CN109885058B - 行车轨迹规划方法、装置、电子设备及存储介质 - Google Patents
行车轨迹规划方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN109885058B CN109885058B CN201910183075.0A CN201910183075A CN109885058B CN 109885058 B CN109885058 B CN 109885058B CN 201910183075 A CN201910183075 A CN 201910183075A CN 109885058 B CN109885058 B CN 109885058B
- Authority
- CN
- China
- Prior art keywords
- driving
- vehicle
- data
- track
- behavior prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供一种行车轨迹规划方法、装置、电子设备及存储介质，其中，该方法包括：获取第一车辆的第一行车数据以及以第一车辆为中心预设范围内的实时路况信息；获取第一车辆对应的行车轨迹影响因素数据，其中，行车轨迹影响因素数据包括驾驶行为预测数据，且该驾驶行为预测数据是根据预先建立的驾驶行为预测模型获得的；进一步，根据行车轨迹影响因素数据、第一行车数据以及实时路况信息，规划第一车辆的第一行车轨迹。本发明通过将驾驶行为预测模型应用至自动驾驶车辆的行车轨迹规划中，以实现自动驾驶车辆在各种路况下都能够规划出最优的行车轨迹，保证自动驾驶车辆安全性的前提下，进一步提高了自动驾驶车辆的稳定性及舒适性。
Description
技术领域
本发明涉及智能驾驶技术领域，尤其涉及一种行车轨迹规划方法、装置、电子设备及存储介质。
背景技术
随着智能驾驶技术的快速发展，为了进一步提升自动驾驶车辆行驶的安全性和舒适性，因此，需要进行行车轨迹规划。
目前的智能驾驶系统中，常采用基于采样的方法规划自动驾驶车辆的行车轨迹，该方法具体表现为：在一定的频率下对周围环境进行感知，并在每个规划周期内，以安全性指标为最重要的指标，返回一个最优行车轨迹。
在上述基于采样的方法的基础上，如何在保证自动驾驶车辆安全性的前提下，进一步提升自动驾驶车辆的舒适性，是亟需解决的问题。
发明内容
本发明提供一种行车轨迹规划方法、装置、电子设备及存储介质，以实现在保证自动驾驶车辆安全性的前提下，进一步提升自动驾驶车辆的舒适性。
第一方面，本发明提供一种行车轨迹规划方法，该方法包括：
获取第一车辆的第一行车数据以及以所述第一车辆为中心预设范围内的实时路况信息；
获取所述第一车辆对应的行车轨迹影响因素数据，其中，所述行车轨迹影响因素数据包括驾驶行为预测数据，所述驾驶行为预测数据是根据预先建立的驾驶行为预测模型获得的，所述驾驶行为预测模型用于表示偏航角角速度与执行所述偏航角速度的概率的对应关系；
根据所述行车轨迹影响因素数据、所述第一行车数据以及所述实时路况信息，规划所述第一车辆的第一行车轨迹。
可选地，所述获取第一车辆对应的行车轨迹影响因素数据之前，还包括：
根据预先获取的历史行车数据中每组第二行车数据，获取所述驾驶行为预测模型。
可选地，所述根据预先获取的历史行车数据中每组第二行车数据，获取所述驾驶行为预测模型，包括：
分别根据每组所述第二行车数据中的位置信息，进行曲线拟合，获取处理后的第二行车轨迹，所述第二行车轨迹与每组所述第二行车数据一一对应；
对所述第二行车轨迹进行采样，获取所述第二行车轨迹上采样点的偏航角速度信息；
对所有第二行车轨迹上所有采样点的偏航角速度信息进行统计分析，获取所述驾驶行为预测模型。
可选地，所述对所述第二行车轨迹进行采样，获取所述第二行车轨迹上采样点的偏航角速度信息，包括：
获取所述第二行车轨迹上采样点对应的曲率；
根据所述采样点对应的曲率，以及所述采样点对应的速度信息，获取所述采样点的偏航角速度信息。
可选地，所述对所有第二行车轨迹上所有采样点的偏航角速度信息进行统计分析，获取所述驾驶行为预测模型，包括：
根据所有第二行车轨迹上所有采样点的偏航角速度信息，获取偏航角速度的平均值以及偏航角速度的方差；
根据所述偏航角速度的均值以及所述偏航角速度的方差，获取所述驾驶行为预测模型。
可选地，所述根据所述行车轨迹影响因素数据、所述第一行车数据以及所述实时路况信息，规划所述第一车辆的第一行车轨迹之后，还包括：
根据预设速度控制策略以及所述第一行车轨迹的曲率，生成与所述第一行车轨迹对应的速度信息。
可选地，所述方法还包括：
将所述第一行车轨迹以及所述速度信息发送至所述第一车辆，以使所述第一车辆按照所述第一行车轨迹行驶，且所述第一车辆在行驶过程中的速度是根据所述速度信息确定。
第二方面，本发明提供一种行车轨迹规划装置，该装置包括：
第一获取模块，用于获取第一车辆的第一行车数据以及以所述第一车辆为中心预设范围内的实时路况信息；
第二获取模块，用于获取所述第一车辆对应的行车轨迹影响因素数据，其中，所述行车轨迹影响因素数据包括驾驶行为预测数据，所述驾驶行为预测数据是根据预先建立的驾驶行为预测模型获得的，所述驾驶行为预测模型用于表示偏航角角速度与执行所述偏航角速度的概率的对应关系；
行车轨迹规划模块，用于根据所述行车轨迹影响因素数据、所述第一行车数据以及所述实时路况信息，规划所述第一车辆的第一行车轨迹。
第三方面，本发明提供一种电子设备，包括：存储器和处理器；
所述存储器存储程序指令；
所述程序指令在被所述处理器执行时，以执行第一方面所述的方法。
第四方面，本发明提供一种存储介质，包括：程序；
所述程序在被处理器执行时，以执行第一方面所述的方法。
本发明提供一种行车轨迹规划方法、装置、电子设备及存储介质，其中，该方法包括：获取第一车辆的第一行车数据以及以第一车辆为中心预设范围内的实时路况信息；获取第一车辆对应的行车轨迹影响因素数据，其中，行车轨迹影响因素数据包括驾驶行为预测数据，且该驾驶行为预测数据是根据预先建立的驾驶行为预测模型获得的，驾驶行为预测模型用于表示偏航角角速度与执行所述偏航角速度的概率的对应关系；进一步，根据行车轨迹影响因素数据、第一行车数据以及实时路况信息，规划第一车辆的第一行车轨迹。本发明实施例通过将预先建立的基于驾驶人员行为特征的驾驶行为预测模型应用至自动驾驶车辆的行车轨迹规划中，以实现自动驾驶车辆在各种路况下都能够规划出符合人类驾驶行为特征的行车轨迹，从而在保证自动驾驶车辆安全性的前提下，进一步提高了自动驾驶车辆的稳定性及舒适性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的行车轨迹规划方法实施例一的流程示意图；
图2为本发明提供的行车轨迹规划方法实施例二的流程示意图；
图3为本发明提供的行车轨迹规划方法实施例三的流程示意图；
图4为本发明采用本发明提供的行车轨迹规划方法的效果示意图；
图5为本发明提供的行车轨迹规划装置实施例一的结构示意图；
图6为本发明提供的行车轨迹规划装置实施例二的结构示意图；
图7为本发明提供的行车轨迹规划装置实施例三的结构示意图；
图8为本发明提供的电子设备实施例一的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
随着智能驾驶技术的快速发展，为了进一步提升自动驾驶车辆行驶的安全性以及舒适性，因此，需要进行行车轨迹规划，自动驾驶车辆按照规划的行车轨迹行驶。
目前的智能驾驶系统中，常采用基于采样的方法规划自动驾驶车辆的行车轨迹，该方法具体表现为：在一定的频率下对感知车辆周围环境，并在每个规划周期内，以安全性为最重要的指标，返回一个最优行车轨迹。
采用基于采样的方法规划行车轨迹，行车轨迹的安全性得到了保证，但是，其规划的行车轨迹常过于谨慎。
现有技术中，有时还会采用基于优化的方法规划自动驾驶车辆的行车轨迹，但是，基于优化的方法非常依赖于优化的初始值，而且该方法返回的结果通常是初始值附件 的局部最优值；另外，基于优化的方法，每次优化过程的时间是不固定的，影响自动驾驶车辆的正常运行。
基于上述现有技术中存在的问题，本发明实施例提供一种行车轨迹规划方法，以实现在保证自动驾驶车辆安全性的前提下，进一步提升自动驾驶车辆的舒适性。
本发明实施例提供的行车轨迹规划方法可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统，服务器计算机系统，手持或膝上设备，基于微处理器、CPU、GPU 的系统，可编程消费电子产品，网络个人电脑，小型计算机系统，大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
图1为本发明提供的行车轨迹规划方法实施例一的流程示意图。本实施例中以执行主体为电子设备为例进行说明，该电子设备可以但不限于是计算机、车载系统等，本申请实施例的电子设备具有行车轨迹规划功能，可以为自动驾驶车辆规划行车轨迹。如图1所示，本实施例的方法包括：
S101、获取第一车辆的第一行车数据以及以第一车辆为中心预设范围内的实时路况信息。
本步骤中，第一行车数据包括第一车辆的位姿信息、第一车辆的速度信息，这里需要说明的是，第一车辆的位姿信息包括第一车辆的位置信息和第一车辆的朝向，第一车辆的位置信息可以通过经纬度表示，第一车辆的朝向可以在地图中预先建立的坐标系表示。可选地，第一行车数据还可以包括第一车辆的加速度信息。
示例性地，电子设备获取第一行车数据可通过以下任一种方式实现：
一种可能的实现方式，电子设备通过定位模块获取第一车辆的行车数据，具体地，电子设备安装有定位模块，电子设备通过定位模块获取车辆的位姿信息，例如：该电子设备安装有GPS(Global Positioning System，全球定位系统)模块，GPS模块可以实时获取车辆的位姿信息。
另一种可能的实现方式，电子设备与第一车辆上的自动驾驶系统相连接，通过向自动驾驶系统发送数据获取指令，自动驾驶系统在接收到数据获取指令后，将相应的数据发送至电子设备，以使电子设备进行行车轨迹规划。
进一步地，本步骤中的实时路况数据是以第一车辆为中心预设范围内的其他车辆的行车数据。其中，该预设范围的大小可根据实际需求进行设定，例如，若该车辆为小型车辆，车辆的长度、宽度均较小，则可将该预设范围设置相对较小一些；若该车辆为运输车辆或其他类型的大型车辆，那么，车辆的长度、宽度均相对较大，则可将该预设范围设置相对较大一些。这里，其他车辆的行车数据可以包括其他车辆的位姿信息、速度信息以及加速度信息等。
示例性地，电子设备可以通过自动驾驶系统获取上述实时路况信息。具体地，自动驾驶系统具有环境感知能力，能够获取所处位置一定范围内的实时路况，以及感知车辆附近是否存在障碍物，电子设备与自动驾驶系统之间进行交互，获取实时路况信息。
当然，电子设备也可以通过其他方式获取上述第一行车数据以及实时路况信息，本发明实施例对此不做限制。
S102、获取第一车辆对应的行车轨迹影响因素数据。
其中，行车轨迹影响因素数据为影响自动驾驶车辆的行车轨迹规划的一个或多个因素数据，本实施例中，行车轨迹影响因素数据包括驾驶行为预测数据，驾驶行为预测数据是根据预先建立的驾驶行为预测模型获得的。其中，驾驶行为预测模型用于表示偏航角速度与执行偏航角速度的概率的对应关系，也就是说，驾驶行为预测模型能够表示在人类行为中，驾驶人员选择不同偏航角速度的概率分布。
需要说明的是，本实施例中步骤S101和步骤S102可并行执行，或者，也可按步骤S101、S102顺序执行，或者，也可先执行步骤S102，再执行步骤S101，本实施例仅为示例性描述，并不是对上述步骤执行方式的限定。
S103、根据行车轨迹影响因素数据、第一行车数据以及实时路况信息，规划第一车辆的第一行车轨迹。
一种可能的实现方式，首先，采用基于采样的行车轨迹规划方法所生成的多个不同的原始第一行车轨迹的基础上，获取上述多个不同的原始第一行车轨迹的偏航角速度相关参数，进一步，根据驾驶行为预测数据、多个原始第一行车轨迹的偏航角速度相关参数将满足预设条件的原始第一行车轨迹，确定为第一车辆的第一行车轨迹。
其中，原始第一行车轨迹的偏航角速度相关参数可以为原始第一行车轨迹的偏航角速度平均值、偏航角速度的最大值等。预设条件可为执行偏航角速度的概率阈值。
当然，也可以采用其他方式预先生成多个原始第一行车轨迹，本发明实施例对此不做限制。
进一步，在实际应用中，通常还会考虑到规划的行车轨迹的可行性，也就是说，需要考虑以第一车辆为中心预设范围内的实际交通情况，因此，需根据实时路况信息判断该第一行车轨迹是否可行，若可行，并根据实时路况信息对第一行车轨迹进行优化，形成最优的第一行车轨迹，以保证第一车辆在按照最优的第一行车轨迹行驶时的安全性以及舒适性。
进一步，在实际应用中，还会考虑第一车辆的执行能力，其中，这里的第一车辆的执行能力包括第一车辆的转向操纵能力和纵向制动能力。
本实施例中，获取第一车辆的第一行车数据以及以第一车辆为中心预设范围内的实时路况信息；获取第一车辆对应的行车轨迹影响因素数据，其中，行车轨迹影响因素数据包括驾驶行为预测数据，且该驾驶行为预测数据是根据预先建立的驾驶行为预测模型获得的，驾驶行为预测模型用于表示偏航角角速度与执行所述偏航角速度的概率的对应关系；进一步，根据行车轨迹影响因素数据、第一行车数据以及实时路况信息，规划第一车辆的第一行车轨迹。本发明实施例通过将预先建立的基于驾驶人员行为特征的驾驶行为预测模型应用至自动驾驶车辆的行车轨迹规划中，以实现自动驾驶车辆在各种路况下都能够规划出符合人类驾驶行为特征的行车轨迹，从而在保证自动驾驶车辆安全性的前提下，进一步提高了自动驾驶车辆的稳定性及舒适性。
图2为本发明提供的行车轨迹规划方法实施例二的流程示意图。如图2 所示，本实施例的方法包括：
S201、获取第一车辆的第一行车数据以及以第一车辆为中心预设范围内的实时路况信息。
S202、获取第一车辆对应的行车轨迹影响因素数据。
S203、根据行车轨迹影响因素数据、第一行车数据以及实时路况信息，规划第一车辆的第一行车轨迹。
本实施例中，步骤S201至S203与图1所示实施例中步骤S101至S103 类似，可参照图1所示实施例中的详细描述，此处不再赘述。
S204、根据预设速度控制策略以及第一行车轨迹的曲率，生成与第一行车轨迹对应的速度信息。
其中，预设速度控制策略表示行车轨迹的曲率与平稳行驶速度范围的对应关系。
一种可能的实现方式，根据第一行车轨迹上多个采样点的曲率，确定与该各个采样点的曲率对应的平稳行驶速度范围，结合前后两个采样点速度变化，确定各个采样点的速度，进一步，根据各个采样点的速度进行拟合，获取连续地、且平稳变化的速度信息曲线。
在实际应用中，当车辆在进行转弯或者变道时，如果车辆行驶速度过快会影响车辆的稳定性，本步骤中，通过考虑第一行车轨迹的曲率、以及在相应曲率下对应的平稳速度范围，得到与第一行车轨迹对应的速度信息，有效提高了车辆的平稳性以及舒适性。
S205、将第一行车轨迹以及速度信息发送至第一车辆。
将第一行车轨迹以及与第一行车轨迹对应的速度信息发送至第一车辆，以使第一车辆按照第一行车轨迹行驶，且第一车辆在按照第一行车轨迹行驶时，行车速度是根据上述速度信息确定的。
本实施例中，通过将预先建立的基于驾驶人员行为特征的驾驶行为预测模型应用至自动驾驶车辆的行车轨迹规划中，以实现自动驾驶车辆在各种路况下都能够规划出符合人类驾驶行为特征的行车轨迹，从而在保证自动驾驶车辆安全性的前提下，进一步提高了自动驾驶车辆的平稳性及舒适性。进一步，通过拟合与第一行车轨迹对应的速度信息，保证第一车辆在按照第一行车轨迹行驶时的平稳性。
在图1或图2所示实施例的基础上，在获取行车轨迹影响因素数据之前，还需要根据预先获取的历史行车数据中每组第二行车数据，获取驾驶行为预测模型，下面通过一具体实施例对如何根据历史行车数据中每组第二行车数据获取驾驶行为预测模型的过程进行详细介绍。
图3为本发明提供的行车轨迹规划方法实施例三的流程示意图。如图3 所示，本实施的方法包括：
S301、分别根据每组第二行车数据中的位置信息，进行曲线拟合，获取第二行车轨迹。
具体地，在执行本步骤之前，需要预先采集大量的历史行车数据，作为获取驾驶行为预测模型的原始训练数据，历史行车数据量越大，则根据其获取的驾驶行为预测模型精确度越高，越能够准确反应人类驾驶行为特征，所指导规划的行车轨迹安全性以及舒适性也越高。
其中，历史行车数据可以通过以下方式获取：
由驾驶人员驾驶第二车辆，在行驶过程中，按照一定的采样频率采集第二车辆的位姿信息、第二车辆的速度信息以及第二车辆的加速度信息等，并将采集的第二行车数据按组存储，每组第二行车数据对应一个行车轨迹，通过上述方式，可采集多个不同驾驶人员驾驶车辆的第二行车数据，从而获取大量的历史行车数据。也就是说，历史行车数据中包含多组第二行车数据，每组第二行车数据包含多个采样点对应的第二行车数据。可选地，采样频率为10KHz。
本步骤中，由于历史行车数据中，采集的第二行车数据均是离散数据，为了能够更加清楚地描述在行驶过程中，离散数据组所表示的坐标之间的函数关系，需要对每组第二行车数据中的位置信息分别进行曲线拟合，以得到光滑的第二行车轨迹。
S302、对第二行车轨迹进行采样，获取第二行车轨迹上采样点的偏航角速度信息。
具体地，可在第二行车轨迹上按照预设间隔进行采样，首先获取相应采样点对应的曲率，进一步，根据采样点的曲率以及采样点的速度，获取该采样点的偏航角速度信息。
示例性地，上述过程可通过公式(1)表示：
yaw_rate＝Cur*V 公式(1)
其中，yaw_rate表示采样点对应的偏航角速度信息，Cur表示采样点的曲率；V表示采样点的速度。
这里需要说明的是，V表示的是该采样点切线方向的速度。
通过上述方式，分别对每个第二行车轨迹进行采样，并采用公式(1)计算采样点的偏航角速度信息。
S303、对所有第二行车轨迹上所有采样点的偏航角速度信息进行统计分析，获取驾驶行为预测模型。
具体地，可通过对所有第二行车轨迹上所有采样点的偏航角速度信息进行统计分析，获取偏航角速度的平均值和偏航角速度的方差，进一步，根据偏航角速度的平均值和偏航角速度的方差，获取驾驶行为预测模型。在本步骤中，该驾驶行为预测模型可通过公式(2)表示：
其中，Prob表示驾驶人员选择偏航角速度为y的这条轨迹的概率，y表示偏航角速度，ymean表示偏航角速度的平均值，σ表示偏航角速度的方差。
本实施例中，首先，分别根据每组第二行车数据中的位置信息，进行曲线拟合，获取第二行车轨迹，接着，对第二行车轨迹进行采样，获取第二行车轨迹上采样点的偏航角速度，进一步，对所有第二行车轨迹上所有采样点的偏航角速度进行统计分析，从而获取驾驶行为预测模型。通过将预先建立的基于驾驶人员行为特征的驾驶行为预测模型应用至自动驾驶车辆的行车轨迹规划中，以实现自动驾驶车辆在各种路况下都能够规划出符合人类驾驶行为特征的行车轨迹，从而在保证自动驾驶车辆安全性的前提下，进一步提高了自动驾驶车辆的稳定性及舒适性。
图4为本发明提供的行车轨迹规划方法应用效果示意图。将本发明实施例的方法进行应用，其应用效果可通过图4所示，具体地，图4中示出了在三种不同情况下，采用本发明提供的行车轨迹规划方法所规划的行车轨迹，例如，图4中最左侧附图所示，自动驾驶车辆在行进过程中，其右侧车道前方有多个车辆，其所规划的行车轨迹是沿自动驾驶车辆当前车道直行。如图 4中中间附图所示，自动驾驶车辆在行进过程中，前方道路为分叉路口时，其所规划的行车轨迹是沿右侧出口行驶，且是沿右侧出口中的左侧车道行驶。如图4中左右侧附图所示，自动驾驶车辆在行进过程中，前方道路为弯道，且包含两个车道，另外，车辆前方预设范围内无其他车辆行驶，其所规划的行车轨迹为与前方道路左侧车道中心线相重合。
图5为本发明提供的行车轨迹规划装置实施例一的结构示意图。如图5 所示，本实施例的装置50包括：第一获取模块51、第二获取模块52、规划模块53。
其中，第一获取模块51，用于获取第一车辆的第一行车数据以及以第一车辆为中心预设范围内的实时路况信息。
第二获取模块52，用于获取第一车辆对应的行车轨迹影响因素数据，其中，行车轨迹影响因素数据包括驾驶行为预测数据，驾驶行为预测数据是根据预先建立的驾驶行为预测模型获得的，驾驶行为预测模型用于表示偏航角角速度与执行上述偏航角速度的概率的对应关系。
行车轨迹规划模块53，用于根据行车轨迹影响因素数据、第一行车数据以及实时路况信息，规划第一车辆的第一行车轨迹。
本实施例的装置，可以用于执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图6为本发明提供的行车轨迹规划装置实施例二的结构示意图。如图6 所示，本实施例的装置60在图5所示装置结构的基础上，进一步地，还包括：速度规划模块54以及发送模块55。
其中，速度规划模块54，用于根据预设速度控制策略以及第一行车轨迹的曲率，生成与第一行车轨迹对应的速度信息。
发送模块55，用于将第一行车轨迹以及速度信息发送至第一车辆，以使第一车辆按照第一行车轨迹行驶，且第一车辆在行驶过程中的速度是根据速度信息确定。
本实施例的装置，可以用于执行图2所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图7位本发明提供的行车轨迹规划装置实施例三的结构示意图。如图7 所示，本实施例的装置70在图6所示实施例的基础上，还包括：模型建立模块56。其中，模型建立模块56，用于根据预先获取的历史行车数据中每组第二行车数据，获取驾驶行为预测模型。
在一些实施例中，模型建立模块56，包括：曲线拟合子模块561、第三获取子模块562、统计分析子模块563。
其中，曲线拟合子模块561，用于分别对每组第二行车数据的位置信息，进行曲线拟合，获取处理后的第二行车轨迹，所述第二行车轨迹与每组所述第二行车数据一一对应。
第三获取子模块562，用于对所述第二行车轨迹进行采样，获取所述第二行车轨迹上采样点的偏航角速度信息。
统计分析子模块563，用于对所有第二行车轨迹上所有采样点的偏航角速度信息进行统计分析，获取所述驾驶行为预测模型。
可选地，在一些实施例中，第三获取子模块562，通过以下方式，获取第二行车轨迹上采样点的偏航角速度：
首先，获取第二行车轨迹上采样点对应的曲率，进一步，根据采样点对应的曲率以及采样点对应的速度信息，获取采样点的偏航角速度信息。
可选地，在一些实施例中，统计分析子模块563，通过以下方式，获取驾驶行为预测模型：首先，根据所有第二行车轨迹上所有采样点的偏航角速度信息，获取偏航角速度的平均值以及偏航角速度的方差；进一步，根据所述偏航角速度的均值以及所述偏航角速度的方差，获取所述驾驶行为预测模型。
本实施例的装置，可以用于执行图3所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图8为本发明提供的电子设备实施例一的结构示意图。如图8所示，本实施例的电子设备80，包括：存储器81、处理器82。
其中，存储器81可以是独立的物理单元，与处理器82可以通过总线83 连接。存储器81、处理器82也可以集成在一起，通过硬件实现等。
存储器81用于存储实现以上方法实施例的程序，处理器82调用该程序，执行以上方法实施例的操作。
可选地，当上述实施例的方法中的部分或全部通过软件实现时，上述电子设备80也可以只包括处理器。用于存储程序的存储器位于电子设备80之外，处理器通过电路/电线与存储器连接，用于读取并执行存储器81中存储的程序。
处理器82可以是中央处理器(Central Processing Unit，CPU)，网络处理器(Network Processor，NP)或者CPU和NP的组合。
处理器82还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(Application-Specific Integrated Circuit，ASIC)，可编程逻辑器件 (ProgrammableLogic Device，PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(ComplexProgrammable Logic Device，CPLD)，现场可编程逻辑门阵列(Field-Programmable GateArray，FPGA)，通用阵列逻辑(Generic Array Logic,GAL)或其任意组合。
存储器81可以包括易失性存储器(Volatile Memory)，例如随机存取存储器(Random-Access Memory，RAM)；存储器也可以包括非易失性存储器 (Non-volatileMemory)，例如快闪存储器(Flash Memory)，硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-state Drive，SSD)；存储器还可以包括上述种类的存储器的组合。
另外，本发明还提供一种程序产品，例如，计算机存储介质，包括：程序，程序在被处理器执行时用于执行以上方法。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种行车轨迹规划方法，其特征在于，包括：
获取第一车辆的第一行车数据以及以所述第一车辆为中心预设范围内的实时路况信息；
获取所述第一车辆对应的行车轨迹影响因素数据，其中，所述行车轨迹影响因素数据包括驾驶行为预测数据，所述驾驶行为预测数据是根据预先建立的驾驶行为预测模型获得的，所述驾驶行为预测模型用于表示偏航角速度与执行所述偏航角速度的概率的对应关系；
根据所述行车轨迹影响因素数据、所述第一行车数据以及所述实时路况信息，规划所述第一车辆的第一行车轨迹。
2.根据权利要求1所述的方法，其特征在于，所述获取第一车辆对应的行车轨迹影响因素数据之前，还包括：
根据预先获取的历史行车数据中每组第二行车数据，获取所述驾驶行为预测模型。
3.根据权利要求2所述的方法，其特征在于，所述根据预先获取的历史行车数据中每组第二行车数据，获取所述驾驶行为预测模型，包括：
分别根据每组所述第二行车数据中的位置信息，进行曲线拟合，获取处理后的第二行车轨迹，所述第二行车轨迹与每组所述第二行车数据一一对应；
对所述第二行车轨迹进行采样，获取所述第二行车轨迹上采样点的偏航角速度信息；
对所有第二行车轨迹上所有采样点的偏航角速度信息进行统计分析，获取所述驾驶行为预测模型。
4.根据权利要求3所述的方法，其特征在于，所述对所述第二行车轨迹进行采样，获取所述第二行车轨迹上采样点的偏航角速度信息，包括：
获取所述第二行车轨迹上采样点对应的曲率；
根据所述采样点对应的曲率，以及所述采样点对应的速度信息，获取所述采样点的偏航角速度信息。
5.根据权利要求3所述的方法，其特征在于，所述对所有第二行车轨迹上所有采样点的偏航角速度信息进行统计分析，获取所述驾驶行为预测模型，包括：
根据所有第二行车轨迹上所有采样点的偏航角速度信息，获取偏航角速度的平均值以及偏航角速度的方差；
根据所述偏航角速度的均值以及所述偏航角速度的方差，获取所述驾驶行为预测模型。
6.根据权利要求1所述的方法，其特征在于，所述根据所述行车轨迹影响因素数据、所述第一行车数据以及所述实时路况信息，规划所述第一车辆的第一行车轨迹之后，还包括：
根据预设速度控制策略以及所述第一行车轨迹的曲率，生成与所述第一行车轨迹对应的速度信息。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
将所述第一行车轨迹以及所述速度信息发送至所述第一车辆，以使所述第一车辆按照所述第一行车轨迹行驶，且所述第一车辆在行驶过程中的速度是根据所述速度信息确定。
8.一种行车轨迹规划装置，其特征在于，包括：
第一获取模块，用于获取第一车辆的第一行车数据以及以所述第一车辆为中心预设范围内的实时路况信息；
第二获取模块，用于获取所述第一车辆对应的取行车轨迹影响因素数据，其中，所述行车轨迹影响因素数据包括驾驶行为预测数据，所述驾驶行为预测数据是根据预先建立的驾驶行为预测模型获得的，所述驾驶行为预测模型用于表示偏航角速度与执行所述偏航角速度的概率的对应关系；
行车轨迹规划模块，用于根据所述行车轨迹影响因素数据、所述第一行车数据以及所述实时路况信息，规划所述第一车辆的第一行车轨迹。
9.一种电子设备，其特征在于，包括：存储器和处理器；
所述存储器存储程序指令；
所述程序指令在被所述处理器执行时，以执行如权利要求1至7中任一项所述的方法。
10.一种计算机存储介质，其特征在于，包括：计算机程序；
所述计算机程序在被处理器执行时，以执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910183075.0A CN109885058B (zh) | 2019-03-12 | 2019-03-12 | 行车轨迹规划方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910183075.0A CN109885058B (zh) | 2019-03-12 | 2019-03-12 | 行车轨迹规划方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109885058A CN109885058A (zh) | 2019-06-14 |
| CN109885058B true CN109885058B (zh) | 2022-05-20 |
Family
ID=66931673
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910183075.0A Active CN109885058B (zh) | 2019-03-12 | 2019-03-12 | 行车轨迹规划方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109885058B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112441012B (zh) * | 2019-09-05 | 2023-05-12 | 北京地平线机器人技术研发有限公司 | 车辆行驶轨迹预测方法和装置 |
| CN110989569B (zh) * | 2019-11-20 | 2022-06-14 | 华为技术有限公司 | 一种车辆行驶控制方法及相关设备 |
| CN111123933B (zh) * | 2019-12-24 | 2021-10-01 | 华为技术有限公司 | 车辆轨迹规划的方法、装置、智能驾驶域控制器和智能车 |
| CN113552867B (zh) * | 2020-04-20 | 2023-07-18 | 华为技术有限公司 | 一种运动轨迹的规划方法及轮式移动设备 |
| CN111737636B (zh) * | 2020-06-12 | 2024-02-02 | 北京百度网讯科技有限公司 | 路径曲线的生成方法、装置、计算机设备和存储介质 |
| CN113650618B (zh) * | 2021-09-23 | 2022-09-30 | 东软睿驰汽车技术（上海）有限公司 | 一种车辆轨迹确定方法和相关装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105718750A (zh) * | 2016-01-29 | 2016-06-29 | 长沙理工大学 | 一种车辆行驶轨迹的预测方法及系统 |
| CN106476801A (zh) * | 2015-08-26 | 2017-03-08 | 株式会社万都 | 用于车辆的感测装置、感测方法及控制装置 |
| CN106740864A (zh) * | 2017-01-12 | 2017-05-31 | 北京交通大学 | 一种驾驶行为意图判断与预测方法 |
| CN107298100A (zh) * | 2017-05-16 | 2017-10-27 | 开易（北京）科技有限公司 | 一种基于高斯混合模型的车辆轨迹预测方法、系统 |
| CN107609633A (zh) * | 2017-05-03 | 2018-01-19 | 同济大学 | 车联网复杂网络中基于深度学习的车辆行驶影响因素的位置预测模型构造方法 |
| CN108407808A (zh) * | 2018-04-23 | 2018-08-17 | 安徽车鑫保汽车销售有限公司 | 一种汽车行驶智能预测系统 |
| CN108550279A (zh) * | 2018-04-03 | 2018-09-18 | 同济大学 | 基于机器学习的车辆驾驶行为预测方法 |
| CN108725433A (zh) * | 2017-04-13 | 2018-11-02 | 通用汽车环球科技运作有限责任公司 | 用于稳定性控制的自动驱动命令解释 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8190330B2 (en) * | 2009-03-06 | 2012-05-29 | GM Global Technology Operations LLC | Model based predictive control for automated lane centering/changing control systems |
| US9002612B2 (en) * | 2012-03-20 | 2015-04-07 | Toyota Motor Engineering & Manufacturing North America, Inc. | Prediction of driver-specific cruise speed using dynamic modeling |
| DE112013007129B4 (de) * | 2013-05-31 | 2021-08-12 | Toyota Jidosha Kabushiki Kaisha | Bewegungstrajektorienvorhersagevorrichtung und Bewegungstrajektorienvorhersageverfahren |
-
2019
- 2019-03-12 CN CN201910183075.0A patent/CN109885058B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106476801A (zh) * | 2015-08-26 | 2017-03-08 | 株式会社万都 | 用于车辆的感测装置、感测方法及控制装置 |
| CN105718750A (zh) * | 2016-01-29 | 2016-06-29 | 长沙理工大学 | 一种车辆行驶轨迹的预测方法及系统 |
| CN106740864A (zh) * | 2017-01-12 | 2017-05-31 | 北京交通大学 | 一种驾驶行为意图判断与预测方法 |
| CN108725433A (zh) * | 2017-04-13 | 2018-11-02 | 通用汽车环球科技运作有限责任公司 | 用于稳定性控制的自动驱动命令解释 |
| CN107609633A (zh) * | 2017-05-03 | 2018-01-19 | 同济大学 | 车联网复杂网络中基于深度学习的车辆行驶影响因素的位置预测模型构造方法 |
| CN107298100A (zh) * | 2017-05-16 | 2017-10-27 | 开易（北京）科技有限公司 | 一种基于高斯混合模型的车辆轨迹预测方法、系统 |
| CN108550279A (zh) * | 2018-04-03 | 2018-09-18 | 同济大学 | 基于机器学习的车辆驾驶行为预测方法 |
| CN108407808A (zh) * | 2018-04-23 | 2018-08-17 | 安徽车鑫保汽车销售有限公司 | 一种汽车行驶智能预测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109885058A (zh) | 2019-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109885058B (zh) | 行车轨迹规划方法、装置、电子设备及存储介质 | |
| US10823575B2 (en) | Reference line smoothing method using piecewise spiral curves with weighted geometry costs | |
| US10429849B2 (en) | Non-linear reference line optimization method using piecewise quintic polynomial spiral paths for operating autonomous driving vehicles | |
| US10691129B2 (en) | Dynamically adjustable reference line sampling point density for autonomous vehicles | |
| CN113715814B (zh) | 碰撞检测方法、装置、电子设备、介质及自动驾驶车辆 | |
| US11199847B2 (en) | Curvature corrected path sampling system for autonomous driving vehicles | |
| US20190235516A1 (en) | Path and speed optimization fallback mechanism for autonomous vehicles | |
| US10983522B2 (en) | Emergency stop speed profile for autonomous vehicles | |
| CN113753077A (zh) | 预测障碍物的运动轨迹的方法、装置及自动驾驶车辆 | |
| US11099017B2 (en) | Determining driving paths for autonomous driving vehicles based on offset points | |
| CN110654381B (zh) | 用于控制车辆的方法和装置 | |
| US10909377B2 (en) | Tracking objects with multiple cues | |
| US11414096B2 (en) | QP spline path and spiral path based reference line smoothing method for autonomous driving | |
| EP4425462A1 (en) | Method and apparatus for predicting drivable lane | |
| CN114030486B (zh) | 动态障碍物的轨迹预测方法、装置、电子设备和存储介质 | |
| CN115339453B (zh) | 车辆换道决策信息生成方法、装置、设备和计算机介质 | |
| CN113212442A (zh) | 一种轨迹感知车辆驾驶分析方法及系统 | |
| CN110654380A (zh) | 用于控制车辆的方法和装置 | |
| CN112622923B (zh) | 用于控制车辆的方法和装置 | |
| CN113119999B (zh) | 自动驾驶特征的确定方法、装置、设备、介质及程序产品 | |
| CN116890876A (zh) | 车辆控制方法、装置、电子设备和自动驾驶车辆 | |
| JP2021133689A (ja) | 走行支援装置、走行支援方法、および走行支援プログラム | |
| EP4270352A1 (en) | Controlling a future traffic state on a road segment | |
| CN115583254A (zh) | 路径规划方法、装置、设备以及自动驾驶车辆 | |
| CN114056337B (zh) | 车辆行驶行为预测方法、装置及计算机程序产品 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |