[发明专利]一种城市交叉口周边车辆轨迹预测方法

说明书

本发明公开了一种城市交叉口周边车辆轨迹预测方法。步骤1、通过传感器得到的车辆状态信息作为输入，利用穿行意图识别模型和让行意图识别模型得到目标车辆运动模式；步骤2、确定目标车辆的运动模式之后，需要预测目标车辆的未来行驶轨迹；针对每种运动模式，通过建立对应运动模式的加速度预测模型得到预测加速度；步骤3、得到目标车辆预测加速度后，采用匀加速模型计算即可得到下一步车辆的运动状态；步骤4、实际使用过程中通过结合无迹卡尔曼滤波方法来降低预测模型的误差。本发明为城市交叉口轨迹预测模型的训练和测试提供真实有效的车辆状态数据。

技术领域

本发明涉及领域，尤其涉及一种城市交叉口周边车辆轨迹预测方法。

背景技术

作为未来提高城市道路通行效率和减少道路安全事故的利器，无人驾驶相关技术近年来得到了极大地发展，国内外许多科研机构和高校仍在加大研发力度。在实际道路中行驶时，无人驾驶车辆无法像人类驾驶员一样在经验知识不全的未知环境下及时准确地作出较佳的行驶决策。决策问题难以得到解决的一个重要原因就是环境要素建模(尤其是动态要素建模)的准确性不足。例如，在城市交叉口行驶过程中，驾驶员往往能在短时间内提前预知周边车辆的运动模式和未来轨迹，但对于无人驾驶车辆来说做到这些非常困难。本发明针对城市交叉口周边车辆长时轨迹预测问题，考虑了车辆运动模式的多样性，提出了基于高斯混合模型(GMM)和高斯过程回归模型(GPR)的车辆轨迹预测模型来解决城市交叉口周边车辆轨迹预测问题。

目前车辆轨迹预测的方法可以大致分为三类:基于物理学模型的轨迹预测方法、基于运动模式的轨迹预测方法和基于交互感知的轨迹预测方法，运用的场景分为短时状态估计和长时轨迹预测，在复杂城市交叉口环境下的相关预测方法研究不多。而本发明所提出的轨迹预测方法主要针对的是城市交叉口周边车辆长时轨迹预测问题。当感知到车辆时，通过预测模型识别车辆的运动模式并预测其未来行驶轨迹。目前专利中还没有采用类似方法对城市交叉口车辆进行运动模式识别和轨迹预测。目前最接近的预测方法是采用GMM对城市交叉口车辆进行长时轨迹预测，通过GPS采集到的轨迹信息，建立相关的轨迹预测模型，通过车辆的速度和偏航角得到车辆未来的运动状态。

发明内容

1、本发明的目的

对于现有技术由于不同运动模式的车辆的轨迹呈现不同的规律，会导致轨迹预测模型的预测精度不够，无法准确预测车辆未来长时的行驶轨迹，不适应本发明所针对的复杂城市交叉口的长时轨迹预测问题，提出了一种城市交叉口周边车辆轨迹预测方法。

2、本发明所采用的技术方案

本发明公开了一种城市交叉口周边车辆轨迹预测方法，按照如下步骤进行：

步骤1、通过传感器得到的车辆状态信息作为输入，利用穿行意图识别模型和让行意图识别模型得到目标车辆运动模式：

步骤1.1穿行意图的识别模型

利用目标车辆相对方向角的变化率和相对航向角变化率作为输入，得到目标车辆的穿行意图，穿行意图分为左转、右转和直行三种；

步骤1.2让行意图的识别模型

利用目标车辆的加速度作为输入，得到左转目标车辆和直行目标车辆的让行意图，让行意图分为正常行驶和让行两种；

步骤2、确定目标车辆的运动模式之后，需要预测目标车辆的未来行驶轨迹；针对每种运动模式，通过建立对应运动模式的加速度预测模型得到预测加速度；

通过GPR算法建立加速度与车辆当前位置和速度的映射关系，训练得到的GPR加速度预测模型；对于预测模型超参数的设置，采用局部核函数的一种平方指数协方差函数作为核函数；对于超参数的训练寻优，采用共轭梯度优化算法搜索最优超参数；