[发明专利]一种基于粒子滤波的在线轨迹预测方法

权利要求书

1.一种基于粒子滤波的在线轨迹预测方法，其特征在于，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；

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；

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为：

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}；

b.从i＝1，2，…,N，估计初始粒子的重要性权值：

其中，p为概率分布函数；

c.从i＝1，2，…,N，归一化初始重要性权值：

23)时间更新t＝k-1，k1

按照重要性函数π[x_i(k)|x_i(k-1),d₁^k-1]选取更新状态后的粒子群[s_i(k)]_{i＝1,2,…,N}，且s_i(k)＝f[s_i(k-1)]；

24)观测更新：t＝k

a.从i＝1，2，…,N，在已获得d(k)的情况下，估计重要性权值系数：

b.从i＝1，2，…,N，归一化重要性权值：

25)重采样

a.从i＝1，2，…,N，根据权重w_i(k)，分别复制高权值粒子，舍弃低权值粒子，从而重新产生N个粒子集[s_i(k)]_{i＝1,2,…,N}；

b.从i＝1，2，…,N，归一化权值：

w_i(k)＝1/N；

26)输出结果：

转至步骤23)。

2.根据权利要求1所述的基于粒子滤波的在线轨迹预测方法，其特征在于，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。