CN110415266A - 一种基于本车周围车辆轨迹预测安全行驶的方法 - Google Patents
一种基于本车周围车辆轨迹预测安全行驶的方法 Download PDFInfo
- Publication number
- CN110415266A CN110415266A CN201910654009.7A CN201910654009A CN110415266A CN 110415266 A CN110415266 A CN 110415266A CN 201910654009 A CN201910654009 A CN 201910654009A CN 110415266 A CN110415266 A CN 110415266A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- surrounding vehicles
- tensor
- safety traffic
- social
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000006870 function Effects 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 230000000306 recurrent effect Effects 0.000 claims abstract description 9
- 230000008447 perception Effects 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 5
- 238000006073 displacement reaction Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000012731 temporal analysis Methods 0.000 claims abstract description 5
- 238000000700 time series analysis Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims 1
- 239000010410 layer Substances 0.000 description 24
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于本车周围车辆轨迹预测安全行驶的方法，通过车辆配备的摄像头捕捉周围车辆，生成周围车辆的轨迹历史；使用GRU循环神经网络对自身车辆以及周围车辆的行驶轨迹进行运动编码；将周围车辆运动编码结果构建Social Tensor张量；分别将Social Tensor张量和自身运动编码张量通过卷积神经网络和全连接神经网络进行特征提取和时序分析；通过softmax层输出针对当前场景的可行机动策略，同时通过GRU循环神经网络获取其后5s内的安全行驶路线概率分布；选择合适的损失函数，进行优化训练，实现对安全行驶路线的感知。本发明综合考虑自身车辆以及周围车辆的行驶轨迹预测了自身车辆的后续安全行驶路线，使得车辆高级驾驶辅助系统具有理解行驶环境、感知安全路线的能力。
Description
技术领域
本发明涉及高级驾驶辅助技术和自动驾驶技术领域，具体为一种基于本车周围车辆轨迹预测安全行驶的方法。
背景技术
在城市和高速交通环境下，为了提高车辆行驶的安全，驾驶员需要对周围车辆的未来运动进行一定的预测，及时发现潜在风险，规划安全的行驶路线以帮助驾驶员决定何时切换车道、何时加速或减速。安全行驶路线规划是驾驶员安全驾驶的一项重要能力，是驾驶员长时间潜移默化的经验积累，在驾驶安全上起到非常重要的作用。，为了提高很多驾驶新手的安全驾驶能力，目前，高级驾驶辅助技术中有并线辅助(LCA)功能，它通过车辆并线过程中盲区出现物体或者邻近车道车辆进入盲区时，向驾驶员提出预警以更好地提示车辆安全驾驶。这种功能只能在周围车辆非常靠近自身车辆的情况下才报警，有时留给驾驶员的反应时间非常少，不利于驾驶安全的提高，同时，很多的安全路线规划需要综合考虑自身车辆一定范围内的驾驶环境。因此，亟需更为安全的行驶路径规划方法，以提高高级驾驶辅助系统和自动驾驶系统这方面的能力。
发明内容
为解决上述问题，本发明公开了一种基于本车周围车辆轨迹预测安全行驶的方法。
发明目的：保证自动驾驶车辆和具有高级辅助驾驶系统车辆在车辆较为密集环境下的城市和高速公路行驶安全性。针对现有安全驾驶提示功能只能车辆之间非常靠近的情况下才起作用的缺点，本发明提出了一种基于自身车辆一定范围内的周围车辆轨迹预测来规划本车安全行驶路径的方法。该方法能进一步提高车辆行驶安全性。
技术方案：
一种基于本车周围车辆轨迹预测安全行驶的方法，包括以下步骤：
1)通过车辆配备的摄像头捕捉周围车辆，对可观察到的距离本车30m以内的所有车辆进行跟踪，将被跟踪车辆的位置映射到自身车辆的参考坐标系中，生成周围车辆的轨迹历史；
2)对自身轨迹以及周围车辆轨迹进行采样，使用GRU循环神经网络对自身车辆以及周围车辆的行驶轨迹进行运动编码；
3)将周围车辆运动编码结果根据空间位置构建Social Tensor张量；
4)分别将Social Tensor张量和自身运动编码张量通过卷积神经网络和全连接神经网络进行特征提取和时序分析；
5)通过softmax层输出针对当前场景的可行机动策略，同时通过GRU循环神经网络获取其后5s内的安全行驶路线概率分布；
6)选择合适的损失函数，基于真实行车数据集，对前述模型参数进行优化训练，实现对安全行驶路线的感知。
进一步地，所述步骤2)中，所有车辆轨迹输入同一个轨迹编码模块，包括目标车辆与其周围车辆，等价于所有车辆的GRU轨迹编码共享网络权值，通过共享权重将所有车辆的运动特征纳入学习。
进一步地，所述步骤3)中，将目标车辆前后30m范围，左右车道范围内的区域进行网格化，区域划分为14×3的空间网格，对应设置14×3的Social Tenser，将周围车辆的轨迹编码结果对应于车辆所在网格区域填入Social Tensor中。
进一步地，所述步骤4)中，在Social Tensor后连接了卷积核为3×3和3×1的两层卷积网络，其后连接一个最大池化层；同时目标车辆的轨迹编码张量通过全连接网络处理，二者连接传递给最终的解码模块。
进一步地，所述步骤5)中，由一层全连接层和一层softmax层输出9维one-hot张量作为采用9类机动的概率；同时利用GRU模型生成未来5s的安全行驶位置二元高斯分布参数。
进一步地，所述步骤6)中，机动类型预测损失函数使用交叉熵损失函数，安全位置分布感知损失函数采用负对数似然函数，训练的方法采用随机梯度下降法。
有益效果：本发明与现有技术相比：本发明充分考虑了周围交通环境中周围车辆的行驶状态，提升了安全行驶路线感知的合理性与准确性。本发明能够全面感知安全行驶路线，输出多模态的安全轨迹感知结果，为自动驾驶系统提供了更为灵活的行车保障，为在紧急情况下的应急机动切换提供了建议，极大提高了自动驾驶系统的鲁棒性和安全性。
附图说明
图1为本发明车道坐标及行驶路线示意图；
图2为本发明安全行驶路线感知模型整体框架图；
图3为本发明Social Pooling示意图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
一种基于本车周围车辆轨迹预测安全行驶的方法，包括以下步骤：
1)通过车辆配备的摄像头捕捉周围车辆，对纵向距离本车30m以内的所有车辆进行跟踪，将被跟踪车辆的位置映射到自身车辆的参考坐标系中，生成周围车辆的轨迹历史；
2)对自身轨迹以及周围车辆轨迹进行采样，使用GRU循环神经网络对自身车辆以及周围车辆的行驶轨迹进行运动编码；
3)将周围车辆运动编码结果根据空间位置构建Social Tensor张量；
4)分别将Social Tensor张量和自身运动编码张量通过卷积神经网络和全连接神经网络进行特征提取和时序分析；
5)通过softmax层输出针对当前场景的可行机动策略，同时通过GRU循环神经网络获取其后5s内的安全行驶路线概率分布；
6)选择合适的损失函数，基于真实行车数据集，对前述模型参数进行优化训练，实现对安全行驶路线的感知。
步骤2)中，所有车辆轨迹输入同一个轨迹编码模块，包括目标车辆与其周围车辆，等价于所有车辆的GRU轨迹编码共享网络权值，通过共享权重将所有车辆的运动特征纳入学习。
步骤3)中，将目标车辆前后30m范围，左右车道范围内的区域进行网格化，区域划分为14×3的空间网格，对应设置14×3的Social Tenser，将周围车辆的轨迹编码结果对应于车辆所在网格区域填入Social Tensor中。
步骤4)中，在Social Tensor后连接了卷积核为3×3和3×1的两层卷积网络，其后连接一个最大池化层；同时目标车辆的轨迹编码张量通过全连接网络处理，二者连接传递给最终的解码模块。
步骤5)中，由一层全连接层和一层softmax层输出9维one-hot张量作为采用9类机动的概率；同时利用GRU模型生成未来5s的安全行驶位置二元高斯分布参数。
步骤6)中，机动类型预测损失函数使用交叉熵损失函数，安全位置分布感知损失函数采用负对数似然函数，训练的方法采用随机梯度下降法。
实施例1
如图1、图2所示，本发明考虑了9类不同的车辆路径规划动类型，分别对应图1中9种不同的行驶路线。如表1所示。
表1:车辆路径规划类型
| LF | F | RF |
| LM | M | RM |
| LB | B | RB |
表中符合的定义如表2所示：
表2路径类型定义
通过车辆配备的摄像头捕捉周围车辆，对纵向距离本车30m以内的所有车辆进行跟踪，进行运动分析和预测，后将被跟踪车辆的位置映射到自身车辆的参考坐标系中，生成周围车辆的轨迹历史；对自身轨迹以及周围车辆轨迹进行采样获得频率为5Hz的8秒行驶轨迹，使用GRU循环神经网络对自身车辆以及周围车辆的行驶轨迹进行运动编码。其中GRU输入维度为2，对应x，y坐标值，单层隐层64维状态。
如图3所示，将周围车辆运动编码结果根据空间位置构建Social Tensor张量，将目标车辆前后30m范围，左右车道范围内的区域进行网格化，区域划分为14×3的空间网格，对应设置14×3的Social Tenser，将周围车辆的轨迹编码结果对应于车辆所在网格区域填入Social Tensor中。
分别将Social Tensor张量和自身运动编码张量通过卷积神经网络和全连接神经网络进行特征提取和时序分析。其中Social Tensor后第一层卷积层输出通道数为64，卷积核大小为3×3，第二层卷积层输出通道数为64，卷积核大小为3×1，其后连接一个2×1最大池化层。
通过softmax层输出针对当前场景的可行机动策略，网络结构由一层全连接层和一层softmax层组成，输出9维one-hot张量作为采用9类机动的概率。同时通过GRU循环神经网络获取其后5s内的安全行驶路线概率分布，解码感知模块中的GRU单层隐层128维状态，其后连接的全连接层设置输入维度为128，隐藏神经元个数为5。
选择车辆行驶轨迹后验分布的负对数似然函数作为损失函数，计算式如下
L＝-log(Pθ(O|mtrueI)P(mtrue|I))＝Lm+Lθ
其中
Lm＝-∑kgklog(pk)
其中k表示9类机动类型，gk为真实机动类型对应的one-hot编码，pk为softmax层输出的预测概率分布。
其中，x、y为样本真实坐标，μx，μy，σx，σy，ρ为模型输出的二元高斯分布参数。
在模型训练过程中，以模型在测试集的代价函数输出结果和精确度为评估指标，当代价函数结果不再降低时，停止训练，保存模型参数。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (6)
1.一种基于本车周围车辆轨迹预测安全行驶的方法，其特征在于，所述方法包括以下步骤：
1)通过车辆配备的摄像头捕捉周围车辆，对纵向距离本车30m以内的所有车辆进行跟踪，将被跟踪车辆的位置映射到自身车辆的参考坐标系中，生成周围车辆的轨迹历史；
2)对自身轨迹以及周围车辆轨迹进行采样，使用GRU循环神经网络对自身车辆以及周围车辆的行驶轨迹进行运动编码；
3)将周围车辆运动编码结果根据空间位置构建Social Tensor张量；
4)分别将Social Tensor张量和自身运动编码张量通过卷积神经网络和全连接神经网络进行特征提取和时序分析；
5)通过softmax层输出针对当前场景的可行机动策略，同时通过GRU循环神经网络获取其后5s内的安全行驶路线概率分布；
6)选择合适的损失函数，基于真实行车数据集，对前述模型参数进行优化训练，实现对安全行驶路线的感知。
2.根据权利要求1所述的基于本车周围车辆轨迹预测安全行驶的方法，其特征在于，所述步骤2)中，所有车辆轨迹输入同一个轨迹编码模块，包括目标车辆与其周围车辆，等价于所有车辆的GRU轨迹编码共享网络权值，通过共享权重将所有车辆的运动特征纳入学习。
3.根据权利要求1所述的基于本车周围车辆轨迹预测安全行驶的方法，其特征在于，所述步骤3)中，将目标车辆前后30m范围，左右车道范围内的区域进行网格化，区域划分为14×3的空间网格，对应设置14×3的Social Tenser，将周围车辆的轨迹编码结果对应于车辆所在网格区域填入Social Tensor中。
4.根据权利要求1所述的基于本车周围车辆轨迹预测安全行驶的方法，其特征在于，所述步骤4)中，在Social Tensor后连接了卷积核为3×3和3×1的两层卷积网络，其后连接一个最大池化层；同时目标车辆的轨迹编码张量通过全连接网络处理，二者连接传递给最终的解码模块。
5.根据权利要求1所述的基于本车周围车辆轨迹预测安全行驶的方法，其特征在于，所述步骤5)中，由一层全连接层和一层softmax层输出9维one-hot张量作为采用9类机动的概率；同时利用GRU模型生成未来5s的安全行驶位置二元高斯分布参数。
6.根据权利要求1所述的基于本车周围车辆轨迹预测安全行驶的方法，其特征在于，所述步骤6)中，机动类型预测损失函数使用交叉熵损失函数，安全位置分布感知损失函数采用负对数似然函数，训练的方法采用随机梯度下降法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910654009.7A CN110415266A (zh) | 2019-07-19 | 2019-07-19 | 一种基于本车周围车辆轨迹预测安全行驶的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910654009.7A CN110415266A (zh) | 2019-07-19 | 2019-07-19 | 一种基于本车周围车辆轨迹预测安全行驶的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110415266A true CN110415266A (zh) | 2019-11-05 |
Family
ID=68360234
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910654009.7A Pending CN110415266A (zh) | 2019-07-19 | 2019-07-19 | 一种基于本车周围车辆轨迹预测安全行驶的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110415266A (zh) |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110843789A (zh) * | 2019-11-19 | 2020-02-28 | 苏州智加科技有限公司 | 一种基于时序卷积网络的车辆换道意图预测方法 |
| CN110906941A (zh) * | 2019-12-03 | 2020-03-24 | 苏州智加科技有限公司 | 用于长距离隧道的自动驾驶地图的构建方法及系统 |
| CN111009153A (zh) * | 2019-12-04 | 2020-04-14 | 珠海深圳清华大学研究院创新中心 | 一种轨迹预测模型的训练方法、装置和设备 |
| CN111002980A (zh) * | 2019-12-10 | 2020-04-14 | 苏州智加科技有限公司 | 基于深度学习的道路障碍物轨迹预测方法和系统 |
| CN111114543A (zh) * | 2020-03-26 | 2020-05-08 | 北京三快在线科技有限公司 | 一种轨迹预测方法及装置 |
| CN111114554A (zh) * | 2019-12-16 | 2020-05-08 | 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 |
| CN111160089A (zh) * | 2019-11-22 | 2020-05-15 | 南京航空航天大学 | 一种基于不同车辆类型的轨迹预测系统及方法 |
| CN111242369A (zh) * | 2020-01-09 | 2020-06-05 | 中国人民解放军国防科技大学 | 基于多重融合卷积gru的pm2.5数据预测方法 |
| CN111263326A (zh) * | 2020-01-09 | 2020-06-09 | 中国人民解放军国防科技大学 | 基于多重融合卷积gru的车辆位置预测方法 |
| CN111311945A (zh) * | 2020-02-20 | 2020-06-19 | 南京航空航天大学 | 一种融合视觉和传感器信息的驾驶决策系统及方法 |
| CN111339449A (zh) * | 2020-03-24 | 2020-06-26 | 青岛大学 | 一种用户运动轨迹的预测方法、装置、设备及存储介质 |
| CN111339229A (zh) * | 2020-02-24 | 2020-06-26 | 交通运输部水运科学研究所 | 一种船舶自主航行辅助决策系统 |
| CN112417953A (zh) * | 2020-10-12 | 2021-02-26 | 腾讯科技（深圳）有限公司 | 道路状况检测和地图数据更新方法、装置、系统及设备 |
| CN112734808A (zh) * | 2021-01-19 | 2021-04-30 | 清华大学 | 一种车辆行驶环境下易受伤害道路使用者的轨迹预测方法 |
| CN113643542A (zh) * | 2021-10-13 | 2021-11-12 | 北京理工大学 | 基于集成学习的多车交互环境下车辆轨迹预测方法及系统 |
| CN114274980A (zh) * | 2022-01-27 | 2022-04-05 | 中国第一汽车股份有限公司 | 轨迹控制方法、装置、车辆及存储介质 |
| WO2022035602A3 (en) * | 2020-07-28 | 2022-04-07 | Waymo Llc | Agent trajectory prediction using target locations |
| CN114291116A (zh) * | 2022-01-24 | 2022-04-08 | 广州小鹏自动驾驶科技有限公司 | 周围车辆轨迹预测方法、装置、车辆及存储介质 |
| CN114368387A (zh) * | 2021-12-21 | 2022-04-19 | 吉林大学 | 一种基于注意力机制的驾驶员意图识别及车辆轨迹预测方法 |
| CN115112138A (zh) * | 2022-05-10 | 2022-09-27 | 阿波罗智联(北京)科技有限公司 | 轨迹规划信息生成方法、装置、电子设备以及存储介质 |
| WO2024081141A1 (en) * | 2022-10-14 | 2024-04-18 | Motional Ad Llc | Path-based trajectory prediction |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170101096A1 (en) * | 2015-10-12 | 2017-04-13 | Hyundai Motor Company | Vehicle control apparatus and method for driving safety |
| CN109829588A (zh) * | 2019-02-13 | 2019-05-31 | 苏州大学 | 基于上下文的张量轨迹路径规划方法 |
| CN109858372A (zh) * | 2018-12-29 | 2019-06-07 | 浙江零跑科技有限公司 | 一种车道级精度自动驾驶结构化数据分析方法 |
| CN110007675A (zh) * | 2019-04-12 | 2019-07-12 | 北京航空航天大学 | 一种基于行车态势图的车辆自动驾驶决策系统及基于无人机的训练集制备方法 |
-
2019
- 2019-07-19 CN CN201910654009.7A patent/CN110415266A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170101096A1 (en) * | 2015-10-12 | 2017-04-13 | Hyundai Motor Company | Vehicle control apparatus and method for driving safety |
| CN109858372A (zh) * | 2018-12-29 | 2019-06-07 | 浙江零跑科技有限公司 | 一种车道级精度自动驾驶结构化数据分析方法 |
| CN109829588A (zh) * | 2019-02-13 | 2019-05-31 | 苏州大学 | 基于上下文的张量轨迹路径规划方法 |
| CN110007675A (zh) * | 2019-04-12 | 2019-07-12 | 北京航空航天大学 | 一种基于行车态势图的车辆自动驾驶决策系统及基于无人机的训练集制备方法 |
Non-Patent Citations (1)
| Title |
|---|
| NACHIKET DEO, ET AL.: "Convolutional Social Pooling for Vehicle Trajectory Prediction", 《018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION WORKSHOPS (CVPRW)》 * |
Cited By (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110843789A (zh) * | 2019-11-19 | 2020-02-28 | 苏州智加科技有限公司 | 一种基于时序卷积网络的车辆换道意图预测方法 |
| CN110843789B (zh) * | 2019-11-19 | 2021-07-06 | 苏州智加科技有限公司 | 一种基于时序卷积网络的车辆换道意图预测方法 |
| CN111160089A (zh) * | 2019-11-22 | 2020-05-15 | 南京航空航天大学 | 一种基于不同车辆类型的轨迹预测系统及方法 |
| CN111160089B (zh) * | 2019-11-22 | 2023-05-12 | 南京航空航天大学 | 一种基于不同车辆类型的轨迹预测系统及方法 |
| CN110906941A (zh) * | 2019-12-03 | 2020-03-24 | 苏州智加科技有限公司 | 用于长距离隧道的自动驾驶地图的构建方法及系统 |
| CN110906941B (zh) * | 2019-12-03 | 2023-06-23 | 苏州智加科技有限公司 | 用于长距离隧道的自动驾驶地图的构建方法及系统 |
| CN111009153A (zh) * | 2019-12-04 | 2020-04-14 | 珠海深圳清华大学研究院创新中心 | 一种轨迹预测模型的训练方法、装置和设备 |
| CN111009153B (zh) * | 2019-12-04 | 2021-10-15 | 珠海深圳清华大学研究院创新中心 | 一种轨迹预测模型的训练方法、装置和设备 |
| CN111002980A (zh) * | 2019-12-10 | 2020-04-14 | 苏州智加科技有限公司 | 基于深度学习的道路障碍物轨迹预测方法和系统 |
| 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 |
| CN111114554A (zh) * | 2019-12-16 | 2020-05-08 | 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 |
| CN111263326A (zh) * | 2020-01-09 | 2020-06-09 | 中国人民解放军国防科技大学 | 基于多重融合卷积gru的车辆位置预测方法 |
| CN111263326B (zh) * | 2020-01-09 | 2022-11-04 | 中国人民解放军国防科技大学 | 基于多重融合卷积gru的车辆位置预测方法 |
| CN111242369B (zh) * | 2020-01-09 | 2023-06-02 | 中国人民解放军国防科技大学 | 基于多重融合卷积gru的pm2.5数据预测方法 |
| CN111242369A (zh) * | 2020-01-09 | 2020-06-05 | 中国人民解放军国防科技大学 | 基于多重融合卷积gru的pm2.5数据预测方法 |
| CN111311945A (zh) * | 2020-02-20 | 2020-06-19 | 南京航空航天大学 | 一种融合视觉和传感器信息的驾驶决策系统及方法 |
| CN111339229A (zh) * | 2020-02-24 | 2020-06-26 | 交通运输部水运科学研究所 | 一种船舶自主航行辅助决策系统 |
| CN111339229B (zh) * | 2020-02-24 | 2023-04-18 | 交通运输部水运科学研究所 | 一种船舶自主航行辅助决策系统 |
| CN111339449A (zh) * | 2020-03-24 | 2020-06-26 | 青岛大学 | 一种用户运动轨迹的预测方法、装置、设备及存储介质 |
| CN111114543A (zh) * | 2020-03-26 | 2020-05-08 | 北京三快在线科技有限公司 | 一种轨迹预测方法及装置 |
| US11987265B1 (en) | 2020-07-28 | 2024-05-21 | Waymo Llc | Agent trajectory prediction using target locations |
| WO2022035602A3 (en) * | 2020-07-28 | 2022-04-07 | Waymo Llc | Agent trajectory prediction using target locations |
| CN112417953B (zh) * | 2020-10-12 | 2022-07-19 | 腾讯科技（深圳）有限公司 | 道路状况检测和地图数据更新方法、装置、系统及设备 |
| CN112417953A (zh) * | 2020-10-12 | 2021-02-26 | 腾讯科技（深圳）有限公司 | 道路状况检测和地图数据更新方法、装置、系统及设备 |
| CN112734808B (zh) * | 2021-01-19 | 2022-10-14 | 清华大学 | 一种车辆行驶环境下易受伤害道路使用者的轨迹预测方法 |
| CN112734808A (zh) * | 2021-01-19 | 2021-04-30 | 清华大学 | 一种车辆行驶环境下易受伤害道路使用者的轨迹预测方法 |
| CN113643542A (zh) * | 2021-10-13 | 2021-11-12 | 北京理工大学 | 基于集成学习的多车交互环境下车辆轨迹预测方法及系统 |
| CN114368387A (zh) * | 2021-12-21 | 2022-04-19 | 吉林大学 | 一种基于注意力机制的驾驶员意图识别及车辆轨迹预测方法 |
| CN114368387B (zh) * | 2021-12-21 | 2024-06-14 | 吉林大学 | 一种基于注意力机制的驾驶员意图识别及车辆轨迹预测方法 |
| CN114291116A (zh) * | 2022-01-24 | 2022-04-08 | 广州小鹏自动驾驶科技有限公司 | 周围车辆轨迹预测方法、装置、车辆及存储介质 |
| CN114274980A (zh) * | 2022-01-27 | 2022-04-05 | 中国第一汽车股份有限公司 | 轨迹控制方法、装置、车辆及存储介质 |
| CN114274980B (zh) * | 2022-01-27 | 2024-07-26 | 中国第一汽车股份有限公司 | 轨迹控制方法、装置、车辆及存储介质 |
| CN115112138A (zh) * | 2022-05-10 | 2022-09-27 | 阿波罗智联(北京)科技有限公司 | 轨迹规划信息生成方法、装置、电子设备以及存储介质 |
| WO2024081141A1 (en) * | 2022-10-14 | 2024-04-18 | Motional Ad Llc | Path-based trajectory prediction |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110415266A (zh) | 一种基于本车周围车辆轨迹预测安全行驶的方法 | |
| EP3807806B1 (en) | System and method for determining object intention through visual attributes | |
| CN106740864B (zh) | 一种驾驶行为意图判断与预测方法 | |
| CN112052776B (zh) | 无人车自主驾驶行为优化方法、装置和计算机设备 | |
| US11587329B2 (en) | Method and apparatus for predicting intent of vulnerable road users | |
| CN110371112A (zh) | 一种自动驾驶车辆的智能避障系统及方法 | |
| CN107491072A (zh) | 车辆避障方法和装置 | |
| CN110553660B (zh) | 一种基于a*算法和人工势场的无人车轨迹规划方法 | |
| CN109278748A (zh) | 制动预测和参与 | |
| CN102945554B (zh) | 基于学习和加速鲁棒surf特征的目标跟踪方法 | |
| Wang et al. | End-to-end autonomous driving: An angle branched network approach | |
| CN112949597B (zh) | 一种基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法 | |
| CN113942524B (zh) | 一种车辆行驶控制方法、系统及计算机可读存储介质 | |
| CN116540731B (zh) | 融合堆叠lstm与sac算法的路径规划方法及系统 | |
| CN114399743A (zh) | 一种障碍物未来轨迹的生成方法 | |
| CN103745241A (zh) | 一种基于自学习算法的智能驾驶方法 | |
| CN117141517A (zh) | 数据驱动与知识引导相结合的车辆轨迹预测模型构建方法 | |
| Wang et al. | End-to-end self-driving approach independent of irrelevant roadside objects with auto-encoder | |
| CN116503446A (zh) | 目标驱动和分布热力图输出的多模态车辆轨迹预测方法 | |
| CN113793497B (zh) | 一种考虑多因素的行人过街行为预测方法 | |
| Damirchi et al. | Context-aware pedestrian trajectory prediction with multimodal transformer | |
| DE102023114042A1 (de) | Bildbasierte Fußgängergeschwindigkeitsschätzung | |
| Hsieh et al. | Trajectory Prediction at Unsignalized Intersections using Social Conditional Generative Adversarial Network | |
| CN118658304B (zh) | 基于速度场的网联自主车辆位置预测和风险量化方法 | |
| CN114067178B (zh) | 一种无人驾驶汽车对周边车辆切入轨迹预测系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |