CN110293968B - 自动驾驶车辆的控制方法、装置、设备及可读存储介质 - Google Patents

自动驾驶车辆的控制方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN110293968B
CN110293968B CN201910524662.1A CN201910524662A CN110293968B CN 110293968 B CN110293968 B CN 110293968B CN 201910524662 A CN201910524662 A CN 201910524662A CN 110293968 B CN110293968 B CN 110293968B
Authority
CN
China
Prior art keywords
vehicle
obstacle
time period
preset time
position information
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
Application number
CN201910524662.1A
Other languages
English (en)
Other versions
CN110293968A (zh
Inventor
吕文玉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baidu Online Network Technology Beijing Co Ltd
Original Assignee
Baidu Online Network Technology Beijing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Baidu Online Network Technology Beijing Co Ltd filed Critical Baidu Online Network Technology Beijing Co Ltd
Priority to CN201910524662.1A priority Critical patent/CN110293968B/zh
Publication of CN110293968A publication Critical patent/CN110293968A/zh
Application granted granted Critical
Publication of CN110293968B publication Critical patent/CN110293968B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明提供一种自动驾驶车辆的控制方法、装置、设备及可读存储介质。本发明的方法，根据当前时刻障碍物的位置信息，通过训练好的预测模型确定未来的预设时段内障碍物的运动轨迹；根据当前时刻车辆的行驶数据计算未来的预设时段内车辆的行驶轨迹；根据预设时段内障碍物的运动轨迹和车辆的行驶轨迹，预测出未来的预设时段内障碍物是否会进入车辆的非安全区域内，如果在预设时段内障碍物会进入车辆的非安全区域内，则对车辆进行安全控制；实现对未来预设时段内车辆与障碍物发生碰撞的危险情况的预测，并在预测到存在车辆与障碍物发生碰撞的风险时，提前对车辆进行安全控制，可以延长上层逻辑的反应时间，提高自动驾驶的安全性。

Description

自动驾驶车辆的控制方法、装置、设备及可读存储介质
技术领域
本发明涉及自动驾驶技术领域，尤其涉及一种自动驾驶车辆的控制方法、装置、设备及可读存储介质。
背景技术
当前的自动驾驶安全检测，实时感知当前车辆周围环境中的障碍物，例如来往车辆、行人等障碍物，根据当前障碍物距离车辆的距离来进行上层逻辑的车辆安全控制。
但是，由于障碍物相对于车辆来说往往是运动状态的，在车辆实际行驶过程中，虽然当前障碍物与车辆之间还有一定的距离，但是可能障碍物与车辆已经相互靠近、甚至即将碰撞。现有技术中，根据当前时刻障碍物距离车辆的距离来进行上层逻辑的车辆安全控制，给上层逻辑的反应时间较短，自动驾驶车辆容易出现交通事故，存在安全隐患，并且车辆的体感较差。
发明内容
本发明提供一种自动驾驶车辆的控制方法、装置、设备及可读存储介质，用以解决现有技术中，根据当前时刻障碍物距离车辆的距离来进行上层逻辑的车辆安全控制，给上层逻辑的反应时间较短，自动驾驶车辆容易出现交通事故，存在安全隐患，并且车辆的体感较差的问题。
本发明的一个方面是提供一种自动驾驶车辆的控制方法，包括：
获取当前时刻车辆的行驶数据和所述车辆周围障碍物的位置信息；
根据当前时刻所述障碍物的位置信息，通过训练好的预测模型，确定未来的预设时段内所述障碍物的运动轨迹；
根据当前时刻所述车辆的行驶数据，计算未来的所述预设时段内所述车辆的行驶轨迹；
根据所述预设时段内所述障碍物的运动轨迹和所述车辆的行驶轨迹，确定在所述预设时段内所述障碍物是否会进入所述车辆的非安全区域内；
如果在所述预设时段内所述障碍物会进入所述车辆的非安全区域内，则对所述车辆进行安全控制。
本发明的另一个方面是提供一种自动驾驶车辆的控制装置，包括：
数据获取模块，用于获取当前时刻车辆的行驶数据和所述车辆周围障碍物的位置信息；
障碍物轨迹预测模块，用于根据当前时刻所述障碍物的位置信息，通过训练好的预测模型，确定未来的预设时段内所述障碍物的运动轨迹；
车辆轨迹预测模块，用于根据当前时刻所述车辆的行驶数据，计算未来的所述预设时段内所述车辆的行驶轨迹；
安全控制模块，用于根据所述预设时段内所述障碍物的运动轨迹和所述车辆的行驶轨迹，确定在所述预设时段内所述障碍物是否会进入所述车辆的非安全区域内；如果在所述预设时段内所述障碍物会进入所述车辆的非安全区域内，则对所述车辆进行安全控制。
本发明的另一个方面是提供一种自动驾驶车辆的控制设备，包括：
存储器，处理器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序；
其中，所述处理器运行所述计算机程序时实现上述所述的自动驾驶车辆的控制方法。
本发明的另一个方面是提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的自动驾驶车辆的控制方法。
本发明提供的自动驾驶车辆的控制方法、装置、设备及可读存储介质，通过获取当前时刻车辆的行驶数据和所述车辆周围障碍物的位置信息；根据当前时刻所述障碍物的位置信息，通过训练好的预测模型，确定未来的预设时段内所述障碍物的运动轨迹；根据当前时刻所述车辆的行驶数据，计算未来的所述预设时段内所述车辆的行驶轨迹；根据所述预设时段内所述障碍物的运动轨迹和所述车辆的行驶轨迹，预测出未来的预设时段内障碍物是否会进入车辆的非安全区域内，如果在所述预设时段内所述障碍物会进入所述车辆的非安全区域内，则对所述车辆进行安全控制；实现了以对未来的预设时段内车辆与障碍物发生碰撞的危险情况进行预测，并在预测到未来的预设时段内存在车辆与障碍物发生碰撞的风险时，可以提前对车辆进行安全控制，可以延长上层逻辑的反应时间，提高自动驾驶的安全性。
附图说明
图1为本发明实施例一提供的自动驾驶车辆的控制方法流程图；
图2为本发明实施例二提供的自动驾驶车辆的控制方法流程图；
图3为本发明实施例三提供的自动驾驶车辆的控制装置的结构示意图；
图4为本发明实施例四提供的自动驾驶车辆的控制装置的结构示意图；
图5为本发明实施例五提供的自动驾驶车辆的控制设备的结构示意图。
通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明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、本发明的一些方面相一致的装置和方法的例子。
本发明所涉及的术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。在以下各实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。
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，对本发明的实施例进行描述。
实施例一
图1为本发明实施例一提供的自动驾驶车辆的控制方法流程图。本发明实施例针对现有技术中，根据当前时刻障碍物距离车辆的距离来进行上层逻辑的车辆安全控制，给上层逻辑的反应时间较短，自动驾驶车辆容易出现交通事故，存在安全隐患，并且车辆的体感较差的问题，提供了自动驾驶车辆的控制方法。
本实施例中的方法应用于终端设备，该终端设备可以是自动驾驶车辆的车载终端、或者也可以是能够控制自动驾驶车辆行驶的远程服务器设备等，在其他实施例中，该方法还可应用于其他设备，本实施例以车载终端为例进行示意性说明。如图1所示，该方法具体步骤如下：
步骤S101、获取当前时刻车辆的行驶数据和车辆周围障碍物的位置信息。
其中，车辆的行驶数据至少包括：所在位置、行驶速度和行驶方向，行驶数据还可以包括车辆的位姿信息、行驶路线等等。另外，行驶数据还可以包括其他可以获得的能够体现车辆当前的车身状态及行驶状态的数据，本实施例此处不做具体限定。
本实施例中，车辆周围的障碍物包括车辆周围的行人、或者各类型的车辆等，会对车辆行驶造成影响的物体。
步骤S102、根据当前时刻障碍物的位置信息，通过训练好的预测模型，确定未来的预设时段内障碍物的运动轨迹。
本实施例中，预先训练好用于预测障碍物在未来的预设时段内的运动轨迹的预测模型。该预测模型用于根据在当前时刻障碍物的位置信息，来预测在未来的预设时段内的多个时刻障碍物的位置信息，这多个时刻障碍物的位置信息构成在未来的预设时段内障碍物的运动轨迹。
其中，预设时段是指在当前时刻之后的一个时段，可以由技术人员根据实际应用场景和经验进行设定，本实施例此处不做具体限定。
可选的，该预测模型可以采用长短期记忆网(Long Short-Term Memory，简称LSTM)，或者其他具有类似功能的基于深度学习的模型实现。
步骤S103、根据当前时刻车辆的行驶数据，计算未来的预设时段内车辆的行驶轨迹。
其中，车辆的行驶数据至少包括：所在位置、行驶速度和行驶方向，行驶数据还可以包括车辆的位姿信息、行驶路线等等。另外，行驶数据还可以包括其他可以获得的能够体现车辆当前的车身状态及行驶状态的数据，本实施例此处不做具体限定。
该步骤中，根据当前时刻车辆的行驶数据，可以计算出在未来的预设时段内的车辆的行驶轨迹。
示例性的，根据当前时刻车辆的所在位置、行驶方向、行驶速度，结合车辆的行驶路线，可以计算得到在未来的预设时段内的多个时刻车辆的位置，从而可以形成在未来的预设时段内车辆的行驶轨迹。
另外，还可以采用其他根据当前时刻车辆的行驶数据，预测车辆在未来的预设时段内的行驶轨迹的方法实现，本实施例此处不再一一赘述。
步骤S104、根据预设时段内障碍物的运动轨迹与车辆的行驶轨迹，确定在预设时段内障碍物是否会进入车辆的非安全区域内。
在实际应用中，为保证车辆的安全行驶，车辆周围的一定区域内不允许有障碍物，否则可能会导致车辆与障碍物的碰撞等危险情况的发生。本实施例中，车辆的非安全区域是指车辆行驶过程中为保证安全行驶车辆周围的不允许出现障碍物的区域。
可选的，车辆的非安全区域可以根据车辆的行驶速度动态变化和更新，车辆行驶速度越快，车辆的非安全区域越大。车辆的非安全区域可以由技术人员根据实际应用场景和经验进行设定，本实施例此处不做具体限定。
在确定在未来的预设时段内障碍物的运动轨迹和车辆的行驶轨迹之后，根据障碍物的运动轨迹和车辆的行驶轨迹，可以确定在未来的预设时段内障碍物与车辆的相对位置关系，从而可以确定障碍物是否会进入车辆的非安全区域。
步骤S105、如果在预设时段内障碍物会进入车辆的非安全区域内，则对车辆进行安全控制。
如果确定在预设时段内有障碍物会进入车辆的非安全区域内，那么可以确定车辆照当前行驶状态行驶时与障碍物发生碰撞的风险较大，因此对车辆进行安全控制，以避免车辆与障碍物发生碰撞。
具体的，根据预设时段内障碍物的运动轨迹与车辆的行驶轨迹，可以确定障碍物进入车辆的非安全区域的时间和位置；根据障碍物进入车辆的非安全区域的时间和位置，对车辆进行安全控制，以避免障碍物进入车辆的非安全区域。
另外，本实施例中，车辆周围的障碍物有多个时，通过上述步骤S101-S104，分别判断在未来的预设时段内每个障碍物是否会进入车辆的非安全区域内，并可以确定各个障碍物进入车辆的非安全区域内的时间和位置；综合各个障碍物进入车辆的非安全区域内的时间和位置，对车辆进行安全控制，以避免所有障碍物进入车辆的非安全区域。
本发明实施例通过获取当前时刻车辆的行驶数据和车辆周围障碍物的位置信息；根据当前时刻障碍物的位置信息，通过训练好的预测模型，确定未来的预设时段内障碍物的运动轨迹；根据当前时刻车辆的行驶数据，计算未来的预设时段内车辆的行驶轨迹；根据预设时段内障碍物的运动轨迹和车辆的行驶轨迹，预测出未来的预设时段内障碍物是否会进入车辆的非安全区域内，如果在预设时段内障碍物会进入车辆的非安全区域内，则对车辆进行安全控制；实现了对未来的预设时段内车辆与障碍物发生碰撞的危险情况的预测，并在预测到未来的预设时段内存在车辆与障碍物发生碰撞的风险时，可以提前对车辆进行安全控制，可以延长上层逻辑的反应时间，提高自动驾驶的安全性。
实施例二
图2为本发明实施例二提供的自动驾驶车辆的控制方法流程图。在上述实施例一的基础上，本实施例中，如果在预设时段内障碍物会进入车辆的非安全区域内，则确定障碍物进入车辆的非安全区域的时间和位置；根据障碍物进入车辆的非安全区域的时间和位置，控制车辆减速和/或改变行驶方向。
如图2所示，该方法具体步骤如下：
步骤S201、获取当前时刻车辆的行驶数据和车辆周围障碍物的位置信息。
其中，车辆的行驶数据至少包括：所在位置、行驶速度和行驶方向，行驶数据还可以包括车辆的位姿信息、行驶路线等等。另外，行驶数据还可以包括其他可以获得的能够体现车辆当前的车身状态及行驶状态的数据，本实施例此处不做具体限定。
本实施例中，车辆周围的障碍物包括车辆周围的行人、或者各类型的车辆等，会对车辆行驶造成影响的物体。
步骤S202、根据当前时刻障碍物的位置信息，通过训练好的预测模型，确定未来的预设时段内障碍物的运动轨迹。
本实施例中，预先训练好用于预测障碍物在未来的预设时段内的运动轨迹的预测模型。该预测模型用于根据在当前时刻障碍物的位置信息，来预测在未来的预设时段内的多个时刻障碍物的位置信息，这多个时刻障碍物的位置信息构成在未来的预设时段内障碍物的运动轨迹。
其中，预设时段是指在当前时刻之后的一个时段，可以由技术人员根据实际应用场景和经验进行设定，本实施例此处不做具体限定。
可选的，该预测模型可以采用长短期记忆网(Long Short-Term Memory，简称LSTM)，或者其他具有类似功能的基于深度学习的模型实现。
在该步骤之前，预先获取训练集，并对预测模型进行模型训练，具体可以采用如下方式实现：
获取历史时段内障碍物的位置信息；根据历史时段内障碍物的位置信息，生成训练集；采用训练集对预测模型进行训练，得到训练好的预测模型。
具体的，自动驾驶车辆行驶过程中可以实时地采集周围障碍物的位置信息，并记录采集时间，得到大量真实历史数据。将历史数据进行整理，提取出多组训练数据，每一组训练数据包括一个障碍物在一个时段内的多个时刻的位置信息组合成多条训练数据，可以得到大量的训练数据构成的训练集。其中每条训练数据包括某一时刻障碍物的位置信息，以及该时刻的下一时刻该障碍物的位置信息。通过训练集对预测模型的参数进行训练，得到训练好的预测模型。
可选的，在该步骤之前，还可以获取最近预设时长内的障碍物的位置信息；根据最近预设时长内的障碍物的位置信息，对预测模型进行验证。
具体的，可以获取最近预设时长内的j个时刻障碍物的位置信息，以及当前T时刻障碍物的位置信息。其中，j为正整数，T表示当前时刻，Δt表示相邻两个采样位置信息的时刻之间的间隔时长，这j个时刻可以分别表示为：T-Δt，T-2Δt，…，T-jΔt，用这j个时刻障碍物的位置信息对预测模型进行验证：根据T-kΔt时刻障碍物的位置信息，通过预测模型，计算得到T-(k-1)Δt时刻障碍物的预测位置，将T-(k-1)Δt时刻障碍物的预测位置与T-(k-1)Δt时刻障碍物的实际位置信息进行比较，可以确定预测模型预测结果的准确性，其中k的取值为1,2，…，j。
本实施例中，通过根据最近预设时长内的障碍物的位置信息，对预测模型进行验证，可以实时地对预测模型的预测效果进行验证。如果预测模型的预测效果不能满足预设要求时，可以及时的对预测模型进行优化训练，以提高通过预测模型确定的未来的预设时段内障碍物的运动轨迹的准确性。
该步骤中，根据当前时刻障碍物的位置信息，通过训练好的预测模型，确定未来的预设时段内障碍物的运动轨迹，具体可以采用如下方式实现：
根据当前T时刻所述障碍物的位置信息，通过所述预测模型，计算得到T+Δt时刻所述障碍物的位置信息；
根据所述T+Δt时刻所述障碍物的位置信息，通过所述预测模型，计算得到未来的T+2Δt时刻所述障碍物的位置信息；
其中，T表示当前时刻，Δt为间隔时长，所述未来的预设时段内所述障碍物的运动轨迹包括所述T+Δt时刻所述障碍物的位置信息和所述T+2Δt时刻所述障碍物的位置信息。
示例性的，根据当前时刻障碍物的位置信息，通过训练好的预测模型，确定未来的预设时段内障碍物的运动轨迹，具体还可以采用如下方式实现：
根据当前T时刻障碍物的位置信息，通过预测模型，计算得到T+Δt时刻障碍物的位置信息；根据T+Δt时刻障碍物的位置信息，通过预测模型，计算得到未来的T+2Δt时刻障碍物的位置信息；以此类推，直至计算得到未来的T+iΔt时刻障碍物的位置信息，得到预设时段内障碍物的运动轨迹。
其中，T表示当前时刻，Δt为间隔时长，T+iΔt时刻在预设时段内，T+(i+1)Δt时刻不在预设时段内，i为正整数。
进一步的，根据当前T时刻障碍物的位置信息，通过预测模型，计算得到T+Δt时刻障碍物的位置信息，包括：
将当前T时刻障碍物的位置信息输入预测模型，计算得到障碍物在T+Δt时刻的位置对应的二维高斯参数；将障碍物在T+Δt时刻的位置对应的二维高斯参数，代入二维高斯函数，得到障碍物在T+Δt时刻的位置对应的二维高斯函数概率分布；按照二维高斯函数概率分布进行采样，得到多个采样位置；确定多个采样位置中对应概率最高的采样位置，作为障碍物在T+Δt时刻的位置信息。
可选的，预测模型中可以采用以下函数作为二维高斯函数：
Figure BDA0002097788020000081
其中，
Figure BDA0002097788020000091
其中，σ1，σ2，μ1，μ2和ρ为二维高斯函数的5个二维高斯参数，(x，y)表示障碍物的位置坐标。
步骤S203、根据当前时刻车辆的行驶数据，计算未来的预设时段内车辆的行驶轨迹。
其中，车辆的行驶数据至少包括：所在位置、行驶速度和行驶方向，行驶数据还可以包括车辆的位姿信息、行驶路线等等。另外，行驶数据还可以包括其他可以获得的能够体现车辆当前的车身状态及行驶状态的数据，本实施例此处不做具体限定。
该步骤中，根据当前时刻车辆的行驶数据，可以计算出在未来的预设时段内的车辆的行驶轨迹。在未来的预设时段内车辆的行驶轨迹可以包括在未来的预设时段内的多个时刻车辆的位置。
另外，为了方便根据预设时段内障碍物的运动轨迹和车辆的行驶轨迹，确定在预设时段内障碍物是否会进入车辆的非安全区域内，该步骤中，获取未来的预设时段内车辆的行驶轨迹时，可以根据得到的未来的预设时段内障碍物的运动轨迹中包括的各个时刻障碍物的位置信息，来计算在预设时段内的这些时刻车辆的位置信息，得到未来的预设时段内车辆的行驶轨迹。
示例性的，根据当前时刻车辆的所在位置、行驶方向、行驶速度，结合车辆的行驶路线，可以计算得到在未来的预设时段内的多个时刻车辆的位置，从而可以形成在未来的预设时段内车辆的行驶轨迹。
另外，还可以采用其他根据当前时刻车辆的行驶数据，预测车辆在未来的预设时段内的行驶轨迹的方法实现，本实施例此处不再一一赘述。
步骤S204、根据预设时段内障碍物的运动轨迹和车辆的行驶轨迹，确定在预设时段内障碍物是否会进入车辆的非安全区域内。
在实际应用中，为保证车辆的安全行驶，车辆周围的一定区域内不允许有障碍物，否则可能会导致车辆与障碍物的碰撞等危险情况的发生。本实施例中，车辆的非安全区域是指车辆行驶过程中为保证安全行驶车辆周围的不允许出现障碍物的区域。
可选的，车辆的非安全区域可以根据车辆的行驶速度动态变化和更新，车辆行驶速度越快，车辆的非安全区域越大。车辆的非安全区域可以由技术人员根据实际应用场景和经验进行设定，本实施例此处不做具体限定。
在确定在未来的预设时段内障碍物的运动轨迹和车辆的行驶轨迹之后，根据障碍物的运动轨迹和车辆的行驶轨迹，可以确定在未来的预设时段内障碍物与车辆的相对位置关系，从而可以确定障碍物是否会进入车辆的非安全区域。
该步骤具体可以采用如下方式实现：
根据预设时段内障碍物的运动轨迹与车辆的行驶轨迹，计算在预设时段内的各个时刻障碍物与车辆之间的距离；若在预设时段内的至少一个时刻障碍物与车辆之间的距离小于预设距离阈值，则确定在预设时段内障碍物会进入车辆的非安全区域内；若在预设时段内的任意时刻障碍物与车辆之间的距离均大于或者等于预设距离阈值，则确定在预设时段内障碍物不会进入车辆的非安全区域内。
其中，预设距离阈值可以由技术人员根据实际应用场景和经验值进行设定，本实施例此处不做具体限定。
该步骤中，如果确定在预设时段内障碍物会进入车辆的非安全区域内，则执行步骤S205-S206。对车辆进行安全控制，以避免车辆与该障碍物发生碰撞。
如果确定在预设时段内障碍物不会进入车辆的非安全区域内，则无需针对该障碍物进行车辆控制。
步骤S205、如果在预设时段内障碍物会进入车辆的非安全区域内，则确定障碍物进入车辆的非安全区域的时间和位置。
本实施例中，如果确定在预设时段内有障碍物会进入车辆的非安全区域内，那么可以确定车辆照当前行驶状态行驶时与障碍物发生碰撞的风险较大，因此对车辆进行安全控制，以避免车辆与障碍物发生碰撞。
具体的，如果在预设时段内的至少一个时刻障碍物进入车辆的非安全区域，那么，确定该障碍物进入车辆的非安全区域的最早的时刻，以及在该时刻障碍物的位置，作为障碍物进入车辆的非安全区域的时间和位置。
可选的，还可以确定障碍物进入车辆的非安全区域的最早的时刻，以及在该时刻车辆的位置，并作为进行车辆安全控制的参考。
步骤S206、根据障碍物进入车辆的非安全区域的时间和位置，控制车辆改变行驶速度和/或行驶方向。
本实施例中，在对车辆进行安全控制时，可以根据障碍物进入车辆的非安全区域的时间和位置，在车辆安全行驶地前提下，控制车辆改变行驶速度和/或行驶方向，以使在预测到的障碍物进入车辆的非安全区域的时间，障碍物的位置不在车辆的非安全区域内，从而可以避免障碍物进入车辆的非安全区域。
在对车辆进行安全控制时，优选地控制车辆减速，以提高自动驾驶的安全性。
本发明实施例通过获取当前时刻车辆的行驶数据和车辆周围障碍物的位置信息；根据当前时刻障碍物的位置信息，通过训练好的预测模型，确定未来的预设时段内障碍物的运动轨迹；根据当前时刻车辆的行驶数据，计算未来的预设时段内车辆的行驶轨迹；根据预设时段内障碍物的运动轨迹和车辆的行驶轨迹，预测出未来的预设时段内障碍物是否会进入车辆的非安全区域内，如果在预设时段内障碍物会进入车辆的非安全区域内，则对车辆进行安全控制；实现了对未来的预设时段内车辆与障碍物发生碰撞的危险情况的预测，并在预测到未来的预设时段内存在车辆与障碍物发生碰撞的风险时，可以提前对车辆进行安全控制，可以延长上层逻辑的反应时间，提高自动驾驶的安全性。
实施例三
图3为本发明实施例三提供的自动驾驶车辆的控制装置的结构示意图。本发明实施例提供的自动驾驶车辆的控制装置可以执行自动驾驶车辆的控制方法实施例提供的处理流程。如图3所示，该自动驾驶车辆的控制装置30包括：数据获取模块301，障碍物轨迹预测模块302，车辆轨迹预测模块303和安全控制模块304。
具体地，数据获取模块301，用于获取当前时刻车辆的行驶数据和车辆周围障碍物的位置信息。
障碍物轨迹预测模块302，用于根据当前时刻障碍物的位置信息，通过训练好的预测模型，确定未来的预设时段内障碍物的运动轨迹。
车辆轨迹预测模块303，用于根据当前时刻车辆的行驶数据，计算未来的预设时段内车辆的行驶轨迹。
安全控制模块304，用于根据预设时段内障碍物的运动轨迹和车辆的行驶轨迹，确定在预设时段内障碍物是否会进入车辆的非安全区域内；如果在预设时段内障碍物会进入车辆的非安全区域内，则对车辆进行安全控制。
本发明实施例提供的装置可以具体用于执行上述实施例一所提供的方法实施例，具体功能此处不再赘述。
本发明实施例通过获取当前时刻车辆的行驶数据和车辆周围障碍物的位置信息；根据当前时刻障碍物的位置信息，通过训练好的预测模型，确定未来的预设时段内障碍物的运动轨迹；根据当前时刻车辆的行驶数据，计算未来的预设时段内车辆的行驶轨迹；根据预设时段内障碍物的运动轨迹和车辆的行驶轨迹，预测出未来的预设时段内障碍物是否会进入车辆的非安全区域内，如果在预设时段内障碍物会进入车辆的非安全区域内，则对车辆进行安全控制；实现了对未来的预设时段内车辆与障碍物发生碰撞的危险情况的预测，并在预测到未来的预设时段内存在车辆与障碍物发生碰撞的风险时，可以提前对车辆进行安全控制，可以延长上层逻辑的反应时间，提高自动驾驶的安全性。
实施例四
图4为本发明实施例四提供的自动驾驶车辆的控制装置的结构示意图。在上述实施例三的基础上，本实施例中，安全控制模块还用于：如果在预设时段内障碍物会进入车辆的非安全区域内，则确定障碍物进入车辆的非安全区域的时间和位置；根据障碍物进入车辆的非安全区域的时间和位置，控制车辆改变行驶速度和/或行驶方向。
可选的，障碍物轨迹预测模块还用于：
根据当前T时刻所述障碍物的位置信息，通过所述预测模型，计算得到T+Δt时刻所述障碍物的位置信息；根据所述T+Δt时刻所述障碍物的位置信息，通过所述预测模型，计算得到未来的T+2Δt时刻所述障碍物的位置信息；其中，T表示当前时刻，Δt为间隔时长，所述未来的预设时段内所述障碍物的运动轨迹包括所述T+Δt时刻所述障碍物的位置信息和所述T+2Δt时刻所述障碍物的位置信息。
可选的，障碍物轨迹预测模块还用于：
将当前T时刻障碍物的位置信息输入预测模型，计算得到障碍物在T+Δt时刻的位置对应的二维高斯参数；将障碍物在T+Δt时刻的位置对应的二维高斯参数，代入二维高斯函数，得到障碍物在T+Δt时刻的位置对应的二维高斯函数概率分布；按照二维高斯函数概率分布进行采样，得到多个采样位置；确定多个采样位置中对应概率最高的采样位置，作为障碍物在T+Δt时刻的位置信息。
可选的，如图4所示，该自动驾驶车辆的控制装置30还包括：模型训练模块305。
模型训练模块305用于：
获取最近预设时长内的障碍物的位置信息；根据最近预设时长内的障碍物的位置信息，对预测模型进行验证。
可选的，模型训练模块305还用于：
获取历史时段内障碍物的位置信息；根据历史时段内障碍物的位置信息，生成训练集；采用训练集对预测模型进行训练，得到训练好的预测模型。
可选的，安全控制模块还用于：
根据预设时段内障碍物的运动轨迹与车辆的行驶轨迹，计算在预设时段内的各个时刻障碍物与车辆之间的距离；若在预设时段内的至少一个时刻障碍物与车辆之间的距离小于预设距离阈值，则确定在预设时段内障碍物会进入车辆的非安全区域内；若在预设时段内的任意时刻障碍物与车辆之间的距离均大于或者等于预设距离阈值，则确定在预设时段内障碍物不会进入车辆的非安全区域内。
可选的，安全控制模块还用于：
行驶数据包括所在位置、行驶速度和行驶方向；根据当前时刻车辆的所在位置、行驶速度和行驶方向，以及车辆的行驶路线，确定未来的预设时段内车辆的行驶轨迹。
本发明实施例提供的装置可以具体用于执行上述实施例二所提供的方法实施例，具体功能此处不再赘述。
本发明实施例通过获取当前时刻车辆的行驶数据和车辆周围障碍物的位置信息；根据当前时刻障碍物的位置信息，通过训练好的预测模型，确定未来的预设时段内障碍物的运动轨迹；根据当前时刻车辆的行驶数据，计算未来的预设时段内车辆的行驶轨迹；根据预设时段内障碍物的运动轨迹和车辆的行驶轨迹，预测出未来的预设时段内障碍物是否会进入车辆的非安全区域内，如果在预设时段内障碍物会进入车辆的非安全区域内，则对车辆进行安全控制；实现了对未来的预设时段内车辆与障碍物发生碰撞的危险情况的预测，并在预测到未来的预设时段内存在车辆与障碍物发生碰撞的风险时，可以提前对车辆进行安全控制，可以延长上层逻辑的反应时间，提高自动驾驶的安全性。
实施例五
图5为本发明实施例五提供的自动驾驶车辆的控制设备的结构示意图。如图5所示，该自动驾驶车辆的控制设备70包括：处理器701，存储器702，以及存储在存储器702上并可在处理器701上运行的计算机程序。
其中，处理器701运行计算机程序时实现上述任一方法实施例提供的自动驾驶车辆的控制方法。
本发明实施例通过获取当前时刻车辆的行驶数据和车辆周围障碍物的位置信息；根据当前时刻障碍物的位置信息，通过训练好的预测模型，确定未来的预设时段内障碍物的运动轨迹；根据当前时刻车辆的行驶数据，计算未来的预设时段内车辆的行驶轨迹；根据预设时段内障碍物的运动轨迹和车辆的行驶轨迹，预测出未来的预设时段内障碍物是否会进入车辆的非安全区域内，如果在预设时段内障碍物会进入车辆的非安全区域内，则对车辆进行安全控制；实现了对未来的预设时段内车辆与障碍物发生碰撞的危险情况的预测，并在预测到未来的预设时段内存在车辆与障碍物发生碰撞的风险时，可以提前对车辆进行安全控制，可以延长上层逻辑的反应时间，提高自动驾驶的安全性。
另外，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述任一方法实施例提供的自动驾驶车辆的控制方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、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发明的一般性原理并包括本发明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，本发明的真正范围和精神由下面的权利要求书指出。
应当理解的是，本发明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。本发明的范围仅由所附的权利要求书来限制。

Claims (9)

1.一种自动驾驶车辆的控制方法，其特征在于，包括：
获取当前时刻车辆的行驶数据和所述车辆周围障碍物的位置信息；
根据当前时刻所述障碍物的位置信息，通过训练好的预测模型，确定未来的预设时段内所述障碍物的运动轨迹；
根据当前时刻所述车辆的行驶数据，计算未来的所述预设时段内所述车辆的行驶轨迹；
根据所述预设时段内所述障碍物的运动轨迹和所述车辆的行驶轨迹，确定在所述预设时段内所述障碍物是否会进入所述车辆的非安全区域内；
如果在所述预设时段内所述障碍物会进入所述车辆的非安全区域内，则对所述车辆进行安全控制，所述车辆的非安全区域根据车辆的行驶速度动态变化和更新，所述车辆的行驶速度越快，车辆的非安全区域越大；
所述如果在所述预设时段内所述障碍物会进入所述车辆的非安全区域内，则对所述车辆进行安全控制，包括：
如果在所述预设时段内所述障碍物会进入所述车辆的非安全区域内，则确定所述障碍物进入所述车辆的非安全区域的最早的时间，以及在所述障碍物进入所述车辆的非安全区域的最早的时间时所述障碍物的位置；
根据所述障碍物进入所述车辆的非安全区域的最早的时间，以及以及在所述障碍物进入所述车辆的非安全区域的最早的时间时所述障碍物的位置，控制所述车辆改变行驶速度和/或行驶方向；
所述根据当前时刻所述障碍物的位置信息，通过训练好的预测模型，确定未来的预设时段内所述障碍物的运动轨迹之前，还包括：
获取最近预设时长内的所述障碍物的位置信息；
根据最近预设时长内的所述障碍物的位置信息，对所述预测模型进行验证。
2.根据权利要求1所述的方法，其特征在于，所述根据当前时刻所述障碍物的位置信息，通过训练好的预测模型，确定未来的预设时段内所述障碍物的运动轨迹，包括：
根据当前T时刻所述障碍物的位置信息，通过所述预测模型，计算得到T+Δt时刻所述障碍物的位置信息；
根据所述T+Δt时刻所述障碍物的位置信息，通过所述预测模型，计算得到未来的T+2Δt时刻所述障碍物的位置信息；
其中，T表示当前时刻，Δt为间隔时长，所述未来的预设时段内所述障碍物的运动轨迹包括所述T+Δt时刻所述障碍物的位置信息和所述T+2Δt时刻所述障碍物的位置信息。
3.根据权利要求2所述的方法，其特征在于，所述根据当前T时刻所述障碍物的位置信息，通过所述预测模型，计算得到T+Δt时刻所述障碍物的位置信息，包括：
将当前T时刻所述障碍物的位置信息输入所述预测模型，计算得到所述障碍物在T+Δt时刻的位置对应的二维高斯参数；
将所述障碍物在T+Δt时刻的位置对应的二维高斯参数，代入二维高斯函数，得到所述障碍物在T+Δt时刻的位置对应的二维高斯函数概率分布；
按照所述二维高斯函数概率分布进行采样，得到多个采样位置；
确定所述多个采样位置中对应概率最高的采样位置，作为所述障碍物在T+Δt时刻的位置信息。
4.根据权利要求1所述的方法，其特征在于，所述根据当前时刻所述障碍物的位置信息，通过训练好的预测模型，确定未来的预设时段内所述障碍物的运动轨迹之前，还包括：
获取历史时段内障碍物的位置信息；
根据所述历史时段内障碍物的位置信息，生成训练集；
采用所述训练集对所述预测模型进行训练，得到训练好的预测模型。
5.根据权利要求1所述的方法，其特征在于，所述根据所述预设时段内所述障碍物的运动轨迹与所述车辆的行驶轨迹，确定在所述预设时段内所述障碍物是否会进入所述车辆的非安全区域内，包括：
根据所述预设时段内所述障碍物的运动轨迹与所述车辆的行驶轨迹，计算在所述预设时段内的各个时刻所述障碍物与所述车辆之间的距离；
若在所述预设时段内的至少一个时刻所述障碍物与所述车辆之间的距离小于预设距离阈值，则确定在所述预设时段内所述障碍物会进入所述车辆的非安全区域内；
若在所述预设时段内的任意时刻所述障碍物与所述车辆之间的距离均大于或者等于所述预设距离阈值，则确定在所述预设时段内所述障碍物不会进入所述车辆的非安全区域内。
6.根据权利要求1所述的方法，其特征在于，所述根据当前时刻所述车辆的行驶数据，计算未来的所述预设时段内所述车辆的行驶轨迹，包括：
所述行驶数据包括所在位置、行驶速度和行驶方向；
根据当前时刻所述车辆的所在位置、行驶速度和行驶方向，以及所述车辆的行驶路线，确定未来的所述预设时段内所述车辆的行驶轨迹。
7.一种自动驾驶车辆的控制装置，其特征在于，包括：
数据获取模块，用于获取当前时刻车辆的行驶数据和所述车辆周围障碍物的位置信息；
障碍物轨迹预测模块，用于根据当前时刻所述障碍物的位置信息，通过训练好的预测模型，确定未来的预设时段内所述障碍物的运动轨迹；
车辆轨迹预测模块，用于根据当前时刻所述车辆的行驶数据，计算未来的所述预设时段内所述车辆的行驶轨迹；
安全控制模块，用于根据所述预设时段内所述障碍物的运动轨迹和所述车辆的行驶轨迹，确定在所述预设时段内所述障碍物是否会进入所述车辆的非安全区域内；如果在所述预设时段内所述障碍物会进入所述车辆的非安全区域内，则对所述车辆进行安全控制，所述车辆的非安全区域根据车辆的行驶速度动态变化和更新，所述车辆的行驶速度越快，车辆的非安全区域越大；
所述安全控制模块，具体用于如果在所述预设时段内所述障碍物会进入所述车辆的非安全区域内，则确定所述障碍物进入所述车辆的非安全区域的最早的时间，以及在所述障碍物进入所述车辆的非安全区域的最早的时间时所述障碍物的位置；
根据所述障碍物进入所述车辆的非安全区域的最早的时间，以及在所述障碍物进入所述车辆的非安全区域的最早的时间时所述障碍物的位置，控制所述车辆改变行驶速度和/或行驶方向；
还包括，模型训练模块，用于获取最近预设时长内的障碍物的位置信息，根据最近预设时长内的障碍物的位置信息，对预测模型进行验证。
8.一种自动驾驶车辆的控制设备，其特征在于，包括：
存储器，处理器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序；
其中，所述处理器运行所述计算机程序时实现如权利要求1至6中任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法。
CN201910524662.1A 2019-06-18 2019-06-18 自动驾驶车辆的控制方法、装置、设备及可读存储介质 Active CN110293968B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910524662.1A CN110293968B (zh) 2019-06-18 2019-06-18 自动驾驶车辆的控制方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910524662.1A CN110293968B (zh) 2019-06-18 2019-06-18 自动驾驶车辆的控制方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN110293968A CN110293968A (zh) 2019-10-01
CN110293968B true CN110293968B (zh) 2021-09-28

Family

ID=68028172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910524662.1A Active CN110293968B (zh) 2019-06-18 2019-06-18 自动驾驶车辆的控制方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN110293968B (zh)

Families Citing this family (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110834630A (zh) * 2019-10-22 2020-02-25 中国第一汽车股份有限公司 一种车辆的驾驶控制方法、装置、车辆及存储介质
CN110834631A (zh) * 2019-11-01 2020-02-25 中国第一汽车股份有限公司 一种行人避让方法、装置、车辆及存储介质
CN110969287B (zh) * 2019-11-07 2022-11-01 郑州大学 一种舰载机导引路径规划方法
CN110764509A (zh) * 2019-11-11 2020-02-07 北京百度网讯科技有限公司 任务调度方法、装置、设备及计算机可读存储介质
CN112824832A (zh) * 2019-11-20 2021-05-21 炬星科技（深圳）有限公司 障碍物运动轨迹预测方法、系统、设备及计算机可读存储介质
CN111104969B (zh) * 2019-12-04 2023-09-19 东北大学 一种无人驾驶车辆与周边车辆的碰撞可能性预判方法
CN111114554B (zh) * 2019-12-16 2021-06-11 苏州智加科技有限公司 行驶轨迹预测方法、装置、终端及存储介质
CN110989624B (zh) * 2019-12-25 2023-03-31 东软睿驰汽车技术（沈阳）有限公司 行车控制方法、装置及车辆
CN113031581A (zh) * 2019-12-25 2021-06-25 北京极智嘉科技股份有限公司 机器人、机器人行驶的控制方法、电子设备及存储介质
CN113053165A (zh) * 2019-12-26 2021-06-29 北京宝沃汽车股份有限公司 车辆及其碰撞识别方法、装置和设备
CN112805730A (zh) * 2019-12-30 2021-05-14 华为技术有限公司 一种轨迹预测方法及相关设备
EP4075407A4 (en) * 2019-12-30 2022-12-28 Huawei Technologies Co., Ltd. TRAJECTORY PREDICTION METHOD AND ASSOCIATED DEVICE
CN111645676B (zh) * 2020-01-19 2022-08-26 摩登汽车有限公司 车辆避让方法、装置、设备及汽车
CN111626097A (zh) * 2020-04-09 2020-09-04 吉利汽车研究院（宁波）有限公司 一种障碍物未来轨迹的预测方法、装置、电子设备及存储介质
CN113525362B (zh) * 2020-04-17 2023-01-13 华为技术有限公司 自动驾驶危险目标确定方法及装置
CN113805572B (zh) * 2020-05-29 2023-12-15 华为技术有限公司 运动规划的方法与装置
CN111731240A (zh) * 2020-06-18 2020-10-02 北京百度网讯科技有限公司 急刹车合理性评估方法、装置、设备以及存储介质
CN113942467B (zh) * 2020-07-15 2023-12-12 采埃孚汽车科技(上海)有限公司 乘员保护方法、系统及计算机可读介质
CN111951552B (zh) * 2020-08-11 2021-10-15 腾讯科技（深圳）有限公司 一种自动驾驶中风险管理的方法以及相关装置
CN111982143B (zh) * 2020-08-11 2024-01-19 北京汽车研究总院有限公司 车辆及车辆路径规划方法、装置
CN112650243B (zh) 2020-12-22 2023-10-10 北京百度网讯科技有限公司 车辆控制方法、装置、电子设备和自动驾驶车辆
CN112666950B (zh) * 2020-12-25 2023-04-25 江苏电子信息职业学院 一种基于超声波距离检测的无人驾驶汽车避障方法
CN112649013A (zh) * 2020-12-29 2021-04-13 天津天瞳威势电子科技有限公司 一种可通行区域的确定方法、装置及电子设备
CN112669619A (zh) * 2021-01-08 2021-04-16 盈合(深圳)机器人与自动化科技有限公司 地下车库机器人安全作业方法及系统
CN113022593B (zh) * 2021-04-09 2022-10-14 长沙智能驾驶研究院有限公司 障碍物处理方法、装置和行驶设备
CN113071520B (zh) * 2021-04-16 2024-01-16 阿波罗智联(北京)科技有限公司 车辆行驶控制方法及装置
CN113276850B (zh) * 2021-07-22 2021-10-15 国汽智控(北京)科技有限公司 车辆控制的方法、装置、设备、存储介质及程序产品
CN113581172B (zh) * 2021-08-04 2022-11-29 武汉理工大学 智能驾驶车辆面对目标车辆切入的行车场景的识别方法
CN113593241B (zh) * 2021-09-28 2022-03-01 禾多科技（北京）有限公司 车辆交互信息校验方法、装置、电子设备和可读介质
CN113596780B (zh) * 2021-09-28 2021-12-21 禾多科技（北京）有限公司 车辆交互信息生成方法、装置、设备和计算机可读介质
CN113844447A (zh) * 2021-11-02 2021-12-28 阿波罗智能技术(北京)有限公司 自动驾驶碰撞检测方法、装置、电子设备及可读存储介质
CN114355921B (zh) * 2021-12-28 2022-10-18 北京易航远智科技有限公司 车辆循迹轨迹生成方法、装置、电子设备及存储介质
CN114179832B (zh) * 2021-12-29 2023-12-19 阿波罗智联(北京)科技有限公司 用于自动驾驶车辆的变道方法
CN114024997B (zh) * 2022-01-06 2022-04-01 深圳市爱云信息科技有限公司 基于自动驾驶的智能设备和aiot物联网平台方法
CN115214719B (zh) * 2022-05-30 2024-04-05 广州汽车集团股份有限公司 障碍物轨迹跟踪方法、装置、智能驾驶设备及存储介质

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105374231A (zh) * 2014-08-27 2016-03-02 中国移动通信集团公司 一种预警方法、装置及系统
JP6532786B2 (ja) * 2015-08-07 2019-06-19 株式会社日立製作所 車両走行制御装置及び速度制御方法
CN108257418A (zh) * 2016-12-28 2018-07-06 上海汽车集团股份有限公司 车辆碰撞预警方法及装置
US10579063B2 (en) * 2017-07-21 2020-03-03 Uatc, Llc Machine learning for predicting locations of objects perceived by autonomous vehicles
CN109697875B (zh) * 2017-10-23 2020-11-06 华为技术有限公司 规划行驶轨迹的方法及装置
US20190143964A1 (en) * 2017-11-16 2019-05-16 Gal Zuckerman Systems and methods for performing an injury-mitigating autonomous maneuver in face of an imminent collision
CN108674413B (zh) * 2018-05-18 2021-02-19 广州小鹏汽车科技有限公司 车辆行人碰撞预防方法及系统
CN109272745B (zh) * 2018-08-20 2020-10-27 浙江工业大学 一种基于深度神经网络的车辆轨迹预测方法
CN109631915B (zh) * 2018-12-19 2021-06-29 百度在线网络技术（北京）有限公司 轨迹预测方法、装置、设备及计算机可读存储介质
CN109711557B (zh) * 2018-12-28 2022-10-14 西安航空学院 一种行车轨迹预测方法、计算机设备及存储介质
CN109635793A (zh) * 2019-01-31 2019-04-16 南京邮电大学 一种基于卷积神经网络的无人驾驶行人轨迹预测方法
CN109760675B (zh) * 2019-03-12 2021-05-25 百度在线网络技术（北京）有限公司 预测车辆轨迹的方法、装置、存储介质和终端设备

Also Published As

Publication number Publication date
CN110293968A (zh) 2019-10-01

Similar Documents

Publication Publication Date Title
CN110293968B (zh) 自动驾驶车辆的控制方法、装置、设备及可读存储介质
Kim et al. Collision risk assessment algorithm via lane-based probabilistic motion prediction of surrounding vehicles
Shalev-Shwartz et al. On a formal model of safe and scalable self-driving cars
CN109631915B (zh) 轨迹预测方法、装置、设备及计算机可读存储介质
US11772654B2 (en) Occupancy prediction neural networks
CN114080634B (zh) 使用锚定轨迹的代理轨迹预测
US10372136B2 (en) Local trajectory planning method and apparatus for smart vehicles
CN109017785B (zh) 车辆换道行驶方法
EP3091370A1 (en) Method and arrangement for determining safe vehicle trajectories
US11645518B2 (en) Multi-agent simulations
CN110874642B (zh) 学习装置、学习方法及存储介质
Lin et al. Active collision avoidance system for steering control of autonomous vehicles
Kim et al. Probabilistic threat assessment with environment description and rule-based multi-traffic prediction for integrated risk management system
Rummelhard et al. Probabilistic grid-based collision risk prediction for driving application
CN110654381B (zh) 用于控制车辆的方法和装置
Noh et al. Risk assessment for automatic lane change maneuvers on highways
JP7048455B2 (ja) 学習装置、シミュレーションシステム、学習方法、およびプログラム
CN114061581A (zh) 通过相互重要性对自动驾驶车辆附近的智能体排名
CN113189989B (zh) 车辆意图预测方法、装置、设备及存储介质
CN111707258B (zh) 一种外部车辆监测方法、装置、设备及存储介质
CN112166446A (zh) 可通行性的识别方法、系统、设备及计算机可读存储介质
CN116907523A (zh) 路径规划方法、装置、计算机设备和存储介质
CN116088538B (zh) 车辆轨迹信息生成方法、装置、设备和计算机可读介质
US11657268B1 (en) Training neural networks to assign scores
Michalke et al. The narrow road assistant-next generation advanced driver assistance in inner-city

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