一种井工况下盲区的障碍物的轨迹预测方法

本发明涉及自动驾驶，具体为一种井工况下盲区的障碍物的轨迹预测方法。

背景技术：

1、无人驾驶系统的核心模块包含感知模块、预测模块、决策规划模块、控制模块以及高精度定位模块等。其中，预测模块主要用于根据环境感知的结果，负责对车辆、行人及其他障碍物未来一段时间的轨迹进行预测，并将预测结果发布给决策规划模块或控制模块使用。预测结果的实时性和准确性将直接决定无人驾驶车辆和交通参与者的安全。

2、传统深度学习方法在预测障碍物轨迹时通常依赖于预先训练的模型。这些模型基于结构化道路场景的大量数据进行训练，包括详细的地图信息和不同类型障碍物的标注数据。然而，当无人驾驶车辆进入井工况中，由于井道光线昏暗不均匀，井下岔路多，灰尘大且潮湿的环境限制，再加上其他目标的遮挡，井下定位精度较差，传感器的探测范围的限制，存在无法有效探测目标障碍物的监测盲区，这会导致预训练模型的预测精度可能会显著下降，因为这些场景往往具有更大的不确定性和复杂性，使得障碍物的运动趋势更难以准确预测。

3、因此，目前对于井工况下盲区的障碍物的轨迹预测，缺乏对考虑定位精度和复杂环境干扰的有效手段和方法，预测准确度低，鲁棒性差，安全得不到有效保障。而本技术能够解决上述缺陷并取得较好的预测结果。

技术实现思路

1、本发明的目的在于：提供一种井工况下盲区的障碍物的轨迹预测方法，以解决以上缺陷。

2、为了实现上述目的，本发明提供如下技术方案：

3、一种井工况下盲区的障碍物的轨迹预测方法，包括以下步骤：

4、s100、获取并处理车辆自身位置、井下巷道环境信息和待进入盲区目标障碍物的类型信息和运动信息；

5、s200、判断待进入盲区目标障碍物是否会进入探测盲区；

6、s300、若待进入盲区目标障碍物进入探测盲区，根据井下空间环境信息、待进入盲区目标障碍物的类型信息和运动信息以及井下空间运动限制条件确定待进入盲区目标障碍物在探测盲区内的运动约束区；

7、s400、确定遮挡车辆、同车道及对向车道车辆和路基设备的遮挡区域和探测范围确定探测盲区的初始范围，利用卡尔曼滤波预测下一时刻位置和速度并更新盲区范围；

8、s500、将采集到的实时数据和盲区预测范围数据同步输入训练好的dqn深度强化学习模型；

9、s600、将深度强化学习模型预测的轨迹作为改进卡尔曼滤波的观测值，结合扩展卡尔曼滤波算法进一步预测盲区内目标障碍物的轨迹。

10、优选地，在步骤s100中，通过无人驾驶系统的搭载有车载uwb技术的定位模块和可控传感器感知模块，获取并处理车辆的当前感知信息；通过搭载有车载uwb技术的定位模块的定位系统以及可控传感器感知模块的可控传感器，获取车辆周边井下巷道环境信息、待进入盲区目标障碍物的类型信息和运动信息；

11、所述当前感知信息，包括车辆自身位置、车辆周边的井下空间环境信息、待进入盲区目标障碍物的类型信息和运动信息，这些信息包括判断类型为井下工作人员和其他无人驾驶的车辆以及它们对应的物理尺寸、运动速度和加速度信息；

12、所述井下巷道环境信息，包括巷道交通标识信息、交通线信息和巷道限制区信息生成三维地图。

13、优选地，所述s300步骤，具体如下：

14、若待进入盲区目标障碍物进入探测盲区，则根据井下空间环境信息、待进入盲区目标障碍物的类型信息和运动信息以及井下空间运动限制条件确定待进入盲区目标障碍物在探测盲区内的运动约束区和井下对应待进入盲区目标障碍物的运动约束边界条件，从而具备预测待进入盲区目标障碍物在探测盲区内的运动趋势的条件。

15、优选地，所述s400步骤，具体如下：

16、由于无人驾驶车辆的位置和速度的变化会影响盲区的范围，采用卡尔曼滤波预测车辆的下一时刻位置和速度，并更新盲区范围；

17、令车辆状态其中xk,yk是车辆的位置，是车辆的速度，根据探测范围和遮挡区域确定探测盲区的初始范围：

18、

19、式中，θ1和θ2分别是探测盲区的扇形区域的起始角和终止角，x表示车辆中心在车辆坐标系下横向位置坐标，y表示车辆中心在车辆坐标系下纵向位置坐标，r表示探测盲区扇形区域半径，xt表示探测最远感知范围端点横坐标，yt表示探测最远感知范围端点纵坐标，ω表示探测盲区初始范围；

20、盲区范围区域通过下式进行计算，从而得到盲区更新范围用ωnew表示，ωnew包括盲区中心位置(xblind,k+1,yblind,k+1)、盲区半径rk+1和角度范围(θ1,k+1,θ2,k+1)；

21、更新盲区范围，预测盲区中心位置：

22、

23、式中，xblind,k+1和yblind,k+1表示在k+1时刻探测盲区中心位置坐标，xk+1和yk+1表示在k+1时刻车辆中心位置坐标，θk+1表示在k+1时刻终止角与起始角的差值即盲区扇形中心角；

24、更新盲区半径和角度范围：

25、

26、式中，rk+1表示在k+1时刻探测盲区扇形区域半径，rk表示在k时刻探测盲区扇形区域半径，表示车辆在k+1时刻的速度。

27、优选地，在s500步骤中，通过无人驾驶车辆上的监测设备将采集到的实时数据和盲区预测范围数据同步输入训练好的dqn深度强化学习模型中，分别进行数据预测分析，具体包括以下步骤：

28、s501、状态向量作为信息输入包括无人驾驶车辆和待进入盲区目标障碍物的位置信息、速度信息及盲区更新预测范围；动作空间a包括无人驾驶车辆的控制指令包括加速度及方向和转向角；使用深度神经网络dnn来近似dqn函数，输入层设置为状态向量s，输出层为动作空间q值，而隐藏层将两层全连接层，每层128个神经元并设置激活函数relu；

29、s502、采用深度q网络算法训练模型选择动作a＝argmaxq(s,a,ρ),其中ρ是神经网络权重；通过更新为车辆提供在给定状态下采取选择的动作的预期价值估计并输出每个可能动作的q值；

30、s503、在模拟环境中初始化状态s0，并在每个时间步长t使用ε-greedy策略选择动作；通过执行动作at，获得新的状态st+1，存储转换(st,at,rt,st+1)，然后计算目标q值；

31、s504、更新神经网络权重ρ以最小化损失，定期将神经网络权重ρ复制到目标网络ρ-中：ρ-←ρ。

32、优选地，在s600步骤中，在指定时间内，根据待进入盲区目标障碍物在每一个感知信息中的运动观测数据信息，通过深度强化学习模型训练并进行目标障碍物运动轨迹预测，得到预测的状态向量xdqn和目标障碍物的初始预测轨迹结果，并作为改进卡尔曼滤波的观测值zk即xdqn＝zk，具体包括以下步骤：

33、s601、通过指定运动模型根据当前感知信息与上一感知信息之间的获取时间间隔δt，确定用于预测待进入盲区目标障碍物在下一感知信息中运动变化的状态转移矩阵；

34、s602、通过状态转移矩阵f′对状态矩阵xk更新，得到目标障碍物在下一感知信息中的状态矩阵xk|k-1＝f′xk-1|k-1；根据状态转移矩阵f′和预置的过程噪声协方差矩阵q′，对预置的初始协方差矩阵p′进行更新，得到更新后的协方差矩阵：pk′k-1＝f′pk′-1|k-1f′t+q′；

35、s603、根据预测的协方差矩阵pk′k-1和观测模型计算最佳卡尔曼增益kk′，具体公式如下：

36、kk′＝pk′-1|k-1h′t(h′pk′-1|k-1h′t+r′)-1，

37、式中，r′为测量噪声协方差矩阵，为观测矩阵；

38、s604、根据实际观测值zk和预测状态向量xk|k-1更新状态向量xk|k，具体公式如下：

39、

40、s605、根据状态转移矩阵f′和预置的过程噪声协方差矩阵q′，对预置的初始协方差矩阵p′进行更新，得到更新后的协方差矩阵：

41、pk′k＝(i-kk′h′)pk′k-1；

42、利用更新后的状态向量预测目标障碍物在盲区内的轨迹包括位置、速度和转向角分别通过下列公式计算：

43、

44、

45、得到预测目标障碍物在盲区内的轨迹包括目标障碍物k+1时刻的位置速度和转向角并将得到的预测结果发布给决策规划模块和控制模块使用。

46、本发明的有益效果在于：

47、本发明一种井工况下盲区的障碍物的轨迹预测方法，采用多个可控传感器和搭载uwb技术的无线定位系统的感知模块和定位模块，能够消除井下定位信号差、井道光线昏暗不均匀等因素造成的干扰；判断待进入盲区目标障碍物是否会进入盲区，并引入卡尔曼滤波算法预测随着无人驾驶车辆的行驶而不断变化的盲区范围；结合实时感知数据信息和预测盲区范围数据同步输入训练好的dqn深度强化学习模型中，采用深度q网络(dqn)算法实现快速响应生成实时更新预测并利用策略进行动作选择，提升模型的泛化能力和初始轨迹预测的鲁棒性，结合扩展卡尔曼滤波算法预测目标位置信息，提高了在井下这种复杂动态环境中目标障碍物轨迹的预测准确性和预测精度。由于现有技术缺乏对考虑定位精度和复杂环境干扰的有效手段和方法，预测准确度差，鲁棒性低，安全得不到有效保障。本发明方法，实现了井工况下盲区的障碍物的轨迹预测，在复杂和不确定环境下的预测精度高，增强模型的鲁棒性和适应性，并确保在感知受限的遮挡条件下车辆行驶的安全性。