CN110096051A - 用于生成车辆控制指令的方法和装置 - Google Patents
用于生成车辆控制指令的方法和装置 Download PDFInfo
- Publication number
- CN110096051A CN110096051A CN201810097878.XA CN201810097878A CN110096051A CN 110096051 A CN110096051 A CN 110096051A CN 201810097878 A CN201810097878 A CN 201810097878A CN 110096051 A CN110096051 A CN 110096051A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- vector
- sample
- information
- motion
- 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 46
- 239000013598 vector Substances 0.000 claims abstract description 214
- 230000007613 environmental effect Effects 0.000 claims abstract description 92
- 238000012549 training Methods 0.000 claims description 34
- 238000013507 mapping Methods 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012512 characterization method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000006854 communication Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 239000004065 semiconductor Substances 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
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0225—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving docking at a fixed facility, e.g. base station or loading bay
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0259—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请实施例公开了用于生成车辆控制指令的方法和装置。该方法的一具体实施方式包括：根据车辆当前位置和目标位置确定第一路径；根据车辆的属性信息，确定第一路径上车辆在当前位置处和距离当前位置预设距离的地理坐标点处的位姿信息；将位姿信息转换为位姿向量，将当前位置处和地理坐标点处的位姿向量之差确定为车辆在当前位置处的初始移动向量；采集当前位置的外部环境信息，将外部环境信息、初始移动向量输入至决策模型，得到车辆的移动向量，其中，决策模型用于表征外部环境信息、初始移动向量二者与移动向量之间的对应关系；将所确定的移动向量转换为用于调整车辆的行驶参数的控制指令。该实施方式提高了控制指令的准确性。
Description
技术领域
本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及用于生成车辆控制指令的方法和装置。
背景技术
随着技术的发展，越来越多用户喜爱具有自动驾驶功能的车辆。现有的具有自动驾驶功能的车辆，通常是在自动驾驶车辆内部设置车辆控制系统，通过自身的逻辑判断以及与云服务器之间的交互，从而生成各种控制指令以指导车辆完成各种自动功能，例如自动泊车、自动并线等。
发明内容
本申请实施例提出了用于生成车辆控制指令的方法和装置。
第一方面，本申请实施例提供了一种用于生成车辆控制指令的方法，该方法包括：根据车辆当前位置和目标位置确定第一路径；根据车辆的属性信息，确定第一路径上车辆在当前位置处和距离当前位置预设距离的地理坐标点处的位姿信息；将位姿信息转换为位姿向量，将当前位置处和地理坐标点处的位姿向量之差确定为车辆在当前位置处的初始移动向量；采集当前位置的外部环境信息，将外部环境信息、初始移动向量输入至决策模型，得到车辆的移动向量，其中，决策模型用于表征外部环境信息、初始移动向量二者与移动向量之间的对应关系；将所确定的移动向量转换为用于调整车辆的行驶参数的控制指令。
在一些实施例中，根据车辆当前位置和目标位置确定第一路径，包括：响应于接收到前往目标位置的指令，获取包含当前位置的地理坐标以及目标位置的地理坐标的第一地图；确定在第一地图上车辆从当前位置前往目标位置的第二路径；生成以当前位置为坐标原点的预设范围内的第二地图，其中，第二地图为第一地图的局部地图；将形成第二路径的地理坐标点映射至第二地图，并形成映射后的路径；利用图优化算法对映射后的路径优化，以及将优化后的路径确定为第一路径。
在一些实施例中，决策模型包括第一子模型以及第二子模型；以及将外部环境信息、初始移动向量输入至决策模型，得到车辆的移动向量，包括：将外部环境信息输入至第一子模型，得到当前行驶模式信息，其中，第一子模型用于表征外部环境信息与当前行驶模式信息之间的对应关系；将当前行驶模式信息与初始移动向量输入至第二子模型，得到移动向量，第二子模型用于表征当前行驶模型信息、初始移动向量二者与移动向量之间的对应关系。
在一些实施例中，第一子模型通过以下步骤训练得到：获取第一初始模型以及第一训练样本集合，其中，第一训练样本集合中包含多个外部环境信息样本以及与外部环境信息样本对应的行驶模式信息样本；将每一个外部环境信息样本作为输入，与该外部环境信息样本对应的行驶模式信息样本作为输出，对第一初始模型进行训练，得到第一子模型。
在一些实施例中，第二子模型通过以下步骤训练得到：获取第二初始模型以及第二训练样本集合，其中，第二训练样本集合包括多个行驶模式信息样本、用于表征车辆的行驶参数的初始移动向量样本；根据每一个行驶模式信息样本，对初始移动向量样本进行调整，得到与各行驶模式信息样本对应的移动向量样本；将各行驶模式信息样本以及初始移动向量样本作为输入，将与各行驶模式信息样本对应的移动向量样本作为输出，对第二初始模型进行训练，得到第二子模型。
在一些实施例中，将所确定的移动向量转换为用于调整车辆的行驶参数的控制指令，包括：将移动向量转换为车辆的初始控制指令，并确定在初始控制指令控制下的车辆的行驶参数；基于无人驾驶车辆的车辆参数上限值，确定自动驾驶车在行驶参数下能否正常行驶；响应于确定车辆在行驶参数下不能正常行驶，调整初始控制指令，并将调整后的初始控制指令作为控制指令。
第二方面，本申请实施例提供了一种用于生成车辆控制指令的装置，装置包括：第一确定单元，配置用于根据车辆当前位置和目标位置确定第一路径；第二确定单元，配置用于根据车辆的属性信息，确定第一路径上车辆在当前位置处和距离当前位置预设距离的地理坐标点处的位姿信息；第三确定单元，配置用于将位姿信息转换为位姿向量，将当前位置处和地理坐标点处的位姿向量之差确定为车辆在当前位置处的初始移动向量；移动向量获得单元，配置用于采集当前位置的外部环境信息，将外部环境信息、初始移动向量输入至决策模型，得到车辆的移动向量，其中，决策模型用于表征外部环境信息、初始移动向量二者与移动向量之间的对应关系；转换单元，配置用于将所确定的移动向量转换为用于调整车辆的行驶参数的控制指令。
在一些实施例中，第一确定单元进一步配置用于：响应于接收到前往目标位置的指令，获取包含当前位置的地理坐标以及目标位置的地理坐标的第一地图；确定在第一地图上车辆从当前位置前往目标位置的第二路径；生成以当前位置为坐标原点的预设范围内的第二地图，其中，第二地图为第一地图的局部地图；将形成第二路径的地理坐标点映射至第二地图，并形成映射后的路径；利用图优化算法对映射后的路径优化，以及将优化后的路径确定为第一路径。
在一些实施例中，决策模型包括第一子模型以及第二子模型；以及移动向量获得单元，包括：当前行驶模式信息获得子单元，配置用于将外部环境信息输入至第一子模型，得到当前行驶模式信息，其中，第一子模型用于表征外部环境信息与当前行驶模式信息之间的对应关系；移动向量获得子单元，配置用于将当前行驶模式信息与初始移动向量输入至第二子模型，得到移动向量，第二子模型用于表征当前行驶模型信息、初始移动向量二者与移动向量之间的对应关系。
在一些实施例中，该装置还包括第一子模型单元，配置用于：获取第一初始模型以及第一训练样本集合，其中，第一训练样本集合中包含多个外部环境信息样本以及与外部环境信息样本对应的行驶模式信息样本；将每一个外部环境信息样本作为输入，与该外部环境信息样本对应的行驶模式信息样本作为输出，对第一初始模型进行训练，得到第一子模型。
在一些实施例中，该装置还包括第二子模型单元，配置用于：获取第二初始模型以及第二训练样本集合，其中，第二训练样本集合包括多个行驶模式信息样本、用于表征车辆的行驶参数的初始移动向量样本；根据每一个行驶模式信息样本，对初始移动向量样本进行调整，得到与各行驶模式信息样本对应的移动向量样本；将各行驶模式信息样本以及初始移动向量样本作为输入，将与各行驶模式信息样本对应的移动向量样本作为输出，对第二初始模型进行训练，得到第二子模型。
在一些实施例中，转换单元进一步配置用于：将移动向量转换为车辆的初始控制指令，并确定在初始控制指令控制下的车辆的行驶参数；基于无人驾驶车辆的车辆参数上限值，确定自动驾驶车在行驶参数下能否正常行驶；响应于确定车辆在行驶参数下不能正常行驶，调整初始控制指令，并将调整后的初始控制指令作为控制指令。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于生成车辆控制指令的方法和装置，根据得到的第二路径以及第二路径上预设地理坐标点出的车辆的预设位姿信息，得到表征车辆行驶参数的至少一个初始移动向量，接着，对于每一个初始移动向量，将该初始移动向量以及外部环境信息输入至决策模型，从而得到当前形式模型信息以及在当前形式模型信息下的移动向量的对应关系，最后将所确定的移动向量转换为车辆的控制指令以提供车辆的行驶参数，从而提高了车辆行驶的准确性以及安全性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的用于生成车辆控制指令的方法的一个实施例的流程图；
图3是根据本申请的用于生成车辆控制指令的方法的一个应用场景的示意图；
图4是根据本申请的用于生成车辆控制指令的方法的又一个实施例的流程图；
图5是根据本申请的用于生成车辆控制指令的装置的一个实施例的结构示意图；
图6是适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于生成车辆控制指令的方法或用于生成车辆控制指令的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括车辆101。车辆101上可以安装有驾驶控制设备1011、网络1012、采集装置1013。网络1012用以在驾驶控制设备1011和采集装置1013之间提供通信链路的介质。网络1012可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
驾驶控制设备(又称为车载大脑)1011负责车辆的智能控制。驾驶控制设备1011可以是单独设置的控制器，例如单片机、工业控制机等；也可以是由其他具有输入/输出端口，并具有运算控制功能的电子器件组成的设备；还可以是安装有车辆驾驶控制类应用的计算机设备。采集装置1013包括但不限于摄像头、传感器等。
采集装置1013可以将采集到的信息传递给驾驶控制设备1011，驾驶控制设备1011对接收到的采集信息进行各种分析处理后，根据车辆101自身的车辆参数，生成控制指令对车辆101进行控制。
需要说明的是，本申请实施例所提供的用于生成车辆控制指令的方法一般由驾驶控制设备1011执行，相应地，用于生成车辆控制指令的装置一般设置于驾驶控制设备1011中。
应该理解，图1中的驾驶控制设备和图像采集装置的数目仅仅是示意性的。根据实现需要，可以具有任意数目的驾驶控制设备、图像采集装置。需要说明的是，本系统架构中也可以不包括图像采集装置。
继续参考图2，示出了根据本申请的用于生成车辆控制指令的方法的一个实施例的流程200。该用于生成车辆控制指令的方法，包括以下步骤：
步骤201，根据车辆当前位置和目标位置确定第一路径。
在本实施例中，用于生成车辆控制指令的方法运行于其上的电子设备(例如图1所示的驾驶控制设备)在接收到行驶至目标位置的指令后，可以首先确定车辆从当前位置行进到目标位置的第一路径。在这里，该第一路径可以由与上述电子设备进行通讯的云服务器指定。同时，该第一路径由多个地理坐标点形成。
在本实施例的一些可选的实现方式中，上述从当前位置到目标位置的第一路径还可以通过以下步骤获得：
上述电子设备响应于接收到前往目标位置的指令，获取包含车辆当前位置的地理坐标以及包含目标位置的地理坐标的第一地图。接着，确定在该第一地图上车辆从当前位置前往目标位置的第二路径。作为示例，可以利用A星(A-STAR)寻路算法来确定该第二路径；也可以利用B星(Brach Star)寻路算法，也即分支寻路算法来确定该第二路径。以A星寻路算法为例，具体的，首先确定上述车辆从当前位置移动至目标位置的最短路径，并在该最短路径上确定多个地理坐标点；接着，确定各地理坐标点处的路况信息，即，从上述车辆从该地理坐标点对应的地理位置能否到达下一地理坐标点对应的地理位置；最后，根据路况信息对路径进行调整，从而确定出第二路径。然后，上述电子设备可以根据上述第一地图，生成以该车辆当前位置为坐标原点的预设范围内的第二地图，该第二地图为上述第一地图的局部地图。接着，上述电子设备可以将形成第一路径的地理坐标点映射至第二地图，也即从车辆当前位置开始，将上述形成第一路径的地理坐标转换为以当前位置为坐标原点的坐标，并在上述第二地图上标注，最终根据映射后的各坐标点轨迹形成映射后的路径。最后，利用图优化算法(g2o，General Graph Optimization)对映射后的路径进行优化，并将优化后的路径确定为第一路径。图优化算法为现有的公知技术，在此不再赘述。
步骤202，根据车辆的属性信息，确定第一路径上车辆在当前位置处和距离当前位置预设距离的地理坐标点处的位姿信息。
在本实施例中，车辆的属性信息可以包括车辆的最大速度信息、最大加速度信息、最大转弯速度信息、最大角速度信息、前后轮轴间距信息等。在这里，位姿信息为车辆在地理坐标系中的位置信息和姿态信息。位置信息例如可以为该车辆所在的经纬度信息，姿态信息例如可以为车辆的朝向、偏航角信息等。上述电子设备根据车辆的属性信息，可以确定在上述第一路径上，车辆在当前位置处和距离当前位置预设距离的地理坐标点处的位姿信息。在这里，该距离当前位置预设距离为预先设置的，该距离可以根据地形的复杂度以及车辆的形式速度、角度进行设定。例如，地形复杂时，可以减小该距离；地形平坦，行人较少时，可以增大该距离。
步骤203，将位姿信息转换为位姿向量，将当前位置处和地理坐标点处的位姿向量之差确定为车辆在当前位置处的初始移动向量。
在本实施例中，上述电子设备可以首先将步骤203中所确定的各个位姿信息转换为位姿向量。在这里，位姿向量可以由(x，y，θ)表示，其中，x、y分别为车辆在地理坐标系中的水平分量和垂直分量，θ为表示方位的偏航角。上述电子设备可以确定当前位置处的位姿向量与距离当前位置预设距离的地理坐标点处的位姿向量之差，该差值为一矢量，并将该差值作为上述车辆的初始移动向量。
步骤204，采集当前位置的外部环境信息，将外部环境信息、初始移动向量输入至决策模型，得到车辆的移动向量。
在本实施例中，上述车辆上可以设置有摄像头、传感器等用于采集外部环境信息的设备。例如，摄像头可以采集外部环境的图像，并将该图像提供至上述电子设备；上述传感器可以采集外部环境的障碍物信息、与障碍物之间的距离信息等，并将采集到的信息提供至上述电子设备。上述电子设备可以对摄像头、传感器采集到的外部环境信息进行汇总处理，并将上述初始移动向量以及与该当前位置对应的外部环境的外部环境信息输入至决策模型，从而得到车辆的移动向量。在这里，上述外部环境信息例如可以为红绿灯信息、十字路口信息、车辆预设距离内的行人信息、路况拥挤信息、转弯信息、地形坡度信息等。
在本实施例中，决策模型用于表征外部环境信息、初始移动向量二者与移动向量之间的对应关系。
作为一种示例，上述电子设备可以为存储有多种外部环境信息、在每一种外部环境信息下的初始移动向量与车辆的移动向量之间的对应关系表，并将该对应关系表作为决策模型。也即是说，在该对应关系表中，首先存储有大量的外部环境信息，在每一种外部信息下，均设置有与该外部信息对应的初始移动向量。同时在该对应关系表中，还设置有与每一种外部环境信息对应的移动向量。这样，上述电子设备可以将获取到的外部环境信息与上述对应关系表中的外部环境信息一一进行比较，确定与对应关系表中相同或相似的外部环境信息。基于确定的外部环境信息，上述电子设备进一步将初始移动向量与上述对应关系表中所确定的外部环境信息对应的初始移动向量进行比较，从而确定与对应关系表中相同或相似的初始移动向量。上述电子设备可以将所确定的与对应关系表中相同或相似的外部环境信息以及初始移动向量对应的移动向量作为上述车辆的移动向量。
步骤205，将所确定的移动向量转换为用于调整车辆的行驶参数的控制指令。
在本实施例中，基于所确定的移动向量，可以将该移动向量转换为用于调整车辆的行驶参数的控制指令。例如，当上述移动向量用于表征转弯时，可以将该移动向量转换为调整车辆的车辆角度的指令；当上述移动向量用于表征减速时，可以将该移动向量转换为降低车辆的速度的指令。
在本实施例中，在当前外部换环境信息下，上述电子设备可以利用闭环反馈的方式对移动向量进行调节，从而生成用于调整车辆的行驶参数的控制指令。具体而言，针对当前外部环境信息，上述电子设备可以根据车辆的最大转角速度、车辆的车距等车辆信息将上述移动向量分解为可以分别控制车辆的转角速度、车辆的转弯半径的分向量，然后将该分向量作为控制指令。接着，上述电子设备根据该控制指令对车辆的行驶参数(例如前轮转角速度、车辆行驶速度)进行调整。同时将调整后的行驶参数与当前环境进行比较，从而对控制指令继续调节，直到该控制指令可以适用于当前外部环境信息，并将该控制指令作为上述用于调整车辆的行驶参数的控制指令。本实施例通过利用闭环反馈的方式对移动向量进行调节，可以使得车辆在由一种运动状态转变成另外一种运动状态时，可以平滑过渡，提高了车辆的稳定性。
在本实施例的一些可选的实现方式中，首先可以将移动向量转换为车辆的初始控制指令，并确定在该初始控制指令控制下的车辆的行驶参数；基于无人驾驶车辆的车辆参数上限值，确定车辆在该行驶参数下能否正常行驶；响应于确定车辆在行驶参数下不能正常行驶，调整上述初始控制指令，并将调整后的初始控制指令作为该控制指令。
继续参见图3，图3是根据本实施例的用于生成车辆控制指令的方法的应用场景的一个示意图。在图3的应用场景中，设置于车辆301中的驾驶控制设备302首先根据车辆301当前的位置以及目标位置确定第一路径303。接着，根据车辆301的属性信息例如轮距、车轴轴距、转弯半径等确定第一路径303上车辆在当前位置和距离当前位置预设距离的地理坐标点305处的位姿信息304。然后，将位姿信息304转换为位姿向量，并将当前位置处和地理坐标点305处的位姿向量之差确定为车辆在当前位置处的初始移动向量306。然后，驾驶控制设备302采集到当前的外部环境信息为前方施工的信息307，接着，将前方施工信息307、初始移动向量306输入至决策模型308，得到调整后的车辆的移动向量309。决策模型308用于表征前方施工信息307、初始移动向量306二者与移动向量309之间的对应关系。最后，驾驶控制设备302将所确定的移动向量303转换为用于调整车辆301的转角、速度等行驶参数的控制指令310。
本申请实施例提供的用于生成车辆控制指令的方法，根据得到的第二路径以及第二路径上预设地理坐标点出的车辆的预设位姿信息，得到表征车辆行驶参数的至少一个初始移动向量，接着，对于每一个初始移动向量，将该初始移动向量以及外部环境信息输入至决策模型，从而得到当前形式模型信息以及在当前形式模型信息下的移动向量的对应关系，最后将所确定的移动向量转换为车辆的控制指令以提供车辆的行驶参数，从而提高了车辆行驶的准确性以及安全性。
进一步参考图4，其示出了用于生成车辆控制指令的方法的又一个实施例的流程400。该用于生成车辆控制指令的方法的流程400，包括以下步骤：
步骤401，根据车辆当前位置和目标位置确定第一路径。
在本实施例中，用于生成车辆控制指令的方法运行于其上的电子设备(例如图1所示的驾驶控制设备)在接收到行驶至目标位置的指令后，可以首先确定车辆从当前位置行进到目标位置的第一路径。在这里，该第一路径可以由与上述电子设备进行通讯的云服务器指定。同时，该第一路径由多个地理坐标点形成。
步骤402，根据车辆的属性信息，确定第一路径上车辆在当前位置处和距离当前位置预设距离的地理坐标点处的位姿信息。
在本实施例中，上述电子设备根据车辆的属性信息，可以确定在上述第一路径上，车辆在当前位置处和距离当前位置预设距离的地理坐标点处的位姿信息。
步骤403，将位姿信息转换为位姿向量，将当前位置处和地理坐标点处的位姿向量之差确定为车辆在当前位置处的初始移动向量。
在本实施例中，上述电子设备可以首先将步骤402中所确定的各个位姿信息转换为位姿向量。上述电子设备可以确定当前位置处的位姿向量与距离当前位置预设距离的地理坐标点处的位姿向量之差，该差值为一矢量，并将该差值作为上述车辆的初始移动向量。
步骤404，将外部环境信息输入至第一子模型，得到当前行驶模式信息。
在本实施例中，上述电子设备上设置有决策模型，该决策模型包括第一子模型以及第二子模型。上述车辆上可以设置有摄像头、传感器等用于采集外部环境信息的设备。上述电子设备可以对摄像头、传感器采集到的外部环境信息进行汇总处理，并将汇总处理后的外部环境信息输入至第一子模型，从而得到当前行驶模式信息。在这里，第一子模型用于表征外部环境信息与行驶模式信息之间的对应关系。上述当前模式信息包括但不限于减速模式信息、转弯模式信息、等待模式信息。
作为一种示例，上述电子设备可以为存储有多种外部环境信息与每一种外部环境信息对应的车辆行驶模式信息之间的对应关系表，并将该对应关系表作为决策模型。上述电子设备可以将获取到的外部环境信息与对应关系表中的外部环境信息进行比较，确定与获取到的外部环境信息相同或相似的外部环境信息，并将对应关系表中与外部环境信息对应的车辆行驶模式信息确定为当前行驶模式信息。
在本实施例的一些可选的实现方式中，上述第一子模型还可以通过以下步骤训练得到：
获取第一初始模型以及第一训练样本集合。当上述外部环境信息的文本类型为图像时，该第一初始模型例如可以为卷积神经网络。当上述外部环境信息的文本类型为文本信息时，该第一初始模型例如可以为决策树。该第一训练样本集合中包含多个外部环境信息样本以及与外部环境信息样本对应的行驶模式信息样本。例如，外部环境信息为弯道时，与外部环境信息对应的行驶模式为转弯模式；外部环境信息为红灯时，与外部环境信息对应的行驶模式为等待模式。接着，将每一个外部环境信息样本作为输入，与该外部环境信息样本对应的形式模式信息样本作为输出，对该第一初始模型进行训练，得到第一子模型。例如，可以将每一个外部环境信息的图像样本作为卷积神经网络的输入，将行驶模式信息作为输出，对卷积神经网络的各个卷积层进行训练，并将训练后的卷积神经网络作为第一初始模型；可以将每一个外部环境信息的文字样本作为输入，将行驶模式信息作为输出，对决策树的各个节点进行训练，并将训练后的决策树模型作为第一初始模型。
步骤405，将当前行驶模式信息与初始移动向量输入至第二子模型，得到移动向量。
在本实施例中，上述电子设备将得到的当前行驶模式信息与初始向量输入至第二子模型，得到移动向量。在这里，第二子模型用于表征当前行驶模型信息、初始移动向量二者与移动向量之间的对应关系。
作为一种示例，上述电子设备中可以设置有存储有多个车辆行驶模式信息、与每一个车辆行驶模式信息对应的初始移动向量与移动向量之间的对应关系表，并将该对应关系表作为第二子模型。这样，上述电子设备可以将得到的车辆行驶模式信息与上述对应关系表中的车辆行驶模式信息一一进行比较，确定与对应关系表中相同或相似的车辆行驶模式信息。基于确定的车辆行驶模式信息，上述电子设备进一步将初始移动向量与上述对应关系表中所确定的车辆行驶模式信息对应的初始移动向量进行比较，从而确定与对应关系表中相同或相似的初始移动向量。上述电子设备可以将所确定的与对应关系表中相同或相似的车辆行驶模式信息以及初始移动向量对应的移动向量作为上述车辆当前行驶模式的移动向量。
在本实施例的一些可选的实现方式中，上述第二子模型还可以通过以下步骤训练得到：
获取第二初始模型以及第二训练样本集合。该第二初始模型例如可以为卷积神经网络。该第二训练样本集合包括多个行驶模式信息样本以及用于表征车辆的行驶参数的初始移动向量样本。在这里，行驶参数例如可以为行驶方向、行驶速度以及转弯角度。该初始移动向量样本可以为一个，也可以为多个。接着，上述电子设备可以根据每一个行驶模式信息样本，对每一个初始移动向量样本进行调整，从而得到与各行驶模式信息样本对应的移动向量样本。作为示例，当上述初始移动向量样本为匀速直线行驶时，而此时行驶模式信息为转弯模式，此时可以调整该初始移动向量样本的方向，从而得到移动向量样本。最后，将各行驶模式信息样本以及初始移动向量样本作为输入，与各行驶模式信息样本对应的移动向量样本作为输出，对第二初始模型进行训练，得到第二子模型。作为示例，可以预先对移动向量样本设置类别，将行驶模式信息样本以及初始移动向量样本作为输入，将代表每一类别的移动向量样本的概率的多维向量作为输出，在这里，可以将与行驶模式信息对应的移动向量的概率设置为1，将其余移动向量的概率设置为0，对上述卷积神经网络进行训练，将训练后的卷积神经网络作为第二子模型。
步骤406，将所确定的移动向量转换为用于调整车辆的行驶参数的控制指令。
在本实施例中，基于所确定的移动向量，可以将该移动向量转换为用于调整车辆的行驶参数的控制指令。
从图4中可以看出，与图2对应的实施例相比，本实施例中的用于生成车辆控制指令的方法流程400突出了决策模型的实现方式以及对决策模型的训练的步骤，从而使得决策模型的输出更加准确，从而提高控制指令的准确度。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于生成车辆控制指令的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于生成车辆控制指令的装置500可以包括：第一确定单元501、第二确定单元502、第三确定单元503、移动向量获得单元504和转换单元505。其中，第一确定单元501配置用于根据车辆当前位置和目标位置确定第一路径；第二确定单元502配置用于根据车辆的属性信息，确定第一路径上车辆在当前位置处和距离当前位置预设距离的地理坐标点处的位姿信息；第三确定单元503配置用于将位姿信息转换为位姿向量，将当前位置处和地理坐标点处的位姿向量之差确定为车辆在当前位置处的初始移动向量；移动向量获得单元504配置用于采集当前位置的外部环境信息，将外部环境信息、初始移动向量输入至决策模型，得到车辆的移动向量，其中，决策模型用于表征外部环境信息、初始移动向量二者与移动向量之间的对应关系；而转换单元505配置用于将所确定的移动向量转换为用于调整车辆的行驶参数的控制指令。
在本实施例中，生成车辆控制指令的装置500中：第一确定单元501、第二确定单元502、第三确定单元503、移动向量获得单元504和转换单元505的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204和步骤205的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，第一确定单元501进一步配置用于：响应于接收到前往目标位置的指令，获取包含当前位置的地理坐标以及目标位置的地理坐标的第一地图；确定在第一地图上车辆从当前位置前往目标位置的第二路径；生成以当前位置为坐标原点的预设范围内的第二地图，其中，第二地图为第一地图的局部地图；将形成第二路径的地理坐标点映射至第二地图，并形成映射后的路径；利用图优化算法对映射后的路径优化，以及将优化后的路径确定为第一路径。
在本实施例的一些可选的实现方式中，决策模型包括第一子模型以及第二子模型；以及移动向量获得单元504，包括：当前行驶模式信息获得子单元(未示出)，配置用于将外部环境信息输入至第一子模型，得到当前行驶模式信息，其中，第一子模型用于表征外部环境信息与当前行驶模式信息之间的对应关系；移动向量获得子单元(未示出)，配置用于将当前行驶模式信息与初始移动向量输入至第二子模型，得到移动向量，第二子模型用于表征当前行驶模型信息、初始移动向量二者与移动向量之间的对应关系。
在本实施例的一些可选的实现方式中，生成车辆控制指令的装置500还包括第一子模型单元(未示出)，配置用于：获取第一初始模型以及第一训练样本集合，其中，第一训练样本集合中包含多个外部环境信息样本以及与外部环境信息样本对应的行驶模式信息样本；将每一个外部环境信息样本作为输入，与该外部环境信息样本对应的行驶模式信息样本作为输出，对第一初始模型进行训练，得到第一子模型。
在本实施例的一些可选的实现方式中，生成车辆控制指令的装置500还包括第二子模型单元(未示出)，配置用于：获取第二初始模型以及第二训练样本集合，其中，第二训练样本集合包括多个行驶模式信息样本、用于表征车辆的行驶参数的初始移动向量样本；根据每一个行驶模式信息样本，对初始移动向量样本进行调整，得到与各行驶模式信息样本对应的移动向量样本；将各行驶模式信息样本以及初始移动向量样本作为输入，将与各行驶模式信息样本对应的移动向量样本作为输出，对第二初始模型进行训练，得到第二子模型。
在本实施例的一些可选的实现方式中，转换单元505进一步配置用于：将移动向量转换为车辆的初始控制指令，并确定在初始控制指令控制下的车辆的行驶参数；基于无人驾驶车辆的车辆参数上限值，确定自动驾驶车在行驶参数下能否正常行驶；响应于确定车辆在行驶参数下不能正常行驶，调整初始控制指令，并将调整后的初始控制指令作为控制指令。
下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、python，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一确定单元、第二确定单元、第三确定单元、移动向量获得单元和转换单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一确定单元还可以被描述为“根据车辆当前位置和目标位置确定第一路径的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：根据车辆当前位置和目标位置确定第一路径；根据车辆的属性信息，确定第一路径上车辆在当前位置处和距离当前位置预设距离的地理坐标点处的位姿信息；将位姿信息转换为位姿向量，将当前位置处和地理坐标点处的位姿向量之差确定为车辆在当前位置处的初始移动向量；采集当前位置的外部环境信息，将外部环境信息、初始移动向量输入至决策模型，得到车辆的移动向量，其中，决策模型用于表征外部环境信息、初始移动向量二者与移动向量之间的对应关系；将所确定的移动向量转换为用于调整车辆的行驶参数的控制指令。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种用于生成车辆控制指令的方法，包括：
根据车辆当前位置和目标位置确定第一路径；
根据所述车辆的属性信息，确定所述第一路径上所述车辆在所述当前位置处和距离所述当前位置预设距离的地理坐标点处的位姿信息；
将位姿信息转换为位姿向量，将所述当前位置处和所述地理坐标点处的位姿向量之差确定为所述车辆在所述当前位置处的初始移动向量；
采集所述当前位置的外部环境信息，将所述外部环境信息、所述初始移动向量输入至决策模型，得到所述车辆的移动向量，其中，所述决策模型用于表征外部环境信息、初始移动向量二者与移动向量之间的对应关系；
将所确定的移动向量转换为用于调整所述车辆的行驶参数的控制指令。
2.根据权利要求1所述的方法，其中，所述根据车辆当前位置和目标位置确定第一路径，包括：
响应于接收到前往所述目标位置的指令，获取包含所述当前位置的地理坐标以及所述目标位置的地理坐标的第一地图；
确定在所述第一地图上所述车辆从当前位置前往目标位置的第二路径；
生成以所述当前位置为坐标原点的预设范围内的第二地图，其中，所述第二地图为所述第一地图的局部地图；
将形成所述第二路径的地理坐标点映射至所述第二地图，并形成映射后的路径；
利用图优化算法对映射后的路径优化，以及将优化后的路径确定为所述第一路径。
3.根据权利要求1所述的方法，其中，决策模型包括第一子模型以及第二子模型；以及
所述将所述外部环境信息、所述初始移动向量输入至决策模型，得到所述车辆的移动向量，包括：
将所述外部环境信息输入至所述第一子模型，得到当前行驶模式信息，其中，所述第一子模型用于表征外部环境信息与当前行驶模式信息之间的对应关系；
将所述当前行驶模式信息与所述初始移动向量输入至所述第二子模型，得到所述移动向量，所述第二子模型用于表征当前行驶模型信息、初始移动向量二者与移动向量之间的对应关系。
4.根据权利要求3所述的方法，其中，所述第一子模型通过以下步骤训练得到：
获取第一初始模型以及第一训练样本集合，其中，所述第一训练样本集合中包含多个外部环境信息样本以及与外部环境信息样本对应的行驶模式信息样本；
将每一个外部环境信息样本作为输入，与该外部环境信息样本对应的行驶模式信息样本作为输出，对所述第一初始模型进行训练，得到第一子模型。
5.根据权利要求3所述的方法，其中，所述第二子模型通过以下步骤训练得到：
获取第二初始模型以及第二训练样本集合，其中，所述第二训练样本集合包括所述多个行驶模式信息样本、用于表征车辆的行驶参数的初始移动向量样本；
根据每一个行驶模式信息样本，对初始移动向量样本进行调整，得到与各行驶模式信息样本对应的移动向量样本；
将各行驶模式信息样本以及初始移动向量样本作为输入，将与各行驶模式信息样本对应的移动向量样本作为输出，对所述第二初始模型进行训练，得到第二子模型。
6.根据权利要求1所述的方法，其中，所述将所确定的移动向量转换为用于调整所述车辆的行驶参数的控制指令，包括：
将所述移动向量转换为所述车辆的初始控制指令，并确定在所述初始控制指令控制下的所述车辆的行驶参数；
基于所述无人驾驶车辆的车辆参数上限值，确定所述自动驾驶车在所述行驶参数下能否正常行驶；
响应于确定所述车辆在所述行驶参数下不能正常行驶，调整所述初始控制指令，并将调整后的初始控制指令作为所述控制指令。
7.一种用于生成车辆控制指令的装置，包括：
第一确定单元，配置用于根据车辆当前位置和目标位置确定第一路径；
第二确定单元，配置用于根据所述车辆的属性信息，确定所述第一路径上所述车辆在所述当前位置处和距离所述当前位置预设距离的地理坐标点处的位姿信息；
第三确定单元，配置用于将位姿信息转换为位姿向量，将所述当前位置处和所述地理坐标点处的位姿向量之差确定为所述车辆在所述当前位置处的初始移动向量；
移动向量获得单元，配置用于采集所述当前位置的外部环境信息，将所述外部环境信息、所述初始移动向量输入至决策模型，得到所述车辆的移动向量，其中，所述决策模型用于表征外部环境信息、初始移动向量二者与移动向量之间的对应关系；
转换单元，配置用于将所确定的移动向量转换为用于调整所述车辆的行驶参数的控制指令。
8.根据权利要求7所述的装置，其中，所述第一确定单元进一步配置用于：
响应于接收到前往所述目标位置的指令，获取包含所述当前位置的地理坐标以及所述目标位置的地理坐标的第一地图；
确定在所述第一地图上所述车辆从当前位置前往目标位置的第二路径；
生成以所述当前位置为坐标原点的预设范围内的第二地图，其中，所述第二地图为所述第一地图的局部地图；
将形成所述第二路径的地理坐标点映射至所述第二地图，并形成映射后的路径；
利用图优化算法对映射后的路径优化，以及将优化后的路径确定为所述第一路径。
9.根据权利要求7所述的装置，其中，决策模型包括第一子模型以及第二子模型；以及
所述移动向量获得单元，包括：
当前行驶模式信息获得子单元，配置用于将所述外部环境信息输入至所述第一子模型，得到当前行驶模式信息，其中，所述第一子模型用于表征外部环境信息与当前行驶模式信息之间的对应关系；
移动向量获得子单元，配置用于将所述当前行驶模式信息与所述初始移动向量输入至所述第二子模型，得到所述移动向量，所述第二子模型用于表征当前行驶模型信息、初始移动向量二者与移动向量之间的对应关系。
10.根据权利要求9所述的装置，其中，所述第一子模型通过以下步骤训练得到：
获取第一初始模型以及第一训练样本集合，其中，所述第一训练样本集合中包含多个外部环境信息样本以及与外部环境信息样本对应的行驶模式信息样本；
将每一个外部环境信息样本作为输入，与该外部环境信息样本对应的行驶模式信息样本作为输出，对所述第一初始模型进行训练，得到第一子模型。
11.根据权利要求9所述的装置，其中，所述第二子模型通过以下步骤训练得到：
获取第二初始模型以及第二训练样本集合，其中，所述第二训练样本集合包括所述多个行驶模式信息样本、用于表征车辆的行驶参数的初始移动向量样本；
根据每一个行驶模式信息样本，对初始移动向量样本进行调整，得到与各行驶模式信息样本对应的移动向量样本；
将各行驶模式信息样本以及初始移动向量样本作为输入，将与各行驶模式信息样本对应的移动向量样本作为输出，对所述第二初始模型进行训练，得到第二子模型。
12.根据权利要求7所述的装置，其中，所述转换单元进一步配置用于：
将所述移动向量转换为所述车辆的初始控制指令，并确定在所述初始控制指令控制下的所述车辆的行驶参数；
基于所述无人驾驶车辆的车辆参数上限值，确定所述自动驾驶车在所述行驶参数下能否正常行驶；
响应于确定所述车辆在所述行驶参数下不能正常行驶，调整所述初始控制指令，并将调整后的初始控制指令作为所述控制指令。
13.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810097878.XA CN110096051B (zh) | 2018-01-31 | 2018-01-31 | 用于生成车辆控制指令的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810097878.XA CN110096051B (zh) | 2018-01-31 | 2018-01-31 | 用于生成车辆控制指令的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110096051A true CN110096051A (zh) | 2019-08-06 |
| CN110096051B CN110096051B (zh) | 2024-04-09 |
Family
ID=67443148
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810097878.XA Active CN110096051B (zh) | 2018-01-31 | 2018-01-31 | 用于生成车辆控制指令的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110096051B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111488418A (zh) * | 2020-03-09 | 2020-08-04 | 北京百度网讯科技有限公司 | 车辆位姿矫正方法、装置、设备及存储介质 |
| CN111506104A (zh) * | 2020-04-03 | 2020-08-07 | 北京邮电大学 | 一种规划无人机位置的方法及装置 |
| CN112395916A (zh) * | 2019-08-15 | 2021-02-23 | 北京地平线机器人技术研发有限公司 | 目标的运动状态信息确定方法、确定装置及电子设备 |
| CN112487630A (zh) * | 2020-11-25 | 2021-03-12 | 新石器慧拓(北京)科技有限公司 | 驾驶环境模拟方法、装置、系统、电子设备以及存储介质 |
| CN114399659A (zh) * | 2021-12-28 | 2022-04-26 | 禾多科技（北京）有限公司 | 车辆控制信息生成方法、装置、设备和计算机可读介质 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4758959A (en) * | 1984-08-14 | 1988-07-19 | U.S. Philips Corporation | Vehicle navigation system provided with an adaptive inertial navigation system based on the measurement of the speed and lateral acceleration of the vehicle and provided with a correction unit for correcting the measured values |
| JPH11250277A (ja) * | 1998-02-26 | 1999-09-17 | Nippon Telegr & Teleph Corp <Ntt> | 移動経路決定処理方法とシステム装置及びプログラムを記録した記録媒体 |
| US20060111820A1 (en) * | 2003-05-19 | 2006-05-25 | Daimlerchrysler Ag | Vehicle control system |
| CN101685577A (zh) * | 2008-09-25 | 2010-03-31 | 福特全球技术公司 | 在道路环境中评估车辆路径的方法和车辆路径评估系统 |
| CN103926925A (zh) * | 2014-04-22 | 2014-07-16 | 江苏久祥汽车电器集团有限公司 | 一种基于改进的vfh算法的定位与避障方法及机器人 |
| US20140365228A1 (en) * | 2013-03-15 | 2014-12-11 | Honda Motor Co., Ltd. | Interpretation of ambiguous vehicle instructions |
| CN104260722A (zh) * | 2014-09-23 | 2015-01-07 | 北京理工大学 | 一种自动泊车系统 |
| CN104460666A (zh) * | 2014-10-27 | 2015-03-25 | 上海理工大学 | 一种基于距离矢量的机器人自主避障移动控制方法 |
| US20150142248A1 (en) * | 2013-11-20 | 2015-05-21 | Electronics And Telecommunications Research Institute | Apparatus and method for providing location and heading information of autonomous driving vehicle on road within housing complex |
| CN104950883A (zh) * | 2015-05-14 | 2015-09-30 | 西安电子科技大学 | 一种基于距离网格地图的移动机器人路径规划方法 |
| CN104960520A (zh) * | 2015-07-16 | 2015-10-07 | 北京工业大学 | 基于Pure Pursuit算法的预瞄点确定方法 |
| CN106886222A (zh) * | 2017-03-29 | 2017-06-23 | 北京京东尚科信息技术有限公司 | 无人搬运车的控制方法和装置 |
| CN106931961A (zh) * | 2017-03-20 | 2017-07-07 | 成都通甲优博科技有限责任公司 | 一种自动导航方法及装置 |
| CN107101644A (zh) * | 2017-04-27 | 2017-08-29 | 上海耐相智能科技有限公司 | 一种安全性高的无人驾驶汽车系统 |
| CN107272687A (zh) * | 2017-06-29 | 2017-10-20 | 深圳市海梁科技有限公司 | 一种自动驾驶公交车辆的驾驶行为决策系统 |
| CN107328424A (zh) * | 2017-07-12 | 2017-11-07 | 三星电子（中国）研发中心 | 导航方法和装置 |
| CN107609502A (zh) * | 2017-09-05 | 2018-01-19 | 百度在线网络技术（北京）有限公司 | 用于控制无人驾驶车辆的方法和装置 |
| CN107600067A (zh) * | 2017-09-08 | 2018-01-19 | 中山大学 | 一种基于多视觉惯导融合的自主泊车系统及方法 |
-
2018
- 2018-01-31 CN CN201810097878.XA patent/CN110096051B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4758959A (en) * | 1984-08-14 | 1988-07-19 | U.S. Philips Corporation | Vehicle navigation system provided with an adaptive inertial navigation system based on the measurement of the speed and lateral acceleration of the vehicle and provided with a correction unit for correcting the measured values |
| JPH11250277A (ja) * | 1998-02-26 | 1999-09-17 | Nippon Telegr & Teleph Corp <Ntt> | 移動経路決定処理方法とシステム装置及びプログラムを記録した記録媒体 |
| US20060111820A1 (en) * | 2003-05-19 | 2006-05-25 | Daimlerchrysler Ag | Vehicle control system |
| CN101685577A (zh) * | 2008-09-25 | 2010-03-31 | 福特全球技术公司 | 在道路环境中评估车辆路径的方法和车辆路径评估系统 |
| US20140365228A1 (en) * | 2013-03-15 | 2014-12-11 | Honda Motor Co., Ltd. | Interpretation of ambiguous vehicle instructions |
| US20150142248A1 (en) * | 2013-11-20 | 2015-05-21 | Electronics And Telecommunications Research Institute | Apparatus and method for providing location and heading information of autonomous driving vehicle on road within housing complex |
| CN103926925A (zh) * | 2014-04-22 | 2014-07-16 | 江苏久祥汽车电器集团有限公司 | 一种基于改进的vfh算法的定位与避障方法及机器人 |
| CN104260722A (zh) * | 2014-09-23 | 2015-01-07 | 北京理工大学 | 一种自动泊车系统 |
| CN104460666A (zh) * | 2014-10-27 | 2015-03-25 | 上海理工大学 | 一种基于距离矢量的机器人自主避障移动控制方法 |
| CN104950883A (zh) * | 2015-05-14 | 2015-09-30 | 西安电子科技大学 | 一种基于距离网格地图的移动机器人路径规划方法 |
| CN104960520A (zh) * | 2015-07-16 | 2015-10-07 | 北京工业大学 | 基于Pure Pursuit算法的预瞄点确定方法 |
| CN106931961A (zh) * | 2017-03-20 | 2017-07-07 | 成都通甲优博科技有限责任公司 | 一种自动导航方法及装置 |
| CN106886222A (zh) * | 2017-03-29 | 2017-06-23 | 北京京东尚科信息技术有限公司 | 无人搬运车的控制方法和装置 |
| CN107101644A (zh) * | 2017-04-27 | 2017-08-29 | 上海耐相智能科技有限公司 | 一种安全性高的无人驾驶汽车系统 |
| CN107272687A (zh) * | 2017-06-29 | 2017-10-20 | 深圳市海梁科技有限公司 | 一种自动驾驶公交车辆的驾驶行为决策系统 |
| CN107328424A (zh) * | 2017-07-12 | 2017-11-07 | 三星电子（中国）研发中心 | 导航方法和装置 |
| CN107609502A (zh) * | 2017-09-05 | 2018-01-19 | 百度在线网络技术（北京）有限公司 | 用于控制无人驾驶车辆的方法和装置 |
| CN107600067A (zh) * | 2017-09-08 | 2018-01-19 | 中山大学 | 一种基于多视觉惯导融合的自主泊车系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘军;袁俊;蔡骏宇;陶昌岭;王利明;程伟;: "基于GPS/INS和线控转向的农业机械自动驾驶系统" * |
| 宋文龙;张永超;李双;李玉娇;: "基于邻边垂直外扩法的移动机器人避障新算法" * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112395916A (zh) * | 2019-08-15 | 2021-02-23 | 北京地平线机器人技术研发有限公司 | 目标的运动状态信息确定方法、确定装置及电子设备 |
| CN112395916B (zh) * | 2019-08-15 | 2024-04-19 | 北京地平线机器人技术研发有限公司 | 目标的运动状态信息确定方法、确定装置及电子设备 |
| CN111488418A (zh) * | 2020-03-09 | 2020-08-04 | 北京百度网讯科技有限公司 | 车辆位姿矫正方法、装置、设备及存储介质 |
| CN111488418B (zh) * | 2020-03-09 | 2023-07-28 | 阿波罗智能技术(北京)有限公司 | 车辆位姿矫正方法、装置、设备及存储介质 |
| CN111506104A (zh) * | 2020-04-03 | 2020-08-07 | 北京邮电大学 | 一种规划无人机位置的方法及装置 |
| CN111506104B (zh) * | 2020-04-03 | 2021-10-01 | 北京邮电大学 | 一种规划无人机位置的方法及装置 |
| CN112487630A (zh) * | 2020-11-25 | 2021-03-12 | 新石器慧拓(北京)科技有限公司 | 驾驶环境模拟方法、装置、系统、电子设备以及存储介质 |
| CN114399659A (zh) * | 2021-12-28 | 2022-04-26 | 禾多科技（北京）有限公司 | 车辆控制信息生成方法、装置、设备和计算机可读介质 |
| CN114399659B (zh) * | 2021-12-28 | 2023-04-07 | 禾多科技（北京）有限公司 | 车辆控制信息生成方法、装置、设备和计算机可读介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110096051B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110096051A (zh) | 用于生成车辆控制指令的方法和装置 | |
| CN109863513B (zh) | 用于自主车辆控制的神经网络系统 | |
| US11348339B2 (en) | Association and tracking for autonomous devices | |
| US10031526B1 (en) | Vision-based driving scenario generator for autonomous driving simulation | |
| US11420648B2 (en) | Trajectory prediction for autonomous devices | |
| US11686848B2 (en) | Systems and methods for training object detection models using adversarial examples | |
| CN109214248A (zh) | 用于识别无人驾驶车辆的激光点云数据的方法和装置 | |
| US20210116915A1 (en) | Dynamic model with learning based localization correction system | |
| CN109739236A (zh) | 车辆信息的处理方法、装置、计算机可读介质及电子设备 | |
| CN108216229A (zh) | 交通工具、道路线检测和驾驶控制方法及装置 | |
| CN108437972B (zh) | 一种基于位置偏差的轨迹跟踪方法和装置 | |
| US11055540B2 (en) | Method for determining anchor boxes for training neural network object detection models for autonomous driving | |
| CA3170637A1 (en) | System and method for autonomous vehicle systems simulation | |
| US10761527B2 (en) | Integration platform for autonomous vehicles | |
| CN109144049A (zh) | 用于控制感测装置视场的系统和方法 | |
| CN109782766A (zh) | 用于控制车辆行驶的方法和装置 | |
| WO2021050375A1 (en) | Systems and methods for vehicle motion planning based on uncertainty | |
| US20220036579A1 (en) | Systems and Methods for Simulating Dynamic Objects Based on Real World Data | |
| US20220197280A1 (en) | Systems and Methods for Error Sourcing in Autonomous Vehicle Simulation | |
| CN108422949B (zh) | 用于无人驾驶车辆的信息共享方法、装置、系统及设备 | |
| US11703577B2 (en) | Recalibration determination system for autonomous driving vehicles with multiple LiDAR sensors | |
| US20220017112A1 (en) | Systems and Methods for Generating Vehicle Corridors to Improve Path Planning Efficiency | |
| CN107894237A (zh) | 用于显示导航信息的方法和装置 | |
| US11467584B2 (en) | Multi-layer grid based open space planner | |
| US20220194395A1 (en) | Systems and Methods for Generation and Utilization of Vehicle Testing Knowledge Structures for Autonomous Vehicle Simulation |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210303 Address after: Room a1905, 19 / F, building 2, No. 18, Kechuang 11th Street, Daxing Economic and Technological Development Zone, Beijing 100176 Applicant after: Beijing Jingdong Qianshi Technology Co.,Ltd. Address before: 101, 1st floor, building 2, yard 20, Suzhou street, Haidian District, Beijing 100080 Applicant before: Beijing Jingbangda Trading Co.,Ltd. Effective date of registration: 20210303 Address after: 101, 1st floor, building 2, yard 20, Suzhou street, Haidian District, Beijing 100080 Applicant after: Beijing Jingbangda Trading Co.,Ltd. Address before: 100195 Beijing Haidian Xingshikou Road 65 West Cedar Creative Garden 4 District 11 Building East 1-4 Floor West 1-4 Floor Applicant before: BEIJING JINGDONG SHANGKE INFORMATION TECHNOLOGY Co.,Ltd. Applicant before: BEIJING JINGDONG CENTURY TRADING Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |