一種城市交叉路口轉(zhuǎn)彎車輛軌跡預(yù)測(cè)方法

摘要-眾所周知，城市道路交叉口是交通事故的常發(fā)地，了解交叉路口的動(dòng)態(tài)交通情況對(duì)于研究如何防止交通事故非常有必要。當(dāng)自動(dòng)駕駛車輛穿過交叉路口時(shí)，預(yù)測(cè)即將到來的其他車輛的軌跡是ADAS的要求。在本文中，我們提出了一種城市交叉路口轉(zhuǎn)彎車輛軌跡預(yù)測(cè)方法。轉(zhuǎn)彎?rùn)C(jī)動(dòng)車輛的軌跡預(yù)測(cè)比直行機(jī)動(dòng)車輛更困難，因?yàn)檗D(zhuǎn)彎車輛在接近交叉路口時(shí)減速并且在離開交叉路口時(shí)加速。此外，速度的變化取決于諸如交叉角、拐角半徑之類的因素。我們的方法生成了一種新的軌道預(yù)測(cè)所需的速度模型，該模型考慮了交叉口幾何形狀和其他車輛的觀測(cè)速度。具體而言，我們假設(shè)人行橫道附近的速度變得極小，并通過擬合過去的順序速度和估計(jì)的最小速度到三次函數(shù)來計(jì)算速度模型。我們的方法的優(yōu)點(diǎn)是能夠預(yù)測(cè)在任何交點(diǎn)和任何位置的軌跡。該方法在實(shí)際交通場(chǎng)景中的預(yù)測(cè)性能優(yōu)于其他方法。

Ⅰ介紹

近年來，大量的主動(dòng)安全駕駛系統(tǒng)和自動(dòng)駕駛汽車被開發(fā)出來。這些駕駛系統(tǒng)需要保證駕駛員在動(dòng)態(tài)變化的交通環(huán)境中的安全，并需要了解未來環(huán)境會(huì)發(fā)生什么變化。城市道路交叉口被認(rèn)為是交通事故的常發(fā)地，了解城市十字路口的動(dòng)態(tài)交通狀況有助于預(yù)防乘客受傷。此外，在自動(dòng)駕駛車輛的路徑規(guī)劃算法中，需要對(duì)交叉口交通參與者的長(zhǎng)期軌跡進(jìn)行預(yù)測(cè)。當(dāng)自動(dòng)駕駛車輛穿過十字路口時(shí)，需要對(duì)迎面而來的車輛進(jìn)行預(yù)測(cè)。在諸如日本和英國(guó)這樣的左手駕駛國(guó)家，對(duì)迎面而來的車輛進(jìn)行軌跡預(yù)測(cè)的目標(biāo)操作是直行和左轉(zhuǎn)。然而，預(yù)測(cè)轉(zhuǎn)彎車輛的軌跡是困難的，因?yàn)檐囕v經(jīng)歷了大的速度變化。轉(zhuǎn)彎車輛在接近十字路口時(shí)減速，在離開十字路口時(shí)加速。此外，速度的變化取決于接近速度和交叉幾何形狀，包括交叉角度、道路寬度和拐角半徑等因素。

沃爾夫曼、艾爾等人[ 1 ]分析并模擬了所有十字路口的車輛轉(zhuǎn)彎行為，以進(jìn)行駕駛模擬。他們構(gòu)建了一個(gè)速度模型，用兩個(gè)表示減速和加速的三次函數(shù)來表示。這些函數(shù)的系數(shù)被建模為正態(tài)分布，并通過最大似然法進(jìn)行估計(jì)。然而，他們的模型僅用于模擬，并且難以應(yīng)用于實(shí)際交通情況下的預(yù)測(cè)，因?yàn)樗俣饶Ｐ椭荒軓墓潭ㄎ恢茫ㄟM(jìn)入十字路口的入口位置）生成。在軌跡預(yù)測(cè)中，必須能夠在任何一個(gè)位置生成和更新模型。我們提出的方法是能夠在任何交叉路口和任何位置轉(zhuǎn)彎進(jìn)行軌跡預(yù)測(cè)，并構(gòu)建了一個(gè)新的期望速度模型，用于基于交會(huì)幾何和觀測(cè)速度的軌跡預(yù)測(cè)。假設(shè)速度在人行橫道附近變得最小，我們通過擬合過去的連續(xù)速度和估計(jì)的最小速度來計(jì)算速度模型。我們?cè)诘貓D上定義速度變得最小的位置，并將這個(gè)位置稱為“速度控制點(diǎn)”。此外，為了預(yù)測(cè)未來許多時(shí)間步長(zhǎng)的軌跡，我們將我們期望的速度模型與擴(kuò)展卡爾曼濾波器( EKF )相結(jié)合。實(shí)驗(yàn)是在真實(shí)環(huán)境中進(jìn)行的。與傳統(tǒng)方法相比，該預(yù)測(cè)方法可以提高狀態(tài)預(yù)測(cè)性能。

Ⅱ相關(guān)工作

近年來，機(jī)器人[2]領(lǐng)域?qū)煌ㄜ壽E預(yù)測(cè)問題進(jìn)行了積極的研究。在[3]、[5]中，針對(duì)變道情況提出了基于車輛運(yùn)動(dòng)模型的預(yù)測(cè)方法，在[3]，[4]中，軌跡分量被建模為五次多項(xiàng)式，卡爾曼濾波器已被廣泛用于預(yù)測(cè)軌跡，同時(shí)考慮了車輛運(yùn)動(dòng)的不確定性[5]，[6]。Kim et. al.[5]定義了變道和彎道所需的期望偏航率，并在EKF中加入了期望偏航率。此外，還提出了基于高斯混合模型[7]和蒙特卡羅模擬[8]的概率軌跡預(yù)測(cè)方法。

機(jī)器學(xué)習(xí)技術(shù)也被用于預(yù)測(cè)軌跡。通過高斯過程[9]學(xué)習(xí)車輛軌跡的模型參數(shù)。介紹了考慮車輛相互作用的更復(fù)雜的模型，包括耦合隱馬爾可夫模型[11]和動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)[10]。近年來，已經(jīng)提出了使用深度神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法。在[12]中，動(dòng)態(tài)占用網(wǎng)格圖用作深度卷積網(wǎng)絡(luò)的輸入。在幾種DNN架構(gòu)中，遞歸神經(jīng)網(wǎng)絡(luò)被廣泛用于學(xué)習(xí)順序結(jié)構(gòu)。Kim 等人[13] 將一系列車輛坐標(biāo)輸入到長(zhǎng)期記憶中，并在占用網(wǎng)格地圖上生成關(guān)于未來位置的概率信息。然而，這些機(jī)器學(xué)習(xí)方法依賴于訓(xùn)練數(shù)據(jù)，其缺點(diǎn)是無法預(yù)測(cè)未知環(huán)境下會(huì)發(fā)生什么。

對(duì)交叉口進(jìn)行了專門的預(yù)測(cè)方法的重新開發(fā)。如第Ⅰ節(jié)所述，Wolfer-Mann [1]對(duì)車輛在任何路口轉(zhuǎn)彎的行為進(jìn)行了建模，但它們的模型是模擬的，不能從任何位置生成。特朗等人[9]利用高斯過程回歸建立了轉(zhuǎn)彎?rùn)C(jī)動(dòng)的速度模型。然而，它們的模型集中在一個(gè)交叉口的情況下，不能應(yīng)用于任何一個(gè)交叉口。利布納[14]還提出了一個(gè)考慮曲率的速度模型，可應(yīng)用于任何交點(diǎn)。在上述工作的啟發(fā)下，我們的目標(biāo)是預(yù)測(cè)車輛在任何十字路口的轉(zhuǎn)彎軌跡以及在實(shí)際環(huán)境中的任何位置。我們的方法通過使用更多的交叉口信息(如相交角、曲率半徑、人行道的橫向距離和人行橫道的位置)來獲得更好的性能。

III.系統(tǒng)概述

測(cè)量數(shù)據(jù)是從城市十字路口的真實(shí)交通場(chǎng)景中獲取的。我們使用了一輛裝有視覺傳感器和360度激光雷達(dá)Velodyne HDL - 32e的實(shí)驗(yàn)車。激光雷達(dá)獲取的原始數(shù)據(jù)以三維點(diǎn)云的形式存在。本文涉及的交叉口是四個(gè)道路交叉口，類型有人行橫道，不涉及緊急交叉口或環(huán)形交叉口。

預(yù)測(cè)算法的輸入主要有兩種：1 )其他車輛狀態(tài)，如位置、方位、速度、橫擺角速度和加速度；2 )交叉口幾何形狀，例如二維軌跡圖、相交角度、曲率半徑和距人行道的橫向距離。該狀態(tài)是從車輛檢測(cè)和跟蹤系統(tǒng)獲得的。檢測(cè)和跟蹤系統(tǒng)基于粒子濾波，其輸入是3D點(diǎn)云數(shù)據(jù)。粒子濾波的可能性是通過基于[15]的點(diǎn)云擬合矩形來計(jì)算的。圖1 ( b )示出了檢測(cè)和跟蹤系統(tǒng)的結(jié)果。二維軌跡圖對(duì)應(yīng)于每條迎面而來的車道和機(jī)動(dòng)，由間隔1m的點(diǎn)序列組成。我們將點(diǎn)序列中的點(diǎn)稱為“航路點(diǎn)”。地圖由B樣條曲線創(chuàng)建，B樣條曲線的控制點(diǎn)是從交通參與者的地面真實(shí)位置中選擇的。圖6第二列中的黑點(diǎn)顯示了軌跡圖。此外，由于我們關(guān)注轉(zhuǎn)彎車輛的軌跡預(yù)測(cè)，交通參與者的機(jī)動(dòng)被認(rèn)為是已知的。

圖1( a )顯示預(yù)測(cè)對(duì)象車輛的交通場(chǎng)景；( b )車輛檢測(cè)和跟蹤系統(tǒng)的結(jié)果；白色矩形顯示自我車輛，青色矩形顯示粒子過濾器的檢測(cè)結(jié)果，黃色矩形顯示地面真實(shí)情況。

預(yù)測(cè)算法生成交叉口轉(zhuǎn)彎車輛所需的速度。此外，基于[ 5 ]產(chǎn)生期望的橫擺角速度。通過將這些期望的模型和當(dāng)前的其他車輛狀態(tài)與EKF相結(jié)合來預(yù)測(cè)其他交通參與者的未來位置。預(yù)測(cè)狀態(tài)每0.1s計(jì)算一次，到最大預(yù)測(cè)范圍為4.0s，觀察的時(shí)間步長(zhǎng)也為0.1s，預(yù)測(cè)在每個(gè)時(shí)間步長(zhǎng)進(jìn)行。

IV. 轉(zhuǎn)彎車輛軌跡預(yù)測(cè)

A.生成期望速度模型

為了預(yù)測(cè)轉(zhuǎn)彎車輛的軌跡，我們生成了未來的期望速度。我們期望的速度模型由兩個(gè)三次函數(shù)組成，它是用相交幾何來生成的。為了解決無法從任何位置創(chuàng)建[ 1 ]的速度模型的問題，我們?cè)诘貓D中建立了速度控制點(diǎn)。速度控制點(diǎn)被定義為速度變得最小的位置?？紤]到車輛和行人之間的相互作用，我們假設(shè)人行橫道周圍的速度變得最小。在本文中，速度控制點(diǎn)等于最靠近人行橫道的航路點(diǎn)。圖2顯示了速度控制點(diǎn)和期望速度之間的空間關(guān)系。期望的速度模型被分成兩部分，流入部分vin( t )和流出部分vout( t )，它們之間的邊界被定義為車輛達(dá)到最小速度的時(shí)刻：

首先，我們重點(diǎn)討論了vin(t)的計(jì)算方法。我們通過擬合觀測(cè)到的過去的序列速度和估計(jì)的最小速度到三次函數(shù)來計(jì)算vin(t)。由于由跟蹤系統(tǒng)觀測(cè)到的交通參與者的當(dāng)前速度是不穩(wěn)定的，所以我們?cè)?.0s周期內(nèi)利用序列速度。此外，最小速度可以在[1]的基礎(chǔ)上進(jìn)行統(tǒng)計(jì)計(jì)算，但我們將其速度定義為擬合前的初始估計(jì)值vmin。我們通過最小三次函數(shù)與包含觀測(cè)速度和vmin的速度之間的誤差，將數(shù)據(jù)擬合成三次方程。圖3示出了該裝置的示意圖。

初始最小速度vˉmin綜合了交叉口幾何形狀和駕駛員特征的影響，例如接近速度vint、交叉口角度θint、路緣半徑rint和車輛在人行道出口處的橫向距離lint。接近速度vint定義為[1]停車線上的速度。在本文中，vint是通過計(jì)算到達(dá)停止線時(shí)的速度來表示的，假設(shè)加速度恒定。假設(shè)vmin遵循正態(tài)分布，vmin根據(jù)經(jīng)驗(yàn)估計(jì)為影響因素的線性函數(shù)，如下所示：

其中a1；…;a5是通過真實(shí)交通數(shù)據(jù)的最大似然估計(jì)來計(jì)算的，我們使用[ 1 ]中描述的參數(shù)。

此外，擬合需要在速度變得最小時(shí)對(duì)vin( t )和tmin的初始估計(jì)。為了計(jì)算這些值，從速度控制點(diǎn)的約束條件中獲得以下方程：

其中L是從當(dāng)前車輛位置到速度控制點(diǎn)的路徑長(zhǎng)度。我們將vin(t)和tmin的初始估計(jì)定義為vin(t)和tmin(在下文中，過線顯示了初步估計(jì))。如果通信的狀態(tài)參與者被準(zhǔn)確觀察到，C4;in和C3;in等于v0，a0即為當(dāng)前時(shí)間的速度和加速度。然而，為了考慮觀察誤差，在估計(jì)步驟中C4;in和C3;in被定義為在在[vmin-3.0,vmin+3.0]和[-0.3G,0]范圍內(nèi)，其變化幅度分別為0.5； G表示重力加速度。C4;in的變化范圍是根據(jù)觀測(cè)速度誤差的標(biāo)準(zhǔn)差來確定的，而C3;in的變化范圍是基于舒適減速一般小于0.3G的證據(jù)確定的。對(duì)于tmin、C1;in和C2;in，方程( 1 )、( 4 )和( 5 )求解如下所示：

圖2所示，速度控制點(diǎn)與期望速度的時(shí)空關(guān)系。

圖3所示，期望速度的入流部分vin(t)的計(jì)算方法是將觀測(cè)到的過去速度和初始最小速度vmin之間的差的平方殘差之和與模型提供的擬合值進(jìn)行最小化。

對(duì)于vin(t)和tmin，則為vin(t)和tmin(以下所示為初始估計(jì))。如果準(zhǔn)確觀察交通參與者的狀態(tài)，則c4;in和c3;in等于v0和a0，即當(dāng)前時(shí)刻的速度和加速度。然而，為了考慮估算步驟中的觀測(cè)誤差，c4;in和c3;in被定義為在[vmin-3.0，vmin+3.0]和[+0.3G,0]范圍內(nèi)，變化幅度分別為0.5，G表示重力加速度。c4;in的變化范圍是根據(jù)觀察到的速度誤差的標(biāo)準(zhǔn)差來確定的，c3;in的變化范圍是根據(jù)舒適減速一般小于0.3G的證據(jù)來確定的。式(1)、(4)、(5)求解tmin、c1;in、c2;in過程如下：

當(dāng)式(9)為c3;in和c4;in的最小變化量時(shí)，vin(t)設(shè)為vin(t)的初始估計(jì)值。

其中vobs由觀測(cè)到的過去速度表示。

接下來，使用初始值vin(t)對(duì)三次函數(shù)vin(t)進(jìn)行優(yōu)化。根據(jù)速度控制點(diǎn)方程(4)、(5)的約束條件，將vin(t)中的c3;in、c4;in移除：

其中目標(biāo)參數(shù)定義為C =。殘差的平方之和由下式得出：

其中w1和w2是權(quán)重。由于觀測(cè)到的速度數(shù)較大，權(quán)重設(shè)為：w1= 0.1；w2= 1.0。

用迭代非線性高斯牛頓法對(duì)三次函數(shù)進(jìn)行擬合:

其中et(C)是殘差和J是雅可比矩陣上標(biāo)顯示優(yōu)化的迭代次數(shù)。在本文中，最大迭代為10。這將生成所需速度模型的流入部分。? ? ? ? ?

接下來，我們解釋了速度模型的流出部分。我們計(jì)算了vout(t)，它通過vmin和法定速度vmax，在vmin和vmax處導(dǎo)數(shù)為零。未知變量C1;out和c2;out是通過[1]得到的。

接下來，我們解釋速度模型的流出部分。我們計(jì)算通過vmin的vout(t)和法定速度vmax在vmin和vmax。通過使用[1]獲得未知變量c1;out和c2; out。假設(shè)這些變量服從伽馬分布。這些分布的參數(shù)也被估計(jì)為影響因素的線性函數(shù)，如交叉口的幾何形狀和法定的速度限制。

B.使用EKF的速度使用EKF

我們使用EKF預(yù)測(cè)未來許多時(shí)間內(nèi)的車輛位置。預(yù)測(cè)車輛位置不僅需要期望的速度，還需要期望的橫擺角速度。我們基于[ 5 ]實(shí)現(xiàn)了期望的橫擺角速度模型。他們的模型輸出橫擺角速度，以便沿著軌跡圖順利通過。我們將車輛狀態(tài)定義為XP=；其中每個(gè)狀態(tài)是一個(gè)縱向位置，橫向位置，角度，速度，偏航率，加速度，和偏航加速度。

EKF是卡爾曼濾波器的擴(kuò)展，它估計(jì)動(dòng)態(tài)系統(tǒng)的狀態(tài)：

其中fp顯示均勻加速運(yùn)動(dòng)模型。其中fp顯示勻加速運(yùn)動(dòng)模型。用期望的速度vdes和期望的偏航速率γdes作為EKF的虛擬測(cè)量。期望速度vdes由方程(1)和(2)組成。如果t

其中Vi是時(shí)間步長(zhǎng)i之前的預(yù)測(cè)速度。在我們的實(shí)現(xiàn)中，Vi，N的數(shù)量被設(shè)置為10。預(yù)測(cè)時(shí)間步長(zhǎng)的差異通過乘以10 / i來歸一化。最小值和最大值是通過實(shí)驗(yàn)獲得的常數(shù)值，分別設(shè)置為1.0和15.0

V.實(shí)驗(yàn)

本節(jié)介紹了對(duì)日本神奈川交叉口實(shí)際數(shù)據(jù)進(jìn)行預(yù)測(cè)評(píng)估的一些結(jié)果。數(shù)據(jù)集來自10個(gè)不同的交叉口，由65輛左轉(zhuǎn)車輛組成。交通參與者的地面真實(shí)位置是從點(diǎn)云數(shù)據(jù)手工教授的。觀察到的一些交通情況中，有行人在人行橫道上橫過。我們的算法沒有使用行人位置，而是從點(diǎn)云數(shù)據(jù)中學(xué)習(xí)。

圖4.并與其它方法的預(yù)測(cè)誤差和速度誤差進(jìn)行了比較。橙色和藍(lán)色分別顯示了我們的方法的觀測(cè)誤差和無觀測(cè)誤差。

圖5.速度控制點(diǎn)位置預(yù)測(cè)誤差的比較。

A.評(píng)估預(yù)測(cè)性能

對(duì)預(yù)測(cè)精度進(jìn)行了定性和定量評(píng)價(jià)。預(yù)測(cè)結(jié)果的代表性場(chǎng)景如圖6所示。

第一列顯示了從安裝在實(shí)驗(yàn)飛行器上的照相機(jī)上拍攝的照片；

第二列顯示預(yù)測(cè)的軌跡。橙色和藍(lán)色分別表示預(yù)測(cè)結(jié)果和真實(shí)軌跡。黑點(diǎn)序列表示軌跡圖；

第三列表示預(yù)測(cè)誤差，定義為每個(gè)預(yù)測(cè)時(shí)間步的真實(shí)位置與預(yù)測(cè)位置之間的歐氏距離；

最后一列表示由期望速度(橙色)、觀察到的過去速度(紅色)、擬合后的過去速度(綠色)和真速度(藍(lán)色)組成的速度圖。

真速度是根據(jù)當(dāng)前時(shí)間的真實(shí)位置與前一步和兩步的真實(shí)位置之間的差值來計(jì)算的。從彈道結(jié)果和速度圖中，我們發(fā)現(xiàn)預(yù)測(cè)的軌跡接近真實(shí)軌跡，考慮到觀測(cè)到的過去的速度，期望的速度形成了一條光滑的曲線。預(yù)測(cè)的軌跡沿軌跡圖彎曲，以期望的偏航速率。從圖6(A)和(B)中我們發(fā)現(xiàn)，我們的方法可以從任何位置預(yù)測(cè)跡。圖6(C)是一種涉及車輛和行人的互動(dòng)情景。

由于期望的速度在人行橫道上變得最小，當(dāng)有行人時(shí)，觀測(cè)到的過去的速度很低，所以預(yù)測(cè)的最小速度接近于零。另一方面，圖6(D)顯示了發(fā)生最嚴(yán)重錯(cuò)誤的場(chǎng)景。造成較大誤差的原因是車輛與行人的相互作用。如上所述，當(dāng)行人通過人行橫道時(shí)，我們的方法可以將最小速度降到接近于零的水平。然而，由于我們的方法沒有使用行人信息，另一名司機(jī)發(fā)動(dòng)車輛的意圖是不可知的。我們認(rèn)為，預(yù)測(cè)起步時(shí)間需要更多的周邊信息，例如行人的位置。

圖6.每行顯示典型場(chǎng)景的結(jié)果。第一列顯示攝像機(jī)圖像，第二列顯示軌跡結(jié)果。紅色和橙色矩形分別表示自我車輛和其他車輛。橙色和藍(lán)色軌跡分別顯示預(yù)測(cè)軌跡和真軌跡。紫色圓圈顯示行人。第三列為帶觀測(cè)誤差的預(yù)測(cè)誤差，第四列為由期望速度(橙色)、觀察到的過去速度(紅色)、擬合后的過去速度(綠色)和真速度(藍(lán)色)組成的速度圖。

其次，我們將我們的方法與其他速度模型進(jìn)行了定量比較。用四種方法進(jìn)行了比較：我們的方法，常加速運(yùn)動(dòng)模型，和之前的兩項(xiàng)工作[5]，[14]。[5]的方法是基于縱向加速度隨時(shí)間常數(shù)減小到零的假設(shè)。[14]方法基于軌跡圖的曲率生成所需的速度模型。為了使兩種方法進(jìn)行公平的比較，除了速度模型外，其它方法的實(shí)現(xiàn)都是相同的。圖4示出了預(yù)測(cè)誤差和速度誤差的平均值，達(dá)到了4.0秒。我們發(fā)現(xiàn)，該方法的預(yù)測(cè)誤差和速度誤差最小。本文提出的常加速運(yùn)動(dòng)模型和[5]提出的方法不能再現(xiàn)速度的變化，如減速和加速。文[14]提出的方法可以再現(xiàn)速度的變化，但該方法只考慮了曲率，表現(xiàn)得不夠。

另外，我們只對(duì)預(yù)測(cè)部分的精度進(jìn)行了評(píng)估。上述預(yù)測(cè)誤差包括由于車輛檢測(cè)和跟蹤而產(chǎn)生的觀測(cè)誤差。利用當(dāng)前時(shí)間的真實(shí)位置作為預(yù)測(cè)算法的輸入，重新計(jì)算預(yù)測(cè)誤差和速度誤差。每個(gè)錯(cuò)誤都在圖4(藍(lán)線)中繪制。4.0s預(yù)測(cè)層末有無觀測(cè)誤差的平均預(yù)報(bào)誤差分別為4.7m和4.3m。

B.評(píng)估速度控制點(diǎn)的位置

在我們的方法中，速度控制點(diǎn)被設(shè)置為最接近人行橫道的路徑點(diǎn)，因?yàn)樵谲囕v通過人行橫道之前，速度被認(rèn)為是最小的。在這一部分中，我們定量地描述了速度控制點(diǎn)是最佳位置的位置。以速度控制點(diǎn)的三個(gè)位置進(jìn)行比較，一個(gè)是最近的人行橫道，另一個(gè)是范圍的中心，包括曲率等于或超過閾值的路徑點(diǎn)，第三個(gè)是上述范圍的最后一點(diǎn)。

圖5顯示了速度控制點(diǎn)的每個(gè)位置和數(shù)據(jù)集的每個(gè)序列的預(yù)測(cè)誤差的平均值。最右邊的圖表示所有序列的平均值，并表明速度控制點(diǎn)的最佳位置是最接近人行橫道的路徑點(diǎn)。當(dāng)行人不存在時(shí)(seq 6，7)，在速度控制點(diǎn)設(shè)置到中心的情況下，精度略高。另一方面，當(dāng)行人存在時(shí)，速度控制點(diǎn)最接近人行橫道的情況下，速度控制點(diǎn)的精度較高。根據(jù)行人是否存在，可以改變速度控制點(diǎn)的位置。然而，在速度控制點(diǎn)設(shè)置到人行橫道的情況下，電動(dòng)汽車的安全性更高，因?yàn)橛袝r(shí)由于其他車輛的障礙物而無法檢測(cè)到行人。

Ⅵ結(jié)論

本文提出了一種城市交叉路口轉(zhuǎn)彎車輛軌跡預(yù)測(cè)方法。該方法提出了一種新的軌道預(yù)測(cè)速度模型，該模型考慮了所觀察到的速度和交叉口幾何形狀，如交叉角、拐角半徑、人行道的橫向距離和人行橫道的位置等。我們的方法的優(yōu)點(diǎn)是能夠預(yù)測(cè)在任何交點(diǎn)和任何位置的軌跡，我們的方法比其他預(yù)測(cè)方法具有更好的預(yù)測(cè)性能。

在今后的工作中，我們需要解決的問題是，當(dāng)車輛和行人之間發(fā)生相互作用時(shí)，預(yù)測(cè)誤差會(huì)變大。我們將根據(jù)車輛和行人的多重狀態(tài)，改進(jìn)產(chǎn)生期望速度的方法。