CN112141098A - 一种智能驾驶汽车避障决策方法及装置 - Google Patents
一种智能驾驶汽车避障决策方法及装置 Download PDFInfo
- Publication number
- CN112141098A CN112141098A CN202011064508.XA CN202011064508A CN112141098A CN 112141098 A CN112141098 A CN 112141098A CN 202011064508 A CN202011064508 A CN 202011064508A CN 112141098 A CN112141098 A CN 112141098A
- Authority
- CN
- China
- Prior art keywords
- relative
- behavior
- distance
- probability
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 239000000203 mixture Substances 0.000 claims abstract description 35
- 230000007704 transition Effects 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 28
- 230000004888 barrier function Effects 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 161
- 230000006870 function Effects 0.000 description 21
- 230000008569 process Effects 0.000 description 10
- 230000009471 action Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种智能驾驶汽车避障决策方法及装置,其中,高斯混合分布模型和隐马尔可夫模型均为机器学习中的一种模型,可以被处理器等终端自动执行,并基于数据进行自动训练,使训练好的高斯混合分布模型及训练隐马尔可夫模型得到的混淆矩阵及状态转移矩阵,相比于基于人工经验和人工标定的规则,准确性高,从而保证基于预先训练好的高斯混合分布模型和训练隐马尔可夫模型得到的混淆矩阵及状态转移矩阵,进行的避障决策的准确性高,进而使车辆能及时做出正确的决策,提高行驶效率及安全性。
Description
技术领域
本申请涉及智能交通技术领域,特别涉及一种智能驾驶汽车避障决策方法及装置。
背景技术
智能驾驶汽车在行驶过程中,当前方存在静态障碍物或低速行驶的交通参与者时,若智能驾驶系统具备主动避障决策的功能,车辆可以通过换道或绕行等行为,避开前方的障碍物或交通参与者,以此来提高车辆行驶的效率和安全性,使车辆能够更加智能化地执行驾驶任务。
目前,智能驾驶汽车的主动避障决策方法一般是基于规则判断是否要进行主动避障,但是,规则的提取及判断条件需要基于人工经验和大量人工标定工作,导致基于规则判断的决策结果的准确性较低,使智能驾驶汽车难以及时做出正确的决策,影响行驶效率及安全性。
发明内容
为解决上述技术问题,本申请实施例提供一种智能驾驶汽车避障决策方法及装置,以达到提高决策结果的准确性,进而提高行驶效率及安全性的目的,技术方案如下:
一种智能驾驶汽车避障决策方法,包括:
确定目标车辆在不同时刻,与障碍物的相对行驶信息;
基于预先训练好的高斯混合分布模型,对每个时刻的所述相对行驶信息进行分类,得到每个时刻的所述相对行驶信息的类别;
对每个所述类别,从训练隐马尔可夫模型得到的混淆矩阵中获取所述类别对应的不同行为状态的概率,所述混淆矩阵包含各个时刻的相对行驶信息的类别对应的不同行为状态的概率;
对不同所述类别对应的行为状态组成的每个行为状态序列,从训练隐马尔可夫模型得到的状态转移矩阵中,获取所述行为状态序列中,任意相邻两个行为状态之间转移的概率,所述状态转移矩阵包含不同行为状态之间转移的概率;
对每个所述行为状态序列,基于每个所述类别对应的不同行为状态的概率及所述行为状态序列对应的行为状态之间转移的概率,确定所述行为状态序列的概率;
将概率最大的行为状态序列,作为目标行为状态序列;
基于所述目标行为状态序列中最后一个行为状态,进行避障决策。
所述相对行驶信息,包括:
相对车速、相对距离和碰撞时间;
所述基于预先训练好的高斯混合分布模型,对每个时刻的所述相对行驶信息进行分类,得到每个时刻的所述相对行驶信息的类别,包括:
对每个时刻的所述相对车速,利用分段函数,确定所述相对车速所属的车速类别,将所述相对车速所属的车速类别作为相对车速系数;
对每个时刻的所述相对距离,利用针对相对距离预先训练好的的高斯混合分布模型中多类高斯分布概率密度函数,确定所述相对距离的高斯分布概率,将最大的高斯分布概率所对应的类别作为相对距离系数;
对每个时刻的所述碰撞时间的倒数,利用针对碰撞时间预先训练好的高斯混合分布模型中多类高斯分布概率密度函数,确定所述碰撞时间的倒数的高斯分布概率,将最大的高斯分布概率所对应的类别作为相对碰撞时间系数;
对每个时刻的所述相对行驶信息,结合所述时刻的相对车速系数、所述相对距离系数及所述相对碰撞时间系数,确定所述相对行驶信息的类别。
所述结合所述时刻的相对车速系数、所述相对距离系数及所述相对碰撞时间系数,确定所述相对行驶信息的类别,包括:
利用观测类别关系式O=Ndistance×Nspeed×(Cspeed-1)+Ndistance×(C1/TTC-1)+Cdistance,确定所述相对行驶信息的类别,所述Cspeed表示所述相对车速系数,所述C1/TTC表示所述相对碰撞时间系数,所述Cdistance,表示所述相对距离系,Ndistance为相对距离类别总数目,Nspeed为相对车速类别总数目。
所述基于所述目标行为状态序列中最后一个行为状态,进行避障决策,包括:
基于所述目标行为状态序列中最后一个行为状态,确定是否产生避障意图;
若是,则进行避障决策;
若否,则执行跟车行为。
所述不同行为状态包括:保持直行状态、准备避障状态和执行避障状态;
所述基于所述目标行为状态序列中最后一个行为状态,确定是否产生避障意图,包括:
判断所述目标行为状态序列中最后一个行为状态是否为准备避障状态或执行避障状态。
所述进行避障决策,包括:
根据车道线的属性,确定可横向偏移的最大边界;
计算障碍物与所述可横向偏移的最大边界之间的横向距离,并判断所述横向距离是否大于设定距离阈值;
若大于所述设定距离阈值,确定所述目标车辆当前车道内绕行经过的区域,并检测所述目标车辆在当前车道内绕行经过的区域内是否在连续一段时间内不存在其它障碍物造成碰撞风险,若在连续一段时间内不存在其它障碍物造成碰撞风险,则决策执行绕行行为;
若不大于所述设定距离阈值,则确定所述目标车辆换道经过的区域,并检测所述目标车辆在所述换道经过的区域内是否在连续一段时间内不存在其它障碍物造成碰撞风险;
若在连续一段时间内不存在其它障碍物造成碰撞风险,则决策执行换道行为,若在连续一段时间内存在其它障碍物造成碰撞风险,则决策执行跟车行为。
一种智能驾驶汽车避障决策装置,包括:
第一确定模块,用于确定目标车辆在不同时刻,与障碍物的相对行驶信息;
分类模块,用于基于预先训练好的高斯混合分布模型,对每个时刻的所述相对行驶信息进行分类,得到每个时刻的所述相对行驶信息的类别;
第一获取模块,用于对每个所述类别,从训练隐马尔可夫模型得到的混淆矩阵中获取所述类别对应的不同行为状态的概率,所述混淆矩阵包含各个时刻的相对行驶信息的类别对应的不同行为状态的概率;
第二获取模块,用于对不同所述类别对应的行为状态组成的每个行为状态序列,从训练隐马尔可夫模型得到的状态转移矩阵中,获取所述行为状态序列中,任意相邻两个行为状态之间转移的概率,所述状态转移矩阵包含不同行为状态之间转移的概率;
第二确定模块,用于对每个所述行为状态序列,基于每个所述类别对应的不同行为状态的概率及所述行为状态序列对应的行为状态之间转移的概率,确定所述行为状态序列的概率;
第三确定模块,用于将概率最大的行为状态序列,作为目标行为状态序列;
避障决策模块,用于基于所述目标行为状态序列中最后一个行为状态,进行避障决策。
所述相对行驶信息,包括:
相对车速、相对距离和碰撞时间;
所述分类模块,具体用于:
对每个时刻的所述相对车速,利用分段函数,确定所述相对车速所属的车速类别,将所述相对车速所属的车速类别作为相对车速系数;
对每个时刻的所述相对距离,利用针对相对距离预先训练好的的高斯混合分布模型中多类高斯分布概率密度函数,确定所述相对距离的高斯分布概率,将最大的高斯分布概率所对应的类别作为相对距离系数;
对每个时刻的所述碰撞时间的倒数,利用针对碰撞时间预先训练好的高斯混合分布模型中多类高斯分布概率密度函数,确定所述碰撞时间的倒数的高斯分布概率,将最大的高斯分布概率所对应的类别作为相对碰撞时间系数;
对每个时刻的所述相对行驶信息,结合所述时刻的相对车速系数、所述相对距离系数及所述相对碰撞时间系数,确定所述相对行驶信息的类别。
所述分类模块,具体用于:
利用观测类别关系式O=Ndistance×Nspeed×(Cspeed-1)+Ndistance×(C1/TTC-1)+Cdistance确定所述相对行驶信息的类别,所述Cspeed表示所述相对车速系数,所述C1/TTC表示所述相对碰撞时间系数,所述Cdistance,表示所述相对距离系数,Ndistance为相对距离类别总数目,Nspeed为相对车速类别总数目。
所述避障决策模块,具体用于:
基于所述目标行为状态序列中最后一个行为状态,确定是否产生避障意图;
若是,则进行避障决策;
若否,则执行跟车行为。
所述不同行为状态包括:保持直行状态、准备避障状态和执行避障状态;
所述避障决策模块,具体用于:
判断所述目标行为状态序列中最后一个行为状态是否为准备避障状态或执行避障状态。
所述避障决策模块,具体用于:
根据车道线的属性,确定可横向偏移的最大边界;
计算障碍物与所述可横向偏移的最大边界之间的横向距离,并判断所述横向距离是否大于设定距离阈值;
若大于所述设定距离阈值,确定所述目标车辆当前车道内绕行经过的区域,并检测所述目标车辆在当前车道内绕行经过的区域内是否在连续一段时间内不存在其它障碍物造成碰撞风险,若在连续一段时间内不存在其它障碍物造成碰撞风险,则决策执行绕行行为;
若不大于所述设定距离阈值,则确定所述目标车辆换道经过的区域,并检测所述目标车辆在所述换道经过的区域内是否在连续一段时间内不存在其它障碍物造成碰撞风险;
若在连续一段时间内不存在其它障碍物造成碰撞风险,则决策执行换道行为,若在连续一段时间内存在其它障碍物造成碰撞风险,则决策执行跟车行为。
与现有技术相比,本申请的有益效果为:
在本申请中,高斯混合分布模型和隐马尔可夫模型均为机器学习中的一种模型,可以被处理器等终端自动执行,并基于数据进行自动训练,使训练好的高斯混合分布模型及训练隐马尔可夫模型得到的混淆矩阵及状态转移矩阵,相比于基于人工经验和人工标定的规则,准确性高,从而保证基于预先训练好的高斯混合分布模型和训练隐马尔可夫模型得到的混淆矩阵及状态转移矩阵,进行的避障决策的准确性高,进而使车辆能及时做出正确的决策,提高行驶效率及安全性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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性的前提下,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1提供的一种智能驾驶汽车避障决策方法的流程图;
图2是本申请提供的混淆矩阵的一种示意图;
图3是本申请提供的分段函数的一种示意图;
图4是本申请提供的状态转移矩阵的一种示意图;
图5是本申请实施例2提供的一种智能驾驶汽车避障决策方法的流程图;
图6是本申请提供的一种智能驾驶汽车避障决策装置的逻辑结构示意图。
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,都属于本申请保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1,为本申请实施例1提供的一种智能驾驶汽车避障决策方法的流程图,该方法可以包括但并不局限于以下步骤:
步骤S11、确定目标车辆在不同时刻,与障碍物的相对行驶信息。
本实施例中,确定目标车辆在不同时刻,与障碍物的相对行驶信息,使得基于多个相对行驶信息进行避障决策,提高避障决策的可靠性。
确定目标车辆在不同时刻,与障碍物的相对行驶信息,可以包括但不局限于:确定目标车辆在三个不同时刻,与障碍物的相对行驶信息。
相对行驶信息,可以包括但不局限于:相对车速、相对距离和碰撞时间。
本实施例中,可以基于目标车辆的前视相机获取相对距离。
相对车速可以通过以下关系式计算得到:
Vel=V-Vob
其中,Vel表示相对车速,V表示目标车辆的车速,Vob表示障碍物的速度。目标车辆的车速可以从目标车辆的底层CAN通信网络上获取,障碍物的速度可以基于目标车辆的前视相机获取。
碰撞时间可以理解为:目标车辆与障碍物会发生碰撞所经历的时间。
碰撞时间可以通过以下方式进行计算:
TTC=D/Vel
TTC表示碰撞时间,D表示相对距离,Vel表示相对车速。
步骤S12、基于预先训练好的高斯混合分布模型,对每个时刻的所述相对行驶信息进行分类,得到每个时刻的所述相对行驶信息的类别。
本实施例中,高斯混合分布模型的训练过程可以为:
S121、获取相对行驶信息训练样本。
S122、对相对行驶信息训练样本进行GMM聚类处理,得到多个高斯分布概率密度函数,按照函数性能从高到低的顺序,将多个高斯分布概率密度函数中排列在前n个的高斯分布概率密度函数组成高斯混合分布模型。
其中,n为不小于0的整数。n可以根据需要进行设置。
步骤S13、对每个所述类别,从训练隐马尔可夫模型得到的混淆矩阵中获取所述类别对应的不同行为状态的概率。
所述混淆矩阵包含各个时刻的相对行驶信息的类别对应的不同行为状态的概率。
现举例对混淆矩阵包含的各个时刻的相对行驶信息的类别对应的不同行为状态的概率进行说明,例如,假设有三种行为状态,分别为S1、S2和S3,3个时刻的相对行驶信息的类别分别为O1、O2和O3,则混淆矩阵中包含O1对应的S1的概率、O1对应的S2的概率、O1对应的S3的概率、O2对应的S1的概率、O2对应的S2的概率、O2对应的S3的概率、O3对应的S1的概率、O3对应的S2的概率、O3对应的S3的概率。
并举例对对每个所述类别,从训练隐马尔可夫模型得到的混淆矩阵中获取所述类别对应的不同行为状态的概率,将获取到的概率组成行为状态概率序列进行说明,例如,假设3个时刻的相对行驶信息的类别分别为O1、O2和O3,在行为状态确定的情况下,如,行为状态为S1、S2和S3,则从混淆矩阵中获取O1对应的S1、S2和S3的概率,将获取到的概率组成行为状态概率序列1,从混淆矩阵中获取O2对应的S1、S2和S3的概率,将获取到的概率组成行为状态概率序列2,从混淆矩阵中获取O3对应的S1、S2和S3的概率,将获取到的概率组成行为状态概率序列3。
本实施例中,训练隐马尔可夫模型得到混淆矩阵的过程,可以包括:
S131、获取相对行驶信息训练样本。
S132、将相对行驶信息训练样本输入到预先训练好的高斯混合分布模型中,得到相对行驶信息训练样本的类别,并利用相对行驶信息训练样本的类别及预先设定的行为状态,对隐马尔可夫模型进行训练,得到混淆矩阵。
混淆矩阵包含的概率可以参见图2,如图2所示,相对行驶信息的类别可以称为观测类别,在行为状态包括保持直行状态、准备避障状态和执行避障状态的情况下,各个观测类别对应的不同行为状态的概率。
对应步骤S12中相对行驶信息包括的相对车速、相对距离和碰撞时间,基于预先训练好的高斯混合分布模型,对每个时刻的所述相对行驶信息进行分类,得到每个时刻的所述相对行驶信息的类别的过程,可以包括:
S133、对每个时刻的所述相对车速,利用分段函数,确定所述相对车速所属的车速类别,将所述相对车速所属的车速类别作为相对车速系数。
本实施例中,可以利用图3示出的分段函数,确定相对车速所属的车速类别。
S134、对每个时刻的所述相对距离,利用针对相对距离预先训练好的高斯混合分布模型中的多类高斯分布概率密度函数,确定所述相对距离的高斯分布概率,将最大的高斯分布概率所对应的类别作为相对距离系数。
本实施例中,利用针对相对距离预先训练好的高斯混合分布模型中的多类高斯分布概率密度函数,确定所述相对距离的高斯分布概率的过程,可以包括:
其中,f(x)表示所述相对距离的高斯分布概率,μ表示此高斯概率分布的均值,σ表示此高斯概率分布的标准差,p表示此高斯概率分布在高斯混合概率分布中所占的权重。
S135、对每个时刻的所述碰撞时间的倒数,利用针对碰撞时间预先训练好的高斯混合分布模型中多类高斯分布概率密度函数,确定所述碰撞时间的倒数的高斯分布概率,将最大的高斯分布概率所对应的类别作为相对碰撞时间系数。
本实施例中,利用碰撞时间的倒数进行处理,可以避免相对车速趋近于0从而导致碰撞时间趋近于无限大,导致的处理时间长以及模型训练无法收敛的问题。
S136、对每个时刻的所述相对行驶信息,结合所述时刻的相对车速系数、所述相对距离系数及所述相对碰撞时间系数,确定所述相对行驶信息的类别。
本实施例中,结合所述时刻的相对车速系数、所述相对距离系数及所述相对碰撞时间系数,确定所述相对行驶信息的类别,可以包括:
利用观测类别关系式O=24×(Cspeed-1)+6×(C1/TTC-1)+Cdistance,确定所述相对行驶信息的类别,所述Cspeed表示所述相对车速系数,所述C1/TTC表示所述相对碰撞时间系数,所述Cdistance,表示所述相对距离系数。
步骤S14、对不同所述类别对应的行为状态组成的每个行为状态序列,从训练隐马尔可夫模型得到的状态转移矩阵中,获取所述行为状态序列中,任意相邻两个行为状态之间转移的概率。
所述状态转移矩阵包含不同行为状态之间转移的概率。
本实施例中,训练隐马尔可夫模型得到状态转移矩阵的过程,可以包括:
利用样本数据的行为状态分布,训练隐马尔可夫模型,得到状态转移矩阵。其中,状态转移矩阵能够反映样本数据中行为状态之间的转移关系。
不同所述类别对应的行为状态组成的行为状态序列是不同的。例如,若类别包括步骤S13举例中的O1、O2和O3,行为状态包括步骤S13举例中的行为状态S1、S2和S3,则O1、O2和O3对应的行为状态组成的行为状态序列包括27种,分别为O1、O2和O3分别对应的三种行为状态之间的任意组合,具体包括:{S1,S1,S1}、{S1,S1,S2}、{S1,S1,S3}、{S1,S2,S1}、{S1,S2,S2}、{S1,S2,S3}、{S1,S3,S1}、{S1,S3,S2}、
{S1,S3,S3}、{S2,S1,S1}、{S2,S1,S2}、{S2,S1,S3}、{S2,S2,S1}、{S2,S2,S2}、{S2,S2,S3}、{S2,S3,S1}、{S2,S3,S2}、
{S2,S3,S3}、{S3,S1,S1}、{S3,S1,S2}、{S3,S1,S3}、{S3,S2,S1}、{S3,S2,S2}、{S3,S2,S3}、{S3,S3,S1}、{S3,S3,S2}、
{S3,S3,S3}。
状态转移矩阵包含的概率可以参见图4,如图4所示,在行为状态包括保持直行状态、准备避障状态和执行避障状态的情况下,状态转移矩阵包含任意两个不同行为状态之间转移的概率。
步骤S15、对每个所述行为状态序列,基于每个所述类别对应的不同行为状态的概率及所述行为状态序列对应的行为状态之间转移的概率,确定所述行为状态序列的概率。
对每个所述行为状态序列,基于每个所述类别对应的不同行为状态的概率及所述行为状态序列对应的行为状态之间转移的概率,确定所述行为状态序列的概率的过程,可以包括:
S151、对每个行为状态序列,从每个所述类别对应的不同行为状态的概率中获取所述行为状态序列中各个行为状态的概率;
S152、将获取到的行为状态序列中各个行为状态的概率与行为状态序列对应的行为状态之间转移的概率相乘,将相乘的结果作为行为状态序列的概率。
在本实施例中,以步骤S13举例中的27种行为状态序列中,其中一种行为状态序列为例,举例对步骤S151-S152进行说明,例如,行为状态序列为{S1,S2,S3},则从每个所述类别对应的不同行为状态的概率中获取类别O1对应的S1的概率、类别O2对应的S2的概率及类别O3对应的S3的概率,并将{S1,S2,S3}对应的S1到S2转移的概率及S2到S3的概率,及类别O1对应的S1的概率、类别O2对应的S2的概率及类别O3对应的S3的概率相乘,相乘的结果作为{S1,S2,S3}的概率。
步骤S16、将概率最大的行为状态序列,作为目标行为状态序列。
步骤S17、基于所述目标行为状态序列中最后一个行为状态,进行避障决策。
最后一个行为状态可以理解为:目标车辆最新的行为状态。假设目标行为状态序列为{S1,S2,S3},则S3为最后一个行为状态。
基于所述目标行为状态序列中最后一个行为状态,进行避障决策,可以保证避障决策的准确性。
在本申请中,高斯混合分布模型和隐马尔可夫模型均为机器学习中的一种模型,可以被处理器等终端自动执行,并基于数据进行自动训练,使训练好的高斯混合分布模型及训练隐马尔可夫模型得到的混淆矩阵及状态转移矩阵,相比于基于人工经验和人工标定的规则,准确性高,从而保证基于预先训练好的高斯混合分布模型和训练隐马尔可夫模型得到的混淆矩阵及状态转移矩阵,进行的避障决策的准确性高,进而使车辆能及时做出正确的决策,提高行驶效率及安全性。
作为本申请另一可选实施例,参照图5,为本申请提供的一种智能驾驶汽车避障决策方法实施例2的流程图,本实施例主要是对上述实施例1描述的智能驾驶汽车避障决策方法的细化方案,如图5所示,该方法可以包括但并不局限于以下步骤:
步骤S21、确定目标车辆在不同时刻,与障碍物的相对行驶信息。
步骤S22、基于预先训练好的高斯混合分布模型,对每个时刻的所述相对行驶信息进行分类,得到每个时刻的所述相对行驶信息的类别。
步骤S23、对每个所述类别,从训练隐马尔可夫模型得到的混淆矩阵中获取所述类别对应的不同行为状态的概率,所述混淆矩阵包含各个时刻的相对行驶信息的类别对应的不同行为状态的概率。
步骤S24、对不同所述类别对应的行为状态组成的每个行为状态序列,从训练隐马尔可夫模型得到的状态转移矩阵中,获取所述行为状态序列中,任意相邻两个行为状态之间转移的概率,所述状态转移矩阵包含不同行为状态之间转移的概率。
步骤S25、对每个所述行为状态序列,基于每个所述类别对应的不同行为状态的概率及所述行为状态序列对应的行为状态之间转移的概率,确定所述行为状态序列的概率。
步骤S26、将概率最大的行为状态序列,作为目标行为状态序列。
步骤S27、基于所述目标行为状态序列中最后一个行为状态,确定是否产生避障意图。
若是,则执行步骤S28;若否,则执行步骤S29。
本实施例中,在所述不同行为状态包括:保持直行状态、准备避障状态和执行避障状态的情况下,
所述基于所述目标行为状态序列中最后一个行为状态,确定是否产生避障意图,可以包括:
判断所述目标行为状态序列中最后一个行为状态是否为准备避障状态或执行避障状态。
步骤S28、进行避障决策。
本实施例中,进行避障决策的过程,可以包括:
S281、根据车道线的属性,确定可横向偏移的最大边界;
S282、计算障碍物与所述可横向偏移的最大边界之间的横向距离,并判断所述横向距离是否大于设定距离阈值;
若大于所述设定距离阈值,则执行步骤S283;若否,则执行步骤S284。
S283、确定所述目标车辆当前车道内绕行经过的区域,并检测所述目标车辆在当前车道内绕行经过的区域内是否在连续一段时间内不存在其它障碍物造成碰撞风险,若在连续一段时间内不存在其它障碍物造成碰撞风险,则决策执行绕行行为;
S284、则确定所述目标车辆换道经过的区域,并检测所述目标车辆在所述换道经过的区域内是否在连续一段时间内不存在其它障碍物造成碰撞风险;
若在连续一段时间内不存在其它障碍物造成碰撞风险,则决策执行换道行为,若在连续一段时间内存在其它障碍物造成碰撞风险,则决策执行跟车行为。
步骤S29、执行跟车行为。
本实施例中,步骤S27-S29为实施例1中步骤S17的一种具体实施方式。
本实施例中,基于所述目标行为状态序列中最后一个行为状态,确定是否产生避障意图,在产生避障意图时,进行避障决策,可以提高避障决策的可靠性。
接下来对本申请提供的一种智能驾驶汽车避障决策装置进行介绍,下文介绍的智能驾驶汽车避障决策装置与上文介绍的智能驾驶汽车避障决策方法可相互对应参照。
请参见图6,智能驾驶汽车避障决策装置包括:第一确定模块100、分类模块200、第一获取模块300、第二获取模块400、第二确定模块500、第三确定模块600和避障决策模块700。
第一确定模块100,用于确定目标车辆在不同时刻,与障碍物的相对行驶信息;
分类模块200,用于基于预先训练好的高斯混合分布模型,对每个时刻的所述相对行驶信息进行分类,得到每个时刻的所述相对行驶信息的类别;
第一获取模块300,用于对每个所述类别,从训练隐马尔可夫模型得到的混淆矩阵中获取所述类别对应的不同行为状态的概率,所述混淆矩阵包含各个时刻的相对行驶信息的类别对应的不同行为状态的概率;
第二获取模块400,用于对不同所述类别对应的行为状态组成的每个行为状态序列,从训练隐马尔可夫模型得到的状态转移矩阵中,获取所述行为状态序列中,任意相邻两个行为状态之间转移的概率,所述状态转移矩阵包含不同行为状态之间转移的概率;
第二确定模块500,用于对每个所述行为状态序列,基于每个所述类别对应的不同行为状态的概率及所述行为状态序列对应的行为状态之间转移的概率,确定所述行为状态序列的概率;
第三确定模块600,用于将概率最大的行为状态序列,作为目标行为状态序列;
避障决策模块700,用于基于所述目标行为状态序列中最后一个行为状态,进行避障决策。
本实施例中,所述相对行驶信息,可以包括:
相对车速、相对距离和碰撞时间;
相应地,所述分类模块200,具体可以用于:
对每个时刻的所述相对车速,利用分段函数,确定所述相对车速所属的车速类别,将所述相对车速所属的车速类别作为相对车速系数;
对每个时刻的所述相对距离,利用针对相对距离预先训练好的的高斯混合分布模型中多类高斯分布概率密度函数,确定所述相对距离的高斯分布概率,将最大的高斯分布概率所对应的类别作为相对距离系数;
对每个时刻的所述碰撞时间的倒数,利用针对碰撞时间预先训练好的高斯混合分布模型中多类高斯分布概率密度函数,确定所述碰撞时间的倒数的高斯分布概率,将最大的高斯分布概率所对应的类别作为相对碰撞时间系数;
对每个时刻的所述相对行驶信息,结合所述时刻的相对车速系数、所述相对距离系数及所述相对碰撞时间系数,确定所述相对行驶信息的类别。
本实施例中,所述分类模块200,具体可以用于:
利用观测类别关系式O=24×(Cspeed-1)+6×(C1/TTC-1)+Cdistance,确定所述相对行驶信息的类别,所述Cspeed表示所述相对车速系数,所述C1/TTC表示所述相对碰撞时间系数,所述Cdistance,表示所述相对距离系数。
本实施例中,所述避障决策模块700,具体可以用于:
基于所述目标行为状态序列中最后一个行为状态,确定是否产生避障意图;
若是,则进行避障决策;
若否,则执行跟车行为。
本实施例中,所述不同行为状态可以包括:保持直行状态、准备避障状态和执行避障状态;
相应地,所述避障决策模块700,具体可以用于:
判断所述目标行为状态序列中最后一个行为状态是否为准备避障状态或执行避障状态。
本实施例中,所述避障决策模块700,具体可以用于:
根据车道线的属性,确定可横向偏移的最大边界;
计算障碍物与所述可横向偏移的最大边界之间的横向距离,并判断所述横向距离是否大于设定距离阈值;
若大于所述设定距离阈值,确定所述目标车辆当前车道内绕行经过的区域,并检测所述目标车辆在当前车道内绕行经过的区域内是否在连续一段时间内不存在其它障碍物造成碰撞风险,若在连续一段时间内不存在其它障碍物造成碰撞风险,则决策执行绕行行为;
若不大于所述设定距离阈值,则确定所述目标车辆换道经过的区域,并检测所述目标车辆在所述换道经过的区域内是否在连续一段时间内不存在其它障碍物造成碰撞风险;
若在连续一段时间内不存在其它障碍物造成碰撞风险,则决策执行换道行为,若在连续一段时间内存在其它障碍物造成碰撞风险,则决策执行跟车行为。
需要说明的是,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,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。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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、物品或者设备中还存在另外的相同要素。
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,在实施本申请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。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。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可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,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,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
以上对本申请所提供的一种智能驾驶汽车避障决策方法及装置进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种智能驾驶汽车避障决策方法,其特征在于,包括:
确定目标车辆在不同时刻,与障碍物的相对行驶信息;
基于预先训练好的高斯混合分布模型,对每个时刻的所述相对行驶信息进行分类,得到每个时刻的所述相对行驶信息的类别;
对每个所述类别,从训练隐马尔可夫模型得到的混淆矩阵中获取所述类别对应的不同行为状态的概率,所述混淆矩阵包含各个时刻的相对行驶信息的类别对应的不同行为状态的概率;
对不同所述类别对应的行为状态组成的每个行为状态序列,从训练隐马尔可夫模型得到的状态转移矩阵中,获取所述行为状态序列中,任意相邻两个行为状态之间转移的概率,所述状态转移矩阵包含不同行为状态之间转移的概率;
对每个所述行为状态序列,基于每个所述类别对应的不同行为状态的概率及所述行为状态序列对应的行为状态之间转移的概率,确定所述行为状态序列的概率;
将概率最大的行为状态序列,作为目标行为状态序列;
基于所述目标行为状态序列中最后一个行为状态,进行避障决策。
2.根据权利要求1所述的方法,其特征在于,所述相对行驶信息,包括:
相对车速、相对距离和碰撞时间;
所述基于预先训练好的高斯混合分布模型,对每个时刻的所述相对行驶信息进行分类,得到每个时刻的所述相对行驶信息的类别,包括:
对每个时刻的所述相对车速,利用分段函数,确定所述相对车速所属的车速类别,将所述相对车速所属的车速类别作为相对车速系数;
对每个时刻的所述相对距离,利用针对相对距离预先训练好的的高斯混合分布模型中多类高斯分布概率密度函数,确定所述相对距离的高斯分布概率,将最大的高斯分布概率所对应的类别作为相对距离系数;
对每个时刻的所述碰撞时间的倒数,利用针对碰撞时间预先训练好的高斯混合分布模型中多类高斯分布概率密度函数,确定所述碰撞时间的倒数的高斯分布概率,将最大的高斯分布概率所对应的类别作为相对碰撞时间系数;
对每个时刻的所述相对行驶信息,结合所述时刻的相对车速系数、所述相对距离系数及所述相对碰撞时间系数,确定所述相对行驶信息的类别。
3.根据权利要求2所述的方法,其特征在于,所述结合所述时刻的相对车速系数、所述相对距离系数及所述相对碰撞时间系数,确定所述相对行驶信息的类别,包括:
利用观测类别关系式O=Ndistance×Nspeed×(Cspeed-1)+Ndistance×(C1/TTC-1)+Cdistance,确定所述相对行驶信息的类别,所述Cspeed表示所述相对车速系数,所述C1/TTC表示所述相对碰撞时间系数,所述Cdistance,表示所述相对距离系,Ndistance为相对距离类别总数目,Nspeed为相对车速类别总数目。
4.根据权利要求1所述的方法,其特征在于,所述基于所述目标行为状态序列中最后一个行为状态,进行避障决策,包括:
基于所述目标行为状态序列中最后一个行为状态,确定是否产生避障意图;
若是,则进行避障决策;
若否,则执行跟车行为。
5.根据权利要求4所述的方法,其特征在于,所述不同行为状态包括:保持直行状态、准备避障状态和执行避障状态;
所述基于所述目标行为状态序列中最后一个行为状态,确定是否产生避障意图,包括:
判断所述目标行为状态序列中最后一个行为状态是否为准备避障状态或执行避障状态。
6.根据权利要求1-5任意一项所述的方法,其特征在于,所述进行避障决策,包括:
根据车道线的属性,确定可横向偏移的最大边界;
计算障碍物与所述可横向偏移的最大边界之间的横向距离,并判断所述横向距离是否大于设定距离阈值;
若大于所述设定距离阈值,确定所述目标车辆当前车道内绕行经过的区域,并检测所述目标车辆在当前车道内绕行经过的区域内是否在连续一段时间内不存在其它障碍物造成碰撞风险,若在连续一段时间内不存在其它障碍物造成碰撞风险,则决策执行绕行行为;
若不大于所述设定距离阈值,则确定所述目标车辆换道经过的区域,并检测所述目标车辆在所述换道经过的区域内是否在连续一段时间内不存在其它障碍物造成碰撞风险;
若在连续一段时间内不存在其它障碍物造成碰撞风险,则决策执行换道行为,若在连续一段时间内存在其它障碍物造成碰撞风险,则决策执行跟车行为。
7.一种智能驾驶汽车避障决策装置,其特征在于,包括:
第一确定模块,用于确定目标车辆在不同时刻,与障碍物的相对行驶信息;
分类模块,用于基于预先训练好的高斯混合分布模型,对每个时刻的所述相对行驶信息进行分类,得到每个时刻的所述相对行驶信息的类别;
第一获取模块,用于对每个所述类别,从训练隐马尔可夫模型得到的混淆矩阵中获取所述类别对应的不同行为状态的概率,所述混淆矩阵包含各个时刻的相对行驶信息的类别对应的不同行为状态的概率;
第二获取模块,用于对不同所述类别对应的行为状态组成的每个行为状态序列,从训练隐马尔可夫模型得到的状态转移矩阵中,获取所述行为状态序列中,任意相邻两个行为状态之间转移的概率,所述状态转移矩阵包含不同行为状态之间转移的概率;
第二确定模块,用于对每个所述行为状态序列,基于每个所述类别对应的不同行为状态的概率及所述行为状态序列对应的行为状态之间转移的概率,确定所述行为状态序列的概率;
第三确定模块,用于将概率最大的行为状态序列,作为目标行为状态序列;
避障决策模块,用于基于所述目标行为状态序列中最后一个行为状态,进行避障决策。
8.根据权利要求7所述的装置,其特征在于,所述相对行驶信息,包括:
相对车速、相对距离和碰撞时间;
所述分类模块,具体用于:
对每个时刻的所述相对车速,利用分段函数,确定所述相对车速所属的车速类别,将所述相对车速所属的车速类别作为相对车速系数;
对每个时刻的所述相对距离,利用针对相对距离预先训练好的的高斯混合分布模型中多类高斯分布概率密度函数,确定所述相对距离的高斯分布概率,将最大的高斯分布概率所对应的类别作为相对距离系数;
对每个时刻的所述碰撞时间的倒数,利用针对碰撞时间预先训练好的高斯混合分布模型中多类高斯分布概率密度函数,确定所述碰撞时间的倒数的高斯分布概率,将最大的高斯分布概率所对应的类别作为相对碰撞时间系数;
对每个时刻的所述相对行驶信息,结合所述时刻的相对车速系数、所述相对距离系数及所述相对碰撞时间系数,确定所述相对行驶信息的类别。
9.根据权利要求8所述的装置,其特征在于,所述分类模块,具体用于:
利用观测类别关系式O=Ndistance×Nspeed×(Cspeed-1)+Ndistance×(C1/TTC-1)+Cdistance
确定所述相对行驶信息的类别,所述Cspeed表示所述相对车速系数,所述C1/TTC表示所述相对碰撞时间系数,所述Cdistance,表示所述相对距离系数,Ndistance为相对距离类别总数目,Nspeed为相对车速类别总数目。
10.根据权利要求7所述的装置,其特征在于,所述避障决策模块,具体用于:
基于所述目标行为状态序列中最后一个行为状态,确定是否产生避障意图;
若是,则进行避障决策;
若否,则执行跟车行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011064508.XA CN112141098B (zh) | 2020-09-30 | 2020-09-30 | 一种智能驾驶汽车避障决策方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011064508.XA CN112141098B (zh) | 2020-09-30 | 2020-09-30 | 一种智能驾驶汽车避障决策方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112141098A true CN112141098A (zh) | 2020-12-29 |
CN112141098B CN112141098B (zh) | 2022-01-25 |
Family
ID=73951946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011064508.XA Active CN112141098B (zh) | 2020-09-30 | 2020-09-30 | 一种智能驾驶汽车避障决策方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112141098B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112562006A (zh) * | 2020-11-24 | 2021-03-26 | 南昌航空大学 | 一种基于强化学习的大视场摄像机标定方法 |
CN112925319A (zh) * | 2021-01-25 | 2021-06-08 | 哈尔滨工程大学 | 一种基于深度强化学习的水下自主航行器动态避障方法 |
CN113715846A (zh) * | 2021-11-02 | 2021-11-30 | 新石器慧通(北京)科技有限公司 | 借道控制方法、装置、存储介质以及车辆 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359229A (zh) * | 2008-08-18 | 2009-02-04 | 浙江大学 | 一种基于障碍物运动预测的移动机器人避障方法 |
CN103792846A (zh) * | 2014-02-18 | 2014-05-14 | 北京工业大学 | 基于Skinner操作条件反射原理的机器人避障导航方法 |
CN103914698A (zh) * | 2014-03-27 | 2014-07-09 | 北京科技大学 | 一种基于视频的道路障碍物识别分类方法 |
CN104537209A (zh) * | 2014-12-09 | 2015-04-22 | 上海交通大学 | 基于隐马尔科夫模型的车辆行驶道路类型的判断方法 |
CN104933708A (zh) * | 2015-06-07 | 2015-09-23 | 浙江大学 | 一种基于多谱三维特征融合的植被环境中障碍物检测方法 |
CN107264526A (zh) * | 2017-05-19 | 2017-10-20 | 纵目科技(上海)股份有限公司 | 一种横向车辆预警方法、系统、存储介质及终端设备 |
CN107479547A (zh) * | 2017-08-11 | 2017-12-15 | 同济大学 | 基于示教学习的决策树行为决策算法 |
CN108136958A (zh) * | 2015-10-20 | 2018-06-08 | 福特全球技术公司 | 促进摩托车钻车缝 |
CN108162760A (zh) * | 2016-12-08 | 2018-06-15 | 现代自动车株式会社 | 车辆和控制车辆以避免碰撞的方法 |
CN108688656A (zh) * | 2017-04-03 | 2018-10-23 | 现代自动车株式会社 | 车辆及用于控制车辆的方法 |
CN109471436A (zh) * | 2018-11-09 | 2019-03-15 | 上海理工大学 | 基于混合高斯-隐马尔科夫模型的换道模型参数优化方法 |
CN109507999A (zh) * | 2017-09-15 | 2019-03-22 | 丰田自动车株式会社 | 行驶控制装置、行驶控制系统以及行驶控制方法 |
CN109664881A (zh) * | 2019-01-08 | 2019-04-23 | 广州小鹏汽车科技有限公司 | 一种紧急转向辅助驾驶方法、系统及电子设备 |
CN110431037A (zh) * | 2017-02-10 | 2019-11-08 | 日产北美公司 | 包括运用部分可观察马尔可夫决策过程模型示例的自主车辆操作管理 |
CN110654377A (zh) * | 2018-06-29 | 2020-01-07 | 上海汽车集团股份有限公司 | 一种车辆防撞控制方法及控制系统 |
US20200050209A1 (en) * | 2018-08-07 | 2020-02-13 | GM Global Technology Operations LLC | Intelligent vehicle navigation systems, methods, and control logic for deriving road segment speed limits |
JP2020095539A (ja) * | 2018-12-13 | 2020-06-18 | アイシン精機株式会社 | 障害物回避モデル生成方法、障害物回避モデル生成装置、および障害物回避モデル生成プログラム |
CN111422187A (zh) * | 2019-01-09 | 2020-07-17 | 现代自动车株式会社 | 车辆以及用于控制车辆的方法 |
CN111459152A (zh) * | 2019-01-21 | 2020-07-28 | 珠海格力电器股份有限公司 | 智能设备的控制方法、控制装置和空气净化器 |
-
2020
- 2020-09-30 CN CN202011064508.XA patent/CN112141098B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359229A (zh) * | 2008-08-18 | 2009-02-04 | 浙江大学 | 一种基于障碍物运动预测的移动机器人避障方法 |
CN103792846A (zh) * | 2014-02-18 | 2014-05-14 | 北京工业大学 | 基于Skinner操作条件反射原理的机器人避障导航方法 |
CN103914698A (zh) * | 2014-03-27 | 2014-07-09 | 北京科技大学 | 一种基于视频的道路障碍物识别分类方法 |
CN104537209A (zh) * | 2014-12-09 | 2015-04-22 | 上海交通大学 | 基于隐马尔科夫模型的车辆行驶道路类型的判断方法 |
CN104933708A (zh) * | 2015-06-07 | 2015-09-23 | 浙江大学 | 一种基于多谱三维特征融合的植被环境中障碍物检测方法 |
CN108136958A (zh) * | 2015-10-20 | 2018-06-08 | 福特全球技术公司 | 促进摩托车钻车缝 |
CN108162760A (zh) * | 2016-12-08 | 2018-06-15 | 现代自动车株式会社 | 车辆和控制车辆以避免碰撞的方法 |
CN110431037A (zh) * | 2017-02-10 | 2019-11-08 | 日产北美公司 | 包括运用部分可观察马尔可夫决策过程模型示例的自主车辆操作管理 |
CN108688656A (zh) * | 2017-04-03 | 2018-10-23 | 现代自动车株式会社 | 车辆及用于控制车辆的方法 |
CN107264526A (zh) * | 2017-05-19 | 2017-10-20 | 纵目科技(上海)股份有限公司 | 一种横向车辆预警方法、系统、存储介质及终端设备 |
CN107479547A (zh) * | 2017-08-11 | 2017-12-15 | 同济大学 | 基于示教学习的决策树行为决策算法 |
CN109507999A (zh) * | 2017-09-15 | 2019-03-22 | 丰田自动车株式会社 | 行驶控制装置、行驶控制系统以及行驶控制方法 |
CN110654377A (zh) * | 2018-06-29 | 2020-01-07 | 上海汽车集团股份有限公司 | 一种车辆防撞控制方法及控制系统 |
US20200050209A1 (en) * | 2018-08-07 | 2020-02-13 | GM Global Technology Operations LLC | Intelligent vehicle navigation systems, methods, and control logic for deriving road segment speed limits |
CN109471436A (zh) * | 2018-11-09 | 2019-03-15 | 上海理工大学 | 基于混合高斯-隐马尔科夫模型的换道模型参数优化方法 |
JP2020095539A (ja) * | 2018-12-13 | 2020-06-18 | アイシン精機株式会社 | 障害物回避モデル生成方法、障害物回避モデル生成装置、および障害物回避モデル生成プログラム |
CN111319618A (zh) * | 2018-12-13 | 2020-06-23 | 爱信精机株式会社 | 障碍物回避模型生成方法、障碍物回避模型生成装置及存储介质 |
CN109664881A (zh) * | 2019-01-08 | 2019-04-23 | 广州小鹏汽车科技有限公司 | 一种紧急转向辅助驾驶方法、系统及电子设备 |
CN111422187A (zh) * | 2019-01-09 | 2020-07-17 | 现代自动车株式会社 | 车辆以及用于控制车辆的方法 |
CN111459152A (zh) * | 2019-01-21 | 2020-07-28 | 珠海格力电器股份有限公司 | 智能设备的控制方法、控制装置和空气净化器 |
Non-Patent Citations (1)
Title |
---|
王铭,王瑞,李晓娟等: "非确定性环境中移动机器人实时避障的概率模型检测", 《小型微型计算机系统》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112562006A (zh) * | 2020-11-24 | 2021-03-26 | 南昌航空大学 | 一种基于强化学习的大视场摄像机标定方法 |
CN112562006B (zh) * | 2020-11-24 | 2023-04-07 | 南昌航空大学 | 一种基于强化学习的大视场摄像机标定方法 |
CN112925319A (zh) * | 2021-01-25 | 2021-06-08 | 哈尔滨工程大学 | 一种基于深度强化学习的水下自主航行器动态避障方法 |
CN113715846A (zh) * | 2021-11-02 | 2021-11-30 | 新石器慧通(北京)科技有限公司 | 借道控制方法、装置、存储介质以及车辆 |
CN113715846B (zh) * | 2021-11-02 | 2022-01-28 | 新石器慧通(北京)科技有限公司 | 借道控制方法、装置、存储介质以及车辆 |
Also Published As
Publication number | Publication date |
---|---|
CN112141098B (zh) | 2022-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112141098B (zh) | 一种智能驾驶汽车避障决策方法及装置 | |
Chen et al. | Pointlanenet: Efficient end-to-end cnns for accurate real-time lane detection | |
CN109145939B (zh) | 一种小目标敏感的双通道卷积神经网络语义分割方法 | |
CN110276765B (zh) | 基于多任务学习深度神经网络的图像全景分割方法 | |
CN110619369B (zh) | 基于特征金字塔与全局平均池化的细粒度图像分类方法 | |
CN111291678B (zh) | 一种基于多特征融合的人脸图像聚类方法及装置 | |
CN112242059B (zh) | 基于动机与风险评估的无人驾驶车辆智能决策方法 | |
CN108416394A (zh) | 基于卷积神经网络的多目标检测模型构建方法 | |
CN111914622A (zh) | 一种基于深度学习的人物交互检测方法 | |
KR20180036709A (ko) | 미디어 분류 | |
US20230087292A1 (en) | Data annotation method and apparatus, and fine-grained recognition method and apparatus | |
CN116110022B (zh) | 基于响应知识蒸馏的轻量化交通标志检测方法及系统 | |
CN109978025A (zh) | 一种基于高斯过程回归的智能网联车辆前车加速度预测方法 | |
CN111907523B (zh) | 一种基于模糊推理的车辆跟驰寻优控制方法 | |
CN115546576A (zh) | 建立预测模型的方法及装置 | |
Wang et al. | Changing lane probability estimating model based on neural network | |
Banik et al. | Multi-label object attribute classification using a convolutional neural network | |
CN115687764B (zh) | 车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置 | |
WO2023273570A1 (zh) | 一种目标检测模型训练方法、目标检测方法及其相关设备 | |
Zhang et al. | Vehicle driving behavior predicting and judging using LSTM and statistics methods | |
CN114818981A (zh) | 一种驾驶行为的模仿学习方法 | |
Surinwarangkoon et al. | A traffic sign detection and recognition system | |
CN113734170B (zh) | 一种基于深度q学习的自动驾驶换道决策方法 | |
Raiyn et al. | Improving Autonomous Vehicle Reasoning with Non-Monotonic Logic: Advancing Safety and Performance in Complex Environments | |
WO2024055677A1 (zh) | 一种深度聚类的方法、装置及系统 |
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 |