[发明专利]一种基于粒子滤波的在线轨迹预测方法

说明书

本发明公开了一种基于粒子滤波的在线轨迹预测方法，包括：1）建立轨迹预测模型，以历史时域[‑T,0]的纵向位置x，侧向位置y，车速v和加速度a为输入，输出未来时域[0,T]的纵向位置x，侧向位置y和车速v；2）利用当前的测量量来修正更新轨迹预测模型的状态。本发明在预测轨迹时，能输入一个时间序列的信息，考虑上一时刻的信息对下一时刻信息的影响，提高模型在动态环境中的预测准确性；在干扰和噪声存在下的非线性系统，用统计的方法来解决预测滤波问题，可以逼近状态的精确解。

技术领域

本发明属于智能驾驶技术领域，具体指代一种基于粒子滤波的在线轨迹预测方法。

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，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；另一方面对于非线性系统的滤波问题，贝叶斯估计不存在闭形式的解，所以传统的滤波方法很难取得令人满意的效果。

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粒子滤波的在线轨迹预测系统及方法，以解决现有技术中传统方法难以解决的轨迹预测模型的动态建模及系统是强非线性的，而且其状态未必满足高斯分布情况下的滤波的问题。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种基于粒子滤波的在线轨迹预测方法，包括步骤如下：

1)建立轨迹预测模型，以历史时域[-T,0]的纵向位置x，侧向位置y，车速v和加速度a为输入，输出未来时域[0,T]的纵向位置x，侧向位置y和车速v；

2)利用当前的测量量来修正更新轨迹预测模型的状态。

进一步地，所述步骤1)具体包括：选用GRU回归神经网络，选取网络输出状态h_t的线性组合为轨迹的回归向量

其中，W_y为回归向量的权重系数，b_y为回归向量的偏置。

进一步地，所述步骤2)中利用当前的测量量具体包括：GPS位置信号和车速传感器信号。

进一步地，所述步骤2)具体包括：

21)应用于滤波过程，用向量θ来表示所有权重矩阵和偏置向量，加入系统过程噪声w和测量噪声η后，上述轨迹预测模型写成：

其中，H为输出矩阵,

用d₁^k＝[d₁,d₂,…,d_k]来表示从1～k时刻所有观测向量的集合；

22)时间初始化：t＝0

a.从i＝1，2，…,N，按照初始重要性函数π[s_i(0)]选取初始粒子群[s_i(0)]_{i＝1,2,…,N}；