一种轨迹预测方法、装置及车联网设备与流程

1.本发明涉及通信技术领域，尤其涉及一种轨迹预测方法、装置及车联网设备。


背景技术：

2.轨迹预测(trajectory prediction，tp)是智慧交通、车路协同领域中的重要功能模块，其可以针对传感器及边缘计算单元漏检、误检的目标进行轨迹预测推演，从而获得置信度较高的目标位置，保障交通信息流的真实性和完整性，使路侧端识别的目标信息能更好地提供给智慧交通管控平台及交通参与者，助力交通安全，于是研究一种高效可靠的轨迹预测方法具有较大研究意义。
3.高精地图(hd map)是面向智慧交通、自动驾驶的一种新型地图数据范式。传统地图的精度通常大约为米级或十米级左右，误差过大，对于智慧交通领域来说不可置信。不同于传统地图，高精地图的坐标精度能达到亚米级到厘米级。传统导航地图通常只提供路网结构信息和粗略的几何点位置，而高精地图除了这些信息外，还会包含车道信息(车道线位置、类型，车道方向、车道交通限制信息等)、交通标志信息以及红绿灯、立交桥、龙门架等的位置信息。高精地图这些优势，可以很好地为我们提供车路协同轨迹预测中目标意图及后续走向的判定依据，做出更准确可信的预测和推演。
4.esri shapefile(shp)，或简称shapefile，是地理信息领域一种较为通用的空间数据开放格式。该文件格式已经成为了地理信息软件界的一个开放标准。shapefile文件用于描述几何体对象：点，折线与多边形，是一种较为常用的高精地图格式。shapefile作为现存地理信息软件支持最广泛的数据格式，具有文件数据量小、检索效率高等独特优势，在实际应用中，以shapefile格式存储的高精地图应用相当广泛。
5.但同时也因shapefile文件格式的限制，其地图内不包含拓扑信息，仅存储单形状要素，路段之间无任何拓扑信息将其连接，在使用过程中提高了解析效率，但同时丢失了一定的道路信息。如何利用无拓扑关系的高精地图进行轨迹预测是亟待解决问题。


技术实现要素：

6.本发明提供一种轨迹预测方法、装置及车联网设备，解决了现有技术中无法利用无拓扑关系的高精地图进行轨迹预测的问题。
7.第一方面，本发明的实施例提供一种轨迹预测方法，包括：
8.在检测到目标对象的位置发生丢失的情况下，获取所述目标对象在位置丢失前的历史位置坐标和行驶状态；
9.根据地图中的车道边线特征、所述位置丢失前的历史位置坐标和行驶状态，预测所述目标对象在位置丢失时段内的轨迹。
10.可选地，根据地图中的车道边线特征、所述位置丢失前的历史位置坐标和行驶状态，预测所述目标对象的轨迹，包括：
11.根据所述地图中的车道边线特征、所述位置丢失前的历史位置坐标和行驶状态，
确定第1个预测位置和所述第1个预测位置对应的行驶状态；
12.根据所述目标对象的第n个预测位置和所述第n个预测位置对应的行驶状态，确定所述目标对象的第n+1个预测位置和所述第n+1个预测位置对应的行驶状态；n≥1且为正整数；
13.将第1个预测位置至第n个预测位置依次相连接，生成所述目标对象的预测轨迹。
14.可选地，所述根据所述地图中的车道边线特征、所述位置丢失前的历史位置坐标和行驶状态，确定第1个预测位置和所述第1个预测位置对应的行驶状态，包括：
15.根据所述位置丢失前的历史位置坐标和行驶状态，生成第1个预估位置；
16.根据所述第1个预估位置和所述车道边线特征，确定所述目标对象所在的目标车道；
17.根据所述目标车道的所述车道边线特征，确定所述目标车道的车道中线的坐标点集合；
18.根据所述第1个预估位置和所述坐标点集合，确定所述第1个预测位置和所述第1个预测位置对应的行驶状态。
19.可选地，所述根据所述目标对象的第n个预测位置和所述第n个预测位置对应的行驶状态，确定所述目标对象的第n+1个预测位置和所述第n+1个预测位置对应的行驶状态，包括:
20.根据所述目标对象的第n个预测位置和所述第n个预测位置对应的行驶状态，生成第n+1个预估位置；
21.根据所述第n+1个预估位置和所述车道边线特征，确定所述目标对象所在的目标车道；
22.根据所述目标车道的所述车道边线特征，确定所述目标车道的车道中线的坐标点集合；
23.根据所述第n+1个预估位置和所述坐标点集合，确定所述第n+1个预测位置和所述第n+1个预测位置对应的行驶状态。
24.可选地，所述根据所述第n+1个预估位置和所述坐标点集合，确定所述第n+1个预测位置和所述第n+1个预测位置对应的行驶状态，包括：
25.从所述坐标点集合中，确定与所述第n+1个预估位置最近的目标坐标点；
26.根据所述目标坐标点和所述第n+1个预估位置，预测所述第n+1个预测位置和所述第n+1个预测位置对应的行驶状态。
27.可选地，所述根据所述目标坐标点和所述第n+1个预估位置，预测所述第n+1个预测位置和所述第n+1个预测位置对应的行驶状态，包括：
28.将所述目标坐标点作为测量值，将第n+1个预估位置作为预测值，利用线性卡尔曼滤波算法，预测所述目标对象的所述第n+1个预测位置和所述第n+1个预测位置对应的行驶状态。
29.可选地，所述行驶状态包括：行驶速度和航向角。
30.第二方面，本发明的实施例提供一种车联网设备，包括：收发机、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述轨迹预测方法的步骤。
31.第三方面，本发明的实施例提供一种轨迹预测装置，包括：
32.获取模块，用于在检测到目标对象的位置发生丢失的情况下，获取所述目标对象在位置丢失前的历史位置坐标和行驶状态；
33.预测模块，用于根据地图中的车道边线特征、所述位置丢失前的历史位置坐标和行驶状态，预测所述目标对象在位置丢失时段内的轨迹。
34.第四方面，本发明的实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述轨迹预测方法的步骤。
35.本发明的上述技术方案的有益效果是：
36.上述方案中，在检测到目标对象的位置发生丢失的情况下，获取所述目标对象在位置丢失前的历史位置坐标和行驶状态；根据地图中的车道边线特征、所述位置丢失前的历史位置坐标和行驶状态，预测所述目标对象在位置丢失时段内的轨迹。通过实施例，利用地图中的车道边线特征、位置丢失前的历史位置坐标和行驶状态，即可实现预测目标对象在位置丢失时段内的轨迹，能够解决现有技术中无法利用无拓扑关系的高精地图进行轨迹预测的问题。
附图说明
37.图1表示本发明实施例的轨迹预测方法的流程图；
38.图2表示本发明实施例的车道边线特征示意图；
39.图3表示本发明实施例的车道边线特征与车道中线的示意图；
40.图4表示本发明实施例的轨迹预测装置的结构框图；
41.图5表示本发明实施例的车联网设备的硬件结构示意图。
具体实施方式
42.为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。
43.应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
44.在本发明的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
45.另外，本文中术语“系统”和“网络”在本文中常可互换使用。
46.在本技术所提供的实施例中，应理解，“与a相应的b”表示b与a相关联，根据a可以确定b。但还应理解，根据a确定b并不意味着仅仅根据a确定b，还可以根据a和/或其它信息确定b。
47.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，并不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
48.第一实施例
49.如图1所示，本发明的实施例提供了一种轨迹预测方法，具体包括以下步骤：
50.步骤101：在检测到目标对象的位置发生丢失的情况下，获取所述目标对象在位置丢失前的历史位置坐标和行驶状态；
51.其中，行驶状态包括：行驶速度和航向角。
52.步骤102：根据地图中的车道边线特征、所述位置丢失前的历史位置坐标和行驶状态，预测所述目标对象在位置丢失时段内的轨迹。
53.需要指出的是，本技术使用的地图为shapefile格式的高精地图文件。高精地图文件中包括points、lines、outlines等文件类型，这几种文件分别对应了点、线、面等道路的几何特征。本技术需要得到各个车道的形状特征，而包含了道路面特征的outlines文件中所包含的polygen(多边形)形状类型则基本涵盖了本技术需要的所有地图数据信息，而道路的点(point)和线(line)形状信息较为片面，因此本技术针对outlines.shp文件进行了数据解析，提取出了整个地图的车道边线特征，车道边线特征可以理解为车道框架。如图2所示，其示出有车道边线特征的效果图。整个地图由许多段车道框架组成，而每一个车道框架都由该段车道的几十至几百数量不等的边线散点组成，每个散点都具有经纬度信息。
54.虽然各段车道框架之间无拓扑关系，但是能够通过其中包含的散点坐标信息，得到各段车道框架之间的位置关系。
55.上述实施例中，利用地图中的车道边线特征、位置丢失前的历史位置坐标和行驶状态，即可实现预测目标对象在位置丢失时段内的轨迹，能够解决现有技术中无法利用无拓扑关系的高精地图进行轨迹预测的问题。
56.在一实施例中，上述步骤102中，根据地图中的车道边线特征、所述位置丢失前的历史位置坐标和行驶状态，预测所述目标对象的轨迹，包括：
57.根据所述地图中的车道边线特征、所述位置丢失前的历史位置坐标和行驶状态，确定第1个预测位置和所述第1个预测位置对应的行驶状态；
58.根据所述目标对象的第n个预测位置和所述第n个预测位置对应的行驶状态，确定所述目标对象的第n+1个预测位置和所述第n+1个预测位置对应的行驶状态；n≥1且为正整数；
59.将第1个预测位置至第n个预测位置依次相连接，生成所述目标对象的预测轨迹。
60.其中，行驶状态包括：行驶速度和航向角。
61.该实施例中，在根据所述地图中的车道边线特征、位置丢失前的历史位置坐标和行驶状态，确定第1个预测位置和所述第1个预测位置对应的行驶状态后，根据前一个预测位置和对应的行驶状态，预测下一个预测位置和对应的行驶状态，得到n个预测位置点，n个预测位置点即为预测轨迹上的点。
62.在一具体实施例中，所述根据所述地图中的车道边线特征、所述位置丢失前的历史位置坐标和行驶状态，确定第1个预测位置和所述第1个预测位置对应的行驶状态，包括：
63.根据所述位置丢失前的历史位置坐标和行驶状态，生成第1个预估位置；
64.根据所述第1个预估位置和所述车道边线特征，确定所述目标对象所在的目标车道；
65.根据所述目标车道的所述车道边线特征，确定所述目标车道的车道中线的坐标点集合；
66.根据所述第1个预估位置和所述坐标点集合，确定所述第1个预测位置和所述第1个预测位置对应的行驶状态。
67.其中，行驶状态包括：行驶速度和航向角。
68.需要指出的是，第1个预估位置为初步预估位置，仅用于确定目标对象所在的目标车道，并非最终的预测位置。
69.具体实现时，根据行驶状态中的行驶速度能够计算得到预瞄距离，基于行驶状态中的航向角和预瞄距离，即可得到第1个预估位置。进一步地，将车道边线特征视为一个由多点组成的多边形几何结构，在第1个预估位置位于目标车道的车道边线特征所构成的多边形几何结构内时，认为目标对象位于目标车道。
70.具体实现时，车辆中线的获取方式可以为：通过对每一段独立的车道框架(车道边线特征)进行多边形求解，得到车道中线。如图3所示，其示出的是部分车道框架的车道中线的效果图，车道中线由散点构成。如图3中的标号为0至70的点即为车道中线的坐标点集合中的点，位于中线两侧的两条散点为车道两侧的边线特征点。其中，车道中线的数量与车道框架数量相同，因此，可以将车道框架与车道中线进行配对存储，这样，在定位到目标车道时，可根据目标车道的序号提取对应的车道中线。
71.该实施例中，通过位置丢失前的历史位置坐标和行驶状态，生成第1个预估位置，通过第1个预估位置可定位目标对象所在的目标车道，进一步基于第1个预估位置和目标车道的车道中线，即可确定出第1个预测位置和对应的行驶状态。由于车道中线能够反应出车道的延伸方向，基于第1个预估位置和车道中线的坐标点集合，确定所述第1个预测位置和所述第1个预测位置对应的行驶状态，能够使预测位置正确保持在车道内部，使目标对象沿车道中线的走向行驶，能够更准确地预测出目标对象在目标车道内的行驶位置点。因此，该实施例能够将目标对象的自身状态(位置和行驶状态)与其行驶的交通环境进行关联，利用交通环境作为轨迹预测的参考，使得预测推演的轨迹更为准确可靠。
72.在一具体实施例中，所述根据所述目标对象的第n个预测位置和所述第n个预测位置对应的行驶状态，确定所述目标对象的第n+1个预测位置和所述第n+1个预测位置对应的行驶状态，包括:
73.根据所述目标对象的第n个预测位置和所述第n个预测位置对应的行驶状态，生成第n+1个预估位置；
74.根据所述第n+1个预估位置和所述车道边线特征，确定所述目标对象所在的目标车道；
75.根据所述目标车道的所述车道边线特征，确定所述目标车道的车道中线的坐标点集合；
76.根据所述第n+1个预估位置和所述坐标点集合，确定所述第n+1个预测位置和所述第n+1个预测位置对应的行驶状态。
77.其中，行驶状态包括：行驶速度和航向角。
78.具体实现时，根据行驶状态中的行驶速度能够计算得到预瞄距离，基于行驶状态中的航向角和预瞄距离，即可得到第n+1个预估位置。进一步地，将车道边线特征视为一个由多点组成的多边形几何结构，在第n+1个预估位置位于目标车道的车道边线特征所构成的多边形几何结构内时，认为目标对象位于目标车道。在定位到目标车道时，可根据目标车道的序号提取对应的车道中线。
79.该实施例中，由于车道中线能够反应出车道的延伸方向，基于第n+1个预估位置和车道中线的坐标点集合，确定所述第n个预测位置和所述第n个预测位置对应的行驶状态，能够使预测位置正确保持在车道内部，使目标对象沿车道中线的走向行驶，如此能够更准确地预测出目标对象在目标车道内的行驶轨迹。因此，该实施例能够实现将目标对象的自身状态(位置和行驶状态)与其行驶的交通环境进行关联，利用交通环境作为轨迹预测的参考，使得预测推演的轨迹更为准确可靠。
80.在一具体实施例中，所述根据所述第n+1个预估位置和所述坐标点集合，确定所述第n+1个预测位置和所述第n+1个预测位置对应的行驶状态，包括：
81.从所述坐标点集合中，确定与所述第n+1个预估位置最近的目标坐标点；
82.根据所述目标坐标点和所述第n+1个预估位置，预测所述第n+1个预测位置和所述第n+1个预测位置对应的行驶状态。
83.其中，行驶状态包括：行驶速度和航向角。
84.该实施例中，根据第n+1个预估位置和车道中线上与第n+1个预估位置最近的目标坐标点，预测所述第n+1个预测位置，能够使预测位置沿着车道的延伸方向排布，能够更准确地预测出目标对象在目标车道内行驶轨迹。
85.而且，利用预估位置进行预瞄操作，可以很好规避shapefile地图的无拓扑特征的问题，当预测位置位于某个车道框架形状的边缘处时，利用预瞄机制，下一个预估位置将在下一个车道框架内，如此能够跨越车道框架进行后续预测，使得预测轨迹连续推演，而非仅限于某个单独的车道框架内。
86.具体地，所述根据所述目标坐标点和所述第n+1个预估位置，预测所述第n+1个预测位置和所述第n+1个预测位置对应的行驶状态，包括：
87.将所述目标坐标点作为测量值，将第n+1个预估位置作为预测值，利用线性卡尔曼滤波算法，预测所述目标对象的所述第n+1个预测位置和所述第n+1个预测位置对应的行驶状态。
88.其中，行驶状态包括：行驶速度和航向角。
89.具体实现时，将目标坐标点作为测量值，将第n+1个预估位置作为预测值，利用线性卡尔曼滤波算法，对目标坐标点和第n+1个预估位置进行卡尔曼预测，通过调节过程噪声和测量噪声的比例，得到期望的第n+1个预测位置、行驶速度、航向角等信息。
90.上述实施例中，通过循环迭代位置预测过程，对所有漏检的目标进行后续状态的预估位置，得到预测推演的轨迹。能将目标对象的自身状态与其行驶的交通环境进行关联，通过用交通环境作为轨迹预测的参考，使得预测推演的轨迹更为准确可靠。
91.此外，相较于传统的基于先验数据的轨迹预测方式，本技术的轨迹预测结果置信度更高，在遇到特殊地形，如弯道、隧道等非长直道路且信号容易丢失的情况下，能使预测
位置正确保持在车道内部，使目标对象沿车道中线的走向行驶，提高了特定场景下的轨迹预测精度。
92.而且，本技术利用shapefile格式的高精地图，地图数据格式固定，数据量小，相较于其他具备如拓扑信息等更多交通数据的高精地图格式，调用shapefile地图所需的内存资源和运行资源少，算法速率更高，同时也解决了shapefile地图中各个路段无拓扑关系下的实际推演接续问题。
93.第二实施例
94.如图4所示，本发明实施例提供一种轨迹检测装置400，包括：
95.获取模块401，在检测到目标对象的位置发生丢失的情况下，获取所述目标对象在位置丢失前的历史位置坐标和行驶状态；
96.预测模块402，用于根据地图中的车道边线特征、所述位置丢失前的历史位置坐标和行驶状态，预测所述目标对象在位置丢失时段内的轨迹。
97.可选地，预测模块402，包括：
98.第一预测子模块，用于根据所述地图中的车道边线特征、所述位置丢失前的历史位置坐标和行驶状态，确定第1个预测位置和所述第1个预测位置对应的行驶状态；
99.第二预测子模块，用于根据所述目标对象的第n个预测位置和所述第n个预测位置对应的行驶状态，确定所述目标对象的第n+1个预测位置和所述第n+1个预测位置对应的行驶状态；n≥1且为正整数；
100.第三预测子模块，用于将第1个预测位置至第n个预测位置依次相连接，生成所述目标对象的预测轨迹。
101.可选地，第一预测子模块包括：
102.第一预测单元，用于根据所述位置丢失前的历史位置坐标和行驶状态，生成第1个预估位置；
103.第二预测单元，用于根据所述第1个预估位置和所述车道边线特征，确定所述目标对象所在的目标车道；
104.第三预测单元，用于根据所述目标车道的所述车道边线特征，确定所述目标车道的车道中线的坐标点集合；
105.第四预测单元，用于根据所述第1个预估位置和所述坐标点集合，确定所述第1个预测位置和所述第1个预测位置对应的行驶状态。
106.可选地，第二预测子模块，包括：
107.第五预测单元，用于根据所述目标对象的第n个预测位置和所述第n个预测位置对应的行驶状态，生成第n+1个预估位置；
108.第六预测单元，用于根据所述第n+1个预估位置和所述车道边线特征，确定所述目标对象所在的目标车道；
109.第七预测单元，用于根据所述目标车道的所述车道边线特征，确定所述目标车道的车道中线的坐标点集合；
110.第八预测单元，用于根据所述第n+1个预估位置和所述坐标点集合，确定所述第n+1个预测位置和所述第n+1个预测位置对应的行驶状态。
111.可选地，第八预测单元具体用于：
112.从所述坐标点集合中，确定与所述第n+1个预估位置最近的目标坐标点；
113.根据所述目标坐标点和所述第n+1个预估位置，预测所述第n+1个预测位置和所述第n+1个预测位置对应的行驶状态。
114.可选地，第八预测单元在根据所述目标坐标点和所述第n+1个预估位置，预测所述第n+1个预测位置和所述第n+1个预测位置对应的行驶状态时，具体用于：
115.将所述目标坐标点作为测量值，将第n+1个预估位置作为预测值，利用线性卡尔曼滤波算法，预测所述目标对象的所述第n+1个预测位置和所述第n+1个预测位置对应的行驶状态。
116.可选地，所述行驶状态包括：行驶速度和航向角。
117.本发明的第二实施例是与上述第一实施例的方法对应的，上述第一实施例中的所有实现手段均适用于该轨迹预测装置的实施例中，也能达到相同的技术效果。
118.第三实施例
119.为了更好的实现上述目的，如图5所示，本发明的第四实施例还提供了一种车联网设备，包括：
120.处理器500；以及通过总线接口与所述处理器500相连接的存储器520，所述存储器520用于存储所述处理器500在执行操作时所使用的程序和数据，处理器500调用并执行所述存储器1120中所存储的程序和数据。
121.其中，收发机510与总线接口连接，用于在处理器500的控制下接收和发送数据；处理器500用于读取存储器520中的程序实现如下步骤：
122.在检测到目标对象的位置发生丢失的情况下，获取所述目标对象在位置丢失前的历史位置坐标和行驶状态；
123.根据地图中的车道边线特征、所述位置丢失前的历史位置坐标和行驶状态，预测所述目标对象在位置丢失时段内的轨迹。
124.其中，在图5中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器500代表的一个或多个处理器和存储器520代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机510可以是多个元件，即包括发送机和收发机，提供用于在传输介质上与各种其他装置通信的单元。针对不同的终端，用户接口530还可以是能够外接内接需要设备的接口，连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。处理器500负责管理总线架构和通常的处理，存储器520可以存储处理器500在执行操作时所使用的数据。
125.可选的，处理器500具体用于读取存储器520中的程序实现如下步骤：
126.根据所述地图中的车道边线特征、所述位置丢失前的历史位置坐标和行驶状态，确定第1个预测位置和所述第1个预测位置对应的行驶状态；
127.根据所述目标对象的第n个预测位置和所述第n个预测位置对应的行驶状态，确定所述目标对象的第n+1个预测位置和所述第n+1个预测位置对应的行驶状态；n≥1且为正整数；
128.将第1个预测位置至第n个预测位置依次相连接，生成所述目标对象的预测轨迹。
129.可选的，处理器500具体用于读取存储器520中的程序实现如下步骤：
130.根据所述位置丢失前的历史位置坐标和行驶状态，生成第1个预估位置；
131.根据所述第1个预估位置和所述车道边线特征，确定所述目标对象所在的目标车道；
132.根据所述目标车道的所述车道边线特征，确定所述目标车道的车道中线的坐标点集合；
133.根据所述第1个预估位置和所述坐标点集合，确定所述第1个预测位置和所述第1个预测位置对应的行驶状态。
134.可选的，处理器500具体用于读取存储器520中的程序实现如下步骤：
135.根据所述目标对象的第n个预测位置和所述第n个预测位置对应的行驶状态，生成第n+1个预估位置；
136.根据所述第n+1个预估位置和所述车道边线特征，确定所述目标对象所在的目标车道；
137.根据所述目标车道的所述车道边线特征，确定所述目标车道的车道中线的坐标点集合；
138.根据所述第n+1个预估位置和所述坐标点集合，确定所述第n+1个预测位置和所述第n+1个预测位置对应的行驶状态。
139.可选的，处理器500具体用于读取存储器520中的程序实现如下步骤：
140.从所述坐标点集合中，确定与所述第n+1个预估位置最近的目标坐标点；
141.根据所述目标坐标点和所述第n+1个预估位置，预测所述第n+1个预测位置和所述第n+1个预测位置对应的行驶状态。
142.可选的，处理器500具体用于读取存储器520中的程序实现如下步骤：
143.将所述目标坐标点作为测量值，将第n+1个预估位置作为预测值，利用线性卡尔曼滤波算法，预测所述目标对象的所述第n+1个预测位置和所述第n+1个预测位置对应的行驶状态。
144.可选地，所述行驶状态包括：行驶速度和航向角。
145.本发明提供的车联网设备，在检测到目标对象的位置发生丢失的情况下，获取所述目标对象在位置丢失前的历史位置坐标和行驶状态；利用地图中的车道边线特征、位置丢失前的历史位置坐标和行驶状态，即可实现预测目标对象在位置丢失时段内的轨迹。
146.本领域技术人员可以理解，实现上述实施例的全部或者部分步骤可以通过硬件来完成，也可以通过计算机程序来指示相关的硬件来完成，所述计算机程序包括执行上述方法的部分或者全部步骤的指令；且该计算机程序可以存储于一可读存储介质中，存储介质可以是任何形式的存储介质。
147.另外，本发明具体实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的第一实施例中的方法的步骤。且能达到相同的技术效果，为避免重复，这里不再赘述。
148.此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本
发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
149.因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
150.以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种轨迹预测方法，其特征在于，包括：在检测到目标对象的位置发生丢失的情况下，获取所述目标对象在位置丢失前的历史位置坐标和行驶状态；根据地图中的车道边线特征、所述位置丢失前的历史位置坐标和行驶状态，预测所述目标对象在位置丢失时段内的轨迹。2.根据权利要求1所述的轨迹预测方法，其特征在于，根据地图中的车道边线特征、所述位置丢失前的历史位置坐标和行驶状态，预测所述目标对象的轨迹，包括：根据所述地图中的车道边线特征、所述位置丢失前的历史位置坐标和行驶状态，确定第1个预测位置和所述第1个预测位置对应的行驶状态；根据所述目标对象的第n个预测位置和所述第n个预测位置对应的行驶状态，确定所述目标对象的第n+1个预测位置和所述第n+1个预测位置对应的行驶状态；n≥1且为正整数；将第1个预测位置至第n个预测位置依次相连接，生成所述目标对象的预测轨迹。3.根据权利要求2所述的轨迹预测方法，其特征在于，所述根据所述地图中的车道边线特征、所述位置丢失前的历史位置坐标和行驶状态，确定第1个预测位置和所述第1个预测位置对应的行驶状态，包括：根据所述位置丢失前的历史位置坐标和行驶状态，生成第1个预估位置；根据所述第1个预估位置和所述车道边线特征，确定所述目标对象所在的目标车道；根据所述目标车道的所述车道边线特征，确定所述目标车道的车道中线的坐标点集合；根据所述第1个预估位置和所述坐标点集合，确定所述第1个预测位置和所述第1个预测位置对应的行驶状态。4.根据权利要求2所述的轨迹预测方法，其特征在于，所述根据所述目标对象的第n个预测位置和所述第n个预测位置对应的行驶状态，确定所述目标对象的第n+1个预测位置和所述第n+1个预测位置对应的行驶状态，包括:根据所述目标对象的第n个预测位置和所述第n个预测位置对应的行驶状态，生成第n+1个预估位置；根据所述第n+1个预估位置和所述车道边线特征，确定所述目标对象所在的目标车道；根据所述目标车道的所述车道边线特征，确定所述目标车道的车道中线的坐标点集合；根据所述第n+1个预估位置和所述坐标点集合，确定所述第n+1个预测位置和所述第n+1个预测位置对应的行驶状态。5.根据权利要求4所述的轨迹预测方法，其特征在于，所述根据所述第n+1个预估位置和所述坐标点集合，确定所述第n+1个预测位置和所述第n+1个预测位置对应的行驶状态，包括：从所述坐标点集合中，确定与所述第n+1个预估位置最近的目标坐标点；根据所述目标坐标点和所述第n+1个预估位置，预测所述第n+1个预测位置和所述第n+1个预测位置对应的行驶状态。6.根据权利要求5所述的轨迹预测方法，其特征在于，所述根据所述目标坐标点和所述第n+1个预估位置，预测所述第n+1个预测位置和所述第n+1个预测位置对应的行驶状态，包
括：将所述目标坐标点作为测量值，将第n+1个预估位置作为预测值，利用线性卡尔曼滤波算法，预测所述目标对象的所述第n+1个预测位置和所述第n+1个预测位置对应的行驶状态。7.根据权利要求1至6任一项所述的轨迹预测方法，其特征在于，所述行驶状态包括：行驶速度和航向角。8.一种车联网设备，包括：收发机、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述轨迹预测方法的步骤。9.一种轨迹预测装置，其特征在于，包括：获取模块，用于在检测到目标对象的位置发生丢失的情况下，获取所述目标对象在位置丢失前的历史位置坐标和行驶状态；预测模块，用于根据地图中的车道边线特征、所述位置丢失前的历史位置坐标和行驶状态，预测所述目标对象在位置丢失时段内的轨迹。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7中任一项所述轨迹预测方法的步骤。

技术总结
本发明提供了一种轨迹预测方法、装置及车联网设备。方法包括：在检测到目标对象的位置发生丢失的情况下，获取所述目标对象在位置丢失前的历史位置坐标和行驶状态；根据地图中的车道边线特征、所述位置丢失前的历史位置坐标和行驶状态，预测所述目标对象在位置丢失时段内的轨迹。本发明能够利用无拓扑关系的shapefile高精地图进行轨迹预测。shapefile高精地图进行轨迹预测。shapefile高精地图进行轨迹预测。


技术研发人员：许文龙
受保护的技术使用者：中信科智联科技有限公司
技术研发日：2022.12.30
技术公布日：2023/6/26