CN110047276A - 障碍物车辆的拥堵状态确定方法、装置和相关产品 - Google Patents
障碍物车辆的拥堵状态确定方法、装置和相关产品 Download PDFInfo
- Publication number
- CN110047276A CN110047276A CN201910179055.6A CN201910179055A CN110047276A CN 110047276 A CN110047276 A CN 110047276A CN 201910179055 A CN201910179055 A CN 201910179055A CN 110047276 A CN110047276 A CN 110047276A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- congestion
- barrier vehicle
- prediction locus
- barrier
- 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
- 238000000034 method Methods 0.000 title claims abstract description 90
- 230000004888 barrier function Effects 0.000 claims description 451
- 230000003068 static effect Effects 0.000 claims description 64
- 238000004590 computer program Methods 0.000 claims description 40
- 238000010801 machine learning Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 11
- 239000004744 fabric Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 10
- 230000002045 lasting effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种障碍物车辆的拥堵状态确定方法、装置和相关产品。该方法包括:获取障碍物车辆的车辆信息;所述车辆信息用于描述所述障碍物车辆的外形和当前时刻的行驶状态;根据所述车辆信息对所述障碍物车辆在下一时刻的行驶状态进行预测,得到所述障碍物车辆的预测轨迹;根据每个所述预测轨迹、路网信息和所述车辆信息确定每个所述预测轨迹的拥堵状态,所述路网信息用于表征道路上的车道分布的信息和交通灯分布的信息;根据每个所述预测轨迹的拥堵状态确定所述障碍物车辆的拥堵状态。采用该方法,能够使得障碍物车辆的的拥堵状态确定结果更加合理和准确。
Description
技术领域
本申请涉及自动驾驶技术领域,特别是涉及一种障碍物车辆的拥堵状态确定方法、装置和相关产品。
背景技术
随着科技的飞速发展,自动驾驶技术的进步也越来越大,其不断地被应用在各行各业。
在自动驾驶过程中,车辆常常需要采用传感器获取周围的道路状况,并根据道路状况确定驾驶策略,以实现准确高效的行驶路径,因此常常需要对其周围的障碍物车辆的拥堵状态进行判断。传统的自动驾驶中,判断障碍物车辆是否拥堵是结合本车车辆和周围车辆的相对位置进行判断。
然而传统的障碍物车辆的拥堵判断方法判断依据单一,导致准确率低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高拥堵状态判断准确率的障碍物车辆的拥堵状态确定方法、装置、计算机设备和存储介质。
第一方面,本申请实施例提供一种障碍物车辆的拥堵状态确定方法,所述方法包括:
获取障碍物车辆的车辆信息;所述车辆信息用于描述所述障碍物车辆的外形和当前时刻的行驶状态;
根据所述车辆信息对所述障碍物车辆在下一时刻的行驶状态进行预测,得到所述障碍物车辆的预测轨迹;
根据每个所述预测轨迹、路网信息和所述车辆信息确定每个所述预测轨迹的拥堵状态,所述路网信息用于表征道路上的车道分布的信息和交通灯分布的信息;
根据每个所述预测轨迹的拥堵状态确定所述障碍物车辆的拥堵状态。
在其中一个实施例中,所述车辆信息包括行驶方向、行驶速度、行驶加速度、车辆位置和车辆轮廓;所述路网信息用于表征所述道路上的车道和交通灯的分布情况。
在其中一个实施例中,所述根据每个所述预测轨迹、路网信息和所述车辆信息确定每个所述预测轨迹的拥堵状态,包括:
当所述障碍物车辆的所述行驶速度大于或等于预设的低速阈值时,则确定所述预测轨迹的拥堵状态为不拥堵;
当所述障碍物车辆的所述行驶速度小于所述低速阈值时,则根据所述车辆位置和所述路网信息确定所述预测轨迹的拥堵状态。
在其中一个实施例中,所述根据所述车辆位置和和所述路网信息确定所述预测轨迹的拥堵状态,包括:
根据所述车辆位置和所述路网信息,确定所述障碍物车辆是否位于交通灯路口;
当所述障碍物车辆位于所述交通灯路口时,则根据所述交通灯路口的交通灯状态确定所述预测轨迹的拥堵状态;
当所述障碍物车辆不在所述交通灯路口时,则根据所述障碍物车辆的所述行驶速度确定所述预测轨迹的拥堵状态。
在其中一个实施例中,所述根据所述障碍物车辆的行驶速度确定所述预测轨迹的拥堵状态,包括:
当所述障碍物车辆的行驶速度小于预设的静止速度阈值时,则根据所述障碍物车辆的车辆位置结合所述路网信息确定所述预测轨迹的拥堵状态;
当所述障碍物车辆的行驶速度大于或等于所述静止速度阈值时,则根据所述预测轨迹对应的障碍物信息确定所述预测轨迹的拥堵状态;所述障碍物信息用于表征所述障碍物车辆的预测轨迹对应的方向上是否存在障碍物。
在其中一个实施例中,所述根据所述障碍物车辆的车辆位置结合所述路网信息确定所述预测轨迹的拥堵状态,包括:
根据所述障碍物车辆的车辆位置结合所述路网信息确定所述障碍物车辆是否处于最右车道;
当所述障碍物车辆处于最右车道时,则确定所述预测轨迹的拥堵状态为不拥堵;
当所述障碍物车辆不在最右车道时,则根据所述障碍物车辆的静止状态的持续时间确定所述预测轨迹的拥堵状态。
在其中一个实施例中,所述根据所述障碍物车辆的静止状态的持续时间确定所述预测轨迹的拥堵状态,包括:
当所述障碍物车辆的静止状态的持续时间大于或等于预设的静止时长阈值时,则确定所述预测轨迹的拥堵状态为不拥堵;
当所述障碍物车辆的静止状态的持续时间小于所述静止时长阈值时,则确定所述预测轨迹的拥堵状态为拥堵。
在其中一个实施例中,所述根据所述预测轨迹对应的障碍物信息确定所述预测轨迹的拥堵状态,包括:
当所述预测轨迹对应的障碍物信息为所述障碍物车辆的前方存在障碍物时,则确定所述预测轨迹的拥堵状态为拥堵;
当所述预测轨迹对应的障碍物信息为所述障碍物车辆的前方不存在障碍物时,则确定所述预测轨迹的拥堵状态为不拥堵。
在其中一个实施例中,所述根据所述交通灯路口的交通灯状态确定所述预测轨迹的拥堵状态,包括:
当所述预测轨迹的方向对应的交通灯状态为非通行状态时,则确定所述预测轨迹的拥堵状态为拥堵;
当所述预测轨迹的方向对应的交通灯状态为通行状态或不显示时,则根据所述障碍物车辆的静止状态的持续时间确定所述预测轨迹的拥堵状态。
在其中一个实施例中,所述根据所述障碍物车辆的静止状态的持续时间确定所述预测轨迹的拥堵状态,包括:
当所述障碍物车辆的静止状态的持续时间大于或等于预设的静止时长阈值时,则确定所述预测轨迹的拥堵状态为不拥堵;
当所述障碍物车辆的静止状态的持续时间小于所述静止时长阈值时,则确定所述预测轨迹的拥堵状态为拥堵。
在其中一个实施例中,所述获取障碍物车辆的车辆信息,包括:
获取障碍物车辆的三维点云数据;
采用机器学习的方法对所述三维点云数据进行识别,得到所述障碍物车辆的所述车辆信息。
在其中一个实施例中,所述根据每个所述预测轨迹的拥堵状态确定所述障碍物车辆是否处于拥堵状态,包括:
当存在至少一个所述预测轨迹的拥堵状态为拥堵时,则确定所述障碍物车辆的拥堵状态为拥堵;
当每个所述预测轨迹的拥堵状态为不拥堵时,则确定所述障碍物车辆的拥堵状态为不拥堵。
在其中一个实施例中,所述方法还包括:
采用机器学习的方法识别所述障碍物车辆的车尾灯状态;
根据所述障碍物车辆的车尾灯状态对所述障碍物车辆的拥堵状态进行修正。
第二方面,本申请实施例提供一种障碍物车辆的拥堵状态确定装置,所述装置包括:
获取模块,用于获取障碍物车辆的车辆信息;所述车辆信息用于描述所述障碍物车辆的外形和当前时刻的行驶状态;
预测模块,用于根据所述车辆信息对所述障碍物车辆在下一时刻的行驶状态进行预测,得到所述障碍物车辆的预测轨迹;
处理模块,用于根据每个所述预测轨迹、路网信息和所述车辆信息确定每个所述预测轨迹的拥堵状态,以及根据每个所述预测轨迹的拥堵状态确定所述障碍物车辆的拥堵状态,所述路网信息用于表征道路上的车道分布的信息和交通灯分布的信息。
第三方面,本申请实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取障碍物车辆的车辆信息;所述车辆信息用于描述所述障碍物车辆的外形和当前时刻的行驶状态;
根据所述车辆信息对所述障碍物车辆在下一时刻的行驶状态进行预测,得到所述障碍物车辆的预测轨迹;
根据每个所述预测轨迹、路网信息和所述车辆信息确定每个所述预测轨迹的拥堵状态,所述路网信息用于表征道路上的车道分布的信息和交通灯分布的信息;
根据每个所述预测轨迹的拥堵状态确定所述障碍物车辆的拥堵状态。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取障碍物车辆的车辆信息;所述车辆信息用于描述所述障碍物车辆的外形和当前时刻的行驶状态;
根据所述车辆信息对所述障碍物车辆在下一时刻的行驶状态进行预测,得到所述障碍物车辆的预测轨迹;
根据每个所述预测轨迹、路网信息和所述车辆信息确定每个所述预测轨迹的拥堵状态,所述路网信息用于表征道路上的车道分布的信息和交通灯分布的信息;
根据每个所述预测轨迹的拥堵状态确定所述障碍物车辆的拥堵状态。
上述障碍物车辆的拥堵状态确定方法、装置、计算机设备和存储介质,通过计算机设备获取障碍物车辆的车辆信息,并根据车辆信息对障碍物车辆在下一时刻的行驶状态进行预测,得到障碍物车辆的预测轨迹,然后根据预测轨迹、路网信息和车辆信息,确定每个所述预测轨迹的拥堵状态,并根据每个预测轨迹的拥堵状态确定障碍物车辆的拥堵状态。其中,由于车辆信息用于描述障碍物车辆的外形和当前时刻的行驶状态,因此,计算机设备能够根据上述车辆信息对障碍物车辆在下一时刻的行驶状态进行预测,确定出障碍物车辆可能的预测轨迹。并且采用该方法,其能够避免传统的判断方式其判断依据单一所导致的准确率低的问题,计算机设备能够通过根据车辆信息预测障碍物车辆的预测轨迹,并结合路网信息和车辆信息判断每个预测轨迹的拥堵状态,进而判断出障碍物车辆的拥堵状态,从而使得判断过程能够结合车辆的实际情况和道路的实际情况,判断的结果更加合理,其极大的提高了判断结果的准确率,进而使得结合障碍物车辆的拥堵状态的所确定的自动驾驶策略更为合理、准确以及安全。
附图说明
图1为一个实施例中计算机设备的内部结构图;
图2为一个实施例提供的障碍物车辆的拥堵状态确定方法的流程示意图;
图3为另一个实施例提供的障碍物车辆的拥堵状态确定方法的流程示意图;
图4为又一个实施例提供的障碍物车辆的拥堵状态确定方法的流程示意图;
图5为又一个实施例提供的障碍物车辆的拥堵状态确定方法的流程示意图;
图6为又一个实施例提供的障碍物车辆的拥堵状态确定方法的流程示意图;
图7为又一个实施例提供的障碍物车辆的拥堵状态确定方法的流程示意图;
图8为又一个实施例提供的障碍物车辆的拥堵状态确定方法的流程示意图;
图9为又一个实施例提供的障碍物车辆的拥堵状态确定方法的流程示意图;
图10为一个实施例提供的障碍物车辆的拥堵状态确定装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的障碍物车辆的拥堵状态确定方法,可以适用于图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储下述实施例中的拥堵决策规则,有关拥堵决策规则的具体描述参见下述实施例中的具体描述。该计算机设备的网络接口可以用于与外部的其他设备通过网络连接通信。可选的,该计算机设备可以是服务器,可以是台式机,可以是个人数字助理,还可以是其他的终端设备,例如平板电脑、手机等等,还可以是云端或者远程服务器,本申请实施例对计算机设备的具体形式并不做限定。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。当然,输入装置和显示屏也可以不属于计算机设备的一部分,可以是计算机设备的外接设备。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
需要说明的是,下述方法实施例的执行主体可以是障碍物车辆的拥堵状态确定装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为上述计算机设备的部分或者全部。下述方法实施例以执行主体为计算机设备为例进行说明。
图2为一个实施例提供的障碍物车辆的拥堵状态确定方法的流程示意图。本实施例涉及的是计算机设备根据障碍物车辆的车辆信息确定障碍物车辆的拥堵状态的具体过程。如图2所示,所述方法包括:
S202、获取障碍物车辆的车辆信息;所述车辆信息用于描述所述障碍物车辆的外形和当前时刻的行驶状态。
具体的,计算机设备能够获取障碍物车辆的车辆信息,可选地,其可以是读取传感器所探测的障碍物车辆的车辆信息,也可以是读取的其他装置发送的车辆信息。需要说明的是,该车辆信息能够描述障碍物车辆的外形,例如车辆的轮廓,还可以描述障碍物车辆的行驶状态,例如前进的方向和速度等。
S204、根据所述车辆信息对所述障碍物车辆在下一时刻的行驶状态进行预测,得到所述障碍物车辆的预测轨迹。
具体的,计算机设备可以根据上述车辆信息按照预设的预测策略对障碍物车辆在下一时刻的行驶状态进行预测,从而得到障碍物车辆在未来可能会行驶的预测轨迹。可选地,上述预测策略可以是基于人们的驾驶习惯或者是驾驶规则所确定的策略,还可以是根据大数据进行统计所得到的策略,对此本实施例并不做限定。例如,计算机设备可以根据上述障碍物车辆在当前状态下的速度和方向,确定出该车辆在下一时刻是拐外行驶还是左右变道行驶,或者在下一时刻是匀速、加速或减速行驶。再如,计算机设备可以根据障碍物车辆的行驶方向和路网信息中的道路的方向,二者夹角为左偏15度,且车辆处于加速状态从而判断出障碍物车辆在下一时刻要向左变道行驶。可选地,上述预测轨迹可以为一个,也可以为多个,对此本实施例不做限定。
S206、根据所述预测轨迹、路网信息和所述车辆信息确定每个所述预测轨迹的的拥堵状态,所述路网信息用于表征道路上的车道分布的信息和交通灯分布的信息。
具体的,计算机设备能够根据障碍物车辆的车辆信息,结合路网信息和每个预测轨迹,可以按照预设的拥堵决策规则确定出该障碍物车辆的每个预测轨迹的拥堵状态。需要说明的是,上述拥堵决策规则可以为将障碍物车辆的车辆信息和路网信息作为输入条件,对每个预测轨迹上的拥堵状态进行判断的规则,可选地,还可以结合交通规则、日常人们的驾驶习惯或者大数据统计的结果对每个预测轨迹上的拥堵状态进行判断的规则。例如,计算机设备能够根据车辆信息中的车辆的位置处于最左边车道和行驶速度低于时速10公里,结合路网信息中该车辆所处的位置附近并没有交通灯,确定出左转的预测轨迹的拥堵状态为拥堵。可选地,上述拥堵状态可以包括拥堵和不拥堵;可选地,还可以包括轻度拥堵和重度拥堵,对此本实施例不做限定。
S208、根据每个所述预测轨迹的拥堵状态确定所述障碍物车辆的拥堵状态。
具体的,计算机设备可以根据障碍物车辆的每一个预测轨迹的拥堵状态,进一步判断出该障碍物车辆的拥堵状态。例如,当上述预测轨迹为一个时,则当预测轨迹为拥堵即可确定障碍物车辆处于拥堵的状态;当上述预测轨迹为两个时,其中一个预测轨迹为拥堵,另一个为不拥堵,则确定障碍物车辆的拥堵状态为拥堵;当每一个预测轨迹都不拥堵时,则确定该障碍物车辆的拥堵状态为不拥堵。
本实施例中,计算机设备能够获取障碍物车辆的车辆信息,并根据车辆信息对障碍物车辆在下一时刻的行驶状态进行预测,得到障碍物车辆的预测轨迹,然后根据每个预测轨迹、车辆信息和路网信息确定每个预测轨迹的拥堵状态,进而根据每个预测轨迹的拥堵状态确定障碍物车辆的拥堵状态。其中,由于车辆信息用于描述障碍物车辆的外形和当前时刻的行驶状态,因此,计算机设备能够根据上述车辆信息对障碍物车辆在下一时刻的行驶状态进行预测,确定出障碍物车辆的预测轨迹。并且采用该方法,其能够避免传统的判断方式其判断依据单一所导致的准确率低的问题,计算机设备能够通过根据车辆信息预测障碍物车辆的预测轨迹,并结合路网信息和车辆信息判断每个预测轨迹的拥堵状态,进而判断出障碍物车辆的拥堵状态,从而使得判断过程能够结合车辆的实际情况和道路的实际情况,判断的结果更加合理,其极大的提高了判断结果的准确率,进而使得结合障碍物车辆的拥堵状态的所确定的自动驾驶策略更为合理、准确以及安全。
在一个实施例中,所述车辆信息包括行驶方向、行驶速度、行驶加速度、车辆位置和车辆轮廓;所述路网信息用于表征所述道路上的车道和交通灯的分布情况。可选地,该车辆信息还可以包括车辆标识。具体的,上述车辆信息可以包括行驶方向,行驶速度,行驶加速度,其中该行驶加速度可以为正值,也可以为负值,还可以为零;上述车辆信息还可以包括车辆位置以及车辆轮廓;还可以包括车辆标识,例如车牌号码或者车架号等能够表征车辆身份的标识。本实施例中,由于上述车辆信息包括行驶方向、行驶速度、行驶加速度、车辆位置和车辆轮廓,因此计算机设备就能够根据上述车辆信息,结合路网信息确定出每一个预测轨迹的拥堵状态,进而确定出该障碍物车辆是否为拥堵,其使得所确定的障碍物车辆的拥堵状态的结果更为合理,且准确性更高。
图3为另一个实施例提供的障碍物车辆的拥堵状态确定方法的流程示意图。本实施例涉及的是计算机设备根据预测轨迹、路网信息和车辆信息,确定每个预测轨迹的拥堵状态的具体过程。可选地,上述步骤S206具体可以包括:
S206A、当所述障碍物车辆的所述行驶速度大于或等于预设的低速阈值时,则确定所述预测轨迹的拥堵状态为不拥堵。
具体的,需要针对每一个预测轨迹,分别进行判断。当障碍物车辆的行驶速度大于或等于预设的低速阈值时,计算机设备则确定障碍物不是低速行驶状态,此时该障碍物车辆并没有发生拥堵,因此确定障碍物车辆的预测轨迹的拥堵状态为不拥堵。例如上述低速阈值为时速10公里,当障碍物车辆的行驶速度为时速20公里时,则确定该障碍物车辆的预测轨迹并不拥堵。
S206B、当所述障碍物车辆的所述行驶速度小于所述低速阈值时,则根据所述车辆位置和所述路网信息确定所述预测轨迹的拥堵状态。
具体的,当障碍物车辆的行驶速度小于预设的低速阈值时,计算机设备则可以根据车辆位置,结合路网信息确定障碍物车辆的拥堵状态。例如,上述低速阈值为时速10公里,当障碍物车辆的行驶速度低于时速10公里时,则根据障碍物车辆的车辆位置处于最左车道,结合其路网信息信息中目前的车辆位置与任意一个交通灯路口距离超过预设的距离,确定出车辆所处的左拐车道这一预测轨迹为不拥堵的状态。可选地,本步骤中“根据所述车辆位置和所述路网信息确定所述预测轨迹的拥堵状态”的一种可能的实现方式具体可以如下述图4所示,此处暂不赘述。
本实施例中,计算机设备能够在障碍物车辆的行驶速度大于或等于预设的低速阈值时,确定障碍物车辆的拥堵状态为不拥堵,以及在障碍物车辆的行驶速度小于低速阈值时,根据车辆位置和路网信息确定预测轨迹的拥堵状态,从而实现结合障碍物车辆的行驶速度判断道路的拥堵状态,使得判断结果更为合理和准确。
图4为又一个实施例提供的障碍物车辆的拥堵状态确定方法的流程示意图。本实施例涉及的是计算机设备根据车辆位置和路网信息确定预测轨迹的拥堵状态的具体过程。可选地,上述步骤S206B中“根据所述车辆位置和所述路网信息确定所述预测轨迹的拥堵状态”,具体可以包括:
S302、根据所述车辆位置结合路网信息,确定所述障碍物车辆是否位于交通灯路口。
具体的,计算机设备根据上述车辆位置,结合上述语义地图中的路网信息,确定出障碍物车辆是否位于交通灯路口,例如上述车辆位置是否位于以交通灯为中心,预设的距离为半径的区域内;可选地,还可以是判断障碍物车辆的预测轨迹是否有穿过交通灯。需要说明的是,上述路网信息能够包括道路的分布状态以及交通灯在道路上分布的位置、个数和方向等等分布情况。
S304A、当所述障碍物车辆位于所述交通灯路口时,则根据所述交通灯路口的交通灯状态确定所述预测轨迹的拥堵状态。
具体的,当上述障碍物车辆位于交通灯路口时,例如上述障碍物车辆的预测轨迹穿过交通灯,则根据这个交通灯路口的交通灯状态是红灯、绿灯、黄灯等状态确定预测轨迹的拥堵状态。例如交通灯状态是绿灯时,可以进一步结合障碍物车辆的行驶状态判断该预测轨迹的拥堵状态。
可选地,该步骤S304A中“根据所述交通灯路口的交通灯状态确定所述预测轨迹的拥堵状态”的一种可能的实现方式可以参见下述图5所示,此处暂不赘述。
S304B、当所述障碍物车辆不在所述交通灯路口时,则根据所述障碍物车辆的所述行驶速度确定所述预测轨迹的拥堵状态。
具体的,当上述障碍物车辆不在交通灯路口时,例如上述障碍物车辆的预测轨迹没有穿过交通灯时,则计算机设备根据障碍物车辆的行驶速度确定车辆处于静止状态还是行驶状态判断预测轨迹的拥堵状态。
可选地,该步骤S304B中“根据所述障碍物车辆的所述行驶速度确定所述预测轨迹的拥堵状态”的一种可能的实现方式可以如下述图6所示,此处暂不赘述。
在上述图4所示的实施例中,由于路网信息能够表征道路上的每个车道和交通灯的分布情况,因此,计算机设备能够根据车辆位置和路网信息确定出障碍物车辆是否处于交通灯路口,并且在障碍物车辆位于交通灯路口时,根据交通灯路口的交通灯状态确定对应的预测轨迹的拥堵状态,以及在障碍物车辆不在交通灯路口时,结合行驶速度确定出预测轨迹的拥堵状态,从而使得所得到的预测轨迹的拥堵状态,能够结合由交通灯导致的停止等行驶情况,从而使得所确定的结果更为合理和准确。
图5为又一个实施例提供的障碍物车辆的拥堵状态确定方法的流程示意图。本实施例涉及的是上述步骤S304A中“根据所述交通灯路口的交通灯状态确定所述预测轨迹的拥堵状态”的一种可能的实现方式,可选地,在上述实施例的基础上,如图5所示,具体可以包括:
S402A、当所述预测轨迹对应的交通灯状态为非通行状态时,则确定所述预测轨迹的拥堵状态为拥堵。
具体的,计算机设备可以对交通灯状态进行识别,通常可以通过摄像头进行观测,并结合路网信息,从而得到道路的每个车道对应的交通灯状态。该交通灯状态可以包括通行状态,例如绿灯,还可以包括非通行状态,例如红灯或者黄灯。当上述预测轨迹对应的交通灯状态为非通行状态时,则确定预测轨迹的拥堵状态为拥堵。例如当预测轨迹对应的右转车道上的交通灯状态为红灯时,则确定右转车道为拥堵。
S402B、当所述预测轨迹对应的交通灯状态为通行状态或不显示时,则根据所述障碍物车辆的静止状态的持续时间确定所述预测轨迹的拥堵状态。
具体的,当上述预测轨迹对应的交通灯状态为通行状态,例如绿灯,或者该交通灯状态由于故障而没有显示时,则计算机设备根据障碍物车辆的静止状态的持续时间确定道路的拥堵状态。
可选地,本步骤S402B中“根据所述障碍物车辆的静止状态的持续时间确定所述道路的拥堵状态”,具体可以包括:当所述障碍物车辆的静止状态的持续时间大于或等于预设的静止时长阈值时,则确定所述预测轨迹的拥堵状态为不拥堵;当所述障碍物车辆的静止状态的持续时间小于所述静止时长阈值时,则确定所述预测轨迹的拥堵状态为拥堵。例如,假设预设的静止时长阈值为一分钟,当障碍物车辆的静止状态的持续时间大于或等于一分钟时,则计算机设备可以确定其并非由于拥堵导致的车辆静止,例如临时停车,因此确定该预测轨迹的拥堵状态为不拥堵;当障碍物车辆的静止状态的持续时间小于一分钟时,则计算机设备可以确定是由于拥堵导致的车辆静止,因此确定该预测轨迹的拥堵状态为拥堵。本实现方式中,由于计算机设备能够在障碍物车辆的静止状态的持续时间大于或等于预设的静止时长阈值时,则确定道路的拥堵状态为不拥堵;以及在障碍物车辆的静止状态的持续时间小于静止时长阈值时,则确定道路的拥堵状态为拥堵,其能够将障碍物车辆由于其他原因导致的长时间静止的情况进行结合,从而避免对拥堵状态的误判,使得对预测轨迹的判断结果更为合理和准确。
上述图5所示的实施例中,计算机设备能够在预测轨迹对应的交通灯状态为非通行状态时,确定道路的拥堵状态为拥堵,以及在预测轨迹对应的交通灯状态为通行状态或不显示时,根据障碍物车辆的静止状态的持续时间确定道路的拥堵状态,从而实现在交通灯路口的时候通过交通灯的状态判断道路的拥堵状态,其使得判断结果更为合理和准确。
图6为又一个实施例提供的障碍物车辆的拥堵状态确定方法的流程示意图。本实施例涉及的是上述步骤S304B中“根据所述障碍物车辆的行驶速度确定所述预测轨迹的拥堵状态”的一种可能的实现方式,可选地,在上述实施例的基础上,如图6所示,可以包括:
S502A、当所述障碍物车辆的行驶速度小于预设的静止速度阈值时,则根据所述障碍物车辆的车辆位置结合所述路网信息确定所述预测轨迹的拥堵状态。
具体的,当上述障碍物车辆的行驶速度小于预设的静止速度阈值时,则计算机设备确定该障碍物车辆处于静止状态,因此可以根据障碍物车辆的车辆位置结合路网信息确定障碍物车辆行驶该预测轨迹时是否会发生拥堵。例如,上述预设的静止速度阈值为时速5公里,而障碍物车辆的行驶速度为时速为0公里,则计算机设备确定该障碍物车辆处于静止状态,因此计算机设备可以根据障碍物车辆的车辆位置,并结合路网信息确定出障碍物车辆行驶该预测轨迹时是否会发生拥堵。
可选地,该步骤S502A中“根据所述障碍物车辆的车辆位置结合所述路网信息确定所述预测轨迹的拥堵状态”的一种可能的实现方式可以如下述图7所示,此处暂不赘述。
S502B、当所述障碍物车辆的行驶速度大于或等于所述静止速度阈值时,则根据所述预测轨迹对应的障碍物信息确定所述预测轨迹的拥堵状态;所述障碍物信息用于表征所述障碍物车辆的预测轨迹对应的方向上是否存在障碍物。
具体的,当上述障碍物车辆的行驶速度大于或者等于预设的静止速度阈值时,则计算机设备确定该障碍物车辆不是静止状态,例如为行驶状态时,计算机设备可以根据预测轨迹对应的障碍物信息,进一步确定该预测轨迹的拥堵状态。由于上述障碍物信息能够表征预测轨迹对应的方向上是否存在障碍物,因此,计算机设备能够根据上述障碍物信息确定出车辆处于行驶状态时其预测轨迹的上是否存在障碍物来判断预测轨迹是否拥堵。
可选地,该步骤S502B中“根据所述预测轨迹对应的障碍物信息确定所述预测轨迹的拥堵状态”的一种可能的实现方式可以包括:当所述预测轨迹对应的障碍物信息为所述障碍物车辆的前方存在障碍物时,则确定所述预测轨迹的拥堵状态为拥堵;当所述预测轨迹对应的障碍物信息为所述障碍物车辆的前方不存在障碍物时,则确定所述预测轨迹的拥堵状态为不拥堵。其中,上述障碍物可以包括车辆,行人以及其他建筑物等等,此处不作限定。可选地,该障碍物信息可以通过激光雷达获取的点云数据进行识别或者通过图像识别,从而判断是否存在障碍物。具体的,当上述预测轨迹对应的障碍物信息为障碍物车辆的前方存在障碍物时,例如,为向左变道的预测轨迹对应的左边车道上存在行人,则计算机设备可以确定其左边的车道这一预测轨迹为拥堵;当预测轨迹对应的障碍物信息为障碍物车辆的前方不存在障碍物时,例如,为向右转弯的预测轨迹对应的右转弯车道上不存在障碍物,则计算机设备可以确定其右转弯这一预测轨迹不拥堵。采用该方法,计算机设备能够结合预测轨迹对应的车道上是否存在障碍物从而确定障碍物车辆的预测轨迹对应的车道的拥堵状态,其进一步提高了判断结果的准确性和合理性。
上述图6所示的实施例中,计算机设备能够在障碍物车辆的行驶速度小于预设的静止速度阈值时,根据障碍物车辆的车辆位置结合路网信息确定道路的拥堵状态,以及在障碍物车辆的行驶速度大于或等于静止速度阈值时,则根据预测轨迹对应的障碍物信息确定道路的拥堵状态。其中,由于障碍物信息能够用于表征障碍物车辆的预测轨迹对应的方向上是否存在障碍物,因此计算机设备能够结合上述障碍物车辆是否静止的状态,以及在行驶状态时其行驶方向上的是否存在障碍物来判断出障碍物车辆的需要行驶的道路的拥堵状态,其进一步提高了判断结果的合理性和准确性。
图7为又一个实施例提供的障碍物车辆的拥堵状态确定方法的流程示意图。本实施例涉及的是计算机设备根据障碍物车辆的车辆位置结合路网信息确定道路的拥堵状态的一种可能的方式。可选地,上述步骤S502A中“根据所述障碍物车辆的车辆位置结合所述路网信息确定所述预测轨迹的拥堵状态”,具体可以包括:
S602、根据所述障碍物车辆的车辆位置结合所述路网信息确定所述障碍物车辆是否处于最右车道。
具体的,计算机设备能够根据上述障碍物车辆的车辆位置,并结合上述路网信息中的道路分布情况,确定出上述车辆位置是否位于语义地图中的最右车道。例如,如果上述车辆位置距离上述语义地图的右边道路的边缘小于1米,则计算机设备确定上述障碍物车辆处于最右车道;反之,则计算机设备确定上述障碍物车辆不在最右车道。
S604A、当所述障碍物车辆处于最右车道时,则确定所述道路的拥堵状态为不拥堵。
具体的,当障碍物车辆处于最右车道时,则计算机设备确定该障碍物车辆可能是由于驾驶员主动停靠在路边,即停车状态,因而确定该预测轨迹的拥堵状态为不拥堵。
S604B、当所述障碍物车辆不在最右车道时,则根据所述障碍物车辆的静止状态的持续时间确定所述预测轨迹的拥堵状态。
具体的,当障碍物车辆不在最右车道时,则计算机设备确定该障碍物车辆不是因为主动停车,因此可以根据障碍物车辆的静止状态所持续的持续时间确定道路的拥堵状态。
可选地,本步骤S604B中“根据所述障碍物车辆的静止状态的持续时间确定所述预测轨迹的拥堵状态”,其可以包括:当所述障碍物车辆的静止状态的持续时间大于或等于预设的静止时长阈值时,则确定所述预测轨迹的拥堵状态为不拥堵;当所述障碍物车辆的静止状态的持续时间小于所述静止时长阈值时,则确定所述预测轨迹的拥堵状态为拥堵。例如,假设预设的静止时长阈值为一分钟,当障碍物车辆的静止状态的持续时间大于或等于一分钟时,则计算机设备可以确定其并非由于拥堵导致的车辆静止,因此确定预测轨迹的拥堵状态为不拥堵;当障碍物车辆的静止状态的持续时间小于一分钟时,则计算机设备可以确定是由于拥堵导致的车辆静止,因此确定预测轨迹的拥堵状态为拥堵。本实现方式中,由于计算机设备能够在障碍物车辆的静止状态的持续时间大于或等于预设的静止时长阈值时,则确定预测轨迹的拥堵状态为不拥堵;以及在障碍物车辆的静止状态的持续时间小于静止时长阈值时,则确定预测轨迹的拥堵状态为拥堵,其能够结合障碍物车辆由于其他原因导致的长时间静止的情况,从而避免对拥堵状态的误判,使得判断结果更为合理和准确。
图8为又一个实施例提供的障碍物车辆的拥堵状态确定方法的流程示意图。本实施例涉及的是计算机设备获取障碍物车辆的车辆信息的具体过程。可选地,在上述各个实施例的基础上,上述S202可以包括:
S702、获取障碍物车辆的三维点云数据。
具体的,激光雷达可以在垂直于车辆行驶方向,即驾驶员的左右方向上对障碍物车辆做二维扫描,从而与车辆行驶方向构成三维扫描系统,从而获取由离散的向量点形成的三维数据点,之后再将三维数据点与每一点存在实物的空间目标点返回的脉冲的强度组合起来,例如进行聚类分析,则可以获得三维点云数据。例如,激光雷达向外发射激光脉冲,并记录激光脉冲的水平方向偏航角α和俯仰角θ,之后探测脉冲返回的时间和返回的脉冲强度,根据脉冲返回时间确定激光脉冲飞行的距离S,然后结合光速c则可以确定出空间目标点的三维坐标(Xw,Yw,Zw),可选地,该三维坐标可以通过下述公式或下述公式的变形得到:
Xw=Ssinθcosα
Yw=Ssinθsinα
Zw=Scosθ
S704、采用机器学习的方法对所述三维点云数据进行识别,得到所述障碍物车辆的所述车辆信息。
具体的,计算机设备能够采用机器学习的方法对上述三维点云数据进行分析和识别,包括边界分割。从而得到上述车辆信息。可选地,其可以是将多个车辆的三维点云数据作为训练样本进行训练,得到模型的参数和输出,再将障碍物车辆的三维点云数据输入值训练好的模型中,从而得到障碍物车辆的车辆信息。
本实施例中,计算机设备能够获取障碍物车辆的三维点云数据,并采用机器学习的方法对三维点云数据进行识别,得到障碍物车辆的车辆信息,由于上述三维点云数据能够清晰准确的表征障碍物车辆的状态,以及通过机器学习的方法对三维点云数据进行识别,自动得到障碍物车辆的车辆信息,其操作更加智能,自动化程度更高,并且所得到的障碍物车辆的车辆信息更为准确。
在一个实施例中,在上述各个实施例的基础上,步骤S208的一种可能的实现方式包括:当存在至少一个所述预测轨迹的拥堵状态为拥堵时,则确定所述障碍物车辆的拥堵状态为拥堵;当每个所述预测轨迹的拥堵状态为不拥堵时,则确定所述障碍物车辆的拥堵状态为不拥堵。具体的,计算机将所有预测轨迹的拥堵状态进行统计,如果出现任意一个预测轨迹的拥堵状态为拥堵,则确定障碍物车辆为拥堵,如果所有的预测轨迹均为不拥堵,则确定该障碍物车辆不拥堵。采用该方法,可以结合每一个预测轨迹的拥堵状态,对障碍物车辆可能行驶的预测轨迹进行综合考虑,并分别对是否出现预测轨迹的拥堵所出现的结果分别确定不同的障碍物车辆的拥堵状态的确定,从而能够使得障碍物车辆的拥堵状态的判断更为合理和准确。
在一个实施例中,在上述各个实施例的基础上,所述方法还可以包括:采用机器学习的方法识别所述障碍物车辆的车尾灯状态;根据所述障碍物车辆的车尾灯状态对所述障碍物车辆的拥堵状态进行修正。具体的,计算机设备可以对障碍物车辆的车尾灯进行识别,其可以采用机器学习的方法进行识别,也可以采用其他方式进行车尾灯的识别,再根据车尾灯状态,对上述障碍物车辆的拥堵状态进行修正。例如,计算机设备通过机器学习的方法识别到上述障碍物车辆的车尾灯状态为刹车灯间歇性的点亮,则可以将确定的障碍物车辆为不拥堵的状态改为拥堵;再如,计算机设备能够在车尾灯状态为刹车灯超过一段设定的时间并没有点亮,则可以将确定的障碍物车辆为拥堵的状态改为不拥堵。采用该方法,计算机设备能够通过机器学习的方法识别障碍物车辆的车尾灯状态,从而使得车尾灯状态的识别更为自动化和准确,提高了识别效率和准性,另外计算机设备根据车尾灯状态修正障碍物车辆的拥堵状态,能够使得障碍物车辆的拥堵状态结合障碍物车辆的具体行驶状态,从而使得结果更为合理和准确。
为了更加便于本领域的技术人员理解,下面以一个具体的实施例对本申请的技术方案进行说明,具体可以参见图9所示,包括:
S802、获取障碍物车辆的三维点云数据。
S804、采用机器学习的方法对所述三维点云数据进行识别,得到所述障碍物车辆的所述车辆信息;所述车辆信息包括行驶方向、行驶速度、行驶加速度、车辆位置和车辆轮廓。
S806、根据所述车辆信息对所述障碍物车辆在下一时刻的行驶状态进行预测,得到所述障碍物车辆的预测轨迹。之后执行S808A或S808B。
S808A、当所述障碍物车辆的所述行驶速度大于或等于预设的低速阈值时,则确定所述障碍物车辆的拥堵状态为不拥堵。之后执行S824。
S808B、当所述障碍物车辆的所述行驶速度小于所述低速阈值时,则根据所述车辆位置结合路网信息,确定所述障碍物车辆是否位于交通灯路口;所述路网信息用于表征所述道路上的车道和交通灯的分布情况。之后执行S810A或S810B。
S810A、当所述障碍物车辆不在所述交通灯路口时,判断障碍物车辆的行驶速度是否小于预设的静止速度阈值。之后执行S812A或S812B。
S810B、当所述障碍物车辆位于所述交通灯路口时,判断所述预测轨迹对应的交通灯状态为非通行状态,还是通行状态或者不显示。之后执行S820A或S820B。
S812A、当所述障碍物车辆的行驶速度小于预设的静止速度阈值时,根据所述障碍物车辆的车辆位置结合所述路网信息确定所述障碍物车辆是否处于最右车道。之后执行S814A或S814B。
S812B、当所述障碍物车辆的行驶速度大于或等于所述静止速度阈值时,判断预测轨迹对应的障碍物信息是否为所述障碍物车辆的前方存在障碍物。之后执行S818A或者S818B。
S814A、当所述障碍物车辆在最右车道时,则确定所述障碍物车辆的拥堵状态为不拥堵。之后执行S824。
S814B、当所述障碍物车辆不在最右车道时,则判断所述障碍物车辆的静止状态的持续时间是否大于或等于预设的静止时长阈值,之后执行S816A或S816B。
S816A、当所述障碍物车辆的静止状态的持续时间大于或等于预设的静止时长阈值时,则确定所述障碍物车辆的拥堵状态为不拥堵。之后执行S824。
S816B、当所述障碍物车辆的静止状态的持续时间小于所述静止时长阈值时,则确定所述障碍物车辆的拥堵状态为拥堵。之后执行S824。
S818A、当所述障碍物车辆的前方存在障碍物时,则确定所述障碍物车辆的拥堵状态为拥堵。之后执行S824。
S818B、当所述障碍物车辆的前方不存在障碍物时,则确定所述障碍物车辆的拥堵状态为不拥堵。之后执行S824。
S820A、当所述预测轨迹对应的交通灯状态为非通行状态时,则确定所述障碍物车辆的拥堵状态为拥堵。之后执行S824。
S820B、当所述预测轨迹对应的交通灯状态为通行状态或不显示时,则判断障碍物车辆的静止状态的持续时间大于或等于预设的静止时长阈值,之后执行S822A或S822B。
S822A、当所述障碍物车辆的静止状态的持续时间大于或等于预设的静止时长阈值时,则确定所述障碍物车辆的拥堵状态为不拥堵。之后执行S824。
S822B、当所述障碍物车辆的静止状态的持续时间小于所述静止时长阈值时,则确定所述障碍物车辆的拥堵状态为拥堵。之后执行S824.
S824、当存在至少一个所述预测轨迹的拥堵状态为拥堵时,则确定所述障碍物车辆的拥堵状态为拥堵;当每个所述预测轨迹的拥堵状态为不拥堵时,则确定所述障碍物车辆的拥堵状态为不拥堵。
S826、采用机器学习的方法识别所述障碍物车辆的车尾灯状态。
S828、根据所述障碍物车辆的车尾灯状态对所述障碍物车辆的拥堵状态进行修正。
本实施例中的步骤的实现原理和效果可以参照前述实施例中的描述,此处不再赘述。
应该理解的是,虽然图2-9的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-9中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图10所示,提供了一种障碍物车辆的拥堵状态确定装置,包括:
获取模块1002,用于获取障碍物车辆的车辆信息;所述车辆信息用于描述所述障碍物车辆的外形和当前时刻的行驶状态;
预测模块1004,用于根据所述车辆信息对所述障碍物车辆在下一时刻的行驶状态进行预测,得到所述障碍物车辆的预测轨迹;
处理模块1006,用于用于根据每个所述预测轨迹、路网信息和所述车辆信息确定每个所述预测轨迹的拥堵状态,以及根据每个所述预测轨迹的拥堵状态确定所述障碍物车辆的拥堵状态,所述路网信息用于表征道路上的车道分布的信息和交通灯分布的信息。
在一个实施例中,所述车辆信息包括行驶方向、行驶速度、行驶加速度、车辆位置和车辆轮廓;所述路网信息用于表征所述道路上的车道和交通灯的分布情况。
在一个实施例中,处理模块1006,具体可以用于当所述障碍物车辆的所述行驶速度大于或等于预设的低速阈值时,则确定所述预测轨迹的拥堵状态为不拥堵;当所述障碍物车辆的所述行驶速度小于所述低速阈值时,则根据所述车辆位置和所述路网信息确定所述预测轨迹的拥堵状态。
在一个实施例中,处理模块1006,具体可以用于根据所述车辆位置和所述路网信息,确定所述障碍物车辆是否位于交通灯路口;当所述障碍物车辆位于所述交通灯路口时,则根据所述交通灯路口的交通灯状态确定所述预测轨迹的拥堵状态;当所述障碍物车辆不在所述交通灯路口时,则根据所述障碍物车辆的所述行驶速度确定所述预测轨迹的拥堵状态。
在一个实施例中,处理模块1006,具体可以用于当所述障碍物车辆的行驶速度小于预设的静止速度阈值时,则根据所述障碍物车辆的车辆位置结合所述路网信息确定所述预测轨迹的拥堵状态;当所述障碍物车辆的行驶速度大于或等于所述静止速度阈值时,则根据所述预测轨迹对应的障碍物信息确定所述预测轨迹的拥堵状态;所述障碍物信息用于表征所述障碍物车辆的预测轨迹对应的方向上是否存在障碍物。
在一个实施例中,处理模块1006,具体可以用于根据所述障碍物车辆的车辆位置结合所述路网信息确定所述障碍物车辆是否处于最右车道;当所述障碍物车辆处于最右车道时,则确定所述预测轨迹的拥堵状态为不拥堵;当所述障碍物车辆不在最右车道时,则根据所述障碍物车辆的静止状态的持续时间确定所述预测轨迹的拥堵状态。
在一个实施例中,处理模块1006,具体可以用于当所述障碍物车辆的静止状态的持续时间大于或等于预设的静止时长阈值时,则确定所述预测轨迹的拥堵状态为不拥堵;当所述障碍物车辆的静止状态的持续时间小于所述静止时长阈值时,则确定所述预测轨迹的拥堵状态为拥堵。
在一个实施例中,处理模块1006,具体可以用于当所述预测轨迹对应的障碍物信息为所述障碍物车辆的前方存在障碍物时,则确定所述预测轨迹的拥堵状态为拥堵;当所述预测轨迹对应的障碍物信息为所述障碍物车辆的前方不存在障碍物时,则确定所述预测轨迹的拥堵状态为不拥堵。
在一个实施例中,处理模块1006,具体可以用于当所述预测轨迹的方向对应的交通灯状态为非通行状态时,则确定所述预测轨迹的拥堵状态为拥堵;当所述预测轨迹的方向对应的交通灯状态为通行状态或不显示时,则根据所述障碍物车辆的静止状态的持续时间确定所述预测轨迹的拥堵状态。
在一个实施例中,处理模块1006,具体可以用于当所述障碍物车辆的静止状态的持续时间大于或等于预设的静止时长阈值时,则确定所述预测轨迹的拥堵状态为不拥堵;当所述障碍物车辆的静止状态的持续时间小于所述静止时长阈值时,则确定所述预测轨迹的拥堵状态为拥堵。
在一个实施例中,获取模块1002,具体可以用于获取障碍物车辆的三维点云数据;采用机器学习的方法对所述三维点云数据进行识别,得到所述障碍物车辆的所述车辆信息。
在一个实施例中,预测模块1004,具体可以用于当存在至少一个所述预测轨迹的拥堵状态为拥堵时,则确定所述障碍物车辆的拥堵状态为拥堵;当每个所述预测轨迹的拥堵状态为不拥堵时,则确定所述障碍物车辆的拥堵状态为不拥堵。
在一个实施例中,处理模块1006,还可以用于采用机器学习的方法识别所述障碍物车辆的车尾灯状态;根据所述障碍物车辆的车尾灯状态对所述障碍物车辆的拥堵状态进行修正。
关于障碍物车辆的拥堵状态确定装置的具体限定可以参见上文中对于障碍物车辆的拥堵状态确定方法的限定,在此不再赘述。上述障碍物车辆的拥堵状态确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取障碍物车辆的车辆信息;所述车辆信息用于描述所述障碍物车辆的外形和当前时刻的行驶状态;
根据所述车辆信息对所述障碍物车辆在下一时刻的行驶状态进行预测,得到所述障碍物车辆的预测轨迹;
根据每个所述预测轨迹、路网信息和所述车辆信息确定每个所述预测轨迹的拥堵状态,所述路网信息用于表征道路上的车道分布的信息和交通灯分布的信息;
根据每个所述预测轨迹的拥堵状态确定所述障碍物车辆的拥堵状态。
在一个实施例中,所述车辆信息包括行驶方向、行驶速度、行驶加速度、车辆位置和车辆轮廓;所述路网信息用于表征所述道路上的车道和交通灯的分布情况。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当所述障碍物车辆的所述行驶速度大于或等于预设的低速阈值时,则确定所述预测轨迹的拥堵状态为不拥堵;
当所述障碍物车辆的所述行驶速度小于所述低速阈值时,则根据所述车辆位置和所述路网信息确定所述预测轨迹的拥堵状态。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据所述车辆位置和所述路网信息,确定所述障碍物车辆是否位于交通灯路口;
当所述障碍物车辆位于所述交通灯路口时,则根据所述交通灯路口的交通灯状态确定所述预测轨迹的拥堵状态;
当所述障碍物车辆不在所述交通灯路口时,则根据所述障碍物车辆的所述行驶速度确定所述预测轨迹的拥堵状态。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当所述障碍物车辆的行驶速度小于预设的静止速度阈值时,则根据所述障碍物车辆的车辆位置结合所述路网信息确定所述预测轨迹的拥堵状态;
当所述障碍物车辆的行驶速度大于或等于所述静止速度阈值时,则根据所述预测轨迹对应的障碍物信息确定所述预测轨迹的拥堵状态;所述障碍物信息用于表征所述障碍物车辆的预测轨迹对应的方向上是否存在障碍物。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据所述障碍物车辆的车辆位置结合所述路网信息确定所述障碍物车辆是否处于最右车道;
当所述障碍物车辆处于最右车道时,则确定所述预测轨迹的拥堵状态为不拥堵;
当所述障碍物车辆不在最右车道时,则根据所述障碍物车辆的静止状态的持续时间确定所述预测轨迹的拥堵状态。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当所述障碍物车辆的静止状态的持续时间大于或等于预设的静止时长阈值时,则确定所述预测轨迹的拥堵状态为不拥堵;
当所述障碍物车辆的静止状态的持续时间小于所述静止时长阈值时,则确定所述预测轨迹的拥堵状态为拥堵。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当所述预测轨迹对应的障碍物信息为所述障碍物车辆的前方存在障碍物时,则确定所述预测轨迹的拥堵状态为拥堵;
当所述预测轨迹对应的障碍物信息为所述障碍物车辆的前方不存在障碍物时,则确定所述预测轨迹的拥堵状态为不拥堵。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当所述预测轨迹的方向对应的交通灯状态为非通行状态时,则确定所述预测轨迹的拥堵状态为拥堵;
当所述预测轨迹的方向对应的交通灯状态为通行状态或不显示时,则根据所述障碍物车辆的静止状态的持续时间确定所述预测轨迹的拥堵状态。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当所述障碍物车辆的静止状态的持续时间大于或等于预设的静止时长阈值时,则确定所述预测轨迹的拥堵状态为不拥堵;
当所述障碍物车辆的静止状态的持续时间小于所述静止时长阈值时,则确定所述预测轨迹的拥堵状态为拥堵。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取障碍物车辆的三维点云数据;
采用机器学习的方法对所述三维点云数据进行识别,得到所述障碍物车辆的所述车辆信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当存在至少一个所述预测轨迹的拥堵状态为拥堵时,则确定所述障碍物车辆的拥堵状态为拥堵;
当每个所述预测轨迹的拥堵状态为不拥堵时,则确定所述障碍物车辆的拥堵状态为不拥堵。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
采用机器学习的方法识别所述障碍物车辆的车尾灯状态;
根据所述障碍物车辆的车尾灯状态对所述障碍物车辆的拥堵状态进行修正。
应当清楚的是,本申请实施例中处理器执行计算机程序的过程,与上述方法中各个步骤的执行过程一致,具体可参见上文中的描述。
在一个实施例中,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时实现以下步骤:
获取障碍物车辆的车辆信息;所述车辆信息用于描述所述障碍物车辆的外形和当前时刻的行驶状态;
根据所述车辆信息对所述障碍物车辆在下一时刻的行驶状态进行预测,得到所述障碍物车辆的预测轨迹;
根据每个所述预测轨迹、路网信息和所述车辆信息确定每个所述预测轨迹的拥堵状态,所述路网信息用于表征道路上的车道分布的信息和交通灯分布的信息;
根据每个所述预测轨迹的拥堵状态确定所述障碍物车辆的拥堵状态。
在一个实施例中,所述车辆信息包括行驶方向、行驶速度、行驶加速度、车辆位置和车辆轮廓;所述路网信息用于表征所述道路上的车道和交通灯的分布情况。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当所述障碍物车辆的所述行驶速度大于或等于预设的低速阈值时,则确定所述预测轨迹的拥堵状态为不拥堵;
当所述障碍物车辆的所述行驶速度小于所述低速阈值时,则根据所述车辆位置和所述路网信息确定所述预测轨迹的拥堵状态。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据所述车辆位置和所述路网信息,确定所述障碍物车辆是否位于交通灯路口;
当所述障碍物车辆位于所述交通灯路口时,则根据所述交通灯路口的交通灯状态确定所述预测轨迹的拥堵状态;
当所述障碍物车辆不在所述交通灯路口时,则根据所述障碍物车辆的所述行驶速度确定所述预测轨迹的拥堵状态。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当所述障碍物车辆的行驶速度小于预设的静止速度阈值时,则根据所述障碍物车辆的车辆位置结合所述路网信息确定所述预测轨迹的拥堵状态;
当所述障碍物车辆的行驶速度大于或等于所述静止速度阈值时,则根据所述预测轨迹对应的障碍物信息确定所述预测轨迹的拥堵状态;所述障碍物信息用于表征所述障碍物车辆的预测轨迹对应的方向上是否存在障碍物。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据所述障碍物车辆的车辆位置结合所述路网信息确定所述障碍物车辆是否处于最右车道;
当所述障碍物车辆处于最右车道时,则确定所述预测轨迹的拥堵状态为不拥堵;
当所述障碍物车辆不在最右车道时,则根据所述障碍物车辆的静止状态的持续时间确定所述预测轨迹的拥堵状态。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当所述障碍物车辆的静止状态的持续时间大于或等于预设的静止时长阈值时,则确定所述预测轨迹的拥堵状态为不拥堵;
当所述障碍物车辆的静止状态的持续时间小于所述静止时长阈值时,则确定所述预测轨迹的拥堵状态为拥堵。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当所述预测轨迹对应的障碍物信息为所述障碍物车辆的前方存在障碍物时,则确定所述预测轨迹的拥堵状态为拥堵;
当所述预测轨迹对应的障碍物信息为所述障碍物车辆的前方不存在障碍物时,则确定所述预测轨迹的拥堵状态为不拥堵。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当所述预测轨迹的方向对应的交通灯状态为非通行状态时,则确定所述预测轨迹的拥堵状态为拥堵;
当所述预测轨迹的方向对应的交通灯状态为通行状态或不显示时,则根据所述障碍物车辆的静止状态的持续时间确定所述预测轨迹的拥堵状态。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当所述障碍物车辆的静止状态的持续时间大于或等于预设的静止时长阈值时,则确定所述预测轨迹的拥堵状态为不拥堵;
当所述障碍物车辆的静止状态的持续时间小于所述静止时长阈值时,则确定所述预测轨迹的拥堵状态为拥堵。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取障碍物车辆的三维点云数据;
采用机器学习的方法对所述三维点云数据进行识别,得到所述障碍物车辆的所述车辆信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当存在至少一个所述预测轨迹的拥堵状态为拥堵时,则确定所述障碍物车辆的拥堵状态为拥堵;
当每个所述预测轨迹的拥堵状态为不拥堵时,则确定所述障碍物车辆的拥堵状态为不拥堵。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采用机器学习的方法识别所述障碍物车辆的车尾灯状态;
根据所述障碍物车辆的车尾灯状态对所述障碍物车辆的拥堵状态进行修正。
应当清楚的是,本申请实施例中处理器执行计算机程序的过程,与上述方法中各个步骤的执行过程一致,具体可参见上文中的描述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (16)
1.一种障碍物车辆的拥堵状态确定方法,其特征在于,所述方法包括:
获取障碍物车辆的车辆信息;所述车辆信息用于描述所述障碍物车辆的外形和当前时刻的行驶状态;
根据所述车辆信息对所述障碍物车辆在下一时刻的行驶状态进行预测,得到所述障碍物车辆的预测轨迹;
根据每个所述预测轨迹、路网信息和所述车辆信息确定每个所述预测轨迹的拥堵状态,所述路网信息用于表征道路上的车道分布的信息和交通灯分布的信息;
根据每个所述预测轨迹的拥堵状态确定所述障碍物车辆的拥堵状态。
2.根据权利要求1所述的方法,其特征在于,所述车辆信息包括行驶方向、行驶速度、行驶加速度、车辆位置和车辆轮廓;所述路网信息用于表征所述道路上的车道和交通灯的分布情况。
3.根据权利要求2所述的方法,其特征在于,所述根据每个所述预测轨迹、路网信息和所述车辆信息确定每个所述预测轨迹的拥堵状态,包括:
当所述障碍物车辆的所述行驶速度大于或等于预设的低速阈值时,则确定所述预测轨迹的拥堵状态为不拥堵;
当所述障碍物车辆的所述行驶速度小于所述低速阈值时,则根据所述车辆位置和所述路网信息确定所述预测轨迹的拥堵状态。
4.根据权利要求3所述的方法,其特征在于,所述根据所述车辆位置和和所述路网信息确定所述预测轨迹的拥堵状态,包括:
根据所述车辆位置和所述路网信息,确定所述障碍物车辆是否位于交通灯路口;
当所述障碍物车辆位于所述交通灯路口时,则根据所述交通灯路口的交通灯状态确定所述预测轨迹的拥堵状态;
当所述障碍物车辆不在所述交通灯路口时,则根据所述障碍物车辆的所述行驶速度确定所述预测轨迹的拥堵状态。
5.根据权利要求4所述的方法,其特征在于,所述根据所述障碍物车辆的行驶速度确定所述预测轨迹的拥堵状态,包括:
当所述障碍物车辆的行驶速度小于预设的静止速度阈值时,则根据所述障碍物车辆的车辆位置结合所述路网信息确定所述预测轨迹的拥堵状态;
当所述障碍物车辆的行驶速度大于或等于所述静止速度阈值时,则根据所述预测轨迹对应的障碍物信息确定所述预测轨迹的拥堵状态;所述障碍物信息用于表征所述障碍物车辆的预测轨迹对应的方向上是否存在障碍物。
6.根据权利要求5所述的方法,其特征在于,所述根据所述障碍物车辆的车辆位置结合所述路网信息确定所述预测轨迹的拥堵状态,包括:
根据所述障碍物车辆的车辆位置结合所述路网信息确定所述障碍物车辆是否处于最右车道;
当所述障碍物车辆处于最右车道时,则确定所述预测轨迹的拥堵状态为不拥堵;
当所述障碍物车辆不在最右车道时,则根据所述障碍物车辆的静止状态的持续时间确定所述预测轨迹的拥堵状态。
7.根据权利要求6所述的方法,其特征在于,所述根据所述障碍物车辆的静止状态的持续时间确定所述预测轨迹的拥堵状态,包括:
当所述障碍物车辆的静止状态的持续时间大于或等于预设的静止时长阈值时,则确定所述预测轨迹的拥堵状态为不拥堵;
当所述障碍物车辆的静止状态的持续时间小于所述静止时长阈值时,则确定所述预测轨迹的拥堵状态为拥堵。
8.根据权利要求5所述的方法,其特征在于,所述根据所述预测轨迹对应的障碍物信息确定所述预测轨迹的拥堵状态,包括:
当所述预测轨迹对应的障碍物信息为所述障碍物车辆的前方存在障碍物时,则确定所述预测轨迹的拥堵状态为拥堵;
当所述预测轨迹对应的障碍物信息为所述障碍物车辆的前方不存在障碍物时,则确定所述预测轨迹的拥堵状态为不拥堵。
9.根据权利要求4所述的方法,其特征在于,所述根据所述交通灯路口的交通灯状态确定所述预测轨迹的拥堵状态,包括:
当所述预测轨迹的方向对应的交通灯状态为非通行状态时,则确定所述预测轨迹的拥堵状态为拥堵;
当所述预测轨迹的方向对应的交通灯状态为通行状态或不显示时,则根据所述障碍物车辆的静止状态的持续时间确定所述预测轨迹的拥堵状态。
10.根据权利要求9所述的方法,其特征在于,所述根据所述障碍物车辆的静止状态的持续时间确定所述预测轨迹的拥堵状态,包括:
当所述障碍物车辆的静止状态的持续时间大于或等于预设的静止时长阈值时,则确定所述预测轨迹的拥堵状态为不拥堵;
当所述障碍物车辆的静止状态的持续时间小于所述静止时长阈值时,则确定所述预测轨迹的拥堵状态为拥堵。
11.根据权利要求1-10任一项所述的方法,其特征在于,所述获取障碍物车辆的车辆信息,包括:
获取障碍物车辆的三维点云数据;
采用机器学习的方法对所述三维点云数据进行识别,得到所述障碍物车辆的所述车辆信息。
12.根据权利要求1-10任一项所述的方法,其特征在于,所述根据每个所述预测轨迹的拥堵状态确定所述障碍物车辆是否处于拥堵状态,包括:
当存在至少一个所述预测轨迹的拥堵状态为拥堵时,则确定所述障碍物车辆的拥堵状态为拥堵;
当每个所述预测轨迹的拥堵状态为不拥堵时,则确定所述障碍物车辆的拥堵状态为不拥堵。
13.根据权利要求11或12所述的方法,其特征在于,所述方法还包括:
采用机器学习的方法识别所述障碍物车辆的车尾灯状态;
根据所述障碍物车辆的车尾灯状态对所述障碍物车辆的拥堵状态进行修正。
14.一种障碍物车辆的拥堵状态确定装置,其特征在于,所述装置包括:
获取模块,用于获取障碍物车辆的车辆信息;所述车辆信息用于描述所述障碍物车辆的外形和当前时刻的行驶状态;
预测模块,用于根据所述车辆信息对所述障碍物车辆在下一时刻的行驶状态进行预测,得到所述障碍物车辆的预测轨迹;
处理模块,用于根据每个所述预测轨迹、路网信息和所述车辆信息确定每个所述预测轨迹的拥堵状态,以及根据每个所述预测轨迹的拥堵状态确定所述障碍物车辆的拥堵状态,所述路网信息用于表征道路上的车道分布的信息和交通灯分布的信息。
15.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至13中任一项所述方法的步骤。
16.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至13中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910179055.6A CN110047276B (zh) | 2019-03-11 | 2019-03-11 | 障碍物车辆的拥堵状态确定方法、装置和相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910179055.6A CN110047276B (zh) | 2019-03-11 | 2019-03-11 | 障碍物车辆的拥堵状态确定方法、装置和相关产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110047276A true CN110047276A (zh) | 2019-07-23 |
CN110047276B CN110047276B (zh) | 2020-11-27 |
Family
ID=67274531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910179055.6A Active CN110047276B (zh) | 2019-03-11 | 2019-03-11 | 障碍物车辆的拥堵状态确定方法、装置和相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110047276B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796191A (zh) * | 2019-10-29 | 2020-02-14 | 北京百度网讯科技有限公司 | 轨迹分类方法及装置 |
CN110827540A (zh) * | 2019-11-04 | 2020-02-21 | 黄传明 | 一种多模态数据融合的机动车移动模式识别方法及系统 |
CN111428943A (zh) * | 2020-04-23 | 2020-07-17 | 福瑞泰克智能系统有限公司 | 障碍物车辆轨迹预测的方法、设备和计算机设备 |
CN111681432A (zh) * | 2020-04-30 | 2020-09-18 | 安徽科力信息产业有限责任公司 | 一种包含信号灯路口的拥堵源头确定方法及装置 |
CN111824143A (zh) * | 2020-07-22 | 2020-10-27 | 中国第一汽车股份有限公司 | 一种车辆横向控制方法、装置、计算机设备和存储介质 |
CN113128326A (zh) * | 2019-12-31 | 2021-07-16 | 百度(美国)有限责任公司 | 具有语义地图和lstm的车辆轨迹预测模型 |
CN113807795A (zh) * | 2021-10-19 | 2021-12-17 | 上海擎朗智能科技有限公司 | 机器人配送场景识别拥堵的方法、机器人以及配送系统 |
CN113844451A (zh) * | 2021-09-30 | 2021-12-28 | 上海商汤临港智能科技有限公司 | 行驶设备控制方法、装置、电子设备及存储介质 |
CN113917479A (zh) * | 2021-09-30 | 2022-01-11 | 广州文远知行科技有限公司 | 一种车辆夹角的计算方法、装置、计算机设备和存储介质 |
CN114715106A (zh) * | 2022-04-29 | 2022-07-08 | 广州文远知行科技有限公司 | 刹车切换控制器及刹车切换控制系统 |
Citations (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1372230A (zh) * | 2001-02-23 | 2002-10-02 | 株式会社日立制作所 | 用流动汽车数据推测交通状况的方法和推测并提供交通状况的系统 |
JP2008234044A (ja) * | 2007-03-16 | 2008-10-02 | Pioneer Electronic Corp | 情報処理方法、車載装置および情報配信装置 |
CN101982844A (zh) * | 2010-11-03 | 2011-03-02 | 北京世纪高通科技有限公司 | 识别道路拥堵状况的方法和装置 |
CN102890869A (zh) * | 2012-09-25 | 2013-01-23 | 孙涛 | 车辆行车路线预测通知方法及移动智能终端 |
US20130197790A1 (en) * | 2012-01-31 | 2013-08-01 | Taif University | Method and system for traffic performance analysis, network reconfiguration, and real-time traffic monitoring |
CN103413435A (zh) * | 2013-06-21 | 2013-11-27 | 中国航天系统工程有限公司 | 一种基于油耗采集的路网运行状态分析方法 |
CN103426309A (zh) * | 2013-07-29 | 2013-12-04 | 吉林大学 | 一种基于出租车行驶状态信息判别交通拥堵程度的方法 |
DE102013007865A1 (de) * | 2013-05-08 | 2013-12-19 | Daimler Ag | Prognose einer Staufrontentwicklung eines Verkehrsstaus |
CN103745595A (zh) * | 2012-10-17 | 2014-04-23 | 中国电信股份有限公司 | 分析路况信息的方法和系统、车载终端和路况分析服务器 |
CN103794056A (zh) * | 2014-03-06 | 2014-05-14 | 北京卓视智通科技有限责任公司 | 基于实时双路视频流的车型精确分类系统及方法 |
CN103985255A (zh) * | 2014-06-10 | 2014-08-13 | 北京易华录信息技术股份有限公司 | 利用雷达跟踪技术精准判断行车道异常停车的系统及方法 |
CN104933862A (zh) * | 2015-05-26 | 2015-09-23 | 大连理工大学 | 一种基于浮动车轨迹的城市交通拥堵智能组合预测方法 |
CN105139647A (zh) * | 2015-07-27 | 2015-12-09 | 福建工程学院 | 一种道路拥堵实时检测的方法 |
CN105261214A (zh) * | 2015-10-09 | 2016-01-20 | 深圳市凯立德科技股份有限公司 | 一种路况预测方法、装置及服务器 |
JP2016042266A (ja) * | 2014-08-17 | 2016-03-31 | 秀明 奥 | 自車発進通知機能付き交通渋滞抑止補助装置 |
CN105469612A (zh) * | 2016-01-22 | 2016-04-06 | 大连楼兰科技股份有限公司 | 一种交通拥堵报警系统及方法 |
CN105788255A (zh) * | 2016-03-30 | 2016-07-20 | 福建工程学院 | 道路拥堵状态判断自动校正方法 |
CN106104652A (zh) * | 2014-03-26 | 2016-11-09 | 日本先锋公司 | 拥堵判定装置、拥堵判定方法、拥堵判定程序、终端装置、拥堵信息显示方法及拥堵信息显示程序 |
KR20160143220A (ko) * | 2015-06-05 | 2016-12-14 | 권도형 | 교차로 신호등 제어 시스템 |
CN106530694A (zh) * | 2016-11-07 | 2017-03-22 | 深圳大学 | 一种基于交通拥堵传播模型的交通拥堵预测方法及系统 |
CN106781509A (zh) * | 2017-03-06 | 2017-05-31 | 长安大学 | 一种基于v2v的协作式城市道路拥堵检测方法 |
CN107025642A (zh) * | 2016-01-27 | 2017-08-08 | 百度在线网络技术(北京)有限公司 | 基于点云数据的车辆轮廓检测方法和装置 |
CN107123295A (zh) * | 2017-06-30 | 2017-09-01 | 百度在线网络技术(北京)有限公司 | 拥堵路段预测方法、装置、服务器以及存储介质 |
CN107578624A (zh) * | 2017-09-15 | 2018-01-12 | 杭州分数科技有限公司 | 城市交通管控方法、装置及系统 |
CN108074414A (zh) * | 2017-12-19 | 2018-05-25 | 广州小鹏汽车科技有限公司 | 一种基于用户行为的常走路径交通信息提醒方法及系统 |
CN108074008A (zh) * | 2016-11-18 | 2018-05-25 | 腾讯科技(深圳)有限公司 | 一种预测拥堵路段的方法及装置 |
US20180158326A1 (en) * | 2016-12-06 | 2018-06-07 | Here Global B.V. | Split lane traffic jam detection and remediation |
CN108171972A (zh) * | 2017-12-22 | 2018-06-15 | 思建科技有限公司 | 一种堵车提醒方法及系统 |
CN108475057A (zh) * | 2016-12-21 | 2018-08-31 | 百度(美国)有限责任公司 | 基于车辆周围的情境预测车辆的一个或多个轨迹的方法和系统 |
CN108597223A (zh) * | 2018-04-28 | 2018-09-28 | 北京智行者科技有限公司 | 一种用于智能车辆行为描述的数据处理方法和系统 |
CN108734960A (zh) * | 2018-05-23 | 2018-11-02 | 深圳市华慧品牌管理有限公司 | 道路堵塞预测方法及其装置 |
CN108871357A (zh) * | 2018-04-20 | 2018-11-23 | 长安大学 | 一种在电子地图上显示拥堵路段的事故车道的方法 |
CN108922171A (zh) * | 2016-07-14 | 2018-11-30 | 天津职业技术师范大学 | 道路交通事件检测预警方法及检测预警系统 |
CN108961743A (zh) * | 2018-05-28 | 2018-12-07 | 马鞍山马文化传媒有限公司 | 一种基于道路交通的广告推送系统 |
CN108961756A (zh) * | 2018-07-26 | 2018-12-07 | 深圳市赛亿科技开发有限公司 | 一种自动实时交通车流量、人流量统计方法及系统 |
CN108986453A (zh) * | 2018-06-15 | 2018-12-11 | 华南师范大学 | 一种基于情境信息的交通状况预测方法、系统及装置 |
CN109003446A (zh) * | 2018-07-12 | 2018-12-14 | 重庆市城投金卡信息产业股份有限公司 | 一种基于rfid数据的城市错峰通行效果分析方法 |
US20180365992A1 (en) * | 2017-06-14 | 2018-12-20 | Lucas Automotive Gmbh | System and method for assisting a driver of a motor vehicle in a traffic jam situation |
CN109087510A (zh) * | 2018-09-29 | 2018-12-25 | 讯飞智元信息科技有限公司 | 交通监测方法及装置 |
CN109300312A (zh) * | 2018-12-06 | 2019-02-01 | 深圳市泰比特科技有限公司 | 一种基于车辆大数据的路况分析方法及系统 |
CN109360416A (zh) * | 2018-10-11 | 2019-02-19 | 平安科技(深圳)有限公司 | 道路交通预测方法及服务器 |
-
2019
- 2019-03-11 CN CN201910179055.6A patent/CN110047276B/zh active Active
Patent Citations (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1372230A (zh) * | 2001-02-23 | 2002-10-02 | 株式会社日立制作所 | 用流动汽车数据推测交通状况的方法和推测并提供交通状况的系统 |
JP2008234044A (ja) * | 2007-03-16 | 2008-10-02 | Pioneer Electronic Corp | 情報処理方法、車載装置および情報配信装置 |
CN101982844A (zh) * | 2010-11-03 | 2011-03-02 | 北京世纪高通科技有限公司 | 识别道路拥堵状况的方法和装置 |
US20130197790A1 (en) * | 2012-01-31 | 2013-08-01 | Taif University | Method and system for traffic performance analysis, network reconfiguration, and real-time traffic monitoring |
CN102890869A (zh) * | 2012-09-25 | 2013-01-23 | 孙涛 | 车辆行车路线预测通知方法及移动智能终端 |
CN103745595A (zh) * | 2012-10-17 | 2014-04-23 | 中国电信股份有限公司 | 分析路况信息的方法和系统、车载终端和路况分析服务器 |
DE102013007865A1 (de) * | 2013-05-08 | 2013-12-19 | Daimler Ag | Prognose einer Staufrontentwicklung eines Verkehrsstaus |
CN103413435A (zh) * | 2013-06-21 | 2013-11-27 | 中国航天系统工程有限公司 | 一种基于油耗采集的路网运行状态分析方法 |
CN103426309A (zh) * | 2013-07-29 | 2013-12-04 | 吉林大学 | 一种基于出租车行驶状态信息判别交通拥堵程度的方法 |
CN103794056A (zh) * | 2014-03-06 | 2014-05-14 | 北京卓视智通科技有限责任公司 | 基于实时双路视频流的车型精确分类系统及方法 |
CN106104652A (zh) * | 2014-03-26 | 2016-11-09 | 日本先锋公司 | 拥堵判定装置、拥堵判定方法、拥堵判定程序、终端装置、拥堵信息显示方法及拥堵信息显示程序 |
CN103985255A (zh) * | 2014-06-10 | 2014-08-13 | 北京易华录信息技术股份有限公司 | 利用雷达跟踪技术精准判断行车道异常停车的系统及方法 |
JP2016042266A (ja) * | 2014-08-17 | 2016-03-31 | 秀明 奥 | 自車発進通知機能付き交通渋滞抑止補助装置 |
CN104933862A (zh) * | 2015-05-26 | 2015-09-23 | 大连理工大学 | 一种基于浮动车轨迹的城市交通拥堵智能组合预测方法 |
KR20160143220A (ko) * | 2015-06-05 | 2016-12-14 | 권도형 | 교차로 신호등 제어 시스템 |
CN105139647A (zh) * | 2015-07-27 | 2015-12-09 | 福建工程学院 | 一种道路拥堵实时检测的方法 |
CN105261214A (zh) * | 2015-10-09 | 2016-01-20 | 深圳市凯立德科技股份有限公司 | 一种路况预测方法、装置及服务器 |
CN105469612A (zh) * | 2016-01-22 | 2016-04-06 | 大连楼兰科技股份有限公司 | 一种交通拥堵报警系统及方法 |
CN107025642A (zh) * | 2016-01-27 | 2017-08-08 | 百度在线网络技术(北京)有限公司 | 基于点云数据的车辆轮廓检测方法和装置 |
CN105788255A (zh) * | 2016-03-30 | 2016-07-20 | 福建工程学院 | 道路拥堵状态判断自动校正方法 |
CN108922171A (zh) * | 2016-07-14 | 2018-11-30 | 天津职业技术师范大学 | 道路交通事件检测预警方法及检测预警系统 |
CN106530694A (zh) * | 2016-11-07 | 2017-03-22 | 深圳大学 | 一种基于交通拥堵传播模型的交通拥堵预测方法及系统 |
CN108074008A (zh) * | 2016-11-18 | 2018-05-25 | 腾讯科技(深圳)有限公司 | 一种预测拥堵路段的方法及装置 |
US20180158326A1 (en) * | 2016-12-06 | 2018-06-07 | Here Global B.V. | Split lane traffic jam detection and remediation |
CN108475057A (zh) * | 2016-12-21 | 2018-08-31 | 百度(美国)有限责任公司 | 基于车辆周围的情境预测车辆的一个或多个轨迹的方法和系统 |
CN106781509A (zh) * | 2017-03-06 | 2017-05-31 | 长安大学 | 一种基于v2v的协作式城市道路拥堵检测方法 |
US20180365992A1 (en) * | 2017-06-14 | 2018-12-20 | Lucas Automotive Gmbh | System and method for assisting a driver of a motor vehicle in a traffic jam situation |
CN107123295A (zh) * | 2017-06-30 | 2017-09-01 | 百度在线网络技术(北京)有限公司 | 拥堵路段预测方法、装置、服务器以及存储介质 |
CN107578624A (zh) * | 2017-09-15 | 2018-01-12 | 杭州分数科技有限公司 | 城市交通管控方法、装置及系统 |
CN108074414A (zh) * | 2017-12-19 | 2018-05-25 | 广州小鹏汽车科技有限公司 | 一种基于用户行为的常走路径交通信息提醒方法及系统 |
CN108171972A (zh) * | 2017-12-22 | 2018-06-15 | 思建科技有限公司 | 一种堵车提醒方法及系统 |
CN108871357A (zh) * | 2018-04-20 | 2018-11-23 | 长安大学 | 一种在电子地图上显示拥堵路段的事故车道的方法 |
CN108597223A (zh) * | 2018-04-28 | 2018-09-28 | 北京智行者科技有限公司 | 一种用于智能车辆行为描述的数据处理方法和系统 |
CN108734960A (zh) * | 2018-05-23 | 2018-11-02 | 深圳市华慧品牌管理有限公司 | 道路堵塞预测方法及其装置 |
CN108961743A (zh) * | 2018-05-28 | 2018-12-07 | 马鞍山马文化传媒有限公司 | 一种基于道路交通的广告推送系统 |
CN108986453A (zh) * | 2018-06-15 | 2018-12-11 | 华南师范大学 | 一种基于情境信息的交通状况预测方法、系统及装置 |
CN109003446A (zh) * | 2018-07-12 | 2018-12-14 | 重庆市城投金卡信息产业股份有限公司 | 一种基于rfid数据的城市错峰通行效果分析方法 |
CN108961756A (zh) * | 2018-07-26 | 2018-12-07 | 深圳市赛亿科技开发有限公司 | 一种自动实时交通车流量、人流量统计方法及系统 |
CN109087510A (zh) * | 2018-09-29 | 2018-12-25 | 讯飞智元信息科技有限公司 | 交通监测方法及装置 |
CN109360416A (zh) * | 2018-10-11 | 2019-02-19 | 平安科技(深圳)有限公司 | 道路交通预测方法及服务器 |
CN109300312A (zh) * | 2018-12-06 | 2019-02-01 | 深圳市泰比特科技有限公司 | 一种基于车辆大数据的路况分析方法及系统 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796191A (zh) * | 2019-10-29 | 2020-02-14 | 北京百度网讯科技有限公司 | 轨迹分类方法及装置 |
CN110827540A (zh) * | 2019-11-04 | 2020-02-21 | 黄传明 | 一种多模态数据融合的机动车移动模式识别方法及系统 |
CN110827540B (zh) * | 2019-11-04 | 2021-03-12 | 黄传明 | 一种多模态数据融合的机动车移动模式识别方法及系统 |
CN113128326B (zh) * | 2019-12-31 | 2024-04-09 | 百度(美国)有限责任公司 | 具有语义地图和lstm的车辆轨迹预测模型 |
CN113128326A (zh) * | 2019-12-31 | 2021-07-16 | 百度(美国)有限责任公司 | 具有语义地图和lstm的车辆轨迹预测模型 |
CN111428943B (zh) * | 2020-04-23 | 2021-08-03 | 福瑞泰克智能系统有限公司 | 障碍物车辆轨迹预测的方法、设备和计算机设备 |
CN111428943A (zh) * | 2020-04-23 | 2020-07-17 | 福瑞泰克智能系统有限公司 | 障碍物车辆轨迹预测的方法、设备和计算机设备 |
CN111681432A (zh) * | 2020-04-30 | 2020-09-18 | 安徽科力信息产业有限责任公司 | 一种包含信号灯路口的拥堵源头确定方法及装置 |
CN111681432B (zh) * | 2020-04-30 | 2022-03-29 | 大连理工大学 | 一种包含信号灯路口的拥堵源头确定方法及装置 |
CN111824143A (zh) * | 2020-07-22 | 2020-10-27 | 中国第一汽车股份有限公司 | 一种车辆横向控制方法、装置、计算机设备和存储介质 |
CN113844451A (zh) * | 2021-09-30 | 2021-12-28 | 上海商汤临港智能科技有限公司 | 行驶设备控制方法、装置、电子设备及存储介质 |
CN113917479A (zh) * | 2021-09-30 | 2022-01-11 | 广州文远知行科技有限公司 | 一种车辆夹角的计算方法、装置、计算机设备和存储介质 |
CN113844451B (zh) * | 2021-09-30 | 2023-12-19 | 上海商汤临港智能科技有限公司 | 行驶设备控制方法、装置、电子设备及存储介质 |
CN113807795A (zh) * | 2021-10-19 | 2021-12-17 | 上海擎朗智能科技有限公司 | 机器人配送场景识别拥堵的方法、机器人以及配送系统 |
CN114715106A (zh) * | 2022-04-29 | 2022-07-08 | 广州文远知行科技有限公司 | 刹车切换控制器及刹车切换控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110047276B (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110047276A (zh) | 障碍物车辆的拥堵状态确定方法、装置和相关产品 | |
CN111133485B (zh) | 自主交通工具的对象预测优先级排序系统和方法 | |
US20200269874A1 (en) | Track prediction method and device for obstacle at junction | |
CN111670468B (zh) | 移动体行为预测装置以及移动体行为预测方法 | |
US11150660B1 (en) | Scenario editor and simulator | |
CN111583715B (zh) | 一种车辆轨迹预测方法、车辆碰撞预警方法、装置及存储介质 | |
CN112069643B (zh) | 一种自动驾驶仿真场景生成方法及装置 | |
CN103021186B (zh) | 一种车辆监控的方法及系统 | |
CN109884916A (zh) | 一种自动驾驶仿真评估方法及装置 | |
CN107843267A (zh) | 施工路段无人驾驶车辆的路径生成方法及装置 | |
US11697412B2 (en) | Collision monitoring using statistic models | |
US11648939B2 (en) | Collision monitoring using system data | |
CN112078592B (zh) | 一种车辆行为和/或车辆轨迹的预测方法及装置 | |
CN114077541A (zh) | 验证用于自动驾驶车辆的自动控制软件的方法和系统 | |
Niranjan et al. | Deep learning based object detection model for autonomous driving research using carla simulator | |
CN107009968A (zh) | 车载激光雷达控制方法、装置及车载设备 | |
US11526721B1 (en) | Synthetic scenario generator using distance-biased confidences for sensor data | |
KR20200102378A (ko) | 정보 처리 방법, 장치 및 저장 매체 | |
CN114061581A (zh) | 通过相互重要性对自动驾驶车辆附近的智能体排名 | |
CN112710317A (zh) | 自动驾驶地图的生成方法、自动驾驶方法及相关产品 | |
CN114446049A (zh) | 基于社会价值取向的交通流预测方法、系统、终端及介质 | |
JP6927918B2 (ja) | 信号機を道路レーンに割り当てる道路地図作成装置、プログラム及び方法 | |
CN116135640A (zh) | 一种车辆防碰撞预警方法、系统及车辆 | |
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 | |
CN109579848A (zh) | 一种保持全局路径下机器人的中间规划方法 |
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 |