CN110057369A - 无人驾驶设备的运行规划方法、装置及无人驾驶设备 - Google Patents
无人驾驶设备的运行规划方法、装置及无人驾驶设备 Download PDFInfo
- Publication number
- CN110057369A CN110057369A CN201910464658.0A CN201910464658A CN110057369A CN 110057369 A CN110057369 A CN 110057369A CN 201910464658 A CN201910464658 A CN 201910464658A CN 110057369 A CN110057369 A CN 110057369A
- Authority
- CN
- China
- Prior art keywords
- planning
- information
- target device
- map
- road conditions
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种无人驾驶设备的运行规划方法、装置及无人驾驶设备,所述方法的一具体实施方式包括:获取时间序列数据;所述时间序列数据由多帧路况图构成,每帧所述路况图包括目标设备的状态信息及所述目标设备检测到的障碍物的状态信息;基于所述时间序列数据,确定规划引导地图,所述规划引导地图包括未来预设时段内,所述障碍物对应的可能位置区域信息;基于所述规划引导地图,确定所述目标设备的运行规划信息。该实施方式无需消耗大量的计算资源,也无需进行复杂的流程,从而提高了运行规划的效率,降低了运行规划的复杂性,也提高了运行规划的准确度。
Description
技术领域
本申请涉及无人驾驶技术领域,特别涉及一种无人驾驶设备的运行规划方法、装置及无人驾驶设备。
背景技术
目前来说,在对无人驾驶设备进行运行规划时,通常需要采集大量采样点,再基于预设的驾驶规则生成大量可能的备选路径,从大量备选路径中择优选取目标路径,以进行路径规划,并进一步基于目标路径进行速度规划。由于要生成大量的备选路径,并在生成备选路径时,还需要进行平滑处理,并且,在从大量备选路径中择优选取目标路径时,也需要消耗大量的计算资源。因此,进行运行规划的流程复杂,计算资源消耗量大。从而降低了运行规划的效率,增加了运行规划的复杂性,运行规划的准确度也较低。
发明内容
为了解决上述技术问题之一,本申请提供一种无人驾驶设备的运行规划方法、装置及无人驾驶设备。
根据本申请实施例的第一方面,提供一种无人驾驶设备的运行规划方法,包括:
获取时间序列数据;所述时间序列数据由多帧路况图构成,每帧所述路况图包括目标设备的状态信息及所述目标设备检测到的障碍物的状态信息;
基于所述时间序列数据,确定规划引导地图,所述规划引导地图包括未来预设时段内,所述障碍物对应的可能位置区域信息;
基于所述规划引导地图,确定所述目标设备的运行规划信息。
可选的,所述获取时间序列数据,包括:
获取第一信息、第二信息以及目标地图;所述第一信息包括所述目标设备在每个预设的目标时刻的状态信息,所述第二信息包括所述障碍物在每个所述目标时刻的状态信息,所述目标地图包括所述目标设备在每个所述目标时刻所处环境的地图帧;
基于所述第一信息、所述第二信息以及所述目标地图,生成每个所述目标时刻对应的一帧路况图;
基于每个所述目标时刻对应的一帧路况图,确定所述时间序列数据。
可选的,所述基于所述时间序列数据,确定规划引导地图,包括:
基于所述时间序列数据,利用预先训练的ARIMA差分整合移动平均自回归模型,确定规划引导地图。
可选的,所述基于所述时间序列数据,利用预先训练的ARIMA差分整合移动平均自回归模型,确定规划引导地图,包括:
针对每帧所述路况图,按照预设顺序将该路况图的每个像素点进行排列,构成该路况图的一维数组;
根据每帧所述路况图的一维数组,确定所述时间序列数据的目标向量;
将所述目标向量输入至预先训练的ARIMA模型中;
获取所述ARIMA模型输出的所述规划引导地图。
可选的,所述基于所述规划引导地图,确定所述目标设备的运行规划信息,包括:
利用预先训练的DCNN深度卷积神经网络,基于所述规划引导地图,确定所述目标设备的运行规划信息。
可选的,所述利用预先训练的DCNN深度卷积神经网络,基于所述规划引导地图,确定所述目标设备的运行规划信息,包括:
确定预先输入的驾驶模式标签;
将所述规划引导地图及所述驾驶模式标签,输入至预先训练的DCNN;
获取所述DCNN输出的所述驾驶模式标签对应的所述运行规划信息。
可选的,所述DCNN利用StarGAN星型生成式对抗网络训练得到。
根据本申请实施例的第二方面,提供一种无人驾驶设备的运行规划装置,包括:
获取模块,用于获取时间序列数据;所述时间序列数据由多帧路况图构成,每帧所述路况图包括目标设备的状态信息及所述目标设备检测到的障碍物的状态信息;
预测模块,用于基于所述时间序列数据,确定规划引导地图,所述规划引导地图包括未来预设时段内,所述障碍物对应的可能位置区域信息;
确定模块,用于基于所述规划引导地图,确定目标设备的运行规划信息。
根据本申请实施例的第三方面,提供一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面中任一项所述的方法。
根据本申请实施例的第四方面,提供一种无人驾驶设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述第一方面中任一项所述的方法。
本申请的实施例提供的技术方案可以包括以下有益效果:
本申请的实施例提供的无人驾驶设备的运行规划方法和装置,通过获取时间序列数据,该时间序列数据由多帧路况图构成,每帧路况图包括目标设备的状态信息及目标设备检测到的障碍物的状态信息,基于上述时间序列数据,确定规划引导地图,该规划引导地图包括未来预设时段内,障碍物对应的可能位置区域信息,并基于上述规划引导地图,确定目标设备的运行规划信息。由于本实施例能够基于由多帧路况图构成的时间序列数据,预测得到规划引导地图,并基于规划引导地图进行运行规划,无需消耗大量的计算资源,也无需进行复杂的流程,从而提高了运行规划的效率,降低了运行规划的复杂性,也提高了运行规划的准确度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
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,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是本申请根据一示例性实施例示出的一种无人驾驶设备的运行规划方法的流程图;
图2是本申请根据一示例性实施例示出的另一种无人驾驶设备的运行规划方法的流程图;
图3是本申请根据一示例性实施例示出的另一种无人驾驶设备的运行规划方法的流程图;
图4是本申请根据一示例性实施例示出的一种无人驾驶设备的运行规划装置的框图;
图5是本申请根据一示例性实施例示出的另一种无人驾驶设备的运行规划装置的框图;
图6是本申请根据一示例性实施例示出的另一种无人驾驶设备的运行规划装置的框图;
图7是本申请根据一示例性实施例示出的另一种无人驾驶设备的运行规划装置的框图;
图8是本申请根据一示例性实施例示出的另一种无人驾驶设备的运行规划装置的框图;
图9是本申请根据一示例性实施例示出的另一种无人驾驶设备的运行规划装置的框图;
图10是本申请根据一示例性实施例示出的一种无人驾驶设备的结构示意图。
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申请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、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
如图1所示,图1是根据一示例性实施例示出的一种无人驾驶设备的运行规划方法的流程图,该方法可以应用于无人驾驶设备中。本领域技术人员可以理解,该无人驾驶设备可以包括但不限于无人车、无人操作机器人、无人机、无人船等等。该方法包括以下步骤:
在步骤101中,获取时间序列数据,该时间序列数据由多帧路况图构成,每帧路况图包括目标设备的状态信息及目标设备检测到的障碍物的状态信息。
在本实施例中,所涉及的目标设备为需要进行运行规划的无人驾驶设备,在目标设备进行运行规划时,可以首先获取时间序列数据。该时间序列数据可以由多帧路况图构成,每帧路况图可以包括目标设备的状态信息及目标设备检测到的障碍物的状态信息。其中,路况图可以是将目标设备的状态信息及目标设备检测到的障碍物的状态信息合成至地图上的图像。
在本实施例中,目标设备的状态信息可以包括但不限于目标设备的姿态信息、速度信息、加速度信息、底盘状态信息以及尺寸信息等。障碍物的状态信息可以包括但不限于障碍物的相对位置信息、速度信息、加速度信息以及尺寸信息等。
一般来说,时间序列数据是一系列有序的数据,是由对应于不同时刻的数据,按照时间顺序排列得到的。在本实施例中,可以确定目标设备在每个预设的目标时刻所对应的一帧路况图,其中,目标时刻可以是过去预设时段内的预设时刻。将目标设备在每个目标时刻所对应的路况图按时间顺序排列,可以得到该时间序列数据。
具体来说,在一种实现方式中,目标设备可以首先获取第一信息、第二信息以及目标地图。该第一信息可以包括目标设备在每个预设的目标时刻的状态信息,该第二信息可以包括目标设备检测到的一个或多个障碍物在每个目标时刻的状态信息,该目标地图可以包括目标设备在每个目标时刻所处环境的地图帧。其中,目标时刻可以是过去预设时段内(如当前时刻之前的预设时段内)的预设时刻。然后,可以基于该第一信息、该第二信息以及该目标地图,生成每个目标时刻对应的一帧路况图,并基于每个目标时刻对应的一帧路况图,确定上述时间序列数据。
在另一种实现方式中,目标设备还可以预先将在每个目标时刻采集到的定位信息、障碍物的状态信息及目标设备的状态信息上传至服务器。服务器可以根据每个目标时刻采集到的定位信息,确定目标设备在每个目标时刻所处环境的地图帧,并基于目标设备在每个目标时刻所处环境的地图帧、目标设备在每个目标时刻采集到的障碍物的状态信息及目标设备的状态信息,生成每个目标时刻对应的一帧路况图,将上述路况图按时间的顺序进行排列,得到时间序列数据,并将时间序列数据返回给目标设备。
可以理解,还可以通过其它任意合理的方式获取时间序列数据,本申请对获取时间序列数据的具体方式方面不限定。
在步骤102中,基于上述时间序列数据,确定规划引导地图,该规划引导地图包括未来预设时段内,障碍物对应的可能位置区域信息。
在本实施例中,可以基于上述时间序列数据,确定规划引导地图,该规划引导地图至少可以包括未来预设时段内,障碍物对应的可能位置区域信息(即障碍物可能出现的位置区域的信息)。该规划引导地图可以由多帧地图构成。其中,未来预设时段可以是未来任意合理的时间段,本申请对未来预设时段的具体范围方面不限定。
具体来说,在一种实现方式中,可以预先根据经验设定第一目标规则,该第一目标规则能够体现上述时间序列数据与规划引导地图之间的转换关系。然后,可以基于该第一目标规则以及上述时间序列数据,得到规划引导地图。
在另一种实现方式中,还可以采用机器学习的方式,基于上述时间序列数据,确定规划引导地图。可选地,可以基于上述时间序列数据,利用预先训练的ARIMA(Autoregressive Integrated Moving Average model,差分整合移动平均自回归)模型,确定规划引导地图。
可以理解,还可以通过其它任意合理的方式确定规划引导地图,本申请对确定规划引导地图的具体方式方面不限定。
在步骤103中,基于上述规划引导地图,确定目标设备的运行规划信息。
在本实施例中,可以基于上述规划引导地图,确定目标设备的运行规划信息。该运行规划信息可以包括速度规划信息和路径规划信息,其中,速度规划信息可以用于指导控制目标设备的速度,路径规划信息可以用于指导控制目标设备的运行轨迹。
具体来说,在一种实现方式中,可以预先根据经验设定第二目标规则,该第二目标规则能够体现上述规划引导地图与运行规划信息之间的转换关系。然后,可以基于该第二目标规则以及上述规划引导地图,得到运行规划信息。
在另一种实现方式中,还可以采用机器学习的方式,基于上述规划引导地图,确定目标设备的运行规划信息。可选地,可以利用预先训练的DCNN(Deep ConvolutionalNeural Network,深度卷积神经网络),基于上述规划引导地图,确定目标设备的运行规划信息。
可以理解,还可以通过其它任意合理的方式确定目标设备的运行规划信息,本申请对目标设备的运行规划信息的具体方式方面不限定。
本申请的上述实施例提供的无人驾驶设备的运行规划方法,通过获取时间序列数据,该时间序列数据由多帧路况图构成,每帧路况图包括目标设备的状态信息及目标设备检测到的障碍物的状态信息,基于上述时间序列数据,确定规划引导地图,该规划引导地图包括未来预设时段内,障碍物对应的可能位置区域信息,并基于上述规划引导地图,确定目标设备的运行规划信息。由于本实施例能够基于由多帧路况图构成的时间序列数据,预测得到规划引导地图,并基于规划引导地图进行运行规划,无需消耗大量的计算资源,也无需进行复杂的流程,从而提高了运行规划的效率,降低了运行规划的复杂性,也提高了运行规划的准确度。
如图2所示,图2根据一示例性实施例示出的另一种无人驾驶设备的运行规划方法的流程图,该实施例描述了获取时间序列数据的过程,该方法可以应用于无人驾驶设备中,包括以下步骤:
在步骤201中,获取第一信息、第二信息及目标地图。
在本实施例中,该第一信息可以包括目标设备在每个目标时刻的状态信息,该第二信息可以包括目标设备检测到的障碍物在每个目标时刻的状态信息,该目标地图可以包括目标设备在每个目标时刻所处环境的地图帧。其中,目标设备的状态信息可以包括但不限于目标设备的姿态信息、速度信息、加速度信息、底盘状态信息以及尺寸信息等。障碍物的状态信息可以包括但不限于障碍物的相对位置信息、速度信息、加速度信息以及尺寸信息等。
在本实施例中,目标设备可以每隔一定时段,采集一次目标设备的定位信息、目标设备的状态信息以及检测到的障碍物的状态信息,并将目标设备的定位信息、目标设备的状态信息、障碍物的状态信息以及采集上述信息的目标时刻关联地进行存储。并且,目标设备可以预先通过网络从服务器下载地图信息,地图信息可以包括多个地图帧。
当需要进行运行规划时,目标设备可以从存储的数据中取出过去预设时段内每个目标时刻对应的目标设备的状态信息,以得到第一信息。取出过去预设时段内每个目标时刻对应的障碍物的状态信息,以得到第二信息。取出每个目标时刻对应的定位信息,并根据每个目标时刻对应的定位信息以及地图信息,确定每个目标时刻对应的地图帧,以得到目标地图。
在步骤202中,基于该第一信息、该第二信息以及该目标地图,生成每个目标时刻对应的一帧路况图。
在本实施例中,可以基于该第一信息、该第二信息以及该目标地图,生成每个目标时刻对应的一帧路况图。具体来说,针对每个目标时刻,将该目标时刻对应的目标设备的状态信息以及障碍物的状态信息合成到该目标时刻对应的地图帧上,以生成该目标时刻对应的一帧路况图。
在步骤203中,基于每个目标时刻对应的一帧路况图,获取时间序列数据,该时间序列数据由多帧路况图构成,每帧路况图包括目标设备的状态信息及目标设备检测到的障碍物的状态信息。
在本实施例中,生成每个目标时刻对应的一帧路况图后,可以将这些路况图按时间顺序进行排列,得到上述由多帧路况图构成的时间序列数据。
在步骤204中,基于上述时间序列数据,确定规划引导地图,该规划引导地图包括未来预设时段内,障碍物对应的可能位置区域信息。
在步骤205中,基于上述规划引导地图,确定目标设备的运行规划信息。
需要说明的是,对于与图1实施例中相同的步骤,在上述图2实施例中不再进行赘述,相关内容可参见图1实施例。
本申请的上述实施例提供的无人驾驶设备的运行规划方法,通过获取第一信息、第二信息及目标地图,基于该第一信息、该第二信息以及该目标地图,生成每个目标时刻对应的一帧路况图,并基于每个目标时刻对应的一帧路况图,获取时间序列数据,该时间序列数据由多帧路况图构成,每帧路况图包括目标设备的状态信息及目标设备检测到的障碍物的状态信息。从而能够基于上述时间序列数据,确定规划引导地图,并基于上述规划引导地图,确定目标设备的运行规划信息。有助于提高运行规划的效率,降低运行规划的复杂性,也进一步提高了运行规划的准确度。
如图3所示,图3根据一示例性实施例示出的另一种无人驾驶设备的运行规划方法的流程图,该实施例详细描述了确定规划引导地图和确定目标设备的运行规划信息的过程,该方法可以应用于无人驾驶设备中,包括以下步骤:
在步骤301中,获取时间序列数据,该时间序列数据由多帧路况图构成,每帧路况图包括目标设备的状态信息及目标设备检测到的障碍物的状态信息。
在步骤302中,基于该时间序列数据,利用预先训练的ARIMA模型,确定规划引导地图,该规划引导地图包括未来预设时段内,障碍物对应的可能位置区域信息。
在本实施例中,可以基于该时间序列数据,利用预先训练的ARIMA模型,确定规划引导地图。该规划引导地图至少可以包括未来预设时段内,障碍物对应的可能位置区域信息。该规划引导地图还可以进一步包括未来预设时段内,障碍物在对应的可能位置区域出现的概率的分布信息。可以通过上述可能位置区域在地图中的每个像素点所对应的概率表示该概率的分布信息。
具体来说,可以通过如下方式确定规划引导地图:首先,针对每帧路况图,可以按照预设顺序(例如,可以按照从上到下从左到右的顺序,或者也可以按照从下到上从右到左的顺序等)将该路况图的每个像素点进行排列,构成该路况图的一维数组。然后,根据每帧路况图的一维数组,确定时间序列数据的目标向量。例如,可以将每帧路况图的一维数组按照路况图的顺序进行排列,得到目标向量。最后,将目标向量输入至预先训练的ARIMA模型中,并获取ARIMA模型输出的结果作为规划引导地图。
一般来说,ARIMA模型只能对一维向量进行处理,而上述时间序列数据为二维信息。由于本实施例通过按照预设顺序将每帧路况图的每个像素点排列构成一维数组,从而不仅能够将上述时间序列数据转换成一维向量,同时又不损失上述时间序列数据的信息量,使得到的规划引导地图更具合理性。
在步骤303中,利用预先训练的DCNN,基于规划引导地图,确定目标设备的运行规划信息。
在本实施例中,可以利用预先训练的DCNN,基于规划引导地图,确定目标设备的运行规划信息。其中,可选地,该DCNN可以利用StarGAN星型生成式对抗网络训练得到。
具体来说,可以通过如下方式确定目标设备的运行规划信息:首先,可以确定预先输入的驾驶模式标签。其中,驾驶模式标签可以用于标记不同的驾驶模式,在不同的驾驶模式下,对应不同的驾驶场景和驾驶策略。
例如,驾驶模式标签可以包括但不限于紧急驾驶模式,普通驾驶模式以及休闲驾驶模式等。当在有急事需要紧急处理的驾驶场景下,可以采用紧急驾驶模式下的驾驶策略。当在普通的驾驶场景下,可以采用普通驾驶模式下的驾驶策略。当在休闲旅游的驾驶场景下,可以采用休闲驾驶模式下的驾驶策略。
然后,可以将规划引导地图及驾驶模式标签,输入至预先训练的DCNN中,并获取该DCNN输出的结果,该结果包括上述驾驶模式标签对应的运行规划信息。
由于本实施例考虑了不同的驾驶场景对应于不同的驾驶策略,通过输入的驾驶模式标签,得到相应的运行规划信息,使运行规划信息更符合当前的驾驶场景。
需要说明的是,对于与图1和图2实施例中相同的步骤,在上述图3实施例中不再进行赘述,相关内容可参见图1和图2实施例。
本申请的上述实施例提供的无人驾驶设备的运行规划方法,通过基于获取到的时间序列数据,利用预先训练的ARIMA模型,确定规划引导地图,并利用预先训练的DCNN,基于规划引导地图,确定目标设备的运行规划信息。从而使得运行规划的效率得到进一步提高,并提高了运行规划的准确性和合理性。
应当注意,尽管在上述实施例中,以特定顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。相反,流程图中描绘的步骤可以改变执行顺序。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
与前述无人驾驶设备的运行规划方法实施例相对应,本申请还提供了无人驾驶设备的运行规划装置的实施例。
如图4所示,图4是本申请根据一示例性实施例示出的一种无人驾驶设备的运行规划装置框图,该装置可以包括:获取模块401,预测模块402和确定模块403。
其中,获取模块401,用于获取时间序列数据,该时间序列数据由多帧路况图构成,每帧路况图包括目标设备的状态信息及目标设备检测到的障碍物的状态信息。
预测模块402,用于基于该时间序列数据,确定规划引导地图,该规划引导地图包括未来预设时段内,障碍物对应的可能位置区域信息。
确定模块403,用于基于该规划引导地图,确定目标设备的运行规划信息。
如图5所示,图5是本申请根据一示例性实施例示出的另一种无人驾驶设备的运行规划装置框图,该实施例在前述图4所示实施例的基础上,获取模块401可以包括:获取子模块501,生成子模块502和确定子模块503。
其中,获取子模块501,用于获取第一信息、第二信息以及目标地图,该第一信息包括目标设备在每个预设的目标时刻的状态信息,该第二信息包括障碍物在每个目标时刻的状态信息,该目标地图包括目标设备在每个目标时刻所处环境的地图帧。
生成子模块502,用于基于该第一信息、该第二信息以及该目标地图,生成每个目标时刻对应的一帧路况图。
确定子模块503,用于基于每个目标时刻对应的一帧路况图,确定上述时间序列数据。
如图6所示,图6是本申请根据一示例性实施例示出的另一种无人驾驶设备的运行规划装置框图,该实施例在前述图4所示实施例的基础上,预测模块402可以包括:预测子模块601。
其中,预测子模块601,用于基于上时间序列数据,利用预先训练的ARIMA差分整合移动平均自回归模型,确定规划引导地图。
如图7所示,图7是本申请根据一示例性实施例示出的另一种无人驾驶设备的运行规划装置框图,该实施例在前述图6所示实施例的基础上,预测子模块601可以包括:排列子模块701,向量子模块702,第一输入子模块703和第一输出子模块704。
其中,排列子模块701,用于针对每帧路况图,按照预设顺序将该路况图的每个像素点进行排列,构成该路况图的一维数组。
向量子模块702,用于根据每帧路况图的一维数组,确定上述时间序列数据的目标向量。
第一输入子模块703,用于将目标向量输入至预先训练的ARIMA模型中。
第一输出子模块704,用于获取ARIMA模型输出的规划引导地图。
如图8所示,图8是本申请根据一示例性实施例示出的另一种无人驾驶设备的运行规划装置框图,该实施例在前述图4所示实施例的基础上,确定模块403可以包括:规划子模块801。
其中,规划子模块801,用于利用预先训练的DCNN深度卷积神经网络,基于规划引导地图,确定目标设备的运行规划信息。
如图9所示,图9是本申请根据一示例性实施例示出的另一种无人驾驶设备的运行规划装置框图,该实施例在前述图8所示实施例的基础上,规划子模块801可以包括:标签子模块901,第二输入子模块902和第二输出子模块903。
其中,标签子模块901,用于确定预先输入的驾驶模式标签。
第二输入子模块902,用于将规划引导地图及驾驶模式标签,输入至预先训练的DCNN。
第二输出子模块903,用于获取DCNN输出的驾驶模式标签对应的运行规划信息。
在一些可选实施方式中,所述DCNN利用StarGAN星型生成式对抗网络训练得到。
应当理解,上述装置可以预先设置在无人驾驶设备中,也可以通过下载等方式而加载到无人驾驶设备中。上述装置中的相应模块可以与无人驾驶设备中的模块相互配合以实现无人驾驶设备的运行规划方案。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本申请实施例还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1至图3任一实施例提供的无人驾驶设备的运行规划方法。
对应于上述的无人驾驶设备的运行规划方法,本申请实施例还提出了图10所示的根据本申请的一示例性实施例的无人驾驶设备的示意结构图。请参考图10,在硬件层面,该无人驾驶设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成无人驾驶设备的运行规划装置。当然,除了软件实现方式之外,本申请并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、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申请的一般性原理并包括本申请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,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请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。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种无人驾驶设备的运行规划方法,其特征在于,所述方法包括:
获取时间序列数据;所述时间序列数据由多帧路况图构成,每帧所述路况图包括目标设备的状态信息及所述目标设备检测到的障碍物的状态信息;
基于所述时间序列数据,确定规划引导地图,所述规划引导地图包括未来预设时段内,所述障碍物对应的可能位置区域信息;
基于所述规划引导地图,确定所述目标设备的运行规划信息。
2.根据权利要求1所述的方法,其特征在于,所述获取时间序列数据,包括:
获取第一信息、第二信息以及目标地图;所述第一信息包括所述目标设备在每个预设的目标时刻的状态信息,所述第二信息包括所述障碍物在每个所述目标时刻的状态信息,所述目标地图包括所述目标设备在每个所述目标时刻所处环境的地图帧;
基于所述第一信息、所述第二信息以及所述目标地图,生成每个所述目标时刻对应的一帧路况图;
基于每个所述目标时刻对应的一帧路况图,确定所述时间序列数据。
3.根据权利要求1所述的方法,其特征在于,所述基于所述时间序列数据,确定规划引导地图,包括:
基于所述时间序列数据,利用预先训练的ARIMA差分整合移动平均自回归模型,确定规划引导地图。
4.根据权利要求3所述的方法,其特征在于,所述基于所述时间序列数据,利用预先训练的ARIMA差分整合移动平均自回归模型,确定规划引导地图,包括:
针对每帧所述路况图,按照预设顺序将该路况图的每个像素点进行排列,构成该路况图的一维数组;
根据每帧所述路况图的一维数组,确定所述时间序列数据的目标向量;
将所述目标向量输入至预先训练的ARIMA模型中;
获取所述ARIMA模型输出的所述规划引导地图。
5.根据权利要求1所述的方法,其特征在于,所述基于所述规划引导地图,确定所述目标设备的运行规划信息,包括:
利用预先训练的DCNN深度卷积神经网络,基于所述规划引导地图,确定所述目标设备的运行规划信息。
6.根据权利要求5所述的方法,其特征在于,所述利用预先训练的DCNN深度卷积神经网络,基于所述规划引导地图,确定所述目标设备的运行规划信息,包括:
确定预先输入的驾驶模式标签;
将所述规划引导地图及所述驾驶模式标签,输入至预先训练的DCNN;
获取所述DCNN输出的所述驾驶模式标签对应的所述运行规划信息。
7.根据权利要求6所述的方法,其特征在于,所述DCNN利用StarGAN星型生成式对抗网络训练得到。
8.一种无人驾驶设备的运行规划装置,其特征在于,所述装置包括:
获取模块,用于获取时间序列数据;所述时间序列数据由多帧路况图构成,每帧所述路况图包括目标设备的状态信息及所述目标设备检测到的障碍物的状态信息;
预测模块,用于基于所述时间序列数据,确定规划引导地图,所述规划引导地图包括未来预设时段内,所述障碍物对应的可能位置区域信息;
确定模块,用于基于所述规划引导地图,确定目标设备的运行规划信息。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-7中任一项所述的方法。
10.一种无人驾驶设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910464658.0A CN110057369B (zh) | 2019-05-30 | 2019-05-30 | 无人驾驶设备的运行规划方法、装置及无人驾驶设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910464658.0A CN110057369B (zh) | 2019-05-30 | 2019-05-30 | 无人驾驶设备的运行规划方法、装置及无人驾驶设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110057369A true CN110057369A (zh) | 2019-07-26 |
CN110057369B CN110057369B (zh) | 2020-11-03 |
Family
ID=67325294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910464658.0A Active CN110057369B (zh) | 2019-05-30 | 2019-05-30 | 无人驾驶设备的运行规划方法、装置及无人驾驶设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110057369B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111338360A (zh) * | 2020-05-18 | 2020-06-26 | 北京三快在线科技有限公司 | 一种规划车辆行驶状态的方法及装置 |
CN113126620A (zh) * | 2021-03-23 | 2021-07-16 | 北京三快在线科技有限公司 | 路径规划模型训练方法及装置 |
CN115900725A (zh) * | 2023-01-06 | 2023-04-04 | 阿里巴巴达摩院(杭州)科技有限公司 | 路径规划装置、电子设备、存储介质和相关方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080094250A1 (en) * | 2006-10-19 | 2008-04-24 | David Myr | Multi-objective optimization for real time traffic light control and navigation systems for urban saturated networks |
CN108490938A (zh) * | 2018-03-21 | 2018-09-04 | 沈阳上博智像科技有限公司 | 无人驾驶设备视觉避障系统及方法 |
CN109213134A (zh) * | 2017-07-03 | 2019-01-15 | 百度在线网络技术(北京)有限公司 | 生成自动驾驶策略的方法和装置 |
-
2019
- 2019-05-30 CN CN201910464658.0A patent/CN110057369B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080094250A1 (en) * | 2006-10-19 | 2008-04-24 | David Myr | Multi-objective optimization for real time traffic light control and navigation systems for urban saturated networks |
CN109213134A (zh) * | 2017-07-03 | 2019-01-15 | 百度在线网络技术(北京)有限公司 | 生成自动驾驶策略的方法和装置 |
CN108490938A (zh) * | 2018-03-21 | 2018-09-04 | 沈阳上博智像科技有限公司 | 无人驾驶设备视觉避障系统及方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111338360A (zh) * | 2020-05-18 | 2020-06-26 | 北京三快在线科技有限公司 | 一种规划车辆行驶状态的方法及装置 |
CN111338360B (zh) * | 2020-05-18 | 2020-10-02 | 北京三快在线科技有限公司 | 一种规划车辆行驶状态的方法及装置 |
CN113126620A (zh) * | 2021-03-23 | 2021-07-16 | 北京三快在线科技有限公司 | 路径规划模型训练方法及装置 |
CN113126620B (zh) * | 2021-03-23 | 2023-02-24 | 北京三快在线科技有限公司 | 路径规划模型训练方法及装置 |
CN115900725A (zh) * | 2023-01-06 | 2023-04-04 | 阿里巴巴达摩院(杭州)科技有限公司 | 路径规划装置、电子设备、存储介质和相关方法 |
CN115900725B (zh) * | 2023-01-06 | 2023-06-16 | 阿里巴巴达摩院(杭州)科技有限公司 | 路径规划装置、电子设备、存储介质和相关方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110057369B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tai et al. | Socially compliant navigation through raw depth inputs with generative adversarial imitation learning | |
CN110057369A (zh) | 无人驾驶设备的运行规划方法、装置及无人驾驶设备 | |
Ishihara et al. | Multi-task learning with attention for end-to-end autonomous driving | |
CN110646009B (zh) | 一种基于dqn的车辆自动驾驶路径规划的方法及装置 | |
CN107609502A (zh) | 用于控制无人驾驶车辆的方法和装置 | |
KR20180111959A (ko) | 비디오 이해를 위한 모션-기반 어텐션에 의한 순환 네트워크들 | |
CN108345875A (zh) | 可行驶区域检测模型训练方法、检测方法和装置 | |
CN109299732A (zh) | 无人驾驶行为决策及模型训练的方法、装置及电子设备 | |
CN109816027A (zh) | 无人驾驶决策模型的训练方法、装置及无人驾驶设备 | |
Huang et al. | Deductive reinforcement learning for visual autonomous urban driving navigation | |
CN112121419B (zh) | 虚拟对象控制方法、装置、电子设备以及存储介质 | |
CN108619700A (zh) | 运动记录方法及装置 | |
CN108120445A (zh) | 一种运动信息的处理方法及其装置、智能终端 | |
CN109752952A (zh) | 一种获取多维随机分布及强化控制器的方法和装置 | |
CN113879333B (zh) | 轨迹预测方法、装置、电子设备及存储介质 | |
CN111079535A (zh) | 一种人体骨架动作识别方法、装置及终端 | |
CN110187707A (zh) | 无人驾驶设备运行轨迹的规划方法、装置及无人驾驶设备 | |
CN115402318A (zh) | 一种车辆变道控制方法、装置、设备及存储介质 | |
CN112269325B (zh) | 自动驾驶仿真方法和装置、存储介质及电子设备 | |
CN111006653B (zh) | 智能路线规划方法及设备 | |
CN109670224B (zh) | 一种多机器人服务圆形区域搜索算法 | |
Wang et al. | An effective method of pathfinding in a car racing game | |
Censi et al. | The ai driving olympics: An accessible robot learning benchmark | |
Hsu et al. | Applying a taxonomy of formation control in developing a robotic system | |
Hwu et al. | Neurorobotics: neuroscience and robots |
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 |