CN110488816A - 自动驾驶纵向规划方法及相关设备 - Google Patents

自动驾驶纵向规划方法及相关设备 Download PDF

Info

Publication number
CN110488816A
CN110488816A CN201910722549.4A CN201910722549A CN110488816A CN 110488816 A CN110488816 A CN 110488816A CN 201910722549 A CN201910722549 A CN 201910722549A CN 110488816 A CN110488816 A CN 110488816A
Authority
CN
China
Prior art keywords
moment
target vehicle
occupying
region
mobile object
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
Application number
CN201910722549.4A
Other languages
English (en)
Other versions
CN110488816B (zh
Inventor
张卫泽
王新宇
张宝宽
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies 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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN201910722549.4A priority Critical patent/CN110488816B/zh
Publication of CN110488816A publication Critical patent/CN110488816A/zh
Application granted granted Critical
Publication of CN110488816B publication Critical patent/CN110488816B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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

Abstract

本申请实施例公开了一种自动驾驶纵向规划方法及相关设备，方法包括：在t时刻，根据移动物体的移动参数和预设参数获得移动物体在位移时间坐标系上的侵占区域，侵占区域中的各个位置点分别对应一个侵占度，侵占度用于指示移动物体在侵占度对应的位置点对目标车辆的正常行驶造成危险的概率；根据目标车辆的移动参数和侵占区域获得目标车辆在ST坐标系上的运动曲线；根据运动曲线获得目标车辆在t+1时刻至t+n时刻中的每个时刻的速率，t+n时刻为移动物体对目标车辆的正常行驶不造成危险的时刻，速率用于对目标车辆进行自动驾驶纵向规划，n为大于1的整数。采用本申请实施例有助于提高自动驾驶纵向规划的准确性。

Description

自动驾驶纵向规划方法及相关设备
技术领域
本申请涉及自动驾驶技术领域，具体涉及一种自动驾驶纵向规划方法及相关设备。
背景技术
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能领域的研究包括机器人，自然语言处理，计算机视觉，决策与推理，人机交互，推荐与搜索，AI基础理论等。
自动驾驶是人工智能领域的一种主流应用，自动驾驶技术依靠计算机视觉、雷达、监控装置和全球定位系统等协同合作，让机动车辆可以在不需要人类主动操作下，实现自动驾驶。自动驾驶的车辆使用各种计算系统来帮助将乘客从一个位置运输到另一位置。一些自动驾驶车辆可能要求来自操作者(诸如，领航员、驾驶员、或者乘客)的一些初始输入或者连续输入。自动驾驶车辆准许操作者从手动模操作式切换到自东驾驶模式或者介于两者之间的模式。由于自动驾驶技术无需人类来驾驶机动车辆，所以理论上能够有效避免人类的驾驶失误，减少交通事故的发生，且能够提高公路的运输效率。因此，自动驾驶技术越来越受到重视。
目前，自动驾驶纵向规划过程为：自动驾驶纵向规划装置根据障碍物体的运动参数和长度获得障碍物体在位移时间ST坐标系上的障碍区域，根据目标车辆的运动参数和障碍区域获得目标车辆抢行或避让障碍物体所需的加速度值，以及根据加速度值获得目标车辆的目标速率，以使得目标车辆以目标速率行驶，避免障碍物体对目标车辆的正常行驶造成危险。由于现有的障碍区域仅仅是根据障碍物体的运动参数和长度确定的，因此导致自动驾驶纵向规划的准确性较低。
发明内容
本申请实施例提供一种自动驾驶纵向规划方法及相关设备，用于提高自动驾驶纵向规划的准确性。
第一方面，本申请实施例提供一种自动驾驶纵向规划方法，所述方法包括：
在t时刻，根据移动物体的移动参数和预设参数获得所述移动物体在位移时间(Arc length and time，ST)坐标系上的侵占区域，所述侵占区域中的各个位置点分别对应一个侵占度，所述侵占度用于指示所述移动物体在所述侵占度对应的位置点对目标车辆的正常行驶造成危险的概率；
根据所述目标车辆的移动参数和所述侵占区域获得所述目标车辆在所述ST坐标系上的运动曲线；
根据所述运动曲线获得所述目标车辆在t+1时刻至t+n时刻中的每个时刻的速率，所述t+n时刻为所述移动物体对所述目标车辆的正常行驶不造成危险的时刻，所述速率用于对所述目标车辆进行自动驾驶纵向规划，n为大于1的整数。
可以看出，相较于根据障碍物体的运动参数和长度获得障碍物体在ST坐标系上的障碍区域，障碍区域仅仅为障碍物体本身在ST坐标系上所占据的区域，在本申请实施例中，由于侵占度用于指示移动物体在侵占度对应的位置点对目标车辆的正常行驶造成危险的概率，因此自动驾驶纵向规划装置根据移动物体的移动参数和预设参数获得的移动物体在ST坐标系上的侵占区域能够更加准确反映出移动物体对目标车辆的正常行驶造成碰撞危险和潜在碰撞危险的情况，进而根据目标车辆的移动参数和侵占区域获得的目标车辆在ST坐标系上的运动曲线更加准确，以及根据运动曲线获得的目标车辆在t+1时刻至t+n时刻中的每个时刻的速率更加准确，这样有助于提高自动驾驶纵向规划的准确性。
在一些可能实施方式中，所述侵占区域包括第一子侵占区域，所述移动物体的移动参数包括第一运动参数和尺寸参数，所述预设参数包括预设距离值、距离阈值和第一侵占度衰减系数，所述根据移动物体的移动参数和预设参数获得所述移动物体在位移时间ST坐标系上的侵占区域，包括：
若所述移动物体与所述目标车辆满足预设条件，则根据所述第一运动参数、所述尺寸参数、所述预设距离值和所述距离阈值获得在m1时刻所述移动物体在所述ST坐标系上的第一位移范围，所述m1时刻为T1时刻至T2时刻中的任意一个，所述T1时刻为所述移动物体前端驶入所述目标车辆所在车道的时刻，所述T2时刻为所述移动物体后端与所述目标车辆前端之间的距离为所述距离阈值的时刻；
根据多个第一位移范围和所述第一侵占度衰减系数获得所述移动物体在ST坐标系上的所述第一子侵占区域，所述第一侵占度衰减系数用于计算所述第一子侵占区域中的每个位置点的侵占度，所述多个第一位移范围包括在所述m1时刻得到的第一位移范围。
可以看出，相较于根据障碍物体的运动参数和长度获得障碍物体在ST坐标系上的障碍区域，障碍区域仅仅为障碍物体本身在ST坐标系上所占据的区域，在本申请实施例中，自动驾驶纵向规划装置在满足预设条件的两种自动驾驶纵向规划的场景下，根据第一运动参数、尺寸参数、预设距离值、距离阈值和第一侵占度衰减系数获得移动物体在ST坐标系上的侵占区域。由于侵占度用于指示移动物体在侵占度对应的位置点对目标车辆的正常行驶造成危险的概率，以及侵占区域包括与移动物体之间的距离不大于预设距离值的所有位置点在ST坐标系上所占据的侵占区域，因此移动物体在ST坐标系上的侵占区域能够更加准确反映出T1时刻至T2时刻移动物体对目标车辆的正常行驶造成碰撞危险和潜在碰撞危险的情况，这样有助于提高自动驾驶纵向规划的准确性。
在一些可能实施方式中，所述侵占区域还包括第二子侵占区域，所述预设参数还包括第二侵占度衰减系数，所述方法还包括：
根据所述第一运动参数、所述尺寸参数、所述预设距离值和所述距离阈值获得在m2时刻所述移动物体在所述ST坐标系上的第二位移范围，所述m2时刻为所述T2时刻至所述t+n时刻中的任意一个；
根据多个第二位移范围和所述第二侵占度衰减系数获得所述移动物体在ST坐标系上的所述第二子侵占区域，所述第二侵占度衰减系数用于计算所述第二子侵占区域中的每个位置点的侵占度，所述多个第二位移范围包括在所述m2时刻得到的第二位移范围。
可以看出，相较于根据障碍物体的运动参数和长度获得障碍物体在ST坐标系上的障碍区域，障碍区域仅仅为障碍物体本身在ST坐标系上所占据的区域，在本申请实施例中，自动驾驶纵向规划装置在满足预设条件的两种自动驾驶纵向规划的场景下，根据第一运动参数、尺寸参数、预设距离值、距离阈值、第一侵占度衰减系数和第二侵占度衰减系数获得移动物体在ST坐标系上的侵占区域。由于侵占度用于指示移动物体在侵占度对应的位置点对目标车辆的正常行驶造成危险的概率，以及侵占区域包括与移动物体之间的距离不大于预设距离值的所有位置点在ST坐标系上所占据的侵占区域，因此移动物体在ST坐标系上的侵占区域能够更加准确反映出T1时刻至t+n时刻移动物体对目标车辆的正常行驶造成碰撞危险和潜在碰撞危险的情况，这样有助于提高自动驾驶纵向规划的准确性。
在一些可能实施方式中，所述预设条件包括第一条件或第二条件，其中：
所述第一条件为：所述移动物体的行驶方向与所述目标车辆的行驶方向存在交叉、所述移动物体即将转向汇入所述目标车辆所在车道，且汇入后所述移动物体在所述目标车辆前方；
所述第二条件为：所述移动物体的行驶方向与所述目标车辆的行驶方向相同、所述移动物体即将变道汇入所述目标车辆所在车道，且汇入后所述移动物体在所述目标车辆前方。
在一些可能实施方式中，所述移动物体的移动参数包括第一运动参数和尺寸参数，所述预设参数包括预设距离值、时间阈值和第一侵占度衰减系数，所述根据移动物体的移动参数和预设参数获得所述移动物体在位移时间ST坐标系上的侵占区域，包括：
若所述移动物体与所述目标车辆行驶方向存在交叉、所述移动物体即将穿过所述目标车辆所在车道，且穿过时所述移动物体在所述目标车辆前方，则根据所述第一运动参数、所述尺寸参数和所述预设距离值获得在m3时刻所述移动物体在所述ST坐标系上的第三位移范围，所述m3时刻为T3时刻至所述t+n时刻中的任意一个，所述T3时刻为所述移动物体前端驶入所述目标车辆所在车道的时刻；
若所述t+n时刻不大于所述时间阈值，则根据多个第三位移范围和所述第一侵占度衰减系数获得所述移动物体在ST坐标系上的侵占区域，所述第一侵占度衰减系数用于计算所述侵占区域中的每个位置点的侵占度，所述多个第三位移范围包括在所述m3时刻得到的第三位移范围。
可以看出，相较于根据障碍物体的运动参数和长度获得障碍物体在ST坐标系上的障碍区域，障碍区域仅仅为障碍物体本身在ST坐标系上所占据的区域，在本申请实施例中，自动驾驶纵向规划装置在移动物体即将穿过目标车辆所在车道且穿过时移动物体在目标车辆前方，根据第一运动参数、尺寸参数、预设距离值、时间阈值和第一侵占度衰减系数获得移动物体在ST坐标系上的侵占区域。由于侵占度用于指示移动物体在侵占度对应的位置点对目标车辆的正常行驶造成危险的概率，以及侵占区域包括与移动物体之间的距离不大于预设距离值的所有位置点在ST坐标系上所占据的区域，因此移动物体在ST坐标系上的侵占区域能够更加准确反映出T3时刻至t+n时刻(不大于时间阈值)移动物体对目标车辆的正常行驶造成碰撞危险和潜在碰撞危险的情况，这样有助于提高自动驾驶纵向规划的准确性。
在一些可能实施方式中，所述预设参数还包括第三侵占度衰减系数，所述方法还包括：
若所述t+n时刻大于所述时间阈值，则根据多个第三位移范围、所述第一侵占度衰减系数和所述第三侵占度衰减系数获得所述移动物体在ST坐标系上的侵占区域，所述侵占区域包括第三子侵占区域和第四子侵占区域，所述第三子侵占区域中的每个位置点的横坐标均不大于所述时间阈值，所述第四子侵占区域中的每个位置点的横坐标均大于所述时间阈值，所述第一侵占度衰减系数用于计算所述第三子侵占区域中的每个位置点的侵占度，所述第三侵占度衰减系数用于计算所述第四子侵占区域中的每个位置点的侵占度，所述多个第三位移范围包括在所述m3时刻得到的第三位移范围。
可以看出，相较于根据障碍物体的运动参数和长度获得障碍物体在ST坐标系上的障碍区域，障碍区域仅仅为障碍物体本身在ST坐标系上所占据的区域，在本申请实施例中，自动驾驶纵向规划装置在移动物体即将穿过目标车辆所在车道且穿过时移动物体在目标车辆前方，根据第一运动参数、尺寸参数、预设距离值、时间阈值、第一侵占度衰减系数和第三侵占度衰减系数获得移动物体在ST坐标系上的侵占区域。由于侵占度用于指示移动物体在侵占度对应的位置点对目标车辆的正常行驶造成危险的概率，以及侵占区域包括与移动物体之间的距离不大于预设距离值的所有位置点在ST坐标系上所占据的区域，因此移动物体在ST坐标系上的侵占区域能够更加准确反映出T3时刻至t+n时刻(大于时间阈值)移动物体对目标车辆的正常行驶造成碰撞危险和潜在碰撞危险的情况，这样有助于提高自动驾驶纵向规划的准确性。
在一些可能实施方式中，所述目标车辆的移动参数包括第二运动参数和第一位置点，所述第一位置点为所述ST坐标系的原点，所述根据所述目标车辆的移动参数和所述侵占区域获得所述目标车辆在所述ST坐标系上的运动曲线，包括：
根据所述第二运动参数、所述第一位置点和所述侵占区域获得所述t+1时刻至所述t+n时刻所述目标车辆在所述ST坐标系上的n个第二位置点；
根据所述第一位置点和所述n个第二位置点获得所述目标车辆在所述ST坐标系上的初始运动曲线；
对所述初始运动曲线执行滤波操作，得到所述目标车辆在所述ST坐标系上的运动曲线。
可以看出，在本申请实施例中，由于侵占区域能够更加准确反应出移动物体对目标车辆的正常行驶造成碰撞危险和潜在碰撞危险的情况，因此自动驾驶纵向规划装置根据目标车辆的移动参数和侵占区域获得的n个第二位置点更加准确，进而根据第一位置点和n个第二位置点获得的初始运动曲线更加准确。此外，由于对初始运动曲线执行滤波操作，因此得到的目标车辆在ST坐标系上的运动曲线更加准确，这样有助于提高自动驾驶纵向规划的准确性。
在一些可能实施方式中，所述根据所述第二运动参数、所述第一位置点和所述侵占区域获得所述t+1时刻至所述t+n时刻所述目标车辆在所述ST坐标系上的n个第二位置点，包括：
根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻至m4+1时刻所述目标车辆的加速度值am4，所述m4时刻为所述t时刻至t+n-1时刻中的任意一个；
根据所述位置点(m4,Sm4)、所述m4时刻所述目标车辆的速率Vm4和所述加速度值am4获得所述m4+1时刻所述目标车辆在所述ST坐标系上的第二位置点；
对所述t+1时刻至所述t+n时刻中除所述m4时刻之外的(n-1)个时刻执行相同操作，得到所述目标车辆在所述ST坐标系上的(n-1)个第二位置点。
可以看出，在本申请实施例中，自动驾驶纵向规划装置根据m4时刻目标车辆在ST坐标系上的位置点(m4,Sm4)、m4时刻目标车辆的速率Vm4和m4时刻至m4+1时刻目标车辆的加速度值am4获得m4+1时刻目标车辆在ST坐标系上的第二位置点。由于侵占区域能够更加准确反映出移动物体对目标车辆的正常行驶造成碰撞危险和潜在碰撞危险的情况，因此获得的m4+1时刻目标车辆在ST坐标系上的第二位置点更加准确，这样有助于提高自动驾驶纵向规划的准确性。
在一些可能实施方式中，所述第二运动参数包括最大加速度值amax、最小加速度值amin和速率上限值，所述根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻至m4+1时刻所述目标车辆的加速度值am4，包括：
根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆的抢行临界加速度值a1、避让临界加速度值a2和抢行临界速率；
若所述抢行临界速率不大于所述速率上限值，则将[amin,a2]∪[a1,amax]中的任意一个加速度值确定为所述m4时刻至m4+1时刻所述目标车辆的加速度值am4；
若所述抢行临界速率大于所述速率上限值，则将[amin,a2]中的任意一个加速度值确定为所述m4时刻至m4+1时刻所述目标车辆的加速度值am4。
可以看出，在本申请实施例中，自动驾驶纵向规划装置根据m4时刻目标车辆的抢行临界加速度值a1、避让临界加速度值a2、抢行临界速率和第二运动参数获得m4时刻至m4+1时刻目标车辆的加速度值am4。由于侵占区域能够更加准确反映出移动物体对目标车辆的正常行驶造成碰撞危险和潜在碰撞危险的情况，因此获得的m4时刻至m4+1时刻目标车辆的加速度值am4更加准确，这样有助于提高自动驾驶纵向规划的准确性。
在一些可能实施方式中，所述第二运动参数包括最大加速度值amax、最小加速度值amin和速率上限值，所述根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻至m4+1时刻所述目标车辆的加速度值am4，包括：
根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆的抢行临界加速度值a1、避让临界加速度值a2和抢行临界速率；
将所述最大加速度值amax、所述最小加速度值amin、所述速率上限值、所述抢行临界加速度值a1、所述避让临界加速度值a2和所述抢行临界速率输入神经网络模型进行计算，得到所述m4时刻至m4+1时刻所述目标车辆的行车策略；
若所述行车策略为抢行，则将[amin,a2]∪[a1,amax]中的任意一个加速度值确定为所述m4时刻至m4+1时刻所述目标车辆的加速度值am4；
若所述行车策略为避让，则将[amin,a2]中的任意一个加速度值确定为所述m4时刻至m4+1时刻所述目标车辆的加速度值am4。
可以看出，在本申请实施例中，自动驾驶纵向规划装置根据在m4时刻目标车辆的抢行临界加速度值a1、避让临界加速度值a2、抢行临界速率和第二运动参数获得m4时刻至m4+1时刻目标车辆的加速度值am4。由于侵占区域能够更加准确反映出移动物体对目标车辆的正常行驶造成碰撞危险和潜在碰撞危险的情况，因此获得的m4时刻至m4+1时刻目标车辆的加速度值am4更加准确，这样有助于提高自动驾驶纵向规划的准确性。
在一些可能实施方式中，所述根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆的抢行临界加速度值a1、避让临界加速度值a2和抢行临界速率，包括：
根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆对应的抢行临界曲线和避让临界曲线；
根据所述抢行临界曲线获得所述m4时刻所述目标车辆的抢行临界加速度值a1；
根据所述避让临界曲线获得所述m4时刻所述目标车辆的避让临界加速度值a2；
将所述抢行临界曲线的最大斜率值确定为所述m4时刻所述目标车辆的抢行临界速率，所述最大斜率值对应的位置点在所述侵占区域内。
可以看出，在本申请实施例中，自动驾驶纵向规划装置根据m4时刻目标车辆对应的抢行临界曲线和避让临界曲线获得m4时刻目标车辆的抢行临界加速度值a1、避让临界加速度值a2和抢行临界速率。由于侵占区域能够更加准确反映出移动物体对目标车辆的正常行驶造成碰撞危险和潜在碰撞危险的情况，因此获得的m4时刻目标车辆的抢行临界加速度值a1、避让临界加速度值a2和抢行临界速率更加准确，这样有助于提高自动驾驶纵向规划的准确性。
在一些可能实施方式中，所述根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆对应的抢行临界曲线和避让临界曲线，包括：
根据所述速率Vm4、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和M1个加速度值获得所述m4时刻所述目标车辆在所述ST坐标系上的M1条抛物线，所述M1条抛物线与所述M1个加速度值一一对应，所述M1个加速度值的取值范围为[amin,amax]，所述M1为正整数；
从所述M1条抛物线中选取与所述侵占区域相交的M2条抛物线，以及根据所述M2条抛物线确定M2个目标侵占度，所述M2个目标侵占度与所述M2条抛物线一一对应，所述M2个目标侵占度均小于预设侵占度，所述M2为小于或等于M1的正整数；
根据所述M2个目标侵占度获得所述m4时刻所述目标车辆对应的抢行临界曲线和避让临界曲线。
可以看出，在本申请实施例中，自动驾驶纵向规划装置根据第二运动参数、m4时刻目标车辆在ST坐标系上的位置点(m4,Sm4)和侵占区域获得m4时刻目标车辆对应的抢行临界曲线和避让临界曲线。由于侵占区域能够更加准确反映出移动物体对目标车辆的正常行驶造成碰撞危险和潜在碰撞危险的情况，因此获得的m4时刻目标车辆对应的抢行临界曲线和避让临界曲线更加准确，这样有助于提高自动驾驶纵向规划的准确性。
第二方面，本申请实施例提供一种自动驾驶纵向规划装置，所述装置用于执行第一方面的任意一种方法的部分或全部步骤。
第三方面，本申请实施例提供一种自动驾驶纵向规划装置，所述自动驾驶纵向规划装置包括相互耦合的处理器、通信接口和存储器，其中：
所述处理器，用于在t时刻，根据移动物体的移动参数和预设参数获得所述移动物体在位移时间(Arc length and time，ST)坐标系上的侵占区域，所述侵占区域中的各个位置点分别对应一个侵占度，所述侵占度用于指示所述移动物体在所述侵占度对应的位置点对目标车辆的正常行驶造成危险的概率；
所述处理器，还用于根据所述目标车辆的移动参数和所述侵占区域获得所述目标车辆在所述ST坐标系上的运动曲线；
所述处理器，还用于根据所述运动曲线获得所述目标车辆在t+1时刻至t+n时刻中的每个时刻的速率，所述t+n时刻为所述移动物体对所述目标车辆的正常行驶不造成危险的时刻，所述速率用于对所述目标车辆进行自动驾驶纵向规划，n为大于1的整数。
第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被硬件(例如处理器等)执行，以实现本申请实施例中由所述自动驾驶纵向规划装置执行的任意一种方法的部分或全部步骤。
第五方面，本申请实施例提供一种包括指令的计算机程序产品，当所述计算机程序产品在自动驾驶纵向规划装置上运行时，使得所述自动驾驶纵向规划装置执行以上各方面的所述自动驾驶纵向规划方法的部分或全部步骤。
第六方面，本申请提供一种芯片，所述芯片包括处理器与数据接口，所述处理器通过所述数据接口读取存储器上存储的指令，执行第一方面中的方法。
可选地，作为一种实现方式，所述芯片还可以包括存储器，所述存储器中存储有指令，所述处理器用于执行所述存储器上存储的指令，当所述指令被执行时，所述处理器用于执行第一方面中的方法。
第七方面，本申请提供一种智能驾驶车辆，该智能驾驶车辆包括上述第二方面中任意一种自动驾驶纵向规划装置。
附图说明
为了更清楚地说明本申请实施例或背景技术中的技术方案，下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
图1A是本申请实施例提供的第一种自动驾驶纵向规划的场景示意图；
图1B是本申请实施例提供的第二种自动驾驶纵向规划的场景示意图；
图1C是本申请实施例提供的第三种自动驾驶纵向规划的场景示意图；
图1D是本申请实施例提供的第四种自动驾驶纵向规划的场景示意图；
图1E是本申请实施例提供的第五种自动驾驶纵向规划的场景示意图；
图1F是本申请实施例提供的第六种自动驾驶纵向规划的场景示意图；
图1G是本申请实施例提供的第七种自动驾驶纵向规划的场景示意图；
图2A是本申请实施例提供的第一种自动驾驶纵向规划方法的流程示意图；
图2B是本申请实施例提供的第一种自动驾驶纵向规划的参数示意图；
图2C是本申请实施例提供的第一种移动物体在ST坐标系上的侵占区域示意图；
图2D是本申请实施例提供的第二种自动驾驶纵向规划的参数示意图；
图2E是本申请实施例提供的第二种移动物体在ST坐标系上的侵占区域示意图；
图2F是本申请实施例提供的第三种自动驾驶纵向规划的参数示意图；
图2G是本申请实施例提供的第三种移动物体在ST坐标系上的侵占区域示意图；
图2H是本申请实施例提供的第四种移动物体在ST坐标系上的侵占区域示意图；
图2I是本申请实施例提供的一种目标车辆在ST坐标系上的初始运动曲线。
图2J是本申请实施例提供的一种目标车辆的抢行临界速率的示意图；
图2K是本申请实施例提供的一种目标车辆对应的抢行临界曲线和避让临界曲线的示意图；
图3是本申请实施例提供的第二种自动驾驶纵向规划方法的流程示意图；
图4是本申请实施例提供的一种自动驾驶纵向规划装置的功能单元组成框图；
图5是本申请实施例提供的一种自动驾驶纵向规划装置的结构示意图。
具体实施方式
下面结合本申请实施例中的附图对本申请实施例进行描述。
参见图1A，图1A是本申请实施例提供的第一种自动驾驶纵向规划的场景示意图，包括移动物体(假设移动物体为非自动或自动驾驶的车辆1)和目标车辆(目标车辆为自动驾驶的车辆)，车辆1的初始行驶方向与目标车辆的行驶方向存在交叉(如垂直交叉)，车辆1即将从当前车道左转向或右转向汇入目标车辆所在车道，车辆1汇入目标车辆所在车道后其所处位置在目标车辆的前方，此时车辆1对目标车辆的正常行驶造成危险。其中，构成车辆1所在车道的两条车道线与构成目标车辆所在车道的两条车道线存在交叉。
参见图1B，图1B是本申请实施例提供的第二种自动驾驶纵向规划的场景示意图，包括移动物体(假设移动物体为非自动或自动驾驶的车辆2)和目标车辆(目标车辆为自动驾驶的车辆)，车辆2的初始行驶方向与目标车辆的行驶方向相同，车辆2即将从当前车道向左变道或向右变道汇入目标车辆所在车道，车辆2汇入目标车辆所在车道后其所处位置在目标车辆的前方，此时车辆2对目标车辆的正常行驶造成危险。如图1B所示，存在相互平行的车道线1、车道线2、车道线3和车道线4，车道线1和车道线2构成A车道，车道线2和车道线3构成B车道，车道线3和车道线4构成C车道，车辆2从A车道向右变道汇入目标车辆所在的B车道，或者，车辆2从C车道向左变道汇入目标车辆所在的B车道。
参见图1C，图1C是本申请实施例提供的第三种自动驾驶纵向规划的场景示意图，包括移动物体(假设移动物体为非自动或自动驾驶的车辆3)和目标车辆(目标车辆为自动驾驶的车辆)，车辆3的初始行驶方向与目标车辆的行驶方向存在交叉(如垂直交叉)，车辆3即将穿过目标车辆所在车道，车辆3穿过目标车辆所在车道时其所处位置在目标车辆的前方，此时车辆3对目标车辆的正常行驶造成危险。其中，构成车辆3所在车道的两条车道线与构成目标车辆所在车道的两条车道线存在交叉。
参见图1D，图1D是本申请实施例提供的第四种自动驾驶纵向规划的场景示意图，包括移动物体(假设移动物体为车辆4和车辆5，车辆4和车辆5均为非自动或自动驾驶的车辆)和目标车辆(目标车辆为自动驾驶的车辆)，车辆4的初始行驶方向与目标车辆的行驶方向存在交叉(如垂直交叉)，车辆4即将从当前车道左转向或右转向汇入目标车辆所在车道，车辆4汇入目标车辆所在车道后其所处位置在目标车辆的前方，车辆5的初始行驶方向与目标车辆的行驶方向相同，车辆5即将从当前车道向左变道或向右变道汇入目标车辆所在车道，车辆5汇入目标车辆所在车道后其所处位置在目标车辆的前方，此时车辆4和车辆5均对目标车辆的正常行驶造成危险。
参见图1E，图1E是本申请实施例提供的第五种自动驾驶纵向规划的场景示意图，包括移动物体(假设移动物体为车辆6和车辆7，车辆6和车辆7均为非自动或自动驾驶的车辆)和目标车辆(目标车辆为自动驾驶的车辆)，车辆6的初始行驶方向与目标车辆的行驶方向存在交叉(如垂直交叉)，车辆6即将从当前车道左转向或右转向汇入目标车辆所在车道，车辆6汇入目标车辆所在车道后其所处位置在目标车辆的前方，车辆7的行驶方向与目标车辆的行驶方向存在交叉(如垂直交叉)，车辆7即将穿过目标车辆所在车道，车辆7穿过目标车辆所在车道时其所处位置在目标车辆的前方，此时车辆6和车辆7均对目标车辆的正常行驶造成危险。
参见图1F，图1F是本申请实施例提供的第六种自动驾驶纵向规划的场景示意图，包括移动物体(假设移动物体为车辆8和车辆9，车辆8和车辆9均为非自动或自动驾驶的车辆)和目标车辆(目标车辆为自动驾驶的车辆)，车辆8的初始行驶方向与目标车辆的行驶方向相同，车辆8即将从当前车道向左变道或向右变道汇入目标车辆所在车道，车辆8汇入目标车辆所在车道后其所处位置在目标车辆的前方，车辆9的初始行驶方向与目标车辆的行驶方向存在交叉(如垂直交叉)，车辆9即将穿过目标车辆所在车道，车辆9穿过目标车辆所在车道时其所处位置在目标车辆的前方，此时车辆8和车辆9均对目标车辆的正常行驶构成危险。
参见图1G，图1G是本申请实施例提供的第七种自动驾驶纵向规划的场景示意图，包括移动物体(假设移动物体为车辆10、车辆11和车辆12，车辆10、车辆11和车辆12均为非自动或自动驾驶的车辆)和目标车辆(目标车辆为自动驾驶的车辆)，车辆10的初始行驶方向与目标车辆的行驶方向存在交叉(如垂直交叉)，车辆10即将从当前车道左转向或右转向汇入目标车辆所在车道，车辆10汇入目标车辆所在车道后其所处位置在目标车辆的前方，车辆11的初始行驶方向与目标车辆的行驶方向相同，车辆11即将从当前车道向左变道或向右变道汇入目标车辆所在车道，车辆11汇入目标车辆所在车道后其所处位置在目标车辆的前方，车辆12的初始行驶方向与目标车辆的行驶方向存在交叉(如垂直交叉)，车辆12即将穿过目标车辆所在车道，车辆12穿过目标车辆所在车道时其所处位置在目标车辆的前方，此时车辆10、车辆11和车辆12均对目标车辆的正常行驶造成危险。
参见图2A，图2A是本申请实施例提供的第一种自动驾驶纵向规划方法的流程示意图，该自动驾驶纵向规划方法包括步骤201-203，具体如下：
201：在t时刻，自动驾驶纵向规划装置根据移动物体的移动参数和预设参数获得所述移动物体在位移时间(Arc length and time，ST坐标系上的侵占区域，所述侵占区域中的各个位置点分别对应一个侵占度，所述侵占度用于指示所述移动物体在所述侵占度对应的位置点对目标车辆的正常行驶造成危险的概率。
其中，t时刻为自动驾驶纵向规划装置检测到移动物体即将对目标车辆的正常行驶造成危险的时刻。
其中，移动物体可以为行人，也可以为自行车，还可以为非自动或自动驾驶的车辆，在此不作限定。
其中，若位置点对应的侵占度为1，表示该位置点被移动物体本身所占据；若位置点对应的侵占度处于0～1，表示该位置点未被移动物体本身所占据但靠近移动物体本身，侵占度越大，越靠近移动物体本身。
在一些可能实施方式中，侵占区域包括第一子侵占区域，移动物体的移动参数包括第一运动参数和尺寸参数，预设参数包括预设距离值、距离阈值和第一侵占度衰减系数，自动驾驶纵向规划装置根据移动物体的移动参数和预设参数获得所述移动物体在位移时间ST坐标系上的侵占区域，包括：
若所述移动物体与所述目标车辆满足预设条件，则自动驾驶纵向规划装置根据所述第一运动参数、所述尺寸参数、所述预设距离值和所述距离阈值获得在m1时刻所述移动物体在所述ST坐标系上的第一位移范围，所述m1时刻为T1时刻至T2时刻中的任意一个，所述T1时刻为所述移动物体前端驶入所述目标车辆所在车道的时刻，所述T2时刻为所述移动物体后端与所述目标车辆前端之间的距离为所述距离阈值的时刻；其中，预设条件包括第一条件或第二条件，第一条件为：移动物体的行驶方向与目标车辆的行驶方向存在交叉、移动物体即将转向汇入目标车辆所在车道，且汇入后所述移动物体在目标车辆前方；第二条件为：移动物体的行驶方向与目标车辆的行驶方向相同、移动物体即将变道汇入目标车辆所在车道，且汇入后所述移动物体在目标车辆前方。
自动驾驶纵向规划装置根据多个第一位移范围和所述第一侵占度衰减系数获得所述移动物体在ST坐标系上的所述第一子侵占区域，所述第一侵占度衰减系数用于计算所述第一子侵占区域中的每个位置点的侵占度，所述多个第一位移范围包括在所述m1时刻得到的第一位移范围。
可以看出，相较于根据障碍物体的运动参数和长度获得障碍物体在ST坐标系上的障碍区域，障碍区域仅仅为障碍物体本身在ST坐标系上所占据的区域，在本申请实施例中，自动驾驶纵向规划装置在满足预设条件的两种自动驾驶纵向规划的场景下，根据第一运动参数、尺寸参数、预设距离值、距离阈值和第一侵占度衰减系数获得移动物体在ST坐标系上的侵占区域。由于侵占度用于指示移动物体在侵占度对应的位置点对目标车辆的正常行驶造成危险的概率，以及侵占区域包括与移动物体之间的距离不大于预设距离值的所有位置点在ST坐标系上所占据的侵占区域，因此移动物体在ST坐标系上的侵占区域能够更加准确反映出T1时刻至T2时刻移动物体对目标车辆的正常行驶造成碰撞危险和潜在碰撞危险的情况，这样有助于提高自动驾驶纵向规划的准确性。
在一些可能实施方式中，侵占区域还包括第二子侵占区域，预设参数还包括第二侵占度衰减系数，所述方法还包括：
自动驾驶纵向规划装置根据所述第一运动参数、所述尺寸参数、所述预设距离值和所述距离阈值获得在m2时刻所述移动物体在所述ST坐标系上的第二位移范围，所述m2时刻为所述T2时刻至所述t+n时刻中的任意一个；
自动驾驶纵向规划装置根据多个第二位移范围和所述第二侵占度衰减系数获得所述移动物体在ST坐标系上的所述第二子侵占区域，所述第二侵占度衰减系数用于计算所述第二子侵占区域中的每个位置点的侵占度，所述多个第二位移范围包括在所述m2时刻得到的第二位移范围。
举例来说，如图2B所示，图2B为本申请实施例提供的第一种自动驾驶纵向规划的参数示意图，第一运动参数包括移动物体前端与目标车辆所在车道之间的距离L1、t时刻移动物体的速率Vt、移动物体右转向汇入目标车辆所在车道的转弯半径R1、移动物体右转向汇入目标车辆所在车道的转弯速率Vt’、t时刻移动物体前端与目标车辆前端之间的距离L2和t时刻移动物体与目标车辆在目标车辆的行驶方向上的夹角α1，尺寸参数包括移动物体的长度a。
其中，预设距离值为常数，若移动物体与目标车辆之间的距离不大于预设距离值，则移动物体对目标车辆的正常行驶造成危险。
其中，距离阈值为常数，移动物体本身在ST坐标系上所占据的区域中纵坐标不大于距离阈值的每个位置点对应的侵占度均为1，移动物体本身在ST坐标系上所占据的区域中纵坐标大于距离阈值的所有位置点对应的侵占度从1线性衰减至0。
其中，T1＝t+L1/Vt；
其中，T2＝T1+(π×R1/2+a)/Vt’+[L’-(L2×cosα1+R1)]/Vt，L’为距离阈值；
其中，若T1≤m1＜T1+(π×R1/2+a)/Vt’，则m1时刻移动物体在ST坐标系上的第一位移范围为：[L2×cosα1+a×Vt’/(π×R1/2+a)×(m1-T1)-L”，L2×cosα1+a×Vt’/(π×R1/2+a)×(m1-T1)+L”]，L”为预设距离值。
其中，若T1+(π×R1/2+a)/Vt’≤m1≤T2，则m1时刻移动物体在ST坐标系上的第一位移范围为：[L2×cosα1+R1+(m1-T1-0.5×π×R1/Vt’-a/Vt’)×Vt-L”，L2×cosα1+R1+(m1-T1-0.5×π×R1/Vt’-a/Vt’)×Vt+a+L”]。
其中，m2时刻移动物体在ST坐标系上的第二位移范围为：[L’+(m2-T2)×Vt-L”，L’+(m2-T2)×Vt+a+L”]。
其中，t+n＝T2+1/β1/Vt，β1为移动物体本身在ST坐标系上所占据的区域中纵坐标大于距离阈值的所有位置点对应的侵占度衰减速率。
举例来说，如图2C所示，图2C是本申请实施例提供的第一种移动物体在ST坐标系上的侵占区域示意图，第一种移动物体在ST坐标系上的侵占区域包括第一子侵占区域和第二子侵占区域，第一子侵占区域包括区域S1、区域S2和区域S3，第二子区域包括区域S4、区域S5和区域S6，其中：
区域S1和区域S4为T1时刻至t+n时刻移动物体本身在ST坐标系上所占据的区域，区域S1中的每个位置点对应的侵占度均为1，区域S4中的所有位置点对应的侵占度沿第一射线的方向从1线性衰减至0，第一射线的斜率用于指示移动物体右转向汇入目标车辆所在车道后的速率；
区域S2和区域S5为T1时刻至t+n时刻与移动物体前端之间的距离不大于预设距离值的所有位置点在ST坐标系上所占据的区域，区域S2中的所有位置点对应的侵占度沿第二射线的方向从1线性衰减至0，区域S5中的所有位置点对应的侵占度沿第二射线的方向线性衰减至0，第二射线的方向是第一射线的方向沿逆时针方向旋转90°；
区域S3和区域S6为T1时刻至t+n时刻与移动物体后端之间的距离不大于预设距离值的所有位置点在ST坐标系上所占据的区域，区域S3中的所有位置点对应的侵占度沿第三射线的方向从1线性衰减至0，区域S6中的所有位置点对应的侵占度沿第三射线的方向线性衰减至0，第三射线的方向是第一射线的方向沿顺时针方向旋转90°。
举例来说，如图2D所示，图2D是本申请实施例提供的第二种自动驾驶纵向规划的参数示意图，第一运动参数包括t时刻移动物体后端与目标车辆前端之间的距离L3、t时刻移动物体与目标车辆在目标车辆的行驶方向上的夹角α2、t时刻移动物体的速率Vt、移动物体向右变道汇入目标车辆所在车道的变道夹角α3和移动物体向右变道汇入目标车辆所在车道的变道速率Vt’，尺寸参数包括移动物体的长度a。
其中，T1＝t；
其中，T2＝t+L3×sinα2/sinα3/Vt’+(L’-L3×cosα2-L3×sinα2/tanα3)/Vt，L’为距离阈值；
其中，若T1≤m1＜T1+L3×sinα2/sinα3/Vt’，则m1时刻移动物体在ST坐标系上的第一位移范围为：[L3×cosα2+a×sinα3×Vt’/L3/sinα2×(m1-T1)-L”，L3×cosα2+a×sinα3×Vt’/L3/sinα2×(m1-T1)+L”]，L”为预设距离值。
其中，若T1+L3×sinα2/sinα3/Vt’≤m1≤T2，则m1时刻移动物体在ST坐标系上的第一位移范围为：[L3×cosα2+L3×sinα2/tanα3+(m1-T1-L3×sinα2/sinα3/Vt’)×Vt-L”，L3×cosα2+L3×sinα2/tanα3+(m1-T1-L3×sinα2/sinα3/Vt’)×Vt+a+L”]。
其中，m2时刻移动物体在ST坐标系上的第二位移范围为：[L’+(m2-T2)×Vt-L”，L’+(m2-T2)×Vt+a+L”]。
举例来说，如图2E所示，图2E是本申请实施例提供的第二种移动物体在ST坐标系上的侵占区域示意图，第二种移动物体在ST坐标系上的侵占区域包括第一子侵占区域和第二子侵占区域，第一子侵占区域包括区域S7、区域S8和区域S9，第二子区域包括区域S10、区域S11和区域S12，其中：
区域S7和区域S10为T1时刻至t+n时刻移动物体本身在ST坐标系上所占据的区域，区域S7中的每个位置点对应的侵占度均为1，区域S10中的所有位置点对应的侵占度沿第一射线的方向从1线性衰减至0，第一射线的斜率用于指示移动物体向右变道汇入目标车辆所在车道后的速率；
区域S8和区域S11为T1时刻至t+n时刻与移动物体前端之间的距离不大于预设距离值的所有位置点在ST坐标系上所占据的区域，区域S8中的所有位置点对应的侵占度沿第二射线的方向从1线性衰减至0，区域S11中的所有位置点对应的侵占度沿第二射线的方向线性衰减至0，第二射线的方向是第一射线的方向沿逆时针旋转90°；
区域S9和区域S12为T1时刻至t+n时刻与移动物体后端之间的距离不大于预设距离值的所有位置点在ST坐标系上所占据的区域，区域S9中的所有位置点对应的侵占度沿第三射线的方向从1线性衰减至0，区域S12中的所有位置点对应的侵占度沿第三射线的方向线性衰减至0，第三射线的方向是第一射线的方向沿顺时针旋转90°。
可以看出，相较于根据障碍物体的运动参数和长度获得障碍物体在ST坐标系上的障碍区域，障碍区域仅仅为障碍物体本身在ST坐标系上所占据的区域，在本申请实施例中，自动驾驶纵向规划装置在满足预设条件的两种自动驾驶纵向规划的场景下，根据第一运动参数、尺寸参数、预设距离值、距离阈值、第一侵占度衰减系数和第二侵占度衰减系数获得移动物体在ST坐标系上的侵占区域。由于侵占度用于指示移动物体在侵占度对应的位置点对目标车辆的正常行驶造成危险的概率，以及侵占区域包括与移动物体之间的距离不大于预设距离值的所有位置点在ST坐标系上所占据的侵占区域，因此移动物体在ST坐标系上的侵占区域能够更加准确反映出T1时刻至t+n时刻移动物体对目标车辆的正常行驶造成碰撞危险和潜在碰撞危险的情况，这样有助于提高自动驾驶纵向规划的准确性。
在一些可能实施方式中，移动物体的移动参数包括第一运动参数和尺寸参数，预设参数包括预设距离值、时间阈值和第一侵占度衰减系数，自动驾驶纵向规划装置根据移动物体的移动参数和预设参数获得所述移动物体在位移时间ST坐标系上的侵占区域，包括：
若所述移动物体与所述目标车辆行驶方向存在交叉、所述移动物体即将穿过所述目标车辆所在车道，且穿过时所述移动物体在所述目标车辆前方，则自动驾驶纵向规划装置根据所述第一运动参数、所述尺寸参数和所述预设距离值获得在m3时刻所述移动物体在所述ST坐标系上的第三位移范围，所述m3时刻为T3时刻至所述t+n时刻中的任意一个，所述T3时刻为所述移动物体前端驶入所述目标车辆所在车道的时刻；
若所述t+n时刻不大于所述时间阈值，则自动驾驶纵向规划装置根据多个第三位移范围和所述第一侵占度衰减系数获得所述移动物体在ST坐标系上的侵占区域，所述第一侵占度衰减系数用于计算所述侵占区域中的每个位置点的侵占度，所述多个第三位移范围包括在所述m3时刻得到的第三位移范围。
可以看出，相较于根据障碍物体的运动参数和长度获得障碍物体在ST坐标系上的障碍区域，障碍区域仅仅为障碍物体本身在ST坐标系上所占据的区域，在本申请实施例中，自动驾驶纵向规划装置在移动物体即将穿过目标车辆所在车道且穿过时移动物体在目标车辆前方，根据第一运动参数、尺寸参数、预设距离值、时间阈值和第一侵占度衰减系数获得移动物体在ST坐标系上的侵占区域。由于侵占度用于指示移动物体在侵占度对应的位置点对目标车辆的正常行驶造成危险的概率，以及侵占区域包括与移动物体之间的距离不大于预设距离值的所有位置点在ST坐标系上所占据的区域，因此移动物体在ST坐标系上的侵占区域能够更加准确反映出T3时刻至t+n时刻(不大于时间阈值)移动物体对目标车辆的正常行驶造成碰撞危险和潜在碰撞危险的情况，这样有助于提高自动驾驶纵向规划的准确性。
在一些可能实施方式中，所述预设参数还包括第三侵占度衰减系数，所述方法还包括：
若所述t+n时刻大于所述时间阈值，则自动驾驶纵向规划装置根据多个第三位移范围、所述第一侵占度衰减系数和所述第三侵占度衰减系数获得所述移动物体在ST坐标系上的侵占区域，所述侵占区域包括第三子侵占区域和第四子侵占区域，所述第三子侵占区域中的每个位置点的横坐标均不大于所述时间阈值，所述第四子侵占区域中的每个位置点的横坐标均大于所述时间阈值，所述第一侵占度衰减系数用于计算所述第三子侵占区域中的每个位置点的侵占度，所述第三侵占度衰减系数用于计算所述第四子侵占区域中的每个位置点的侵占度，所述多个第三位移范围包括在所述m3时刻得到的第三位移范围。
举例来说，如图2F所示，图2F是本申请实施例提供的第三种自动驾驶纵向规划的参数示意图，第一运动参数包括t时刻移动物体前端与目标车辆前端之间的距离L4、t时刻移动物体与目标车辆在目标车辆的行驶方向上的夹角α4，t时刻移动物体前端与目标车辆所在车道的最近距离L5、t时刻移动物体前端与目标车辆所在车道的最远距离L6和t时刻移动物体的速率Vt，尺度参数包括移动物体的长度a和宽度b。
其中，T3＝t+L5/Vt；
其中，m3时刻移动物体在ST坐标系上的第三位移范围为：[L4×cosα4-b/2-L”，L4×cosα4+b/2+L”]，L”为预设距离值。
其中，时间阈值为常数，移动物体本身在ST坐标系上所占据的区域中横坐标不大于时间阈值的每个位置点对应的侵占度均为1，移动物体本身在ST坐标系上所占据的区域中横坐标大于时间阈值的所有位置点对应的侵占度从1线性衰减至0。
其中，t+n＝t+(L6+a)/Vt+1/β2/Vt，β2为移动物体本身在ST坐标系上所占据的区域中横坐标大于距离阈值的所有位置点对应的侵占度衰减速率。
举例来说，如图2G所示，图2G是本申请实施例提供的第三种移动物体在ST坐标系上的侵占区域示意图，第三种移动物体在ST坐标系上的侵占区域包括区域S13、区域S14和区域S15，区域S13、区域S14和区域S15中的任意一个区域中的每个位置点的横坐标均不大于时间阈值，其中：
区域S13为T3时刻至t+n时刻移动物体本身在ST坐标系上所占据的区域，区域S13中的每个位置点对应的侵占度均为1；
区域S14为T3时刻至t+n时刻与移动物体右侧之间的距离不大于预设距离值的所有位置点在ST坐标系上所占据的区域，区域S14中的所有位置点对应的侵占度沿纵轴正方向从1线性衰减至0；
区域S15为T3时刻至t+n时刻与移动物体左侧之间的距离不大于预设距离值的所有位置点在ST坐标系上所占据的区域，区域S15中的所有位置点对应的侵占度沿纵轴负方向从1线性衰减至0。
举例来说，如图2H所示，图2H是本申请实施例提供的第四种移动物体在ST坐标系上的侵占区域示意图，第四种移动物体在ST坐标系上的侵占区域包括第三子侵占区域和第四子侵占区域，第三子侵占区域包括区域S16、区域S17和区域S18，第四子侵占区域包括区域S19、区域S20和区域S21，区域S16、区域S17和区域S18中的任意一个区域中的每个位置点的横坐标均不大于时间阈值，区域S19、区域S20和区域S21中的任意一个区域中的每个位置点的横坐标均大于时间阈值，其中：
区域S16和区域S19为T3时刻至t+n时刻移动物体本身在ST坐标系上所占据的区域，区域S16中的每个位置点对应的侵占度均为1，区域S19中的所有位置点对应的侵占度沿横轴正方向从1线性衰减至0；
区域S17和区域S20为T3时刻至t+n时刻与移动物体右侧之间的距离不大于预设距离值的所有位置点在ST坐标系上所占据的区域，区域S17中的所有位置点对应的侵占度沿纵轴正方向从1线性衰减至0，区域S20中的所有位置点对应的侵占度沿纵轴正方向线性衰减至0；
区域S18和区域S21为T3时刻至t+n时刻与移动物体左侧之间的距离不大于预设距离值的所有位置点在ST坐标系上所占据的区域，区域S18中的所有位置点对应的侵占度沿纵轴负方向从1线性衰减至0，区域S21中的所有位置点对应的侵占度沿纵轴负方向线性衰减至0。
可以看出，相较于根据障碍物体的运动参数和长度获得障碍物体在ST坐标系上的障碍区域，障碍区域仅仅为障碍物体本身在ST坐标系上所占据的区域，在本申请实施例中，自动驾驶纵向规划装置在移动物体即将穿过目标车辆所在车道且穿过时移动物体在目标车辆前方，根据第一运动参数、尺寸参数、预设距离值、时间阈值、第一侵占度衰减系数和第三侵占度衰减系数获得移动物体在ST坐标系上的侵占区域。由于侵占度用于指示移动物体在侵占度对应的位置点对目标车辆的正常行驶造成危险的概率，以及侵占区域包括与移动物体之间的距离不大于预设距离值的所有位置点在ST坐标系上所占据的区域，因此移动物体在ST坐标系上的侵占区域能够更加准确反映出T3时刻至t+n时刻(大于时间阈值)移动物体对目标车辆的正常行驶造成碰撞危险和潜在碰撞危险的情况，这样有助于提高自动驾驶纵向规划的准确性。
202：自动驾驶纵向规划装置根据所述目标车辆的移动参数和所述侵占区域获得所述目标车辆在所述ST坐标系上的运动曲线。
其中，运动曲线是t时刻至t+n时刻目标车辆在ST坐标系上的n+1个位置点的连线。
在一些可能实施方式中，目标车辆的移动参数包括第二运动参数和第一位置点，第一位置点为所述ST坐标系的原点，自动驾驶纵向规划装置根据所述目标车辆的移动参数和所述侵占区域获得所述目标车辆在所述ST坐标系上的运动曲线，包括：
自动驾驶纵向规划装置根据所述第二运动参数、所述第一位置点和所述侵占区域获得所述t+1时刻至所述t+n时刻所述目标车辆在所述ST坐标系上的n个第二位置点；
自动驾驶纵向规划装置根据所述第一位置点和所述n个第二位置点获得所述目标车辆在所述ST坐标系上的初始运动曲线；
自动驾驶纵向规划装置对所述初始运动曲线执行滤波操作，得到所述目标车辆在所述ST坐标系上的运动曲线。
具体地，自动驾驶纵向规划装置根据第一位置点和n个第二位置点获得目标车辆在ST坐标系上的初始运动曲线的实施方式可以为：
自动驾驶纵向规划装置对第一位置点和第1个第二位置点执行第1次连接操作；
在第1次连接操作结束后，自动驾驶纵向规划装置对第i个第二位置点和第i+1个第二位置点执行第i+1次连接操作；
在第i+1次连接操作结束后，自动驾驶纵向规划装置对第i+1个第二位置点和第i+2个第二位置点执行第i+2次连接操作；
直到i＝n-1，自动驾驶纵向规划装置得到目标车辆在ST坐标系上的初始运动曲线，i是初始值为1，以1为间隔的递增整数。
其中，滤波包括空间滤波和/或时间滤波，空间滤波包括高斯滤波、巴特沃斯滤波、滑动平均滤波、限幅滤波等，时间滤波包括高斯滤波、巴特沃斯滤波、滑动平均滤波、限幅滤波等。
举例来说，如图2I所示，图2I是本申请实施例提供的一种目标车辆在ST坐标系上的初始运动曲线，该目标车辆在ST坐标系上的初始运动曲线包括依次连接的第一位置点、第二位置点1、第二位置点2、第二位置点3、第二位置点4、第二位置点5、第二位置点6和第二位置点7。
可以看出，在本申请实施例中，由于侵占区域能够更加准确反应出移动物体对目标车辆的正常行驶造成碰撞危险和潜在碰撞危险的情况，因此自动驾驶纵向规划装置根据目标车辆的移动参数和侵占区域获得的n个第二位置点更加准确，进而根据第一位置点和n个第二位置点获得的初始运动曲线更加准确。此外，由于对初始运动曲线执行滤波操作，因此得到的目标车辆在ST坐标系上的运动曲线更加准确，这样有助于提高自动驾驶纵向规划的准确性。
在一些可能实施方式中，自动驾驶纵向规划装置根据所述第二运动参数、所述第一位置点和所述侵占区域获得所述t+1时刻至所述t+n时刻所述目标车辆在所述ST坐标系上的n个第二位置点，包括：
自动驾驶纵向规划装置根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻至m4+1时刻所述目标车辆的加速度值am4，所述m4时刻为所述t时刻至t+n-1时刻中的任意一个；
自动驾驶纵向规划装置根据所述位置点(m4,Sm4)、所述m4时刻所述目标车辆的速率Vm4和所述加速度值am4获得所述m4+1时刻所述目标车辆在所述ST坐标系上的第二位置点；
自动驾驶纵向规划装置对所述t+1时刻至所述t+n时刻中除所述m4时刻之外的(n-1)个时刻执行相同操作，得到所述目标车辆在所述ST坐标系上的(n-1)个第二位置点。
其中，m4+1时刻目标车辆的速率Vm4+1是根据m4时刻目标车辆的速率Vm4、m4时刻至m4+1时刻目标车辆的加速度值am4和速率公式确定的。
其中，速率公式为：
Vm4+1＝Vm4+am4×(m4+1-m4)，
Vm4+1为m4+1时刻目标车辆的速率，Vm4为m4时刻目标车辆的速率，am4为m4时刻至m4+1时刻目标车辆的加速度值。
具体地，自动驾驶纵向规划装置根据位置点(m4,Sm4)、m4时刻目标车辆的速率Vm4和加速度值am4获得m4+1时刻目标车辆在ST坐标系上的第二位置点的实施方式可以为：
自动驾驶纵向规划装置根据位置点(m4,Sm4)、m4时刻目标车辆的速率Vm4、加速度值am4和位置公式获得m4+1时刻目标车辆在ST坐标系上的第二位置点。
其中，位置公式为：
Sm4+1＝Sm4+Vm4×(m4+1-m4)+0.5×am4×(m4+1-m4)2，
Sm4+1为m4+1时刻目标车辆在ST坐标系上的第二位置点，Sm4＝t为t时刻目标车辆在ST坐标系上的第一位置点，Sm4≠t为m4时刻目标车辆在ST坐标系上的第二位置点，Vm4为m4时刻目标车辆的速率，am4为m4时刻至m4+1时刻目标车辆的加速度值。
可以看出，在本申请实施例中，自动驾驶纵向规划装置根据m4时刻目标车辆在ST坐标系上的位置点(m4,Sm4)、m4时刻目标车辆的速率Vm4和m4时刻至m4+1时刻目标车辆的加速度值am4获得m4+1时刻目标车辆在ST坐标系上的第二位置点。由于侵占区域能够更加准确反映出移动物体对目标车辆的正常行驶造成碰撞危险和潜在碰撞危险的情况，因此获得的m4+1时刻目标车辆在ST坐标系上的第二位置点更加准确，这样有助于提高自动驾驶纵向规划的准确性。
在一些可能实施方式中，第二运动参数包括最大加速度值amax、最小加速度值amin和速率上限值，自动驾驶纵向规划装置根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻至m4+1时刻所述目标车辆的加速度值am4，包括：
自动驾驶纵向规划装置根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆的抢行临界加速度值a1、避让临界加速度值a2和抢行临界速率；
若所述抢行临界速率不大于所述速率上限值，则自动驾驶纵向规划装置将[amin,a2]∪[a1,amax]中的任意一个加速度值确定为所述m4时刻至m4+1时刻所述目标车辆的加速度值am4；
若所述抢行临界速率大于所述速率上限值，则自动驾驶纵向规划装置将[amin,a2]中的任意一个加速度值确定为所述m4时刻至m4+1时刻所述目标车辆的加速度值am4。
其中，速率上限值是目标车辆所在车道的限速值、目标车辆的转弯速率和目标车辆自身所能达到的最大速率值三者中最小的，目标车辆的转弯速率等于目标车辆转弯时的转弯半径R2与向心加速度an的乘积的1/2次方。
可以看出，在本申请实施例中，自动驾驶纵向规划装置根据m4时刻目标车辆的抢行临界加速度值a1、避让临界加速度值a2、抢行临界速率和第二运动参数获得m4时刻至m4+1时刻目标车辆的加速度值am4。由于侵占区域能够更加准确反映出移动物体对目标车辆的正常行驶造成碰撞危险和潜在碰撞危险的情况，因此获得的m4时刻至m4+1时刻目标车辆的加速度值am4更加准确，这样有助于提高自动驾驶纵向规划的准确性。
其中，若抢行临界速率不大于速率上限值，则m4时刻至m4+1时刻目标车辆的加速度值am4为最大加速度值amax或者[amin,a2]∪[a1,amax]中除最大加速度值amax之外的任意一个加速度值。
可见，在本示例中，相较于m4时刻至m4+1时刻目标车辆的加速度值am4为[amin,a2]∪[a1,amax]中除最大加速度值amax之外的任意一个加速度值，m4时刻至m4+1时刻目标车辆的加速度值am4为最大加速度值amax，这样使得目标车辆加快摆脱移动物体对目标车辆造成的危险。
其中，若抢行临界速率大于速率上限值，则m4时刻至m4+1时刻目标车辆的加速度值am4为避让临界加速度值a2或者[amin,a2]中除避让临界加速度值a2之外的任意一个加速度值。
可见，在本示例中，m4时刻至m4+1时刻目标车辆的加速度值am4为[amin,a2]中除避让临界加速度值a2之外的任意一个加速度值，m4时刻至m4+1时刻目标车辆的加速度值am4为避让临界加速度值a2，这样使得目标车辆加快摆脱移动物体对目标车辆造成的危险。
在一些可能实施方式中，第二运动参数包括最大加速度值amax、最小加速度值amin和速率上限值，自动驾驶纵向规划装置根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻至m4+1时刻所述目标车辆的加速度值am4，包括：
自动驾驶纵向规划装置根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆的抢行临界加速度值a1、避让临界加速度值a2和抢行临界速率；
自动驾驶纵向规划装置将所述最大加速度值amax、所述最小加速度值amin、所述速率上限值a1、所述抢行临界加速度值a2、所述避让临界加速度值和所述抢行临界速率输入神经网络模型进行计算，得到在所述m4时刻至m4+1时刻所述目标车辆的行车策略；
若所述行车策略为抢行，则自动驾驶纵向规划装置将[amin,a2]∪[a1,amax]中的任意一个加速度值确定为所述m4时刻至m4+1时刻所述目标车辆的加速度值am4；
若所述行车策略为避让，则自动驾驶纵向规划装置将[amin,a2]中的任意一个加速度值确定为所述m4时刻至m4+1时刻所述目标车辆的加速度值am4。
可以看出，在本申请实施例中，自动驾驶纵向规划装置根据m4时刻目标车辆的抢行临界加速度值a1、避让临界加速度值a2、抢行临界速率和第二运动参数获得m4时刻至m4+1时刻目标车辆的加速度值am4。由于侵占区域能够更加准确反映出移动物体对目标车辆的正常行驶造成碰撞危险和潜在碰撞危险的情况，因此获得的m4时刻至m4+1时刻目标车辆的加速度值am4更加准确，这样有助于提高自动驾驶纵向规划的准确性。
其中，若行车策略为抢行，则m4时刻至m4+1时刻目标车辆的加速度值am4为最大加速度值amax或者[amin,a2]∪[a1,amax]中除最大加速度值amax之外的任意一个加速度值。
可见，在本示例中，相较于m4时刻至m4+1时刻目标车辆的加速度值am4为[amin,a2]∪[a1,amax]中除最大加速度值amax之外的任意一个加速度值，m4时刻至m4+1时刻目标车辆的加速度值am4为最大加速度值amax，这样使得目标车辆加快摆脱移动物体对目标车辆造成的危险。
其中，若行车策略为避让，则m4时刻至m4+1时刻目标车辆的加速度值am4为避让临界加速度值a2或者[amin,a2]中除避让临界加速度值a2之外的任意一个加速度值。
可见，在本示例中，m4时刻至m4+1时刻目标车辆的加速度值am4为[amin,a2]中除避让临界加速度值a2之外的任意一个加速度值，m4时刻至m4+1时刻目标车辆的加速度值am4为避让临界加速度值a2，这样使得目标车辆加快摆脱移动物体对目标车辆造成的危险。
在一个可能实施方式中，自动驾驶纵向规划装置根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆的抢行临界加速度值a1、避让临界加速度值a2和抢行临界速率，包括：
自动驾驶纵向规划装置根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆对应的抢行临界曲线和避让临界曲线；
自动驾驶纵向规划装置根据所述抢行临界曲线获得所述m4时刻所述目标车辆的抢行临界加速度值a1；
自动驾驶纵向规划装置根据所述避让临界曲线获得所述m4时刻所述目标车辆的避让临界加速度值a2；
自动驾驶纵向规划装置将所述抢行临界曲线的最大斜率值确定为所述m4时刻所述目标车辆的抢行临界速率，所述最大斜率值对应的位置点在所述侵占区域内。
具体地，自动驾驶纵向规划装置根据抢行临界曲线获得m4时刻目标车辆的抢行临界加速度值的实施方式可以为：自动驾驶纵向规划装置对抢行临界曲线对应的函数进行二次微分，得到m4时刻目标车辆的抢行临界加速度值。
具体地，自动驾驶纵向规划装置根据避让临界曲线获得m4时刻目标车辆的避让临界加速度值的实施方式可以为：自动驾驶纵向规划装置对避让临界曲线对应的函数进行二次微分，得到m4时刻目标车辆的避让临界加速度值。
举例来说，如图2J所示，图2J是本申请实施例提供的一种目标车辆的抢行临界速率的示意图，抢行临界曲线包括依次连接的第一位置点、第二位置点1、第二位置点2、第二位置点3和第二位置点4，抢行临界速率对应第二位置点4，第二位置点4在侵占区域内。
可以看出，在本申请实施例中，自动驾驶纵向规划装置根据m4时刻目标车辆对应的抢行临界曲线和避让临界曲线获得m4时刻目标车辆的抢行临界加速度值a1、避让临界加速度值a2和抢行临界速率。由于侵占区域能够更加准确反映出移动物体对目标车辆的正常行驶造成碰撞危险和潜在碰撞危险的情况，因此获得的m4时刻目标车辆的抢行临界加速度值a1、避让临界加速度值a2和抢行临界速率更加准确，这样有助于提高自动驾驶纵向规划的准确性。
在一些可能实施方式中，自动驾驶纵向规划装置根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆对应的抢行临界曲线和避让临界曲线，包括：
自动驾驶纵向规划装置根据所述速率Vm4、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和M1个加速度值获得所述m4时刻所述目标车辆在所述ST坐标系上的M1条抛物线，所述M1条抛物线与所述M1个加速度值一一对应，所述M1个加速度值的取值范围为[amin,amax]，所述M1为正整数；
自动驾驶纵向规划装置从所述M1条抛物线中选取与所述侵占区域相交的M2条抛物线，以及根据所述M2条抛物线确定M2个目标侵占度，所述M2个目标侵占度与所述M2条抛物线一一对应，所述M2个目标侵占度均小于预设侵占度，所述M2为小于或等于M1的正整数；
自动驾驶纵向规划装置根据所述M2个目标侵占度获得m4时刻所述目标车辆对应的抢行临界曲线和避让临界曲线。
具体地，自动驾驶纵向规划装置根据速率Vm4、m4时刻目标车辆在ST坐标系上的位置点(m4,Sm4)和M1个加速度值获得m4时刻目标车辆在ST坐标系上的M1条抛物线的实施方式可以为：自动驾驶纵向规划装置根据速率Vm4、m4时刻目标车辆在ST坐标系上的位置点(m4,Sm4)、M1个加速度值和抛物线公式获得m4时刻目标车辆在ST坐标系上的M1条抛物线。
其中，抛物线公式为：
Sam＝Sm4+Vm4×(t-m4)+0.5×am×(t-m4)2，
Sam为m4时刻目标车辆在ST坐标系上的第m条抛物线，Sm4为m4时刻目标车辆在ST坐标系上的纵坐标，am为M1个加速度值中的第m个加速度值。
其中，每条抛物线对应的侵占度为在每条抛物线上且在侵占区域内的多个位置点对应的多个侵占度中的最大侵占度。
其中，M2条抛物线对应的侵占度沿加速度值减小的方向先逐渐增大后逐渐减小或沿加速值减小的方向逐渐减小。
具体地，自动驾驶纵向规划装置根据M2个目标侵占度获得m4时刻目标车辆对应的抢行临界曲线和避让临界曲线的实施方式可以为：
若M2条抛物线对应的侵占度沿加速度值减小的方向先逐渐增大后逐渐减小，则根据M2个目标侵占度获得第i条抛物线为m4时刻目标车辆对应的抢行临界曲线和第j条抛物线为m4时刻目标车辆对应的避让临界曲线，i和j均不大于M2；
或者，若M2条抛物线对应的侵占度沿加速值减小方向逐渐减小，则根据M2个目标侵占度获得不存在m4时刻目标车辆对应的抢行临界曲线和第k条抛物线为m4时刻目标车辆对应的避让临界曲线，k不大于M2；
其中，第i条抛物线对应的侵占度满足以下条件：
沿加速度值减小的方向第i条抛物线对应的侵占度不大于预设侵占度且第i+1条抛物线对应的侵占度大于预设侵占度，预设侵占值为1。
其中，第j条抛物线对应的侵占度满足以下条件：
沿加速度值减小的方向第j-1条抛物线对应的侵占度大于预设侵占度且第j条抛物线对应的侵占度不大于预设侵占度。
其中，第k条抛物线对应的侵占度满足以下条件：
沿加速度值减小的方向第k-1条抛物线对应的侵占度大于预设侵占度且第k条抛物线对应的侵占度不大于预设侵占度。
举例来说，如图2K所示，图2K是本申请实施例提供的一种目标车辆对应的抢行临界曲线和避让临界曲线的示意图，抛物线1、抛物线2和抛物线3均与区域17相交，抛物线对应的侵占度：抛物线1＜抛物线2＜抛物线3，抛物线4、抛物线5和抛物线6均与区域18相交，抛物线对应的侵占度：抛物线4＞抛物线5＞抛物线6，自动驾驶纵向规划装置将抛物线3确定为目标车辆对应的抢行临界曲线和将抛物线4确定为目标车辆对应的避让临界曲线。
可以看出，在本申请实施例中，自动驾驶纵向规划装置根据第二运动参数、m4时刻目标车辆在ST坐标系上的位置点(m4,Sm4)和侵占区域获得m4时刻目标车辆对应的抢行临界曲线和避让临界曲线。由于侵占区域能够更加准确反映出移动物体对目标车辆的正常行驶造成碰撞危险和潜在碰撞危险的情况，因此获得的m4时刻目标车辆对应的抢行临界曲线和避让临界曲线更加准确，这样有助于提高自动驾驶纵向规划的准确性。
203：自动驾驶纵向规划装置根据所述运动曲线获得所述目标车辆在t+1时刻至t+n时刻中的每个时刻的速率，所述t+n时刻为所述移动物体对所述目标车辆的正常行驶不造成危险的时刻，所述速率用于对所述目标车辆进行自动驾驶纵向规划，n为大于1的整数。
其中，目标车辆在t+1时刻至t+n时刻中的每个时刻的速率是在运动曲线上每个时刻对应的位置点的斜率。
其中，t+n时刻移动物体对目标车辆的正常行驶不造成危险包括t+n时刻开始移动物体对目标车辆的正常行驶不造成危险，或者t+n时刻后移动物体对目标车辆的正常行驶不造成危险。
可以看出，相较于根据障碍物体的运动参数和长度获得障碍物体在ST坐标系上的障碍区域，障碍区域仅仅为障碍物体本身在ST坐标系上所占据的区域，在本申请实施例中，由于侵占度用于指示移动物体在侵占度对应的位置点对目标车辆的正常行驶造成危险的概率，因此自动驾驶纵向规划装置根据移动物体的移动参数和预设参数获得的移动物体在ST坐标系上的侵占区域能够更加准确反映出移动物体对目标车辆的正常行驶造成碰撞危险和潜在碰撞危险的情况，进而根据目标车辆的移动参数和侵占区域获得的目标车辆在ST坐标系上的运动曲线更加准确，以及根据运动曲线获得的目标车辆在t+1时刻至t+n时刻中的每个时刻的速率更加准确，这样有助于提高自动驾驶纵向规划的准确性。
其中，自动驾驶纵向规划方法不仅适用于移动物体一直做匀速运动、分段做匀速运动，同样适用于移动物体做变速运动，在此不作限定。
参见图3，图3是本申请实施例提供的第二种自动驾驶纵向规划方法的流程示意图，该自动驾驶纵向规划方法包括步骤301-306，具体如下：
301：自动驾驶纵向规划装置向车载云平台发送在t时刻移动物体的移动参数和预设参数以及目标车辆的移动参数。
302：车载云平台接收所述自动驾驶纵向规划装置发送的在t时刻所述移动物体的移动参数和预设参数以及所述目标车辆的移动参数，根据所述移动物体的移动参数和预设参数获得所述移动物体在位移时间(Arc length and time，ST)坐标系上的侵占区域，所述侵占区域中的各个位置点分别对应一个侵占度，所述侵占度用于指示所述移动物体在所述侵占度对应的位置点对目标车辆的正常行驶造成危险的概率。
303：车载云平台根据所述目标车辆的移动参数和所述侵占区域获得所述目标车辆在所述ST坐标系上的运动曲线。
304：车载云平台根据所述运动曲线获得所述目标车辆在t+1时刻至t+n时刻中的每个时刻的速率，所述t+n时刻为所述移动物体对所述目标车辆的正常行驶不造成危险的时刻，所述速率用于对所述目标车辆进行自动驾驶纵向规划，n为大于1的整数。
305：车载云平台向所述自动驾驶纵向规划装置发送所述目标车辆在t+1时刻至t+n时刻中的每个时刻的速率。
306、自动驾驶纵向规划装置接收所述车载云平台发送的所述目标车辆在t+1时刻至t+n时刻中的每个时刻的速率。
其中，图3各步骤的具体实现过程可参见图2A所述的相关步骤的具体描述，在此不再叙述。
参见图4，图4是本申请实施例提供的一种自动驾驶纵向规划装置的功能单元组成框图，该自动驾驶纵向规划装置400包括：
获取单元401，用于在t时刻，根据移动物体的移动参数和预设参数获得所述移动物体在位移时间(Arc length and time，ST)坐标系上的侵占区域，所述侵占区域中的各个位置点分别对应一个侵占度，所述侵占度用于指示所述移动物体在所述侵占度对应的位置点对目标车辆的正常行驶造成危险的概率；
确定单元402，用于根据所述目标车辆的移动参数和所述侵占区域获得所述目标车辆在ST坐标系上的运动曲线；
所述确定单元402，还用于根据所述运动曲线获得所述目标车辆在t+1时刻至t+n时刻中的每个时刻的速率，所述t+n时刻为所述移动物体对所述目标车辆的正常行驶不造成危险的时刻，所述速率用于对所述目标车辆进行自动驾驶纵向规划，n为大于1的整数。
在一些可能实施方式中，侵占区域包括第一子侵占区域，移动物体的移动参数包括第一运动参数和尺寸参数，预设参数包括预设距离值、距离阈值和第一侵占度衰减系数，在根据移动物体的移动参数和预设参数获得所述移动物体在位移时间ST坐标系上的侵占区域方面，获取单元401具体用于：
若所述移动物体与所述目标车辆满足预设条件，则根据所述第一运动参数、所述尺寸参数、所述预设距离值和所述距离阈值获得在m1时刻所述移动物体在所述ST坐标系上的第一位移范围，所述m1时刻为T1时刻至T2时刻中的任意一个，所述T1时刻为所述移动物体前端驶入所述目标车辆所在车道的时刻，所述T2时刻为所述移动物体后端与所述目标车辆前端之间的距离为所述距离阈值的时刻；
根据多个第一位移范围和所述第一侵占度衰减系数获得所述移动物体在ST坐标系上的所述第一子侵占区域，所述第一侵占度衰减系数用于计算所述第一子侵占区域中的每个位置点的侵占度，所述多个第一位移范围包括在所述m1时刻得到的第一位移范围。
在一些可能实施方式中，侵占区域还包括第二子侵占区域，预设参数还包括第二侵占度衰减系数，在根据移动物体的移动参数和预设参数获得所述移动物体在位移时间ST坐标系上的侵占区域方面，获取单元401具体用于：
根据所述第一运动参数、所述尺寸参数、所述预设距离值和所述距离阈值获得在m2时刻所述移动物体在所述ST坐标系上的第二位移范围，所述m2时刻为所述T2时刻至所述t+n时刻中的任意一个；
根据多个第二位移范围和所述第二侵占度衰减系数获得所述移动物体在ST坐标系上的所述第二子侵占区域，所述第二侵占度衰减系数用于计算所述第二子侵占区域中的每个位置点的侵占度，所述多个第二位移范围包括在所述m2时刻得到的第二位移范围。
在一些可能实施方式中，预设条件包括第一条件或第二条件，其中：
所述第一条件为：所述移动物体的行驶方向与所述目标车辆的行驶方向存在交叉、所述移动物体即将转向汇入所述目标车辆所在车道，且汇入后所述移动物体在所述目标车辆前方；
所述第二条件为：所述移动物体的行驶方向与所述目标车辆的行驶方向相同、所述移动物体即将变道汇入所述目标车辆所在车道，且汇入后所述移动物体在所述目标车辆前方。
在一些可能实施方式中，移动物体的移动参数包括第一运动参数和尺寸参数，预设参数包括预设距离值、时间阈值和第一侵占度衰减系数，在根据移动物体的移动参数和预设参数获得所述移动物体在位移时间ST坐标系上的侵占区域方面，获取单元401具体用于：
若所述移动物体与所述目标车辆行驶方向存在交叉、所述移动物体即将穿过所述目标车辆所在车道，且穿过时所述移动物体在所述目标车辆前方，则根据所述第一运动参数、所述尺寸参数和所述预设距离值获得在m3时刻所述移动物体在所述ST坐标系上的第三位移范围，所述m3时刻为T3时刻至所述t+n时刻中的任意一个，所述T3时刻为所述移动物体前端驶入所述目标车辆所在车道的时刻；
若所述t+n时刻不大于所述时间阈值，则根据多个第三位移范围和所述第一侵占度衰减系数获得所述移动物体在ST坐标系上的侵占区域，所述第一侵占度衰减系数用于计算所述侵占区域中的每个位置点的侵占度，所述多个第三位移范围包括在所述m3时刻得到的第三位移范围。
在一些可能实施方式中，预设参数还包括第三侵占度衰减系数，在根据移动物体的移动参数和预设参数获得所述移动物体在位移时间ST坐标系上的侵占区域方面，获取单元401具体用于：
若所述t+n时刻大于所述时间阈值，则根据多个第三位移范围、所述第一侵占度衰减系数和所述第三侵占度衰减系数获得所述移动物体在ST坐标系上的侵占区域，所述侵占区域包括第三子侵占区域和第四子侵占区域，所述第三子侵占区域中的每个位置点的横坐标均不大于所述时间阈值，所述第四子侵占区域中的每个位置点的横坐标均大于所述时间阈值，所述第一侵占度衰减系数用于计算所述第三子侵占区域中的每个位置点的侵占度，所述第三侵占度衰减系数用于计算所述第四子侵占区域中的每个位置点的侵占度，所述多个第三位移范围包括在所述m3时刻得到的第三位移范围。
在一些可能实施方式中，目标车辆的移动参数包括第二运动参数和第一位置点，第一位置点为所述ST坐标系的原点，在根据所述目标车辆的移动参数和所述侵占区域获得所述目标车辆在所述ST坐标系上的运动曲线方面，确定单元402具体用于：
根据所述第二运动参数、所述第一位置点和所述侵占区域获得所述t+1时刻至所述t+n时刻所述目标车辆在所述ST坐标系上的n个第二位置点；
根据所述第一位置点和所述n个第二位置点获得所述目标车辆在所述ST坐标系上的初始运动曲线；
对所述初始运动曲线执行滤波操作，得到所述目标车辆在所述ST坐标系上的运动曲线。
在一些可能实施方式中，在根据所述第二运动参数、所述第一位置点和所述侵占区域获得所述t+1时刻至所述t+n时刻所述目标车辆在所述ST坐标系上的n个第二位置点方面，确定单元402具体用于：
根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻至m4+1时刻所述目标车辆的加速度值am4，所述m4时刻为所述t时刻至t+n-1时刻中的任意一个；
根据所述位置点(m4,Sm4)、所述m4时刻所述目标车辆的速率Vm4和所述加速度值am4获得所述m4+1时刻所述目标车辆在所述ST坐标系上的第二位置点；
对所述t+1时刻至所述t+n时刻中除所述m4时刻之外的(n-1)个时刻执行相同操作，得到所述目标车辆在所述ST坐标系上的(n-1)个第二位置点。
在一些可能实施方式中，第二运动参数包括最大加速度值amax、最小加速度值amin和速率上限值，在根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻至m4+1时刻所述目标车辆的加速度值am4方面，确定单元402具体用于：
根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆的抢行临界加速度值a1、避让临界加速度值a2和抢行临界速率；
若所述抢行临界速率不大于所述速率上限值，则将[amin,a2]∪[a1,amax]中的任意一个加速度值确定为所述m4时刻至m4+1时刻所述目标车辆的加速度值am4；
若所述抢行临界速率大于所述速率上限值，则将[amin,a2]中的任意一个加速度值确定为所述m4时刻至m4+1时刻所述目标车辆的加速度值am4。
在一些可能实施方式中，第二运动参数包括最大加速度值amax、最小加速度值amin和速率上限值，在根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻至m4+1时刻所述目标车辆的加速度值am4方面，确定单元402具体用于：
根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆的抢行临界加速度值a1、避让临界加速度值a2和抢行临界速率；
将所述最大加速度值amax、所述最小加速度值amin、所述速率上限值、所述抢行临界加速度值a1、所述避让临界加速度值a2和所述抢行临界速率输入神经网络模型进行计算，得到所述m4时刻至m4+1时刻所述目标车辆的行车策略；
若所述行车策略为抢行，则将[amin,a2]∪[a1,amax]中的任意一个加速度值确定为所述m4时刻至m4+1时刻所述目标车辆的加速度值am4；
若所述行车策略为避让，则将[amin,a2]中的任意一个加速度值确定为所述m4时刻至m4+1时刻所述目标车辆的加速度值am4。
在一些可能实施方式中，在根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆的抢行临界加速度值a1、避让临界加速度值a2和抢行临界速率方面，确定单元402具体用于：
根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆对应的抢行临界曲线和避让临界曲线；
根据所述抢行临界曲线获得所述m4时刻所述目标车辆的抢行临界加速度值a1；
根据所述避让临界曲线获得所述m4时刻所述目标车辆的避让临界加速度值a2；
将所述抢行临界曲线的最大斜率值确定为所述m4时刻所述目标车辆的抢行临界速率，所述最大斜率值对应的位置点在所述侵占区域内。
在一些可能实施方式中，在根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆对应的抢行临界曲线和避让临界曲线方面，第二确定单元402具体用于：
根据所述速率Vm4、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和M1个加速度值获得所述m4时刻所述目标车辆在所述ST坐标系上的M1条抛物线，所述M1条抛物线与所述M1个加速度值一一对应，所述M1个加速度值的取值范围为[amin,amax]，所述M1为正整数；
从所述M1条抛物线中选取与所述侵占区域相交的M2条抛物线，以及根据所述M2条抛物线确定M2个目标侵占度，所述M2个目标侵占度与所述M2条抛物线一一对应，所述M2个目标侵占度均小于预设侵占度，所述M2为小于或等于M1的正整数；
根据所述M2个目标侵占度获得所述m4时刻所述目标车辆对应的抢行临界曲线和避让临界曲线。
请参阅图5，图5是本申请实施例提供的一种自动驾驶纵向规划装置的结构示意图，该自动驾驶纵向规划装置500包括相互耦合的存储器510、通信接口520和处理器530；例如存储器510、通信接口520和处理器530通过总线540耦合。
存储器510可包括但不限于随机存储记忆体(Random Access Memory，RAM)、可擦除可编程只读存储器(Erasable Programmable ROM，EPROM)、只读存储器(Read-OnlyMemory,ROM)或便携式只读存储器(Compact Disc Read-Only Memory，CD-ROM)等等，该存储器510用于相关指令及数据。
处理器530可以是一个或多个中央处理器(Central Processing Unit，CPU)，在处理器530是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。
处理器530用于读取所述存储器510中存储的程序代码，与通信接口540配合执行本申请上述实施例中由自动驾驶纵向规划装置500执行的方法的部分或全部步骤。
处理器530，用于在t时刻，根据移动物体的移动参数和预设参数获得所述移动物体在位移时间(Arc length and time，ST)坐标系上的侵占区域，所述侵占区域中的各个位置点分别对应一个侵占度，所述侵占度用于指示所述移动物体在所述侵占度对应的位置点对目标车辆的正常行驶造成危险的概率；
处理器530，还用于根据所述目标车辆的移动参数和所述侵占区域获得所述目标车辆在所述ST坐标系上的运动曲线；
处理器530，还用于根据所述运动曲线获得所述目标车辆在t+1时刻至t+n时刻中的每个时刻的速率，所述t+n时刻为所述移动物体对所述目标车辆的正常行驶不造成危险的时刻，所述速率用于对所述目标车辆进行自动驾驶纵向规划，n为大于1的整数。
在一些可能实施方式中，侵占区域包括第一子侵占区域，移动物体的移动参数包括第一运动参数和尺寸参数，预设参数包括预设距离值、距离阈值和第一侵占度衰减系数，在根据移动物体的移动参数和预设参数获得所述移动物体在位移时间ST坐标系上的侵占区域方面，处理器530具体用于：
若所述移动物体与所述目标车辆满足预设条件，则根据所述第一运动参数、所述尺寸参数、所述预设距离值和所述距离阈值获得在m1时刻所述移动物体在所述ST坐标系上的第一位移范围，所述m1时刻为T1时刻至T2时刻中的任意一个，所述T1时刻为所述移动物体前端驶入所述目标车辆所在车道的时刻，所述T2时刻为所述移动物体后端与所述目标车辆前端之间的距离为所述距离阈值的时刻；
根据多个第一位移范围和所述第一侵占度衰减系数获得所述移动物体在ST坐标系上的所述第一子侵占区域，所述第一侵占度衰减系数用于计算所述第一子侵占区域中的每个位置点的侵占度，所述多个第一位移范围包括在所述m1时刻得到的第一位移范围。
在一些可能实施方式中，侵占区域还包括第二子侵占区域，预设参数还包括第二侵占度衰减系数，在根据移动物体的移动参数和预设参数获得所述移动物体在位移时间ST坐标系上的侵占区域方面，处理器530具体用于：
根据所述第一运动参数、所述尺寸参数、所述预设距离值和所述距离阈值获得在m2时刻所述移动物体在所述ST坐标系上的第二位移范围，所述m2时刻为所述T2时刻至所述t+n时刻中的任意一个；
根据多个第二位移范围和所述第二侵占度衰减系数获得所述移动物体在ST坐标系上的所述第二子侵占区域，所述第二侵占度衰减系数用于计算所述第二子侵占区域中的每个位置点的侵占度，所述多个第二位移范围包括在所述m2时刻得到的第二位移范围。
在一些可能实施方式中，预设条件包括第一条件或第二条件，其中：
所述第一条件为：所述移动物体的行驶方向与所述目标车辆的行驶方向存在交叉、所述移动物体即将转向汇入所述目标车辆所在车道，且汇入后所述移动物体在所述目标车辆前方；
所述第二条件为：所述移动物体的行驶方向与所述目标车辆的行驶方向相同、所述移动物体即将变道汇入所述目标车辆所在车道，且汇入后所述移动物体在所述目标车辆前方。
在一些可能实施方式中，移动物体的移动参数包括第一运动参数和尺寸参数，预设参数包括预设距离值、时间阈值和第一侵占度衰减系数，在根据移动物体的移动参数和预设参数获得所述移动物体在位移时间ST坐标系上的侵占区域方面，处理器530具体用于：
若所述移动物体与所述目标车辆行驶方向存在交叉、所述移动物体即将穿过所述目标车辆所在车道和，且穿过时所述移动物体在所述目标车辆前方，则根据所述第一运动参数、所述尺寸参数和所述预设距离值获得在m3时刻所述移动物体在所述ST坐标系上的第三位移范围，所述m3时刻为T3时刻至所述t+n时刻中的任意一个，所述T3时刻为所述移动物体前端驶入所述目标车辆所在车道的时刻；
若所述t+n时刻不大于所述时间阈值，则根据多个第三位移范围和所述第一侵占度衰减系数获得所述移动物体在ST坐标系上的侵占区域，所述第一侵占度衰减系数用于计算所述侵占区域中的每个位置点的侵占度，所述多个第三位移范围包括在所述m3时刻得到的第三位移范围。
在一些可能实施方式中，预设参数还包括第三侵占度衰减系数，在根据移动物体的移动参数和预设参数获得所述移动物体在位移时间ST坐标系上的侵占区域方面，处理器530具体用于：
若所述t+n时刻大于所述时间阈值，则根据多个第三位移范围、所述第一侵占度衰减系数和所述第三侵占度衰减系数获得所述移动物体在ST坐标系上的侵占区域，所述侵占区域包括第三子侵占区域和第四子侵占区域，所述第三子侵占区域中的每个位置点的横坐标均不大于所述时间阈值，所述第四子侵占区域中的每个位置点的横坐标均大于所述时间阈值，所述第一侵占度衰减系数用于计算所述第三子侵占区域中的每个位置点的侵占度，所述第三侵占度衰减系数用于计算所述第四子侵占区域中的每个位置点的侵占度，所述多个第三位移范围包括在所述m3时刻得到的第三位移范围。
在一些可能实施方式中，目标车辆的移动参数包括第二运动参数和第一位置点，第一位置点为所述ST坐标系的原点，在根据所述目标车辆的移动参数和所述侵占区域获得所述目标车辆在所述ST坐标系上的运动曲线方面，处理器530具体用于：
根据所述第二运动参数、所述第一位置点和所述侵占区域获得所述t+1时刻至所述t+n时刻所述目标车辆在所述ST坐标系上的n个第二位置点；
根据所述第一位置点和所述n个第二位置点获得所述目标车辆在所述ST坐标系上的初始运动曲线；
对所述初始运动曲线执行滤波操作，得到所述目标车辆在所述ST坐标系上的运动曲线。
在一些可能实施方式中，在根据所述第二运动参数、所述第一位置点和所述侵占区域获得所述t+1时刻至所述t+n时刻所述目标车辆在所述ST坐标系上的n个第二位置点方面，处理器530具体用于：
根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻至m4+1时刻所述目标车辆的加速度值am4，所述m4时刻为所述t时刻至t+n-1时刻中的任意一个；
根据所述位置点(m4,Sm4)、所述m4时刻所述目标车辆的速率Vm4和所述加速度值am4获得所述m4+1时刻所述目标车辆在所述ST坐标系上的第二位置点；
对所述t+1时刻至所述t+n时刻中除所述m4时刻之外的(n-1)个时刻执行相同操作，得到所述目标车辆在所述ST坐标系上的(n-1)个第二位置点。
在一些可能实施方式中，第二运动参数包括最大加速度值amax、最小加速度值amin和速率上限值，在根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻至m4+1时刻所述目标车辆的加速度值am4方面，处理器530具体用于：
根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆的抢行临界加速度值a1、避让临界加速度值a2和抢行临界速率；
若所述抢行临界速率不大于所述速率上限值，则将[amin,a2]∪[a1,amax]中的任意一个加速度值确定为所述m4时刻至m4+1时刻所述目标车辆的加速度值am4；
若所述抢行临界速率大于所述速率上限值，则将[amin,a2]中的任意一个加速度值确定为所述m4时刻至m4+1时刻所述目标车辆的加速度值am4。
在一些可能实施方式中，第二运动参数包括最大加速度值amax、最小加速度值amin和速率上限值，在根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻至m4+1时刻所述目标车辆的加速度值am4方面，处理器530具体用于：
根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆的抢行临界加速度值a1、避让临界加速度值a2和抢行临界速率；
将所述最大加速度值amax、所述最小加速度值amin、所述速率上限值、所述抢行临界加速度值a1、所述避让临界加速度值a2和所述抢行临界速率输入神经网络模型进行计算，得到所述m4时刻至m4+1时刻所述目标车辆的行车策略；
若所述行车策略为抢行，则将[amin,a2]∪[a1,amax]中的任意一个加速度值确定为所述m4时刻至m4+1时刻所述目标车辆的加速度值am4；
若所述行车策略为避让，则将[amin,a2]中的任意一个加速度值确定为所述m4时刻至m4+1时刻所述目标车辆的加速度值am4。
在一些可能实施方式中，在根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆的抢行临界加速度值a1、避让临界加速度值a2和抢行临界速率方面，处理器530具体用于：
根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆对应的抢行临界曲线和避让临界曲线；
根据所述抢行临界曲线获得所述m4时刻所述目标车辆的抢行临界加速度值a1；
根据所述避让临界曲线获得所述m4时刻所述目标车辆的避让临界加速度值a2；
将所述抢行临界曲线的最大斜率值确定为所述m4时刻所述目标车辆的抢行临界速率，所述最大斜率值对应的位置点在所述侵占区域内。
在一些可能实施方式中，在根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆对应的抢行临界曲线和避让临界曲线方面，处理器530具体用于：
根据所述速率Vm4、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和M1个加速度值获得所述m4时刻所述目标车辆在所述ST坐标系上的M1条抛物线，所述M1条抛物线与所述M1个加速度值一一对应，所述M1个加速度值的取值范围为[amin,amax]，所述M1为正整数；
从所述M1条抛物线中选取与所述侵占区域相交的M2条抛物线，以及根据所述M2条抛物线确定M2个目标侵占度，所述M2个目标侵占度与所述M2条抛物线一一对应，所述M2个目标侵占度均小于预设侵占度，所述M2为小于或等于M1的正整数；
根据所述M2个目标侵占度获得所述m4时刻所述目标车辆对应的抢行临界曲线和避让临界曲线。
本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被硬件(例如处理器等)执行，以实现本申请实施例中由所述自动驾驶纵向规划装置执行的任意一种方法的部分或全部步骤。
本申请实施例提供一种包括指令的计算机程序产品，当所述计算机程序产品在自动驾驶纵向规划装置上运行时，使得所述自动驾驶纵向规划装置执行以上各方面的所述自动驾驶纵向规划方法的部分或全部步骤。
本申请实施例还提供一种芯片，所述芯片包括处理器与数据接口，所述处理器通过所述数据接口读取存储器上存储的指令，执行上述任意一种方法。
可选地，作为一种实现方式，所述芯片还可以包括存储器，所述存储器中存储有指令，所述处理器用于执行所述存储器上存储的指令，当所述指令被执行时，所述处理器用于执行第一方面中的方法。
本申请实施例还提供一种智能驾驶车辆，该智能驾驶车辆包括上述任意一种自动驾驶纵向规划装置。
在上述实施例中，可全部或部分地通过软件、硬件、固件、或其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如软盘、硬盘、磁带)、光介质(例如光盘)、或者半导体介质(例如固态硬盘)等。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在上述实施例中对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，也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间接耦合或者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的方案的目的。
另外，在本申请各实施例中的各功能单元可集成在一个处理单元中，也可以是各单元单独物理存在，也可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，或者也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品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(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质例如可包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或光盘等各种可存储程序代码的介质。

Claims (26)

1.一种自动驾驶纵向规划方法，其特征在于，所述方法包括：
在t时刻，根据移动物体的移动参数和预设参数获得所述移动物体在位移时间(Arclength and time，ST)坐标系上的侵占区域，所述侵占区域中的各个位置点分别对应一个侵占度，所述侵占度用于指示所述移动物体在所述侵占度对应的位置点对目标车辆的正常行驶造成危险的概率；
根据所述目标车辆的移动参数和所述侵占区域获得所述目标车辆在所述ST坐标系上的运动曲线；
根据所述运动曲线获得所述目标车辆在t+1时刻至t+n时刻中的每个时刻的速率，所述t+n时刻为所述移动物体对所述目标车辆的正常行驶不造成危险的时刻，所述速率用于对所述目标车辆进行自动驾驶纵向规划，n为大于1的整数。
2.根据权利要求1所述的方法，其特征在于，所述侵占区域包括第一子侵占区域，所述移动物体的移动参数包括第一运动参数和尺寸参数，所述预设参数包括预设距离值、距离阈值和第一侵占度衰减系数，所述根据移动物体的移动参数和预设参数获得所述移动物体在位移时间ST坐标系上的侵占区域，包括：
若所述移动物体与所述目标车辆满足预设条件，则根据所述第一运动参数、所述尺寸参数、所述预设距离值和所述距离阈值获得在m1时刻所述移动物体在所述ST坐标系上的第一位移范围，所述m1时刻为T1时刻至T2时刻中的任意一个，所述T1时刻为所述移动物体前端驶入所述目标车辆所在车道的时刻，所述T2时刻为所述移动物体后端与所述目标车辆前端之间的距离为所述距离阈值的时刻；
根据多个第一位移范围和所述第一侵占度衰减系数获得所述移动物体在ST坐标系上的所述第一子侵占区域，所述第一侵占度衰减系数用于计算所述第一子侵占区域中的每个位置点的侵占度，所述多个第一位移范围包括在所述m1时刻得到的第一位移范围。
3.根据权利要求2所述的方法，其特征在于，所述侵占区域还包括第二子侵占区域，所述预设参数还包括第二侵占度衰减系数，所述方法还包括：
根据所述第一运动参数、所述尺寸参数、所述预设距离值和所述距离阈值获得在m2时刻所述移动物体在所述ST坐标系上的第二位移范围，所述m2时刻为所述T2时刻至所述t+n时刻中的任意一个；
根据多个第二位移范围和所述第二侵占度衰减系数获得所述移动物体在ST坐标系上的所述第二子侵占区域，所述第二侵占度衰减系数用于计算所述第二子侵占区域中的每个位置点的侵占度，所述多个第二位移范围包括在所述m2时刻得到的第二位移范围。
4.根据权利要求2或3所述的方法，其特征在于，所述预设条件包括第一条件或第二条件，其中：
所述第一条件为：所述移动物体的行驶方向与所述目标车辆的行驶方向存在交叉、所述移动物体即将转向汇入所述目标车辆所在车道，且汇入后所述移动物体在所述目标车辆前方；
所述第二条件为：所述移动物体的行驶方向与所述目标车辆的行驶方向相同、所述移动物体即将变道汇入所述目标车辆所在车道，且汇入后所述移动物体在所述目标车辆前方。
5.根据权利要求1所述的方法，其特征在于，所述移动物体的移动参数包括第一运动参数和尺寸参数，所述预设参数包括预设距离值、时间阈值和第一侵占度衰减系数，所述根据移动物体的移动参数和预设参数获得所述移动物体在位移时间ST坐标系上的侵占区域，包括：
若所述移动物体与所述目标车辆行驶方向存在交叉、所述移动物体即将穿过所述目标车辆所在车道，且穿过时所述移动物体在所述目标车辆前方，则根据所述第一运动参数、所述尺寸参数和所述预设距离值获得在m3时刻所述移动物体在所述ST坐标系上的第三位移范围，所述m3时刻为T3时刻至所述t+n时刻中的任意一个，所述T3时刻为所述移动物体前端驶入所述目标车辆所在车道的时刻；
若所述t+n时刻不大于所述时间阈值，则根据多个第三位移范围和所述第一侵占度衰减系数获得所述移动物体在ST坐标系上的侵占区域，所述第一侵占度衰减系数用于计算所述侵占区域中的每个位置点的侵占度，所述多个第三位移范围包括在所述m3时刻得到的第三位移范围。
6.根据权利要求5所述的方法，其特征在于，所述预设参数还包括第三侵占度衰减系数，所述方法还包括：
若所述t+n时刻大于所述时间阈值，则根据多个第三位移范围、所述第一侵占度衰减系数和所述第三侵占度衰减系数获得所述移动物体在ST坐标系上的侵占区域，所述侵占区域包括第三子侵占区域和第四子侵占区域，所述第三子侵占区域中的每个位置点的横坐标均不大于所述时间阈值，所述第四子侵占区域中的每个位置点的横坐标均大于所述时间阈值，所述第一侵占度衰减系数用于计算所述第三子侵占区域中的每个位置点的侵占度，所述第三侵占度衰减系数用于计算所述第四子侵占区域中的每个位置点的侵占度，所述多个第三位移范围包括在所述m3时刻得到的第三位移范围。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述目标车辆的移动参数包括第二运动参数和第一位置点，所述第一位置点为所述ST坐标系的原点，所述根据所述目标车辆的移动参数和所述侵占区域获得所述目标车辆在所述ST坐标系上的运动曲线，包括：
根据所述第二运动参数、所述第一位置点和所述侵占区域获得所述t+1时刻至所述t+n时刻所述目标车辆在所述ST坐标系上的n个第二位置点；
根据所述第一位置点和所述n个第二位置点获得所述目标车辆在所述ST坐标系上的初始运动曲线；
对所述初始运动曲线执行滤波操作，得到所述目标车辆在所述ST坐标系上的运动曲线。
8.根据权利要求7所述的方法，其特征在于，所述根据所述第二运动参数、所述第一位置点和所述侵占区域获得所述t+1时刻至所述t+n时刻所述目标车辆在所述ST坐标系上的n个第二位置点，包括：
根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻至m4+1时刻所述目标车辆的加速度值am4，所述m4时刻为所述t时刻至t+n-1时刻中的任意一个；
根据所述位置点(m4,Sm4)、所述m4时刻所述目标车辆的速率Vm4和所述加速度值am4获得所述m4+1时刻所述目标车辆在所述ST坐标系上的第二位置点；
对所述t+1时刻至所述t+n时刻中除所述m4时刻之外的(n-1)个时刻执行相同操作，得到所述目标车辆在所述ST坐标系上的(n-1)个第二位置点。
9.根据权利要求8所述的方法，其特征在于，所述第二运动参数包括最大加速度值amax、最小加速度值amin和速率上限值，所述根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻至m4+1时刻所述目标车辆的加速度值am4，包括：
根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆的抢行临界加速度值a1、避让临界加速度值a2和抢行临界速率；
若所述抢行临界速率不大于所述速率上限值，则将[amin,a2]∪[a1,amax]中的任意一个加速度值确定为所述m4时刻至m4+1时刻所述目标车辆的加速度值am4；
若所述抢行临界速率大于所述速率上限值，则将[amin,a2]中的任意一个加速度值确定为所述m4时刻至m4+1时刻所述目标车辆的加速度值am4。
10.根据权利要求8所述的方法，其特征在于，所述第二运动参数包括最大加速度值amax、最小加速度值amin和速率上限值，所述根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻至m4+1时刻所述目标车辆的加速度值am4，包括：
根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆的抢行临界加速度值a1、避让临界加速度值a2和抢行临界速率；
将所述最大加速度值amax、所述最小加速度值amin、所述速率上限值、所述抢行临界加速度值a1、所述避让临界加速度值a2和所述抢行临界速率输入神经网络模型进行计算，得到所述m4时刻至m4+1时刻所述目标车辆的行车策略；
若所述行车策略为抢行，则将[amin,a2]∪[a1,amax]中的任意一个加速度值确定为所述m4时刻至m4+1时刻所述目标车辆的加速度值am4；
若所述行车策略为避让，则将[amin,a2]中的任意一个加速度值确定为所述m4时刻至m4+1时刻所述目标车辆的加速度值am4。
11.根据权利要求9或10所述的方法，其特征在于，所述根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆的抢行临界加速度值a1、避让临界加速度值a2和抢行临界速率，包括：
根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆对应的抢行临界曲线和避让临界曲线；
根据所述抢行临界曲线获得所述m4时刻所述目标车辆的抢行临界加速度值a1；
根据所述避让临界曲线获得所述m4时刻所述目标车辆的避让临界加速度值a2；
将所述抢行临界曲线的最大斜率值确定为所述m4时刻所述目标车辆的抢行临界速率，所述最大斜率值对应的位置点在所述侵占区域内。
12.根据权利要求11所述的方法，其特征在于，所述根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆对应的抢行临界曲线和避让临界曲线，包括：
根据所述速率Vm4、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和M1个加速度值获得所述m4时刻所述目标车辆在所述ST坐标系上的M1条抛物线，所述M1条抛物线与所述M1个加速度值一一对应，所述M1个加速度值的取值范围为[amin,amax]，所述M1为正整数；
从所述M1条抛物线中选取与所述侵占区域相交的M2条抛物线，以及根据所述M2条抛物线确定M2个目标侵占度，所述M2个目标侵占度与所述M2条抛物线一一对应，所述M2个目标侵占度均小于预设侵占度，所述M2为小于或等于M1的正整数；
根据所述M2个目标侵占度获得所述m4时刻所述目标车辆对应的抢行临界曲线和避让临界曲线。
13.一种自动驾驶纵向规划装置，其特征在于，所述装置包括：
获取单元，用于在t时刻，根据移动物体的移动参数和预设参数获得所述移动物体在位移时间(Arc length and time，ST)坐标系上的侵占区域，所述侵占区域中的各个位置点分别对应一个侵占度，所述侵占度用于指示所述移动物体在所述侵占度对应的位置点对目标车辆的正常行驶造成危险的概率；
确定单元，用于根据所述目标车辆的移动参数和所述侵占区域获得所述目标车辆在所述ST坐标系上的运动曲线；
所述确定单元，还用于根据所述运动曲线获得所述目标车辆在t+1时刻至t+n时刻中的每个时刻的速率，所述t+n时刻为所述移动物体对所述目标车辆的正常行驶不造成危险的时刻，所述速率用于对所述目标车辆进行自动驾驶纵向规划，n为大于1的整数。
14.根据权利要求13所述的装置，其特征在于，所述侵占区域包括第一子侵占区域，所述移动物体的移动参数包括第一运动参数和尺寸参数，所述预设参数包括预设距离值、距离阈值和第一侵占度衰减系数，在根据移动物体的移动参数和预设参数获得所述移动物体在位移时间ST坐标系上的侵占区域方面，所述获取单元具体用于：
若所述移动物体与所述目标车辆满足预设条件，则根据所述第一运动参数、所述尺寸参数、所述预设距离值和所述距离阈值获得在m1时刻所述移动物体在所述ST坐标系上的第一位移范围，所述m1时刻为T1时刻至T2时刻中的任意一个，所述T1时刻为所述移动物体前端驶入所述目标车辆所在车道的时刻，所述T2时刻为所述移动物体后端与所述目标车辆前端之间的距离为所述距离阈值的时刻；
根据多个第一位移范围和所述第一侵占度衰减系数获得所述移动物体在ST坐标系上的所述第一子侵占区域，所述第一侵占度衰减系数用于计算所述第一子侵占区域中的每个位置点的侵占度，所述多个第一位移范围包括在所述m1时刻得到的第一位移范围。
15.根据权利要求14所述的装置，其特征在于，所述侵占区域还包括第二子侵占区域，所述预设参数还包括第二侵占度衰减系数，在根据移动物体的移动参数和预设参数获得所述移动物体在位移时间ST坐标系上的侵占区域方面，所述获取单元具体用于：
根据所述第一运动参数、所述尺寸参数、所述预设距离值和所述距离阈值获得在m2时刻所述移动物体在所述ST坐标系上的第二位移范围，所述m2时刻为所述T2时刻至所述t+n时刻中的任意一个；
根据多个第二位移范围和所述第二侵占度衰减系数获得所述移动物体在ST坐标系上的所述第二子侵占区域，所述第二侵占度衰减系数用于计算所述第二子侵占区域中的每个位置点的侵占度，所述多个第二位移范围包括在所述m2时刻得到的第二位移范围。
16.根据权利要求14或15所述的装置，其特征在于，所述预设条件包括第一条件或第二条件，其中：
所述第一条件为：所述移动物体的行驶方向与所述目标车辆的行驶方向存在交叉、所述移动物体即将转向汇入所述目标车辆所在车道，且汇入后所述移动物体在所述目标车辆前方；
所述第二条件为：所述移动物体的行驶方向与所述目标车辆的行驶方向相同、所述移动物体即将变道汇入所述目标车辆所在车道，且汇入后所述移动物体在所述目标车辆前方。
17.根据权利要求13所述的装置，其特征在于，所述移动物体的移动参数包括第一运动参数和尺寸参数，所述预设参数包括预设距离值、时间阈值和第一侵占度衰减系数，在根据移动物体的移动参数和预设参数获得所述移动物体在位移时间ST坐标系上的侵占区域方面，所述获取单元具体用于：
若所述移动物体与所述目标车辆行驶方向存在交叉、所述移动物体即将穿过所述目标车辆所在车道，且穿过时所述移动物体在所述目标车辆前方，则根据所述第一运动参数、所述尺寸参数和所述预设距离值获得在m3时刻所述移动物体在所述ST坐标系上的第三位移范围，所述m3时刻为T3时刻至所述t+n时刻中的任意一个，所述T3时刻为所述移动物体前端驶入所述目标车辆所在车道的时刻；
若所述t+n时刻不大于所述时间阈值，则根据多个第三位移范围和所述第一侵占度衰减系数获得所述移动物体在ST坐标系上的侵占区域，所述第一侵占度衰减系数用于计算所述侵占区域中的每个位置点的侵占度，所述多个第三位移范围包括在所述m3时刻得到的第三位移范围。
18.根据权利要求17所述的装置，其特征在于，所述预设参数还包括第三侵占度衰减系数，在根据移动物体的移动参数和预设参数获得所述移动物体在位移时间ST坐标系上的侵占区域方面，所述获取单元具体用于：
若所述t+n时刻大于所述时间阈值，则根据多个第三位移范围、所述第一侵占度衰减系数和所述第三侵占度衰减系数获得所述移动物体在ST坐标系上的侵占区域，所述侵占区域包括第三子侵占区域和第四子侵占区域，所述第三子侵占区域中的每个位置点的横坐标均不大于所述时间阈值，所述第四子侵占区域中的每个位置点的横坐标均大于所述时间阈值，所述第一侵占度衰减系数用于计算所述第三子侵占区域中的每个位置点的侵占度，所述第三侵占度衰减系数用于计算所述第四子侵占区域中的每个位置点的侵占度，所述多个第三位移范围包括在所述m3时刻得到的第三位移范围。
19.根据权利要求13-18任一项所述的装置，其特征在于，所述目标车辆的移动参数包括第二运动参数和第一位置点，所述第一位置点为所述ST坐标系的原点，在根据所述目标车辆的移动参数和所述侵占区域获得所述目标车辆在所述ST坐标系上的运动曲线方面，所述确定单元具体用于：
根据所述第二运动参数、所述第一位置点和所述侵占区域获得所述t+1时刻至所述t+n时刻所述目标车辆在所述ST坐标系上的n个第二位置点；
根据所述第一位置点和所述n个第二位置点获得所述目标车辆在所述ST坐标系上的初始运动曲线；
对所述初始运动曲线执行滤波操作，得到所述目标车辆在所述ST坐标系上的运动曲线。
20.根据权利要求19所述的装置，其特征在于，在根据所述第二运动参数、所述第一位置点和所述侵占区域获得所述t+1时刻至所述t+n时刻所述目标车辆在所述ST坐标系上的n个第二位置点方面，所述确定单元具体用于：
根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻至m4+1时刻所述目标车辆的加速度值am4，所述m4时刻为所述t时刻至t+n-1时刻中的任意一个；
根据所述位置点(m4,Sm4)、所述m4时刻所述目标车辆的速率Vm4和所述加速度值am4获得所述m4+1时刻所述目标车辆在所述ST坐标系上的第二位置点；
对所述t+1时刻至所述t+n时刻中除所述m4时刻之外的(n-1)个时刻执行相同操作，得到所述目标车辆在所述ST坐标系上的(n-1)个第二位置点。
21.根据权利要求20所述的装置，其特征在于，所述第二运动参数包括最大加速度值amax、最小加速度值amin和速率上限值，在根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻至m4+1时刻所述目标车辆的加速度值am4方面，所述确定单元具体用于：
根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆的抢行临界加速度值a1、避让临界加速度值a2和抢行临界速率；
若所述抢行临界速率不大于所述速率上限值，则将[amin,a2]∪[a1,amax]中的任意一个加速度值确定为所述m4时刻至m4+1时刻所述目标车辆的加速度值am4；
若所述抢行临界速率大于所述速率上限值，则将[amin,a2]中的任意一个加速度值确定为所述m4时刻至m4+1时刻所述目标车辆的加速度值am4。
22.根据权利要求20所述的方法，其特征在于，所述第二运动参数包括最大加速度值amax、最小加速度值amin和速率上限值，在根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻至m4+1时刻所述目标车辆的加速度值am4方面，所述确定单元具体用于：
根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆的抢行临界加速度值a1、避让临界加速度值a2和抢行临界速率；
将所述最大加速度值amax、所述最小加速度值amin、所述速率上限值、所述抢行临界加速度值a1、所述避让临界加速度值a2和所述抢行临界速率输入神经网络模型进行计算，得到在所述m4时刻至m4+1时刻所述目标车辆的行车策略；
若所述行车策略为抢行，则将[amin,a2]∪[a1,amax]中的任意一个加速度值确定为所述m4时刻至m4+1时刻所述目标车辆的加速度值am4；
若所述行车策略为避让，则将[amin,a2]中的任意一个加速度值确定为所述m4时刻至m4+1时刻所述目标车辆的加速度值am4。
23.根据权利要求21或22所述的装置，其特征在于，在根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆的抢行临界加速度值a1、避让临界加速度值a2和抢行临界速率方面，所述确定单元具体用于：
根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆对应的抢行临界曲线和避让临界曲线；
根据所述抢行临界曲线获得所述m4时刻所述目标车辆的抢行临界加速度值a1；
根据所述避让临界曲线获得所述m4时刻所述目标车辆的避让临界加速度值a2；
将所述抢行临界曲线的最大斜率值确定为所述m4时刻所述目标车辆的抢行临界速率，所述最大斜率值对应的位置点在所述侵占区域内。
24.根据权利要求23所述的装置，其特征在于，在根据所述第二运动参数、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和所述侵占区域获得所述m4时刻所述目标车辆对应的抢行临界曲线和避让临界曲线方面，所述确定单元具体用于：
根据所述速率Vm4、m4时刻所述目标车辆在所述ST坐标系上的位置点(m4,Sm4)和M1个加速度值获得所述m4时刻所述目标车辆在所述ST坐标系上的M1条抛物线，所述M1条抛物线与所述M1个加速度值一一对应，所述M1个加速度值的取值范围为[amin,amax]，所述M1为正整数；
从所述M1条抛物线中选取与所述侵占区域相交的M2条抛物线，以及根据所述M2条抛物线确定M2个目标侵占度，所述M2个目标侵占度与所述M2条抛物线一一对应，所述M2个目标侵占度均小于预设侵占度，所述M2为小于或等于M1的正整数；
根据所述M2个目标侵占度获得所述m4时刻所述目标车辆对应的抢行临界曲线和避让临界曲线。
25.一种自动驾驶纵向规划装置，所述自动驾驶纵向规划装置包括相互耦合的处理器、通信接口和存储器，其中：
所述处理器，用于在t时刻，根据移动物体的移动参数和预设参数获得所述移动物体在位移时间(Arc length and time，ST)坐标系上的侵占区域，所述侵占区域中的各个位置点分别对应一个侵占度，所述侵占度用于指示所述移动物体在所述侵占度对应的位置点对目标车辆的正常行驶造成危险的概率；
所述处理器，还用于根据所述目标车辆的移动参数和所述侵占区域获得所述目标车辆在所述ST坐标系上的运动曲线；
所述处理器，还用于根据所述运动曲线获得所述目标车辆在t+1时刻至t+n时刻中的每个时刻的速率，所述t+n时刻为所述移动物体对所述目标车辆的正常行驶不造成危险的时刻，所述速率用于对所述目标车辆进行自动驾驶纵向规划，n为大于1的整数。
26.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被硬件执行以实现权利要求书1至12中的任意一项由所述自动驾驶纵向规划装置执行的方法。
CN201910722549.4A 2019-08-06 2019-08-06 自动驾驶纵向规划方法及相关设备 Active CN110488816B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910722549.4A CN110488816B (zh) 2019-08-06 2019-08-06 自动驾驶纵向规划方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910722549.4A CN110488816B (zh) 2019-08-06 2019-08-06 自动驾驶纵向规划方法及相关设备

Publications (2)

Publication Number Publication Date
CN110488816A true CN110488816A (zh) 2019-11-22
CN110488816B CN110488816B (zh) 2021-12-31

Family

ID=68549960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910722549.4A Active CN110488816B (zh) 2019-08-06 2019-08-06 自动驾驶纵向规划方法及相关设备

Country Status (1)

Country Link
CN (1) CN110488816B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112985825A (zh) * 2019-12-12 2021-06-18 百度（美国）有限责任公司 用于确定自动驾驶系统的乘坐稳定性的方法
CN113658424A (zh) * 2021-07-23 2021-11-16 南昌工程学院 基于稀疏卫星定位数据的车辆频繁变道识别方法及装置
CN113815651A (zh) * 2021-10-29 2021-12-21 北京触达无界科技有限公司 一种无人设备控制方法、装置、设备及存储介质
CN113963535A (zh) * 2021-09-30 2022-01-21 华为技术有限公司 行驶决策确定方法、装置、电子设备存储介质
CN114264485A (zh) * 2021-12-13 2022-04-01 南京邮电大学 一种无人驾驶汽车测试故障物模拟系统
CN115335885A (zh) * 2020-03-31 2022-11-11 松下知识产权经营株式会社 车辆控制装置、车辆用汇入辅助装置及车辆
WO2023087524A1 (zh) * 2021-11-18 2023-05-25 上海仙途智能科技有限公司 车辆行驶的方法及装置

Citations (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4290428B2 (ja) * 2001-03-14 2009-07-08 三菱電機株式会社 車両走行案内装置及び車両走行案内方法
EP2280241A2 (en) * 2009-07-30 2011-02-02 Qinetiq Limited Vehicle control
JP2011128786A (ja) * 2009-12-16 2011-06-30 Ud Trucks Corp 衝突被害軽減装置
CN102129249A (zh) * 2011-01-10 2011-07-20 中国矿业大学 一种危险源环境下的机器人全局路径规划方法
US20110246156A1 (en) * 2008-12-23 2011-10-06 Continental Safety Engineering International Gmbh Method for Determining the Probability of a Collision of a Vehicle With a Living Being
CN202294303U (zh) * 2011-11-09 2012-07-04 宁波远景汽车零部件有限公司 一种基于安全带使用状态的汽车启动控制系统
US20120286974A1 (en) * 2011-05-11 2012-11-15 Siemens Corporation Hit and Run Prevention and Documentation System for Vehicles
EP2625081A2 (en) * 2010-10-05 2013-08-14 Google, Inc. Diagnosis and repair for autonomous vehicles
EP2473388B1 (en) * 2009-08-31 2014-07-23 Toyota Motor Europe NV/SA Vehicle or traffic control method and system
US20140324286A1 (en) * 2013-04-26 2014-10-30 Denso Corporation Vehicle-use collision mitigation apparatus
JP2015064747A (ja) * 2013-09-25 2015-04-09 日産自動車株式会社 運転支援装置及び運転支援方法
US9229453B1 (en) * 2014-08-29 2016-01-05 GM Global Technology Operations LLC Unified motion planner for autonomous driving vehicle in avoiding the moving obstacle
CN105280024A (zh) * 2015-11-17 2016-01-27 南京信息工程大学 基于车辆速度和距离的交叉路口碰撞可能性的评估方法
CN105511475A (zh) * 2016-01-29 2016-04-20 中国科学院合肥物质科学研究院 一种基于运动模式判断的无人车纵向控制方法
CN106228110A (zh) * 2016-07-07 2016-12-14 浙江零跑科技有限公司 一种基于车载双目相机的障碍物及可行驶区域检测方法
CN106314428A (zh) * 2016-09-14 2017-01-11 中国科学院微电子研究所 一种避撞系统、避撞方法及机动车辆
CN106527452A (zh) * 2016-12-30 2017-03-22 广州汽车集团股份有限公司 一种无人驾驶汽车遇障时运动路径规划方法及系统
WO2017120336A2 (en) * 2016-01-05 2017-07-13 Mobileye Vision Technologies Ltd. Trained navigational system with imposed constraints
CN107065890A (zh) * 2017-06-02 2017-08-18 北京航空航天大学 一种无人车智能避障方法及系统
US20170267287A1 (en) * 2014-09-26 2017-09-21 Nissan Motor Co., Ltd. Method and system of assisting a driver of a vehicle
CN107816996A (zh) * 2017-10-31 2018-03-20 上海海事大学 时变环境下agv流时空干涉检测与规避方法
US20180099667A1 (en) * 2016-10-12 2018-04-12 Honda Motor Co., Ltd Vehicle control device
WO2018079069A1 (ja) * 2016-10-25 2018-05-03 本田技研工業株式会社 車両制御装置
US20180292834A1 (en) * 2017-04-06 2018-10-11 Toyota Jidosha Kabushiki Kaisha Trajectory setting device and trajectory setting method
CN109165245A (zh) * 2018-09-19 2019-01-08 北京航空航天大学 多源数据融合的移动轨迹生成模型的时空模式挖掘方法
CN109213153A (zh) * 2018-08-08 2019-01-15 东风汽车有限公司 一种车辆自动驾驶方法及电子设备
US20190080266A1 (en) * 2017-09-11 2019-03-14 Baidu Usa Llc Cost based path planning for autonomous driving vehicles
CN109557925A (zh) * 2018-12-29 2019-04-02 北京智行者科技有限公司 自动驾驶车辆障碍物避让方法及装置
JP2019051775A (ja) * 2017-09-13 2019-04-04 トヨタ自動車株式会社 運転支援装置、および、運転支援装置の制御方法
US20190101919A1 (en) * 2017-03-01 2019-04-04 Zoox, Inc. Trajectory Generation Using Temporal Logic and Tree Search
CN109572694A (zh) * 2018-11-07 2019-04-05 同济大学 一种考虑不确定性的自动驾驶风险评估方法
CN109693668A (zh) * 2018-12-27 2019-04-30 驭势科技（北京）有限公司 一种自动驾驶车辆速度控制系统与方法
CN109739246A (zh) * 2019-02-19 2019-05-10 百度在线网络技术（北京）有限公司 一种变换车道过程中的决策方法、装置、设备及存储介质
CN109765914A (zh) * 2019-03-12 2019-05-17 哈尔滨工程大学 一种基于滑窗粒子群的水面无人艇避碰方法
CN109855639A (zh) * 2019-01-15 2019-06-07 天津大学 基于障碍物预测与mpc算法的无人驾驶轨迹规划方法
CN109878513A (zh) * 2019-03-13 2019-06-14 百度在线网络技术（北京）有限公司 防御性驾驶策略生成方法、装置、设备及存储介质
CN109901574A (zh) * 2019-01-28 2019-06-18 华为技术有限公司 自动驾驶方法及装置
US20190196485A1 (en) * 2017-12-21 2019-06-27 Baidu Usa Llc Non-blocking boundary for autonomous vehicle planning
CN109960261A (zh) * 2019-03-22 2019-07-02 北京理工大学 一种基于碰撞检测的动态障碍物避让方法

Patent Citations (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4290428B2 (ja) * 2001-03-14 2009-07-08 三菱電機株式会社 車両走行案内装置及び車両走行案内方法
US20110246156A1 (en) * 2008-12-23 2011-10-06 Continental Safety Engineering International Gmbh Method for Determining the Probability of a Collision of a Vehicle With a Living Being
EP2280241A2 (en) * 2009-07-30 2011-02-02 Qinetiq Limited Vehicle control
EP2473388B1 (en) * 2009-08-31 2014-07-23 Toyota Motor Europe NV/SA Vehicle or traffic control method and system
JP2011128786A (ja) * 2009-12-16 2011-06-30 Ud Trucks Corp 衝突被害軽減装置
EP2625081A2 (en) * 2010-10-05 2013-08-14 Google, Inc. Diagnosis and repair for autonomous vehicles
CN102129249A (zh) * 2011-01-10 2011-07-20 中国矿业大学 一种危险源环境下的机器人全局路径规划方法
US20120286974A1 (en) * 2011-05-11 2012-11-15 Siemens Corporation Hit and Run Prevention and Documentation System for Vehicles
CN202294303U (zh) * 2011-11-09 2012-07-04 宁波远景汽车零部件有限公司 一种基于安全带使用状态的汽车启动控制系统
US20140324286A1 (en) * 2013-04-26 2014-10-30 Denso Corporation Vehicle-use collision mitigation apparatus
JP2015064747A (ja) * 2013-09-25 2015-04-09 日産自動車株式会社 運転支援装置及び運転支援方法
US9229453B1 (en) * 2014-08-29 2016-01-05 GM Global Technology Operations LLC Unified motion planner for autonomous driving vehicle in avoiding the moving obstacle
US20170267287A1 (en) * 2014-09-26 2017-09-21 Nissan Motor Co., Ltd. Method and system of assisting a driver of a vehicle
CN105280024A (zh) * 2015-11-17 2016-01-27 南京信息工程大学 基于车辆速度和距离的交叉路口碰撞可能性的评估方法
WO2017120336A2 (en) * 2016-01-05 2017-07-13 Mobileye Vision Technologies Ltd. Trained navigational system with imposed constraints
CN105511475A (zh) * 2016-01-29 2016-04-20 中国科学院合肥物质科学研究院 一种基于运动模式判断的无人车纵向控制方法
CN106228110A (zh) * 2016-07-07 2016-12-14 浙江零跑科技有限公司 一种基于车载双目相机的障碍物及可行驶区域检测方法
CN106314428A (zh) * 2016-09-14 2017-01-11 中国科学院微电子研究所 一种避撞系统、避撞方法及机动车辆
US20180099667A1 (en) * 2016-10-12 2018-04-12 Honda Motor Co., Ltd Vehicle control device
CN109891349A (zh) * 2016-10-25 2019-06-14 本田技研工业株式会社 车辆控制装置
WO2018079069A1 (ja) * 2016-10-25 2018-05-03 本田技研工業株式会社 車両制御装置
CN106527452A (zh) * 2016-12-30 2017-03-22 广州汽车集团股份有限公司 一种无人驾驶汽车遇障时运动路径规划方法及系统
US20190101919A1 (en) * 2017-03-01 2019-04-04 Zoox, Inc. Trajectory Generation Using Temporal Logic and Tree Search
US20180292834A1 (en) * 2017-04-06 2018-10-11 Toyota Jidosha Kabushiki Kaisha Trajectory setting device and trajectory setting method
CN107065890A (zh) * 2017-06-02 2017-08-18 北京航空航天大学 一种无人车智能避障方法及系统
US20190080266A1 (en) * 2017-09-11 2019-03-14 Baidu Usa Llc Cost based path planning for autonomous driving vehicles
JP2019051775A (ja) * 2017-09-13 2019-04-04 トヨタ自動車株式会社 運転支援装置、および、運転支援装置の制御方法
CN107816996A (zh) * 2017-10-31 2018-03-20 上海海事大学 时变环境下agv流时空干涉检测与规避方法
US20190196485A1 (en) * 2017-12-21 2019-06-27 Baidu Usa Llc Non-blocking boundary for autonomous vehicle planning
CN109213153A (zh) * 2018-08-08 2019-01-15 东风汽车有限公司 一种车辆自动驾驶方法及电子设备
CN109165245A (zh) * 2018-09-19 2019-01-08 北京航空航天大学 多源数据融合的移动轨迹生成模型的时空模式挖掘方法
CN109572694A (zh) * 2018-11-07 2019-04-05 同济大学 一种考虑不确定性的自动驾驶风险评估方法
CN109693668A (zh) * 2018-12-27 2019-04-30 驭势科技（北京）有限公司 一种自动驾驶车辆速度控制系统与方法
CN109557925A (zh) * 2018-12-29 2019-04-02 北京智行者科技有限公司 自动驾驶车辆障碍物避让方法及装置
CN109855639A (zh) * 2019-01-15 2019-06-07 天津大学 基于障碍物预测与mpc算法的无人驾驶轨迹规划方法
CN109901574A (zh) * 2019-01-28 2019-06-18 华为技术有限公司 自动驾驶方法及装置
CN109739246A (zh) * 2019-02-19 2019-05-10 百度在线网络技术（北京）有限公司 一种变换车道过程中的决策方法、装置、设备及存储介质
CN109765914A (zh) * 2019-03-12 2019-05-17 哈尔滨工程大学 一种基于滑窗粒子群的水面无人艇避碰方法
CN109878513A (zh) * 2019-03-13 2019-06-14 百度在线网络技术（北京）有限公司 防御性驾驶策略生成方法、装置、设备及存储介质
CN109960261A (zh) * 2019-03-22 2019-07-02 北京理工大学 一种基于碰撞检测的动态障碍物避让方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112985825A (zh) * 2019-12-12 2021-06-18 百度（美国）有限责任公司 用于确定自动驾驶系统的乘坐稳定性的方法
CN115335885A (zh) * 2020-03-31 2022-11-11 松下知识产权经营株式会社 车辆控制装置、车辆用汇入辅助装置及车辆
CN115335885B (zh) * 2020-03-31 2024-01-05 松下知识产权经营株式会社 车辆控制装置、车辆用汇入辅助装置及车辆
CN113658424A (zh) * 2021-07-23 2021-11-16 南昌工程学院 基于稀疏卫星定位数据的车辆频繁变道识别方法及装置
CN113658424B (zh) * 2021-07-23 2022-07-12 南昌工程学院 基于稀疏卫星定位数据的车辆频繁变道识别方法及装置
CN113963535A (zh) * 2021-09-30 2022-01-21 华为技术有限公司 行驶决策确定方法、装置、电子设备存储介质
CN113815651A (zh) * 2021-10-29 2021-12-21 北京触达无界科技有限公司 一种无人设备控制方法、装置、设备及存储介质
WO2023087524A1 (zh) * 2021-11-18 2023-05-25 上海仙途智能科技有限公司 车辆行驶的方法及装置
CN114264485A (zh) * 2021-12-13 2022-04-01 南京邮电大学 一种无人驾驶汽车测试故障物模拟系统

Also Published As

Publication number Publication date
CN110488816B (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
CN110488816A (zh) 自动驾驶纵向规划方法及相关设备
CN110796856B (zh) 车辆变道意图预测方法及变道意图预测网络的训练方法
US10235881B2 (en) Autonomous operation capability configuration for a vehicle
CN112677995B (zh) 一种车辆轨迹规划方法、装置、存储介质及设备
Wang et al. Developing a distributed consensus-based cooperative adaptive cruise control system for heterogeneous vehicles with predecessor following topology
CN111898211A (zh) 基于深度强化学习的智能车速度决策方法及其仿真方法
CN109084798A (zh) 网络下发带有道路属性的控制点的路径规划方法
CN112577506B (zh) 一种自动驾驶局部路径规划方法和系统
KR102424067B1 (ko) 정보 처리 방법, 장치 및 저장 매체
CN105551282A (zh) 一种超车提示方法和装置
CN108801273A (zh) 一种道路参考线的生成方法及装置
US20210089036A1 (en) Method and device for calculating a trajectory of a vehicle
CN109814574A (zh) 车道汇合处的速度规划方法、装置和存储介质
CN112829747A (zh) 一种驾驶行为决策方法、装置及存储介质
DE102015224584A1 (de) Elektronische Vorrichtung und Fahrerbestimmungsverfahren für dieselbe
CN116118780A (zh) 一种车辆避障轨迹规划方法、系统、车辆及存储介质
CN115257819A (zh) 城市低速环境下的大型营运车辆安全驾驶决策方法
CN114715154A (zh) 一种变道行车轨迹规划方法、装置、设备和介质
CN110341710A (zh) 一种自适应巡航控制方法、装置及设备
CN114620071A (zh) 绕行轨迹规划方法、装置、设备及存储介质
CN111177927A (zh) 一种车辆参考行驶线构建方法、电子设备及存储介质
CN113978465A (zh) 一种变道轨迹规划方法、装置、设备以及存储介质
CN115230731A (zh) 行驶路径确定方法、装置、终端及介质
CN115973179A (zh) 模型训练方法、车辆控制方法、装置、电子设备及车辆
CN114117944B (zh) 一种模型更新方法、装置、设备及可读存储介质

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