[发明专利]基于深度学习的道路障碍物轨迹预测方法和系统

说明书

本发明提供一种基于深度学习的道路障碍物的轨迹预测方法，该方法包括以下步骤：采集车辆信息、车辆周围的障碍物信息及道路信息；将车辆信息、车辆周围的障碍物信息及道路信息转换至Frenet坐标系中，在该Frenet坐标系中设置记录缓存；将所述车辆信息、道路信息以及缓存处理后的车辆周围的障碍物信息添加至数据库中获得图像训练数据集；将所述图像训练数据集中的样本输入深度神经网络模型中，生成障碍物轨迹预测模型；利用该预测模型预测车辆周围的障碍物的运动轨迹。本发明采集到的训练样本更为真实，可基于道路状况不断变化的障碍物信息预测出车辆周围障碍物的运动轨迹更为准确；另外，本发明获得的障碍物轨迹预测模型不再单一。

技术领域

本发明属于车辆技术领域,具体涉及一种基于深度学习的道路障碍物轨迹预测方法和系统。

背景技术

近一个多世纪来，汽车的出现取代了传统交通运输方式，使得人们的生活更为便捷。近些年来，随着科技的发展，尤其是智能计算的飞速发展，自动驾驶汽车技术研究成为各行业聚焦的热点。麦肯锡发布的“决定未来经济的12项前沿技术”报告探讨了12项前沿技术对未来经济、社会的影响程度，分析估测了2025年12项技术各自的经济与社会影响力，其中自动驾驶汽车技术排在第6位，其2025年影响力估测为：经济效益每年约0.2-1.9万亿美元，社会效益每年可挽回3-15万个生命。

通常，自动驾驶车辆的系统一般分为感知、定位、预测、规划、执行五个模块。其中，感知是对车辆周围环境进行识别、认知；定位是对车辆自身位置的判断；预测是对车辆自身运动或其他障碍物运动轨迹的推算；规划是测量对车辆行驶路径进行决策；执行是实现对车辆横、纵向的控制。

在现有的障碍物行驶轨迹的预测方案中，一般是依照各个障碍物的位置、速度、姿态进行障碍物的轨迹预测，首先，预测出障碍物的意图倾向(如：车辆是否会进行变道、是否会继续在此车道直行)；然后，利用障碍物在高精地图中的位置进行对车辆轨迹进行预测；再次，利用不同的多项式方程拟和预测出障碍物轨迹，最终获得障碍物行驶轨迹；但此方式中在对每个障碍物的运动意图进行预测时，尚未有效地将其他车辆的意图或位置考虑进去，甚至在利用高精地图时，会让车辆按照固定的规则在车道中心行驶。

除此之外，也有些技术方案会使用强化学习方式，首先，利用同一个车辆模型对所有仿真训练系统中的车辆进行模拟；然后，规定不同的奖励和惩罚方程，并利用车辆模型学习获得一个能在多个个体仿真系统中进行行驶的车辆模型；然而，该方法的缺点是：难以设定出上述的奖励和惩罚方程且训练耗时；另外，训练后获得的模型也不是一个多元行为的模型，从而使得仿真系统中的各个车辆模型过度单一化。

综上，上述两种障碍物轨迹预测方法都无法更好地预测障碍物的轨迹，从而使自动驾驶车辆的仿真系统无法模拟出真实路况。

发明内容

本发明提供一种基于深度学习的道路障碍物轨迹预测方法和系统，以解决现有技术中的至少一个技术问题。

第一方面，本发明实施例提供一种基于深度学习的道路障碍物轨迹预测方法，该方法包括以下步骤：

采集车辆信息、车辆周围的障碍物信息及道路信息；

将车辆信息、车辆周围的障碍物信息及道路信息转换至Frenet坐标系中，在该Frenet坐标系中设置记录缓存，所述记录缓存用于对车辆周围的障碍物的位置信息进行缓存处理以使车辆周围的障碍物在不同时刻的标识序号一致；

将所述车辆信息、道路信息以及缓存处理后的车辆周围的障碍物信息添加至数据库中获得图像训练数据集；

将所述图像训练数据集中的样本输入深度神经网络模型中，生成障碍物轨迹预测模型；

利用所述障碍物轨迹预测模型预测车辆周围的障碍物的运动轨迹。

进一步的，根据所述车辆周围的障碍物的运动轨迹对车辆的行驶路径进行规划以生成规划信息。