[发明专利]交通参与者的长期轨迹预测的方法

说明书

一种用于多个交通参与者中的预测交通参与者的长期轨迹预测的方法，其中，交通参与者是本车辆或本车辆周围的动态对象，所述方法包括以下步骤：从本车辆接收与本车辆周围的环境有关的环境数据；接收所述多个交通参与者的与之前时间步长中所述多个交通参与者的不同状态有关的之前公共状态数据；通过与预测交通参与者的环境有关的环境模型基于环境数据确定环境特征；通过与所述多个交通参与者之间的建模交互有关的动态解释器模型基于之前公共状态数据确定动态特征；通过交互模型，基于环境特征和动态特征，预测在预测交通参与者与所述多个交通参与者之间的预测交通参与者的动态交互；基于预测的动态交互和确定的环境特征确定预测交通参与者的轨迹。

技术领域

本发明涉及一种交通参与者的长期轨迹预测的方法以及一种控制方法、一种控制单元、一种计算机程序和一种计算机可读数据载体。

背景技术

通常，在给定过去和当前的情况下对未来的准确长期轨迹预测是一个极具挑战的研究问题。在车辆自动化领域中，当下的行为预测/轨迹预测主要包括对非常近的未来、通常是下一秒进行建模。在这样非常短的时间范围内，汽车和环境物理的影响占行为的主导地位。通常，简单的线性假设、也被称为匀速模型足以以可接受的精度预测未来。为此目的，大多数系统使用不同类型的基于Kalman滤波器的解决方案。随着时间范围增大以满足系统的对更长的时间范围进行计划和作用的要求，这些简单的模型无法为更大的时间范围提供准确的未来预测。

特别是，在汽车行业或机器人行业中，当前的自动化机器人或车辆、例如2级和3级的机器人或车辆依赖于汽车周围环境的某种模型。这通常被称为环境假设。随着自动化水平的提高，仅依靠对于环境的当前状态和非常近的未来的认知变得越来越困难。在具有更高级的自动化的汽车、例如4级和5级的汽车中出现的大多数问题通常都围绕着对环境的语义理解。预测环境的未来状态是语义理解过程中的关键因素。如果期望不仅仅是在非常短的时间段内对物理建模，则当前的模型无法对更长的时间范围进行预测，其中，是驾驶员或系统的意图主导轨迹模式，而不仅仅是物理。

因此，需要新的方法和新的模型，其中，驾驶员意图以及汽车与环境的相互作用可以被显式建模，并且被集成到灵活的、数据驱动的大规模的方法中。

US2019/0367021A1描述了预测即将到来的车辆的行为。

DING WENCHOA等：“Online Vehicle Trajectory Prediction using PolicyAnticipation Network and optimization-based Context Reasoning”描述了一种用于城市自动驾驶的线上两级车辆轨迹预测框架，其中，存在复杂的语境因素、例如车道几何形状、道路建设、交通法规和移动代理。

DEO NACHIKET等：“Multi-modal Trajectory Prediction of SurroundingVehicles with Maneuver based LSTMs”描述了一种LSTM模型，该LSTM模型用于对高速公路上周围车辆的交互感知选项进行预测。

US2019/152490A1描述了用于自主车辆的对象相互作用预测系统和方法。

发明内容

根据本发明的一方面，提供了一种用于多个交通参与者中的预测交通参与者的长期轨迹预测的方法，其中，交通参与者是本车辆或本车辆周围的动态对象，所述方法包括下面的步骤。从本车辆接收与本车辆周围的环境有关的环境数据。接收所述多个交通参与者的与之前时间步长中所述多个交通参与者的不同状态有关的之前公共状态数据。通过与所述预测交通参与者的环境有关的环境模型基于环境数据确定环境特征。通过与所述多个交通参与者之间的建模交互有关的动态解释器模型，基于之前公共状态数据确定动态特征。通过交互模型，基于环境特征和动态特征，预测在所述预测交通参与者与所述多个交通参与者之间的所述预测交通参与者的动态交互。基于预测的动态交互和确定的环境特征确定所述预测交通参与者的轨迹。