用于对车辆进行轨迹预测的方法与流程

1.本发明涉及一种用于对车辆进行轨迹预测的方法。


背景技术：

2.对于对车辆、尤其对自主行驶的车辆所进行的控制，对在交通状况下待由车辆行驶的行驶轨迹进行预测是非常重要的，以便避免单独地被操控的车辆由于行驶轨迹冲突而发生碰撞。由于轨迹预测的高度复杂性，由现有技术所已知的方法在可靠性方面具有弱点。


技术实现要素：

3.因此，本发明的一个任务是提供一种用于对车辆进行轨迹预测的经改善的方法。
4.该任务通过一种用于对车辆进行轨迹预测的方法来解决。根据本发明的一个方面，提供一种对车辆进行轨迹预测的方法，该方法包括：
5.接收在一个车辆的周围环境内在车道上行驶的另一车辆的行驶轨迹的轨迹数据；
6.基于所述轨迹数据来识别至少一个通过该另一车辆所实施的控制动作，其中，所述控制动作表示驾驶机动操作的至少一部分，借助所述驾驶机动操作沿着行驶轨迹来控制该另一车辆；
7.在考虑所识别出的通过该另一车辆所实施的控制动作的情况下，求取该另一车辆的未来行驶轨迹；和
8.提供该另一车辆的所述未来行驶轨迹。
9.有利构型能够通过在优选实施方式中所列举的措施实现。
10.由此能够实现如下技术优点：能够提供一种用于对车辆进行轨迹预测的经改善的方法。为此，基于车辆的轨迹数据来识别由该车辆所实施的控制动作。在此，所述控制动作是车辆的复杂驾驶机动操作的基础性组成部分。在复杂驾驶机动操作、例如向右转弯的过程中，控制动作例如包括直线行驶直至行车道的转弯点、将车辆速度降低到转弯速度、转向角偏转和车辆的相应的弯道行驶、转向角偏转直至方向盘的中间位置、直线行驶和必要时将车辆加速到直线行驶速度。所提及的控制动作仅仅是示例性的，转弯过程可以包括附加的控制动作。
11.在此，控制动作被广义地定义并且能够被用于各种各样的驾驶机动操作。借助这样定义的符合基础性基本机动操纵的控制动作，能够通过对控制动作进行相应组合来实现车辆的多个各种各样的复杂驾驶机动操作，在这些组合中同期地或以相应限定的时间进程在时间上依次地实施多个控制动作。
12.在考虑如此所识别出的控制动作的情况下，随后求取未来行驶轨迹，其中，在未来行驶轨迹中如此考虑至少一个控制动作，使得在该控制动作和该未来行驶轨迹的组合中实现车辆的复杂驾驶机动操作。通过对控制动作进行识别，能够实现用于轨迹预测的方法的高度灵活性。通过识别出代表各种各样的驾驶机动操作的控制动作并且在对行驶轨迹的预测中考虑这些控制动作，能够实现无问题地将该方法匹配于改变的交通状况。示例性地能
够将针对右行交通和在那里所实施的控制动作及驾驶机动操作所训练的这种轨迹预测匹配为左行交通，其方式是，针对在左行交通中相关的控制动作来训练该轨迹预测。在相应进行训练后，该轨迹预测设置为用于，由轨迹数据识别出左行交通的相应的控制动作，并且在考虑所述相应的控制动作和相应的驾驶机动操作的情况下来预测与新的交通状况、即与左行交通兼容的适合的行驶轨迹。由此能够省去对轨迹预测进行完全的重新结构化。此外，可以通过以下方式减少可能的行驶轨迹的数量：在预测中首要考虑与有意义的驾驶机动操作并且尤其与所求取到的控制动作相匹配的行驶轨迹。由此能够实现对未来行驶轨迹的更精确的预测。
13.根据一种实施方式，通过经相应训练的人工神经网络来实施对未来行驶轨迹所进行的求取，其中，所识别出的控制动作被用作该人工神经网络的输入数据。
14.由此能够实现以下技术优点：能够实现对未来行驶轨迹的精确且高性能的预测。通过作为输入数据的所识别出的控制动作对相应经训练的人工神经网络施加影响，能够实现根据本发明的方法的经提高的灵活性。
15.根据一种实施方式，人工神经网络包括融合层，其中，该融合层设置为用于将多个控制动作考虑为车辆的复杂驾驶机动操作的代表用于求取轨迹。
16.由此能够实现以下技术优点：通过由多个控制动作所代表的驾驶机动操作能够将对轨迹的预测限制到这样的轨迹：这些轨迹导致车辆的有意义的机动操作。由此能够实现对有意义轨迹的更精确预测。
17.根据一种实施方式，从多个预先已知的控制动作中识别出至少一个控制动作，其中，预先已知的控制动作作为独立的单元被集成到神经网络中。
18.由此能够实现以下技术优点：能够实现对控制动作的高效识别，其方式是，为了识别控制动作而基于轨迹数据检验：在所观察到的驾驶状况中是否存在及存在哪些预先已知的控制动作。
19.根据一种实施方式，根据多任务学习方法来训练人工神经网络，在该多任务学习方法中，针对在神经网络的单元中所代表的每个控制动作来独立地训练对未来轨迹所进行的求取。
20.由此能够实现如下技术优点：使用多任务学习的技术优点来实现对神经网络的高效训练。
21.根据一种实施方式，通过控制动作将关于通过另一车辆所实施的行驶轨迹的语义信息集成到神经网络中。
22.由此能够实现如下技术优点：通过语义信息来改善对未来行驶轨迹的预测。通过将语义信息集成，能够由对车辆的传感装置的纯原始数据进行处理来解决对未来行驶轨迹的预测，并实现对可能的驾驶机动操作进行考虑。
23.根据一种实施方式，借助基于切片的学习方法来训练神经网络，在该基于切片的学习方法中，考虑相应训练数据组的所选择的具有提高的或降低的优先级的数据。
24.由此能够实现将神经网络的训练过程改善的技术优点，其中，使用提高的优先级来考虑训练数据的、对于训练来说具有提高的重要性的方面。
25.根据一种实施方式，基于所识别出的控制动作来求取和/或提供多个未来行驶轨迹，其中，所述行驶轨迹设置有可靠性值。
26.由此能够实现如下技术优点：能够提高轨迹预测的精确度。通过提供所预测出的未来行驶轨迹的相应的可靠性值，能够在对车辆进行控制时，相应于各个可靠性值对所述未来行驶轨迹进行考虑。在此，可以相应地使用更高的可靠性值来设置以高概率来代表各个所求取到的驾驶机动操作的行驶轨迹。此外，在多个未来行驶轨迹的情况下的说明提高对车辆进行控制的灵活性。
27.根据一种实施方式，通过经用户限定的、指定的识别功能来对控制动作实施识别。
28.由此能够实现以下技术优点：能够实现对控制动作进行精确、可靠且经指定的识别。
29.根据一种实施方式，控制动作描述车辆的一般动作，并且包括：加速、制动、直线行驶、弯道行驶、向右和向左变道、向右和向左转弯、起步、停车。
30.由此能够实现以下技术优点：通过控制动作提供用于控制车辆的基础性动作，通过所述控制动作能够实现多个可能的驾驶机动操作。
31.根据一种实施方式，将控制动作匹配为车辆在城市交通和/或在城际交通中的动作，并且匹配于右行交通和/或左行交通。
32.由此能够实现如下技术优点：能够实现对各种各样的交通类型进行考虑。
33.根据一种实施方式，轨迹数据包括位置数据、速度数据、加速度数据、转向角数据，其中，所述轨迹数据是基于另一车辆的传感器和/或基于该车辆的环境传感器数据的。
34.由此能够实现如下技术优点：基于轨迹数据能够实现精确地对车辆的驾驶状况进行求取。
35.根据一种实施方式，为了对至少一个控制动作进行识别还考虑地图数据，其中，所述地图数据包括车道的走向和/或车道的位置和/或车道相对于其他车道的位置，和/或其中，还在考虑轨迹数据的情况下执行对未来行驶轨迹的求取。
36.由此能够实现如下技术优点：能够进一步改善轨迹预测的精确度。
37.根据本发明的第二方面，提供一种计算单元，其中，该计算单元设置为用于实施根据前述实施方式中任一项所述的用于对车辆进行轨迹预测的方法。
38.根据本发明的第三方面，提供一种包括指令的计算机程序产品，所述指令在通过数据处理单元执行程序时促使该数据处理单元实施根据前述实施方式中任一项所述的用于对车辆进行驾驶辅助的方法。
附图说明
39.根据以下附图阐述本发明的实施例。在附图中示出：
40.图1：根据一种实施方式的驾驶辅助系统的一种交通状况的示意图；
41.图2：根据一种实施方式的用于对车辆进行轨迹预测的方法的流程图；
42.图3：根据一种实施方式的用于实施用于对车辆进行轨迹预测的方法的人工神经网络的示意图；
43.图4：根据一种实施方式的用于实施用于对车辆进行轨迹预测的方法的模型的示意图；和
44.图5：一种计算机程序产品的示意图。
具体实施方式
45.图1示出一种交通状况的示意图。
46.图1示出具有车辆200和另一车辆201的交通状况，所述车辆分别沿着车道217行驶。在所示出的示例中，车道217构造为交叉口。这仅仅是示例性的而不应限制本发明。
47.在所示出的实施方式中，车辆200包括计算单元300，该计算单元设置为用于实施根据本发明的用于对车辆进行轨迹预测的方法。
48.在图1中示出对交通状况的瞬间拍摄，在该交通状况中，另一车辆201已经沿着所驶过的行驶轨迹203沿着车道217运动，并且现在于所示出的交通状况的时间点处于交叉的车道217的入口处。为使车辆201沿着所驶过的行驶轨迹203行驶，该另一车辆201实施了多个过去的控制动作204。在时间上依次所实施的这些过去的控制动作204在此如此构造，使得通过实施过去的控制动作204将能够使该另一车辆201沿着所驶过的行驶轨迹203运动。
49.在本发明的意义上，控制动作204、205、206、207、208、209、210是车辆的一般动作，借助这些一般动作能够沿着预确定的行驶轨迹来操控车辆。在此，控制动作可以包括加速、制动、直线行驶、转弯、向右方向以及向左方向变道、转弯、起步或停车。在此，所提及的用于控制动作的示例并非是穷举的而是能够附加地包括车辆的其他功能。
50.在图1的瞬间拍摄中，由另一车辆201所行驶过的行驶轨迹203还包括所实施的控制动作205、206、207。所实施的控制动作205、206、207在此是所驶过的行驶轨迹203的在创建所示出的交通状况的瞬间拍摄时最后所实施的控制动作。
51.为根据本发明方法进行轨迹预测，车辆200首先接收另一车辆201所驶过的行驶轨迹203的轨迹数据。为此，可以借助车辆200、201的数据通信单元221根据在另一车辆201与车辆200之间的车到车通信来交换所述轨迹数据。替代于此，所述轨迹数据可以基于车辆200的至少一个环境传感器219的环境传感器数据。轨迹数据在此可以至少包括另一车辆201的位置数据、速度数据、加速度数据和转向角数据。
52.基于所述轨迹数据，随后识别至少一个所实施的控制动作205、206、207。根据上文所提及的控制动作示例，可以在行驶过程期间通过一个车辆同期实施这些控制动作，以便为此实施相应的复杂驾驶机动操作。在图1中示出这样的复杂驾驶机动操作215的示例，该示例包括多个依次实施的控制动作204、206、209，在所示出的示例性示图中实施为向左转弯。出于示图方面原因，在图1中仅仅示出依次实施的控制动作。替代于此，可以在任意时间点同期且同时地实施多个控制动作。
53.在考虑通过另一车辆201所实施的控制动作205、206、207的情况下，随后求取另一车辆201的未来行驶轨迹211、212、213。在此，如此构造未来行驶轨迹211、212、213，使得这些未来行驶轨迹是最后所实施的控制动作205、206、207的连续的继续进行。
54.在图1中，示出三个替代的控制动作作为最后所实施的控制动作205、206、207，其中，控制动作205示出另一车辆201的直线行驶，控制动作206示出另一车辆201的向左转弯，而控制动作207示出另一车辆201的向右转弯。根据所述三个替代的控制动作205、206、207，对应于控制动作205的未来行驶轨迹211表示车辆201的直线行驶，对应于控制动作206的未来行驶轨迹211表示另一车辆201的向左转弯，并且对应于控制动作207的未来行驶轨迹213表示另一车辆201的向右转弯。未来行驶轨迹211、212、213要通过相应的未来控制动作208、209、210来实施。
55.在求取未来行驶轨迹之后，将该未来行驶轨迹提供给车辆200，从而可以在考虑所求取的另一车辆201的未来行驶轨迹211、212、213的情况下，对车辆200进行相应的控制。
56.在所示出的示例中，为每个识别出的所实施的控制动作205、206、207仅求取一个未来行驶轨迹211、212、213。替代于此，可以为每个识别出的所实施的控制动作205、206、207确定多个替代的未来行驶轨迹211、212、213。在所示出的示例中未来行驶轨迹211、212、213仅被作为另一车辆201的位置说明示出。替代于此，未来行驶轨迹211、212、213可以如上文所提及的那样包括另一车辆201的速度说明、加速度说明和转向角说明。在此，多个可替代的未来行驶轨迹可以在位置数据、加速度数据、速度数据或转向角数据方面有所不同。在说明多个替代的未来行驶轨迹时，各个行驶轨迹可以分别设置有相应的可靠性值，从而车辆200的控制器可以根据可靠性值来考虑多个所说明的未来行驶轨迹211、212、213。
57.除了车辆201、202的在上文中所列举的通过控制动作描述的动作之外，控制动作还可以附加地匹配为车辆201在城市交通中或在城际交通中的动作并且不仅匹配于右行交通而且匹配于左行交通。
58.为基于另一车辆201所驶过的行驶轨迹203的轨迹数据来识别所实施的控制动作205、206、207，可以通过实施经用户限定的、指定的、指定的识别功能从多个预先已知的控制动作中识别出控制动作205、206、207。所指定的识别功能在此可以被训练成或设置为用于，基于相应的轨迹数据从预先已知的描述车辆驾驶行为的控制动作的集合中识别出实际在通过轨迹数据所观察到的驾驶状况中由车辆所实施的控制动作。
59.所实施的控制动作205、206、207的在图1中所示出的替代方案应示出实际的替代状况。车辆可以在所示出的状况下实施所示出的控制动作205、206、207中的一个控制动作，所述控制动作通过经用户限定的功能来识别。三个替代的控制动作205、206、207的示图仅用于说明所识别出的控制动作205、206、207的相关性和基于此对相应的未来行驶轨迹211、212、213所进行的预测。不同的所识别出的控制动作205、206、207在此导致不同的预测出的未来行驶轨迹211、212、213。作为替代的控制动作所示出的控制动作205、206、207在此对于经用户限定的识别功能是预先已知的，从而基于各个轨迹数据可以将相应的控制动作205、206、207识别为当前的、从而所实施的。
60.在所示出的示图中，将三个替代的所实施的控制动作205、206、207(在考虑这些控制动作的情况下来确定未来行驶轨迹211、212、213)作为可彼此不同的控制动作示出未来行驶轨迹。出于便于示图的原因，为此，所实施的控制动作205、206、207沿着说明性的未来行驶轨迹211、212、213定向。为此，控制动作206表示车辆201的向左取向的方向变化，并且控制动作207表示车辆201的向右取向的方向变化，而控制动作205表示直线行驶。然而这并不隐含着，由车辆200所识别出的所实施的控制动作205、206、207仅包括车辆201的方向变化。
61.附加或替代地，由车辆200所识别出的所实施的控制动作205、206、207可以包括在车辆201的方向保持不变的情况下所实施的控制动作，例如制动过程或激活闪光灯。根据这些控制动作，同样可以在开始方向变化之前已经推断出相应的驾驶机动操作，例如转弯过程。
62.根据一种实施方式，未来行驶轨迹可以通过经相应训练的神经网络来实施基于所识别出的所实施的控制动作205、206、207求取未来行驶轨迹并提供未来行驶轨迹211、212、
213。由经用户限定的、指定的识别功能识别出的所实施的控制动作205、206、207在此可以用作人工神经网络的输入数据。为此，所识别出的控制动作可以以数字矢量表示来表示，并且在数字矢量表示中作为输入数据提供给人工神经网络。
63.人工神经网络在此可以包括融合层，该融合层设置为用于将多个控制动作考虑为对车辆200、201的复杂驾驶机动操作207的代表用于求取轨迹。融合层能够实现预先已知的控制动作或所识别出的控制动作的矢量表示。为此，多个预先已知的控制动作可以以独立的单元(批)集成到神经网络中，使得神经网络的独立的单元(批)分别仅包括各个预先已知的控制动作的数据。
64.人工神经网络尤其可以根据多任务学习方法来训练，在该多任务学习方法中，针对在神经网络的单元中所代表的每个控制动作来训练对未来行驶轨迹的求取。人工神经网络的分别代表各个控制动作的各个单元或批因此能够被独立地按照人工神经网络的相应的训练数据来训练，在考虑神经网络的该单元或批的相应控制动作的情况下来预测相应的未来行驶轨迹。因此能够通过多任务学习方法来同期确定多个替代的未来行驶轨迹。
65.在实施经相应训练的用于轨迹预测的人工神经网络时，随后可以在相应的权重下考虑通过神经网络的各个单个单元或批所求取到的所有未来行驶轨迹，神经网络的各个单个单元或批各自代表单个的、先前已知的控制动作。未来行驶轨迹例如在此可以仅考虑设置有高权重的、例如具有高可靠性值的未来行驶轨迹用于给车辆200的控制装置提供未来行驶轨迹。
66.此外，人工神经网络可以借助基于切片的学习方法来训练，其方式是，为训练神经网络考虑相应训练数据组的所选择的具有提高的或降低的优先级的数据。例如，在相应的训练数据组中以低频度所表示的驾驶状况，例如在确定的天气下的驾驶、在交通量增加/减少的情况下的驾驶，或者其他以低频度出现的驾驶状况，可以在神经网络训练期间以相应的更高的优先级来进行考虑。
67.除了所识别出的控制动作之外，另一车辆201的所行驶过的轨迹203的轨迹数据同样可以被用作人工神经网络的输入数据用于求取未来行驶轨迹。
68.通过集成预先已知的控制动作，除了轨迹数据的原始数据之外，关于由相应车辆所实施的驾驶机动操作的附加语义信息也可以被集成到人工神经网络中。通过预先已知的控制动作的语义信息，可以通过以下方式来精确地预测未来行驶轨迹：通过集成到人工神经网络中的已知的控制动作来定义偏置函数(bias-funktion)，该偏置函数使得在预测中优选这样的未来行驶轨迹：这些未来行驶轨迹导致车辆的根据所识别出的所实施的控制动作有意义的驾驶机动操作。由此能够将可能的未来行驶轨迹的数量减少到这样的行驶轨迹：这些行驶轨迹导致有意义的驾驶机动操作并且与此相应地以更高的概率相当于实际在未来时间点由对应的车辆所实施的行驶轨迹。
69.图2示出根据一种实施方式的用于对车辆200进行轨迹预测的方法100的流程图。
70.根据本发明的用于对车辆200、201进行轨迹预测的方法100可应用于在图1中示例性所示出的驾驶状况。
71.在第一方法步骤101中，首先由车辆200接收在车辆200的周围环境内行驶在车道217上的另一车辆201的所行驶过的行驶轨迹203的轨迹数据。
72.在另一方法步骤103中，基于轨迹数据识别至少一个由该另一车辆201所实施的控
制动作205、206、207。在此，所实施的控制动作205、206、207代表通过另一车辆201所实施的或要实施的驾驶机动操作215的至少一部分，借助该驾驶机动操作另一车辆201可被沿着所行驶过的行驶轨迹203或沿着未来行驶轨迹211、212、213控制。
73.在另一方法步骤105中，在考虑所识别出的并且由另一车辆所实施的控制动作205、206、207的情况下求取相应的未来行驶轨迹211、212、213。未来行驶轨迹211、212、213在此表示所实施的控制动作205、206、207和相应的驾驶机动操作215的连续的继续进行。
74.随后，在另一方法步骤107中提供另一车辆201的未来行驶轨迹211、212、213。
75.图3示出根据一种实施方式的用于实施用于对车辆200、201进行轨迹预测的方法100的人工神经网络504的示意图。
76.在图3中示出根据本发明的一种实施方式的神经网络504的示例性结构。神经网络504包括多个下部层507。在下部层507上方，神经网络504包括融合层509。在融合层509内布置有多个单独的和独立的单元或批510。这些独立的单元510分别具有预先已知的控制动作的数据，其中，每个单元510仅包括一个单个的控制动作。
77.在此，神经网络504的结构被构型成使得神经网络504的下部层507或集成在那里的数据可以共同供所有层使用。相反，融合层509的单独的单元510则单独地运行。由此确保神经网络504的多任务学习方法。
78.通过共同地考虑在融合层509内的独立的单元或或批510的各个控制动作，在预测未来行驶轨迹时确保车辆的相应驾驶机动操作的语义表示。
79.在实施经相应训练的神经网络504时，各自独立地被表示的控制动作的各个单元或批510根据对应的控制动作在基于对应的轨迹数据所观察到的车辆驾驶状况中的存在而被激活，并相应地被驱动以预测未来的驾驶半径。相反，在所观察到的驾驶状况中不存在的控制动作不会导致神经网络504的对应单元510的激活并且相应地不会有助于预测相应的未来行驶轨迹。
80.图4示出根据一种实施方式的用于实施用于对车辆200、201进行轨迹预测的方法100的模型的示意图。
81.图4示出用于实施轨迹预测的模型500的示意图。通过所限定并且指定的识别功能501，基于轨迹数据来识别相应的控制动作。借助用于数字变换503的相应函数，将所识别出的控制动作转换成相应的数字矢量表示。预先已知的控制动作的相应的矢量表示的整体是包括对应的所实施的控制动作的相应驾驶机动操作的相应的代表505。驾驶机动操作的这些矢量表示在融合层509中与神经网络504的下部层507的数据组合，并且布置在融合层509的线性块511中。布置在线性块511中的这些数据可以被重新布置在相应的堆栈块513中，并且可以根据基于切片的学习方法在具有相应优先级的切片块515中用于训练。在线性块511中，还可以实施代表505的和下部层的数据507的驾驶机动操作的线性加权。
82.图5示出一种计算机程序产品400的示意图。
83.图5示出一种计算机程序产品400，该计算机程序产品包括指令，所述指令在通过计算单元实施程序时促使所述计算单元实施根据上述实施方式中任一项所述的方法100。该计算机程序产品400在所示实施方式中存储在存储介质401上。在此，存储介质401可以是由现有技术所已知的任意存储介质。