CN110262486B - 一种无人驾驶设备运动控制方法及装置 - Google Patents
一种无人驾驶设备运动控制方法及装置 Download PDFInfo
- Publication number
- CN110262486B CN110262486B CN201910502560.XA CN201910502560A CN110262486B CN 110262486 B CN110262486 B CN 110262486B CN 201910502560 A CN201910502560 A CN 201910502560A CN 110262486 B CN110262486 B CN 110262486B
- Authority
- CN
- China
- Prior art keywords
- state data
- moving objects
- determining
- unmanned
- unmanned equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000012549 training Methods 0.000 claims description 72
- 230000008569 process Effects 0.000 claims description 38
- 230000015654 memory Effects 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 18
- 238000012512 characterization method Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 11
- 230000002787 reinforcement Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
- G05D1/0263—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means using magnetic strips
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本说明书公开了一种无人驾驶设备运动控制方法及装置，通过预先训练的表征模型，根据实时采集当前周围环境中各其他移动物体的当前状态数据，该无人驾驶设备自身的当前状态数据以及历史上已采集的各其他移动物体的历史状态数据，确定表征各其他移动物体运动趋势的特征，以及各其他移动物体对该无人驾驶设备的影响程度的优先级。以根据各其他移动物体运动趋势的特征、各其他移动物体对应的优先级以及该无人驾驶设备自身的当前状态数据，再通过预先训练的决策模型，确定该无人驾驶设备的运动决策。
Description
技术领域
本申请涉及无人驾驶车辆技术领域，尤其涉及一种无人驾驶设备运动控制方法及装置。
背景技术
无人驾驶设备是指通过自身搭载的传感系统，感知周围道路环境，并自动规划行车路线并控制车辆到达预定目标的一种智能设备。通常将周围环境中其他交通参与者称为其他移动物体。
现有技术中主要存在三种无人驾驶设备的控制方法。其一，根据无人驾驶设备上搭载的传感器实时采集的数据，确定在当前环境信息下无人驾驶设备的后续运动决策(即，如何控制无人驾驶设备行驶)。其二，根据无人驾驶设备上搭载的传感器实时采集的数据以及预先对环境中的其他移动物体运动模式做出的假设，预测环境中各其他移动物体未来一段时间的运动轨迹，并根据预测结果，确定无人驾驶设备的后续运动决策。其三，根据预先采集的环境中若干其他移动物体以及无人驾驶设备不同时刻的运动状态，确定若干训练样本，通过训练样本训练用于预测其他移动物体运动轨迹的神经网络，在无人驾驶设备行驶时，根据无人驾驶设备上搭载的传感器实时采集的数据以及训练完成的神经网络，预测环境中各其他移动物体的运动轨迹，确定无人驾驶设备的后续运动决策。
但是，上述方法都存在一些缺陷：第一种方法，基于实时采集的数据确定运动决策，但没有考虑到环境中其他移动物体的运行状态的变化趋势，因此在复杂环境下得出的运动决策准确性和可靠性较低。第二种方法，假设的运动模式较为死板，与实际环境中其他移动物体的运动模式匹配度较低，与第一种方法存在相同的问题。第三种方法，由于训练样本直接影响了神经网络的训练效果，而现有技术中采用的训练样本并没有训练样本的时序信息，并且在训练神经网络时也缺乏训练样本的输入先后顺序的控制，因此训练样本在时间维度上的运动状态变化以及相互之间的影响并没有体现，导致训练完成的神经网络得出的运动决策的准确性较低。
于是，本说明书提供一种新的无人驾驶设备运动控制方法及装置。
发明内容
本说明书实施例提供一种无人驾驶设备控制方法及装置，用于解决现有技术中无人驾驶设备控制方法，确定出的运动决策准确性和可靠性较低的问题。
本说明书实施例采用下述技术方案：
本说明书提供的一种无人驾驶设备运动控制方法，包括：
获取无人驾驶设备的当前状态数据、当前周围环境中各其他移动物体的当前状态数据以及所述各其他移动物体的历史状态数据；
基于获取的各当前状态数据以及各历史状态数据，通过预先训练的表征模型，确定表征各其他移动物体运动趋势的特征以及当前各其他移动物体对所述无人驾驶设备影响程度的优先级；
根据确定出的各其他移动物体运动趋势的特征、各其他移动物体对应的优先级以及所述无人驾驶设备的当前状态数据，通过预先训练的决策模型，确定所述无人驾驶设备的运动决策。
可选地，所述其他移动物体的当前状态数据至少包括：其他移动物体当前相对所述无人驾驶设备的位置、朝向、速度以及其他移动物体的大小；所述其他移动物体的历史状态数据至少包括：其他移动物体历史上相对所述无人驾驶设备的位置、朝向、速度以及其他移动物体的大小；所述无人驾驶设备的当前状态数据至少包括：所述无人驾驶设备的当前坐标、目的地坐标、朝向以及速度。
可选地，预先训练表征模型，具体包括：
确定历史上若干次行驶过程中，采集的周围环境中各其他移动物体的历史状态数据以及各历史状态数据的采集顺序；
针对每个其他移动物体，以历史上在一次行驶过程中采集的该其他移动物体的各历史状态数据作为训练样本，按照各历史状态数据的采集顺序，将该训练样本输入长短期记忆网络LSTM，以该训练样本对应的该其他移动物体下一时刻的历史状态数据为期待的输出，训练用于确定表征其他移动物体运动趋势的特征的LSTM。
可选地，基于获取的各当前状态数据以及各历史状态数据，通过预先训练的表征模型，确定表征各其他移动物体运动趋势的特征，具体包括：
针对每个其他移动物体，确定在将该其他移动物体上一时刻的历史状态数据输入训练完成的LSTM之后，所述LSTM的输出；
将当前该其他移动物体的当前状态数据以及所述LSTM的输出，输入所述LSTM，确定所述LSTM的隐层中表征当前该其他移动物体运动趋势的特征。
可选地，预先训练表征模型，具体包括：
确定历史上若干次行驶过程中，采集的无人驾驶设备自身的历史状态数据、周围环境中各其他移动物体的历史状态数据以及各历史状态数据的采集顺序；
针对每个其他移动物体，以历史上在一次行驶过程中采集的该其他移动物体的各历史状态数据，和所述行驶过程中采集的所述无人驾驶设备自身的各历史状态数据，作为训练样本，按照各历史状态数据的采集顺序，将该训练样本输入动态贝叶斯网络DBN，以该训练样本对应的该其他移动物体下一时刻的历史状态数据的概率分布为期待的输出，训练用于确定其他移动物体对无人驾驶设备影响程度的优先级的动态贝叶斯网络DBN。
可选地，基于获取的各当前状态数据以及各历史状态数据，通过预先训练的表征模型，确定当前各其他移动物体对所述无人驾驶设备影响程度的优先级，具体包括：
针对每个其他移动物体，确定该其他移动物体上一时刻的历史状态数据；
将所述无人驾驶设备自身的当前状态数据、该其他移动物体的当前状态数据以及该其他移动物体上一时刻的历史状态数据，输入训练完成的DBN，确定所述DBN中用于表征其他移动物体对所述无人驾驶设备影响程度的隐变量，作为该其他移动物体对应的优先级。
可选地，根据确定出的各其他移动物体运动趋势的特征、各其他移动物体对应的优先级以及所述无人驾驶设备的当前状态数据，通过预先训练的决策模型，确定所述无人驾驶设备的运动决策，具体包括：
按照各其他移动物体对应的优先级从低到高的顺序，确定各其他移动物体的特征的输入顺序；
将所述无人驾驶设备的当前状态数据，输入通过强化学习训练的决策模型，以及按照确定出的输入顺序，将表征各其他移动物体运动趋势的特征顺序输入所述决策模型，确定所述无人驾驶设备的下一时刻的朝向以及速度，作为所述无人驾驶设备的运动决策。
本说明书提供一种无人驾驶设备运动控制装置，包括：
采集模块，获取无人驾驶设备的当前状态数据、当前周围环境中各其他移动物体的当前状态数据以及所述各其他移动物体的历史状态数据；
第一确定模块，基于获取的各当前状态数据以及各历史状态数据，通过预先训练的表征模型，确定表征各其他移动物体运动趋势的特征以及当前各其他移动物体对所述无人驾驶设备影响程度的优先级；
第二确定模块，根据确定出的各其他移动物体运动趋势的特征、各其他移动物体对应的优先级以及所述无人驾驶设备的当前状态数据，通过预先训练的决策模型，确定所述无人驾驶设备的运动决策。
本说明书提供的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无人驾驶设备运动控制方法。
本说明书提供的一种电子设备，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无人驾驶设备运动控制方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
无人驾驶设备在确定运动策略时，可通过预先训练的表征模型，根据实时采集当前周围环境中各其他移动物体的当前状态数据，该无人驾驶设备自身的当前状态数据以及历史上已采集的各其他移动物体的历史状态数据，确定表征各其他移动物体运动趋势的特征，以及各其他移动物体对该无人驾驶设备的影响程度的优先级。以根据各其他移动物体运动趋势的特征、各其他移动物体对应的优先级以及该无人驾驶设备自身的当前状态数据，再通过预先训练的决策模型，确定该无人驾驶设备的运动决策。一方面考虑到其他移动物体运动的连贯性，因此通过历史和当前的状态数据确定出各其他移动物体运动趋势的特征更加准确，另一方考虑到不同位置的其他移动物体的对无人驾驶设备潜在影响程度的大小，通过确定其他移动物体对无人驾驶设备的影响程度优先级，增加了后续确定运动策略的准确性。结合上述确定出的运动趋势和影响程度，确定对无人驾驶设备威胁较高的其他移动物体，可得到更加准确可靠的运动策略。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书提供的一种无人驾驶设备运动控制过程；
图2为本说明书提供的确定运动策略的示意图；
图3为本说明书实施例提供的一种无人驾驶设备运动装置的结构示意图；
图4为本说明书实施例提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例提供的一种无人驾驶设备运动控制过程，具体可包括以下步骤：
S102：获取无人驾驶设备的当前状态数据、当前周围环境中各其他移动物体的当前状态数据以及所述各其他移动物体的历史状态数据。
本说明书的控制方法，用于确定无人驾驶设备运动时的运动策略，而为了确定更加准确可靠的运动策略，本说明书的运动控制方法除了要考虑无人驾驶设备自身状态以外，还需要考虑周围环境中其他移动物体的状态和对该无人驾驶设备的影响，因此可获取该无人驾驶设备周围环境中各其他移动物体的当前状态数据，并确定该无人驾驶设备自身的当前状态数据。并且，由于其他移动物体的运动是由连贯性的，其他移动物体历史上的历史状态数据有助于更准确的确定其他移动物体的运动趋势，因此还可获取各其他移动物体的历史状态数据。
具体的，该无人驾驶设备上安装的传感器，实时采集该无人驾驶设备当前周围环境中，各其他移动物体的当前状态数据。则该无人驾驶设备可从传感器获取各其他移动物体的当前状态数据。该传感器可以是一个或者多个，并且本说明书不限制该传感器的类型，例如，激光测距传感器，图像传感器等等。其中，由于传感器是设置在该无人驾驶设备上的，因此采集的其他移动物体的当前状态数据都是相对于该无人驾驶设备的数据。并且，采集的当前状态数据至少可包括：其他移动物体当前相对该无人驾驶设备的位置、朝向、速度以及其他移动物体的大小。该其他移动物体的大小，主要为表征该其他移动物体体积的数据，例如，其他移动物体的长宽高的数据。
另外，而各其他移动物体的历史状态数据，该无人驾驶设备可通过历史上传感器采集的数据确定。与各其他移动物体的当前状态数据类似，各其他移动物体的历史状态数据也至少可包括：其他移动物体历史上相对该无人驾驶设备的位置、朝向、速度以及其他移动物体的大小。
进一步地，该无人驾驶设备自身的当前状态数据也同样重要，因此还可获取当前无人驾驶设备自身的当前状态数据，至少包括：该无人驾驶设备的当前坐标、目的地坐标、朝向以及速度。其中，当前坐标为该无人驾驶设备当前所在位置对应的坐标，例如，可以通过无人驾驶设备上的全球定位系统(Global Positioning System，GPS)芯片确定。该目的地坐标为该无人驾驶设备运动路线的终点位置的坐标。
更进一步地，该运动控制方法，具体可以由该无人驾驶设备中安装的控制装置执行(例如，无人加设备的车机)。该控制装置获取传感器采集的数据，并通过后续步骤确定运动策略，再根据运动策略确定具体的控制信号，并将确定出的控制信号传输至底层模块执行(如，传输至电动机控制运行功率，传输至变速器控制档位，等等)。当然，这些都可视为是该无人驾驶设备自身执行的控制方法，因此为了简化描述，方便理解，本说明书以无人驾驶设备为该控制过程的执行主体执行后续步骤的说明。
S104：基于获取的各当前状态数据以及各历史状态数据，通过预先训练的表征模型，确定表征各其他移动物体运动趋势的特征以及当前各其他移动物体对所述无人驾驶设备影响程度的优先级。
在本说明书实施例中，针对周围环境中的每个其他移动物体，为了更加准确地确定该其他移动物体的运动趋势，该无人驾驶设备可以通过历史上采集的该其他移动物体的历史状态数据以及当前采集的该其他移动物体的当前状态数据，通过预先训练的表征模型，确定表征该其他移动物体运动趋势的特征。
并且，由于周围环境中其他移动物体距离该无人驾驶设备的距离不一样，与该无人驾驶设备的相对速度不一样，甚至体积大小也不一样，因此其他移动物体对该无人驾驶设备的影响程度存在区别。比如，距离该无人驾驶设备较近的其他移动物体影响程度可能大于距离较远的其他移动物体。但是，由于判断其他移动物体与无人驾驶设备影响程度大小的因素较多，因此需要综合考虑多种数据，例如，若距离较远的其他移动物体速度较快，朝向与该无人驾驶设备的运行路线相交，则该其他移动物体的影响程度也较大。
于是，在本说明书中，为了更准确的根据其他移动物体的运动趋势，确定该无人驾驶设备的运动策略，该无人驾驶设备还可根据当前该无人驾驶设备的当前状态数据，其他移动物体的历史上采集的历史状态数据和当前采集的当前状态数据，通过预先训练的表征模型，确定当前各其他移动物体对该无人驾驶设备影响程度的优先级。
具体的，在本说明书中，该无人驾驶设备以训练得到的长短期记忆网络(LongShort-Term Memory，LSTM)，确定表征其他移动物体运动趋势的特征。其中，该LSTM在训练过程中，是以其他移动物体下一时刻的历史状态数据为期待的输出，进行训练的。为方便阅读，本说明书先对模型的使用过程进行描述，并在后续再对训练过程进行说明。
在本说明书中，由于LSTM有记忆数据的特性，对于输入的数据，可确定哪些数据可以抛弃，哪些数据可以记忆下来，将对于预测有作用的数据保留下来，确定更准确的预测结果，因此该无人驾驶设备在确定各其他移动物体的运动趋势时，首先，针对每个其他移动物体，该无人驾驶设备可先确定，将该其他移动物体上一时刻的历史状态数据输入训练完成的LSTM之后，该LSTM的输出。该LSTM的输出可以视为是通过LSTM记忆保留下来的数据，之后，将该LSTM的输出，以及该其他移动物体的当前状态数据，输入该训练完的LSTM中，确定该LRTM的隐层中表征当前该其他移动物体运动趋势的特征。需要说明的是，该LSTM输出的是对该其他移动物体的未来下一时刻的状态数据的预测，但是在本说明书中，并需要的不是该LSTM的预测结果，而是该LSTM的隐层中用于确定预测结果的，表征该其他移动物体运动趋势的特征。
另外，在本说明书中，该无人驾驶设备以训练得到的动态贝叶斯网络(DynamicBayesian Network，DBN)，确定该DBN中用于表征其他移动物体对该无人驾驶设备影响程度的隐变量。其中，该DBN在训练过程中，是以其他移动物体下一时刻的历史状态数据的概率分布为期待的输出，进行训练的。
在本说明书中，由于DBN也可基于时序输入的数据，确定预测结果，同样该无人驾驶设备在确定当前各其他移动物体对该无人驾驶设备影响程度的优先级时，可针对每个其他移动物体，确定该其他移动物体上一时刻的历史状态数据，之后将该无人驾驶设备自身的当前状态数据、该其他移动物体的当前状态数据以及该其他移动物体上一时刻的历史状态数据，输入训练完成的DBN中，并确定该DBN中用于表征其他移动物体对该无人驾驶设备影响程度的隐变量，作为该其他移动物体对应的优先级。
需要说明的是，因为训练DBN时是考虑到了无人驾驶设备与该其他移动物体之间影响程度的，所以该DBN中包含了该其他移动物体对该无人驾驶设备影响程度的隐变量。虽然该DBN输出的是对该其他移动物体下一时刻的状态数据的概率分布的预测结果，但是需要获取的是DBN的表征该其他移动物体对该无人驾驶设备影响程度的隐变量。并将该隐变量作为该其他移动物体对应的优先级。该其他移动物体对该无人驾驶设备影响程度越大，则该其他移动物体对应的优先级越高。
进一步地，在本说明书中，上述确定用于表征其他移动物体运动趋势的特征的表征模型，与确定优先级的表征模型不完全相同。并且，如前所述表征模型的输入也不完全相同，因此训练过程也不完全相同。
但是，由于上述描述中需要获取的分别是LSTM中的隐层的特征，以及DBN中的隐变量，而非模型的输出结果，因此在本说明书中，也可通过训练一个预测模型，来确定其他移动物体的优先级以及表征运动趋势的特征。当然该优先级以及该特征，均可以是不是该预测模型的输出结果，而仅是该预测模型内部的隐变量或者隐层的特征。
S106：根据确定出的各其他移动物体运动趋势的特征、各其他移动物体对应的优先级以及所述无人驾驶设备的当前状态数据，通过预先训练的决策模型，确定所述无人驾驶设备的运动决策。
在本说明书实施例中，在确定出各其他移动物体运动趋势的特征以及各其他移动物体对应的优先级之后，无人驾驶设备便可基于确定出的特征以及优先级，以及该无人驾驶设备的当前状态数据，输入预先训练好的决策模型，通过该决策模型的输出，确定该无人驾驶设备的运动决策。
该无人驾驶设备以强化学习训练得到的决策模型，确定决策模型输出的无人驾驶设备下一时刻的朝向以及速度。其中，该强化学习方法可以采用与现有技术相同的各种算法，例如，深度强化学习(Actor-Critic Algorithm，A3C)。当然，由于该决策模型输出的朝向以及速度，相当于该无人驾驶设备的运动决策，因此在训练时该决策模型就是以该无人驾驶设备下一时刻的朝向以及速度为期待的输出，进行训练的。
具体的，首先，该无人驾驶设备可先按照各其他移动物体对应的优先级从低到高的顺序，确定各其他移动物体运动趋势的特征的输入顺序。由于对于训练得到决策模型并没有类似于LSTM的对数据的长期记忆，通常都是输入越早的数据对最终输出结果的影响越小，因此根据优先级低到高的顺序，确定各其他移动物体运动趋势的特征的输入顺序，可以使对无人驾驶设备影响越高的其他移动物体的运动趋势的特征，可越晚输入模型中，从而达到对无人驾驶设备影响越大的，越“重点”考虑其运动趋势的效果。
例如，距离无人驾驶设备三条车道以外的车辆突然加速，对确定该无人驾驶设备的下一步运动策略的影响，可能要小于该无人驾驶设备前方的车辆缓慢减速，对确定该无人驾驶设备的下一步运动策略的影响。
之后，在确定各其他移动物体的特征的输入顺序之后，无人驾驶设备可按照确定出的输入顺序，将表征各其他移动物体运动趋势的特征顺序输入通过强化学习训练的决策模型，并且由于确定的该无人驾驶设备的运动策略，因此该无人驾驶设备的当前状态数据也是需要考虑的因素之一，因此还可将无人驾驶设备的当前状态数据，输入通过强化学习训练的决策模型，确定该决策模型输出该无人驾驶设备的下一时刻的朝向以及速度，作为该无人驾驶设备的运动决策。
图2为本说明书提供的确定运动策略的示意图，其中可见，通过获取历史状态数据和当前状态数据，输入预先训练完成的表征模型，分别通过LSTM和DBN获取所需的特征以及优先级，之后再输入训练完成的A3C决策模型，得到输出结果。
基于图1所示的无人驾驶设备运动控制方法，基于物体运动都是连贯的思想，将其他移动物体历史状态数据，用于确定其他移动物体的运动趋势的特征，基于物体之间相互影响程度，与物体之间不断变化的位置关系有关的思想，将其他移动物体历史状态数据，用于确定其他移动物体对无人驾驶设备影响程度的优先级。填补了现有技术中没有考虑物体运动的变化趋势的缺陷，以及对物体之间相互影响的考虑欠佳的缺陷，通过本说明书提供的方法结合上述确定出的运动趋势和影响程度，确定对无人驾驶设备威胁较高的其他移动物体，可得到更加准确可靠的运动策略。
另外，对于本说明书的训练过程，具体可以由服务器执行，对于在步骤S104中提到的LSTM的训练过程，可包括以下过程：
首先，可以获取基于由人驾驶的无人驾驶设备采集的周围环境中各其他移动物体的历史状态数据，以及各历史状态数据的采集顺序。并且为了丰富训练用的数据，可以获取多次行驶过程中的采集的历史状态数据。
之后，针对每个其他移动物体，以历史上在一次行驶过程中采集的该其他移动物体的各历史状态数据作为训练样本。也就是针对一次行驶过程中，遇到的每个其他移动物体，将该其他移动物体在该次行驶过程的所有历史状态数据，作为一个训练样本。并且，每个训练样本中的历史状态数据的采集顺序，也是可以根据各历史状态数据的采集顺序确定出来的。例如，假设共获取了3次历史上行驶过程采集的数据，每次行驶过程，分别涉及到的其他移动物体的数量分别为2个、3个和5个，则可确定出的训练样本的数量为2+3+5＝10个。
然后，按照各历史状态数据的采集顺序，将该训练样本输入LSTM，得到该其他移动物体下一时刻的历史状态数据的预测结果。并根据该他移动物体下一时刻实际的历史状态数据和该预测结果，训练该LSTM。与在步骤S104中所述的一致，该LSTM期待的输出为该其他移动物体下一时刻的历史状态数据，而非运动趋势的特征，由于每个训练样本中都包含的各历史时刻实际的历史状态数据，因此以历史状态数据为期待的输出可以更好进行训练。当然，最终在使用该LSTM时，获取的是表征其他移动物体运动趋势的特征。
需要说明的是，上述训练用的数据可以是通过有人驾驶车辆采集的，则该有人驾驶车辆与该无人驾驶设备中，用于采集数据的传感器可相同，也就是以有人驾驶车辆模拟无人驾驶车辆来采集数据。因此，前述的传感器可相同，可为传感器的类型、位置以及采集的数据相同。或者，上述训练用的数据可以是由人驾驶该无人驾驶设备，在路上行驶后采集数据。
对于在步骤S104中提到的DBN的训练过程，与上述LSTM的训练过程类似，同样可由服务器执行，可包括以下过程：
首先，可以获取基于由人驾驶的无人驾驶设备采集的周围环境中各其他移动物体的历史状态数据、该无人驾驶设备自身的历史状态数据以及各历史状态数据的采集顺序。同样为了丰富训练用的数据，也可以获取多次行驶过程中的采集的历史状态数据。
之后，针对每个其他移动物体，以历史上在一次行驶过程中采集的该其他移动物体的各历史状态数据，和在该行驶过程中采集的该无人驾驶设备自身的各历史状态数据，作为训练样本。
然后，按照各历史状态数据的采集顺序，将该训练样本输入DBN，得到该其他移动物体下一时刻的历史状态数据的概率分布。并则根据该他移动物体下一时刻实际的历史状态数据和该概率分布，训练该DBN。与在步骤S104中所述的一致，该DBN期待的输出为该其他移动物体下一时刻的历史状态数据的概率分布，而非其他移动物体对无人驾驶设备影响程度的优先级。也就是训练过程中，是以实际的历史状态数据为最准确的输出结果，来调整该DBN，使该DBN输出的概率分布接近实际的历史状态数据。当然，后续在实际应用该DBN时，与在步骤S104中所述的一致，也是以该DBN中表征其他移动物体对所述无人驾驶设备影响程度的隐变量，确定其他移动物体对应的优先级。
基于图1所示的无人驾驶设备运动控制方法，本说明书实施例还对应提供一种无人驾驶设备运动控制装置的结构示意图，如图3所示。
图3为本说明书实施例提供的一种无人驾驶设备运动控制装置的结构示意图，所述装置包括：
采集模块202，获取无人驾驶设备的当前状态数据、当前周围环境中各其他移动物体的当前状态数据以及所述各其他移动物体的历史状态数据；
第一确定模块204，基于获取的各当前状态数据以及各历史状态数据，通过预先训练的表征模型，确定表征各其他移动物体运动趋势的特征以及当前各其他移动物体对所述无人驾驶设备影响程度的优先级；
第二确定模块206，根据确定出的各其他移动物体运动趋势的特征、各其他移动物体对应的优先级以及所述无人驾驶设备的当前状态数据，通过预先训练的决策模型，确定所述无人驾驶设备的运动决策。
可选地，所述其他移动物体的当前状态数据至少包括：其他移动物体当前相对所述无人驾驶设备的位置、朝向、速度以及其他移动物体的大小；所述其他移动物体的历史状态数据至少包括：其他移动物体历史上相对所述无人驾驶设备的位置、朝向、速度以及其他移动物体的大小；所述无人驾驶设备的当前状态数据至少包括：所述无人驾驶设备的当前坐标、目的地坐标、朝向以及速度。
可选地，所述装置还包括：训练模块208，确定历史上若干次行驶过程中，采集的周围环境中各其他移动物体的历史状态数据以及各历史状态数据的采集顺序，针对每个其他移动物体，以历史上在一次行驶过程中采集的该其他移动物体的各历史状态数据作为训练样本，按照各历史状态数据的采集顺序，将该训练样本输入长短期记忆网络LSTM，以该训练样本对应的该其他移动物体下一时刻的历史状态数据为期待的输出，训练用于确定表征其他移动物体运动趋势的特征的LSTM。
可选地，第一确定模块204，针对每个其他移动物体，确定在将该其他移动物体上一时刻的历史状态数据输入训练完成的LSTM之后，所述LSTM的输出，将当前该其他移动物体的当前状态数据以及所述LSTM的输出，输入所述LSTM，确定所述LSTM的隐层中表征当前该其他移动物体运动趋势的特征
可选地，训练模块208，确定历史上若干次行驶过程中，采集的无人驾驶设备自身的历史状态数据、周围环境中各其他移动物体的历史状态数据以及各历史状态数据的采集顺序，针对每个其他移动物体，以历史上在一次行驶过程中采集的该其他移动物体的各历史状态数据，和所述行驶过程中采集的所述无人驾驶设备自身的各历史状态数据，作为训练样本，按照各历史状态数据的采集顺序，将该训练样本输入动态贝叶斯网络DBN，以该训练样本对应的该其他移动物体下一时刻的历史状态数据的概率分布为期待的输出，训练用于确定其他移动物体对无人驾驶设备影响程度的优先级的动态贝叶斯网络DBN。
可选地，第一确定模块204，针对每个其他移动物体，确定该其他移动物体上一时刻的历史状态数据，将所述无人驾驶设备自身的当前状态数据、该其他移动物体的当前状态数据以及该其他移动物体上一时刻的历史状态数据，输入训练完成的DBN，确定所述DBN中用于表征其他移动物体对所述无人驾驶设备影响程度的隐变量，作为该其他移动物体对应的优先级。
可选地，第二确定模块206，按照各其他移动物体对应的优先级从低到高的顺序，确定各其他移动物体的特征的输入顺序，将所述无人驾驶设备的当前状态数据，输入通过强化学习训练的决策模型，以及按照确定出的输入顺序，将表征各其他移动物体运动趋势的特征顺序输入所述决策模型，确定所述无人驾驶设备的下一时刻的朝向以及速度，作为所述无人驾驶设备的运动决策。
本说明书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提供的无人驾驶设备运动控制方法。
基于图1所示的无人驾驶设备运动控制方法，本说明书实施例还提出了图4所示的电子设备的示意结构图。如图4，在硬件层面，该电子设备包括处理器、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，以实现上述图1所述的无人驾驶设备运动控制方法。
当然，除了软件实现方式之外，本说明书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。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (9)
1.一种无人驾驶设备运动控制方法，其特征在于，包括：
获取无人驾驶设备的当前状态数据、当前周围环境中各其他移动物体的当前状态数据以及所述各其他移动物体的历史状态数据；
基于获取的各当前状态数据以及各历史状态数据，通过预先训练的表征模型，分别预测各其他移动物体下一时刻的状态数据，以确定表征各其他移动物体运动趋势的特征，以及分别确定各其他移动物体下一时刻的状态数据的概率分布，以确定当前各其他移动物体对所述无人驾驶设备影响程度的优先级，其中，所述运动趋势的特征为隐层中表征该其他移动物体运动趋势的特征，所述优先级根据确定该表征模型中用于表征其他移动物体对该无人驾驶设备影响程度的隐变量确定；
按照各其他移动物体对应的优先级从低到高的顺序，确定各其他移动物体的特征的输入顺序；
将所述无人驾驶设备的当前状态数据，输入通过强化学习训练的决策模型，以及按照确定出的输入顺序，将表征各其他移动物体运动趋势的特征顺序输入所述决策模型，确定所述无人驾驶设备的下一时刻的朝向以及速度，作为所述无人驾驶设备的运动决策。
2.如权利要求1所述的方法，其特征在于，所述其他移动物体的当前状态数据至少包括：其他移动物体当前相对所述无人驾驶设备的位置、朝向、速度以及其他移动物体的大小；所述其他移动物体的历史状态数据至少包括：其他移动物体历史上相对所述无人驾驶设备的位置、朝向、速度以及其他移动物体的大小；所述无人驾驶设备的当前状态数据至少包括：所述无人驾驶设备的当前坐标、目的地坐标、朝向以及速度。
3.如权利要求2所述的方法，其特征在于，预先训练表征模型，具体包括：
确定历史上若干次行驶过程中，采集的周围环境中各其他移动物体的历史状态数据以及各历史状态数据的采集顺序；
针对每个其他移动物体，以历史上在一次行驶过程中采集的该其他移动物体的各历史状态数据作为训练样本，按照各历史状态数据的采集顺序，将该训练样本输入长短期记忆网络LSTM，以该训练样本对应的该其他移动物体下一时刻的历史状态数据为期待的输出，训练用于确定表征其他移动物体运动趋势的特征的LSTM。
4.如权利要求3所述的方法，其特征在于，基于获取的各当前状态数据以及各历史状态数据，通过预先训练的表征模型，确定表征各其他移动物体运动趋势的特征，具体包括：
针对每个其他移动物体，确定在将该其他移动物体上一时刻的历史状态数据输入训练完成的LSTM之后，所述LSTM的输出；
将当前该其他移动物体的当前状态数据以及所述LSTM的输出，输入所述LSTM，确定所述LSTM的隐层中表征当前该其他移动物体运动趋势的特征。
5.如权利要求2所述的方法，其特征在于，预先训练表征模型，具体包括：
确定历史上若干次行驶过程中，采集的无人驾驶设备自身的历史状态数据、周围环境中各其他移动物体的历史状态数据以及各历史状态数据的采集顺序；
针对每个其他移动物体，以历史上在一次行驶过程中采集的该其他移动物体的各历史状态数据，和所述行驶过程中采集的所述无人驾驶设备自身的各历史状态数据，作为训练样本，按照各历史状态数据的采集顺序，将该训练样本输入动态贝叶斯网络DBN，以该训练样本对应的该其他移动物体下一时刻的历史状态数据的概率分布为期待的输出，训练用于确定其他移动物体对无人驾驶设备影响程度的优先级的动态贝叶斯网络DBN。
6.如权利要求5所述的方法，其特征在于，基于获取的各当前状态数据以及各历史状态数据，通过预先训练的表征模型，确定当前各其他移动物体对所述无人驾驶设备影响程度的优先级，具体包括：
针对每个其他移动物体，确定该其他移动物体上一时刻的历史状态数据；
将所述无人驾驶设备自身的当前状态数据、该其他移动物体的当前状态数据以及该其他移动物体上一时刻的历史状态数据，输入训练完成的DBN，确定所述DBN中用于表征其他移动物体对所述无人驾驶设备影响程度的隐变量，作为该其他移动物体对应的优先级。
7.一种无人驾驶设备运动控制装置，其特征在于，包括：
采集模块，获取无人驾驶设备的当前状态数据、当前周围环境中各其他移动物体的当前状态数据以及所述各其他移动物体的历史状态数据；
第一确定模块，基于获取的各当前状态数据以及各历史状态数据，通过预先训练的表征模型，分别预测各其他移动物体下一时刻的状态数据，以确定表征各其他移动物体运动趋势的特征，以及分别确定各其他移动物体下一时刻的状态数据的概率分布，以确定当前各其他移动物体对所述无人驾驶设备影响程度的优先级，其中，所述运动趋势的特征为隐层中表征该其他移动物体运动趋势的特征，所述优先级根据确定该表征模型中用于表征其他移动物体对该无人驾驶设备影响程度的隐变量确定；
第二确定模块，按照各其他移动物体对应的优先级从低到高的顺序，确定各其他移动物体的特征的输入顺序，将所述无人驾驶设备的当前状态数据，输入通过强化学习训练的决策模型，以及按照确定出的输入顺序，将表征各其他移动物体运动趋势的特征顺序输入所述决策模型，确定所述无人驾驶设备的下一时刻的朝向以及速度，作为所述无人驾驶设备的运动决策。
8.一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1-6任一所述的方法。
9.一种电子设备，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1-6任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910502560.XA CN110262486B (zh) | 2019-06-11 | 2019-06-11 | 一种无人驾驶设备运动控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910502560.XA CN110262486B (zh) | 2019-06-11 | 2019-06-11 | 一种无人驾驶设备运动控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110262486A CN110262486A (zh) | 2019-09-20 |
| CN110262486B true CN110262486B (zh) | 2020-09-04 |
Family
ID=67917609
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910502560.XA Active CN110262486B (zh) | 2019-06-11 | 2019-06-11 | 一种无人驾驶设备运动控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110262486B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111104611B (zh) * | 2019-11-18 | 2023-01-20 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置、设备及存储介质 |
| CN111038501B (zh) * | 2019-12-31 | 2021-04-27 | 北京三快在线科技有限公司 | 无人驾驶设备的控制方法及装置 |
| CN111046981B (zh) * | 2020-03-17 | 2020-07-03 | 北京三快在线科技有限公司 | 一种无人车控制模型的训练方法及装置 |
| CN111695737B (zh) * | 2020-06-15 | 2023-08-11 | 中国电子科技集团公司第二十八研究所 | 一种基于lstm神经网络的群目标行进趋势预测方法 |
| WO2022183329A1 (zh) * | 2021-03-01 | 2022-09-09 | 华为技术有限公司 | 一种智能驾驶方法、装置、存储介质及计算机程序 |
| CN113096427B (zh) * | 2021-03-30 | 2022-08-26 | 北京三快在线科技有限公司 | 一种信息显示方法及装置 |
| CN113848913B (zh) * | 2021-09-28 | 2023-01-06 | 北京三快在线科技有限公司 | 一种无人驾驶设备的控制方法及控制装置 |
| CN115464237A (zh) * | 2022-08-19 | 2022-12-13 | 北京理工大学 | 一种电弧增材制造装备的实时控制方法、系统及装置 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105526942B (zh) * | 2016-01-25 | 2019-03-08 | 重庆邮电大学 | 基于威胁估计的智能车辆路径规划方法 |
| JP6577926B2 (ja) * | 2016-09-26 | 2019-09-18 | 本田技研工業株式会社 | 走行支援装置及び走行支援方法 |
| US10268200B2 (en) * | 2016-12-21 | 2019-04-23 | Baidu Usa Llc | Method and system to predict one or more trajectories of a vehicle based on context surrounding the vehicle |
| CN109841088B (zh) * | 2017-11-24 | 2021-10-22 | 奥迪股份公司 | 车辆驾驶辅助系统及方法 |
| CN108172025B (zh) * | 2018-01-30 | 2021-03-30 | 东软睿驰汽车技术（上海）有限公司 | 一种辅助驾驶方法、装置、车载终端及车辆 |
| CN108803617B (zh) * | 2018-07-10 | 2020-03-20 | 深圳大学 | 轨迹预测方法及装置 |
| CN109405824A (zh) * | 2018-09-05 | 2019-03-01 | 武汉契友科技股份有限公司 | 一种适用于智能网联汽车的多源感知定位系统 |
| CN109116852A (zh) * | 2018-10-24 | 2019-01-01 | 邓银发 | 智能无人驾驶方法和系统 |
-
2019
- 2019-06-11 CN CN201910502560.XA patent/CN110262486B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110262486A (zh) | 2019-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110262486B (zh) | 一种无人驾驶设备运动控制方法及装置 | |
| CN111190427B (zh) | 一种轨迹规划的方法及装置 | |
| CN112015847B (zh) | 一种障碍物的轨迹预测方法、装置、存储介质及电子设备 | |
| CN111208838B (zh) | 一种无人驾驶设备的控制方法及装置 | |
| CN111114543B (zh) | 一种轨迹预测方法及装置 | |
| CN112766468B (zh) | 一种轨迹预测方法、装置、存储介质及电子设备 | |
| CN111062372B (zh) | 一种预测障碍物轨迹的方法及装置 | |
| CN111076739B (zh) | 一种路径规划的方法及装置 | |
| CN112629550B (zh) | 一种预测障碍物轨迹以及模型训练的方法及装置 | |
| CN110488821B (zh) | 一种确定无人车运动策略的方法及装置 | |
| CN112306059B (zh) | 一种控制模型的训练方法、控制方法以及装置 | |
| CN111238523B (zh) | 一种运动轨迹的预测方法及装置 | |
| CN111126362B (zh) | 一种预测障碍物轨迹的方法及装置 | |
| CN110942181A (zh) | 一种障碍物轨迹预测的方法及装置 | |
| CN113968243B (zh) | 一种障碍物轨迹预测方法、装置、设备及存储介质 | |
| CN110660103A (zh) | 一种无人车定位方法及装置 | |
| CN111038501A (zh) | 无人驾驶设备的控制方法及装置 | |
| CN111288971B (zh) | 一种视觉定位方法及装置 | |
| CN112883871B (zh) | 一种模型训练以及确定无人车运动策略方法及装置 | |
| CN113033527A (zh) | 一种场景识别方法、装置、存储介质及无人设备 | |
| CN110895406B (zh) | 一种基于干扰物轨迹规划的无人设备的测试方法及装置 | |
| CN112649012A (zh) | 一种轨迹规划方法、设备、介质及无人设备 | |
| CN112987754B (zh) | 一种无人设备的控制方法、装置、存储介质及电子设备 | |
| CN114019981B (zh) | 一种无人驾驶设备的轨迹规划方法及规划装置 | |
| CN117944719A (zh) | 一种车辆轨迹规划方法、装置、设备及介质 |
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 |