CN111038501A - 无人驾驶设备的控制方法及装置 - Google Patents
无人驾驶设备的控制方法及装置 Download PDFInfo
- Publication number
- CN111038501A CN111038501A CN201911409914.2A CN201911409914A CN111038501A CN 111038501 A CN111038501 A CN 111038501A CN 201911409914 A CN201911409914 A CN 201911409914A CN 111038501 A CN111038501 A CN 111038501A
- Authority
- CN
- China
- Prior art keywords
- obstacle vehicle
- behavior
- obstacle
- interference
- vehicle
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000006399 behavior Effects 0.000 claims description 352
- 238000004590 computer program Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 16
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 17
- 230000002093 peripheral effect Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本说明书公开了一种无人驾驶设备的控制方法及装置,在该方法中无人驾驶设备可以获取障碍车辆的特征信息,以及获取无人驾驶设备观测该障碍车辆得到的行为数据,根据该障碍车辆的特征信息,从服务器获取该障碍车辆对应的行为预测模型,将该行为数据输入到该行为预测模型中,以预测该障碍车辆的行驶行为,并基于该行驶行为,确定出障碍车辆的干扰程度,无人驾驶设备可以根据障碍车辆的干扰程度以及得到的无人驾驶设备的待确定干扰程度,确定障碍车辆以及无人驾驶设备的综合干扰程度,通过优化该综合干扰程度,对该待确定干扰程度进行确定,并控制无人驾驶设备。通过该方法可以保证无人驾驶设备能够基于周围障碍车辆的实际情况做出准确的决策。
Description
技术领域
本说明书涉及无人驾驶设备控制领域,尤其涉及一种无人驾驶设备的控制方法及装置。
背景技术
目前,诸如无人车、机器人、无人机等无人驾驶设备已在多个领域中得到了广泛的应用。而随着科技水平的不断提升,无人驾驶设备还将在各个领域得到进一步地发展,从而给人们的实际生活带来更多的便利。
为了保障无人驾驶设备能够顺利行驶,需要对无人驾驶设备周围的各种障碍车辆的行驶状况进行预测,以使无人驾驶设备在行驶过程中能够根据预测出的各障碍车辆的行驶状况对各障碍车辆进行及时的避让。
然而在现有技术中,无人驾驶设备对周围障碍车辆行驶状况的预测通常仅是考虑障碍车辆自身的状况进行预测的,而并没有考虑到周围各障碍车辆之间因存在交互而得到的行驶状况,这就导致无人驾驶设备无法预测出周围障碍车辆更接近实际状况的行驶状况,从而可能导致无人驾驶设备在行驶过程中会与周围障碍车辆发生碰撞,进而无法保证无人驾驶设备的顺利行驶。
所以,如何能够基于无人驾驶设备周围障碍车辆的交互情况进行准确行为决策,则是一个亟待解决的问题。
发明内容
本说明书提供一种无人驾驶设备的控制方法及装置,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种无人驾驶设备的控制方法,包括:
获取障碍车辆的特征信息,以及获取无人驾驶设备观测所述障碍车辆得到的行为数据;
根据所述障碍车辆的特征信息,从服务器获取所述障碍车辆对应的行为预测模型;
将所述行为数据输入到所述行为预测模型中,预测得到所述障碍车辆的行驶行为;
根据预测得到的所述行驶行为,确定所述障碍车辆的干扰程度;
根据所述障碍车辆的干扰程度以及得到的所述无人驾驶设备的待确定干扰程度,确定所述障碍车辆以及所述无人驾驶设备的综合干扰程度;
通过优化所述综合干扰程度,对所述无人驾驶设备的待确定干扰程度进行确定,并根据确定出的所述无人驾驶设备的干扰程度,控制所述无人驾驶设备。
可选地,将所述行为数据输入到所述行为预测模型中,预测得到所述障碍车辆的行驶行为,具体包括:
将所述行为数据输入到所述障碍车辆对应的行为预测模型中,预测得到所述障碍车辆执行每种行驶行为的行为概率;
根据预测得到的所述行驶行为,确定所述障碍车辆的干扰程度,具体包括:
根据预测出的所述障碍车辆执行每种行驶行为的行为概率和确定出的所述障碍车辆执行每种行驶行为的干扰参数,确定所述障碍车辆对应的干扰程度。
可选地,确定所述障碍车辆执行每种行驶行为的干扰参数,具体包括:
针对每个行驶行为,根据观测其他障碍车辆得到的行为数据,确定所述障碍车辆执行该行驶行为的干扰参数。
可选地,获取障碍车辆的特征信息,以及获取无人驾驶设备观测所述障碍车辆得到的行为数据,具体包括:
获取所述无人驾驶设备周围多个障碍车辆的特征信息,以及获取所述无人驾驶设备观测周围多个障碍车辆得到的行为数据;
可选地,根据所述障碍车辆的干扰程度以及得到的所述无人驾驶设备的待确定干扰程度,确定所述障碍车辆以及所述无人驾驶设备的综合干扰程度,具体包括:
分别确定各障碍车辆对应的干扰权重;
针对每个障碍车辆,根据该障碍车辆对应的干扰程度以及其他障碍车辆对应的干扰权重,确定该障碍车辆对应的总干扰程度;
根据所述无人驾驶设备的待确定干扰程度以及各障碍车辆对应的干扰权重,确定所述无人驾驶设备对应的待确定总干扰程度;
根据各障碍车辆对应的总干扰程度以及所述无人驾驶设备对应的待确定总干扰程度,确定所述综合干扰程度。
可选地,分别确定各障碍车辆对应的干扰权重,具体包括:
针对每个障碍车辆,按照确定出的该障碍车辆执行每种行驶行为的干扰参数从小到大的顺序,对每种行驶行为的干扰参数进行排序,得到干扰参数序列;
根据观测到的该障碍车辆的实际行驶行为所对应的干扰参数在所述干扰参数序列中所处的位置,确定该障碍车辆对应的干扰权重。
可选地,确定所述无人驾驶设备的干扰程度,具体包括:
根据观测所述障碍车辆得到的行为数据,确定所述无人驾驶设备的可执行行驶行为,以及所述无人驾驶设备执行所述可执行行驶行为时的干扰参数;
根据所述可执行行驶行为以及所述无人驾驶设备执行所述可执行行驶行为时的干扰参数,得到所述无人驾驶设备的待确定干扰程度。
可选地,通过优化所述综合干扰程度,对所述无人驾驶设备的待确定干扰程度进行确定,具体包括:
以最小化所述综合干扰程度为目标,对所述无人驾驶设备的待确定干扰程度进行确定,得到所述无人驾驶设备的干扰程度;
根据确定出的所述无人驾驶设备的干扰程度,控制所述无人驾驶设备,具体包括:
根据所述无人驾驶设备的干扰程度,确定所述无人驾驶设备针对各种行驶行为的行为概率;
根据所述无人驾驶设备针对各种行驶行为的行为概率,对所述无人驾驶设备进行控制。
本说明书提供了一种无人驾驶设备的控制方法,包括:
接收无人驾驶设备发送的障碍车辆的特征信息;
根据所述障碍车辆的特征信息,查询所述障碍车辆对应的行为预测模型,并将查询到的所述障碍车辆对应的行为预测模型发送给所述无人驾驶设备,以使所述无人驾驶设备按照上述无人驾驶设备的控制方法,对所述无人驾驶设备进行控制。
可选地,根据所述障碍车辆的特征信息,查询出所述障碍车辆对应的行为预测模型,具体包括:
根据所述障碍车辆的特征信息,确定所述障碍车辆对应的标识信息;
根据所述标识信息,查询所述障碍车辆对应的行为预测模型。
可选地,所述方法还包括:
若根据所述障碍车辆的特征信息未查询到所述障碍车辆对应的行为预测模型,将初始行为预测模型作为所述障碍车辆对应的行为预测模型发送给所述无人驾驶设备。
可选地,所述方法还包括:
获取所述无人驾驶设备观测所述障碍车辆得到的行为数据;
根据所述行为数据,对所述障碍车辆对应的行为预测模型进行更新。
本说明书提供了一种无人驾驶设备的控制装置,包括:
第一获取模块,用于获取障碍车辆的特征信息,以及获取所述装置观测所述障碍车辆得到的行为数据;
第二获取模块,用于根据所述障碍车辆的特征信息,从服务器获取所述障碍车辆对应的行为预测模型;
预测模块,用于将所述行为数据输入到所述行为预测模型中,预测得到所述障碍车辆的行驶行为;
第一确定模块,用于根据预测得到的所述行驶行为,确定所述障碍车辆的干扰程度;
第二确定模块,用于根据所述障碍车辆的干扰程度以及得到的所述装置的待确定干扰程度,确定所述障碍车辆以及所述装置的综合干扰程度;
控制模块,用于通过优化所述综合干扰程度,对所述装置的待确定干扰程度进行确定,并根据确定出的所述装置的干扰程度,控制所述装置。
本说明书提供了一种无人驾驶设备的控制装置,包括:
接收模块,用于接收无人驾驶设备发送的障碍车辆的特征信息;
查询模块,用于根据所述障碍车辆的特征信息,查询所述障碍车辆对应的行为预测模型,并将查询到的所述障碍车辆对应的行为预测模型发送给所述无人驾驶设备,以使所述无人驾驶设备按照上述无人驾驶设备的控制方法,对所述无人驾驶设备进行控制。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述无人驾驶设备的控制方法。
本说明书提供了一种无人驾驶设备,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程序时实现上述无人驾驶设备的控制方法。
本说明书提供了一种服务器,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程序时实现上述无人驾驶设备的控制方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的无人驾驶设备的控制方法中,无人驾驶设备可以获取障碍车辆的特征信息,以及获取无人驾驶设备观测该障碍车辆得到的行为数据,根据该障碍车辆的特征信息,从服务器获取该障碍车辆对应的行为预测模型,将该行为数据输入到该行为预测模型中,以预测该障碍车辆的行驶行为,并基于该行驶行为,确定出障碍车辆的干扰程度,而后,无人驾驶设备可以根据障碍车辆的干扰程度以及得到的无人驾驶设备的待确定干扰程度,确定障碍车辆以及无人驾驶设备的综合干扰程度,进而通过优化该综合干扰程度,对该待确定干扰程度进行确定,并根据确定出的无人驾驶设备的干扰程度,控制无人驾驶设备。
从上述方法可以看出,由于无人驾驶设备是通过考虑自身的干扰程度以及周围各障碍车辆的干扰程度的情况下,对无人驾驶设备自身实施控制的,这样不仅能够保证无人驾驶设备的安全行驶,还可以有效的保证无人驾驶设备做出的决策对周围各障碍车辆的影响较小,提高了无人驾驶设备以及各障碍车辆整体的通行效率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书提供的一种无人驾驶设备的控制方法流程示意图;
图2为本说明书提供的从服务器获取行为预测模型的示意图;
图3为本说明书提供的一种无人驾驶设备的控制装置示意图;
图4为本说明书提供的一种无人驾驶设备的控制装置示意图
图5为本说明书提供的对应于图1的无人驾驶设备示意图;
图6为本说明书提供的一种服务器的示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书中技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的一种无人驾驶设备的控制方法流程示意图,具体包括以下步骤:
S101:获取障碍车辆的特征信息,以及获取无人驾驶设备观测所述障碍车辆得到的行为数据。
无人驾驶设备在行驶的过程中,可以采集并获取到周围障碍车辆的特征信息。其中,这里提到的无人驾驶设备是指无人车、机器人、自动配送设备等能够实现自动驾驶的设备。基于此,本说明书提供的无人驾驶设备的控制方法具体可应用于使用无人驾驶设备进行配送的领域,如,使用无人驾驶设备进行快递、物流、外卖等配送的业务场景。而为了保证无人驾驶设备能够在这些业务场景中顺利行进,需要对无人驾驶设备和周围障碍车辆的交互情况进行预测。
由于本说明书提供的无人驾驶设备的控制方法意在基于无人驾驶设备与周围障碍车辆的交互情况来对无人驾驶设备进行准确的控制,所以,本说明书提到的障碍车辆可以是指能够与无人驾驶设备在行驶过程中存在交互的机动车。上述提到的特征信息是指用于标识障碍车辆的信息,换个角度来说,不同障碍车辆的特征信息不同,所以,不同的特征信息可以用于区别不同的障碍车辆。在本说明书中,特征信息可以是指障碍车辆的颜色、车牌号、汽车型号等信息。
在本说明书中,无人驾驶设备上设有图像传感器(如摄像头、深度相机等),无人驾驶设备可以通过设置的图像传感器采集周围障碍车辆的特征信息。具体的,无人驾驶设备通过图像传感器采集到的周围障碍车辆的图像数据,并将该图像数据输入到预设的特征提取模型中,以通过该特征提取模型中,从该图像数据中提取出周围障碍车辆的特征信息。
需要指出的是,由于无人驾驶设备在行驶的过程中,周围可能存在多个障碍车辆,所以,无人驾驶设备可以针对周围的每个障碍车辆,采集并获取这些障碍车辆的特征信息,进而通过获取到的这些特征信息,获取到这些障碍车辆的行为预测模型。
无人驾驶设备在采集上述特征信息的同时,可以获取该无人驾驶设备观测周围障碍车辆所得到的行为数据。其中,这里提到的行为数据是指无人驾驶设备通过设置在无人驾驶设备上的图像传感器(如摄像头、深度相机等)采集到的障碍车辆的图像数据、通过设置在无人驾驶设备上的测距传感器(如激光雷达、超声波传感器、红外线测距传感器)采集到的与障碍车辆之间的间距等传感数据后得到的用于衡量障碍车辆自身行驶状态的数据,如线速度、角速度等均可以称之为无人驾驶设备观测到的障碍车辆的行为数据。在后续过程中,无人驾驶设备可以通过观测障碍车辆所得到的行为数据以及从服务器获取到的障碍车辆对应的行为预测模型,对障碍车辆未来一段时间内的行驶行为进行预测。
S102:根据所述障碍车辆的特征信息,从服务器获取所述障碍车辆对应的行为预测模型。
在获取到周围障碍车辆的特征信息后,无人驾驶设备可以将获取到的特征信息上传给服务器。服务器可以根据无人驾驶设备发送的特征信息,查询出无人驾驶设备周围障碍车辆的行为预测模型。
具体的,在本说明书中,服务器中存储有各障碍车辆的行为预测模型,这些障碍车辆的行为预测模型是服务器根据各无人驾驶设备采集到的各障碍车辆的行为数据对初始行为预测模型进行训练后得到的。也就是说,初始时,服务器中存储的只是未经训练后的初始行为预测模型,当无人驾驶设备在行驶过程中采集到一个障碍车辆的行为数据后,即可将该行为数据发送给服务器,服务器可以通过该障碍车辆的行为数据,训练为该障碍车辆分配的初始行为预测模型,最终得到该障碍车辆对应的行为预测模型。
即,对于服务器先前未获取到其行为数据的障碍车辆来说,服务器一旦通过无人驾驶设备获取到该障碍车辆的行为数据,服务器将通过该行为数据训练为其分配的初始行为预测模型,以得到针对该障碍车辆的行为预测模型。而对于先前已经获取到其行为数据的障碍车辆来说,服务器中已经存储有这些障碍车辆对应的行为预测模型,因此可以通过无人驾驶设备获取到的行为数据,对这些障碍车辆对应的行为预测模型做进一步地强化训练,使得这些行为预测模型能够更加准确的预测出障碍车辆的行驶行为。
在本说明书中,每个障碍车辆均对应有一个行为预测模型,基于此,服务器在获取到无人驾驶设备发送的特征信息后,可以通过该特征信息,确定出该特征信息对应障碍车辆的行为预测模型,如图2所示。
图2为本说明书提供的从服务器获取行为预测模型的示意图。
对于图2所示的无人驾驶设备来说,无人驾驶设备可以在行驶过程中通过设置的图像传感器获取到旁边障碍车辆的特征信息,并将该特征信息发送给服务器中。服务器可以根据该特征信息,查询出该障碍车辆对应的行为预测模型,并下发给该无人驾驶设备。
其中,服务器可以根据该特征信息,生成与该特征信息对应的标识信息。该标识信息是全局唯一的,也就是说,不同特征信息所对应的标识信息也是不同的。服务器可以根据该标识信息,从保存的各行为预测模型中查询出是否存在与该标识信息相匹配的的行为预测模型,即,查询是否事先已经训练有该标识信息对应障碍车辆的行为预测模型。若是查找到该标识信息对应的行为预测模型,则可以将查找到的行为预测模型返回给无人驾驶设备,以使无人驾驶设备根据该行为预测模型,对该标识信息对应的障碍车辆进行行为预测。而若是每个查找到该标识信息对应的行为预测模型,则可以将为该标识信息对应的障碍车辆分配初始行为预测模型,并将该初始行为预测模型返回给无人驾驶设备。
S103:将所述行为数据输入到所述行为预测模型中,以预测所述障碍车辆的行驶行为。
无人驾驶设备从服务器获取到周围各障碍车辆对应的行为预测模型后,可以将获取到的观测周围各障碍车辆得到的行为数据分别输入到获取到的各行为预测模型中,以预测各障碍车辆的行驶行为。
具体的,针对周围的每个障碍车辆,无人驾驶设备可以将观测该障碍车辆得到的行为数据输入到该行为预测模型,以预测出该障碍车辆执行每种行驶行为的行为概率。其中,行驶行为表示障碍车辆或是无人驾驶设备在实际行驶过程中可以做出的决策,例如,匀速直行、变道、加速超车、刹车等,这些均可以作为障碍车辆或是无人驾驶设备可以做出的行驶行为。
在本说明书中,各障碍车辆和无人驾驶设备所能做出的行驶行为的种类是相同的,例如,假设各障碍车辆和无人驾驶设备都仅能够做出匀速直行、变道、加速超车、刹车这4种行驶行为,所以,无人驾驶设备将观测一个障碍车辆得到的行为数据输入到该障碍车辆对应的行为预测模型中,也将预测出该障碍车辆执行这4种行驶行为的行为概率。
通过预测出的该障碍车辆执行每种行驶行为的行为概率,可以确定出该障碍车辆未来执行哪种行驶行为的可能性较高以及哪种行驶行为的可能性较低。例如,假设通过一个障碍车辆对应的行为预测模型确定出该障碍车辆未来执行每种行驶行为的概率如下表所示。
行驶行为 | 匀速直行 | 变道 | 加速超车 | 刹车 |
行为概率 | 55% | 5% | 30% | 10% |
表1
从表1中可以看出,无人驾驶设备通过该障碍车辆对应的行为预测模型预测出该障碍车辆未来执行匀速直行这一行驶行为的行为概率最高,未来执行变道这一行驶行为的行为概率最低。无人驾驶设备可以基于确定出的该障碍车辆执行每种行驶行为的行为概率,确定出该障碍车辆的干扰程度。
S104:根据预测得到的所述行驶行为,确定所述障碍车辆的干扰程度。
无人驾驶设备通过获取到的行为预测模型预测出障碍车辆的行驶行为后,可以进一步地确定出障碍车辆的干扰程度。其中,这里提到的干扰程度主要用于表征障碍车辆对周围其他障碍车辆以及无人驾驶设备在行驶过程中所带来的影响。也就是说,若是障碍车辆的干扰程度越高,则说明障碍车辆在行驶过程中对周围其他障碍车辆以及无人驾驶设备的影响越高。换个角度来说,若是一个障碍车辆的干扰程度越高,则说明该障碍车辆在行驶过程中迫使周围其他障碍车辆以及无人驾驶设备改变行驶行为的可能性也越高。
针对无人驾驶设备周围的每个障碍车辆,无人驾驶设备通过该障碍车辆对应的行为预测模型预测出该障碍车辆未来执行每种行驶行为的行为概率的同时,可以确定出该障碍车辆执行每种行驶行为的干扰参数,进而通过确定出的各行为概率以及干扰参数,确定出该障碍车辆对应的干扰程度。
在实际应用中,障碍车辆执行不同行驶行为时对周围其他障碍车辆以及无人驾驶设备所带来的影响是不同的。例如,当周围其他障碍车辆以及无人驾驶设备均处于匀速直行时,该障碍车辆也执行匀速直行这一行驶行为对周围其他障碍车辆以及无人驾驶设备所带来的影响是较小的,而执行变道、刹车等这些非匀速直行的行驶行为将对周围其他障碍车辆以及无人驾驶设备所带来的影响较高。
基于此,本说明书中提到的干扰参数主要用于表征障碍车辆执行一种行驶行为时对周围其他障碍车辆以及无人驾驶设备所带来的影响。例如,障碍车辆在执行匀速直行这一行驶行为时,将会对周围其他障碍车辆以及无人驾驶设备造成影响,这一影响程度的大小可以通过该障碍车辆执行匀速直行时的干扰参数来表征;再例如,障碍车辆执行变道这一行驶行为时,将会对周围其他障碍车辆以及无人驾驶设备造成影响,这一影响程度的大小可以通过该障碍车辆执行变道时的干扰参数来表征。
在确定一个障碍车辆执行每种行驶行为的干扰参数时,无人驾驶设备可以针对该障碍车辆执行的每种行驶行为,根据观测其他障碍车辆得到的行为数据,确定出该障碍车辆执行该行驶行为的干扰参数,具体可以按照下述公式来确定。
Ji,j=f(env,actioni)
在该公式中,Ji,j用于表示障碍车辆j执行第i种行驶行为时的干扰参数,env用于表示无人驾驶设备观测其他障碍车辆(即无人驾驶设备周围除障碍车辆j以外的其他障碍车辆)得到的行为数据(如采集到的其他障碍车辆的图像数据、测量出的与其他障碍车辆之间的间距等),actioni即表示该障碍车辆执行第i种行驶行为。
从该公式中可以看出,在确定该障碍车辆执行一种行驶行为的干扰参数时,其实是参考了其他障碍车辆的行驶状况所确定出的,所以,得出的干扰参数能够有效表征出该障碍车辆在执行该行驶行为时对周围其他障碍车辆的影响程度。
在确定出该障碍车辆执行每种行驶行为的行为概率,以及该障碍车辆执行每种行驶行为的干扰参数后,可以通过下述公式,确定出该障碍车辆对应的干扰程度。
在该公式中,表示障碍车辆执行第i种行驶行为的行为概率,Ji表示障碍车辆执行第i种行驶行为的干扰参数,J′表示该障碍车辆对应的干扰程度。从该公式可以看出,无人驾驶设备可以通过加权求和的方式,确定出障碍车辆对应的干扰程度。而需要指出的是,干扰参数用于表示障碍车辆执行一种行驶行为时所其他周围其他障碍车辆以及无人驾驶设备的影响程度,而干扰程度用于表示该障碍车辆总体对周围其他障碍车辆以及无人驾驶设备的影响程度。
无人驾驶设备可以通过上述方式分别确定出周围各障碍车辆的干扰程度,进而在后续过程中,通过周围各障碍车辆的干扰程度,确定出无人驾驶设备自身应采取哪种行驶行为,保证全局的干扰程度最小。
S105:根据所述障碍车辆的干扰程度以及得到的所述无人驾驶设备的待确定干扰程度,确定所述障碍车辆以及所述无人驾驶设备的综合干扰程度。
在确定出各障碍车辆对应的干扰程度后,无人驾驶设备可以基于此确定出周围各障碍车辆以及无人驾驶设备的综合干扰程度。该综合干扰程度用于表征无人驾驶设备以及周围各障碍车辆之间相互影响的情况,若是综合干扰程度越高,则表明无人驾驶设备以及周围各障碍车辆之间相互干扰的情况较为严重,若是综合干扰程度越低,则表明无人驾驶设备以及周围各障碍车辆之间相互干扰的情况较轻。
在本说明书中,无人驾驶设备可以先分别确定出周围各障碍车辆对应的干扰权重,并针对每个障碍车辆,根据该障碍车辆对应的干扰程度以及其他障碍车辆对应的干扰权重,确定该障碍车辆对应的总干扰程度,同时根据无人驾驶设备的待确定干扰程度以及各障碍车辆对应的干扰权重,确定出无人驾驶设备对应的待确定总干扰程度,进而根据各障碍车辆对应的总干扰程度以及无人驾驶设备对应的待确定总干扰程度,确定出该综合干扰程度。
上述干扰权重用于表征障碍车辆配合其他障碍车辆以及无人驾驶设备行驶行为的程度。例如,对于一个障碍车辆来说,若是周围其他障碍车辆均按照匀速直行的方式行驶,该障碍车辆也按照匀速直行的方式则表明该障碍车辆配合其他障碍车辆的程度较高。需要说明的是,若是该障碍车辆对应的干扰权重越小,则表明该障碍车辆配合其他障碍车辆行驶行为的程度越高,即,该障碍车辆很大程度上会根据其他障碍车辆的行驶行为决定自身的行驶行为;而若是该障碍车辆对应的干扰权重越大,则表明该障碍车辆配合其他障碍车辆行驶行为的程度越低,即,该障碍车辆很大程度上不会根据其他障碍车辆的行驶行为决定自身的行驶行为。
在本说明书中,无人驾驶设备可以从服务器中查询出周围各障碍车辆的干扰权重,其中,针对每个障碍车辆来说,服务器可以根据统计出的该障碍车辆配合其他障碍车辆的次数,来确定出该障碍车辆对应的干扰权重。具体的,对于每个障碍车辆来说,若是服务器根据无人驾驶设备观测该障碍车辆以及其他障碍车辆得到的行为数据,确定出该障碍车辆在行驶过程中所采用的行驶行为与周围其他障碍车辆所采用的行驶行为相同或相近的行驶行为,则算作该障碍车辆的一次配合行为,即,该障碍车辆配合其他障碍车辆的行驶行为。
服务器可以根据各无人驾驶设备观测到该障碍车辆的总次数,以及统计出的该障碍车辆的配合行为的数量,确定出该障碍车辆对应的干扰权重。若是该障碍车辆配合其他障碍车辆行驶行为的次数越多,则表明该障碍车辆配合其他障碍车辆行驶行为的可能越大,该障碍车辆对应的干扰权重相应的越低。
在本说明书中,针对每个障碍车辆,无人驾驶设备可以按照确定出的该障碍车辆执行每种行驶行为的干扰参数从小到大的顺序,对每种行驶行为的干扰参数进行排序,得到干扰参数序列。而后,根据观测到的该障碍车辆的实际行驶行为所对应的干扰参数在该干扰参数序列中所处的位置,确定该障碍车辆对应的干扰权重。
从上述描述可知,一种行驶行为的干扰参数用于表征障碍车辆执行该行驶行为时对周围其他障碍车辆以及无人驾驶设备所带来的影响。所以,若是该障碍车辆能够采用干扰参数较小的行驶行为,则可以表明该障碍车辆配合其他障碍车辆行驶行为的可能性较高,反之则表明该障碍车辆配合其他障碍车辆行驶行为的可能性较低。
基于此,无人驾驶设备在确定出该障碍车辆执行每种行驶行为的干扰参数后,可以在对该障碍车辆观测一段时间,得到该障碍车辆在这段时间内所采取的实际行驶行为,进而通过查看该实际行驶行为对应的干扰参数,来确定出该障碍车辆对应的干扰权重。
例如,无人驾驶设备将确定出的障碍车辆A执行匀速直行、变道、加速超车、刹车这4种行驶行为的干扰参数如下表所示。
行驶行为 | 匀速直行 | 变道 | 加速超车 | 刹车 |
行为概率 | 60% | 2% | 28% | 10% |
干扰参数 | λ<sub>1</sub> | λ<sub>2</sub> | λ<sub>3</sub> | λ<sub>4</sub> |
表2
无人驾驶设备按照各干扰参数从小到大的顺序进行排列,得到的干扰参数序列为:λ1、λ4、λ2、λ3。无人驾驶设备通过观测一段时间后发现,无人驾驶设备实际采取的行驶行为是加速超车,则可以进一步地确定出加速超车这一行驶行为对应的干扰参数为λ3,并确定出该干扰参数λ3位于该干扰参数序列的最后一个位置,因此,可以确定出该障碍车辆对应的干扰权重。
在本说明书中,若是障碍车辆实际行驶行为对应的干扰参数在干扰参数序列中的位置越靠前,则该障碍车辆对应的干扰权重越小,也就说明该障碍车辆配合其他障碍车辆的行驶行为的可能性越高,而若是该障碍车辆实际行驶行为对应的干扰参数在干扰参数序列中的位置越靠后,则该障碍车辆对应的干扰权重越大,也就说明该障碍车辆配合其他障碍车辆的行驶行为的可能性越低。
针对每个障碍车辆,无人驾驶设备确定出各障碍车辆对应的干扰权重后,可以根据该障碍车辆对应的干扰程度以及其他障碍车辆对应的干扰权重,确定出该障碍车辆对应的总干扰程度。该障碍车辆对应的总干扰程度用于表明该障碍车辆与每个其他障碍车辆进行交互后对全局的干扰程度,具体可以通过下述公式进行确定。
在该公式中,Jj表示障碍车辆j对应的干扰程度,λi表示障碍车辆i对应的干扰权重,障碍车辆i与障碍车辆j是不同的障碍车辆,Hj表示该障碍车辆j对应的总干扰程度。
无人驾驶设备可以通过上述方式,确定出各障碍车辆对应的总干扰程度,同时确定出无人驾驶设备自身的待确定总干扰程度,进而将各障碍车辆对应的总干扰程度以及无人驾驶设备对应的待确定总干扰程度进行加和,得到各障碍车辆以及无人驾驶设备的综合干扰程度。
在本说明书中,无人驾驶设备意在通过确定出的综合干扰程度,来确定出无人驾驶设备自身所要采取的行驶行为,所以,无人驾驶设备在确定出该综合干扰程度时,实际上并没有确定出自身应该采取哪种行驶行为。换句话说,无人驾驶设备在得到该综合干扰程度时并未确定出自身执行每种行驶行为的行为概率,相应的,无人驾驶设备此刻也将无法确定出自身对应的干扰程度。所以,无人驾驶设备在确定自身对应的干扰程度时,其实是确定出包含有未知数的待确定干扰程度,即,无人驾驶设备确定出的自身的干扰程度并不是一个具体的数值,而是包含有未知数的表达式。相应的,无人驾驶设备基于各障碍车辆对应的干扰权重确定自身对应的总干扰程度,其实也是包含有未知数的表达式。
由于无人驾驶设备可以执行多种行驶行为,所以,无人驾驶设备可以先根据观测各障碍车辆得到的行为数据,确定无人驾驶设备的可执行行驶行为,以及无人驾驶设备执行可执行行驶行为时的干扰参数,而后,无人驾驶设备可以根据确定出的可执行行驶行为以及无人驾驶设备执行可执行行驶行为时的干扰参数,得到无人驾驶设备的待确定干扰程度。
换句话说,无人驾驶设备根据观测各障碍车辆得到的行为数据,可以确定出哪些行驶行为是无人驾驶设备可以执行的,哪些是不可以执行的。例如,假设无人驾驶设备通过观测,确定出该无人驾驶设备的前后左后四个方向的障碍车辆均是以匀速直行的方式行进的,则刹车此时对于无人驾驶设备来说属于不可执行的行驶行为,匀速直行、加速超车、变道此时属于可执行行驶行为。
在确定出不可执行的行驶行为后,可以将这些不可执行的行驶行为的行为概率置为0,基于此,无人驾驶设备在后续实际上只需要确定出可执行行驶行为的行为概率即可。即,无人驾驶设备可以通过这种方式,先确定出一些行驶行为的行为概率,后续通过最小化综合干扰程度可以进一步地确定出剩余行驶行为的行为概率。
S106:通过优化所述综合干扰程度,对所述无人驾驶设备的待确定干扰程度进行确定,并根据确定出的所述无人驾驶设备的干扰程度,控制所述无人驾驶设备。
在确定出综合干扰程度后,无人驾驶设备可以对该综合干扰程度进行优化,以确定出无人驾驶设备自身应该采取何种行驶行为。具体的,若是综合干扰程度越小,则表明无人驾驶设备以及各障碍车辆会尽可能考虑各自周围情况而采取行驶行为。基于此,无人驾驶设备可以最小化该综合干扰程度为目标,确定无人驾驶设备的待确定干扰程度。而从上述可知,由于各障碍车辆对应的干扰程度、干扰权重均是已经确定出的,未知的仅是无人驾驶设备执行每种行驶行为的行为概率,所以,无人驾驶设备通过最小化该综合干扰程度来确定该待确定干扰程度,实际上是通过最小化该综合干扰程度,反推出无人驾驶设备执行每种行驶行为的行为概率,进而在确定出无人驾驶设备执行每种行驶行为的行为概率的情况下,可以对无人驾驶设备自身实施控制。
在本说明书中,无人驾驶设备可以将得到的综合干扰程度输入预设的分析模型中,该分析模型通过最小化该综合干扰程度,确定出无人驾驶设备的干扰程度,也即,确定出无人驾驶设备可执行行驶行为的行为概率。其中,这里提到分析模型可以是通过历史数据进行训练得到的,即,以无人驾驶设备执行的行驶行为对全局的干扰程度最小为训练目标训练出该分析模型。而在确定出可执行行驶行为的行为概率后,也就确定出了无人驾驶设备未来需要执行哪种行驶行为(即执行行为概率最大的行驶行为),进而通过确定需要执行的行驶行为,对无人驾驶设备进行控制。
从上述方法可以看出,由于无人驾驶设备是通过考虑自身的干扰程度以及周围各障碍车辆的干扰程度的情况下,确定出无人驾驶设备未来应该采取哪种行驶行为,这样能够在一定程度上保证无人驾驶设备执行该行驶行为时,无人驾驶设备以及各障碍车辆这一整体的干扰程度最小,进而不仅有效的保证无人驾驶设备按照该行驶行为能够进行安全的行驶,也可以保证对周围各障碍车辆的影响较小,提高了无人驾驶设备以及各障碍车辆整体的通行效率。
需要说明的是,在本说明书中,无人驾驶设备在获取到观测障碍车辆得到的行为数据后,可以将该行为数据以及观测到的该障碍车辆未来一段时间内执行的实际行驶行为发送给服务器。服务器在查询出该障碍车辆对应的行为预测模型后,可以通过该行为数据以及该实际行驶行为,对该行为预测模型进行训练、更新,并将更新后的行为预测模型返回给无人驾驶设备。
也就是说,服务器在查询出障碍车辆对应的行为预测模型后,并不是直接将该行为预测模型返回给无人驾驶设备,而是先对该行为预测模型进行更新,再将更新后的行为预测模型返回给无人驾驶设备,这样可以使无人驾驶设备能够通过服务器返回的行为预测模型,更加准确的预测出该障碍车辆未来执行的行驶行为。
以上为本说明书的一个或多个实施例提供的无人驾驶设备的控制方法,基于同样的思路,本说明书还提供了相应的无人驾驶设备的控制装置,如图3、4所示。
图3为本说明书提供的一种无人驾驶设备的控制装置示意图,具体包括:
第一获取模块301,用于获取障碍车辆的特征信息,以及获取所述装置观测所述障碍车辆得到的行为数据;
第二获取模块302,用于根据所述障碍车辆的特征信息,从服务器获取所述障碍车辆对应的行为预测模型;
预测模块303,用于将所述行为数据输入到所述行为预测模型中,预测得到所述障碍车辆的行驶行为;
第一确定模块304,用于根据预测得到的所述行驶行为,确定所述障碍车辆的干扰程度;
第二确定模块305,用于根据所述障碍车辆的干扰程度以及得到的所述装置的待确定干扰程度,确定所述障碍车辆以及所述装置的综合干扰程度;
控制模块306,用于通过优化所述综合干扰程度,对所述装置的待确定干扰程度进行确定,并根据确定出的所述装置的干扰程度,控制所述装置。
可选地,所述预测模块303具体用于,将所述行为数据输入到所述障碍车辆对应的行为预测模型中,预测得到所述障碍车辆执行每种行驶行为的行为概率;
所述第一确定模块304具体用于,根据预测出的所述障碍车辆执行每种行驶行为的行为概率和确定出的所述障碍车辆执行每种行驶行为的干扰参数,确定所述障碍车辆对应的干扰程度。
可选地,所述第二确定模块305具体用于,针对每个行驶行为,根据观测其他障碍车辆得到的行为数据,确定所述障碍车辆执行该行驶行为的干扰参数。
可选地,所述第一获取模块301具体用于,获取所述装置周围多个障碍车辆的特征信息,以及获取所述装置观测周围多个障碍车辆得到的行为数据;
所述第二确定模块305具体用于,分别确定各障碍车辆对应的干扰权重;针对每个障碍车辆,根据该障碍车辆对应的干扰程度以及其他障碍车辆对应的干扰权重,确定该障碍车辆对应的总干扰程度;根据所述装置的待确定干扰程度以及各障碍车辆对应的干扰权重,确定所述装置对应的待确定总干扰程度;根据各障碍车辆对应的总干扰程度以及所述装置对应的待确定总干扰程度,确定所述综合干扰程度。
可选地,所述第二确定模块305具体用于,针对每个障碍车辆,按照确定出的该障碍车辆执行每种行驶行为的干扰参数从小到大的顺序,对每种行驶行为的干扰参数进行排序,得到干扰参数序列;根据观测到的该障碍车辆的实际行驶行为所对应的干扰参数在所述干扰参数序列中所处的位置,确定该障碍车辆对应的干扰权重。
可选地,所述第一确定模块304具体用于,根据观测所述障碍车辆得到的行为数据,确定所述装置的可执行行驶行为,以及所述装置执行所述可执行行驶行为时的干扰参数;根据所述可执行行驶行为以及所述装置执行所述可执行行驶行为时的干扰参数,得到所述装置的待确定干扰程度。
可选地,所述控制模块306具体用于,以最小化所述综合干扰程度为目标,对所述装置的待确定干扰程度进行确定,得到所述装置的干扰程度;
所述控制模块306具体用于,根据所述装置的干扰程度,确定所述装置针对各种行驶行为的行为概率;根据所述装置针对各种行驶行为的行为概率,对所述装置进行控制。
图4为本说明书提供的一种无人驾驶设备的控制装置示意图,具体包括:
接收模块401,用于接收无人驾驶设备发送的障碍车辆的特征信息;
查询模块402,用于根据所述障碍车辆的特征信息,查询所述障碍车辆对应的行为预测模型,并将查询到的所述障碍车辆对应的行为预测模型发送给所述无人驾驶设备,以使所述无人驾驶设备按照上述无人驾驶设备的控制方法,对所述无人驾驶设备进行控制。
可选地,所述查询模块402具体用于,根据所述障碍车辆的特征信息,确定所述障碍车辆对应的标识信息;根据所述标识信息,查询所述障碍车辆对应的行为预测模型。
可选地,若根据所述障碍车辆的特征信息未查询到所述障碍车辆对应的行为预测模型,所述查询模块402还用于,将初始行为预测模型作为所述障碍车辆对应的行为预测模型发送给所述无人驾驶设备。
可选地,所述装置还包括:
更新模块403,用于获取所述无人驾驶设备观测所述障碍车辆得到的行为数据;根据所述行为数据,对所述障碍车辆对应的行为预测模型进行更新。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述无人驾驶设备的控制方法。
本说明书还提供了图5所示的无人驾驶设备的示意结构图。如图5所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述无人驾驶设备的控制方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本说明书还提供了图6所示的服务器的示意结构图。如图6所述,在硬件层面,该服务器包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述无人驾驶设备的控制方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (16)
1.一种无人驾驶设备的控制方法,其特征在于,包括:
获取障碍车辆的特征信息,以及获取无人驾驶设备观测所述障碍车辆得到的行为数据;
根据所述障碍车辆的特征信息,从服务器获取所述障碍车辆对应的行为预测模型;
将所述行为数据输入到所述行为预测模型中,预测得到所述障碍车辆的行驶行为;
根据预测得到的所述行驶行为,确定所述障碍车辆的干扰程度;
根据所述障碍车辆的干扰程度以及得到的所述无人驾驶设备的待确定干扰程度,确定所述障碍车辆以及所述无人驾驶设备的综合干扰程度;
通过优化所述综合干扰程度,对所述无人驾驶设备的待确定干扰程度进行确定,并根据确定出的所述无人驾驶设备的干扰程度,控制所述无人驾驶设备。
2.如权利要求1所述的方法,其特征在于,将所述行为数据输入到所述行为预测模型中,预测得到所述障碍车辆的行驶行为,具体包括:
将所述行为数据输入到所述障碍车辆对应的行为预测模型中,预测得到所述障碍车辆执行每种行驶行为的行为概率;
根据预测得到的所述行驶行为,确定所述障碍车辆的干扰程度,具体包括:
根据预测出的所述障碍车辆执行每种行驶行为的行为概率和确定出的所述障碍车辆执行每种行驶行为的干扰参数,确定所述障碍车辆对应的干扰程度。
3.如权利要求1所述的方法,其特征在于,确定所述障碍车辆执行每种行驶行为的干扰参数,具体包括:
针对每个行驶行为,根据观测其他障碍车辆得到的行为数据,确定所述障碍车辆执行该行驶行为的干扰参数。
4.如权利要求3所述的方法,其特征在于,获取障碍车辆的特征信息,以及获取无人驾驶设备观测所述障碍车辆得到的行为数据,具体包括:
获取所述无人驾驶设备周围多个障碍车辆的特征信息,以及获取所述无人驾驶设备观测周围多个障碍车辆得到的行为数据;
根据所述障碍车辆的干扰程度以及得到的所述无人驾驶设备的待确定干扰程度,确定所述障碍车辆以及所述无人驾驶设备的综合干扰程度,具体包括:
分别确定各障碍车辆对应的干扰权重;
针对每个障碍车辆,根据该障碍车辆对应的干扰程度以及其他障碍车辆对应的干扰权重,确定该障碍车辆对应的总干扰程度;
根据所述无人驾驶设备的待确定干扰程度以及各障碍车辆对应的干扰权重,确定所述无人驾驶设备对应的待确定总干扰程度;
根据各障碍车辆对应的总干扰程度以及所述无人驾驶设备对应的待确定总干扰程度,确定所述综合干扰程度。
5.如权利要求4所述的方法,其特征在于,分别确定各障碍车辆对应的干扰权重,具体包括:
针对每个障碍车辆,按照确定出的该障碍车辆执行每种行驶行为的干扰参数从小到大的顺序,对每种行驶行为的干扰参数进行排序,得到干扰参数序列;
根据观测到的该障碍车辆的实际行驶行为所对应的干扰参数在所述干扰参数序列中所处的位置,确定该障碍车辆对应的干扰权重。
6.如权利要求1所述的方法,其特征在于,确定所述无人驾驶设备的干扰程度,具体包括:
根据观测所述障碍车辆得到的行为数据,确定所述无人驾驶设备的可执行行驶行为,以及所述无人驾驶设备执行所述可执行行驶行为时的干扰参数;
根据所述可执行行驶行为以及所述无人驾驶设备执行所述可执行行驶行为时的干扰参数,得到所述无人驾驶设备的待确定干扰程度。
7.如权利要求2所述的方法,其特征在于,通过优化所述综合干扰程度,对所述无人驾驶设备的待确定干扰程度进行确定,具体包括:
以最小化所述综合干扰程度为目标,对所述无人驾驶设备的待确定干扰程度进行确定,得到所述无人驾驶设备的干扰程度;
根据确定出的所述无人驾驶设备的干扰程度,控制所述无人驾驶设备,具体包括:
根据所述无人驾驶设备的干扰程度,确定所述无人驾驶设备针对各种行驶行为的行为概率;
根据所述无人驾驶设备针对各种行驶行为的行为概率,对所述无人驾驶设备进行控制。
8.一种无人驾驶设备的控制方法,其特征在于,包括:
接收无人驾驶设备发送的障碍车辆的特征信息;
根据所述障碍车辆的特征信息,查询所述障碍车辆对应的行为预测模型,并将查询到的所述障碍车辆对应的行为预测模型发送给所述无人驾驶设备,以使所述无人驾驶设备按照如权利要求1~7任一项的方法,对所述无人驾驶设备进行控制。
9.如权利要求8所述的方法,其特征在于,根据所述障碍车辆的特征信息,查询出所述障碍车辆对应的行为预测模型,具体包括:
根据所述障碍车辆的特征信息,确定所述障碍车辆对应的标识信息;
根据所述标识信息,查询所述障碍车辆对应的行为预测模型。
10.如权利要求8所述的方法,其特征在于,所述方法还包括:
若根据所述障碍车辆的特征信息未查询到所述障碍车辆对应的行为预测模型,将初始行为预测模型作为所述障碍车辆对应的行为预测模型发送给所述无人驾驶设备。
11.如权利要求8所述的方法,其特征在于,所述方法还包括:
获取所述无人驾驶设备观测所述障碍车辆得到的行为数据;
根据所述行为数据,对所述障碍车辆对应的行为预测模型进行更新。
12.一种无人驾驶设备的控制装置,其特征在于,包括:
第一获取模块,用于获取障碍车辆的特征信息,以及获取所述装置观测所述障碍车辆得到的行为数据;
第二获取模块,用于根据所述障碍车辆的特征信息,从服务器获取所述障碍车辆对应的行为预测模型;
预测模块,用于将所述行为数据输入到所述行为预测模型中,预测得到所述障碍车辆的行驶行为;
第一确定模块,用于根据预测得到的所述行驶行为,确定所述障碍车辆的干扰程度;
第二确定模块,用于根据所述障碍车辆的干扰程度以及得到的所述装置的待确定干扰程度,确定所述障碍车辆以及所述装置的综合干扰程度;
控制模块,用于通过优化所述综合干扰程度,对所述装置的待确定干扰程度进行确定,并根据确定出的所述装置的干扰程度,控制所述装置。
13.一种无人驾驶设备的控制装置,其特征在于,包括:
接收模块,用于接收无人驾驶设备发送的障碍车辆的特征信息;
查询模块,用于根据所述障碍车辆的特征信息,查询所述障碍车辆对应的行为预测模型,并将查询到的所述障碍车辆对应的行为预测模型发送给所述无人驾驶设备,以使所述无人驾驶设备按照如权利要求1~7任一项的方法,对所述无人驾驶设备进行控制。
14.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~7或8~11任一项所述的方法。
15.一种无人驾驶设备,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程序时实现上述权利要求1~7任一项所述的方法。
16.一种服务器,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程序时实现上述权利要求8~11任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911409914.2A CN111038501B (zh) | 2019-12-31 | 2019-12-31 | 无人驾驶设备的控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911409914.2A CN111038501B (zh) | 2019-12-31 | 2019-12-31 | 无人驾驶设备的控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111038501A true CN111038501A (zh) | 2020-04-21 |
CN111038501B CN111038501B (zh) | 2021-04-27 |
Family
ID=70242386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911409914.2A Active CN111038501B (zh) | 2019-12-31 | 2019-12-31 | 无人驾驶设备的控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111038501B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111399523A (zh) * | 2020-06-02 | 2020-07-10 | 北京三快在线科技有限公司 | 一种路径规划的方法及装置 |
CN111645705A (zh) * | 2020-06-17 | 2020-09-11 | 广州小鹏车联网科技有限公司 | 一种下发驾驶路线调整的方法和一种服务器 |
CN113147794A (zh) * | 2021-06-03 | 2021-07-23 | 北京百度网讯科技有限公司 | 生成自动驾驶预警信息方法、装置、设备及自动驾驶车辆 |
US11377113B2 (en) * | 2016-08-19 | 2022-07-05 | Audi Ag | Method for operating an at least partially autonomous motor vehicle and motor vehicle |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996312A (zh) * | 2014-05-23 | 2014-08-20 | 北京理工大学 | 具有社会行为交互的无人驾驶汽车控制系统 |
CN109712421A (zh) * | 2019-02-22 | 2019-05-03 | 百度在线网络技术(北京)有限公司 | 自动驾驶车辆的速度规划方法、装置和存储介质 |
DE102017221634B4 (de) * | 2017-12-01 | 2019-09-05 | Audi Ag | Kraftfahrzeug mit einem Fahrzeugführungssystem, Verfahren zum Betrieb eines Fahrzeugführungssystems und Computerprogramm |
CN110262486A (zh) * | 2019-06-11 | 2019-09-20 | 北京三快在线科技有限公司 | 一种无人驾驶设备运动控制方法及装置 |
CN110406535A (zh) * | 2018-04-27 | 2019-11-05 | 本田技研工业株式会社 | 用于预期车道变换的系统和方法 |
EP3579211A1 (en) * | 2018-06-06 | 2019-12-11 | Honda Research Institute Europe GmbH | Method and system for assisting an operator of an ego-vehicle in controlling the ego-vehicle by determining a future behavior and an associated trajectory for the ego-vehicle |
-
2019
- 2019-12-31 CN CN201911409914.2A patent/CN111038501B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996312A (zh) * | 2014-05-23 | 2014-08-20 | 北京理工大学 | 具有社会行为交互的无人驾驶汽车控制系统 |
DE102017221634B4 (de) * | 2017-12-01 | 2019-09-05 | Audi Ag | Kraftfahrzeug mit einem Fahrzeugführungssystem, Verfahren zum Betrieb eines Fahrzeugführungssystems und Computerprogramm |
CN111149137A (zh) * | 2017-12-01 | 2020-05-12 | 奥迪股份公司 | 具有车辆引导系统的机动车、用于运行车辆引导系统的方法和计算机程序 |
CN110406535A (zh) * | 2018-04-27 | 2019-11-05 | 本田技研工业株式会社 | 用于预期车道变换的系统和方法 |
EP3579211A1 (en) * | 2018-06-06 | 2019-12-11 | Honda Research Institute Europe GmbH | Method and system for assisting an operator of an ego-vehicle in controlling the ego-vehicle by determining a future behavior and an associated trajectory for the ego-vehicle |
CN109712421A (zh) * | 2019-02-22 | 2019-05-03 | 百度在线网络技术(北京)有限公司 | 自动驾驶车辆的速度规划方法、装置和存储介质 |
CN110262486A (zh) * | 2019-06-11 | 2019-09-20 | 北京三快在线科技有限公司 | 一种无人驾驶设备运动控制方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11377113B2 (en) * | 2016-08-19 | 2022-07-05 | Audi Ag | Method for operating an at least partially autonomous motor vehicle and motor vehicle |
CN111399523A (zh) * | 2020-06-02 | 2020-07-10 | 北京三快在线科技有限公司 | 一种路径规划的方法及装置 |
CN111645705A (zh) * | 2020-06-17 | 2020-09-11 | 广州小鹏车联网科技有限公司 | 一种下发驾驶路线调整的方法和一种服务器 |
CN113147794A (zh) * | 2021-06-03 | 2021-07-23 | 北京百度网讯科技有限公司 | 生成自动驾驶预警信息方法、装置、设备及自动驾驶车辆 |
Also Published As
Publication number | Publication date |
---|---|
CN111038501B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111038501B (zh) | 无人驾驶设备的控制方法及装置 | |
CN110929431B (zh) | 一种车辆行驶决策模型的训练方法及装置 | |
CN110262486B (zh) | 一种无人驾驶设备运动控制方法及装置 | |
CN112766468B (zh) | 一种轨迹预测方法、装置、存储介质及电子设备 | |
CN114537299B (zh) | 车载处理装置 | |
CN111208838B (zh) | 一种无人驾驶设备的控制方法及装置 | |
CN112799411B (zh) | 一种无人驾驶设备的控制方法及装置 | |
CN111238523B (zh) | 一种运动轨迹的预测方法及装置 | |
CN112629550B (zh) | 一种预测障碍物轨迹以及模型训练的方法及装置 | |
CN110942181A (zh) | 一种障碍物轨迹预测的方法及装置 | |
CN113110526B (zh) | 一种模型训练的方法、无人驾驶设备的控制方法及装置 | |
CN111062372B (zh) | 一种预测障碍物轨迹的方法及装置 | |
CN111331595B (zh) | 控制服务机器人的操作的方法和设备 | |
US11960292B2 (en) | Method and system for developing autonomous vehicle training simulations | |
CN111126362A (zh) | 一种预测障碍物轨迹的方法及装置 | |
CN111007858A (zh) | 车辆行驶决策模型的训练方法、行驶决策确定方法及装置 | |
US20220048527A1 (en) | Device and method for controlling a hardware agent in a control situation having a plurality of hardware agents | |
CN112949756B (zh) | 一种模型训练以及轨迹规划的方法及装置 | |
CN114118276A (zh) | 一种网络训练的方法、控制方法以及装置 | |
CN113033527A (zh) | 一种场景识别方法、装置、存储介质及无人设备 | |
CN112987754B (zh) | 一种无人设备的控制方法、装置、存储介质及电子设备 | |
EP4330107A1 (en) | Motion planning | |
Avilés et al. | Probabilistic logic Markov decision processes for modeling driving behaviors in self-driving cars | |
CN114153207A (zh) | 一种无人驾驶设备的控制方法及控制装置 | |
US20220402522A1 (en) | Tree based behavior predictor |
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 |