CN112061139A - 自动驾驶控制方法、自动驾驶装置和计算机存储介质 - Google Patents
自动驾驶控制方法、自动驾驶装置和计算机存储介质 Download PDFInfo
- Publication number
- CN112061139A CN112061139A CN202010916294.8A CN202010916294A CN112061139A CN 112061139 A CN112061139 A CN 112061139A CN 202010916294 A CN202010916294 A CN 202010916294A CN 112061139 A CN112061139 A CN 112061139A
- Authority
- CN
- China
- Prior art keywords
- inference
- real
- events
- automatic driving
- preset
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种自动驾驶控制方法、自动驾驶装置和计算机存储介质。其中,自动驾驶控制方法包括:获取实时道路环境信息,根据预设推理规则库和实时道路环境信息生成事件流;根据事件流生成多个推理事件;根据多个推理事件和预设推理规则库实时建立有向无环图模型;根据有向无环图模型和预设推理规则库输出安全操作序列;将安全操作序列传递至传动系统。本发明提供的自动驾驶控制方法根据推理事件和预设推理规则库构建有向无环图模型并求解,使多个推理事件能够以更高的并行度进行并行计算,充分利用了系统的计算资源,并减少推理操作的重复执行,从而提升了自动驾驶的决策效率。
Description
技术领域
本发明涉及车辆控制技术领域,具体而言,涉及一种自动驾驶控制方法、一种自动驾驶装置和一种计算机存储介质。
背景技术
相关技术中,自动驾驶决策系统一般使用线性模型或较为模块化的并行模型,依次对自动驾驶施以交通规则约束,路径约束,速度约束等,以得出一个符合要求的自动驾驶决策。而随着城市交通的快速发展,路况会越来越复杂,对应程序计算量迅速增长。对于海量计算任务,目前的自动驾驶决策系统并行度有限,在实际计算中存在大量空置的计算资源,实际并行效率很低,决策实时性较差。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此,本发明的第一方面提出一种自动驾驶控制方法。
本发明的第二方面提出一种自动驾驶装置。
本发明的第三方面提出一种计算机存储介质。
有鉴于此,本发明的第一方面提供了一种自动驾驶控制方法,包括:获取实时道路环境信息,根据预设推理规则库和实时道路环境信息生成事件流;根据事件流生成多个推理事件;根据多个推理事件和预设推理规则库实时建立有向无环图模型;根据有向无环图模型和预设推理规则库输出安全操作序列;将安全操作序列传递至传动系统。
本发明提供的自动驾驶控制方法,在对车辆进行自动驾驶控制时,首先获取实时道路环境信息。其中,实时道路环境信息可在车辆驾驶过程中由传感器、定位装置等设备获取,实时道路环境信息包括实时地图与道路信息、实时前方车辆信息、实时路况信息、实时自身车辆信息等。根据预设推理规则库和实时道路环境信息生成事件流,可将各种形式的实时道路环境信息,比如图像信息、坐标信息等,统一转化为数据格式,有利于分析。在事件流生成后,系统根据事件流中的数据,生成多个推理事件,确定自动驾驶需要执行哪些推理操作。随后,根据生成的推理事件和预设推理规则库实时搭建有向无环图模型,并对有向无环图模型进行求解,以得到安全操作序列。安全操作序列被传递至传动系统后,传动系统按照安全操作序列控制车辆运行。
本发明提供的自动驾驶控制方法根据推理事件和预设推理规则库构建有向无环图模型并求解,使多个推理事件能够以更高的并行度进行并行计算,充分利用了系统的计算资源,降低了计算资源的空置率,并减少推理操作的重复执行,从而提升了自动驾驶的决策效率。在求解的过程中,还可为有向无环图模型中源点到汇点的关键路径调配计算资源,以进一步缩短推理时间,提升了自动驾驶的决策的实时性,保证了自动驾驶车辆的安全。
另外,本发明提供的上述技术方案中的自动驾驶控制方法还可以具有如下附加技术特征:
在上述技术方案中,进一步地,预设推理规则库包括:第一推理规则信息,第一推理规则信息是指预设道路环境信息和事件流的映射关系;第二推理规则信息,第二推理规则信息是指推理事件的执行优先级和从属关系;第三推理规则信息,第三推理规则信息是指推理事件的推理执行规则。
在该技术方案中,预设推理规则库包括第一推理规则信息、第二推理规则信息和第三推理规则信息。其中,第一推理规则信息是指预设道路环境信息和事件流的映射关系,预设道路环境信息包括预设地图与道路信息、预设前方车辆信息、预设路况信息、预设自身车辆信息等,每一个预设道路环境信息对应事件流中的一个数据。比如,预设道路环境信息中的预设路况信息“路上有坑洞”对应事件流中的数据“1”。
第二推理规则信息是指推理事件的执行优先级和从属关系,根据推理事件的执行优先级可获取推理时间被执行的先后顺序,例如,有关前车信息的推理事件的执行优先级高于有关路况信息的推理事件的执行优先级,则有关前车信息的推理事件先被执行。可以理解的是,当执行多个推理事件时还要考虑彼此之间的从属关系,只有源推理事件被执行后,从属于源推理事件的子推理事件才可被执行。例如,在有关行驶方向的源推理事件执行结束后,才能执行开闭转向灯和调整方向盘转角等子推理事件。
第三推理规则信息是指推理事件的推理执行规则。根据推理执行规则执行推理事件,可得到对应的执行结果,确保自动驾驶的安全性。比如对于“路上有坑洞”的推理事件,根据推理执行规则执行该推理事件后,得到减速并从右侧绕行的推理结果。
在上述任一技术方案中,进一步地,根据预设推理规则库和实时道路环境信息生成事件流包括:将实时道路环境信息与预设道路环境信息进行匹配;根据第一推理规则信息生成事件流。
在该技术方案中,由于预设道路环境信息和事件流存在映射关系,通过将获取到的实时道路环境信息与预存的预设道路环境信息进行比对,得到与其匹配的预设道路环境信息后,即可根据第一推理规则信息得出该预设道路环境信息对应的事件流数据,以实现根据预设推理规则库和实时道路环境信息生成事件流。
在上述任一技术方案中,进一步地,根据多个推理事件和预设推理规则库实时建立有向无环图模型包括:根据第二推理规则信息得到多个推理事件之间的偏序关系;根据偏序关系建立偏序图;根据偏序图建立有向无环图模型。
在该技术方案中,根据第二推理规则信息得到各个推理事件的执行优先级和从属关系,进而得到多个推理事件之间的偏序关系。根据多个推理事件之间的偏序关系建立偏序图进而建立有向无环图模型,可确保各个推理事件可以被有序且非重复地执行。进一步提升了模型求解的速度和稳定性。
在上述任一技术方案中,进一步地,根据有向无环图模型和预设推理规则库输出安全操作序列包括:根据有向无环图模型和第三推理规则信息执行多个推理事件;根据多个推理事件的执行结果,输出安全操作序列。
在该技术方案中,根据预设推理规则库中的第三推理规则信息按序执行有向无环图模型中的各个推理事件,可得到多个推理事件的执行结果,进而可以输出安全操作序列。其中,安全操作序列包括安全操作指令和安全操作指令的执行顺序。安全操作序列被传递至传动系统后,传动系统按照安全操作指令的执行顺序执行安全操作指令,控制车辆运行,确保了自动驾驶车辆动作的实时性,为自动驾驶车辆提供了可靠的安全保障。
在上述任一技术方案中,进一步地,根据偏序图建立有向无环图模型之前,还包括:在偏序图中加入实时性约束。
在该技术方案中,在建立有向无环图模型之前还在偏序图中加入实时性约束。其中,实时性约束用于约束推理事件从开始执行到执行结束的最大允许时间间隔,以保证有向无环图模型的求解速度,进而保证自动驾驶决策的实时性。其中,实时性约束可根据车速、车辆制动距离、转向参数等数据计算得出。
在上述任一技术方案中,进一步地,自动驾驶控制方法还包括:检测多个推理事件是否满足实时性约束,基于推理事件无法满足实时性约束的情况,则推理事件不被执行;检测多个推理事件的执行结果是否存在冲突,基于多个推理事件的执行结果存在冲突的情况,则根据第二推理规则信息删除至少一个推理事件的执行结果。
在该技术方案中,在执行推理事件之前,还对推理事件是否满足实时性约束进行检测,若检测出无法满足实时性约束则该推理事件不被执行,以避免模型求解超时而带来的安全隐患。在推理事件被执行后,还检测多个推理事件的执行结果是否存在冲突,若存在冲突,则根据第二推理规则信息中的推理事件执行优先级,从优先级最低的推理事件开始,删除至少一个推理事件的执行结果,直至各个执行结果不再存在冲突为止,确保安全操作序列可以被顺利输出。
在上述任一技术方案中,根据事件流生成多个推理事件之前,还包括:根据实时道路环境信息对事件流进行过滤。
在该技术方案中,在根据事件流生成多个推理事件之前,还对事件流进行过滤。具体地,在获取实时道路环境信息后,根据获取到的实时道路环境信息判断车辆是否处于正常且安全的行驶状态,若车辆处于正常且安全的行驶状态,则说明不需要对车辆使用应急操作,仅仅需要保持规定车速和车道。此时将此段事件流过滤掉,可减少非必要的推理事件的生成,降低数据处理压力,使计算资源集中用于应急情况下有向无环图模型的建立和求解,提升了车辆行驶的安全性。
本发明的第二方面提供了一种自动驾驶装置,包括:存储器,用于存储计算机程序;处理器,用于执行计算机程序以实现如上述任一技术方案中提供的自动驾驶控制方法。
在该技术方案中,自动驾驶装置包括存储器和处理器,并实现如上述任一技术方案中提供的自动驾驶控制方法,因此,该自动驾驶装置包括如上述任一技术方案中提供的自动驾驶控制方法的全部有益效果。
具体地,在对车辆进行自动驾驶控制时,获取实时道路环境信息以生成事件流并生成多个推理事件,根据推理事件和预设推理规则库构建有向无环图模型并求解,使多个推理事件能够以更高的并行度进行并行计算,令推理事件尽可能地占用处理器的计算资源,提升计算资源的利用率,从而提升了自动驾驶的决策效率。在模型求解的过程中,还可为有向无环图模型中源点到汇点的关键路径调配计算资源,以进一步缩短推理时间,提升了自动驾驶的决策的实时性,保证了自动驾驶车辆的安全。
本发明的第三方面提供了一种计算机存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一技术方案中提供的自动驾驶控制方法,因此,该计算机存储介质包括如上述任一技术方案中提供的自动驾驶控制方法的全部有益效果,在此不再赘述。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1示出了根据本发明的一个实施例的自动驾驶控制方法的流程图;
图2示出了根据本发明的另一个实施例的自动驾驶控制方法的流程图;
图3示出了根据本发明的又一个实施例的自动驾驶控制方法的流程图;
图4示出了根据本发明的再一个实施例的自动驾驶控制方法的流程图;
图5示出了根据本发明的一个实施例的自动驾驶装置的结构框图;
图6示出了根据本发明的一个实施例的自动驾驶控制系统的控制逻辑示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
下面参照图1至图6描述根据本发明一些实施例提供的自动驾驶控制方法、自动驾驶装置和计算机存储介质。
实施例一:
如图1所示,在本发明的一个实施例中,提供了一种自动驾驶控制方法,包括:
S102,获取实时道路环境信息;
S104,根据预设推理规则库和实时道路环境信息生成事件流;
S106,根据事件流生成多个推理事件;
S108,根据多个推理事件和预设推理规则库实时建立有向无环图模型;
S110,根据有向无环图模型和预设推理规则库输出安全操作序列;
S112,将安全操作序列传递至传动系统。
本实施例提供的自动驾驶控制方法,在对车辆进行自动驾驶控制时,首先获取实时道路环境信息。其中,实时道路环境信息可在车辆驾驶过程中由传感器、定位装置等设备获取,实时道路环境信息包括实时地图与道路信息、实时前方车辆信息、实时路况信息、实时自身车辆信息等。
具体地,实时地图与道路信息可以为“当前路段为城市道路”、“当前路段为高速公路”、“当前路段为乡村道路”、“车辆位于道路衔接点”、“车辆当前位于交通信号灯处”、“当前车道数为2”、“当前车道宽度为3米”、“当前车道为单行车道”等等;实时前方车辆信息可以为“前方车辆减速”、“前方车辆开启转向灯”等等;实时路况信息可以为“当前路段有坑洞”、“当前路段存在路障”、“前方有行人通过”、“侧方有车辆并入”等等,实时自身车辆信息可以为“当前车辆速度为40km/h”、“当前车辆向左转弯”等等;在此不再一一列举。
获取实时道路环境信息后根据预设推理规则库和实时道路环境信息生成事件流,可将各种形式的实时道路环境信息,比如图像信息、坐标信息等,统一转化为数据格式,有利于分析。
在事件流生成后,系统根据事件流中的数据,生成多个推理事件,确定自动驾驶需要执行哪些推理操作。随后,根据生成的推理事件和预设推理规则库实时搭建有向无环图模型,并对有向无环图模型进行求解,以得到安全操作序列。安全操作序列被传递至传动系统后,传动系统按照安全操作序列控制车辆运行。
本实施例提供的自动驾驶控制方法根据推理事件和预设推理规则库构建有向无环图模型并求解,使多个推理事件能够以更高的并行度进行并行计算,充分利用了系统的计算资源,降低了计算资源的空置率,并减少推理操作的重复执行,从而提升了自动驾驶的决策效率。在求解的过程中,还可为有向无环图模型中源点到汇点的关键路径调配计算资源,以进一步缩短推理时间,提升了自动驾驶的决策的实时性,保证了自动驾驶车辆的安全。
实施例二:
如图2所示,在本发明的一个实施例中,提供了一种自动驾驶控制方法,包括:
S202,获取实时道路环境信息;
S204,将实时道路环境信息与预设道路环境信息进行匹配;
S206,根据第一推理规则信息生成事件流;
S208,根据事件流生成多个推理事件;
S210,根据第二推理规则信息得到多个推理事件之间的偏序关系;
S212,根据偏序关系建立偏序图;
S214,根据偏序图建立有向无环图模型;
S216,根据有向无环图模型和第三推理规则信息执行多个推理事件;
S218,根据多个推理事件的执行结果,输出安全操作序列;
S220,将安全操作序列传递至传动系统。
在上述实施例中,进一步地,预设推理规则库包括第一推理规则信息、第二推理规则信息和第三推理规则信息。
其中,第一推理规则信息是指预设道路环境信息和事件流的映射关系,预设道路环境信息包括预设地图与道路信息、预设前方车辆信息、预设路况信息、预设自身车辆信息等,每一个预设道路环境信息对应事件流中的一个数据。比如,预设道路环境信息中的预设路况信息“路上有坑洞”对应事件流中的数据“1”。
由于预设道路环境信息和事件流存在映射关系,通过将获取到的实时道路环境信息与预存的预设道路环境信息进行比对,得到与其匹配的预设道路环境信息后,即可根据第一推理规则信息得出该预设道路环境信息对应的事件流数据,以实现根据预设推理规则库和实时道路环境信息生成事件流。例如,车辆获取到“当前路段有坑洞”的实时道路环境信息,可得到与其匹配的“路上有坑洞”的预设道路环境信息,而“路上有坑洞”的预设道路环境信息对应的事件流数据为“1”,进而可根据“当前路段有坑洞”的实时道路环境信息,在事件流中生成“1”这个数据,多个实时道路环境信息对应生成的数据共同组成事件流。通过生成事件流可将各种形式的实时道路环境信息,比如图像信息、坐标信息等,统一转化为数据格式,有利于分析。
进一步地,第二推理规则信息是指推理事件的执行优先级和从属关系,根据推理事件的执行优先级可获取推理时间被执行的先后顺序,例如,有关前车信息的推理事件的执行优先级高于有关路况信息的推理事件的执行优先级,则有关前车信息的推理事件先被执行。可以理解的是,当执行多个推理事件时还要考虑彼此之间的从属关系,只有源推理事件被执行后,从属于源推理事件的子推理事件才可被执行。例如,在有关行驶方向的源推理事件执行结束后,才能执行开闭转向灯和调整方向盘转角等子推理事件。根据第二推理规则信息得到各个推理事件的执行优先级和从属关系,进而得到多个推理事件之间的偏序关系,根据多个推理事件之间的偏序关系建立偏序图进而建立有向无环图模型,可确保各个推理事件可以被有序且非重复地执行。进一步提升了模型求解的速度和稳定性。
进一步地,第三推理规则信息是指推理事件的推理执行规则。根据推理执行规则执行推理事件,可得到对应的执行结果,确保自动驾驶的安全性。比如对于“路上有坑洞”的推理事件,根据推理执行规则执行该推理事件后,得到减速并从右侧绕行的推理结果。根据第三推理规则信息按序执行有向无环图模型中的各个推理事件,可得到多个推理事件的执行结果,进而可以输出安全操作序列。其中,安全操作序列包括安全操作指令和安全操作指令的执行顺序。安全操作序列被传递至传动系统后,传动系统按照安全操作指令的执行顺序执行安全操作指令,控制车辆运行,确保了自动驾驶车辆动作的实时性,为自动驾驶车辆提供了可靠的安全保障。
实施例三:
如图3所示,在本发明的一个实施例中,提供了一种自动驾驶控制方法,包括:
S302,获取实时道路环境信息;
S304,将实时道路环境信息与预设道路环境信息进行匹配;
S306,根据第一推理规则信息生成事件流;
S308,根据事件流生成多个推理事件;
S310,根据第二推理规则信息得到多个推理事件之间的偏序关系;
S312,根据偏序关系建立偏序图;
S314,在偏序图中加入实时性约束;
S316,根据偏序图建立有向无环图模型;
S318,检测多个推理事件是否满足实时性约束,基于推理事件无法满足实时性约束的情况,则推理事件不被执行;
S320,根据有向无环图模型和第三推理规则信息执行多个推理事件;
S322,检测多个推理事件的执行结果是否存在冲突,基于多个推理事件的执行结果存在冲突的情况,则根据第二推理规则信息删除至少一个推理事件的执行结果;
S324,根据多个推理事件的执行结果,输出安全操作序列;
S326,将安全操作序列传递至传动系统。
在上述任一实施例中,进一步地,在建立有向无环图模型之前还在偏序图中加入实时性约束。其中,实时性约束用于约束推理事件从开始执行到执行结束的最大允许时间间隔,以保证有向无环图模型的求解速度,进而保证自动驾驶决策的实时性。其中,实时性约束可根据车速、车辆制动距离、转向参数等数据计算得出。
进一步地,在执行推理事件之前,还对推理事件是否满足实时性约束进行检测,若检测出无法满足实时性约束则该推理事件不被执行,以避免模型求解超时而带来的安全隐患。例如,加入的实时性约束为0.2秒,检测出执行推理事件所需时间为0.3秒,则该推理事件不被执行。在推理事件被执行后,还检测多个推理事件的执行结果是否存在冲突,例如在推理结果中同时出现“车辆需左转”和“车辆需右转”的推理结果,则执行结果存在冲突。若存在冲突,则根据第二推理规则信息中的推理事件执行优先级,从优先级最低的推理事件开始,删除至少一个推理事件的执行结果,直至各个执行结果不再存在冲突为止,确保安全操作序列可以被顺利输出。
实施例四:
如图4所示,在本发明的一个实施例中,提供了一种自动驾驶控制方法,包括:
S402,获取实时道路环境信息;
S404,将实时道路环境信息与预设道路环境信息进行匹配;
S406,根据第一推理规则信息生成事件流;
S408,根据实时道路环境信息对事件流进行过滤;
S410,根据事件流生成多个推理事件;
S412,根据第二推理规则信息得到多个推理事件之间的偏序关系;
S414,根据偏序关系建立偏序图;
S416,在偏序图中加入实时性约束;
S418,根据偏序图建立有向无环图模型;
S420,检测多个推理事件是否满足实时性约束,基于推理事件无法满足实时性约束的情况,则推理事件不被执行;
S422,根据有向无环图模型和第三推理规则信息执行多个推理事件;
S424,检测多个推理事件的执行结果是否存在冲突,基于多个推理事件的执行结果存在冲突的情况,则根据第二推理规则信息删除至少一个推理事件的执行结果;
S426,根据多个推理事件的执行结果,输出安全操作序列;
S428,将安全操作序列传递至传动系统。
在上述任一实施例中,进一步地,在根据事件流生成多个推理事件之前,还对事件流进行过滤。具体地,在获取实时道路环境信息后,根据获取到的实时道路环境信息判断车辆是否处于正常且安全的行驶状态,若车辆处于正常且安全的行驶状态,则说明不需要对车辆使用应急操作,仅仅需要保持规定车速和车道。此时将此段事件流过滤掉,可减少非必要的推理事件的生成,降低数据处理压力,使计算资源集中用于应急情况下有向无环图模型的建立和求解,提升了车辆行驶的安全性。
实施例五:
如图5所示,在本发明的一个实施例中,提供了一种自动驾驶装置500,包括存储器502和处理器504;存储器502被配置为适于存储计算机程序;处理器504被配置为适于执行计算机程序以实现如上述任一实施例中提供的自动驾驶控制方法。
在该实施例中,自动驾驶装置500包括存储器502和处理器504,并籍此实现如上述任一实施例中提供的自动驾驶控制方法,因此,该自动驾驶装置包括如上述任一实施例中提供的自动驾驶控制方法的全部有益效果。
具体地,在对车辆进行自动驾驶控制时,获取实时道路环境信息以生成事件流并生成多个推理事件,根据推理事件和预设推理规则库构建有向无环图模型并求解,使多个推理事件能够以更高的并行度进行并行计算,令推理事件尽可能地占用处理器504的计算资源,提升计算资源的利用率,从而提升了自动驾驶的决策效率。在模型求解的过程中,还可为有向无环图模型中源点到汇点的关键路径调配处理器504的计算资源,以进一步缩短推理时间,提升了自动驾驶的决策的实时性,保证了自动驾驶车辆的安全。
实施例六:
在本发明的一个实施例中,进一步地,提供了一种计算机存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一实施例中提供的自动驾驶控制方法,因此,该计算机存储介质包括如上述任一实施例中提供的自动驾驶控制方法的全部有益效果,在此不再赘述。
具体实施例:
如图6所示,在本发明的一个具体实施例中,进一步地,以一种自动驾驶控制系统为例。在该实施例中,首先,根据预设道路环境信息,建立预设推理规则库,在决策过程中,应急规则推理引擎将传感器、定位装置等设备采集的实时道路环境信息转换成连续的事件流,并通过时间滑动窗口,过滤掉不必要的实时道路环境信息。之后,将应急操作规则和决策框架抽象为具有硬实时约束条件的推理过程,采用可并行的有向无环图对推理事件进行建模和求解。最后,根据自动驾驶任务调度算法,对已准入的推理事件进行调度,给出安全操作序列,保证所有推理事件在实时性条件下完成推理操作与响应动作。具体控制流程如下:
(1)预先建立预设推理规则库:针对不同预设道路环境信息,建立预设推理规则库。
其中预设道路环境信息包括且不限于,(1.1)地图与道路信息,比如城市道路,高速公路,乡村道路,以及道路衔接点,交通灯,道路宽度,车道数,是否单行道等。(1.2)前方车辆信息,比如车辆速度,加减速情况,转向,警示等。(1.3)实时路况信息,比如前方坑洞,路障,行人或动物穿行,侧方车辆并入等。(1.4)自车信息,比如自车速度,加减速情况,自车方向等。
预设推理规则库包括第一推理规则信息、第二推理规则信息和第三推理规则信息。其中,第一推理规则信息是指预设道路环境信息和事件流的映射关系,第二推理规则信息是指推理事件的执行优先级和从属关系,第三推理规则信息是指推理事件的推理执行规则。
(2)生成事件流:将获取到的传感器信息、地图信息、车辆地盘信息等实时道路环境信息进行融合处理,提取出必要准确的信息,根据预设推理规则库生成连续的事件流。
(3)过滤事件流:感知到当前路况后,判断车辆是否处于正常行驶状态及外部环境是否正常,当判断结果为正常,仅仅需要保持规定车速与车道,不需要使用应急操作,把该事件流过滤掉。
(4)建立DAG(有向无环图,Directed Acyclic Graph)模型求解:推理系统接收到事件流后,生成相应的推理事件,根据预设推理规则库和推理事件使用有向无环图进行建模求解,得出推理事件的安全操作序列。
在建模求解过程中,将推理事件Ti分解成j个子推理事件Ti,1,Ti,2…Ti,j,每一个子推理事件定义了自动驾驶的一个推理操作,不同的子推理事件可在多个处理器上并行执行,同时,定义子推理事件之间的偏序关系,建立偏序图。
偏序图建立完成后,在偏序图中加入实时性约束,约束推理事件从就绪到执行完成允许的最大时间间隔。该约束可根据车速,制动距离,转向参数等数据计算得出。
当一个推理事件被激活时,首先只有源推理事件被激活,其余子推理事件需要等待其所有直接前驱推理事件完成时才被激活。当多个子推理事件被激活时,根据处理器调度,尽量安排空闲处理器执行推理事件,降低计算资源的空置率。
在进行模型求解时,对多个处理器空闲时间进行规划,尽可能降低处理器空闲时间,对已经出现的空闲时间,尽可能让推理事件及时占用执行。
(5)任务调度:将安全操作序列发送到传动系统,完成自动驾驶决策闭环。
本具体实施例提供的自动驾驶控制系统,能够实现在高复杂度的路况情况下,将推理事件转化成有向无环图模型,并利用有向无环图的特点,使推理事件能在多处理器上并行计算,减少推理操作的重复执行,从而提高决策效率,决策实时性更高。
本发明的描述中,术语“多个”则指两个或两个以上,除非另有明确的限定,术语“上”、“下”等指示的方位或位置关系为基于附图所述的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制;术语“连接”、“安装”、“固定”等均应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本发明中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种自动驾驶控制方法,其特征在于,包括:
获取实时道路环境信息,根据预设推理规则库和所述实时道路环境信息生成事件流;
根据所述事件流生成多个推理事件;
根据多个所述推理事件和所述预设推理规则库实时建立有向无环图模型;
根据所述有向无环图模型和所述预设推理规则库输出安全操作序列;
将所述安全操作序列传递至传动系统。
2.根据权利要求1所述的自动驾驶控制方法,其特征在于,所述预设推理规则库包括:
第一推理规则信息,所述第一推理规则信息是指预设道路环境信息和所述事件流的映射关系;
第二推理规则信息,所述第二推理规则信息是指所述推理事件的执行优先级和从属关系;
第三推理规则信息,所述第三推理规则信息是指所述推理事件的推理执行规则。
3.根据权利要求2所述的自动驾驶控制方法,其特征在于,所述根据所述预设推理规则库和所述实时道路环境信息生成事件流包括:
将所述实时道路环境信息与所述预设道路环境信息进行匹配;
根据所述第一推理规则信息生成所述事件流。
4.根据权利要求2所述的自动驾驶控制方法,其特征在于,所述根据多个所述推理事件和所述预设推理规则库实时建立有向无环图模型包括:
根据所述第二推理规则信息得到多个所述推理事件之间的偏序关系;
根据所述偏序关系建立偏序图;
根据所述偏序图建立所述有向无环图模型。
5.根据权利要求2所述的自动驾驶控制方法,其特征在于,所述根据所述有向无环图模型和所述预设推理规则库输出安全操作序列包括:
根据所述有向无环图模型和所述第三推理规则信息执行多个所述推理事件;
根据多个所述推理事件的执行结果,输出所述安全操作序列。
6.根据权利要求4所述的自动驾驶控制方法,其特征在于,所述根据所述偏序图建立有向无环图模型之前,还包括:
在所述偏序图中加入实时性约束。
7.根据权利要求6所述的自动驾驶控制方法,其特征在于,还包括:
检测多个所述推理事件是否满足所述实时性约束,基于所述推理事件无法满足实时性约束的情况,则所述推理事件不被执行;
检测多个所述推理事件的执行结果是否存在冲突,基于多个所述推理事件的执行结果存在冲突的情况,则根据所述第二推理规则信息删除至少一个所述推理事件的执行结果。
8.根据权利要求1所述的自动驾驶控制方法,其特征在于,所述根据所述事件流生成多个推理事件之前,还包括:
根据所述实时道路环境信息对所述事件流进行过滤。
9.一种自动驾驶装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序以实现如权利要求1至8中任一项所述的自动驾驶控制方法。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的自动驾驶控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010916294.8A CN112061139B (zh) | 2020-09-03 | 2020-09-03 | 自动驾驶控制方法、自动驾驶装置和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010916294.8A CN112061139B (zh) | 2020-09-03 | 2020-09-03 | 自动驾驶控制方法、自动驾驶装置和计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112061139A true CN112061139A (zh) | 2020-12-11 |
CN112061139B CN112061139B (zh) | 2022-02-18 |
Family
ID=73665390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010916294.8A Active CN112061139B (zh) | 2020-09-03 | 2020-09-03 | 自动驾驶控制方法、自动驾驶装置和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112061139B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150120137A1 (en) * | 2013-10-28 | 2015-04-30 | GM Global Technology Operations LLC | Path planning for evasive steering maneuver in presence of target vehicle and surrounding objects |
US20170297564A1 (en) * | 2014-09-23 | 2017-10-19 | Beijing Institute Of Technology | Intelligent driving system with an embedded driver model |
CN107784709A (zh) * | 2017-09-05 | 2018-03-09 | 百度在线网络技术(北京)有限公司 | 处理自动驾驶训练数据的方法和装置 |
CN108256506A (zh) * | 2018-02-14 | 2018-07-06 | 北京市商汤科技开发有限公司 | 一种视频中物体检测方法及装置、计算机存储介质 |
CN108563169A (zh) * | 2018-04-16 | 2018-09-21 | 北京京大律业知识产权代理有限公司 | 一种基于计算机的无人驾驶车辆认知能力测试系统 |
CN109085837A (zh) * | 2018-08-30 | 2018-12-25 | 百度在线网络技术(北京)有限公司 | 车辆控制方法、装置、计算机设备及存储介质 |
CN109871017A (zh) * | 2019-02-20 | 2019-06-11 | 百度在线网络技术(北京)有限公司 | 自动驾驶参考线调用方法、装置和终端 |
CN110053629A (zh) * | 2019-05-07 | 2019-07-26 | 广州小鹏汽车科技有限公司 | 交互控制方法、装置、电子设备及存储介质 |
-
2020
- 2020-09-03 CN CN202010916294.8A patent/CN112061139B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150120137A1 (en) * | 2013-10-28 | 2015-04-30 | GM Global Technology Operations LLC | Path planning for evasive steering maneuver in presence of target vehicle and surrounding objects |
US20170297564A1 (en) * | 2014-09-23 | 2017-10-19 | Beijing Institute Of Technology | Intelligent driving system with an embedded driver model |
CN107784709A (zh) * | 2017-09-05 | 2018-03-09 | 百度在线网络技术(北京)有限公司 | 处理自动驾驶训练数据的方法和装置 |
CN108256506A (zh) * | 2018-02-14 | 2018-07-06 | 北京市商汤科技开发有限公司 | 一种视频中物体检测方法及装置、计算机存储介质 |
CN108563169A (zh) * | 2018-04-16 | 2018-09-21 | 北京京大律业知识产权代理有限公司 | 一种基于计算机的无人驾驶车辆认知能力测试系统 |
CN109085837A (zh) * | 2018-08-30 | 2018-12-25 | 百度在线网络技术(北京)有限公司 | 车辆控制方法、装置、计算机设备及存储介质 |
CN109871017A (zh) * | 2019-02-20 | 2019-06-11 | 百度在线网络技术(北京)有限公司 | 自动驾驶参考线调用方法、装置和终端 |
CN110053629A (zh) * | 2019-05-07 | 2019-07-26 | 广州小鹏汽车科技有限公司 | 交互控制方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112061139B (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110562258B (zh) | 一种车辆自动换道决策的方法、车载设备和存储介质 | |
US11577746B2 (en) | Explainability of autonomous vehicle decision making | |
US11495131B2 (en) | Vehicle to vehicle safety messaging congestion control for platooning vehicles | |
CN113792566B (zh) | 一种激光点云的处理方法及相关设备 | |
EP4141736A1 (en) | Lane tracking method and apparatus | |
US20210261123A1 (en) | Autonomous Vehicle Operation with Explicit Occlusion Reasoning | |
KR102522230B1 (ko) | 협력적 차량 헤드라이트 지향 | |
US11585669B2 (en) | Vehicle routing using connected data analytics platform | |
US20210118288A1 (en) | Attention-Based Control of Vehicular Traffic | |
CN111874007B (zh) | 基于知识与数据驱动的无人车分层决策方法、系统、装置 | |
KR102521012B1 (ko) | 협력적 차량 헤드라이트 지향 | |
WO2022052856A1 (zh) | 基于交通工具的数据处理方法、装置、计算机及存储介质 | |
US20220349725A1 (en) | High definition mapping for autonomous systems and applications | |
KR20220123238A (ko) | 협력적 차량 헤드라이트 지향 | |
US20230311932A1 (en) | Merging object and background radar data for autonomous driving simulations | |
CN112061139B (zh) | 自动驾驶控制方法、自动驾驶装置和计算机存储介质 | |
CN110426215B (zh) | 一种用于车辆平顺性测试的模型建立方法及智能驾驶系统 | |
WO2023192397A1 (en) | Capturing and simulating radar data for autonomous driving systems | |
US20230080281A1 (en) | Precautionary observation zone for vehicle routing | |
CN115629609A (zh) | 一种多agv协同工作系统 | |
WO2021253374A1 (en) | V2X Message For Platooning | |
Zhang et al. | A semantic model for information sharing in autonomous vehicle systems | |
EP4353560A1 (en) | Vehicle control method and apparatus | |
EP3975035A1 (en) | Method and system for road safety assessment | |
US20240017741A1 (en) | Validation of trajectory planning for autonomous vehicles |
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 |