用于预测车辆轨迹的系统和方法与流程

用于预测车辆轨迹的系统和方法
相关申请的交叉引用
1.本技术与[添加发明人]的题为[添加标题]的国际申请、[添加发明人]的题为[添加标题]的国际申请，以及[添加发明人]的题为[添加标题]的国际申请有关，所有这些都是同时提交。所有上述申请的全部内容通过引用并入本文。
技术领域
[0002]
本说明书涉及用于预测车辆轨迹的系统和方法，更具体地，涉及使用从地图和传感器数据中提取的特征来预测车辆轨迹的系统和方法。


背景技术：

[0003]
车辆与其他车辆、行人和物体，例如，交通标志、路障、围栏等共用道路。因此，驾驶员需要不断调节驾驶，以避免车辆与此类障碍物碰撞。虽然有些障碍物通常是静态的，因此易于避免，但有些障碍物可能正在移动。对于正在移动的障碍物，驾驶员不仅要观察其当前位置，还要预测其移动轨迹以确定其未来位置。例如，朝该车辆驶来的道路上的另一辆车可以直行、停车或转弯。驾驶员通常基于诸如即将到来的车辆提供的转弯信号、车辆的行驶速度等的观察来进行预测。
[0004]
自动驾驶车辆需要做出类似的决定来避开障碍物。因此，自动驾驶技术在很大程度上依赖于对其他车辆轨迹的自动预测。然而，现有的预测系统和方法受限于车辆“看见”(例如，收集相关数据)的能力、处理数据的能力以及基于数据做出准确预测的能力。因此，自动驾驶车辆可以受益于对现有预测系统和方法的改进。
[0005]
本说明书的实施例通过提供使用从地图和传感器数据提取的特征预测车辆轨迹的系统和方法，来改善自动驾驶中的现有预测系统和方法。


技术实现要素：

[0006]
本说明书的实施例提供一种预测车辆轨迹的系统。所述系统包括通信接口，所述通信接口被配置为接收车辆正在行驶的区域的地图和获取的与所述车辆相关的传感器数据。所述系统包括至少一个处理器，所述至少一个处理器被配置为在所述地图中定位所述车辆，并基于所述车辆的定位识别所述车辆周围的一个或以上物体。所述至少一个处理器还被配置为从所述传感器数据中提取所述车辆和所述一个或以上物体的特征。所述至少一个处理器还被配置为确定至少两个候选轨迹，基于提取的所述特征确定每个候选轨迹的概率，并将具有最高概率的候选轨迹确定为所述车辆的预测轨迹。
[0007]
本说明书的实施例还提供一种预测车辆轨迹的方法。所述方法包括通过通信接口接收车辆正在行驶的区域的地图和获取的与所述车辆相关的传感器数据。所述方法还包括通过至少一个处理器，在所述地图中定位所述车辆，以及通过所述至少一个处理器基于所述车辆的定位，识别所述车辆周围的一个或以上物体。所述方法还包括通过所述至少一个处理器，从所述传感器数据中提取所述车辆和所述一个或以上物体的特征。所述方法还包
括通过所述至少一个处理器，确定至少两个候选轨迹，通过所述至少一个处理器，基于提取的所述特征确定每个候选轨迹的概率，以及将具有最高概率的候选轨迹确定为所述车辆的预测轨迹。
[0008]
本说明书的实施例还提供一种非暂时性计算机可读介质，其上存储有指令，当由至少一个处理器执行时，使得所述至少一个处理器执行操作。所述操作包括接收车辆正在行驶的区域的地图和获取的与车辆相关的传感器数据。所述操作还包括在所述地图中定位所述车辆，并基于所述车辆的定位识别所述车辆周围的一个或以上物体。所述操作还包括从所述传感器数据中提取所述车辆和所述一个或以上物体的特征。所述操作还包括确定至少两个候选轨迹，基于提取的所述特征确定每个候选轨迹的概率，并将具有最高概率的候选轨迹确定为所述车辆的预测轨迹。
[0009]
应当理解，上述一般描述和以下详细描述仅为示例性和解释性的，并且不限制如权利要求所述的本发明。
附图说明
[0010]
图1根据本说明书的实施例示出了示例性十字路口和在其中正在行驶的示例性车辆的示意图。
[0011]
图2根据本说明书的实施例示出了用于预测车辆轨迹的示例性系统的示意图。
[0012]
图3根据本说明书的实施例示出了其上配备有传感器的示例性车辆。
[0013]
图4是根据本说明书的实施例的用于预测车辆轨迹的示例性服务器的框图。
[0014]
图5是根据本说明书的实施例的用于预测车辆轨迹的示例性方法的流程图。
具体实施方式
[0015]
现在将详细参考示例性实施例，其示例在附图中示出。在可能的情况下，将在整个附图中使用相同的附图标记来指代相同或相似的部分。
[0016]
图1根据本说明书的实施例示出了示例性十字路口100和在其中正在行驶的示例性车辆(例如，车辆120和130)的示意图。如图1所示，十字路口100包括相互交叉的两条道路，一条显示在垂直方向(被称为“道路a”)，另一条显示在水平方向(被称为“道路b”)，以及交叉处的红绿灯140。为了便于描述，道路a被示出为在南北方向上延伸，并且道路b被示出为在东西方向上延伸。可以设想，道路a和b可以在任何其他方向上延伸，并且不一定彼此垂直。
[0017]
道路a和道路b均显示为双向道路。例如，道路b包括第一方向车道102和104和第二方向车道108和110。第一和第二方向可以彼此相对并且由分隔物106隔开。可以设想，道路中的一条/或两条可以是单向的和/或具有更多或更少的车道。
[0018]
各种车辆可以在道路上双向行驶。例如，车辆120可以在第一方向车道102上正在向东行驶，并且车辆130可以在第二方向车道103上正在向西行驶。在一些实施例中，车辆120和130可以是电动车辆、燃料电池车辆、混合动力车辆或传统的内燃机车辆。在一些实施例中，车辆120可以是自动或半自动车辆。
[0019]
十字路口100处的车辆流量可以由红绿灯140调节。红绿灯140可以安装在一个或两个方向上。在一些实施例中，红绿灯140可以包括三种颜色的灯：红色、黄色和绿色，以在
十字路口100处发出通行权信号。在一些实施例中，红绿灯140可以另外包括转向保护灯以调节十字路口100处的左、右和/或u形转弯。左转向保护灯可以允许某些车道(通常是最左侧车道)中的车辆左转，而不必让行于在相反方向直行的车辆。
[0020]
在一些实施例中，车辆120可以配备有车辆轨迹预测系统(例如，图2中所示的系统200)或与其通信，以预测车辆(例如，车辆130)的轨迹，以便做出决定以在其自己的行驶路径中避开该车辆。例如，车辆130可以以四个候选轨迹行驶：右转的候选轨迹151、直行的候选轨迹152、左转的候选轨迹153和u形转弯的候选轨迹154。与本说明书的实施例一致，车辆轨迹预测系统可以对车辆130和其周围的物体诸如红绿灯140、十字路口100处的交通标志和道路上的其他车辆等进行“观察”(例如，通过各种传感器)。车辆轨迹预测系统然后基于这些观察，对车辆130可能遵循哪个候选轨迹做预测。在一些实施例中，可以使用诸如神经网络的学习模型来执行预测。在一些实施例中，可以为各个候选轨迹151-154确定概率。
[0021]
图2根据本说明书的实施例示出了用于预测车辆轨迹的示例性系统200的示意图。系统200可以用于图1中所示的十字路口100或类似的设置。为了便于说明，图2中使用了简化的十字路口设置。然而，应当理解，系统200也适用于其他十字路口设置。系统200可以包括车辆轨迹预测服务器210(为简单起见，也被称为服务器210)。服务器210可以是配置或编程以预测车辆轨迹的通用服务器，或专门设计用于预测车辆轨迹的专有设备。可以设想，服务器210可以是独立服务器或独立服务器的集成组件。在一些实施例中，服务器210可以集成到车辆(例如车辆101)上的系统中。
[0022]
如图2所示，服务器210可以接收和分析通过各种来源收集的数据。例如，可以通过沿着道路的配备一个或以上传感器220和/或配备在通过车道102行驶的车辆120上的一个或以上传感器230连续地、定期地、或间歇地捕获数据。传感器220和230可以包括雷达、激光雷达、相机(例如，监控相机、单目/双目相机、摄像机)、速度计或任何其他合适的传感器以捕获表征车辆130和车辆130周围物体的数据。例如，传感器220可以包括一个或以上监控相机，其捕获车辆130和红绿灯140的图像。
[0023]
在一些实施例中，传感器230可以包括激光雷达，其测量车辆120和车辆130之间的距离，以及车辆130在3d地图中的位置。在一些实施例中，传感器230还可以包括gps/imu(惯性测量单元)传感器，以捕获车辆120的位置/姿势数据。在一些实施例中，传感器230可以另外包括相机，以捕获车辆130和红绿灯140的图像。由于传感器220和传感器230捕获的图像来自不同的角度，因此它们可以彼此补充以提供车辆130和周围物体的更详细信息。在一些实施例中，传感器220和230可以获取追踪移动物体(例如车辆、行人等)轨迹的数据。
[0024]
在一些实施例中，传感器230可以配备在车辆120上，因此与车辆120一起行驶。例如，图3根据本说明书的实施例示出了其上配备有传感器340-360的示例性车辆120。车辆120可以具有车身310，其可以是任何车身样式，例如运动型车辆、轿跑车、轿车、皮卡车、旅行车、运动型多功能车(suv)、小型货车或改装车。在一些实施例中，如图3所示，车辆101可以包括一对前轮和一对后轮320。然而，可以设想，车辆120可以具有更少的轮子或能使车辆101四处移动的等效结构。车辆120可以被配置为全轮驱动(awd)、前轮驱动(fwr)或后轮驱动(rwd)。在一些实施例中，车辆120可以被配置为自动或半自动车辆。
[0025]
如图3所示，根据本说明书的实施例，图2的传感器230可以包括各种传感器340、350和360。传感器340可以通过安装结构330安装到主体310。安装结构330可以是安装或以
其他方式附接到车辆101的主体310的机电设备。在一些实施例中，安装结构330可以使用螺钉、粘合剂或其它安装机构。车辆120可以使用任何合适的安装机构在车身310内部或外部附加配备传感器350和360。可以设想，传感器340-360可以配备在车辆120上的方式不受图3中所示的示例的限制，并且可以根据传感器340-360和/或车辆120的类型进行修改以实现期望的传感性能。
[0026]
与一些实施例一致，传感器340可以是通过用脉冲激光照射目标并测量反射脉冲来测量到目标的距离的激光雷达。然后可以使用激光返回时间和波长的差异来制作目标的数字3d表示。例如，传感器340可以测量车辆120和车辆130或其他物体之间的距离。用于激光雷达扫描的光可以是紫外线、可见的或近红外。因为窄激光束可以以非常高的分辨率绘制物理特征，所以激光雷达扫描仪特别适用于在3d地图中定位物体。例如，激光雷达扫描仪可以捕获点云数据，该点云数据可以用于定位车辆120、车辆130和/或其他物体。
[0027]
在一些实施例中，传感器350可以包括安装在车辆120的车身310上的一个或以上相机。虽然图3显示传感器350被安装在车辆120的前部，但是可以设想，传感器350可以被安装在车辆120的其他位置，例如侧面、镜子后面、挡风玻璃上、机架，或后端。传感器350可以被配置为捕获车辆120周围物体(例如，道路上的其他车辆(包括，例如车辆130)、红绿灯140和/或交通标志)的图像。在一些实施例中，相机可以是单目或双目相机。双目相机可以获取指示物体的深度的数据(即，物体与相机的距离)。在一些实施例中，相机可以是随时间捕捉图像帧的摄像机，从而记录物体的运动。
[0028]
如图3所示，车辆120可以另外配备有传感器360，其可以包括在导航单元中使用的传感器，例如gps接收器和一个或以上imu传感器。gps是一个全球导航卫星系统，向gps接收器提供地理位置和时间信息。imu是一种电子设备，它使用各种惯性传感器(例如加速度计和陀螺仪，有时还包括磁力计)来测量和提供车辆的比力、角速率，有时还提供车辆周围的磁场。通过组合gps接收器和imu传感器，传感器360可以在车辆120行驶时提供其实时姿势信息，包括车辆120在每个时间点的位置和方向(例如，欧拉角)。
[0029]
与本说明书一致，传感器340-360可以通过网络与服务器210通信，以连续地、定期地、或间歇地发送传感器数据。在一些实施例中，任何合适的网络可以用于通信，例如无线局域网(wlan)、广域网(wan)、使用无线电波的无线通信网络、蜂窝网络、卫星通信网络，和/或本地或短距离无线网络(例如，bluetooth
tm
)。
[0030]
返回参考图2，虽然图2仅示出了配备在车辆120上的传感器230，但是可以设想类似的传感器也可以配备在道路上的其他车辆上，包括车辆130。例如，车辆130可以配备有激光雷达、一个或以上相机和/或gps/imu传感器。这些传感器还可以与服务器210通信以提供附加的传感器数据以帮助预测。
[0031]
如图2所示，系统200还可以包括3d地图数据库240。3d地图数据库240可以存储3d地图。3d地图可以包括覆盖不同区域的地图。例如，3d地图(或地图部分)可以覆盖十字路口100的区域。在一些实施例中，服务器210可以与3d地图数据库240通信，以基于车辆120的位置检索相关的3d地图(或地图部分)。例如，可以检索包含车辆120的gps位置及其周围区域的地图数据。在一些实施例中，3d地图数据库240可以是服务器210的内部组件。例如，3d地图可以存储在服务器210的存储器中。在一些实施例中，3d地图数据库240可以在服务器210的外部，并且3d地图数据库240和服务器210之间的通信可以通过网络(例如，上述的各种网
络)发生。
[0032]
服务器210可以被配置为分析从传感器230(例如，传感器340-360)接收的传感器数据和从3d地图数据库240接收的地图数据，以预测道路上的其他车辆(例如，车辆130)的轨迹。图4是根据本说明书的实施例的用于预测车辆轨迹的示例性服务器210的框图。服务器210可以包括通信接口402、处理器404、存储器406和存储器408。在一些实施例中，服务器210可以在单个设备中具有不同的模块，例如集成电路(ic)芯片(实现为专用集成电路(asic)或现场可编程门阵列(fpga))，或单独的具有专用功能的设备。服务器210的组件可以在集成设备中，或者分布在不同位置但通过网络(未示出)相互通信。
[0033]
通信接口402可以通过直接通信链路、无线局域网(wlan)、广域网(wan)、使用无线电波的无线通信网络、蜂窝网络和/或本地无线网络(例如，bluetooth
tm
或wifi)，或其他通信方法，向诸如传感器220和230之类的组件发送数据和接收数据。在一些实施例中，通信接口402可以是综合服务数字网络(isdn)卡、电缆调制解调器、卫星调制解调器或提供数据通信连接的调制解调器。作为另一示例，通信接口402可以是局域网(lan)卡，以提供与兼容lan的数据通信连接。无线链路也可以通过通信接口402来实现。在这样的实现中，通信接口402可以通过网络发送和接收携带表示各种类型信息的数字数据流的电气、电磁或光信号。
[0034]
与一些实施例一致，通信接口402可以接收由传感器220和/或230获取的传感器数据401，以及由3d地图数据库240提供的地图数据403，并将接收到的信息提供给存储器406和/或存储器408用于存储或提供给处理器404进行处理。传感器数据401可以包括捕获车辆(例如车辆130)以及车辆周围的其他物体的信息。传感器数据401可以包含随时间捕获的数据，这些数据表征物体的运动。在一些实施例中，地图数据403可以包括点云数据。
[0035]
通信接口402还可以接收学习模型405。在一些实施例中，学习模型405可以被处理器404应用，以基于从传感器数据401和地图数据403提取的特征，预测车辆轨迹。在一些实施例中，学习模型405可以是预测模型，例如决策树学习模型。决策树使用对项目的观察(在分支中表示)来预测项目的目标值(在叶子中表示)。在一些实施例中，梯度提升可以与决策树学习模型组合，以形成预测模型作为决策树的集合。例如，学习模型405可以成为由阶段决策树形成的梯度提升决策树模型。
[0036]
在一些实施例中，学习模型405可以使用已知的车辆轨迹和它们各自的样本特征(例如包括车辆速度、车辆车道的车道标线、红绿灯的状态、车辆的方向、车辆转向信号和车辆制动信号等的语义特征来训练。样本特征还可以包括从描述车辆运动的数据中提取的非语义特征。在一些实施例中，学习模型405可以通过服务器210或另一计算机/服务器提前训练。
[0037]
处理器404可以包括任何适当类型的通用或专用微处理器、数字信号处理器或微控制器。处理器404可以被配置为专用于预测车辆轨迹的单独处理器模块。或者，处理器404可以被配置为共享处理器模块，用于执行与自行车轨迹预测相关或无关的其他功能。例如，共享处理器可以进一步基于预测的车辆轨迹做出自动驾驶决策。
[0038]
如图4所示，处理器404可以包括多个模块，例如定位单元440、物体识别单元442、特征提取单元444、轨迹预测单元446等。这些模块(以及任何相应的子模块或子单元)可以是用于与其他组件一起使用的处理器404的硬件单元(例如，集成电路的部分)，或者执行程序的一部分。该程序可以存储在计算机可读介质(例如，存储器406和/或存储408)上，并且
当由处理器404执行时，它可以执行一个或以上功能。虽然图4示出了单元440-446都在一个处理器404内，但是可以设想，这些单元可以分布在彼此附近或远离的多个处理器之间。
[0039]
定位单元440可以被配置为在地图数据403中，定位其轨迹正被预测的车辆(例如，车辆130)。在一些实施例中，传感器数据401可以包含车辆的捕获的各种数据以辅助定位。例如，由安装在车辆120上的传感器340捕获的激光雷达数据可以在点云数据中揭示车辆130的位置。在一些实施例中，车辆130的捕获的点云数据可以与地图数据401匹配以确定车辆的位置。在一些实施例中，可以使用诸如同时定位和映射(slam)的定位方法来定位车辆。
[0040]
在一些实施例中，车辆(例如，车辆130)的位置可以在地图数据401上被标记。例如，点云数据p1的子集被标记为对应于时间t1的自行车130、点云数据p2的子集被标记为对应于时间t2的自行车130、点云数据p3的子集被标记为对应于时间t3的自行车130等。标记的子集表示车辆现有的移动轨迹和移动速度。
[0041]
物体识别单元442可以识别车辆周围的物体。这些物体可以包括例如红绿灯104、交通标志、车道标记和其他车辆等。在一些实施例中，可以应用各种图像处理方法，例如图像分割、分类和识别方法来识别物体。在一些实施例中，机器学习技术还可以用于识别。这些物体可以提供对车辆轨迹预测有用的附加信息。例如，如果车辆在仅右转的车道上行驶，则右转比左转的可能性更大。或者，如果调节车道的红绿灯为红色，则车辆可能不会立即移动。如果十字路口没有u形转弯标志，则车辆不太可能u形转弯。
[0042]
特征提取单元444可以被配置为从传感器数据401和地图数据403中提取指示车辆的未来轨迹的特征。提取的特征可以是语义的或非语义的。语义特征可以包括例如车辆速度、车辆车道的车道标记(表示车道的行驶限制)、红绿灯的状态(包括亮起的灯的类型和灯的颜色)、车辆前进方向、车辆转向信号、车辆制动信号等。可以使用各种特征提取工具，例如图像分割、物体检测等。例如，可以基于颜色和/或对比度信息，从传感器数据中检测车道标记(仅左转箭头、仅右转箭头、仅直行箭头或组合箭头)，因为标记通常是白色油漆，且路面通常是黑色或灰色的颜色。当颜色信息可用时，可以基于其不同的颜色(例如，白色)来识别车道标记。当灰度信息可用时，可以基于车道标记与背景(例如，普通道路路面的深灰色)形成对比的不同阴影(例如，浅灰色)，来识别车道标记。作为另一示例，可以通过检测图像像素强度的变化(例如，由闪烁、闪烁或颜色变化引起)，来检测红绿灯信号、车辆转向信号、制动信号。在一些实施例中，机器学习技术还可以被用于提取特征。
[0043]
轨迹预测单元446可以使用提取的特征预测车辆轨迹。在一些实施例中，轨迹预测单元446可以确定至少两个候选轨迹，例如车辆130的候选轨迹151-154(如图1所示)。在一些实施例中，轨迹预测单元446可以应用用于预测的学习模型405。例如，学习模型405可以基于提取的特征，确定每个候选轨迹的概率。或者，学习模型405可以通过向候选轨迹分配排序数字，对候选轨迹进行排序。在一些实施例中，具有最高概率或排名的候选轨迹可以被确定为车辆的预测轨迹。
[0044]
在一些实施例中，在应用学习模型405之前，轨迹预测单元446可以首先删除与任何一个特征冲突的一个或以上候选轨迹。例如，如果车辆在具有仅右转的车道标记的车道上，并且车辆发出右转信号，则可以清除左转轨迹和u形转弯轨迹，因为在这种情况下车辆左转或u形转弯的可能性很低。作为另一个例子，如果车辆在最左侧车道上并发出左转信号，但是交通标志禁止u形转弯，则可以清除u形转弯轨迹。通过去除某些候选轨迹，轨迹预
测单元446简化了预测任务并节省了处理器404的处理能力。
[0045]
在一些实施例中，轨迹预测单元446可以将确定的各个候选轨迹的概率与阈值进行比较。如果候选轨迹中没有一个具有超过阈值的概率，则轨迹预测单元446可以确定预测不够可靠，并且需要附加的“观察”来改进预测。在一些实施例中，轨迹预测单元446可以确定可以获取什么附加传感器数据并生成要传送到传感器220和/或230以用于捕获附加数据的控制信号。例如，可以确定激光雷达应以不同的角度倾斜，或者相机应该调节其焦点。控制信号可以通过通信接口402被提供给传感器220和/或230。
[0046]
存储器406和存储器408可以包括提供的任何适当类型的大容量存储器，以存储处理器404可能需要执行的任何类型的信息。存储器406和存储器408可以是易失性或非易失性、磁性、半导体、磁带、光学、可移动、不可移动或其他类型的存储设备或有形(即，非暂时性)计算机可读介质，包括但不限于rom、闪存、动态ram和静态ram。存储器406和/或存储器408可以被配置为存储可以由处理器404执行的一个或以上计算机程序，以执行本文公开的车辆轨迹功能。例如，存储器406和/或存储器408可以被配置为存储可以由处理器404执行的，以基于从通过各种传感器220和/或230捕获的传感器数据401和地图数据403提取的特征，来预测车辆轨迹的程序。
[0047]
存储器406和/或存储器408还可以被配置为存储处理器404使用的信息和数据。例如，存储器406和/或存储器408可以被配置为存储由传感器220和/或230捕获的传感器数据401、从3d地图数据库240接收的地图数据403，以及学习模型405。存储器406和/或存储器408还可以被配置为存储在特征提取和轨迹预测期间由处理器404生成的中间数据，例如，特征、候选轨迹和候选轨迹的计算概率。各种类型的数据可以被永久存储、定期删除或在处理完每一帧数据后立即被忽略。
[0048]
图5根据本说明书的实施例示出了用于预测车辆轨迹的示例性方法500的流程图。例如，方法500可以由系统200实现，除其它外，该系统200包括，服务器210和传感器220和230。然而，方法500不限于该示例性实施例。方法500可以包括如下所述的步骤s502-s518。应当理解，一些步骤可以是可选的，以执行本文提供的说明书。此外，一些步骤可以同时被执行，或者以不同于图5所示的顺序被执行。为了描述目的，方法500将被描述为预测车辆130(如图1所示)的轨迹，以帮助车辆120(如图1所示)的自动驾驶决策。然而，方法500可以被实施用于可以受益于车辆轨迹的准确预测的其他应用。
[0049]
在步骤s502中，服务器210接收车辆130正在行驶的区域的地图。在一些实施例中，服务器210可以基于例如通过传感器360收集的gps数据来确定车辆120的位置，并识别该位置周围的地图区域。如果车辆130也通过网络与服务器210连接，则服务器210可以替代地识别车辆130的gps位置周围的地图区域。服务器210可以从3d地图数据库240接收相关的3d地图数据，例如，地图数据403。
[0050]
在步骤s504中，服务器210接收捕获车辆130和周围物体的传感器数据。在一些实施例中，传感器数据可以通过各种传感器(例如，沿道路安装的传感器220和/或配备在车辆120上的传感器230(包括例如，传感器340-360))捕获。传感器数据可以包括测速仪获取的车辆速度、相机获取的图像(包括视频图像)、激光雷达获取的点云数据等。在一些实施例中，可以随时间捕获传感器数据，以追踪车辆130和周围物体的运动。传感器可以通过网络与服务器210通信，以连续地或定期地或间歇地发送传感器数据，例如，传感器数据401。
[0051]
方法500进行到步骤s506，其中服务器210在地图中定位车辆130。在一些实施例中，(例如，通过传感器340)捕获的车辆130的点云数据，可以与地图数据403匹配以在地图中确定车辆的位置。在一些实施例中，诸如slam的定位方法可以被用于定位车辆130。在一些实施例中，可以在地图数据403上标记不同时间点对应的自行车130的位置，以追踪自行车的先前轨迹和移动速度。点云数据的标记可以由服务器210自动或在人工协助下执行。
[0052]
在步骤s508中，服务器210识别车辆130周围的其他物体。这些物体的特征可以提供对预测车辆130的轨迹有用的附加信息。例如，这些物体可以包括例如红绿灯104、交通标志、车道标记和十字路口100处的其他车辆等。在一些实施例中，可以应用各种图像处理方法和机器学习方法来识别物体。
[0053]
在步骤s510中，服务器210从传感器数据401和地图数据403中提取车辆130和其周围物体的特征。在一些实施例中，提取的特征可以包括语义的或非语义的，其表示车辆的未来轨迹。例如，车辆130的提取特征可以包括例如车辆速度、车辆前进方向、车辆转向信号、车辆制动信号等。周围物体的提取特征可以包括例如车辆车道的车道标记(指示车道的行驶限制)、红绿灯的状态(包括亮起的灯的类型和灯的颜色)，以及交通标志信息。在一些实施例中，可以应用各种特征提取方法，其包括图像处理方法和机器学习方法。
[0054]
在步骤s512中，服务器210确定车辆130的多个候选轨迹。候选轨迹是车辆130可能遵循的可能轨迹。例如，车辆130可以遵循四个候选轨迹151-154(在图1中示出)中的一个，即在十字路口100处右转、直线、左转、或u形转弯。在一些实施例中，服务器210可以删除与任何一个特征冲突的一个或以上候选轨迹。这个可选的过滤步骤可以帮助简化预测任务并节省服务器210的处理能力。例如，如果车辆在具有仅右转车道标记的车道上，并且车辆正在发出右转信号，则可以清除左转轨迹和u形转弯轨迹，因为车辆在这种情况下左转或u形转弯的可能性很低。
[0055]
方法500前进到步骤s514以确定每个候选轨迹的概率。在一些实施例中，服务器210可以应用用于预测的学习模型405。在一些实施例中，学习模型405可以是预测模型，例如决策树学习模型。例如，学习模型405可以是梯度提升决策树模型。在一些实施例中，学习模型405可以使用已知的自行车轨迹及其各自的样本特征来训练。在步骤s514中，学习模型405可以用于基于提取的特征，确定每个候选轨迹的概率。例如，可以确定车辆130有10％的概率遵循候选轨迹151右转，50％的概率遵循候选轨迹152直行，30％的概率遵循候选轨迹153右转，以及有10％的概率遵循候选轨迹154u形转弯。
[0056]
在步骤s516中，服务器210可以将概率与预定阈值进行比较。在一些实施例中，预定阈值可以是高于50％的百分比，例如60％、70％、80％或90％。如果没有概率高于阈值(s516：否)，则可以认为预测不可靠。在一些实施例中，方法500可以返回到步骤s504以接收附加传感器数据以改进预测。在一些实施例中，服务器210可以确定可以获取哪些附加传感器数据并生成控制信号以引导传感器220和/或230捕获要在步骤s504中接收的附加数据。
[0057]
如果至少最高概率高于阈值(s516：是)，则服务器210可以在步骤s518中通过从候选轨迹中选择对应的候选轨迹来预测车辆轨迹。在一些实施例中，具有最高概率的候选轨迹可以被确定为车辆的预测轨迹。例如，当候选轨迹152具有最高概率时，它可以被选为车辆130的预测轨迹。
[0058]
通过方法500提供的预测结果可用于帮助车辆控制或驾驶员的驾驶决策。例如，自
动驾驶车辆可以基于自行车的预测轨迹做出自动控制决策，以免与它们碰撞。该预测还可以用于帮助提醒驾驶员调整其预期的驾驶路径和/或速度，以避免碰撞。例如，可以提供诸如哔哔声之类的音频提醒。
[0059]
本说明书的另一方面涉及一种非暂时性计算机可读介质，其上存储有指令，当指令被执行时使一个或以上处理器执行如上所述的方法。计算机可读介质可以包括易失性或非易失性、磁性、半导体、磁带、光学、可移动、不可移动或其他类型的计算机可读介质或计算机可读存储设备。例如，如所公开的，计算机可读介质可以是其上存储有计算机指令的存储设备或存储器模块。在一些实施例中，计算机可读介质可以是其上存储有计算机指令的盘或闪存驱动器。
[0060]
对本领域技术人员显而易见的是，可以对所公开的系统和相关方法进行各种修改和变化。考虑到公开的系统和相关方法的说明书和实践，其他实施例对于本领域技术人员将是显而易见的。
[0061]
本说明书和示例旨在仅被认为是示例性的，具体范围由以下权利要求及其等同物表示。