自动驾驶仿真的移动障碍物轨迹生成方法及系统技术方案

本发明专利技术提供了一种自动驾驶仿真的移动障碍物轨迹生成方法及系统，包括：步骤S1：训练VectorNet模型；步骤S2：设置障碍物的初始条件，填充历史轨迹，根据VectorNet模型得到未来预测轨迹；步骤S3：根据未来预测轨迹进行插值，计算轨迹向量最近的地图道路，预测轨迹在最近道路中心线的投影，修正轨迹坐标；步骤S4：动态更新未来预测轨迹坐标。本发明专利技术首先考虑了在仿真软件下，用深度学习方法预测车辆未来轨迹，增加了障碍物运动的智能性、真实性；本发明专利技术每次算法能动态更新最新预测结果，不会影响主车周期。周期。周期。

【技术实现步骤摘要】
自动驾驶仿真的移动障碍物轨迹生成方法及系统


[0001]本专利技术涉及自动驾驶领域，具体地，涉及一种自动驾驶仿真的移动障碍物轨迹生成方法及系统。

技术介绍

[0002]现阶段无人驾驶技术发展十分迅猛。从技术角度看，无人驾驶的核心技术在于：(1)感知：即系统从环境收集、提取相关信息的能力，例如行人车辆、道路标志的检测；(2)规划：指的是无人驾驶车辆从出发地到目的地的决策过程，需要综合考虑安全、避障、路线优化问题；(3)控制：指的是精准完成规划动作的能力。其中感知是后续规划、控制的基础和必要条件。如何让自动驾驶车辆安全的行驶更远，是每个自动驾驶公司追求的目标。现有条件下，自动驾驶测试环境及场景的局限、真实场景的极难复现，催生了自动驾驶仿真软件的飞速发展。仿真软件下，可以加入合适的多种类别、多种运动方式的障碍物，模拟真实的交通流场景，从而测试主车在当前场景下的运动情况。相比真实环境，仿真场景具有可自定义、场景多、可复现等优点。
[0003]但是目前大多数软件对障碍物的轨迹预测仍然是基于简单的规则，比如：恒速运动、沿车道运动等，缺乏智能性。当前大量深度学习算法已经被成功应用到对车辆未来轨迹的预测问题，比如VectorNet[1]、DenseTNT[2]、TNT[3]、HiVT[4]等。
[0004]专利文献CN112026782A公开了一种基于开关式深度学习网络模型的自动驾驶决策方法及系统，包括：(1)首先通过至少一个摄像头实时采集各导航指令下车辆行驶中的行车环境数据，同时采集导航指令；(2)接着将所述采集的行车环境数据以及导航指令作为输入导入经预先训练优化好的自动驾驶决策模块中，根据所述导航指令的类型并结合所述行车环境数据进行决策，输出方向盘转角和车辆期望行驶速度；所述自动驾驶决策模块采用开关式深度学习网络模型，所述开关式深度学习网络模型包括多级卷积神经网络(CNN)层、特征选择层、长短期记忆神经网络(LSTM)层以及输出层；(3)最后根据自动驾驶决策模块输出的方向盘转角和车辆期望行驶速度，控制车辆实现自动驾驶。但首先该方法基于CNN对采集的图像数据，实现车辆的自动驾驶控制。本身会存在CNN计算成本高、感受野有限；LSTM无法并行，效率低的问题；其次在仿真环境下，无法通过对障碍物(车辆、行人等多种类型)采集行车环境数据，实现对车辆的控制。

技术实现思路

[0005]针对现有技术中的缺陷，本专利技术的目的是提供一种自动驾驶仿真的移动障碍物轨迹生成方法及系统。
[0006]第一方面，本专利技术提供的一种自动驾驶仿真的移动障碍物轨迹生成方法，包括：
[0007]步骤S1：训练VectorNet模型；
[0008]步骤S2：设置障碍物的初始条件，填充历史轨迹，根据VectorNet模型得到未来预测轨迹；
[0009]步骤S3：根据未来预测轨迹进行插值，计算轨迹向量最近的地图道路，预测轨迹在最近道路中心线的投影，修正轨迹坐标；
[0010]步骤S4：动态更新未来预测轨迹坐标。
[0011]优选地，在所述步骤S1中：
[0012]VectorNet模型训练：利用车辆历史预设时间段内的轨迹坐标及对应地图道路信息，预测车辆未来预设时间段轨迹坐标；训练的相邻两帧轨迹点时间间隔为预设值；
[0013]VectorNet算法流程：
[0014]数据收集：基于2d场景下，收集的车辆行驶历史数据，对每辆车构造以预设时间为时间间隔的统计数据；划分训练集、验证集；
[0015]特征构建：以之前预设时间段的轨迹为观测值，预测未来预设时间段的轨迹坐标；当前场景地图上，距离障碍物最后预设帧观测值在指定半径内有交集的周边道路，提取对应中心线特征和属性特征，结合历史轨迹坐标特征，预测未来预设时间段和预设帧的未来轨迹；
[0016]模型训练：根据训练集、验证集，训练模型；
[0017]模型训练时，利用公开数据集Argoverse2.0，该数据集中是切分好的：用预设时间历史轨迹预测未来预设时间轨迹。
[0018]优选地，在所述步骤S2中：
[0019]设置障碍物的初始位置和初始速度；
[0020]设障碍物沿当前初始位置最近车道的后继节点匀速运动，填充历史预设时间的轨迹，利用训练后的VectorNet模型计算未来预设时间预测轨迹点。
[0021]优选地，在所述步骤S3中：
[0022]根据预测的预设帧轨迹，Spline插值在主车周期下，预测的障碍物每帧轨迹点坐标，计算该轨迹向量最近的地图道路，预测在预设时间段内每一帧轨迹点在最近道路中心线的投影，作为修正后的该时刻轨迹坐标；
[0023]每次预测下一帧障碍物的轨迹点时，给出对应帧的轨迹点坐标。
[0024]优选地，在所述步骤S4中：
[0025]间隔预设时间根据历史输出轨迹坐标执行算法预测，用最新的预测轨迹结果更新对应帧旧的预测轨迹坐标。
[0026]第二方面，本专利技术提供的一种自动驾驶仿真的移动障碍物轨迹生成系统，包括：
[0027]模块M1：训练VectorNet模型；
[0028]模块M2：设置障碍物的初始条件，填充历史轨迹，根据VectorNet模型得到未来预测轨迹；
[0029]模块M3：根据未来预测轨迹进行插值，计算轨迹向量最近的地图道路，预测轨迹在最近道路中心线的投影，修正轨迹坐标；
[0030]模块M4：动态更新未来预测轨迹坐标。
[0031]优选地，在所述模块M1中：
[0032]VectorNet模型训练：利用车辆历史预设时间段内的轨迹坐标及对应地图道路信息，预测车辆未来预设时间段轨迹坐标；训练的相邻两帧轨迹点时间间隔为预设值；
[0033]VectorNet算法流程：
[0034]数据收集：基于2d场景下，收集的车辆行驶历史数据，对每辆车构造以预设时间为时间间隔的统计数据；划分训练集、验证集；
[0035]特征构建：以之前预设时间段的轨迹为观测值，预测未来预设时间段的轨迹坐标；当前场景地图上，距离障碍物最后预设帧观测值在指定半径内有交集的周边道路，提取对应中心线特征和属性特征，结合历史轨迹坐标特征，预测未来预设时间段和预设帧的未来轨迹；
[0036]模型训练：根据训练集、验证集，训练模型；
[0037]模型训练时，利用公开数据集Argoverse2.0，该数据集中是切分好的：用预设时间历史轨迹预测未来预设时间轨迹。
[0038]优选地，在所述模块M2中：
[0039]设置障碍物的初始位置和初始速度；
[0040]设障碍物沿当前初始位置最近车道的后继节点匀速运动，填充历史预设时间的轨迹，利用训练后的VectorNet模型计算未来预设时间预测轨迹点。
[0041]优选地，在所述模块M3中：
[0042]根据预测的预设帧轨迹，Spline插值在主车周期下，预测的障碍物每帧轨迹点坐标，计算该轨迹向量最近的地图道路，预测的预设时间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动驾驶仿真的移动障碍物轨迹生成方法，其特征在于，包括：步骤S1：训练VectorNet模型；步骤S2：设置障碍物的初始条件，填充历史轨迹，根据VectorNet模型得到未来预测轨迹；步骤S3：根据未来预测轨迹进行插值，计算轨迹向量最近的地图道路，预测轨迹在最近道路中心线的投影，修正轨迹坐标；步骤S4：动态更新未来预测轨迹坐标。2.根据权利要求1所述的自动驾驶仿真的移动障碍物轨迹生成方法，其特征在于，在所述步骤S1中：VectorNet模型训练：利用车辆历史预设时间段内的轨迹坐标及对应地图道路信息，预测车辆未来预设时间段轨迹坐标；训练的相邻两帧轨迹点时间间隔为预设值；VectorNet算法流程：数据收集：基于2d场景下，收集的车辆行驶历史数据，对每辆车构造以预设时间为时间间隔的统计数据；划分训练集、验证集；特征构建：以之前预设时间段的轨迹为观测值，预测未来预设时间段的轨迹坐标；当前场景地图上，距离障碍物最后预设帧观测值在指定半径内有交集的周边道路，提取对应中心线特征和属性特征，结合历史轨迹坐标特征，预测未来预设时间段和预设帧的未来轨迹；模型训练：根据训练集、验证集，训练模型；模型训练时，利用公开数据集Argoverse2.0，该数据集中是切分好的：用预设时间历史轨迹预测未来预设时间轨迹。3.根据权利要求1所述的自动驾驶仿真的移动障碍物轨迹生成方法，其特征在于，在所述步骤S2中：设置障碍物的初始位置和初始速度；设障碍物沿当前初始位置最近车道的后继节点匀速运动，填充历史预设时间的轨迹，利用训练后的VectorNet模型计算未来预设时间预测轨迹点。4.根据权利要求1所述的自动驾驶仿真的移动障碍物轨迹生成方法，其特征在于，在所述步骤S3中：根据预测的预设帧轨迹，Spline插值在主车周期下，预测的障碍物每帧轨迹点坐标，计算该轨迹向量最近的地图道路，预测在预设时间段内每一帧轨迹点在最近道路中心线的投影，作为修正后的该时刻轨迹坐标；每次预测下一帧障碍物的轨迹点时，给出对应帧的轨迹点坐标。5.根据权利要求1所述的自动驾驶仿真的移动障碍物轨迹生成方法，其特征在于，在所述步骤S4中：间隔预设时间根据历史输出轨迹坐标执行算法预测，用最新的预测轨迹结果更新对应帧旧的预测轨迹坐标。6.一种自动驾...

【专利技术属性】
技术研发人员：廖文龙，梁温，何弢，刘耀勇，
申请(专利权)人：上海酷移机器人有限公司，
类型：发明
国别省市：