[发明专利]车辆路径预测

说明书

本发明涉及用于预测车辆(1)的近期路径的方法和系统(40)。为了预测近期路径，收集传感器数据和车辆驾驶数据。收集指示车辆当前占据道路(3)上车行道的道路数据。预处理传感器数据和车辆驾驶数据以提供包括每个目标(5，9，13，17)相对车辆的先前位置、航向和速度的时间序列的目标数据，在深度神经网络中处理目标数据、车辆驾驶数据和道路数据以预测车辆的近期路径。本发明还涉及包括系统的车辆(1)。

技术领域

本发明涉及用于预测车辆的近期路径的系统和方法。本发明还涉及包括这种系统的车辆。

背景技术

车辆中的高级驾驶员辅助系统(ADAS)从巡航操纵和自适应照明到例如自动制动、用于将车辆保持在正确车道上的自动转向、以及警告驾驶员存在其它小汽车等更高级的系统。通常地，ADAS从多个来源例如图像处理摄像机、超声传感器、雷达或激光探测与测量装置检索输入数据。近来，随着现有ADAS的大量增加，故车辆与车辆的连接、车辆与基础设施以及基于云的连接增加。

路径预测是用于高级驾驶员辅助系统为车辆提供路上安全和自然行为的重要部分。路径预测方法必须有效地考虑到与车辆当前路径相关的可用信息并且解释其它道路使用者不可预测的行为。

用于ADAS的两个主要机器学习范例是端对端(end-to-end)学习和模块化系统设计。在端对端学习中，单机学习系统将用于通过观察传感器数据例如来自摄像机的图像或来自雷达的数据来控制车辆。在模块化系统设计中，感知和控制部件被隔离，并且来自感知的中间输出被独立地分析以得到对环境所需的理解，其随后用于决策和控制模块藉此提供用于方向盘和气体/刹车踏板的输入。

虽然上述方法提供了用于路径预测的有前途方案，但仍有提高预测路径的预测精确度的空间。

发明内容

鉴于上述内容，本发明的一个目标是为车辆高级驾驶员辅助系统和/或车辆中的自主驾驶系统提供更高的预测精确度。

根据本发明的第一方面，提供了一种用于预测车辆近期路径的方法，所述方法包括：收集至少指示车辆速度和横摆率(yaw rate)的车辆驾驶数据，收集指示车辆附近目标存在的传感器数据，收集指示车辆当前占据道路上车行道的道路数据，预处理传感器数据和车辆驾驶数据以提供包括各个目标相对于车辆的先前位置的时间序列、目标先前航向的时间序列和每个目标相对于车辆的先前速度的时间序列的目标数据集，在深度神经网络中处理目标数据、车辆驾驶数据和道路数据以基于目标数据和道路数据预测车辆近期路径，并且基于处理深度神经网络来提供预测路径输出。

本发明基于这样的认识：通过预处理有关车辆附近目标的传感器数据以及有关当前车辆的车辆驾驶数据从而提供包括每个目标相对于车辆的先前位置和速度的时间序列的目标数据的适宜图示可提高路径预测精确度。目标数据集的该图示被输入适用于图像解码的深度神经网络从而预测车辆近期路径。

应当理解，目标相对于车辆的位置意味着目标相对于车辆的空间位置，即能够确定目标距车辆的距离以及目标位于车辆的哪个方向(例如航向(heading)、方位角(bearing)、或前、后、左、右)。目标位置例如可以是已知车辆坐标的坐标系中的坐标。

此外，目标大小也可包括在目标数据中。目标大小表示目标所占据的空间。

车辆驾驶数据至少包括指示车辆速度和角速度(例如“横摆率”)的数据。车辆驾驶数据可进一步包括指示车辆加速度、纵倾率、侧倾率等等的数据。车辆的纵倾运动(pitchmotion，也称俯仰运动)是车身围绕平行于穿过车辆的侧至侧轴线的横轴旋转。侧倾运动(roll motion)是车辆围绕平行于穿过车辆的前至后轴线的纵轴的旋转。

在某些可能的实施中，深度神经网络可以是多层卷积神经网络，其包括可选的循环或递归层以提高路径预测的预测精确度。深度神经网络也可提高路径预测的一致性。