计算机实现的用于预测交通场景参与者轨迹的方法和系统与流程

本发明涉及一种计算机实现的用于预测交通场景的参与者的轨迹的方法和系统。为此，首先对特定于场景的信息进行聚合和处理，以便产生该交通场景的场景表达。真正的预测借助基于人工智能的ki预测模型进行，该ki预测模型使用所述场景表达，以便预测用于该交通场景的一个或者多个参与者的潜在未来轨迹。本发明的优选应用领域是自主驾驶。但是也能够考虑其他应用，例如在基于基础设施的交通引导系统的范畴内的应用或者在机器人技术的领域上的应用。

背景技术：

1、自主驾驶的任务在于，仅基于传感器(例如雷达、激光雷达和rgb摄像头)数据以及其他经聚合的特定于交通场景的信息(例如地图信息、交通状况信息、天气信息和道路状态信息)控制本车辆，使得尽可能快速地、舒适地且安全地到达目的地。在此，本车辆应尽可能遵守所有交通规则，并且完全不造成与其他交通参与者或对象的碰撞。该任务可以细分为子任务——感知、预测、规划和控制。

2、感知的任务在于，从大量经聚合的传感器数据和其他特定于场景的信息中提取“相关的”信息。这包括对象识别以及对识别出的对象或参与者的位置和运动状态的确定。对识别出的对象的分类也是相关的，例如分类为静态对象和动态对象、分类为基础设施元件和交通参与者、分类为车辆和行人等。基于提取出的相关信息，生成该交通场景的场景表达。预测的任务在于，基于该场景表达预告或估计场景中的动态对象的未来位置——即轨迹。在规划时使用预测的结果，以便求取用于本车辆的通向目标的且尽可能安全的轨迹。然后，控制的任务在于，通过适当地操控车辆执行机构来实施或调整该轨迹。

3、通常，在预测时，单个地预测识别出的和所观察的每个参与者的未来行为。在此，基于场景表达的情境信息，预测所观察的参与者预期将遵循的至少一个轨迹。所述情境信息除了地图信息之外通常还包括关于交通场景的过去发展的信息，例如其他交通参与者和基础设施的在观察视野内在过去所收集的位置和状态。但是，由于所观察的参与者的目标自然是未知的，因此，预告单个行为、即唯一的轨迹，通常是不足够的。取而代之地，对于一个参与者，预告固定数量的(通常6到10个)潜在的未来轨迹。

4、已知的是，将基于ki的预测模型用于预测。在此，通常在笛卡尔坐标系中示出该场景表达的情境信息，该笛卡尔坐标系的原点是所观察的车辆的后桥的中心点或者重心。通常在该本地坐标系中还示出参与者的所预测的轨迹。

5、此外已知的是，在frenet坐标系中示出交通参与者的单个轨迹。在此，作为沿着参考线的路程并且作为横向于该参考线的偏差示出位置。在下文中，frenet坐标系的参考系也被称为参考路径。

技术实现思路

1、根据本发明，提出一种计算机实现的用于预测交通场景的至少一个参与者的至少一个轨迹的方法，

2、-其中，基于经聚合的、特定于场景的信息产生所述交通场景的场景表达，并且

3、-其中，基于所述场景表达在使用预训练的ki预测模型的情况下预测用于所述至少一个参与者的至少一个轨迹，

4、其中，

5、-确定所述参与者的当前位置和所述参与者当前所在的当前行道区段，

6、-将所述场景表达变换到至少一个frenet坐标系中，其中，所述当前行道区段确定用于frenet变换的相应参考路径的至少一个区段，和

7、-所述预测以所述交通场景的所得出的至少一个frenet表达作为基础。

8、提出能够结合基于ki的预测模型使用frenet表达的措施。根据本发明的预测方法受益于frenet变换的优点，并且可以同时使用最新且最准确的ki预测模型，因为不需要对场景表达的各个情境信息进行特殊建模。

9、根据本发明，这通过下述方式实现，首先确定应为其预测轨迹(trajektorie)的参与者的当前位置。对参与者的当前位置的确定可以例如通过对传感器数据的分析处理来实现。此外，确定该参与者当前所在的当前行道区段。在此，当该参与者是车辆时，例如车行道或行驶道路的区段被称为行道区段。在行人的情况下，行道区段也能够指的是人行道的区段、例如人行横道。在任何情况下，交通场景的地图中的行道区段通常被记录为能够驶过的或能够走过的路段区段。对当前行道区段的确定可以与位置确定无关地同样基于传感器数据进行。但是，当前行道区段也可以简单地通过当前位置与相应地图信息的配属来确定。

10、根据本发明，整个场景表达被变换到至少一个frenet坐标系中。在此，通过当前行道区段确定相应的frenet变换所需要的参考路径的至少一个区段。因此，例如当前行道区段的中心线或者侧边界线能够用作该frenet变换的参考路径的区段。然后，整个交通场景的带有所有情境信息的所得出的frenet表达以基于ki的预测作为基础。即，根据本发明，交通场景的frenet表达形成用于为此目的被预训练的ki预测模型的输入。

11、通过以根据本发明的方式将情境信息变换到frenet坐标系中，实现分解为沿着行道(spur)的纵向运动和横向运动。因此，可以明显提高预测模型的稳健性和通用化能力。通过变换整个场景或场景表达，能够在不进行附加的模型改变的情况下应用现有的ki预测模型。

12、在根据本发明的方法的一种优选的实施方式中，除了当前位置和当前行道区段之外，也还确定用于参与者的至少一个行道序列(spursequenz)。行道序列始终包括当前行道区段，并且附加地包括当前行道区段的可能的延续、即从当前位置和当前行道区段出发能够经过的路程。但是，借助不同的行道序列，不仅能够描述参与者的不同路线选项，还能够描述不同的驾驶机动动作，例如“在车行道上行驶”或者“通过变道进行的超车机动动作”。然后，在预测时通过下述方式考虑参与者的确定的路线选项或行为选项：相应的行道序列确定用于场景表达的frenet变换的参考路径。如前所述，可以例如将行道序列的中心线用作参考路径。

13、借助该方式，也可以简单地在预测时考虑参与者的多个不同的路线选项和行为选项，其方式是，对于相应的行道序列中的每个行道序列，产生场景表达的自身的frenet变换。对于这些frenet变换中的每个frenet变换，使用自身的参考路径，该参考路径通过相应的行道序列来确定。特别有利的是，对于该交通场景的所有所得出的frenet表达，可以使用相同的预训练的ki预测模型，以便预测用于该参与者的轨迹。

14、有利地，为此使用如下ki预测模型：该ki预测模型借助具有至少一个参与者的不同交通场景的经frenet变换的训练表达被训练，其中，对于每个训练表达，该交通场景的参与者的未来轨迹作为基准真值(ground truth)是已知的。对于每个训练表达，产生仅一个frenet表达。对于相应的frenet变换，使用尽可能近似于基准真值的行道序列的参考路径。即，该参考路径在此基本上通过待学习的回归目标被预给定。

15、根据本发明，ki预测模型生成轨迹作为对交通场景的参与者的未来行为的预测。原则上，这些轨迹可以在任意坐标系中输出。所预测的轨迹的表达基本上通过基准真值的表达在训练ki预测模型时被确定。在最简单的情况下，借助ki预测模型进行的预测分别在交通场景的作为基础的frenet表达的frenet坐标系中提供轨迹。例如，当观察者与所观察的参与者遵循相同的轨迹时，例如在车队行驶的情况中那样，这被证明为是有利的。

16、在根据本发明的方法的一种扩展方案中，所预测的轨迹被变换到对比坐标系中，例如被变换到交通场景的进行观察的参与者的本地笛卡尔坐标系中。如果在相同的坐标系中示出所预测的所有轨迹，则可以在规划进行观察的参与者的轨迹时更简单地使用所述轨迹。

17、根据本发明，一种计算机实现的用于执行上述预测方法的系统包括：

18、-感知层面，用于聚合来自不同信息源的特定于场景的信息，

19、-分析处理模块，用于生成当前交通场景的场景表达，

20、-定位模块，用于确定参与者的当前位置和该参与者当前所在的当前行道区段，

21、-第一变换模块，用于将所述场景表达变换到至少一个frenet坐标系中，其中，所述当前行道区段确定用于frenet变换的相应参考路径的至少一个区段，和

22、-预训练的ki预测模型，所述预训练的ki预测模型基于当前交通场景的至少一个frenet表达来预测用于该参与者的至少一个轨迹。

23、在下文中，结合附图更详尽地阐述这样的系统的作用原理和本发明的有利的实施方式和扩展方案。

24、最后，本发明还涉及一种用于训练这样的系统的ki预测模型的方法。为此，使用具有至少一个参与者的不同交通场景的训练表达，其中，对于每个训练表达，参与者的未来轨迹作为基准真值是已知的。对于每个训练表达，实施下述步骤：

25、-确定该参与者的当前位置、该参与者当前所在的当前行道区段和至少一个行道序列，所述行道序列包括当前行道区段和当前行道区段的可能的延续，

26、-选出最近似于基准真值的行道序列，

27、-将训练表达变换到frenet坐标系中，其中，所选出的行道序列确定用于frenet变换的参考路径，

28、-将所得出的frenet表达用作用于待训练的ki预测模型的输入，用于预测至少一个轨迹，

29、-将至少一个所预测的轨迹与基准真值进行比较，并且根据比较结果修正(modifizieren)该ki预测模型。