车辆运动预测的方法、装置、设备及存储介质与流程

本发明涉及自动驾驶技术领域，尤其涉及一种车辆运动预测的方法、装置、设备及存储介质。

背景技术：

智能车辆在复杂的交通环境中行驶时，需要时刻关注周围环境的发展态势和可能面临的危险状况，因此智能车辆要对周围环境的变化做出合理的预测。

大多数车辆运动预测的方法是基于物理机理的运动模型和基于行为的运动模型来进行预测的，但在目前的运动预测方法中，都是将每个交通车作为独立的个体来研究，忽略了主车对交通车的作用，使预测效果大大下降。

且在实际的运动预测过程中，使用的传感感知通常是不精确、不完备的，交通车驾驶员的状态和状况也是未知的，因此交通车辆的实际运动轨迹充满了不确定性。

所以，现有的技术方案存在无法对车辆的运动情况进行准确预测的问题。

技术实现要素：

本发明实施例提供了一种车辆运动预测的方法、装置、设备及存储介质，解决了无法对车辆的运动情况进行准确预测的问题，提高了预测车辆运动情况的准确性。

为了解决上述技术问题，本发明：

第一方面，提供了一种车辆运动预测的方法，方法包括：

获取预设时间段内多辆车辆的运动状态；

根据所述车辆的运动状态，确定所述车辆的至少一个第一行为，以及所述至少一个第一行为中每一个第一行为的第一概率；

根据所述至少一个第一行为中每一个第一行为的第一概率确定待确定车辆的至少一个第一行为的第一数值；

根据所述第一数值和所述待确定车辆的历史运动轨迹，确定所述待确定车辆的第二行为。

在第一方面的一些实现方式中，运动状态包括所述车辆的坐标、速度、加速度和方向信息中的至少一种；所述第一行为包括左转，右转，直行中的至少一种；所述根据所述至少一个第一行为中每一个第一行为的第一概率确定待确定车辆的至少一个第一行为的第一数值，包括：

根据所述至少一个第一行为中每一个第一行为的第一概率以及所述至少一个第一行为中每一个第一行为对于所述待确定车辆的第二数值，确定所述待确定车辆的至少一个第一行为的第一数值。

在第一方面的一些实现方式中，所述根据所述至少一个第一行为中每一个第一行为的第一概率以及所述至少一个第一行为中每一个第一行为对于所述待确定车辆的第二数值，确定所述待确定车辆的至少一个第一行为的第一数值，满足公式：

其中，i为第一行为，m0，i为所述待确定车辆的第一行为，u(m0，i)为确定所述待确定车辆的第一行为的第一数值的函数，j为第一行为，mt，j为多辆车辆组成的集合t中除待确定车辆以外的任意一辆车辆的第一行为，t为多辆车辆组成的集合，mt为集合t中除待确定车辆以外的任意一辆车辆的第一行为的集合，u0()为确定所述待确定车辆的第二数值的函数，p(mt，j)为车辆集合t中除待确定车辆以外的任意一辆车辆的第一行为的第一概率。

在第一方面的一些实现方式中，所述根据所述第一数值和所述待确定车辆的历史运动轨迹，确定所述待确定车辆的第二行为，包括：

根据所述第一数值和所述待确定车辆的历史运动轨迹确定待确定车辆的至少一个第一行为的第二概率；

确定所述第二概率为最大值时对应的第一行为为所述待确定车辆的第二行为。

第二方面，提供了一种车辆运动预测的装置，装置包括：

获取模块，用于获取预设时间段内多辆车辆的运动状态；

处理模块，用于根据所述车辆的运动状态，确定所述车辆的至少一个第一行为，以及所述至少一个第一行为中每一个第一行为的第一概率；

所述处理模块，还用于根据所述至少一个第一行为中每一个第一行为的第一概率确定待确定车辆的至少一个第一行为的第一数值；

所述处理模块，还用于根据所述第一数值和所述待确定车辆的历史运动轨迹，确定所述待确定车辆的第二行为。

在第二方面的一些实现方式中，所述运动状态包括所述车辆的坐标、速度、加速度和方向信息中的至少一种；所述第一行为包括左转，右转，直行中的至少一种；

所述处理模块，还用于根据所述至少一个第一行为中每一个第一行为的第一概率以及所述至少一个第一行为中每一个第一行为对于所述待确定车辆的第二数值，确定所述待确定车辆的至少一个第一行为的第一数值。

在第二方面的一些实现方式中，所述根据所述至少一个第一行为中每一个第一行为的第一概率以及所述至少一个第一行为中每一个第一行为对于所述待确定车辆的第二数值，确定所述待确定车辆的至少一个第一行为的第一数值，满足公式：

其中，i为第一行为，m0，i为所述待确定车辆的第一行为，u(m0，i)为确定所述待确定车辆的第一行为的第一数值的函数，j为第一行为，mt，j为多辆车辆组成的集合t中除待确定车辆以外的任意一辆车辆的第一行为，t为多辆车辆组成的集合，mt为集合t中除待确定车辆以外的任意一辆车辆的第一行为的集合，u0()为确定所述待确定车辆的第二数值的函数，p(mt，j)为车辆集合t中除待确定车辆以外的任意一辆车辆的第一行为的第一概率。

在第二方面的一些实现方式中，所述处理模块，还用于根据所述第一数值和所述待确定车辆的历史运动轨迹确定待确定车辆的至少一个第一行为的第二概率；

所述处理模块，还用于确定所述第二概率为最大值时对应的第一行为为所述待确定车辆的第二行为。

第三方面，提供了一种车辆运动预测的设备，设备包括：处理器以及存储有计算机程序指令的存储器；

所述处理器执行所述计算机程序指令时实现第一方面，以及第一方面的一些实现方式中的车辆运动预测的方法。

第四方面，提供了一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现第一方面，以及第一方面的一些实现方式中的车辆运动预测的方法。

本发明实施例提供了一种车辆运动预测的方法、装置、设备及存储介质，通过获取预设时间段内多辆车辆的运动状态，根据车辆的运动状态，确定所述车辆的至少一个第一行为，以及所述至少一个第一行为中每一个第一行为的第一概率，再根据所述至少一个第一行为中每一个第一行为的第一概率确定待确定车辆的至少一个第一行为的第一数值；最后根据所述第一数值和所述待确定车辆的历史运动轨迹，确定所述待确定车辆的第二行为，该第二行为为待确定车辆未来时间内的行为。本发明实施例解决了现有的技术方案中存在无法对车辆的运动情况进行准确预测的问题，提高了预测车辆运动情况的准确性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种车辆运动预测的方法的流程示意图；

图2是本发明实施例提供的一种使用滑动时窗获取车辆的轨迹特征的示意图；

图3是本发明实施例提供的一种车道内车辆交互的示意图；

图4是本发明实施例提供的一种车辆运动预测的装置的结构示意图；

图5是是本发明实施例提供的一种计算设备的示例性硬件架构的结构图。

具体实施方式

下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

随着车辆智能化水平的不断提高，一些高级驾驶辅助系统和部分自动驾驶功能已经出现在量产车当中，完全的智能驾驶功能也已经进入了大规模的测试阶段。这些车辆智能化系统的不断成熟对于解决传统汽车工业所带来的安全、拥堵和环保等问题具有重大意义。汽车智能化也已被公认为必然的汽车技术发展方向之一。

在复杂的交通环境中行驶时，智能车需要时刻关注周围环境的发展态势和可能面临的危险状况。智能车在决策并规划未来的安全可行且满足舒适性、经济型、行驶效率等要求的轨迹时，需要对周围环境的变化做出合理的预测。人类驾驶员可以通过在交通环境中不断学习掌握推断周围交通车性行驶意图和预测它们未来运动的能力。但对于智能驾驶系统而言，周围行驶环境中很多信息时无法直接观测的，例如周围车辆的行驶意图，需要通过可观测的变量来进行概率推理。因此，研究反映交通车辆行驶意图的运动预测方法对于智能驾驶系统而言至关重要。

目前，大多数交通车运动预测的方法是基于物理机理的运动模型和基于行为的运动模型。这两类方法在进行运动预测时仅考虑了交通车对主车运动的单向影响，即交通车的运动预测结果作为主车决策和规划的输入。事实上主车的运动也会对交通车的运动产生很大的影像，但这些方法在进行运动预测时将每个交通车作为独立的个体来研究，忽略了主车对交通车的作用。显然在高速公路入口或城市拥堵道路这一类具备明显行为交互性的场景下，这种做法将导致模型的预测效果大大下降。另一方面，目前大多数运动预测方法为确定性的轨迹预测，这些方法通常基于车辆的动力学和运动学模型实现，然而实际的运动预测过程中传感感知通常是不精确、不完备的，交通车驾驶员的状态和状况也是未知的，因此交通车辆的实际运动轨迹充满了不确定性。在较长时间内的运动预测中，这类确定性的运动预测方法显然难以得到可靠的结果。此外，目前即便是考虑了不确定性的方法，也仅通过加入高斯噪声来模拟不确定性，难以准确表达真实交通场景中车辆运动的概率分布。

因此，现有的技术方案中存在无法对车辆的运动情况进行准确预测的问题。

为了解决现有的技术方案中存在无法对车辆的运动情况进行准确预测的问题，因此，本发明实施例提供了一种车辆运动预测的方法、装置、设备及存储介质，通过获取预设时间段内的多辆车辆的运动状态，根据车辆的运动状态，确定所述车辆的至少一个第一行为，以及所述至少一个第一行为中每一个第一行为的第一概率，再根据所述至少一个第一行为中每一个第一行为的第一概率确定待确定车辆的至少一个第一行为的第一数值；最后根据所述第一数值和所述待确定车辆的历史运动轨迹，确定所述待确定车辆的第二行为。解决了现有的技术方案中存在无法对车辆的运动情况进行准确预测的问题，提高了预测车辆运动情况的准确性。

下面结合附图对本发明实施例提供的技术方案进行描述。

图1是本发明实施例提供的一种车辆运动预测的方法的流程示意图。

如图1所示，该方法的执行主体可以为车载终端设备，车辆运动预测的方法可以包括：

s101：获取预设时间段内多辆车辆的运动状态。

其中，该运动状态可以包括车辆的坐标、速度、加速度和方向信息中的至少一种。获取预设时间段内多辆车辆的运动状态可以是预设时间段内车载终端设备的传感器获取传感器覆盖范围内能获取的周围多辆车辆的运动状态，该周围多辆车辆也可以包括执行获取动作的车辆。

具体的，预设时间段可以包括过去h时间段，多辆车辆可以使用n辆车辆表示。

因此，在一个实施例中，获取预设时间段内多辆车辆的运动状态，可以为获取过去h时间内观测到的n辆车辆的运动状态，该过程获取的数据可以如公式(1)所示。

其中，δ表示车辆的运动状态，δ＝(x，y，vx，vy，ax，ay，z)，x为车辆的全局坐标的x轴坐标，y为车辆的全局坐标的y轴坐标，vx为车辆在x轴上的速度，vy为车辆在y轴上的速度，ax为车辆在x轴上的加速度，ay为车辆在y轴上的加速度，z为车辆的航向信息，h为时间段的时间长度，t为h为时间段的起始时刻，δ^t-h：t为过去h时间内n辆车辆的运动状态，为过去h时间内车辆1的运动状态，为过去h时间内车辆i的运动状态，为过去h时间内车辆n的运动状态。

可选的，在一个实施例中，因为车载终端设备上的传感器精度、测量范围等因素，数据会存在噪声和误差，因此，车辆的运动状态δ可以通过状态估计进行获得，常用的方法可以包括卡尔曼滤波。

可选的，在一个实施例中，因为车辆的运动状态都是针对在一段连续的驾驶过程而言，仅凭单一时刻观测变量的数据无法对车辆的行为进行判断。为解决该问题，可以使用滑动时窗的方法来获取车辆的轨迹特征，在每个时刻t都同时关注一段时间内的轨迹，据此来对车辆此刻的行为概率分布进行估计。这样可以避免仅关注某个时刻造成的判断失误，增加系统的容错率和判断准确性。

此外，获得车辆的运动状态的过程可以如图2所示。

图2是本发明实施例提供的一种使用滑动时窗获取车辆的轨迹特征的示意图。

使用滑动时窗的方法来获取车辆的轨迹特征的过程，如图2所示。在t时刻进行行为识别时，以δtc为时间间隔，采样轨迹上的n个特征点作为算法的输入，因此时窗的时间宽度可以表示为δtc＝nδtc。

根据采集到这n个特征点得到t时刻可以直接观测到的车辆的第一行为ot，如公式(2)所示。

其中d和均可以为n*1维的向量：

dt＝[d(t-(n-1)δtc)，d(t-(n-2)δtc)，...，d(t)]^t∈rⁿ

通过滑动时窗获得了n个特征点上的观测数据，dt为车辆的速度，为车辆的加速度，r为车辆的轨迹集合。可以将这组可以直接观测到的车辆的第一行为序列记为：o＝o1o2...ot，根据这组观测序列便可以确定车辆的运动状态。

在获得车辆的运动状态后，便可以进入s102，确定车辆的第一行为以及该第一行为的第一概率。

s102：根据车辆的运动状态，确定车辆的至少一个第一行为，以及至少一个第一行为中每一个第一行为的第一概率。

具体的，在获得车辆的运动状态后，可以确定每辆车辆未来可能的第一行为，以及对该第一行为的概率进行预测。第一行为可以理解成车辆未来一段时间内可能会发生的行为。

图3是本发明实施例提供的一种车道内车辆交互的示意图。

可选的，可以以图3中所示的三辆车为示例，对确定每辆车的第一行为的过程，以及确定第一行为的概率的过程进行描述。

如图3所示，图3中存在abc三辆车，因为a车辆在车道中间，因此a车辆可以存在左转，右转，直行三种第一行为；b车辆在车道左侧，因此a车辆可以存在右转，直行两种第一行为；c车辆在车道左侧，因此c车辆可以存在左转，直行两种第一行为。

具体的，abc三辆车的不同第一行为可以分别如公式(3)、(4)、(5)所示。

ma＝{ma，k|k∈{1，2}＝{lcl，lk}(3)

mb＝{mb，i|i∈{1，2}＝{lk，lcr}(4)

mc＝{mc，j|j∈{1，2，3}＝{lcl，lk，lcr}(5)

其中，ma为a车的第一行为的集合，ma，k为a车的各种行为，k为a车行为的种数；mb为b车的第一行为的集合，mb，i为b车的各种行为，i为b车行为的种数；mc为c车的第一行为的集合，mc，j为c车的各种行为，j为c车行为的种数；lcl为左转行为，lk为直行行为，lcr为右转行为。

由于驾驶员在道路行驶过程中，其未来的行为存在不确定性，因此a、b、c三辆车的每种行为是存在概率的。

在一个实施例中，每辆车的第一行为的概率预测表达式可以如公式6所示。

p(mⁱ|δ^t-h：t)∈[0，1](6)

其中，p表示第一行为的概率，mⁱ为车辆的第一行为，δ^t-h：t为过去h时间内车辆的运动状态。

a、b、c三辆车的每种行为的概率分别可以用p(ma，k)、p(mb，i)、p(mc，j)表示。又因为不能考虑车辆驶出道路的情况，因此p(ma，lcr)＝p(mb，lcl)＝0。

因为隐马尔可夫模型(hiddenmarkovmodel，hmm)是指单个离散随机变量描述过程状态的时序概率模型，高斯混合模型(gaussianmixturemodel，gmm)理论上可以用来表示任何形式的连续概率分布，具有优良的计算方面的优势，常被用来表示输出观测概率。用gmm表示输出观测概率的hmm，将每个时刻的各种行为概率计算成为离散点，通过高斯模型平滑处理，得到连续的概率分布模型，减少算法计算误差，增加算法判断准确性。

因此，可选的，在一个实施例中，可以使用gmm-hmm行为识别模型来确定车辆各个第一行为的概率，并确定可能的状态序列。通过计算车辆处于各个行为的概率，确定可能的状态序列的过程如公式(7)所示。

γt(i)＝p(qt＝si|o，λ)，i∈[1，n]，t∈[1，t](7)

其中γt(i)为车辆的第一行为序列，qt是车辆的第一行为与时间t有关的集合，si是车辆隐含的第一行为，o是可以直接观测得到的第一行为，λ是用于计算概率的预设模型，p()为车辆第一行为的概率，i为车辆的第一行为的种数，t表示车辆，n可以为3。

通过贝叶斯公式，可以将公式(7)变换为：

之后可以通过求解隐马尔可夫模型的第一个基本问题生成观测序列概率，来确定车辆各个第一行为的概率。

在确定第一行为的概率之后，便可以进入s103过程。

s103：根据所述至少一个第一行为中每一个第一行为的第一概率确定待确定车辆的至少一个第一行为的第一数值。

具体的，可以根据所述至少一个第一行为中每一个第一行为的第一概率以及所述至少一个第一行为中每一个第一行为对于所述待确定车辆的第二数值，确定所述待确定车辆的至少一个第一行为的第一数值。其中，第二数值又可以称为收益值，第一数值又可以称为期望值。

根据图3中所示的车辆，a、b、c三辆车对应的收益函数可以如公式(8)、(9)、(10)所示。

ua(ma，k，mb，i，mc，j)(8)

ub(ma，k，mb，i，mc，j)(9)

uc(ma，k，mb，i，mc，j)(10)

其中，ua()为a车的收益函数，ub()为b车的收益函数，uc()为c车的收益函数，ma，k∈ma，ma，k为a车的第一行为，mb，i∈mb，mb，k为b车的第一行为，mc，j∈mc，mc，u为c车的第一行为。

具体的，公式(8)要表达的含义是a车的第一行为，b车的第一行为以及c车的第一行为对于a车来说所产生的收益值。公式(9)，公式(10)的含义以此类推。

在获得各个车辆的收益函数之后，便可以根据至少一个第一行为中每一个第一行为的第一概率以及所述至少一个第一行为中每一个第一行为对于所述待确定车辆的收益值，确定所述待确定车辆的至少一个第一行为的期望值。使用期望值进行判断的理论又可以称为期望效用理论。

可选的，对于车辆a来说，根据期望效用理论，左转或者直行行为所产生的期望效用分别可以如公式(11)和公式(12)所示。

其中，ma，lcl为车辆a的左转行为，mb，i为车辆b的第一行为，mb为车辆b的第一行为的集合，mc，j为c车的第一行为，ma，lk为车辆a的直行行为，p()为计算概率的函数，ua()为a车的收益函数。

进一步的，由此可以推论，车道内的场景可以如公式(13)所示。

公式(13)中的h表示车道内的多辆车辆的场景，mt，j为车道内任意一辆车辆的第一行为，j为第一行为，t为车道内任意一辆车辆，t为多辆车辆组成的集合，mt为集合t中任意一辆车辆的第一行为的集合。

因此，根据确定的车道内的场景的公式(13)，对于多辆车辆中的待确定车辆，该待确定车辆产生的期望值可以如公式(14)所示，其中，期望又可以称为期望效用。

其中，i为第一行为，m0，i为所述待确定车辆的第一行为，u(m0，i)为确定所述待确定车辆的第一行为的期望值的函数，j为第一行为，mt，j为多辆车辆组成的集合t中除待确定车辆以外的任意一辆车辆的第一行为，t为多辆车辆组成的集合，mt为集合t中任意一辆车辆的第一行为的集合，u0()为确定所述待确定车辆的第二数值的函数，p(mt，j)为车辆集合t中除待确定车辆以外的任意一辆车辆的第一行为的第一概率。

需要说明的是，在本发明实施例中，同一个场景内的各个车辆之间并不会共享他们各自的收益矩阵每个车辆都从自己的角度看待这个博弈g，此种决策和显示显示交通场景是一直的，并没有对所有车辆进行统一协调控制，因此每个车辆独立决策。

可选的，在得到待确定车辆的期望值之后，可以结合待确定车辆的历史以往数据进一步提高预测准确率，因此可以进入s104。

s104：根据所述第一数值和所述待确定车辆的历史运动轨迹，确定所述待确定车辆的第二行为。

因为对于被预测的待确定车辆而言，它的每种行为所产生的期望效用u(m0，j)的值其实就是代表了在意图层面上未来一段时间该车驾驶员选择这种行，为m0，i的概率大小。因此，可以根据m0，i的概率大小来确定待确定车辆的第二行为。

在一个实施例中，可以将期望效用u(m0，j)的值进行归一化即可得到未来一段时间内驾驶员产生行为m0，i的意图概率。进行归一化的过程可以如公式(15)所示。

其中，pintend()表示意图概率的函数，m0，i为待确定车辆，δ^t-h：t为待确定车辆的周围其他车辆的运动状态，g()为归一化函数，u(m0，i)为确定所述待确定车辆的第一行为的期望值的函数，i为第一行为，m0为待确定车辆的第一行为的集合。

根据期望效用u(m0，i)的值来计算pintend(m0，i|δ^t-h：t)的过程，是通过周围交通态势利用博弈方法来对被预测交通车v0未来的驾驶意图做出的判断，又因为每辆车辆都从自己的角度看待这个博弈，该决策和显示的交通场景是一直的，并没有对所有车辆进行统一协调控制，每个车辆独立决策，因此提高了车辆的运动情况的预测准确率。

可选的，在一个实施例中，为了结合待确定车辆的历史以往数据进一步提高预测准确率，可以结合待确定车辆的历史运动轨迹precog(m0，i|δ^t-h：t)，对待确定车辆的第二行为进行确定，该第二行为又可以称为最终行为。

具体的，基于以上历史运动轨迹和期望值的推断得到待确定车辆的最终行为的过程可以如公式(16)所示。

p(m0，i|δ^t-h：t)＝τ1precog(m0，i|δ^t-h：t)+τ2pintend(m0，i|δ^t-h：t)(16)

其中，p()为待确定车辆的第一行为的第二概率，m0，i为待确定车辆的第一行为，δ^t-h：t为待确定车辆的周围其他车辆的运动状态，precog()为历史运动轨迹的函数，pintend()为意图概率的函数，τ1为历史运动轨迹在最终行为预测概率中所占的权重系数，τ2为意图概率在最终行为预测概率中所占的权重系数，此外τ1+τ2＝1。

在对待确定车辆的第一行为进行计算得到第二概率后，可以确定最大的第二概率对应的第一行为为待确定车辆的第二行为。

可选的，在根据所述第一数值和所述待确定车辆的历史运动轨迹的过程中，还可以利用hmm的前向后向算法，提取车辆当前时间状态之前的运动期望概率，提取当前时间状态之后的运动期望概率，通过迭代的方法求解最大运动期望。

为了提高计算效率、降低算法复杂度，通常使用前向后向算法，该算法中的前向变量αt(i)和后向变量βt(i)可以分别由公式(17)和公式(18)表示。

αt(i)＝p(o1o2...ot|qt＝si，λ)(17)

βt(i)＝p(ot+1ot+2...ot|qt＝si，λ)(18)

αt(i)表示在给定预设模型λ的情况下可以直接观测到的从过去初始时刻到t时刻第一行为序列o1o2...ot和状态si出险的概率，βt(i)表示给定预设模型λ的情况下可以直接观测到的从到t时刻到t时刻第一行为序列ot+1ot+2...ot和状态si出险的概率。其中αt(i)代表待确定车辆的历史运动轨迹，βt(i)代表未来一段时间内，结合周围车辆对待确定车辆的影响，预测得到的主车运动概率数据，充分利用主车的历史数据和未来概率决策主车行为，更加符合现实场景中主车运动预测，同时大幅度提高主车运动预测的准确性。

可选的，在一个实施例中，在确定待确定车辆的至少一个第一行为的收益时，可以根据车前可行驶空间、碰撞危险指数、舒适性指数进行确定。

具体的，可以根据车辆前置、后置传感器获取车前、车后空闲距离，再通过两侧传感器获取车辆左右空闲距离，根据车前、车后空闲距离以及车辆左右空闲距离确定车前可行驶空间，同时可以指定车前可行驶空间系数为ns。

因为在驾驶过程中，安全性通常是最为看重的因素。因此可以先预测车辆未来的形式轨迹，然后再基于未来的形式轨迹进行危险评估，确定碰撞危险指数。具体地，可以定义待确定车辆与周围某个车辆之间的距离小于5cm时，为发生碰撞条件。在传感器传感回具体的车距时，进行碰撞危险预警，同时可以指定危险碰撞系数为roc。

因为影响乘坐舒适性的车辆最直接的运动状态为车辆的加速度，因此可以利用车辆的加速度来确定舒适性指数。具体的，可以分解被观测车辆的加速度为纵向和侧向加速度来确定舒适性指数。计算一定周期t内的纵向和侧向加速度积分，当积分值＞10时，判定舒适性低，指定舒适性指数c。

在公式(7)中带入各项系数确定收益如公式(19)所示。

γt(i)＝p(qt＝si|o，λ)，i∈[1，n]，t∈[1，t]*0.3ns*0.5roc*0.2c(19)

如公式(19)所示，其中车前可行驶空间可以占比30％，碰撞危险指数可以占比50％，舒适性指数可以占比20％。

根据公式(17)确定收益，在不同的情景下，例如在行驶过程中，车辆间距处于正常状态时和处于特殊情景时，在周围车辆同样的影响下，结合各项情景收益系数，处于正常状态时和处于特殊情景时会决策出完全不同的行为，这样更加符合现实生活中交通场景的不确定性，增加算法的适用性。

进一步地，在不同情景下，通过在概率模型中带入情景收益系数，可以计算出在不同情景下的期望值，从而利用最大期望策略决策待确定车辆的运动行为，适用于现实中复杂的交通场景，增加了算法的鲁棒性和实用性，其中，该待确定车辆包括具有车载终端设备的主车。

本发明实施例提供的车辆运动预测的方法，通过获取预设时间段内的多辆车辆的运动状态，根据车辆的运动状态，确定所述车辆的至少一个第一行为，以及所述至少一个第一行为中每一个第一行为的第一概率，再根据所述至少一个第一行为中每一个第一行为的第一概率确定待确定车辆的至少一个第一行为的第一数值；最后根据所述第一数值和所述待确定车辆的历史运动轨迹，确定所述待确定车辆的第二行为。解决了现有的技术方案中存在无法对车辆的运动情况进行准确预测的问题，提高了预测车辆运动情况的准确性。

与车辆运动预测的方法的实施例相对应，本发明实施例还提供了一种车辆运动预测的装置，如图4所示。图4是本发明实施例提供的一种车辆运动预测的装置的结构示意图。

图4所示的车辆运动预测的装置可以包括获取模块401，处理模块402。

获取模块401，可以用于获取预设时间段内多辆车辆的运动状态。

处理模块402，可以用于根据所述车辆的运动状态，确定所述车辆的至少一个第一行为，以及所述至少一个第一行为中每一个第一行为的第一概率。

处理模块402，还可以用于根据所述至少一个第一行为中每一个第一行为的第一概率确定待确定车辆的至少一个第一行为的第一数值。

处理模块402，还可以用于根据所述第一数值和所述待确定车辆的历史运动轨迹，确定所述待确定车辆的第二行为。

所述运动状态包括所述车辆的坐标、速度、加速度和方向信息中的至少一种。

所述第一行为包括左转，右转，直行中的至少一种。

处理模块402，还可以用于根据所述至少一个第一行为中每一个第一行为的第一概率以及所述至少一个第一行为中每一个第一行为对于所述待确定车辆的第二数值，确定所述待确定车辆的至少一个第一行为的第一数值。

根据所述至少一个第一行为中每一个第一行为的第一概率以及所述至少一个第一行为中每一个第一行为对于所述待确定车辆的第二数值，确定所述待确定车辆的至少一个第一行为的第一数值，满足公式：

其中，i为第一行为，m0，i为所述待确定车辆的第一行为，u(m0，i)为确定所述待确定车辆的第一行为的第一数值的函数，j为第一行为，mt，j为多辆车辆组成的集合t中除待确定车辆以外的任意一辆车辆的第一行为，t为多辆车辆组成的集合，mt为集合t中除待确定车辆以外的任意一辆车辆的第一行为的集合，u0()为确定所述待确定车辆的第二数值的函数，p(mt，j)为车辆集合t中除待确定车辆以外的任意一辆车辆的第一行为的第一概率。

处理模块402，还可以用于根据所述第一数值和所述待确定车辆的历史运动轨迹确定待确定车辆的至少一个第一行为的第二概率。

处理模块402，还可以用于确定所述第二概率为最大值时对应的第一行为为所述待确定车辆的第二行为。

可以理解的是，图4所示的车辆运动预测的装置中的各个模块具有实现图1中s101至s104各个步骤的功能，并能达到其相应的技术效果，为简洁描述，在此不再赘述。

本发明实施例提供的车辆运动预测的装置，通过获取预设时间段内的多辆车辆的运动状态，根据车辆的运动状态，确定所述车辆的至少一个第一行为，以及所述至少一个第一行为中每一个第一行为的第一概率，再根据所述至少一个第一行为中每一个第一行为的第一概率确定待确定车辆的至少一个第一行为的第一数值；最后根据所述第一数值和所述待确定车辆的历史运动轨迹，确定所述待确定车辆的第二行为。解决了现有的技术方案中存在无法对车辆的运动情况进行准确预测的问题，提高了预测车辆运动情况的准确性。

图5示出了能够实现本发明实施例的车辆运动预测的方法的计算设备的示例性硬件架构的结构图。如图5所示，计算设备500包括输入设备501、输入接口502、中央处理器503、存储器504、输出接口505、以及输出设备506。其中，输入接口502、中央处理器503、存储器504、以及输出接口505通过总线510相互连接，输入设备501和输出设备506分别通过输入接口502和输出接口505与总线510连接，进而与计算设备500的其他组件连接。

具体地，输入设备501接收来自外部的输入信息，并通过输入接口502将输入信息传送到中央处理器503；中央处理器503基于存储器504中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器504中，然后通过输出接口505将输出信息传送到输出设备506；输出设备506将输出信息输出到计算设备500的外部供用户使用。

也就是说，图5所示的计算设备也可以被实现为车辆运动预测的设备，该车辆运动预测的设备可以包括：存储有计算机可执行指令的存储器；以及处理器，该处理器在执行计算机可执行指令时可以实现本发明实施例提供的车辆运动预测的方法。

本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现本发明实施例提供的车辆运动预测的方法。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。

以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。