基于目标预测动态物体的方法和装置与流程

本发明涉及一种基于目标预测动态物体的方法和装置。基于未来目标的预测，确定目标轨迹并将该轨迹用于车辆的控制。

背景技术：

从de102008049824b4已知对随身携带移动电话的人员的运动预测。在此，通过接收移动电话的信息实现对需预测物体的识别。从所接收信息的历史，可确定物体轨迹。

ep2562060b1公开了对高速公路上动态物体的预测，其中，高速公路形成了结构非常良好的周围环境。此外，还根据前后关系估计交通参与者的未来操作，并将所测量运动与内部存在的运动模型加以比较。对所获取得两者预计的一致性加以比较，并由此推断出进一步的运动。

ep2382609b1揭示了一种通过由经事先训练的模型通过改变运动参数对运动加以预测的方法，其中，对所有物理学上可能的运动加以考虑，并通过建筑物墙壁、道路走向等加以限制。

技术实现要素：

本发明的任务是改进目标轨迹的预测准确性。

所述任务是通过一种根据独立权利要求的方法和一种根据并列的独立权利要求的系统解决的。本发明其他有益的实施方式是从属权利要求的标的。

根据本发明的用于估计物体未来轨迹的方法包括下列步骤：生成所述物体的目标位置，确定所述物体行驶到相应的目标位置的概率，选择具有最高概率的目标位置，并确定作为物体的目标，以及确定物体从其当前位置到目标的轨迹。

所述概率优选借助贝叶斯网络或神经网络或支持向量机或聚类分析确定。

在有益的方式中，可借助这类方法计算和比较物体向潜在目标位置行驶的概率。

在本发明的另一实施方式中，物体标轨迹可通过两点间直线/航线或a*算法或势场法或抽样法或状态网格法或快速扩展随机树法加以确定。

在有益的方式中，借助这类方法可根据现有信息计算轨迹，并在可能情况下予以连续调整。

在有益的方式中，感兴趣点是由于特殊特性对于特定类别的物体具有特别高吸引力的地方。例如，它可以是一行人交通信号灯，斑马线或供行人使用的公共汽车站。

此外，如果目标位置是一感兴趣点或在物体运动区域内或通往目标位置的路径被阻断或交通法规或交通标志禁止到达一目标位置，还优选可通过目标位置的分类进行概率调整。

在有益的方式中，可以由此进一步改进确定的轨迹，因为由于障碍或交通标志造成的不可能轨迹被调整，例如考虑行人的物理运动可能性或车辆的加速可能性。此外，还可考虑交通规则，例如在行人过路口处必须考虑有行人出现的情况，而高速公路上则不必考虑这类情况。

优选可由概率确定轨迹的不确定因素/不稳定因素/风险。

因此，可以有益的方式对所确定轨迹进行分析评估，以提前识别物体与轨迹任何可能的偏差。

此外，进一步优选的是，不确定因素可通过卡尔曼滤波器或无损卡尔曼滤波器或扩展卡尔曼滤波器或微粒过滤器来确定。

在有益的方式中，这些滤波器能连续计算轨迹与原始轨迹的偏差，从而在偏差太大情况下可执行轨迹修正。

在本发明另一实施方式中，目标位置可源于导航系统或已知的物体感兴趣点。

在有益的方式中，可将诸如等高线等源于地图或其他来源的已知信息用于目标位置的预测。

可优选通过安全相关方面或一般运动相关方面生成目标位置。

在有益方式中，在选择潜在目标位置时可对例如人的生理极限值或行人过路口加以考虑。

其他优选的是，可连续确定概率并基于概率对轨迹进行调整。

因此，在有益方式中，可根据最有可能的目标位置进行轨迹的连续预测。

根据本发明，机动车中的、带有周围环境检测系统的系统设置用于实施按前述优选实施形式之一的方法。

周围环境检测系统优选可包括至少一个雷达传感器或摄像机或激光雷达。

具体实施方式

在第一步骤中，生成物体可能的目标位置。在图1至5中描述了这方面的示例。

图1示出了生成行人目标位置的示例。车辆1在其行驶轨迹3内运动。道路11外一行人被识别为物体7。行人7可能会横穿车辆1的行驶轨迹3。为此，如此产生行人7可能的目标位置9，使得在行驶轨迹3的中心线5上构成垂直的15轴线13，行人7的目标位置9与中心线5和行人7与行驶轨迹3的中心线5具有相同的距离。

图2示出了生成行人目标位置的另一示例。车辆1在其行驶轨迹3内运动。行人被识别为行驶轨迹3内的物体7。行人7可在两个方向离开车辆1的行驶轨迹3。这样生成行人7的两个可能目标位置9，11，使得在行驶轨迹3的中线5上构成一垂直轴13，并且行人7的目标位置9，10位于行驶轨迹3之外。

图3示出了生成静止行人目标位置的示例。车辆1在其行驶轨迹3内运动。道路11外一个行人被识别为物体17。行人7可站在路边，并静止不动。在此情况下，可在行人19的所在地生成行人17的一个可能目标位置19。

图4示出了生成行人目标位置的另一示例。车辆1在其行驶轨迹3内运动。一行人在道路11外被识别为物体7。行人7可沿道路11行走。因此可生成行人7在车辆侧上可能的目标位置10，10a。此外，在对面车辆侧上还可生成可能的目标位置9，9a，因为这些目标位置可能会令其他行人感兴趣。行人7可通过横穿行驶轨迹3到达目标位置9，9a，并由此实现与图1中示例的一种组合。

图5示出了生成行人目标位置的另一示例。车辆1在其行驶轨迹3内运动。道路11外一个行人被识别为物体7。行人7可离开道路11。因此，目标位置21通过垂直的15轴线在行驶轨迹3的中心线5上构成，并且目标位置21与中心线5的距离是行人7与中心线5距离的两倍。

在第二步骤中，确定向潜在目标位置行驶的概率。

图6示出了分别根据物体向目标位置行驶的概率对目标位置进行分类的一示例。图中所示为一贝叶斯网络40以及通过将一假设目标点41归类于不同类别对其进行分析评估。

贝叶斯网络的输入例如是行人及其可能的目标位置41(目标点，缩写为tp)。为此，对每个可能的目标位置41计算该目标位置41是否会成为行人目标的概率。

即检查，目标位置41例如是否在一行人典型区域42(在步行区)，或行人是否看向目标位置方向43(看向目标点(tp))，或行人是否转向目标位置44(转向目标点(tp))，行人是否在目标点方向有速度分量45(速度朝向目标点(tp))，或行人是否在目标位置方向加速46(朝目标点(tp)加速)，或行人是否受交通规则阻碍无法到达目标位置47(受法律法规封锁)，或行人是否受障碍物阻碍无法到达目标位置48(受物体阻碍)，或目标位置是否在行人感兴趣区域附近49(感兴趣点)，或是否行人停在目标位置51(停留点)，即其为静止不动的。

在第三步骤中，确定物体到最有可能的目标点的轨迹。

在第四步骤中，进行特定轨迹的不确定性估计。在图7至图10中所描述的不确定性估计例如假设，一行人作为物体始终以最短路径前往其目标。

图7描述由物体所在地x0及其所确定目标t0之间多个轨迹点61，63，65构成的特定轨迹，其中，对每个轨迹点61，63，65计算一协方差矩阵。如果第一次检测物体x0，则进行初始化步骤，在该步骤中进行卡尔曼矩阵的初始化并规划到目标t0的第一条最短路径。所估计不确定性的协方差矩阵也会被初始化。所有轨迹点61，63，65被经初始化的不确定性占位，这在图7中由围绕轨迹点61，63，65的圆圈说明。

图8描述在位置x1上，所述物体进行新的测量后，在时间段k后进一步确定所述轨迹。该测量在图8中轨迹路径下方示出。由于更新速率不必与最短路径轨迹点61，63，65之间的时间间隔一致，确定在先前所计算轨迹中的位置x1int，它在时间上与x1相适应。该内插位置x1int被设定为卡尔曼状态。在图8中，位置x1int在x0和下一轨迹点61之间。

随后，执行卡尔曼滤波器的一更新步骤，从而计算如图9中所示的位置x1update。位置x1update处于x1int和x1之间。x1int和x1update之间的距离由系统噪声q决定。系统噪声q可通过下列矩阵计算。变量的定义如下：k是测量时间点，x和y是空间坐标。

通过q的改变，可实现预测不确定性变化的模型化。预测与实际测得状态匹配得越差，预测和系统噪声q的不确定性提升得越高。如果物体的预测良好，则所预测状况与实际情况的区别较小，并且系统噪声q较小。

图10示出了由q构成的物体到目标的轨迹更新。由经新估计的位置x1update计算一到目标t0的轨迹。对每个轨迹点61，63，65实施协方差矩阵的卡尔曼滤波器预测步骤。由此得到的协方差矩阵位置62，64，66在图10中以带叉椭圆/错误椭圆标注。