CN109934164A - 基于轨迹安全度的数据处理方法和装置 - Google Patents
基于轨迹安全度的数据处理方法和装置 Download PDFInfo
- Publication number
- CN109934164A CN109934164A CN201910185614.4A CN201910185614A CN109934164A CN 109934164 A CN109934164 A CN 109934164A CN 201910185614 A CN201910185614 A CN 201910185614A CN 109934164 A CN109934164 A CN 109934164A
- Authority
- CN
- China
- Prior art keywords
- moment
- value
- risk
- static
- dynamic
- 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.)
- Granted
Links
Abstract
本申请提供一种基于轨迹安全度的数据处理方法和装置,该方法包括:获取车辆在自动驾驶规划路径上的每一个时刻的车辆位置信息和车辆运动信息,并确定每一个时刻的与车辆位置信息对应的预设周围区域,其中,预设周围区域中包括静态障碍物和动态障碍物;获取每一个时刻的静态障碍物的静态障碍物位置信息,并获取每一个时刻的动态障碍物的障碍物运动信息;根据每一个时刻的车辆运动信息、静态障碍物位置信息和障碍物运动信息,确定自动驾驶规划路径的风险值。本申请的方法,风险值评估指标多元化,适用于复杂交通场景中的自动驾驶规划路径的风险值的评估。
Description
技术领域
本申请涉及自动驾驶领域,尤其涉及一种基于轨迹安全度的数据处理方法和装置。
背景技术
随着自动驾驶技术发展,自动驾驶车辆逐渐得到发展和应用,其中,自动驾驶也可以称为无人驾驶。在自动驾驶车辆进行行驶的时候,会为自动驾驶车辆提供自动驾驶规划路径;然后,自动驾驶车辆可以依据自动驾驶规划路径进行自动行驶。在自动驾驶车辆的行驶环境中,在自动驾驶规划路径上以及周围会存在一些障碍物,需要对自动驾驶规划路径进行分析,以确定自动驾驶规划路径的风险,以保证自动驾驶车辆可以采用较为安全的自动驾驶规划路径进行自动行驶。
现有技术中,对自动驾驶规划路径进行分析和评估的方法包括了以下几种。一种是基于未来轨迹的碰撞检测方法,预测出障碍物的位置信息,根据障碍物的位置信息,确定出在路径上发生碰撞的风险;另一种是基于异常行为的风险评估方法,可以获取道路上的参与者的异常行为信息,进而确定出在轨迹上发生碰撞的风险。现有技术中自动驾驶规划路径的风险评估指标主要包括TTC(time to collision碰撞时间)和DTC(distance tocollision碰撞距离),TTC是根据车辆的速度和位置预测碰撞时间点,DTC是根据车辆的速度和位置预测碰撞距离,利用类似人类驾驶行为习惯的TTC和DTC来评估车辆的自动驾驶规划路径的风险值。
然而现有技术中,在对自动驾驶规划路径的风险进行分析的时候,基于的指标太过简单和单一,现实的行驶环境是较为复杂的,现有的方式所确定出风险性是不准确的。
发明内容
本申请提供一种基于轨迹安全度的数据处理方法和装置,用以解决针对存在多种障碍物的复杂场景中的自动驾驶轨迹风险评估问题。
本申请提供了一种基于轨迹安全度的数据处理方法,包括:
获取车辆在自动驾驶规划路径上的每一个时刻的车辆位置信息和车辆运动信息,并确定每一个时刻的与车辆位置信息对应的预设周围区域,其中,预设周围区域中包括静态障碍物和动态障碍物;
获取每一个时刻的静态障碍物的静态障碍物位置信息,并获取每一个时刻的动态障碍物的障碍物运动信息;
根据每一个时刻的车辆运动信息、静态障碍物位置信息和障碍物运动信息,确定自动驾驶规划路径的风险值。
进一步地,根据每一个时刻的车辆运动信息、静态障碍物位置信息和障碍物运动信息,确定自动驾驶规划路径的风险值,包括:
根据每一个时刻的车辆运动信息和每一个时刻下每一个静态障碍物的静态障碍物位置信息,确定每一个时刻下每一个静态障碍物的静态风险值;
根据每一个时刻的车辆运动信息和每一个时刻下每一个动态障碍物的障碍物运动信息,确定每一个时刻下每一个动态障碍物的动态风险值;
根据各个时刻下各个静态障碍物的静态风险值和各个动态障碍物的动态风险值,确定路径风险值。
进一步地,根据每一个时刻的车辆运动信息和每一个时刻下每一个静态障碍物的静态障碍物位置信息,确定每一个时刻下每一个静态障碍物的静态风险值,包括:
根据每一个时刻的车辆运动信息,确定每一个时刻的第一运动风险参数;
根据每一个时刻的第一运动风险参数和每一个时刻下每一个静态障碍物的静态障碍物位置信息,确定每一个时刻下每一个静态障碍物的静态风险值。
进一步地,每一个时刻的第一运动风险参数为其中,vego为每一个时刻的车辆运动信息,且vego表征车辆的车辆速度值,γ为预设的车速风险因子;
每一个时刻下每一个静态障碍物的静态风险值为 其中,αs为预设的静态障碍物风险因子,d为每一个时刻下每一个静态障碍物的静态障碍物位置信息,且d表征了静态障碍物与车辆之间的静态障碍物距离值。
进一步地,动态障碍物为不具非完整性约束的动态障碍物,障碍物运动信息包括动态障碍物距离值和动态障碍物速度值,则根据每一个时刻的车辆运动信息和每一个时刻下每一个动态障碍物的障碍物运动信息,确定每一个时刻下每一个动态障碍物的动态风险值,包括:
根据每一个时刻下每一个动态障碍物的动态障碍物距离值和动态障碍物速度值,确定每一个时刻的第二运动风险参数;
根据每一个时刻的第二运动风险参数和每一个时刻的车辆运动信息,确定每一个时刻下每一个动态障碍物的动态风险值。
进一步地,每一个时刻的第二运动风险参数为其中,vobs为每一个时刻下每一个动态障碍物的动态障碍物速度值,d′为每一个时刻下每一个动态障碍物的动态障碍物距离值,动态障碍物距离值表征动态障碍物与车辆之间距离,αp为预设的动态障碍物速度风险因子;
每一个时刻下每一个动态障碍物的动态风险值为 其中,vego为每一个时刻的车辆运动信息,且vego表征车辆的车辆速度值,β为预设的非负调节因子。
进一步地,动态障碍物为具有非完整性约束的动态障碍物,障碍物运动信息包括动态障碍物距离值和动态障碍物速度值,则根据每一个时刻的车辆运动信息和每一个时刻下每一个动态障碍物的障碍物运动信息,确定每一个时刻下每一个动态障碍物的动态风险值,包括:
根据每一个时刻下每一个动态障碍物的动态障碍物速度值和每一个时刻的车辆运动信息,确定每一个时刻的第三运动风险参数;
根据每一个时刻的第三运动风险参数和每一个时刻下每一个动态障碍物的动态障碍物距离值,确定每一个时刻下每一个动态障碍物的动态风险值。
进一步地,每一个时刻的第三运动风险参数为 其中,其中,vobs为每一个时刻下每一个动态障碍物的动态障碍物速度值,vego为每一个时刻的车辆运动信息,且vego表征车辆的车辆速度值;
每一个时刻下每一个动态障碍物的动态风险值为 其中,d′为每一个时刻下每一个动态障碍物的动态障碍物距离值,动态障碍物距离值表征动态障碍物与车辆之间距离,αv为预设的动态障碍物速度风险因子。
进一步地,每一个时刻的预设周围区域包括多个子区域,则根据各个时刻下各个静态障碍物的静态风险值和各个动态障碍物的动态风险值,确定路径风险值,包括:
确定每一个时刻下每一个子区域中的静态障碍物的静态风险值和动态障碍物的动态风险值之和,得到每一个时刻下每一个子区域的风险总值;
确定每一个时刻下各个子区域的风险总值的平均值,为每一个时刻的车辆风险总值;
根据每一个时刻的车辆风险总值和每一个时刻的预设时间因子,确定每一个时刻的车辆风险有效值;
确定各个时刻的车辆风险有效值中的最大值,为路径风险值。
进一步地,预设时间因子为αt=e-akΔT;其中,a为预设的时间因子衰减系数,k表示第k个时刻,k是正整数,ΔT表示相邻时刻之间的时间间隔。
进一步地,确定每一个时刻下每一个子区域中的静态障碍物的静态风险值和动态障碍物的动态风险值之和,得到每一个时刻下每一个子区域的风险总值,包括:
确定每一个时刻下每一个子区域中的静态障碍物的静态风险值和动态障碍物的动态风险值之和,得到每一个时刻下每一个子区域的风险值之和;
对每一个时刻下每一个子区域的风险值之和进行高斯卷积处理,得到每一个时刻下每一个子区域的风险总值。
进一步地,高斯卷积处理的卷积核方差为σ=bkΔT,其中,k表示第k个时刻,k是正整数,ΔT表示相邻时刻之间的时间间隔,b为预设的方差因子。
进一步地,获取每一个时刻的静态障碍物的静态障碍物位置信息,并获取每一个时刻的动态障碍物的障碍物运动信息,包括:
通过车辆上的传感器,获取每一个时刻的静态障碍物的静态障碍物位置信息;
对动态障碍物的运动轨迹进行预测,得到动态障碍物的预测运动轨迹;
根据预测运动轨迹,确定每一个时刻的动态障碍物的障碍物运动信息。
第二方面,本申请提供了一种基于轨迹安全度的数据处理装置,包括:
第一获取单元,用于获取车辆在自动驾驶规划路径上的每一个时刻的车辆位置信息和车辆运动信息,并确定每一个时刻的与车辆位置信息对应的预设周围区域,其中,预设周围区域中包括静态障碍物和动态障碍物;
第二获取单元,用于获取每一个时刻的静态障碍物的静态障碍物位置信息,并获取每一个时刻的动态障碍物的障碍物运动信息;
确定单元,用于根据每一个时刻的车辆运动信息、静态障碍物位置信息
第三方面,本申请提供了一种数据处理设备,包括:处理器、存储器以及计算机程序;
其中,计算机程序存储在存储器中,并被配置为由处理器执行以实现如权利要求1-13任一项的方法。
第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行以实现如权利要求1-13任一项的方法。
本申请提供的数据处理方法、装置、设备和存储介质,通过获取车辆在自动驾驶规划路径上的每一个时刻的车辆位置信息和车辆运动信息,并确定每一个时刻的与车辆位置信息对应的预设周围区域,其中,预设周围区域中包括静态障碍物和动态障碍物;获取每一个时刻的静态障碍物的静态障碍物位置信息,和每一个时刻的动态障碍物的障碍物运动信息;根据每一个时刻的车辆运动信息、静态障碍物位置信息和障碍物运动信息,确定自动驾驶规划路径的风险值。根据车辆的自动驾驶规划路径的每一个时刻的车辆运动信息、静态障碍物位置信息和障碍物运动信息,确定自动驾驶规划路径的风险值,风险值评估指标多元化,适用于复杂交通场景中的自动驾驶规划路径的风险值的评估。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1为本申请实施例提供的一种数据处理方法的流程示意图;
图2为本申请实施例提供的又一种数据处理方法的流程示意图;
图3为本申请实施例提供的另一种数据处理方法的流程示意图;
图4为本申请实施例提供的其他一种数据处理方法的流程示意图;
图5为本申请实施例提供的一种数据处理装置的结构示意图;
图6为本申请实施例提供的又一种数据处理装置的结构示意图;
图7为本申请实施例提供的一种数据处理设备的结构示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本申请具体的应用场景为:随着自动驾驶技术发展,自动驾驶车辆逐渐得到发展和应用,在自动驾驶车辆进行行驶的时候,会为自动驾驶车辆提供自动驾驶规划路径。自动驾驶规划路径上以及周围会存在一些障碍物,需要对自动驾驶规划路径进行分析,以确定自动驾驶规划路径的风险。现有技术中自动驾驶规划路径的风险评估指标主要包括TTC(time to collision碰撞时间)和DTC(distance to collision碰撞距离),TTC是根据车辆的速度和位置预测碰撞时间点,DTC是根据车辆的速度和位置预测碰撞距离,利用类似人类驾驶行为习惯的TTC和DTC来评估车辆的自动驾驶规划路径的风险值。现有技术中,在对自动驾驶规划路径的风险进行评估的时候,基于的指标太过简单和单一,现实的行驶环境是较为复杂的,现有的方式所确定出风险性值是不够准确的。
本申请提供的数据处理方法、装置、设备和存储介质,旨在解决现有技术中的如上技术问题。
首先对本发明所涉及的名词进行解释:
非完整性约束:设x为系统状态变量,u为系统控制变量,t为时间,H为约束,若存在函数G(x,t)(不为常数)使得则系统是完整系统(holonomicsystem),对应的约束H为完整约束,否则,系统是非完整系统,对应的约束H为非完整约束。
高斯卷积:利用邻域像素的加权均值来代替该点的像素值,而每一邻域像素点权值随该点与中心点的距离单调增减。
二维高斯函数:σ为卷积核方差,二维高斯函数具有旋转对称性,即滤波器在各个方向上的平滑程度相同。
图1为本申请实施例提供的一种数据处理方法的流程示意图,如图1所示,该方法包括:
步骤101、获取车辆在自动驾驶规划路径上的每一个时刻的车辆位置信息和车辆运动信息,并确定每一个时刻的与车辆位置信息对应的预设周围区域,其中,预设周围区域中包括静态障碍物和动态障碍物。
在本实施例中,具体的,本实施例的执行主体为终端、或者车辆的控制器、或者其他可以执行本实施例的装置或设备。本实施例以执行主体为终端进行说明。可以在终端中设置应用软件,然后,终端控制应用软件执行本实施例提供的方法。
对于自动驾驶的车辆来说,车辆需要依据自动驾驶规划路径进行行驶,需要对自动驾驶规划路径进行分析,确定出自动驾驶规划路径是否有风险,即是否安全。
首先,终端对车辆的自动驾驶规划路径进行采样,获取自动驾驶规划路径上每一个时刻的车辆位置信息和车辆运动信息。其中,车辆位置信息可以是车辆所在位置的经纬度信息;车辆运动信息包括车辆朝向、车辆速度值、车辆的加速度值等等。
对于每一个时刻来说,以车辆的车辆位置信息所表征的位置为中心点,设定一个预设周围区域,预设周围区域可能包括静态障碍物和/或动态障碍物。对于每一个时刻来说,终端可以通过设置在车辆上的传感器检测到预设周围区域上的静态障碍物和动态障碍物。
举例来说,终端对车辆的自动驾驶规划路径进行T=1、2、3、4、…、20(min)的等时间间隔采样,获取自动驾驶规划路径上T=1、2、3、4、…、20(min)时刻的车辆位置信息和车辆运动信息,车辆传感器能够获取到检测数据的最大距离为200米,以自动驾驶规划路径上T=1、2、3、4、…、20分钟(min)时刻的车辆位置为中心,确定200*200的矩形区域为预设周围区域,预设周围区域中包括静态障碍物和动态障碍物。
步骤102、获取每一个时刻的静态障碍物的静态障碍物位置信息,并获取每一个时刻的动态障碍物的障碍物运动信息。
在本实施例中,具体的,终端获取每一个时刻下的预设周围区域中静态障碍物的位置信息,获取每一个时刻下的预设周围区域中动态障碍物的位置信息和运动信息,其中,动态障碍物的运动信息可以包括动态障碍物的朝向、动态障碍物的速度值、或者动态障碍物的加速度值、或者动态障碍物的位移值。
举例来说,终端获取T=1、2、3、4、…、20(min)时刻下预设周围区域中隔离带的位置信息、障碍车辆的位置信息和运动信息、行人的位置信息和运动信息。
步骤103、根据每一个时刻的车辆运动信息、静态障碍物位置信息和障碍物运动信息,确定自动驾驶规划路径的风险值。
在本实施例中,具体的,终端根据步骤101获取的每一个时刻下的车辆位置信息和车辆运动信息,步骤102获取的每一个时刻下的预设周围区域中的静态障碍物位置信息、动态障碍物位置信息和动态障碍物运动信息,确定自动驾驶规划路径的风险值。
具体来说,对于每一个时刻来说,终端可以根据车辆运动信息和静态障碍物位置信息,确定静态障碍物对车辆的自动驾驶规划路径产生的静态障碍物风险值;对于每一个时刻来说,终端可以根据障碍物运动信息,确定出动态障碍物对车辆的自动驾驶规划路径产生的动态障碍物风险值;然后,终端对各个时刻下的静态障碍物风险值和动态障碍物风险值进行综合的分析和计算,计算出自动驾驶规划路径的风险值,进而确定自动驾驶规划路径的安全度。
本实施例通过获取车辆在自动驾驶规划路径上的每一个时刻的车辆位置信息和车辆运动信息,确定每一个时刻下与车辆位置信息对应的预设周围区域,其中,预设周围区域中包括静态障碍物和动态障碍物;根据车辆自动驾驶规划路径的每一个时刻的车辆运动信息、静态障碍物位置信息和障碍物运动信息,确定自动驾驶规划路径的风险值。通过对连续时间采用离散方法,确定出车辆在自动驾驶规划路径上的多个点的风险值,可以有效简化风险评估方法,提高风险评估效率;并且,依据车辆周围的静态障碍物和动态障碍物信息,确定自动驾驶规划路径的风险值,所采用的评估指标是多元化的,反映出了自动驾驶车辆的行驶环境的复杂性,可以准确地确定自动驾驶规划路径的风险值,适用于复杂交通场景中的自动驾驶规划路径的风险值的分析和评估。
图2为本申请实施例提供的又一种数据处理方法的流程示意图,如图2所示,该方法包括:
步骤201、获取车辆在自动驾驶规划路径上的每一个时刻的车辆位置信息和车辆运动信息,并确定每一个时刻的与车辆位置信息对应的预设周围区域,其中,预设周围区域中包括静态障碍物和动态障碍物。
在本实施例中,具体的,本步骤可以参见图1的步骤101,不再赘述。
步骤202、获取每一个时刻的静态障碍物的静态障碍物位置信息,并获取每一个时刻的动态障碍物的障碍物运动信息。
可选的,步骤202具体包括:通过车辆上的传感器,获取每一个时刻的静态障碍物的静态障碍物位置信息;对动态障碍物的运动轨迹进行预测,得到动态障碍物的预测运动轨迹;根据预测运动轨迹,确定每一个时刻的动态障碍物的障碍物运动信息。
在本实施例中,具体的,在车辆上设置了传感器;通过车辆上的传感器,终端获取每一个时刻的静态障碍物的静态障碍物位置信息。动态障碍物处于运动状态,需要对动态障碍物的运动轨迹进行预测,进而确定出动态障碍物会出现在车辆的自动驾驶规划路径上的哪些位置,以及在该些位置时的运动信息。终端可以对动态障碍物的运动轨迹进行预测,其中,对动态障碍物的运动轨迹预测,可以采用现有预测方法完成。
步骤203、根据每一个时刻的车辆运动信息和每一个时刻下每一个静态障碍物的静态障碍物位置信息,确定每一个时刻下每一个静态障碍物的静态风险值。
在本实施例中,具体的,终端根据每一个时刻的车辆运动信息,确定每一个时刻的第一运动风险参数,第一运动风险参数与车辆的速度有关,车辆速度越大,其对车辆的自动驾驶规划路经的风险值的影响程度越大,第一运动风险参数的值越大。确定第一运动风险参数后,终端根据每一个时刻的第一运动风险参数和每一个时刻下每一个静态障碍物的静态障碍物位置信息,确定每一个时刻下每一个静态障碍物的静态风险值,静态风险值与距离静态障碍物的最小距离有关,与静态障碍物的种类也有关,不同静态障碍物的风险因子不同。
本实施例中,静态障碍物包括但不限于路障、隔离带、道闸、栏杆、隔离墩。
步骤204、根据每一个时刻的车辆运动信息和每一个时刻下每一个动态障碍物的障碍物运动信息,确定每一个时刻下每一个动态障碍物的动态风险值。
在本实施例中,具体的,终端根据每一个时刻下每一个动态障碍物的动态障碍物距离值和动态障碍物速度值,确定每一个时刻的动态障碍物的运动风险参数;然后根据每一个时刻的动态障碍物的第二运动风险参数和每一个时刻的车辆运动信息,确定每一个时刻下每一个动态障碍物的动态风险值。
针对不同种类的动态障碍物,动态障碍物的运动风险参数的决定因素不同,动态风险值的大小也不同。举例来说,对于不具非完整性约束的动态障碍物,比如运动的行人,其运动具有灵活性高、不确定性高的特点,行人的运动速度以及距离行人的最短距离影响运动风险参数的大小,运动行人的动态风险值与运动风险参数、车辆速度有关;对于具有非完整性约束的动态障碍物,比如障碍车辆,其运动具有稳定性强、速度大的特点,障碍车辆与车辆的相对速度会影响运动风险参数的大小,障碍车辆的动态风险值与运动风险参数和障碍车辆的风险因子有关。
本实施例中,不具非完整性约束的动态障碍物包括但不限于运动的行人、运动的小动物、滚动的皮球,具有非完整性约束的动态障碍物包括但不限于行驶的轿车、卡车、自行车、摩托车。
步骤205、根据各个时刻下各个静态障碍物的静态风险值和各个动态障碍物的动态风险值,确定路径风险值。
本实施例中,终端根据车辆的自动驾驶规划路径的各个采样时刻的各个静态障碍物的静态风险值和各个动态障碍物的动态风险值,确定出车辆在自动驾驶规划路径的各个采样时刻的风险总值,进而确定出车辆的该条自动驾驶规划路径的风险值。
本实施例通过将风险值划分为静态障碍物的静态风险值和动态障碍物的动态风险值,把动态障碍物划分为具有非完整性约束的动态障碍物和不具非完整性约束的动态障碍物,不同种类动态障碍物对车辆的自动驾驶规划路径的风险值产生的作用不同,充分分析了不同种类、不同运动状态的障碍物特点,能够更加准确地表征复杂的交通环境,风险值评估指标多元化,适用于包含多种类型动态障碍物的复杂交通场景中自动驾驶规划路经的风险值的评估。
图3为本申请实施例提供的另一种数据处理方法的流程示意图,如图3所示,该方法包括:
步骤301、获取车辆在自动驾驶规划路径上的每一个时刻的车辆位置信息和车辆运动信息,并确定每一个时刻的与车辆位置信息对应的预设周围区域,其中,预设周围区域中包括静态障碍物和动态障碍物。
在本实施例中,具体的,本步骤可以参见图1的步骤101,不再赘述。
步骤302、获取每一个时刻的静态障碍物的静态障碍物位置信息,并获取每一个时刻的动态障碍物的障碍物运动信息。
在本实施例中,具体的,终端对动态障碍物的运动轨迹进行预测,得到动态障碍物的预测运动轨迹,并根据预测运动轨迹,确定每一个时刻的动态障碍物的障碍物运动信息。终端对障碍物进行运动轨迹预测时,假设障碍物的当前状态为(x,y,heading,vel),其中(x,y)表示障碍物当前坐标,heading表示当前障碍物朝向,vel表示当前障碍物运动速度。采用基于运动学模型推演的预测方法,假设障碍物未来进行匀速运动,且朝向不变,则预测t时刻的障碍物状态为:(x+t*vel*sin(heading),y+t*vel*cos(heading),heading,vel)。
步骤303、根据每一个时刻的车辆运动信息,确定每一个时刻的每一个静态障碍物的第一运动风险参数,根据每一个时刻的每一个静态障碍物的第一运动风险参数和每一个时刻下每一个静态障碍物的静态障碍物位置信息,确定每一个时刻下每一个静态障碍物的静态风险值。
在本实施例中,具体的,第一运动风险参数为其中,vego为每一个时刻的车辆运动信息,且vego表征车辆的车辆速度值,γ为预设的车速风险因子;每一个时刻下每一个静态障碍物的静态风险值为其中,αs为预设的静态障碍物风险因子,d为每一个时刻下每一个静态障碍物的静态障碍物位置信息,且d表征了静态障碍物与车辆之间的静态障碍物距离值。
步骤304、动态障碍物为不具非完整性约束的动态障碍物,根据每一个时刻下每一个动态障碍物的动态障碍物距离值和动态障碍物速度值,确定每一个时刻的第二运动风险参数,根据每一个时刻的第二运动风险参数和每一个时刻的车辆运动信息,确定每一个时刻下每一个动态障碍物的动态风险值。
在本实施例中,具体的,每一个时刻的第二运动风险参数为其中,vobs为每一个时刻下每一个动态障碍物的动态障碍物速度值,d′为每一个时刻下每一个动态障碍物的动态障碍物距离值,动态障碍物距离值表征动态障碍物与车辆之间距离,αp为预设的动态障碍物速度风险因子;每一个时刻下每一个动态障碍物的动态风险值为其中,vego为每一个时刻的车辆运动信息,且vego表征车辆的车辆速度值,β为预设的非负调节因子。
步骤305、动态障碍物为具有非完整性约束的动态障碍物,根据每一个时刻下每一个动态障碍物的动态障碍物速度值和每一个时刻的车辆运动信息,确定每一个时刻的第三运动风险参数,根据每一个时刻的第三运动风险参数和每一个时刻下每一个动态障碍物的动态障碍物距离值,确定每一个时刻下每一个动态障碍物的动态风险值。
在本实施例中,具体的,每一个时刻的第三运动风险参数为其中,其中,vobs为每一个时刻下每一个动态障碍物的动态障碍物速度值,vego为每一个时刻的车辆运动信息,且vego表征车辆的车辆速度值;每一个时刻下每一个动态障碍物的动态风险值为其中,d′为每一个时刻下每一个动态障碍物的动态障碍物距离值,动态障碍物距离值表征动态障碍物与车辆之间距离,αv为预设的动态障碍物速度风险因子。
步骤306、根据各个时刻下各个静态障碍物的静态风险值和各个动态障碍物的动态风险值,确定路径风险值。
本实施例根据动态障碍物运动特点,把动态障碍物划分为具有非完整性约束的动态障碍物和不具非完整性约束的动态障碍物,不同种类动态障碍物对车辆的自动驾驶规划路径的风险值产生的作用不同,充分分析了不同种类、不同运动状态的障碍物特点,能够更加准确地表征复杂的交通环境。基于静态障碍物的位置信息,不同种类的动态障碍物的位置信息和运动信息,以及每一时刻的车辆的位置信息和运动信息,进行车辆自动驾驶规划路径的风险值的计算,风险值评估指标多元化,适用于包含多种类型动态障碍物的复杂交通场景中自动驾驶规划路经的风险值的评估。
图4为本申请实施例提供的其他一种数据处理方法的流程示意图,如图4所示,该方法包括:
步骤401、获取车辆在自动驾驶规划路径上的每一个时刻的车辆位置信息和车辆运动信息,并确定每一个时刻的与车辆位置信息对应的预设周围区域,其中,预设周围区域中包括静态障碍物和动态障碍物,每一时刻的预设周围区域包括多个子区域。
在本实施例中,具体的,终端将每一个时刻的与车辆位置信息对应的预设周围区域划分为多个子区域,子区域中可能包括静态障碍物和/或动态障碍物。
举例来说,终端将车辆自动驾驶规划路径上每一时刻确定的200*200米(m)的预设周围区域,划分为2000*2000个子区域,每个子区域的尺寸为0.1*0.1米(m),每个子区域中可能包括静态障碍物和/或动态障碍物。
步骤402、获取每一个时刻的静态障碍物的静态障碍物位置信息,并获取每一个时刻的动态障碍物的障碍物运动信息。
在本实施例中,具体的,终端获取每个子区域内的静态障碍物的静态障碍物位置信息,获取每个子区域内的动态障碍物的动态障碍物位置信息和动态障碍物运动信息。
步骤403、根据每一个时刻的车辆运动信息和每一个时刻下每一个静态障碍物的静态障碍物位置信息,确定每一个时刻下每一个静态障碍物的静态风险值。
在本实施例中,具体的,本步骤可以参见图2的步骤203,不再赘述。
步骤404、根据每一个时刻的车辆运动信息和每一个时刻下每一个动态障碍物的障碍物运动信息,确定每一个时刻下每一个动态障碍物的动态风险值。
在本实施例中,具体的,本步骤可以参见图2的步骤204,不再赘述。
步骤405、确定每一个时刻下每一个子区域中的静态障碍物的静态风险值和动态障碍物的动态风险值之和,得到每一个时刻下每一个子区域的风险总值。
在本实施例中,具体的,确定每一个时刻下每一个子区域中的静态障碍物的静态风险值和动态障碍物的动态风险值之和,得到每一个时刻下每一个子区域的风险值之和,对每一个时刻下每一个子区域的风险值之和进行高斯卷积处理,得到每一个时刻下每一个子区域的风险总值,高斯卷积处理的高斯卷积核方差为σ=bkΔT,其中,k表示第k个时刻,k是正整数,ΔT表示相邻时刻之间的时间间隔,b为预设的方差因子。高斯卷积核即为高斯卷积的模板,对于每一个时刻下每一个子区域的风险值之和,让模板的原点与风险值之和重合,然后模板上的点与风险值之和相乘,然后各点的积相加,得到每一个时刻下每一个子区域的风险总值。本实施例利用的高斯卷积为二维高斯卷积。
步骤406、确定每一个时刻下各个子区域的风险总值的平均值,为每一个时刻的车辆风险总值。
在本实施例中,具体的,终端对2000*2000个子区域的风险总值求均值,得到每一个时刻的车辆风险总值。
步骤407、根据每一个时刻的车辆风险总值和每一个时刻的预设时间因子,确定每一个时刻的车辆风险有效值。
在本实施例中,具体的,预设时间因子为αt=e-akΔT;其中,a为预设的时间因子衰减系数,k表示第k个时刻,k是正整数,ΔT表示相邻时刻之间的时间间隔。
步骤408、确定各个时刻的车辆风险有效值中的最大值,为路径风险值。
在本实施例中,具体的,车辆的某一条自动驾驶规划路径的风险值为该轨迹上车辆风险有效值最大时刻的风险值。可以对车辆的多条自动驾驶规划路径进行分析,然后选择风险值最小、安全度最高的规划路径去进行自动驾驶。
本实施例通过将每一个时刻的预设周围区域划分为多个子区域;确定每一个时刻下每一个子区域中的静态障碍物的静态风险值和动态障碍物的动态风险值,得到每一个时刻下每一个子区域的风险总值,通过采用对连续空间的离散方法,简化风险值评估方法,能够通过优化实施算法,提高风险评估效率,适用于复杂交通场景中的风险评估;确定每一个时刻下各个子区域的风险总值的平均值,并对风险总值的平均值做高斯卷积处理,得到每一个时刻的车辆风险总值,充分考虑了障碍物运动的不确定性以及预测方法引入的不确定性,能够提高风险评估对上游数据的容错能力;根据每一个时刻的车辆风险总值和每一个时刻的预设时间因子,确定每一个时刻的车辆风险有效值,确定各个时刻的车辆风险有效值中的最大值为自动驾驶规划路径的风险值,充分考虑了车辆自动驾驶规划路径中不同时刻的风险值对整条轨迹的风险值影响不同,提高了风险评估的准确度。
图5为本申请实施例提供的一种数据处理装置的结构示意图,如图5所示,该装置包括:
第一获取单元1,用于获取车辆在自动驾驶规划路径上的每一个时刻的车辆位置信息和车辆运动信息,并确定每一个时刻的与车辆位置信息对应的预设周围区域,其中,预设周围区域中包括静态障碍物和动态障碍物;
第二获取单元2,用于获取每一个时刻的静态障碍物的静态障碍物位置信息,并获取每一个时刻的动态障碍物的障碍物运动信息;
确定单元3,用于根据每一个时刻的车辆运动信息、静态障碍物位置信息和障碍物运动信息,确定自动驾驶规划路径的风险值。
本实施例的数据处理装置可以实施本发明实施例提供的数据处理方法,其实现原理类似,本处不再赘述。
本实施例通过获取车辆在自动驾驶规划路径上的每一个时刻的车辆位置信息和车辆运动信息,确定每一个时刻下与车辆位置信息对应的预设周围区域,其中,预设周围区域中包括静态障碍物和动态障碍物;根据车辆自动驾驶规划路径的每一个时刻的车辆运动信息、静态障碍物位置信息和障碍物运动信息,确定自动驾驶规划路径的风险值。通过对连续时间采用离散方法,有效简化风险评估方法,提高风险评估效率;充分分析不同类型、不同运动状态的障碍物特点,风险值评估指标多元化,适用于复杂交通场景中的自动驾驶规划路径的风险值的评估。
图6为本申请实施例提供的又一种数据处理装置的结构示意图,在图5所示实施例的基础上,如图6所示,
第二获取单元2,包括:
第一获取子单元21,用于通过车辆上的传感器,获取每一个时刻的静态障碍物的静态障碍物位置信息;
第二获取子单元22,用于对动态障碍物的运动轨迹进行预测,获取动态障碍物的预测运动轨迹;
第三获取子单元23,用于根据预测运动轨迹,获取每一个时刻的动态障碍物的障碍物运动信息.
确定单元3,用于根据每一个时刻的车辆运动信息、静态障碍物位置信息和障碍物运动信息,确定自动驾驶规划路径的风险值,
本实施例的装置,还包括:
第一确定模块31,用于根据每一个时刻的车辆运动信息和每一个时刻下每一个静态障碍物的静态障碍物位置信息,确定每一个时刻下每一个静态障碍物的静态风险值;
第二确定模块32,用于根据每一个时刻的车辆运动信息和每一个时刻下每一个动态障碍物的障碍物运动信息,确定每一个时刻下每一个动态障碍物的动态风险值;
第三确定模块33,用于根据各个时刻下各个静态障碍物的静态风险值和各个动态障碍物的动态风险值,确定路径风险值。
第一确定模块31,包括:
第一确定子模块311,用于根据每一个时刻的车辆运动信息,确定每一个时刻的第一运动风险参数;
第二确定子模块312,用于根据每一个时刻的第一运动风险参数和每一个时刻下每一个静态障碍物的静态障碍物位置信息,确定每一个时刻下每一个静态障碍物的静态风险值。
第二确定模块32,包括:
动态障碍物为不具非完整性约束的动态障碍物,
第一确定子模块321,用于根据每一个时刻下每一个动态障碍物的动态障碍物距离值和动态障碍物速度值,确定每一个时刻的第二运动风险参数;
第二确定子模块322,用于根据每一个时刻的第二运动风险参数和每一个时刻的车辆运动信息,确定每一个时刻下每一个动态障碍物的动态风险值。
第二确定模块32,包括:
动态障碍物为具有非完整性约束的动态障碍物,
第三确定子模块323,用于根据每一个时刻下每一个动态障碍物的动态障碍物速度值和每一个时刻的车辆运动信息,确定每一个时刻的第三运动风险参数;
第四确定子模块324,用于根据每一个时刻的第三运动风险参数和每一个时刻下每一个动态障碍物的动态障碍物距离值,确定每一个时刻下每一个动态障碍物的动态风险值。
第三确定模块33,包括:
第一确定子模块331,用于确定每一个时刻下每一个子区域中的静态障碍物的静态风险值和动态障碍物的动态风险值之和,得到每一个时刻下每一个子区域的风险总值;
第二确定子模块332,用于确定每一个时刻下各个子区域的风险总值的平均值,为每一个时刻的车辆风险总值;
第三确定子模块333,用于根据每一个时刻的车辆风险总值和每一个时刻的预设时间因子,确定每一个时刻的车辆风险有效值;
第四确定子模块334,用于确定各个时刻的车辆风险有效值中的最大值,为路径风险值。
本实施例通过将每一个时刻的预设周围区域划分为多个子区域;确定每一个时刻下每一个子区域中的静态障碍物的静态风险值和动态障碍物的动态风险值,得到每一个时刻下每一个子区域的风险总值,通过采用对连续时间和空间的离散方法,简化风险值评估方法,能够通过优化实施算法,提高风险评估效率,能够更加准确地表征复杂交通场景,充分分析不同类型、不同运动状态的障碍物特点,并针对设计了运动风险参数用于评估车辆自动驾驶规划路径风险值,适用于复杂交通场景中的风险评估;确定每一个时刻下各个子区域的风险总值的平均值,并对风险总值的平均值做高斯卷积处理,得到每一个时刻的车辆风险总值,充分考虑了障碍物运动的不确定性以及预测方法引入的不确定性,能够提高风险评估对上游数据的容错能力;根据每一个时刻的车辆风险总值和每一个时刻的预设时间因子,确定每一个时刻的车辆风险有效值,确定各个时刻的车辆风险有效值中的最大值为自动驾驶规划路径的风险值,充分考虑了车辆自动驾驶规划路径中不同时刻的风险值对整条轨迹的风险值影响不同,提高了风险评估的准确度。
图7为本申请实施例提供的一种数据处理设备的结构示意图,如图7所示,本申请实施例提供了一种数据处理设备,可以用于执行图1-图4所示实施例中数据处理设备动作或步骤,具体包括:处理器701,存储器702和通信接口703。
存储器702,用于存储计算机程序。
处理器701,用于执行存储器702中存储的计算机程序,以实现图1-图4所示实施例中数据处理设备的动作,不再赘述。
可选的,数据处理设备还可以包括总线704。其中,处理器701、存储器702以及通信接口703可以通过总线704相互连接;总线704可以是外设部件互连标准(PeripheralComponent Interconnect,简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture,简称EISA)总线等。上述总线704可以分为地址总线、数据总线和控制总线等。为便于表示,图7中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
在本申请实施例中,上述各实施例之间可以相互参考和借鉴,相同或相似的步骤以及名词均不再一一赘述。
或者,以上各个模块的部分或全部也可以通过集成电路的形式内嵌于该数据处理设备的某一个芯片上来实现。且它们可以单独实现,也可以集成在一起。即以上这些模块可以被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(Digital Singnal Processor,简称DSP),或,一个或者多个现场可编程门阵列(FieldProgrammable Gate Array,简称FPGA)
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行以实现上述处理方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、数据处理设备或数据中心通过有线(例如,同轴电缆、光纤、数字用户线(digitalsubscriber line,DSL))或无线(例如,红外、无线、微波等)方式向另一个网站站点、计算机、数据处理设备或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的数据处理设备、数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如,固态硬盘(solid state disk,SSD))等。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本申请实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (13)
1.一种基于轨迹安全度的数据处理方法,其特征在于,包括:
获取车辆在自动驾驶规划路径上的每一个时刻的车辆位置信息和车辆运动信息,并确定所述每一个时刻的与车辆位置信息对应的预设周围区域,其中,所述预设周围区域中包括静态障碍物和动态障碍物;
获取每一个时刻的静态障碍物的静态障碍物位置信息,并获取每一个时刻的动态障碍物的障碍物运动信息;
根据每一个时刻的车辆运动信息、静态障碍物位置信息和障碍物运动信息,确定所述自动驾驶规划路径的风险值。
2.根据权利要求1所述的方法,其特征在于,所述根据每一个时刻的车辆运动信息、静态障碍物位置信息和障碍物运动信息,确定所述自动驾驶规划路径的风险值,包括:
根据每一个时刻的车辆运动信息和每一个时刻下每一个静态障碍物的静态障碍物位置信息,确定每一个时刻下每一个静态障碍物的静态风险值;
根据每一个时刻的车辆运动信息和每一个时刻下每一个动态障碍物的障碍物运动信息,确定每一个时刻下每一个动态障碍物的动态风险值;
根据各个时刻下各个静态障碍物的静态风险值和各个动态障碍物的动态风险值,确定所述路径风险值。
3.根据权利要求2所述的方法,其特征在于,根据每一个时刻的车辆运动信息和每一个时刻下每一个静态障碍物的静态障碍物位置信息,确定每一个时刻下每一个静态障碍物的静态风险值,包括:
根据每一个时刻的车辆运动信息,确定每一个时刻的第一运动风险参数;
根据每一个时刻的第一运动风险参数和每一个时刻下每一个静态障碍物的静态障碍物位置信息,确定每一个时刻下每一个静态障碍物的静态风险值。
4.根据权利要求3所述的方法,其特征在于,所述每一个时刻的第一运动风险参数为其中,vego为所述每一个时刻的车辆运动信息,且vego表征所述车辆的车辆速度值,γ为预设的车速风险因子;
所述每一个时刻下每一个静态障碍物的静态风险值为 其中,αs为预设的静态障碍物风险因子,d为每一个时刻下每一个静态障碍物的静态障碍物位置信息,且d表征了静态障碍物与所述车辆之间的静态障碍物距离值。
5.根据权利要求2所述的方法,其特征在于,所述动态障碍物动态障碍物为不具非完整性约束的动态障碍物,所述障碍物运动信息包括动态障碍物距离值和动态障碍物速度值,则所述根据每一个时刻的车辆运动信息和每一个时刻下每一个动态障碍物的障碍物运动信息,确定每一个时刻下每一个动态障碍物的动态风险值,包括:
根据每一个时刻下每一个动态障碍物的动态障碍物距离值和动态障碍物速度值,确定每一个时刻的第二运动风险参数;
根据每一个时刻的第二运动风险参数和每一个时刻的车辆运动信息,确定每一个时刻下每一个动态障碍物的动态风险值。
6.根据权利要求5所述的方法,其特征在于,所述每一个时刻的第二运动风险参数为其中,vobs为每一个时刻下每一个动态障碍物的动态障碍物速度值,d′为每一个时刻下每一个动态障碍物的动态障碍物距离值,所述动态障碍物距离值表征动态障碍物与所述车辆之间距离,αp为预设的动态障碍物速度风险因子;
所述每一个时刻下每一个动态障碍物的动态风险值为其中,vego为所述每一个时刻的车辆运动信息,且vego表征所述车辆的车辆速度值,β为预设的非负调节因子。
7.根据权利要求2所述的方法,其特征在于,所述动态障碍物为具有非完整性约束的动态障碍物,所述障碍物运动信息包括动态障碍物距离值和动态障碍物速度值,则所述根据每一个时刻的车辆运动信息和每一个时刻下每一个动态障碍物的障碍物运动信息,确定每一个时刻下每一个动态障碍物的动态风险值,包括:
根据每一个时刻下每一个动态障碍物的动态障碍物速度值和每一个时刻的车辆运动信息,确定每一个时刻的第三运动风险参数;
根据每一个时刻的第三运动风险参数和每一个时刻下每一个动态障碍物的动态障碍物距离值,确定每一个时刻下每一个动态障碍物的动态风险值。
8.根据权利要求7所述的方法,其特征在于,所述每一个时刻的第三运动风险参数为其中,其中,vobs为每一个时刻下每一个动态障碍物的动态障碍物速度值,vego为所述每一个时刻的车辆运动信息,且vego表征所述车辆的车辆速度值;
所述每一个时刻下每一个动态障碍物的动态风险值为其中,d′为每一个时刻下每一个动态障碍物的动态障碍物距离值,所述动态障碍物距离值表征动态障碍物与所述车辆之间距离,αv为预设的动态障碍物速度风险因子。
9.根据权利要求2所述的方法,其特征在于,每一个时刻的预设周围区域包括多个子区域,则所述根据各个时刻下各个静态障碍物的静态风险值和各个动态障碍物的动态风险值,确定所述路径风险值,包括:
确定每一个时刻下每一个子区域中的静态障碍物的静态风险值和动态障碍物的动态风险值之和,得到每一个时刻下每一个子区域的风险总值;
确定每一个时刻下各个子区域的风险总值的平均值,为每一个时刻的车辆风险总值;
根据每一个时刻的车辆风险总值和每一个时刻的预设时间因子,确定每一个时刻的车辆风险有效值;
确定各个时刻的车辆风险有效值中的最大值,为所述路径风险值。
10.根据权利要求9所述的方法,其特征在于,所述预设时间因子为αt=e-akΔT;其中,a为预设的时间因子衰减系数,k表示第k个时刻,k是正整数,ΔT表示相邻时刻之间的时间间隔。
11.根据权利要求9所述的方法,其特征在于,所述确定每一个时刻下每一个子区域中的静态障碍物的静态风险值和动态障碍物的动态风险值之和,得到每一个时刻下每一个子区域的风险总值,包括:
确定每一个时刻下每一个子区域中的静态障碍物的静态风险值和动态障碍物的动态风险值之和,得到每一个时刻下每一个子区域的风险值之和;
对每一个时刻下每一个子区域的风险值之和进行高斯卷积处理,得到每一个时刻下每一个子区域的风险总值。
12.根据权利要求11所述的方法,其特征在于,所述高斯卷积处理的卷积核方差为σ=bkΔT,其中,k表示第k个时刻,k是正整数,ΔT表示相邻时刻之间的时间间隔,b为预设的方差因子。
13.根据权利要求1-12任一项所述的方法,其特征在于,获取每一个时刻的静态障碍物的静态障碍物位置信息,并获取每一个时刻的动态障碍物的障碍物运动信息,包括:
通过所述车辆上的传感器,获取所述每一个时刻的静态障碍物的静态障碍物位置信息;
对动态障碍物的运动轨迹进行预测,得到动态障碍物的预测运动轨迹;
根据所述预测运动轨迹,确定所述每一个时刻的动态障碍物的障碍物运动信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910185614.4A CN109934164B (zh) | 2019-03-12 | 2019-03-12 | 基于轨迹安全度的数据处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910185614.4A CN109934164B (zh) | 2019-03-12 | 2019-03-12 | 基于轨迹安全度的数据处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109934164A true CN109934164A (zh) | 2019-06-25 |
CN109934164B CN109934164B (zh) | 2020-12-01 |
Family
ID=66987006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910185614.4A Active CN109934164B (zh) | 2019-03-12 | 2019-03-12 | 基于轨迹安全度的数据处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934164B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110356408A (zh) * | 2019-07-31 | 2019-10-22 | 百度在线网络技术(北京)有限公司 | 自动驾驶车辆行驶方案的确定方法及装置 |
CN110598980A (zh) * | 2019-08-07 | 2019-12-20 | 华为技术有限公司 | 交通场景的风险评估方法及装置 |
CN111027195A (zh) * | 2019-12-03 | 2020-04-17 | 北京百度网讯科技有限公司 | 仿真场景的生成方法、装置及设备 |
CN111724598A (zh) * | 2020-06-29 | 2020-09-29 | 北京百度网讯科技有限公司 | 用于规划路径的方法、装置、设备以及存储介质 |
CN112540365A (zh) * | 2020-12-10 | 2021-03-23 | 中国第一汽车股份有限公司 | 一种评估方法、装置、设备及存储介质 |
CN112749595A (zh) * | 2019-10-31 | 2021-05-04 | 北京沃东天骏信息技术有限公司 | 一种确定行驶路径的方法和装置 |
CN112799411A (zh) * | 2021-04-12 | 2021-05-14 | 北京三快在线科技有限公司 | 一种无人驾驶设备的控制方法及装置 |
CN112947401A (zh) * | 2019-12-09 | 2021-06-11 | 深动科技(北京)有限公司 | 一种自动驾驶系统中的感知数据的显示方法 |
CN113205088A (zh) * | 2021-07-06 | 2021-08-03 | 禾多科技(北京)有限公司 | 障碍物图像展示方法、电子设备和计算机可读介质 |
CN113822593A (zh) * | 2021-09-30 | 2021-12-21 | 中国第一汽车股份有限公司 | 一种安全态势评估方法、装置、存储介质及电子设备 |
CN114590252A (zh) * | 2022-04-01 | 2022-06-07 | 广州文远知行科技有限公司 | 自动驾驶车辆避障控制方法、装置、设备及可读存储介质 |
WO2023005223A1 (zh) * | 2021-07-27 | 2023-02-02 | 北京三快在线科技有限公司 | 轨迹规划方法、装置、存储介质、设备及计算机程序产品 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104614733A (zh) * | 2015-01-30 | 2015-05-13 | 福州华鹰重工机械有限公司 | 一种动态障碍物检测方法 |
CN105549597A (zh) * | 2016-02-04 | 2016-05-04 | 同济大学 | 一种基于环境不确定性的无人车动态路径规划方法 |
CN107169986A (zh) * | 2017-05-23 | 2017-09-15 | 北京理工大学 | 一种障碍物检测方法及系统 |
CN108072382A (zh) * | 2016-11-11 | 2018-05-25 | 现代自动车株式会社 | 用于自主驾驶车辆的路径确定装置及路径确定方法 |
CN108189835A (zh) * | 2017-12-28 | 2018-06-22 | 清华大学苏州汽车研究院(吴江) | 一种自动驾驶的避撞控制方法及系统 |
WO2018161278A1 (zh) * | 2017-03-08 | 2018-09-13 | 深圳市速腾聚创科技有限公司 | 无人驾驶汽车系统及其控制方法、汽车 |
CN108692734A (zh) * | 2017-04-07 | 2018-10-23 | 北京图森未来科技有限公司 | 一种路径规划方法和装置 |
CN109017786A (zh) * | 2018-08-09 | 2018-12-18 | 北京智行者科技有限公司 | 车辆避障方法 |
US20190072973A1 (en) * | 2017-09-07 | 2019-03-07 | TuSimple | Data-driven prediction-based system and method for trajectory planning of autonomous vehicles |
-
2019
- 2019-03-12 CN CN201910185614.4A patent/CN109934164B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104614733A (zh) * | 2015-01-30 | 2015-05-13 | 福州华鹰重工机械有限公司 | 一种动态障碍物检测方法 |
CN105549597A (zh) * | 2016-02-04 | 2016-05-04 | 同济大学 | 一种基于环境不确定性的无人车动态路径规划方法 |
CN108072382A (zh) * | 2016-11-11 | 2018-05-25 | 现代自动车株式会社 | 用于自主驾驶车辆的路径确定装置及路径确定方法 |
WO2018161278A1 (zh) * | 2017-03-08 | 2018-09-13 | 深圳市速腾聚创科技有限公司 | 无人驾驶汽车系统及其控制方法、汽车 |
CN108692734A (zh) * | 2017-04-07 | 2018-10-23 | 北京图森未来科技有限公司 | 一种路径规划方法和装置 |
CN107169986A (zh) * | 2017-05-23 | 2017-09-15 | 北京理工大学 | 一种障碍物检测方法及系统 |
US20190072973A1 (en) * | 2017-09-07 | 2019-03-07 | TuSimple | Data-driven prediction-based system and method for trajectory planning of autonomous vehicles |
CN108189835A (zh) * | 2017-12-28 | 2018-06-22 | 清华大学苏州汽车研究院(吴江) | 一种自动驾驶的避撞控制方法及系统 |
CN109017786A (zh) * | 2018-08-09 | 2018-12-18 | 北京智行者科技有限公司 | 车辆避障方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110356408A (zh) * | 2019-07-31 | 2019-10-22 | 百度在线网络技术(北京)有限公司 | 自动驾驶车辆行驶方案的确定方法及装置 |
CN110598980A (zh) * | 2019-08-07 | 2019-12-20 | 华为技术有限公司 | 交通场景的风险评估方法及装置 |
CN112749595A (zh) * | 2019-10-31 | 2021-05-04 | 北京沃东天骏信息技术有限公司 | 一种确定行驶路径的方法和装置 |
CN111027195A (zh) * | 2019-12-03 | 2020-04-17 | 北京百度网讯科技有限公司 | 仿真场景的生成方法、装置及设备 |
CN111027195B (zh) * | 2019-12-03 | 2023-02-28 | 阿波罗智能技术(北京)有限公司 | 仿真场景的生成方法、装置及设备 |
CN112947401A (zh) * | 2019-12-09 | 2021-06-11 | 深动科技(北京)有限公司 | 一种自动驾驶系统中的感知数据的显示方法 |
CN111724598A (zh) * | 2020-06-29 | 2020-09-29 | 北京百度网讯科技有限公司 | 用于规划路径的方法、装置、设备以及存储介质 |
CN112540365B (zh) * | 2020-12-10 | 2022-07-12 | 中国第一汽车股份有限公司 | 一种评估方法、装置、设备及存储介质 |
CN112540365A (zh) * | 2020-12-10 | 2021-03-23 | 中国第一汽车股份有限公司 | 一种评估方法、装置、设备及存储介质 |
CN112799411A (zh) * | 2021-04-12 | 2021-05-14 | 北京三快在线科技有限公司 | 一种无人驾驶设备的控制方法及装置 |
CN112799411B (zh) * | 2021-04-12 | 2021-07-30 | 北京三快在线科技有限公司 | 一种无人驾驶设备的控制方法及装置 |
CN113205088A (zh) * | 2021-07-06 | 2021-08-03 | 禾多科技(北京)有限公司 | 障碍物图像展示方法、电子设备和计算机可读介质 |
WO2023005223A1 (zh) * | 2021-07-27 | 2023-02-02 | 北京三快在线科技有限公司 | 轨迹规划方法、装置、存储介质、设备及计算机程序产品 |
CN113822593A (zh) * | 2021-09-30 | 2021-12-21 | 中国第一汽车股份有限公司 | 一种安全态势评估方法、装置、存储介质及电子设备 |
CN114590252A (zh) * | 2022-04-01 | 2022-06-07 | 广州文远知行科技有限公司 | 自动驾驶车辆避障控制方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109934164B (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934164A (zh) | 基于轨迹安全度的数据处理方法和装置 | |
CN109782763B (zh) | 一种动态环境下的移动机器人路径规划方法 | |
US20230144209A1 (en) | Lane line detection method and related device | |
US11794731B2 (en) | Waypoint prediction for vehicle motion planning | |
CN114364591A (zh) | 用于交通工具导航系统和方法 | |
US10831208B2 (en) | Vehicle neural network processing | |
CN112106124A (zh) | 用于使用v2x和传感器数据的系统和方法 | |
CN110020748A (zh) | 轨迹预测方法、装置、设备和存储介质 | |
CN109829351A (zh) | 车道信息的检测方法、装置及计算机可读存储介质 | |
US20210004966A1 (en) | Method for the Assessment of Possible Trajectories | |
US20220227397A1 (en) | Dynamic model evaluation package for autonomous driving vehicles | |
US11587366B1 (en) | Systems and methods for selecting locations to validate automated vehicle data transmission | |
CN104395944A (zh) | 定向车道的识别 | |
US20210397198A1 (en) | Enhanced vehicle operation | |
US11270164B1 (en) | Vehicle neural network | |
US11645775B1 (en) | Methods and apparatus for depth estimation on a non-flat road with stereo-assisted monocular camera in a vehicle | |
CN111160132B (zh) | 障碍物所在车道的确定方法、装置、电子设备和存储介质 | |
Schendzielorz et al. | Infrastructure-based vehicle maneuver estimation at urban intersections | |
Zuo et al. | Microscopic simulation based study of pedestrian safety applications at signalized urban crossings in a connected-automated vehicle environment and reinforcement learning based optimization of vehicle decisions. | |
US20210387652A1 (en) | Systems and methods for long-term prediction of lane change maneuver | |
US11183052B2 (en) | Enhanced vehicle operation | |
CN109313847A (zh) | 用于错路驾驶员识别的方法、设备和系统 | |
CN113483775A (zh) | 路径预测方法及装置、电子设备及计算机可读存储介质 | |
Hermann et al. | AutoSCOOP: Automated Road-Side Sensor Coverage Optimization for Robotic Vehicles on Proving Grounds | |
CN111326002A (zh) | 一种自动驾驶汽车环境感知的预测方法、装置及系统 |
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 |