[发明专利]一种基于高斯混合模型的车辆轨迹预测方法、系统

说明书

本发明公开了一种基于高斯混合模型的车辆轨迹预测方法、系统，方法包括：1)将采集得到的轨迹T表示为由：在车辆坐标系的2D平面中的N对时间t_i以及当前时间速度v_i和角偏量组成，2)采用表示法描述轨迹，获得轨迹T的统一表示，3)基于高斯混合模型分布进行轨迹T的预测，预测未来时刻的速度c_v和角偏量4)通过计算条件分布p(X_f|X_h)的统计特性预测上述c_v和/或其中X_f为近似的未来轨迹，X_h为历史轨迹。采用本发明中的方法，能够提前预测车辆的轨迹情况的同时，还能预测将来的轨迹分布，能及时避免潜在危险。

技术领域

本发明涉及高级驾驶辅助系统的计算机视觉技术和图像处理领域，特别涉及一种基于高斯混合模型的车辆轨迹预测方法、系统。

背景技术

随着汽车时代的全面来临，机动车大量增加，汽车安全技术受到越来越多的重视。其中高级驾驶辅助系统(ADAS)在汽车安全领域中起着至关重要的作用。

在基于计算机视觉技术的高级驾驶辅助系统(ADAS)中，对车辆轨迹的准确和可靠的预测，对于提高系统的舒适性，提前预判潜在威胁保护驾驶者安全，有着重要的意义。目前，交叉口对驾驶员辅助系统仍然是一个很大的挑战。根据统计显示，最常见的车辆事故发生在一辆汽车转向或穿过十字路口时。为了预防这种情况，高级驾驶辅助系统(ADAS)必须应对高度复杂的交通情况，并且通常汽车是否正在过路口或驾驶员计划转弯是非常不明确的。为了处理这种情况，ADAS必须要应对两个主要任务：

首先，系统必须检测当前场景中的对象，

其次，必须评估对象是否相关。

这种评估越快，类似事故就能更好得避免。到目前为止，潜在危险物体的选择受到车辆轨迹预测能力的限制。如图3所示，轨迹本身不仅包含汽车在未来特定时间的位置，即所谓的预测范围，而且包含与预测位置的确切路线。这等同于在未来几秒钟内预测车辆的状态。用于运动预测的常见方法是标准滤波器方法(例如，卡尔曼滤波器)，其通过对下一时间步长的系统状态直到达到所需的预测范围的递归预测来进行车辆位置的预测。根据基础运动学模型的准确性和复杂性，基于模型的预测(例如，假设有恒定速度和偏向角)可导致与真实轨迹的巨大偏差并且预测失败，特别是在转向机动的情况下。比如在一些方法中Morzy M.Mining frequent trajectories of moving objects for locationprediction.In:Proc.of the 5th Int’l Conf.on Machine Learning and Data Miningin Pattern Recognition.LNCS 4571,Heidelberg:Springer-Verlag,2007.667-680.是由Morzy等人提出一种结合前缀树PrefixSpan和频繁模式挖掘FP-tree算法挖掘移动对象动态运动规则,但是构建前缀树和FP-tree的时间代价较高。在另外一些方法中Pan TL,Sumalee A,Zhong RX,Indra-Payoong N.Short-Term traffic state prediction basedon temporal-spatial correlation.IEEE Trans.on Intelligent TransportationSystems,2013,14(3):1242-254.Pan等人提出了基于多变元正态分布的最佳线性预测器,这一方法的不足在于预测会产生延迟，不能应用于交通流的实时监控。

发明内容

本发明要解决的技术问题是，提供能够提前预测车辆的轨迹情况的同时，还能预测将来的轨迹分布，能及时避免潜在危险的基于高斯混合模型的车辆轨迹预测方法。

解决上述技术问题，本发明提供了一种基于高斯混合模型的车辆轨迹预测方法，包括如下步骤：