车辆轨迹预测方法、装置、设备及存储介质与流程

1.本发明涉及汽车技术领域，具体涉及一种车辆轨迹预测方法、装置、设备及存储介质。


背景技术：

2.当前可以利用大量车辆的预测轨迹数据、真实轨迹数据和预测驾驶行为数据，对轨迹预测模型进行训练，以提升轨迹预测模型的精确度。但是，只通过轨迹预测模型进行车辆轨迹预测，存在一定局限性，在较为狭窄的车位进行泊车时，无法准确获得下一时刻车辆移动的行驶轨迹，导致自动泊车的鲁棒性能较差，对智能驾驶行为具有安全威胁。


技术实现要素：

3.本发明的目的在于提供一种车辆轨迹预测方法、装置、设备及存储介质，以解决在较为狭窄的车位进行泊车时，无法准确预测车辆移动的下一时刻的行驶轨迹的技术问题。本技术的技术方案如下：
4.根据本技术涉及的第一方面，提供一种车辆轨迹预测方法，包括：获取车辆包括的多个传感器采集到的车辆信息，并将车辆信息输入至预设的运动轨迹预测模型中，得到车辆的预测轨迹信息；将车辆信息输入至预设的定位算法中，得到车辆的定位信息，定位信息用于指示车辆在泊车坐标系下的位姿信息；将预测轨迹信息和定位信息输入至线性卡尔曼滤波器中，得到车辆的目标轨迹信息，并基于目标轨迹信息移动车辆，线性卡尔曼滤波器用于预测下一时刻车辆的行驶轨迹。
5.根据上述技术手段，本技术可以在车辆基于预测轨迹信息进行自动泊车时，结合车辆在泊车坐标系下准确的位姿信息和车辆的预测轨迹信息，通过线性卡尔曼滤波器获得更加准确的下一时刻车辆的行驶轨迹，提高自动泊车的鲁棒性能，保障智能驾驶的安全性，解决现有技术中在较为狭窄的车位进行自动泊车时，只基于车辆的预测轨迹信息进行泊车，而无法在泊车时观测车辆在泊车坐标系下的位姿信息以避免障碍物，从而对智能驾驶行为产生安全威胁的问题。
6.在一种可能的实施方式中，获取车辆包括的多个传感器采集到的车辆信息，包括：在确定车辆处于泊车状态的情况下，通过车辆包括的多个传感器采集车辆信息，多个传感器包括：车速传感器、角速度传感器、角度传感器、惯性导航传感器，泊车状态包括以下至少一项：车速低于预设阈值、传感器采集到的环境信息包括车位信息、控制模块处于泊车状态。
7.根据上述技术手段，本技术可以在车辆处于泊车状态时，通过多个传感器实时的采集车辆信息，以保障泊车状态下获取的车辆信息的准确性和有效性。
8.在一种可能的实施方式中，方法还包括：在基于目标轨迹信息移动车辆之后，获取在移动后的位置上车辆包括的多个传感器采集到的车辆信息，并将车辆移动后对应的车辆信息输入至预设的定位算法中，得到车辆在移动后的位置上的定位信息；当确定车辆在移
动后的位置上的定位信息位于泊车坐标系中的车位信息指示的区域范围内时，结束预测车辆的行驶轨迹。
9.根据上述技术手段，本技术可以保障在泊车过程中实时为车辆提供车辆信息，并实时观测车辆在当前位置上的定位信息，以在确定车辆在当前位置上的定位信息符合泊车坐标系中的车位信息时，结束预测车辆的行驶轨迹，从而保障在车辆完成泊车时及时结束泊车过程。
10.在一种可能的实施方式中，预设的运动轨迹预测模型为基于车辆实时的状态信息，构建得到的预测模型，车辆实时的状态信息包括以下至少一项：车辆的空间位姿、车辆的行驶速度、车辆的刹车距离。
11.根据上述技术手段，本技术可以基于车辆实时的状态信息构建得到预测模型，从而在车辆进行泊车时，可以直接基于预测模型得到车辆的预测轨迹信息，从而可以提高自动泊车的效率，保障智能驾驶的安全性。
12.根据本技术提供的第二方面，提供一种车辆轨迹预测装置，包括获取模块以及处理模块；获取模块，用于获取车辆包括的多个传感器采集到的车辆信息；处理模块，用于将车辆信息输入至预设的运动轨迹预测模型中，得到车辆的预测轨迹信息；处理模块，还用于将车辆信息输入至预设的定位算法中，得到车辆的定位信息，定位信息用于指示车辆在泊车坐标系下的位姿信息；处理模块，还用于将预测轨迹信息和定位信息输入至线性卡尔曼滤波器中，得到车辆的目标轨迹信息，并基于目标轨迹信息移动车辆，线性卡尔曼滤波器用于预测下一时刻车辆的行驶轨迹。
13.在一种可能的实施方式中，处理模块，还用于在确定车辆处于泊车状态的情况下，通过车辆包括的多个传感器采集车辆信息，多个传感器包括：车速传感器、角速度传感器、角度传感器、惯性导航传感器，泊车状态包括以下至少一项：车速低于预设阈值、传感器采集到的环境信息包括车位信息、控制模块处于泊车状态。
14.在一种可能的实施方式中，获取模块，还用于在基于目标轨迹信息移动车辆之后，获取在移动后的位置上车辆包括的多个传感器采集到的车辆信息；处理模块，还用于将车辆移动后对应的车辆信息输入至预设的定位算法中，得到车辆在移动后的位置上的定位信息；处理模块，还用于当确定车辆在移动后的位置上的定位信息位于泊车坐标系中的车位信息指示的区域范围内时，结束预测车辆的行驶轨迹。
15.在一种可能的实施方式中，预设的运动轨迹预测模型为基于车辆实时的状态信息，构建得到的预测模型，车辆实时的状态信息包括以下至少一项：车辆的空间位姿、车辆的行驶速度、车辆的刹车距离。
16.根据本技术提供的第三方面，提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，处理器被配置为执行指令，以实现上述第一方面及其任一种可能的实施方式的方法。
17.根据本技术提供的第四方面，提供一种计算机可读存储介质，当计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述第一方面中及其任一种可能的实施方式的方法。
18.根据本技术提供的第五方面，提供一种车辆，包括：运动轨迹预测装置，用于实现上述第一方面及其任一种可能的实施方式的方法。
19.根据本技术提供的第六方面，提供一种计算机程序产品，计算机程序产品包括计算机指令，当计算机指令在电子设备上运行时，使得电子设备执行上述第一方面及其任一种可能的实施方式的方法。
20.由此，本技术的上述技术特征具有以下有益效果：
21.(1)可以在车辆基于预测轨迹信息进行自动泊车时，结合车辆在泊车坐标系下准确的位姿信息和车辆的预测轨迹信息，通过线性卡尔曼滤波器获得更加准确的下一时刻车辆的行驶轨迹，提高自动泊车的鲁棒性能，保障智能驾驶的安全性，解决现有技术中在较为狭窄的车位进行自动泊车时，只基于车辆的预测轨迹信息进行泊车，而无法在泊车时观测车辆在泊车坐标系下的位姿信息以避免障碍物，从而对智能驾驶行为产生安全威胁的问题。
22.(2)可以在车辆处于泊车状态时，通过多个传感器实时的采集车辆信息，以保障泊车状态下获取的车辆信息的准确性和有效性。
23.(3)可以保障在泊车过程中实时为车辆提供车辆信息，并实时观测车辆在当前位置上的定位信息，以在确定车辆在当前位置上的定位信息符合泊车坐标系中的车位信息时，结束预测车辆的行驶轨迹，从而保障在车辆完成泊车时及时结束泊车过程。
24.(4)可以基于车辆实时的状态信息构建得到预测模型，从而在车辆进行泊车时，可以直接基于预测模型得到车辆的预测轨迹信息，从而可以提高自动泊车的效率，保障智能驾驶的安全性。
25.需要说明的是，第二方面至第六方面中的任一种实现方式所带来的技术效果可参见第一方面中对应实现方式所带来的技术效果，此处不再赘述。
26.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，并不能限制本技术。
附图说明
27.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理，并不构成对本技术的不当限定。
28.图1是根据一示例性实施例示出的一种车辆轨迹预测系统的结构示意图；
29.图2是根据一示例性实施例示出的一种车辆轨迹预测方法的流程图；
30.图3是根据一示例性实施例示出的一种车辆运动学模型示意图；
31.图4是根据一示例性实施例示出的一种车辆转向姿态解析示意图；
32.图5是根据一示例性实施例示出的又一种车辆轨迹预测方法的流程图；
33.图6是根据一示例性实施例示出的又一种车辆轨迹预测方法的流程图；
34.图7是根据一示例性实施例示出的一种车辆轨迹估计流程图；
35.图8是根据一示例性实施例示出的一种车辆轨迹预测装置的框图；
36.图9是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
37.以下将参照附图和优选实施例来说明本发明的实施方式，本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明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，在没有背离本发明的精神下进行各种修饰或改变。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
38.需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
39.在自动驾驶车辆的长期使用过程中，由于车辆的轮胎、转向器等机械的磨损及器件的老化，导致车机显示界面对相关轨迹预测的精确度降低。随着智能驾驶的发展，越来越多的先进的理论算法应用到自动驾驶领域，可以利用大量车辆的预测轨迹数据、真实轨迹数据和预测驾驶行为数据，对轨迹预测模型进行训练，以提升轨迹预测模型的精确度。但是，在这种泊车智能驾驶解决方案中，需要大量的车辆轨迹预测数据，并且只通过轨迹预测模型进行车辆轨迹预测，没有观测信息，在技术上存在一定局限性，在较为狭窄的车位进行泊车时，无法准确获得下一时刻车辆移动的行驶轨迹，导致自动泊车的鲁棒性能较差，对智能驾驶行为具有安全威胁。
40.为了便于理解，以下结合附图对本技术提供的车辆轨迹预测方法进行具体介绍。
41.本技术实施例提供的一种车辆轨迹预测方法，可以适用于车辆轨迹预测系统。图1是根据一示例性实施例示出的一种车辆轨迹预测系统的结构示意图。如图1所示，车辆轨迹预测系统10包括：信息获取模块11、信息处理模块12和轨迹预测模块13。
42.其中，信息获取模块11用于获取车辆包括的多个传感器采集到的车辆信息；信息处理模块12用于将车辆信息输入至预设的运动轨迹预测模型中得到车辆的预测轨迹信息、将车辆信息输入至预设的定位算法中得到车辆的定位信息；轨迹预测模块13用于将预测轨迹信息和定位信息输入至线性卡尔曼滤波器中得到车辆的目标轨迹信息，以基于目标轨迹信息移动车辆。
43.图2是根据一示例性实施例示出的一种车辆轨迹预测方法的流程图，如图2所示，该车辆轨迹预测方法包括以下步骤：
44.s201、获取车辆包括的多个传感器采集到的车辆信息。
45.s202、将车辆信息输入至预设的运动轨迹预测模型中，得到车辆的预测轨迹信息。
46.可选地，可以建立出厂时的车辆运动轨迹预测模型(即车辆运动学模型)，通过车辆运动轨迹预测模型可以对输入的车辆信息进行预处理，并输出预测的轨迹结果(即车辆的预测轨迹信息)。
47.可选地，可以对自动驾驶车辆进行较为精准的模型构建，基于车辆实时的状态信息(包括车辆的空间位姿、车辆的行驶速度、车辆的刹车距离)，从几何学的角度研究车辆的运动规律随时间的变化，进而构建得到预设的运动轨迹预测模型。图3是根据一示例性实施例示出的一种车辆运动学模型示意图，其中，(xf，yf)为车辆前轴中心的坐标，(xr，yr)为车辆后轴中心的坐标，为车辆的航向角，vf为车辆后轴中心速度，vr为车辆后轴中心的速度，l为轴距，δf为车辆的前轮偏角。
48.运动轨迹预测模型如公式一所示：
[0049][0050]
其中符号x'
t
表示车辆后轴中心坐标位置的变化量，y
t
'表示车辆后轴中心坐标位置的变化量，表示车辆的横摆角(即航向角)的变化量，表示车辆的横摆角，vr表示车辆后轴的速度，ω表示车辆横摆角的速度。
[0051]
具体的，公式一的推导过程如下：假设自动驾驶车辆再转向过程中车辆之心侧偏角保持不变，即车辆瞬时转向半径与道路曲率半径相同，则在车辆后轴中心(xr,yr)处的速度如公式二所示：
[0052][0053]
已知前后轴的运动学约束(即曲率运动控制方程)如公式三所示：
[0054][0055]
将公式三中垂直于运动方向的变化相互抵消，得到的垂直运动方向方程如公式四所述：
[0056][0057]
已知前后轮角速度关系如公式五所示：
[0058][0059]
将公式二、公式四和公式五合并代入公式三，解得的横摆角速度如公式六所示：
[0060][0061]
对公式五求导得公式七：
[0062][0063]
将公式四代入公式七得公式八：
[0064][0065]
将公式八代入公式三得公式九：
[0066][0067]
将公式九顺势展开推导过程如下：
[0068]
[0069][0070][0071]
可得公式十：
[0072][0073]
根据公式十得到公式十一：
[0074][0075]
其中，r为车辆的后轮转向半径。图4是根据一示例性实施例示出的一种车辆转向姿态解析示意图，其中，m为车辆的后轴中心，n为车辆的前轴中心，r为车辆的后轮转向半径，p为车辆的转向中心，为车辆的航向角(即横摆角)，vf为车辆后轴中心速度，vr为车辆后轴中心的速度，δf为车辆的前轮偏角。
[0076]
根据公式一和公式十一可得车辆运动学模型如公式十二所示：
[0077][0078]
将公式十二表示为一般形式如公式十三所示：
[0079]
ε'＝f(ε，u)
ꢀꢀ
公式十三其中，状态量表示车辆的位置和横摆角，控制量u＝[vr，δf]表示车辆的速度(即油门)和前轮偏角(即方向盘角度)。
[0080]
公式十二(即车辆运动学模型)可以表示为公式十四：
[0081][0082]
以上完成车辆的运动轨迹预测模型的推导。可以令x(k+1)为上述将作为系统的状态向量以描述k+1时刻下的运动状态，x(k)表示k时刻下的运动状态，则可以完成k到k+1时刻的运动状态的方程表达。
[0083]
一种可能的实现方式中，当车辆在良好的路面上低速行驶时，此时基于车辆运动学模型设计的路径跟踪控制器具备可靠的控制性能，可以通过车辆运动学模型进行车辆轨迹的预测。
[0084]
s203、将车辆信息输入至预设的定位算法中，得到车辆的定位信息。
[0085]
其中，定位信息用于指示车辆在泊车坐标系下的位姿信息。
[0086]
可选地，可以启动当前自动驾驶车辆的泊车系统中预设的定位算法，并将车辆信息输入至预设的定位算法中得到定位数据结果(即车辆的定位信息)。
[0087]
可选地，当前自动驾驶车辆的多个传感器中包括多个视觉传感器，这些视觉传感
器融合后可以在狭窄的车位中感知车身在泊车坐标系下较为准确的位姿信息(即观测结果)，观测结果可以为视觉定位的即时定位与地图构建(simultaneous localization and mapping，slam)输出结果。
[0088]
需要说明的是，由于视觉在车库中由于光线等原因并不能十分精准地估计车辆当前的车身位姿，且随时可能出现位姿跳变，因此视觉定位的slam输出结果不能直接用于车辆当前的定位观测结果。
[0089]
假设ω(k)为状态高斯白噪声，v(k)为观测高斯白噪声，前述方程通过雅克比满足线性化误差下的冗余度，则视觉slam定位方程(即视觉定位的slam输出结果)如公式十五所示：
[0090]
z(k)＝h(k)x(k)+v(k)公式十五其中，z(k)为观测值，h(k)为观测矩阵。
[0091]
s204、将预测轨迹信息和定位信息输入至线性卡尔曼滤波器中，得到车辆的目标轨迹信息，并基于目标轨迹信息移动车辆。
[0092]
其中，线性卡尔曼滤波器用于预测下一时刻车辆的行驶轨迹。
[0093]
可选地，可以将预测轨迹信息和定位信息输入至线性卡尔曼滤波器中，获得融合后的定位估计结果(即车辆的目标轨迹信息)，并将融合后的定位估计结果作为下一时刻车辆的行驶轨迹位置。
[0094]
根据线性卡尔曼假设，车辆的状态噪声和观测噪声均相互独立，状态噪声的协方差和观测噪声的协方差分别为q和r。时间更新过程根据前更新的最优状态可以估计当前状态，且同时更新车辆的状态的协方差矩阵，车辆状态的公式描述如公式十六所示：
[0095][0096]
在通过公式十六预测出状态转移情况的数值后，再通过公式十五(即视觉观测的方程)推测最优的估计结果，可得更新的方程如公式十七所示：
[0097]
x(k+1,k+1)＝x(k+1,k)+k(k+1)(z(k+1)-z(k+1),k)公式十七其中，k为卡尔曼增益，可以根据状态噪声的协方差和观测噪声的协方差，通过公式十八计算卡尔曼增益，公式十八为：
[0098][0099]
其中，q(k)为系统噪声非负定协方差矩阵，r(k)为观测噪声非负定协方差矩阵。初始状态估计值、状态噪声协方差矩阵及观测噪声协方差矩阵均已知，则卡尔曼增益如公式十九所示：
[0100]
k(k)＝a(k)p(k,k-1)h
t
(k)[h(k)*p(k，k-1)h
t
(k)-r(k)]-1
公式十九
[0101]
由公式十九可得下一时刻估计的最优估计值及对应的状态协方差矩阵，如公式二十所示：
[0102]
[0103]
由公式二十可得下一时刻的最优预测值(即下一时刻车辆的行驶轨迹位置)。通过以上公式可以在低速场景下，获得车辆准确的轨迹预测结果(即目标轨迹信息)，进而基于轨迹预测结果实现自动驾驶车辆的泊车功能。
[0104]
图5是根据一示例性实施例示出的又一种车辆轨迹预测方法的流程图，如图5所示，上述步骤s201中的方法，具体包括以下步骤：
[0105]
s301、在确定车辆处于泊车状态的情况下，通过车辆包括的多个传感器采集车辆信息。
[0106]
其中，多个传感器包括：车速传感器、角速度传感器、角度传感器、惯性导航传感器，泊车状态包括以下至少一项：车速低于预设阈值、传感器采集到的环境信息包括车位信息、控制模块处于泊车状态。
[0107]
可选地，可以通过车辆的自动驾驶系统的决策模块输出泊车状态结果，以基于泊车状态结果判断车辆是否处于泊车状态，在确定车辆处于泊车状态的情况下，通过车辆包括的多个传感器启动泊车功能采集车辆信息。
[0108]
示例性的，预设阈值可以为4km/h、5km/h、6km/h等合理数值。
[0109]
需要说明的是，在车辆包括的多个传感器启动泊车功能时，确保多个传感器中每个传感器的状态机相对车辆的车机状态保持正常。
[0110]
图6是根据一示例性实施例示出的又一种车辆轨迹预测方法的流程图，如图6所示，方法还包括以下步骤：
[0111]
s401、在基于目标轨迹信息移动车辆之后，获取在移动后的位置上车辆包括的多个传感器采集到的车辆信息，并将车辆移动后对应的车辆信息输入至预设的定位算法中，得到车辆在移动后的位置上的定位信息。
[0112]
可选地，可以在预设时间段内基于目标轨迹信息移动车辆，在基于目标轨迹信息移动车辆之后，获取在移动后的位置上车辆包括的多个传感器采集到的车辆信息，并将车辆移动后对应的车辆信息输入至预设的定位算法中，得到车辆在移动后的位置上的定位信息。进一步的，将车辆在移动后的位置上的定位信息和将预测轨迹信息输入至线性卡尔曼滤波器中，得到车辆在移动后的位置上的目标轨迹信息。
[0113]
可选地，为了加快泊车过程中连续预测目标轨迹信息的速度，可以将预设时间段设置为预设频率。
[0114]
示例性的，预设频率可以为20hz、30hz、40hz等合理数值。
[0115]
需要说明的是，车辆的目标轨迹信息是在单个预设时间段步骤内最小均方误差所对应的位姿目标。泊车过程中连续在间隔预设频率时预测目标轨迹信息，可以在低速和较为可控的中央处理器(central processing unit，cpu)占用下，获得流畅的轨迹预测结果。
[0116]
s402、当确定车辆在移动后的位置上的定位信息位于泊车坐标系中的车位信息指示的区域范围内时，结束预测车辆的行驶轨迹。
[0117]
可选地，可以在确定车辆在移动后的位置上的定位信息位于泊车坐标系中的车位信息指示的区域范围内时，结束预测车辆的行驶轨迹。即在完成泊车过程中每个预设时间段对应的下一时刻的定位轨迹估计(即目标轨迹信息)时，结束自动泊车。
[0118]
图7是根据一示例性实施例示出的一种车辆轨迹估计流程图，如图7所示，可以初始化运动模型，并获得当前车辆的速度信息和加速度信息，基于当前车辆的速度信息和加
速度信息，获取当前车辆的姿态信息和视觉定位信息，通过运动模型、当前车辆的姿态信息和视觉定位信息，计算下一时刻的最优估计值，判断泊车过程是否结束。若泊车过程未结束，则继续计算下一时刻的最优估计值；若泊车过程结束，则不继续计算下一时刻的最优估计值。
[0119]
本技术实施例提供一种车辆轨迹预测方法，在车辆处于自动驾驶状态时，本技术可以引入多传感器融合的思想，借助当前控制车辆的运动控制模型及车速、加速度、角速度等传感器建立一个初始的状态模型，并通过初始的状态模型得到模型预测数据。考虑传感器的老化及车身本体机械性能的衰退等不利因素会导致初始的状态模型精度降低，因此将模型预测数据与通过动态障碍物预测窗口探测的信息进行结合，获得更为精准的估计结果，实现在保障行车安全的前提下，提高自动驾驶车辆的行驶轨迹预测的精确度，保障在行车过程中探测到障碍物时，能够安全、顺利、流畅的自主行车。
[0120]
上述主要从方法的角度对本技术实施例提供的方案进行了介绍。为了实现上述功能，车辆轨迹预测装置或电子设备包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本技术能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0121]
本技术实施例可以根据上述方法，示例性的对车辆轨迹预测装置或电子设备进行功能模块的划分，例如，车辆轨迹预测装置或电子设备可以包括对应各个功能划分的各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本技术实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0122]
图8是根据一示例性实施例示出的一种车辆轨迹预测装置的框图。参照图8，该车辆轨迹预测装置70包括：获取模块701以及处理模块702；
[0123]
获取模块701，用于获取车辆包括的多个传感器采集到的车辆信息；
[0124]
处理模块702，用于将车辆信息输入至预设的运动轨迹预测模型中，得到车辆的预测轨迹信息；
[0125]
处理模块702，还用于将车辆信息输入至预设的定位算法中，得到车辆的定位信息，定位信息用于指示车辆在泊车坐标系下的位姿信息；
[0126]
处理模块702，还用于将预测轨迹信息和定位信息输入至线性卡尔曼滤波器中，得到车辆的目标轨迹信息，并基于目标轨迹信息移动车辆，线性卡尔曼滤波器用于预测下一时刻车辆的行驶轨迹。
[0127]
在一种可能的实施方式中，处理模块702，还用于在确定车辆处于泊车状态的情况下，通过车辆包括的多个传感器采集车辆信息，多个传感器包括：车速传感器、角速度传感器、角度传感器、惯性导航传感器，泊车状态包括以下至少一项：车速低于预设阈值、传感器采集到的环境信息包括车位信息、控制模块处于泊车状态。
[0128]
在一种可能的实施方式中，获取模块701，还用于在基于目标轨迹信息移动车辆之
后，获取在移动后的位置上车辆包括的多个传感器采集到的车辆信息；处理模块702，还用于将车辆移动后对应的车辆信息输入至预设的定位算法中，得到车辆在移动后的位置上的定位信息；处理模块702，还用于当确定车辆在移动后的位置上的定位信息位于泊车坐标系中的车位信息指示的区域范围内时，结束预测车辆的行驶轨迹。
[0129]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0130]
图9是根据一示例性实施例示出的一种电子设备的框图。如图9所示，电子设备80包括但不限于：处理器801和存储器802。
[0131]
其中，上述的存储器802，用于存储上述处理器801的可执行指令。可以理解的是，上述处理器801被配置为执行指令，以实现上述实施例中的车辆轨迹预测方法。
[0132]
需要说明的是，本领域技术人员可以理解，图9中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图9所示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0133]
处理器801是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器802内的软件程序和/或模块，以及调用存储在存储器802内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。处理器801可包括一个或多个处理模块。可选的，处理器801可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器801中。
[0134]
存储器802可用于存储软件程序以及各种数据。存储器802可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能模块所需的应用程序(比如确定单元、处理单元等)等。此外，存储器802可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0135]
在示例性实施例中，还提供了一种包括指令的计算机可读存储介质，例如包括指令的存储器802，上述指令可由电子设备800的处理器801执行以实现上述实施例中的车辆轨迹预测方法。
[0136]
在实际实现时，图8中的获取模块701、处理模块702的功能均可以由图9中的处理器801调用存储器802中存储的计算机程序实现。其具体的执行过程可参考上实施例中的车辆轨迹预测方法部分的描述，这里不再赘述。
[0137]
可选地，计算机可读存储介质可以是非临时性计算机可读存储介质，例如，该非临时性计算机可读存储介质可以是只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0138]
在示例性实施例中，还提供了一种包括车辆轨迹预测装置的车辆，该车辆可以通过车辆轨迹预测装置完成上述实施例中的车辆轨迹预测方法。
[0139]
在示例性实施例中，本技术实施例还提供了一种包括一条或多条指令的计算机程序产品，该一条或多条指令可以由电子设备的处理器801执行以完成上述实施例中的车辆轨迹预测方法。
[0140]
需要说明的是，上述计算机可读存储介质中的指令或计算机程序产品中的一条或多条指令被电子设备的处理器执行时实现上述车辆轨迹预测方法实施例的各个过程，且能
达到与上述车辆轨迹预测方法相同的技术效果，为避免重复，这里不再赘述。
[0141]
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全分类部或者部分功能。
[0142]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0143]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全分类部单元来实现本实施例方案的目的。
[0144]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0145]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本技术实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全分类部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本技术各个实施例方法的全分类部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0146]
以上，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何在本技术揭露的技术范围内的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种车辆轨迹预测方法，其特征在于，包括：获取车辆包括的多个传感器采集到的车辆信息，并将所述车辆信息输入至预设的运动轨迹预测模型中，得到车辆的预测轨迹信息；将所述车辆信息输入至预设的定位算法中，得到车辆的定位信息，所述定位信息用于指示车辆在泊车坐标系下的位姿信息；将所述预测轨迹信息和所述定位信息输入至线性卡尔曼滤波器中，得到车辆的目标轨迹信息，并基于所述目标轨迹信息移动车辆，所述线性卡尔曼滤波器用于预测下一时刻车辆的行驶轨迹。2.根据权利要求1所述的方法，其特征在于，所述获取车辆包括的多个传感器采集到的车辆信息，包括：在确定车辆处于泊车状态的情况下，通过车辆包括的多个传感器采集所述车辆信息，所述多个传感器包括：车速传感器、角速度传感器、角度传感器、惯性导航传感器，所述泊车状态包括以下至少一项：车速低于预设阈值、传感器采集到的环境信息包括车位信息、控制模块处于泊车状态。3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：在基于所述目标轨迹信息移动车辆之后，获取在移动后的位置上车辆包括的多个传感器采集到的车辆信息，并将车辆移动后对应的车辆信息输入至所述预设的定位算法中，得到车辆在移动后的位置上的定位信息；当确定车辆在移动后的位置上的定位信息位于所述泊车坐标系中的车位信息指示的区域范围内时，结束预测车辆的行驶轨迹。4.根据权利要求1或2所述的方法，其特征在于，所述预设的运动轨迹预测模型为基于车辆实时的状态信息，构建得到的预测模型，所述车辆实时的状态信息包括以下至少一项：车辆的空间位姿、车辆的行驶速度、车辆的刹车距离。5.一种车辆轨迹预测装置，其特征在于，包括获取模块以及处理模块；所述获取模块，用于获取车辆包括的多个传感器采集到的车辆信息；所述处理模块，用于将所述车辆信息输入至预设的运动轨迹预测模型中，得到车辆的预测轨迹信息；所述处理模块，还用于将所述车辆信息输入至预设的定位算法中，得到车辆的定位信息，所述定位信息用于指示车辆在泊车坐标系下的位姿信息；所述处理模块，还用于将所述预测轨迹信息和所述定位信息输入至线性卡尔曼滤波器中，得到车辆的目标轨迹信息，并基于所述目标轨迹信息移动车辆，所述线性卡尔曼滤波器用于预测下一时刻车辆的行驶轨迹。6.根据权利要求5所述的车辆轨迹预测装置，其特征在于，所述处理模块，还用于在确定车辆处于泊车状态的情况下，通过车辆包括的多个传感器采集所述车辆信息，所述多个传感器包括：车速传感器、角速度传感器、角度传感器、惯性导航传感器，所述泊车状态包括以下至少一项：车速低于预设阈值、传感器采集到的环境信息包括车位信息、控制模块处于泊车状态。7.根据权利要求5或6所述的车辆轨迹预测装置，其特征在于，所述获取模块，还用于在基于所述目标轨迹信息移动车辆之后，获取在移动后的位置上车辆包括的多个传感器采集
到的车辆信息；所述处理模块，还用于将车辆移动后对应的车辆信息输入至所述预设的定位算法中，得到车辆在移动后的位置上的定位信息；所述处理模块，还用于当确定车辆在移动后的位置上的定位信息位于所述泊车坐标系中的车位信息指示的区域范围内时，结束预测车辆的行驶轨迹。8.根据权利要求5或6所述的车辆轨迹预测装置，其特征在于，所述预设的运动轨迹预测模型为基于车辆实时的状态信息，构建得到的预测模型，所述车辆实时的状态信息包括以下至少一项：车辆的空间位姿、车辆的行驶速度、车辆的刹车距离。9.一种电子设备，其特征在于，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如权利要求1至4中任一项所述的方法。10.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中存储的计算机执行指令由电子设备的处理器执行时，所述电子设备能够执行如权利要求1至4中任一项所述的方法。11.一种车辆，其特征在于，所述车辆包括如权利要求5至8中任一项所述的车辆轨迹预测装置，所述车辆用于实现如权利要求1至4中任一项所述的方法。

技术总结
本申请涉及一种车辆轨迹预测方法、装置、设备及存储介质，涉及汽车技术领域。该方法包括：获取车辆包括的多个传感器采集到的车辆信息，并将车辆信息输入至预设的运动轨迹预测模型中，得到车辆的预测轨迹信息；将车辆信息输入至预设的定位算法中，得到车辆的定位信息；将预测轨迹信息和定位信息输入至线性卡尔曼滤波器中，得到车辆的目标轨迹信息，并基于目标轨迹信息移动车辆。由此，可以将车辆的预测轨迹信息与车辆的定位信息结合，获得更加准确的车辆的目标轨迹信息，保障智能驾驶的安全性，解决只基于车辆的预测轨迹信息进行泊车时，无法通过车辆的定位信息进行观测以避免障碍物，从而对智能驾驶行为产生安全威胁的问题。题。题。


技术研发人员：陈元橼
受保护的技术使用者：重庆长安汽车股份有限公司
技术研发日：2023.03.28
技术公布日：2023/7/6