CN111190427B - 一种轨迹规划的方法及装置 - Google Patents

一种轨迹规划的方法及装置 Download PDF

Info

Publication number
CN111190427B
CN111190427B CN202010276498.XA CN202010276498A CN111190427B CN 111190427 B CN111190427 B CN 111190427B CN 202010276498 A CN202010276498 A CN 202010276498A CN 111190427 B CN111190427 B CN 111190427B
Authority
CN
China
Prior art keywords
track
estimated
obstacle
determining
historical
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
CN202010276498.XA
Other languages
English (en)
Other versions
CN111190427A (zh
Inventor
任冬淳
夏华夏
樊明宇
付圣
丁曙光
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.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology 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 Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN202010276498.XA priority Critical patent/CN111190427B/zh
Publication of CN111190427A publication Critical patent/CN111190427A/zh
Application granted granted Critical
Publication of CN111190427B publication Critical patent/CN111190427B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • 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
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft

Abstract

本说明书公开了一种轨迹规划的方法及装置，无人设备可获取规划路径、环境信息以及各障碍物的历史轨迹，根据规划路径以及环境信息可确定无人设备的参考轨迹，根据参考轨迹、环境信息以及障碍物的历史轨迹，可确定障碍物的预估轨迹。本说明书考虑到无人设备的参考轨迹对障碍物运行的影响，提高了障碍物的预估轨迹的准确率。根据各障碍物的预估轨迹以及参考轨迹，无人设备可确定全局交互特征，全局交互特征表征无人设备与各障碍物的交互，根据环境信息以及全局交互特征，规划无人设备的最终轨迹。相对于现有技术，本说明书在确定障碍物的预估轨迹的基础上，根据无人设备与各障碍物的交互信息，规划出来的无人设备的最终轨迹的准确率更高。

Description

一种轨迹规划的方法及装置
技术领域
本说明书涉及无人驾驶技术领域，尤其涉及一种轨迹规划的方法及装置。
背景技术
目前，无人设备可包括无人车、无人机以及具有辅助驾驶功能的车辆等。为了使无人设备安全行驶，无人设备通常需要避开周围环境中的障碍物，规划出平滑的轨迹。
通常，无人设备可首先获取周围环境的信息，根据周围环境的信息，通过人工提取道路结构等特征的方式，确定环境特征。无人设备还可获取周围环境中的若干个障碍物的历史轨迹信息，针对每一个障碍物，无人设备可根据该障碍物的历史轨迹信息，预测该障碍物的预估轨迹信息。最后，无人设备可根据环境特征以及各障碍物的预估轨迹信息，规划无人设备自身的轨迹。
在现有技术中，无人设备在预测障碍物的预估轨迹时，未考虑到周围环境中其他障碍物对该障碍物的影响，导致障碍物的预估轨迹的准确率较低，进而，无人设备在障碍物的准确率较低的预估轨迹的基础上规划出来的轨迹，准确率可能较低。
发明内容
本说明书实施例提供一种轨迹规划的方法及装置，以部分解决现有技术存在的上述问题。
本说明书实施例采用下述技术方案：
本说明书提供的一种轨迹规划的方法，所述方法包括：
获取无人设备的规划路径、周围的环境信息以及若干个障碍物的历史轨迹；
根据所述环境信息以及所述规划路径，确定所述无人设备的参考轨迹；
针对每个障碍物，根据所述环境信息、所述参考轨迹以及该障碍物的历史轨迹，确定该障碍物的预估轨迹；
根据各障碍物的预估轨迹以及所述参考轨迹，确定全局交互特征，其中，所述全局交互特征表征所述无人设备与各障碍物的交互；
根据所述环境信息以及所述全局交互特征，规划所述无人设备的最终轨迹。
可选地，根据所述环境信息以及所述规划路径，确定所述无人设备的参考轨迹，具体包括：
根据所述环境信息，确定若干个静态障碍物的位置；
根据所述规划路径以及所述若干个静态障碍物的位置，预估所述参考轨迹。
可选地，根据所述环境信息、所述参考轨迹以及该障碍物的历史轨迹，确定该障碍物的预估轨迹，具体包括：
将该障碍物的历史轨迹输入第一预估模型，得到所述第一预估模型输出的该障碍物的待优化预估轨迹；
根据各障碍物的待优化预估轨迹、所述环境信息以及所述参考轨迹，确定待优化全局交互特征；
根据该障碍物的历史轨迹以及待优化预估轨迹、所述待优化全局交互特征，确定该障碍物的预估轨迹。
可选地，根据该障碍物的历史轨迹以及待优化预估轨迹、所述待优化全局交互特征，确定该障碍物的预估轨迹，具体包括：
获取该障碍物的状态信息；
根据所述待优化全局交互特征以及该障碍物的状态信息，确定该障碍物对应的局部交互特征；
将该障碍物的历史轨迹以及待优化预估轨迹、该障碍物对应的局部交互特征输入第二预估模型，得到所述第二预估模型输出的该障碍物的预估轨迹。
可选地，根据所述环境信息、所述参考轨迹以及该障碍物的历史轨迹，确定该障碍物的预估轨迹，具体包括：
根据所述环境信息、所述参考轨迹以及该障碍物的历史轨迹，确定该障碍物的若干个预估轨迹，并针对该障碍物的各预估轨迹，根据所述环境信息以及所述参考轨迹，确定该预估轨迹的置信度。
可选地，根据各障碍物的预估轨迹以及所述参考轨迹，确定全局交互特征，具体包括：
获取所述无人设备的历史轨迹，确定所述无人设备的历史轨迹的轨迹特征、以及所述参考轨迹的轨迹特征，并且，针对各障碍物，确定该障碍物的历史轨迹的轨迹特征，根据该障碍物的各预估轨迹以及各预估轨迹的置信度，分别确定该障碍物的各预估轨迹的轨迹特征；
根据所述无人设备的历史轨迹的轨迹特征、所述参考轨迹的轨迹特征、各障碍物的历史轨迹的轨迹特征以及各预估轨迹的轨迹特征，确定所述全局交互特征。
可选地，根据所述无人设备的历史轨迹的轨迹特征、所述参考轨迹的轨迹特征、各障碍物的历史轨迹的轨迹特征以及各预估轨迹的轨迹特征，确定所述全局交互特征，具体包括：
将所述无人设备的历史轨迹的轨迹特征、所述参考轨迹的轨迹特征、各障碍物的历史轨迹的轨迹特征以及各预估轨迹的轨迹特征进行池化；
根据池化运算的结果，确定所述全局交互特征。
本说明书提供一种轨迹规划的装置，所述装置包括：
获取模块，用于获取无人设备规划路径、周围的环境信息以及若干个障碍物的历史轨迹；
第一确定模块，用于根据所述环境信息以及所述规划路径，确定所述无人设备的参考轨迹；
第二确定模块，用于针对每个障碍物，根据所述环境信息、所述参考轨迹以及该障碍物的历史轨迹，确定该障碍物的预估轨迹；
第三确定模块，用于根据各障碍物的预估轨迹以及所述参考轨迹，确定全局交互特征，其中，所述全局交互特征表征所述无人设备与各障碍物的交互；
规划模块，用于根据所述环境信息以及所述全局交互特征，规划所述无人设备的最终轨迹。
本说明书提供的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轨迹规划的方法。
本说明书提供的一种无人设备，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轨迹规划的方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
本说明书中，无人设备可获取规划路径、环境信息以及各障碍物的历史轨迹，根据规划路径以及环境信息可确定无人设备的参考轨迹，根据参考轨迹、环境信息以及障碍物的历史轨迹，可确定障碍物的预估轨迹。本说明书在确定障碍物的预估轨迹时，考虑到无人设备的参考轨迹对障碍物运行的影响，提高了障碍物的预估轨迹的准确率。根据各障碍物的预估轨迹以及参考轨迹，无人设备可确定全局交互特征，其中，全局交互特征表征无人设备与各障碍物的交互，根据环境信息以及全局交互特征，规划无人设备的最终轨迹。相对于现有技术，本说明书在确定障碍物的预估轨迹的基础上，根据无人设备与各障碍物的交互信息，规划出来的无人设备的最终轨迹的准确率更高。
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为本说明书实施例提供的一种轨迹规划的方法流程图；
图2为本说明书实施例提供的一种确定障碍物的预估轨迹的方法流程图；
图3为本说明书实施例提供的一种确定全局交互特征的方法流程示意图；
图4为本说明书实施例提供的一种轨迹规划的装置的结构示意图；
图5为本说明书实施例提供的对应于图1的无人设备示意图。
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为本说明书实施例提供的一种轨迹规划的方法流程图，具体可包括以下步骤：
S100：获取无人设备的规划路径、周围的环境信息以及若干个障碍物的历史轨迹。
本说明书在规划无人设备的轨迹时，可获取无人设备的规划路径，其中，所述规划路径表征所述无人设备到达目的地所需行驶的路由。
具体的，无人设备在行驶时，可根据预先存储的高精地图以及设置的目的地信息，作出路径规划（Path Planning），确定从当前位置到目的地的规划路径。路径规划不需要考虑障碍物，解决的是通过某条路线到达目的地的问题，例如，通过路径规划可规划出从当前位置到目的地的路线。这里需要说明的是，无人设备作出的轨迹规划（TrajectoryPlanning）与路径规划不同，轨迹规划需要考虑障碍物，解决的是在避开障碍物的情况下按照规划的路径行驶的问题，例如，通过轨迹规划可规划出行驶中如何实现超车的轨迹。
当然，无人设备还可将目的地信息发送至服务器，以使服务器根据预存的高精地图以及目的地信息，确定无人设备的规划路径。无人设备可获取服务器发送的规划路径。
同时，无人设备还可获取无人设备周围的环境信息，其中，环境信息可包括无人设备周围环境中的静态障碍物的信息、道路信息等。
具体的，无人设备可根据预存的高精地图，将道路边界、道路位置、人行横道等信 息以图片的形式输入环境特征提取模型，通过环境特征提取模型，确定出道路结构、车道行 驶规则等道路信息。其中，环境特征提取模型可以为卷积神经网络（Convolutional Neural Networks，CNN），则无人设备周围的环境信息
Figure 323875DEST_PATH_IMAGE001
可如公式（1）所示。
Figure 180973DEST_PATH_IMAGE002
（1）
其中，
Figure 344101DEST_PATH_IMAGE003
表示为包含道路边界、道路位置、人行横道等信息的图像信息，
Figure 589138DEST_PATH_IMAGE004
、
Figure 634454DEST_PATH_IMAGE005
为CNN模型的参数。
另外，无人设备还可通过安装在无人设备自身的图像传感器、激光雷达等传感器，采集数据，并对数据进行处理，确定无人设备周围环境中的若干个静态障碍物的信息，并且，可根据安装在无人设备自身的全球定位系统（Global Positioning System，GPS）模块，确定无人设备当前的位置信息，根据当前的位置信息以及预先划分的场景类型，确定当前环境所对应的场景类型。
无人设备除了可以获取周围环境中静态障碍物的信息之外，还可获取周围环境中动态障碍物的历史轨迹、动态障碍物的当前状态等。
具体的，无人设备可根据感知模块检测并且跟踪周围环境中的障碍物的位置，确定障碍物的历史轨迹。当然，无人设备还可获取服务器发送的周围环境中的障碍物的历史轨迹。
S102：根据所述环境信息以及所述规划路径，确定所述无人设备的参考轨迹。
无人设备在获取规划路径以及周围的环境信息后，可根据环境信息中若干个静态障碍物的位置信息以及规划路径，预估无人设备的参考轨迹。其中，参考轨迹是无人设备按照规划路径，避开周围环境中的若干个静态障碍物的位置，预估出来的带有参考意义的未来轨迹。
这里需要说明的是，参考轨迹与最终轨迹是无人设备的两个不同的未来轨迹。无人设备确定参考轨迹后，并不一定会按照参考轨迹行驶，而是在参考轨迹的基础上，规划出无人设备的最终轨迹，并按照最终轨迹行驶。
S104：针对每个障碍物，根据所述环境信息、所述参考轨迹以及该障碍物的历史轨迹，确定该障碍物的预估轨迹。
在确定无人设备的参考轨迹之后，无人设备确定周围环境中各障碍物的预估轨迹。图2为本说明书实施例提供的一种确定障碍物的预估轨迹的方法流程图，具体可包括以下步骤：
S1040：将该障碍物的历史轨迹输入第一预估模型，得到所述第一预估模型输出的该障碍物的待优化预估轨迹。
具体的，第一预估模型可以是长短期记忆（Long Short-Term Memory，LSTM）模型。 无人设备可将获取的该障碍物的历史轨迹进行编码，根据编码结果，得到该障碍物的历史 轨迹的轨迹特征。无人设备可将该障碍物的历史轨迹的轨迹特征输入LSTM模型，得到LSTM 模型输出的该障碍物的待优化预估轨迹。其中，该障碍物的待优化预估轨迹是无人设备根 据该障碍物的历史轨迹确定的该障碍物的未来轨迹。因此，该障碍物的历史轨迹的轨迹特 征
Figure 498505DEST_PATH_IMAGE006
可如公式（2）所示。
Figure 47298DEST_PATH_IMAGE007
（2）
其中，
Figure 728815DEST_PATH_IMAGE008
、
Figure 464690DEST_PATH_IMAGE009
为LSTM模型的参数，
Figure 663590DEST_PATH_IMAGE010
为该障碍物的历史轨迹在
Figure 660365DEST_PATH_IMAGE011
时刻的位置 信息。
由于LSTM模型的隐层向量
Figure 919308DEST_PATH_IMAGE012
携带有在t时刻累计的该障碍物的轨迹特征的信息， 也即，
Figure 142479DEST_PATH_IMAGE012
携带有该障碍物的历史轨迹的轨迹特征的信息与待优化预估轨迹的轨迹特征的 信息，故，
Figure 472966DEST_PATH_IMAGE012
的确定可如公式（3）确定。
Figure 996351DEST_PATH_IMAGE013
（3）
其中，
Figure 895037DEST_PATH_IMAGE014
为LSTM模型的隐层权重，
Figure 871083DEST_PATH_IMAGE016
为该障碍物的LSTM模型在
Figure 5261DEST_PATH_IMAGE018
时刻的隐层向量。
进一步的，无人设备可将该障碍物的历史轨迹输入LSTM模型，通过LSTM模型，得到该障碍物的若干个待优化预估轨迹，并且，针对该障碍物的各待优化预估轨迹，根据无人设备获取的环境信息以及无人设备的参考轨迹，通过LSTM模型，可确定该障碍物的该待优化预估轨迹的置信度。例如，该障碍物的待优化预估轨迹包括直线行驶轨迹、向左变道行驶轨迹两种，若确定该障碍物左边存在另一障碍物，则可确定直线行驶轨迹的置信度较大，向左变道行驶轨迹的置信度较小。
S1042：根据各障碍物的待优化预估轨迹、所述环境信息以及所述参考轨迹，确定待优化全局交互特征。
通过步骤S1040，无人设备可确定周围环境中的各障碍物的待优化预估轨迹。无人设备可将无人设备的历史轨迹的轨迹特征、参考轨迹的轨迹特征、各障碍物的历史轨迹的轨迹特征以及各待优化预估轨迹的轨迹特征进行池化，根据池化运算的结果，确定待优化全局交互特征，其中，待优化全局交互特征表征无人设备与各障碍物的交互，也即，待优化全局交互特征表征无人设备与各障碍物的相互影响。
具体的，无人设备可获取无人设备的历史轨迹，分别对无人设备的历史轨迹、参考轨迹进行编码，得到无人设备的历史轨迹的轨迹特征以及参考轨迹的轨迹特征，可如公式（4）到公式（6）所示。
Figure 648732DEST_PATH_IMAGE019
（4）
Figure 452740DEST_PATH_IMAGE020
（5）
Figure 775137DEST_PATH_IMAGE021
（6）
其中，
Figure 853952DEST_PATH_IMAGE022
为无人设备的历史轨迹的轨迹特征，
Figure 820771DEST_PATH_IMAGE023
为无人设备的历史轨迹 在
Figure 326838DEST_PATH_IMAGE024
时刻的位置信息，
Figure 136531DEST_PATH_IMAGE025
为无人设备的参考轨迹的轨迹特征，
Figure 19037DEST_PATH_IMAGE026
为无人设备的参 考轨迹在
Figure 840362DEST_PATH_IMAGE027
时刻的位置信息，
Figure 782910DEST_PATH_IMAGE028
为无人设备运行当前时刻规划的轨迹的结束时间，
Figure 814320DEST_PATH_IMAGE029
、
Figure 234937DEST_PATH_IMAGE030
为LSTM模型的参数，
Figure 176349DEST_PATH_IMAGE031
为无人设备的历史轨迹的轨迹特征与参考轨迹的轨迹特 征的池化运算结果，表示了无人设备的历史轨迹的轨迹特征与参考轨迹的轨迹特征。
则，无人设备确定待优化全局交互特征
Figure 617694DEST_PATH_IMAGE032
可如公式（7）所示。
Figure 542925DEST_PATH_IMAGE033
（7）
其中，
Figure 236074DEST_PATH_IMAGE034
为无人设备周围环境中动态障碍物的数量，
Figure 563151DEST_PATH_IMAGE036
为第1个动态障碍物的 LSTM模型在
Figure 440977DEST_PATH_IMAGE038
时刻的隐层向量，
Figure 322345DEST_PATH_IMAGE040
为第
Figure 84765DEST_PATH_IMAGE042
个动态障碍物的LSTM模型在
Figure 859823DEST_PATH_IMAGE038
时刻的隐层向 量。
S1044：根据该障碍物的历史轨迹以及待优化预估轨迹、所述待优化全局交互特征，确定该障碍物的预估轨迹。
具体的，无人设备可获取该障碍物的状态信息，根据待优化全局交互特征以及该 障碍物的状态信息，确定该障碍物对应的局部交互特征。该障碍物当前的状态向量
Figure 783916DEST_PATH_IMAGE043
可由 该障碍物当前的位置信息确定，该障碍物对应的局部交互特征
Figure 683739DEST_PATH_IMAGE044
可根据待优化全局交互 特征
Figure 843325DEST_PATH_IMAGE032
与该障碍物当前的状态向量
Figure 879414DEST_PATH_IMAGE043
确定，如公式（8）到公式（9）所示。
Figure 974409DEST_PATH_IMAGE045
（8）
Figure 361528DEST_PATH_IMAGE046
（9）
其中，
Figure 59226DEST_PATH_IMAGE047
、
Figure 684242DEST_PATH_IMAGE009
为LSTM模型的参数。
无人设备可将该障碍物的历史轨迹以及待优化预估轨迹、该障碍物对应的局部交 互特征输入第二预估模型，得到第二预估模型输出的该障碍物的预估轨迹。其中，第二预估 模型可以为LSTM模型，根据该障碍物的历史轨迹以及待优化预估轨迹，无人设备可将该障 碍物在
Figure 481297DEST_PATH_IMAGE048
时刻与在
Figure 683608DEST_PATH_IMAGE011
时刻的轨迹进行编码，得到该障碍物在一段时间内的轨迹的编码 信息
Figure 857100DEST_PATH_IMAGE049
，并根据
Figure 336623DEST_PATH_IMAGE050
得到该障碍物在
Figure 304579DEST_PATH_IMAGE011
时刻与在
Figure 994187DEST_PATH_IMAGE051
时刻的轨迹增量
Figure 909053DEST_PATH_IMAGE052
，根据
Figure 39820DEST_PATH_IMAGE052
与该障碍物在
Figure 772153DEST_PATH_IMAGE011
时刻的位置信息，确定该障碍物在
Figure 355581DEST_PATH_IMAGE051
时刻的轨迹
Figure 74138DEST_PATH_IMAGE053
，可如公 式（10）到公式（13）所示。
Figure 652887DEST_PATH_IMAGE054
（10）
Figure 962646DEST_PATH_IMAGE055
（11）
Figure 502211DEST_PATH_IMAGE056
（12）
Figure 555618DEST_PATH_IMAGE057
（13）
其中，
Figure 988873DEST_PATH_IMAGE058
、
Figure 938375DEST_PATH_IMAGE059
、
Figure 230816DEST_PATH_IMAGE060
为LSTM模型的参数，
Figure 681389DEST_PATH_IMAGE062
为该障碍物在
Figure 375675DEST_PATH_IMAGE064
时刻的位置 信息，
Figure 496078DEST_PATH_IMAGE066
为该障碍物在
Figure 541395DEST_PATH_IMAGE068
时刻的位置信息，
Figure 530079DEST_PATH_IMAGE070
为LSTM模型在
Figure 547714DEST_PATH_IMAGE038
时刻的隐层向量， 携带有该障碍物的历史轨迹的轨迹特征的信息与预估轨迹的轨迹特征的信息，
Figure 635755DEST_PATH_IMAGE072
为 LSTM模型在
Figure DEST_PATH_IMAGE073
时刻的隐层向量，
Figure DEST_PATH_IMAGE075
为
Figure 789324DEST_PATH_IMAGE077
的数据扰动信息。
进一步的，无人设备可将参考轨迹、环境信息、该障碍物的历史轨迹、该障碍物的待优化预估轨迹输入LSTM模型，通过LSTM模型，得到该障碍物的若干个预估轨迹，并且，针对该障碍物的各预估轨迹，根据无人设备获取的环境信息以及无人设备的参考轨迹，通过LSTM模型，可确定该障碍物的该预估轨迹的置信度。
当然，第一预估模型、第二预估模型也可以是其他机器学习模型，例如, 循环神经网络（Recurrent Neural Network，RNN）模型。关于通过其他机器学习模型确定该障碍物的待优化预估轨迹的过程，本说明书在此不再赘述。
S106：根据各障碍物的预估轨迹以及所述参考轨迹，确定全局交互特征，其中，所述全局交互特征表征所述无人设备与各障碍物的交互。
在确定各障碍物的预估轨迹之后，无人设备可确定无人设备的历史轨迹的轨迹特征、以及参考轨迹的轨迹特征，并且，针对各障碍物，确定该障碍物的历史轨迹的轨迹特征，根据该障碍物的各预估轨迹以及各预估轨迹的置信度，分别确定该障碍物的各预估轨迹的轨迹特征。然后，无人设备可根据无人设备的历史轨迹的轨迹特征、所述参考轨迹的轨迹特征、各障碍物的历史轨迹的轨迹特征以及各预估轨迹的轨迹特征，确定全局交互特征。
具体的，由于无人设备可确定障碍物的若干个预估轨迹以及每个预估轨迹的置信度，在根据各障碍物的预估轨迹以及参考轨迹，确定全局交互特征时，针对其中任一障碍物，无人设备确定出的全局交互特征更偏向于表现出该障碍物的置信度高的预估轨迹的信息。其中，全局交互特征表征无人设备与各障碍物的交互，也即，全局交互特征表征无人设备与各障碍物的相互影响。无人设备可将无人设备的历史轨迹的轨迹特征、参考轨迹的轨迹特征、各障碍物的历史轨迹的轨迹特征以及各预估轨迹的轨迹特征进行池化，根据池化运算的结果，确定全局交互特征，如公式（14）所示。
Figure DEST_PATH_IMAGE078
（14）
其中，
Figure DEST_PATH_IMAGE080
为全局交互特征，
Figure DEST_PATH_IMAGE082
为第1个障碍物的LSTM模型在
Figure 784962DEST_PATH_IMAGE038
时刻的隐层向量，
Figure 47316DEST_PATH_IMAGE084
为第N个障碍物的LSTM模型在
Figure 306259DEST_PATH_IMAGE038
时刻的隐层向量。
图3为本说明书实施例提供的一种确定全局交互特征的方法流程示意图。在图3中，无人设备可将障碍物的历史轨迹输入第一预估模型，得到第一预估模型输出的障碍物的待优化预估轨迹。根据障碍物的待优化预估轨迹、障碍物的历史轨迹、无人设备的参考轨迹、无人设备的历史轨迹以及环境信息，无人设备可确定障碍物与无人设备的待优化全局交互特征。无人设备可获取障碍物的当前状态信息，根据障碍物的当前状态信息以及待优化全局交互特征，确定障碍物对应的局部交互特征。根据障碍物的历史轨迹以及障碍物的待优化预估轨迹，无人设备可确定障碍物历史轨迹与待优化预估轨迹的数据扰动，并且，可将数据扰动、障碍物的历史轨迹、障碍物的待优化预估轨迹以及障碍物对应的局部交互特征输入第二预估模型，得到第二预估模型确定的障碍物的预估轨迹。根据障碍物的预估轨迹、障碍物的历史轨迹、无人设备的参考轨迹以及无人设备的历史轨迹，无人设备可确定全局交互特征。
S108：根据所述环境信息以及所述全局交互特征，规划所述无人设备的最终轨迹。
在确定全局交互特征之后，无人设备可将环境信息、全局交互特征以及无人设备的历史轨迹输入规划模型，得到规划模型输出的无人设备的最终轨迹。其中，规划模型可以是LSTM模型，也可以是其他机器学习模型。
以规划模型为LSTM模型为例，首先，无人设备可对无人设备的历史轨迹进行编码， 得到无人设备的历史轨迹的轨迹特征
Figure 263851DEST_PATH_IMAGE085
，然后将
Figure 859917DEST_PATH_IMAGE085
、
Figure 383303DEST_PATH_IMAGE086
、
Figure 16409DEST_PATH_IMAGE087
输入LSTM模型，得 到无人设备在
Figure 258035DEST_PATH_IMAGE051
时刻的最终轨迹
Figure 392213DEST_PATH_IMAGE088
。则无人设备在
Figure 770105DEST_PATH_IMAGE051
时刻的最终轨迹
Figure 839692DEST_PATH_IMAGE088
可如公式（15）至公式（17）所示。
Figure 303034DEST_PATH_IMAGE089
（15）
Figure 240903DEST_PATH_IMAGE090
（16）
Figure DEST_PATH_IMAGE091
（17）
其中，
Figure DEST_PATH_IMAGE093
为LSTM模型在
Figure 801197DEST_PATH_IMAGE064
时刻的的隐层向量，携带有无人设备的历史轨迹的轨 迹特征的信息、环境信息以及全局交互特征的信息，
Figure DEST_PATH_IMAGE095
为LSTM模型在
Figure 776107DEST_PATH_IMAGE068
时刻的的隐 层向量，
Figure DEST_PATH_IMAGE097
为无人设备在
Figure 585800DEST_PATH_IMAGE064
时刻的位置信息，
Figure DEST_PATH_IMAGE099
为无人设备在
Figure 937147DEST_PATH_IMAGE064
时刻到
Figure DEST_PATH_IMAGE101
时 刻轨迹增量，
Figure DEST_PATH_IMAGE103
、
Figure DEST_PATH_IMAGE105
为LSTM模型的参数。
本说明书提供的上述轨迹规划的方法，具体可应用于使用无人设备进行配送的领域，例如，使用无人设备进行快递、外卖等配送的场景。具体的，在上述的场景中，可使用多个无人设备所构成的无人驾驶车队进行配送。
基于图1所示的轨迹规划的方法，本说明书实施例还对应提供一种轨迹规划的装置的结构示意图，如图4所示。
图4为本说明书实施例提供的一种轨迹规划的装置的结构示意图，所述装置包括：
获取模块401，用于获取无人设备规划路径、周围的环境信息以及若干个障碍物的历史轨迹；
第一确定模块402，用于根据所述环境信息以及所述规划路径，确定所述无人设备的参考轨迹；
第二确定模块403，用于针对每个障碍物，根据所述环境信息、所述参考轨迹以及该障碍物的历史轨迹，确定该障碍物的预估轨迹；
第三确定模块404，用于根据各障碍物的预估轨迹以及所述参考轨迹，确定全局交互特征，其中，所述全局交互特征表征所述无人设备与各障碍物的交互；
规划模块405，用于根据所述环境信息以及所述全局交互特征，规划所述无人设备的最终轨迹。
可选地，所述第一确定模块402具体用于，根据所述环境信息，确定若干个静态障碍物的位置；根据所述规划路径以及所述若干个静态障碍物的位置，预估所述参考轨迹。
可选地，所述第二确定模块403具体用于，将该障碍物的历史轨迹输入第一预估模型，得到所述第一预估模型输出的该障碍物的待优化预估轨迹；根据各障碍物的待优化预估轨迹、所述环境信息以及所述参考轨迹，确定待优化全局交互特征；根据该障碍物的历史轨迹以及待优化预估轨迹、所述待优化全局交互特征，确定该障碍物的预估轨迹。
可选地，所述第二确定模块403具体用于，获取该障碍物的状态信息；根据所述待优化全局交互特征以及该障碍物的状态信息，确定该障碍物对应的局部交互特征；将该障碍物的历史轨迹以及待优化预估轨迹、该障碍物对应的局部交互特征输入第二预估模型，得到所述第二预估模型输出的该障碍物的预估轨迹。
可选地，所述第二确定模块403具体用于，根据所述环境信息、所述参考轨迹以及该障碍物的历史轨迹，确定该障碍物的若干个预估轨迹，并针对该障碍物的各预估轨迹，根据所述环境信息以及所述参考轨迹，确定该预估轨迹的置信度。
可选地，所述第三确定模块404具体用于，获取所述无人设备的历史轨迹，确定所述无人设备的历史轨迹的轨迹特征、以及所述参考轨迹的轨迹特征，并且，针对各障碍物，确定该障碍物的历史轨迹的轨迹特征，根据该障碍物的各预估轨迹以及各预估轨迹的置信度，分别确定该障碍物的各预估轨迹的轨迹特征；根据所述无人设备的历史轨迹的轨迹特征、所述参考轨迹的轨迹特征、各障碍物的历史轨迹的轨迹特征以及各预估轨迹的轨迹特征，确定所述全局交互特征。
可选地，所述第三确定模块404具体用于，将所述无人设备的历史轨迹的轨迹特征、所述参考轨迹的轨迹特征、各障碍物的历史轨迹的轨迹特征以及各预估轨迹的轨迹特征进行池化；根据池化运算的结果，确定所述全局交互特征。
本说明书实施例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图1提供的轨迹规划的方法。
基于图1所示的轨迹规划的方法，本说明书实施例还提出了图5所示的无人设备的示意结构图。如图5，在硬件层面，该无人设备包括处理器、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，以实现上述图1所述的轨迹规划的方法。
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。
本说明书是参照根据本说明书实施例的方法、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 (7)

1.一种轨迹规划的方法，其特征在于，所述方法包括：
获取无人设备的规划路径、周围的环境信息以及若干个动态障碍物的历史轨迹；
根据所述环境信息，确定若干个静态障碍物的位置，根据所述规划路径以及所述若干个静态障碍物的位置，预估参考轨迹；
针对每个动态障碍物，将该动态障碍物的历史轨迹输入第一预估模型，得到所述第一预估模型输出的该动态障碍物的待优化预估轨迹；根据各动态障碍物的待优化预估轨迹、所述环境信息以及所述参考轨迹，确定待优化全局交互特征；获取该动态障碍物的状态信息；根据所述待优化全局交互特征以及该动态障碍物的状态信息，确定该动态障碍物对应的局部交互特征；将该动态障碍物的历史轨迹以及待优化预估轨迹、该动态障碍物对应的局部交互特征输入第二预估模型，得到所述第二预估模型输出的该动态障碍物的预估轨迹；
根据各动态障碍物的预估轨迹以及所述参考轨迹，确定全局交互特征，其中，所述全局交互特征表征所述无人设备与各障碍物的交互；
根据所述环境信息以及所述全局交互特征，规划所述无人设备的最终轨迹。
2.如权利要求1所述的方法，其特征在于，确定该动态障碍物的预估轨迹，具体包括：
根据所述环境信息、所述参考轨迹以及该动态障碍物的历史轨迹，确定该动态障碍物的若干个预估轨迹，并针对该动态障碍物的各预估轨迹，根据所述环境信息以及所述参考轨迹，确定各预估轨迹的置信度。
3.如权利要求2所述的方法，其特征在于，根据各动态障碍物的预估轨迹以及所述参考轨迹，确定全局交互特征，具体包括：
获取所述无人设备的历史轨迹，确定所述无人设备的历史轨迹的轨迹特征、以及所述参考轨迹的轨迹特征，并且，针对各动态障碍物，确定该动态障碍物的历史轨迹的轨迹特征，根据该动态障碍物的各预估轨迹以及各预估轨迹的置信度，分别确定该动态障碍物的各预估轨迹的轨迹特征；
根据所述无人设备的历史轨迹的轨迹特征、所述参考轨迹的轨迹特征、各动态障碍物的历史轨迹的轨迹特征以及各预估轨迹的轨迹特征，确定所述全局交互特征。
4.如权利要求3所述的方法，其特征在于，根据所述无人设备的历史轨迹的轨迹特征、所述参考轨迹的轨迹特征、各动态障碍物的历史轨迹的轨迹特征以及各预估轨迹的轨迹特征，确定所述全局交互特征，具体包括：
将所述无人设备的历史轨迹的轨迹特征、所述参考轨迹的轨迹特征、各动态障碍物的历史轨迹的轨迹特征以及各预估轨迹的轨迹特征进行池化；
根据池化运算的结果，确定所述全局交互特征。
5.一种轨迹规划的装置，其特征在于，所述装置包括：
获取模块，用于获取无人设备规划路径、周围的环境信息以及若干个动态障碍物的历史轨迹；
第一确定模块，用于根据所述环境信息，确定若干个静态障碍物的位置，根据所述规划路径以及所述若干个静态障碍物的位置，预估参考轨迹；
第二确定模块，用于针对每个动态障碍物，将该动态障碍物的历史轨迹输入第一预估模型，得到所述第一预估模型输出的该动态障碍物的待优化预估轨迹；根据各动态障碍物的待优化预估轨迹、所述环境信息以及所述参考轨迹，确定待优化全局交互特征；获取该动态障碍物的状态信息；根据所述待优化全局交互特征以及该动态障碍物的状态信息，确定该动态障碍物对应的局部交互特征；将该动态障碍物的历史轨迹以及待优化预估轨迹、该动态障碍物对应的局部交互特征输入第二预估模型，得到所述第二预估模型输出的该动态障碍物的预估轨迹；
第三确定模块，用于根据各动态障碍物的预估轨迹以及所述参考轨迹，确定全局交互特征，其中，所述全局交互特征表征所述无人设备与各障碍物的交互；
规划模块，用于根据所述环境信息以及所述全局交互特征，规划所述无人设备的最终轨迹。
6.一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1-4任一所述的方法。
7.一种无人设备，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1-4任一所述的方法。
CN202010276498.XA 2020-04-10 2020-04-10 一种轨迹规划的方法及装置 Active CN111190427B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010276498.XA CN111190427B (zh) 2020-04-10 2020-04-10 一种轨迹规划的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010276498.XA CN111190427B (zh) 2020-04-10 2020-04-10 一种轨迹规划的方法及装置

Publications (2)

Publication Number Publication Date
CN111190427A CN111190427A (zh) 2020-05-22
CN111190427B true CN111190427B (zh) 2020-10-02

Family

ID=70708702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010276498.XA Active CN111190427B (zh) 2020-04-10 2020-04-10 一种轨迹规划的方法及装置

Country Status (1)

Country Link
CN (1) CN111190427B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4140845A1 (en) * 2021-08-17 2023-03-01 Beijing Baidu Netcom Science Technology Co., Ltd. Method and apparatus for predicting motion track of obstacle and autonomous vehicle

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111399523B (zh) * 2020-06-02 2020-12-01 北京三快在线科技有限公司 一种路径规划的方法及装置
CN112309232B (zh) * 2020-10-15 2022-07-15 北京三快在线科技有限公司 一种确定车道线的方法及装置
CN112309233B (zh) * 2020-10-26 2022-09-30 北京三快在线科技有限公司 一种道路边界的确定、道路切分方法及装置
CN112364997B (zh) * 2020-12-08 2021-06-04 北京三快在线科技有限公司 一种障碍物的轨迹预测方法及装置
CN112859845A (zh) * 2021-01-04 2021-05-28 广州小鹏自动驾驶科技有限公司 一种轨迹的规划方法、装置和车辆
CN113128381A (zh) * 2021-04-06 2021-07-16 浙江吉利控股集团有限公司 障碍物轨迹预测方法、系统及计算机存储介质
CN112799412A (zh) * 2021-04-12 2021-05-14 北京三快在线科技有限公司 一种无人驾驶设备的控制方法及控制装置
CN113156947B (zh) * 2021-04-14 2024-03-08 武汉理工大学 一种船舶在动态环境下的路径规划的方法
CN112859883B (zh) * 2021-04-25 2021-09-07 北京三快在线科技有限公司 一种无人驾驶设备的控制方法及控制装置
CN113033527A (zh) * 2021-05-27 2021-06-25 北京三快在线科技有限公司 一种场景识别方法、装置、存储介质及无人设备
CN113264066B (zh) * 2021-06-03 2023-05-23 阿波罗智能技术(北京)有限公司 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备
CN114018265B (zh) * 2021-10-28 2024-02-02 山东新一代信息产业技术研究院有限公司 一种巡检机器人行驶轨迹生成方法、设备及介质
CN114407883B (zh) * 2022-01-11 2024-03-08 北京经纬恒润科技股份有限公司 障碍物方向角的融合方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2933523B1 (fr) * 2008-07-01 2014-04-18 Airbus France Procede et dispositif d'aide a la conduite d'un vehicule,en particulier d'un aeronef, pour l'evitement d'obstacles
US9632502B1 (en) * 2015-11-04 2017-04-25 Zoox, Inc. Machine-learning systems and techniques to optimize teleoperation and/or planner decisions
EP3494448A4 (en) * 2017-07-13 2019-11-06 Beijing Didi Infinity Technology and Development Co., Ltd. SYSTEMS AND METHODS FOR TRACK DETERMINATION
CN110223318A (zh) * 2019-04-28 2019-09-10 驭势科技（北京）有限公司 一种多目标轨迹的预测方法、装置、车载设备及存储介质
CN110275531B (zh) * 2019-06-21 2020-11-27 北京三快在线科技有限公司 障碍物的轨迹预测方法、装置及无人驾驶设备
CN110807397A (zh) * 2019-10-28 2020-02-18 北京三快在线科技有限公司 一种预测目标物运动状态的方法及装置
CN110895406B (zh) * 2019-11-11 2021-02-02 北京三快在线科技有限公司 一种基于干扰物轨迹规划的无人设备的测试方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4140845A1 (en) * 2021-08-17 2023-03-01 Beijing Baidu Netcom Science Technology Co., Ltd. Method and apparatus for predicting motion track of obstacle and autonomous vehicle

Also Published As

Publication number Publication date
CN111190427A (zh) 2020-05-22

Similar Documents

Publication Publication Date Title
CN111190427B (zh) 一种轨迹规划的方法及装置
CN111079721B (zh) 一种障碍物的轨迹预测方法及装置
CN112766468B (zh) 一种轨迹预测方法、装置、存储介质及电子设备
CN112364997B (zh) 一种障碍物的轨迹预测方法及装置
CN111076739B (zh) 一种路径规划的方法及装置
CN111114543B (zh) 一种轨迹预测方法及装置
CN111208838B (zh) 一种无人驾驶设备的控制方法及装置
CN110989636A (zh) 一种障碍物的轨迹预测方法及装置
CN110262486B (zh) 一种无人驾驶设备运动控制方法及装置
CN110488821B (zh) 一种确定无人车运动策略的方法及装置
CN111508258B (zh) 一种定位方法及装置
CN112348293A (zh) 一种障碍物的轨迹预测方法及装置
CN111126362B (zh) 一种预测障碍物轨迹的方法及装置
CN111062372B (zh) 一种预测障碍物轨迹的方法及装置
CN111238523A (zh) 一种运动轨迹的预测方法及装置
CN111912423B (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
CN112677993A (zh) 一种模型训练的方法及装置
CN112306059A (zh) 一种控制模型的训练方法、控制方法以及装置
CN112327864A (zh) 一种无人驾驶设备的控制方法及控制装置
CN113968243B (zh) 一种障碍物轨迹预测方法、装置、设备及存储介质
CN112883871B (zh) 一种模型训练以及确定无人车运动策略方法及装置
CN111123957B (zh) 一种轨迹规划的方法及装置
CN114194213A (zh) 一种目标物轨迹预测方法、装置、存储介质及电子设备
CN112987754B (zh) 一种无人设备的控制方法、装置、存储介质及电子设备

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