[发明专利]一种障碍物未来轨迹的生成方法

说明书

本发明公开了一种障碍物未来轨迹的生成方法。为了克服忽略其他交通参与者的干扰导致轨迹预测失真严重的问题，本发明采用结合CVAE和GAN提出一种多轨迹生成的方法，历史轨迹的编码特征结合周围交通参与者的交互特征，经过生成模型解码后生成未来轨迹，通过判别模型对生成的轨迹进行真假的判断同时结合可行驶区域的信息，对生成的未来轨迹进行约束，避免不合理轨迹的生成。通过多次随机采样，得到多条轨迹结合周围交通参与者的交互特征的多轨迹生成的方法，考虑了其他交通参与者的影响，网络自动学习到被预测目标在不同环境下的多意图行为，充分表达未来轨迹的不确定性，同时可行驶区域对未来轨迹的约束能在复杂场景下对被预测目标的未来轨迹进行预测。

技术领域

本发明涉及智能汽车自动控制领域，尤其涉及一种障碍物未来轨迹的生成方法。

背景技术

智能驾驶汽车通过多个传感器感知周围的环境和障碍物信息，感知的结果送入运动规划系统，对智能驾驶汽车进行运动的规划，从而实现对车辆的自动控制。行为预测即对周围交通参与者进行未来运动轨迹的预判，准确的预测周围交通参与者的轨迹可以更有效地避免碰撞，保证智能驾驶汽车在复杂环境中安全行驶，还能提高规划控制的稳定性和舒适度。

现有研究中，主要可分为：基于物理模型和数据驱动的方法，基于物理模型的方法依据运动学原理根据历史轨迹预测未来轨迹，但这种方法只考虑被预测目标自身的运动信息，仅能进行短时的预测，长时的预测将会不准确；基于数据驱动的方法即采用机器学习或深度学习的方法，设计合适的机器学习或深度学习模型，通过数据训练的方式进行预测。基于数据驱动的方法能够结合目标历史信息、环境信息、周围目标交互信息，进行一个更准确的长时预测。然而，由于预测周围交通参与者的轨迹不是一个确定性的任务，受环境、驾驶员意图和驾驶习惯影响，如何准确预测周围交通参与者的未来轨迹，以提高智能驾驶车辆的行驶安全性和舒适性，是当下一个亟待解决的问题及难点。

例如，公开号为CN112347567A的一种车辆意图和轨迹预测的方法，提出的车辆意图和轨迹预测方法将预测人类驾驶行为简化为预测车辆会插入到哪个区域，通过车辆自身和邻居的信息判断车辆最终插入的区域，基于隐马尔可夫模型进行车辆意图的识别，结合车辆动力学模型进行轨迹预测。

公开号为CN113128326A的具有语义地图和LSTM的车辆轨迹预测模型，提出一种结合语义地图的轨迹预测方法，采用LSTM模型提取目标障碍物的动态特征，采用CNN模型学习图像地图的一部分中的驾驶环境的语义地图特征。结合目标障碍物的动态特征和驾驶环境的语义地图特征经过MLP获得轨迹预测信息。应用神经网络对预测间隔的连续时间点的移动障碍物的位置进行迭代预测，以完成所有时间点的预测。

公开号为CN112364997B的一种障碍物的轨迹预测方法及装置，通过目标障碍物周围的环境信息、目标障碍物的历史轨迹数据和预先确定的各参考轨迹，预测目标障碍物的意图属于该意图类型的概率，以及在该意图类型下目标障碍物的预测轨迹。其中，预先确定的参考轨迹根据预先采集到的若干个障碍物的真实轨迹，根据各个真实轨迹周围的环境信息，将真实轨迹划分为若干环境类型，针对每个环境类型，聚类该环境下的各个真实轨迹，并将聚类的轨迹作为该环境类型下的各参考轨迹，每个参考轨迹对应一个意图类型。

发明内容

本发明主要解决现有技术忽略其他交通参与者的干扰导致轨迹预测失真严重的问题；提供一种障碍物未来轨迹的生成方法。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

本发明包括训练阶段和预测阶段，训练阶段同时运行轨迹生成模型和轨迹判别模型，所述轨迹生成模型生成一系列带约束的预测未来轨迹，所述轨迹判别模型负责判别所生成的预测未来轨迹的真假；其中，训练阶段仅在开发时运行，在实际场景应用时，只运行预测阶段，即在产品开发时将产品进行训练后提高预测的精准度，当精准度达到要求后即可进行轨迹预测。

所述训练阶段执行以下步骤：