交叉路口的运动轨迹预测方法与流程

控制;调节装置的制造及其应用技术1.本发明涉及智能驾驶技术领域，具体为交叉路口的运动轨迹预测方法。背景技术：2.智能驾驶系统通常包括感知、定位和规控等模块，其中规控等模块根据感知、定位的输送信息拟定汽车运行轨迹。智能驾驶在普通道路上仅涉及车-车之间的行驶干涉，但是在交叉口位置，涉及多种检测环境，例如行人、非行人（活物）、运动物体、道路设施（分为移动物体、非移动物体）等等。交叉路口的运行轨迹控制是实现智能驾驶高安全性的关键步骤，安全性能不仅在于计算精准，还在于计算速度快，便于汽车根据实时变化的数据灵敏反应。3.本发明提出交叉路口的运动轨迹预测方法，解决上述技术问题。技术实现要素：4.交叉路口的运动轨迹预测方法，步骤如下，道路传感器分析计算系统将交叉路口用于获取移动目标、非移动目标的初始状态；车辆驾驶管理系统根据移动目标的初始状态、车辆本身的驾驶状态进行运行轨迹的预测，将运行轨迹有交点或者在危险距离范围内的移动目标确定为危险目标；（同一个交叉路口中同一时间段内移动目标、非移动目标的初始状态是相同的，无需每辆经过此地的车辆均进行实时监测，通过设置在本路口的传感器分析计算系统同一检测并进行初步计算后传递给距离路口在特定位置范围内的车辆即可，免去多个测量同时监测计算导致的资源浪费，为后续由测量驾驶管理系统独自处理预留可利用空间，提高计算效率）根据危险目标的初始状态结合车辆本身的目标状态，规划得到一个或多个车辆驾驶运行轨迹。5.优选的，所述交叉路口的运动轨迹预测方法,所述道路传感器分析计算系统通过各传感器的感应信息确定区分行人、非行人且活体、非活体运动物体、道路设施等非移动物体，并将行人、非行人且活体、非活体运动物体、道路设施等非移动物体的初始状态（位置、移动速度、移动加速度等）传送给所述车辆驾驶管理系统。其中道路设施等非移动物体是固定不变的，例如路标、道路边缘、花坛等等，所以道路设施等非移动物体时无需实时监测的，可以定期或/且路段低通量情况下进行信息核对、更新，以避免道路设施产生短暂移位或破坏。6.优选的，所述交叉路口的运动轨迹预测方法,车辆驾驶管理系统对危险目标根据位置、移动速度、状态维持时间等参数进行拟合处理，即将移动速度差在设定范围内、间隔距离在设定范围内且状态维持满足设定时间下限的两个或多个行人、非行人且活体或非活体运动物体拟合为体积轮廓累加的同一个目标，选取其中状态代表性对象且多个状态参数来自拟合处理对象中同一个或多个对象。这样在后期运动轨迹预测过程中会大大减少数据处理量，充分考虑了在交叉路口行人牵引宠物、行人推动或骑行代步工具的常见状态，将拟合处理的多个对象互相关联。7.优选的，所述交叉路口的运动轨迹预测方法,所述车辆驾驶管理系统根据危险目标的初始状态、非移动目标的位置信息预测危险目标的运行轨迹后，将危险目标的运行轨迹与车辆驾驶运行轨迹的交叉点设定为危险目标的运动终点，并计算该运动终点对应的危险目标最大概率的运动终点状态，根据该最大概率的运动状态评价所述车辆驾驶管理系统得到的多条车辆驾驶运行轨迹并选定可行的（考虑周边车辆、安全系数等情况）一条车辆驾驶运行轨迹。8.优选的，所述交叉路口的运动轨迹预测方法,所述车辆驾驶管理系统在选定最可行的一条车辆驾驶运行轨迹时以危险目标最大概率的运动终点位置为圆形，预先设定的r为半径做圆，将与该圆相交形成的面积最小的预定为可行的一条车辆驾驶运行轨迹，所述r与移动速度、移动方向、移动加速度有关。9.优选的，所述交叉路口的运动轨迹预测方法,所述车辆驾驶管理系统包括反向传播神经网络训练学习模块；所述反向传播神经网络训练学习模块根据危险目标的初始状态、预测的最大概率目标状态、真实目标状态按照分为两组数据以6:4～8:2的比例划分为训练集数据和测试集数据，用于训练反向神经网络模块。10.优选的，所述交叉路口的运动轨迹预测方法,所述反向传播神经网络训练学习模块根据预设半径r、当车辆位于危险目标正前方时的运动状态及与危险目标的距离分为两组数据以6:4～8:2的比例划分为训练集数据和测试集数据，用于训练反向神经网络模块。11.优选的，所述交叉路口的运动轨迹预测方法,所述移动目标的初始状态参数包括速度、加速度、位置、角速度中的一个或多个。12.优选的，所述交叉路口的运动轨迹预测方法,所述危险目标的目标状态包括速度、加速度、位置、角速度中的一个或多个。13.一种根据权利要求1～9中任一所述交叉路口的运动轨迹预测方法运行的运动轨迹预测装置。14.本发明专利涉及的交叉路口的运动轨迹预测方法中先利用道路传感器分析计算系统对交叉路口的移动目标进行实时检测、携同非移动目标的信息一并传递给车辆驾驶管理系统，车辆管理系统根据接收的信息确定危险目标号后，再对危险目标进行拟合处理，随后密切关注拟合后的危险目标的状态并据此作出一条或多条车辆运行轨迹，随后通过预测危险目标最大概率的目标状态（非实际目标状态，仅是针对车辆运行过程中考虑安全驾驶时定义的目标状态）结合周边所处环境选择最可行的一条车辆运行轨迹。15.再者，可根据反向神经网络学习系统，通过将历史数据按比例分为训练集数据、检测集数据，对车辆驾驶管理系统中后续的数据处理过程进行修正，使车辆驾驶管理系统的数据处理应变能力得到提高。16.上述车辆驾驶管理系统的数据处理量经过三级筛选、缩减，大大降低了系统的数据处理量，提高了数据的有效处理效率。附图说明17.下面结合附图对具体实施方式作进一步的说明，其中：图1是本发明涉及的交叉路口的运动轨迹预测方法运行系统的连接示意图；图2是本发明涉及的交叉路口的运动轨迹预测方法流程示意图；如下具体实施方式将结合上述附图进一步说明本发明。具体实施方式18.下面，将参考附图详细地描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。19.应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。20.本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。还应理解，在本公开实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。 还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。21.另外，本公开中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。 另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。 还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。22.如图1，所述交叉路口的运动轨迹预测方法运行的整体系统包括：第一传感器模块、第一信息接收模块、非移动目标信息更新模块、移动目标信息处理模块、第一信息发送模块、第二信息接收模块、运行轨迹预测模块、危险目标判断模块、危险目标拟合模块、第二传感器模块、驾驶控制模块、反神经网络训练学习模块，所述第一传感器模块、第一信息接收模块连接，所述非移动目标信息更新模块、移动目标信息处理模块同时与所述第一信息接收模块、第一信息发送模块连接，所述第一信息发送模块与车辆驾驶管理系统中的所述第二信息接收模块连接，所述第二信息接收模块分别与所述运行轨迹预测模块、危险目标判断模块连接，所述危险目标判断模块、危险目标拟合模块、第二传感器模块、反神经网络训练学习模块依次连接，所述运行轨迹预测模块分别与所述第二信息接收模块、危险目标判断模块连接，所述驾驶控制模块分别与所述运行轨迹预测模块、反神经网络训练学习模块连接，所述反神经网络训练学习模块与所述运行轨迹预测模块连接。23.交叉路口的运动轨迹预测方法，步骤如下，道路传感器分析计算系统将交叉路口用于获取移动目标、非移动目标的初始状态；车辆驾驶管理系统根据移动目标的初始状态、车辆本身的驾驶状态进行运行轨迹的预测，将运行轨迹有交点或者在危险距离范围内的移动目标确定为危险目标；（同一个交叉路口中同一时间段内移动目标、非移动目标的初始状态是相同的，无需每辆经过此地的车辆均进行实时监测，通过设置在本路口的传感器分析计算系统同一检测并进行初步计算后传递给距离路口在特定位置范围内的车辆即可，免去多个测量同时监测计算导致的资源浪费，为后续由测量驾驶管理系统独自处理预留可利用空间，提高计算效率）根据危险目标的初始状态结合车辆本身的目标状态，规划得到一个或多个车辆驾驶运行轨迹。24.具体实施方式如下：所述道路传感器分析计算系统通过各传感器（第一传感器模块）的感应信息确定区分行人、非行人且活体、非活体运动物体、道路设施等非移动物体（移动目标信息处理模块），并将行人、非行人且活体、非活体运动物体、道路设施等非移动物体的初始状态（位置、移动速度、移动加速度等）传送给所述车辆驾驶管理系统（第一信息发送模块）。其中道路设施等非移动物体是固定不变的，例如路标、道路边缘、花坛等等，所以道路设施等非移动物体时无需实时监测的，可以定期或/且路段低通量情况下进行信息核对、更新（非移动目标信息更新模块），以避免道路设施产生短暂移位或破坏。25.车辆驾驶管理系统接收到移动目标与非移动目标的初步计算数据结果后，运行轨迹预测模块绘制出移动目标及危险目标的运行轨迹并根据运行轨迹，所述危险目标判断模块判断危险目标。26.所述车辆驾驶管理系统正对危险目标根据位置、移动速度、状态维持时间等参数进行拟合处理（危险目标拟合模块），即将移动速度差在设定范围内、间隔距离在设定范围内且状态维持满足设定时间下限的两个或多个行人、非行人且活体或非活体运动物体拟合为体积轮廓累加的同一个目标，选取其中状态代表性对象且多个状态参数来自拟合处理对象中同一个或多个对象。27.例如，一位成人移动的同时还牵着狗、推着车，狗的运行轨迹较为多变但行程依然在老人位置的一定范围之内，车与成人的距离保持不变且澈子的移动速度与成人相同，这时，将三者拟合为一个危险目标，危险目标的整体体积为澈子、狗、成人的空间轮廓累加（包括空间距离的轮廓）、速度可采用成人的速度。28.这样在后期运动轨迹预测过程中会大大减少数据处理量，充分考虑了在交叉路口行人牵引宠物、行人推动或骑行代步工具的常见状态，将拟合处理的多个对象互相关联。29.进一步的,所述车辆驾驶管理系统根据危险目标的初始状态、非移动目标的位置信息预测危险目标的运行轨迹后，将危险目标的运行轨迹与车辆驾驶运行轨迹的交叉点设定为危险目标的运动终点，并计算该运动终点对应的危险目标最大概率的运动终点状态，根据该最大概率的运动状态评价所述车辆驾驶管理系统得到的多条车辆驾驶运行轨迹并选定可行的（考虑周边车辆、安全系数等情况）一条车辆驾驶运行轨迹。30.可选择的,所述车辆驾驶管理系统在选定最可行的一条车辆驾驶运行轨迹时以危险目标最大概率的运动终点位置为圆形，预先设定的r为半径做圆，将与该圆相交形成的面积最小的预定为可行的一条车辆驾驶运行轨迹，所述r与移动速度、移动方向、移动加速度有关。移动加速度越稳定、移动方向变化越小则r越小。31.在上述所述所述的交叉路口的运动轨迹预测方法基础上，还可采取下面展示的进一步优化方法：所述交叉路口的运动轨迹预测方法,所述车辆驾驶管理系统包括反向传播神经网络训练学习模块；所述反向传播神经网络训练学习模块根据危险目标的初始状态、预测的最大概率目标状态、真实目标状态按照分为两组数据以6:4～8:2的比例划分为训练集数据和测试集数据，用于训练反向神经网络模块。32.进一步的，所述反向传播神经网络训练学习模块根据预设半径r、当车辆位于危险目标正前方时的运动状态及与危险目标的距离分为两组数据以6:4～8:2的比例划分为训练集数据和测试集数据，用于训练反向神经网络模块。33.综合所述，所述移动目标的初始状态参数包括速度、加速度、位置、角速度中的一个或多个。所述危险目标的目标状态包括速度、加速度、位置、角速度中的一个或多个。34.以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!