CN110834644B - 一种车辆控制方法、装置、待控制车辆及存储介质 - Google Patents

一种车辆控制方法、装置、待控制车辆及存储介质 Download PDF

Info

Publication number
CN110834644B
CN110834644B CN201911046636.9A CN201911046636A CN110834644B CN 110834644 B CN110834644 B CN 110834644B CN 201911046636 A CN201911046636 A CN 201911046636A CN 110834644 B CN110834644 B CN 110834644B
Authority
CN
China
Prior art keywords
information
vehicle
determining
track
intention
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911046636.9A
Other languages
English (en)
Other versions
CN110834644A (zh
Inventor
崔茂源
杨斯琦
吕颖
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.)
FAW Group Corp
Original Assignee
FAW Group Corp
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 FAW Group Corp filed Critical FAW Group Corp
Priority to CN201911046636.9A priority Critical patent/CN110834644B/zh
Publication of CN110834644A publication Critical patent/CN110834644A/zh
Application granted granted Critical
Publication of CN110834644B publication Critical patent/CN110834644B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
    • 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
    • B60W30/10—Path keeping
    • B60W30/12—Lane keeping
    • 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
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/18163—Lane change; Overtaking manoeuvres
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions

Landscapes

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

Abstract

本发明公开了一种车辆控制方法、装置、待控制车辆及存储介质。所述方法应用于待控制车辆，包括：基于预先确定的意图预测网络和检测到的待预测车辆的实测特征变量，确定意图参数；确定所述意图参数对应的第一轨迹信息；基于所述实测特征变量和预设的车辆动力学模型，确定第二轨迹信息；基于所述第一轨迹信息和所述第二轨迹信息，确定目标轨迹信息；基于所述目标轨迹信息，确定驾驶参数，所述驾驶参数用于控制所述待控制车辆。利用该方法，能够实现对周边车辆轨迹信息的准确预测，从而提高待控制车辆的行驶安全性。

Description

一种车辆控制方法、装置、待控制车辆及存储介质
技术领域
本发明实施例涉及汽车技术领域，尤其涉及一种车辆控制方法、装置、待控制车辆及存储介质。
背景技术
智能车辆，如智能汽车是未来交通工具的发展方向，它们在改善驾驶安全和交通通行效率方面有着巨大的潜力。其中，智能汽车的决策模块接收外部感知系统获取的环境信息，并对周围车辆及环境中的障碍物的运动进行预测，从而决定车辆接下来的行为。智能汽车在自动驾驶的过程中，准确预测周边车辆的意图和轨迹能够有效避免碰撞，增加在复杂交通环境中的行驶安全性，同时也能保证决策出的行为安全且符合社会规范，从而在不过于保守的前提下也能保证行驶的安全性以及舒适性，避免交通事故的发生。
目前，在对自动驾驶的研究中可以大概分为三类：基于物理的模型，基于机动的模型，感知交互模型。基于物理的模型认为车辆运动需要满足动力学和运动学的约束，利用特定的演化模型可以进行一定时间间隔内车辆运动的模拟。然而，这种预测方法限制于短期预测，对长期而言是不可靠的，因为车辆会受到周边车辆机动以及环境中各种不确定因素的影响；基于机动的模型，考虑了驾驶员打算执行的操作，一旦确定了驾驶意图之后，下一步的车辆运动将与之严格匹配。但是由于驾驶员会受到其他驾驶员的影响经常改变操作所以这种假设有可能失败；感知交互模型进一步考虑了两车之间的交互作用来对车辆运动进行更可靠的预测，但这种模型大多是人为建立，所以可能存在偏差，同时建模也比较困难。
故，如何准确预测周边车辆的轨迹信息，以提高自动驾驶车辆的行驶安全性是亟待解决的技术问题。
发明内容
本发明实施例提供了一种车辆控制方法、装置、待控制车辆及存储介质，以实现对周边车辆轨迹信息的准确预测，从而提高待控制车辆的行驶安全性。
第一方面，本发明实施例提供了一种车辆控制方法，包括：
基于预先确定的意图预测网络和检测到的待预测车辆的实测特征变量，确定意图参数；
确定所述意图参数对应的第一轨迹信息；
基于所述实测特征变量和预设的车辆动力学模型，确定第二轨迹信息；
基于所述第一轨迹信息和所述第二轨迹信息，确定目标轨迹信息；
基于所述目标轨迹信息，确定驾驶参数，所述驾驶参数用于控制所述待控制车辆。
可选的，所述意图预测网络的确定操作包括：
获取交通数据集；
确定所述交通数据集中的特征变量和车辆状态信息；
对所述特征变量进行离散化处理；
基于离散后的特征变量和所述车辆状态信息训练意图预测模型，得到训练好的意图预测模型。
可选的，意图预测模型为动态贝叶斯网络，所述动态贝叶斯网络包括行为层节点、隐藏层和表现层；
所述行为层包括如下节点：左车道标识信息、左车道行驶信息、右车道标识信息、右车道行驶信息、当前车道行驶信息和车辆速度；
所述隐藏层包括如下节点：意图参数；
所述表现层包括如下节点：航向角信息和相对车道中心线的横向偏移信息。
可选的，确定所述交通数据集中的车辆状态信息，包括：
获取交通数据集中车辆的航向角信息；
在获得的航向角信息小于设定边界值的情况下，确定所述车辆状态信息为车道保持状态；
在获得的航向角信息大于设定边界值的情况下，确定所述车辆状态信息为车道变换状态。
可选的，所述确定所述意图参数对应的第一轨迹信息，包括：
确定Frenet框架下的初始状态信息和终止状态信息；
基于所述意图参数、所述初始状态信息和所述终止状态信息，确定曲线坐标系下的轨迹簇信息；
从所述轨迹簇信息中选取损失函数的数值最小的轨迹信息作为第一轨迹信息。
可选的，所述损失函数包括加速度的变化率的最大值。
可选的，所述基于所述第一轨迹信息和所述第二轨迹信息，确定目标轨迹信息，包括：
确定第一轨迹信息与权重函数的第一乘积信息；
确定第二轨迹信息与目标信息的第二乘积信息，所述目标信息为1减去所述权重函数；
将所述第一乘积信息和所述第二乘积信息的和作为目标轨迹信息。
第二方面，本发明实施例还提供了一种车辆控制装置，包括：
意图参数确定模块，用于基于预先确定的意图预测网络和检测到的待预测车辆的实测特征变量，确定意图参数；
第一轨迹信息确定模块，用于确定所述意图参数对应的第一轨迹信息；
第二轨迹信息确定模块，用于基于所述实测特征变量和预设的车辆动力学模型，确定第二轨迹信息；
目标轨迹信息确定模块，用于基于所述第一轨迹信息和所述第二轨迹信息，确定目标轨迹信息；
驾驶参数确定模块，用于基于所述目标轨迹信息，确定驾驶参数，所述驾驶参数用于控制待控制车辆。
第三方面，本发明实施例还提供了一种待控制车辆，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例提供的方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例提供的方法。
本发明实施例提供了一种车辆控制方法、装置、待控制车辆及存储介质，首先基于预先确定的意图预测网络和检测到的待预测车辆的实测特征变量，确定意图参数；然后确定所述意图参数对应的第一轨迹信息；其次基于所述实测特征变量和预设的车辆动力学模型，确定第二轨迹信息；之后基于所述第一轨迹信息和所述第二轨迹信息，确定目标轨迹信息；最后基于所述目标轨迹信息，确定驾驶参数，所述驾驶参数用于控制所述待控制车辆。利用上述技术方案，能够实现对周边车辆轨迹信息的准确预测，从而提高待控制车辆的行驶安全性。
附图说明
图1为本发明实施例一提供的一种车辆控制方法的流程示意图；
图2为本发明实施例二提供的一种车辆控制方法的流程示意图；
图2a为本发明实施例二提供的一种动态贝叶斯网络的结构示意图；
图2b为本发明实施例二提供的又一种动态贝叶斯网络的结构示意图；
图2c为本发明实施例二提供的又一种车辆控制方法；
图2d为本发明实施例二提供的一种意图预测实例示意图；
图2e为本发明实施例二提供的又一种意图预测实例示意图；
图2f为本发明实施例提供的一种轨迹预测实例示意图；
图2g为本发明实施例提供的又一种轨迹预测实例示意图；
图3为本发明实施例三提供的一种车辆控制装置的结构示意图；
图4为本发明实施例四提供的一种待控制车辆的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。此外，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”。
实施例一
图1为本发明实施例一提供的一种车辆控制方法的流程示意图，该方法可适用于对待控制车辆进行控制，以实现自动驾驶的情况，该方法可以由车辆控制装置来执行，其中该装置可由软件和/或硬件实现，并一般集成在待控制车辆上。该待控制车辆可以实现自动驾驶。
如图1所示，本发明实施例一提供的一种车辆控制方法，包括如下步骤：
S110、基于预先确定的意图预测网络和检测到的待预测车辆的实测特征变量，确定意图参数。
意图预测网络能够基于车辆的特征变量对车辆的意图进行预测。如对车辆的车辆状态信息进行预测。车辆状态信息包括车道保持状态和变道状态。车辆状态信息可以表示车辆驾驶时的状态。车道保持状态可以为车辆一直在一个车道内行驶，未进行变道。变道状态可以认为车辆进行了变道。
在应用意图预测网络前，可以对意图预测网络进行训练，使得训练后的意图预测网络能够基于车辆的实测特征变量，预测得到车辆的意图参数。意图参数可以表示待预测车辆在行驶过程中车辆状态信息。示例性的，意图参数可以表示车道保持和车道变换。
需要注意的是，本发明中所述的车辆不作限定，其具有通用性，可以为待控制车辆，也可以为待预测车辆。
实测特征变量可以为在实际应用过程中，对待预测车辆检测获得的特征变量。特征变量所包括的具体内容不作限定，只要能够反映待测试车辆行驶过程中的变量即可。示例性的，特征变量包括但不限于如下至少之一：左车道标识信息LLE、左车道行驶信息LDV、右车道标识信息RLE、右车道行驶信息RDV、当前车道行驶信息和车辆速度、航向角信息和相对车道中心线的横向偏移信息。
所述左车道标识信息用于标识左车道是否存在车辆；所述左车道行驶信息包括左车道中前车和后车间的纵向距离和速度差，其中前车可以认为是待预测车辆前方的车辆，后车可以认为是待预测车辆后方的车辆，此处不对前方和后方进行限定，在行驶方向上，车头所在位置大于待预测车辆的车头所在位置的车辆，可以认为处于待预测车辆的前方，后方确定手段参见前方确定手段，此处不作赘述。
所述右车道标识信息用于标识右车道是否存在车辆；所述右车道行驶信息包括右车道的前车和后车间的纵向距离和速度差；所述当前车道行驶信息包括与当前行驶车道中前车间的纵向距离和速度差。
本发明基于预先确定的意图预测网络和检测到的待预测车辆的实测特征变量，确定意图参数时，可以直接将检测到的待预测车辆的实测特征变量代入预先确定的意图预测网络，得到意图参数。
本发明不限定意图预测网络训练时所采用的样本数据，可以通过大数据统计获取，也可以直接获取现有的交通数据集。
可选的，所述意图预测网络的确定操作包括：
获取交通数据集；
确定所述交通数据集中的特征变量和车辆状态信息；
对所述特征变量进行离散化处理；
基于离散后的特征变量和所述车辆状态信息训练意图预测模型，得到训练好的意图预测模型。
在训练意图预测网络的过程中，可以从开源交通数据集中下载交通数据集。然后基于本发明所需预测的意图参数，从交通数据集中提取特征变量，并标记车辆状态信息。提取的特征变量的内容与应用意图预测网络时所使用的实测特征变量所包括的内容相同。
本发明中的意图预测网络可以为动态贝叶斯网络，也可以为LSTM神经网络算法。
预测意图的动态贝叶斯网络构建可以包括三个方面，即预测变量选取，网络结构构建和参数学习。搭建完动态贝叶斯网络以后，就可以进行意图的推理。
在对动态贝叶斯网络进行训练前，可以将样本数据，即特征变量和车辆状态信息，进行离散化处理。离散化的手段不作限定，可以采用ChiMerge离散方法。
本发明将离散后的特征变量和车辆状态信息作为样本，训练意图预测模型，以确定意图预测模型中各节点间的条件概率分布，从而得到训练后的意图预测网络。
可选的，意图预测模型为动态贝叶斯网络，所述动态贝叶斯网络包括行为层节点、隐藏层和表现层；
所述行为层包括如下节点：左车道标识信息、左车道行驶信息、右车道标识信息、右车道行驶信息、当前车道行驶信息和车辆速度；
所述隐藏层包括如下节点：意图参数；
所述表现层包括如下节点：航向角信息和相对车道中心线的横向偏移信息。
可选的，确定所述交通数据集中的车辆状态信息，包括：
获取交通数据集中车辆的航向角信息；
在获得的航向角信息小于设定边界值的情况下，确定所述车辆状态信息为车道保持状态；
在获得的航向角信息大于设定边界值的情况下，确定所述车辆状态信息为车道变换状态。
确定车辆状态信息时可以对交通数据集中的车辆进行分析，通过分析该车辆的航向角信息，确定车辆保持状态和变道状态。航向角信息表示车辆的航向角的信息。设定边界值不作限定，本领域技术人员可以对变道时的航向角进行统计确定。变道点可以为车辆发生变道的位置。
S120、确定所述意图参数对应的第一轨迹信息。
所述第一轨迹信息可以在曲线坐标系下确定，所述曲线坐标系以道路中心线为基础，基于所述道路中心线的切线向量和法线向量建立坐标系，如Frenet框架。
示例性的，本步骤可以将意图参数代入Frenet框架，以得到第一轨迹信息。
S130、基于所述实测特征变量和预设的车辆动力学模型，确定第二轨迹信息。
此处不对车辆动力学模型进行限定，本领域技术人员可以根据需求选取。示例性的，车辆动力学模型可以为CTRA模型。
本步骤可以将实测特征变量代入预设的车辆动力学模型确定第二轨迹信息。
S140、基于所述第一轨迹信息和所述第二轨迹信息，确定目标轨迹信息。
本发明在预测待预测车辆的轨迹时，结合了第一轨迹信息和第二轨迹信息，使得预测结果更加准确。
具体的，本发明可以设置一个权重函数，以结合第一轨迹信息和第二轨迹信息，得到目标轨迹信息。目标轨迹信息可以用于表示待预测车辆的轨迹，基于第一轨迹信息和第二轨迹信息确定。第一轨迹信息和第二轨迹信息也能够表示待预测车辆的轨迹，第一轨迹信息为基于意图预测网络和Frenet框架，确定的轨迹信息。第二轨迹信息为基于车辆动力学模型确定的轨迹信息。
S150、基于所述目标轨迹信息，确定驾驶参数，所述驾驶参数用于控制所述待控制车辆。
确定目标轨迹信息后，待控制车辆可以基于该目标轨迹信息确定其驾驶参数，确定驾驶参数的手段不作限定，只要保证待控制车辆的轨迹不与目标轨迹信息所表示的轨迹重合即可。驾驶参数可以为待控制车辆驾驶中的参数，驾驶参数所包括的具体内容不作限定，如速度，加速度等。
本发明实施例一提供的一种车辆控制方法，首先基于预先确定的意图预测网络和检测到的待预测车辆的实测特征变量，确定意图参数；然后确定所述意图参数对应的第一轨迹信息；其次基于所述实测特征变量和预设的车辆动力学模型，确定第二轨迹信息；之后基于所述第一轨迹信息和所述第二轨迹信息，确定目标轨迹信息；最后基于所述目标轨迹信息，确定驾驶参数，所述驾驶参数用于控制所述待控制车辆。利用上述方法，能够实现对周边车辆轨迹信息的准确预测，从而提高待控制车辆的行驶安全性。
实施例二
图2为本发明实施例二提供的一种车辆控制方法的流程示意图，本实施例二在上述各实施例的基础上进行优化。在本实施例中，将所述确定所述意图参数对应的第一轨迹信息，具体包括：确定Frenet框架下的初始状态信息和终止状态信息；基于所述意图参数、所述初始状态信息和所述终止状态信息，确定曲线坐标系下的轨迹簇信息；从所述轨迹簇信息中选取损失函数的数值最小的轨迹信息作为第一轨迹信息。
在上述优化的基础上，将所述基于所述第一轨迹信息和所述第二轨迹信息，确定目标轨迹信息，具体包括：
确定第一轨迹信息与权重函数的第一乘积信息；
确定第二轨迹信息与目标信息的第二乘积信息，所述目标信息为1减去所述权重函数；
将所述第一乘积信息和所述第二乘积信息的和作为目标轨迹信息。
本实施例尚未详尽的内容请参考实施例一。
如图2所示，本发明实施例二提供的一种车辆控制方法，包括如下步骤：
S210、基于预先确定的意图预测网络和检测到的待预测车辆的实测特征变量，确定意图参数。
S220、确定Frenet框架下的初始状态信息和终止状态信息。
确定所述意图参数对应的第一轨迹信息的过程中，本发明将意图参数代入Frenet框架下，以得到第一轨迹信息，具体的：
本步骤首先确定Frenet框架下的初始状态信息和终止状态信息，其中，初始状态信息可以为预测开始时刻待预测车辆的状态。终止状态信息可以理解为待预测车辆的最终状态。
本发明中可以假设待预测车辆在最终状态下沿着预定车道的中心线行驶并在整个过程中保持恒定的纵向加速度。纵向可以认为是待预测车辆的行驶方向。
初始状态信息和终止状态信息所包括的内容包括但不限于：横摆角、速度、加速度、横摆角速度纵向位置和横向位置。
在对待预测车辆进行预测的过程中，初始状态信息可以为通过传感器获取得到。终止状态信息可以基于初始状态信息计算得到，此处不作限定。具体计算手段基于待预测车辆在驾驶过程中的实际行驶情况确定。
S230、基于所述意图参数、所述初始状态信息和所述终止状态信息，确定曲线坐标系下的轨迹簇信息。
轨迹簇信息中可以包括有多个轨迹信息。本发明可以基于意图参数、所述初始状态信息和所述终止状态信息，确定出Frenet框架下的轨迹簇信息。
S240、从所述轨迹簇信息中选取损失函数的数值最小的轨迹信息作为第一轨迹信息。
本发明中可以计算轨迹簇信息中所包括的所有轨迹信息的损失函数的数值，然后选取数值最小的轨迹信息作为第一轨迹信息。
示例性的，确定横向多项式和纵向多项式，所述横向多项式的次数与所述初始状态信息和所述终止状态信息中所包括的横向变量的个数相同，所述纵向多项式的次数与所述初始状态信息和所述终止状态信息中所包括的纵向变量的个数相同；
基于所述横向多项式、所述纵向多项式、初始状态信息和终止状态信息，确定终止时间对应的第一轨迹簇信息(即轨迹簇信息)；
将所述第一轨迹簇信息转换至笛卡尔坐标系中，得到第二轨迹簇信息；
从所述第二轨迹簇信息中选取损失函数的数值最小的轨迹信息作为第一轨迹信息。
可选的，所述损失函数包括加速度的变化率的最大值。
损失函数中增加加速度的变化里的最大值，能够防止过大的加速度变化，使得预测出的轨迹更加平滑，舒适性更好。
S250、基于所述实测特征变量和预设的车辆动力学模型，确定第二轨迹信息。
S260、确定第一轨迹信息与权重函数的第一乘积信息。
权重函数可以为定义域和值域都是[0,1]区间的单调增函数，具体形式可以根据预测效果进行调整。
S270、确定第二轨迹信息与目标信息的第二乘积信息，所述目标信息为1减去所述权重函数。
S280、将所述第一乘积信息和所述第二乘积信息的和作为目标轨迹信息。
S290、基于所述目标轨迹信息，确定驾驶参数，所述驾驶参数用于控制所述待控制车辆。
以下对本发明提供的车辆控制方法进行示例性的描述：
本发明提供的车辆控制方法可以认为是一种融合周围车辆意图和车辆动力学模型的轨迹预测方法，基于预测得到的目标轨迹信息能够对待控制车辆进行准确的控制，能够保证待控制车辆自动驾驶过程中的安全性。
本发明针对自动驾驶汽车在城市普通道路上行驶的场景，通过传感器检测到的本车以及周围车辆状态利用动态贝叶斯网络(Dynamic bayesian networks)对周围车辆的意图进行预测。然后在识别出意图，即意图参数的基础上，采用Frenet框架对特定机动的轨迹进行预测，同时也基于特定车辆动力学模型进行轨迹的预测，采用一个权重函数将两者融合从而得到最终的预测轨迹。
智能车辆所面临的一大挑战就是交通环境的高度复杂和不确定性，为了解决这个问题，智能车辆应该要具有预测未来交通环境变化的能力。准确的意图和轨迹预测可以帮助智能车辆更好地理解交通环境，同时有助于轨迹规划和轨迹跟踪。
预测其他交通参与者的轨迹不是一个确定性任务，因为它取决于每个驾驶员的意图和驾驶习惯。但它仍是自动驾驶汽车的一项重要任务，指出其中最有可能的轨迹，从而避免在智能车辆规划轨迹上的碰撞。
本发明有效解决周围车辆的意图和轨迹的不确定性问题，降低交通环境的复杂性和不确定性，即对交通环境的理解问题。
本发明的优点主要体现在以下几方面：
1.本发明中的意图预测采用的是动态贝叶斯网络的方法，该方法的概率框架可以有效处理预测过程中的不确定性。本发明运用在城市普通道路车道变换场景下，也可以扩展到其他的场景。同时该预测方法结合了多种特征信息，即特征变量，所用的特征信息不仅包括基于物理的状态信息，还包括道路结构信息以及交互感知信息，由于考虑了历史信息，因而预测结果更加可靠。相比由于其他神经网络预测的方法，本发明的方法计算速度明显更快，计算成本低。如，本发明中的交通数据集为ngsim数据集，其真实记录了高速公路场景下各车的状态信息，包含了位置，速度，航向角等多个特征信息，记录了随时间变化，体现了历史信息。
2.基于车辆动力学的模型短期预测效果较好，但长期预测不可靠。基于意图的方法虽然短期内预测精度不高，但从长远来看更符合驾驶员的行为模式。本发明中的轨迹预测采用的是基于意图和基于车辆动力学模型的结合，从而可以使得预测全过程都能取得一个良好的预测效果。同时在基于意图的轨迹预测中，采用了Frenet框架，将复杂的二维运动问题解耦成两个一维问题，将问题得到简化。
本发明通过如下步骤实现对待预测车辆进行目标轨迹信息预测：
步骤一：获取驾驶交通数据集
动态贝叶斯网络是一种基于数据的概率图模型，因此需要一定数目的样本数据进行学习，以便充分学习到数据之间的内在联系。本发明采用的数据集是美国联邦高速公路管理局的ngsim数据集，其中详尽记录了收集了车辆信息和车辆轨迹信息，其中车辆信息包括车辆的种类、编号、长度、宽度和所在车道，车辆运动轨迹包括纵向位移，横向位移，速度，加速度以及与前车的车头间距、时距等。
数据集中包含了高速公路以及城市干道场景。
由于该数据集是由视频分析而来，数据集中存在噪音，因此对位移，速度和加速度等采用了滤波处理以去除噪音。
交通数据集可以用于动态贝叶斯网络来学习特定驾驶行为(如车道变换和车道保持)所需的特征变量，基于车辆动力学模型可以根据实际的汽车，即待控制车辆行驶过程中传感器所采集的数据进行预测。
步骤二：选取用于预测意图(即意图参数)的变量
换道(即变道)行为是一种微观的驾驶行为，它受自身行车状态以及周围交通环境的影响。如果当前车道行驶条件不满足驾驶员的行驶需求，而目标车道又有足够的安全距离，那么驾驶员便会倾向于换道。
因此可以采用了以下特征变量用于车辆意图的预测，其中包括车辆自身的信息以及车辆的邻居信息两方面。
车辆自身的信息包括：车辆速度SV，车辆相对于道路的航向角HE(即航向角信息)，车辆相对于车道中心线的横向偏移BD(即相对车道中心线的横向偏移信息)。
车辆的邻居信息包括：左车道是否存在LLE(即左车道标识信息)(如果存在则为1，否则为0)，右车道是否存在RLE(即右车道标识信息)(如果存在则为1，否则为0)，与左车道前后车辆之间的纵向距离和速度差LDV(即左车道行驶信息)，与前车之间的纵向距离和速度差SDV(即当前车道行驶信息)，与右车道前后车辆之间的纵向距离和速度差RDV(即右车道行驶信息)。车辆意图为M。
步骤三：对交通数据集进行特征变量提取和状态标记
利用MATLAB平台对数据集进行提取和处理。首先进行换道序列的提取，为了覆盖整个车道保持以及换道过程，序列的长度可以取为12s，间隔可以为0.1s。找到数据集中发生了车道变换的车辆，然后计算同一时刻下左右车道和当前车道上的所有车辆与该车的纵向距离，其中距离最近的车辆分别被定义为左前车，左后车，前车，右前车和右后车，从而可以计算得到相应的距离和速度差。随着时间的进展，提取输出相应的特征预测变量，即特征变量。
对于车道保持序列的提取，只是选取未进行车道变换的车辆，采用同样的方法进行提取。
时间序列(包括换道序列和车道保持序列)即动态贝叶斯网络的输入量，即本车与左车道前后车的速度距离差，本车与右车道前后车的速度距离差，本车与当前车道前车的速度距离差，这些变量与时间相关。该交通数据集中记录了车辆所在车道的标号，如果所在车道标号发生了变化，可以确定车辆进行了车道变化。
获取时间序列后需要对车辆状态进行标记。在换道场景中车辆有三个状态，分别是“向左变道”，“向右变道”和“沿着当前车道行驶”。标记方法可以是找到车辆中心点越过车道线的点，在其前后的一定时间范围内检查车辆运动轨迹，并计算其航向角θ。当θ到达设定边界值θbound，即|θ|＝θbound，该点便标记为变道轨迹的起点或终点，起点和终点之间是变道状态，其余则是车道保持状态。最终提取好的时间序列(即特征变量)和车辆状态信息保存为一个.mat文件，放置在对应路径下，如在代码所在的路径下。
该标记方法是计算出各个时刻车身的航向角，然后与设定的航向角进行比较，如果小于设定的航向角则标记汽车当前时刻状态为车道保持，大于则标记当前时刻为车道变换。
示例性的，经过数据提取，最终获得了600个变道序列和800个车道保持序列，取其中的60％作为训练集样本，其余的40％作为测试集样本。
训练集样本利用贝叶斯参数学习算法进行参数的学习，而测试集样本可以用于训练好的动态贝叶斯网络进行意图识别准备率的计算。
步骤四：变量离散化
由于动态贝叶斯网络在处理连续的变量方面存在限制，所以需要对连续变量进行离散化。变量指的是对原始交通数据集进行特征变量提取和车辆状态信息标记后的时间序列中的变量，这些变量除了车辆意图(车道保持为1，车道变换为2)外，其他本车与左车道前后车的速度距离差，本车与右车道前后车的速度距离差，本车与当前车道前车的速度距离差这些变量都是连续的需要离散化。
所采用的离散方法是ChiMerge离散方法，它是一种监督的，基于合并的数据离散化方法。公式如下：
Figure BDA0002254297240000121
其中，i＝1,2表示每次比较相邻两个区间，k为类别数目，在本场景中为3，E是期望。
具体过程是首先根据要离散的属性对各序列(即时间序列)进行排序，每个序列属于一个区间。接着合并区间，计算每一对相邻区间的卡方值，将卡方值最小的一对区间合并，直到满足停止准则即达到最大区间数。
步骤五：搭建动态贝叶斯网络
在MATLAB平台利用贝斯工具箱搭建动态贝叶斯网络，该网络是个三层的结构，分别是行为层，隐藏层和表现层。图2a为本发明实施例二提供的一种动态贝叶斯网络的结构示意图。该三层的动态贝叶斯网络结构如图2a。图2b为本发明实施例二提供的又一种动态贝叶斯网络的结构示意图。本发明中动态贝叶斯网络的具体结构参见图2b。
最初，驾驶员评估执行特定机动的可行性，评价的因素设置在行为层中，通常是换道间隙，自身速度，和周围车辆的速度差等。如果所有的条件都满足，驾驶员会采取某种合适的驾驶策略来应对不断变化的环境，也就是车辆意图的变化，车辆的意图设置在隐藏层中，是需要推测的隐藏变量。采取了某种驾驶策略以后，会给周围的行驶环境也带来影响，这种影响会以一些可测量的物理状态的形式表现，这些结果设置在表现层中。最后，这些物理运动状态也会进一步影响后续的操作行为，这也是动态贝叶斯网络跨时间片间影响的体现。
步骤六：动态贝叶斯网络推理
1.参数学习
在动态贝叶斯网络结构建立的基础上，进行意图预测还需要知道每个节点与其父节点之间的条件概率分布。由于动态贝叶斯网络中所有自然连续的变量都经过特征提取后进行了离散化，因此离散动态贝叶斯网络的条件概率分布就简化为了条件概率分布表。已知网络结构，采用最大似然估计方法通过训练数据进行参数估计。
对动态贝叶斯网络的训练可以认识是确定父节点和子节点间条件概率分布的过程。训练时所使用的训练数据为时间序列。估计的参数即概率分布表。
2.意图推理
动态贝叶斯网络的意图推理过程是指驾驶意图概率分布的计算。根据该网络结构的定义，可以得到联合概率分布：
P(Mt+1,Et,St,Et+1,St+1)＝P(Et)P(Mt|Et)P(St|Mt)P(Et+1)P(Mt+1|Et+1,Mt,St)P(St+1|Mt+1)
其中，E是行为层的代号，S是表现层的代号。在进行准确率检测的时候是采用测试样本集的数据进行检测。而在实际应用时候则是依据待预测车辆的传感器检测到的数据进行意图推理。检测的参数包括图2b中除了意图外的所有参数。等式右边的6项就是相应的学习到的条件概率表的体现。而具体的输入量决定着条件概率值。
使用先前已经学习的参数(即条件概率表)和在两个连续时间片中的其他检测到的实测特征变量(在实际应用时是依据待预测车辆的传感器检测到的数据)作为证据进行推理，输出结果是t+1时刻的意图概率，选取其中最大后验作为预测意图。基于贝叶斯定理，特定的计算过程如下：
Figure BDA0002254297240000131
上面的公式是在已知条件概率分布表的情况下可以求得联合概率分布，再利用概率学的知识推导可以得到想要的后验概率，是一种结果。
步骤七：基于意图的轨迹预测
利用动态贝叶斯网络预测完待预测车辆意图之后，可以通过基于意图的方法预测车辆的轨迹。
首先对于每一个需要进行轨迹预测的车辆，定义其状态向量为：
ζ＝[x,y,θ,v,a,w]T
其中x,y是纵向位置和横向位置，θ是横摆角，v是速度，a是加速度，w是横摆角速度。根据当前时刻状态向量中的其他参数去预测位置(x，y)关于时间t的值。其中，横摆角，速度，加速度，横摆角速度可以为对待预测车辆采集得到的数据。
在同一个笛卡尔坐标系下，道路的中心线采用二次函数进行拟合，形式如下：
yline＝b2xline 2+b1xline+b0
其中，b0,b1,b2都是系数。道路的中心线的二次函数在从直角坐标系到曲线坐标系转换的过程中应用，即在θ*和dlateral的获得中应用。
进行轨迹生成时采用以道路中心线为基础的Frenet框架，它是一种曲线坐标系，分为s方向和d方向。从而将待预测车辆的二维运动问题解耦为两个一维问题，问题得到简化。
预测开始时刻车辆的状态为：
ζ0＝[x0,y0,θ0,v0,a0,w0]T
将其转换道曲线坐标系下，可以得到以下状态量：
d0＝dlateral
Figure BDA0002254297240000144
Figure BDA0002254297240000141
s0＝0
Figure BDA0002254297240000142
Figure BDA0002254297240000143
其中，dlateral是预测开始时刻车辆与道路中心线间的法向距离，θ*是道路中心线上距离(x0,y0)最近点的切向量的角度。
前面已经知道道路中心线的曲线方程以及初始位置(x，y)，通过解析几何可以求解出道路中心线上与初始位置最近的点，该点与初始位置的距离即dlateral，该点处的道路中心线切线的角度即为θ*。
确实好车辆初始状态(即初始状态信息)以后，下一步是确定车辆的终止状态(即终止状态信息)。
假设待预测车辆在最终状态下沿着预定车道的中心线行驶并在整个过程中保持恒定的纵向加速度，可以得到以下状态信息：
d1＝d*
Figure BDA0002254297240000151
Figure BDA0002254297240000152
Figure BDA0002254297240000153
Figure BDA0002254297240000154
其中d*随意图的不同而不同，如果预测的意图是车道保持(即车道保持状态)那么d*＝0，如果预测的意图是车道变换(即车道变换状态)，那么d*＝±d，d是车道的宽度。
始态(即初始状态信息)和终态(即终止状态信息)确定以后，接下来便是确定具体的横向轨迹和纵向轨迹。
对于横向轨迹，由于有6个已知量(即d0,
Figure BDA0002254297240000155
d1,
Figure BDA0002254297240000156
)，所以采用五次多项式进行拟合：
d(t)＝c5t5+c4t4+c3t3+c2t2+c1t+c0
其中，c0,c1,c2,c3,c4,c5都是系数，可以通过下面的方程组进行求解：
Figure BDA0002254297240000157
其中，t0是初始时刻，t1是终了时刻。
对于纵向轨迹，由于有5个已知量(即s0,
Figure BDA0002254297240000158
)，所以采用四次多项式进行拟合：
s(t)＝f4t4+f3t3+f2t2+f1t+f0
其中，f0,f1,f2,f3,f4都是系数，可以通过下面的方程组进行求解：
Figure BDA0002254297240000161
可以令两个方程组中t0＝0，这样对应于每一个特定的t1都可以求解得到一组特定的解。这样对终了时间t1进行采样，就可以得到一系列不同的轨迹。由于通常一个完整的换道过程不会超过8s，所以采样时间t1在4到8s内变化。
示例性的，采样即对时间t1取不同值对上面的两个方程进行求解。t1＝4 4.1 4.24.3 4.4以0.1s为间隔直到8s。总共生成41个轨迹，再基于特定的损失函数进行选择。
在获得一系列不同的轨迹后，需要将其从曲面坐标系中转换到笛卡尔坐标系中，转换公式如下：
Figure BDA0002254297240000162
Figure BDA0002254297240000163
Figure BDA0002254297240000164
对于每一个s，都有唯一的一个xa对应。O点是某个参考点，N是起始点，M是预测点。从而转换成笛卡尔坐标系下的轨迹。
下一步就是从这一系列轨迹中选择最优轨迹作为预测轨迹，定义的损失函数形式如下：
Loss(Ti)＝max(a(t))+r1·t1 (i)+r2·max(Jt(Ti))
其中第一项是在该轨迹上行驶时的最大加速度值，是对舒适性的保证，第二项是对那些长持续时间轨迹的惩罚(即就是那些持续时间很长的轨迹就直接去除了，不作为最终的结果)，第三项是加速度变化率的最大值，防止过大的加速度变化。r1，r2是权重系数，根据实际情况调整。这样具有最小损失函数的轨迹就作为基于意图的轨迹预测结果，该轨迹定义为Tintention。
步骤八：基于车辆动力学模型的轨迹预测
基于车辆动力学模型的轨迹预测方法采用的是CTRA模型，它是一个横加速度和恒转率的模型。
具体的预测求解过程如下：
x(t+Δt)＝x(t)+f(Δt)
Figure BDA0002254297240000171
由此基于车辆的初始状态信息(可以为通过传感器采集得到)，可以得到基于车辆动力学模型的轨迹预测结果，该轨迹定义为Tmodel。
步骤九：基于意图和基于车辆动力学模型的轨迹预测结合
基于车辆动力学模型生产的轨迹在短时间内准确度较高，但从长期来看，基于意图生成的模型更加符合驾驶员行为模式。采用一个权重函数将两者结合得到最终的轨迹预测结果。
T(t)＝Q(t)Tmodel(t)+(1-Q(t))Tintention(t)
其中Q(t)是权重函数，Q(t)在0到1范围内变化，开始时它接近于1，最后接近于0。
确定出轨迹以后就可以避免本车(即待控制车辆)行驶在这些轨迹上，从而避免碰撞。实际上，确定出的轨迹(即目标轨迹信息)是周围其他车辆(即待预测车辆)的轨迹，即周围车辆的未来运动情况，因此可以利用这些信息帮助待控制车辆更好进行决策，提高交通安全和通行效率。目标轨迹信息的自变量是时间t，因变量是x位置和y位置。
图2c为本发明实施例二提供的又一种车辆控制方法。参见图2c，轨迹预测结果即目标轨迹信息，基于该目标轨迹信息可以实现对待控制车辆的控制。
本发明基于动态贝叶斯网络进行驾驶意图的预测，同时将其嵌入到基于意图的轨迹预测框架中与基于车辆动力学模型的轨迹预测结果结合，形成了一个完整的轨迹预测框架。进行意图预测时采用了ChiMerge离散算法进行了离散化，相比较于其他非监督的离散算法，意图预测的准确率更高，能达到86％左右。基于Frenet框架进行最优轨迹选择时，对损失函数进行了优化，引入了加速度的变化率，使得预测出的轨迹更加平滑，舒适性更好。
图2d为本发明实施例二提供的一种意图预测实例示意图；图2e为本发明实施例二提供的又一种意图预测实例示意图。参见图2d和图2e，1代表车道变换，0代表车道保持。实线代表标记的实际车辆意图(即Real trajectory)，虚线代表预测的车辆意图(即Predicting trajectory)。*所代表的点是车辆跨越车道线的点，只要在车辆跨越该车道线之前预测出车辆将进行车道变换就视为该预测是正确的。
图2f为本发明实施例提供的一种轨迹预测实例示意图，图2g为本发明实施例提供的又一种轨迹预测实例示意图。在预测出意图的基础上，就可以基于Frenet框架和定义的损失函数进行基于意图的轨迹预测，同时将其与基于车辆动力学模型的轨迹预测相结合。参见图2f和图2g，其中的轨迹包括基于意图的轨迹预测，基于模型的轨迹预测，两者的综合以及实际轨迹。
本发明实施例二提供的一种车辆控制方法，具体化了确定目标轨迹信息操作和确定所述意图参数对应的第一轨迹信息操作。利用该方法，能够得到更加精准的目标轨迹信息，基于目标轨迹信息控制待控制车辆，能够提升待控制车辆行驶的安全性。
实施例三
图3为本发明实施例三提供的一种车辆控制装置的结构示意图，该装置可适用于对待控制车辆进行控制，以实现自动驾驶的情况，其中该装置可由软件和/或硬件实现，并一般集成在待控制车辆上。
如图3所示，该装置包括：意图参数确定模块31、第一轨迹信息确定模块32、第二轨迹信息确定模块33、目标轨迹信息确定模块34和驾驶参数确定模块35；
其中，意图参数确定模块31，用于基于预先确定的意图预测网络和检测到的待预测车辆的实测特征变量，确定意图参数；
第一轨迹信息确定模块32，用于确定所述意图参数对应的第一轨迹信息；
第二轨迹信息确定模块33，用于基于所述实测特征变量和预设的车辆动力学模型，确定第二轨迹信息；
目标轨迹信息确定模块34，用于基于所述第一轨迹信息和所述第二轨迹信息，确定目标轨迹信息；
驾驶参数确定模块35，用于基于所述目标轨迹信息，确定驾驶参数，所述驾驶参数用于控制待控制车辆。
在本实施例中，该装置首先通过意图参数确定模块31基于预先确定的意图预测网络和检测到的待预测车辆的实测特征变量，确定意图参数；其次通过第一轨迹信息确定模块32确定所述意图参数对应的第一轨迹信息；然后通过第二轨迹信息确定模块33基于所述实测特征变量和预设的车辆动力学模型，确定第二轨迹信息；之后通过目标轨迹信息确定模块34基于所述第一轨迹信息和所述第二轨迹信息，确定目标轨迹信息；最后通过驾驶参数确定模块35基于所述目标轨迹信息，确定驾驶参数，所述驾驶参数用于控制待控制车辆。
本实施例提供了一种车辆控制装置，能够实现对周边车辆轨迹信息的准确预测，从而提高待控制车辆的行驶安全性。
进一步的，该装置还包括训练模块，用于所述意图预测网络的确定，具体用于：
获取交通数据集；
确定所述交通数据集中的特征变量和车辆状态信息；
对所述特征变量进行离散化处理；
基于离散后的特征变量和所述车辆状态信息训练意图预测模型，得到训练好的意图预测模型。
进一步的，意图预测模型为动态贝叶斯网络，所述动态贝叶斯网络包括行为层节点、隐藏层和表现层；
所述行为层包括如下节点：左车道标识信息、左车道行驶信息、右车道标识信息、右车道行驶信息、当前车道行驶信息和车辆速度；
所述隐藏层包括如下节点：意图参数；
所述表现层包括如下节点：航向角信息和相对车道中心线的横向偏移信息。
进一步的，训练模块在确定所述交通数据集中的车辆状态信息时，具体用于：
获取交通数据集中车辆的航向角信息；
在获得的航向角信息小于设定边界值的情况下，确定所述车辆状态信息为车道保持状态；
在获得的航向角信息大于设定边界值的情况下，确定所述车辆状态信息为车道变换状态。
进一步的，第一轨迹信息确定模块32具体用于：
确定Frenet框架下的初始状态信息和终止状态信息；
基于所述意图参数、所述初始状态信息和所述终止状态信息，确定曲线坐标系下的轨迹簇信息；
从所述轨迹簇信息中选取损失函数的数值最小的轨迹信息作为第一轨迹信息。
进一步的，所述损失函数包括加速度的变化率的最大值。
进一步的，目标轨迹信息确定模块34具体用于：
确定第一轨迹信息与权重函数的第一乘积信息；
确定第二轨迹信息与目标信息的第二乘积信息，所述目标信息为1减去所述权重函数；
将所述第一乘积信息和所述第二乘积信息的和作为目标轨迹信息。
上述车辆控制装置可执行本发明任意实施例所提供的车辆控制方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种待控制车辆的结构示意图。如图4所示，本发明实施例四提供的待控制车辆包括：一个或多个处理器41和存储装置42；该待控制车辆中的处理器41可以是一个或多个，图4中以一个处理器41为例；存储装置42用于存储一个或多个程序；所述一个或多个程序被所述一个或多个处理器41执行，使得所述一个或多个处理器41实现如本发明实施例中任一项所述的方法。
所述待控制车辆还可以包括：输入装置43和输出装置44。
待控制车辆中的处理器41、存储装置42、输入装置43和输出装置44可以通过总线或其他方式连接，图4中以通过总线连接为例。
该待控制车辆中的存储装置42作为一种计算机可读存储介质，可用于存储一个或多个程序，所述程序可以是软件程序、计算机可执行程序以及模块，如本发明实施例一或二所提供方法对应的程序指令/模块(例如，车辆控制装置中的模块，包括：意图参数确定模块31、第一轨迹信息确定模块32、第二轨迹信息确定模块33、目标轨迹信息确定模块34和驾驶参数确定模块35)。处理器41通过运行存储在存储装置42中的软件程序、指令以及模块，从而执行待控制车辆的各种功能应用以及数据处理，即实现上述方法实施例中方法。
存储装置42可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据待控制车辆的使用所创建的数据等。此外，存储装置42可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置42可进一步包括相对于处理器41远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置43可用于接收输入的数字或字符信息，以及产生与待控制车辆的用户设置以及功能控制有关的键信号输入。输出装置44可包括显示屏等显示设备。
并且，当上述待控制车辆所包括一个或者多个程序被所述一个或者多个处理器41执行时，程序进行如下操作：
基于预先确定的意图预测网络和检测到的待预测车辆的实测特征变量，确定意图参数；
确定所述意图参数对应的第一轨迹信息；
基于所述实测特征变量和预设的车辆动力学模型，确定第二轨迹信息；
基于所述第一轨迹信息和所述第二轨迹信息，确定目标轨迹信息；
基于所述目标轨迹信息，确定驾驶参数，所述驾驶参数用于控制所述待控制车辆。
实施例五
本发明实施例五提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时用于执行车辆控制方法，该方法包括：
基于预先确定的意图预测网络和检测到的待预测车辆的实测特征变量，确定意图参数；
确定所述意图参数对应的第一轨迹信息；
基于所述实测特征变量和预设的车辆动力学模型，确定第二轨迹信息；
基于所述第一轨迹信息和所述第二轨迹信息，确定目标轨迹信息；
基于所述目标轨迹信息，确定驾驶参数，所述驾驶参数用于控制所述待控制车辆。
可选的，该程序被处理器执行时还可以用于执行本发明任意实施例所提供的方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random AccessMemory，RAM)、只读存储器(Read Only Memory，ROM)、可擦式可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、闪存、光纤、便携式CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于：电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、无线电频率(Radio Frequency，RF)等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (7)

1.一种车辆控制方法，其特征在于，应用于待控制车辆，包括：
基于预先确定的意图预测网络和检测到的待预测车辆的实测特征变量，确定意图参数；
确定所述意图参数对应的第一轨迹信息；
基于所述实测特征变量和预设的车辆动力学模型，确定第二轨迹信息；
基于所述第一轨迹信息和所述第二轨迹信息，确定目标轨迹信息；
基于所述目标轨迹信息，确定驾驶参数，所述驾驶参数用于控制所述待控制车辆；
所述意图预测网络的确定操作包括：
获取交通数据集；
确定所述交通数据集中的特征变量和车辆状态信息；
对所述特征变量进行离散化处理；
基于离散后的特征变量和所述车辆状态信息训练意图预测模型，得到训练好的意图预测模型；
所述对所述特征变量进行离散化处理，包括：
采用ChiMerge离散算法进行离散化；
所述确定所述意图参数对应的第一轨迹信息，包括：
确定Frenet框架下的初始状态信息和终止状态信息；
基于所述意图参数、所述初始状态信息和所述终止状态信息，确定曲线坐标系下的轨迹簇信息；
从所述轨迹簇信息中选取损失函数的数值最小的轨迹信息作为第一轨迹信息；
所述损失函数包括加速度的变化率的最大值。
2.根据权利要求1所述的方法，其特征在于，意图预测模型为动态贝叶斯网络，所述动态贝叶斯网络包括行为层节点、隐藏层和表现层；
所述行为层包括如下节点：左车道标识信息、左车道行驶信息、右车道标识信息、右车道行驶信息、当前车道行驶信息和车辆速度；
所述隐藏层包括如下节点：意图参数；
所述表现层包括如下节点：航向角信息和相对车道中心线的横向偏移信息。
3.根据权利要求1所述的方法，其特征在于，确定所述交通数据集中的车辆状态信息，包括：
获取交通数据集中车辆的航向角信息；
在获得的航向角信息小于设定边界值的情况下，确定所述车辆状态信息为车道保持状态；
在获得的航向角信息大于设定边界值的情况下，确定所述车辆状态信息为车道变换状态。
4.根据权利要求1所述的方法，其特征在于，所述基于所述第一轨迹信息和所述第二轨迹信息，确定目标轨迹信息，包括：
确定第一轨迹信息与权重函数的第一乘积信息；
确定第二轨迹信息与目标信息的第二乘积信息，所述目标信息为1减去所述权重函数；
将所述第一乘积信息和所述第二乘积信息的和作为目标轨迹信息。
5.一种车辆控制装置，其特征在于，包括：
意图参数确定模块，用于基于预先确定的意图预测网络和检测到的待预测车辆的实测特征变量，确定意图参数；
第一轨迹信息确定模块，用于确定所述意图参数对应的第一轨迹信息；
第二轨迹信息确定模块，用于基于所述实测特征变量和预设的车辆动力学模型，确定第二轨迹信息；
目标轨迹信息确定模块，用于基于所述第一轨迹信息和所述第二轨迹信息，确定目标轨迹信息；
驾驶参数确定模块，用于基于所述目标轨迹信息，确定驾驶参数，所述驾驶参数用于控制待控制车辆；
训练模块，用于所述意图预测网络的确定，具体用于：
获取交通数据集；
确定所述交通数据集中的特征变量和车辆状态信息；
对所述特征变量进行离散化处理；
基于离散后的特征变量和所述车辆状态信息训练意图预测模型，得到训练好的意图预测模型
所述对所述特征变量进行离散化处理，包括：
采用ChiMerge离散算法进行离散化；
第一轨迹信息确定模块还用于：
确定Frenet框架下的初始状态信息和终止状态信息；
基于所述意图参数、所述初始状态信息和所述终止状态信息，确定曲线坐标系下的轨迹簇信息；
从所述轨迹簇信息中选取损失函数的数值最小的轨迹信息作为第一轨迹信息；
所述损失函数包括加速度的变化率的最大值。
6.一种待控制车辆，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
7.一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，该程序被处理器执行时实现如权利要求1-4中任一所述的方法。
CN201911046636.9A 2019-10-30 2019-10-30 一种车辆控制方法、装置、待控制车辆及存储介质 Active CN110834644B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911046636.9A CN110834644B (zh) 2019-10-30 2019-10-30 一种车辆控制方法、装置、待控制车辆及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911046636.9A CN110834644B (zh) 2019-10-30 2019-10-30 一种车辆控制方法、装置、待控制车辆及存储介质

Publications (2)

Publication Number Publication Date
CN110834644A CN110834644A (zh) 2020-02-25
CN110834644B true CN110834644B (zh) 2021-01-19

Family

ID=69576005

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911046636.9A Active CN110834644B (zh) 2019-10-30 2019-10-30 一种车辆控制方法、装置、待控制车辆及存储介质

Country Status (1)

Country Link
CN (1) CN110834644B (zh)

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3872710A1 (en) * 2020-02-27 2021-09-01 Aptiv Technologies Limited Method and system for determining information on an expected trajectory of an object
CN113460042B (zh) * 2020-03-31 2022-12-30 华为技术有限公司 车辆驾驶行为的识别方法以及识别装置
CN111532285B (zh) * 2020-04-01 2021-09-07 北京三快在线科技有限公司 一种车辆控制方法及装置
CN111539371B (zh) * 2020-05-06 2022-02-01 腾讯科技（深圳）有限公司 一种车辆控制的方法、装置、设备及存储介质
CN113942524B (zh) * 2020-07-15 2023-08-08 广州汽车集团股份有限公司 一种车辆行驶控制方法、系统及计算机可读存储介质
CN112133089B (zh) * 2020-07-21 2021-11-19 西安交通大学 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置
CN111982143B (zh) * 2020-08-11 2024-01-19 北京汽车研究总院有限公司 车辆及车辆路径规划方法、装置
US11608067B2 (en) * 2020-08-12 2023-03-21 Honda Motor Co., Ltd. Probabilistic-based lane-change decision making and motion planning system and method thereof
CN112179344A (zh) * 2020-08-28 2021-01-05 达闼机器人有限公司 基于机器人坐标系的轨迹生成方法、装置及计算设备
CN112146667B (zh) * 2020-09-29 2022-10-14 广州小鹏自动驾驶科技有限公司 一种车辆过渡轨迹的生成方法和装置
CN112124314B (zh) * 2020-10-28 2021-09-03 重庆长安汽车股份有限公司 车辆自动变道横向路径规划方法、系统、车辆及存储介质
CN112347567B (zh) * 2020-11-27 2022-04-01 青岛莱吉传动系统科技有限公司 一种车辆意图和轨迹预测的方法
CN112562328B (zh) * 2020-11-27 2022-02-18 腾讯科技（深圳）有限公司 一种车辆行为预测方法及装置
CN112428991B (zh) * 2020-11-30 2022-10-04 北京车和家信息技术有限公司 车辆控制方法、装置、介质、设备及车辆
CN112710301B (zh) * 2020-12-09 2023-01-06 上汽大众汽车有限公司 一种自动驾驶车辆高精度定位方法和系统
CN112833903B (zh) * 2020-12-31 2024-04-23 广州文远知行科技有限公司 一种轨迹预测方法、装置、设备和计算机可读存储介质
CN113071487B (zh) * 2021-02-24 2022-02-18 中移智行网络科技有限公司 自动驾驶车辆控制方法、装置及云端设备
CN113128766A (zh) * 2021-04-21 2021-07-16 科大讯飞股份有限公司 目的地预判方法、装置、电子设备和存储介质
CN113753077A (zh) * 2021-08-17 2021-12-07 北京百度网讯科技有限公司 预测障碍物的运动轨迹的方法、装置及自动驾驶车辆
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
CN113815620B (zh) * 2021-10-26 2023-03-14 中国第一汽车股份有限公司 一种车辆安全行驶的评估方法、装置、设备及存储介质
CN113997955B (zh) * 2021-12-13 2024-06-14 中国第一汽车股份有限公司 轨迹预测方法、装置、电子设备以及存储介质
CN114323054B (zh) * 2022-01-12 2024-04-19 苏州挚途科技有限公司 自动驾驶车辆行驶轨迹的确定方法、装置及电子设备
CN114407930B (zh) * 2022-02-11 2023-09-05 福思(杭州)智能科技有限公司 车辆轨迹预测方法、装置、电子设备及车辆
CN114662967B (zh) * 2022-04-07 2023-04-07 西南交通大学 基于动态贝叶斯网络的无人驾驶碰撞风险评估方法及系统
CN114859796A (zh) * 2022-06-09 2022-08-05 中国第一汽车股份有限公司 一种车辆控制方法、电子设备及存储介质
CN117289686B (zh) * 2023-11-27 2024-03-26 中国第一汽车股份有限公司 一种参数标定方法、装置、电子设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9707961B1 (en) * 2016-01-29 2017-07-18 Ford Global Technologies, Llc Tracking objects within a dynamic environment for improved localization
CN106950956B (zh) * 2017-03-22 2020-02-14 合肥工业大学 融合运动学模型和行为认知模型的行车轨迹预测系统
CN109747638B (zh) * 2018-12-25 2020-06-16 东软睿驰汽车技术（沈阳）有限公司 一种车辆行驶意图识别方法及装置
CN109726804B (zh) * 2019-01-25 2023-06-13 江苏大学 一种基于行车预测场和bp神经网络的智能车辆驾驶行为拟人化决策方法
CN110304075B (zh) * 2019-07-04 2020-06-26 清华大学 基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法

Also Published As

Publication number Publication date
CN110834644A (zh) 2020-02-25

Similar Documents

Publication Publication Date Title
CN110834644B (zh) 一种车辆控制方法、装置、待控制车辆及存储介质
WO2022052406A1 (zh) 一种自动驾驶训练方法、装置、设备及介质
CN111688663B (zh) 机动交通工具及控制其自动驾驶操作的方法
CN111123933B (zh) 车辆轨迹规划的方法、装置、智能驾驶域控制器和智能车
CN110562258B (zh) 一种车辆自动换道决策的方法、车载设备和存储介质
CN113291308B (zh) 一种考虑驾驶行为特性的车辆自学习换道决策系统及方法
CN112888612A (zh) 自动驾驶车辆规划
CN112242069B (zh) 一种确定车速的方法和装置
US11465650B2 (en) Model-free reinforcement learning
US20200142420A1 (en) Vehicle language processing
CN114987498B (zh) 自动驾驶车辆的拟人化轨迹规划方法、装置、车辆及介质
EP4020113A1 (en) Dynamic model evaluation package for autonomous driving vehicles
US20230382430A1 (en) Method and system for forecasting reactions of other road users in autonomous driving
CN116259185B (zh) 停车场场景下融合预测算法的车辆行为决策方法及装置
CN117325865A (zh) 一种lstm轨迹预测的智能车辆换道决策方法及系统
Cai et al. Rule‐constrained reinforcement learning control for autonomous vehicle left turn at unsignalized intersection
WO2023151499A1 (zh) 空位识别方法、车辆及可读存储介质
CN115140048A (zh) 一种自动驾驶行为决策与轨迹规划模型与方法
Ward et al. Towards risk minimizing trajectory planning in on-road scenarios
Zeng et al. Risk-aware deep reinforcement learning for decision-making and planning of autonomous vehicles
Yang et al. Deep Reinforcement Learning Lane-Changing Decision Algorithm for Intelligent Vehicles Combining LSTM Trajectory Prediction
CN114217601B (zh) 自驾车的混合决策方法及其系统
US20230053243A1 (en) Hybrid Performance Critic for Planning Module's Parameter Tuning in Autonomous Driving Vehicles
US20240116511A1 (en) Multi-policy lane change assistance for vehicle
US20220172062A1 (en) Measuring confidence in deep neural networks

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