CN110647146B - 无人车控制方法、装置、计算机设备和存储介质 - Google Patents
无人车控制方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110647146B CN110647146B CN201910849304.8A CN201910849304A CN110647146B CN 110647146 B CN110647146 B CN 110647146B CN 201910849304 A CN201910849304 A CN 201910849304A CN 110647146 B CN110647146 B CN 110647146B
- Authority
- CN
- China
- Prior art keywords
- unmanned vehicle
- lane
- moving object
- current
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000008859 change Effects 0.000 claims description 51
- 238000004590 computer program Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000007613 environmental effect Effects 0.000 claims description 13
- 238000013519 translation Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000002441 reversible effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0251—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种无人车控制方法、装置、计算机设备和存储介质。所述方法包括:当检测到行车区域内有运动物体时,获取运动物体的运动特征;根据运动特征,预测运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间;确定运动物体相对所述无人车的纵向距离,以及无人车的当前车速;根据运动时间、纵向距离及当前车速,预测无人车与运动物体的碰撞概率;基于碰撞概率生成决策指令,以使无人车根据所述决策指令对应行驶。采用本方法能够提升无人驾驶的安全性。
Description
技术领域
本申请涉及无人车领域,特别是涉及一种无人车控制方法、装置、计算机设备和存储介质。
背景技术
无人驾驶汽车又称自动驾驶汽车、电脑驾驶汽车、或轮式移动机器人,是一种靠人工智能、视觉计算、雷达、监控装置和全球定位设备协同合作,让电脑可以在没有任何人类主动的操作下,自动地操作机动车辆的智能汽车。在无人驾驶的过程中,最重要的是保证运动物体安全性。
但是,目前无人车只是通过检测前方是否有运动物体,来决定是否需要减速避让,并未结合实际路况进行综合判断,从而导致安全性低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提升无人驾驶安全性的无人车控制方法、装置、计算机设备和存储介质。
一种无人车控制方法,所述方法包括:
当检测到行车区域内有运动物体时,获取所述运动物体的运动特征;
根据所述运动特征,预测所述运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间;
确定所述运动物体相对所述无人车的纵向距离,以及无人车的当前车速;
根据所述运动时间、纵向距离及所述当前车速,预测所述无人车与所述运动物体的碰撞概率;
基于所述碰撞概率生成决策指令,以使无人车根据所述决策指令对应行驶。
在其中一个实施例中,还包括:
基于所述决策指令获取对应的提示语音;
驱动扬声器播放所述提示语音。
在其中一个实施例中,所述根据所述运动特征,预测所述运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间之前,还包括:
确定所述行车区域的参考车道;
获取所述行车区域的环境信息;
根据所述环境信息确定所述行车区域的车道参数;
基于所述车道参数对所述参考车道进行平移处理,得到多个车道。
在其中一个实施例中,所述根据所述运动特征,预测运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间包括:
确定运动物体从当前位置运动至无人车所在的当前位置所需要的最短运动距离;
基于所述最短运动距离与运动特征,预测运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间。
在其中一个实施例中,所述根据所述运动时间、纵向距离及所述当前车速,预测无人车与所述运动物体发生碰撞的碰撞概率包括:
根据所述运动时间、纵向距离及当前车速,确定所述无人车的制动减速度;
获取所述无人车的最大制动减速度;
基于所述制动减速度与最大制动减速度的差值,确定所述无人车与所述运动物体的碰撞概率。
在其中一个实施例中,所述基于所述碰撞概率生成决策指令,以使无人车根据所述决策指令对应行驶包括:
当所述碰撞概率大于阈值时,获取所述行车区域内多个车道的车道参数;所述车道包括所述无人所在的当前车道和多个候选车道;
确定每个候选车道相对所述无人车的空间距离;
预测所述无人车在候选车道与运动物体的碰撞概率;
根据所述车道参数、所述空间距离以及在候选车道的碰撞概率,确定相应候选车道对应的变道代价;
控制所述无人车从当前车道变更至所述变道代价符合条件的车道。
在其中一个实施例中,还包括:
当所述碰撞概率小于或等于阈值时,根据所述制动减速度控制所述无人车减速停车。
一种无人车控制装置,所述装置包括:
碰撞参数获取模块,用于当检测到行车区域内有运动物体时,获取所述运动物体的运动特征;根据所述运动特征,预测所述运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间;确定所述运动物体相对所述无人车的纵向距离,以及无人车的当前车速;
碰撞概率计算模块,用于根据所述运动时间、纵向距离及所述当前车速,预测所述无人车与所述运动物体的碰撞概率;
决策指令生成模块,用于基于所述碰撞概率生成决策指令,以使无人车根据所述决策指令对应行驶。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
当检测到行车区域内有运动物体时,获取所述运动物体的运动特征;
根据所述运动特征,预测所述运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间;
确定所述运动物体相对所述无人车的纵向距离,以及无人车的当前车速;
根据所述运动时间、纵向距离及所述当前车速,预测所述无人车与所述运动物体的碰撞概率;
基于所述碰撞概率生成决策指令,以使无人车根据所述决策指令对应行驶。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
当检测到行车区域内有运动物体时,获取所述运动物体的运动特征;
根据所述运动特征,预测所述运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间;
确定所述运动物体相对所述无人车的纵向距离,以及无人车的当前车速;
根据所述运动时间、纵向距离及所述当前车速,预测所述无人车与所述运动物体的碰撞概率;
基于所述碰撞概率生成决策指令,以使无人车根据所述决策指令对应行驶。
上述无人车控制方法、装置、计算机设备和存储介质,由于服务器是综合运动时间、纵向距离及当前车速生成决策指令的,因此相比于传统的单纯检测前方是否有运动物体,来决定是否需要减速避让,上述的无人车控制方法可以根据实际情况控制无人车对应行驶,从而减少了无人车与运动物体发生碰撞的概率,进而提升了无人驾驶的安全性。
附图说明
图1为一个实施例中无人车控制方法的应用场景图;
图2为一个实施例中无人车控制方法的流程示意图;
图3为一个实施例中车道示意图;
图4为一个实施例中无人车现场示意图;
图5为另一个实施例中无人车现场示意图;
图6为一个实施例中无人车控制装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的无人车控制方法,可以应用于如图1所示的应用环境中。其中,无人车102中内置一个无人车控制模块,或将无人车控制模块集成于服务器104中。无人车102通过网络与服务器104相连。其中,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。无人车控制方法可以在终端102或服务器104完成,终端102可以采集运动物体从当前位置运动至无人车102所在的当前车道所需要的运动时间、无人车102与运动物体之间的纵向距离和无人车102的当前车速后在终端102采用上述无人车控制方法进行无人车控制。或者终端102采集运动时间、纵向距离及当前车速后,通过网络连接将运动时间、纵向距离及当前车速发送至服务器104,服务器104采用上述无人车控制方法对无人车进行控制。
服务器104获取运动物体从当前位置运动至无人车102所在的当前车道所需要的运动时间、无人车102与运动物体之间的纵向距离和无人车102的当前车速,并根据运动时间、纵向距离及当前车速,预测无人车与运动物体的碰撞概率,然后根据碰撞概率生成对应的决策指令,并将控制指令发送至无人车102。无人车102接收控制指令,根据控制指令对应行驶。由于服务器是综合运动时间、纵向距离及当前车速生成决策指令,因此相比于传统的单纯检测前方是否有运动物体,来决定是否需要减速避让,上述的无人车控制方法可以根据实际情况控制无人车对应行驶,从而减少了无人车与运动物体发生碰撞的概率,进而提升了无人驾驶的安全性。
在一个实施例中,如图2所示,提供了一种无人车控制方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,当检测到行车区域内有运动物体时,获取运动物体的运动特征。
其中,运动特征包括运动物体的运动速度和运动方向。行驶任务中具有无人车行驶的起点与行驶的终点的位置信息。
具体地,管理人员通过管理平台给无人车下发行驶任务,从而控制无人车从任务起点行驶至任务终点。无人车接收管理人员下发的行驶任务,并将行驶任务发送至服务器。服务器从行驶任务中提取任务起点与任务终点,并根据任务起点与任务终点确定无人车为完成行驶任务所需要经过的目标区域。服务器将目标区域进行分割,生成多个行车区域,然后基于高精度地图收集多个行车区域的经纬度范围。
无人车上安装有图像采集装置、测距设备与定位设备。无人车行驶在行车区域时通过图像采集装置以特定的频率采集预设范围内的现场图像,然后将现场图像发送至服务器。服务器接收无人车上传的现场图像,并分析相邻两张现场图像中的前序现场图像中是否有运动物体,当存在运动物体时,服务器识别现场图像中的运动物体的类别,并根据运动物体类别判断运动物体的运动方向,然后根据运动方向预测运动物体是否会靠近无人车所在的车道。
例如,当识别出运动物体为行人时,服务器根据现场图像中行人的人脸所面对的方向,预测行人的运动方向,从而预测行人是否会步行至无人车所在的车道;当识别出运动物体为小狗时,服务器根据狗头所在的方向,预测小狗是否会运动至无人车所在的车道。当服务器预测到运动物体会运动至无人车所在的车道后,服务器根据物体的类型预测物体的运动速度。例如,当识别出物体为老人时,服务器根据老人的一般步速预测此时老人的运动速度,当识别出物体为孕妇时,服务器根据孕妇的一般步速预测此时孕妇的运动速度。
步骤204,根据运动特征,预测运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间。
具体地,当服务器判断运动物体可能与无人车相撞时,服务器发送测距指令至无人车,以使无人车上的测距系统发射激光至运动物体,从而根据激光到达运动物体的时间计算无人车与运动物体之间的距离,然后测距系统控制发射的激光从运动物体处转动至与车道垂直,并计算激光从运动物体处转至与车道垂直时所转动的角度,将转动的角度与无人车与运动物体之间的距离代入三角函数中,计算得到无人车与运动物体之间的横向距离,然后将无人车与运动物体之间的横向距离除以运动物体的运动速度,得到运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间。
步骤206,确定运动物体相对无人车的纵向距离,以及无人车的当前车速。
具体地,当服务器获得激光从运动物体处转至与车道垂直时所转动的角度与无人车与运动物体之间的距离后,将转动角度与无人车与运动物体之间的距离带入三角函数中,计算得到运动物体相对无人车的纵向距离。与此同时,服务器生成速度获取指令,并将速度获取指令发送至无人车。无人车接收速度获取指令,根据速度获取指令从仪表盘中读取无人车当前的速度,然后将当前的速度发送至服务器。
步骤208,根据运动时间、纵向距离及当前车速,预测无人车与运动物体的碰撞概率。
步骤210,基于碰撞概率生成决策指令,以使无人车根据决策指令对应行驶。
其中,制动减速度是指车辆在行驶中迅速降低行驶速度直至停车的能力。服务器中具有无人车型号与最大制动减速度的对应关系。
具体地,当服务器获取到无人车的当前车速与无人车距运动物体的纵向距离后,将纵向距离除以当前车速,得到无人车行驶至与运动物体平行处时所需要的时间,将无人车行驶至与运动物体平行的位置时所需要的时间减去运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间,得到时间差值,若时间差值大于零时,可以认为运动物体从当前位置运动至无人车所在的车道时,无人车还未行驶至与运动物体平行处,即无人车不会与运动物体发生碰撞,此时服务器生成行驶指令,控制无人车以当前车速继续行驶。若时间差值小于零时,可以认为运动物体从当前位置运动至无人车所在的车道时,无人车有可能已经行驶至与运动物体平行的位置,即此时无人车可能会与运动物体发生碰撞。
当服务器判定无人车可能会与运动物体发生碰撞时,服务器生成型号获取指令,并将型号获取指令发送至无人车。无人车接收型号获取指令,根据型号获取指令获取自身的型号,然后将自身的型号发送至服务器。服务器接收到无人车发送的型号后,根据型号从无人车型号与制动减速度的对应关系中确定当前无人车的最大制动减速度,然后根据最大制动减速度及当前车速计算无人车从当前速度减速到零时所需要的时间和无人车从当前速度减速到零时还需要行驶的距离。
当无人车从当前速度减速到零时所需要的时间大于运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间,且无人车从当前速度减速到零时还需要行驶的距离大于运动物体相对无人车的纵向距离时,可以判定无人车即使以最大制动减速度减速后,运动物体依旧会与无人碰撞,此时无人车生成变道指令,指使无人车变更至与运动物体的运动方向相反的车道中;当无人车从当前速度减速到零时所需要的时间小于运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间,且无人车从当前速度减速到零时还需要行驶的距离小于运动物体相对无人车的纵向距离时,可以判定无人车以最大制动减速度减速后此时运动物体不会与无人碰撞,此时服务器生成减速指令,控制无人车减速停车。
上述无人车控制方法,通过获取运动物体的运动特征,可以根据运动特征预测与运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间;通过获取运动时间、纵向距离及当前车速,可以预测无人车与运动物体的碰撞概率;通过获取无人车与运动物体的碰撞概率,可以根据碰撞概率生成对应的决策指令,通过决策指令控制无人车对应行驶。由于服务器是综合运动时间、纵向距离及当前车速生成决策指令的,因此相比于传统的单纯检测前方是否有运动物体,来决定是否需要减速避让,上述的无人车控制方法可以根据实际情况控制无人车对应行驶,从而减少了无人车与运动物体发生碰撞的概率,进而提升了无人驾驶的安全性。
在其中一个实施例中,上述方法还包括:基于决策指令获取对应的提示语音;驱动扬声器播放提示语音。
其中,语音文件为存储音频信息的文件,在无人车行驶之前,无人车的管理人员收集不同场景下的文字提示信息,如“请注意来车”、“等待中,请您先行”,然后将文字提示信息转换为对应的音频信息,并存储于语音文件中。
具体地,无人车中具有语音播放指令类型与语音文件的对应关系。当服务器将决策指令下发至无人车时,无人车接收决策指令,然后将决策指令翻译为语音模块使用的语音播放指令。无人车判断语音播放指令所属类型,然后基于语音播放指令类型与语音文件的对应关系确定与当前语音播报指令类型对应的语音文件。例如,当决策指令的类型为减速指令时,无人车将减速指令翻译为对应的减速语音播报指令,无人车基于减速语音播报指令确定与减速语音播报指令对应的语音文件,当决策指令的类型为变道指令时,无人车基于变道语音播报指令从多个预置的语音文件中筛选与变道指令对应的语音文件。然后无人车将语音文件进行解码生成对应的模拟信号,并将模拟信号输入扬声器中,驱动扬声器播放对应的语音提示。
例如,当行人欲过马路时,服务器判断行人可能与无人车发生碰撞时,服务器根据行人的运动特征、自身的车速和行人相对无人车的纵向距离,做出减速停车指令,并将减速停车指令发送至无人车。无人车根据减速停车指令进行减速,同时驱动扬声器播放对应的语音。当行人听到无人车的语音播报时,可以判断此时无人车已经检测到自己,并准备减速避让,此时行人可以根据无人车的语音播放做出快速通过马路的决策。
容易理解,无人车不仅能在行驶的过程中播放对应的语音提示,用以提示行人小心车辆,还能在启动时、接收到行驶任务或结束行驶任务、等待行驶任务与检测到车辆故障时播放对应的语音提示。
本实施例中,无人车可以根据决策指令播放对应的提示语音,从而可以以语音播放的形式,将自身即将做的行动通知给行人,使得行人可以根据无人车的语音播报做出相应的决策,从而提升了无人车的驾驶的安全性。
在其中一个实施例中,根据运动特征,预测运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间之前,还包括:确定行车区域的参考车道;获取行车区域的环境信息;根据环境信息确定行车区域的车道参数;基于车道参数对参考车道进行平移处理,得到多个车道。
其中,参考车道是由无人车已经行驶过的历史路径的位置信息组成的车道;环境信息包括处于行车区域内的道路的平整度,道路的宽度与道路的弯度;车道参数包括车道宽度和车道数量。
具体地,图3为车道示意图,其中310为参考车道,320为车道。当无人车接收行驶任务,并根据行驶任务自主驾驶之前,服务器根据行驶任务判断是否存在与行驶任务对应的参考车道。若不存在与行驶任务对应的参考车道,驾驶人员会驾驶无人车从任务起点行驶至任务终点,此时无人车可以通过定位设备采集行驶过的路径的位置信息,然后将位置信息上传至服务器,服务器根据行驶过的位置信息生成参考车道。若存在与行驶任务对应的参考车道时,无人车接收行驶任务,无人车将行驶任务发送至服务器。服务器控制无人车行驶,并实时判断无人车所在的行车区域。服务器获取行车区域的经度范围与纬度范围,然后根据经度范围与纬度范围,从预先存储的参考车道中提取位于行车区域的经度范围和纬度范围之内的参考车道。
服务器预先存储有环境信息与位置信息的对应关系。当服务器确定行车区域的参考车道之后,服务器根据行车区域的位置信息,从预先存储的环境信息中筛选处于行车区域内的环境信息,并对环境信息进行计算,得到环境值,例如对道路弯度与道路平整度进行加权计算。服务器判断环境值是否大于环境阈值,当环境值大于环境阈值时,可以认为分段区间内的道路是一条弯曲且不平整的道路,因此将车道宽度确定为0.1倍车宽,当环境值小于环境阈值时,可以认为分段区间内的道路为一条平整的直道,因此将车道宽度设置为0.5倍车宽。然后服务器从环境信息中提取道路的宽度,将道路的宽度除以车道宽度,得到车道数量,服务器根据车道宽度和车道数量,对参考车道进行平移处理,得到如图3所示的多个车道。从而服务器可控制无人车在多个车道上对应行驶。
本实施例中,由于服务器仅需根据车道参数对参考车道进行简单地平移处理,既可得到多个车道,从而可以快速地生成车道,进而可以提升车道的生成效率。
在其中一个实施例中,根据运动特征,预测运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间包括:确定运动物体从当前位置运动至无人车所在的当前位置所需要的最短运动距离;基于最短运动距离与运动特征,预测运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间。
具体地,当无人车预测到运动物体的运动速度后,服务器根据现场图像中判断此时的运动物体是否在道路中的车道上,若运动物体不在车道上,处于道路边沿外时,服务器默认此时运动物体位于道路边沿处。若运动物体处于两个车道之间时,此时服务器将运动物体的位置平移至靠近无人车一侧,且与运动物体的横向距离最小的一条车道上。此时服务器统计道路边沿或平移后的运动物体所处的车道与当前无人车所在的车道之间的车道数量,然后将车道数量加1再乘以车道宽度,得到运动物体从当前位置运动至无人车所在的当前位置所需要的最短运动距离。服务器将最短运动距离除以运动速度,得到运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间。
本实施例中,通过统计运动物体与无人车所在的当前车道之间的车道数量,可以根据车道数量快速计算出运动物体从当前位置运动至无人车所在的当前位置所需要的最短运动距离,从而可以根据最短运动距离与运动速度快速预测运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间,进而可以提升服务器根据现场情况做出相应决策的速率。
在其中一个实施例中,根据运动时间、纵向距离及当前车速,预测无人车与运动物体发生碰撞的碰撞概率包括:根据运动时间、纵向距离及当前车速,确定无人车的制动减速度;获取无人车的最大制动减速度;基于制动减速度与最大制动减速度的差值,确定无人车与运动物体的碰撞概率。
具体地,服务器计算无人车在运动物体与无人车之间的纵向距离内,从当前速度减速到零时,所需要的制动减速度。例如,当服务器获取到无人车在运动物体与无人车之间的纵向距离和无人车的当前车速之后,根据减速度计算公式计算平均减速度,然后将平均减速度作为制动减速度。服务器根据无人车的型号确定此无人车的最大制动减速度,将最大制动减速度减去计算得到的制动减速度,得到制动减速度差值。服务器判断制动减速度差值是否小于零,当制动减速度差值小于零时,可以认为无人车即使以最大的制动减速度减速停车,也会与运动物体相撞,此时无人车与运动物体的发生碰撞的概率为100%。当制动减速度差值大于零时,服务器获取制动减速度差值的具体大小,并将制动减速度差值除以10乘以100%,得到无人车不会与运动物体的发生碰撞的概率,然后100%减去无人车不会与运动物体的发生碰撞的概率,得到无人车与运动物体的发生碰撞的概率。
本实施例中,由于运动时间、纵向距离及当前车速是根据现场数据实时计算的,因此服务器可以根据运动时间、纵向距离及当前车速对现场情况进行全面分析,从而得出准确的碰撞概率。
在其中一个实施例中,基于碰撞概率生成决策指令,以使无人车根据决策指令对应行驶包括:当碰撞概率大于阈值时,获取行车区域内多个车道的车道参数;车道包括无人所在的当前车道和多个候选车道;确定每个候选车道相对无人车的空间距离;预测无人车在候选车道与运动物体的碰撞概率;根据车道参数、空间距离以及在候选车道的碰撞概率,确定相应候选车道对应的变道代价;控制无人车从当前车道变更至变道代价符合条件的车道。
其中,现场数据包括无人车所在位置信与各目标车道上的运动物体的位置信息;空间距离包括候选车道距无人车所在的当前车道的横向距离、候选车道上的运动物体距无人车的纵向距离;变道代价为反映无人车从当前车道变道至候选车道的可行性。变道代价值越大,表示变道至候选车道的可行性越小。服务器在对参考车道进行平移处理,得到多个车道之后,还会根据道路中实际的方向指示标识,确定每个车道的车道方向。
具体地。当碰撞概率大于阈值时,服务器根据无人车上的定位设备确定无人车所在的位置信息,然后根据无人车的位置信息确定无人车所在的行车区域。服务器获取处于行车区域内的多个车道,并确定处于分段区域内的多个车道的车道方向。
服务器基于无人车与运动物体之间的横纵向距离和无人车自身的位置信息确定运动物体的位置信息,根据运动物体的位置信息判断运动物体是否处于候选车道上,若运动物体不处于候选车道,服务器获取运动物体与候选车道的横向距离,并将运动物体的位置平移至横向距离最小的候选车道上,然后根据无人车位置信息确定平移后的运动物体所在的候选车道距无人车所在的当前车道之间的横向距离。
当获取到每个候选车道相对于无人车所在的当前车道的空间距离后,服务器获取运动物体的运动方向,并根据运动方向确定运动物体运动至候选车道上的概率,例如当运动物体的运动方向是从无人车的右方运动至无人车的左方时,此时运动物体会运动至无人车左方的候选车道。当服务器判断运动物体会运动到候选车道时,可以认为无人车在候选车道上会与运动物体发生碰撞,例如,可以认为当无人车变道至左方的候选车道时,仍会与运动物体发生碰撞。
当服务器获取到每个候选车道的方向、候选车道与无人车之间的空间距离和无人车在候选车道与运动物体的碰撞概率后,根据候选车道的方向、候选车道与无人车之间的空间距离和无人车在候选车道与运动物体的碰撞概率计算变道至每个候选车道的变道代价。例如,服务器中具有无人车所在的车道方向与变道代价计算公式的对应关系。如图4所示的无人车现场图像,当服务器确定无人车所在的车道为正向车道或中间车道时,此时的变道代价计算公式为f=k1ecost1+k2ecost2+k3ecost3+k4ecost4,其中K1、K2、K3与K4为权值,cost1代表候选车道距无人车所在的当前车道的横向距离,cost2代表候选车道上的运动物体无人车的纵向距离,cost3代表候选车道方向的映射值,cost4代表无人车在候选车道与运动物体的碰撞概率。设定车道方向为正向车道或中间车道时,对应的映射值为负1,车道方向为逆向车道时,对应的映射值为1。服务器根据变道代价公式依次计算每个候选车道的变道代价,并控制无人车变更至符合变道条件的车道上。
如图5所示的无人车现场图像,当服务器确定无人车所在的车道为逆向车道时,对应的变道代价计算公式为f=k1ecost1+k2ecost2+k3ecost3+k4ecost4+k5ecost5。cost5代表优先值,服务器根据预设的行车习惯确定每个候选车道的优先级,然后根据优先级获取对应的优先值,例如设定行车习惯为靠右行驶,服务器根据行车习惯将逆向车道的优先级设为低,中间车道的优先级设为中,将正向车道的优先级设为高,然后根据优先级与优先值的对应关系确定每个候选车道的优先值。服务器根据变道代价公式依次计算每个候选车道的变道代价,并控制无人车变更至符合变道条件的车道上。
上述公式中的K1、K2、K3、K4以及K5可以根据调试结果确定,也可依据具体情况确定。
本实施例中,通过将车道方向的映射值引入变道代价计算公式中,可以减少无人车变道至不符合行车习惯的车道上,如当行车习惯为向右行车时,可以减少无人车变道至逆向车道的概率,从而可以让无人车的变道更加符合情景逻辑和行车习惯。由于无人车行驶在逆向车道的危险性大于行驶在正向车道或中间车道,因此通过将优先值引入变道代价计算公式中,可以促使处于逆向车道的无人车变道至更安全的正向车道或逆向车道,从而提升了无人车驾驶的安全性;通过将无人车在候选车道与运动物体的碰撞概率引入变道代价的计算公式中,可以减少无人车变道至可能会与运动物体发生碰撞的候选车道上,进一步提升了变道的安全性。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种无人车控制装置,包括:碰撞参数获取模块601、碰撞概率计算模块602和决策指令生成模块603,其中:
碰撞参数获取模块601,用于当检测到行车区域内有运动物体时,获取运动物体的运动特征;根据运动特征,预测运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间;确定运动物体相对无人车的纵向距离,以及无人车的当前车速;
碰撞概率计算模块602,用于根据运动时间、纵向距离及当前车速,预测无人车与运动物体的碰撞概率;
决策指令生成模块603,用于基于碰撞概率生成决策指令,以使无人车根据决策指令对应行驶。
在一个实施例中,上述装置包括语音播报模块604,用于基于决策指令获取对应的提示语音;驱动扬声器播放提示语音。
在一个实施例中,上述装置包括车道参数获取模块605,用于确定行车区域的参考车道;获取行车区域的环境信息;根据环境信息确定行车区域的车道参数;车道生成模块606,用于基于车道参数对参考车道进行平移处理,得到多个车道。
在一个实施例中,碰撞参数获取模块601包括运动时间获取模块6011,用于确定运动物体从当前位置运动至无人车所在的当前位置所需要的最短运动距离;基于最短运动距离与运动特征,预测运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间。
在一个实施例中,碰撞概率计算模块602包括制动减速度计算模块6021,用于根据运动时间、纵向距离及当前车速,确定无人车的制动减速度;获取无人车的最大制动减速度;基于制动减速度与最大制动减速度的差值,确定无人车与运动物体的碰撞概率。
在一个实施例中,决策指令生成模块603包括变道控制模块6031,用于确定每个候选车道相对无人车的空间距离;预测无人车在候选车道与运动物体的碰撞概率;根据车道参数、空间距离以及在候选车道的碰撞概率,确定相应候选车道对应的变道代价;控制无人车从当前车道变更至变道代价符合条件的车道。
在一个实施例中,决策指令生成模块603包括减速控制模块6032,用于当碰撞概率小于或等于阈值时,根据制动减速度控制无人车减速停车。
关于无人车控制装置的具体限定可以参见上文中对于无人车控制方法的限定,在此不再赘述。上述无人车控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储无人车控制数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种无人车控制方法。
本领域技术人员可以理解,图7示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
当检测到行车区域内有运动物体时,获取运动物体的运动特征;
根据运动特征,预测运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间;
确定运动物体相对无人车的纵向距离,以及无人车的当前车速;
根据运动时间、纵向距离及当前车速,预测无人车与运动物体的碰撞概率;
基于碰撞概率生成决策指令,以使无人车根据决策指令对应行驶。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于决策指令获取对应的提示语音;
驱动扬声器播放提示语音。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
确定行车区域的参考车道;
获取行车区域的环境信息;
根据环境信息确定行车区域的车道参数;
基于车道参数对参考车道进行平移处理,得到多个车道。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
确定运动物体从当前位置运动至无人车所在的当前位置所需要的最短运动距离;
基于最短运动距离与运动特征,预测运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据运动时间、纵向距离及当前车速,确定无人车的制动减速度;
获取无人车的最大制动减速度;
基于制动减速度与最大制动减速度的差值,确定无人车与运动物体的碰撞概率。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当碰撞概率大于阈值时,获取行车区域内多个车道的车道参数;所述车道包括所述无人所在的当前车道和多个候选车道;
确定每个候选车道相对所述无人车的空间距离;
预测所述无人车在候选车道与运动物体的碰撞概率;
根据所述车道参数、所述空间距离以及在候选车道的碰撞概率,确定相应候选车道对应的变道代价;
控制无人车从当前车道变更至变道代价符合条件的车道。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当碰撞概率小于或等于阈值时,根据制动减速度控制无人车减速停车。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:根据运动特征,预测运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间之前,
当检测到行车区域内有运动物体时,获取运动物体的运动特征;
根据运动特征,预测运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间;
确定运动物体相对无人车的纵向距离,以及无人车的当前车速;
根据运动时间、纵向距离及当前车速,预测无人车与运动物体的碰撞概率;
基于碰撞概率生成决策指令,以使无人车根据决策指令对应行驶。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于决策指令获取对应的提示语音;
驱动扬声器播放提示语音。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
确定行车区域的参考车道;
获取行车区域的环境信息;
根据环境信息确定行车区域的车道参数;
基于车道参数对参考车道进行平移处理,得到多个车道。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
确定运动物体从当前位置运动至无人车所在的当前位置所需要的最短运动距离;
基于最短运动距离与运动特征,预测运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据运动时间、纵向距离及当前车速,确定无人车的制动减速度;
获取无人车的最大制动减速度;
基于制动减速度与最大制动减速度的差值,确定无人车与所述运动物体的碰撞概率。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当碰撞概率大于阈值时,获取行车区域内多个车道的车道参数;车道包括无人所在的当前车道和多个候选车道;
确定每个候选车道相对无人车的空间距离;
预测无人车在候选车道与运动物体的碰撞概率;
根据车道参数、空间距离以及在候选车道的碰撞概率,确定相应候选车道对应的变道代价;
控制无人车从当前车道变更至变道代价符合条件的车道。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当所述碰撞概率小于或等于阈值时,根据所述制动减速度控制所述无人车减速停车。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种无人车控制方法,所述方法包括:
当检测到行车区域内有运动物体时,获取所述运动物体的运动特征;
确定所述运动物体与无人车所在的当前车道之间的车道数量;
根据所述车道数量确定所述运动物体从当前位置运动至无人车所在的当前车道所需要的最短运动距离;
基于所述最短运动距离与所述运动特征,预测所述运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间;
确定所述运动物体相对所述无人车的纵向距离,以及无人车的当前车速;
根据所述运动时间、纵向距离及所述当前车速,确定所述无人车的制动减速度;
获取所述无人车的最大制动减速度;
基于所述制动减速度与最大制动减速度的差值,确定所述无人车与所述运动物体的碰撞概率;
基于所述碰撞概率生成决策指令,以使无人车根据所述决策指令对应行驶;
其中,所述基于所述碰撞概率生成决策指令,以使无人车根据所述决策指令对应行驶,包括:
当所述碰撞概率大于阈值时,获取所述行车区域内多个车道的车道参数;所述车道包括所述无人车所在的当前车道和多个候选车道;
确定每个候选车道相对所述无人车的空间距离;
预测所述无人车在候选车道与运动物体的碰撞概率;
根据所述车道参数、所述空间距离以及在候选车道的碰撞概率,确定相应候选车道对应的变道代价;
控制所述无人车从当前车道变更至所述变道代价符合条件的车道。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述决策指令获取对应的提示语音;
驱动扬声器播放所述提示语音。
3.根据权利要求1所述的方法,其特征在于,所述基于所述最短运动距离与所述运动特征,预测所述运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间之前,还包括:
确定所述行车区域的参考车道;
获取所述行车区域的环境信息;
根据所述环境信息确定所述行车区域的车道参数;
基于所述车道参数对所述参考车道进行平移处理,得到多个车道。
4.根据权利要求1所述的方法,其特征在于,所述无人车上安装有图像采集装置、测距设备与定位设备。
5.根据权利要求1所述的方法,其特征在于,所述运动特征包括运动速度和运动时间。
6.根据权利要求1所述的方法,其特征在于,所述制动减速度表征车辆在行驶中降低行驶速度直至停车的能力。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当所述碰撞概率小于或等于阈值时,根据所述制动减速度控制所述无人车减速停车。
8.一种无人车控制装置,其特征在于,所述装置包括:
碰撞参数获取模块,用于当检测到行车区域内有运动物体时,获取所述运动物体的运动特征;确定所述运动物体与无人车所在的当前车道之间的车道数量;根据所述车道数量确定所述运动物体从当前位置运动至无人车所在的当前车道所需要的最短运动距离;基于所述最短运动距离与所述运动特征,预测所述运动物体从当前位置运动至无人车所在的当前车道所需要的运动时间;确定所述运动物体相对所述无人车的纵向距离,以及无人车的当前车速;
碰撞概率计算模块,用于根据所述运动时间、纵向距离及当前车速,确定所述无人车的制动减速度;获取所述无人车的最大制动减速度;基于所述制动减速度与最大制动减速度的差值,确定所述无人车与所述运动物体的碰撞概率;
决策指令生成模块,用于基于所述碰撞概率生成决策指令,以使无人车根据所述决策指令对应行驶;其中,所述基于所述碰撞概率生成决策指令,以使无人车根据所述决策指令对应行驶,包括:当所述碰撞概率大于阈值时,获取所述行车区域内多个车道的车道参数;所述车道包括所述无人车所在的当前车道和多个候选车道;确定每个候选车道相对所述无人车的空间距离;预测所述无人车在候选车道与运动物体的碰撞概率;根据所述车道参数、所述空间距离以及在候选车道的碰撞概率,确定相应候选车道对应的变道代价;控制所述无人车从当前车道变更至所述变道代价符合条件的车道。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910849304.8A CN110647146B (zh) | 2019-09-09 | 2019-09-09 | 无人车控制方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910849304.8A CN110647146B (zh) | 2019-09-09 | 2019-09-09 | 无人车控制方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110647146A CN110647146A (zh) | 2020-01-03 |
CN110647146B true CN110647146B (zh) | 2023-01-31 |
Family
ID=68991836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910849304.8A Active CN110647146B (zh) | 2019-09-09 | 2019-09-09 | 无人车控制方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110647146B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112319477B (zh) * | 2020-11-02 | 2022-02-11 | 天津大学 | 一种用于无人驾驶的决策规划方法 |
CN113419547B (zh) * | 2021-08-25 | 2021-12-31 | 北京三快在线科技有限公司 | 一种多车协同控制方法及装置 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4637890B2 (ja) * | 2007-10-19 | 2011-02-23 | 三菱電機株式会社 | 車両用衝突被害軽減装置 |
EP2757540B1 (en) * | 2011-09-14 | 2016-03-09 | Toyota Jidosha Kabushiki Kaisha | Driving assistance device and driving assistance method |
JP6174516B2 (ja) * | 2014-04-24 | 2017-08-02 | 本田技研工業株式会社 | 衝突回避支援装置、衝突回避支援方法、及びプログラム |
KR102209794B1 (ko) * | 2014-07-16 | 2021-01-29 | 주식회사 만도 | 보행자 보호용 긴급 제동 시스템 및 그의 제어 방법 |
CN105151043B (zh) * | 2015-08-19 | 2018-07-06 | 内蒙古麦酷智能车技术有限公司 | 一种无人驾驶汽车紧急避让的方法 |
CN106564484A (zh) * | 2016-10-25 | 2017-04-19 | 智车优行科技(北京)有限公司 | 车辆自动紧急制动控制方法、装置及车辆 |
KR102673055B1 (ko) * | 2016-12-09 | 2024-06-10 | 현대자동차주식회사 | 차량 및 그 제어방법 |
CN106828388A (zh) * | 2016-12-30 | 2017-06-13 | 浙江吉利控股集团有限公司 | 针对行人的车辆主动报警系统及方法和车辆 |
KR101996419B1 (ko) * | 2016-12-30 | 2019-07-04 | 현대자동차주식회사 | 센서 융합 기반 보행자 탐지 및 보행자 충돌 방지 장치 및 방법 |
JP6593354B2 (ja) * | 2017-01-16 | 2019-10-23 | 株式会社デンソー | 衝突回避装置 |
CN108082107B (zh) * | 2017-12-19 | 2019-07-09 | 奇瑞汽车股份有限公司 | 信息提醒方法、装置及计算机可读存储介质 |
CN109969172B (zh) * | 2017-12-26 | 2020-12-01 | 华为技术有限公司 | 车辆控制方法、设备及计算机存储介质 |
-
2019
- 2019-09-09 CN CN201910849304.8A patent/CN110647146B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110647146A (zh) | 2020-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111552284B (zh) | 无人驾驶车辆的局部路径规划方法、装置、设备及介质 | |
CN109017786B (zh) | 车辆避障方法 | |
US11267474B2 (en) | Vehicle control device, vehicle control method, and storage medium | |
CN107480638B (zh) | 车辆避障方法、控制器、装置和车辆 | |
CN111332285A (zh) | 车辆避开障碍物的方法及装置、电子设备和存储介质 | |
CN113424121A (zh) | 基于自动驾驶的车辆速度控制方法、装置和计算机设备 | |
CN109002041B (zh) | 一种车辆避障方法 | |
CN110550030B (zh) | 无人车的变道控制方法、装置、计算机设备和存储介质 | |
CN115016531A (zh) | 车辆自动驾驶方法、装置、计算机设备和存储介质 | |
CN113936491B (zh) | 一种基于5g网络的自动驾驶路况导航方法、系统及介质 | |
US20190339393A1 (en) | Method and apparatus crosstalk and multipath noise reduction in a lidar system | |
CN113853640B (zh) | 电子控制装置 | |
CN108983787B (zh) | 道路行驶方法 | |
CN111899551B (zh) | 确定停车点的方法、装置、计算机设备和存储介质 | |
CN110647146B (zh) | 无人车控制方法、装置、计算机设备和存储介质 | |
CN111665828A (zh) | 车辆感应方法、装置、计算机设备和存储介质 | |
CN113324554A (zh) | 自动驾驶路线规划方法、装置、可读存储介质及电子设备 | |
CN112918472A (zh) | 车辆驾驶辅助系统、利用其的车辆及相应的方法和介质 | |
EP3857327B1 (en) | Implementation of dynamic cost function of self-driving vehicles | |
CN113771841A (zh) | 用于车队的驾驶辅助系统、方法、计算机设备和存储介质 | |
CN113335311B (zh) | 一种车辆碰撞检测方法、装置、车辆及存储介质 | |
JP2021041754A (ja) | 運転制御方法及び運転制御装置 | |
CN112141099A (zh) | 车辆控制方法、装置、计算机设备和存储介质 | |
US20230053243A1 (en) | Hybrid Performance Critic for Planning Module's Parameter Tuning in Autonomous Driving Vehicles | |
CN111845724B (zh) | 一种自动驾驶车辆的避障方法、装置和车辆 |
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 |