本发明涉及智能驾驶，更具体地涉及一种目标选择方法及系统。
背景技术：
1、随着汽车行业的迅猛发展，汽车保有量迅速攀升，行车安全也越来越受到重视，这也推动了汽车安全技术的发展，尤其是主动安全辅助系统的发展，给安全驾驶提供了有力保障。目前主动安全辅助系统包含了纵向辅助系统和横向辅助系统，其中纵向辅助控制系统主要是负责与前方车辆保持安全间距并对自车速度进行控制，增加了驾驶的舒适性和安全性，这都依赖于准确、迅速地识别自车道前方的目标车辆，因此目标选择是纵向辅助控制系统技术的核心和关键，对自车前方的关键目标进行有效识别具有重大的理论研究意义。然而目标选择的稳定性和准确度会受到自车行驶轨迹的影响，轨迹的精度将直接影响目标选择的性能，在复杂道路工况下，随着距离增加道路曲率也会发生较大变化，自车的轨迹无法跟随匹配远处目标车辆的行驶曲率，极易造成目标选择错误。
2、现有的目标选择算法不能很好地覆盖自车与前方目标车处于不同曲率半径路段的情况，在复杂路况时容易出现目标漏选或误选，导致对车辆的安全驾驶存在诸多不利影响和隐患。
技术实现思路
1、本发明的目的在于提供一种目标选择方法及系统，基于多源数据融合对自车的行驶轨迹进行修正，提高自车与目标车辆行驶在不同弯道半径工况下的目标选择精度，从而增加驾驶的安全性和舒适性。
2、基于上述目的，本发明一方面提供一种目标选择方法，包括：
3、根据自车当前时刻的前轮转角和横摆角速度预测自车的动力学轨迹；
4、将雷达测得的道路边界点云和摄像头测得的道路边界图像进行融合，得到融合后的道路边界曲线；并根据所述融合后的道路边界曲线得到基于道路边界的自车轨迹；
5、根据雷达测得的多个目标车辆在当前时刻的自车坐标系下的历史行驶轨迹获取基于目标车辆的自车轨迹；
6、根据摄像头拍摄的车道线图像得到车道线轨迹，并基于所述车道线轨迹获取基于车道线的自车轨迹；
7、对所述自车的动力学轨迹、所述基于道路边界的自车轨迹、所述基于目标车辆的自车轨迹和所述基于车道线的自车轨迹进行融合，得到融合后的自车轨迹；
8、根据所述融合后的自车轨迹从各目标车辆中选择符合预设要求的目标车辆，作为选中目标。
9、进一步地，根据自车当前时刻的前轮转角和横摆角速度预测自车的动力学轨迹，具体包括：
10、以自车当前时刻的前轮转角为观测量，动力学轨迹的第一曲率和第一曲率相对时间的变化率为状态量，利用卡尔曼滤波算法预测动力学轨迹的第一曲率；
11、以自车当前时刻的横摆角速度和预测到的动力学轨迹的第一曲率为观测量，以动力学轨迹的第二曲率和第二曲率相对时间的变化率为状态量，利用卡尔曼滤波算法预测动力学轨迹的第二曲率；
12、根据车辆动力学的二自由度车辆稳态转向模型，计算得到自车当前时刻的第一质心侧偏角；
13、根据车辆的运动学表征，得到自车在当前时刻的第二质心侧偏角；
14、将第一质心侧偏角和第二质心侧偏角进行融合，得到融合后的质心侧偏角；
15、根据所述第二曲率和所述融合后的质心侧偏角得到自车的动力学轨迹。
16、进一步地，将雷达测得的道路边界点云和摄像头测得的道路边界图像进行融合，得到融合后的道路边界曲线；并根据所述融合后的道路边界曲线得到基于道路边界的自车轨迹，具体包括：
17、根据所述道路边界点云得到基于雷达的道路边界的曲率、曲率变化率、航向角和横向位置；
18、根据基于雷达的道路边界的曲率、曲率变化率、航向角和横向位置得到基于雷达的道路边界曲线；
19、根据道路边界图像得到基于摄像头的道路边界的曲率、曲率变化率、航向角和横向位置；
20、根据摄像头的道路边界的曲率、曲率变化率、航向角和初始横向位置得到基于摄像头的道路边界曲线；
21、将所述基于雷达的道路边界曲线和所述基于摄像头的道路边界曲线进行融合，得到融合后的道路边界曲线；
22、将所述融合后的道路边界曲线平移至经过自车坐标系的原点，得到基于道路边界的自车轨迹。
23、进一步地，将所述基于雷达的道路边界曲线和所述基于摄像头的道路边界曲线进行融合，得到融合后的道路边界曲线，具体包括：
24、在所述基于雷达的道路边界曲线上以第一预设间隔采集第一预设数量的第一采样点；
25、在所述基于摄像头的道路边界曲线上以所述第一预设间隔采集所述第一预设数量的第二采样点；
26、对于每一个第一采样点，将该第一采样点的y坐标和与该第一采样点的x坐标相同的第二采样点的y坐标进行融合，得到该第一采样点的x坐标对应的融合后的y坐标；
27、将各第一采样点的x坐标及其对应的融合后的y坐标拟合得到融合后的道路边界曲线。
28、进一步地，根据雷达测得的多个目标车辆在当前时刻的自车坐标系下的历史行驶轨迹获取基于目标车辆的自车轨迹，具体包括：
29、以最小化各目标车辆的历史行驶轨迹上的所有相邻两个位置点到所述基于目标车辆的自车轨迹的距离之差的平均值为优化目标，对基于目标车辆的自车轨迹的曲率进行优化，得到优化后的基于目标车辆的自车轨迹的曲率；
30、基于优化后的基于目标车辆的自车轨迹的曲率得到基于目标车辆的自车轨迹。
31、进一步地，对自车的动力学轨迹、基于道路边界的自车轨迹、基于目标车辆的自车轨迹和基于车道线的自车轨迹进行融合，得到融合后的自车轨迹，具体包括：
32、从基于道路边界的自车轨迹、基于目标车辆的自车轨迹和基于车道线的自车轨迹中选取有效轨迹；
33、获取最长的有效轨迹的长度，作为第一长度，并在所述第一长度内将所述自车的动力学轨迹与所述最长的有效轨迹进行融合，得到所述第一长度的第一融合轨迹；
34、获取最短的有效轨迹的长度，作为第二长度，并在所述第二长度内将所述自车的动力学轨迹与所有的有效轨迹进行融合，得到所述第二长度的第二融合轨迹；
35、将所述第一长度的第一融合轨迹和所述第二长度的第二融合轨迹进行融合，得到所述第一长度的第三融合轨迹，作为所述融合后的自车轨迹。
36、进一步地，在所述第一长度内将所述自车的动力学轨迹与所述最长的有效轨迹进行融合，得到所述第一长度的第一融合轨迹，具体包括：
37、在所述第一长度内按第二预设间隔采集第二预设数量个第三采样点，并在所述第一长度内按所述第二预设间隔采集所述第二预设数量个第四采样点；
38、针对每一个第三采样点，将该第三采样点的y坐标和与该第三采样点的x坐标相同的第四采样点的y坐标进行融合，得到该第三采样点的x坐标对应的融合后的y坐标；
39、对各第三采样点的x坐标及其对应的融合后的y坐标进行拟合，得到第一长度的第一融合轨迹。
40、进一步地，在所述第二长度内将所述自车的动力学轨迹与所有的有效轨迹进行融合，得到所述第二长度的第二融合轨迹；具体包括：
41、在所述第二长度内将自车的动力学轨迹与第一条有效轨迹进行融合，得到所述第二长度的第一轨迹；
42、在所述第二长度内将所述第一轨迹与第二条有效轨迹进行融合，得到所述第二长度的第二轨迹；
43、在所述第二长度内将所述第二轨迹与第三条有效轨迹进行融合，得到所述第二长度的第二融合轨迹。
44、进一步地，将所述第一长度的第一融合轨迹和所述第二长度的第二融合轨迹进行融合，得到所述第一长度的第三融合轨迹，作为所述融合后的自车轨迹，具体包括：
45、将所述第一长度的第一融合轨迹分割为第一段和第二段，其中所述第一段的长度为第二长度，且起始点为原点；
46、在所述第一段以第三预设间隔采集第三预设数量个第五采样点，并在所述第二融合轨迹上以所述第三预设间隔采集所述第三预设数量个第六采样点；
47、对于每个第五采样点，将该第五采样点的y坐标和与该第五采样点的x坐标相同的第六采样点的y坐标融合，得到该第五采样点的x坐标对应的融合后的y坐标；
48、对各第五采样点的x坐标及其对应的融合后的y坐标进行拟合，得到第二长度的第三融合轨迹；
49、将所述第二段平移至经过所述第二长度的第三融合轨迹的末端点，得到平移后的第二段；
50、将所述平移后的第二段和所述第二长度的第三融合轨迹拼接，得到所述第一长度的第三融合轨迹。
51、进一步地，根据所述融合后的自车轨迹从各目标车辆中选择符合预设要求的目标车辆，作为选中目标，具体包括：
52、根据所述融合后的自车轨迹确定感兴趣区域；
53、针对各目标车辆中的每一辆，根据该目标车辆在当前时刻的位置确定该目标车辆是否在感兴趣区域内，若是，则将该目标车辆选为感兴趣目标；
54、选择距离融合后的自车轨迹最近的感兴趣目标，作为选中目标。
55、本发明另一方面提供一种目标选择系统，包括：
56、预测模块，用于根据自车当前时刻的前轮转角和横摆角速度预测自车的动力学轨迹；
57、第一融合模块，用于将雷达测得的道路边界点云和摄像头测得的道路边界图像进行融合，得到融合后的道路边界曲线；并根据所述融合后的道路边界曲线得到基于道路边界的自车轨迹；
58、第一获取模块，用于根据雷达测得的多个目标车辆在当前时刻的自车坐标系下的历史行驶轨迹获取基于目标车辆的自车轨迹；
59、第二获取模块，用于根据摄像头拍摄的车道线图像得到车道线轨迹，并基于所述车道线轨迹获取基于车道线的自车轨迹；
60、第二融合模块，用于对所述自车的动力学轨迹、所述基于道路边界的自车轨迹、所述基于目标车辆的自车轨迹和所述基于车道线的自车轨迹进行融合，得到融合后的自车轨迹；
61、选择模块，用于根据所述融合后的自车轨迹从各目标车辆中选择符合预设要求的目标车辆，作为选中目标。
62、进一步地，根据自车当前时刻的前轮转角和横摆角速度预测自车的动力学轨迹，具体包括：
63、以自车当前时刻的前轮转角为观测量，动力学轨迹的第一曲率和第一曲率相对时间的变化率为状态量，利用卡尔曼滤波算法预测动力学轨迹的第一曲率；
64、以自车当前时刻的横摆角速度和预测到的动力学轨迹的第一曲率为观测量，以动力学轨迹的第二曲率和第二曲率相对时间的变化率为状态量，利用卡尔曼滤波算法预测动力学轨迹的第二曲率；
65、根据车辆动力学的二自由度车辆稳态转向模型，计算得到自车当前时刻的第一质心侧偏角；
66、根据车辆的运动学表征，得到自车在当前时刻的第二质心侧偏角；
67、将第一质心侧偏角和第二质心侧偏角进行融合，得到融合后的质心侧偏角；
68、根据所述第二曲率和所述融合后的质心侧偏角得到自车的动力学轨迹。
69、进一步地，将雷达测得的道路边界点云和摄像头测得的道路边界图像进行融合，得到融合后的道路边界曲线；并根据所述融合后的道路边界曲线得到基于道路边界的自车轨迹，具体包括：
70、根据所述道路边界点云得到基于雷达的道路边界的曲率、曲率变化率、航向角和横向位置；
71、根据基于雷达的道路边界的曲率、曲率变化率、航向角和横向位置得到基于雷达的道路边界曲线；
72、根据道路边界图像得到基于摄像头的道路边界的曲率、曲率变化率、航向角和横向位置；
73、根据摄像头的道路边界的曲率、曲率变化率、航向角和初始横向位置得到基于摄像头的道路边界曲线；
74、将所述基于雷达的道路边界曲线和所述基于摄像头的道路边界曲线进行融合，得到融合后的道路边界曲线；
75、将所述融合后的道路边界曲线平移至经过自车坐标系的原点，得到基于道路边界的自车轨迹。
76、进一步地，根据雷达测得的多个目标车辆在当前时刻的自车坐标系下的历史行驶轨迹获取基于目标车辆的自车轨迹，具体包括：
77、以最小化各目标车辆的历史行驶轨迹上的所有相邻两个位置点到所述基于目标车辆的自车轨迹的距离之差的平均值为优化目标，对基于目标车辆的自车轨迹的曲率进行优化，得到优化后的基于目标车辆的自车轨迹的曲率；
78、基于优化后的基于目标车辆的自车轨迹的曲率得到基于目标车辆的自车轨迹。
79、进一步地，对自车的动力学轨迹、基于道路边界的自车轨迹、基于目标车辆的自车轨迹和基于车道线的自车轨迹进行融合，得到融合后的自车轨迹，具体包括：
80、从基于道路边界的自车轨迹、基于目标车辆的自车轨迹和基于车道线的自车轨迹中选取有效轨迹；
81、获取最长的有效轨迹的长度，作为第一长度，并在所述第一长度内将所述自车的动力学轨迹与所述最长的有效轨迹进行融合，得到所述第一长度的第一融合轨迹；
82、获取最短的有效轨迹的长度，作为第二长度，并在所述第二长度内将所述自车的动力学轨迹与所有的有效轨迹进行融合，得到所述第二长度的第二融合轨迹；
83、将所述第一长度的第一融合轨迹和所述第二长度的第二融合轨迹进行融合，得到所述第一长度的第三融合轨迹，作为所述融合后的自车轨迹。
84、进一步地，根据所述融合后的自车轨迹从各目标车辆中选择符合预设要求的目标车辆，作为选中目标，具体包括：
85、根据所述融合后的自车轨迹确定感兴趣区域；
86、针对各目标车辆中的每一辆，根据该目标车辆在当前时刻的位置确定该目标车辆是否在感兴趣区域内，若是，则将该目标车辆选为感兴趣目标；
87、选择距离融合后的自车轨迹最近的感兴趣目标，作为选中目标。
88、进一步地，将所述基于雷达的道路边界曲线和所述基于摄像头的道路边界曲线进行融合，得到融合后的道路边界曲线，具体包括：
89、在所述基于雷达的道路边界曲线上以第一预设间隔采集第一预设数量的第一采样点；
90、在所述基于摄像头的道路边界曲线上以所述第一预设间隔采集所述第一预设数量的第二采样点；
91、对于每一个第一采样点，将该第一采样点的y坐标和与该第一采样点的x坐标相同的第二采样点的y坐标进行融合，得到该第一采样点的x坐标对应的融合后的y坐标；
92、将各第一采样点的x坐标及其对应的融合后的y坐标拟合得到融合后的道路边界曲线。
93、进一步地，在所述第一长度内将所述自车的动力学轨迹与所述最长的有效轨迹进行融合，得到所述第一长度的第一融合轨迹，具体包括：
94、在所述第一长度内按第二预设间隔采集第二预设数量个第三采样点，并在所述第一长度内按所述第二预设间隔采集所述第二预设数量个第四采样点；
95、针对每一个第三采样点，将该第三采样点的y坐标和与该第三采样点的x坐标相同的第四采样点的y坐标进行融合，得到该第三采样点的x坐标对应的融合后的y坐标；
96、对各第三采样点的x坐标及其对应的融合后的y坐标进行拟合，得到第一长度的第一融合轨迹。
97、进一步地，在所述第二长度内将所述自车的动力学轨迹与所有的有效轨迹进行融合，得到所述第二长度的第二融合轨迹；具体包括：
98、在所述第二长度内将自车的动力学轨迹与第一条有效轨迹进行融合，得到所述第二长度的第一轨迹；
99、在所述第二长度内将所述第一轨迹与第二条有效轨迹进行融合，得到所述第二长度的第二轨迹；
100、在所述第二长度内将所述第二轨迹与第三条有效轨迹进行融合，得到所述第二长度的第二融合轨迹。
101、进一步地，将所述第一长度的第一融合轨迹和所述第二长度的第二融合轨迹进行融合，得到所述第一长度的第三融合轨迹，作为所述融合后的自车轨迹，具体包括：
102、将所述第一长度的第一融合轨迹分割为第一段和第二段，其中所述第一段的长度为第二长度，且起始点为原点；
103、在所述第一段以第三预设间隔采集第三预设数量个第五采样点，并在所述第二融合轨迹上以所述第三预设间隔采集所述第三预设数量个第六采样点；
104、对于每个第五采样点，将该第五采样点的y坐标和与该第五采样点的x坐标相同的第六采样点的y坐标融合，得到该第五采样点的x坐标对应的融合后的y坐标；
105、对各第五采样点的x坐标及其对应的融合后的y坐标进行拟合，得到第二长度的第三融合轨迹；
106、将所述第二段平移至经过所述第二长度的第三融合轨迹的末端点，得到平移后的第二段；
107、将所述平移后的第二段和所述第二长度的第三融合轨迹拼接，得到所述第一长度的第三融合轨迹。
108、本发明的目标选择方法及系统，可以充分利用各传感器感知得到的周围环境信息，得到基于不同数据源的自车轨迹，并与基于自车动力学参数的动力学轨迹融合，对自车的未来轨迹进行预测，使得预测得到的融合后的自车轨迹更加准确和稳定，从而增加了目标选择的鲁棒性，大大减少了弯道上目标漏选或误选的概率，对车辆辅助驾驶功能具有很大助力。
1.一种目标选择方法，其特征在于，包括：
2.根据权利要求1所述的目标选择方法，其特征在于，根据自车当前时刻的前轮转角和横摆角速度预测自车的动力学轨迹，具体包括：
3.根据权利要求1所述的目标选择方法，其特征在于，将雷达测得的道路边界点云和摄像头测得的道路边界图像进行融合，得到融合后的道路边界曲线；并根据所述融合后的道路边界曲线得到基于道路边界的自车轨迹，具体包括：
4.根据权利要求3所述的目标选择方法，其特征在于，将所述基于雷达的道路边界曲线和所述基于摄像头的道路边界曲线进行融合，得到融合后的道路边界曲线，具体包括：
5.根据权利要求1所述的目标选择方法，其特征在于，根据雷达测得的多个目标车辆在当前时刻的自车坐标系下的历史行驶轨迹获取基于目标车辆的自车轨迹，具体包括：
6.根据权利要求1所述的目标选择方法，其特征在于，对自车的动力学轨迹、基于道路边界的自车轨迹、基于目标车辆的自车轨迹和基于车道线的自车轨迹进行融合，得到融合后的自车轨迹，具体包括：
7.根据权利要求6所述的目标选择方法，其特征在于，在所述第一长度内将所述自车的动力学轨迹与所述最长的有效轨迹进行融合，得到所述第一长度的第一融合轨迹，具体包括：
8.根据权利要求6所述的目标选择方法，其特征在于，在所述第二长度内将所述自车的动力学轨迹与所有的有效轨迹进行融合，得到所述第二长度的第二融合轨迹；具体包括：
9.根据权利要求6所述的目标选择方法，其特征在于，将所述第一长度的第一融合轨迹和所述第二长度的第二融合轨迹进行融合，得到所述第一长度的第三融合轨迹，作为所述融合后的自车轨迹，具体包括：
10.根据权利要求1所述的目标选择方法，其特征在于，根据所述融合后的自车轨迹从各目标车辆中选择符合预设要求的目标车辆，作为选中目标，具体包括：
11.一种目标选择系统，其特征在于，包括：
12.根据权利要求11所述的目标选择系统，其特征在于，根据自车当前时刻的前轮转角和横摆角速度预测自车的动力学轨迹，具体包括：
13.根据权利要求12所述的目标选择系统，其特征在于，将所述基于雷达的道路边界曲线和所述基于摄像头的道路边界曲线进行融合，得到融合后的道路边界曲线，具体包括：
