车辆轨迹预测方法、装置、电子装置和存储介质与流程
1.本技术涉及自动驾驶领域，特别是涉及车辆轨迹预测方法、装置、电子装置和存储介质。
背景技术：
2.在自动驾驶车辆的应用中，自动驾驶车辆需要具备针对改变车道、超车、减速等行为的主动决策能力，以实现安全高效的驾驶。基于此，对周边车辆的未来轨迹进行预测，能够助于自动驾驶车辆对自身的行驶状态进行提前规划。目前，基于车辆轨迹预测算法对目标车辆的行驶轨迹进行预测的技术，往往是以车道中心线为参考线，或是以在空间上采样的方式选取多条参考线，从而实现车辆轨迹的预测。上述车辆轨迹预测方法，在车辆发生机动、变道的场景下，所预测的车辆轨迹的精度较低。
3.针对相关技术中存在对车辆轨迹的预测结果精度较低的问题，目前还没有提出有效的解决方案。
技术实现要素：
4.在本实施例中提供了一种车辆轨迹预测方法、装置、电子装置和存储介质，以解决相关技术中存在对车辆轨迹的预测结果精度较低的问题。
5.第一个方面，在本实施例中提供了一种车辆轨迹预测方法，包括：
6.确定目标车辆的车道中心线，并预测所述目标车辆的变道意图；
7.基于预设的运动学模型生成所述目标车辆的短时预测轨迹，并基于所述变道意图和所述短时预测轨迹，结合预设的插值算法对所述车道中心线进行补偿，得到目标参考线簇；
8.基于所述目标参考线簇生成所述目标车辆的车辆预测轨迹。
9.在其中的一些实施例中，所述确定目标车辆的车道中心线，包括：
10.根据预先获取的所述目标车辆的车道边界线信息，计算得到所述目标车辆的车道中心线。
11.在其中的一些实施例中，所述预测所述目标车辆的变道意图，包括：
12.根据所述目标车辆的运动状态信息，分别确定所述目标车辆在历史时刻与车道边界线的第一位置关系、所述目标车辆在当前时刻与所述车道边界线的第二位置关系、以及预测所述目标车辆在预设时段后与所述车道边界线的第三位置关系；
13.通过比较所述第一位置关系、所述第二位置关系、以及所述第三位置关系，确定所述目标车辆的变道意图。
14.在其中的一些实施例中，所述基于预设的运动学模型生成所述目标车辆的短时预测轨迹，包括：
15.将所述目标车辆当前的运动状态信息输入预设的运动学模型进行预设时段的运动状态预测，生成所述目标车辆的短时预测轨迹。
16.在其中的一些实施例中，所述预设时段为预设数量的间隔时刻；所述将所述目标车辆当前的运动状态信息输入预设的运动学模型进行预设时段的运动状态预测，生成所述目标车辆的短时预测轨迹，包括：
17.将所述目标车辆当前的运动状态信息输入预设的运动学模型，预测得到所述预设数量的间隔时刻的运动状态信息；
18.基于所述预设数量的间隔时刻的运动状态信息，生成所述短时预测轨迹。
19.在其中的一些实施例中，所述基于所述变道意图和所述短时预测轨迹，结合预设的插值算法对所述车道中心线进行补偿，得到目标参考线簇，包括：
20.根据所述变道意图对所述车道中心线进行修正，得到目标车道中心线；
21.基于三次样条插值算法的原理，利用所述短时预测轨迹对所述目标车道中心线进行补偿，得到所述目标参考线簇。
22.在其中的一些实施例中，所述基于三次样条插值算法的原理，利用所述短时预测轨迹对所述目标车道中心线进行补偿，得到所述目标参考线簇，包括：
23.根据所述短时预测轨迹中的坐标信息，从所述目标车道中心线中连续抽取预设数量的连接点；
24.基于所述三次样条插值算法的原理，将所述短时预测轨迹通过所述连接点对所述目标车道中心线进行补偿，得到所述目标参考线簇。
25.在其中的一些实施例中，所述基于所述目标参考线簇生成所述目标车辆的车辆预测轨迹，包括：
26.根据所述目标参考线簇建立frenet坐标系；
27.基于从所述目标参考线簇中选取的参考点的位置信息，以及所述目标车辆当前的运动状态信息，得到所述目标车辆在所述frenet坐标系下的预测轨迹的初始点和终点；
28.根据所述初始点和终点，生成所述目标车辆的车辆预测轨迹。
29.在其中的一些实施例中，在基于所述目标参考线簇生成所述目标车辆的车辆预测轨迹之后，所述方法还包括：
30.根据预设的基于加速度信息和横向超调量信息的代价函数，计算得到所述目标车辆所有车辆预测轨迹的代价值；
31.基于预设的筛选条件对所有车辆预测轨迹的代价值进行筛选，得到最优车辆预测轨迹。
32.第二个方面，在本实施例中提供了一种车辆轨迹预测装置，包括：获取模块、第一生成模块、以及第二生成模块；其中：
33.所述获取模块，用于确定目标车辆的车道中心线，并预测所述目标车辆的变道意图；
34.所述第一生成模块，用于基于预设的运动学模型生成所述目标车辆的短时预测轨迹，并基于所述变道意图和所述短时预测轨迹，结合预设的插值算法对所述车道中心线进行补偿，得到目标参考线簇；
35.所述第二生成模块，用于基于所述目标参考线簇生成所述目标车辆的车辆预测轨迹。
36.第三个方面，在本实施例中提供了一种电子装置，包括存储器、处理器以及存储在
所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的车辆轨迹预测方法。
37.第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的车辆轨迹预测方法。
38.与相关技术相比，在本实施例中提供的车辆轨迹预测方法、装置、电子装置和存储介质，确定目标车辆的车道中心线，并预测目标车辆的变道意图；基于预设的运动学模型生成目标车辆的短时预测轨迹，并基于变道意图和短时预测轨迹，结合预设的插值算法对车道中心线进行补偿，得到目标参考线簇；基于目标参考线簇生成目标车辆的车辆预测轨迹。其通过基于车辆的运动学信息的短时预测轨迹实现了对参考线的补偿，从而能够得到符合车辆轨迹实际特征的参考线，进而能够提升车辆轨迹的预测结果的精度。
39.本技术的一个或多个实施例的细节在以下附图和描述中提出，以使本技术的其他特征、目的和优点更加简明易懂。
附图说明
40.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
41.图1是本实施例的车辆轨迹预测方法的终端的硬件结构框图；
42.图2是本实施例的车辆轨迹预测方法的流程图；
43.图3是frenet坐标与笛卡尔坐标的转换关系示意图；
44.图4是本实施例的目标参考线簇模型图；
45.图5是本优选实施例的车辆轨迹预测方法的流程图；
46.图6是本优选实施例的目标参考线簇生成方法流程图；
47.图7是本优选实施例的车辆预测轨迹生成方法的流程图；
48.图8是本实施例的车辆轨迹预测装置的结构框图。
具体实施方式
49.为更清楚地理解本技术的目的、技术方案和优点，下面结合附图和实施例，对本技术进行了描述和说明。
50.除另作定义外，本技术所涉及的技术术语或者科学术语应具有本技术所属技术领域具备一般技能的人所理解的一般含义。在本技术中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本技术中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元)，而可包括未列出的步骤或模块(单元)，或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本技术中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本技术中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本技术中所涉及的术语“第一”、“第
二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。
51.在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行，图1是本实施例的车辆轨迹预测方法的终端的硬件结构框图。如图1所示，终端可以包括一个或多个(图1中仅示出一个)处理器102和用于存储数据的存储器104，其中，处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限制。例如，终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示出的不同配置。
52.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如在本实施例中的车辆轨迹预测方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
53.传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(network interface controller，简称为nic)，其可通过与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
54.在本实施例中提供了一种车辆轨迹预测方法，图2是本实施例的车辆轨迹预测方法的流程图，如图2所示，该流程包括如下步骤：
55.步骤s210，确定目标车辆的车道中心线，并预测目标车辆的变道意图。
56.其中，上述目标车辆为需要对其进行轨迹预测的车辆。上述目标车辆的车道中心线和变道意图，可以通过预先获取的感知数据中确定。其中，感知数据包括目标车辆的历史信息和环境信息。历史信息包括车辆的历史轨迹、航向、速度、加速度、以及角速度等信息。环境信息可以包括车道边界线。具体地，既可以基于预先获取的目标车辆所处车道的车道边界线中的离散点的坐标信息，计算得到目标车辆的车道中心线；也可以基于高精度地图来确定目标车辆的车道中心线。另外，可以由目标车辆的历史信息预测得到目标车辆的变道意图。其中，该变道意图具体可以为车辆向左变道或向右变道的意图。优选地，可以根据目标车辆的历史轨迹，确定目标车辆在历史时刻、当前时刻与左右车道边界线的位置关系，并预测得到目标车辆在预设时刻与左右车道边界线的位置关系，进而基于上述不同时刻得到的位置关系，预测目标车辆将发生向左变道、向右变道、或直行。
57.步骤s220，基于预设的运动学模型生成目标车辆的短时预测轨迹，并基于变道意图和短时预测轨迹，结合预设的插值算法对车道中心线进行补偿，得到目标参考线簇。
58.其中，可以基于预设的运动学模型对目标车辆的车辆轨迹进行短时间的预测，得到短时预测轨迹。具体地，可以将目标车辆的当前的运动状态信息，例如目标车辆当前的坐标信息、航向角、速度、加速度、角速度等输入预设的运动学模型进行处理，从而预测得到未来若干时刻的运动状态信息，进而得到短时预测轨迹。该预设的运动学模型可以根据实际
应用场景进行选择，例如，ca(constant acceleration，常加速度)模型、cv(constant velocity，常速)模型、ct(coordinated turn，协调转弯)模型、以及cyra(constantyawrate andacceleration,恒定偏航率和加速度)模型等。优选地，为了在弯道场景下对车辆进行精确的短时轨迹预测，该运动学模型具体可以为cyra模型。另外，在确定车道中心线以及变道意图后，可以基于变道意图对车道中心线进行修正，得到目标车道中心线。具体地，可以根据预测得到的目标车辆向左变道或向右变道的意图，对车道中心线中离散点的坐标进行修正。示例性地，若目标车辆为向左变道，则可以将车道中心线中离散点的纵坐标增加预设值，若目标车辆为向右变道，则可以将车道中心线中离散点的纵坐标减去预设值，进而基于变道意图实现对车道中心线的修正。之后，再按照预设的插值算法，利用短时预测轨迹对修正后得到的目标车道中心线进行补偿，从而得到目标参考线簇。
59.具体地，可以从目标车道中心线的离散点中抽取若干个连续的，且横坐标大于短时预测轨迹中横坐标的点作为连接点。基于三次样条插值算法将上述生成的短时预测轨迹作为补偿与该连接点进行拼接，从而实现对目标车道中心线的补偿，得到目标参考线簇。
60.相比于相关技术中，直接以车道中心线为参考线，或者从空间采样得到参考线，其生成的参考线将导致对发生变道的车辆的轨迹预测误差较大的问题，本实施例通过基于运动学模型生成短时预测轨迹，并根据该短时预测轨迹对车道中心线进行补偿，得到更贴近车辆轨迹特征的参考线簇，能够解决变道时轨迹预测偏差较大的问题，从而提升车辆轨迹的预测结果的精度。
61.步骤s230，基于目标参考线簇生成目标车辆的车辆预测轨迹。
62.首先，可以基于目标参考线簇建立frenet坐标系。其中，以目标参考线簇中每条参考线的纵向延伸方向为s轴，以参考线各点的法向方向为d轴，建立frenet坐标系。其中，s轴表征目标车辆的纵向位移，d轴表征目标车辆的横向位移。frenet坐标系能够将目标车辆的位置信息分解到s轴和d轴两个方向，从而便于后续的轨迹预测。图3为frenet坐标与笛卡尔坐标的转换关系示意图。其中，表示车辆轨迹中某离散点在frenet坐标系下的坐标，表示该离散点的法向量，表示该离散点的切向量，d(t)表示目标车辆的横向位移，表示法向量，表示切向量，表示参考点到车辆位置的向量，s(t)表示目标车辆的纵向位移，t可以表示为时间或曲线长度。如图3所示，车辆轨迹离散点的坐标与参考线之间的关系如下式所示，基于下式可知，可以根据已知的参考线中选取的参考点的坐标，以及车辆轨迹离散点的笛卡尔坐标，求得车辆轨迹离散点的frenet坐标，或者根据参考点的坐标，以及车辆轨迹离散点的frenet坐标，求得车辆轨迹离散点的笛卡尔坐标。
[0063][0064]
其中，表示车辆轨迹离散点的笛卡尔坐标，表示参考点到车辆位置的向量，表示的单位向量。
[0065]
在基于目标参考线簇建立得到frenet坐标系后，可以从参考线簇中选取离当前帧目标车辆的位置最近的点作为参考点，基于该参考点的坐标以及预先获取的目标车辆当前的运动状态信息，确定frenet坐标系下的车辆预测轨迹的初始点和终点。其中，初始点的信息可以包括目标车辆在frenet坐标系下初始位置的s坐标和d坐标，以及在纵向方向和横向
方向上对应的速度和加速度。终点的信息可以包括目标车辆在frenet坐标系下终点位置的s坐标和d坐标，以及在纵向方向和横向方向上对应的速度和加速度。之后，基于确定的初始点和终点可以求解得到目标车辆在frenet坐标系下的车辆预测轨迹。另外，还可以基于预设的代价函数对生成的车辆预测轨迹进行筛选，从而得到代价最小的车辆预测轨迹。
[0066]
此外，本实施例可以仅基于数值运算处理，来生成车辆预测轨迹，即使在无高精度地图支持的情况下也可以实现对目标车辆的轨迹的准确预测，因此可以适用于多种不同级别的自动驾驶系统。
[0067]
上述步骤s210至步骤s230，确定目标车辆的车道中心线，并预测目标车辆的变道意图；基于预设的运动学模型生成目标车辆的短时预测轨迹，并基于变道意图和短时预测轨迹，结合预设的插值算法对车道中心线进行补偿，得到目标参考线簇；基于目标参考线簇生成目标车辆的车辆预测轨迹。其通过基于车辆的运动学信息的短时预测轨迹实现了对参考线的补偿，从而能够得到符合车辆轨迹实际特征的参考线，进而能够提升车辆轨迹的预测结果的精度。
[0068]
进一步地，在一个实施例中，基于上述步骤s210，确定目标车辆的车道中心线，具体可以包括以下步骤：
[0069]
步骤s211，根据预先获取的目标车辆的车道边界线信息，计算得到目标车辆的车道中心线。
[0070]
可以根据感知数据中的环境信息确定目标车辆的车道边界线信息。其中，车道边界线包括车道左边界线和车道右边界线。假设笛卡尔坐标系下车辆在x轴的速度为正。令目标车辆的车道左右边界线分别为l1和l2。其中，l1和l2均由若干离散点构成，记为：其中，为车道左边界线的第i个离散点在笛卡尔坐标系下的坐标，为车道右边界线的第i个离散点在笛卡尔坐标系下的坐标。n为车道左边界线的离散点个数，m为车道右边界线的离散点的个数。将目标车辆的车道中心线记为根据车道左右边界线计算得到车道中心线具体可以为，计算车道左右边界线的高度差为其中，可以理解地，表示车道右边界线第l个离散点的y轴坐标，表示车道右边界线第l个离散点的x轴坐标。由于对车道左右边界线求高度差时，对应的离散点的索引值不一定相同，所以分别用车道左边界线第i个离散点和车道右边界线第l个离散点来求取。其中，车道中心线中离散点的y轴坐标为：x轴坐标为：基于此，可以根据车道左右边界线的离散点的坐标，确定车道中心线的离散点的坐标。
[0071]
另外地，在一个实施例中，基于上述步骤s210，预测目标车辆的变道意图，具体可以包括以下步骤：
[0072]
步骤s212，根据目标车辆的运动状态信息，分别确定目标车辆在历史时刻与车道边界线的第一位置关系、目标车辆在当前时刻与车道边界线的第二位置关系、以及预测目标车辆在预设时段后与车道边界线的第三位置关系。
[0073]
优选地，步骤s212所提及的位置关系可以为距离差。例如，可以分别计算目标车辆在上1秒与车道左边界线的第一距离差l-t
，作为第一位置关系，计算目标车辆在当前时刻
与车道左边界线的第二距离差l0，作为第二位置关系，预测目标车辆在1秒后与车道左边界线的第三距离差l
t
，作为第三位置关系。
[0074]
步骤s213，通过比较第一位置关系、第二位置关系、以及第三位置关系，确定目标车辆的变道意图。
[0075]
示例性地，若上述三种距离差满足下式，则可以预测目标车辆的变道意图为向左变道：
[0076][0077]
其中，上述α为预设的距离阈值，w为车道边界线的宽度。类似地，也可以基于目标车辆在历史时刻、当前时刻、以及预设时刻后与车道右边界线的距离差，预测车辆是否具有向右变道的意图。
[0078]
本实施例通过根据目标车辆在历史时刻、当前时刻与车道边界线的位置关系，以及预测目标车辆在预设时段后与车道边界线的位置关系，进而确定目标车辆的变道意图，能够提高预测变道意图的准确性。
[0079]
另外地，在一个实施例中，基于上述步骤s220，基于预设的运动学模型生成目标车辆的短时预测轨迹，具体可以包括以下步骤：
[0080]
步骤s221，将目标车辆当前的运动状态信息输入预设的运动学模型进行预设时段的运动状态预测，生成目标车辆的短时预测轨迹。
[0081]
进一步地，在一个实施例中，基于上述步骤s221，预设时段为预设数量的间隔时刻；将目标车辆当前的运动状态信息输入预设的运动学模型进行预设时段的运动状态预测，生成目标车辆的短时预测轨迹，具体可以包括：将目标车辆当前的运动状态信息输入预设的运动学模型，预测得到预设数量的间隔时刻的运动状态信息；基于预设数量的间隔时刻的运动状态信息，生成短时预测轨迹。
[0082]
例如，目标车辆当前的运动状态信息为x0，x0可以如下式所示：
[0083]
x0＝[x0,y0,θ0,v0,a0,w0]
t
(3)
[0084]
其中，x0，y0分别为当前时刻目标车辆的x轴坐标和y轴坐标，θ0为航向角，v0为速度，a0为加速度，w0为角速度。那么在δt秒后，利用cyra模型对目标车辆的运动状态进行预测，可以得到预测结果为：
[0085]
x
δt
＝x0+δx(4)
[0086]
其中，x
δt
为预测得到的目标车辆δt秒后的运动状态。δx为目标车辆在δt秒之间的运动状态变化信息。具体如下式所示：
[0087]
x
δt
＝[x
δt
,y
δt
,θ
δt
,v
δt
,a
δt
,w
δt
]
t
(5)
[0088]
[0089][0090]
由式(6)对目标车辆进行k
·
δt秒的短时间预测，则可以得到如下式的短时预测轨迹x
0:k
·
δt
。
[0091]
x
0:k
·
δt
＝{x0,x
δt
,
…
,xk·
δt
}(7)
[0092]
另外地，在一个实施例中，基于上述步骤s220，基于变道意图和短时预测轨迹，结合预设的插值算法对车道中心线进行补偿，得到目标参考线簇，具体可以包括以下步骤：
[0093]
步骤s222，根据变道意图对车道中心线进行修正，得到目标车道中心线。
[0094]
其中，可以基于变道意图对车道中心线中离散点的y轴坐标进行设置。示例性地，目标车道中心线为其中：
[0095][0096]
其中，为目标车道中心线中离散点的x轴坐标，为目标车道中心线中离散点的y轴坐标，为修正前车道中心线中的离散点的x轴坐标。h为车道左右边界线的高度差，上式中的h也可以根据实际应用场景，以其他值进行代替。在预测目标车辆为向左变道时，可以将车道中心线中离散点的y轴坐标增加预设值，而在预测目标车辆为向右变道时，可以将车道中心线离散点的y轴坐标减去预设值。本实施例基于变道意图对车道中心线进行修正，得到目标车道中心线，能够使得后续生成的参考线簇更为贴近车辆轨迹特征，从而提升车辆轨迹预测的准确度。
[0097]
步骤s223，基于三次样条插值算法的原理，利用短时预测轨迹对目标车道中心线进行补偿，得到目标参考线簇。在对车道中心线进行修正后，基于上述步骤预测得到的短时预测轨迹对目标车道中心线进行补偿，能够生成更为贴合车辆轨迹的参考线簇，从而提升车辆轨迹预测的精度。
[0098]
进一步地，在一个实施例中，基于上述步骤s223，基于三次样条插值算法的原理，利用短时预测轨迹对目标车道中心线进行补偿，得到目标参考线簇，具体可以包括：根据短时预测轨迹中的坐标信息，从目标车道中心线中连续抽取预设数量的连接点；基于三次样条插值算法的原理，将短时预测轨迹通过连接点对目标车道中心线进行补偿，得到目标参考线簇。
[0099]
其中，假设在笛卡尔坐标系下车辆在x轴的速度为正。在目标车道中心线的离散点中抽取n个连续的且x轴坐标大于xk·
δt
的点作为连接点。也即：
[0100][0101]
之后，通过上述n个连接点，采用三次样条插值将上述短时预测轨迹补偿给目标车道中心线生成目标参考线簇。具体地，在由目标车辆在当前时刻的x轴坐标x0，以及目标车道中心线的末端点的x轴坐标x
end
形成的区间[x0,x
end
]中，设三次样条cubic spline函数如下：
[0102][0103]
其中，f(x)在每个区间都是具有连续二阶导的三次多项式，每个区间多项式共有4个参数，共有end个区间，因此共有4end个参数需要个等式求解。根据cubic spline插值函数的性质可得：
[0104][0105]
在自然边界条件下，可得fi″
(x0)＝f
″
i+1
(x
end
)＝0，因此，联合上式(11)中4end个方程，将预测的短时预测轨迹、连接点、以及目标车道中心线利用式(10)、(11)，以及自然边界条件进行插值，从而对应n个连接点可以得到如图4所示，具有n条参考线的目标参考线簇，其中图4为本实施例的目标参考线簇模型图。
[0106]
另外，在一个实施例中，基于上述步骤s230，基于目标参考线簇生成目标车辆的车辆预测轨迹，具体可以包括以下步骤：
[0107]
步骤s231，根据目标参考线簇建立frenet坐标系；
[0108]
步骤s232，基于从目标参考线簇中选取的参考点的位置信息，以及目标车辆当前的运动状态信息，得到目标车辆在frenet坐标系下的预测轨迹的初始点和终点。
[0109]
其中，可以从目标参考线簇中选取距离目标车辆的当前的位置最近的点为参考点。基于该参考点的坐标信息，结合目标车辆当前的运动状态信息，计算得到目标车辆在frenet坐标系下预测轨迹的初始状态和终止状态，也即初始点和终点。具体如下式所示：
[0110][0111]
其中，k为插值计算得到的参考线曲率，k
x
为历史轨迹曲率，θ
x
为历史轨迹航向角。
s0为初始点的纵向坐标，为目标车辆在初始点的纵向速度，为目标车辆在初始点的纵向加速度。d0为初始点的横向坐标，为目标车辆在初始点的横向速度，为目标车辆在初始点的横向加速度。θ0为目标车辆在当前时刻的航向角，v0为目标车辆在当前时刻的速度，a0为目标车辆在当前时刻的加速度，d为frenet坐标系下的d坐标。基于上式，可以得到初始点为其中，终点可以由下式得到：
[0112][0113]
其中t为预测的时长。
[0114]
步骤s233，根据初始点和终点，生成目标车辆的车辆预测轨迹。
[0115]
在确定初始点和终点后，可以根据该初始点、终点以及需要预测的时长t来求解下式中横向d的五次多项式系数，以及纵向s的四次多项式系数，从而确定frenet坐标系下的车辆预测轨迹。其中横向d的五次多项式为：
[0116]
d(t)＝a5t5+a4t2+a3t3+a2t2+a1t1+a0(14)
[0117]
纵向s的四次多项式为：
[0118]
s(t)＝b4t4+b3t3+b2t2+b1t1+b0(15)
[0119]
求解上述所有参数ai和bi，即可得到时长为t的目标车辆的车辆预测轨迹。其中，上述参数ai的求解如下：
[0120][0121]
上述参数bi的求解如下：
[0122][0123]
上述步骤s231至步骤s233，基于上述贴合车辆轨迹特征的目标参考线簇，以及frenet坐标系与笛卡尔坐标系之间的转换关系，生成目标车辆在frenet坐标系下的车辆预测轨迹，能够提升车辆预测轨迹的生成精度。
[0124]
此外，在一个实施例中，上述车辆轨迹预测方法还可以包括以下步骤：
[0125]
步骤s241，根据预设的基于加速度信息和横向超调量信息的代价函数，计算得到
目标车辆所有车辆预测轨迹的代价值。
[0126]
其中，假设车辆预测轨迹的生成频率为10hz，则生成的轨迹离散点的个数为num＝t/10。将时间序列代入式(16)和式(17)，得到frenet坐标下的车辆预测轨迹为pathf＝{(si,di)}
i＝1:num
。其中，目标参考线簇中不同参考线对应的pathf不同，所以，可以得到车辆预测轨迹与代价的集合{path
fi
,costi}
i＝1:n
。其中costi为第i条车辆预测轨迹对应的代价，具体如下式所示：
[0127][0128]
β1，β2，β3为系数，可以基于实际应用场景进行适应性设置。其中，上式第一项衡量车辆预测轨迹的超调量，第二项和第三项分别衡量横向和纵向的加加速度。
[0129]
步骤s242，基于预设的筛选条件对所有车辆预测轨迹的代价值进行筛选，得到最优车辆预测轨迹。
[0130]
例如，该预设的筛选条件可以为代价值最小，因此可以从上述车辆预测轨迹集合中选出代价值costi最小的车辆预测轨迹作为最优车辆预测轨迹，再将该筛选得到的最优车辆预测轨迹转换到笛卡尔坐标系下得到该目标车辆的最终预测轨迹。
[0131]
其中，对frenet坐标系下的轨迹的离散点(si,di)，将其转换到笛卡尔坐标系下的过程可以包括：选择与该离散点最近的投影点作为匹配点，根据预设的插值方程计算该匹配点的曲率kr，航向角θ
rj
，以及匹配点坐标(x
r,j
,y
r,j
)。之后，利用下式进行坐标转换得到笛卡尔坐标系下的轨迹：
[0132][0133]
上述步骤s241至步骤s242，通过代价函数对车辆预测轨迹进行筛选，能够在衡量目标车辆的轨迹舒适度和合理性的情况下得到最为合理和安全的预测轨迹。
[0134]
下面通过优选实施例对本实施例进行描述和说明。
[0135]
图5是本优选实施例的车辆轨迹预测方法的流程图。如图5所示，该车辆轨迹预测方法包括如下步骤：
[0136]
步骤s501，从车辆部署的感知模块中获取目标车辆的历史状态信息和车道信息；
[0137]
步骤s502，根据车道信息中的车道边界线计算车道中心线；
[0138]
步骤s503，基于历史状态信息，得到目标车辆在当前时刻，1秒前时刻，以及1秒后时刻的状态信息，预测目标车辆的变道意图；
[0139]
步骤s504，将目标车辆在当前时刻的运动状态信息输入预设的车辆运动学模型进行短时间的运动状态预测，得到短时预测轨迹；
[0140]
步骤s505，基于变道意图对车道中心线进行修正得到目标车道中心线，根据预设的插值算法，利用短时预测轨迹对目标车道中心线进行补偿，得到目标参考线簇；
[0141]
步骤s506，根据目标参考线簇生成车辆预测轨迹，并基于代价函数选取代价值最小的车辆预测轨迹作为该目标车辆最终的预测轨迹。
[0142]
另外地，图6为本优选实施例的目标参考线簇生成方法流程图。如图6所示，该目标参考线簇生成方法包括以下步骤：
[0143]
步骤s601，获取目标车辆的当前时刻的运动状态信息；
[0144]
步骤s602，将目标车辆当前时刻的运动状态信息输入cyra模型中进行运动状态预测，得到短时预测轨迹；
[0145]
步骤s603，基于变道意图修正车道中心线，得到目标车道中心线；
[0146]
步骤s604，判断目标车道中心线中的当前离散点是否满足条件1，若是则执行步骤s605，否则，继续遍历目标车道中心线中的下一个离散点对其进行判断；其中，条件1为目标车道中心线的当前离散点的x轴坐标，大于短时预测轨迹中末端点的x轴坐标；
[0147]
步骤s605，拼接短时预测轨迹与目标车道中心线，并基于cubic spline插值，生成目标参考线簇。
[0148]
此外，图7为本优选实施例的车辆预测轨迹生成方法的流程图。如图7所示，该车辆预测轨迹生成方法包括如下步骤：
[0149]
步骤s701，获取目标参考线簇；
[0150]
步骤s702，基于目标参考线簇中的参考线建立frenet坐标系；
[0151]
步骤s703，获取目标车辆的当前时刻的运动状态；
[0152]
步骤s704，确定目标车辆在frenet坐标系下的初始状态和最终状态；
[0153]
步骤s705，基于s704的结果求解横向d(t)的五次多项式，和纵向s(t)的四次多项式；
[0154]
步骤s706，基于s705的求解结果生成frenet坐标系下的预测轨迹及对应的代价值；
[0155]
步骤s707，挑选代价值最小的预测轨迹；
[0156]
步骤s708，将代价最小的预测轨迹由frenet坐标系转至笛卡尔坐标系下，得到目标车辆的车辆预测轨迹。
[0157]
在本实施例中还提供了一种车辆轨迹预测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0158]
图8是本实施例的车辆轨迹预测装置80的结构框图，如图8所示，该车辆轨迹预测装置80包括：获取模块82、第一生成模块84、以及第二生成模块86；其中：
[0159]
获取模块82，用于确定目标车辆的车道中心线，并预测目标车辆的变道意图；
[0160]
第一生成模块84，用于基于预设的运动学模型生成目标车辆的短时预测轨迹，并基于变道意图和短时预测轨迹，结合预设的插值算法对车道中心线进行补偿，得到目标参考线簇；
[0161]
第二生成模块86，用于基于目标参考线簇生成目标车辆的车辆预测轨迹。
[0162]
上述车辆轨迹预测装置80，确定目标车辆的车道中心线，并预测目标车辆的变道意图；基于预设的运动学模型生成目标车辆的短时预测轨迹，并基于变道意图和短时预测轨迹，结合预设的插值算法对车道中心线进行补偿，得到目标参考线簇；基于目标参考线簇生成目标车辆的车辆预测轨迹。其通过基于车辆的运动学信息的短时预测轨迹实现了对参考线的补偿，从而能够得到符合车辆轨迹实际特征的参考线，进而能够提升车辆轨迹的预测结果的精度。
[0163]
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
[0164]
在本实施例中还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
[0165]
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
[0166]
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
[0167]
s1，确定目标车辆的车道中心线，并预测目标车辆的变道意图；
[0168]
s2，基于预设的运动学模型生成目标车辆的短时预测轨迹，并基于变道意图和短时预测轨迹，结合预设的插值算法对车道中心线进行补偿，得到目标参考线簇；
[0169]
s3，基于目标参考线簇生成目标车辆的车辆预测轨迹。
[0170]
需要说明的是，在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。
[0171]
此外，结合上述实施例中提供的车辆轨迹预测方法，在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种车辆轨迹预测方法。
[0172]
应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本技术提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本技术保护范围。
[0173]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0174]
显然，附图只是本技术的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本技术适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本技术披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本技术公开的内容不足。
[0175]“实施例”一词在本技术中指的是结合实施例描述的具体特征、结构或特性可以包括在本技术的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本技术中描述的实施例在没有冲突的情况下，可以与其它实施例结合。
[0176]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。
技术特征：
1.一种车辆轨迹预测方法，其特征在于，包括：确定目标车辆的车道中心线，并预测所述目标车辆的变道意图；基于预设的运动学模型生成所述目标车辆的短时预测轨迹，并基于所述变道意图和所述短时预测轨迹，结合预设的插值算法对所述车道中心线进行补偿，得到目标参考线簇；基于所述目标参考线簇生成所述目标车辆的车辆预测轨迹。2.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述确定目标车辆的车道中心线，包括：根据预先获取的所述目标车辆的车道边界线信息，计算得到所述目标车辆的车道中心线。3.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述预测所述目标车辆的变道意图，包括：根据所述目标车辆的运动状态信息，分别确定所述目标车辆在历史时刻与车道边界线的第一位置关系、所述目标车辆在当前时刻与所述车道边界线的第二位置关系、以及预测所述目标车辆在预设时段后与所述车道边界线的第三位置关系；通过比较所述第一位置关系、所述第二位置关系、以及所述第三位置关系，确定所述目标车辆的变道意图。4.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述基于预设的运动学模型生成所述目标车辆的短时预测轨迹，包括：将所述目标车辆当前的运动状态信息输入预设的运动学模型进行预设时段的运动状态预测，生成所述目标车辆的短时预测轨迹。5.根据权利要求4所述的车辆轨迹预测方法，其特征在于，所述预设时段为预设数量的间隔时刻；所述将所述目标车辆当前的运动状态信息输入预设的运动学模型进行预设时段的运动状态预测，生成所述目标车辆的短时预测轨迹，包括：将所述目标车辆当前的运动状态信息输入预设的运动学模型，预测得到所述预设数量的间隔时刻的运动状态信息；基于所述预设数量的间隔时刻的运动状态信息，生成所述短时预测轨迹。6.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述基于所述变道意图和所述短时预测轨迹，结合预设的插值算法对所述车道中心线进行补偿，得到目标参考线簇，包括：根据所述变道意图对所述车道中心线进行修正，得到目标车道中心线；基于三次样条插值算法的原理，利用所述短时预测轨迹对所述目标车道中心线进行补偿，得到所述目标参考线簇。7.根据权利要求6所述的车辆轨迹预测方法，其特征在于，所述基于三次样条插值算法的原理，利用所述短时预测轨迹对所述目标车道中心线进行补偿，得到所述目标参考线簇，包括：根据所述短时预测轨迹中的坐标信息，从所述目标车道中心线中连续抽取预设数量的连接点；基于所述三次样条插值算法的原理，将所述短时预测轨迹通过所述连接点对所述目标车道中心线进行补偿，得到所述目标参考线簇。
8.根据权利要求1所述的车辆轨迹预测方法，其特征在于，所述基于所述目标参考线簇生成所述目标车辆的车辆预测轨迹，包括：根据所述目标参考线簇建立frenet坐标系；基于从所述目标参考线簇中选取的参考点的位置信息，以及所述目标车辆当前的运动状态信息，得到所述目标车辆在所述frenet坐标系下的预测轨迹的初始点和终点；根据所述初始点和终点，生成所述目标车辆的车辆预测轨迹。9.根据权利要求1至8中任一项所述的车辆轨迹预测方法，其特征在于，在基于所述目标参考线簇生成所述目标车辆的车辆预测轨迹之后，所述方法还包括：根据预设的基于加速度信息和横向超调量信息的代价函数，计算得到所述目标车辆所有车辆预测轨迹的代价值；基于预设的筛选条件对所有车辆预测轨迹的代价值进行筛选，得到最优车辆预测轨迹。10.一种车辆轨迹预测装置，其特征在于，包括：获取模块、第一生成模块、以及第二生成模块；其中：所述获取模块，用于确定目标车辆的车道中心线，并预测所述目标车辆的变道意图；所述第一生成模块，用于基于预设的运动学模型生成所述目标车辆的短时预测轨迹，并基于所述变道意图和所述短时预测轨迹，结合预设的插值算法对所述车道中心线进行补偿，得到目标参考线簇；所述第二生成模块，用于基于所述目标参考线簇生成所述目标车辆的车辆预测轨迹。11.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至9中任一项所述的车辆轨迹预测方法。12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的车辆轨迹预测方法的步骤。
技术总结
本申请涉及一种车辆轨迹预测方法、装置、电子装置和存储介质，其中，该车辆轨迹预测方法包括：确定目标车辆的车道中心线，并预测目标车辆的变道意图；基于预设的运动学模型生成目标车辆的短时预测轨迹，并基于变道意图和短时预测轨迹，结合预设的插值算法对车道中心线进行补偿，得到目标参考线簇；基于目标参考线簇生成目标车辆的车辆预测轨迹。通过本申请，基于车辆的运动学信息的短时预测轨迹实现了对参考线的补偿，从而能够得到符合车辆轨迹实际特征的参考线，进而能够提升车辆轨迹的预测结果的精度。结果的精度。结果的精度。
