[发明专利]用于驾驶策略的轨迹预测

说明书

本公开的各示例描述了一种用于轨迹预测的方法、装置和车辆。该方法包括：从安装在车辆上的至少一个传感器获取针对车辆周围对象的传感器数据(502)；将所获取的传感器数据馈入混合预测器中，该混合预测器包括各自具有由该混合预测器指派的权重的多个预测器，其中该多个预测器至少包括自由空间预测器和基于道路模型的预测器(504)；对于当前时刻，该多个预测器中的每一者基于来自该至少一个传感器的历史传感器数据来给出其自己针对从当前时刻起的预定时间段的预测(506)；该混合预测器确定该多个预测器中的每一者的可靠性(508)；该混合预测器基于由该多个预测器中的每一者给出的相应预测以及该多个预测器中的每一者的可靠性来输出针对从当前时刻起的预定时间段的加权混合预测，其中将更大的权重指派给在前一个或多个时刻给出更好预测的预测器(510)；以及基于加权混合预测来提供所预测的轨迹(512)。

技术领域

本公开一般涉及自动驾驶车辆，更具体地，涉及用于驾驶策略的轨迹预测。

背景技术

自动驾驶车辆(也称为无人驾驶汽车、自动驾驶汽车或机器人汽车)是一种能够感测其环境并且在无需人类输入的情况下导航的车辆。自动驾驶车辆(在下文中被称为ADV)使用各种技术来检测其周边环境，诸如使用雷达、激光、GPS、测程法以及计算机视觉。高级的控制系统对感测信息进行解读以标识合适的导航路径，以及障碍物和相关路标。

为了实现高等级(3-5级)自动驾驶，应精确地建模对象的未来轨迹以用于驾驶策略决策和碰撞避免。目前，轨迹预测的现有技术包括以下方法：

(1)应用卡尔曼滤波器或其变体来估计对象的运动学状态，诸如速度、位置和加速度等；

(2)考虑道路环境中的障碍物，使用模型预测控制(MPC)方法来最小化道路碰撞的发生率；

(3)预定义各种机动行为，并且利用隐马尔可夫模型(HMM)基于每个对象当前的运动学特征为每个对象选择最合理的机动行为；以及

(4)利用动态贝叶斯网络(DBN)来对对象的特征状态进行建模。

上述现有技术方法可至少具有以下缺点：

(1)目前的预测主要是基于车道，即，不是车道间；

(2)为应用这些算法和方法做了很多假设，诸如直线车道、车道中仅考虑有限数目的对象、假设恒定速度模型等。这些假设通常在实践中不成立；

(3)预定义轨迹不适用于城市驾驶环境中的各种复杂场景；

(4)有时，根本不存在车道，因此这些现有技术在这种情况下不容易适应，因为这些算法显著取决于车道；

(5)这些现有技术是基于恒速模型或恒加速度模型构建的，这在时间范围在一秒内时很有用，但对于几秒的时间范围而言效率较低，因为对象的运动学特征通常随着时间而发生变化；

(6)一些静止的对象由一个或多个激光雷达检测到，但由于它们是静止的，有时云点会发生振荡，所融合的对象也不稳定。在检测噪声不可忽略的情况下，将导致预测性能不佳；

(7)自动驾驶车辆将需要更准确地预测其他车辆的未来轨迹，以实现安全高效的驾驶；以及

(8)基于车道的驾驶假设限制了预测的能力并且导致结果不准确。

因此，期望用于自动驾驶车辆的改进的轨迹预测解决方案。

发明内容

本公开旨在提供一种用于轨迹预测的方法、装置和车辆。