技术特征：
1.一种用于轨迹预测的计算机实现的方法，其特征在于，所述方法包括：从安装在车辆上的至少一个传感器获取针对所述车辆周围的对象的传感器数据；将所获取的传感器数据馈入混合预测器中，所述混合预测器包括各自具有由所述混合预测器指派的权重的多个预测器，其中所述多个预测器至少包括自由空间预测器和基于道路模型的预测器；对于当前时刻，所述多个预测器中的每一者基于来自所述至少一个传感器的历史传感器数据来给出其自己针对从所述当前时刻起的预定时间段的预测；所述混合预测器确定所述多个预测器中的每一者的可靠性；所述混合预测器基于由所述多个预测器中的每一者给出的相应预测以及所述多个预测器中的每一者的可靠性来输出针对从所述当前时刻起的预定时间段的加权混合预测，其中将更大的权重指派给在前一个或多个时刻给出更好预测的预测器；以及基于所述加权混合预测来提供所预测的轨迹。2.根据权利要求1所述的方法，其特征在于，所述混合预测器进一步包括静态对象分类器，并且所述方法进一步包括：在所述多个预测器中的每一者给出其自己的预测之前，将所获取的传感器数据馈入所述静态对象分类器以将所述对象分类成静态或非静态。3.根据权利要求2所述的方法，其特征在于，进一步包括：响应于所述静态对象分类器将所述对象分类成静态，基于所述对象的静态状态来直接提供所预测的轨迹。4.根据权利要求2或3所述的方法，其特征在于，进一步包括：响应于所述静态对象分类器将所述对象分类成非静态，在将所述传感器数据馈入所述混合预测器之前平滑所述传感器数据。5.根据权利要求4所述的方法，其特征在于，平滑所述传感器数据包括使用卡尔曼滤波器来平滑所述传感器数据。6.根据前述权利要求中任一项所述的方法，其特征在于，所述自由空间预测器是基于rnn的预测器。7.根据前述权利要求中任一项所述的方法，其特征在于，进一步包括：在提供所预测的轨迹之前从所述加权混合预测中丢弃异常值。8.根据前述权利要求中任一项所述的方法，其特征在于，所述对象包括以下各项中的任一项：行人，滑板车，自行车，汽车，卡车，或公共汽车。9.一种轨迹预测装置，其特征在于，所述轨迹预测装置包括：传感器数据获取模块，所述传感器数据获取模块被配置成从安装在车辆上的至少一个传感器获取针对车辆周围对象的传感器数据；
混合预测器，所述混合预测器包括各自具有由所述混合预测器指派的权重的多个预测器，其中所述多个预测器至少包括自由空间预测器和基于道路模型的预测器，并且所述混合预测器被配置成：从所述传感器数据获取模块接收所述传感器数据；对于当前时刻，使用所述自由空间预测器和所述基于道路模型的预测器基于来自所述至少一个传感器的历史传感器数据来各自给出其自己针对从所述当前时刻起的预定时间段的预测；确定所述多个预测器中的哪个预测器给出了更接近所述对象在前一个或多个时刻的实际运动的更好的预测；以及基于由所述多个预测器中的每一者针对所述当前时刻给出的相应预测来输出针对从所述当前时刻起的预定时间段的加权混合预测，其中将更大的权重指派给在所述前一个或多个时刻给出更好预测的那一个预测器；以及轨迹预测模块，所述轨迹预测模块被配置成基于所述加权混合预测来提供所预测的轨迹。10.根据权利要求9所述的轨迹预测装置，其特征在于，所述混合预测器进一步包括静态对象分类器，所述静态对象分类器被配置成将所述对象分类成静态或非静态，并且其中所述轨迹预测模块被配置成响应于所述静态对象分类器将所述对象分类成静态，基于所述对象的静态状态来直接提供所预测的轨迹。11.根据权利要求10所述的轨迹预测装置，其特征在于，所述静态对象分类器被进一步配置成响应于所述静态对象分类器将所述对象分类成非静态，在将所述传感器数据馈入所述混合预测器之前平滑所述传感器数据。12.根据权利要求9
‑
11中任一项所述的轨迹预测装置，其特征在于，所述自由空间预测器是基于rnn的预测器。13.根据权利要求9
‑
12中任一项所述的轨迹预测装置，其特征在于，所述轨迹预测模块被配置成在提供所预测的轨迹之前从所述加权混合预测中丢弃异常值。14.根据权利要求9
‑
13中任一项所述的轨迹预测装置，其特征在于，所述对象包括以下各项中的任一项：汽车，行人，自行车，或滑板车。15.一种车辆，其特征在于，所述车辆包括：至少一个传感器，所述至少一个传感器被配置成捕捉针对所述车辆周围的对象的感测数据；根据权利要求9
‑
14中任一项所述的轨迹预测装置；以及决策模块，所述决策模块被配置成基于由所述轨迹预测装置预测的所述车辆周围的对象的轨迹来做出车辆控制决策。
技术总结
本公开的各示例描述了一种用于轨迹预测的方法、装置和车辆。该方法包括：从安装在车辆上的至少一个传感器获取针对车辆周围对象的传感器数据(502)；将所获取的传感器数据馈入混合预测器中，该混合预测器包括各自具有由该混合预测器指派的权重的多个预测器，其中该多个预测器至少包括自由空间预测器和基于道路模型的预测器(504)；对于当前时刻，该多个预测器中的每一者基于来自该至少一个传感器的历史传感器数据来给出其自己针对从当前时刻起的预定时间段的预测(506)；该混合预测器确定该多个预测器中的每一者的可靠性(508)；该混合预测器基于由该多个预测器中的每一者给出的相应预测以及该多个预测器中的每一者的可靠性来输出针对从当前时刻起的预定时间段的加权混合预测，其中将更大的权重指派给在前一个或多个时刻给出更好预测的预测器(510)；以及基于加权混合预测来提供所预测的轨迹(512)。(512)。(512)。
技术研发人员：M
受保护的技术使用者：宝马股份公司
技术研发日：2019.02.15
技术公布日：2021/9/27