一种交通参与者运行轨迹时空分布包络的预测计算方法

1.本公开属于车辆工程领域，特别涉及一种交通参与者运行轨迹时空分布包络的预测计算方法。


背景技术：

2.交通参与者未来轨迹预测是根据如行人、非机动车和机动车等交通参与者的当前和历史运行轨迹和环境信息，对所述交通参与者的未来轨迹进行预测计算，用于支持自动驾驶决策和规划系统设计安全的行驶轨迹，避免与交通参与者发生碰撞。
3.目前，交通参与者的轨迹预测方法主要采用学习型方法，建立深度神经网络的编码-解码结构，利用编码器网络将交通参与者历史轨迹、道路拓扑等输入信息编码为隐状态，而后利用解码器网络将隐状态解码为包含概率的多模态预测轨迹坐标信息。该类方法一般以轨迹预测值和真值之间的误差为指标，通过梯度下降方式获得预测神经网络模型。然而，该类方法存在三个问题：一是多模态轨迹预测无法直接融入下游的自动驾驶决策与规划模块，一般采用作为约束对采样轨迹进行后筛选，影响规划轨迹的最优性；二是轨迹预测无法达到完全精准，采取轨迹坐标形式的预测结果损失了车辆运行的时空分布不确定性，难以严格保证规划轨迹的安全性；三是由于数据集的道路结构和交通参与者行为异构特性，跨数据集的轨迹预测模型需要重新训练，无法直接部署应用。
4.实际上，开展交通参与者轨迹预测工作的根本意义在于解析交通参与者未来的时空占位，通过约束自动驾驶车辆决策规划的轨迹在对应时空位置不与之产生交叠，从而保证运行安全。从这个角度来讲，较之轨迹坐标形式，对交通参与者运行轨迹的时空分布包络预测更具意义；并且时空分布包络能够将多模态轨迹降维至单模态，可直接用于自动驾驶车辆的决策和规划算法中。此外，针对轨迹时空分布包络的预测不要求高精度确定性轨迹坐标，而道路地图存在确定的拓扑连接关系，交通参与者一般倾向于靠近车道中心线运行，因此可利用此特征开展规则式预测方法，从而提高预测模型的泛化能力、计算速度和部署便捷性。


技术实现要素：

5.本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
6.为此，本公开实施提供的一种交通参与者运行轨迹时空分布包络的预测计算方法，以交通参与者运行轨迹的时空分布包络预测计算为目标，利用历史轨迹信息和道路地图拓扑信息，采用规则式的方法进行估计，从而支撑面向安全性能提升的驾驶辅助设备研发以及自动驾驶决策与规划控制策略优化设计。
7.为实现上述目的，本公开采取以下技术方案：
8.本公开提供的一种交通参与者运行轨迹时空分布包络的预测计算方法，包括：
9.s1，筛选可行运行路径：通过对比待预测交通参与者的历史轨迹信息和地图道路中心线信息，从所示地图道路中心线信息中筛选获得所有可行道路中心线及其后续车道中
心线，拼接具有拓扑关系的中心线形成可行运行路径集合；
10.s2，计算纵横向不确定性参数：利用从待预测交通参与者的历史轨迹信息中提取的运行状态特征，以及筛选获得的所述可行运行路径集合，针对每条可行运行路径，分别计算其纵向和横向不确定性参数；
11.s3，确定预测终点状态：利用从待预测交通参与者的历史轨迹信息中提取的运行状态特征、纵向不确定性参数以及每条可行运行路径，计算待预测交通参与者的预测轨迹终点的运行状态，包括坐标、速度和朝向角；
12.s4，拟合待预测交通参与者的运行轨迹：拟合计算待预测交通参与者在预测时域内的运行轨迹并输出预测时域内各个时刻的运行状态；
13.s5，计算预测轨迹的时空分布包络：利用每条可行运行路径的横向和纵向不确定性参数，采用几何形状描绘待预测交通参与者在预测时域内的运行轨迹的不确定性包络，得到预测轨迹的时空分布包络。
14.在一些实施例中，s1具体包括：
15.s11，对待预测交通参与者的历史轨迹信息进行预处理，包括去噪和提取待预测交通参与者的运行状态特征，所述运行状态特征包括待预测交通参与者的历史轨迹的平均速度、运行方向和横纵向加速度；
16.s12，利用预处理后的所述历史轨迹信息，筛选距离当前时刻待预测交通参与者的历史轨迹最近的车道中心线作为候选车道中心线；
17.s13，遍历所述候选车道中心线，利用地图拓扑信息获取其后续车道中心线，直至最远距离超过设定的距离阈值l；
18.s14，按照连接关系拼接车道中心线信息并去重，获得可行运行路径，以此构成可行运行路径集合。
19.在一些实施例中，s13中，采用深度优先或广度优先的搜索算法遍历所述候选车道中心线。
20.在一些实施例中，所述待预测交通参与者的历史轨迹信息包括待预测交通参与者在历史时域内的纵向和横向坐标、速度以及朝向角。
21.在一些实施例中，所述地图道路中心线信息包括各条车道中心线的编号，各条车道中心线的后续车道中心线的编号，各条车道中心线的纵向和横向坐标向量，各条车道内的信号灯状态，以及车道是否通过交叉口的标记。
22.在一些实施例中，s2中，每条可行运行路径的纵向不确定性参数包括预期纵向加速度和终点纵向距离偏差，按照下式计算得到：
[0023][0024][0025]
其中，为第l条可行运行路径的预期纵向加速度，为各条可行运行路径的终点纵向距离偏差，和分别为根据待预测交通参与者的历史轨迹信息得到的纵向加速度和平均速度，为第l条可行运行路径的信号灯状态，为第l条可行运行路径是否通过交叉路口的标记，α
px
、＝
px
、γ
px
分别为第一、第二、第三影响系数。
[0026]
在一些实施例中，s2中，每条可行运行路径的横向不确定性参数包括预期横向加
速度和终点横向距离偏差，按照下式计算得到：
[0027][0028][0029]
其中，和分别为各条可行运行路径的预期横向加速度和终点横向距离偏差，和分别为根据待预测交通参与者的历史轨迹信息得到的横向加速度和平均速度，＝
py
为终点横向固定偏差，α
py
、γ
py
、δ
py
分别为第四、第五、第六影响系数。
[0030]
在一些实施例中，s3具体包括：
[0031]
s31，确定曲率调整参数：针对每条可行运行路径，基于各条可行运行路径的转弯曲率ρ
l
、转弯方向θ
l
和两侧冲突对象数量比τ
l
综合确定各条预测轨迹的曲率调整参数计算公式分别如下：
[0032][0033][0034][0035][0036]
其中，和分别为第l条可行运行路径的起点和终点朝向角；和分别为第l条可行运行路径起点的纵向和横向坐标，和分别为第l条可行运行路径终点的纵向和横向坐标，且规定：若θ
l
》0，则为左转，若θ
l
＜0，则为右转，若θ
l
＝0，则为直行；和分别为第l条可行运行路径左侧、右侧存在横向冲突的交通参与者的数量；α
ρ
和β
θ
分别为第七、第八影响系数，sgn为正负号函数；为各条可行运行路径的预期横向加速度。
[0037]
s32，计算预测时域内的纵向运行距离：基于各预测轨迹的曲率调整参数采用牛顿运动学分别计算各预测轨迹在预测时域内的纵向运动距离
[0038]
s33，分别针对每条可行运行路径上的坐标点进行插值，搜索距离当前时刻待预测交通参与者的坐标最近的路径坐标点；
[0039]
s34，沿路径方向求取预测终点的状态：从最近的路径坐标点开始，沿对应的可行运行路径方向，搜索预测距离处的终点路径坐标、速度和朝向角，共同构成待预测交通参与者的预测轨迹终点的状态。
[0040]
在一些实施例中，s4中，采用三次曲线拟合计算待预测交通参与者在预测时域内的运行轨迹，考虑起终点约束，解得三次曲线参数如下：
[0041][0042]
其中，a0为三次曲线的常数项，a1、a2和a3为三次曲线的各项系数；v
t
为t时刻世界坐
标系下待预测交通参与者的速度，v
t
为t+t时刻世界坐标系下待预测交通参与者的速度，t为预测时域的时长；p
t
为t时刻世界坐标系下待预测交通参与者的坐标，p
t
为t+t时刻待预测交通参与者的。
[0043]
在一些实施例中，s5具体包括：
[0044]
针对每条可行运行路径，根据各可行运行路径的终点纵向距离偏差，采用几何形状的包络形式，并通过线性或非线性方法反推相应可行运行路径上各个预测时刻的纵向包络参数，得到预测轨迹的时空分布包络。
[0045]
本公开的特点及有益效果：
[0046]
本公开提供的一种交通参与者运行轨迹时空分布包络的预测计算方法，其特点在于采用规则式推导计算方法，充分利用道路地图拓扑关系信息，显式地对交通参与者轨迹的时空分布包络进行预测计算。与现有轨迹预测方法相比，将坐标型预测拓展为时空分布包络预测，能够直接融入自动驾驶决控算法研发；此外，规则显式求解也提升了其在异构道路交通场景下的快速计算和便捷部署能力，能够为复杂环境下驾驶安全辅助或自动驾驶决策控制提供支撑。
附图说明
[0047]
图1是本公开第一方面实施例提供的交通参与者运行轨迹时空分布包络的预测计算方法的整体流程图。
[0048]
图2是用于说明本公开第一方面实施案例的场景示意图。
[0049]
图3是本公开第三方面实施例提供的电子设备的结构示意图。
具体实施方式：
[0050]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细描述。应当理解，此处所描述的具体实施例仅仅用于解释本技术，并不用于限定本技术。
[0051]
相反，本技术涵盖任何由权利要求定义的在本技术精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本技术有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本技术。
[0052]
如图1所示，本公开第一方面实施例提供的交通参与者运行轨迹时空分布包络的预测计算方法，包括以下步骤：
[0053]
s1，筛选可行运行路径：通过对比待预测交通参与者的历史轨迹信息和地图道路中心线信息，从地图道路中心线信息中筛选获得所有可行道路中心线及其后续车道中心线，拼接具有拓扑关系的中心线形成可行运行路径集合f；
[0054]
s2，计算纵横向不确定性参数：利用从待预测交通参与者的历史轨迹信息中提取的运行状态特征，以及筛选获得的可行运行路径集合f，针对每条可行运行路径，分别计算其纵向和横向不确定性参数；
[0055]
s3，确定预测终点状态：利用从待预测交通参与者的历史轨迹信息中提取的运行状态特征、纵向不确定性参数以及每条可行运行路径，计算待预测交通参与者的预测轨迹
终点的运行状态，包括坐标、速度、朝向角等；
[0056]
s4，拟合待预测交通参与者的运行轨迹：采用多项式函数，拟合计算待预测交通参与者在预测时域内的运行轨迹并输出预测时域内各个时刻的运行状态；
[0057]
s5，计算预测轨迹时空分布包络：利用每条可行运行路径的横向和纵向不确定性参数，采用几何形状描绘待预测交通参与者在预测时域内的运行轨迹的不确定性包络。
[0058]
在一些实施例中，在t时刻对交通参与者轨的时空分布包络进行预测时，需要获取的已知信息包括：交通参与者的历史轨迹信息和地图道路中心线信息c＝{cj}，其中，为编号为i的交通参与者在历史时域[t-n，t]内的轨迹信息，x，y分别为交通参与者的纵向和横向坐标，v为交通参与者的速度，φ为交通参与者的朝向角，n为已知历史轨迹时域，i为场景中交通参与者的编号，设待预测交通参与者的编号i＝0；cj为地图中编号为j的车道中心线信息，分别为车道中心线的纵向和横向坐标向量，j
next
为第j条车道中心线的后续车道的编号，i
signal
为车道的信号灯是否为红灯的标记，当i
signal
＝0时，表示为非红灯，当i
signal
＝1时，表示为红灯，i
inter
为路径是否处于交叉口内的标记，当i
inter
＝0时，表示未处于交叉口内，当i
inter
＝1时，表示处于交叉口内。针对图2所示十字交叉路口的场景示例，包含有待预测的交通参与者(i＝0)，以及一辆其他机动车(i＝1)、一名行人(i＝2)和一名骑行者(i＝3)；以及车道中心线信息{c0，c1，c2，c3，c4，...}。预测目标为未来时域[t，t+t]内各时刻的预测轨迹状态及对应的时空分布包络其中，为编号为k的可行运行路径的预测结果，为编号为k的可行运行路径的预测结果的时空分布包络。
[0059]
在一些实施例中，步骤s1具体包括：
[0060]
s11，对待预测交通参与者的历史轨迹信息进行预处理，包括去噪和提取待预测交通参与者的运行状态特征等；
[0061]
s12，利用预处理后的历史轨迹信息，根据轨迹距离和车道中心线之间的距离，筛选当前时刻待预测交通参与者可能所处的车道中心线，即选择距离待预测交通参与者的历史轨迹最近的车道中心线；
[0062]
s13，遍历所筛选的可能所处的车道中心线，利用地图拓扑信息获取其后续车道中心线，直至最远距离超过设定的距离阈值l；
[0063]
s14，按照连接关系拼接车道中心线信息并去重，获得可行运行路径，以此构成可行运行路径集合f。
[0064]
进一步地，步骤s11中，历史轨迹信息数据预处理主要包括去噪，以及提取平均速度、历史轨迹的运行方向和横纵向加速度等运行状态特征。在本实施例中，首先采用式(1)所示的窗口滑动平均方法对原始的交通参与者的历史轨迹信息q(以向量形式表示)进行数据去噪，得到去噪后的历史轨迹信息(以向量形式表示)；随后采用式(2)～(5)分别提取去噪后的历史轨迹的运行方向平均速度横向加速度和纵向加速度
[0065]
[0066][0067][0068][0069][0070]
其中，nw为平滑窗口的大小，tz为平滑窗口的中心时刻，iw为平滑窗口中的第iw个时刻；和分别为去噪处理后t-n时刻交通参与者的纵向和横向坐标，和分别为去噪处理后t时刻交通参与者的纵向和横向坐标，为去噪处理后交通参与者在历史时域[t-n，t]内各时刻的速度，和分别为去噪处理后交通参与者在t-n和t时刻的速度，δt为对历史轨迹点进行采集时所用的时间间距。
[0071]
进一步地，步骤s12中，通过对比历史轨迹的坐标位置、运行方向与地图拓扑信息中的车道中心线信息，分段筛选出历史轨迹可能所处的车道中心线信息。在本实施例中，考虑历史时域[t-n，t-n+m]以及历史时域[t-m，t]内各时刻的历史轨迹坐标，采用遍历方式寻找距离t-n+m和t时刻坐标点最近且同向的车道中心线集合，记为n+m和t时刻坐标点最近且同向的车道中心线集合，记为和分别为利用历史时域[t-n，t-n+m]以及历史时域[t-m，t]内各时刻的轨迹坐标获得的最近车道中心线集合，其中，m为考虑轨迹数据噪声条件下，可稳定确定车辆运行方向的时间步长。针对图2所示场景，选择m＝5，筛选获得c
adj
＝{{c0，c5}，{c1，c3}}。
[0072]
进一步地，步骤s13中，采用深度优先或广度优先搜索算法，从最近车道中心线集合c
adj
出发，获取道路拓扑数据中后续所有车道中心线的信息，直至深度优先搜索或广度优先搜索算法中路径总长度大于阈值lc，形成车道中心线集合c
alt
。在本实施例中，采用深度优先搜索算法，长度阈值设置为lc＝100m，针对图2所示场景，搜索到的车道中心线集合c
alt
＝{c0，c1，c2，...c7}。
[0073]
进一步地，步骤s14中，根据拓扑连接关系，将对应的车道中心线信息进行拼接，形成路径集合，而后取各段历史轨迹对应路径集合的交集，获得可行运行路径集合f。在本实施例中，对车道中心线集合c
alt
内有拓扑连接关系的车道中心线进行拼接，得到候选路径集合f
t
‑‑
n：t-n+5
＝{{c0，c1，c2}，{c0，c3，c4}，{c5，c6}，{c5，c7}}和f
t-5：t
＝{{c1，c2}，{c3，c4}}；而后，取t-n至t-n+5时刻以及t-5至t时刻候选路径集合的交集，获得可行运行路径集合f＝f
t-n：t-n+5
∩f
t-5：t
＝{{c1，c2}，{c3，c4}}＝{f1，f2}，其中l为筛选获得的可行运行路径的编号；可选路径上和的取值可通过对应车道中心线的和的取值进行布尔计算获得。
[0074]
在一些实施例中，步骤s2具体包括：
[0075]
s21，计算纵向不确定性参数：考虑历史轨迹的纵向加速度、可选路径上是否通过交叉路口、信号灯状态等因素，针对各条可行运行路径计算预期纵向加速度、终点纵向距离偏差等纵向不确定性参数。在本实施例中，将第l条可行运行路径的预期纵向加速度定义为
将第各条可行运行路径的终点纵向距离偏差定义为各条可行运行路径的终点纵向距离偏差均相等，是与历史轨迹平均速度相关的函数，计算公式分别如下：
[0076][0077][0078]
其中，α
px
和β
px
分别为第一、第二影响系数，取值0.1、0.2；γ
px
为第三影响系数，取值0.2。
[0079]
s22，计算横向不确定性参数：考虑历史轨迹的速度、横向加速度等因素，针对各条可行运行路径计算其预期横向加速度、终点横向距离偏差等横向不确定性参数。在本实施例中，将各条可行运行路径的预期横向加速度定义为各条可行运行路径的预期横向加速度均相等，是与历史轨迹横向加速度相关的函数，将各条可行运行路径的终点横向距离偏差定义为各条可行运行路径的终点横向距离偏差均相等，是与历史轨迹平均速度和横向加速度相关的函数，计算公式分别如下：
[0080][0081][0082]
其中，α
py
为第四影响系数，取值0.7；β
py
为终点横向固定偏差，可取1m，γ
py
和δ
py
分别为第五、第六影响系数，取值0.01和0.1。
[0083]
在一些实施例中，步骤s3具体包括：
[0084]
s31，确定曲率调整参数：考虑驾驶员倾向于沿着弯道内侧行驶，针对每条可行运行路径，计算各条可行运行路径的转弯曲率ρ
l
、转弯方向θ
l
、两侧冲突对象数量比τ
l
等，从而确定各条预测轨迹的曲率调整参数在本实施例中，路径的转弯曲率ρ
l
采用路径起终点朝向角差值近似表征，转弯方向θ
l
采用起点朝向向量和起终点连线朝向向量外积计算得到，两侧冲突对象数量比τ
l
通过筛选路径左右两侧横向冲突交通参与者的数量计算得到，预测轨迹的曲率调整参数通过综合考虑ρ
l
、θ
l
和τ
l
计算得到，计算公式分别如下：
[0085][0086][0087][0088][0089]
其中，和分别为第l条可行运行路径的起点和终点朝向角；和分别为第l条可行运行路径起点的纵向和横向坐标，和分别为第l条可行运行路径终点的纵向和横向坐标，且规定：若θ
l
》0，则为左转，若θ
l
＜0，则为右转，若θ
l
＝0，则为直行；和分别为第l条可行运行路径左侧、右侧存在横向冲突的交通参与者的数量；α
ρ
和β
θ
分别为第七、第八影响系数，分别取值0.2和0.1，sgn为正负号函数。
[0090]
s32，计算预测时域内的纵向运行距离：基于各预测轨迹的曲率调整参数采用牛顿运动学分别计算各预测轨迹的纵向运动距离在本实施例中，采用匀加速运动模型
和预测轨迹的曲率调整参数共同作用的方式对预测轨迹的纵向运动距离进行计算，公式如下：
[0091][0092]
s33，针对每条可行运行路径进行插值，求取当前时刻待预测交通参与者在路径的映射点：分别针对每条可行运行路径上的坐标点进行插值，搜索距离t时刻待预测交通参与者坐标最近的路径坐标点，以此作为当前时刻待预测交通参与者在路径的映射点。在本实施例中，取插值间隔δd＝0.1m对可行路径进行插值，而后遍历插值点寻找距离t时刻坐标(x
t
，y
t
)最近的路径坐标点
[0093]
s34，沿路径方向求取预测终点的状态信息：从最近的路径坐标点开始，沿对应的可行运行路径方向，搜索预测距离处的终点路径坐标及其他状态信息。在本实施例中，采用遍历方式，迭代计算各个路径坐标点距离最近坐标点距离中，采用遍历方式，迭代计算各个路径坐标点距离最近坐标点距离其中z为路径上坐标点编号，直到满足条件l
cum
≥l
p
时，对应的坐标点视为预测终点坐标，采用如下公式计算该点处的运行状态
[0094][0095]
在一些实施例中，步骤s4具体包括：
[0096]
由于三次曲线能够与运动学规律相关联，并且可以利用预测轨迹的起终点状态进行显式求解，因此采用三次曲线拟合。拟合函数：考虑起终点约束，可解得三次曲线参数：
[0097][0098]
其中，a0为三次曲线的常数项，a1、a2和a3为三次曲线的各项系数；v
t
＝[v
x
，vy]
t
为t时刻世界坐标系下待预测交通参与者的速度向量，v
t
＝[v
x
，vy]
t
为t+t时刻世界坐标系下待预测交通参与者的速度向量，v
x
和vy分别为横纵方向的分速度；p
t
为t时刻世界坐标系下待预测交通参与者的坐标向量，取p
t
＝[x，y]
t
，p
t
为t+t时刻待预测交通参与者的坐标向量，取p
t
＝[x，y]
t
，x和y分别横纵方向的分坐标；(
·
)表示对时间的一次导数。据此，进一步计算预测轨迹上各点的朝向角φ，最终获得预测时域内各个时刻的预测轨迹状态测轨迹上各点的朝向角φ，最终获得预测时域内各个时刻的预测轨迹状态为第k条可行运行路径的预测结果，
[0099]
在一些实施例中，步骤s5具体包括：
[0100]
根据各可行运行路径的终点纵向距离偏差采用圆形、椭圆、矩形或者其他几何形状的包络形式，通过线性或非线性方法反推各个预测时刻纵向包络参数。包络形式根据轨迹预测后续处理方式进行选择，其中，若进行距离计算，选择圆形较为简便，若进行概率计算，选择椭圆较为合适，若考虑准确性和计算简便性，使用矩形较为合适。在本实施例
中，采用矩形包络形式，即以预测轨迹坐标为矩形中心点、朝向角为矩形朝向，采用线性方式进行反推，获得各个预测轨迹坐标点处时空分布包络矩形长度为宽度为其中，m
p
∈[1，t/δt]为从t时刻起始的预测时步，由此获得各条可行运行路径下，预测轨迹的时空分布包络为第k条可行运行路径的预测结果的时空分布包络。
[0101]
本公开第二方面实施例提供的交通参与者运行轨迹时空分布包络的预测计算装置，包括：
[0102]
第一模块，被配置为通过对比待预测交通参与者的历史轨迹信息和地图道路中心线信息，从所示地图道路中心线信息中筛选获得所有可行道路中心线及其后续车道中心线，拼接具有拓扑关系的中心线形成可行运行路径集合；
[0103]
第二模块，被配置为利用从待预测交通参与者的历史轨迹信息中提取的运行状态特征，以及筛选获得的所述可行运行路径集合，针对每条可行运行路径，分别计算其纵向和横向不确定性参数；
[0104]
第三模块，被配置为利用从待预测交通参与者的历史轨迹信息中提取的运行状态特征、纵向不确定性参数以及每条可行运行路径，计算待预测交通参与者的预测轨迹终点的运行状态，包括坐标、速度和朝向角；
[0105]
第四模块，被配置为拟合计算待预测交通参与者在预测时域内的运行轨迹并输出预测时域内各个时刻的运行状态；
[0106]
第五模块，被配置为利用每条可行运行路径的横向和纵向不确定性参数，采用几何形状描绘待预测交通参与者在预测时域内的运行轨迹的不确定性包络，得到预测轨迹的时空分布包络。
[0107]
为了实现上述实施例，本公开实施例还提出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，用于执行上述实施例的自动驾驶汽车行驶风险模型的参数标定方法。
[0108]
下面参考图3，其示出了适于用来实现本公开实施例的电子设备的结构示意图。其中，需要说明的是，本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机、服务器等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0109]
如图3所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)101，其可以根据存储在只读存储器(rom)102中的程序或者从存储装置108加载到随机访问存储器(ram)103中的程序而执行各种适当的动作和处理。在ram103中，还存储有电子设备操作所需的各种程序和数据。处理装置101、rom102以及ram103通过总线104彼此相连。输入/输出(i/o)接口105也连接至总线104。
[0110]
通常，以下装置可以连接至i/o接口105：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风等的输入装置106；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置107；包括例如磁带、硬盘等的存储装置108；以及通信装置109。通信装置109可以允许电子
设备与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
[0111]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图中所示方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置109从网络上被下载和安装，或者从存储装置108被安装，或者从rom102被安装。在该计算机程序被处理装置101执行时，执行本公开实施例的方法中限定的上述功能。
[0112]
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0113]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
[0114]
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：通过对比待预测交通参与者的历史轨迹信息和地图道路中心线信息，从所示地图道路中心线信息中筛选获得所有可行道路中心线及其后续车道中心线，拼接具有拓扑关系的中心线形成可行运行路径集合；利用从待预测交通参与者的历史轨迹信息中提取的运行状态特征，以及筛选获得的所述可行运行路径集合，针对每条可行运行路径，分别计算其纵向和横向不确定性参数；利用从待预测交通参与者的历史轨迹信息中提取的运行状态特征、纵向不确定性参数以及每条可行运行路径，计算待预测交通参与者的预测轨迹终点的运行状态，包括坐标、速度和朝向角；拟合计算待预测交通参与者在预测时域内的运行轨迹并输出预测时域内各个时刻的运行状态；利用每条可行运行路径的横向和纵向不确定性参数，采用几何形状描绘待预测交通参与者在预测时域内的运行轨迹的不确定性包络，得到预测轨迹的时空分布包络。
[0115]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c+
+、python，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0116]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0117]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0118]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0119]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
[0120]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场
可编程门阵列(fpga)等。
[0121]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤，可以通过程序来指令相关的硬件完成，所开发的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0122]
此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0123]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种交通参与者运行轨迹时空分布包络的预测计算方法，其特征在于，包括：s1，筛选可行运行路径：通过对比待预测交通参与者的历史轨迹信息和地图道路中心线信息，从所示地图道路中心线信息中筛选获得所有可行道路中心线及其后续车道中心线，拼接具有拓扑关系的中心线形成可行运行路径集合；s2，计算纵横向不确定性参数：利用从待预测交通参与者的历史轨迹信息中提取的运行状态特征，以及筛选获得的所述可行运行路径集合，针对每条可行运行路径，分别计算其纵向和横向不确定性参数；s3，确定预测终点状态：利用从待预测交通参与者的历史轨迹信息中提取的运行状态特征、纵向不确定性参数以及每条可行运行路径，计算待预测交通参与者的预测轨迹终点的运行状态，包括坐标、速度和朝向角；s4，拟合待预测交通参与者的运行轨迹：拟合计算待预测交通参与者在预测时域内的运行轨迹并输出预测时域内各个时刻的运行状态；s5，计算预测轨迹的时空分布包络：利用每条可行运行路径的横向和纵向不确定性参数，采用几何形状描绘待预测交通参与者在预测时域内的运行轨迹的不确定性包络，得到预测轨迹的时空分布包络。2.根据权利要求1所述的预测计算方法，其特征在于，s1具体包括：s11，对待预测交通参与者的历史轨迹信息进行预处理，包括去噪和提取待预测交通参与者的运行状态特征，所述运行状态特征包括待预测交通参与者的历史轨迹的平均速度、运行方向和横纵向加速度；s12，利用预处理后的所述历史轨迹信息，筛选距离当前时刻待预测交通参与者的历史轨迹最近的车道中心线作为候选车道中心线；s13，遍历所述候选车道中心线，利用地图拓扑信息获取其后续车道中心线，直至最远距离超过设定的距离阈值l；s14，按照连接关系拼接车道中心线信息并去重，获得可行运行路径，以此构成可行运行路径集合。3.根据权利要求2所述的预测计算方法，其特征在于，s13中，采用深度优先或广度优先的搜索算法遍历所述候选车道中心线。4.根据权利要求1所述的预测计算方法，其特征在于，所述待预测交通参与者的历史轨迹信息包括待预测交通参与者在历史时域内的纵向和横向坐标、速度以及朝向角。5.根据权利要求1所述的预测计算方法，其特征在于，所述地图道路中心线信息包括各条车道中心线的编号，各条车道中心线的后续车道中心线的编号，各条车道中心线的纵向和横向坐标向量，各条车道内的信号灯状态，以及车道是否通过交叉口的标记。6.根据权利要求1所述的预测计算方法，其特征在于，s2中，每条可行运行路径的纵向不确定性参数包括预期纵向加速度和终点纵向距离偏差，按照下式计算得到：不确定性参数包括预期纵向加速度和终点纵向距离偏差，按照下式计算得到：其中，为第l条可行运行路径的预期纵向加速度，为各条可行运行路径的终点纵
向距离偏差，和分别为根据待预测交通参与者的历史轨迹信息得到的纵向加速度和平均速度，为第l条可行运行路径的信号灯状态，为第l条可行运行路径是否通过交叉路口的标记，α
px
、β
px
、γ
px
分别为第一、第二、第三影响系数。7.根据权利要求1所述的预测计算方法，其特征在于，s2中，每条可行运行路径的横向不确定性参数包括预期横向加速度和终点横向距离偏差，按照下式计算得到：不确定性参数包括预期横向加速度和终点横向距离偏差，按照下式计算得到：其中，和分别为各条可行运行路径的预期横向加速度和终点横向距离偏差，和分别为根据待预测交通参与者的历史轨迹信息得到的横向加速度和平均速度，β
py
为终点横向固定偏差，α
py
、γ
py
、δ
py
分别为第四、第五、第六影响系数。8.根据权利要求1所述的预测计算方法，其特征在于，s3具体包括：s31，确定曲率调整参数：针对每条可行运行路径，基于各条可行运行路径的转弯曲率ρ
l
、转弯方向θ
l
和两侧冲突对象数量比τ
l
综合确定各条预测轨迹的曲率调整参数计算公式分别如下：公式分别如下：公式分别如下：公式分别如下：其中，和分别为第l条可行运行路径的起点和终点朝向角；和分别为第l条可行运行路径起点的纵向和横向坐标，和分别为第l条可行运行路径终点的纵向和横向坐标，且规定：若θ
l
>0，则为左转，若θ
l
<0，则为右转，若θ
l
＝0，则为直行；和分别为第l条可行运行路径左侧、右侧存在横向冲突的交通参与者的数量；α
ρ
和β
θ
分别为第七、第八影响系数，sgn为正负号函数；为各条可行运行路径的预期横向加速度。s32，计算预测时域内的纵向运行距离：基于各预测轨迹的曲率调整参数采用牛顿运动学分别计算各预测轨迹在预测时域内的纵向运动距离s33，分别针对每条可行运行路径上的坐标点进行插值，搜索距离当前时刻待预测交通参与者的坐标最近的路径坐标点；s34，沿路径方向求取预测终点的状态：从最近的路径坐标点开始，沿对应的可行运行路径方向，搜索预测距离处的终点路径坐标、速度和朝向角，共同构成待预测交通参与者的预测轨迹终点的状态。9.根据权利要求1所述的预测计算方法，其特征在于，s4中，采用三次曲线
拟合计算待预测交通参与者在预测时域内的运行轨迹，考虑起终点约束，解得三次曲线参数如下：其中，a0为三次曲线的常数项，a1、a2和a3为三次曲线的各项系数；v
t
为t时刻世界坐标系下待预测交通参与者的速度，v
t
为t+t时刻世界坐标系下待预测交通参与者的速度，t为预测时域的时长；p
t
为t时刻世界坐标系下待预测交通参与者的坐标，p
t
为t+t时刻待预测交通参与者的。10.根据权利要求1所述的预测计算方法，其特征在于，s5具体包括：针对每条可行运行路径，根据各可行运行路径的终点纵向距离偏差，采用几何形状的包络形式，并通过线性或非线性方法反推相应可行运行路径上各个预测时刻的纵向包络参数，得到预测轨迹的时空分布包络。

技术总结
本公开提供的一种交通参与者运行轨迹时空分布包络的预测计算方法，包括以下步骤：S1：筛选可行运行路径；S2：计算纵横向不确定性参数；S3：确定预测终点状态；S4：拟合待预测交通参与者的运行轨迹；S5：计算预测轨迹的时空分布包络。本公开充分利用地图拓扑信息和历史轨迹信息，采用规则式方法，提供了用于交通参与者运行轨迹预测及时空分布包络的计算方法框架，具有强泛化能力、计算快速、部署便捷的特征，实现了交通参与者时空占位预测的快速计算。算。算。


技术研发人员：李升波 陈晨 汤关曜 兰志前 成波
受保护的技术使用者：清华大学
技术研发日：2023.03.29
技术公布日：2023/7/28