[發(fā)明專利]一種用于無人駕駛的軌跡預(yù)測方法

在審

• 申請?zhí)枺?/td>: 201910858029.6
• 申請日: 2019-09-11
• 公開（公告）號(hào): CN110610268A
• 公開（公告）日: 2019-12-24
• 發(fā)明（設(shè)計(jì)）人: 高嶺;王澤天;高全力
• 申請（專利權(quán)）人: 西安工程大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/30;G06K9/62
• 代理公司: 61202 西安西達(dá)專利代理有限責(zé)任公司
• 代理人: 劉華

一種用于無人駕駛的軌跡預(yù)測方法，對(duì)歷史軌跡數(shù)據(jù)利用馬爾科夫算法進(jìn)行軌跡預(yù)測，通過比較預(yù)測值和真實(shí)值來找出不合理的預(yù)測結(jié)果，再依據(jù)車輛行駛過程中的具體路況信息修正部分預(yù)測結(jié)果，具有預(yù)測準(zhǔn)確率高的特點(diǎn)。

技術(shù)領(lǐng)域

本專利屬于城市交通中的軌跡預(yù)測技術(shù)領(lǐng)域，特別涉及一種用于無人駕駛的軌跡預(yù)測方法。

背景技術(shù)

隨著互聯(lián)網(wǎng)的快速發(fā)展和科技的突飛猛進(jìn)，已進(jìn)行了上百年的汽車領(lǐng)域的智能化也迎來了前所未有的發(fā)展期。安全技術(shù)也日趨成熟，比如：電子穩(wěn)定系統(tǒng)、主動(dòng)剎車系統(tǒng)、車道偏離與保持系統(tǒng)等。但是由于駕駛者的操作失誤而造成的交通事故依然占有93％以上。而且駕駛者畢竟存在反應(yīng)時(shí)間和主觀思維，這就導(dǎo)致在發(fā)生危險(xiǎn)時(shí)難以做出最優(yōu)決策從而成為事故發(fā)生的主要因素。

因此，要減少交通事故的發(fā)生，實(shí)現(xiàn)道路交通零傷亡，無人駕駛技術(shù)的發(fā)展就顯得勢在必行。通過將智能網(wǎng)聯(lián)和無人駕駛汽車相結(jié)合，組成一個(gè)龐大的智能交通網(wǎng)絡(luò)來最大化發(fā)揮智能化以提高道路通行能力，節(jié)約能源，減少擁堵，改善生活環(huán)境。

通過對(duì)歷史軌跡數(shù)據(jù)的挖掘，預(yù)測下一時(shí)段車輛的位置信息。根據(jù)這些預(yù)測信息，車輛可以提前做出決策，改變出行時(shí)間或者出行路線的方式來規(guī)避可能發(fā)生的交通擁堵，從而最大程度地緩解城市交通擁堵問題。

專利內(nèi)容

為克服上述現(xiàn)有技術(shù)的不足，本專利的目的在于提供一種用于無人駕駛的軌跡預(yù)測方法，依據(jù)車輛歷史軌跡數(shù)據(jù)，通過馬爾科夫算法獲得概率分布，預(yù)測出車輛行駛路線；依據(jù)車輛行駛的場景信息修正概率分布，調(diào)高預(yù)測準(zhǔn)確率。

為實(shí)現(xiàn)上述目的，本專利采用的技術(shù)方案是：

一種用于無人駕駛的軌跡預(yù)測算法，包括以下步驟：

步驟1，獲取觸發(fā)馬爾科夫算法的運(yùn)行指令；

步驟2，采集車輛歷史軌跡數(shù)據(jù)及其發(fā)生的場景信息，并生成預(yù)測算法所需的數(shù)據(jù)源；

步驟3，利用馬爾科夫算法計(jì)算狀態(tài)轉(zhuǎn)移概率，建立狀態(tài)轉(zhuǎn)移矩陣，從而得到預(yù)測軌跡；

步驟4，將步驟3獲得的車輛的預(yù)測軌跡與實(shí)際的車輛軌跡進(jìn)行對(duì)比，若存在誤差，則改進(jìn)馬爾科夫算法，修正不合理的預(yù)測結(jié)果，提高軌跡預(yù)測準(zhǔn)確率；發(fā)現(xiàn)只能達(dá)到65％的預(yù)測精度；由于馬爾科夫算法每次都會(huì)選擇最大值，但當(dāng)最大值和第二大值之間的差過小時(shí)，實(shí)際行駛過程中選擇最大值路口與第二大值路口相比是偶然的；

所述的步驟3，具體做法是：設(shè)某道路共有n個(gè)路口，馬爾科夫狀態(tài)轉(zhuǎn)移矩陣為一個(gè)n*n的矩陣，一步狀態(tài)轉(zhuǎn)移矩陣P中的第i行第j列元素P_ij表示其經(jīng)過路口i后再通過路口j的概率，i≥1，j≤n，其計(jì)算公式為式(1)：

其中，N_ij表示的是歷史軌跡數(shù)據(jù)中先通過i路口再通過j路口的次數(shù)，i和j必須為相鄰路口，得到一步狀態(tài)轉(zhuǎn)移矩陣P，進(jìn)一步得到k步狀態(tài)轉(zhuǎn)移矩陣，為式(2)：

P^(k)＝P^k (2)

根據(jù)公式(1)得到的一步狀態(tài)轉(zhuǎn)移矩陣P如式(3)所示：

矩陣中的行號(hào)代表路口總數(shù)為n的歷史數(shù)據(jù)構(gòu)成的當(dāng)前已知的軌跡路口,列號(hào)代表未來通過的下一路口；據(jù)當(dāng)前位置掃描矩陣得到行號(hào),選取對(duì)應(yīng)行號(hào)所在的一行數(shù)據(jù)進(jìn)行比較；概率最大的列號(hào)作為未來的下一路口,然后將此路口作為當(dāng)前位置再次代入狀態(tài)轉(zhuǎn)移矩陣進(jìn)行迭代求解,最終得到未來一系列的車輛軌跡；

根據(jù)公式(2)得到的k步狀態(tài)轉(zhuǎn)移矩陣P^(k)如式(4)所示：