨迹得到5[0004]当前对车辆危险点的轨迹进行预测的技术所预测的车辆危险点的轨迹的准确性所述实际轨迹序列和车辆状态量建立历史驾驶数用于计算得到规划预测轨迹序列Λsegi；[0010]建立与所述车速vx相关的融合系数，对所述第一转角序列δsw_1和所述第二转角序用挂车运动学模型结合所述规划预测轨迹序列Λsegi得到第二预测轨迹，并融合所述第一[0013]测量得到车辆的定位点O的实际轨迹序列Λa，其中，Λa＝{ξa6夹角p;[0015]基于所述实际轨迹序列的时间戳tai和所述车辆状态量对应的时间戳TimeStamps[0023]获得所述历史驾驶数据集Θ中的实际轨迹序列Λa的时刻i的时间戳TimeStamps_N个数据点，获得一段实际轨迹序列N为预测轨迹的路径[0024]所述iswsegi的获得过程包括：方向盘转角序列iswsegr=f6swavbswair1…iswairw3,N为预测轨迹的路径点个数。[0027]获得预测轨迹序列Λsegi，基于所述预测轨迹序列Λsegi计算得到路径曲率序列第二转角序列δsw_2进行融合得到转角预测序列iswrusion包括：[0034]对所述第一转角序列δsw_1和所述第二转角序列δsw_2进行融合得到转角预测序列7[0039]可选的，所述利用车辆动力学轨迹模型结合所述转角预测序列iswrsion得到第一预测轨迹，利用挂车运动学模型结合所述规划预测轨迹序列Λsegi得到第二预测轨迹，包[0040]将所述转角预测序列iswruson所述车速vx及所述载荷G输入到车辆动力学轨迹[0042]可选的，所述融合所述第一预测轨迹和所述第二预测轨2[0052]数据集分割单元，用于对所述历史驾驶数据集进行分割处理得到分割驾驶数据述第二转角序列δsw_2进行融合得到转角预测序列iswrusion[0055]轨迹获得单元，用于利用车辆动力学轨迹模型结合所述转角预测序列iswrsion得到第一预测轨迹，利用挂车运动学模型结合所述规划预测轨迹序列Λsegi得到第二预测轨8测序列得到第一预测轨迹，利用挂车运动学模型结合规划预测轨迹序列得到第二预测轨[0063]上述说明仅是本发明技术方案的概述，为了能够更清楚[0066]图2示出了本申请实施例提供的使用车速确定挂车运动学模型并获得第二预测轨9[0079]横摆角速度是车辆质量绕z轴(车辆坐标系)旋转的角速度，可以通过陀螺仪传感于计算得到规划预测轨迹序列Λsegi。间戳对应的方向盘转角及该方向盘转角之后的N个方向盘获得预先训练好的人工神经网络模型输出的第二转角序列δsw_2。序列δsw_2是通过人工神经网络模型得到的，因此本申请将对第一转角序列δsw_1和第二转角通过与车速vx相关的融合系数来进行上述融合，因此当车速vx不同时，融合系数也可能不基于融合系数与vx之间的函数关系来确定利用挂车运动学模型结合规划预测轨迹序列Λsegi得到第二预测轨迹，并融合第一预测轨[0100]需要说明的是，本申请车辆轨迹预测方法中步骤S100至S500并不限于图1所示的[0109]测量得到车辆的定位点O的实际轨迹序列Λa，其中，Λa＝{ξa[0111]基于实际轨迹序列的时间戳tai和车辆状态量对应的时间戳TimeStamps的时间关内采集或得到的历史驾驶数据集中的各数据对应起来，本申请使用了时间戳TimeStam驶数据集中各数据的采集时刻可以不完全相同，每个历史驾驶数据集均和一个时间戳[0121]获得历史驾驶数据集Θ中的实际轨迹序列Λa的时刻i的时间戳TimeStamps_i对此本申请可以根据分割驾驶数据集计算得到规划预测轨迹序列Λsegi。[0127]获得预测轨迹序列Λsegi，基于预测轨迹序列Λsegi计算得到路径曲率序列[0135]对第一转角序列δsw_1和第二转角序列δsw_2进行融合得到转角预测序列x的绝对值呈正相关关系。转角预测序列得到第一预测轨迹，利用挂车运动学模型结合规划预测轨迹序列[0145]将转角预测序列iswrusion车速vx及载荷G输入到车辆动力学轨迹模型中，计算得2了使用挂车运动学模型得到的危险点的预测[0153]获取车辆的历史轨迹序列和历史车辆状态量，结合历史车辆状态量对应的时间方式可以和图1所示方法中步骤S100获取车辆的实际轨迹序列和车辆状态量的方式相同，[0158]可选的，人工神经网络模型的训练过程中分割处理的具体方式可以和图1所示方驶过程中，本申请可以继续进行驾驶数据的记录并将记录的数据加入到初始驾驶数据集的置信系数a预测精度足够大(如已经超过通过运动学推算的精度)，则可以认为方向盘转[0162]本申请可以基于已记录的历史数据，在线学习以提升挂车危险点轨迹的推算精预测序列；2分割驾驶数据集用于计算得到规划预测轨迹序列Λsegi；用人工神经网络模型，输入路径曲率序列τseries_i，车速vx以及载荷G，得到第二转角序列[0185]轨迹获得单元500，用于利用车辆动力学轨迹模型结合转角预测序列iswrsion得ai为所述实际轨迹序列的时间戳；间戳TimeStamps的时间关系，建立所述实际轨迹序列Λa与所述时间戳TimeStamps的对应[0190]建立子单元，用于基于所述实际轨迹序列Λa、所述车辆状态量、所述时间戳[0193]所述第一获得子单元，用于获得所述历史驾驶数据集Θ中的实际轨迹序列Λa的索N个数据点，获得一段方向盘转角序列N为预[0199]获得预测轨迹序列Λsegi，基于所述预测轨迹序列Λsegi计算得到路径曲率序列[0206]对所述第一转角序列δsw_1和所述第二转角序列δsw_2进行融合得到转角预测序列[0211]可选的，轨迹获得单元500利用车辆动力学轨迹模型结合所述转角预测序列得到第一预测轨迹，利用挂车运动学模型结合所述规划预测轨迹序列Λsegi得到[0212]将所述转角预测序列iswruson所述车速vx及所述载荷G输入到车辆动力学轨迹[0214]可选的，轨迹获得单元500融合所述第一预测轨迹和所述第二预测轨迹得到预测2量建立训练驾驶数据集；对所述训练驾驶数据集进行分割处理得到分割训练