预测交通参与者的轨迹的方法、装置以及传感器系统与流程

1.本技术涉及一种用于预测交通参与者的轨迹的方法和装置。本技术还涉及一种传感器系统。


背景技术：

2.轨迹预测是现代驾驶员辅助系统的重要组成部分，对于自动驾驶至关重要。主要应用是车道估计、避免碰撞、防止车道偏离等。
3.轨迹预测通常在假定某些动态参数恒定的情况下进行。例如，可以假设在预测的时间间隔内速度保持恒定。此外，可以假定恒定的加速度，即，在关注的时间内车辆的加速度恒定。恒定转弯速率模型通过假设车辆的转弯速率或横摆速率恒定，来预测车辆的未来轨迹。
4.de 10 2013 005 362 a1公开了一种用于分析交通状况的方法。以运动轨迹的形式预测未来的运动行为。
5.de 10 2018 210 065 a1涉及一种用于控制车辆速度的装置。基于风险函数来控制车辆的加速。
6.ep 3 518 001 a1涉及一种用于提高基于多个检测点确定车辆位置的可靠性的方法。计算代表检测点数量的权重。
7.进一步的模型可能会降低测量的噪音，例如使用卡尔曼滤波器，或动态选择看似最合适的模型，例如使用切换的线性动态系统。


技术实现要素：

8.本技术提供了一种根据本技术的一些方面的用于预测交通参与者的轨迹的方法和装置以及传感器系统。优选的实施例在其他方面中提出。
9.根据第一方面，本技术提供了一种用于预测交通参与者的轨迹的计算机实现的方法。接收由至少一个车辆传感器在多个获取时间获取的传感器数据。基于所接收的传感器数据，针对每个获取时间确定交通参与者的至少一个运动参数的值。使用随机回归算法来预测交通参与者的轨迹，所述随机回归算法接收所测量的交通参与者的至少一个运动参数的值作为输入。
10.根据第二方面，本技术提供了一种用于预测交通参与者的轨迹的装置，所述装置包括接口、存储器和计算机。所述接口适于接收由至少一个车辆传感器在多个获取时间获取的传感器数据。所述存储器适于存储接收到的传感器数据。所述计算机适于基于所接收的传感器数据来针对每个获取时间确定交通参与者的至少一个运动参数的值，并使用随机回归算法来预测交通参与者的轨迹，所述随机回归算法接收所确定的交通参与者的至少一个运动参数的值作为输入。
11.根据第三方面，本技术提供了一种用于车辆的传感器系统，其包括至少一个适于获取传感器数据的传感器，以及根据本技术的用于预测交通参与者的轨迹的装置。
12.本技术的优点
13.通常，当前测量的动力学参数在将来保持恒定的假设不成立。此外，将动力学参数设为常数的模型中的误差估计是基于探索式方法而不是严格的数学方法。因此，很难证明这些模型的误差估计是可靠的。
14.本技术的思想是应用一种随机回归算法，所述随机回归算法可以提供最佳轨迹估计，而无需假设车辆的任何运动参数是恒定的。与在预测过程中使用恒定参数的模型相比，随机回归算法仅利用交通参与者运动参数的概率分布的平稳性和关注的时间间隔。
15.根据用于预测交通参与者的轨迹的方法的实施例，交通参与者是车辆，并且车辆传感器是车辆的车辆传感器。根据该实施例，车辆自身的轨迹被预测。
16.根据用于预测交通参与者的轨迹的方法的另一实施例，交通参与者是除了具有车辆传感器的车辆之外的车辆、行人、骑自行车的人等。根据该实施例，其它交通参与者的轨迹被预测。
17.根据用于预测交通参与者的轨迹的方法的另一实施例，预测交通参与者的轨迹包括以下步骤：使用随机回归算法计算交通参与者的预测加速度，并且对交通参与者的预测加速度进行积分以计算交通参与者的预测轨迹。
18.根据用于预测交通参与者的轨迹的方法的另一实施例，随机回归算法是高斯回归算法。
19.根据用于预测交通参与者的轨迹的方法的另一实施例，所确定的交通参与者的至少一个运动参数的值包括针对每个获取时间用于交通参与者的位置、交通参与者的速度和交通参与者的加速度的值。
20.根据用于预测交通参与者的轨迹的方法的另一实施例，使用随机回归算法来计算交通参与者的预测轨迹的不确定度。随机回归算法的优点在于，不仅可以提供预测轨迹本身，而且可以提供精确且数学上正确的不确定度计算、即误差估计。因此，所述方法可以提供一定程度的确定性。两次接连测量之间的相关性越高，较早测量对较晚测量的影响就越大。换句话说，将来特定时间的动力学特性会受到过去测量的影响。通常，它们之间的时间差越大，影响就越小。高斯回归算法可以量化过去的测量值和未来的估计值之间的确定性。
21.根据用于预测交通参与者的轨迹的方法的另一实施例，交通参与者的预测轨迹和交通参与者的预测轨迹的不确定度被用于计算交通参与者发生事故的概率。万一发生事故的概率很高，可以触发自动紧急制动。
22.根据用于预测交通参与者的轨迹的方法的另一实施例，预测轨迹和预测轨迹的不确定度被用于估计交通参与者正在行驶的道路的道路拓扑。例如，可以利用至少一个车辆传感器来估计超出车辆视线的道路拓扑。其它交通参与者的预测轨迹可以被用于估计超出转弯、建筑物等的交通环境。
23.根据用于预测交通参与者的轨迹的方法的另一实施例，所述方法被针对多个交通参与者执行。多个交通参与者可以包括具有至少一个车辆传感器的车辆。多个交通参与者的轨迹被预测，其中，为了预测多个交通参与者的轨迹，考虑了多个交通参与者之间的可能的相互作用。例如，可以假定通过给事故低优先级来避免交通参与者之间的事故。通过排除可能导致事故的轨迹，从而可以减少多个交通参与者的可能轨迹。因此，交通参与者的驾驶任务被提前识别出。
24.根据用于预测交通参与者的轨迹的方法的另一实施例，传感器数据包括摄相机数据或雷达数据中的至少一个。
附图说明
25.图1示出了根据本技术的一个实施例的车辆的传感器系统的示意性框图。
26.图2示出了示例性交通场景，用于示出用于预测车辆周围的交通参与者的轨迹的方法。
27.图3示出了根据本技术的一个实施例的预测交通参与者的轨迹的方法的示意性流程图。
28.图4示出了根据图3的方法和恒定转弯速率模型的示例性的以米为单位的估计的平均误差；和
29.图5示出了根据图3的方法和恒定转弯速率模型的实际误差与预测的估计的标准偏差之比的标准偏差的示例性误差估计。
具体实施方式
30.在附图中，相同的附图标记表示对应的相似部分。
31.图1示出了车辆的传感器系统1的示意性框图。传感器系统1包括至少一个传感器3，其可以包括摄相机传感器、雷达传感器、激光雷达传感器、红外传感器等。传感器3在多个获取时间中的每个获取时间获取传感器数据。传感器数据可以包括摄相机图像、雷达图像等。
32.传感器系统1还包括用于预测交通参与者的轨迹的装置2。交通参与者可以是车辆本身。交通参与者也可以是另外的车辆、行人或骑自行车的人等。也可以预测车辆本身和其它交通参与者的轨迹。装置2包括接口21，该接口21耦合到至少一个传感器3并且适于接收由至少一个传感器3获取的传感器数据。装置2还包括存储器22，其存储接收到的传感器数据。存储器22可以包括易失性或非易失性数据存储器，例如固态磁盘、存储卡等。
33.装置2的计算机23连接到存储器22并且可以访问存储器22。计算机23可以包括中央处理单元(cpu)、图形处理单元(gpu)、微控制器、集成电路(ic)或专用集成电路(asic)等。
34.计算机23分析接收到的传感器数据，以针对每个获取时间计算交通参与者的运动参数的值。例如，计算机23可以针对每个获取时间确定交通参与者的位置、速度和加速度的值。输入交通参与者的运动参数的值以用于随机回归算法。位置、速度和加速度可以作为相对于行驶平面的二维矢量给出，或者可以是三维值。
35.随机回归算法基于随机过程、即按时间索引的随机变量的集合，该随机变量对应于交通参与者的运动参数。优选地，随机回归算法是高斯回归算法，也称为kriging(克里金法)。高斯回归算法用作非线性多元插值算法。使用随机回归算法，计算机23计算交通参与者的运动参数的预测值。特别地，计算机23可以确定未来多个时间点或作为时间的连续函数的交通参与者的预测加速度。可以将加速度矢量的分量建模为高斯随机过程，从而有可能以最佳的、数学上正确的方式处理预测。该方法通过仅考虑最近的测量并估计加速度的概率分布来自动适应当前情况。
36.计算机23还对交通参与者的预测加速度的分布进行积分，使用在获取时间处所确定的交通参与者的位置和速度作为初始值来以确定积分常数。计算机23输出预测轨迹，例如输出到驾驶员辅助系统6。
37.计算机23还可以使用随机回归算法来提供交通参与者的预测轨迹的不确定度。计算机23可以使用不确定度(即，误差估计)以及预测轨迹来计算车辆与交通参与者发生事故的概率。计算机23还可以使用不确定度和预测轨迹来估计车辆正在行驶的道路的道路拓扑。
38.所描述的交通参与者的轨迹的预测可以针对车辆周围的多个交通参与者进行。通过考虑交通参与者之间可能的相互作用，可以同时预测所有轨迹。例如，可以通过排除会导致交通参与者与其它交通参与者或车辆之间发生事故的轨迹来减少交通参与者的可能轨迹。
39.驾驶员辅助系统6可以基于其它交通参与者的预测轨迹来控制车辆。驾驶员辅助系统6可以被配置为通过控制车辆的加速度、转弯速率等来执行自动驾驶功能。
40.替代于预测其它交通参与者的轨迹，该装置还可以预测车辆自身的轨迹。在这种情况下，传感器3可以包括用于测量车辆的加速度的惯性传感器。
41.图2示出了示例性交通场景，用于示出用于预测车辆4周围的交通参与者5的轨迹t的方法。基于由车辆4的传感器3获取的传感器数据，计算机23针对每个获取时间确定交通参与者5的位置x、速度v和加速度a。针对未来的时间点，预测交通参与者5行驶的轨迹t。
42.图3示出了用于预测交通参与者的轨迹的方法的示意性流程图。
43.在第一方法步骤s1中，车辆4的至少一个传感器3针对多个获取时间中的每个获取传感器数据。接口21接收所获取的传感器数据。
44.在第二方法步骤s2中，计算机23基于所接收的传感器数据针对每个获取时间确定交通参与者的至少一个运动参数的值。运动参数可以包括交通参与者的位置、速度和加速度。运动参数还可包括转弯速率等。
45.在另一方法步骤s3中，预测交通参与者的轨迹。方法步骤s3包括第一子步骤s31，其中计算机使用随机回归算法确定交通参与者的预测加速度。在另一子步骤s32中，计算机23对预测加速度进行积分以计算交通参与者5的预测轨迹。
46.图4涉及估计的轨迹的质量。图4示出了以米(m)为单位的估计平方误差(e)的平方根的示例性平均值。在以米(m)为单位的某些特征距离(d)上，说明了估计的轨迹与实际轨迹(基于实际测量值)之间的差异。针对参考模型(m1)和根据本技术的方法(m2)显示估计误差。参考模型是恒定转弯速率模型、即假定转弯速率在所考虑的时间段内没有变化。可以看出，在车辆前方约10米的短范围处，与参考模型m1相比，估计误差减少了约75％。在车辆前方约50米的中间范围处，估计误差仍减少了约50％。同样，在约100米的较大距离处，差异也很明显。
47.图5示出了根据本技术的方法(m2)和恒定转弯速率模型(m1)的实际误差与预测的估计标准偏差之比的标准偏差的示例性误差估计。这些函数取决于以米(m)为单位的距离(d)。示出了目标线a，其对应于恒定值1。图5涉及误差估计的质量。误差估计是一种统计属性，只能基于统计量进行验证。误差估计的评估是一项复杂的任务，因为实际误差和估计误差都随着经过的时间和距离而变化。第i个预测的实际误差由ε_i表示，第i个预测的估计标
准偏差由σ_i表示。检查实际误差ε_i和估计误差σ_i对的多个样本。如果估计误差σ_i的值是实际误差ε_i的良好估计，则标准偏差ε_i/σ_i(即stddev(ε_i/σ_i))保持接近1。这是因为ε_i样本将使用σ_i估计误差进行归一化。因此，如果估计误差在统计上小于实际误差，即模型过于乐观，则标准偏差的比将大于1。如果另一方面，如果估计误差在统计上大于实际误差，即该模型过于悲观，该标准偏差的比将小于1。
48.从图5可以看出，参考模型m1对其预测过于乐观，其造成的误差实际上比其假设的要大得多。基于新方法，由于误差估计接近目标1，因此是可靠的。
49.误差估计的可靠性使该方法可以与其它模型结合使用。这种方法对自身的不确定度既不太乐观也不为太悲观。因此，在该方法与其它轨迹估计方法的融合期间，正确的轨迹预测不确定度将不会干扰轨迹融合算法。