CN111399523A - 一种路径规划的方法及装置 - Google Patents
一种路径规划的方法及装置 Download PDFInfo
- Publication number
- CN111399523A CN111399523A CN202010490603.XA CN202010490603A CN111399523A CN 111399523 A CN111399523 A CN 111399523A CN 202010490603 A CN202010490603 A CN 202010490603A CN 111399523 A CN111399523 A CN 111399523A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- track
- historical
- set time
- time
- 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
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
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
Abstract
本说明书公开了一种路径规划的方法及装置,无人驾驶设备可以通过上述第一参考轨迹和第二参考轨迹确定出的每个障碍物对该无人驾驶设备的干扰值,能够有效的反映出每个障碍物从过去设定时间到未来设定时间对无人驾驶设备的干扰程度,进而结合该干扰程度,来进行路径规划。这样可以在一定程度上保证无人驾驶设备可以规划出规避对其干扰程度较大的障碍物的行驶轨迹,从而提高无人驾驶设备规划出的行驶轨迹的准确性以及合理性。
Description
技术领域
本说明书涉及无人驾驶技术领域,尤其涉及一种路径规划的方法及装置。
背景技术
随着信息技术的不断发展,无人驾驶技术在各个领域得到了广泛的应用。
为了保证无人驾驶设备的顺利行驶,通常需要对无人驾驶设备的行驶轨迹进行路径规划。在现有技术中,无人驾驶设备主要是通过观测无人驾驶设备周围的障碍车的行驶轨迹,来进行路径规划的。
然而,在实际应用中,无人驾驶设备周围障碍物的对无人驾驶设备的干扰程度有所不同,有些障碍物对无人驾驶设备的干扰程度较高,有些则较低,而单单通过观测到的障碍物的行驶轨迹来进行路径规划,并没有考虑到不同障碍物对无人驾驶设备的干扰程度,所以也将无法保证最终规划出的行驶轨迹的准确性。
所以,如何能够准确的对无人驾驶设备的行驶轨迹进行路径规划,则是一个亟待解决的问题。
发明内容
本说明书提供一种路径规划的方法及装置,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路径规划的方法,包括:
获取无人驾驶设备过去设定时间内对应的行驶轨迹,作为第一历史轨迹,以及所述无人驾驶设备周围的障碍物在所述过去设定时间内对应的行驶轨迹,作为第二历史轨迹;
根据所述第一历史轨迹,确定所述无人驾驶设备从所述过去设定时间到未来设定时间对应的行驶轨迹,作为第一参考轨迹,并针对所述无人驾驶设备在所述过去设定时间内周围的每个障碍物,根据该障碍物对应的第二历史轨迹,确定该障碍物从所述过去设定时间到所述未来设定时间对应的行驶轨迹,作为该障碍物对应的第二参考轨迹;
根据所述第一参考轨迹以及所述每个障碍物对应的第二参考轨迹,确定所述每个障碍物从所述过去设定时间到所述未来设定时间对所述无人驾驶设备的干扰值;
根据所述干扰值、所述第一参考轨迹以及所述第二参考轨迹,对所述无人驾驶设备在所述未来设定时间内的行驶轨迹进行路径规划。
可选地,根据所述第一历史轨迹,确定所述无人驾驶设备从所述过去设定时间到未来设定时间对应的行驶轨迹,作为第一参考轨迹,具体包括:
将所述第一历史轨迹输入到预设的轨迹预测模型中,以预测出所述无人驾驶设备在所述未来时间内对应的行驶轨迹,作为第一未来轨迹;
将所述第一历史轨迹和所述第一未来轨迹按照时间顺序进行拼接,以确定出所述无人驾驶设备从所述过去设定时间到所述未来设定时间对应的第一参考轨迹。
可选地,根据该障碍物对应的第二历史轨迹,确定该障碍物从所述过去设定时间到所述未来设定时间对应的行驶轨迹,作为该障碍物对应的第二参考轨迹,具体包括:
将该障碍物对应的第二历史轨迹输入到预设的轨迹预测模型中,以预测出该障碍物在所述未来时间内对应的行驶轨迹,作为该障碍物对应的第二未来轨迹;
将该障碍物对应的第二历史轨迹和该障碍物对应的第二未来轨迹按照时间顺序进行拼接,以确定出该障碍物从所述过去设定时间到所述未来设定时间对应的第二参考轨迹。
可选地,根据所述第一参考轨迹以及所述每个障碍物对应的第二参考轨迹,确定所述每个障碍物从所述过去设定时间到所述未来设定时间对所述无人驾驶设备的干扰值,具体包括:
将所述第一参考轨迹输入到预先训练的特征提取模型中,以确定出所述第一参考轨迹的行驶特征,作为第一行驶特征,以及针对所述每个障碍物,将该障碍物对应的第二参考轨迹输入到预先训练的特征提取模型中,以确定出该障碍物对应的第二参考轨迹的行驶特征,作为该障碍物对应的第二行驶特征;
根据所述第一行驶特征以及所述每个障碍物对应的第二行驶特征,确定所述每个障碍物从所述过去设定时间到所述未来设定时间内对所述无人驾驶设备的干扰值。
可选地,根据所述第一行驶特征以及所述每个障碍物对应的第二行驶特征,确定所述每个障碍物从所述过去设定时间到所述未来设定时间内对所述无人驾驶设备的干扰值,具体包括:
根据所述每个障碍物对应的第二行驶特征,确定第二行驶特征分布;
根据所述第二行驶特征分布与所述第一行驶特征之间的点积,确定所述每个障碍物从所述过去设定时间到所述未来设定时间内对所述无人驾驶设备的干扰值。
可选地,根据所述干扰值、所述第一参考轨迹以及所述第二参考轨迹,对所述无人驾驶设备在所述未来设定时间内的行驶轨迹进行路径规划,具体包括:
通过所述干扰值,对所述每个障碍物所对应的第二行驶特征进行补偿,得到所述每个障碍物对应的补偿后第二行驶特征;
将所述每个障碍物对应的补偿后第二行驶特征以及所述第一行驶特征输入到预设的轨迹规划模型中,以对所述无人驾驶设备在所述未来设定时间内的行驶轨迹进行路径规划。
可选地,训练特征提取模型,具体包括:
获取指定设备在设定历史时间内的历史轨迹,作为第一训练轨迹,以及所述指定设备在所述设定历史时间内行驶时周围的历史障碍物的历史轨迹,作为第二训练轨迹;
将所述第一训练轨迹输入到特征提取模型中,得到所述第一训练轨迹对应的第一历史特征,以及将所述第二训练轨迹输入到所述特征提模型中,得到所述第二训练轨迹对应的第二历史特征;
根据所述第一历史特征以及所述第二历史特征,确定所述历史障碍物对所述指定设备在所述设定历史时间内行驶时的干扰值,作为训练值;
确定所述历史障碍物在所述设定历史时间内对所述指定设备的实际干扰值;
以最小化所述训练值与所述实际干扰值之间的差异为优化目标,对所述特征提取模型进行训练。
可选地,确定所述历史障碍物在所述设定历史时间内对所述指定设备的实际干扰值,具体包括:
根据获取到的所述指定设备上设置的眼动仪捕捉人眼观测障碍物的数据,确定所述眼动仪在所述设定历史时间内捕捉到的人眼注视到障碍物时的注视时间以及人眼朝向;
根据所述注视时间以及人眼朝向,从所述历史障碍物中确定人眼注视到的历史障碍物,作为目标历史障碍物;
根据所述目标历史障碍物,确定所述历史障碍物在所述设定历史时间内对所述指定设备的实际干扰值。
本说明书提供了一种路径规划的装置,包括:
获取模块,用于获取所述装置过去设定时间内对应的行驶轨迹,作为第一历史轨迹,以及所述装置周围的障碍物在所述过去设定时间内对应的行驶轨迹,作为第二历史轨迹;
轨迹确定模块,用于根据所述第一历史轨迹,确定所述装置从所述过去设定时间到未来设定时间对应的行驶轨迹,作为第一参考轨迹,并针对所述装置在所述过去设定时间内周围的每个障碍物,根据该障碍物对应的第二历史轨迹,确定该障碍物从所述过去设定时间到所述未来设定时间对应的行驶轨迹,作为该障碍物对应的第二参考轨迹;
干扰值确定模块,用于根据所述第一参考轨迹以及所述每个障碍物对应的第二参考轨迹,确定所述每个障碍物从所述过去设定时间到所述未来设定时间对所述装置的干扰值;
路径规划模块,用于根据所述干扰值、所述第一参考轨迹以及所述第二参考轨迹,对所述装置在所述未来设定时间内的行驶轨迹进行路径规划。
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路径规划的方法。
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路径规划的方法。
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:
在本说明书提供的路径规划的方法中,获取无人驾驶设备过去设定时间内对应的行驶轨迹,作为第一历史轨迹,以及无人驾驶设备周围的障碍物在过去设定时间内对应的行驶轨迹,作为第二历史轨迹,根据第一历史轨迹,确定无人驾驶设备从过去设定时间到未来设定时间对应的行驶轨迹,作为第一参考轨迹,并针对每个障碍物,根据该障碍物对应的第二历史轨迹,确定该障碍物从过去设定时间到未来设定时间对应的行驶轨迹,作为该障碍物对应的第二参考轨迹,而后,根据第一参考轨迹以及每个障碍物对应的第二参考轨迹,确定每个障碍物从过去设定时间到未来设定时间对无人驾驶设备的干扰值,并根据该干扰值、第一参考轨迹以及第二参考轨迹,对无人驾驶设备在未来设定时间内的行驶轨迹进行路径规划。
从上述方法可以看出,无人驾驶设备可以通过上述第一参考轨迹和第二参考轨迹确定出的每个障碍物对该无人驾驶设备的干扰值,能够有效的反映出每个障碍物从过去设定时间到未来设定时间对无人驾驶设备的干扰程度,进而结合该干扰程度,来进行路径规划。这样可以在一定程度上保证无人驾驶设备可以规划出规避对其干扰程度较大的障碍物的行驶轨迹,从而提高无人驾驶设备规划出的行驶轨迹的准确性以及合理性。
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路径规划的方法流程示意图;
图2为本说明书提供的各障碍物对无人驾驶设备产生干扰的示意图;
图3为本说明书提供的一种路径规划的装置示意图;
图4为本说明书提供的对应于图1的无人驾驶设备示意图。
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路径规划的方法流程示意图,具体包括以下步骤:
S101:获取无人驾驶设备过去设定时间内对应的行驶轨迹,作为第一历史轨迹,以及所述无人驾驶设备周围的障碍物在所述过去设定时间内对应的行驶轨迹,作为第二历史轨迹。
为了保证无人驾驶设备的安全行驶,需要对行驶过程中的无人驾驶设备进行路径规划。其中,这里提到的无人驾驶设备可以是指无人车、机器人、自动配送设备等能够实现自动驾驶的设备。基于此,本说明书提供的路径规划的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,需要保证无人驾驶设备规划出的行驶轨迹的准确性和合理性。
在本说明书中,对无人驾驶设备进行路径规划的执行主体可以是无人驾驶设备自身,也可以是服务器,即,服务器可以通过无人驾驶设备在行驶过程中采集到的数据,对无人驾驶设备进行路径规划。而为了便于描述,下面将仅以无人驾驶设备为执行主体,对本说明书提供的路径规划的方法进行说明。
无人驾驶设备可以获取过去设定时间内所对应的行驶轨迹,作为第一历史轨迹。其中,这里提到的过去设定时间可以根据实际应用进行设置。例如,假设无人驾驶设备需要每隔5秒对自身执行一次路径规划,那么,无人驾驶设备在当前时刻进行路径规划时,需要获取到过去5秒的行驶轨迹,这里的过去5秒其实即是指过去设定时间。
在本说明书中,无人驾驶设备可以通过设置在自身的定位装置,来获取过去设定时间内各个时刻所对应的轨迹点,并将这些轨迹点按照时间顺序进行排列,得到上述第一历史轨迹。而定位装置具体所采用的定位方式可以有多种,如全球定位系统(GlobalPositioning System,GPS)、基站定位等常规方式,本说明书不对具体的定位方式进行限定。
无人驾驶设备在进行路径规划的过程中,需要参考周围的障碍物的行驶轨迹,基于此,无人驾驶设备除了需要获取过去设定时间内自身的行驶轨迹外,还需要获取无人驾驶设备周围的障碍物在该过去设定时间内所对应的行驶轨迹,作为第二历史轨迹。这里提到的障碍物是指过去设定时间内出现在无人驾驶设备周围的障碍物。继续沿用上例,无人驾驶设备在当前时刻进行路径规划时,除了需要获取到过去5秒自身的行驶轨迹外,还需要获取到无人驾驶设备观测到的周围的障碍物在过去5秒的行驶轨迹。
在本说明书中,无人驾驶设备周围的障碍物可以是指诸如机动车、行人等能够对无人驾驶设备的行进造成干扰、阻碍的物体。进一步地,无人驾驶设备获取周围的障碍物在该过去设定时间内所对应的行驶轨迹所采用的具体方式可以有多种。例如,无人驾驶设备可以通过设置诸如(Laser Rada,LiDAR)激光雷达、毫米波雷达等探测设备对无人驾驶设备周围的障碍物的位置进行捕捉,以确定出这些障碍物过去设定时间内的行驶轨迹;再例如,无人驾驶设备可以通过设置的图像采集器(如摄像头,相机等)采集周围的障碍物在过去设定时间内的图像数据,并通过图像数据确定出周围的障碍物相对于无人驾驶设备的位置,进而通过结合无人驾驶设备定位出的过去设定时间内自身所处的实际位置,来获取到周围的障碍物在该过去设定时间内所对应的行驶轨迹。
S102:根据所述第一历史轨迹,确定所述无人驾驶设备从所述过去设定时间到未来设定时间对应的行驶轨迹,作为第一参考轨迹,并针对所述无人驾驶设备在所述过去设定时间内周围的每个障碍物,根据该障碍物对应的第二历史轨迹,确定该障碍物从所述过去设定时间到所述未来设定时间对应的行驶轨迹,作为该障碍物对应的第二参考轨迹。
在确定出上述第一历史轨迹后,无人驾驶设备可以进一步地确定出该无人驾驶设备从过去设定时间到未来设定时间对应的行驶轨迹,作为第一参考轨迹。例如,无人驾驶设备获取到过去5秒自身的行驶轨迹后,可以通过该行驶轨迹,确定出从过去5秒到接下来5秒的行驶轨迹,所以,这里提到的接下来5秒其实是指上述提到的未来设定时间。而从该示例中可以看出,过去设定时间和未来设定时间在时间上是连续的。
在本说明书中,无人驾驶设备在获取到上述第一历史轨迹后,可以将该第一历史轨迹输入到轨迹模型中,从而得到无人驾驶设备从过去设定时间到未来设定时间所对应的行驶轨迹,作为第一参考轨迹。当然,无人驾驶设备也可以先将第一历史轨迹输入到预设的轨迹预测模型,以预测出无人驾驶设备在未来设定时间内所对应的行驶轨迹,作为第一未来轨迹。而后,无人驾驶设备可以将第一历史轨迹和第一未来轨迹按照时间顺序进行拼接,从而确定出无人驾驶设备从过去设定时间到未来设定时间对应的第一参考轨迹。其中,这里提到的轨迹预测模型所采用的轨迹预测算法可以是常规算法,本说明书不对具体的轨迹预测算法进行限定。而其他确定第一参考轨迹的方式在此就不详细举例说明了。
同理,无人驾驶设备在获取到每个障碍物(在过去设定时间内出现在无人驾驶设备周围的障碍物)对应的第二历史轨迹后,也可以基于第二历史轨迹,确定出每个障碍物从过去设定时间到未来设定时间的行驶轨迹,作为第二参考轨迹。例如,无人驾驶设备可以针对在过去设定时间内出现在无人驾驶设备周围的每个障碍物,将获取到的该障碍物所对应的第二历史轨迹输入到预设的轨迹预测模型中,以确定出该障碍物在未来设定时间所对应的行驶轨迹,作为第二未来轨迹,进而将该障碍物对应的第二历史轨迹和该障碍物对应的第二未来轨迹按照时间顺序进行拼接,以确定出该障碍物从过去设定时间到未来设定时间对应的第二参考轨迹。其他确定第二参考轨迹的方式在此就不详细举例说明了。
在本说明书中,上述第一参考轨迹可以理解为无人驾驶设备仅通过上述第一历史轨迹所确定出的从过去设定时间到未来设定时间的行驶轨迹,换句话说,该第一参考轨迹是无人驾驶设备在未充分考虑周围各障碍物对其产生干扰的前提下所确定出的,因此,第一参考轨迹可能并不符合无人驾驶设备在考虑周围各障碍物对其产生干扰的前提下所做出的实际行驶轨迹,所以,可以将第一参考轨迹看作是一条精确度较低的行驶轨迹。
而将上述提到的障碍物从过去设定时间到未来设定时间所对应的行驶轨迹称之为第二参考轨迹,主要是与上述提到的第一参考轨迹相对应,而第二参考轨迹从无人驾驶设备的角度来看,并不一定是一条精确度较低的行驶轨迹。
在本说明书中,无人驾驶设备确定第一未来轨迹和第二未来轨迹所使用的轨迹预测模型可以是不同的模型,当然,由于本质上都是基于历史轨迹来确定未来设定时间的行驶轨迹,所以,用于确定第一未来轨迹的轨迹预测模型,和用于确定第二未来轨迹的轨迹预测模型也可以是指共享部分或全部网络的模型。
S103:根据所述第一参考轨迹以及所述每个障碍物对应的第二参考轨迹,确定所述每个障碍物从所述过去设定时间到所述未来设定时间对所述无人驾驶设备的干扰值。
在实际应用中,无人驾驶设备周围的障碍物对无人驾驶设备本身的干扰程度有所不同,而最终导致无人驾驶设备应该如何行驶的,往往是那些对无人驾驶设备干扰程度较大的障碍物的行驶轨迹所决定的,如图2所示。
图2为本说明书提供的各障碍物对无人驾驶设备产生干扰的示意图。
假设,图2中所示的车辆A即为无人驾驶设备,从图2中可以看出,在接下来一段时间内将对车辆A的行驶轨迹产生较大影响的主要是即将穿过斑马线的行人D,以及即将横穿路口的车辆C。而对于车辆B来说,虽然车辆B与车辆A之间的直线距离较近,但是车辆B与车辆A位于不同的车道,且车道的行驶方向也完全相反,所以,车辆B与车辆A在接下来的一段时间内不会相遇,因此,车辆B在接下来一段时间内也不会对车辆A的行驶轨迹产生影响。综合来看,车辆B在接下来一段时间内对车辆A的干扰程度较小,而行人D和车辆C在接下来一段时间内对车辆A的干扰程度较大。
从上述示例可以看出,虽然无人驾驶设备在行驶过程中能够获取到周围障碍物的行驶轨迹,但是从行驶轨迹上来看,有些障碍物在未来设定时间将对无人驾驶设备的行驶产生较大的干扰,而有些障碍物在未来设定时间对无人驾驶设备的行驶所产生的干扰较小。所以,无人驾驶设备在进行路径规划时,应尽可能的关注那些在未来设定时间对无人驾驶设备自身产生较大干扰的障碍物,这样规划出的在未来设定时间内的行驶轨迹也将是尽可能符合实际情况的。
基于此,在本说明书中,无人驾驶设备确定上述第一参考轨迹和每个障碍物(在过去设定时间内出现在无人驾驶设备周围的障碍物)对应的第二参考轨迹后,可以进一步地确定出每个障碍物从过去设定时间到未来设定时间对无人驾驶设备的干扰值。其中,针对每个障碍物对应的干扰值,该障碍物对应的干扰值越大,该障碍物从过去设定时间到未来设定时间对该无人驾驶设备的干扰程度越高。
无人驾驶设备可以将确定出的第一参考轨迹和每个障碍物对应的第二参考轨迹输入到干扰值确定模型中,以确定出每个障碍物从过去设定时间到未来设定时间对无人驾驶设备的干扰值。当然,无人驾驶设备也可以将第一参考轨迹输入到预先训练的特征提取模型中,以确定出第一参考轨迹的行驶特征,作为第一行驶特征,以及针对在过去设定时间内出现在无人驾驶设备周围的每个障碍物,将该障碍物对应的第二参考轨迹输入到预先训练的特征提取模型中,以确定出该障碍物对应的第二参考轨迹的行驶特征,作为该障碍物对应的第二行驶特征。
进一步地,无人驾驶设备可以根据该第一行驶特征和每个障碍物所对应的第二行驶特征,确定每个障碍物从过去设定时间到未来设定时间对无人驾驶设备的干扰值,进而在后续过程中,基于确定出的干扰值,规划处无人驾驶设备未来设定时间内的行驶轨迹。
对于上述第一行驶特征来说,该第一行驶特征主要用于反映出无人驾驶设备在从过去设定时间到未来设定时间在行驶上的一些特性,具体可以反映出诸如速度、加速度、行驶方向等特性。而由于上述提到的第一参考轨迹本质上可以看作是由多个轨迹点按照时间顺序连接起来得到的轨迹,所以,这里提到的第一参考轨迹所对应的第一行驶特征,可以理解为第一参考轨迹中包含的各轨迹点所对应的第一行驶特征。换句话说,第一参考轨迹中包含的每个轨迹点可以均对应一个第一行驶特征,一个轨迹点所对应的第一行驶特征可以反映出无人驾驶设备在该轨迹点上时的速度、加速度、行驶方向等信息。
相应的,第二行驶特征也可以理解为第二参考轨迹中包含的各轨迹点所对应的第二行驶特征。即,一个障碍物所对应的第二参考轨迹中包含的每个轨迹点均可对应一个第二行驶特征,一个轨迹点所对应的第二行驶特征可以反映出该障碍物在该轨迹点上时的速度、加速度、行驶方向等信息。
而按照上述提到的第一行驶特征和第二行驶特征的形式可以看出,无人驾驶设备除了通过上述提到的特征提取模型来确定这些行驶特征外,还可以通过其他的方式来进行确定。以第一行驶特征为例,无人驾驶设备可以通过第一参考轨迹中各轨迹点之间的距离,以及各轨迹点所对应的时刻,确定出无人驾驶设备在各轨迹点上的速度、加速度,同时根据各轨迹点的地理位置,可以确定出无人驾驶设备在各轨迹点的行驶方向,进而最终得到第一参考轨迹中每个轨迹点所对应的第一行驶特征。其他的方式在此就不详细举例说明了。
需要说明的是,无人驾驶设备确定第一行驶特征和第二行驶特征所使用的特征提取模型可以是不同的模型,当然,由于本质上都是基于确定出的参考轨迹(包括第一参考轨迹和第二参考轨迹),来确定无人驾驶设备或是障碍物在各轨迹点上的速度、加速度、行驶方向等行驶特征,所以,用于确定第一行驶特征的特征提取模型,而用于确定第二行驶特征的特征提取模型也可以是指共享部分或全部网络的模型。
无人驾驶设备确定出上述第一行驶特征和第二行驶特征后,可以根据每个障碍物对应的第二行驶特征,确定出第二行驶特征分布。该第二行驶特征分布可以理解为无人驾驶设备将每个障碍物对应的第二行驶特征按照一定的排布方式划分到一个矩阵中。进一步地,无人驾驶设备可以通过确定第二行驶特征分布与第一行驶特征之间的点积,来确定每个障碍物从过去设定时间到未来设定时间对无人驾驶设备的干扰值。
从上述描述可以看出,无人驾驶设备确定每个障碍物所对应的干扰值,其实可以看作是基于确定第一行驶特征与第二行驶特征之间相似度的方式(确定点积的方式实际上可以看作是一种相似度的确定方式)来确定出的。所以,由于相似度的方式有多种,所以,通过上述第一行驶特征和第二行驶特征来确定每个障碍物所对应的干扰值的方式也可以有多种,在此就不详细举例说明了。
进一步地,由于第一参考轨迹中每个轨迹点均可对应一个第一行驶特征,第二参考轨迹中每个轨迹点也均可对应一个第二行驶特征,所以,通过上述方式其实可以确定出每个障碍物在每个轨迹点上对无人驾驶设备的干扰值。而需要说明的是,而由于无论无人驾驶设备还是障碍物,其在每个轨迹点上所对应的行驶特征(无人驾驶设备对应的是第一行驶特征,障碍物对应的是第二行驶特征)可能有所不同,所以,通过上述方式所确定出的障碍物在每个轨迹点上所对应的干扰值也有所不同。
这样一来,无人驾驶设备通过上述方式其实可以得到一个干扰值分布,该干扰值分布可以表示出每个障碍物在过去设定时间到未来设定时间中所经过的每个轨迹点(位于过去设定时间的轨迹点是障碍物实际经过的轨迹点,位于未来设定时间的轨迹点是预测出的障碍物将要经过的轨迹点)所对应的干扰值。相应的,无人驾驶设备可以基于该干扰值分布,确定出障碍物在哪些轨迹点上对无人驾驶设备产生的干扰程度较大,在哪些轨迹点上对无人驾驶设备产生的干扰程度较小,进而在后续过程中,可以基于该干扰值分布,准确的规划出未来设定时间无人驾驶设备的行驶轨迹。
另外,若是无人驾驶设备的第一参考轨迹和障碍物的第二参考轨迹之间存在重合,则说明无人驾驶设备和该障碍物在某一位置(或某一轨迹点)会出现相遇,因此,该障碍物会对无人驾驶设备的行驶产生较大的干扰。基于此,无人驾驶设备除了通过上述基于行驶特征的方式来确定干扰值的方式外,也可以通过确定第一参考轨迹和第二参考轨迹之间的重合度,来确定每个障碍物在过去设定时间到未来设定时间对无人驾驶设备的干扰值。
其中,针对每个障碍物对应的第二参考轨迹,若是该第二参考轨迹中位于未来设定时间内的轨迹与该第一参考轨迹中未来设定时间内的轨迹之间的重合度越高,则说明该障碍物对无人驾驶设备的干扰程度越高,该障碍物所对应的干扰值也越高,反之则越低。
S104:根据所述干扰值、所述第一参考轨迹以及所述第二参考轨迹,对所述无人驾驶设备在所述未来设定时间内的行驶轨迹进行路径规划。
在得到上述干扰值后,无人驾驶设备可以对每个障碍物对应的第二行驶特征进行补偿,得到每个障碍物对应的补偿后第二行驶特征。而后,可以将得到的每个障碍物对应的补偿后第二行驶特征以及上述第一行驶特征输入到预设的轨迹规划模型中,以对无人驾驶设备在未来设定时间内的行驶轨迹进行路径规划。
在本说明书中,无人驾驶设备具体可以采用下述公式对每个障碍物的第二行驶特征进行补偿:
需要说明的是,若是将上述公式视为一个用于确定补偿后第二行驶特征的网络,
则可以视为该网络中的干扰值加权层,障碍物对应的第二行驶特征输入到该网络
后可以通过该干扰值加权层进行加权,实现对该障碍物对应的第二行驶特征的补偿。相应
的,在该网络中可以设置多个干扰值加权层,即,障碍物对应的第二行驶特征可以通过障碍
物对应干扰值的多次补偿,这样能够使那些对于无人驾驶设备干扰程度较大的障碍物的行
驶特征更为突出,而那些对无人驾驶设备干扰程度较小的障碍物的行驶特征将进一步地弱
化。
从上述过程中可以看出,无人驾驶设备利用确定出的每个障碍物所对应的干扰值对每个障碍物对应的第二行驶特征进行补偿,其实是为了进一步地区分出哪些障碍物对应的第二行驶特征对无人驾驶设备的路径规划影响较大。
具体的,对于干扰值较大的障碍物来说,由于该障碍物对无人驾驶设备在过去设定时间到未来设定时间所产生的干扰程度较高,所以,无人驾驶设备在进行路径规划时,应更多的关注这些干扰程度较大的障碍物所对应的第二行驶特征。所以,通过干扰值对障碍物对应的第二行驶特征进行补偿,可以使得这些干扰程度较大的障碍物所对应的第二行驶特征更为的突出,无人驾驶设备基于每个障碍物对应的补偿后第二行驶特征进行路径规划时,能够以这些干扰程度较大的障碍物所对应的补偿后第二行驶特征为主规划行驶轨迹。
相应的,对于干扰值较低的障碍物来说,通过干扰值的补偿后,这些障碍物的行驶特征对无人驾驶设备的路径规划所带来的影响可能会进一步地降低,这样一来,无人驾驶设备在进行路径规划时,对这些干扰程度较小的障碍物所对应的补偿后第二行驶特征的关注程度也可能会进一步地降低。基于此,无人驾驶设备所规划出的行驶轨迹应是尽可能规避这些干扰程度较高的障碍物的行驶轨迹,从而有效地保证了无人驾驶设备路径规划的准确性和合理性。
在本说明书中,无人驾驶设备可以将每个障碍物(在过去设定时间内出现在无人驾驶设备周围的障碍物)对应的补偿后第二行驶特征以及第一参考轨迹对应的第一行驶特征输入到预设的轨迹规划模型中,以对该无人驾驶设备在未来设定时间内的行驶轨迹进行路径规划。
其中,这里提到的轨迹规划模型的具体形式可以有多种,例如,该轨迹规划模型可以是长短期记忆网络(Long Short-Term Memory,LSTM)网络。无人驾驶设备可以将障碍物对应的补偿后第二行驶特征和第一行驶特征输入到LSTM网络中,而LSTM网络可以先将障碍物对应的补偿后第二行驶特征经过LSTM网络中的编码网络进行编码,再将编码后的数据和第一行驶特征输入到LSTM网络中的解码网络,从而得到规划出的行驶轨迹。利用LSTM网络进行路径规划为现有的常规技术,在此就不详细赘述了,而上述轨迹规划模型的其他形式在此也不详细举例说明了。
当然,无人驾驶设备也可以将确定出的每个障碍物所对应的干扰值、第一参考轨迹以及第二参考轨迹输入到预设的轨迹规划模型中,以对无人驾驶设备在未来设定时间内的行驶轨迹进行路径规划。相当于无人驾驶设备通过该轨迹规划模型进行路径规划时,能够结合每个障碍物对无人驾驶设备的干扰程度以及第二参考轨迹,以实现对第一参考轨迹的调整,从而使得调整后的第一参考轨迹能够尽可能的规避对无人驾驶设备干扰程度较大的障碍物。
从上述方法可以看出,无人驾驶设备可以通过上述第一参考轨迹和第二参考轨迹确定出的每个障碍物对该无人驾驶设备的干扰值,能够有效的反映出每个障碍物从过去设定时间到未来设定时间对无人驾驶设备的干扰程度,进而结合该干扰程度,来进行路径规划。这样可以在一定程度上保证无人驾驶设备可以规划出规避对其干扰程度较大的障碍物的行驶轨迹,从而提高无人驾驶设备规划出的行驶轨迹的准确性以及合理性。
在本说明书中,无人驾驶设备可以对上述特征提取模型进行训练。具体的,无人驾驶设备可以获取指定设备在设定历史时间内的历史轨迹,作为第一训练轨迹,以及获取该指定设备在设定历史时间内行驶时周围的历史障碍物的历史轨迹,作为第二训练轨迹。
其中,这里提到的指定设备可以是指由人驾驶的汽车等设备。这里提到的设定历史时间的时间长度,与上述提到的过去设定时间和未来设定时间的时间长度之和是相同的。也就是说,如果将上述过去设定时间和未来设定时间视为一个完整的路径规划周期,那么这里提到的设定历史时间其实即为一个历史的路径规划周期。而主要区别在于,设定历史时间的历史轨迹均为真实的轨迹,而在上述过去设定时间和未来设定时间的行驶轨迹中,过去设定时间的行驶轨迹为真实的轨迹,未来设定时间的行驶轨迹为预测出的轨迹。
无人驾驶设备可以将第一训练轨迹输入到特征提取模型中,得到该第一训练轨迹对应的第一历史特征,以及将第二训练轨迹输入到该特征提取模型中,得到该第二训练轨迹对应的第二历史特征。而后,无人驾驶设备可以根据第一历史特征以及第二历史特征,确定出每个历史障碍物对该指定设备在设定历史时间内行驶时的干扰值,作为训练值,并确定出历史障碍物在设定历史时间内对指定设备的实际干扰值。无人驾驶设备可以最小化该训练值和实际干扰值之间的差异为优化目标,以实现对该特征提取模型的训练。
在本说明书中,无人驾驶设备确定历史障碍物在设定历史时间内对指定设备的实际干扰值的具体方式可以有多种。例如,由于指定设备和周围障碍物在设定历史时间的行驶轨迹均可以获取到,那么可以通过专家经验,采用人工标注的方式,确定出各历史障碍物在设定历史时间对指定设备的实际干扰值。
再例如,指定设备上可以设有眼动仪,眼动仪可以通过捕捉人眼的转动方向,来确定出人眼在实际中所观测到的事物。基于此,无人驾驶设备可以获取到指定设备上设置的眼动仪捕捉人眼观测障碍物的数据,并以此确定出眼动仪在设定历史时间内捕捉到的人眼注视到障碍物时的注视时间以及人眼朝向,而后,可以根据该注视时间以及人眼朝向,从历史障碍物中确定出人眼注视到的历史障碍物,作为目标历史障碍物。进一步地,无人驾驶设备可以根据该目标历史障碍物,确定出历史障碍物在设定历史时间内对指定设备的实际干扰值。
换句话说,司机在驾驶汽车时,将会注视那些可能会影响汽车正常行驶的障碍物,通常的做法是转动眼球来注视这些障碍物。而指定设备在获取到设定历史时间内各历史障碍物对应的行驶轨迹的基础上,通过眼动仪捕捉人眼的转动方向后,可以结合眼动仪捕捉到的人眼发生转动的时刻,以及人眼朝向,能够确定出司机在那个时刻注视了周围的那个历史障碍物,以此来确定出各历史障碍物对应的实际干扰值。
其中,而由于司机注视的历史障碍物往往是那些会对汽车正常行驶造成干扰、阻碍的事物,所以,对于上述目标历史障碍物来说,这些目标历史障碍物所对应的实际干扰值相对较高,而除目标历史障碍物以外的其他历史障碍物所对应的实际干扰值则相对较低。
值得一提的是,上述提到的注视时间包含两个方面,一方面是指人眼注视到障碍物时的时刻,另一方面用于表明人眼注视障碍物的时间长度。基于此,注视时间除了能够帮助无人驾驶设备定位出司机在一个时刻中具体关注了哪一历史障碍物,还能够帮助无人驾驶设备来确定历史障碍物对应的实际干扰值,即,若是人眼注视一个历史障碍物的时间越长,则该历史障碍物所对应的实际干扰值也应越高,反之则越低。
当然,无人驾驶设备也可以确定出历史障碍物在设定历史时间内的最大实际干扰值以及产生最大实际干扰值的时刻,然后按照时间距离该时刻越远,历史障碍物对应的实际干扰值越小的关系,来确定出历史障碍物在设定历史时间内其他时刻所对应的实际干扰值。
具体的,无人驾驶设备可以按照下述公式,来确定出干扰值权重:
该公式中,表示已经确定出的历史障碍物对应最大实际干扰值的时刻,为设定参
数。从该公式中可以看出,由于时间距离该时刻越远,则越小,那么可以通过下述
公式,确定出历史障碍物在设定历史时间中其他时刻对应的实际干扰值。
另外,无人驾驶设备也可以通过指定设备和历史障碍物相遇的时间,来确定历史障碍物对应的实际干扰值。具体的,在实际应用中,司机一旦观测到一个即将接近的障碍物,往往在其完全经过该障碍物之前,对该障碍物的注意力都不会减弱,即使在因为其他障碍物的出现而发生视线转移,在脑中对该障碍物的注意力也依然不会减弱。
基于同样的思路,在确定历史障碍物对应的实际干扰值时,可以先确定出该历史障碍物与指定设备的相遇时刻,而后,可以将该历史障碍物在该相遇时刻之前所对应的实际干扰值保持不变,而在该相遇时刻之后所对应的实际干扰值则随时时间的推移逐渐降低。
上述说明的模型训练过程,也可以由服务器来完成,相应的,服务器完成特征提取模型的训练后,可以将训练后的特征提取模型部署到无人驾驶设备中进行路径规划。
上述障碍物对应的干扰值的取值可以位于区间[0,1]之内,其中,若是障碍物对应的干扰值越接近1,则说明该障碍物对无人驾驶设备的干扰程度越高,若是障碍物对应的干扰值越接近0,则说明该障碍物对无人驾驶设备的干扰程度越低。在本说明书中,无人驾驶设备可以采用一些归一化的方式,将确定出的障碍物对应的干扰值转化为位于区间[0,1]的数值。例如,无人驾驶设备可以采用下述公式,对障碍物对应的干扰值进行归一化处理:
为了提高无人驾驶设备的路径规划效率,在确定出上述每个障碍物对应的干扰值后,也可以对这些干扰值进行整体归一化处理,从而得到经过归一化后的每个障碍物所对应的干扰值分布。该归一化后的干扰值分布中,所有干扰值的加和为1。无人驾驶设备可以利用归一化后的干扰值分布,对无人驾驶设备在未来设定时间的行驶轨迹进行路径规划。
还需说明的是,上述路径规划的方法除了可以应用于无人驾驶设备的自动驾驶中,也可以应用在对常规驾驶设备(如有人驾驶的汽车)在行驶过程中的预警提示。如,司机在驾驶汽车的过程中,汽车可以通过上述方法确定出哪些障碍物对汽车接下来一段时间的行驶将造成干扰、阻碍,进而可以提示的方式,提示司机对这些障碍物进行预警,及时做好避让。其中,具体的提示方式可以有多种,如语音提示,在车载显示器上进行提示等。
以上为本说明书的一个或多个实施例提供的路径规划的方法,基于同样的思路,本说明书还提供了相应的路径规划的装置,如图3所示。
图3为本说明书提供的一种路径规划的装置示意图,具体包括:
获取模块301,用于获取所述装置过去设定时间内对应的行驶轨迹,作为第一历史轨迹,以及所述装置周围的障碍物在所述过去设定时间内对应的行驶轨迹,作为第二历史轨迹;
轨迹确定模块302,用于根据所述第一历史轨迹,确定所述装置从所述过去设定时间到未来设定时间对应的行驶轨迹,作为第一参考轨迹,并针对所述装置在所述过去设定时间内周围的每个障碍物,根据该障碍物对应的第二历史轨迹,确定该障碍物从所述过去设定时间到所述未来设定时间对应的行驶轨迹,作为该障碍物对应的第二参考轨迹;
干扰值确定模块303,用于根据所述第一参考轨迹以及所述每个障碍物对应的第二参考轨迹,确定所述每个障碍物从所述过去设定时间到所述未来设定时间对所述装置的干扰值;
路径规划模块304,用于根据所述干扰值、所述第一参考轨迹以及所述第二参考轨迹,对所述装置在所述未来设定时间内的行驶轨迹进行路径规划。
可选地,所述轨迹确定模块302具体用于,将所述第一历史轨迹输入到预设的轨迹预测模型中,以预测出所述装置在所述未来时间内对应的行驶轨迹,作为第一未来轨迹;将所述第一历史轨迹和所述第一未来轨迹按照时间顺序进行拼接,以确定出所述装置从所述过去设定时间到所述未来设定时间对应的第一参考轨迹。
可选地,所述轨迹确定模块302具体用于,将该障碍物对应的第二历史轨迹输入到预设的轨迹预测模型中,以预测出该障碍物在所述未来时间内对应的行驶轨迹,作为该障碍物对应的第二未来轨迹;将该障碍物对应的第二历史轨迹和该障碍物对应的第二未来轨迹按照时间顺序进行拼接,以确定出该障碍物从所述过去设定时间到所述未来设定时间对应的第二参考轨迹。
可选地,所述干扰值确定模块303具体用于,将所述第一参考轨迹输入到预先训练的特征提取模型中,以确定出所述第一参考轨迹的行驶特征,作为第一行驶特征,以及针对所述每个障碍物,将该障碍物对应的第二参考轨迹输入到预先训练的特征提取模型中,以确定出该障碍物对应的第二参考轨迹的行驶特征,作为该障碍物对应的第二行驶特征;根据所述第一行驶特征以及所述每个障碍物对应的第二行驶特征,确定所述每个障碍物从所述过去设定时间到所述未来设定时间内对所述装置的干扰值。
可选地,所述干扰值确定模块303具体用于,根据所述每个障碍物对应的第二行驶特征,确定第二行驶特征分布;根据所述第二行驶特征分布与所述第一行驶特征之间的点积,确定所述每个障碍物从所述过去设定时间到所述未来设定时间内对所述装置的干扰值。
可选地,所述路径规划模块304具体用于,通过所述干扰值,对所述每个障碍物所对应的第二行驶特征进行补偿,得到所述每个障碍物对应的补偿后第二行驶特征;将所述每个障碍物对应的补偿后第二行驶特征以及所述第一行驶特征输入到预设的轨迹规划模型中,以对所述装置在所述未来设定时间内的行驶轨迹进行路径规划。
可选地,所述装置还包括:
训练模块305,用于获取指定设备在设定历史时间内的历史轨迹,作为第一训练轨迹,以及所述指定设备在所述设定历史时间内行驶时周围的历史障碍物的历史轨迹,作为第二训练轨迹;将所述第一训练轨迹输入到特征提取模型中,得到所述第一训练轨迹对应的第一历史特征,以及将所述第二训练轨迹输入到所述特征提模型中,得到所述第二训练轨迹对应的第二历史特征;根据所述第一历史特征以及所述第二历史特征,确定所述历史障碍物对所述指定设备在所述设定历史时间内行驶时的干扰值,作为训练值;确定所述历史障碍物在所述设定历史时间内对所述指定设备的实际干扰值;以最小化所述训练值与所述实际干扰值之间的差异为优化目标,对所述特征提取模型进行训练。
可选地,所述训练模块305具体用于,根据获取到的所述指定设备上设置的眼动仪捕捉人眼观测障碍物的数据,确定所述眼动仪在所述设定历史时间内捕捉到的人眼注视到障碍物时的注视时间以及人眼朝向;根据所述注视时间以及人眼朝向,从所述历史障碍物中确定人眼注视到的历史障碍物,作为目标历史障碍物;根据所述目标历史障碍物,确定所述历史障碍物在所述设定历史时间内对所述指定设备的实际干扰值。
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路径规划的方法。
本说明书还提供了图4所示的无人驾驶设备的示意结构图。如图4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,以实现上述图1所示的路径规划的方法。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 (11)
1.一种路径规划的方法,其特征在于,包括:
获取无人驾驶设备过去设定时间内对应的行驶轨迹,作为第一历史轨迹,以及所述无人驾驶设备周围的障碍物在所述过去设定时间内对应的行驶轨迹,作为第二历史轨迹;
根据所述第一历史轨迹,确定所述无人驾驶设备从所述过去设定时间到未来设定时间对应的行驶轨迹,作为第一参考轨迹,并针对所述无人驾驶设备在所述过去设定时间内周围的每个障碍物,根据该障碍物对应的第二历史轨迹,确定该障碍物从所述过去设定时间到所述未来设定时间对应的行驶轨迹,作为该障碍物对应的第二参考轨迹;
根据所述第一参考轨迹以及所述每个障碍物对应的第二参考轨迹,确定所述每个障碍物从所述过去设定时间到所述未来设定时间对所述无人驾驶设备的干扰值;
根据所述干扰值、所述第一参考轨迹以及所述第二参考轨迹,对所述无人驾驶设备在所述未来设定时间内的行驶轨迹进行路径规划。
2.如权利要求1所述的方法,其特征在于,根据所述第一历史轨迹,确定所述无人驾驶设备从所述过去设定时间到未来设定时间对应的行驶轨迹,作为第一参考轨迹,具体包括:
将所述第一历史轨迹输入到预设的轨迹预测模型中,以预测出所述无人驾驶设备在所述未来时间内对应的行驶轨迹,作为第一未来轨迹;
将所述第一历史轨迹和所述第一未来轨迹按照时间顺序进行拼接,以确定出所述无人驾驶设备从所述过去设定时间到所述未来设定时间对应的第一参考轨迹。
3.如权利要求1所述的方法,其特征在于,根据该障碍物对应的第二历史轨迹,确定该障碍物从所述过去设定时间到所述未来设定时间对应的行驶轨迹,作为该障碍物对应的第二参考轨迹,具体包括:
将该障碍物对应的第二历史轨迹输入到预设的轨迹预测模型中,以预测出该障碍物在所述未来时间内对应的行驶轨迹,作为该障碍物对应的第二未来轨迹;
将该障碍物对应的第二历史轨迹和该障碍物对应的第二未来轨迹按照时间顺序进行拼接,以确定出该障碍物从所述过去设定时间到所述未来设定时间对应的第二参考轨迹。
4.如权利要求1所述的方法,其特征在于,根据所述第一参考轨迹以及所述每个障碍物对应的第二参考轨迹,确定所述每个障碍物从所述过去设定时间到所述未来设定时间对所述无人驾驶设备的干扰值,具体包括:
将所述第一参考轨迹输入到预先训练的特征提取模型中,以确定出所述第一参考轨迹的行驶特征,作为第一行驶特征,以及针对所述每个障碍物,将该障碍物对应的第二参考轨迹输入到预先训练的特征提取模型中,以确定出该障碍物对应的第二参考轨迹的行驶特征,作为该障碍物对应的第二行驶特征;
根据所述第一行驶特征以及所述每个障碍物对应的第二行驶特征,确定所述每个障碍物从所述过去设定时间到所述未来设定时间内对所述无人驾驶设备的干扰值。
5.如权利要求4所述的方法,其特征在于,根据所述第一行驶特征以及所述每个障碍物对应的第二行驶特征,确定所述每个障碍物从所述过去设定时间到所述未来设定时间内对所述无人驾驶设备的干扰值,具体包括:
根据所述每个障碍物对应的第二行驶特征,确定第二行驶特征分布;
根据所述第二行驶特征分布与所述第一行驶特征之间的点积,确定所述每个障碍物从所述过去设定时间到所述未来设定时间内对所述无人驾驶设备的干扰值。
6.如权利要求4所述的方法,其特征在于,根据所述干扰值、所述第一参考轨迹以及所述第二参考轨迹,对所述无人驾驶设备在所述未来设定时间内的行驶轨迹进行路径规划,具体包括:
通过所述干扰值,对所述每个障碍物所对应的第二行驶特征进行补偿,得到所述每个障碍物对应的补偿后第二行驶特征;
将所述每个障碍物对应的补偿后第二行驶特征以及所述第一行驶特征输入到预设的轨迹规划模型中,以对所述无人驾驶设备在所述未来设定时间内的行驶轨迹进行路径规划。
7.如权利要求4所述的方法,其特征在于,训练特征提取模型,具体包括:
获取指定设备在设定历史时间内的历史轨迹,作为第一训练轨迹,以及所述指定设备在所述设定历史时间内行驶时周围的历史障碍物的历史轨迹,作为第二训练轨迹;
将所述第一训练轨迹输入到特征提取模型中,得到所述第一训练轨迹对应的第一历史特征,以及将所述第二训练轨迹输入到所述特征提模型中,得到所述第二训练轨迹对应的第二历史特征;
根据所述第一历史特征以及所述第二历史特征,确定所述历史障碍物对所述指定设备在所述设定历史时间内行驶时的干扰值,作为训练值;
确定所述历史障碍物在所述设定历史时间内对所述指定设备的实际干扰值;
以最小化所述训练值与所述实际干扰值之间的差异为优化目标,对所述特征提取模型进行训练。
8.如权利要求7所述的方法,其特征在于,确定所述历史障碍物在所述设定历史时间内对所述指定设备的实际干扰值,具体包括:
根据获取到的所述指定设备上设置的眼动仪捕捉人眼观测障碍物的数据,确定所述眼动仪在所述设定历史时间内捕捉到的人眼注视到障碍物时的注视时间以及人眼朝向;
根据所述注视时间以及人眼朝向,从所述历史障碍物中确定人眼注视到的历史障碍物,作为目标历史障碍物;
根据所述目标历史障碍物,确定所述历史障碍物在所述设定历史时间内对所述指定设备的实际干扰值。
9.一种路径规划的装置,其特征在于,包括:
获取模块,用于获取所述装置过去设定时间内对应的行驶轨迹,作为第一历史轨迹,以及所述装置周围的障碍物在所述过去设定时间内对应的行驶轨迹,作为第二历史轨迹;
轨迹确定模块,用于根据所述第一历史轨迹,确定所述装置从所述过去设定时间到未来设定时间对应的行驶轨迹,作为第一参考轨迹,并针对所述装置在所述过去设定时间内周围的每个障碍物,根据该障碍物对应的第二历史轨迹,确定该障碍物从所述过去设定时间到所述未来设定时间对应的行驶轨迹,作为该障碍物对应的第二参考轨迹;
干扰值确定模块,用于根据所述第一参考轨迹以及所述每个障碍物对应的第二参考轨迹,确定所述每个障碍物从所述过去设定时间到所述未来设定时间对所述装置的干扰值;
路径规划模块,用于根据所述干扰值、所述第一参考轨迹以及所述第二参考轨迹,对所述装置在所述未来设定时间内的行驶轨迹进行路径规划。
10.一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1~8任一项所述的方法。
11.一种无人驾驶设备,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1~8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010490603.XA CN111399523B (zh) | 2020-06-02 | 2020-06-02 | 一种路径规划的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010490603.XA CN111399523B (zh) | 2020-06-02 | 2020-06-02 | 一种路径规划的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111399523A true CN111399523A (zh) | 2020-07-10 |
CN111399523B CN111399523B (zh) | 2020-12-01 |
Family
ID=71435719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010490603.XA Active CN111399523B (zh) | 2020-06-02 | 2020-06-02 | 一种路径规划的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111399523B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112461255A (zh) * | 2021-01-25 | 2021-03-09 | 中智行科技有限公司 | 一种路径规划方法、车端设备及电子设备 |
CN112649012A (zh) * | 2020-12-15 | 2021-04-13 | 北京三快在线科技有限公司 | 一种轨迹规划方法、设备、介质及无人设备 |
CN113340311A (zh) * | 2021-08-04 | 2021-09-03 | 北京三快在线科技有限公司 | 一种无人驾驶设备的路径规划方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170364083A1 (en) * | 2016-06-21 | 2017-12-21 | Baidu Online Network Technology (Beijing) Co., Ltd. | Local trajectory planning method and apparatus for smart vehicles |
CN108820042A (zh) * | 2018-05-25 | 2018-11-16 | 东软集团股份有限公司 | 一种自动驾驶方法及装置 |
CN109885066A (zh) * | 2019-03-26 | 2019-06-14 | 北京经纬恒润科技有限公司 | 一种运动轨迹预测方法及装置 |
CN111038501A (zh) * | 2019-12-31 | 2020-04-21 | 北京三快在线科技有限公司 | 无人驾驶设备的控制方法及装置 |
CN111076739A (zh) * | 2020-03-25 | 2020-04-28 | 北京三快在线科技有限公司 | 一种路径规划的方法及装置 |
CN111190427A (zh) * | 2020-04-10 | 2020-05-22 | 北京三快在线科技有限公司 | 一种轨迹规划的方法及装置 |
-
2020
- 2020-06-02 CN CN202010490603.XA patent/CN111399523B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170364083A1 (en) * | 2016-06-21 | 2017-12-21 | Baidu Online Network Technology (Beijing) Co., Ltd. | Local trajectory planning method and apparatus for smart vehicles |
CN108820042A (zh) * | 2018-05-25 | 2018-11-16 | 东软集团股份有限公司 | 一种自动驾驶方法及装置 |
CN109885066A (zh) * | 2019-03-26 | 2019-06-14 | 北京经纬恒润科技有限公司 | 一种运动轨迹预测方法及装置 |
CN111038501A (zh) * | 2019-12-31 | 2020-04-21 | 北京三快在线科技有限公司 | 无人驾驶设备的控制方法及装置 |
CN111076739A (zh) * | 2020-03-25 | 2020-04-28 | 北京三快在线科技有限公司 | 一种路径规划的方法及装置 |
CN111190427A (zh) * | 2020-04-10 | 2020-05-22 | 北京三快在线科技有限公司 | 一种轨迹规划的方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112649012A (zh) * | 2020-12-15 | 2021-04-13 | 北京三快在线科技有限公司 | 一种轨迹规划方法、设备、介质及无人设备 |
CN112461255A (zh) * | 2021-01-25 | 2021-03-09 | 中智行科技有限公司 | 一种路径规划方法、车端设备及电子设备 |
CN113340311A (zh) * | 2021-08-04 | 2021-09-03 | 北京三快在线科技有限公司 | 一种无人驾驶设备的路径规划方法及装置 |
WO2023010877A1 (zh) * | 2021-08-04 | 2023-02-09 | 北京三快在线科技有限公司 | 无人驾驶设备的路径规划 |
Also Published As
Publication number | Publication date |
---|---|
CN111399523B (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111399523B (zh) | 一种路径规划的方法及装置 | |
CN111190427B (zh) | 一种轨迹规划的方法及装置 | |
EP3526737B1 (en) | Neural network system for autonomous vehicle control | |
JP7235247B2 (ja) | 不確実性を検知しながらナビゲートするためのシステム及び方法 | |
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 | |
US10659382B2 (en) | Vehicle security system | |
CN109739236A (zh) | 车辆信息的处理方法、装置、计算机可读介质及电子设备 | |
JP2022020044A (ja) | 自律駐車のための方法と装置、電子デバイス、コンピュータ可読記憶媒体及びコンピュータプログラム | |
CN112348293A (zh) | 一种障碍物的轨迹预测方法及装置 | |
CN110377027A (zh) | 无人驾驶感知方法、系统、装置和存储介质 | |
CN110412595A (zh) | 路基感知方法、系统、车辆、设备和存储介质 | |
CN112163063A (zh) | 生成高精度地图的方法、装置和计算机可读存储介质 | |
CN113968243B (zh) | 一种障碍物轨迹预测方法、装置、设备及存储介质 | |
CN113033527A (zh) | 一种场景识别方法、装置、存储介质及无人设备 | |
CN116168362A (zh) | 车辆感知模型的预训练方法、装置、电子设备及车辆 | |
CN116767182A (zh) | 用于自主机器系统和应用的基于感知的停车辅助 | |
CN111427331A (zh) | 无人驾驶车辆的感知信息展示方法、装置和电子设备 | |
CN110807397A (zh) | 一种预测目标物运动状态的方法及装置 | |
CN112393723B (zh) | 一种定位方法、设备、介质及无人设备 | |
US20240140473A1 (en) | Optimization of autonomous vehicle hardware configuration using continuous learning machine | |
US11741721B2 (en) | Automatic detection of roadway signage | |
US20240143484A1 (en) | Lightweight software test library for vehicle compute hardware coverage testing | |
US20240094382A1 (en) | Systems and methods for using computer vision to guide processing of receive responses of radar sensors of a vehicle |
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 |