CN111951552A - 一种自动驾驶中风险管理的方法以及相关装置 - Google Patents

一种自动驾驶中风险管理的方法以及相关装置 Download PDF

Info

Publication number
CN111951552A
CN111951552A CN202010801913.9A CN202010801913A CN111951552A CN 111951552 A CN111951552 A CN 111951552A CN 202010801913 A CN202010801913 A CN 202010801913A CN 111951552 A CN111951552 A CN 111951552A
Authority
CN
China
Prior art keywords
collision
obstacle
automatic driving
range
probability
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
Application number
CN202010801913.9A
Other languages
English (en)
Other versions
CN111951552B (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 CN202010801913.9A priority Critical patent/CN111951552B/zh
Publication of CN111951552A publication Critical patent/CN111951552A/zh
Application granted granted Critical
Publication of CN111951552B publication Critical patent/CN111951552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种自动驾驶中风险管理的方法以及相关装置。通过获取障碍物的预测轨迹集；然后基于每条预测轨迹进行计算，以分别确定障碍物在每条预测轨迹下与自动驾驶对象的碰撞概率；进而根据碰撞概率确定自动驾驶对象在时间域内的碰撞风险值，碰撞风险值用于指示自动驾驶对象进行风险保护。从而实现自动驾驶对象在低精度场景下的风险管理过程，由于碰撞概率的计算过程采用多条预测轨迹进行积分所得，保证了碰撞风险值的准确性，进而提高了自动驾驶对象在低精度场景下的安全性。

Description

一种自动驾驶中风险管理的方法以及相关装置
技术领域
本申请涉及计算机技术领域，尤其涉及一种自动驾驶中风险管理的方法以及相关装置。
背景技术
自动驾驶汽车(Autonomous vehicles；Self-piloting automobile)又称无人驾驶汽车、电脑驾驶汽车、或轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能汽车。自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。在车辆行驶过程中，自动驾驶系统需要了解周围的交通状况，根据行驶路线上的道路和交通状况进行导航，以保证车辆的安全、正常行驶。
一般，在自动驾驶领域常用的传感器是激光雷达，通过激光雷达获取障碍物的感知信息，并进行对应的路径规划。
但是，当对于障碍物的感知信息不稳定时，障碍物的驾驶意图难以准确判断，影响自动驾驶过程中的安全性。
发明内容
有鉴于此，本申请提供一种自动驾驶中风险管理的方法，可以有效避免人工进行内容的逐一添加带来的更新效率的影响，提高互动视频的内容扩展的效率。
本申请第一方面提供一种自动驾驶中风险管理的方法，可以应用于终端设备中包含自动驾驶中风险管理功能的系统或程序中，具体包括：
获取障碍物的预测轨迹集，所述预测轨迹集包括多条预测轨迹，所述预测轨迹中的每个点在时间域内与正态分布的随机变量相关联，所述障碍物基于自动驾驶对象对应的预测路径确定；
基于每条所述预测轨迹进行计算，以分别确定所述障碍物在每条所述预测轨迹下与所述自动驾驶对象的碰撞概率；
根据所述碰撞概率确定所述自动驾驶对象在所述时间域内的碰撞风险值，所述碰撞风险值用于指示所述自动驾驶对象进行风险保护。
可选的，在本申请一些可能的实现方式中，所述基于每条所述预测轨迹进行计算，以分别确定所述障碍物在每条所述预测轨迹下与所述自动驾驶对象的碰撞概率，包括：
确定所述障碍物对应的障碍范围以及所述自动驾驶对象对应的对象范围；
基于每条所述预测轨迹分别确定所述障碍范围与所述对象范围的相交情况，以确定所述碰撞概率。
可选的，在本申请一些可能的实现方式中，所述基于每条所述预测轨迹分别确定所述障碍范围与所述对象范围的相交情况，以确定所述碰撞概率，包括：
确定所述障碍范围与所述对象范围的闵可夫斯基和，以得到碰撞范围；
基于每条所述预测轨迹分别确定所述障碍范围进入所述碰撞范围对应的边界的边界穿越概率；
根据所述碰撞范围对应的每个边界的边界穿越概率确定所述碰撞概率。
可选的，在本申请一些可能的实现方式中，所述基于每条所述预测轨迹分别确定所述障碍范围进入所述碰撞范围对应的边界的边界穿越概率，包括：
基于所述碰撞范围对应的边界建立辅助坐标系，所述辅助坐标系的横轴或纵轴中的一个与所述碰撞范围对应的边界平行；
确定所述障碍物与所述自动驾驶对象的相对速度；
根据所述相对速度和所述障碍范围对应的中心坐标确定概率密度函数；
基于所述时间域进行所述概率密度函数的计算，以确定所述边界穿越概率。
可选的，在本申请一些可能的实现方式中，所述基于所述时间域进行所述概率密度函数的计算，以确定所述边界穿越概率，包括：
确定所述碰撞范围对应的边界的坐标范围；
基于所述坐标范围约束所述概率密度函数相关于所述时间域的计算，以确定所述边界穿越概率。
可选的，在本申请一些可能的实现方式中，所述方法还包括：
确定所述碰撞风险值所处的风险等级；
基于所述风险等级生成对应的风险控制指令，所述风险控制指令用于指示所述自动驾驶对象进行风险保护。
可选的，在本申请一些可能的实现方式中，所述方法还包括：
获取所述自动驾驶对象的行驶信息；
对所述行驶信息进行校验，以得到故障信息；
基于所述故障信息获取所述障碍物的所述预测轨迹集。
可选的，在本申请一些可能的实现方式中，所述对所述行驶信息进行校验，以得到故障信息，包括：
基于所述行驶信息确定所述障碍物的轨迹扰动范围；
根据所述轨迹扰动范围与预设精度范围进行校验，以得到故障信息。
可选的，在本申请一些可能的实现方式中，所述获取所述自动驾驶对象的行驶信息，包括：
获取所述自动驾驶对象的驾驶版本信息；
若所述驾驶版本信息满足预设版本条件，则获取所述自动驾驶对象的行驶信息。
可选的，在本申请一些可能的实现方式中，所述获取所述自动驾驶对象的行驶信息，包括：
获取所述自动驾驶对象所处的环境信息；
若所述环境信息满足预设环境条件，则获取所述自动驾驶对象的行驶信息。
可选的，在本申请一些可能的实现方式中，所述获取所述自动驾驶对象所处的环境信息，包括：
发起环境探测广播；
基于所述环境探测广播获取至少一个广播对象反馈的探测信息；
根据所述探测信息的波动情况获取所述自动驾驶对象所处的环境信息。
可选的，在本申请一些可能的实现方式中，所述自动驾驶对象对应的自动驾驶分级为L2.5-L4，所述自动驾驶对象配置的传感器包括前视相机、角雷达、环视雷达或超声波雷达。
本申请第二方面提供一种自动驾驶中风险管理装置，包括：获取单元，用于获取障碍物的预测轨迹集，所述预测轨迹集包括多条预测轨迹，所述预测轨迹中的每个点在时间域内与正态分布的随机变量相关联，所述障碍物基于自动驾驶对象对应的预测路径确定；
确定单元，用于基于每条所述预测轨迹进行计算，以分别确定所述障碍物在每条所述预测轨迹下与所述自动驾驶对象的碰撞概率；
管理单元，用于根据所述碰撞概率确定所述自动驾驶对象在所述时间域内的碰撞风险值，所述碰撞风险值用于指示所述自动驾驶对象进行风险保护。
可选的，在本申请一些可能的实现方式中，所述确定单元，具体用于确定所述障碍物对应的障碍范围以及所述自动驾驶对象对应的对象范围；
所述确定单元，具体用于基于每条所述预测轨迹分别确定所述障碍范围与所述对象范围的相交情况，以确定所述碰撞概率。
可选的，在本申请一些可能的实现方式中，所述确定单元，具体用于确定所述障碍范围与所述对象范围的闵可夫斯基和，以得到碰撞范围；
所述确定单元，具体用于根据所述碰撞范围对应的每个边界的边界穿越概率确定所述碰撞概率。
可选的，在本申请一些可能的实现方式中，所述确定单元，具体用于基于所述碰撞范围对应的边界建立辅助坐标系，所述辅助坐标系的横轴或纵轴中的一个与所述碰撞范围对应的边界平行；
所述确定单元，具体用于确定所述障碍物与所述自动驾驶对象的相对速度；
所述确定单元，具体用于根据所述相对速度和所述障碍范围对应的中心坐标确定概率密度函数；
所述确定单元，具体用于基于所述时间域进行所述概率密度函数的计算，以确定所述边界穿越概率。
可选的，在本申请一些可能的实现方式中，所述确定单元，具体用于确定所述碰撞范围对应的边界的坐标范围；
所述确定单元，具体用于基于所述坐标范围约束所述概率密度函数相关于所述时间域的计算，以确定所述边界穿越概率。
可选的，在本申请一些可能的实现方式中，所述管理单元，具体用于确定所述碰撞风险值所处的风险等级；
所述管理单元，具体用于基于所述风险等级生成对应的风险控制指令，所述风险控制指令用于指示所述自动驾驶对象进行风险保护。
可选的，在本申请一些可能的实现方式中，所述管理单元，具体用于获取所述自动驾驶对象的行驶信息；
所述管理单元，具体用于对所述行驶信息进行校验，以得到故障信息；
所述管理单元，具体用于基于所述故障信息获取所述障碍物的所述预测轨迹集。
可选的，在本申请一些可能的实现方式中，所述管理单元，具体用于基于所述行驶信息确定所述障碍物的轨迹扰动范围；
所述管理单元，具体用于根据所述轨迹扰动范围与预设精度范围进行校验，以得到故障信息。
可选的，在本申请一些可能的实现方式中，所述管理单元，具体用于获取所述自动驾驶对象的驾驶版本信息；
所述管理单元，具体用于若所述驾驶版本信息满足预设版本条件，则获取所述自动驾驶对象的行驶信息。
可选的，在本申请一些可能的实现方式中，所述管理单元，具体用于获取所述自动驾驶对象所处的环境信息；
所述管理单元，具体用于若所述环境信息满足预设环境条件，则获取所述自动驾驶对象的行驶信息。
可选的，在本申请一些可能的实现方式中，所述管理单元，具体用于发起环境探测广播；
所述管理单元，具体用于基于所述环境探测广播获取至少一个广播对象反馈的探测信息；
所述管理单元，具体用于根据所述探测信息的波动情况获取所述自动驾驶对象所处的环境信息。
本申请第三方面提供一种计算机设备，包括：存储器、处理器以及总线系统；所述存储器用于存储程序代码；所述处理器用于根据所述程序代码中的指令执行上述第一方面或第一方面任一项所述的自动驾驶中风险管理的方法。
本申请第四方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面或第一方面任一项所述的自动驾驶中风险管理的方法。
根据本申请的一个方面，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上述第一方面或者第一方面的各种可选实现方式中提供的自动驾驶中风险管理的方法。
从以上技术方案可以看出，本申请实施例具有以下优点：
通过获取障碍物的预测轨迹集，其中预测轨迹集包括多条预测轨迹，预测轨迹中的每个点在时间域内与正态分布的随机变量相关联，障碍物基于自动驾驶对象对应的预测路径确定；然后基于每条预测轨迹进行计算，以分别确定障碍物在每条预测轨迹下与自动驾驶对象的碰撞概率；进而根据碰撞概率确定自动驾驶对象在时间域内的碰撞风险值，碰撞风险值用于指示自动驾驶对象进行风险保护。从而实现自动驾驶对象在低精度场景下的风险管理过程，由于碰撞概率的计算过程采用多条预测轨迹进行积分所得，保证了碰撞风险值的准确性，进而提高了自动驾驶对象在低精度场景下的安全性。
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，还可以根据提供的附图获得其他的附图。
图1为自动驾驶中风险管理系统运行的网络架构图；
图2为本申请实施例提供的一种自动驾驶中风险管理的系统架构图；
图3为本申请实施例提供的一种自动驾驶中风险管理的方法的流程图；
图4为本申请实施例提供的一种自动驾驶中风险管理的场景示意图；
图5为本申请实施例提供的另一种自动驾驶中风险管理的场景示意图；
图6为本申请实施例提供的另一种自动驾驶中风险管理的场景示意图；
图7为本申请实施例提供的另一种自动驾驶中风险管理的场景示意图；
图8为本申请实施例提供的另一种自动驾驶中风险管理的场景示意图；
图9为本申请实施例提供的另一种自动驾驶中风险管理的场景示意图；
图10为本申请实施例提供的另一种自动驾驶中风险管理的场景示意图；
图11为本申请实施例提供的另一种自动驾驶中风险管理的方法的流程图；
图12为本申请实施例提供的另一种自动驾驶中风险管理的场景示意图；
图13为本申请实施例提供的另一种自动驾驶中风险管理的场景示意图；
图14为本申请实施例提供的一种自动驾驶中风险管理装置的结构示意图；
图15为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
本申请实施例提供了一种自动驾驶中风险管理的方法以及相关装置，可以应用于终端设备中包含自动驾驶中风险管理功能的系统或程序中，通过获取障碍物的预测轨迹集，其中预测轨迹集包括多条预测轨迹，预测轨迹中的每个点在时间域内与正态分布的随机变量相关联，障碍物基于自动驾驶对象对应的预测路径确定；然后基于每条预测轨迹进行计算，以分别确定障碍物在每条预测轨迹下与自动驾驶对象的碰撞概率；进而根据碰撞概率确定自动驾驶对象在时间域内的碰撞风险值，碰撞风险值用于指示自动驾驶对象进行风险保护。从而实现自动驾驶对象在低精度场景下的风险管理过程，由于碰撞概率的计算过程采用多条预测轨迹进行积分所得，保证了碰撞风险值的准确性，进而提高了自动驾驶对象在低精度场景下的安全性。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“对应于”以及他们的任何变形，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、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中，首先参考图1，为自动驾驶中风险管理系统运行的网络架构图。该应用场景至少包括数据处理设备101、自动驾驶对象102，数据处理设备101与自动驾驶对象102之间可以位于同一局域网中，也可以位于不同的网络中。数据处理设备101与自动驾驶对象102之间通过有线网络或者无线网络进行连接。
一种可选的实施例中，数据处理设备101与自动驾驶对象102之间可以通过车联网进行连接，例如通过蓝牙技术，无线技术将数据处理设备101与自动驾驶对象102接入车辆网，并进行数据交互。
在本申请实施例中，数据处理设备101将针对自动驾驶对象102采集到的激光点云数据进行数据处理，数据处理的过程是确定激光点云数据中的各结构化信息，根据结构化信息从激光点云数据中确定第一类目标对象，并根据能够确定的目标对象的各类别，从激光点云数据中确定第二类目标对象。
数据处理设备101对第一类目标对象以及第二类目标对象进行追踪，得到动态追踪结果，并根据动态追踪结果确定自动驾驶对象的驾驶策略。
应理解，本申请实施例中的数据处理设备101包括但不限于桌面计算机、移动电话、移动电脑、平板电脑等电子设备，可以包括服务器，服务器可以是服务器集群，也可以是单个服务器。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。
一种可选的实施例中，数据处理设备101为自动驾驶对象102中的一部分，即数据处理设备101为自动驾驶对象102中的服务器或者计算节点，通过获取针对自动驾驶对象102的激光点云数据进行数据处理，并确定自动驾驶对象的驾驶策略。
在本申请中，如图1所示，场景架构中还包括采集设备103，在本申请实施例中，采集设备103具有采集激光点云数据的功能，可选的，采集设备103为自动驾驶对象102中的激光雷达设备，该激光雷达设备可以通过主动发送激光的方式探测自动驾驶对象102行驶路线周围的障碍物信息等，并形成激光点云数据。
另一种可选的实施例中，图1所示，场景架构中还包括数据库104，数据库104与数据处理设备101可以通过有线网络或者无线网络的方式连接，同样数据库104与采集设备103可以通过有线网络或者无线网络的方式连接；数据库104用于保存采集设备103采集的激光点云数据或者保存数据处理设备101确定的追踪结果以及驾驶策略等。
同样的，在本申请实施例中，数据库104可以为云数据库，云数据库是指通过集群应用、网格技术以及分布存储文件系统等功能，将网络中大量各种不同类型的存储设备(存储设备也称之为存储节点)通过应用软件或应用接口集合起来协同工作，共同对外提供数据存储和业务访问功能的一个存储系统。在本申请实施例中，数据处理设备101以及采集设备103可以通过云数据库的访问结构访问云数据库。
当然，本申请实施例提供的方法并不限用于图1所示的应用场景中，还可以用于其它可能的应用场景，本申请实施例并不进行限制。对于图1所示的应用场景的各个设备所能实现的功能将在后续的方法实施例中一并进行描述，在此先不过多赘述。
为进一步说明本申请实施例提供的技术方案，下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本申请实施例提供的执行顺序。
下面结合图1所示的应用场景，对本申请实施例提供的技术方案进行说明。
自动驾驶汽车(Autonomous vehicles；Self-piloting automobile)又称无人驾驶汽车、电脑驾驶汽车、或轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能汽车。自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。在车辆行驶过程中，自动驾驶系统需要了解周围的交通状况，根据行驶路线上的道路和交通状况进行导航，以保证车辆的安全、正常行驶。
一般，在自动驾驶领域常用的传感器是激光雷达，通过激光雷达获取障碍物的感知信息，并进行对应的路径规划。
但是，当对于障碍物的感知信息不稳定时，障碍物的驾驶意图难以准确判断，影响自动驾驶过程中的安全性。
为了解决上述问题，本申请提出了一种自动驾驶中风险管理的方法，该方法应用于图2所示的自动驾驶中风险管理的系统框架中，如图2所示，为本申请实施例提供的一种自动驾驶中风险管理的系统架构图，通过感知模块确定障碍物的出现并确定障碍物的位置信息，然后通过预测模块预测存在扰动范围的预测轨迹，从而基于预设轨迹进行积分计算，以确定障碍物与自动驾驶对象的碰撞风险值，进而控制模块根据该碰撞风险值进行响应的避险操作，以保证自动驾驶对象的安全行驶。
可以理解的是，本申请所提供的方法可以为一种程序的写入，以作为硬件系统中的一种处理逻辑，也可以作为一种自动驾驶中风险管理装置，采用集成或外接的方式实现上述处理逻辑。作为一种实现方式，该自动驾驶中风险管理装置通过获取障碍物的预测轨迹集，其中预测轨迹集包括多条预测轨迹，预测轨迹中的每个点在时间域内与正态分布的随机变量相关联，障碍物基于自动驾驶对象对应的预测路径确定；然后基于每条预测轨迹进行计算，以分别确定障碍物在每条预测轨迹下与自动驾驶对象的碰撞概率；进而根据碰撞概率确定自动驾驶对象在时间域内的碰撞风险值，碰撞风险值用于指示自动驾驶对象进行风险保护。从而实现自动驾驶对象在低精度场景下的风险管理过程，由于碰撞概率的计算过程采用多条预测轨迹进行积分所得，保证了碰撞风险值的准确性，进而提高了自动驾驶对象在低精度场景下的安全性。
结合上述系统架构，下面将对本申请中自动驾驶中风险管理的方法进行介绍，请参阅图3，图3为本申请实施例提供的一种自动驾驶中风险管理的方法的流程图，本申请实施例至少包括以下步骤：
301、获取障碍物的预测轨迹集。
本实施例中，获取障碍物的预测轨迹集可以发生在目标驾驶对象的行驶路径上存在或即将存在障碍物时，如图4所示，图4为本申请实施例提供的一种自动驾驶中风险管理的场景示意图。在图中所示的场景汇总，当障碍物的预测轨迹和当前位置准确可靠时，自动驾驶对象可以对障碍物的驾驶意图进行预测，从而在障碍物切入变道(cut-in)后进入该车道，自动驾驶对象据此将障碍物判定为引导车并进行跟车控制。但是在障碍物的预测轨迹和当前位置不准确时(例如位置波动为0.5m-1m)，此时直接基于预测轨迹进行变道判定的结果并不准确。因此，本实施例采用预测轨迹集进行障碍物的轨迹模拟，并进一步的确定碰撞概率，该预测轨迹集中的预测轨迹即存在波动或精确度有限。
具体的，预测轨迹集中包括多条预测轨迹，如图5所示，图5为本申请实施例提供的另一种自动驾驶中风险管理的场景示意图。在该场景中，当障碍物的位置不准确时，预测模块对于轨迹预测和换道意图的判断并不准确，此时预测轨迹可能存在一定的随机性，即预测轨迹为高斯概率分布的过程；同时预测模块可以检测得到定义在预测轨迹集上的概率分布，即障碍物按照该预测轨迹行驶的概率。故在该场景中，需要基于障碍物的位置不确定性以及预测轨迹的不确定性进行碰撞概率的。
进一步的，由于预测轨迹的不确定性，该预测轨迹中的每个点在时间域内与正态分布的随机变量相关联，即预测轨迹中的每个点的分布即符合高斯随机过程(Gaussianprocess)，如图5所示，图5为本申请实施例提供的另一种自动驾驶中风险管理的场景示意图。图中示出了正态分布的随机变量基于预测轨迹对应的高斯随机过程确定，而对于碰撞概率的确定过程，即指示了P`与P的碰撞概率以及预测路径上的其他点(Q)与自动驾驶对象对应的预测路径上同一时间下的点(Q`)的碰撞概率进行积分所得。
具体的，预测轨迹上的每一个点都服从正态分布
Figure BDA0002627699870000121
其中μt为高斯随机过程的均值，
Figure BDA0002627699870000122
为高斯随机过程的方差，且均值与方差可以由图2中的感知模块与预测模块检测所得。
在另一种可能的场景中，障碍物的确定可以是基于自动驾驶对象对应的预测路径进行的；例如检测自动驾驶对象对应的预测路径对应的路径范围内的行驶对象作为障碍物，或进一步的检测该行驶对象的在行驶方向上的速度大于自动驾驶对象则作为障碍物。
302、基于每条预测轨迹进行计算，以分别确定障碍物在每条预测轨迹下与自动驾驶对象的碰撞概率。
本实施例中，确定障碍物在每条预测轨迹下与自动驾驶对象的碰撞概率的过程即图6中在时间域中的不同时间点下障碍物与自动驾驶对象的碰撞概率的集合。
可选的，由于障碍物与自动驾驶对象均存在一定的范围，即车辆的碰撞是范围相交的过程，故可以首先确定障碍物对应的障碍范围以及自动驾驶对象对应的对象范围；然后基于每条预测轨迹分别确定障碍范围与对象范围的相交情况，以确定碰撞概率，从而提高碰撞概率计算的准确性。
进一步的，由于障碍物对应的障碍范围以及自动驾驶对象对应的对象范围的碰撞过程即边界存在交点即可，此时可以通过确定障碍范围与对象范围的闵可夫斯基(Minkowski)和，以得到碰撞范围；然后基于每条预测轨迹分别确定障碍范围与碰撞范围的相交情况，以确定碰撞概率，从而进一步的优化了碰撞时的场景模拟，提高碰撞概率计算的准确性。
具体的，如图7所示，图7为本申请实施例提供的另一种自动驾驶中风险管理的场景示意图。图中即示出了碰撞范围对应于边界转态下与障碍范围的相交情况，相较于基于对象范围确定碰撞概率的场景，采用由障碍范围与对象范围的Minkowski和确定的碰撞范围更加准确，且说明了障碍物一旦进入碰撞范围即存在与自动驾驶对象碰撞的风险。
在一种可能的实现方式中，可以通过如下公式计算在预测轨迹ζi下自动驾驶对象与障碍物发生碰撞的概率P(collision|ζi)：
Figure BDA0002627699870000131
其中，Γ＝{Γj；j≤M}为自车几何形状与障碍物几何形状在t时刻的Minkowski和的边界；P(ζi)为预测轨迹ζi的出现概率，该数值可以由预测模块提供；t0和tf为时间域对应的范围；在图7所示的场景中，障碍物与自动驾驶对象的Minkowski和为一个八边形，即M＝8；μ+表示两车碰撞概率变化率，即障碍物单位时间由八边形外部穿越边界进入八边形的概率，即
Figure BDA0002627699870000132
Figure BDA0002627699870000133
故需要分别计算障碍物进入碰撞范围的各个边界的概率。
可以理解的是，由于障碍物与自动驾驶对象均在运动，障碍物与自动驾驶对象在发生碰撞时即存在相对的运动速度，且碰撞范围与障碍范围相交即存在障碍范围穿越碰撞范围的过程，如图8所示，图8为本申请实施例提供的另一种自动驾驶中风险管理的场景示意图。即障碍范围存在与碰撞范围靠近的相对速度，且该相对速度可以基于X轴与Y轴进行解析，以得到不同方向上的相对速度，从而确定障碍范围对于碰撞范围对应边界的穿越情况。
具体的，在碰撞概率的计算过程中，即基于每条预测轨迹分别确定障碍范围进入碰撞范围对应的边界的边界穿越概率；然后根据碰撞范围对应的每个边界的边界穿越概率确定碰撞概率。而为了更好的解析基于相对速度下障碍范围对于碰撞范围不同边界的接近情况，可以基于碰撞范围对应的边界建立辅助坐标系，其中辅助坐标系的横轴或纵轴中的一个与碰撞范围对应的边界平行，即如图9所示，图9为本申请实施例提供的另一种自动驾驶中风险管理的场景示意图，即图中的边界与Y轴平行，具体的也可以采用与X轴平行的方式建立辅助坐标系，此处不做限定。
进一步的，图9中还示出了障碍物与自动驾驶对象的相对速度，即障碍物的障碍中心的速度在X轴、Y轴上的分量
Figure BDA0002627699870000145
和
Figure BDA0002627699870000146
故可以根据相对速度和障碍范围对应的中心坐标确定概率密度函数；然后基于时间域进行概率密度函数的计算，以确定边界穿越概率。
具体的，在图9所示的场景中，首先建立辅助坐标系x-o-y，其中y轴与八边形的一条边界(例如八边形前边缘)平行。则障碍物t时刻穿越碰撞八边形前边界的概率变化率为：
Figure BDA0002627699870000141
其中，
Figure BDA0002627699870000142
表示t时刻障碍物中心位置(x，y)与速度
Figure BDA0002627699870000143
联合分布的概率密度函数，Iy＝{y；yL≤y≤yR}为碰撞八边形前边界纵坐标的取值范围，x0为碰撞八边形前边界在x-o-y坐标系中的横坐标。
故可以对上述公式进行化简，得到：
Figure BDA0002627699870000144
进一步的，对于八边形的其他边界，依次按照上述方法建立辅助坐标系x-o-y使得对应的边界为新坐标系下的碰撞前边缘，进而可以使用上式计算相应的边界穿越概率，即碰撞概率。
303、根据碰撞概率确定自动驾驶对象在时间域内的碰撞风险值，碰撞风险值用于指示自动驾驶对象进行风险保护。
本实施例中，在得到碰撞概率后，即对各个预测轨迹下的碰撞概率进行加权计算，具体可以参考如下公式进行：
Figure BDA0002627699870000151
其中，
Figure BDA0002627699870000152
即表示预测轨迹集；且每条预测轨迹
Figure BDA0002627699870000153
都可以用Gaussian process描述，P(collision|ζi)为预测轨迹对应的碰撞概率；P(ζi)为预测轨迹出现的概率。
结合上述实施例中对于P(collision|ζi)的描述，上述公式可以化简为：
Figure BDA0002627699870000154
其中，t0和tf为时间域对应的范围，μ+(Γ，t|ζi)为障碍物进入碰撞范围边界的概率。故可以估算两车(障碍物与自动行驶对象)在未来T秒发生碰撞的概率，即碰撞风险值。
可选的，基于碰撞风险值的数值大小可以进行刹车保护，提升行车安全，例如碰撞风险值大于0.8时，则控制刹车使得障碍物与自动行驶对象的之间的距离大于100米，从而保证自动驾驶过程的安全性。
进一步的，还可以对不同的碰撞风险值设定不同的风险等级，然后基于风险等级生成对应的风险控制指令，该风险控制指令用于指示自动驾驶对象进行风险保护。例如对于碰撞风险值小于0.5的情况划分为低风险等级，此时对应的风险控制指令为减速行驶；对于碰撞风险值大于0.8的情况划分为高风险等级，此时对应的风险控制指令为立即刹车。具体的等级划分以及对应的风险控制指令应实际场景而定，此处不做限定。
在一种可能的场景中，本实施例中自动驾驶对象对应的自动驾驶分级为L2.5-L4，且该自动驾驶对象配置的传感器包括前视相机、角雷达、环视雷达或超声波雷达，相较于采用高精度高成本传感器的自动驾驶对象，本申请在有限精度的传感器配置下实现了对于自动驾驶过程中的风险管理，从而降低对高精度高成本传感器(例如激光雷达)的依赖，降低自动驾驶系统的传感器对驾驶员意图判断准确性的依赖，大大提高无人驾驶系统的鲁棒性和容错能力。
在另一种可能的场景中，自动驾驶对象对应的自动驾驶分级为L3，当启动本实施例提供的风险控制方法后，可以采用如图10所示的界面显示，图10为本申请实施例提供的另一种自动驾驶中风险管理的场景示意图。图中示出了当前自动驾驶对象在交互界面中显示了对应的自动驾驶等级，且基于上述实施例提供的风险管理方法检测到当前碰撞风险值为0.8，则自动启动刹车保护，从而保证自动驾驶对象的行驶安全。
结合上述实施例可知，通过获取障碍物的预测轨迹集，其中预测轨迹集包括多条预测轨迹，预测轨迹中的每个点在时间域内与正态分布的随机变量相关联，障碍物基于自动驾驶对象对应的预测路径确定；然后基于每条预测轨迹进行计算，以分别确定障碍物在每条预测轨迹下与自动驾驶对象的碰撞概率；进而根据碰撞概率确定自动驾驶对象在时间域内的碰撞风险值，碰撞风险值用于指示自动驾驶对象进行风险保护。从而实现自动驾驶对象在低精度场景下的风险管理过程，由于碰撞概率的计算过程采用多条预测轨迹进行积分所得，保证了碰撞风险值的准确性，进而提高了自动驾驶对象在低精度场景下的安全性。
上述实施例介绍了自动驾驶分级为L2.5-L4或传感器精度不高的场景中的风险管理过程，而在实际场景中，本申请还可以应用于更高级别的自动驾驶过程中，下面对该场景进行说明。请参阅图11，图11为本申请实施例提供的另一种自动驾驶中风险管理的方法的流程图，本申请实施例至少包括以下步骤：
1101、获取自动驾驶对象的行驶信息。
本实施例中，行驶信息即用于反映当前自动驾驶对象的行驶状态，包括感知模块的检测状态、预测模块的检测状态或控制模块的控制状态，从而根据上述状态判断自动驾驶对象的检测精度情况。
可选的，为了保证在高精度场景下上述获取过程可以及时的进行，故可以获取自动驾驶对象的驾驶版本信息；若驾驶版本信息满足预设版本条件，则获取自动驾驶对象的行驶信息。例如若检测到自动驾驶对象的驾驶版本信息为L5，则自动启动获取自动驾驶对象的行驶信息的进程，从而保证了高精度场景下的自动驾驶的安全性。
在另一种可能的场景中，可以在自动驾驶对象处于恶劣环境时启动，例如由于大雾影响了传感器的检测精度，故可以启动风险控制的进程。具体的，即首先获取自动驾驶对象所处的环境信息；然后若环境信息满足预设环境条件，则获取自动驾驶对象的行驶信息。其中，环境信息可以是天气信息、路况信息或湿度/温度等可能影响自动驾驶对象的检测精度的因素，具体信息类型因实际场景而定，从而提高自动驾驶对象对象对于不同环境的适应能力。
可选的，对于环境信息的确定，可以是基于自动驾驶对象之间进行广播而确定的。具体的，首先由本车发起环境探测广播；然后基于环境探测广播获取至少一个广播对象反馈的探测信息，其中，广播对象可以是与本车具有相同版本自动驾驶系统的车辆，通过该版本下预设的广播波段进行精度探测；进而根据探测信息的波动情况获取自动驾驶对象所处的环境信息。例如：若两车之间的位置探测存在0.5m的波动，则确定环境信息为异常环境，进而进行上述实施例提供的低精度下的自动驾驶过程，进一步提高了自动驾驶对象对象对于不同环境的适应能力。
可以理解的是，具体的广播对象的数量可以是一个也可以是多个，具体的对象数量因具有相同版本自动驾驶系统的车辆的数量而定。
1102、对行驶信息进行校验，以得到故障信息。
本实施例中，对行驶信息进行校验的过程即判断自动驾驶对象的传感器是否正常，或是否处于高精度状态，从而确定对应的故障信息。
可选的，对于自动驾驶对象的传感器的精度判断可以是对于障碍物的轨迹扰动范围进行判断，然后根据轨迹扰动范围与预设精度范围进行校验，以得到故障信息。例如自动驾驶对象的传感器检测到障碍物的轨迹扰动范围为0.1米以内，则说明传感器正常，无需进行风险控制；或传感器检测到障碍物的轨迹扰动范围为0.5米-1米，则说明传感器异常，需要进行风险控制。具体的数值因实际场景而定，此处不做限定。
1103、基于故障信息获取障碍物的预测轨迹集。
本实施例中，若故障信息指示自动驾驶对象的传感器精度异常，则执行获取障碍物的预测轨迹集的操作，即采用图3所示实施例中预测轨迹不确定情况下的碰撞概率预测。
1104、基于每条预测轨迹进行计算，以分别确定障碍物在每条预测轨迹下与自动驾驶对象的碰撞概率.
1105、根据碰撞概率确定自动驾驶对象在时间域内的碰撞风险值，碰撞风险值用于指示自动驾驶对象进行风险保护。
本实施例中，步骤1103-步骤1105的相关特征与图3所示实施例中的步骤301-步骤303相似，具体描述可以进行参考，此处不做赘述。
具体的，对于不同场景下的风险管理过程，可以通过图12显示，图12为本申请实施例提供的另一种自动驾驶中风险管理的场景示意图。图中示出了当前自动驾驶对象在交互界面中显示了对应的自动驾驶等级为L5时，检测到传感器状态异常，则用户可以在交互界面中选择是否启动风险管理，从而保证自动驾驶对象的行驶安全。
在另一种场景中，如图13所示，图13为本申请实施例提供的另一种自动驾驶中风险管理的场景示意图。图中示出了当前自动驾驶对象在交互界面中显示了对应的自动驾驶等级为L5时，检测到当前自动驾驶对象所处的环境异常，则用户可以在交互界面中选择是否启动风险管理，从而保证自动驾驶对象的行驶安全。
结合上述实施例可知，通过在高级别自动驾驶系统中配置本申请提供的风险管理方法，保证了自动驾驶对象在故障情况下的安全性，以及自动驾驶对象对于不同环境的适应性。
为了更好的实施本申请实施例的上述方案，下面还提供用于实施上述方案的相关装置。请参阅图14，图14为本申请实施例提供的一种自动驾驶中风险管理装置的结构示意图，风险管理装置1400包括：
获取单元1401，用于获取障碍物的预测轨迹集，所述预测轨迹集包括多条预测轨迹，所述预测轨迹中的每个点在时间域内与正态分布的随机变量相关联，所述障碍物基于自动驾驶对象对应的预测路径确定；
确定单元1402，用于基于每条所述预测轨迹进行计算，以分别确定所述障碍物在每条所述预测轨迹下与所述自动驾驶对象的碰撞概率；
管理单元1403，用于根据所述碰撞概率确定所述自动驾驶对象在所述时间域内的碰撞风险值，所述碰撞风险值用于指示所述自动驾驶对象进行风险保护。
可选的，在本申请一些可能的实现方式中，所述确定单元1402，具体用于确定所述障碍物对应的障碍范围以及所述自动驾驶对象对应的对象范围；
所述确定单元1402，具体用于基于每条所述预测轨迹分别确定所述障碍范围与所述对象范围的相交情况，以确定所述碰撞概率。
可选的，在本申请一些可能的实现方式中，所述确定单元1402，具体用于确定所述障碍范围与所述对象范围的闵可夫斯基和，以得到碰撞范围；
所述确定单元1402，具体用于根据所述碰撞范围对应的每个边界的边界穿越概率确定所述碰撞概率。
可选的，在本申请一些可能的实现方式中，所述确定单元1402，具体用于基于所述碰撞范围对应的边界建立辅助坐标系，所述辅助坐标系的横轴或纵轴中的一个与所述碰撞范围对应的边界平行；
所述确定单元1402，具体用于确定所述障碍物与所述自动驾驶对象的相对速度；
所述确定单元1402，具体用于根据所述相对速度和所述障碍范围对应的中心坐标确定概率密度函数；
所述确定单元1402，具体用于基于所述时间域进行所述概率密度函数的计算，以确定所述边界穿越概率。
可选的，在本申请一些可能的实现方式中，所述确定单元1402，具体用于确定所述碰撞范围对应的边界的坐标范围；
所述确定单元1402，具体用于基于所述坐标范围约束所述概率密度函数相关于所述时间域的计算，以确定所述边界穿越概率。
可选的，在本申请一些可能的实现方式中，所述管理单元1403，具体用于确定所述碰撞风险值所处的风险等级；
所述管理单元1403，具体用于基于所述风险等级生成对应的风险控制指令，所述风险控制指令用于指示所述自动驾驶对象进行风险保护。
可选的，在本申请一些可能的实现方式中，所述管理单元1403，具体用于获取所述自动驾驶对象的行驶信息；
所述管理单元1403，具体用于对所述行驶信息进行校验，以得到故障信息；
所述管理单元1403，具体用于基于所述故障信息获取所述障碍物的所述预测轨迹集。
可选的，在本申请一些可能的实现方式中，所述管理单元1403，具体用于基于所述行驶信息确定所述障碍物的轨迹扰动范围；
所述管理单元1403，具体用于根据所述轨迹扰动范围与预设精度范围进行校验，以得到故障信息。
可选的，在本申请一些可能的实现方式中，所述管理单元1403，具体用于获取所述自动驾驶对象的驾驶版本信息；
所述管理单元1403，具体用于若所述驾驶版本信息满足预设版本条件，则获取所述自动驾驶对象的行驶信息。
可选的，在本申请一些可能的实现方式中，所述管理单元1403，具体用于获取所述自动驾驶对象所处的环境信息；
所述管理单元1403，具体用于若所述环境信息满足预设环境条件，则获取所述自动驾驶对象的行驶信息。
可选的，在本申请一些可能的实现方式中，所述管理单元1403，具体用于发起环境探测广播；
所述管理单元1403，具体用于基于所述环境探测广播获取至少一个广播对象反馈的探测信息；
所述管理单元1403，具体用于根据所述探测信息的波动情况获取所述自动驾驶对象所处的环境信息。
通过获取障碍物的预测轨迹集，其中预测轨迹集包括多条预测轨迹，预测轨迹中的每个点在时间域内与正态分布的随机变量相关联，障碍物基于自动驾驶对象对应的预测路径确定；然后基于每条预测轨迹进行计算，以分别确定障碍物在每条预测轨迹下与自动驾驶对象的碰撞概率；进而根据碰撞概率确定自动驾驶对象在时间域内的碰撞风险值，碰撞风险值用于指示自动驾驶对象进行风险保护。从而实现自动驾驶对象在低精度场景下的风险管理过程，由于碰撞概率的计算过程采用多条预测轨迹进行积分所得，保证了碰撞风险值的准确性，进而提高了自动驾驶对象在低精度场景下的安全性。
本申请实施例还提供了一种计算机设备，请参阅图15，图15是本申请实施例提供的一种计算机设备的结构示意图，该计算机设备1500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，CPU)1522(例如，一个或一个以上处理器)和存储器1532，一个或一个以上存储应用程序1542或数据1544的存储介质1530(例如一个或一个以上海量存储设备)。其中，存储器1532和存储介质1530可以是短暂存储或持久存储。存储在存储介质1530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对计算机设备中的一系列指令操作。更进一步地，中央处理器1522可以设置为与存储介质1530通信，在计算机设备1500上执行存储介质1530中的一系列指令操作。
计算机设备1500还可以包括一个或一个以上电源1526，一个或一个以上有线或无线网络接口1550，一个或一个以上输入输出接口1558，和/或，一个或一个以上操作系统1541，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
上述实施例中由管理装置所执行的步骤可以基于该图15所示的计算机设备结构。
本申请实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有自动驾驶中风险管理指令，当其在计算机上运行时，使得计算机执行如前述图3至图13所示实施例描述的方法中自动驾驶中风险管理装置所执行的步骤。
本申请实施例中还提供一种包括自动驾驶中风险管理指令的计算机程序产品，当其在计算机上运行时，使得计算机执行如前述图3至图13所示实施例描述的方法中自动驾驶中风险管理装置所执行的步骤。
本申请实施例还提供了一种自动驾驶中风险管理系统，所述自动驾驶中风险管理系统可以包含图14所描述实施例中的自动驾驶中的风险管理装置，或图15所描述实施例中的计算机设备。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，自动驾驶中风险管理装置，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (15)

1.一种自动驾驶中风险管理的方法，其特征在于，包括：
获取障碍物的预测轨迹集，所述预测轨迹集包括多条预测轨迹，所述预测轨迹中的每个点在时间域内与正态分布的随机变量相关联，所述障碍物基于自动驾驶对象对应的预测路径确定；
基于每条所述预测轨迹进行计算，以分别确定所述障碍物在每条所述预测轨迹下与所述自动驾驶对象的碰撞概率；
根据所述碰撞概率确定所述自动驾驶对象在所述时间域内的碰撞风险值，所述碰撞风险值用于指示所述自动驾驶对象进行风险保护。
2.根据权利要求1所述的方法，其特征在于，所述基于每条所述预测轨迹进行计算，以分别确定所述障碍物在每条所述预测轨迹下与所述自动驾驶对象的碰撞概率，包括：
确定所述障碍物对应的障碍范围以及所述自动驾驶对象对应的对象范围；
基于每条所述预测轨迹分别确定所述障碍范围与所述对象范围的相交情况，以确定所述碰撞概率。
3.根据权利要求2所述的方法，其特征在于，所述基于每条所述预测轨迹分别确定所述障碍范围与所述对象范围的相交情况，以确定所述碰撞概率，包括：
确定所述障碍范围与所述对象范围的闵可夫斯基和，以得到碰撞范围；
基于每条所述预测轨迹分别确定所述障碍范围进入所述碰撞范围对应的边界的边界穿越概率；
根据所述碰撞范围对应的每个边界的边界穿越概率确定所述碰撞概率。
4.根据权利要求3所述的方法，其特征在于，所述基于每条所述预测轨迹分别确定所述障碍范围进入所述碰撞范围对应的边界的边界穿越概率，包括：
基于所述碰撞范围对应的边界建立辅助坐标系，所述辅助坐标系的横轴或纵轴中的一个与所述碰撞范围对应的边界平行；
确定所述障碍物与所述自动驾驶对象的相对速度；
根据所述相对速度和所述障碍范围对应的中心坐标确定概率密度函数；
基于所述时间域进行所述概率密度函数的计算，以确定所述边界穿越概率。
5.根据权利要求4所述的方法，其特征在于，所述基于所述时间域进行所述概率密度函数的计算，以确定所述边界穿越概率，包括：
确定所述碰撞范围对应的边界的坐标范围；
基于所述坐标范围约束所述概率密度函数相关于所述时间域的计算，以确定所述边界穿越概率。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：
确定所述碰撞风险值所处的风险等级；
基于所述风险等级生成对应的风险控制指令，所述风险控制指令用于指示所述自动驾驶对象进行风险保护。
7.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：
获取所述自动驾驶对象的行驶信息；
对所述行驶信息进行校验，以得到故障信息；
基于所述故障信息获取所述障碍物的所述预测轨迹集。
8.根据权利要求7所述的方法，其特征在于，所述对所述行驶信息进行校验，以得到故障信息，包括：
基于所述行驶信息确定所述障碍物的轨迹扰动范围；
根据所述轨迹扰动范围与预设精度范围进行校验，以得到故障信息。
9.根据权利要求7所述的方法，其特征在于，所述获取所述自动驾驶对象的行驶信息，包括：
获取所述自动驾驶对象的驾驶版本信息；
若所述驾驶版本信息满足预设版本条件，则获取所述自动驾驶对象的行驶信息。
10.根据权利要求7所述的方法，其特征在于，所述获取所述自动驾驶对象的行驶信息，包括：
获取所述自动驾驶对象所处的环境信息；
若所述环境信息满足预设环境条件，则获取所述自动驾驶对象的行驶信息。
11.根据权利要求10所述的方法，其特征在于，所述获取所述自动驾驶对象所处的环境信息，包括：
发起环境探测广播；
基于所述环境探测广播获取至少一个广播对象反馈的探测信息；
根据所述探测信息的波动情况获取所述自动驾驶对象所处的环境信息。
12.根据权利要求1所述的方法，其特征在于，所述自动驾驶对象对应的自动驾驶分级为L2.5-L4，所述自动驾驶对象配置的传感器包括前视相机、角雷达、环视雷达或超声波雷达。
13.一种自动驾驶中风险管理装置，其特征在于，包括：
获取单元，用于获取障碍物的预测轨迹集，所述预测轨迹集包括多条预测轨迹，所述预测轨迹中的每个点在时间域内与正态分布的随机变量相关联，所述障碍物基于自动驾驶对象对应的预测路径确定；
确定单元，用于基于每条所述预测轨迹进行计算，以分别确定所述障碍物在每条所述预测轨迹下与所述自动驾驶对象的碰撞概率；
管理单元，用于根据所述碰撞概率确定所述自动驾驶对象在所述时间域内的碰撞风险值，所述碰撞风险值用于指示所述自动驾驶对象进行风险保护。
14.一种计算机设备，其特征在于，所述计算机设备包括处理器以及存储器：
所述存储器用于存储程序代码；所述处理器用于根据所述程序代码中的指令执行权利要求1至12任一项所述的自动驾驶中风险管理的方法。
15.一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述权利要求1至12任一项所述的自动驾驶中风险管理的方法。
CN202010801913.9A 2020-08-11 2020-08-11 一种自动驾驶中风险管理的方法以及相关装置 Active CN111951552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010801913.9A CN111951552B (zh) 2020-08-11 2020-08-11 一种自动驾驶中风险管理的方法以及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010801913.9A CN111951552B (zh) 2020-08-11 2020-08-11 一种自动驾驶中风险管理的方法以及相关装置

Publications (2)

Publication Number Publication Date
CN111951552A true CN111951552A (zh) 2020-11-17
CN111951552B CN111951552B (zh) 2021-10-15

Family

ID=73332154

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010801913.9A Active CN111951552B (zh) 2020-08-11 2020-08-11 一种自动驾驶中风险管理的方法以及相关装置

Country Status (1)

Country Link
CN (1) CN111951552B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113296541A (zh) * 2021-07-27 2021-08-24 北京三快在线科技有限公司 一种基于未来碰撞风险的无人设备控制方法及装置
CN115497336A (zh) * 2022-08-30 2022-12-20 中汽创智科技有限公司 一种车辆碰撞预警方法、装置及存储介质

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015098715A1 (en) * 2013-12-26 2015-07-02 Toyota Jidosha Kabushiki Kaisha Sensor abnormality detection device
CN104933218A (zh) * 2014-03-20 2015-09-23 宝马股份公司 车辆用的用于检测轨迹的方法和设备
EP3101641A1 (en) * 2015-06-05 2016-12-07 Toyota Jidosha Kabushiki Kaisha Collision avoidance assistance device for a vehicle
WO2018033636A1 (en) * 2016-08-19 2018-02-22 Autoliv Development Ab Enhanced object detection and motion estimation for a vehicle environment detection system
WO2018148075A1 (en) * 2017-02-10 2018-08-16 Waymo Llc Using wheel orientation to determine future heading
WO2018194768A1 (en) * 2017-04-21 2018-10-25 X Development Llc Method and system for simultaneous localization and sensor calibration
US20180334172A1 (en) * 2006-11-10 2018-11-22 Toyota Jidosha Kabushiki Kaisha Method, apparatus and program of predicting obstacle course
US20190094866A1 (en) * 2017-09-22 2019-03-28 Locus Robotics Corporation Dynamic window approach using optimal reciprocal collision avoidance cost-critic
CN109878513A (zh) * 2019-03-13 2019-06-14 百度在线网络技术（北京）有限公司 防御性驾驶策略生成方法、装置、设备及存储介质
CN110293968A (zh) * 2019-06-18 2019-10-01 百度在线网络技术（北京）有限公司 自动驾驶车辆的控制方法、装置、设备及可读存储介质
CN110371112A (zh) * 2019-07-06 2019-10-25 深圳数翔科技有限公司 一种自动驾驶车辆的智能避障系统及方法
WO2019210821A1 (en) * 2018-05-03 2019-11-07 Formula Square Holdings Ltd Systems and methods for providing driving guidance
US20200023837A1 (en) * 2017-12-22 2020-01-23 Denso Corporation Collision detection device
CN110794823A (zh) * 2018-07-17 2020-02-14 百度（美国）有限责任公司 预测自动驾驶车辆的对象移动的方法和系统
CN110989636A (zh) * 2020-02-26 2020-04-10 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
CN111027633A (zh) * 2019-12-16 2020-04-17 张伟红 基于大数据的自动驾驶车辆碰撞分析系统及方法
CN111240328A (zh) * 2020-01-16 2020-06-05 中智行科技有限公司 一种车辆行驶安全监控方法、装置和无人驾驶车辆
CN111309013A (zh) * 2020-02-24 2020-06-19 广州小鹏汽车科技有限公司 一种碰撞距离确定方法及系统、车辆、存储介质

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180334172A1 (en) * 2006-11-10 2018-11-22 Toyota Jidosha Kabushiki Kaisha Method, apparatus and program of predicting obstacle course
WO2015098715A1 (en) * 2013-12-26 2015-07-02 Toyota Jidosha Kabushiki Kaisha Sensor abnormality detection device
CN104933218A (zh) * 2014-03-20 2015-09-23 宝马股份公司 车辆用的用于检测轨迹的方法和设备
EP3101641A1 (en) * 2015-06-05 2016-12-07 Toyota Jidosha Kabushiki Kaisha Collision avoidance assistance device for a vehicle
WO2018033636A1 (en) * 2016-08-19 2018-02-22 Autoliv Development Ab Enhanced object detection and motion estimation for a vehicle environment detection system
WO2018148075A1 (en) * 2017-02-10 2018-08-16 Waymo Llc Using wheel orientation to determine future heading
WO2018194768A1 (en) * 2017-04-21 2018-10-25 X Development Llc Method and system for simultaneous localization and sensor calibration
US20190094866A1 (en) * 2017-09-22 2019-03-28 Locus Robotics Corporation Dynamic window approach using optimal reciprocal collision avoidance cost-critic
US20200023837A1 (en) * 2017-12-22 2020-01-23 Denso Corporation Collision detection device
WO2019210821A1 (en) * 2018-05-03 2019-11-07 Formula Square Holdings Ltd Systems and methods for providing driving guidance
CN110794823A (zh) * 2018-07-17 2020-02-14 百度（美国）有限责任公司 预测自动驾驶车辆的对象移动的方法和系统
CN109878513A (zh) * 2019-03-13 2019-06-14 百度在线网络技术（北京）有限公司 防御性驾驶策略生成方法、装置、设备及存储介质
CN110293968A (zh) * 2019-06-18 2019-10-01 百度在线网络技术（北京）有限公司 自动驾驶车辆的控制方法、装置、设备及可读存储介质
CN110371112A (zh) * 2019-07-06 2019-10-25 深圳数翔科技有限公司 一种自动驾驶车辆的智能避障系统及方法
CN111027633A (zh) * 2019-12-16 2020-04-17 张伟红 基于大数据的自动驾驶车辆碰撞分析系统及方法
CN111240328A (zh) * 2020-01-16 2020-06-05 中智行科技有限公司 一种车辆行驶安全监控方法、装置和无人驾驶车辆
CN111309013A (zh) * 2020-02-24 2020-06-19 广州小鹏汽车科技有限公司 一种碰撞距离确定方法及系统、车辆、存储介质
CN110989636A (zh) * 2020-02-26 2020-04-10 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘纬琪，王夏黎，荆树旭: "一种基于OBB 包围盒算法的交通事故检测方法", 《计算机技术与发展》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113296541A (zh) * 2021-07-27 2021-08-24 北京三快在线科技有限公司 一种基于未来碰撞风险的无人设备控制方法及装置
CN113296541B (zh) * 2021-07-27 2021-11-30 北京三快在线科技有限公司 一种基于未来碰撞风险的无人设备控制方法及装置
CN115497336A (zh) * 2022-08-30 2022-12-20 中汽创智科技有限公司 一种车辆碰撞预警方法、装置及存储介质

Also Published As

Publication number Publication date
CN111951552B (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
EP3647728B1 (en) Map information system
CN109829351B (zh) 车道信息的检测方法、装置及计算机可读存储介质
CN113715814B (zh) 碰撞检测方法、装置、电子设备、介质及自动驾驶车辆
CN109444932B (zh) 一种车辆定位方法、装置、电子设备及存储介质
CN111738207B (zh) 车道线检测方法、装置、电子设备及可读存储介质
US11480967B2 (en) Pass route planning method and apparatus, device and readable storage medium
EP4089659A1 (en) Map updating method, apparatus and device
JP2017521745A (ja) 車両のナビゲーションモジュールに対象物の存在を知らせる車載装置
CN113537362A (zh) 一种基于车路协同的感知融合方法、装置、设备及介质
CN111951552B (zh) 一种自动驾驶中风险管理的方法以及相关装置
RU2757234C2 (ru) Способ и система для вычисления данных для управления работой беспилотного автомобиля
CN114750759A (zh) 一种跟车目标确定方法、装置、设备及介质
CN114212110A (zh) 障碍物轨迹预测方法、装置、电子设备及存储介质
CN111707258B (zh) 一种外部车辆监测方法、装置、设备及存储介质
CN111968405A (zh) 确定自动驾驶车辆的行驶车道的方法及装置
CN113119999B (zh) 自动驾驶特征的确定方法、装置、设备、介质及程序产品
CN114475656A (zh) 行驶轨迹预测方法、装置、电子设备以及存储介质
CN114212108A (zh) 自动驾驶方法、装置、车辆、存储介质及产品
CN115195773A (zh) 用于控制车辆驾驶的装置和方法及记录介质
CN110497906B (zh) 车辆控制方法、装置、设备和介质
JP7167732B2 (ja) 地図情報システム
CN115817466A (zh) 一种碰撞风险评估方法及装置
KR20200133122A (ko) 차량 충돌 방지 장치 및 방법
CN114030483B (zh) 车辆控制方法、装置、电子设备和介质
CN111857113B (zh) 可移动设备的定位方法及定位装置

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