车辆障碍物意图预测方法、车辆轨迹预测方法及设备

技术领域

本申请涉及自动驾驶技术领域，特别是车辆障碍物意图预测方法、车辆轨迹预测方法及设备。

背景技术

目前，自动驾驶车辆要想在由人类驾驶员组成的复杂交通中安全且高效地行驶，其需要具备主动做出决策的能力，比如决定何时改变车道、超车或者减速等等，让其他车辆能够汇入。这就要求自动驾驶车辆能够知道周围车辆的未来轨迹，使其能够提前规划自己的行驶状态，避免危险发生。而在自动驾驶车辆周围存在多个障碍物的情况下，障碍物之间的未来行为可能相互影响，从而影响未来轨迹。

因此，对障碍物之间未来可能产生的意图进行预测，具有重要意义。

发明内容

本申请提供一种车辆障碍物意图预测方法、车辆轨迹预测方法及设备，通过依次获取目标障碍物的横向意图、交互图、让行意图以及最终的纵向意图，得到目标障碍物的意图预测结果，重点考虑了障碍物与障碍物之间的交互，实现对目标车辆周围的障碍物车辆的意图进行预测。

为了解决上述技术问题，本申请采用的一个技术方案是：提供一种车辆障碍物的意图预测方法，包括：获取目标车辆对应的预设数量的目标障碍物；利用每一目标障碍物的位置信息和状态信息，预测每一目标障碍物的横向意图和初始纵向意图；基于每一横向意图，确定任意两个目标障碍物之间的交互度，并基于所有交互度，得到所有目标障碍物对应的交互图；基于交互图，预测出具有让行意图的目标障碍物；确定出同时具有让行意图和初始纵向意图的目标障碍物，利用让行意图确定目标障碍物的最终纵向意图；将横向意图、让行意图和最终纵向意图作为目标障碍物的意图预测结果。

其中，获取目标车辆对应的预设数量的目标障碍物，包括：获取目标车辆预设范围内的若干初始障碍物；从若干初始障碍物中筛选出预设数量的目标障碍物。

其中，从若干初始障碍物中筛选出预设数量的目标障碍物，包括：利用每一目标障碍物与目标车辆之间的距离、方位、相对纵向速度、相对横向速度，每一目标障碍物与相邻障碍物的距离、障碍物置信度的相关性，确定每一目标障碍物对应的障碍物得分；对所有目标障碍物按照障碍物得分进行筛选，筛选预设数量的目标障碍物。

其中，位置信息包括相对车道的横向位置信息，状态信息包括历史轨迹特征、相对车道的航向角。

其中，利用每一目标障碍物的位置信息和状态信息，预测每一目标障碍物的横向意图，包括：确定航向角与预设航向角的偏差；若偏差小于偏差阈值，则预测目标障碍物不存在横向意图；若偏差大于或等于偏差阈值，则判断横向位置信息是否在航向角对应的变道区域内；若是，对历史轨迹特征进行变道概率预测，若变道概率大于阈值，则预测目标障碍物存在横向意图。

其中，基于每一横向意图，确定任意两个目标障碍物之间的交互度，包括：利用任意两个目标障碍物对应的横向意图确定任意两个目标障碍物的相对状态；确定相对状态对应的数值，将数值作为交互度。

其中，基于所有交互度，得到所有目标障碍物对应的交互图，包括：将目标障碍物作为交互图中的交互节点，任意两个目标障碍物之间的交互度作为对应的交互节点之间的权重；交互节点的节点值为交互节点和其余交互节点之间的交互度之和。

其中，基于交互图，预测出具有让行意图的目标障碍物，包括：遍历交互图中的每一交互节点，基于交互节点之间的交互度确定交互域；对交互域中包含的所有交互节点进行决策搜索，预测出具有让行意图的目标障碍物。

其中，遍历交互图中的每一交互节点，基于交互节点之间的交互度确定交互域，包括：按照交互节点的节点值从高到低进行遍历，将交互节点之间的交互度大于阈值的交互节点添加至所述交互域中。

其中，对交互域中包含的所有交互节点进行决策搜索，预测出具有让行意图的目标障碍物，包括：对交互域中包含的所有交互节点，按照交互节点的节点值从高到低进行遍历，对每一次遍历的目标交互节点进行决策搜索，得到对应的决策变量；其中已遍历的目标交互节点不参与后续的决策搜索；利用决策变量确定出具有让行意图的目标障碍物。

其中，初始纵向意图包括保持原速意图、加速意图或减速意图。

其中，利用让行意图确定目标障碍物的最终纵向意图，包括：若保持原速意图、加速意图和减速意图中的至少一者满足让行意图的约束，则选择保持原速意图、加速意图和减速意图中优先级最高的作为目标障碍物的最终纵向意图；若保持原速意图、加速意图和减速意图均不能满足让行意图的约束，则目标障碍物的最终纵向意图为保持原速意图。

为了解决上述技术问题，本申请采用的另一技术方案是：提供一种车辆轨迹预测方法，包括：利用上述车辆障碍物意图预测方法获取与目标车辆对应的车辆障碍物的意图预测结果，接着基于意图预测结果预测目标车辆的车辆轨迹。

为了解决上述技术问题，本申请采用的另一技术方案是：提供一种电子设备，该电子设备包括存储器和处理器，其中，存储器用于存储计算机程序，处理器用于执行计算机程序以实现上述的车辆障碍物的意图预测方法或车辆轨迹预测方法。

为了解决上述技术问题，本申请采用的另一技术方案是：提供一种计算机可读储存介质，该计算机可读储存介质用于存储计算机程序，计算机程序在被处理器执行时用于实现上述的车辆障碍物的意图预测方法或车辆轨迹预测方法。

本申请的有益效果是：区别于现有技术，本申请提供的车辆障碍物意图预测方法通过获取目标车辆对应的预设数量的目标障碍物；利用每一目标障碍物的位置信息和状态信息，预测每一目标障碍物的横向意图和初始纵向意图；基于每一横向意图，确定任意两个目标障碍物之间的交互度，并基于所有交互度，得到所有目标障碍物对应的交互图；基于交互图，预测出具有让行意图的目标障碍物；确定出同时具有让行意图和初始纵向意图的目标障碍物，利用让行意图确定目标障碍物的最终纵向意图；将横向意图、让行意图和最终纵向意图作为目标障碍物的意图预测结果。通过上述方式，可以更全面的考虑目标障碍物的横向意图、让行意图以及最终纵向意图，且让行意图基于横向意图得到，最终的纵向意图基于让行意图得到，使得横向意图、让行意图以及最终纵向意图之间关联性更强，可以提高障碍物意图预测的准确性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。其中：

图1是本申请提供的车辆障碍物意图预测方法第一实施例的流程示意图；

图2是本申请提供的方位划分图一实施例的示意图；

图3是本申请提供的步骤12一实施例的流程示意图；

图4是本申请提供的相对航向角对应的可能变道区域一实施例的示意图；

图5是本申请提供的交互图一实施例的示意图；

图6是本申请提供的交互域一实施例的示意图；

图7是本申请提供的步骤14一实施例的流程示意图；

图8是本申请提供的车辆轨迹预测方法一实施例的流程示意图；

图9是本申请提供的电子设备一实施例的结构示意图；

图10是本申请提供的计算机可读储存介质一实施例的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

参阅图1，图1是本申请提供的车辆障碍物意图预测方法第一实施例的流程示意图，该方法包括：

步骤11：获取目标车辆对应的预设数量的目标障碍物。

在一些实施例中，通过获取目标车辆预设范围内的若干初始障碍物，接着从若干初始障碍物中筛选出预设数量的目标障碍物。其中，障碍物为除目标车辆之外的其他车辆。

具体地，可以利用每一目标障碍物与目标车辆之间的距离、方位、相对纵向速度、相对横向速度，每一目标障碍物与相邻障碍物的距离、障碍物置信度的相关性，确定每一目标障碍物对应的障碍物得分，进而对所有目标障碍物按照障碍物得分进行筛选，筛选预设数量的目标障碍物。

其中，确定每一障碍物对应的障碍物得分所涉及的公式有：

/>

其中，S

经过上述公式，可以得到每一目标障碍物对应的障碍物得分，此时可以按照从大到小的顺序进行排序，以从中筛选预设数量的目标障碍物。

在一些实施例中，根据目标车辆所处车道和位置，将目标车辆所在车道以及与目标车辆所处车道相邻的两个车道划分为6个方位，如图2所示，以目标车辆为中心，确定前方、后方、左前方、左后方、右前方以及右后方这6个方位。接着，顺着这6个方位进行延伸，直到超过预设的距离阈值(如50米)，在延伸过程中，如果遇到车道分支，则从新的分支开始进行并行搜索，在所有搜索结束后，对延伸过程中经过的车道进行标记。最后，遍历目标车辆周围所有障碍物，如果它所在的车道位于标记车道，则将其选中，当所有标记车道上的周围障碍物都被选中，且已选中的障碍物数量没有达到障碍物预设筛选上限，则对其他障碍物进行排序，依次取排序结果最靠前的填入筛选有效目标序列，直到所有障碍物均被处理，或选中的障碍物数量到达预设上限(如70个障碍物)。

步骤12：利用每一目标障碍物的位置信息和状态信息，预测每一目标障碍物的横向意图和初始纵向意图。

可以理解地，对目标障碍物进行意图预测，需要进行横向意图预测。其中，横向意图用于表示目标障碍物是否存在变道意图。因在车辆进行变道时，需要向左或向右横向移动，以完成变道。

在一些实施例中，可以基于每一目标障碍物的状态信息和车道信息，提取对应的特征值，以基于特征值，预测得到横向意图。

纵向意图用于表示目标障碍物是否继续按照当前方向行驶。

在一些实施例中，位置信息包括目标障碍物相对车道的横向位置信息，这里的横向位置信息可以是目标障碍物相对车道左右边界线和中心线的横向位置。状态信息包括目标障碍物的历史轨迹特征、目标障碍物相对车道的航向角。参阅图3，步骤12可以包括以下流程：

步骤31：确定航向角与预设航向角的偏差。

在一些实施例中，通过比较目标障碍物相对车道的航向角和预设航向角的差值与偏差阈值之间的大小关系，以确定是否存在变道意图。

步骤32：判断偏差是否小于偏差阈值。

如图4所示，图4是相对航向角对应的可能变道区域示意图，其中，阴影区域是可能变道区域，三条线是障碍物所处车道的左右边界线和中间线。

在一些实施例中，首先通过判断确定相对车道的航向角和预设航向角的偏差与偏差阈值之间的关系，若航向角和预设航向角的偏差小于偏差阈值，则执行步骤33，若航向角和预设航向角的偏差大于或等于偏差阈值，则执行步骤34。其中，偏差阈值可以是角度之间的阈值，如0°～10°。

步骤33：预测目标障碍物不存在横向意图。

具体地，若航向角和预设航向角的偏差小于偏差阈值，则认为目标障碍物没有变道意图，即预测目标障碍物不存在横向意图。

在一些实施例中，可以通过相应的标识表示是否存在横向意图。如利用1表示存在横向意图，利用0表示不存在横向意图。

步骤34：判断横向位置信息是否在航向角对应的变道区域内。

具体地，若航向角和预设航向角的偏差大于或等于偏差阈值，则需要进一步判断目标障碍物的横向位置是否在相对航向角所对应的可能变道区域内(如图4中的阴影区域)，若在，则执行步骤35。

步骤35：对历史轨迹特征进行变道概率预测，若变道概率大于阈值，则预测目标障碍物存在横向意图。

在一些实施例中，当目标障碍物的横向位置在相对航向角所对应的可能变道区域内时，需要将历史轨迹特征(如最近的5～10个轨迹点所对应的速度、加速度、航向角和相对车道线距离的平均值)输入至MLP(Multilayer Perceptron，多层感知机)，以基于MLP计算目标障碍物的变道概率，并在变道概率大于预设值(如80％、90％)时，认为目标障碍物存在变道意图，此时可以得到该目标障碍物的横向意图。

步骤13：基于每一横向意图，确定任意两个目标障碍物之间的交互度，并基于所有交互度，得到所有目标障碍物对应的交互图。

在一些实施例中，利用任意两个目标障碍物对应的横向意图确定任意两个目标障碍物的相对状态，接着确定相对状态对应的数值，将数值作为交互度。

在一些实施例中，可以根据获取的横向意图，对筛选的目标障碍物两两进行交互度计算。计算的方式是，通过判断目标障碍物的相对状态是否属于预设的状态集合，来赋予不同的数值。其中，预设的状态集合可以是S＝[{A车变道，B车保持，且变道目标车道位置为保持目标车道前方}、{A车变道，B车变道，且变道目标为对方原先所在车道}、{A车变道，B车变道，且变道目标为同一车道}、{A车保持，B车保持，且同道，以及后方的车速度更快}]或其他，且预设的状态集合可以根据需求或实际情况进行扩充/删除。另外，可以对状态集合中的元素设置相应的数值，在相对状态与状态集合中的任一元素匹配时，获取该元素的数值，作为相对状态对应的数值。

在一些实施例中，将目标障碍物作为交互图中的交互节点，任意两个目标障碍物之间的交互度作为对应的交互节点之间的权重，其中交互节点的节点值为交互节点和其余交互节点之间的交互度之和。

如图5所示，以每个障碍物作为节点，节点与节点之间(目标障碍物与目标障碍物之间)的交互度为边权重，一个节点与其余所有节点的交互度之和为节点值，依次构建交互图。在图5中，有5个障碍物A、B、C、D和E，通过上述方式确定出这些障碍物对应的交互度，并利用交互度构建交互图。如图5所示，这5个障碍物(交互节点)A、B、C、D和E的节点值分别是2、1、1、1和1，其中，A与C之间存在交互，A与B之间存在交互，D与E之间存在交互。换句话说，A与C之间、A与B之间以及D与E之间是“通”的。如图6所示，交互域只包含A、B、C和E。

步骤14：基于交互图，预测出具有让行意图的目标障碍物。

在一些实施例中，障碍物之间的交互度越大，说明障碍物未来具有更相似的行为，如朝向同一车道变道。所以可以根据障碍物的位置信息和状态信息进一步预测出具有让行意图的目标障碍物。

在一些实施例中，参阅图7，步骤14可以包括以下流程：

步骤71：遍历交互图中的每一交互节点，基于交互节点之间的交互度确定交互域。

在一些实施例中，可以按照交互节点的节点值从高到低进行遍历，将交互节点之间的交互度大于阈值的交互节点添加至交互域中。

具体地，对交互图中包含的交互节点，按照交互节点的节点值从高到低进行排序，并进行遍历，每遍历一次，则以该交互节点为中心建立交互域。

其中，交互域的建立规则为从最初的交互节点出发，将交互度大于0视为“通”，交互度等于0视为“不通”，以此规则进行连通域搜索，搜索得到的连通域节点构成交互域。

步骤72：对交互域中包含的所有交互节点进行决策搜索，预测出具有让行意图的目标障碍物。

在一些实施例中，对交互域中包含的所有交互节点，按照交互节点的节点值从高到低进行遍历，对每一次遍历的目标交互节点进行决策搜索，得到对应的决策变量，其中已遍历的目标交互节点不参与后续的决策搜索；接着利用决策变量确定出具有让行意图的目标障碍物。

具体地，对交互域中所有交互节点进行决策搜索。决策搜索的方式为按照交互域内交互节点的节点值从高到低进行遍历，每一次遍历，都需要求解优化问题，以找到最优的决策变量组合。值得注意，已求解的目标障碍物(交互节点)不参与后续遍历的求解，以达到剪枝搜索的效果。

其中，决策搜索需要求解的优化问题所涉及的公式有：

/>

其中，k表示当前目标障碍物待交互搜索的目标障碍物数量；L表示时间惩罚项；P

步骤15：确定出同时具有让行意图和初始纵向意图的目标障碍物，利用让行意图确定目标障碍物的最终纵向意图。

在一些实施例中，初始纵向意图包括保持原速意图、加速意图或减速意图。若保持原速意图、加速意图和减速意图中的至少一者满足让行意图的约束，则选择保持原速意图、加速意图和减速意图中优先级最高的作为目标障碍物的最终纵向意图；若保持原速意图、加速意图和减速意图均不能满足让行意图的约束，则目标障碍物的最终纵向意图为保持原速意图。

具体地，通过遍历所有的目标障碍物，每一次遍历，都需要对具有让行意图的目标障碍物进行让行意图比较，确定具有让行意图的障碍物之间是否存在交集，即从初始纵向意图中依次选取3种意图(保持原速意图、加速意图和减速意图)来检验是否满足交集的约束，若这3种意图中有多个意图满足约束，则选择保持原速意图、加速意图和减速意图中优先级最高的作为目标障碍物的最终纵向意图，其中优先级为“保持原速意图>减速意图>加速意图”；若这3种意图都不满足约束，则取纵向意图为保持原速意图，并记录信息交由下游处理。

其中，上述的约束可以是利用让行意图的具体意图来确定。如，让行意图包括让行和抢行。当让行意图为让行时，目标障碍物的纵向意图应该为保持原速意图或减速意图，当让行意图为抢行时，目标障碍物的纵向意图应该为加速意图。因此，可以将这些条件作为约束条件，以确定出目标障碍物的最终纵向意图。

步骤16：将横向意图、让行意图和最终纵向意图作为目标障碍物的意图预测结果。

可以理解地，对目标车辆的障碍物进行意图预测，除了需要预测横向意图之外，还需要预测让行意图和最终纵向意图，以将横向意图、让行意图和最终纵向意图作为目标障碍物的意图预测结果。

区别于现有技术，本申请提供的车辆障碍物意图预测方法通过利用每一目标障碍物的位置信息和状态信息，预测每一目标障碍物的横向意图和初始纵向意图，接着基于每一横向意图，确定任意两个目标障碍物之间的交互度，并基于所有交互度，得到所有目标障碍物对应的交互图；基于交互图，预测出具有让行意图的目标障碍物；确定出同时具有让行意图和初始纵向意图的目标障碍物，利用让行意图确定目标障碍物的最终纵向意图，通过将横向意图、让行意图和最终纵向意图作为目标障碍物的意图预测结果。可以更全面的考虑目标障碍物的横向意图、让行意图以及最终纵向意图，且让行意图基于横向意图得到，最终的纵向意图基于让行意图得到，使得横向意图、让行意图以及最终纵向意图之间关联性更强，可以提高障碍物意图预测的准确性。

参阅图8，图8是本申请提供的车辆轨迹预测方法一实施例的流程示意图，该方法包括：

步骤81：获取与目标车辆对应的车辆障碍物的意图预测结果。

在一些实施例中，可以通过上述任一实施例的车辆障碍物意图预测方法获取与目标车辆对应的车辆障碍物的意图预测结果。

其中，障碍物的意图预测结果包括横向意图、让行意图和纵向意图。

步骤82：基于意图预测结果预测目标车辆的车辆轨迹。

可以理解，可以根据障碍物是否存在变道意图、让行意图以及加速意图、减速意图或保持原速意图，对目标车辆的车辆轨迹进行预测。

区别于现有技术，本申请提供的车辆轨迹预测方法可以通过获取与目标车辆对应的车辆障碍物的意图预测结果，对目标车辆进行轨迹预测，因意图预测结果具有较高的准确性，则相应的提高了目标车辆轨迹预测的准确性。

参阅图9，图9是本申请提供的电子设备一实施例的结构示意图，该电子设备90包括存储器901和处理器902，存储器901用于存储计算机程序，处理器902用于执行计算机程序以实现上述任一实施例的车辆障碍物意图预测方法或车辆轨迹预测方法，这里不再赘述。

其中，电子设备90可以是车载电子设备，可以应用于自动驾驶技术领域。

参阅图10，图10是本申请提供的计算机可读储存介质一实施例的结构示意图，该计算机可读储存介质100用于存储计算机程序1001，计算机程序1001在被处理器执行时用于实现上述任一实施例的车辆障碍物意图预测方法或车辆轨迹预测方法，这里不再赘述。

综上所述，本申请提供的车辆障碍物意图预测方法可以更全面的考虑目标障碍物的横向意图、让行意图以及最终纵向意图，且让行意图基于横向意图得到，最终的纵向意图基于让行意图得到，使得横向意图、让行意图以及最终纵向意图之间关联性更强，可以提高障碍物意图预测的准确性。本申请提供的车辆轨迹预测方法通过获取与目标车辆对应的车辆障碍物的意图预测结果，对目标车辆进行轨迹预测，因意图预测结果具有较高的准确性，则相应的提高了目标车辆轨迹预测的准确性，如目标车辆在自动驾驶过程中进行自动加速、减速或避让等操作。

本申请涉及的处理器可以称为CPU(Central Processing Unit，中央处理单元)，可能是一种集成电路芯片，还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。

本申请使用的存储介质包括U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。