[发明专利]一种基于不同车辆类型的轨迹预测系统及方法

说明书

本发明公开了一种基于不同车辆类型的轨迹预测系统，包括：车辆类型识别模块，轨迹预测模块和基于不同车辆类型的轨迹预测模块；车辆类型识别模块，以摄像头传输的目标车辆的图像信息I为输入，通过卷积神经网络计算输出车辆类型Csubgt;i/subgt;的概率；轨迹预测模块，获取雷达传感器信息针对车辆类型Csubgt;i/subgt;，得到历史时域[‑T,0]目标车辆的轨迹信息作为输入，包括纵向位置x和侧向位置y；输出未来时域[0,T]的预测轨迹的高斯分布参数Ɵ，即得到预测轨迹的概率分布；基于不同车辆类型的轨迹预测模块，根据上述车辆类型的概率及预测轨迹的概率分布，得到基于不同车辆类型的轨迹预测的概率分布。本发明解决了现有技术中轨迹预测过程中不能区分预测车辆的类型的问题。

技术领域

本发明属于智能驾驶技术领域，具体指代一种基于不同车辆类型的轨迹预测系统及方法。

背景技术

随着汽车保有量的日益增加，道路交通逐渐趋于密集化和复杂化，进而导致驾驶压力的增大，使得驾驶员在正常交通场景下的驾驶能力下降，大大增加了交通事故的发生几率。在智能驾驶决策过程中，能对周围车辆的运动轨迹进行正确的预测，是智能车辆做出合适决策的基础。

目前，智能车辆可以通过先进的技术，根据目标车辆的运动状态来对未来的状态进行预测，据此信息来规划自车的行驶路线，但根据自车的运动状态往往有时间的滞后性，不能及时地反映目标车辆未来的运动趋势；目前技术所采用的方法大多依靠某一时刻的信息来预测下一时刻的信息，不能反映出目标车辆的运动特性是动态变化的。

所以本发明提出一种基于不同车辆类型的轨迹预测系统及方法，所述系统通过CNN(卷积神经网络)网络区分不同车辆类型，来提高轨迹预测的准确性，能使智能驾驶的车辆更好地适应复杂的交通环境。所采用的CNN技术是通过模拟生物视觉皮层中的复杂结构细胞，对视觉输入空间的局部区域很敏感，被称为“感受野”。感受野以某种方式覆盖整个视觉域，它在输入空间中起局部作用，因而能够更好地挖掘出存在于自然图像中强烈的局部空间相关性。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种基于不同车辆类型的轨迹预测系统及方法，以解决现有技术中轨迹预测过程中不能区分预测车辆的类型的问题。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种基于不同车辆类型的轨迹预测系统，包括：车辆类型识别模块，轨迹预测模块和基于不同车辆类型的轨迹预测模块；

所述车辆类型识别模块，以摄像头传输的目标车辆的图像信息I为输入，通过卷积神经网络计算输出车辆类型C_i的概率P(C_i|I)；

所述轨迹预测模块，获取雷达传感器信息针对车辆类型C_i，得到历史时域[-T,0]目标车辆的轨迹信息X作为输入，包括纵向位置x和侧向位置y；输出未来时域[0,T]的预测轨迹Y的高斯分布参数θ，即得到预测轨迹Y的概率分布P_θ(Y|C_i,X)；

所述基于不同车辆类型的轨迹预测模块，根据上述车辆类型的概率及预测轨迹Y的概率分布，得到基于不同车辆类型的轨迹预测的概率分布P(Y|X)，如下：

P(Y|X)＝∑_iP_Θ(Y|C_i,X)P(C_i|I)。

优选地，所述输出车辆类型的集合定义为C＝{乘用车，商用车，摩托车}。

优选地，所述预测轨迹Y信息包括纵向位置x和侧向位置y。