CN112255628A - 障碍物轨迹预测方法、装置、设备和介质 - Google Patents
障碍物轨迹预测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN112255628A CN112255628A CN202011073105.1A CN202011073105A CN112255628A CN 112255628 A CN112255628 A CN 112255628A CN 202011073105 A CN202011073105 A CN 202011073105A CN 112255628 A CN112255628 A CN 112255628A
- Authority
- CN
- China
- Prior art keywords
- prediction model
- dynamic
- level
- obstacle
- prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000004888 barrier function Effects 0.000 claims abstract description 76
- 238000012163 sequencing technique Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种障碍物轨迹预测方法、装置、设备和介质,适用于无人驾驶设备(或称为无人车或自动驾驶设备)。方法包括:获取在无人驾驶设备的行驶过程中识别的动态障碍物类型以及图像或点云数据;根据动态障碍物类型从相同类型的多个级别预测模型中选择第一级别预测模型;根据第一级别预测模型的预测时长和值与时长阈值的关系,对预测模型级别或动态障碍物数量进行调整,得到预测模型的最佳级别或动态障碍物的最佳数量;控制最佳级别预测模型基于动态障碍物的图像或点云数据进行轨迹预测;或控制预测模型基于最佳数量动态障碍物的图像或点云数据进行轨迹预测。本发明优化了障碍物轨迹预测方式,能够兼顾轨迹预测实时性和预测精度。
Description
技术领域
本发明实施例涉及无人驾驶技术领域,尤其涉及一种障碍物轨迹预测方法、装置、设备和介质。
背景技术
在无人驾驶技术中,无人驾驶设备中的自动驾驶系统会根据获取到的设备周边情况进行路径规划。
当对无人驾驶设备进行路径规划时,为了使得无人驾驶设备能够避开周围障碍物,需要对障碍物的运动轨迹进行预测。障碍物一般包括静态障碍物和动态障碍物,动态障碍物可大致分类为车辆、行人或其他处于运动状态的物体。目前,对动态障碍物的运动轨迹进行预测时,通常是利用预测模型,基于动态障碍物在历史时间段的运动状态,对动态障碍物的运动轨迹进行预测。
由于预测模型的预测精度可高可低,那么如果预测模型的预测精度设置的比较高,则需要花费较长时间进行障碍物运动轨迹预测,从而影响对无人驾驶设备的路径规划实时性;如果预测模型的预测精度设置的比较低,又会使得障碍物运动轨迹预测精度低,而导致对无人驾驶设备的路径规划不合理。
发明内容
本发明实施例提供一种障碍物轨迹预测方法、装置、设备和介质,以优化障碍物轨迹预测方式,兼顾障碍物轨迹的预测实时性和预测精度。
第一方面,本发明实施例提供了一种障碍物轨迹预测方法,包括:
获取在无人驾驶设备的行驶过程中识别的至少一个动态障碍物的类型以及图像或点云数据;
根据所述动态障碍物的类型,从相同类型的多个级别预测模型中,选择第一级别预测模型;
根据所述第一级别预测模型的预测时长和值与时长阈值的关系,对所述预测模型级别或者动态障碍物数量进行调整,得到所述预测模型的最佳级别或者所述动态障碍物的最佳数量;
控制最佳级别预测模型,基于所述动态障碍物的图像或点云数据,对所述动态障碍物的运动轨迹进行预测;或者,控制所述预测模型,基于所述最佳数量动态障碍物的图像或点云数据,对所述最佳动态障碍物的运动轨迹进行预测。
第二方面,本发明实施例还提供了一种障碍物轨迹预测装置,包括:
获取模块,用于获取在无人驾驶设备的行驶过程中识别的至少一个动态障碍物的类型以及图像或点云数据;
选择模块,用于根据所述动态障碍物的类型,从相同类型的多个级别预测模型中,选择第一级别预测模型;
调整模块,用于根据所述第一级别预测模型的预测时长和值与时长阈值的关系,对所述预测模型级别或者动态障碍物数量进行调整,得到所述预测模型的最佳级别或者所述动态障碍物的最佳数量;
预测模块,用于控制最佳级别预测模型,基于所述动态障碍物的图像或点云数据,对所述动态障碍物的运动轨迹进行预测;或者,控制所述预测模型,基于所述最佳数量动态障碍物的图像或点云数据,对所述最佳动态障碍物的运动轨迹进行预测。
第三方面,本发明实施例还提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例中任一所述的障碍物轨迹预测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明实施例中任一所述的障碍物轨迹预测法。
本发明实施例公开的技术方案,具有如下有益效果:
通过获取无人驾驶设备行驶过程中识别的至少一个动态障碍物的类型以及图像或点云数据,以根据动态障碍物的类型,从相同类型的多个级别预测模型中选择第一级别预测模型,并根据第一级别预测的预测时长和值与时长阈值的关系,对预测模型级别或者动态障碍物数量进行调整,得到预测模型的最佳级别或者动态障碍物的最佳数量,然后控制最佳级别预测模型,基于动态障碍物的图像或点云数据,对动态障碍物的运动轨迹进行预测;或者控制预测模型,基于最佳数量动态障碍物的图像或点云数据,对最佳数量动态障碍物的运动轨迹进行预测。由此,解决了在无人驾驶设备行驶过程中出现动态障碍物时,现有动态障碍物运动轨迹预测方式无法兼容预测实时性和预测精度的问题,实现了与动态障碍物匹配的预测模型在满足预测实时性的前提下,可允许对预测模型进行升级,以提高预测模型的预测精度,从而优化障碍物轨迹预测方式,有效兼顾障碍物轨迹的预测实时性和预测精度。
附图说明
图1是本发明实施例一提供的一种障碍物轨迹预测方法的流程示意图;
图2是本发明实施例二提供的一种障碍物轨迹预测方法的流程示意图;
图2(a)为本发明实施例二提供的一种确定每个动态障碍物的障碍分数的流程示意图;
图3是本发明实施例三提供的一种障碍物轨迹预测方法的流程示意图;
图4是本发明实施例四提供的一种障碍物轨迹预测方法的流程示意图;
图4(a)是本发明实施例四提供的对第一级别预测模型进行升级的流程示意图;
图5是本发明实施例五提供的一种障碍物轨迹预测装置的结构示意图;
图6为本发明实施例六提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明实施例作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明实施例,而非对本发明实施例的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明实施例相关的部分而非全部结构。
下面参考附图对本发明实施例提供的一种障碍物轨迹预测方法、装置、设备和介质进行说明。
实施例一
图1是本发明实施例一提供的一种障碍物轨迹预测方法的流程示意图,本实施例可适用于对无人驾驶设备行驶过程中识别到的动态障碍物运动轨迹进行预测的场景,该方法可以由障碍物轨迹预测装置来执行,该装置可由硬件和/或软件组成,并可集成于电子设备中。在本实施例中,电子设备可以是车载终端、智能驾驶仪或者服务器设备等。该方法具体包括如下:
S101,获取在无人驾驶设备的行驶过程中识别的至少一个动态障碍物的类型以及图像或点云数据。
在本实施例中,无人驾驶设备可以是但不限于:自动驾驶车辆、无人车、无人机、机器人以及自动配送设备等能够实现自动驾驶的设备。
其中,动态障碍物可包括车辆、行人或其他处于运动状态的物体。例如,其他物体可以是猫、狗等动物,或者马车等。
通常无人驾驶设备的自动驾驶系统中,可按照功能划分为至少包括障碍物感知模块。其中,障碍物感知模块主要根据各种传感器采集到的数据,按照识别算法对无人驾驶设备周边环境中的障碍物进行识别,可逐帧获取障碍物轮廓、位置等信息。
基于此,本发明实施例可通过自动驾驶系统中障碍物感知模块中的各种传感器,检测无人驾驶设备行驶过程中是否存在动态障碍物。如果检测到存在动态障碍物,则获取该动态障碍物的类型,以及获取该动态障碍物的图像或点云数据,以为后续基于确定的预测模型对动态障碍物的运动轨迹进行预测奠定基础。
其中,障碍物感知模块中的各种传感器可包括:摄像头和不同类型的雷达。例如,激光雷达和毫米波雷达等,以通过上述摄像头和不同类型雷达采集无人驾驶设备行驶过程中周边环境数据,基于周边环境数据获取动态障碍物类型及具有动态障碍物的图像或点云数据。
S102,根据所述动态障碍物的类型,从相同类型的多个级别预测模型中,选择第一级别预测模型。
其中,预测模型可包括多个类型,且多个类型与动态障碍物的类型相对应。例如,若动态障碍物的类型包括:车辆、行人或其他,则预测模型的类型相应包括车辆、行人或其他。
为了满足在预测动态障碍物的运动轨迹实时性要求的前提下,尽可能获取到高精度的预测结果,本实施例可为每种类型,分别训练多个精度级别的预测模型。其中,多个精度级别可选的例如为:第一精度级别、第二精度级别以及第三精度级别等。本实施例中第一精度级别可为低精度级别,第二精度级别可为中精度级别,第三精度级别可为高精度级别。对于本实施例中不同精度级别预测模型的具体训练过程可参见现有实现方式,此处对其不作过多赘述。
在得到不同类型下多个精度级别预测模型之后,可将其配置于电子设备中,并在该电子设备中分别运行每种类型下每个精度级别预测模型,并向每种类型下每个精度级别预测模型中,输入相同帧数的动态障碍物图像或动态障碍物点云数据,以确定每种类型下各精度级别预测模型预测出该动态障碍物运动轨迹的预测时长。然后,记录每种类型下各精度级别预测模型的预测时长,以为后续确定预测模型的预测时长奠定基础。可以理解的是,预测模型的预测时长越短,说明预测模型运算越简单,相应预测精度就越低,相反则预测精度越高。
进而,在获取到至少一个动态障碍物的类型后,电子设备可根据动态障碍物的类型,从多个预测模型类型中选择相同类型,并在相同类型的多个级别预测模型中,选择第一级别预测模型。多个类型下多个级别预测模型可通过ti j表示,其中t表示不同类型下每个级别预测模型的预测时长,i和j表示第j类型下第i个级别预测模型。本实施例中第一级别预测模型是指精度级别最低的预测模型。也就是说,通过从与动态障碍物相同的类型中,选择精度级别最低的一预测模型,可以确保对动态障碍物运动轨迹的预测实时性。
S103,根据所述第一级别预测模型的预测时长和值与时长阈值的关系,对所述预测模型级别或者动态障碍物数量进行调整,得到所述预测模型的最佳级别或者所述动态障碍物的最佳数量。
S104,控制最佳级别预测模型,基于所述动态障碍物的图像或点云数据,对所述动态障碍物的运动轨迹进行预测;或者,控制所述预测模型,基于所述最佳数量动态障碍物的图像或点云数据,对所述最佳动态障碍物的运动轨迹进行预测。
其中,预测时长和值根据无人驾驶设备行驶过程中的动态障碍物数量确定。例如,当动态障碍物数量为一个时,预测时长和值为该动态障碍物对应预测模型的预测时长;当动态障碍物数量为多个时,预测时长和值为多个动态障碍物对应预测模型的预测时长相加后得到的和值。
时长阈值是对动态障碍物运动轨迹预测所用时间是否满足实时性要求的考量标准,具体可根据电子设备类型设置为不同值。例如,当电子设备为车载终端时,时长阈值可设置为100毫秒(ms)等。
可选的,在电子设备中设置的时长阈值,可根据公式(1)实现:
S=s*k…………………………………(1)
其中,S表示不同类型电子设备中设置的时长阈值,s表示不同类型下各精度级别预测模型的运行时长,k表示不同类型电子设备的设备系数。
由于电子设备中预先记录有每种类型下各精度级别预测模型的预测时长。为此,本实施例可根据动态障碍物的类型,从记录的预测时长中确定出与动态障碍物相同类型下第一级别预测模型的预测时长。然后,根据第一级别预测模型的预测时长,确定第一级别预测模型的预测时长和值,并将第一级别预测模型的预测时长和值与时长阈值进行比较,以确定第一级别预测模型的预测时长和值与时长阈值的大小关系。例如,第一级别预测模型的预测时长和值大于时长阈值;或者,第一级别预测模型的预测时长和值小于时长阈值等。
进而,根据第一级别预测模型的预测时长和值与时长阈值的大小关系,调整预测模型级别或者动态障碍物数量,以确定出预测模型的最佳级别或者动态障碍物的最佳数量。
可选的,当第一级别预测模型的预测时长和值大于时长阈值时,可删减动态障碍物数量,得到最佳数量动态障碍物,以使最佳数量动态障碍物的第一级别预测模型的预测时长和值小于或等于时长阈值,从而利用最佳数量动态障碍物对应的第一级别预测模型,基于最佳数量动态障碍物的图像或点云数据,对最佳数量动态障碍的运动轨迹进行预测;或者,当第一级别预测模型的预测时长和值小于时长阈值时,可对动态障碍物的第一级别预测模型进行升级,以使升级后的预测模型的预测时长和值小于或等于时长阈值,得到最佳级别预测模型,从而利用最佳级别预测模型,基于原始动态障碍物的图像或点云数据,对原始动态障碍物的运动轨迹进行预测,以提高动态障碍物的预测模型精度等。
可以理解的是,调整预测模型的级别和/或动态障碍物数量,可以是调整预测模型的级别;或者,调整动态障碍物数量;或者,调整预测模型的级别和动态障碍物数量,此处对其不做具体限定。
本发明实施例提供的技术方案,通过获取无人驾驶设备行驶过程中识别的至少一个动态障碍物的类型以及图像或点云数据,以根据动态障碍物的类型,从相同类型的多个级别预测模型中选择第一级别预测模型,并根据第一级别预测的预测时长和值与时长阈值的关系,对预测模型级别或者动态障碍物数量进行调整,得到预测模型的最佳级别或者动态障碍物的最佳数量,然后控制最佳级别预测模型,基于动态障碍物的图像或点云数据,对动态障碍物的运动轨迹进行预测;或者控制预测模型,基于最佳数量动态障碍物的图像或点云数据,对最佳数量动态障碍物的运动轨迹进行预测。由此,解决了在无人驾驶设备行驶过程中出现动态障碍物时,现有动态障碍物运动轨迹预测方式无法兼容预测实时性和预测精度的问题,实现了与动态障碍物匹配的预测模型在满足预测实时性的前提下,可允许对预测模型进行升级,以提高预测模型的预测精度,从而优化障碍物轨迹预测方式,有效兼顾障碍物轨迹的预测实时性和预测精度。
实施例二
通过上述介绍可知,本发明实施例中识别的动态障碍物数量为至少一个。下面结合图2,以动态障碍物数量为多个为例,对本发明实施例障碍物轨迹预测进行进一步说明。如图2所示,该方法具体如下:
S201,获取在无人驾驶设备的行驶过程中识别的至少一个动态障碍物的类型以及图像或点云数据。
S202,如果所述动态障碍物数量为多个,则根据每个所述动态障碍物的类型,从相同类型的多个级别预测模型中,分别为每个动态障碍物选择第一级别预测模型。
可选的,当动态障碍物数量为多个,且每个动态障碍物的类型不同时,本实施例电子设备可基于每个动态障碍物的类型,从多个预测模型类型中分别选取出与每个动态障碍物相同的类型,并在相同类型的多个级别预测模型中,选择第一级别预测模型。
由于多个动态障碍物对无人驾驶设备的正常行驶产生的影响不相同,例如有些动态障碍物距离无人驾驶设备比较近,那么对无人驾驶设备造成的影响就比较大;又例如,有些动态障碍物距离无人驾驶设备比较远,那么对无人驾驶设备造成的影响就比较小。为此,本实施例为每个动态障碍物选择第一级别预测模型之前,可选的还可确定每个动态障碍物的障碍分数,以根据障碍分数确定每个动态障碍物的重要程度,进而为不同重要程度的动态障碍物选择预测模型。通常,障碍分数越高,重要程度越高,反之重要程度越低。
可选的,可根据获取到的预设系数和每个动态障碍物的障碍物信息,确定每个动态障碍物的障碍分数。其中,预设系数包括:位置系数和方向系数。可选的,预设系数是预先配置于电子设备的配置信息中,当需要使用时可从电子设备读取配置信息,进而从配置信息中获取位置系数和方向系数。
本实施例中,每个动态障碍物的障碍物信息可通过障碍物感知模块中的各种传感器采集得到,其中每个动态障碍物的障碍物信息可包括:动态障碍物相对无人驾驶设备速度、动态障碍物与所述无人驾驶设备间的直线距离,以及动态障碍物与所述无人驾驶设备间的垂直距离等信息;
作为一种可选的实现方式,如图2(a)所示,确定每个动态障碍物的障碍分数包括以下步骤:
S21,根据每个动态障碍物与所述无人驾驶设备间的直线距离和位置系数,确定每个动态障碍物的位置分数。
其中,位置系数为可调系数,具体根据实际应用需要进行设置,此处对其不作限定。
具体的,可基于以下公式(2),确定每个动态障碍物的位置分数:
pm=kp*dm…………………………………(2)
其中,pm表示第m个动态障碍物的位置分数,kp表示位置系数,dm表示第m个动态障碍物与无人驾驶设备间的直线距离,m为大于等于2的整数。
进一步的,由于障碍物感知模块中的各种传感器采集得到障碍物信息还可包括:每个动态障碍物的位置信息和无人驾驶设备的位置信息,所以本实施例确定每个动态障碍物的位置分数,还可通过如下公式(3)实现:
其中,pm表示第m个动态障碍物的位置分数,kp表示位置系数,x,y表示无人驾驶设备的位置信息,xm,ym表示第m个动态障碍物的位置信息,m为大于等于2的整数。
S22,根据每个动态障碍物相对无人驾驶设备速度、每个动态障碍物与所述无人驾驶设备间的垂直距离以及方向系数,确定每个动态障碍物的方向分数。
其中,方向系数为可调系数,具体根据实际应用需要进行设置,此处对其不作限定。
具体的,可基于以下公式(4),确定每个动态障碍物的方向分数:
S23,根据每个动态障碍物的位置分数和方向分数,确定每个障碍物的障碍分数。
具体的,可基于以下公式(5),确定每个动态障碍物的障碍分数:
Cm=pm+Dm………………………(5)
其中,Cm表示第m个动态障碍物的障碍物分数,m为大于等于2的整数,pm表示第m个动态障碍物的位置分数,Dm表示第m个动态障碍物的方向分数。
进而,对每个动态障碍物的障碍分数,按照从高至低的顺序进行排序,以得到排序结果。然后,根据排序结果和每个动态障碍物的类型,从相同类型的多个级别预测模型中,分别为每个动态障碍物选择第一级别预测模型。
例如,若动态障碍物包括:车辆1、车辆2和行人3,且车辆1的障碍分数为50、车辆2的障碍分数为85以及行人3的障碍分数为62,则动态障碍物的排序结果为{车辆2、行人3、车辆1}。然后,根据类型为车辆,在车辆的多个级别预测模型中,分别为车辆1和车辆2选择第一级别预测模型,同时根据类型为行人,在行人的多个级别预测模型中,为行人3选择第一级别预测模型。
S203,当所述多个第一级别预测模型的预测时长和值小于所述时长阈值时,将所述排序结果中动态障碍物的预测模型进行依次升级,直到所述多个预测模型的预测时长和值大于或等于所述时长阈值,或者直到所有动态障碍物的预测模型级别均为最高级别,以得到预测模型的最佳级别及动态障碍物的最佳数量。
可选的,为每个动态障碍物选择第一级别预测模型之后,电子设备可根据每个动态障碍物的类型,从记录的预测时长中确定出与每个动态障碍物相同类型下第一级别预测模型的预测时长。然后,将每个动态障碍物对应的第一级别预测模型的预测时长进行相加,以得到预测时长和值。将预测时长和值与时长阈值进行比较,确定预测时长和值与时长阈值的大小关系。如果预测时长和值小于时长阈值,则说明可对多个动态障碍物中至少一个的预测模型进行升级,以提高对动态障碍物运动轨迹的预测精度。
具体的,对动态障碍物的预测模型进行升级时,可以是将所述排序结果中动态障碍物的预测模型,按照动态障碍物的障碍分数由高至低的顺序依次进行升级,直到多个预测模型的预测时长和值大于或等于所述时长阈值,或者,直到所有动态障碍物的预测模型级别均为最高级别。
S204,当所述多个第一级别预测模型的预测时长和值大于所述时长阈值时,删除所述排序结果中位于末尾位置的动态障碍物以及所述动态障碍物的第一级别预测模型,直到剩余第一级别预测模型的预测时长和值小于或等于所述时长阈值,以得到预测模型的最佳级别及动态障碍物的最佳数量。
可选的,为每个动态障碍物选择第一级别预测模型之后,电子设备可将每个动态障碍物对应的第一级别预测模型的预测时长进行相加,以得到预测时长和值。然后,将预测时长和值与时长阈值进行比较,确定预测时长和值与时长阈值的大小关系。如果预测时长和值大于时长阈值,则说明如果对排序结果中每个动态障碍物运动轨迹进行预测,可能导致预测无法满足实时性要求。由于排序结果是按照障碍物分数由高至低的顺序进行排序的,因此排序结果中处于末尾位置的动态障碍物对无人驾驶设备的正常行驶影响很小几乎可忽略。
为此,本实施例可优先将排序结果中处于末尾位置动态障碍物以及该动态障碍物的第一级别预测模型进行删除,以减少排序结果中的动态障碍物数量,进而根据剩余动态障碍物各自预测模型的预测时长,计算剩余预测模型的预测时长和值,然后将剩余预测模型的预测时长和值与时长阈值进行比较,确定剩余预测模型的预测时长和值与时长阈值的大小关系。
其中,如果剩余预测模型的预测时长和值小于或等于时长阈值,则确定剩余动态障碍物的最佳级别预测模型为第一级别预测模型。如果剩余预测模型的预测时长和值仍然大于时长阈值,则依次将当前排序结果(最新排序结果)中位于末尾位置动态障碍物和该动态障碍物的第一级别预测模型删除,直到最新剩余第一级别预测模型的预测时长和值小于或等于时长阈值,并确定最新剩余动态障碍物的最佳级别预测模型为第一级别预测模型。
S205,当所述多个第一级别预测模型的预测时长和值等于所述时长阈值时,确定每个动态障碍物的最佳预测模型为第一级别预测模型。
可选的,为每个动态障碍物选择第一级别预测模型之后,电子设备可将每个动态障碍物对应的第一级别预测模型的预测时长进行相加,以得到预测时长和值。然后,将预测时长和值与时长阈值进行比较,确定预测时长和值与时长阈值的大小关系。如果预测时长和值等于时长阈值,则说明可利用每个动态障碍物的第一级别预测模型,对排序结果中每个动态障碍物运动轨迹进行预测,以满足实时性要求。即,每个动态障碍物的最佳预测模型为第一级别预测模型。
S206,控制最佳级别预测模型,基于所述动态障碍物的图像或点云数据,对所述动态障碍物的运动轨迹进行预测;或者,控制所述预测模型,基于所述最佳数量动态障碍物的图像或点云数据,对所述最佳动态障碍物的运动轨迹进行预测。
可以理解的是,本发明实施例通过根据动态障碍物类型,选择相同类型下预测精度最低的预测模型,并当该预测模型的预测时长和值满足实时性要求时,对预测模型的级别进行升级,得到较高预测精度的预测模型,以实现在确保预测实时性的前提下尽可能的提高预测精度;如果升级后的预测模型的预测时长和值不能满足实时性要求时,则采用升级前预测精度低的预测模型,对动态障碍物的运动轨迹进行预测,以保证预测的实时性。
本发明实施例提供的技术方案,解决了在无人驾驶设备行驶过程中出现动态障碍物时,现有动态障碍物运动轨迹预测方式无法兼容预测实时性和预测精度的问题,实现了与动态障碍物匹配的预测模型在满足预测实时性的前提下,可允许对预测模型进行升级,以提高预测模型的预测精度,从而优化障碍物轨迹预测方式,有效兼顾障碍物轨迹的预测实时性和预测精度。此外,当动态障碍物数量为多个时,可根据每个动态障碍物的障碍分数,在多个动态障碍物预测模型的预测时长和值小于时长阈值时,有选择的对动态障碍物的预测模型进行升级,以快速、准确的预测出对无人驾驶设备正常行驶影响严重的动态障碍物运动轨迹,以根据该动态障碍物运动轨迹,对无人驾驶设备行驶轨迹进行重新规划,以减少碰撞的发生,为提高行驶安全性提供条件。
实施例三
图3是本发明实施例三提供的一种障碍物轨迹预测方法的流程示意图,在上述实施例的基础上,对本实施例中“将所述排序结果中动态障碍物的预测模型进行依次升级,直到所述多个预测模型的预测时长和值大于或等于所述时长阈值”进行了进一步优化。如图3所示,该方法具体如下:
S301,将所述排序结果中位于第一位置动态障碍物的第一级别预测模型升级为第二级别预测模型,并确定所述第二级别预测模型和其他第一级别预测模型的预测时长和值与所述时长阈值的关系。
由于排序结果中动态障碍物是根据障碍分数从高至低的顺序进行排序的,那么位于第一位置的动态障碍物相较于其他位置动态障碍物,对无人驾驶设备的影响最大。因此,本实施例在确定多个障碍物中至少一个的预测模型可以升级时,优先对无人驾驶设备影响最大的动态障碍物对应的预测模型级别进行升级,从而为无人驾驶设备的路径规划提供条件。具体实现时,可将排序结果中位于第一位置动态障碍物的第一级别预测模型优先升级为第二级别预测模型。
其中,对位于第一位置动态障碍物的第一级别预测模型进行升级之后,本实施例还可对第一位置的动态障碍物的障碍物分数进行升级,以为后续对排序结果进行更新奠定基础。
进一步的,对排序结果中位于第一位置动态障碍物的第一级别预测模型进行升级之后,可选的本实施例可将该第二级别预测模型与其他第一级别预测模型的预测时长相加,得到预测时长和值。将预测时长和值与时长阈值进行比较,确定预测时长和值与时长阈值的大小关系。
S302,若所述预测时长和值大于所述时长阈值,则确定每个动态障碍物的最佳级别预测模型为第一级别预测模型。
在本实施例中,当第二级别预测模型与其他第一级别预测模型的预测时长和值大于时长阈值时,说明排序结果中第一位置动态障碍物的第二级别预测模型虽然满足较高预测精度,但多个动态障碍物预测模型的预测时长和值无法满足预测实时性要求。所以,为了确保预测实时性,本实施例优先采用每个动态模型的第一级别预测模型,基于每个动态障碍物的图像或点云数据,以预测出每个动态障碍物的运动轨迹。即,本实施例中确定每个动态障碍物的最佳级别模型为第一级别预测模型。
其中,每个动态障碍物对应一个预测模型,相应利用预测模型对动态障碍物的运动轨迹进行预测时,具体是基于动态障碍物对应的预测模型,对该动态障碍物的运动轨迹进行预测。
S303,若所述预测时长和值等于所述时长阈值,则确定所述排序结果中第一位置动态障碍物的最佳级别预测模型为第二级别预测模型,以及其他位置动态障碍物的最佳级别预测模型为第一级别预测模型。
在本实施例中,当第二级别预测模型与其他第一级别预测模型的预测时长和值等于时长阈值时,说明第一位置动态障碍物利用第二级别预测模型进行轨迹预测时,不仅满足预测实时性要求,还能满足较高预测精度要求。此时,电子设备可采用第二级别预测模型,基于第一位置动态障碍物的图像或点云数据进行预测,以预测出该动态障碍物的运动轨迹,以及采用第一级别预测模型,基于排序结果中其他位置动态障碍物的图像或点云数据,对其他位置动态障碍物的运动轨迹进行预测。即,本实施例中确定第一位置动态障碍物的最佳级别模型为第二级别预测模型,其他位置动态障碍物的最佳级别预测模型为第一级别预测模型。
S304,若所述预测时长和值小于所述时长阈值,则依次将所述排序结果中除第一位置之外的其他位置动态障碍物的第一级别预测模型升级为第二级别预测模型,直到所有预测模型的预测时长和值大于或等于所述时长阈值,并将最后一次升级前的预测模型,确定为每个动态障碍物的最佳级别预测模型,或将最后一次升级的预测模型,确定为每个动态障碍物的最佳级别预测模型。
在本实施例中,当第二级别预测模型与其他第一级别预测模型的预测时长和值小于时长阈值时,说明第一位置动态障碍物利用第二级别预测模型进行轨迹预测时,不仅满足预测实时性要求,还能满足较高预测精度要求,并且还存在对其他位置动态障碍物的预测模型进行升级的空间。为了提高整体预测精度,可选的本实施例可依次按照排序位置从前至后顺序,或者按照障碍分数从高至低顺序,将排序结果中除第一位置外的其余位置动态障碍物的第一级别预测模型依次升级为第二级别预测模型,并根据升级后的预测模型的预测时长和值与时长阈值的关系执行不同的预测操作。
具体的,如果将排序结果中第二位置动态障碍物的第一级别预测模型升级为第二级别预测模型,且两个第二级别预测模型与其他第一级别预测模型的预测时长和值小于时长阈值,则将第三位置动态障碍物的第一级别预测模型升级为第二级别预测模型。当三个第二级别预测模型与其他第一级别预测模型的预测时长和值大于时长阈值时,说明利用第三位置动态障碍物的第二级别预测模型虽然可确定较高预测精度,但所有动态障碍物的轨迹预测无法满足实时性要求。因此,本实施例优先采用第一位置动态障碍物的第二级别预测模型,对第一位置动态障碍物的运动轨迹进行预测,采用第二位置动态障碍物的第二级别预测模型,对第二位置动态障碍物的运动轨迹进行预测,以及采用其他位置动态障碍物的第一级别预测模型,对其他位置动态障碍物的运动轨迹进行预测。即,确定第一位置动态障碍物和第二位置动态障碍物的最佳级别模型为第二级别预测模型,其他位置动态障碍物的最佳级别预测模型为第一级别预测模型。
如果将排序结果中第二位置动态障碍物的第一级别预测模型升级为第二级别预测模型,且两个第二级别预测模型与其他第一级别预测模型的预测时长和值等于时长阈值,则说明利用第二位置动态障碍物的第二级别预测模型不仅可确定较高预测精度,还能满足预测实时性要求。因此,本实施例采用第一位置动态障碍物的第二级别预测模型,对第一位置动态障碍物的运动轨迹进行预测,采用第二位置动态障碍物的第二级别预测模型,对第二位置动态障碍物的运动轨迹进行预测,以及采用其他位置动态障碍物的第一级别预测模型,对其他位置动态障碍物的运动轨迹进行预测。即,确定第一位置动态障碍物和第二位置动态障碍物的最佳级别模型为第二级别预测模型,其他位置动态障碍物的最佳级别预测模型为第一级别预测模型。
如果将排序结果中第二位置动态障碍物的第一级别预测模型升级为第二级别预测模型,且两个第二级别预测模型与其他第一级别预测模型的预测时长和值大于时长阈值,则说明利用第二位置动态障碍物的第二级别预测模型虽然提高预测精度,但所有动态障碍物的轨迹预测无法满足预测实时性要求。因此,本实施例采用第一位置动态障碍物的第二级别预测模型,对第一位置动态障碍物的运动轨迹进行预测,以及采用其他位置动态障碍物的第一级别预测模型,对其他位置动态障碍物的运动轨迹进行预测。即,确定第一位置动态障碍物的最佳级别模型为第二级别预测模型,其他位置动态障碍物的最佳级别预测模型为第一级别预测模型。
继续以上述示例进行说明,若时长阈值为100ms,排序结果中车辆2的预测模型为第二级别预测模型,行人3的预测模型为第一级预测模型,车辆1的预测模型为第一级别预测模型,则根据车辆2、行人3和车辆1各自预测模型的预测时长,确定预测时长和值为90ms,那么确定预测时长和值小于100ms,则此时可将行人3的第一级别预测模型升级为第二级别预测模型,并计算车辆2、行人3和车辆1对应预测模型的预测时长和值,如果预测时长和值为105ms,则确定大于100ms,那么电子设备可为车辆2按照第二级别预测模型进行运动轨迹预测,为行人3按照第一级别预测模型进行运动轨迹预测,以及为车辆1按照第一级别预测模型进行运动轨迹预测。
S305,若所述预测时长和值小于所述时长阈值,则依次将所述排序结果中除第一位置之外的其他位置动态障碍物的第一级别预测模型升级为第二级别预测模型,直到所有动态障碍物的预测模型级别均为最高级别,确定每个动态障碍物的最佳级别预测模型为最高级别预测模型。
可选的,当第二级别预测模型与其他第一级别预测模型的预测时长和值小于时长阈值时,说明第一位置动态障碍物利用第二级别预测模型进行轨迹预测时,不仅满足预测实时性要求,还能满足较高预测精度要求,并且还存在对其他位置动态障碍物的预测模型进行升级的空间。为此,本实施例可依次对排序结果中其他位置动态障碍物的第一级别预测模型进行升级,并当所有位置动态障碍物的预测模型均升级为最高级别预测模型,且所有最高级别预测模型的预测时长和值仍小于时长阈值,则分别采用每个位置动态障碍物的最高级别预测模型,基于每个动态障碍物的图像或点云数据,对动态障碍物的运动轨迹进行预测。从而不仅确保对动态障碍物预测的实时性,还能确保对动态障碍物的预测高精度。即,确定每个动态障碍物的最佳级别模型为最高级别预测模型。
本发明实施例提供的技术方案,解决了在无人驾驶设备行驶过程中出现动态障碍物时,现有动态障碍物运动轨迹预测方式无法兼容预测实时性和预测精度的问题,实现了与动态障碍物匹配的预测模型在满足预测实时性的前提下,可允许对预测模型进行升级,以提高预测模型的预测精度,从而优化障碍物轨迹预测方式,有效兼顾障碍物轨迹的预测实时性和预测精度。此外,当动态障碍物数量为多个时,可根据每个动态障碍物的障碍分数,在多个动态障碍物预测模型的预测时长和值小于时长阈值时,有选择的对动态障碍物的预测模型进行升级,以快速、准确的预测出对无人驾驶设备正常行驶影响严重的动态障碍物运动轨迹,以根据该动态障碍物运动轨迹,对无人驾驶设备行驶轨迹进行重新规划,以减少碰撞的发生,为提高行驶安全性提供条件。
实施例四
通过上述介绍可知,本发明实施例中识别的动态障碍物数量为至少一个。下面结合图4,以动态障碍物数量为一个为例,对本发明实施例障碍物轨迹预测进行进一步说明。如图4所示,该方法具体如下:
S401,获取在无人驾驶设备的行驶过程中识别的至少一个动态障碍物的类型以及图像或点云数据。
S402,如果所述动态障碍物数量为一个,则根据所述动态障碍物的类型,从相同类型的多个级别预测模型中,选择第一级别预测模型。
S403,当所述第一级别预测模型的预测时长和值小于所述时长阈值时,根据所述多个级别预测模型对所述第一级别预测模型进行升级,得到所述预测模型的最佳级别。
可选的,可根据动态障碍物的类型,从记录的预测时长中确定与该动态障碍物相同类型下第一级别预测模型的预测时长,以得到第一级别预测模型的预测时长和值。然后,将第一级别预测模型的预测时长和值与时长阈值进行比较,确定第一级别预测模型的预测时长和值是否小于时长阈值。
通常,在动态障碍物的数量为一个,且该动态障碍物的预测模型为第一级别预测模型时,第一级别预测模型的预测时长和值均小于时长阈值,但由于第一级别预测模型的精度比较低。此时,电子设备可对该动态障碍物的第一级别预测模型进行升级,即升级预测精度级别,以实现在确保预测实时性要求的前提下,尽可能的提高预测精度。
可选的,本实施例根据多个级别预测模型,对第一级别预测模型进行升级时,具体包括如下步骤:
S41,将所述第一级别预测模型升级为第二级别预测模型,并确定所述第二级别预测模型的预测时长和值与所述时长阈值的关系。
具体实现时,可将该动态障碍物的第一级别预测模型升级为第二级别预测模型。将第一级别预测模型升级为第二级别预测模型之后,电子设备可从记录的预测时长中确定与动态障碍物相同类型下第二级别预测模型的预测时长,以得到第二级别预测模型的预测时长和值。然后,将第二级别预测模型的预测时长和值与时长阈值进行比较,确定第二级别预测模型的预测时长和值与时长阈值的大小关系,并根据大小关系对预测模型级别进行调整。具体参见如下S42-S45。
S42,若所述预测时长和值大于所述时长阈值,则确定所述动态障碍物的最佳级别预测模型为第一级别预测模型。
在本实施例中,当确定第二级别预测模型的预测时长和值大于时长阈值时,说明升级后的第二级别预测模型虽然满足较高预测精度要求,但无法满足预测实时性要求。因此,为了确保预测实时性,本实施例在升级后的第二级别预测模型的预测时长和值大于时长阈值时,优先采用未升级前的第一级别预测模型,基于动态障碍物的图像或点云数据进行预测,以预测出该动态障碍物的运动轨迹。即,本实施例中确定动态障碍物的最佳级别模型为第一级别预测模型。
S43,若所述预测时长和值等于所述时长阈值,则确定所述动态障碍物的最佳级别预测模型为第二级别预测模型。
在本实施例中,当确定第二级别预测模型的预测时长和值等于时长阈值时,说明第二级别预测模型在满足预测实时性要求的基础上,还能满足较高预测精度要求。此时,电子设备可采用第二级别预测模型,基于动态障碍物的图像或点云数据进行预测,以预测出该动态障碍物的运动轨迹,从而兼顾障碍物轨迹的预测实时性和预测精度。即,本实施例中确定动态障碍物的最佳级别模型为第一级别预测模型。
S44,若所述预测时长和值小于所述时长阈值,则对所述第二级别预测模型进行逐级升级,直到升级后的预测模型的预测时长和值大于或等于所述时长阈值,并将最后一次升级前的预测模型,确定为所述动态障碍物的最佳级别预测模型,或将最后一次升级的预测模型,确定为所述动态障碍物的最佳级别预测模型。
在本实施例中,当确定第二级别预测模型的预测时长和值小于时长阈值时,说明第二级别预测模型不仅能够满足预测实时性要求,还能满足较高预测精度要求,并且还存在对预测模型级别进行升级的空间。为了进一步提高预测精度,本实施例还可将第二级别预测模型升级为第三级别预测模型,并根据第三级别预测模型的预测时长和值与时长阈值的关系执行不同的预测操作。
具体的,如果第三级别预测模型的预测时长和值小于时长阈值,则说明本实施例还可进一步提高预测精度,从而可将第三级别预测模型升级为第四级别预测模型,并当第四级别预测模型的预测时长和值大于时长阈值时,说明第四级别预测模型虽然能够确保高预测精度,但无法满足预测实时性要求,所以,本实施例中优先采用未升级前的第三级别预测模型,基于动态障碍物的图像或点云数据进行预测,以预测出该动态障碍物的运动轨迹。即,本实施例中动态障碍物的最佳级别预测模型为第三级别预测模型。
如果第三级别预测模型的预测时长和值大于时长阈值,则说明第三级别预测模型虽然满足较高预测精度,但无法满足预测实时性要求,所以本实施例优先采用未升级前的第二级别预测模型,基于动态障碍物的图像或点云数据,以预测出该动态障碍物的运动轨迹。即,本实施例中动态障碍物的最佳级别预测模型为第二级别预测模型。
如果第三级别预测模型的预测时长和值等于时长阈值,则说明第三级别预测模型能够满足预测实时性要求和较高预测精度要求,此时本实施例可采用第三级别预测模型,基于动态障碍物的图像或点云数据进行预测,以预测出该动态障碍物的运动轨迹。即,本实施例中动态障碍物的最佳级别预测模型为第三级别预测模型。
S45,若所述预测时长和值小于所述时长阈值,则对所述第二级别预测模型进行逐级升级,直到升级为最高级别,确定所述动态障碍物的最佳级别预测模型为最高级别预测模型。
可选的,当确定第二级别预测模型的预测时长和值小于时长阈值时,本实施例可对第二级别预测模型进行升级,并当升级后的预测模型的预测时长和值仍然小于时长阈值,则不断对预测模型进行升级,当预测模型升级为最高级别预测模型,且最高级别预测模型的预测时长和值仍小于时长阈值,则采用最高级别预测模型,基于动态障碍物的图像或点云数据,对动态障碍物的运动轨迹进行预测。从而不仅确保对动态障碍物预测的实时性,还能确保对动态障碍物的预测高精度。即,本实施例中动态障碍物的最佳级别预测模型为最高级别预测模型。
S404,控制最佳级别预测模型,基于所述动态障碍物的图像或点云数据,对所述动态障碍物的运动轨迹进行预测。
本发明实施例提供的技术方案,解决了在无人驾驶设备行驶过程中出现动态障碍物时,现有动态障碍物运动轨迹预测方式无法兼容预测实时性和预测精度的问题,实现了与动态障碍物匹配的预测模型在满足预测实时性的前提下,可允许对预测模型进行升级,以提高预测模型的预测精度,从而优化障碍物轨迹预测方式,有效兼顾障碍物轨迹的预测实时性和预测精度。
实施例五
图5是本发明实施例五提供的一种障碍物轨迹预测装置的结构示意图。本实施例障碍物轨迹预测装置,可由硬件和/或软件组成,并可集成于电子设备中。在本实施例中,电子设备可以是车载终端、智能驾驶仪或者服务器设备等。如图5所示,本发明实施例提供的障碍物轨迹预测装置500包括:获取模块510、选择模块520、调整模块530和预测模块540。
其中,获取模块510,用于获取在无人驾驶设备的行驶过程中识别的至少一个动态障碍物的类型以及图像或点云数据;
选择模块520,用于根据所述动态障碍物的类型,从相同类型的多个级别预测模型中,选择第一级别预测模型;
调整模块530,用于根据所述第一级别预测模型的预测时长和值与时长阈值的关系,对所述预测模型级别或者动态障碍物数量进行调整,得到所述预测模型的最佳级别或者所述动态障碍物的最佳数量;
预测模块540,用于控制最佳级别预测模型,基于所述动态障碍物的图像或点云数据,对所述动态障碍物的运动轨迹进行预测;或者,控制所述预测模型,基于所述最佳数量动态障碍物的图像或点云数据,对所述最佳动态障碍物的运动轨迹进行预测。
作为本发明实施例的一种可选的实现方式,如果所述动态障碍物为多个,则所述装置500还包括:障碍分数确定模块;
其中,障碍分数确定模块,用于根据每个动态障碍物的障碍物信息,确定每个动态障碍物的障碍分数,并对多个动态障碍物的障碍分数进行排序;
相应的,选择模块520,具体同于:
根据排序结果及每个所述动态障碍物的类型,从相同类型的多个级别预测模型中,分别为每个动态障碍物选择第一级别预测模型。
作为本发明实施例的一种可选的实现方式,所述障碍物信息包括:动态障碍物相对无人驾驶设备速度、动态障碍物与所述无人驾驶设备间的直线距离,以及动态障碍物与所述无人驾驶设备间的垂直距离;
所述获取模块510,还用于:
获取位置系数和方向系数;
相应的,障碍分数确定模块,包括:位置分数确定单元、方向分数确定单元和障碍分数确定单元;
其中,位置分数确定单元,用于根据每个动态障碍物与所述无人驾驶设备间的直线距离和位置系数,确定每个动态障碍物的位置分数;
方向分数确定单元,用于根据每个动态障碍物相对无人驾驶设备速度、每个动态障碍物与所述无人驾驶设备间的垂直距离以及方向系数,确定每个动态障碍物的方向分数;
障碍分数确定单元,用于根据每个动态障碍物的位置分数和方向分数,确定每个障碍物的障碍分数。
作为本发明实施例的一种可选的实现方式,调整模块530,具体用于:
当所述多个第一级别预测模型的预测时长和值小于所述时长阈值时,将所述排序结果中动态障碍物的预测模型进行依次升级,直到所述多个预测模型的预测时长和值大于或等于所述时长阈值,或者直到所有动态障碍物的预测模型级别均为最高级别;
当所述多个第一级别预测模型的预测时长和值大于所述时长阈值时,删除所述排序结果中位于末尾位置的动态障碍物以及所述动态障碍物的第一级别预测模型,直到剩余第一级别预测模型的预测时长和值小于或等于所述时长阈值。
作为本发明实施例的一种可选的实现方式,调整模块530,还用于;
将所述排序结果中位于第一位置动态障碍物的第一级别预测模型升级为第二级别预测模型,并确定所述第二级别预测模型和其他第一级别预测模型的预测时长和值与所述时长阈值的关系;
若所述预测时长和值大于所述时长阈值,则确定每个动态障碍物的最佳级别预测模型为第一级别预测模型;
若所述预测时长和值等于所述时长阈值,则确定所述排序结果中第一位置动态障碍物的最佳级别预测模型为第二级别预测模型,以及其他位置动态障碍物的最佳级别预测模型为第一级别预测模型;
若所述预测时长和值小于所述时长阈值,则依次将所述排序结果中除第一位置之外的其他位置动态障碍物的第一级别预测模型升级为第二级别预测模型,直到所有预测模型的预测时长和值大于或等于所述时长阈值,并将最后一次升级前的预测模型,确定为每个动态障碍物的最佳级别预测模型,或将最后一次升级的预测模型,确定为每个动态障碍物的最佳级别预测模型;
若所述预测时长和值小于所述时长阈值,则依次将所述排序结果中除第一位置之外的其他位置动态障碍物的第一级别预测模型升级为第二级别预测模型,直到所有动态障碍物的预测模型级别均为最高级别,确定每个动态障碍物的最佳级别预测模型为最高级别预测模型。
作为本发明实施例的一种可选的实现方式,如果所述动态障碍物数量为一个,则调整模块530,具体用于:
当所述第一级别预测模型的预测时长和值小于所述时长阈值时,根据所述多个级别预测模型对所述第一级别预测模型进行升级。
作为本发明实施例的一种可选的实现方式,调整模块530,还用于:
将所述第一级别预测模型升级为第二级别预测模型,并确定所述第二级别预测模型的预测时长和值与所述时长阈值的关系;
若所述预测时长和值大于所述时长阈值,则确定所述动态障碍物的最佳级别预测模型为第一级别预测模型;
若所述预测时长和值等于所述时长阈值,则确定所述动态障碍物的最佳级别预测模型为第二级别预测模型;
若所述预测时长和值小于所述时长阈值,则对所述第二级别预测模型进行逐级升级,直到升级后的预测模型的预测时长和值大于或等于所述时长阈值,并将最后一次升级前的预测模型,确定为所述动态障碍物的最佳级别预测模型,或将最后一次升级的预测模型,确定为所述动态障碍物的最佳级别预测模型;
若所述预测时长和值小于所述时长阈值,则对所述第二级别预测模型进行逐级升级,直到升级为最高级别,确定所述动态障碍物的最佳级别预测模型为最高级别预测模型。
需要说明的是,前述对障碍物轨迹预测方法实施例的解释说明也适用于该实施例的障碍物轨迹预测装置,其实现原理类似,此处不再赘述。
本发明实施例提供的技术方案,解决了在无人驾驶设备行驶过程中出现动态障碍物时,现有动态障碍物运动轨迹预测方式无法兼容预测实时性和预测精度的问题,实现了与动态障碍物匹配的预测模型在满足预测实时性的前提下,可允许对预测模型进行升级,以提高预测模型的预测精度,从而优化障碍物轨迹预测方式,有效兼顾障碍物轨迹的预测实时性和预测精度。
实施例六
图6为本发明实施例六提供的一种电子设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性电子设备600的框图。图6显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备600典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备600访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备600可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备600也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备600还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的障碍物轨迹预测法,包括:
获取在无人驾驶设备的行驶过程中识别的至少一个动态障碍物的类型以及图像或点云数据;
根据所述动态障碍物的类型,从相同类型的多个级别预测模型中,选择第一级别预测模型;
根据所述第一级别预测模型的预测时长和值与时长阈值的关系,对所述预测模型级别或者动态障碍物数量进行调整,得到所述预测模型的最佳级别或者所述动态障碍物的最佳数量;
控制最佳级别预测模型,基于所述动态障碍物的图像或点云数据,对所述动态障碍物的运动轨迹进行预测;或者,控制所述预测模型,基于所述最佳数量动态障碍物的图像或点云数据,对所述最佳动态障碍物的运动轨迹进行预测。
需要说明的是,前述对障碍物轨迹预测方法实施例的解释说明也适用于该实施例的电子设备,其实现原理类似,此处不再赘述。
本发明实施例提供的电子设备,解决了在无人驾驶设备行驶过程中出现动态障碍物时,现有动态障碍物运动轨迹预测方式无法兼容预测实时性和预测精度的问题,实现了与动态障碍物匹配的预测模型在满足预测实时性的前提下,可允许对预测模型进行升级,以提高预测模型的预测精度,从而优化障碍物轨迹预测方式,有效兼顾障碍物轨迹的预测实时性和预测精度。
实施例七
为了实现上述目的,本发明实施例七还提出了一种计算机可读存储介质。
本发明实施例提供的计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所述的障碍物轨迹预测法,该方法包括:
获取在无人驾驶设备的行驶过程中识别的至少一个动态障碍物的类型以及图像或点云数据;
根据所述动态障碍物的类型,从相同类型的多个级别预测模型中,选择第一级别预测模型;
根据所述第一级别预测模型的预测时长和值与时长阈值的关系,对所述预测模型级别或者动态障碍物数量进行调整,得到所述预测模型的最佳级别或者所述动态障碍物的最佳数量;
控制最佳级别预测模型,基于所述动态障碍物的图像或点云数据,对所述动态障碍物的运动轨迹进行预测;或者,控制所述预测模型,基于所述最佳数量动态障碍物的图像或点云数据,对所述最佳动态障碍物的运动轨迹进行预测。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种障碍物轨迹预测方法,其特征在于,包括:
获取在无人驾驶设备的行驶过程中识别的至少一个动态障碍物的类型以及图像或点云数据;
根据所述动态障碍物的类型,从相同类型的多个级别预测模型中,选择第一级别预测模型;
根据所述第一级别预测模型的预测时长和值与时长阈值的关系,对所述预测模型级别或者动态障碍物数量进行调整,得到所述预测模型的最佳级别或者所述动态障碍物的最佳数量;
控制最佳级别预测模型,基于所述动态障碍物的图像或点云数据,对所述动态障碍物的运动轨迹进行预测;或者,控制所述预测模型,基于所述最佳数量动态障碍物的图像或点云数据,对所述最佳动态障碍物的运动轨迹进行预测。
2.根据权利要求1所述的方法,其特征在于,如果所述动态障碍物数量为多个,则根据每个动态障碍物的类型,从相同类型的多个级别预测模型中,分别为每个动态障碍物选择第一级别预测模型,且在所述选择第一级别预测模型之前,还包括:
根据每个动态障碍物的障碍物信息,确定每个动态障碍物的障碍分数,并对多个动态障碍物的障碍分数进行排序;
相应的,所述根据每个动态障碍物的类型,从相同类型的多个级别预测模型中,分别为每个动态障碍物选择第一级别预测模型,包括:
根据排序结果及每个所述动态障碍物的类型,从相同类型的多个级别预测模型中,分别为每个动态障碍物选择第一级别预测模型。
3.根据权利要求2所述的方法,其特征在于,所述障碍物信息包括:动态障碍物相对无人驾驶设备速度、动态障碍物与所述无人驾驶设备间的直线距离,以及动态障碍物与所述无人驾驶设备间的垂直距离;
所述根据每个动态障碍物的障碍物信息,确定每个动态障碍物的障碍分数之前,还包括:
获取位置系数和方向系数;
相应的,根据每个动态障碍物的障碍物信息,确定每个动态障碍物的障碍分数,包括:
根据每个动态障碍物与所述无人驾驶设备间的直线距离和位置系数,确定每个动态障碍物的位置分数;
根据每个动态障碍物相对无人驾驶设备速度、每个动态障碍物与所述无人驾驶设备间的垂直距离以及方向系数,确定每个动态障碍物的方向分数;
根据每个动态障碍物的位置分数和方向分数,确定每个障碍物的障碍分数。
4.根据权利要求2所述的方法,其特征在于,所述根据所述第一级别预测模型的预测时长和值与时长阈值的关系,对所述预测模型级别或者动态障碍物数量进行调整,包括:
当所述多个第一级别预测模型的预测时长和值小于所述时长阈值时,将所述排序结果中动态障碍物的预测模型进行依次升级,直到所述多个预测模型的预测时长和值大于或等于所述时长阈值,或者直到所有动态障碍物的预测模型级别均为最高级别;
当所述多个第一级别预测模型的预测时长和值大于所述时长阈值时,删除所述排序结果中位于末尾位置的动态障碍物以及所述动态障碍物的第一级别预测模型,直到剩余第一级别预测模型的预测时长和值小于或等于所述时长阈值。
5.根据权利要求4所述的方法,其特征在于,所述将所述排序结果中动态障碍物的预测模型进行依次升级,直到所述多个预测模型的预测时长和值大于或等于所述时长阈值,包括:
将所述排序结果中位于第一位置动态障碍物的第一级别预测模型升级为第二级别预测模型,并确定所述第二级别预测模型和其他第一级别预测模型的预测时长和值与所述时长阈值的关系;
若所述预测时长和值大于所述时长阈值,则确定每个动态障碍物的最佳级别预测模型为第一级别预测模型;
若所述预测时长和值等于所述时长阈值,则确定所述排序结果中第一位置动态障碍物的最佳级别预测模型为第二级别预测模型,以及其他位置动态障碍物的最佳级别预测模型为第一级别预测模型;
若所述预测时长和值小于所述时长阈值,则依次将所述排序结果中除第一位置之外的其他位置动态障碍物的第一级别预测模型升级为第二级别预测模型,直到所有预测模型的预测时长和值大于或等于所述时长阈值,并将最后一次升级前的预测模型,确定为每个动态障碍物的最佳级别预测模型,或将最后一次升级的预测模型,确定为每个动态障碍物的最佳级别预测模型;
若所述预测时长和值小于所述时长阈值,则依次将所述排序结果中除第一位置之外的其他位置动态障碍物的第一级别预测模型升级为第二级别预测模型,直到所有动态障碍物的预测模型级别均为最高级别,确定每个动态障碍物的最佳级别预测模型为最高级别预测模型。
6.根据权利要求1所述的方法,其特征在于,如果所述动态障碍物数量为一个,则根据所述第一级别预测模型的预测时长和值与时长阈值的关系,对所述预测模型级别或者动态障碍物数量进行调整,包括:
当所述第一级别预测模型的预测时长和值小于所述时长阈值时,根据所述多个级别预测模型对所述第一级别预测模型进行升级。
7.根据权利要求6所述的方法,其特征在于,所述根据所述多个级别预测模型对所述第一级别预测模型进行升级,包括:
将所述第一级别预测模型升级为第二级别预测模型,并确定所述第二级别预测模型的预测时长和值与所述时长阈值的关系;
若所述预测时长和值大于所述时长阈值,则确定所述动态障碍物的最佳级别预测模型为第一级别预测模型;
若所述预测时长和值等于所述时长阈值,则确定所述动态障碍物的最佳级别预测模型为第二级别预测模型;
若所述预测时长和值小于所述时长阈值,则对所述第二级别预测模型进行逐级升级,直到升级后的预测模型的预测时长和值大于或等于所述时长阈值,并将最后一次升级前的预测模型,确定为所述动态障碍物的最佳级别预测模型,或将最后一次升级的预测模型,确定为所述动态障碍物的最佳级别预测模型;
若所述预测时长和值小于所述时长阈值,则对所述第二级别预测模型进行逐级升级,直到升级为最高级别,确定所述动态障碍物的最佳级别预测模型为最高级别预测模型。
8.一种障碍物轨迹预测装置,其特征在于,包括:
获取模块,用于获取在无人驾驶设备的行驶过程中识别的至少一个动态障碍物的类型以及图像或点云数据;
选择模块,用于根据所述动态障碍物的类型,从相同类型的多个级别预测模型中,选择第一级别预测模型;
调整模块,用于根据所述第一级别预测模型的预测时长和值与时长阈值的关系,对所述预测模型级别或者动态障碍物数量进行调整,得到所述预测模型的最佳级别或者所述动态障碍物的最佳数量;
预测模块,用于控制最佳级别预测模型,基于所述动态障碍物的图像或点云数据,对所述动态障碍物的运动轨迹进行预测;或者,控制所述预测模型,基于所述最佳数量动态障碍物的图像或点云数据,对所述最佳动态障碍物的运动轨迹进行预测。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的障碍物轨迹预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的障碍物轨迹预测法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011073105.1A CN112255628A (zh) | 2020-10-09 | 2020-10-09 | 障碍物轨迹预测方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011073105.1A CN112255628A (zh) | 2020-10-09 | 2020-10-09 | 障碍物轨迹预测方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112255628A true CN112255628A (zh) | 2021-01-22 |
Family
ID=74234049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011073105.1A Pending CN112255628A (zh) | 2020-10-09 | 2020-10-09 | 障碍物轨迹预测方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112255628A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113071498A (zh) * | 2021-06-07 | 2021-07-06 | 新石器慧通(北京)科技有限公司 | 车辆控制方法、装置、系统、计算机设备及存储介质 |
CN114572233A (zh) * | 2022-03-25 | 2022-06-03 | 阿波罗智能技术(北京)有限公司 | 基于模型集合的预测方法、电子设备及自动驾驶车辆 |
WO2022237208A1 (zh) * | 2021-05-13 | 2022-11-17 | 上海仙途智能科技有限公司 | 轨迹预测 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100106418A1 (en) * | 2007-06-20 | 2010-04-29 | Toyota Jidosha Kabushiki Kaisha | Vehicle travel track estimator |
CN101801004A (zh) * | 2009-12-31 | 2010-08-11 | 哈尔滨工业大学 | 基于先验知识的自适应话务量中长期预测方法 |
CN102307769A (zh) * | 2009-02-09 | 2012-01-04 | 丰田自动车株式会社 | 用于预测移动体的移动的设备 |
WO2014013690A1 (ja) * | 2012-07-17 | 2014-01-23 | パナソニック株式会社 | コメント情報生成装置およびコメント情報生成方法 |
CN105989749A (zh) * | 2015-03-20 | 2016-10-05 | 哈曼国际工业有限公司 | 用于优先化驾驶员警报的系统和方法 |
CN106951847A (zh) * | 2017-03-13 | 2017-07-14 | 百度在线网络技术(北京)有限公司 | 障碍物检测方法、装置、设备及存储介质 |
CN108536149A (zh) * | 2018-04-25 | 2018-09-14 | 吉林大学 | 一种基于Dubins路径的无人驾驶车辆避障控制装置及控制方法 |
US20180374217A1 (en) * | 2017-06-21 | 2018-12-27 | Gamelore Inc. | Ball detection and tracking device, system and method |
CN109308816A (zh) * | 2017-07-28 | 2019-02-05 | 华为技术有限公司 | 一种确定道路交通风险的方法、装置及车载系统 |
US20190079529A1 (en) * | 2017-09-08 | 2019-03-14 | Toyota Jidosha Kabushiki Kaisha | Vehicle control device |
CN110834642A (zh) * | 2019-11-04 | 2020-02-25 | 中国第一汽车股份有限公司 | 车辆跑偏识别方法、装置、车辆及存储介质 |
CN110942181A (zh) * | 2019-11-13 | 2020-03-31 | 北京三快在线科技有限公司 | 一种障碍物轨迹预测的方法及装置 |
CN111339808A (zh) * | 2018-12-19 | 2020-06-26 | 北京嘀嘀无限科技发展有限公司 | 车辆碰撞概率预测方法、装置、电子设备及存储介质 |
CN111354024A (zh) * | 2020-04-10 | 2020-06-30 | 深圳市五元科技有限公司 | 关键目标的行为预测方法、ai服务器及存储介质 |
CN111629319A (zh) * | 2019-02-28 | 2020-09-04 | 中国移动通信有限公司研究院 | 一种位置预测方法及设备 |
-
2020
- 2020-10-09 CN CN202011073105.1A patent/CN112255628A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100106418A1 (en) * | 2007-06-20 | 2010-04-29 | Toyota Jidosha Kabushiki Kaisha | Vehicle travel track estimator |
CN102307769A (zh) * | 2009-02-09 | 2012-01-04 | 丰田自动车株式会社 | 用于预测移动体的移动的设备 |
CN101801004A (zh) * | 2009-12-31 | 2010-08-11 | 哈尔滨工业大学 | 基于先验知识的自适应话务量中长期预测方法 |
WO2014013690A1 (ja) * | 2012-07-17 | 2014-01-23 | パナソニック株式会社 | コメント情報生成装置およびコメント情報生成方法 |
CN105989749A (zh) * | 2015-03-20 | 2016-10-05 | 哈曼国际工业有限公司 | 用于优先化驾驶员警报的系统和方法 |
CN106951847A (zh) * | 2017-03-13 | 2017-07-14 | 百度在线网络技术(北京)有限公司 | 障碍物检测方法、装置、设备及存储介质 |
US20180260636A1 (en) * | 2017-03-13 | 2018-09-13 | Baidu Online Network Technology (Beijing) Co., Ltd. | Obstacle detecting method and apparatus, device and storage medium |
US20180374217A1 (en) * | 2017-06-21 | 2018-12-27 | Gamelore Inc. | Ball detection and tracking device, system and method |
CN109308816A (zh) * | 2017-07-28 | 2019-02-05 | 华为技术有限公司 | 一种确定道路交通风险的方法、装置及车载系统 |
US20190079529A1 (en) * | 2017-09-08 | 2019-03-14 | Toyota Jidosha Kabushiki Kaisha | Vehicle control device |
CN108536149A (zh) * | 2018-04-25 | 2018-09-14 | 吉林大学 | 一种基于Dubins路径的无人驾驶车辆避障控制装置及控制方法 |
CN111339808A (zh) * | 2018-12-19 | 2020-06-26 | 北京嘀嘀无限科技发展有限公司 | 车辆碰撞概率预测方法、装置、电子设备及存储介质 |
CN111629319A (zh) * | 2019-02-28 | 2020-09-04 | 中国移动通信有限公司研究院 | 一种位置预测方法及设备 |
CN110834642A (zh) * | 2019-11-04 | 2020-02-25 | 中国第一汽车股份有限公司 | 车辆跑偏识别方法、装置、车辆及存储介质 |
CN110942181A (zh) * | 2019-11-13 | 2020-03-31 | 北京三快在线科技有限公司 | 一种障碍物轨迹预测的方法及装置 |
CN111354024A (zh) * | 2020-04-10 | 2020-06-30 | 深圳市五元科技有限公司 | 关键目标的行为预测方法、ai服务器及存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022237208A1 (zh) * | 2021-05-13 | 2022-11-17 | 上海仙途智能科技有限公司 | 轨迹预测 |
CN113071498A (zh) * | 2021-06-07 | 2021-07-06 | 新石器慧通(北京)科技有限公司 | 车辆控制方法、装置、系统、计算机设备及存储介质 |
CN113071498B (zh) * | 2021-06-07 | 2021-09-21 | 新石器慧通(北京)科技有限公司 | 车辆控制方法、装置、系统、计算机设备及存储介质 |
CN114572233A (zh) * | 2022-03-25 | 2022-06-03 | 阿波罗智能技术(北京)有限公司 | 基于模型集合的预测方法、电子设备及自动驾驶车辆 |
CN114572233B (zh) * | 2022-03-25 | 2022-11-29 | 阿波罗智能技术(北京)有限公司 | 基于模型集合的预测方法、电子设备及自动驾驶车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598066B (zh) | 预测模块的效果评估方法、装置、设备和存储介质 | |
JP6837558B2 (ja) | 自車両の制御方法及び自車両の制御システム | |
CN112255628A (zh) | 障碍物轨迹预测方法、装置、设备和介质 | |
KR102335389B1 (ko) | 자율 주행 차량의 lidar 위치 추정을 위한 심층 학습 기반 특징 추출 | |
WO2021008605A1 (zh) | 一种确定车速的方法和装置 | |
US20220107647A1 (en) | Speed planning method and apparatus, electronic device and storage medium | |
CN109491377A (zh) | 用于自动驾驶车辆的基于dp和qp的决策和规划 | |
US11415992B2 (en) | Resource prioritization based on travel path relevance | |
JP2021515178A (ja) | 自動運転車両においてrnnとlstmを用いて時間平滑化を行うlidar測位 | |
CN110263713B (zh) | 车道线检测方法、装置、电子设备及存储介质 | |
CN114212110B (zh) | 障碍物轨迹预测方法、装置、电子设备及存储介质 | |
CN110576847A (zh) | 基于焦点的对传感器数据的标记 | |
CN112085165A (zh) | 一种决策信息生成方法、装置、设备及存储介质 | |
CN112519765A (zh) | 车辆控制方法、装置、设备和介质 | |
US20220219729A1 (en) | Autonomous driving prediction method based on big data and computer device | |
CN114475656B (zh) | 行驶轨迹预测方法、装置、电子设备以及存储介质 | |
JP7391125B2 (ja) | 自動運転特徴の特定方法、装置、設備、媒体及びコンピュータプログラム | |
CN115859821A (zh) | 创建用于模拟自主驾驶车辆的模拟环境的方法和系统 | |
CN110497906B (zh) | 车辆控制方法、装置、设备和介质 | |
CN112327848A (zh) | 机器人避障方法及装置、存储介质和电子设备 | |
CN112447065A (zh) | 一种轨迹规划方法及装置 | |
CN115583254A (zh) | 路径规划方法、装置、设备以及自动驾驶车辆 | |
CN112507857B (zh) | 一种车道线更新方法、装置、设备及存储介质 | |
CN116052457A (zh) | 具有缓冲车道的车辆动态出场引导方法 | |
CN113483770A (zh) | 封闭场景下的路径规划方法、装置、电子设备、存储介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230411 Address after: 100000 1703, floor 17, building 1, No. 10, Ronghua Middle Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing (Yizhuang group, high-end industrial area of Beijing Pilot Free Trade Zone) Applicant after: NEOLIX TECHNOLOGIES Co.,Ltd. Address before: 101399 room 566, 5th floor, building 6, courtyard 17, Lifu street, Beixiaoying Town, Shunyi District, Beijing Applicant before: Neolithic Huiyi Zhixing Zhichi (Beijing) Technology Co.,Ltd. |