[发明专利]一种非机动车轨迹预测方法

说明书

本发明涉及提供一种非机动车轨迹预测方法，包括基于待预测场景信息计算待测非机动车终点的可行域，并通过离散采样得到可行终点集合；采用预先构建并训练好的深度学习模型，根据待预测场景信息和可行终点集合，生成待测非机动车的备选轨迹集合；采用预先构建的非机动车的行为解析模型，对备选轨迹集合进行评估，并选择最大效用轨迹；行为解析模型用于计算轨迹效用，该轨迹效用量化为预期轨迹风险和轨迹效率的异质性求和。与现有技术相比，本发明可以适应非机动车灵活多变的行为特征，在消除迭代预测中的累计误差和针对非机动车突变行为的轨迹预测方面均具有一定的优势，极大地提高了非机动车轨迹预测的准确性和可靠性。

技术领域

本发明涉及交通流轨迹预测领域，尤其是涉及一种非机动车轨迹预测方法。

背景技术

自动驾驶已经进入开放道路测试阶段，然而开放道路存在大量的机非共享空间，其不明确的行驶路权、无车道规则等特点使得交叉口等共享空间存在各种交通参与者的复杂交互行为，成为自动驾驶车辆进行开放道路行驶的挑战。针对以上挑战，预测其他交通参与者的行为是自动驾驶车辆在共享空间内实现安全交互和避免碰撞事故的有效方法。然而自动驾驶路试报告显示对复杂场景的理解和对应急情况的处理能力仍旧是自动驾驶车辆的亟需解决的课题，其中非机动车由于其机动性强、骑行随意、存在突变行为等特征是轨迹预测的主要难点之一

目前，针对非机动车轨迹预测的研究可以分为两类：包括基于物理模型的预测方法和基于数据驱动的预测方法。物理模型包括运动学模型和动力学模型，其主要预测原理是基于历史运动状态进行趋势外推；基于数据驱动的预测方法主要以深度学习为主，以历史轨迹和未来轨迹为输入和输出进行训练学习，再进行迭代预测。

然而，目前迭代预测的方式更关注历史态势的推演，但在迭代预测过程中存在不可避免的累计误差，因此更适用于规律性比较强的行为；而非机动车由于其灵活多变的行为导致轨迹存在较大差异，甚至存在突变行为。因此目前的轨迹预测方法并不能完全满足非机动车的预测需求。

发明内容

本发明的目的就是为了克服上述现有非机动车轨迹预测技术中迭代预测造成的累计误差和无法有效非机动车的突变行为缺陷而提供一种非机动车轨迹预测方法。

本发明的目的可以通过以下技术方案来实现：

一种非机动车轨迹预测方法，适用于交叉口的混杂交通情况，包括以下步骤：

S1：获取待预测场景信息，计算待测非机动车终点的可行域，并通过离散采样得到可行终点集合；

S2：采用预先构建并训练好的深度学习模型，根据待预测场景信息和可行终点集合，生成待测非机动车的备选轨迹集合；

S3：采用预先构建的非机动车的行为解析模型，对备选轨迹集合进行评估，并选择最大效用轨迹；所述行为解析模型用于计算轨迹效用，该轨迹效用量化为预期轨迹风险和轨迹效率的异质性求和。

进一步地，所述待预测场景信息包括待测非机动车信息、其它交通参与者信息以及环境信息；所述非机动车的所有可行终点的预测过程包括：

根据待预测场景信息计算待测非机动车在前进方向和横向的最大最小位移，生成终点的可行域；在该可行域中去除其它交通参与者的占位区域，得到待测非机动车终点的可行域。

进一步地，所述待测非机动车在前进方向和横向的最大最小位移的计算表达式为：