CN111898835B - 一种智能交通管理方法、装置、计算机及可读存储介质 - Google Patents

一种智能交通管理方法、装置、计算机及可读存储介质 Download PDF

Info

Publication number
CN111898835B
CN111898835B CN202010801029.5A CN202010801029A CN111898835B CN 111898835 B CN111898835 B CN 111898835B CN 202010801029 A CN202010801029 A CN 202010801029A CN 111898835 B CN111898835 B CN 111898835B
Authority
CN
China
Prior art keywords
vehicle
probability
track
predicted
lane
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
CN202010801029.5A
Other languages
English (en)
Other versions
CN111898835A (zh
Inventor
由长喜
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202010801029.5A priority Critical patent/CN111898835B/zh
Publication of CN111898835A publication Critical patent/CN111898835A/zh
Application granted granted Critical
Publication of CN111898835B publication Critical patent/CN111898835B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请实施例公开了一种智能交通管理方法、装置、计算机及可读存储介质，涉及自动驾驶技术，该方法包括：获取第一交通工具的运行车道区域，基于第一交通工具及运行车道区域建立道路坐标系，获取第二交通工具的预测轨迹；将预测轨迹映射到道路坐标系，根据映射结果建立第二交通工具对应的局部坐标系，根据局部坐标系获取预测轨迹出现在运行车道区域的轨迹交叉概率；根据轨迹交叉概率从第二交通工具中确定引导交通工具；引导交通工具是指引导第一交通工具行驶路线的交通工具。采用本申请，提高了针对当前交通工具选择引导交通工具的决策容错性。

Description

一种智能交通管理方法、装置、计算机及可读存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种智能交通管理方法、装置、计算机及可读存储介质。
背景技术
自动驾驶车辆又称无人驾驶车辆或电脑驾驶车辆等，是一种通过电脑系统实现无人驾驶的智能车辆，随着科技的发展，针对自动驾驶车辆的研发也越来越广泛，其中，无人驾驶一般划分为第0级(Level 0，L0)至第5级(Level 5，L5)，即从无自动化到完全自动化。其中，现有的自动驾驶车辆技术一般是基于凯迪拉克的CT6自动驾驶系统或特斯拉(Tesla)的自动驾驶(Autopilot)系统等。例如，Autopilot系统依赖于复杂的传感器配置，以获取障碍物与车道线路的位置关系。目前致力于开发L3及以上无人驾驶技术的公司和机构一般对传感器配置的投入较多，即传感器配置较为全面，并且使用激光雷达，使得该无人驾驶技术的开发成本往往很高，短期内难以实现大规模量产。而如果使用较低的传感器配置方案，会导致对障碍物的状态估计精度较低，不确定性较大，即确定当前车辆的引导车的决策容错性较低。
发明内容
本申请实施例提供了一种智能交通管理方法、装置、计算机及可读存储介质，可以提高确定当前车辆的引导车时的决策容错性。
本申请实施例一方面提供了一种智能交通管理方法，该方法包括：
获取第一交通工具的运行车道区域，基于第一交通工具及运行车道区域建立道路坐标系，获取第二交通工具的预测轨迹；
将预测轨迹映射到道路坐标系，根据映射结果建立第二交通工具对应的局部坐标系，根据局部坐标系获取预测轨迹出现在运行车道区域的轨迹交叉概率；
根据车道同向概率从第二交通工具中确定引导交通工具；引导交通工具是指引导第一交通工具行驶路线的交通工具。
其中，获取第一交通工具的运行车道区域，基于第一交通工具及运行车道区域建立道路坐标系，包括：
获取第一交通工具所在的第一车道线路信息，根据第一交通工具的行驶方向，从第一车道线路信息中获取第一交通工具的运行车道区域；
以第一交通工具作为坐标原点，以第一车道线路信息的中心线作为坐标纵轴，将坐标纵轴对应的法线作为坐标横轴，根据坐标原点、坐标横轴以及坐标纵轴，建立道路坐标系。
其中，获取第二交通工具的预测轨迹，包括：
获取第二交通工具的历史运行轨迹及历史交通位置，根据历史运行轨迹及历史交通位置，确定第二交通工具的历史运行速度信息；
根据第二交通工具所在的第二车道线路信息及历史运行速度信息，确定第二交通工具的预测轨迹。
其中，根据第二交通工具所在的第二车道线路信息及历史运行速度信息，确定第二交通工具的预测轨迹，包括：
根据第二交通工具所在的第二车道线路信息及历史运行轨迹，确定第二交通工具的位置均值及位置方差；
根据位置均值及位置方差确定基本概率密度函数，根据历史运行速度信息调整基本概率密度函数，得到预测概率密度函数，将预测概率密度函数对应的轨迹确定为第二交通工具的预测轨迹。
其中，该预测轨迹包括至少两个预测点；
将预测轨迹映射到道路坐标系，根据映射结果建立第二交通工具对应的局部坐标系，根据局部坐标系获取预测轨迹出现在运行车道区域的轨迹交叉概率，包括：
获取预测轨迹对应的预测概率密度函数；
将预测概率密度函数映射到道路坐标系，根据映射结果在道路坐标系中建立各个预测点对应的局部坐标系，根据局部坐标系确定对应预测点的映射函数；
根据各个预测点的映射函数确定各个预测点在运行车道区域中的出现概率，将各个预测点的出现概率中最大的出现概率，确定为预测轨迹出现在运行车道区域的轨迹交叉概率。
其中，根据轨迹交叉概率从第二交通工具中确定引导交通工具，包括：
根据轨迹交叉概率确定第二交通工具与第一交通工具之间的车道同向概率；
根据车道同向概率从第二交通工具中确定引导交通工具。
其中，根据轨迹交叉概率确定第二交通工具与第一交通工具之间的车道同向概率，包括：
若预测轨迹的数量为至少两个，则获取每个预测轨迹的轨迹交叉概率，获取每个预测轨迹的轨迹权重；
根据轨迹权重对每个预测轨迹的轨迹交叉概率进行加权求和，得到第二交通工具与第一交通工具之间的车道同向概率。
其中，获取每个预测轨迹的轨迹权重，包括：
获取第二交通工具的历史运行轨迹、历史交通位置及第二车道线路信息；
通过轨迹预测模型提取历史运行轨迹、历史交通位置及第二车道线路信息中的运行特征，根据运行特征确定每个预测轨迹的预测概率值，将预测概率值确定为对应预测轨迹的轨迹权重。
其中，根据轨迹交叉概率确定第二交通工具与第一交通工具之间的车道同向概率，包括：
若预测轨迹的数量为至少两个，则获取每个预测轨迹的轨迹交叉概率，将最大的轨迹交叉概率确定为第二交通工具与第一交通工具之间的车道同向概率。
其中，根据车道同向概率从第二交通工具中确定引导交通工具，包括：
若第二交通工具的数量为至少两个，则将每个第二交通工具的车道同向概率分别与候选交通阈值进行对比；
将车道同向概率大于候选交通阈值的第二交通工具，确定为候选交通工具；
若候选交通工具的数量为至少两个，则获取每个候选交通工具与第一交通工具的纵向距离；该纵向距离是基于道路坐标系所确定的；
将与第一交通工具的纵向距离最小的候选交通工具，确定为第一交通工具的引导交通工具。
其中，根据车道同向概率从第二交通工具中确定引导交通工具，包括：
若第二交通工具的数量为至少两个，则获取每个第二交通工具的车道同向概率；
将车道同向概率最大的第二交通工具，确定为第一交通工具的引导交通工具。
本申请实施例一方面提供了一种智能交通管理装置，该装置包括：
坐标建立模块，用于获取第一交通工具的运行车道区域，基于第一交通工具及运行车道区域建立道路坐标系，获取第二交通工具的预测轨迹；
轨迹概率确定模块，用于将预测轨迹映射到道路坐标系，根据映射结果建立第二交通工具对应的局部坐标系，根据局部坐标系获取预测轨迹出现在运行车道区域的轨迹交叉概率；
引导工具确定模块，用于根据轨迹交叉概率从第二交通工具中确定引导交通工具；引导交通工具是指引导第一交通工具行驶路线的交通工具。
其中，在获取第一交通工具的运行车道区域，基于第一交通工具及运行车道区域建立道路坐标系方面，该坐标建立模块包括：
区域获取单元，用于获取第一交通工具所在的第一车道线路信息，根据第一交通工具的行驶方向，从第一车道线路信息中获取第一交通工具的运行车道区域；
坐标建立单元，用于以第一交通工具作为坐标原点，以第一车道线路信息的中心线作为坐标纵轴，将坐标纵轴对应的法线作为坐标横轴，根据坐标原点、坐标横轴以及坐标纵轴，建立道路坐标系。
其中，在获取第二交通工具的预测轨迹方面，该坐标建立模块包括：
速度获取单元，用于获取第二交通工具的历史运行轨迹及历史交通位置，根据历史运行轨迹及历史交通位置，确定第二交通工具的历史运行速度信息；
轨迹确定单元，用于根据第二交通工具所在的第二车道线路信息及历史运行速度信息，确定第二交通工具的预测轨迹。
其中，该轨迹确定单元，包括：
位置参数确定子单元，用于根据第二交通工具所在的第二车道线路信息及历史运行轨迹，确定第二交通工具的位置均值及位置方差；
函数转换子单元，用于根据位置均值及位置方差确定基本概率密度函数，根据历史运行速度信息调整基本概率密度函数，得到预测概率密度函数，将预测概率密度函数对应的轨迹确定为第二交通工具的预测轨迹。
其中，该预测轨迹包括至少两个预测点；
该轨迹概率确定模块，包括：
函数获取单元，用于获取预测轨迹对应的预测概率密度函数；
坐标映射单元，用于将预测概率密度函数映射到道路坐标系，根据映射结果在道路坐标系中建立各个预测点对应的局部坐标系，根据局部坐标系确定对应预测点的映射函数；
轨迹概率获取单元，用于根据各个预测点的映射函数确定各个预测点在运行车道区域中的出现概率，将各个预测点的出现概率中最大的出现概率，确定为预测轨迹出现在运行车道区域的轨迹交叉概率。
其中，该引导工具确定模块，包括：
车辆概率确定单元，用于根据轨迹交叉概率确定第二交通工具与第一交通工具之间的车道同向概率；
引导工具获取单元，用于根据车道同向概率从第二交通工具中确定引导交通工具。
其中，该车辆概率确定单元，包括：
权重获取子单元，用于若预测轨迹的数量为至少两个，则获取每个预测轨迹的轨迹交叉概率，获取每个预测轨迹的轨迹权重；
车道概率生成子单元，用于根据轨迹权重对每个预测轨迹的轨迹交叉概率进行加权求和，得到第二交通工具与第一交通工具之间的车道同向概率。
其中，在获取每个预测轨迹的轨迹权重方面，该权重获取子单元包括：
历史数据获取子单元，用于获取第二交通工具的历史运行轨迹、历史交通位置及第二车道线路信息；
权重确定子单元，用于通过轨迹预测模型提取历史运行轨迹、历史交通位置及第二车道线路信息中的运行特征，根据运行特征确定每个预测轨迹的预测概率值，将预测概率值确定为对应预测轨迹的轨迹权重。
其中，该车辆概率确定单元，包括：
概率选取子单元，用于若预测轨迹的数量为至少两个，则获取每个预测轨迹的轨迹交叉概率，将最大的轨迹交叉概率确定为第二交通工具与第一交通工具之间的车道同向概率。
其中，该引导工具获取单元，包括：
概率比对子单元，用于若第二交通工具的数量为至少两个，则将每个第二交通工具的车道同向概率分别与候选交通阈值进行对比；
候选工具确定子单元，用于将车道同向概率大于候选交通阈值的第二交通工具，确定为候选交通工具；
距离获取子单元，用于若候选交通工具的数量为至少两个，则获取每个候选交通工具与第一交通工具的纵向距离；该纵向距离是基于道路坐标系所确定的；
引导获取子单元，用于将与第一交通工具的纵向距离最小的候选交通工具，确定为第一交通工具的引导交通工具。
其中，该引导工具获取单元，包括：
车道概率获取子单元，用于若第二交通工具的数量为至少两个，则获取每个第二交通工具的车道同向概率；
该引导获取子单元，还用于将车道同向概率最大的第二交通工具，确定为第一交通工具的引导交通工具。
本申请实施例一方面提供了一种计算机设备，包括处理器、存储器、输入输出接口；
处理器分别与存储器和输入输出接口相连，其中，输入输出接口用于接收数据及输出数据，存储器用于存储计算机程序，处理器用于调用计算机程序，以执行本申请实施例一方面中的智能交通管理方法。
本申请实施例一方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序包括程序指令，程序指令当被处理器执行时，执行本申请实施例一方面中的智能交通管理方法。
本申请实施例一方面提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行本申请实施例一方面中的各种可选方式中提供的方法。
实施本申请实施例，将具有如下有益效果：
本申请实施例通过获取第一交通工具的运行车道区域，基于第一交通工具及运行车道区域建立道路坐标系，获取第二交通工具的预测轨迹；将预测轨迹映射到道路坐标系，根据映射结果建立第二交通工具对应的局部坐标系，根据局部坐标系获取预测轨迹出现在运行车道区域的轨迹交叉概率；根据轨迹交叉概率从第二交通工具中确定引导交通工具，该引导交通工具是指引导第一交通工具行驶路线的交通工具。实现根据对第二交通工具的感知信息及预测轨迹，从第二交通工具中合理选择引导交通工具，在传感器配置较为简单的情况下，可以对第二交通工具的预测轨迹进行概率计算，以确定第二交通工具出现在第一交通工具的运行车道区域的概率，从而可以选取出第一交通工具的引导交通工具，使得即使在传感器配置较为简单，对第二交通工具的感知精度较低时，也可以通过本申请中所提供的方案，确定最可能的引导交通工具，提高了引导交通工具的选取效率，以及对引导交通工具选择的决策的容错性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种智能交通管理的网络架构图；
图2是本申请实施例提供的一种引导交通工具的确定场景示意图；
图3是本申请实施例提供的一种智能交通管理的方法流程图；
图4是本申请实施例提供的一种局部坐标系建立场景示意图；
图5是本申请实施例提供了一种引导交通工具选择场景示意图；
图6是本申请实施例提供的一种第二交通工具的预测轨迹的确定方法流程图；
图7是本申请实施例提供的一种第二交通工具获取场景示意图；
图8是本申请实施例提供的一种预测轨迹获取场景示意图；
图9是本申请实施例提供的一种智能交通管理装置示意图；
图10是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请实施例中，本申请实施例可以由交通工具中的自动驾驶系统实现，其中，该自动驾驶系统可以包括但不限于算法端、客户端及云端。其中，算法端包括面向传感、感知及决策等的相关算法，客户端包括机器人操作系统及硬件平台，云端则可以进行数据存储、模拟、高精度地图绘制及深度学习模型训练或预测等。
其中，算法端用于从传感器采集到的原始数据中提取有效信息，以获取自车(Egocar)的周围环境信息，并基于周围环境信息作出决策(如，沿什么路线行驶，以什么速度行驶或如何躲避障碍物等)。其中，现有的自动驾驶系统中所使用的传感器一般包括全球定位系统(Global Positioning System，GPS)/惯性测量单元(Inertial measurement unit，IMU)、激光雷达(Light Detection and Ranging，LIDAR)、摄像头、雷达及声呐等，本申请便是在配置较为简单的传感器的情况下，实现对自车(可以称为第一交通工具)的引导车的确定，例如，不配置激光雷达，仅使用几个(如1至2个)摄像头和较少的角雷达作为传感器，在自动驾驶系统中的传感器配置较为简单的情况下，可以减少开发成本，但传感器配置的削减，会导致对障碍物(如除自车之外的交通工具等)的感知精度降低，本申请便是为了解决这一问题，对第二交通工具的预测轨迹等进行处理，得到第二交通工具成为自车的引导车的概率，基于概率获取到自车的引导车。其中，引导车(Leading car)通俗来讲是指自车行驶过程中，出现或即将出现在自车前方，且与自车较近的车辆，可以作为自车行驶的一个参考物。
其中，该感知部分可以从传感部分获取有效数据，根据该有效数据对第二交通工具进行定位、物体识别及物体追踪等。其中，该决策部分可以包括行为预测(如对周围环境的预测，对第一交通工具后续操作的预测等)、对第一交通工具的路径规划及避障机制等。其中，本申请实施例主要是针对决策部分的改进。具体的，请参见图1，图1是本申请实施例提供的一种智能交通管理的网络架构图，本申请实施例所实现的功能可以应用于任意一个具有自动驾驶系统的交通工具。
其中，如图1所示，第一交通工具(即自车)101的自动驾驶系统可以包括感知模块、预测模块及决策模块等；可选的，此处的感知模块用于实现上述传感部分及感知部分的功能，即，第一交通工具101的自动驾驶系统也可以由传感模块、感知模块、预测模块及决策模块等组成。举例来说，第一交通工具101通过感知模块检测其他交通工具，如第二交通工具102a、第二交通工具102b或第二交通工具102c等，采集各个第二交通工具的数据，通过预测模块处理该感知模块中采集到的数据，得到各个第二交通工具的预测轨迹等，通过决策模块对每个第二交通工具的预测轨迹进行概率计算，以得到每个第二交通工具分别与第一交通工具之间的车道同向概率，通过车道同向概率从各个第二交通工具中获取第一交通工具的引导交通工具。使得当第二交通工具的位置感知不准确，或者第二交通工具存在多条预测轨迹，且每条预测轨迹具有一定的随机性时，可以根据预测轨迹的概率分布确定第一交通工具的引导交通工具，在一定程度上提高了对引导交通工具进行选择的决策容错性。
具体的，请参见图2，图2是本申请实施例提供的一种引导交通工具的确定场景示意图。如图2所示，获取第一交通工具201的运行车道区域2011，该运行车道区域2011为第一交通工具201在当前的行驶方向上的行驶范围，如图2中的灰色显示区域。基于该运行车道区域2011及第一交通工具201建立道路坐标系2012，该道路坐标系2012以第一交通工具201为坐标原点，以第一交通工具201的第一车道线路信息对应的中心线为坐标纵轴S，以该坐标纵轴的法线作为坐标横轴D。获取第二交通工具的预测轨迹，其中，以第二交通工具202为例，获取该第二交通工具202的预测轨迹，如预测轨迹2021及预测轨迹2022等。将预测轨迹2021映射到道路坐标系2012，根据映射结果获取该预测轨迹2021的轨迹交叉概率，将预测轨迹2022映射到道路坐标系2012，根据映射结果获取该预测轨迹2022的轨迹交叉概率，其中，该轨迹交叉概率用于表示对应的预测轨迹出现在运行车道区域2011的概率。根据该预测轨迹2021的轨迹交叉概率及该预测轨迹2022的轨迹交叉概率，确定第二交通工具202与第一交通工具201之间的车道同向概率2023，其中，该车道同向概率2023用于表示该第二交通工具202出现在运行车道区域2011中的概率。同理，获取第二交通工具203与第一交通工具201之间的车道同向概率2031。根据第二交通工具202的车道同向概率2023及第二交通工具203的车道同向概率2031，从第二交通工具202及第二交通工具203中确定引导交通工具204。通过本申请实施例，使得在障碍物(即第二交通工具)的位置感知不准确，或者第二交通工具存在多条预测轨迹，或者预测轨迹存在一定的随机性时，也可以根据各个预测轨迹的概率分布，从第二交通工具中确定第一交通工具的引导交通工具，从而提高了对第一交通工具的引导交通工具进行选择时的决策容错性。
其中，将预测轨迹映射到道路坐标系时，可以以预测轨迹2021(或预测轨迹2022)中的P点为例，将P点映射到道路坐标系2012中的P'点，其中P点与P'点相对于该道路坐标系2012的纵坐标值相等，这样可以提高映射的效率，以P'点为局部坐标原点，以道路坐标系2012在P'点处的切线作为局部坐标纵轴S'，以道路坐标系2012在P'点处的法线作为局部坐标横轴D'，根据局部坐标原点、局部坐标纵轴S'及局部坐标横轴D'，生成P点对应的局部坐标系2013。可选的，该P点与P'点相对于该道路坐标系2012的纵坐标值也可以不相等，如，在道路坐标系2012的坐标纵轴S中获取与P点间距离最小的点，作为P点的映射点P'点，从而使得该映射结果更为准确。同理，可以建立第二交通工具的任意一个预测轨迹在道路坐标系2012中的局部坐标系。
进一步地，请参见图3，图3是本申请实施例提供的一种智能交通管理的方法流程图。如图3所示，该智能交通管理过程包括如下步骤：
步骤S301，获取第一交通工具的运行车道区域，基于第一交通工具及运行车道区域建立道路坐标系，获取第二交通工具的预测轨迹。
在本申请实施例中，第一交通工具中的自动驾驶系统获取该第一交通工具的运行车道区域，具体是获取该第一交通工具所在的第一车道线路信息，根据第一交通工具的行驶方向，从该第一车道线路信息中获取第一交通工具的运行车道区域。其中，该第一车道线路信息用于表示第一交通工具所在的车行道，将该车行道中位于第一交通工具的行驶方向上的区域，确定为该第一交通工具的运行车道区域。
其中，以第一交通工具作为坐标原点，以第一车道线路信息的中心线作为坐标纵轴，将坐标纵轴对应的法线作为坐标横轴，根据坐标原点、坐标横轴以及坐标纵轴，建立道路坐标系，其中，该道路坐标系的建立过程可以参见图2中的道路坐标系2012的建立过程，通过第一交通工具的第一车道线路信息，建立道路坐标系，使得在第一交通工具的行驶过程中，也可以找到车行道的中心线作为参考，建立坐标，使得获取到的其他交通工具与第一交通工具之间的相对位置等更为准确。进一步地，获取第二交通工具的预测轨迹，可选的，可以获取预设时间域，获取第二交通工具在预设时间域中可能行驶的线路，作为该第二交通工具的预测轨迹，可以将该预测轨迹记作
Figure BDA0002627391250000111
其中，T为预设时间域(如可以取2秒至5秒等)，ζ表示对第二交通工具在预设时间域T进行预测得到的轨迹，Xt表示第二交通工具在t时刻的位置点的坐标，是基于道路坐标系所确定的。例如，T取3秒，t则可以取0至3，表示在预设时间域中的第0秒至第3秒。
例如，第一交通工具所行驶的交通道路中包括四条车行道，分别可以称为左一道、左二道、左三道及左四道，其中，“左”是基于第一交通工具的左边，这四条车行道也可以是其他名称，在此不做限制，假定第一交通工具处于左二道，则将左二道中位于第一交通工具的行驶方向的区域，作为第一交通工具的运行车道区域。其中，可以将该第一交通工具的运行车道区域记作Γ，该运行车道区域可以基于建立好的道路坐标系进行表示，具体表示为Γ＝{(s,l):s>ego.s,|l|<0.5*lane_width}，其中，ego.s表示第一交通工具在道路坐标系中当前的纵向位移，lane_width为第一交通工具所在的车行道的车道宽度，即该运行车道区域Γ表示在第一交通工具所在的车行道中，位于第一交通工具的行驶方向上的区域。其中，该运行车道区域中的点在道路坐标系的坐标纵轴上的对应坐标值，大于第一交通工具在坐标纵轴上的对应坐标值，即该运行车道区域中的点在道路坐标系的坐标纵轴上的对应坐标值s可以取大于ego.s的任意一个值；该运行车道区域中的点在道路坐标系的坐标横轴上的对应坐标值l位于-lane_width至+lane_width之间。
可选的，当存在预设时间域时，该运行车道区域可以表示对第一交通工具在预设时间域内进行预测的行驶的区域范围，此时，该运行车道区域Γ中的s还可以小于或等于ego.sT，ego.sT表示第一交通工具经过T时间段后，在道路坐标系中预测的纵向位移。例如，该第一交通工具在匀速行驶，以第一交通工具为道路坐标系的坐标原点，此时ego.s的值为0，假定第一交通工具的行驶速度为60千米/小时，预设时间域T为3秒，则确定经过T时间段后，第一交通工具预测行驶的距离为50米，得到ego.sT为50，其中，假定第一交通工具所在的车行道的车道宽度为3.5米，此时，该运行车道区域可以表示为Γ＝{(s,l):0<s<50,|l|<1.75}。可选的，当存在预设时间域时，该运行车道区域可以不考虑该预设时间域，而对第二交通工具进行预测时，获取该第二交通工具在预设时间域内的预测轨迹，由于该第二交通工具出现在第一交通工具的第一车道线路信息所指示的车行道，该第二交通工具就可能作为第一交通工具的引导交通工具，而不一定要限制该第二交通工具在道路坐标系的坐标纵轴方向上的坐标取值范围，因此，可以不对第一交通工具在经过预设时间域后的纵向位移进行预测，在一定程度上减少了对运行车道区域进行量化时需要处理的数据量，提高运行车道区域的获取效率。
步骤S302，将预测轨迹映射到道路坐标系，根据映射结果建立第二交通工具对应的局部坐标系，根据局部坐标系获取预测轨迹出现在运行车道区域的轨迹交叉概率。
在本申请实施例中，该预测轨迹包括至少两个预测点。具体的，获取预测轨迹对应的预测概率密度函数；将预测概率密度函数映射到道路坐标系，根据映射结果在道路坐标系中建立各个预测点对应的局部坐标系，根据局部坐标系确定对应预测点的映射函数；根据各个预测点的映射函数确定各个预测点在运行车道区域中的出现概率，将各个预测点的出现概率中最大的出现概率，确定为预测轨迹出现在运行车道区域的轨迹交叉概率。其中，可以将该预测概率密度函数记作pt(x,y)，预测轨迹ζ的预测概率密度函数则可以记作pt(x,y|ζ)，该预测概率密度函数pt(x,y|ζ)用于表示该预测轨迹ζ中处于第t时刻的预测点的概率密度函数，当存在对第二交通工具的轨迹进行预测的预设时间域T时，t可以取0至T之间的任意一个值，此时，该预测轨迹中各个预测点在运行车道区域中的出现概率可以通过公式①进行表示：
P(Xt∈Γ|ζ)＝∫∫(x,y)∈Γpt(x,y|ζ)dxdy ①
其中，P(Xt∈Γ|ζ)用于表示在预测轨迹ζ中，第t时刻对应的预测点出现在运行车道区域Γ的出现概率，该出现概率是通过对该预测点的概率密度函数进行双重积分得到的，该双重积分是对该预测点Xt的横纵坐标进行积分，以确定该预测点在运行车道区域的出现概率。x用于表示第t时刻对应的预测点的横坐标取值，y用于表示第t时刻对应的预测点的纵坐标取值。
其中，对于预测轨迹来说，该预测轨迹中的各个预测点相对于道路坐标系的横坐标是随机的，纵坐标也是随机的，在两个坐标值都随机的情况下，获取该预测轨迹的轨迹交叉概率比较困难，且可能出现无法获取到量化后的轨迹交叉概率的情况(即获取到的轨迹交叉概率可能不是一个数值)，而且运行车道区域沿道路坐标系的坐标纵轴方向的取值范围是预测的，因此，可以将预测轨迹中的各个预测点映射到道路坐标系中，建立每个预测点对应的局部坐标系。根据局部坐标系确定对应预测点的映射函数，由于该局部坐标系为对应预测点在道路坐标系中进行映射得到的，具体是沿道路坐标系的法线方向对各个预测点进行映射，使得该预测点的映射函数可以不考虑该预测点在道路坐标系的坐标纵轴S方向上的分布，只需考虑该预测点在道路坐标系的坐标横轴D方向上的分布，可以提高各个预测轨迹的轨迹交叉概率的计算效率。其中，可以将该映射函数记作p′t(y′|ζ)，该映射函数是指预测轨迹ζ中的各个预测点在对应的局部坐标系的分布函数，如，p′t为预测轨迹ζ中第t时刻的预测点，在该第t时刻的预测点对应的局部坐标系的分布函数。其中，根据各个预测点的映射函数确定各个预测点在运行车道区域中的出现概率，通过映射函数更新公式①，此时，该预测点的出现概率可以通过公式②进行表示：
Figure BDA0002627391250000131
通过公式②确定预测轨迹ζ中的各个预测点在运行车道区域中的出现概率，可以减少计算流程，简化对出现概率的计算过程，以提高预测点的出现概率的计算效率。
其中，在获取到预测轨迹ζ中的各个预测点在运行车道区域中的出现概率后，可以获取各个出现概率中最大的出现概率，将最大的出现概率作为该预测轨迹ζ出现在运行车道区域的轨迹交叉概率。其中，该轨迹交叉概率可以通过公式③进行表示：
P(cutin＝True|ζ)＝maxt∈TP(Xt∈Γ|ζ) ③
其中，公式③是在考虑预设时间域T的情况下得到的轨迹交叉概率的表示公式，“cutin＝True”表示第二交通工具出现在运行车道区域，P(cutin＝True|ζ)用于表示预测轨迹ζ出现在运行车道区域的概率，即预测轨迹ζ的轨迹交叉概率。出现概率P(Xt∈Γ|ζ)是通过公式②得到的。
举例来说，请参见图4，图4是本申请实施例提供的一种局部坐标系建立场景示意图。如图4所示，该道路坐标系401以O点作为坐标原点，以S轴作为坐标纵轴，以D轴作为坐标横轴。其中，以预测轨迹402中的预测点(Q点)为例，获取该Q点在该道路坐标系401下的预测坐标值，假定该Q点的预测坐标值为(-40，60)，根据该预测坐标值确定Q点的映射坐标值，得到Q点的映射坐标值为(0，60)，将该映射坐标值(0，60)对应的Q'点作为Q点的映射点，从而实现了将预测点映射到道路坐标系的过程。以该映射点Q'点作为局部坐标原点，将道路坐标系401在Q'点处的法线作为局部坐标横轴D'，将道路坐标系401在Q'点处的切线作为局部坐标纵轴S'，根据局部坐标原点、局部坐标横轴D'及局部坐标纵轴S'建立预测点(Q点)对应的局部坐标系403。同理，可以建立该预测轨迹402中的各个预测点对应的局部坐标系。由此可知，由于预测轨迹402中的各个预测点在对应的局部坐标系中对应的纵坐标均为0，因此，可以不考虑各个预测点在道路坐标系的坐标纵轴S方向上的分布，只考虑各个预测点在道路坐标系的坐标横轴D方向上的分布，根据各个预测点在坐标横轴D方向上的分布函数(即映射函数)，可以基于公式②对映射函数进行积分，得到各个预测点在运行车道区域中的出现概率。
可选的，第二交通工具可以有多条预测轨迹，当有多条预测轨迹时，可以通过步骤S302中的上述过程，获取每条预测轨迹的轨迹交叉概率，在此不再进行赘述。
步骤S303，根据轨迹交叉概率从第二交通工具中确定引导交通工具。
在本申请实施例中，根据轨迹交叉概率确定第二交通工具与第一交通工具之间的车道同向概率；根据车道同向概率从第二交通工具中确定引导交通工具。
其中，根据轨迹交叉概率确定第二交通工具与第一交通工具之间的车道同向概率，具体过程如下：
一种车道同向概率的确定方法，当第二交通工具存在一条预测轨迹时，则将该预测轨迹的轨迹交叉概率确定为该第二交通工具的车道同向概率。其中，若预测轨迹的数量为至少两个，则获取每个预测轨迹的轨迹交叉概率，获取每个预测轨迹的轨迹权重。根据轨迹权重对每个预测轨迹的轨迹交叉概率进行加权求和，得到第二交通工具与第一交通工具之间的车道同向概率。通过这一方式，可以考虑到各个预测轨迹的轨迹交叉概率，以及第二交通工具以预测轨迹行驶的可能性，可以在获取第二交通工具的车道同向概率时考虑得更为全面，提高了车道同向概率的获取方式的科学性和鲁棒性。
例如，第二交通工具有三条预测轨迹，第一条预测轨迹的轨迹交叉概率为0.3，该第一条预测轨迹的轨迹权重为0.3；第二条预测轨迹的轨迹交叉概率为0.8，该第二条预测轨迹的轨迹权重为0.6；第三条预测轨迹的轨迹交叉概率为0，该第三条预测轨迹的轨迹权重为0.1，则该第二交通工具的车道同向概率为(0.3*0.3+0.8*0.6+0*0.1＝0.57)。其中，该车道同向概率可以通过公式④进行表示：
Figure BDA0002627391250000151
其中，Pleading_car用于表示第二交通工具与第一交通工具的车道同向概率，该车道同向概率是指第二交通工具进入第一交通工具所在的车行道的概率。其中，Ξ用于表示第二交通工具的预测轨迹集合，该预测轨迹集合中包括第二交通工具的预测轨迹。通过对该预测轨迹集合中的所有预测轨迹的轨迹交叉概率进行加权求和，得到该预测轨迹集合对应的第二交通工具与第一交通工具的车道同向概率。
可选的，在获取每个预测轨迹的轨迹权重时，可以获取第二交通工具的历史运行轨迹、历史交通位置及第二车道线路信息；通过轨迹预测模型提取历史运行轨迹、历史交通位置及第二车道线路信息中的运行特征，根据运行特征确定每个预测轨迹的预测概率值，将预测概率值确定为对应预测轨迹的轨迹权重。其中，该历史运行轨迹是第一交通工具在当前时刻之前，针对第二交通工具所采集到的运行轨迹，例如，第一交通工具从2020年8月3日14时30分20秒开始采集第二交通工具的运行轨迹，当前时刻为2020年8月3日14时31分25秒，则该历史运行轨迹是指第二交通工具在2020年8月3日14时30分20秒到2020年8月3日14时31分25秒这一时间段内的运行轨迹；该第二车道线路信息用于表示第二交通工具所在的车行道。将采集到的第二交通工具的历史运行轨迹、历史交通位置及第二车道线路信息等转换成向量，将转换后的向量输入轨迹预测模型进行预测，基于该轨迹预测模型提取该向量中的运行特征，根据该运行特征输出各个预测轨迹的预测概率值，将该预测概率值确定为对应预测轨迹的轨迹权重。
可选的，该轨迹预测模型可以直接基于提取到的运行特征，输出该第二交通工具的预测轨迹及每个预测轨迹的预测概率值，此时，该轨迹预测模型的预测过程可以在步骤S301中执行，在本步骤中，直接获取每个预测轨迹的预测概率值，将该预测概率值确定为对应预测轨迹的轨迹权重。
其中，该轨迹预测模型可以是通过采集实际行驶过程中的交通工具的运行轨迹，将采集到的运行轨迹作为轨迹训练样本，基于该轨迹训练样本训练得到的。可选的，可以存在多个轨迹预测模型，每个轨迹预测模型可以对应一种环境信息，该环境信息可以是但不限于高速道路、城郊道路或普通公路等。可以采集在目标环境信息下的真实交通工具的运行轨迹，将在目标环境信息下采集到的运行轨迹作为目标环境信息对应的目标轨迹训练样本，根据该目标轨迹训练样本训练模型，得到目标环境信息对应的目标轨迹预测模型，其中，该目标环境信息可以是任意一个环境信息。
其中，当存在至少两个轨迹预测模型时，可以获取第二交通工具所在的环境信息，从至少两个轨迹预测模型中获取第二交通工具所在的环境信息对应的轨迹预测模型，记作使用轨迹预测模型，通过该使用轨迹预测模型，获取该第二交通工具的各个预测轨迹的轨迹权重。其中，该第二交通工具所在的环境信息可以基于第二交通工具所在的第二车道线路信息及交通标识等得到，该交通标识可以是用文字或符号传递引导、限制、警告或指示信息的道路设施。或者，可以获取第一交通工具的行驶速度，根据该行驶速度所属的行驶速度范围，确定第二交通工具所在的环境信息，这是由于第一交通工具与第二交通工具处于同一环境信息下，因此，可以基于第一交通工具的行驶速度确定第二交通工具所在的环境信息；例如，通过行驶速度确定环境信息时，该行驶速度为80千米/小时，该行驶速度属于高速行驶速度范围，根据该行驶速度可以确定第二交通工具所在的环境信息为高速道路。
可选的，另一种车道同向概率的确定方法，若第二交通工具的预测轨迹的数量为至少两个，则可以获取每个预测轨迹的轨迹交叉概率，将最大的轨迹交叉概率确定为第二交通工具与第一交通工具之间的车道同向概率。例如，第二交通工具有三条预测轨迹，第一条预测轨迹的轨迹交叉概率为0.3，第二条预测轨迹的轨迹交叉概率为0.8，第三条预测轨迹的轨迹交叉概率为0，则将第二条预测轨迹的轨迹交叉概率0.8确定为第二交通工具与第一交通工具之间的车道同向概率，即该车道同向概率为0.8。通过这一方式，直接通过获取到的各个预测轨迹的轨迹交叉概率，确定第二交通工具的车道同向概率，可以提高车道同向概率的获取效率。
其中，根据车道同向概率从第二交通工具中确定引导交通工具，具体过程如下：
在本申请实施例中，若获取到一个第二交通工具，则将该第二交通工具确定为第一交通工具的引导交通工具。或者，若获取到一个第二交通工具，且该第二交通工具的车道同向概率大于候选交通阈值，则将该第二交通工具确定为第一交通工具的引导交通工具；若获取到一个第二交通工具，且该第二交通工具的车道同向概率小于或等于候选交通阈值，则确定第一交通工具无引导交通工具，获取第一交通工具的周边参考物，将该周边参考物作为第一交通工具的引导物，该周边参考物是指相对于交通道路的位置不发生改变的物体，如交通道路两侧的栏杆、交通道路中的导向线或交通道路两侧的交通路标等。其中，该引导交通工具是指引导第一交通工具行驶路线的交通工具，即，第一交通工具可以基于该引导交通工具，对后续的行驶路线或行驶速度等进行规划。同理，该引导物是指引导第一交通工具行驶路线的物体。
可选的，当存在至少两个第二交通工具时，一种引导交通工具的确定方式如下：
若第二交通工具的数量为至少两个，则将每个第二交通工具的车道同向概率分别与候选交通阈值进行对比。将车道同向概率大于候选交通阈值的第二交通工具，确定为候选交通工具。若候选交通工具的数量为一，则将该候选交通工具确定为第一交通工具的引导交通工具；若候选交通工具的数量为至少两个，则获取每个候选交通工具与第一交通工具的纵向距离，其中，该纵向距离是基于道路坐标系所确定的，将与第一交通工具的纵向距离最小的候选交通工具，确定为第一交通工具的引导交通工具。
可选的，当存在至少两个第二交通工具时，另一种引导交通工具的确定方式如下：
若第二交通工具的数量为至少两个，则获取每个第二交通工具的车道同向概率；将车道同向概率最大的第二交通工具，确定为第一交通工具的引导交通工具。
举例来说，请参见图5，图5是本申请实施例提供的一种引导交通工具选择场景示意图。如图5所示，以上述提及的引导交通工具的确定方式中的两种方式为例，假定获取到第二交通工具5011的车道同向概率1，第二交通工具5012的车道同向概率2，以及第二交通工具5013的车道同向概率3等。在第(1)种可能的情况下，将各个第二交通工具中车道同向概率大于候选交通阈值的第二交通工具，作为候选交通工具，包括候选交通工具5021及候选交通工具5022，其中，候选交通工具属于至少两个第二交通工具。在道路坐标系504中，获取候选交通工具5021与第一交通工具503之间的纵向距离d1，获取候选交通工具5022与第一交通工具503之间的纵向距离d2，假定d1小于d2，则将纵向距离d1对应的候选交通工具5021，确定为第一交通工具的引导交通工具505。在第(2)种可能的情况下，将各个第二交通工具中车道同向概率最大的第二交通工具，确定为第一交通工具的引导交通工具505，例如，假定第二交通工具5012的车道同向概率2最大，则将第二交通工具5012确定为第一交通工具的引导交通工具505。
进一步地，请参见图6，图6是本申请实施例提供的一种第二交通工具的预测轨迹的确定方法流程图。如图6所示，该预测轨迹的确定过程可以包括如下步骤：
步骤S601，获取第二交通工具，获取第一交通工具的运行车道区域，建立道路坐标系。
在本申请实施例中，通过传感模块(如图2中所示)进行检测，获取第二交通工具。可选的，可以基于传感模块进行检测，如通过摄像头、角雷达或简单传感器等进行检测，获取第一交通工具所在的交通道路中的交通工具，将获取到的交通工具确定为第二交通工具；可选的，可以获取传感模块检测到的各个交通工具的反馈距离，将反馈距离小于检测距离阈值的交通工具，确定为第二交通工具。其中，该反馈距离可以是根据传感模块发送检测波到接收检测波的时间间隔所确定的，在此不做限制，例如，通过角雷达进行检测时，可以通过角雷达发射雷达波(即检测波)，该雷达波检测到交通工具时会返回，当第一交通工具获取到返回的雷达波时，可以根据发射雷达波的时间和接收雷达波的时间，确定该雷达波所检测到的交通工具的反馈距离。举例来说，可以参见图7，图7是本申请实施例提供的一种第二交通工具获取场景示意图。如图7所示，第一交通工具701发送检测波7011，根据该检测波7011检测第一交通工具701所在的交通道路中的交通工具，如交通工具702、交通工具703及交通工具704，假定交通工具702及交通工具703的反馈距离小于检测距离阈值，则将交通工具702及交通工具703确定为第二交通工具。
其中，第一交通工具的运行车道区域的获取过程，以及道路坐标系的建立过程，可以参见图3中步骤S301所示的具体描述，在此不再进行赘述。例如，可以参见图8，图8是本申请实施例提供的一种预测轨迹获取场景示意图。如图8所示，假定第一交通工具801所在的交通道路包括左一道、左二道、左三道及左四道，以第一交通工具801作为坐标原点，以第一交通工具801所在的第一车道线路信息所指示的车行道的中心线作为坐标纵轴S，将坐标纵轴S的法线作为坐标横轴D，以坐标原点、坐标纵轴S及坐标横轴D组成道路坐标系。以该道路坐标系表示第一交通工具801的运行车道区域802，可以记作Γ＝{(s,l):s>ego.s,|l|<0.5*lane_width}，ego.s为第一交通工具801当前在道路坐标系中的纵坐标值，lane_width为第一交通工具801所在的车行道的车道宽度，如图8中的标注所示。
步骤S602，获取第二交通工具的历史运行数据。
在本申请实施例中，获取第二交通工具的历史运行数据，该历史运行数据包括第二交通工具的历史运行轨迹及历史交通位置等。
步骤S603，根据历史运行数据确定第二交通工具的预测概率密度函数，根据预测概率密度函数确定第二交通工具的预测轨迹。
在本申请实施例中，可以根据历史运行轨迹及历史交通位置，确定第二交通工具的历史运行速度信息。根据第二交通工具所在的第二车道线路信息及历史运行速度信息，确定第二交通工具的预测轨迹。
具体的，根据第二交通工具所在的第二车道线路信息及历史运行速度信息，确定第二交通工具的预测轨迹，包括：
根据第二交通工具所在的第二车道线路信息及历史运行轨迹，确定第二交通工具的位置均值及位置方差，可以将位置均值记作μt，将位置方差记作
Figure BDA0002627391250000191
根据位置均值及位置方差确定基本概率密度函数，根据历史运行速度信息调整基本概率密度函数，得到预测概率密度函数，将预测概率密度函数对应的轨迹确定为第二交通工具的预测轨迹。其中，该基本概率密度函数可以是一个高斯分布函数，调整基本概率密度函数后得到的预测概率密度函数也可以是一个高斯分布函数，即，基本概率密度函数用于表示第二交通工具在当前时刻之前的运行轨迹，预测概率密度函数用于表示预测的第二交通工具在当前时刻之后的预测轨迹。其中，预测轨迹或历史运行轨迹中的各个点都服从正态分布。如图8中所示，基于历史运行轨迹及历史交通位置等进行预测，得到函数1和函数2，根据函数1对应的轨迹得到第二交通工具803的预测轨迹8031，根据函数2对应的轨迹得到第二交通工具803的预测轨迹8032。其中，函数1及函数2为预测概率密度函数。
例如，将该预测轨迹记作
Figure BDA0002627391250000201
时，该预测轨迹上的预测点可以表示为
Figure BDA0002627391250000202
N为正态分布。
其中，本申请中主要关注于对预测轨迹的概率分布的确定，因此，也可以使用其他获取预测轨迹的方式，在此不做限制。
本申请实施例通过获取第一交通工具的运行车道区域，基于第一交通工具及运行车道区域建立道路坐标系，获取第二交通工具的预测轨迹；将预测轨迹映射到道路坐标系，根据映射结果建立第二交通工具对应的局部坐标系，根据局部坐标系获取预测轨迹出现在运行车道区域的轨迹交叉概率；根据轨迹交叉概率从第二交通工具中确定引导交通工具，该引导交通工具是指引导第一交通工具行驶路线的交通工具。实现根据对第二交通工具的感知信息及预测轨迹，从第二交通工具中合理选择引导交通工具，在传感器配置较为简单的情况下，可以对第二交通工具的预测轨迹进行概率计算，以确定第二交通工具出现在第一交通工具的运行车道区域的概率，从而可以选取出第一交通工具的引导交通工具，使得即使在传感器配置较为简单，对第二交通工具的感知精度较低时，也可以通过本申请中所提供的方案，确定最可能的引导交通工具，提高了引导交通工具的选取效率，以及对引导交通工具选择的决策的容错性。
进一步地，请参见图9，图9是本申请实施例提供的一种智能交通管理装置示意图。该智能交通管理装置可以是运行于计算机设备中的一个计算机程序(包括程序代码)，例如该智能交通管理装置为一个应用软件；该装置可以用于执行本申请实施例提供的方法中的相应步骤。如图9所示，该智能交通管理装置900可以用于图3所对应实施例中的计算机设备，具体的，该装置可以包括：坐标建立模块11、轨迹概率确定模块12及引导工具确定模块13。
坐标建立模块11，用于获取第一交通工具的运行车道区域，基于第一交通工具及运行车道区域建立道路坐标系，获取第二交通工具的预测轨迹；
轨迹概率确定模块12，用于将预测轨迹映射到道路坐标系，根据映射结果建立第二交通工具对应的局部坐标系，根据局部坐标系获取预测轨迹出现在运行车道区域的轨迹交叉概率；
引导工具确定模块13，用于根据轨迹交叉概率从第二交通工具中确定引导交通工具；引导交通工具是指引导第一交通工具行驶路线的交通工具。
其中，在获取第一交通工具的运行车道区域，基于第一交通工具及运行车道区域建立道路坐标系方面，该坐标建立模块11包括：
区域获取单元111，用于获取第一交通工具所在的第一车道线路信息，根据第一交通工具的行驶方向，从第一车道线路信息中获取第一交通工具的运行车道区域；
坐标建立单元112，用于以第一交通工具作为坐标原点，以第一车道线路信息的中心线作为坐标纵轴，将坐标纵轴对应的法线作为坐标横轴，根据坐标原点、坐标横轴以及坐标纵轴，建立道路坐标系。
其中，在获取第二交通工具的预测轨迹方面，该坐标建立模块11包括：
速度获取单元113，用于获取第二交通工具的历史运行轨迹及历史交通位置，根据历史运行轨迹及历史交通位置，确定第二交通工具的历史运行速度信息；
轨迹确定单元114，用于根据第二交通工具所在的第二车道线路信息及历史运行速度信息，确定第二交通工具的预测轨迹。
其中，该轨迹确定单元114，包括：
位置参数确定子单元1141，用于根据第二交通工具所在的第二车道线路信息及历史运行轨迹，确定第二交通工具的位置均值及位置方差；
函数转换子单元1142，用于根据位置均值及位置方差确定基本概率密度函数，根据历史运行速度信息调整基本概率密度函数，得到预测概率密度函数，将预测概率密度函数对应的轨迹确定为第二交通工具的预测轨迹。
其中，该预测轨迹包括至少两个预测点；
该轨迹概率确定模块12，包括：
函数获取单元121，用于获取预测轨迹对应的预测概率密度函数；
坐标映射单元122，用于将预测概率密度函数映射到道路坐标系，根据映射结果在道路坐标系中建立各个预测点对应的局部坐标系，根据局部坐标系确定对应预测点的映射函数；
轨迹概率获取单元123，用于根据各个预测点的映射函数确定各个预测点在运行车道区域中的出现概率，将各个预测点的出现概率中最大的出现概率，确定为预测轨迹出现在运行车道区域的轨迹交叉概率。
其中，该引导工具确定模块13，包括：
车辆概率确定单元131，用于根据轨迹交叉概率确定第二交通工具与第一交通工具之间的车道同向概率；
引导工具获取单元132，用于根据车道同向概率从第二交通工具中确定引导交通工具。
其中，该车辆概率确定单元131，包括：
权重获取子单元1311，用于若预测轨迹的数量为至少两个，则获取每个预测轨迹的轨迹交叉概率，获取每个预测轨迹的轨迹权重；
车道概率生成子单元1312，用于根据轨迹权重对每个预测轨迹的轨迹交叉概率进行加权求和，得到第二交通工具与第一交通工具之间的车道同向概率。
其中，在获取每个预测轨迹的轨迹权重方面，该权重获取子单元1311包括：
历史数据获取子单元131a，用于获取第二交通工具的历史运行轨迹、历史交通位置及第二车道线路信息；
权重确定子单元131b，用于通过轨迹预测模型提取历史运行轨迹、历史交通位置及第二车道线路信息中的运行特征，根据运行特征确定每个预测轨迹的预测概率值，将预测概率值确定为对应预测轨迹的轨迹权重。
其中，该车辆概率确定单元131，包括：
概率选取子单元1313，用于若预测轨迹的数量为至少两个，则获取每个预测轨迹的轨迹交叉概率，将最大的轨迹交叉概率确定为第二交通工具与第一交通工具之间的车道同向概率。
其中，该引导工具获取单元132，包括：
概率比对子单元1321，用于若第二交通工具的数量为至少两个，则将每个第二交通工具的车道同向概率分别与候选交通阈值进行对比；
候选工具确定子单元1322，用于将车道同向概率大于候选交通阈值的第二交通工具，确定为候选交通工具；
距离获取子单元1323，用于若候选交通工具的数量为至少两个，则获取每个候选交通工具与第一交通工具的纵向距离；该纵向距离是基于道路坐标系所确定的；
引导获取子单元1324，用于将与第一交通工具的纵向距离最小的候选交通工具，确定为第一交通工具的引导交通工具。
其中，该引导工具获取单元132，包括：
车道概率获取子单元1325，用于若第二交通工具的数量为至少两个，则获取每个第二交通工具的车道同向概率；
该引导获取子单元1324，还用于将车道同向概率最大的第二交通工具，确定为第一交通工具的引导交通工具。
本申请实施例提供了一种智能交通管理装置，该装置通过获取第一交通工具的运行车道区域，基于第一交通工具及运行车道区域建立道路坐标系，获取第二交通工具的预测轨迹；将预测轨迹映射到道路坐标系，根据映射结果建立第二交通工具对应的局部坐标系，根据局部坐标系获取预测轨迹出现在运行车道区域的轨迹交叉概率；根据轨迹交叉概率从第二交通工具中确定引导交通工具，该引导交通工具是指引导第一交通工具行驶路线的交通工具。实现根据对第二交通工具的感知信息及预测轨迹，从第二交通工具中合理选择引导交通工具，在传感器配置较为简单的情况下，可以对第二交通工具的预测轨迹进行概率计算，以确定第二交通工具出现在第一交通工具的运行车道区域的概率，从而可以选取出第一交通工具的引导交通工具，使得即使在传感器配置较为简单，对第二交通工具的感知精度较低时，也可以通过本申请中所提供的方案，确定最可能的引导交通工具，提高了引导交通工具的选取效率，以及对引导交通工具选择的决策的容错性。
参见图10，图10是本申请实施例提供的一种计算机设备的结构示意图。如图10所示，本申请实施例中的计算机设备可以包括：一个或多个处理器1001、存储器1002和输入输出接口1003。该处理器1001、存储器1002和输入输出接口1003通过总线1004连接。存储器1002用于存储计算机程序，该计算机程序包括程序指令，输入输出接口1003用于接收数据及输出数据；处理器1001用于执行存储器1002存储的程序指令，执行如下操作：
获取第一交通工具的运行车道区域，基于第一交通工具及运行车道区域建立道路坐标系，获取第二交通工具的预测轨迹；
将预测轨迹映射到道路坐标系，根据映射结果建立第二交通工具对应的局部坐标系，根据局部坐标系获取预测轨迹出现在运行车道区域的轨迹交叉概率；
根据轨迹交叉概率从第二交通工具中确定引导交通工具；引导交通工具是指引导第一交通工具行驶路线的交通工具。
在一些可行的实施方式中，该处理器1001可以是中央处理单元(centralprocessing unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digitalsignal processor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(field-programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器1002可以包括只读存储器和随机存取存储器，并向处理器1001和输入输出接口1003提供指令和数据。存储器1002的一部分还可以包括非易失性随机存取存储器。例如，存储器1002还可以存储设备类型的信息。
具体实现中，该计算机设备可通过其内置的各个功能模块执行如该图3中各个步骤所提供的实现方式，具体可参见该图3中各个步骤所提供的实现方式，在此不再赘述。
本申请实施例通过提供一种计算机设备，包括：处理器、输入输出接口、存储器，通过处理器获取存储器中的计算机指令，执行该图3中所示方法的各个步骤，进行智能交通管理操作。本申请实施例实现了获取第一交通工具的运行车道区域，基于第一交通工具及运行车道区域建立道路坐标系，获取第二交通工具的预测轨迹；将预测轨迹映射到道路坐标系，根据映射结果建立第二交通工具对应的局部坐标系，根据局部坐标系获取预测轨迹出现在运行车道区域的轨迹交叉概率；根据轨迹交叉概率从第二交通工具中确定引导交通工具，该引导交通工具是指引导第一交通工具行驶路线的交通工具。实现根据对第二交通工具的感知信息及预测轨迹，从第二交通工具中合理选择引导交通工具，在传感器配置较为简单的情况下，可以对第二交通工具的预测轨迹进行概率计算，以确定第二交通工具出现在第一交通工具的运行车道区域的概率，从而可以选取出第一交通工具的引导交通工具，使得即使在传感器配置较为简单，对第二交通工具的感知精度较低时，也可以通过本申请中所提供的方案，确定最可能的引导交通工具，提高了引导交通工具的选取效率，以及对引导交通工具选择的决策的容错性。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包括程序指令，当该程序指令被该处理器执行时，可以实现图3中各个步骤所提供的智能交通管理方法，具体可参见该图3中各个步骤所提供的实现方式，在此不再赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述。作为示例，程序指令可被部署为在一个计算机设备上执行，或者在位于一个地点的多个计算机设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算机设备上执行。
该计算机可读存储介质可以是前述任一实施例提供的智能交通管理装置或者该计算机设备的内部存储单元，例如计算机设备的硬盘或内存。该计算机可读存储介质也可以是该计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(smart media card，SMC)，安全数字(secure digital，SD)卡，闪存卡(flash card)等。进一步地，该计算机可读存储介质还可以既包括该计算机设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该计算机设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图3中的各种可选方式中所提供的方法，实现对第二交通工具的预测轨迹的概率分布的确定，提高了引导交通工具确定的准确性，以及对引导交通工具选择的容错性。
本申请实施例的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、装置、产品或设备固有的其他步骤单元。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在该说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例提供的方法及相关装置是参照本申请实施例提供的方法流程图和/或结构示意图来描述的，具体可由计算机程序指令实现方法流程图和/或结构示意图的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。这些计算机程序指令可提供到通用计算机、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/或结构示意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/或结构示意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/或结构示意一个方框或多个方框中指定的功能的步骤。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。

Claims (14)

1.一种智能交通管理方法，其特征在于，所述方法包括：
获取第一交通工具的运行车道区域，基于所述第一交通工具及所述运行车道区域建立道路坐标系，获取第二交通工具的预测轨迹；所述预测轨迹包括至少两个预测点；
获取所述预测轨迹对应的预测概率密度函数；所述预测概率密度函数用于表示所述预测轨迹中的各个预测点的概率密度函数；
沿所述道路坐标系的法线方向，将所述预测概率密度函数映射到所述道路坐标系，根据映射结果在所述道路坐标系中建立各个预测点对应的局部坐标系，根据所述局部坐标系确定对应预测点的映射函数；所述映射结果包括所述各个预测点在所述道路坐标系中的映射点；所述局部坐标系以对应的预测点在所述道路坐标系中的映射点为局部坐标原点，以所述道路坐标系在所述映射点处的法线为局部坐标横轴，以所述道路坐标系在所述映射点处的切线为局部坐标纵轴；
根据各个预测点的映射函数确定所述各个预测点在所述运行车道区域中的出现概率，将所述各个预测点的出现概率中最大的出现概率，确定为所述预测轨迹出现在所述运行车道区域的轨迹交叉概率；
根据所述轨迹交叉概率从所述第二交通工具中确定引导交通工具；所述引导交通工具是指引导所述第一交通工具行驶路线的交通工具。
2.如权利要求1所述的方法，其特征在于，所述获取第一交通工具的运行车道区域，基于所述第一交通工具及所述运行车道区域建立道路坐标系，包括：
获取第一交通工具所在的第一车道线路信息，根据所述第一交通工具的行驶方向，从所述第一车道线路信息中获取所述第一交通工具的运行车道区域；
以所述第一交通工具作为坐标原点，以所述第一车道线路信息的中心线作为坐标纵轴，将所述坐标纵轴对应的法线作为坐标横轴，根据所述坐标原点、所述坐标横轴以及所述坐标纵轴，建立道路坐标系。
3.如权利要求1所述的方法，其特征在于，所述获取第二交通工具的预测轨迹，包括：
获取第二交通工具的历史运行轨迹及历史交通位置，根据所述历史运行轨迹及所述历史交通位置，确定所述第二交通工具的历史运行速度信息；
根据所述第二交通工具所在的第二车道线路信息及所述历史运行速度信息，确定所述第二交通工具的预测轨迹。
4.如权利要求3所述的方法，其特征在于，所述根据所述第二交通工具所在的第二车道线路信息及所述历史运行速度信息，确定所述第二交通工具的预测轨迹，包括：
根据所述第二交通工具所在的第二车道线路信息及所述历史运行轨迹，确定所述第二交通工具的位置均值及位置方差；
根据所述位置均值及所述位置方差确定基本概率密度函数，根据所述历史运行速度信息调整所述基本概率密度函数，得到预测概率密度函数，将所述预测概率密度函数对应的轨迹确定为所述第二交通工具的预测轨迹。
5.如权利要求1所述的方法，其特征在于，所述根据所述轨迹交叉概率从所述第二交通工具中确定引导交通工具，包括：
根据所述轨迹交叉概率确定所述第二交通工具与所述第一交通工具之间的车道同向概率；
根据所述车道同向概率从所述第二交通工具中确定引导交通工具。
6.如权利要求5所述的方法，其特征在于，所述根据所述轨迹交叉概率确定所述第二交通工具与所述第一交通工具之间的车道同向概率，包括：
若所述预测轨迹的数量为至少两个，则获取每个预测轨迹的轨迹交叉概率，获取所述每个预测轨迹的轨迹权重；
根据所述轨迹权重对所述每个预测轨迹的轨迹交叉概率进行加权求和，得到所述第二交通工具与所述第一交通工具之间的车道同向概率。
7.如权利要求6所述的方法，其特征在于，所述获取所述每个预测轨迹的轨迹权重，包括：
获取所述第二交通工具的历史运行轨迹、历史交通位置及第二车道线路信息；
通过轨迹预测模型提取所述历史运行轨迹、所述历史交通位置及所述第二车道线路信息中的运行特征，根据所述运行特征确定所述每个预测轨迹的预测概率值，将所述预测概率值确定为对应预测轨迹的轨迹权重。
8.如权利要求5所述的方法，其特征在于，所述根据所述轨迹交叉概率确定所述第二交通工具与所述第一交通工具之间的车道同向概率，包括：
若所述预测轨迹的数量为至少两个，则获取每个预测轨迹的轨迹交叉概率，将最大的轨迹交叉概率确定为所述第二交通工具与所述第一交通工具之间的车道同向概率。
9.如权利要求5所述的方法，其特征在于，所述根据所述车道同向概率从所述第二交通工具中确定引导交通工具，包括：
若所述第二交通工具的数量为至少两个，则将每个第二交通工具的车道同向概率分别与候选交通阈值进行对比；
将所述车道同向概率大于所述候选交通阈值的第二交通工具，确定为候选交通工具；
若所述候选交通工具的数量为至少两个，则获取每个候选交通工具与所述第一交通工具的纵向距离；所述纵向距离是基于所述道路坐标系所确定的；
将与所述第一交通工具的纵向距离最小的候选交通工具，确定为所述第一交通工具的引导交通工具。
10.如权利要求5所述的方法，其特征在于，所述根据所述车道同向概率从所述第二交通工具中确定引导交通工具，包括：
若所述第二交通工具的数量为至少两个，则获取每个第二交通工具的车道同向概率；
将所述车道同向概率最大的第二交通工具，确定为所述第一交通工具的引导交通工具。
11.一种智能交通管理装置，其特征在于，所述装置包括：
坐标建立模块，用于获取第一交通工具的运行车道区域，基于所述第一交通工具及所述运行车道区域建立道路坐标系，获取第二交通工具的预测轨迹；所述预测轨迹包括至少两个预测点；
轨迹概率确定模块，用于沿所述道路坐标系的法线方向，将所述预测轨迹映射到所述道路坐标系，根据映射结果建立所述第二交通工具对应的局部坐标系，根据所述局部坐标系获取所述预测轨迹出现在所述运行车道区域的轨迹交叉概率；所述映射结果包括所述各个预测点在所述道路坐标系中的映射点；所述局部坐标系以对应的预测点在所述道路坐标系中的映射点为局部坐标原点，以所述道路坐标系在所述映射点处的法线为局部坐标横轴，以所述道路坐标系在所述映射点处的切线为局部坐标纵轴；
引导工具确定模块，用于根据所述轨迹交叉概率从所述第二交通工具中确定引导交通工具；所述引导交通工具是指引导所述第一交通工具行驶路线的交通工具；
其中，所述轨迹概率确定模块，包括：
函数获取单元，用于获取所述预测轨迹对应的预测概率密度函数；所述预测概率密度函数用于表示所述预测轨迹中的各个预测点的概率密度函数；
坐标映射单元，用于将所述预测概率密度函数映射到所述道路坐标系，根据映射结果在所述道路坐标系中建立各个预测点对应的局部坐标系，根据所述局部坐标系确定对应预测点的映射函数；
轨迹概率获取单元，用于根据各个预测点的映射函数确定所述各个预测点在所述运行车道区域中的出现概率，将所述各个预测点的出现概率中最大的出现概率，确定为所述预测轨迹出现在所述运行车道区域的轨迹交叉概率。
12.如权利要求11所述的装置，其特征在于，所述坐标建立模块，包括：
区域获取单元，用于获取第一交通工具所在的第一车道线路信息，根据所述第一交通工具的行驶方向，从所述第一车道线路信息中获取所述第一交通工具的运行车道区域；
坐标建立单元，用于以所述第一交通工具作为坐标原点，以所述第一车道线路信息的中心线作为坐标纵轴，将所述坐标纵轴对应的法线作为坐标横轴，根据所述坐标原点、所述坐标横轴以及所述坐标纵轴，建立道路坐标系。
13.一种计算机设备，其特征在于，包括处理器、存储器、输入输出接口；
所述处理器分别与所述存储器和所述输入输出接口相连，其中，所述输入输出接口用于接收数据及输出数据，所述存储器用于存储计算机程序，所述处理器用于调用所述计算机程序，以执行如权利要求1-10任一项所述的方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时，执行如权利要求1-10任一项所述的方法。
CN202010801029.5A 2020-08-11 2020-08-11 一种智能交通管理方法、装置、计算机及可读存储介质 Active CN111898835B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010801029.5A CN111898835B (zh) 2020-08-11 2020-08-11 一种智能交通管理方法、装置、计算机及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010801029.5A CN111898835B (zh) 2020-08-11 2020-08-11 一种智能交通管理方法、装置、计算机及可读存储介质

Publications (2)

Publication Number Publication Date
CN111898835A CN111898835A (zh) 2020-11-06
CN111898835B true CN111898835B (zh) 2022-02-22

Family

ID=73246862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010801029.5A Active CN111898835B (zh) 2020-08-11 2020-08-11 一种智能交通管理方法、装置、计算机及可读存储介质

Country Status (1)

Country Link
CN (1) CN111898835B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112632208B (zh) * 2020-12-25 2022-12-16 际络科技(上海)有限公司 一种交通流轨迹变形方法及装置
CN115116267B (zh) * 2021-03-18 2024-06-25 上海汽车集团股份有限公司 一种车辆换道处理系统和车辆
CN113129603B (zh) * 2021-03-26 2022-06-17 深圳市跨越新科技有限公司 平行道路超速判定方法、装置、终端及存储介质
CN115309169B (zh) * 2022-10-11 2022-12-20 天地科技股份有限公司 一种井下无人车控制方法及装置
CN116070780B (zh) * 2023-02-28 2023-06-20 小米汽车科技有限公司 轨迹预测算法的评价方法、装置、介质及车辆

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105702093A (zh) * 2016-04-21 2016-06-22 江苏联盟信息工程有限公司 一种基于经纬度采集点的车道判定方法及定位装置
CN109871599A (zh) * 2019-01-30 2019-06-11 西安理工大学 一种无人驾驶车辆运行安全指数评价方法
CN110379203A (zh) * 2019-06-21 2019-10-25 江苏大学 一种行车转向碰撞预警方法
CN110920611A (zh) * 2018-09-14 2020-03-27 维布络有限公司 基于邻车的车辆控制方法和装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014024284A1 (ja) * 2012-08-08 2014-02-13 トヨタ自動車株式会社 衝突予測装置
US9482751B2 (en) * 2014-10-13 2016-11-01 Applied Concepts, Inc. Collision detection system and method of operation
KR102138979B1 (ko) * 2018-11-29 2020-07-29 한국과학기술원 차선 기반의 확률론적 주변 차량 거동 예측 및 이를 이용한 종방향 제어 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105702093A (zh) * 2016-04-21 2016-06-22 江苏联盟信息工程有限公司 一种基于经纬度采集点的车道判定方法及定位装置
CN110920611A (zh) * 2018-09-14 2020-03-27 维布络有限公司 基于邻车的车辆控制方法和装置
CN109871599A (zh) * 2019-01-30 2019-06-11 西安理工大学 一种无人驾驶车辆运行安全指数评价方法
CN110379203A (zh) * 2019-06-21 2019-10-25 江苏大学 一种行车转向碰撞预警方法

Also Published As

Publication number Publication date
CN111898835A (zh) 2020-11-06

Similar Documents

Publication Publication Date Title
CN111898835B (zh) 一种智能交通管理方法、装置、计算机及可读存储介质
Suhr et al. Sensor fusion-based low-cost vehicle localization system for complex urban environments
KR102525227B1 (ko) 도로 정보 데이터를 결정하는 방법, 장치, 전자 기기, 저장 매체 및 프로그램
RU2734744C1 (ru) Оперативное управление автономным транспортным средством, включающее в себя работу экземпляра модели частично наблюдаемого марковского процесса принятия решений
US20230144209A1 (en) Lane line detection method and related device
CN112212874B (zh) 车辆轨迹预测方法、装置、电子设备及计算机可读介质
CN113168708B (zh) 车道线跟踪方法和装置
US11474532B2 (en) Systems and methods for detecting anomalies in a vehicle system
Sun et al. Proximity based automatic data annotation for autonomous driving
US11231283B2 (en) Localization with neural network based image registration of sensor data and map data
EP4172022A1 (en) Systems and methods for optimizing trajectory planner based on human driving behaviors
US11499833B2 (en) Inferring lane boundaries via high speed vehicle telemetry
CN114207627A (zh) 用于路径规划系统的极端情况检测和收集
CN114556419A (zh) 三维点云分割方法和装置、可移动平台
US20240236934A1 (en) Positioning precision estimation method and apparatus, electronic device, and storage medium
CN117387647A (zh) 融合车载传感器数据与道路传感器数据的道路规划方法
US10532750B2 (en) Method, device and system for wrong-way driver detection
US20230394694A1 (en) Methods and apparatus for depth estimation using stereo cameras in a vehicle system
Chen et al. Improving Autonomous Vehicle Mapping and Navigation in Work Zones Using Crowdsourcing Vehicle Trajectories
De Borba et al. Increasing Safety of Automated Driving by Infrastructure-Based Sensors
Chipka et al. Estimation and navigation methods with limited information for autonomous urban driving
US12086695B2 (en) System and method for training a multi-task model
US11783178B2 (en) Systems and methods for corridor intent prediction
US11544899B2 (en) System and method for generating terrain maps
Ballardini et al. An ego-lane estimation method with sensor failure modelling

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