车辆轨迹的预测与危险目标的选择方法、介质及设备

技术领域

本申请属于智能驾驶技术领域，特别是涉及车辆轨迹预测及危险目标的选择技术领域。

背景技术

随着智能驾驶系统技术的快速发展，市场对智能驾驶工作场景的要求越来越多，对系统稳定性的要求也越来越大。目前具有辅助驾驶功能的车辆一般搭载有摄像头，毫米波雷达，超声波雷达，激光雷达等传感器。这些传感器的信号通常经过感知融合算法处理后，输出十几个甚至几十个融合目标的运动信息，而对于本车而言，往往需要从中筛选出本车运动轨迹内的最危险目标，以及左右旁侧的次危险目标。本车的行驶轨迹预测以及前方危险和次危险目标的选择，直接关系着碰撞预警系统(FCW)、自适应巡航系统(ACC)、制动紧急制动系统(AEB)等辅助驾驶功能。

常用的目标选择方法一般会采用车道线的相关信息来选择本车运动轨迹内的危险目标，该方法采用高阶多项式的方式预测本车行驶轨迹，具有误差小的特点。但是当车道线不清晰、前方目标距离较近导致车道线信息误差变大，以及没有车道线(过十字路口)、本车转弯等情况下，容易出现危险目标丢失或者选择错误的情况。

此外，在弯道情况下，感知融合输出的目标横纵向距离实际上为目标径向距离在本车坐标系下的分解。因此，在使用车道线多次方程信息来预测本车行驶轨迹、选择危险目标时，需要将弯道下的目标横纵向距离做补偿，而现有的技术方案中大都未提及或未使用该方法，因此车辆在弯道场景下的适应性不强。

发明内容

本申请提供一种车辆轨迹的预测与危险目标的选择方法、介质及设备，用于解决车辆在复杂场景下轨迹预测和目标选择的技术问题。

第一方面，本申请实施例提供一种车辆轨迹的预测与危险目标的选择方法，包括：在车道线参考线方程可用时，基于车道线构建本车与目标车辆之间的第一横向间距；在车道线参考线方程不可时，基于车辆行驶曲率构建本车与目标车辆之间的第二横向间距；将所述第一横向间距和所述第二横向间距进行融合，获得融合横向间距；基于所述融合横向间距和预先配置的本车道与左右车道的目标横向阈值，筛选出前方不同车道距离最近的危险目标车辆。

在所述第一方面的一种实现方式中，所述在车道线参考线方程可用时，基于车道线构建本车与目标车辆之间的第一横向间距包括：获取车辆左车道线参考线方程和/或右车道线参考线方程；基于所述车辆左车道线参考线方程和/或右车道线参考线方程获取车道中心线的轨迹方程；基于所述车道中心线的轨迹方程预测本车与目标车辆之间的第一横向间距。

在所述第一方面的一种实现方式中，所述基于所述车辆左车道线参考线方程和/或右车道线参考线方程获取车道中心线的轨迹方程包括：基于所述车辆左车道线参考线方程和/或右车道线参考线方程获取车道中心线的夹角，车道中心线的曲率，以及车道中心线曲率的变化率；基于所述本车与车道中心线的夹角、所述车道中心线的曲率、以及所述车道中心线曲率的变化率获取车道中心线的轨迹方程；所述基于所述车道中心线的轨迹方程预测本车与目标车辆之间的第一横向间距包括：从所述车道中心线的轨迹方程中提取所述本车与车道中心线的夹角、所述车道中心线的曲率、以及所述车道中心线曲率的变化率；获取由感知融合输出的本车与目标的相对横向距离与本车与目标的相对纵向距离；基于所述本车与目标的相对横向距离、所述本车与目标的相对纵向距离、所述本车与车道中心线的夹角、所述车道中心线的曲率、以及所述车道中心线曲率的变化率获取所述第一横向间距。

在所述第一方面的一种实现方式中，所述基于所述本车与目标的相对横向距离、所述本车与目标的相对纵向距离、所述本车与车道中心线的夹角、所述车道中心线的曲率、以及所述车道中心线曲率的变化率获取所述第一横向间距包括：

Δy＝dy-(c1*dx+c2*dx

其中，Δy为第一横向间距，dy为感知融合输出的本车与目标的相对横向距离，dx为感知融合输出的本车与目标的相对纵向距离；c1为本车与车道中心线的夹角，c2为车道中心线的曲率，c3为车道中心线曲率的变化率。

在所述第一方面的一种实现方式中，还包括：在车道为弯道时，对所述第一横向间距进行弯道补偿，所述弯道补偿包括：

其中，Δy

在所述第一方面的一种实现方式中，所述车辆行驶曲率的获取方式包括：通过多种行驶曲率计算方式，分别根据一车辆的各曲率计算参数的不同组合计算得到多个初步行驶曲率结果；各曲率计算参数至少包括：方向盘转角信息、横摆角速度信息、横向加速度信息及车速信息；所述多种行驶曲率计算方式至少包括：第一行驶曲率计算方式，用于根据方向盘转角信息计算第一初步行驶曲率结果；第二行驶曲率计算方式，用于根据横摆角速度信息和车速信息计算第二初步行驶曲率结果；第三行驶曲率计算方式，用于根据横向加速度信息和车速信息计算第三初步行驶曲率结果；根据各所述初步行驶曲率结果的加权融合计算，得到最终的车辆行驶曲率。

在所述第一方面的一种实现方式中，所述基于车辆行驶曲率构建本车与目标车辆之间的第二横向间距包括：

其中，Δy

在所述第一方面的一种实现方式中，还包括：获取感知融合输出的实时横向间距；将所述实时横向间距、所述第一横向间距和所述第二横向间距进行融合，获得所述融合横向间距。

在所述第一方面的一种实现方式中，配置的所述目标横向阈值与前方目标车辆的纵向距离成正比例关系。

第二方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本申请第一方面中任一项所述的车辆轨迹的预测与危险目标的选择方法。

第三方面，本申请实施例提供一种电子设备，所述电子设备包括处理器及存储器；所述存储器存储有程序指令；所述处理器，用于运行所述程序指令，以执行本申请第一方面中任一项所述的车辆轨迹的预测与危险目标的选择方法。

本申请实施例提供的车辆轨迹的预测与危险目标的选择方法，具有以下有益效果：

本申请结合了车道线信息以及车辆行驶曲率融合估算本车与目标对象之间的横向间距，并且在估算时增加了弯道补偿算法，提高了场景适应性，有效解决车辆在复杂场景下轨迹预测和目标选择的技术问题。

附图说明

图1显示为本申请一实施例的车辆轨迹的预测与危险目标的选择方法的流程图。

图2显示为本申请一实施例的车辆轨迹的预测与危险目标的选择方法的实施原理图。

图3显示为本申请一实施例的车辆轨迹的预测与危险目标的选择方法中获取第一横向间距的流程图。

图4显示为本申请一实施例的车辆轨迹的预测与危险目标的选择方法中坐标系示例图。

图5显示为本申请一实施例的车辆轨迹的预测与危险目标的选择方法中目标在本车坐标系下的相对横纵距离。

图6显示为本申请一实施例的车辆轨迹的预测与危险目标的选择方法中弯道场景下的关系图。

图7显示为本申请一实施例的车辆轨迹的预测与危险目标的选择方法中弯道补偿的原理示意图。

图8显示为本申请一实施例的车辆轨迹的预测与危险目标的选择方法中间距融合的一种实施方式原理图。

图9显示为本申请一实施例的车辆轨迹的预测与危险目标的选择方法的一种实施示例图。

图10显示为本申请一实施例中电子设备的结构示意图。

元件标号说明

100电子设备

101存储器

102处理器

103显示器

S100～S400 步骤

S110～S130 步骤

具体实施方式

以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

本申请实施例提供一种车辆轨迹的预测与危险目标的选择方法，用于解决车辆在复杂场景下轨迹预测和目标选择的技术问题。下面将结合本申请实施例中的附图1至附图10，对本申请实施例中的技术方案进行详细描述。使本领域技术人员不需要创造性劳动即可理解和实施本实施例的车辆轨迹的预测与危险目标的选择方法。

图1显示为本申请实施例中车辆轨迹的预测与危险目标的选择方法的流程图。如图1所示，本申请实施例提供的车辆轨迹的预测与危险目标的选择方法包括以下步骤S100至S400。

步骤S100，在车道线参考线方程可用时，基于车道线构建本车与目标车辆之间的第一横向间距；

步骤S200，在车道线参考线方程不可时，基于车辆行驶曲率构建本车与目标车辆之间的第二横向间距；

步骤S300，将所述第一横向间距和所述第二横向间距进行融合，获得融合横向间距；

步骤S400，基于所述融合横向间距和预先配置的本车道与左右车道的目标横向阈值，筛选出前方不同车道距离最近的危险目标车辆。

图2显示为本申请一实施例的车辆轨迹的预测与危险目标的选择方法的实施原理图。如图2所示，本实施例的方法综合预测本车的行驶轨迹，分别基于车道线和车辆行驶曲率确定本车与目标对象之间的横向间距，采用融合加权方式最终得到本车与目标对象之间横向间距的预测值。最后根据融合横向间距和目标横向阈值来判断目标车辆是否行驶区域内的最危险目标。

本实施例提供的车辆轨迹的预测与危险目标的选择方法结合了车道线信息以及车辆行驶曲率融合估算本车与目标对象之间的融合横向间距。以下对本实施例的车辆轨迹的预测与危险目标的选择方法中的上述步骤S100至步骤S400进行详细说。

步骤S100，基于车道线构建本车与目标车辆之间的第一横向间距(即第一预测横向间距)。

图3显示为本申请一实施例的车辆轨迹的预测与危险目标的选择方法中获取第一横向间距的流程图。具体地，如图3所示，在本实施例的一种实现方式中，所述所述在车道线参考线方程可用时，基于车道线构建本车与目标车辆之间的第一横向间距包括以下步骤S110至步骤S140。

步骤S110，获取车辆左车道线参考线方程和/或右车道线参考线方程。

在左右车道线描述方程至少一个可用的情况下，构建本车与目标之间的第一横向间距。

图4显示为本申请一实施例的车辆轨迹的预测与危险目标的选择方法中坐标系示例图。如图4所示，车辆坐标系以本车车头中心为原点，向前为X轴正方向，向右为Y轴正方向。

具体地，从摄像头等图像设备传感器可获取车辆左车道线参考线方程和/或右车道线参考线方程：

y_left＝a0+a1*x+a2*x

y_right＝b0+b1*x+b2*x

其中：y_left为左侧车道线上某点的横坐标，x为左侧车道线上某点的纵坐标，a0为本车车头中心到左侧车道线的距离，a1为本车与左侧车道线的夹角，a2为左侧车道线的曲率，a3为左侧车道线曲率的变化率；y_right为右侧车道线上某点的横坐标，x为右侧车道线上某点的纵坐标，b0为本车车头中心到右侧车道线的距离，b1为本车与右侧车道线的夹角，b2为右侧车道线的曲率，b3为右侧车道线曲率的变化率。

步骤S120，基于所述车辆左车道线参考线方程和/或右车道线参考线方程获取车道中心线的轨迹方程。

其中，所述基于所述车辆左车道线参考线方程和/或右车道线参考线方程获取车道中心线的轨迹方程包括：

1)基于所述车辆左车道线参考线方程和/或右车道线参考线方程获取车道中心线的夹角，车道中心线的曲率，以及车道中心线曲率的变化率；

2)基于所述本车与车道中心线的夹角、所述车道中心线的曲率、以及所述车道中心线曲率的变化率获取车道中心线的轨迹方程。

本实施例中，根据车辆左车道线参考线方程和/或右车道线参考线方程得到的车道中心线的轨迹方程为：

y＝c0+c1*x+c2*x

其中：c0为本车车头中心到车道中心线的距离，c1为本车与车道中心线的夹角，c2为车道中心线的曲率，c3为车道中心线曲率的变化率。

具体地，基于所述车辆左车道线参考线方程和/或右车道线参考线方程获取车道中心线的夹角，车道中心线的曲率，以及车道中心线曲率的变化率的方式为：

1)当左右车道线方程均可用时：

c0＝(a0+b0)/2；c1＝(a1+b1)/2；c2＝(a2+b2)/2；c3＝(a3+b3)/2；

2)当左车道线方程可用时：

c0＝a0；c1＝a1；c2＝a2；c3＝a3；

3)当右车道线方程可用时：

c0＝b0；c1＝b1；c2＝b2；c3＝b3。

步骤S130，基于所述车道中心线的轨迹方程预测本车与目标车辆之间的第一横向间距。

在本实施例的一种实现方式中，所述基于所述车道中心线的轨迹方程预测本车与目标车辆之间的第一横向间距包括：

1)从所述车道中心线的轨迹方程中提取所述本车与车道中心线的夹角、所述车道中心线的曲率、以及所述车道中心线曲率的变化率；

2)获取由感知融合输出的本车与目标的相对横向距离与本车与目标的相对纵向距离；

3)基于所述本车与目标的相对横向距离、所述本车与目标的相对纵向距离、所述本车与车道中心线的夹角、所述车道中心线的曲率、以及所述车道中心线曲率的变化率获取所述第一横向间距。

本实施例将预测的第一横向间距分别为由感知融合输出的本车与目标的相对横向距离与感知融合输出的本车与目标的相对纵向距离表示。

图5显示为本申请一实施例的车辆轨迹的预测与危险目标的选择方法中目标在本车坐标系下的相对横纵距离。本实施例中，感知融合输出的前方目标在本车坐标系下的相对横纵向距离表示方式如图5所示。由于毫米波雷达和摄像头的特性，感知融合得到的目标的相对距离实际上为本车与目标的径向距离，因此目标和本车的相对横纵向距离为径向距离在本车坐标系下的分解。

如图5所示，在本实施例的一种实现方式中，所述基于所述本车与目标的相对横向距离、所述本车与目标的相对纵向距离、所述本车与车道中心线的夹角、所述车道中心线的曲率、以及所述车道中心线曲率的变化率获取所述第一横向间距包括：

Δy＝dy-(c1*dx+c2*dx

其中，Δy为第一横向间距，dy为感知融合输出的本车与目标的相对横向距离，dx为感知融合输出的本车与目标的相对纵向距离；c1为本车与车道中心线的夹角，c2为车道中心线的曲率，c3为车道中心线曲率的变化率。其中，在直道情况下，车道的曲率c2为很小的值，一般情况下c2≤0.0005即可认为该车道为直道，c2＞0.0005时车道为弯道。

此外，于本实施例中，还包括：在车道为弯道时，对所述第一横向间距进行弯道补偿所述弯道补偿包括：

其中，Δy

图6显示为本申请一实施例的车辆轨迹的预测与危险目标的选择方法中弯道场景下的关系图。当本车和目标处于弯道场景下时，如图6所示，则本车运动到前方目标位置处为图中本车道的虚线目标处，即与目标处于同一圆心角的本车道位置处。此处的本车与目标之间的横向间距为预测的横向距离。欲求Δy的值，则需要知道相对纵向距离dx’，而感知融合输出的目标相对纵向距离为图6中的dx，因此需要进行弯道补偿。

图7显示为本申请一实施例的车辆轨迹的预测与危险目标的选择方法中弯道补偿的原理示意图。如图7所示，假设B为融合输出的目标，A为本车运动到目标位置处的虚拟车辆。由车辆运动学模型可知，车辆在做圆周运动时，圆心到车辆后轮中心为圆周运动的半径。已知感知融合输出的目标B的相对横纵向距离为(dy,dx)，则图7中的圆心角为：

其中，L为本车车头中心到本车后轴中心的纵向距离，R为本车运动的弯道半径(可由R＝1/c2得到)，则虚拟位置处的车辆A与本车的相对纵向距离为：

dx'＝R*sinθ-L

则可得到目标B与虚拟本车A在本车坐标系下的横向距离BD为：

d

最终可得到弯道补偿后本车运动到目标位置处时与目标的第一横向间距：

其中，上述弯道情况下计算的本车与目标的预测横向间距公式同样适用于直道情况，在直道情况下，车道的曲率c2为很小的值，一般情况下c2≤0.0005即可认为该车道为直道。

步骤S200，基于车辆行驶曲率构建本车与目标车辆之间的第二横向间距。

在车道线描述方程不可用的情况下，基于车辆行驶曲率构建第二预测横向间距。

在构建第一横向间距时均考虑的是车道线存在且能获取到车道线的描述方程的前提下所作的本车轨迹预测以及与目标横向间距的预测。可是当车道线不清晰、前方目标距离较近导致车道线信息误差变大，以及没有车道线(过十字路口)、本车转弯等情况下则无法通过车道线的描述方程获取到车道线的相关信息(或得到的信息不准确)，从而无法预测本车行驶轨迹(或预测的误差很大)，因此，在此情况下，需要通过车辆自身的参数(例如方向盘转角、横摆角速度、车速、横向加速度、纵向加速度)去预测行驶轨迹。

本实施例采用多参数融合估算出的车辆行驶曲率作为车辆自身的参数用于预测行驶轨迹(行驶曲率计算时，采用方向盘转角、横摆角度、车速、横向加速度等车身信号作为输入信号，分别利用其对应的曲率计算公式作为基本计算方式。通过对相关信号进行滤波，并利用车辆在不同场景下(低速、中速、高速、方向盘角度值、车辆加减速、道路稳固性，侧风稳固性等场景)的信号特性，采用查表方式来确定对应曲率计算方式所占的权重比，最终得到最优的行驶曲率可代表上述各个参数，用于预测行驶轨迹。

具体地，在本实施例的一种实现方式中，所述车辆行驶曲率的获取方式包括：通过多种行驶曲率计算方式，分别根据一车辆的各曲率计算参数的不同组合计算得到多个初步行驶曲率结果。

各曲率计算参数至少包括：方向盘转角信息、横摆角速度信息、横向加速度信息及车速信息；其中，方向盘转角信息、横摆角速度信息、横向加速度信息、车速信息中的“信息”指的是表现方向盘转角、横摆角速度、横向加速度、车速等物理量的数据。

所述多种行驶曲率计算方式至少包括：第一行驶曲率计算方式，用于根据方向盘转角信息计算第一初步行驶曲率结果；第二行驶曲率计算方式，用于根据横摆角速度信息和车速信息计算第二初步行驶曲率结果；第三行驶曲率计算方式，用于根据横向加速度信息和车速信息计算第三初步行驶曲率结果；根据各所述初步行驶曲率结果的加权融合计算，得到最终的车辆行驶曲率。

其中，所述第一行驶曲率计算方式，用于根据方向盘转角信息计算第一初步行驶曲率结果。示例性地，可以参考以下公式(a)，展示第一行驶曲率计算方式的公式。

k1＝tan(θ/I)/L (a)；

其中，k1为第一初步行驶曲率结果，θ为方向盘转角，I为方向盘传动比，L为车辆轴距。车辆轴距和方向盘传动比是固定值，为车辆固有特性参数。

所述第二行驶曲率计算方式，用于根据横摆角速度信息和车速信息计算第二初步行驶曲率结果。示例性地，可以参考以下公式(b)，展示第二行驶曲率计算方式的公式。

k2＝ω/V

其中，k2为为第二初步行驶曲率结果，ω为横摆角速度，Vx为车速。

所述第三行驶曲率计算方式，用于根据横向加速度信息和车速信息计算第三初步行驶曲率结果。作为示例，可以参考以下公式(c)，展示第二行驶曲率计算方式的公式。

其中，k3为第三初步行驶曲率结果，Ay为车辆横向加速度，Vx为车速。

根据各所述初步行驶曲率结果的加权融合计算，得到最终行驶曲率结果中，示例性地，即对上式(a)、(b)、(c)得到的k1、k2、k3进行加权融合计算。

在一些实施例中，多参数的加权融合计算可以采用以下四种方式。所述加权融合计算为求加权和。求加权和的方式包括以下几种：

1)首先采用k1和k2求加权和，然后将融合后的结果再与k3求加权和，最终输出估计的行驶曲率。可为求加权和，在两个参数求加权合时，一个参数的权重为w，另一个参数的权重为1-w。

2)首先采用k1和k3求加权和，然后将融合后的结果再与k2求加权和，最终输出估计的行驶曲率。

3)首先采用k2和k3求加权和，然后将融合后的结果再与k1求加权和，最终输出估计的行驶曲率。

4)将k1、k2、k3求加权和，最终输出估计的行驶曲率，k1、k2、k3的权重和为1。

本实施例基于多种曲率计算方式的融合来计算最终行驶曲率，其中考量曲率计算参数在行驶场景下的适用性而设置权重，有效提升行驶曲率计算准确度。

在车道线描述方程不可用的情况下，得到的车辆行驶曲率后，然后利用上述公式

在本实施例的一种实现方式中，所述基于车辆行驶曲率构建本车与目标车辆之间的第二横向间距包括：

其中，Δy

步骤S300，将所述第一横向间距和所述第二横向间距进行融合，获得融合横向间距。

其中，可以采用融合加权方式将所述第一横向间距和所述第二横向间距进行融合，也就是分别配置所述第一横向间距的权重和所述第二横向间距的权重，采用融合加权方式将所述第一横向间距和所述第二横向间距进行融合，获得融合横向间距，最终得到本车与目标对象之间横向间距的预测值。

为了提高本车与目标横向间距预测的准确性和场景适应性，本实施例利用车道线预测的第一横向间距和利用本车行驶曲率预测的第一横向间距进行融合处理，得到融合后的融合横向间距。

为进一步提高预测的准确性，本实施例还可以引入车辆传感器感知融合输出的实时横向间距进行融合。图8显示为本申请一实施例的车辆轨迹的预测与危险目标的选择方法中间距融合的一种实施方式原理图。如图8所示，即在本实施例的一种实现方式中，还可以包括：获取感知融合输出的实时横向间距，将所述实时横向间距、所述第一横向间距和所述第二横向间距进行融合，获得所述融合横向间距。

当实时横向间距融合时，三者之间的融合顺序可调整，确保所述第一横向间距和所述第二横向间距的融合均参加融合即可。

图9显示为本申请一实施例的车辆轨迹的预测与危险目标的选择方法的一种实施示例图。

如图9所示，按照所述第一横向间距和所述第二横向间距先融合，然后加入实时横向间距融合为例进行说明。

1)先将根据车道线方程预测的目标横向间距和根据本车行驶曲率预测的目标横向间距进行融合，得到目标横向间距预测值1，包括：

根据摄像头检测的左右车道线置信度、左右车道线的长度以及本车与目标的相对纵向距离来设计了权重确定单元1。权重确定规则为：根据左右车道线置信度、左右车道线的长度来判断当前车道线是否可用，如果不可用，则权重w1为0。如果车道线可用，则w1的值由本车与目标的相对纵向距离来确定，其确定方式为：本车与前车距离近时，w1为0，本车与前车距离远时，w1值为1，其余中间段采用线性查表方式确定w1的值。

2)将上述1)得到的目标横向间距预测值1与感知融合输出的本车与目标的横向间距进行融合，最终输出目标的横向间距预测值。

根据车道线中心线曲率、车辆行驶曲率以及本车与目标的相对纵向距离来设计了权重确定单元2。权重确定规则为：根据曲率来判断当前车辆行驶路径是直道还是弯道，如果当前行驶路径为弯道，则w2值为1。如果当前车辆行驶路径为直道，则w2的值由本车与目标的相对纵向距离来确定，其确定方式为：本车与前车距离近时，w2为0，本车与前车距离远时，w2值为1，其余中间段采用线性查表方式确定w2的值。

步骤S400，基于所述融合横向间距和预先配置的本车道与左右车道的目标横向阈值，筛选出前方不同车道距离最近的危险目标车辆。

根据所述融合横向间距来判断该目标是行驶区域内的最危险目标，还是行驶路线左右区域内的次危险目标。

根据的得到的融合横向间距(即目标横向间距预测值)值之后，可根据前方目标的纵向距离来设置本车道和左右车道目标的横向阈值，从而筛选出前方不同车道距离最近的目标车辆。

在本实施例的一种实现方式中，配置的所述目标横向阈值与前方目标车辆的纵向距离成正比例关系。

即所述的目标横向阈值的设置规则为：前方目标纵向距离越远，横向阈值设置越大；前方目标纵向距离越近，横向阈值设置越小。其中，该目标横向阈值的设置有最大值和最小值限值。

本申请实施例所述的车辆轨迹的预测与危险目标的选择方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本申请的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本申请的保护范围内。

本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本申请任一实施例提供的车辆轨迹的预测与危险目标的选择方法。

本申请实施例中，可以采用一个或多个存储介质的任意组合。存储介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机盘、硬盘、RAM、ROM、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

本申请实施例还提供一种电子设备。图10显示为本申请实施例提供的电子设备100的结构示意图。在一些实施例中，电子设备可以为手机、平板电脑、可穿戴设备、车载设备、增强现实(Augmented Reality，AR)/虚拟现实(Virtual Reality，VR)设备、笔记本电脑、超级移动个人计算机(Ultra-Mobile Personal Computer，UMPC)、上网本、个人数字助理(Personal Digital Assistant，PDA)等终端设备。此外，本申请提供的车辆轨迹的预测与危险目标的选择方法还可以应用于数据库、服务器以及基于终端人工智能的服务响应系统。本申请实施例对车辆轨迹的预测与危险目标的选择方法的具体应用场景不作任何限制。

如图10所示，本申请实施例提供的电子设备100包括存储器101和处理器102。

存储器101用于存储计算机程序；优选地，存储器101包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。

具体地，存储器101可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)和/或高速缓存存储器。电子设备100可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。存储器101可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。

处理器102与存储器101相连，用于执行存储器101存储的计算机程序，以使电子设备100执行本申请任一实施例中提供的车辆轨迹的预测与危险目标的选择方法。

可选地，处理器102可以是通用处理器，包括中央处理器(Central ProcessingUnit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

可选地，本实施例中电子设备100还可以包括显示器103。显示器103与存储器101和处理器102通信相连，用于显示车辆轨迹的预测与危险目标的选择方法的相关GUI交互界面。

综上所述，本申请结合了车道线信息以及车辆行驶曲率融合估算本车与目标对象之间的横向间距，并且在估算时增加了弯道补偿算法，提高了场景适应性，有效解决车辆在复杂场景下轨迹预测和目标选择的技术问题。因此，本申请有效克服了现有技术中的种种缺点而具有高度产业利用价值。

上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。