轨迹优化方法、装置、电子设备和存储介质

技术领域

本发明涉及自动驾驶技术领域，具体地说，涉及一种轨迹优化方法、装置、电子设备和存储介质。

背景技术

自动驾驶系统中，由于轨迹规划需要保证轨迹连续平滑，因此现行大多数轨迹规划方案通常会将上下帧数据进行拼接，即将上帧的轨迹点作为下帧轨迹规划的起始点；如此，在未能触发重规划时，规划的多数轨迹点并非从车辆实际位置出发，未考虑车辆控制误差引起的偏移数据，导致后续对规划的轨迹的碰撞检测并不能准确表达车辆行驶轨迹是否无碰撞。

现行的还有一种轨迹规划方案，根据特定需求人工确定进行碰撞检测的偏移数据，无法自适应地根据车辆偏离轨迹状态进行合理调整，存在因偏移数据设定不准而无法检测到特定场景下的碰撞风险、以及引起碰撞风险误判而造成紧急刹车系统频繁触发的问题。

需要说明的是，上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本发明提供一种轨迹优化方法、装置、电子设备和存储介质，能够在准确预测车辆跟随规划轨迹行驶过程中的控制误差及其收敛过程的基础上，对规划轨迹进行优化，克服因控制误差未考虑或不准确引起的潜在碰撞风险漏检以及非预期性紧急制动频发的问题，提升轨迹规划的容错能力和鲁棒性。

根据本发明的一个方面，提供一种轨迹优化方法，包括：获得根据历史行驶阶段的规划轨迹和行驶轨迹，生成的表征所述行驶轨迹向所述规划轨迹收敛的误差估计模型；其中，所述误差估计模型基于第一时窗的规划数据、行驶数据和误差数据，预测第二时窗的误差数据，所述第一时窗早于所述第二时窗；根据当前行驶阶段的规划数据、行驶数据和误差数据，基于所述误差估计模型获得对应于未来时窗的规划轨迹的预期误差；根据所述预期误差调整所述未来时窗的规划轨迹，生成所述未来时窗的预期轨迹。

在一些实施例中，所述误差估计模型的生成过程包括：根据所述历史行驶阶段的规划轨迹和行驶轨迹，获得所述历史行驶阶段的规划数据、行驶数据和误差数据；根据所述历史行驶阶段的规划数据、行驶数据和误差数据，基于带遗忘因子的最小二乘法拟合非线性自回归滑动平均模型，生成所述误差估计模型。

在一些实施例中，所述获得所述历史行驶阶段的规划数据、行驶数据和误差数据，包括：基于时间戳对所述历史行驶阶段的规划轨迹和行驶轨迹的各帧数据进行匹配；对匹配获得的数据对进行下采样，并自下采样获得的数据对中筛选与误差估计相关的数据对，获得所述历史行驶阶段的规划数据和行驶数据；根据所述历史行驶阶段的规划数据和行驶数据，计算所述历史行驶阶段的误差数据。

在一些实施例中，所述与误差估计相关的数据对包括：规划速度和行驶速度数据对、规划曲率变化率和行驶曲率变化率数据对、及规划转角和行驶转角数据对；所述非线性自回归滑动平均模型的函数表达为：y

在一些实施例中，所述基于所述误差估计模型获得对应于未来时窗的规划轨迹的预期误差，包括：采集所述当前行驶阶段的规划数据和行驶数据，并计算所述当前行驶阶段的行驶数据相对于规划数据的误差数据；将所述当前行驶阶段的规划数据、行驶数据和误差数据输入所述误差估计模型，生成所述未来时窗的误差数据；根据时间戳对所述未来时窗的误差数据的各帧数据与所述未来时窗的规划轨迹的各轨迹点进行匹配，获得对应于所述未来时窗的规划轨迹的预期误差。

在一些实施例中，所述根据所述预期误差调整所述未来时窗的规划轨迹，生成所述未来时窗的预期轨迹，包括：根据所述预期误差，生成所述未来时窗的规划轨迹的各轨迹点的碰撞裕度框；根据所述未来时窗的各轨迹点的碰撞裕度框，膨胀所述未来时窗的各轨迹点的规划轨迹框，生成以预期轨迹框序列表征的预期轨迹，所述预期轨迹的每个预期轨迹框覆盖对应轨迹点的规划轨迹框和碰撞裕度框。

在一些实施例中，所述的轨迹优化方法还包括：对所述预期轨迹进行碰撞检测；当所述预期轨迹的碰撞检测数据触发碰撞预警，确定碰撞轨迹点，所述碰撞轨迹点包括触发碰撞预警的轨迹点及其关联轨迹点；根据每个碰撞轨迹点的碰撞检测数据，生成每个所述碰撞轨迹点的极限轨迹框；根据所述碰撞轨迹点的极限轨迹框和所述预期误差中对应所述碰撞轨迹点的误差数据，优化所述碰撞轨迹点，生成对应每个所述碰撞轨迹点的目标轨迹点；以所述目标轨迹点替换所述碰撞轨迹点，生成所述未来时窗的目标轨迹。

在一些实施例中，所述规划数据、所述行驶数据和所述误差数据均包含横向数据和纵向数据。

根据本发明的又一个方面，提供一种轨迹优化装置，包括：误差模型获取模块，用于获得根据历史行驶阶段的规划轨迹和行驶轨迹，生成的表征所述行驶轨迹向所述规划轨迹收敛的误差估计模型；其中，所述误差估计模型基于第一时窗的规划数据、行驶数据和误差数据，预测第二时窗的误差数据，所述第一时窗早于所述第二时窗；误差数据预测模块，用于根据当前行驶阶段的规划数据、行驶数据和误差数据，基于所述误差估计模型获得对应于未来时窗的规划轨迹的预期误差；预期轨迹生成模块，用于根据所述预期误差调整所述未来时窗的规划轨迹，生成所述未来时窗的预期轨迹。

根据本发明的又一个方面，提供一种电子设备，包括：处理器；存储器，所述存储器中存储有可执行指令；其中，所述可执行指令被所述处理器执行时，实现如上述任意实施例所述的轨迹优化方法。

根据本发明的又一个方面，提供一种计算机可读的存储介质，用于存储程序，所述程序被处理器执行时实现如上述任意实施例所述的轨迹优化方法。

本发明与现有技术相比的有益效果至少包括：

本发明的轨迹优化方案，通过表征行驶轨迹向规划轨迹收敛的误差估计模型，能够准确预测车辆跟随规划轨迹行驶过程中的控制误差及其收敛过程，进而能够基于预测获得的未来时窗的预期误差，对未来时窗的规划轨迹进行优化，使控制误差及其收敛过程能够精准反馈至后续的碰撞检测和目标轨迹生成，消除因控制误差未考虑或不准确而引起的潜在碰撞风险漏检以及非预期性紧急制动频发的问题，提升轨迹规划的容错能力和鲁棒性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出本发明实施例中轨迹优化方法的步骤示意图；

图2示出本发明实施例中误差估计模型的生成过程的步骤示意图；

图3示出本发明实施例中获得对应于未来时窗的规划轨迹的预期误差的步骤示意图；

图4示出本发明实施例中生成未来时窗的预期轨迹的步骤示意图；

图5示出本发明实施例中生成未来时窗的预期轨迹的示例图；

图6示出本发明实施例中生成未来时窗的目标轨迹的步骤示意图；

图7示出本发明实施例中生成未来时窗的目标轨迹的示例图；

图8示出本发明实施例中轨迹优化装置的模块示意图；

图9示出本发明实施例中电子设备的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式。相反，提供这些实施方式使本发明全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

此外，附图中所示的流程仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤可以分解，有的步骤可以合并或部分合并，且实际执行的顺序有可能根据实际情况改变。具体描述时使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。需要说明的是，在不冲突的情况下，本发明的实施例及不同实施例中的特征可以相互组合。

自动驾驶系统通常由感知、定位、融合、规划以及控制等基本模块组成，本发明的轨迹优化方案，主要运用在自动驾驶系统的规划模块中，能够预测出未来一定时窗内车辆跟随规划轨迹行驶的控制误差以及收敛过程，依此调整优化规划轨迹，以使控制误差能够反馈至后续的碰撞检测和目标轨迹生成，提升轨迹规划的容错能力和鲁棒性。

图1示出本发明实施例中轨迹优化方法的主要步骤；参照图1所示，在一个实施例中，轨迹优化方法包括：

步骤S110，获得根据历史行驶阶段的规划轨迹和行驶轨迹，生成的表征行驶轨迹向规划轨迹收敛的误差估计模型；其中，误差估计模型基于第一时窗的规划数据、行驶数据和误差数据，预测第二时窗的误差数据，第一时窗早于第二时窗。

误差估计模型用于预测车辆跟随规划轨迹行驶过程中的控制误差及其收敛过程。通过表征行驶轨迹向规划轨迹收敛的误差估计模型，不仅能够估计车辆跟随规划轨迹行驶的控制误差，还能准确预测车辆跟随规划轨迹行驶过程中控制误差不断收敛的变化过程，准确反馈车辆跟随规划轨迹行驶过程中行驶轨迹向规划轨迹收敛的过程。

历史行驶阶段对应离线处理阶段。第一时窗和第二时窗的时间长度/数据帧数可根据需要设置；例如，在一个实施例中，一个周期对应一帧时长，第一时窗包括10个周期/10帧，第二时窗包括100个周期/100帧，则误差估计模型能够基于前10个周期/10帧的规划数据、行驶数据和误差数据，预测后100个周期/100帧的误差数据。

步骤S120，根据当前行驶阶段的规划数据、行驶数据和误差数据，基于误差估计模型获得对应于未来时窗的规划轨迹的预期误差。

当前行驶阶段对应在线使用阶段，未来时窗是当前行驶阶段中即将到来的时间周期。通过误差估计模型，能够基于当前行驶阶段中第一时窗的规划数据、行驶数据和误差数据，准确预测出当前行驶阶段中第二时窗的误差数据，即未来时窗的预期误差。

步骤S130，根据预期误差调整未来时窗的规划轨迹，生成未来时窗的预期轨迹。

基于预测获得的未来时窗的预期误差对未来时窗的规划轨迹进行优化，能够使控制误差及其收敛过程精准反馈至后续的碰撞检测和目标轨迹生成，消除因控制误差未考虑或不准确而引起的潜在碰撞风险漏检以及非预期性紧急制动频发的问题，提升轨迹规划的容错能力和鲁棒性。

图2示出本发明实施例中误差估计模型的生成过程的主要步骤；参照图2所示，在一个实施例中，误差估计模型的生成过程包括：

步骤S210，根据历史行驶阶段的规划轨迹和行驶轨迹，获得历史行驶阶段的规划数据、行驶数据和误差数据。

历史行驶阶段的规划轨迹和行驶轨迹由车辆的传感器组采集获得，包括规划轨迹/行驶轨迹的各轨迹点的时间戳、位置、速度、方向、曲率/曲率变化率、转角等等数据；轨迹点的时间戳根据采集频率确定，通常一帧数据对应一个轨迹点。根据历史行驶阶段的规划轨迹和行驶轨迹，获得历史行驶阶段的规划数据、行驶数据和误差数据，具体可包括：

首先，基于时间戳对历史行驶阶段的规划轨迹和行驶轨迹的各帧数据进行匹配，生成规划-行驶数据对集合；规划-行驶数据对集合的每个数据对中的规划轨迹相关数据和行驶轨迹相关数据具有相同的时间戳。

其次，对匹配获得的数据对进行下采样，下采样的时间间隔/频率采样可根据需要设定，只要能达到既准确反映行驶轨迹与规划轨迹之间的对应情况，又避免数据冗余、降低计算复杂度的目的即可。进一步地，自下采样获得的数据对中筛选与误差估计相关的数据对，也即筛选与误差估计具有强相关性的特征，获得历史行驶阶段的规划数据和行驶数据。

最后，根据历史行驶阶段的规划数据和行驶数据，计算历史行驶阶段的误差数据，误差数据即表征行驶数据相对于规划数据的偏差量。

上述的规划数据和行驶数据包括车辆的横向数据和纵向数据，计算获得的误差数据，也包含车辆的横向数据和纵向数据，以准确体现出车辆跟随规划轨迹行驶过程中的横纵向偏移量。

通过对采集的数据进行离线处理，降低数据帧率及提取特征，高效、合理、准确地构造出用于拟合误差估计模型的数据集。

在一个实施例中，与误差估计相关的数据对具体可包括：规划速度和行驶速度数据对、规划曲率变化率和行驶曲率变化率数据对、及规划转角和行驶转角数据对。

步骤S220，根据历史行驶阶段的规划数据、行驶数据和误差数据，基于带遗忘因子的最小二乘法拟合非线性自回归滑动平均模型，生成误差估计模型。

非线性自回归滑动平均模型，本实施例中具体采用带外生变量的非线性自回归滑动平均(NonlinearAutoRegressiveMovingAveragewithExtra Inputs，简称NARMAX)模型；NARMAX模型的函数表达为：

y

e

其中，F为非线性函数；

y

{y

{μ

{e

e

基于带遗忘因子的最小二乘法拟合NARMAX模型时，遗忘因子f<1，例如f＝0.905，每个变量的遗忘因子系数为f

此外，NARMAX模型的拟合过程中，每个周期的时间跨度可根据需要设定。本实施例中，第二时窗对应的100个周期设定为2s。

迭代收敛后，提取NARMAX模型的各项权值，作为后续在线使用阶段的误差估计模型的参数。

从而，通过上述的数据离线处理及NARMAX模型拟合过程，能够获得准确表征行驶轨迹向规划轨迹收敛的误差估计模型，利用获得的误差估计模型，后续在线使用阶段能够准确预测未来时窗的误差数据。

图3示出本发明实施例中获得对应于未来时窗的规划轨迹的预期误差的主要步骤；参照图3所示，在一个实施例中，基于误差估计模型获得对应于未来时窗的规划轨迹的预期误差，包括：

步骤S310，采集当前行驶阶段的规划数据和行驶数据，并计算当前行驶阶段的行驶数据相对于规划数据的误差数据。

当前行驶阶段的规划数据和行驶数据，具体可包括当前行驶阶段的规划轨迹的各轨迹点的规划速度、规划曲率变化率和规划转角，以及各轨迹点对应的行驶速度、行驶曲率变化率和行驶转角(也即，采集车辆的行驶数据时，可以根据规划轨迹的轨迹点的时间戳采集对应的行驶数据)。计算当前行驶阶段的行驶数据相对于规划数据的误差数据时，按照各轨迹点的时间戳，计算各轨迹点的行驶数据相对于规划数据的误差数据，获得各轨迹点的横纵向偏移量。

通过缓存当前行驶阶段的(第一时窗)规划数据、行驶数据和误差数据，供后续未来时窗(第二时窗)的误差估计。

步骤S320，将当前行驶阶段的规划数据、行驶数据和误差数据输入误差估计模型，生成未来时窗的误差数据。

使用上述基于带遗忘因子的最小二乘法拟合NARMAX模型而获得的误差估计模型，能够基于当前行驶阶段的规划数据、行驶数据和误差数据输入误差估计模型，准确预测未来时窗的误差数据。未来时窗的误差数据，例如包括未来2s车辆的100帧误差数据，每帧误差数据包括横纵向偏移量。

步骤S330，根据时间戳对未来时窗的误差数据的各帧数据与未来时窗的规划轨迹的各轨迹点进行匹配，获得对应于未来时窗的规划轨迹的预期误差。

根据时间戳，将未来时窗的误差数据插值为对应轨迹点的误差，即可获得附着于每个轨迹点的误差，也即对应于未来时窗的规划轨迹的预期误差。

从而，通过误差估计模型，能够基于当前行驶阶段的规划数据和行驶数据，预测横纵向上随时间推移逐渐收敛的控制误差，即对应于未来时窗的规划轨迹的预期误差，供后续基于预期误差对规划轨迹进行优化，生成能够反映车辆跟随规划轨迹行驶的控制误差及其收敛过程的预期轨迹，使控制误差能反馈于后续的碰撞检测和目标轨迹生成，从而提高轨迹规划的容错能力及鲁棒性。

图4示出本发明实施例中生成未来时窗的预期轨迹的主要步骤，参照图4所示，在一个实施例中，根据预期误差调整未来时窗的规划轨迹，生成未来时窗的预期轨迹，包括：

步骤S410，根据预期误差，生成未来时窗的规划轨迹的各轨迹点的碰撞裕度框。

预期误差包括对应未来时窗的规划轨迹的各轨迹点的误差数据(包括速度、曲率变化率和转角)；根据各轨迹点的误差数据，可先确定各轨迹点的偏移方向和偏移量，依此确定各轨迹点对应的偏移轨迹点，确定出偏移轨迹点后，生成各偏移轨迹点处的车辆多边形框，作为未来时窗的规划轨迹的各轨迹点的碰撞裕度框。

步骤S420，根据未来时窗的各轨迹点的碰撞裕度框，膨胀未来时窗的各轨迹点的规划轨迹框，生成以预期轨迹框序列表征的预期轨迹，预期轨迹的每个预期轨迹框覆盖对应轨迹点的规划轨迹框和碰撞裕度框。

结合碰撞裕度框膨胀规划轨迹框，生成的覆盖规划轨迹框和碰撞裕度框的预期轨迹框，能够准确表达车辆跟随规划轨迹行驶至每个轨迹点的可能覆盖范围。

图5示出本发明实施例中生成未来时窗的预期轨迹的示例；参照图5所示，未来时窗的规划轨迹510示意为由规划轨迹框510’组成的轨迹框序列，生成未来时窗的预期轨迹时，先根据预期误差生成未来时窗的规划轨迹的各轨迹点的碰撞裕度框520，再根据碰撞裕度框520膨胀对应轨迹点的规划轨迹框510’，生成各轨迹点的预期轨迹框530，从而获得由预期轨迹框530序列表征的预期轨迹。

生成的预期轨迹，可用于后续的碰撞检测。初始的规划轨迹510未考虑控制误差，不能准确反映车辆跟随规划轨迹510行驶过程中是否无碰撞；预期轨迹能够准确反映车辆跟随规划轨迹510行驶过程中的控制误差及其收敛过程，基于预期轨迹进行碰撞检测，能够准确获知车辆跟随规划轨迹510行驶过程中是否发生碰撞。例如，对预期轨迹进行碰撞检测发现，车辆跟随规划轨迹510行驶过程中，在轨迹点500处将与障碍物550发生碰撞(图5中表现为轨迹点500处的加粗绘示的预期轨迹框530与障碍物550发生重叠)；而若采用规划轨迹510进行碰撞检测，则无法准确检测到轨迹点500处的碰撞风险。

对预期轨迹进行碰撞检测后，还可进一步根据碰撞检测结果生成目标轨迹，用于引导车辆避让障碍物。

图6示出本发明实施例中生成未来时窗的目标轨迹的主要步骤；参照图6所示，在一个实施例中，轨迹优化方法还包括：

步骤S610，对预期轨迹进行碰撞检测。

碰撞检测的具体方式可根据需要确定；例如，参照图5所示，可根据预期轨迹的每个预期轨迹框530与障碍物550的距离，获得各轨迹点的碰撞检测数据，由此判定各轨迹点是否触发碰撞预警。

步骤S620，当预期轨迹的碰撞检测数据触发碰撞预警，确定碰撞轨迹点，碰撞轨迹点包括触发碰撞预警的轨迹点及其关联轨迹点。

结合图5所示，检测到轨迹点500触发碰撞预警，可将轨迹点500及其邻近轨迹点，例如与轨迹点500的时间差小于一定阈值的轨迹点一并确定为碰撞轨迹点(图5中以加粗圆点示意)。

步骤S630，根据每个碰撞轨迹点的碰撞检测数据，生成每个碰撞轨迹点的极限轨迹框。

碰撞检测数据可反映对应的轨迹点处的预期轨迹框与障碍物之间的距离，根据该距离调整预期轨迹框，使调整后的预期轨迹框能与障碍物之间相隔安全距离且具有最大覆盖面积，即获得极限轨迹框。

参照图5所示，以调整轨迹点500处的预期轨迹框530为例；调整轨迹点500处的预期轨迹框530的与障碍物550发生碰撞的边(称为碰撞边530a)，碰撞边530a的调整方向与轨迹点500处的偏移方向相反，轨迹点500处的偏移方向具体根据轨迹点500处的误差数据(包括速度、曲率变化率和转角)确定。

除收缩碰撞边530a外，还可扩展轨迹点500处的预期轨迹框530的边界边530b，所说的边界边530b具体是指与碰撞侧(即发生碰撞的障碍物550一侧，本实施例中例如为道路右侧)相对的另一侧(即道路左侧)相靠近的边。将边界边530b扩展至与其相靠近的一侧相隔安全距离，以使生成的极限轨迹框能与障碍物之间相隔安全距离且具有最大覆盖面积。

图7示出本发明实施例中生成未来时窗的目标轨迹的示例；结合图5和图7所示，图5中轨迹点500处的预期轨迹框530调整后，生成图7中轨迹点500处的极限轨迹框700(虚线示意)。

步骤S640，根据碰撞轨迹点的极限轨迹框和预期误差中对应碰撞轨迹点的误差数据，优化碰撞轨迹点，生成对应每个碰撞轨迹点的目标轨迹点。

优化一碰撞轨迹点的过程可包括：根据该碰撞轨迹点处的预期轨迹框的边界边的调整范围，调整该碰撞轨迹点；根据调整后的碰撞轨迹点及对应的误差数据，确定调整后的碰撞轨迹点对应的偏移轨迹点；判断调整后的碰撞轨迹点所对应的轨迹框、以及调整后的碰撞轨迹点对应的偏移轨迹点所对应的车辆多边形框，是否均在该碰撞轨迹点的极限轨迹框的范围内；若是则以调整后的碰撞轨迹点作为对应该碰撞轨迹点的目标轨迹点，若否则在该碰撞轨迹点的极限轨迹框的范围内继续调整该碰撞轨迹点，直至调整后的碰撞轨迹点所对应的轨迹框、以及调整后的碰撞轨迹点对应的偏移轨迹点所对应的车辆多边形框，均落入该碰撞轨迹点的极限轨迹框的范围内。

结合图5和图7所示，轨迹点500优化后，生成对应的目标轨迹点500’；同理地，对其他碰撞轨迹点，也生成对应的目标轨迹点(图7中以加粗圆点示意)。

步骤S650，以目标轨迹点替换碰撞轨迹点，生成未来时窗的目标轨迹。

结合图5和图7所示，将生成的目标轨迹点替换初始的规划轨迹510中对应的碰撞轨迹点，生成未来时窗的目标轨迹770。从而，通过少量调整规划轨迹510中的轨迹点，即碰撞轨迹点，即可在考虑误差数据的基础上，生成能够引导车辆避让障碍物550的目标轨迹770。

在生成目标轨迹的过程中，若任一步骤无法继续执行，例如生成极限轨迹框时发现扩展轨迹点处的预期轨迹框的边界边无法往外扩展，则表明依据当前规划的轨迹无法规避障碍物，则可通过触发重规划/控制车辆停车等方式，来避免车辆碰撞障碍物。

综上，本发明的轨迹优化方法，具有如下优点：

基于误差估计模型估计车辆沿规划轨迹行驶的误差数据，依此调整初始的规划轨迹，克服因控制误差未考虑而导致的潜在碰撞风险漏检的问题，且误差估计模型能够准确预测车辆跟随规划轨迹行驶过程中的控制误差及其收敛过程，克服因控制误差不准确而引起的非预期性紧急制动频发的问题；

采用NARMAX模型生成误差估计模型，能够表征车辆向规划轨迹收敛的非线性过程，提升误差预测准确性；

采用分离参数的方法，拟合NARMAX模型生成误差估计模型后，实际使用阶段可根据需求进行参数调优，以适应不同的场景；

使用一般化的模型，即NARMAX模型来描述误差的产生及其收敛的估计，可同时适用于不同类型车辆，模型本质与不同类型的车辆运动学特性无关，可同时适用于物流搬运车、卡车、乘用车等不同车辆；

误差估计器具有较佳的估计结果，估计值与实际值之间的误差基本上在1e

使用后处理方法，规划轨迹生成后再进行相应轨迹框的膨胀，避免对轨迹规划过程的全面调整，以减少计算量；

基于预期误差调整未来时窗的规划轨迹，生成未来时窗的预期轨迹后，若预期轨迹触发碰撞预警，可通过调整规划轨迹中的碰撞轨迹点的方式，在对规划轨迹改动最小、提升响应时间并节省计算资源的情况下，结合误差数据生成引导车辆避让障碍物的目标轨迹。

本发明实施例还提供一种轨迹优化装置，可用于实现上述任意实施例描述的轨迹优化方法。所说的轨迹优化装置可集成于自动驾驶系统的规划模块中，或者与规划模块通信连接。上述任意实施例描述的轨迹优化方法的特征和原理均可应用至下面的轨迹优化装置实施例。在下面的轨迹优化装置实施例中，对已经阐明的关于轨迹优化的特征和原理不再重复说明。

图8示出本发明实施例中轨迹优化装置的主要模块；参照图8所示，在一个实施例中，轨迹优化装置800包括：误差模型获取模块810，用于获得根据历史行驶阶段的规划轨迹和行驶轨迹，生成的表征行驶轨迹向规划轨迹收敛的误差估计模型；其中，误差估计模型基于第一时窗的规划数据、行驶数据和误差数据，预测第二时窗的误差数据，第一时窗早于第二时窗；误差数据预测模块820，用于根据当前行驶阶段的规划数据、行驶数据和误差数据，基于误差估计模型获得对应于未来时窗的规划轨迹的预期误差；预期轨迹生成模块830，用于根据预期误差调整未来时窗的规划轨迹，生成未来时窗的预期轨迹。

进一步地，轨迹优化装置800还可包括实现上述各轨迹优化方法实施例的其他流程步骤的模块，各个模块的具体原理可参照上述各轨迹优化方法实施例的描述，此处不再重复说明。

本发明的轨迹优化装置，能够通过表征行驶轨迹向规划轨迹收敛的误差估计模型，准确预测车辆跟随规划轨迹行驶过程中的控制误差及其收敛过程，进而能够基于预测获得的未来时窗的预期误差，对未来时窗的规划轨迹进行优化，使控制误差及其收敛过程能够精准反馈至后续的碰撞检测和目标轨迹生成，消除因控制误差未考虑或不准确而引起的潜在碰撞风险漏检以及非预期性紧急制动频发的问题，提升轨迹规划的容错能力和鲁棒性。

本发明实施例还提供一种电子设备，包括处理器和存储器，存储器中存储有可执行指令，可执行指令被处理器执行时，实现上述任意实施例描述的轨迹优化方法。

本发明的电子设备可集成于自动驾驶系统的规划模块中，或者与规划模块通信连接。本发明的电子设备，能够通过表征行驶轨迹向规划轨迹收敛的误差估计模型，准确预测车辆跟随规划轨迹行驶过程中的控制误差及其收敛过程，进而能够基于预测获得的未来时窗的预期误差，对未来时窗的规划轨迹进行优化，使控制误差及其收敛过程能够精准反馈至后续的碰撞检测和目标轨迹生成，消除因控制误差未考虑或不准确而引起的潜在碰撞风险漏检以及非预期性紧急制动频发的问题，提升轨迹规划的容错能力和鲁棒性。

图9示出本发明实施例中电子设备的主要结构；参照图9所示，电子设备900以通用计算设备的形式表现。电子设备900的组件包括但不限于：至少一个处理单元910、至少一个存储单元920、连接不同平台组件(包括存储单元920和处理单元910)的总线930，等等。

存储单元920存储有程序代码，程序代码可以被处理单元910执行，使得处理单元910执行上述任意实施例描述的轨迹优化方法的步骤。例如，处理单元910可以执行如图1所示的步骤。

存储单元920可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)和/或高速缓存存储单元，还可以进一步包括只读存储单元(ROM)。

存储单元920还可以包括具有一个或多个程序模块的程序/实用工具，这样的程序模块包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线930可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备900也可以与一个或多个外部设备通信，外部设备可以是键盘、指向设备、蓝牙设备等设备中的一种或多种。这些外部设备使得用户能与该电子设备900进行交互通信。电子设备900也能与一个或多个其它计算设备进行通信，所示计算机设备包括路由器、调制解调器。这种通信可以通过电子设备900的输入/输出(I/O)接口进行。并且，电子设备900还可以通过网络适配器与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。所说的网络适配器可以通过总线930与电子设备900的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备900使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。

本发明实施例还提供一种计算机可读的存储介质，用于存储程序，程序被执行时实现上述任意实施例描述的轨迹优化方法。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行上述任意实施例描述的轨迹优化方法。

本发明的存储介质可由自动驾驶系统的规划模块执行，或者由与规划模块通信连接的处理模块执行；本发明的存储介质被执行时，能够通过表征行驶轨迹向规划轨迹收敛的误差估计模型，准确预测车辆跟随规划轨迹行驶过程中的控制误差及其收敛过程，进而能够基于预测获得的未来时窗的预期误差，对未来时窗的规划轨迹进行优化，使控制误差及其收敛过程能够精准反馈至后续的碰撞检测和目标轨迹生成，消除因控制误差未考虑或不准确而引起的潜在碰撞风险漏检以及非预期性紧急制动频发的问题，提升轨迹规划的容错能力和鲁棒性。

存储介质可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的存储介质不限于此，其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。

存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子包括但不限于：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(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。

可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读信号介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备，例如利用因特网服务提供商来通过因特网连接。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。