CN112406905A - 基于交通工具的数据处理方法、装置、计算机及存储介质 - Google Patents

基于交通工具的数据处理方法、装置、计算机及存储介质 Download PDF

Info

Publication number
CN112406905A
CN112406905A CN202010947834.9A CN202010947834A CN112406905A CN 112406905 A CN112406905 A CN 112406905A CN 202010947834 A CN202010947834 A CN 202010947834A CN 112406905 A CN112406905 A CN 112406905A
Authority
CN
China
Prior art keywords
vehicle
predicted
offset
prediction
benefit
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
CN202010947834.9A
Other languages
English (en)
Other versions
CN112406905B (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 CN202010947834.9A priority Critical patent/CN112406905B/zh
Publication of CN112406905A publication Critical patent/CN112406905A/zh
Priority to JP2022565903A priority patent/JP2023523350A/ja
Priority to PCT/CN2021/116193 priority patent/WO2022052856A1/zh
Priority to EP21865910.0A priority patent/EP4119412A4/en
Application granted granted Critical
Publication of CN112406905B publication Critical patent/CN112406905B/zh
Priority to US17/971,495 priority patent/US20230053459A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • 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, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • 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
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • 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, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/18163—Lane change; Overtaking manoeuvres
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/04—Traffic conditions
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • 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
    • B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
    • 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
    • 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
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B60W60/00274—Planning or execution of driving tasks using trajectory prediction for other traffic participants considering possible movement changes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • 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
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4041—Position
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4045—Intention, e.g. lane change or imminent movement
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4046—Behavior, e.g. aggressive or erratic
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/406—Traffic density
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/801—Lateral distance
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/802—Longitudinal distance
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—Historical data

Abstract

本申请实施例公开了一种基于交通工具的数据处理方法、装置、计算机及可读存储介质，涉及自动驾驶技术，该方法包括：获取第一交通工具的至少两个预测偏移量，获取第一交通工具的第一行驶状态，获取第二交通工具的第二行驶状态；根据第一行驶状态及第二行驶状态，确定各个预测偏移量在第二交通工具处于让行预测状态时的第一变道效益，以及在第二交通工具处于非让行预测状态时的第二变道效益；获取第二交通工具的预测让行概率，根据预测让行概率、各个预测偏移量的第一变道效益和第二变道效益，生成各个预测偏移量的目标变道效益，将具有最大的目标变道效益的预测偏移量确定为目标预测偏移量。采用本申请，提高了当前交通工具进行变道的效率。

Description

基于交通工具的数据处理方法、装置、计算机及存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种基于交通工具的数据处理方法、装置、计算机及可读存储介质。
背景技术
自动驾驶车辆又称无人驾驶车辆或电脑驾驶车辆等，是一种通过电脑系统实现无人驾驶的智能车辆，随着科技的发展，针对自动驾驶车辆的研发也越来越广泛，其中，无人驾驶一般划分为第0级(Level 0，L0)至第5级(Level 5，L5)，即从无自动化到完全自动化。其中，现有的自动驾驶车辆技术一般是基于凯迪拉克的CT6自动驾驶系统或特斯拉(Tesla)的自动驾驶(Autopilot)系统等。当自车(无人驾驶车辆)需要进行变道时，在一定程度上，需要环境车辆的配合、让行等，自车才能获得足够的变道空间进行变道，因此，自车变道的关键在于环境车辆是否对自车让行，即自车不具备路权。而在实际驾驶中，并不是所有车辆都会基于自车的转向灯信号，为自车让行，故而，自车一般是由驾驶员手动触发变道，或者，等待需要驶入的车行道中的环境车辆为自车让行，以实现自车的变道，使得无人驾驶车辆的变道效率低下。
发明内容
本申请实施例提供了一种基于交通工具的数据处理方法、装置、计算机及可读存储介质，可以提高确定当前交通工具的变道效率。
本申请实施例一方面提供了一种基于交通工具的数据处理方法，该方法包括：
获取第一交通工具的至少两个预测偏移量，获取第一交通工具的第一行驶状态，获取第二交通工具的第二行驶状态；第二交通工具为第一交通工具在交换车行道时的参考交通工具；
根据第一行驶状态及第二行驶状态，确定在第二交通工具处于让行预测状态时，各个预测偏移量的第一变道效益，以及确定在第二交通工具处于非让行预测状态时，各个预测偏移量的第二变道效益；
获取第二交通工具的预测让行概率，根据预测让行概率、各个预测偏移量的第一变道效益和第二变道效益，生成各个预测偏移量的目标变道效益，将具有最大的目标变道效益的预测偏移量确定为目标预测偏移量；目标预测偏移量用于表示针对第一交通工具所预测的侧向变道行驶距离。
其中，获取第一交通工具的至少两个预测偏移量，包括：
获取车行道的车道宽度及决策数量；
获取第一交通工具与第一交通工具所在第一车行道的车道线之间的横向距离，基于车道宽度、横向距离及决策数量，获取第一交通工具的至少两个预测偏移量；至少两个预测偏移量的数量为决策数量。
其中，该方法还包括：
获取第一交通工具所在的第一车行道，以第一车行道的中心线作为坐标纵轴，以第一交通工具映射到坐标纵轴上的点作为坐标原点，将坐标纵轴对应的法线作为坐标横轴，根据坐标原点、坐标横轴以及坐标纵轴，建立道路坐标系；
获取第一交通工具的第一行驶状态，获取第二交通工具的第二行驶状态，包括：
获取第一交通工具在道路坐标系中的第一位置信息，根据第一位置信息获取第一交通工具的第一行驶状态；
获取第二交通工具在道路坐标系中的第二位置信息，根据第二位置信息获取第二交通工具的第二行驶状态。
其中，第一行驶状态包括第一位置信息，第二行驶状态包括第二位置信息；
根据第一行驶状态及第二行驶状态，确定在第二交通工具处于让行预测状态时，各个预测偏移量的第一变道效益，以及确定在第二交通工具处于非让行预测状态时，各个预测偏移量的第二变道效益，包括：
根据第一位置信息确定第一交通工具的偏移距离；偏移距离为第一交通工具与第一交通工具所在的第一车行道的中心线之间的距离；
获取第i个预测偏移量，根据第i个预测偏移量与偏移距离之间的差值，确定在第二交通工具处于让行预测状态时，第i个预测偏移量的第一变道效益，以及确定在第二交通工具处于非让行预测状态时，第i个预测偏移量的第二变道效益；i为正整数，i小于或等于至少两个预测偏移量的数量。
其中，第一行驶状态包括第一位置信息及第一行驶速度，第二行驶状态包括第二位置信息及第二行驶速度；
根据第一行驶状态及第二行驶状态，确定在第二交通工具处于让行预测状态时，各个预测偏移量的第一变道效益，以及确定在第二交通工具处于非让行预测状态时，各个预测偏移量的第二变道效益，包括：
获取第一位置信息中的第一纵向坐标值及第二位置信息中的第二纵向坐标值，根据第一纵向坐标值、第一行驶速度、第二纵向坐标值及第二行驶速度，获取第一交通工具与第二交通工具的纵向碰撞时间；
获取第一位置信息中的第一横向坐标值及第二位置信息中的第二横向坐标值，获取第i个预测偏移量，根据第一横向坐标值、第二横向坐标值及第i个预测偏移量，获取第i个预测偏移量对应的交通侧向间距；i为正整数，i小于或等于至少两个预测偏移量的数量；
根据纵向碰撞时间及第i个预测偏移量对应的交通侧向间距，确定在第二交通工具处于让行预测状态时，第i个预测偏移量的第一变道效益，以及确定在第二交通工具处于非让行预测状态时，第i个预测偏移量的第二变道效益。
其中，第一行驶状态包括第一位置信息及第一行驶速度，第二行驶状态包括第二位置信息及第二行驶速度；
根据第一行驶状态及第二行驶状态，确定在第二交通工具处于让行预测状态时，各个预测偏移量的第一变道效益，以及确定在第二交通工具处于非让行预测状态时，各个预测偏移量的第二变道效益，包括：
获取第三交通工具的第三位置信息，根据第二位置信息及第三位置信息，获取第二交通工具及第三交通工具之间的引导纵向距离；第二交通工具与第三交通工具处于同一车行道，第三交通工具与第二交通工具的行驶方向相同；
获取第三交通工具的第三行驶速度；
根据第i个预测偏移量及引导纵向距离，确定第二交通工具的第i个让行距离，基于第二行驶速度、第三行驶速度及第i个让行距离，确定在第二交通工具处于让行预测状态时，第i个预测偏移量的第一变道效益，以及确定在第二交通工具处于非让行预测状态时，第i个预测偏移量的第二变道效益；i为正整数，i小于或等于至少两个预测偏移量的数量；第i个让行距离是指在第i个预测偏移量，且第二交通工具处于让行预测状态时，第二交通工具与第三交通工具之间基于引导纵向距离所增加的距离。
其中，根据第一行驶状态及第二行驶状态，确定在第二交通工具处于让行预测状态时，各个预测偏移量的第一变道效益，以及确定在第二交通工具处于非让行预测状态时，各个预测偏移量的第二变道效益，包括：
获取让行概率模型；
将第一行驶状态、第二行驶状态及第i个预测偏移量，输入让行概率模型，得到第i个预测偏移量对应的让行预测状态的概率及非让行预测状态的概率；i为正整数，i小于或等于至少两个预测偏移量的数量；
将让行预测状态的概率，确定为在第二交通工具处于让行预测状态时，第i个预测偏移量的第一变道效益；
将非让行预测状态的概率，确定为在第二交通工具处于非让行预测状态时，第i个预测偏移量的第二变道效益。
其中，获取第二交通工具的预测让行概率，包括：
获取历史纵向碰撞时间及历史纵向碰撞时间对应的历史碰撞距离，根据历史纵向碰撞时间及历史碰撞距离，确定碰撞时间均值及碰撞时间标准差；
获取第二交通工具与第一交通工具的纵向碰撞时间，将纵向碰撞时间映射到由碰撞时间均值及碰撞时间标准差生成的第一概率密度函数中，根据第一概率密度函数确定第二交通工具的初始让行概率；
获取历史交通侧向间距，根据历史交通侧向间距确定间距均值及间距标准差；
获取第二交通工具与第一交通工具的交通侧向间距，将交通侧向间距映射到由间距均值及间距标准差生成的第二概率密度函数中，根据第二概率密度函数确定第二交通工具的行驶保持概率；
根据初始让行概率及行驶保持概率，确定第二交通工具的预测让行概率。
其中，根据预测让行概率、各个预测偏移量的第一变道效益和第二变道效益，生成各个预测偏移量的目标变道效益，包括：
获取决策树；决策树中的决策边包括至少两个预测偏移量、让行预测状态及非让行预测状态；决策树中的树节点包括第一交通工具及第二交通工具；
在决策树的至少两个决策层中，逐层根据预测让行概率以及决策边对各个预测偏移量的第一变道效益和第二变道效益进行加权求和，直至得到决策树的根节点中各个预测偏移量的树形效益值；
将根节点中各个预测偏移量的树形效益值，确定为各个预测偏移量的目标变道效益。
其中，决策树中的至少两个决策层包括决策层k1和决策层k2，决策层k1包括根节点；第一行驶状态包括第一实际行驶状态和第一预测行驶状态，第二行驶状态包括第二实际行驶状态和第二预测行驶状态；第一变道效益包括第一变道效益k1和第一变道效益k2，第二变道效益包括第二变道效益k1和第二变道效益k2；
根据第一行驶状态及第二行驶状态，确定在第二交通工具处于让行预测状态时，各个预测偏移量的第一变道效益，以及确定在第二交通工具处于非让行预测状态时，各个预测偏移量的第二变道效益，包括：
根据第一实际行驶状态和第二实际行驶状态，确定在第二交通工具处于让行预测状态时，各个预测偏移量在决策层k1中的第一变道效益k1，以及确定在第二交通工具处于非让行预测状态时，各个预测偏移量在决策层k1中的第二变道效益k1；
根据第一实际行驶状态预测第一交通工具的第一预测行驶状态，根据第二实际行驶状态预测第二交通工具的第二预测行驶状态；
根据第一预测行驶状态和第二预测行驶状态，确定在第二交通工具处于让行预测状态时，各个预测偏移量在决策层k2中的第一变道效益k2，以及确定在第二交通工具处于非让行预测状态时，各个预测偏移量在决策层k2中的第二变道效益k2。
其中，预测让行概率包括预测让行概率k1和预测让行概率k2；
在决策树的至少两个决策层中，逐层根据预测让行概率以及决策边对各个预测偏移量的第一变道效益和第二变道效益进行加权求和，直至得到决策树的根节点中各个预测偏移量的树形效益值，包括：
根据预测让行概率k2，对各个预测偏移量的第一变道效益k2及第二变道效益k2进行加权求和，得到各个预测偏移量在决策层k2的树形效益值；
将各个预测偏移量在决策层k2的树形效益值中最大的树形效益值，确定为决策层k2的参数值；
根据预测让行概率k1，对决策层k2的参数值、各个预测偏移量的第一变道效益k1及第二变道效益k1进行加权求和，得到各个预测偏移量在决策层k1的树形效益值；各个预测偏移量在决策层k1的树形效益值，为决策树的根节点中各个预测偏移量的树形效益值。
其中，该方法还包括：
根据目标预测偏移量确定预测偏移轨迹；预测偏移轨迹在车行道中对应的侧向行驶距离为目标预测偏移量；
控制第一交通工具沿预测偏移轨迹行驶。
本申请实施例一方面提供了一种基于交通工具的数据处理装置，该装置包括：
状态获取模块，用于获取第一交通工具的至少两个预测偏移量，获取第一交通工具的第一行驶状态，获取第二交通工具的第二行驶状态；第二交通工具为第一交通工具在交换车行道时的参考交通工具；
效益获取模块，用于根据第一行驶状态及第二行驶状态，确定在第二交通工具处于让行预测状态时，各个预测偏移量的第一变道效益，以及确定在第二交通工具处于非让行预测状态时，各个预测偏移量的第二变道效益；
偏移选取模块，用于获取第二交通工具的预测让行概率，根据预测让行概率、各个预测偏移量的第一变道效益和第二变道效益，生成各个预测偏移量的目标变道效益，将具有最大的目标变道效益的预测偏移量确定为目标预测偏移量；目标预测偏移量用于表示针对第一交通工具所预测的侧向变道行驶距离。
其中，在获取第一交通工具的至少两个预测偏移量方面，该状态获取模块包括：
决策获取单元，用于获取车行道的车道宽度及决策数量；
决策生成单元，用于获取第一交通工具与第一交通工具所在第一车行道的车道线之间的横向距离，基于车道宽度、横向距离及决策数量，获取第一交通工具的至少两个预测偏移量；至少两个预测偏移量的数量为决策数量。
其中，该装置还包括：
坐标建立模块，用于获取第一交通工具所在的第一车行道，以第一车行道的中心线作为坐标纵轴，以第一交通工具映射到坐标纵轴上的点作为坐标原点，将坐标纵轴对应的法线作为坐标横轴，根据坐标原点、坐标横轴以及坐标纵轴，建立道路坐标系；
在获取第一交通工具的第一行驶状态，获取第二交通工具的第二行驶状态方面，状态获取模块包括：
第一获取单元，用于获取第一交通工具在道路坐标系中的第一位置信息，根据第一位置信息获取第一交通工具的第一行驶状态；
第二获取单元，用于获取第二交通工具在道路坐标系中的第二位置信息，根据第二位置信息获取第二交通工具的第二行驶状态。
其中，第一行驶状态包括第一位置信息，第二行驶状态包括第二位置信息；
该效益获取模块，包括：
距离确定单元，用于根据第一位置信息确定第一交通工具的偏移距离；偏移距离为第一交通工具与第一交通工具所在的第一车行道的中心线之间的距离；
效益获取单元，用于获取第i个预测偏移量，根据第i个预测偏移量与偏移距离之间的差值，确定在第二交通工具处于让行预测状态时，第i个预测偏移量的第一变道效益，以及确定在第二交通工具处于非让行预测状态时，第i个预测偏移量的第二变道效益；i为正整数，i小于或等于至少两个预测偏移量的数量。
其中，第一行驶状态包括第一位置信息及第一行驶速度，第二行驶状态包括第二位置信息及第二行驶速度；
该效益获取模块，包括：
时间获取单元，用于获取第一位置信息中的第一纵向坐标值及第二位置信息中的第二纵向坐标值，根据第一纵向坐标值、第一行驶速度、第二纵向坐标值及第二行驶速度，获取第一交通工具与第二交通工具的纵向碰撞时间；
间距获取单元，用于获取第一位置信息中的第一横向坐标值及第二位置信息中的第二横向坐标值，获取第i个预测偏移量，根据第一横向坐标值、第二横向坐标值及第i个预测偏移量，获取第i个预测偏移量对应的交通侧向间距；i为正整数，i小于或等于至少两个预测偏移量的数量；
该效益获取单元，还用于根据纵向碰撞时间及第i个预测偏移量对应的交通侧向间距，确定在第二交通工具处于让行预测状态时，第i个预测偏移量的第一变道效益，以及确定在第二交通工具处于非让行预测状态时，第i个预测偏移量的第二变道效益。
其中，第一行驶状态包括第一位置信息及第一行驶速度，第二行驶状态包括第二位置信息及第二行驶速度；
该效益获取模块，包括：
车辆获取单元，用于获取第三交通工具的第三位置信息，根据第二位置信息及第三位置信息，获取第二交通工具及第三交通工具之间的引导纵向距离；第二交通工具与第三交通工具处于同一车行道，第三交通工具与第二交通工具的行驶方向相同；
速度获取单元，用于获取第三交通工具的第三行驶速度；
该效益获取单元，还用于根据第i个预测偏移量及引导纵向距离，确定第二交通工具的第i个让行距离，基于第二行驶速度、第三行驶速度及第i个让行距离，确定在第二交通工具处于让行预测状态时，第i个预测偏移量的第一变道效益，以及确定在第二交通工具处于非让行预测状态时，第i个预测偏移量的第二变道效益；i为正整数，i小于或等于至少两个预测偏移量的数量；第i个让行距离是指在第i个预测偏移量，且第二交通工具处于让行预测状态时，第二交通工具与第三交通工具之间基于引导纵向距离所增加的距离。
其中，该效益获取模块，包括：
模块获取单元，用于获取让行概率模型；
概率预测单元，用于将第一行驶状态、第二行驶状态及第i个预测偏移量，输入让行概率模型，得到第i个预测偏移量对应的让行预测状态的概率及非让行预测状态的概率；i为正整数，i小于或等于至少两个预测偏移量的数量；
该效益获取单元，还用于将让行预测状态的概率，确定为在第二交通工具处于让行预测状态时，第i个预测偏移量的第一变道效益；
该效益获取单元，还用于将非让行预测状态的概率，确定为在第二交通工具处于非让行预测状态时，第i个预测偏移量的第二变道效益。
其中，在获取第二交通工具的预测让行概率方面，该偏移选取模块包括：
碰撞获取单元，用于获取历史纵向碰撞时间及历史纵向碰撞时间对应的历史碰撞距离，根据历史纵向碰撞时间及历史碰撞距离，确定碰撞时间均值及碰撞时间标准差；
第一概率获取单元，用于获取第二交通工具与第一交通工具的纵向碰撞时间，将纵向碰撞时间映射到由碰撞时间均值及碰撞时间标准差生成的第一概率密度函数中，根据第一概率密度函数确定第二交通工具的初始让行概率；
历史间距获取单元，用于获取历史交通侧向间距，根据历史交通侧向间距确定间距均值及间距标准差；
第二概率获取单元，用于获取第二交通工具与第一交通工具的交通侧向间距，将交通侧向间距映射到由间距均值及间距标准差生成的第二概率密度函数中，根据第二概率密度函数确定第二交通工具的行驶保持概率；
让行概率确定单元，用于根据初始让行概率及行驶保持概率，确定第二交通工具的预测让行概率。
其中，在根据预测让行概率、各个预测偏移量的第一变道效益和第二变道效益，生成各个预测偏移量的目标变道效益方面，该偏移选取模块包括：
树获取单元，用于获取决策树；决策树中的决策边包括至少两个预测偏移量、让行预测状态及非让行预测状态；决策树中的树节点包括第一交通工具及第二交通工具；
效益迭代单元，用于在决策树的至少两个决策层中，逐层根据预测让行概率以及决策边对各个预测偏移量的第一变道效益和第二变道效益进行加权求和，直至得到决策树的根节点中各个预测偏移量的树形效益值；
效益确定单元，用于将根节点中各个预测偏移量的树形效益值，确定为各个预测偏移量的目标变道效益。
其中，决策树中的至少两个决策层包括决策层k1和决策层k2，决策层k1包括根节点；第一行驶状态包括第一实际行驶状态和第一预测行驶状态，第二行驶状态包括第二实际行驶状态和第二预测行驶状态；第一变道效益包括第一变道效益k1和第一变道效益k2，第二变道效益包括第二变道效益k1和第二变道效益k2；
该效益获取模块，包括：
实际处理单元，根据第一实际行驶状态和第二实际行驶状态，确定在第二交通工具处于让行预测状态时，各个预测偏移量在决策层k1中的第一变道效益k1，以及确定在第二交通工具处于非让行预测状态时，各个预测偏移量在决策层k1中的第二变道效益k1；
状态预测单元，用于根据第一实际行驶状态预测第一交通工具的第一预测行驶状态，根据第二实际行驶状态预测第二交通工具的第二预测行驶状态；
预测处理单元，用于根据第一预测行驶状态和第二预测行驶状态，确定在第二交通工具处于让行预测状态时，各个预测偏移量在决策层k2中的第一变道效益k2，以及确定在第二交通工具处于非让行预测状态时，各个预测偏移量在决策层k2中的第二变道效益k2。
其中，预测让行概率包括预测让行概率k1和预测让行概率k2；
该效益迭代单元，包括：
层效益获取子单元，用于根据预测让行概率k2，对各个预测偏移量的第一变道效益k2及第二变道效益k2进行加权求和，得到各个预测偏移量在决策层k2的树形效益值；
参数确定子单元，用于将各个预测偏移量在决策层k2的树形效益值中最大的树形效益值，确定为决策层k2的参数值；
该层效益获取子单元，还用于根据预测让行概率k1，对决策层k2的参数值、各个预测偏移量的第一变道效益k1及第二变道效益k1进行加权求和，得到各个预测偏移量在决策层k1的树形效益值；各个预测偏移量在决策层k1的树形效益值，为决策树的根节点中各个预测偏移量的树形效益值。
其中，该装置还包括：
轨迹确定模块，用于根据目标预测偏移量确定预测偏移轨迹；预测偏移轨迹在车行道中对应的侧向行驶距离为目标预测偏移量；
行驶控制模块，用于控制第一交通工具沿预测偏移轨迹行驶。
本申请实施例一方面提供了一种计算机设备，包括处理器、存储器、输入输出接口；
处理器分别与存储器和输入输出接口相连，其中，输入输出接口用于接收数据及输出数据，存储器用于存储计算机程序，处理器用于调用计算机程序，以执行本申请实施例一方面中的基于交通工具的数据处理方法。
本申请实施例一方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序包括程序指令，程序指令当被处理器执行时，执行本申请实施例一方面中的基于交通工具的数据处理方法。
本申请实施例一方面提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行本申请实施例一方面中的各种可选方式中提供的方法。
实施本申请实施例，将具有如下有益效果：
本申请实施例通过获取第一交通工具的至少两个预测偏移量，获取第一交通工具的第一行驶状态，获取第二交通工具的第二行驶状态；第二交通工具为第一交通工具在交换车行道时的参考交通工具；根据第一行驶状态及第二行驶状态，确定在第二交通工具处于让行预测状态时，各个预测偏移量的第一变道效益，以及确定在第二交通工具处于非让行预测状态时，各个预测偏移量的第二变道效益；获取第二交通工具的预测让行概率，根据预测让行概率、各个预测偏移量的第一变道效益和第二变道效益，生成各个预测偏移量的目标变道效益，将具有最大的目标变道效益的预测偏移量确定为目标预测偏移量；目标预测偏移量用于表示针对第一交通工具所预测的侧向变道行驶距离。通过以上过程，对第一交通工具(即自车)进行决策，该决策用于表示第一交通工具可能的偏移距离(即至少两个预测偏移量)，通过获取各个决策的效益值，以得到可以使第一交通工具产生最大效益的决策，可以基于该决策(目标预测偏移量)控制第一交通工具行驶，使得第一交通工具可以在在一定程度上拥有路权，可以主动基于决策进行变道，以提高第一交通工具的变道效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种基于交通工具的数据处理的网络架构图；
图2a至图2c是本申请实施例提供的一种应用场景示意图；
图3是本申请实施例提供的一种引导交通工具的确定场景示意图；
图4是本申请实施例提供的一种基于交通工具的数据处理的方法流程图；
图5是本申请实施例提供了一种行驶决策场景示意图；
图6是本申请实施例提供的一种让行距离确定场景示意图；
图7是本申请实施例提供的一种基于交通工具的数据处理的具体方法流程图；
图8是本申请实施例提供的一种决策树的树形结构示意图；
图9是本申请实施例提供的一种基于交通工具的数据处理装置示意图；
图10是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请实施例中，本申请实施例可以由交通工具中的自动驾驶系统实现，其中，该自动驾驶系统可以包括但不限于算法端、客户端及云端。其中，算法端包括面向传感、感知及决策等的相关算法，客户端包括机器人操作系统及硬件平台，云端则可以进行数据存储、模拟、高精度地图绘制及深度学习模型训练或预测等。
其中，该自动驾驶系统可以是由自动驾驶技术所实现的，自动驾驶技术通常包括高精地图、环境感知、行为决策、路径规划、运动控制等技术，自动驾驶技术有着广泛的应用前景。
其中，算法端用于从传感器采集到的原始数据中提取有效信息，以获取自车(Egocar)的周围环境信息，并基于周围环境信息作出决策(如，沿什么路线行驶，以什么速度行驶或如何躲避障碍物等)。其中，现有的自动驾驶系统中所使用的传感器一般包括全球定位系统(Global Positioning System，GPS)/惯性测量单元(Inertial measurement unit，IMU)、激光雷达(Light Detection and Ranging，LIDAR)、摄像头、雷达及声呐等。其中，一般通过传感器等获取自车的引导车(Leading car)、逻辑引导车(Putative Leader，PL)或逻辑追随者(Putative Follower，PF)等，其中，引导车通俗来讲是指自车行驶过程中，出现或即将出现在自车前方，且与自车较近的车辆，可以作为自车行驶的一个参考物。其中，在本申请中，主要是对自车与逻辑追随者PF之间的行驶状态进行协调，其中，自车可以通过传感器获取自车需要进入的车行道中的交通工具，例如，自车获取到需要进入的车行道中的交通工具A及交通工具B，其中，自车需要插入交通工具A与交通工具B之间进行变道，交通工具A位于交通工具B的前方，则该交通工具A为自车的逻辑引导车PL，交通工具B为自车的逻辑追随者PF，该前方是基于各个交通工具的行驶方向而言的。
其中，该感知部分可以从传感部分获取有效数据，根据该有效数据对第二交通工具进行定位、物体识别及物体追踪等。其中，该决策部分可以包括行为预测(如对周围环境的预测，对第一交通工具后续操作的预测等)、对第一交通工具的路径规划及避障机制等。其中，本申请实施例主要是针对决策部分的改进。
具体的，请参见图1，图1是本申请实施例提供的一种基于交通工具的数据处理的网络架构图，本申请实施例所实现的功能可以应用于任意一个具有自动驾驶系统的交通工具，将该交通工具记作第一交通工具，当该第一交通工具需要进行变道，而第一交通工具获取到逻辑追随者PF时，第一交通工具可以通过本申请实施例所实现的功能，进行变道。
其中，如图1所示，第一交通工具(即自车)101的自动驾驶系统可以包括感知模块、预测模块及决策模块等；可选的，此处的感知模块用于实现上述传感部分及感知部分的功能，即，第一交通工具101的自动驾驶系统也可以由传感模块、感知模块、预测模块及决策模块等组成。举例来说，第一交通工具101通过感知模块检测其他交通工具，如交通工具102a、交通工具102b或交通工具102c等，当第一交通工具101需要进行变道时，获取需要进入的车行道中的交通工具，以确定第二交通工具(即逻辑追随者PF)，对该第一交通工具101进行决策，得到第一交通工具101的至少两个预测偏移量，每个预测偏移量相当于该第一交通工具101的一个决策，通过获取各个预测偏移量的效益值，可以选取最大的效益值对应的预测偏移量，作为目标预测偏移量，即确定该第一交通工具101的最优决策，以确定该第一交通工具101在下一时刻的行驶路线，实现主动挤占第二交通工具的行车空间，迫使第二交通工具对自车进行让行，使得自车进行变道时，在一定程度上可以拥有路权，从而提高第一交通工具的变道效率。
其中，本申请可以使用人工智能技术，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值，其中，本申请实施例则是人工智能在自动驾驶领域的应用。
其中，本申请实施例可以用于自动驾驶车辆的任意一个变道场景中，举例来说，可以参见图2a至图2c，图2a至图2c是本申请实施例提供的一种应用场景示意图。如图2a所示，当第一交通工具(即自车)2011进入匝道时，获取该第一交通工具2011所要进入的车行道中存在的交通工具，具体是获取该第一交通工具2011在变道时的逻辑引导车2013及逻辑追随者2012等，其中，第一交通工具2011要进入逻辑引导车2013及逻辑追随者2012所在的车行道，第一交通工具2011中的自动驾驶系统可以基于本申请实施例，确定目标预测偏移量，基于目标预测偏移量行驶，以挤占逻辑追随者2012的行车空间，占据一定的主动路权，提高第一交通工具2011的变道效率。其中，匝道是互通式立体交叉不可缺少的组成部分，是供上、下相交的道路。在t型(y型)互通立交中，通常将相交的主要道路定义为主线，相交次要道路定义为引线，连接引线与主线互通的线路称为匝道。
如图2b所示，当第一交通工具(即自车)2021驶离匝道时，获取第一交通工具2021的逻辑引导车2023及逻辑追随者2022，采用本申请实施例所实现的方法，确定目标预测偏移量，基于目标预测偏移量行驶，以挤占逻辑追随者2022的行车空间，占据一定的主动路权，提高第一交通工具2021的变道效率。其中，与第一交通工具2021位于同一车行道，且在第一交通工具2021的前方行驶的交通工具，为第一交通工具2021的引导车2024。
同理，如图2c所示，第一交通工具2031进入该第一交通工具2031的逻辑引导车2033及逻辑追随者2032所在的车行道，即插入逻辑引导车2033与逻辑追随者2032之间，可以通过本申请实施例实现对第一交通工具2031的行驶路线的规划，提高第一交通工具2031的变道效率。其中，图2a至图2c仅为例举本申请适用的几种可能的应用场景，其他变道场景也可以应用本申请实施例所实现的方案，在此不做限制。
举例来说，参见图3，图3是本申请实施例提供的一种引导交通工具的确定场景示意图。如图3所示，假定第一交通工具3011所在的交通道路包括左一道、左二道、左三道及左四道，第一交通工具3011所在的车行道为左二道，第一交通工具3011需要从左二道变道至左三道，插入逻辑引导车3012及逻辑追随者3013，其中，将该逻辑追随者3013记作第二交通工具。第一交通工具3011中的自动驾驶系统可以对第一交通工具3011进行决策，确定该第一交通工具3011的至少两个预测偏移量，该预测偏移量用于指示预测的第一交通工具3011在下一时刻向左三道偏移的距离。其中，该至少两个预测偏移量包括n个预测偏移量，如预测偏移量1、…及预测偏移量n，其中，n为正整数，基于第一交通工具3011及第二交通工具3013的行驶状态，获取每个预测偏移量的目标变道效益，得到预测偏移量1的目标变道效益1、…及预测偏移量n的目标变道效益n，假定目标变道效益1至目标变道效益n中，目标变道效益3最大，则将目标变道效益3对应的预测偏移量3确定为目标预测偏移量，基于目标预测偏移量确定第一交通工具3011的预测偏移轨迹302，控制第一交通工具3011沿预测偏移轨迹302行驶，以增加第二交通工具3013在预测偏移轨迹302的基础上，对第一交通工具3011进行让道的概率，使得第一交通工具3011成功变道至左三道的概率增加，提高了第一交通工具3011的变道效率。
进一步地，请参见图4，图4是本申请实施例提供的一种基于交通工具的数据处理的方法流程图。如图4所示，该基于交通工具的数据处理过程包括如下步骤：
步骤S401，获取第一交通工具的至少两个预测偏移量，获取第一交通工具的第一行驶状态，获取第二交通工具的第二行驶状态。
在本申请实施例中，第一交通工具中的自动驾驶系统在控制自车(即第一交通工具)进行变道时，获取自车所要变道进入的车行道中的交通信息，基于获取到的交通信息检测该车行道中是否存在第一交通工具的逻辑追随者PF，该逻辑追随者PF可以认为是对第一交通工具的变道造成影响的交通工具，将该逻辑追随者PF记作第二交通工具，换句话说，若第二交通工具不对第一交通工具让行，则第一交通工具无法进入该第二交通工具所在的车行道。第一交通工具中的自动驾驶系统在检测到第二交通工具后，对第一交通工具向第二交通工具所在的车行道行驶时的偏移量进行决策，得到第一交通工具的至少两个预测偏移量，并获取第一交通工具的第一行驶状态，获取第二交通工具的第二行驶状态。可选的，若该自动驾驶系统检测到自车所要进入的车行道中，不存在第一交通工具的逻辑追随者PF及逻辑引导车PL，则控制第一交通工具直接进行变道；若该自动驾驶系统检测到自车所要进入的车行道中不存在第一交通工具的逻辑追随者PF，而存在第一交通工具的逻辑引导车PL，则控制第一交通工具调整与逻辑引导车PL之间在纵向上的距离，调整好后，控制第一交通工具进行变道。
其中，第二交通工具为第一交通工具在交换车行道时的参考交通工具，自动驾驶系统可以获取车行道的车道宽度及决策数量；获取第一交通工具与第一交通工具所在第一车行道的车道线之间的横向距离，基于车道宽度、横向距离及决策数量，获取第一交通工具的至少两个预测偏移量，其中，至少两个预测偏移量的数量为决策数量。举例来说，参见图5，图5是本申请实施例提供的一种行驶决策场景示意图，如图5所示，第一交通工具501获取到逻辑引导车PL及逻辑追随者PF，将该逻辑追随者PF记作第二交通工具502，将该逻辑引导车PL记作第三交通工具503，将该车道宽度记作lane_width，假定决策数量为n，获取第一交通工具501与第一交通工具501所在的第一车行道504的车道线之间的横向距离5041，其中，该车道线为第一车行道504及第二交通工具502所在的第二车行道的共同边线，自动驾驶系统可以基于车道宽度lane_width及横向距离5041，获取n个预测偏移量offset。例如，该n个预测偏移量最小可以为0，最大可以为车道宽度lane_width，在0与车道宽度lane_width之间获取到n个预测偏移量。例如，车道宽度lane_width为3.5米，n为5，获取到第一交通工具501与第一车行道504的车道线之间的横向距离5041为0.9米，则获取到至少两个预测偏移量可以包括“预测偏移量offset＝0、预测偏移量offset＝0.3米、预测偏移量offset＝0.6米、预测偏移量offset＝0.9米及预测偏移量offset＝3.5米”等。其中，该至少两个预测偏移量可以分为原车行道偏移量及变车道偏移量等，该原车道偏移量是指小于或等于横向距离5041的预测偏移量，变车道偏移量是指大于横向距离5041，且小于或等于车道宽度lane_width的预测偏移量，可以基于决策数量，确定原车行道偏移量包括的预测偏移量的数量n1以及变车道偏移量包括的预测偏移量的数量n2，基于横向距离5041及原车行道偏移量包括的预测偏移量的数量n1，确定n1个预测偏移量，基于横向距离5041、车道宽度lane_width及变车道偏移量包括的预测偏移量的数量n2，确定n2个预测偏移量，其中，n1与n2均为正整数，n1与n2之和为n。
进一步地，可以获取第一交通工具所在的第一车行道，以第一车行道的中心线作为坐标纵轴，以第一交通工具映射到坐标纵轴上的点作为坐标原点，将坐标纵轴对应的法线作为坐标横轴，根据坐标原点、坐标横轴以及坐标纵轴，建立道路坐标系。其中，将第一交通工具映射到坐标纵轴上时，可以是获取第一交通工具与坐标纵轴的最短距离，将该最短距离在坐标纵轴上对应的点作为坐标原点，或者，可以将第一交通工具映射到坐标纵轴上，该第一交通工具到坐标纵轴的映射路线与坐标纵轴垂直，将第一交通工具映射到坐标纵轴上的点，确定为坐标原点。
其中，第一交通工具的第一行驶状态可以包括但不限于第一交通工具的第一位置信息、第一行驶速度及第一行驶方向等，第二交通工具的第二行驶状态可以包括但不限于第二交通工具的第二位置信息、第二行驶速度及第二行驶方向等，其中，第一交通工具的第一行驶状态及第二交通工具的第二行驶状态，可以是由自动驾驶系统中的感知模块获取到的。具体的，自动驾驶系统可以获取第一交通工具在道路坐标系中的第一位置信息，根据第一位置信息获取第一交通工具的第一行驶状态；获取第二交通工具在道路坐标系中的第二位置信息，根据第二位置信息获取第二交通工具的第二行驶状态。其中，该第一行驶速度、第一行驶方向、第二行驶速度及第二行驶方向等也可以是基于道路坐标系获取的。
举例来说，参见图5，确定坐标原点O、坐标纵轴S及坐标横轴D，该坐标原点O、坐标纵轴S及坐标横轴D组成道路坐标系505，其中，该坐标纵轴S的方向可以是第一交通工具501的行驶方向，例如在图5中，该第一交通工具501的第一位置信息为(x1，y1)，如第一交通工具501在坐标原点O处，则x1为0，y1为0，第一行驶速度可以直接获取第一交通工具501的速度(如仪表盘上显示的速度)等，第一行驶方向可以通过第一单位向量进行表示，如第一单位向量为(0，1)时，表示第一行驶方向为沿坐标纵轴S的行驶方向，其中，第一位置信息、第一行驶速度及第一行驶方向等组成第一交通工具501的第一行驶状态；第二交通工具502的第二位置信息为(x2，y2)，第二行驶方向可以通过第二单位向量进行表示，其中，该第二位置信息、第二行驶方向及第二行驶速度等是基于道路坐标系505所获取到的，其中，该第二位置信息、第二行驶方向及第二行驶速度等组成第二交通工具502的第二行驶状态。
步骤S402，根据第一行驶状态及第二行驶状态，确定在第二交通工具处于让行预测状态时，各个预测偏移量的第一变道效益，以及确定在第二交通工具处于非让行预测状态时，各个预测偏移量的第二变道效益。
在本申请实施例中，第一交通工具中的自动驾驶系统获取到的各个预测偏移量的第一变道效益，以及各个预测偏移量的第二变道效益，可以通过表1进行表示：
表1
Figure BDA0002675919780000181
其中，如表1所示，该表1包括自车EV(即第一交通工具)的至少两个预测偏移量，以及第二交通工具(即逻辑追随者PF)的两种预测状态，举例来说，该至少两个预测偏移量包括n个预测偏移量，假定n为5，可以将该至少两个预测偏移量记作
Figure BDA0002675919780000182
Figure BDA0002675919780000183
表示第i个预测偏移量，可以将第二交通工具的两种预测状态记作
Figure BDA0002675919780000184
Figure BDA0002675919780000185
表示第二交通工具的第j种预测状态。其中，该至少两个预测偏移量包括“预测偏移量1：offset＝0；预测偏移量2：offset＝0.3米；预测偏移量3：offset＝0.6米；预测偏移量4：offset＝0.9米及预测偏移量5：offset＝3.5米”，第二交通工具的两种预测状态包括让行预测状态(Yield)及非让行预测状态(Not Yield)。其中，ai，j可以表示在第二交通工具处于第j种预测状态时，第i个预测偏移量的第j个变道效益，其中，i及j为正整数，i小于或等于n，n为至少两个预测偏移量包括的预测偏移量的数量，j小于或等于2，例如，a1，1用于表示在第二交通工具处于让行预测状态时，第1个预测偏移量(即预测偏移量1)的第一变道效益。其中，
Figure BDA0002675919780000191
其中，SEV用于表示第一交通工具的第一行驶状态，SPF用于表示第二交通工具的第二行驶状态。
可选的，自动驾驶系统可以获取让行概率模型。将第一行驶状态、第二行驶状态及第i个预测偏移量，输入让行概率模型，得到第i个预测偏移量对应的让行预测状态的概率及非让行预测状态的概率；i为正整数，i小于或等于至少两个预测偏移量的数量。将让行预测状态的概率，确定为在第二交通工具处于让行预测状态时，第i个预测偏移量的第一变道效益。将非让行预测状态的概率，确定为在第二交通工具处于非让行预测状态时，第i个预测偏移量的第二变道效益。
步骤S403，获取第二交通工具的预测让行概率，根据预测让行概率、各个预测偏移量的第一变道效益和第二变道效益，生成各个预测偏移量的目标变道效益，将具有最大的目标变道效益的预测偏移量确定为目标预测偏移量。
在本申请实施例中，自动驾驶系统可以获取历史纵向碰撞时间及历史纵向碰撞时间对应的历史碰撞距离，根据历史纵向碰撞时间及历史碰撞距离，确定碰撞时间均值及碰撞时间标准差，将该碰撞时间均值记作μttc，将碰撞时间标准差记作σttc，可选的，该历史碰撞距离可以用于对历史纵向碰撞时间进行划分，例如，获取统计距离范围，获取处于该统计距离范围内的历史碰撞距离，根据处于该统计距离范围内的历史碰撞距离对应的历史纵向碰撞时间，确定碰撞时间均值及碰撞时间标准差，其中，若交通工具1与交通工具2之间的碰撞距离属于该统计距离范围，则表示该交通工具1与交通工具2，会对要变道插入两者(即交通工具1与交通工具2)之间的交通工具的变道造成影响。获取第二交通工具与第一交通工具的纵向碰撞时间，将纵向碰撞时间映射到由碰撞时间均值及碰撞时间标准差生成的第一概率密度函数中，根据第一概率密度函数确定第二交通工具的初始让行概率。其中，该初始让行概率可以通过公式①进行表示：
Figure BDA0002675919780000201
其中，p(Yield；ttc(EV,PF))表示在给定第一交通工具与第二交通工具的纵向碰撞时间时，第二交通工具的初始让行概率，ttc(EV,PF)用于表示第一交通工具与第二交通工具的纵向碰撞时间，∝表示正比于，
Figure BDA0002675919780000202
为第一概率密度函数。
进一步地，自动驾驶系统可以获取历史交通侧向间距，根据历史交通侧向间距确定间距均值及间距标准差，将间距均值记作μdy，将间距标准差记作σdy。获取第二交通工具与第一交通工具的交通侧向间距，将交通侧向间距映射到由间距均值及间距标准差生成的第二概率密度函数中，根据第二概率密度函数确定第二交通工具的行驶保持概率。其中，该行驶保持概率可以用于表示第二交通工具不对第一交通工具让行的概率(即第二交通工具处于第二预测状态的概率)，该行驶保持概率可以通过公式②进行表示：
Figure BDA0002675919780000203
其中，p(NotYield；dy(EV,PF))表示在给定第一交通工具与第二交通工具之间的交通侧向间距的情况下，第二交通工具的行驶保持概率，dy(EV,PF)用于表示第一交通工具与第二交通工具之间的交通侧向间距，∝表示正比于，
Figure BDA0002675919780000204
为第二概率密度函数。
可选的，在获取本申请实施例中所提及的各个标准差(如碰撞时间标准差或间距标准差等)时，也可以是获取各个标准差分别对应的方差(如碰撞时间标准差对应的碰撞时间方差，或者间距标准差对应的间距方差)，其中，标准差为对应方差的算术平方根，无论是获取方差，还是获取标准差，并不影响本申请实施例的实现，或者说，不影响公式①及公式②的实现，在此不再进行更多说明。
自动驾驶系统可以根据初始让行概率及行驶保持概率，确定第二交通工具的预测让行概率，该预测让行概率可以通过公式③进行表示：
P(Yield)＝P(Yield；ttc(EV,PF))*(1-P(NotYield；dy(EV,PF))) ③
其中，公式③是在初始让行概率与行驶保持概率为独立事件的情况下，预测让行概率的生成公式，若初始让行概率与行驶保持概率是非独立事件时，根据初始让行概率与行驶保持概率，生成预测让行概率的公式则可以基于初始让行概率与行驶保持概率之间的关系确定。
自动驾驶系统在根据预测让行概率、各个预测偏移量的第一变道效益和第二变道效益，生成各个预测偏移量的目标变道效益后，可以将具有最大的目标变道效益的预测偏移量确定为目标预测偏移量，其中，该目标预测偏移量用于表示针对所述第一交通工具所预测的侧向变道行驶距离。
进一步地，在步骤S402中，确定第一交通工具的第一变道效益及第二变道效益时，具体过程如下：
其中，表1中的每个变道效益可以是由多个效益参数所确定的，假定存在m个效益参数，每个变道效益可以由m个效益参数中的任意一个或任意h个效益参数所确定的，其中，m为正整数，h为小于或等于m的正整数。例如，m为3，即存在3个效益参数，则每个变道效益可以由1个效益参数所确定的，也可以是由任意两个效益参数所确定的，或者可以是由3个效益参数所确定的，在此不做限制。其中，可以用
Figure BDA0002675919780000211
表示根据第p个效益参数，确定第二交通工具处于第j个预测状态时，第i个预测偏移量的第j个变道效益，其中，p为正整数，p小于或等于m。
其中，一种变道效益获取方式中，自动驾驶系统可以根据第一位置信息确定第一交通工具的偏移距离；偏移距离为第一交通工具与第一交通工具所在的第一车行道的中心线之间的距离；获取第i个预测偏移量，根据第i个预测偏移量与偏移距离之间的差值，确定在第二交通工具处于让行预测状态时，第i个预测偏移量的第一变道效益，以及确定在第二交通工具处于非让行预测状态时，第i个预测偏移量的第二变道效益；i为正整数，i小于或等于至少两个预测偏移量的数量。其中，可以将根据第i个预测偏移量与偏移距离之间的差值所确定的效益参数，记作在第二交通工具处于不同预测状态下时，各个预测偏移量的第一个效益参数，将各个预测偏移量的第一个效益参数确定为各个预测偏移量的第一变道效益及第二变道效益，例如，该第一个效益参数用于表示自车舒适性，该自车舒适性可以通过公式④进行表示：
Figure BDA0002675919780000221
其中，
Figure BDA0002675919780000222
表示第一个效益参数，可以表示第一交通工具在第i个预测偏移量，且第二交通工具处于第j个预测状态时的舒适性，
Figure BDA0002675919780000223
为第一交通工具与第一交通工具所在的第一车行道的中心线之间的距离，假定
Figure BDA0002675919780000224
则以表1为例，
Figure BDA0002675919780000225
Figure BDA0002675919780000226
若直接根据第一个效益参数确定第一变道效益及第二变道效益，则可以记作
Figure BDA0002675919780000227
其中，一种变道效益获取方式中，自动驾驶系统可以获取第一位置信息中的第一纵向坐标值及第二位置信息中的第二纵向坐标值，根据第一纵向坐标值、第一行驶速度、第二纵向坐标值及第二行驶速度，获取第一交通工具与第二交通工具的纵向碰撞时间。获取第一位置信息中的第一横向坐标值及第二位置信息中的第二横向坐标值，获取第i个预测偏移量，根据第一横向坐标值、第二横向坐标值及第i个预测偏移量，获取第i个预测偏移量对应的交通侧向间距；i为正整数，i小于或等于至少两个预测偏移量的数量。根据纵向碰撞时间及第i个预测偏移量对应的交通侧向间距，确定在第二交通工具处于让行预测状态时，第i个预测偏移量的第一变道效益，以及确定在第二交通工具处于非让行预测状态时，第i个预测偏移量的第二变道效益。其中，可以根据纵向碰撞时间及第i个预测偏移量对应的交通侧向间距，确定多个效益参数，如第二个效益参数“侧向安全性”、第三个效益参数“碰撞安全性”及第四个效益参数“换道奖励”等，可以根据直接根据其中一个效益参数确定第一变道效益及第二变道效益，也可以将各个效益参数进行随机组合，可以根据任意一组效益参数确定第一变道效益及第二变道效益。
例如，该第二个效益参数用于表示侧向安全性，该侧向安全性可以通过公式⑤进行表示：
Figure BDA0002675919780000228
其中，
Figure BDA0002675919780000229
用于表示第二个效益参数，可以表示第一交通工具在第i个预测偏移量，且第二交通工具处于第j个预测状态时的侧向安全性，其中，ttc(EV,PF)用于表示第一交通工具与第二交通工具的纵向碰撞时间，
Figure BDA00026759197800002210
则表示在给定第i个预测偏移量
Figure BDA00026759197800002211
的情况下，第i个预测偏移量对应的交通侧向间距。其中，公式②可以表示当纵向碰撞时间小于2秒，且第i个预测偏移量的交通侧向间距小于1米时，确定第i个预测偏移量的第二个效益参数为-1；在其他情况下(即otherwise)，则可以确定第i个预测偏移量的第二个效益参数为0。若直接根据第二个效益参数，确定第一变道效益及第二变道效益，则可以记作
Figure BDA0002675919780000231
其中，上述公式⑤中，与纵向碰撞时间进行对比的第一时间阈值，及与交通侧向间距进行对比的第一间距阈值可以根据需要进行修改，如公式⑤中的第一时间阈值“2秒”及第一间距阈值“1米”为一种经验值，也可以是其他数值，在此不做限制。其中，当纵向碰撞时间小于第一时间阈值，且第i个预测偏移量的交通侧向间距小于第一间距阈值时，确定的第i个预测偏移量的第二个效益参数也可以基于需要进行更改。
其中，ttc(EV,PF)可以通过公式⑥进行表示：
ttc(EV,PF)＝(lEV-lPF)/(vPF-vEV)，vPF>vEV ⑥
其中，lEV表示第一交通工具在道路坐标系下的第一纵向坐标值，lPF用于表示第二交通工具在道路坐标系下的第二纵向坐标值，vPF表示第二交通工具的第二行驶速度，vEV表示第一交通工具的第一行驶速度。
例如，该第三个效益参数用于表示碰撞安全性，该碰撞安全性可以通过公式⑦进行表示：
Figure BDA0002675919780000232
其中，
Figure BDA0002675919780000233
用于表示第三个效益参数，可以表示第一交通工具在第i个预测偏移量，且第二交通工具处于第j个预测状态时的侧向安全性，其中，ttc(EV,PF)与
Figure BDA0002675919780000234
的含义可以参见公式⑤中的相关描述。其中，公式⑦可以表示当纵向碰撞时间小于2秒，且第i个预测偏移量的交通侧向间距小于0米时，确定第i个预测偏移量的第三个效益参数为-10；其他情况下，则可以确定第i个预测偏移量的第三个效益参数为0。若直接根据第三个效益参数，确定第一变道效益及第二变道效益，则可以记作
Figure BDA0002675919780000235
其中，上述公式⑦中，与纵向碰撞时间进行对比的第二时间阈值，及与交通侧向间距进行对比的第二间距阈值可以根据需要进行修改，如公式⑦中的第二时间阈值“2秒”及第二间距阈值“0米”为一种经验值，也可以是其他数值，在此不做限制。其中，当纵向碰撞时间小于第二时间阈值，且第i个预测偏移量的交通侧向间距小于第二间距阈值时，确定的第i个预测偏移量的第三个效益参数也可以基于需要进行更改。
例如，该第四个效益参数用于表示换道奖励，该换道奖励可以通过公式⑧进行表示：
Figure BDA0002675919780000241
其中，
Figure BDA0002675919780000242
用于表示第四个效益参数，可以表示第一交通工具在第i个预测偏移量，且第二交通工具处于第j个预测状态时的换道奖励，其中，ttc(EV,PF)与
Figure BDA0002675919780000243
的含义可以参见公式⑤中的相关描述。其中，公式⑧可以表示当纵向碰撞时间大于3秒，且第i个预测偏移量的交通侧向间距小于0米时，确定第i个预测偏移量的第四个效益参数为5；其他情况下，则可以确定第i个预测偏移量的第四个效益参数为0。若直接根据第四个效益参数，确定第一变道效益及第二变道效益，则可以记作
Figure BDA0002675919780000244
其中，上述公式⑧中，与纵向碰撞时间进行对比的第三时间阈值，及与交通侧向间距进行对比的第三间距阈值可以根据需要进行修改，如公式⑧中的第三时间阈值“3秒”及第三间距阈值“0米”为一种经验值，也可以是其他数值，在此不做限制。其中，当纵向碰撞时间大于第三时间阈值，且第i个预测偏移量的交通侧向间距小于第三间距阈值时，确定的第i个预测偏移量的第四个效益参数也可以基于需要进行更改。
其中，一种变道效益获取方式中，自动驾驶系统可以获取第三交通工具的第三位置信息，根据第二位置信息及第三位置信息，获取第二交通工具及第三交通工具之间的引导纵向距离；第二交通工具与第三交通工具处于同一车行道，第三交通工具与第二交通工具的行驶方向相同，第三交通工具在第二交通工具的前方，该前方是以第二交通工具的行驶方向为基准的，其中，该第三交通工具可以认为是第一交通工具的逻辑引导车PL。获取第三交通工具的第三行驶速度。根据第i个预测偏移量及引导纵向距离，确定第二交通工具的第i个让行距离，基于第二行驶速度、第三行驶速度及第i个让行距离，确定在第二交通工具处于让行预测状态时，第i个预测偏移量的第一变道效益，以及确定在第二交通工具处于非让行预测状态时，第i个预测偏移量的第二变道效益；i为正整数，i小于或等于至少两个预测偏移量的数量；第i个让行距离是指在第i个预测偏移量，且第二交通工具处于让行预测状态时，第二交通工具与第三交通工具之间基于引导纵向距离所增加的距离。
其中，可以参见图6，图6是本申请实施例提供的一种让行距离确定场景示意图。如图6所示，第一交通工具6011的自动驾驶系统，获取第二交通工具6012的第二纵向坐标值，获取第三交通工具6013的第三位置信息，获取该第三位置信息中的第三纵向坐标值，根据第二纵向坐标值及第三纵向坐标值，确定第二交通工具6012及第三交通工具6013之间的引导纵向距离602。获取第i个预测偏移量603，基于第i个预测偏移量603及引导纵向距离602，确定所述第二交通工具的第i个让行距离，该第i个让行距离是指在第i个预测偏移量603，且第二交通工具6012处于让行预测状态时，第二交通工具6012与第三交通工具6013之间基于引导纵向距离602所增加的距离604。
其中，可以基于第二行驶速度、第三行驶速度及第i个让行距离，确定第五个效益参数，该第五个效益参数用于表示交通堵塞成本(Traffic block cost)，该交通堵塞成本可以通过公式⑨进行表示：
Figure BDA0002675919780000251
其中，
Figure BDA0002675919780000252
用于表示在给定第一交通工具的第一行驶状态SEV，第i个预测偏移量
Figure BDA0002675919780000253
及第j个预测状态
Figure BDA0002675919780000254
的情况下，若第二交通工具为第一交通工具让行(即若第二交通工具处于让行预测状态)，则第二交通工具所需要的减速度。可选的，也可以将第一行驶状态、第二行驶状态、第i个预测偏移量及第j个预测状态等，输入智能驾驶员模型(Intelligent Driver Model，IDM)，基于该智能驾驶员模型，获取第二交通工具的减速度。其中，公式⑨表示当第二交通工具的减速度小于-1时，确定第i个预测偏移量的第五个效益参数为-5；在其他情况下(即otherwise)，则可以确定第i个预测偏移量的第五个效益参数为0。若直接根据第五个效益参数，确定第一变道效益及第二变道效益，则可以记作
Figure BDA0002675919780000255
其中，以上第一个效益参数至第五个效益参数为可选的几种效益参数(此时的m为5)，也可以根据需要增加其他的效益参数，在此并不做限制。该第一变道效益及第二变道效益，可以是基于m个效益参数中的任意一个或任意h个效益参数所确定的，若基于h个效益参数确定第一变道效益及第二变道效益，则可以对在第i个预测偏移量和第j个预测状态下的h个效益参数进行加权求和，以得到在第i个预测偏移量和第j个预测状态下的第j个变道效益。例如，该第一变道效益及第二变道效益是根据m个效益参数所确定的，则该第一变道效益及第二变道效益可以通过公式⑩进行表示：
Figure BDA0002675919780000261
其中，λp可以根据各个效益参数的重要程度确定，例如，各个效益参数的重要程度相同，则无论p的取值是几，λp均为1。
本申请实施例通过获取第一交通工具的至少两个预测偏移量，获取第一交通工具的第一行驶状态，获取第二交通工具的第二行驶状态；第二交通工具为第一交通工具在交换车行道时的参考交通工具；根据第一行驶状态及第二行驶状态，确定在第二交通工具处于让行预测状态时，各个预测偏移量的第一变道效益，以及确定在第二交通工具处于非让行预测状态时，各个预测偏移量的第二变道效益；获取第二交通工具的预测让行概率，根据预测让行概率、各个预测偏移量的第一变道效益和第二变道效益，生成各个预测偏移量的目标变道效益，将具有最大的目标变道效益的预测偏移量确定为目标预测偏移量；目标预测偏移量用于表示针对第一交通工具所预测的侧向变道行驶距离。通过以上过程，对第一交通工具(即自车)进行决策，该决策用于表示第一交通工具可能的偏移距离(即至少两个预测偏移量)，通过获取各个决策的效益值，以得到可以使第一交通工具产生最大效益的决策，可以基于该决策(目标预测偏移量)控制第一交通工具行驶，使得第一交通工具可以在在一定程度上拥有路权，可以主动基于决策进行变道，以提高第一交通工具的变道效率。
进一步地，请参见图7，图7是本申请实施例提供的一种基于交通工具的数据处理的具体方法流程图。其中，自动驾驶系统可以获取决策树；决策树中的决策边包括至少两个预测偏移量、让行预测状态及非让行预测状态；决策树中的树节点包括第一交通工具及第二交通工具。在决策树的至少两个决策层中，逐层根据预测让行概率以及决策边对各个预测偏移量的第一变道效益和第二变道效益进行加权求和，直至得到决策树的根节点中各个预测偏移量的树形效益值。将根节点中各个预测偏移量的树形效益值，确定为各个预测偏移量的目标变道效益。
如图7所示，该数据处理过程可以包括如下步骤：
步骤S701，获取决策树，获取决策树中每一层中，第一交通工具的第一行驶状态及第二交通工具的第二行驶状态。
在本申请实施例中，获取决策树，假定该决策树中包括T个决策层，每个决策层包括由第一交通工具及第二交通工具交替作为树节点的一个结构，即第一交通工具的父节点为第二交通工具，第二交通工具的父节点为第一交通工具，每个决策层包括第一交通工具的至少两个预测偏移量，以及第二交通工具的让行预测状态及非让行状态等所组成的决策边。其中，T为正整数，T为决策树包括的决策层的数量。例如，第一交通工具对应n个决策边，每个决策边对应第一交通工具的一个预测偏移量，第二交通工具对应2个决策边，分别对应让行预测状态及非让行预测状态。其中，自动驾驶系统获取决策树中每一层中，第一交通工具的第一行驶状态及第二交通工具的第二行驶状态，其中，第一行驶状态包括第一实际行驶状态和(T-1)个第一预测行驶状态，其中，每个第一行驶状态对应一个决策层；第二行驶状态包括第二实际行驶状态和(T-1)个第二预测行驶状态，其中，每个第二行驶状态对应一个决策层。例如，获取到第一实际行驶状态及第二实际行驶状态，对第一实际行驶状态进行预测，得到第2个决策层的第一预测行驶状态，对第二实际行驶状态进行预测，得到第2个决策层的第二预测行驶状态；对第2个决策层的第一预测行驶状态进行预测，得到第3个决策层的第一预测行驶状态，对第2个决策层的第二预测行驶状态进行预测，得到第3个决策层的第二预测行驶状态；…；对第(T-1)个决策层的第一预测行驶状态进行预测，得到第T个决策层的第一预测行驶状态，对第(T-1)个决策层的第二预测行驶状态进行预测，得到第T个决策层的第二预测行驶状态。
步骤S702，根据第k层的第一行驶状态及第二行驶状态，确定各个预测偏移量在第k层的第一变道效益及第二变道效益。
在本申请实施例中，自动驾驶系统可以根据第k层的第一预测行驶状态及第二预测行驶状态，确定各个预测偏移量在第k层的第一变道效益及第二变道效益，其中，k为正整数，k小于或等于T。其中，根据第k层的第一预测行驶状态及第二预测行驶状态，确定各个预测偏移量在第k层的第一变道效益及第二变道效益的过程，可以参见图4中步骤S402所示的具体描述，在此不再进行赘述。
步骤S703，获取第二交通工具在第k层的预测让行概率，基于第k层的预测让行概率、第(k+1)层的参数值各个预测偏移量在第k层的第一变道效益及第二变道效益，生成各个预测偏移量在第k层的树形变道效益。
在本申请实施例中，自动驾驶系统可以获取第二交通工具在第k层的预测让行概率，其中，第二交通工具在第k层的预测让行概率的获取过程，可以参见图4中步骤S403所示的具体描述，例如，公式①中ttc(EV,PF)表示，根据第k层的第一预测行驶状态及第二预测行驶状态，所确定的第一交通工具与第二交通工具之间的纵向碰撞时间。其中，可以根据第k层的第一预测行驶状态及第二预测行驶状态，确定第二交通工具在第k层的预测让行概率。其中，第k层中各个预测偏移量的树形效益值可以参见公式(1)所示：
Figure BDA0002675919780000281
其中，
Figure BDA0002675919780000282
表示第一交通工具在第k层的行驶状态，
Figure BDA0002675919780000283
表示第一交通工具在第(k+1)层的行驶状态，
Figure BDA0002675919780000284
是对
Figure BDA0002675919780000285
进行预测得到的；
Figure BDA0002675919780000286
表示第二交通工具在第k层的行驶状态，
Figure BDA0002675919780000287
表示第二交通工具在第(k+1)层的行驶状态，
Figure BDA0002675919780000288
是对
Figure BDA0002675919780000289
进行预测得到的。其中，P(Yield)表示第二交通工具在第k层的预测让行概率，ai,1为当第二交通工具处于让行预测状态时，第i个预测偏移量的第一变道效益，ai2为当第二交通工具处于非让行预测状态时，第i个预测偏移量的第二变道效益。其中，
Figure BDA00026759197800002810
用于表示第i个预测偏移量在第k层中的树形效益值。
步骤S704，检测k＝1。
在本申请实施例中，自动驾驶系统判断k是否为1，若k为1，则执行步骤S706，若k不为1，则执行步骤S705。
步骤S705，根据各个预测偏移量在第k层的树形变道效益，确定第k层的参数值。
在本申请实施例中，自动驾驶系统可以根据各个预测偏移量在第k层的树形变道效益，确定第k层的参数值，该第k层的参数值的确定方式可以参见公式(2)所示：
Figure BDA0002675919780000291
其中，当k＝T+1时，将该参数值置为预设参数值，如公式(2)中，预设参数值为0。当k≤T时，第k层的参数值为各个预测偏移量在第k层的树形变道效益中最大的树形变道效益。
步骤S706，确定各个预测偏移量的目标变道效益。
在本申请实施例中，自动驾驶系统可以将根节点中各个预测偏移量的树形效益值，确定为各个预测偏移量的目标变量效益，将具有最大的目标变道效益的预测偏移量确定为目标预测偏移量，该目标预测偏移量的确定方式可以参见公式(3)所示：
Figure BDA0002675919780000292
其中，argmax(f(x))是使f(x)取得最大值的变量点x(或x的集合)。可选的，若根据公式(3)，确定具有最大的目标变道效益的预测偏移量不止一个，则可以将目标变道效益最大且值最大的预测偏移量，确定为目标预测偏移量。
其中，自动驾驶系统可以根据目标预测偏移量及第二交通工具所在的第二车行道，确定预测偏移轨迹；预测偏移轨迹在车行道中对应的侧向行驶距离为目标预测偏移量。控制第一交通工具沿预测偏移轨迹行驶。
举例来说，若决策树包括2个决策层，即该决策树中的至少两个决策层包括决策层k1和决策层k2，决策层k1包括根节点；第一行驶状态包括第一实际行驶状态和第一预测行驶状态，第二行驶状态包括第二实际行驶状态和第二预测行驶状态；第一变道效益包括第一变道效益k1和第一变道效益k2，第二变道效益包括第二变道效益k1和第二变道效益k2。例如，参见图8，图8是本申请实施例提供的一种决策树的树形结构示意图。如图8所示，该决策树中圆形表示第二交通工具，七边形表示第一交通工具，该决策树包括决策层k1(即k＝1)及决策层k2(k＝2)，该决策树的根节点为第二交通工具a1，根节点a1包括两个决策边，分别表示让行预测状态及非让行预测状态(不让行)，这两个决策边分别连接第一交通工具b21及第一交通工具b22；第一交通工具b21对应n个决策边，分别表示预测偏移量1、…及预测偏移量n，该第一交通工具b21对应的n个决策边分别连接第二交通工具a31、…及第二交通工具a32，第一交通工具b22对应n个决策边，分别表示预测偏移量1、…及预测偏移量n，该第一交通工具b22对应的n个决策边分别连接第二交通工具a33、…及第二交通工具a34；…直至得到该决策树的叶子节点，如第二交通工具a51、第二交通工具a52、…及第二交通工具a66等，具体参见图8中各个树节点的标号，生成该决策树。其中，若T大于2时，则在图8的两个决策层的基础上继续生成决策层，以得到T个决策层，生成决策树。
具体的，自动驾驶系统可以根据第一实际行驶状态和第二实际行驶状态，确定在第二交通工具处于让行预测状态时，各个预测偏移量在决策层k1中的第一变道效益k1，以及确定在第二交通工具处于非让行预测状态时，各个预测偏移量在决策层k1中的第二变道效益k1。根据第一实际行驶状态预测第一交通工具的第一预测行驶状态，根据第二实际行驶状态预测第二交通工具的第二预测行驶状态。根据第一预测行驶状态和第二预测行驶状态，确定在第二交通工具处于让行预测状态时，各个预测偏移量在决策层k2中的第一变道效益k2，以及确定在第二交通工具处于非让行预测状态时，各个预测偏移量在决策层k2中的第二变道效益k2。
自动驾驶系统可以获取第二交通工具在决策层k1中的预测让行概率k1，以及在决策层k2中的预测让行概率k2。根据预测让行概率k2，对各个预测偏移量的第一变道效益k2及第二变道效益k2进行加权求和，得到各个预测偏移量在决策层k2的树形效益值。将各个预测偏移量在决策层k2的树形效益值中最大的树形效益值，确定为决策层k2的参数值。根据预测让行概率k1，对决策层k2的参数值、各个预测偏移量的第一变道效益k1及第二变道效益k1进行加权求和，得到各个预测偏移量在决策层k1的树形效益值；各个预测偏移量在决策层k1的树形效益值，为决策树的根节点中各个预测偏移量的树形效益值。将根节点中，具有最大的树形效益值的预测偏移量确定为目标预测偏移量，基于该目标预测偏移量确定第一交通工具的预测偏移轨迹，控制第一交通工具沿该预测偏移轨迹行驶，以主动挤占第二交通工具的行车空间，使得第一交通工具可以在尽可能大的向第二交通工具所在的第二车行道偏移，且与第二交通工具之间发生交通意外最小的情况下，实现向第二车行道的变道操作，提高第一交通工具的变道效率。
本申请实施例通过以上过程，可以使得第一交通工具不用等待第二交通工具进行主动让行，再进行变道，而是尽可能向第二交通工具所在的第二车行道进行偏移，挤占第二交通工具的行车空间，以更为明确地向第二交通工具表达自己变道的意愿，从而提高第一交通工具的变道效率。
进一步地，请参见图9，图9是本申请实施例提供的一种基于交通工具的数据处理装置示意图。该基于交通工具的数据处理装置可以是运行于计算机设备中的一个计算机程序(包括程序代码)，例如该基于交通工具的数据处理装置为一个应用软件；该装置可以用于执行本申请实施例提供的方法中的相应步骤。如图9所示，该基于交通工具的数据处理装置900可以用于图4所对应实施例中的计算机设备，具体的，该装置可以包括：状态获取模块11、效益获取模块12及偏移选取模块13。
状态获取模块11，用于获取第一交通工具的至少两个预测偏移量，获取第一交通工具的第一行驶状态，获取第二交通工具的第二行驶状态；第二交通工具为第一交通工具在交换车行道时的参考交通工具；
效益获取模块12，用于根据第一行驶状态及第二行驶状态，确定在第二交通工具处于让行预测状态时，各个预测偏移量的第一变道效益，以及确定在第二交通工具处于非让行预测状态时，各个预测偏移量的第二变道效益；
偏移选取模块13，用于获取第二交通工具的预测让行概率，根据预测让行概率、各个预测偏移量的第一变道效益和第二变道效益，生成各个预测偏移量的目标变道效益，将具有最大的目标变道效益的预测偏移量确定为目标预测偏移量；目标预测偏移量用于表示针对第一交通工具所预测的侧向变道行驶距离。
其中，在获取第一交通工具的至少两个预测偏移量方面，该状态获取模块11包括：
决策获取单元111，用于获取车行道的车道宽度及决策数量；
决策生成单元112，用于获取第一交通工具与第一交通工具所在第一车行道的车道线之间的横向距离，基于车道宽度、横向距离及决策数量，获取第一交通工具的至少两个预测偏移量；至少两个预测偏移量的数量为决策数量。
其中，该装置900还包括：
坐标建立模块14，用于获取第一交通工具所在的第一车行道，以第一车行道的中心线作为坐标纵轴，以第一交通工具映射到坐标纵轴上的点作为坐标原点，将坐标纵轴对应的法线作为坐标横轴，根据坐标原点、坐标横轴以及坐标纵轴，建立道路坐标系；
在获取第一交通工具的第一行驶状态，获取第二交通工具的第二行驶状态方面，状态获取模块11包括：
第一获取单元113，用于获取第一交通工具在道路坐标系中的第一位置信息，根据第一位置信息获取第一交通工具的第一行驶状态；
第二获取单元114，用于获取第二交通工具在道路坐标系中的第二位置信息，根据第二位置信息获取第二交通工具的第二行驶状态。
其中，第一行驶状态包括第一位置信息，第二行驶状态包括第二位置信息；
该效益获取模块12，包括：
距离确定单元121，用于根据第一位置信息确定第一交通工具的偏移距离；偏移距离为第一交通工具与第一交通工具所在的第一车行道的中心线之间的距离；
效益获取单元122，用于获取第i个预测偏移量，根据第i个预测偏移量与偏移距离之间的差值，确定在第二交通工具处于让行预测状态时，第i个预测偏移量的第一变道效益，以及确定在第二交通工具处于非让行预测状态时，第i个预测偏移量的第二变道效益；i为正整数，i小于或等于至少两个预测偏移量的数量。
其中，第一行驶状态包括第一位置信息及第一行驶速度，第二行驶状态包括第二位置信息及第二行驶速度；
该效益获取模块12，包括：
时间获取单元123，用于获取第一位置信息中的第一纵向坐标值及第二位置信息中的第二纵向坐标值，根据第一纵向坐标值、第一行驶速度、第二纵向坐标值及第二行驶速度，获取第一交通工具与第二交通工具的纵向碰撞时间；
间距获取单元124，用于获取第一位置信息中的第一横向坐标值及第二位置信息中的第二横向坐标值，获取第i个预测偏移量，根据第一横向坐标值、第二横向坐标值及第i个预测偏移量，获取第i个预测偏移量对应的交通侧向间距；i为正整数，i小于或等于至少两个预测偏移量的数量；
该效益获取单元122，还用于根据纵向碰撞时间及第i个预测偏移量对应的交通侧向间距，确定在第二交通工具处于让行预测状态时，第i个预测偏移量的第一变道效益，以及确定在第二交通工具处于非让行预测状态时，第i个预测偏移量的第二变道效益。
其中，第一行驶状态包括第一位置信息及第一行驶速度，第二行驶状态包括第二位置信息及第二行驶速度；
该效益获取模块12，包括：
车辆获取单元125，用于获取第三交通工具的第三位置信息，根据第二位置信息及第三位置信息，获取第二交通工具及第三交通工具之间的引导纵向距离；第二交通工具与第三交通工具处于同一车行道，第三交通工具与第二交通工具的行驶方向相同；
速度获取单元126，用于获取第三交通工具的第三行驶速度；
该效益获取单元122，还用于根据第i个预测偏移量及引导纵向距离，确定第二交通工具的第i个让行距离，基于第二行驶速度、第三行驶速度及第i个让行距离，确定在第二交通工具处于让行预测状态时，第i个预测偏移量的第一变道效益，以及确定在第二交通工具处于非让行预测状态时，第i个预测偏移量的第二变道效益；i为正整数，i小于或等于至少两个预测偏移量的数量；第i个让行距离是指在第i个预测偏移量，且第二交通工具处于让行预测状态时，第二交通工具与第三交通工具之间基于引导纵向距离所增加的距离。
其中，该效益获取模块12，包括：
模块获取单元127，用于获取让行概率模型；
概率预测单元128，用于将第一行驶状态、第二行驶状态及第i个预测偏移量，输入让行概率模型，得到第i个预测偏移量对应的让行预测状态的概率及非让行预测状态的概率；i为正整数，i小于或等于至少两个预测偏移量的数量；
该效益获取单元122，还用于将让行预测状态的概率，确定为在第二交通工具处于让行预测状态时，第i个预测偏移量的第一变道效益；
该效益获取单元122，还用于将非让行预测状态的概率，确定为在第二交通工具处于非让行预测状态时，第i个预测偏移量的第二变道效益。
其中，在获取第二交通工具的预测让行概率方面，该偏移选取模块13包括：
碰撞获取单元131，用于获取历史纵向碰撞时间及历史纵向碰撞时间对应的历史碰撞距离，根据历史纵向碰撞时间及历史碰撞距离，确定碰撞时间均值及碰撞时间标准差；
第一概率获取单元132，用于获取第二交通工具与第一交通工具的纵向碰撞时间，将纵向碰撞时间映射到由碰撞时间均值及碰撞时间标准差生成的第一概率密度函数中，根据第一概率密度函数确定第二交通工具的初始让行概率；
历史间距获取单元133，用于获取历史交通侧向间距，根据历史交通侧向间距确定间距均值及间距标准差；
第二概率获取单元134，用于获取第二交通工具与第一交通工具的交通侧向间距，将交通侧向间距映射到由间距均值及间距标准差生成的第二概率密度函数中，根据第二概率密度函数确定第二交通工具的行驶保持概率；
让行概率确定单元135，用于根据初始让行概率及行驶保持概率，确定第二交通工具的预测让行概率。
其中，在根据预测让行概率、各个预测偏移量的第一变道效益和第二变道效益，生成各个预测偏移量的目标变道效益方面，该偏移选取模块13包括：
树获取单元136，用于获取决策树；决策树中的决策边包括至少两个预测偏移量、让行预测状态及非让行预测状态；决策树中的树节点包括第一交通工具及第二交通工具；
效益迭代单元137，用于在决策树的至少两个决策层中，逐层根据预测让行概率以及决策边对各个预测偏移量的第一变道效益和第二变道效益进行加权求和，直至得到决策树的根节点中各个预测偏移量的树形效益值；
效益确定单元138，用于将根节点中各个预测偏移量的树形效益值，确定为各个预测偏移量的目标变道效益。
其中，决策树中的至少两个决策层包括决策层k1和决策层k2，决策层k1包括根节点；第一行驶状态包括第一实际行驶状态和第一预测行驶状态，第二行驶状态包括第二实际行驶状态和第二预测行驶状态；第一变道效益包括第一变道效益k1和第一变道效益k2，第二变道效益包括第二变道效益k1和第二变道效益k2；
该效益获取模块12，包括：
实际处理单元129a，根据第一实际行驶状态和第二实际行驶状态，确定在第二交通工具处于让行预测状态时，各个预测偏移量在决策层k1中的第一变道效益k1，以及确定在第二交通工具处于非让行预测状态时，各个预测偏移量在决策层k1中的第二变道效益k1；
状态预测单元129b，用于根据第一实际行驶状态预测第一交通工具的第一预测行驶状态，根据第二实际行驶状态预测第二交通工具的第二预测行驶状态；
预测处理单元129c，用于根据第一预测行驶状态和第二预测行驶状态，确定在第二交通工具处于让行预测状态时，各个预测偏移量在决策层k2中的第一变道效益k2，以及确定在第二交通工具处于非让行预测状态时，各个预测偏移量在决策层k2中的第二变道效益k2。
其中，预测让行概率包括预测让行概率k1和预测让行概率k2；
该效益迭代单元137，包括：
层效益获取子单元1371，用于根据预测让行概率k2，对各个预测偏移量的第一变道效益k2及第二变道效益k2进行加权求和，得到各个预测偏移量在决策层k2的树形效益值；
参数确定子单元1372，用于将各个预测偏移量在决策层k2的树形效益值中最大的树形效益值，确定为决策层k2的参数值；
该层效益获取子单元1371，还用于根据预测让行概率k1，对决策层k2的参数值、各个预测偏移量的第一变道效益k1及第二变道效益k1进行加权求和，得到各个预测偏移量在决策层k1的树形效益值；各个预测偏移量在决策层k1的树形效益值，为决策树的根节点中各个预测偏移量的树形效益值。
其中，该装置900还包括：
轨迹确定模块15，用于根据目标预测偏移量确定预测偏移轨迹；预测偏移轨迹在车行道中对应的侧向行驶距离为目标预测偏移量；
行驶控制模块16，用于控制第一交通工具沿预测偏移轨迹行驶。
本申请实施例提供了一种基于交通工具的数据处理装置，该装置通过获取第一交通工具的至少两个预测偏移量，获取第一交通工具的第一行驶状态，获取第二交通工具的第二行驶状态；第二交通工具为第一交通工具在交换车行道时的参考交通工具；根据第一行驶状态及第二行驶状态，确定在第二交通工具处于让行预测状态时，各个预测偏移量的第一变道效益，以及确定在第二交通工具处于非让行预测状态时，各个预测偏移量的第二变道效益；获取第二交通工具的预测让行概率，根据预测让行概率、各个预测偏移量的第一变道效益和第二变道效益，生成各个预测偏移量的目标变道效益，将具有最大的目标变道效益的预测偏移量确定为目标预测偏移量；目标预测偏移量用于表示针对第一交通工具所预测的侧向变道行驶距离。通过以上过程，对第一交通工具(即自车)进行决策，该决策用于表示第一交通工具可能的偏移距离(即至少两个预测偏移量)，通过获取各个决策的效益值，以得到可以使第一交通工具产生最大效益的决策，可以基于该决策(目标预测偏移量)控制第一交通工具行驶，使得第一交通工具可以在在一定程度上拥有路权，可以主动基于决策进行变道，以提高第一交通工具的变道效率。
参见图10，图10是本申请实施例提供的一种计算机设备的结构示意图。如图10所示，本申请实施例中的计算机设备可以包括：一个或多个处理器1001、存储器1002和输入输出接口1003。该处理器1001、存储器1002和输入输出接口1003通过总线1004连接。存储器1002用于存储计算机程序，该计算机程序包括程序指令，输入输出接口1003用于接收数据及输出数据；处理器1001用于执行存储器1002存储的程序指令，执行如下操作：
获取第一交通工具的至少两个预测偏移量，获取第一交通工具的第一行驶状态，获取第二交通工具的第二行驶状态；第二交通工具为第一交通工具在交换车行道时的参考交通工具；
根据第一行驶状态及第二行驶状态，确定在第二交通工具处于让行预测状态时，各个预测偏移量的第一变道效益，以及确定在第二交通工具处于非让行预测状态时，各个预测偏移量的第二变道效益；
获取第二交通工具的预测让行概率，根据预测让行概率、各个预测偏移量的第一变道效益和第二变道效益，生成各个预测偏移量的目标变道效益，将具有最大的目标变道效益的预测偏移量确定为目标预测偏移量；目标预测偏移量用于表示针对第一交通工具所预测的侧向变道行驶距离。
在一些可行的实施方式中，该处理器1001可以是中央处理单元(centralprocessing unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digitalsignal processor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(field-programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器1002可以包括只读存储器和随机存取存储器，并向处理器1001和输入输出接口1003提供指令和数据。存储器1002的一部分还可以包括非易失性随机存取存储器。例如，存储器1002还可以存储设备类型的信息。
具体实现中，该计算机设备可通过其内置的各个功能模块执行如该图4中各个步骤所提供的实现方式，具体可参见该图4中各个步骤所提供的实现方式，在此不再赘述。
本申请实施例通过提供一种计算机设备，包括：处理器、输入输出接口、存储器，通过处理器获取存储器中的计算机指令，执行该图4中所示方法的各个步骤，进行基于交通工具的数据处理操作。本申请实施例实现了获取第一交通工具的至少两个预测偏移量，获取第一交通工具的第一行驶状态，获取第二交通工具的第二行驶状态；第二交通工具为第一交通工具在交换车行道时的参考交通工具；根据第一行驶状态及第二行驶状态，确定在第二交通工具处于让行预测状态时，各个预测偏移量的第一变道效益，以及确定在第二交通工具处于非让行预测状态时，各个预测偏移量的第二变道效益；获取第二交通工具的预测让行概率，根据预测让行概率、各个预测偏移量的第一变道效益和第二变道效益，生成各个预测偏移量的目标变道效益，将具有最大的目标变道效益的预测偏移量确定为目标预测偏移量；目标预测偏移量用于表示针对第一交通工具所预测的侧向变道行驶距离。通过以上过程，对第一交通工具(即自车)进行决策，该决策用于表示第一交通工具可能的偏移距离(即至少两个预测偏移量)，通过获取各个决策的效益值，以得到可以使第一交通工具产生最大效益的决策，可以基于该决策(目标预测偏移量)控制第一交通工具行驶，使得第一交通工具可以在在一定程度上拥有路权，可以主动基于决策进行变道，以提高第一交通工具的变道效率。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包括程序指令，当该程序指令被该处理器执行时，可以实现图4中各个步骤所提供的基于交通工具的数据处理方法，具体可参见该图4中各个步骤所提供的实现方式，在此不再赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述。作为示例，程序指令可被部署为在一个计算机设备上执行，或者在位于一个地点的多个计算机设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算机设备上执行。
该计算机可读存储介质可以是前述任一实施例提供的基于交通工具的数据处理装置或者该计算机设备的内部存储单元，例如计算机设备的硬盘或内存。该计算机可读存储介质也可以是该计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(smart media card，SMC)，安全数字(secure digital，SD)卡，闪存卡(flashcard)等。进一步地，该计算机可读存储介质还可以既包括该计算机设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该计算机设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图4中的各种可选方式中所提供的方法，实现对第一交通工具的目标预测偏移量的确定，以控制第一交通工具基于该目标预测偏移量所确定的预测偏移轨迹行驶，提高第一交通工具的变道效率。
本申请实施例的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、装置、产品或设备固有的其他步骤单元。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在该说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例提供的方法及相关装置是参照本申请实施例提供的方法流程图和/或结构示意图来描述的，具体可由计算机程序指令实现方法流程图和/或结构示意图的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。这些计算机程序指令可提供到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或结构示意一个方框或多个方框中指定的功能的步骤。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。

Claims (15)

1.一种基于交通工具的数据处理方法，其特征在于，所述方法包括：
获取第一交通工具的至少两个预测偏移量，获取所述第一交通工具的第一行驶状态，获取第二交通工具的第二行驶状态；所述第二交通工具为所述第一交通工具在交换车行道时的参考交通工具；
根据所述第一行驶状态及所述第二行驶状态，确定在所述第二交通工具处于让行预测状态时，各个预测偏移量的第一变道效益，以及确定在所述第二交通工具处于非让行预测状态时，所述各个预测偏移量的第二变道效益；
获取所述第二交通工具的预测让行概率，根据所述预测让行概率、所述各个预测偏移量的所述第一变道效益和所述第二变道效益，生成所述各个预测偏移量的目标变道效益，将具有最大的目标变道效益的预测偏移量确定为目标预测偏移量；所述目标预测偏移量用于表示针对所述第一交通工具所预测的侧向变道行驶距离。
2.如权利要求1所述的方法，其特征在于，所述获取第一交通工具的至少两个预测偏移量，包括：
获取所述车行道的车道宽度及决策数量；
获取所述第一交通工具与所述第一交通工具所在的第一车行道的车道线之间的横向距离，基于所述车道宽度、所述横向距离及所述决策数量，获取所述第一交通工具的至少两个预测偏移量；所述至少两个预测偏移量的数量为所述决策数量。
3.如权利要求1-2任一项所述的方法，其特征在于，所述方法还包括：
获取所述第一交通工具所在的第一车行道，以所述第一车行道的中心线作为坐标纵轴，以所述第一交通工具映射到所述坐标纵轴上的点作为坐标原点，将所述坐标纵轴对应的法线作为坐标横轴，根据所述坐标原点、所述坐标横轴以及所述坐标纵轴，建立道路坐标系；
所述获取所述第一交通工具的第一行驶状态，获取第二交通工具的第二行驶状态，包括：
获取所述第一交通工具在所述道路坐标系中的第一位置信息，根据所述第一位置信息获取所述第一交通工具的第一行驶状态；
获取所述第二交通工具在所述道路坐标系中的第二位置信息，根据所述第二位置信息获取所述第二交通工具的第二行驶状态。
4.如权利要求1所述的方法，其特征在于，所述第一行驶状态包括第一位置信息，所述第二行驶状态包括第二位置信息；
所述根据所述第一行驶状态及所述第二行驶状态，确定在所述第二交通工具处于让行预测状态时，各个预测偏移量的第一变道效益，以及确定在所述第二交通工具处于非让行预测状态时，所述各个预测偏移量的第二变道效益，包括：
根据所述第一位置信息确定所述第一交通工具的偏移距离；所述偏移距离为所述第一交通工具与所述第一交通工具所在的第一车行道的中心线之间的距离；
获取第i个预测偏移量，根据所述第i个预测偏移量与所述偏移距离之间的差值，确定在所述第二交通工具处于让行预测状态时，所述第i个预测偏移量的第一变道效益，以及确定在所述第二交通工具处于非让行预测状态时，所述第i个预测偏移量的第二变道效益；i为正整数，i小于或等于所述至少两个预测偏移量的数量。
5.如权利要求1所述的方法，其特征在于，所述第一行驶状态包括第一位置信息及第一行驶速度，所述第二行驶状态包括第二位置信息及第二行驶速度；
所述根据所述第一行驶状态及所述第二行驶状态，确定在所述第二交通工具处于让行预测状态时，各个预测偏移量的第一变道效益，以及确定在所述第二交通工具处于非让行预测状态时，所述各个预测偏移量的第二变道效益，包括：
获取所述第一位置信息中的第一纵向坐标值及所述第二位置信息中的第二纵向坐标值，根据所述第一纵向坐标值、所述第一行驶速度、所述第二纵向坐标值及所述第二行驶速度，获取所述第一交通工具与所述第二交通工具的纵向碰撞时间；
获取所述第一位置信息中的第一横向坐标值及所述第二位置信息中的第二横向坐标值，获取第i个预测偏移量，根据所述第一横向坐标值、所述第二横向坐标值及所述第i个预测偏移量，获取所述第i个预测偏移量对应的交通侧向间距；i为正整数，i小于或等于所述至少两个预测偏移量的数量；
根据所述纵向碰撞时间及所述第i个预测偏移量对应的交通侧向间距，确定在所述第二交通工具处于让行预测状态时，所述第i个预测偏移量的第一变道效益，以及确定在所述第二交通工具处于非让行预测状态时，所述第i个预测偏移量的第二变道效益。
6.如权利要求1所述的方法，其特征在于，所述第一行驶状态包括第一位置信息及第一行驶速度，所述第二行驶状态包括第二位置信息及第二行驶速度；
根据所述第一行驶状态及所述第二行驶状态，确定在所述第二交通工具处于让行预测状态时，各个预测偏移量的第一变道效益，以及确定在所述第二交通工具处于非让行预测状态时，所述各个预测偏移量的第二变道效益，包括：
获取第三交通工具的第三位置信息，根据所述第二位置信息及所述第三位置信息，获取所述第二交通工具及所述第三交通工具之间的引导纵向距离；所述第二交通工具与所述第三交通工具处于同一车行道，所述第三交通工具与所述第二交通工具的行驶方向相同；
获取所述第三交通工具的第三行驶速度；
根据第i个预测偏移量及所述引导纵向距离，确定所述第二交通工具的第i个让行距离，基于所述第二行驶速度、所述第三行驶速度及所述第i个让行距离，确定在所述第二交通工具处于让行预测状态时，所述第i个预测偏移量的第一变道效益，以及确定在所述第二交通工具处于非让行预测状态时，所述第i个预测偏移量的第二变道效益；i为正整数，i小于或等于所述至少两个预测偏移量的数量；所述第i个让行距离是指在第i个预测偏移量，且所述第二交通工具处于所述让行预测状态时，所述第二交通工具与所述第三交通工具之间基于所述引导纵向距离所增加的距离。
7.如权利要求1所述的方法，其特征在于，所述根据所述第一行驶状态及所述第二行驶状态，确定在所述第二交通工具处于让行预测状态时，各个预测偏移量的第一变道效益，以及确定在所述第二交通工具处于非让行预测状态时，所述各个预测偏移量的第二变道效益，包括：
获取让行概率模型；
将所述第一行驶状态、所述第二行驶状态及第i个预测偏移量，输入所述让行概率模型，得到所述第i个预测偏移量对应的所述让行预测状态的概率及所述非让行预测状态的概率；i为正整数，i小于或等于所述至少两个预测偏移量的数量；
将所述让行预测状态的概率，确定为在所述第二交通工具处于所述让行预测状态时，所述第i个预测偏移量的第一变道效益；
将所述非让行预测状态的概率，确定为在所述第二交通工具处于所述非让行预测状态时，所述第i个预测偏移量的第二变道效益。
8.如权利要求1所述的方法，其特征在于，获取所述第二交通工具的预测让行概率，包括：
获取历史纵向碰撞时间及所述历史纵向碰撞时间对应的历史碰撞距离，根据所述历史纵向碰撞时间及所述历史碰撞距离，确定碰撞时间均值及碰撞时间标准差；
获取所述第二交通工具与所述第一交通工具的纵向碰撞时间，将所述纵向碰撞时间映射到由所述碰撞时间均值及所述碰撞时间标准差生成的第一概率密度函数中，根据所述第一概率密度函数确定所述第二交通工具的初始让行概率；
获取历史交通侧向间距，根据所述历史交通侧向间距确定间距均值及间距标准差；
获取所述第二交通工具与所述第一交通工具的交通侧向间距，将所述交通侧向间距映射到由所述间距均值及所述间距标准差生成的第二概率密度函数中，根据所述第二概率密度函数确定所述第二交通工具的行驶保持概率；
根据所述初始让行概率及所述行驶保持概率，确定所述第二交通工具的预测让行概率。
9.如权利要求1所述的方法，其特征在于，所述根据所述预测让行概率、所述各个预测偏移量的所述第一变道效益和所述第二变道效益，生成所述各个预测偏移量的目标变道效益，包括：
获取决策树；所述决策树中的决策边包括所述至少两个预测偏移量、所述让行预测状态及所述非让行预测状态；所述决策树中的树节点包括所述第一交通工具及所述第二交通工具；
在所述决策树的至少两个决策层中，逐层根据所述预测让行概率以及所述决策边对所述各个预测偏移量的所述第一变道效益和所述第二变道效益进行加权求和，直至得到所述决策树的根节点中所述各个预测偏移量的树形效益值；
将所述根节点中所述各个预测偏移量的树形效益值，确定为所述各个预测偏移量的目标变道效益。
10.如权利要求9所述的方法，其特征在于，所述决策树中的至少两个决策层包括决策层k1和决策层k2，所述决策层k1包括所述根节点；所述第一行驶状态包括第一实际行驶状态和第一预测行驶状态，所述第二行驶状态包括第二实际行驶状态和第二预测行驶状态；所述第一变道效益包括第一变道效益k1和第一变道效益k2，所述第二变道效益包括第二变道效益k1和第二变道效益k2；
所述根据所述第一行驶状态及所述第二行驶状态，确定在所述第二交通工具处于让行预测状态时，各个预测偏移量的第一变道效益，以及确定在所述第二交通工具处于非让行预测状态时，所述各个预测偏移量的第二变道效益，包括：
根据所述第一实际行驶状态和所述第二实际行驶状态，确定在所述第二交通工具处于让行预测状态时，各个预测偏移量在决策层k1中的所述第一变道效益k1，以及确定在所述第二交通工具处于非让行预测状态时，所述各个预测偏移量在决策层k1中的第二变道效益k1；
根据所述第一实际行驶状态预测所述第一交通工具的所述第一预测行驶状态，根据所述第二实际行驶状态预测所述第二交通工具的所述第二预测行驶状态；
根据所述第一预测行驶状态和所述第二预测行驶状态，确定在所述第二交通工具处于所述让行预测状态时，所述各个预测偏移量在决策层k2中的所述第一变道效益k2，以及确定在所述第二交通工具处于所述非让行预测状态时，所述各个预测偏移量在决策层k2中的所述第二变道效益k2。
11.如权利要求10所述的方法，其特征在于，所述预测让行概率包括预测让行概率k1和预测让行概率k2；
所述在所述决策树的至少两个决策层中，逐层根据所述预测让行概率以及所述决策边对所述各个预测偏移量的所述第一变道效益和所述第二变道效益进行加权求和，直至得到所述决策树的根节点中所述各个预测偏移量的树形效益值，包括：
根据所述预测让行概率k2，对所述各个预测偏移量的所述第一变道效益k2及所述第二变道效益k2进行加权求和，得到所述各个预测偏移量在所述决策层k2的树形效益值；
将所述各个预测偏移量在所述决策层k2的树形效益值中最大的树形效益值，确定为所述决策层k2的参数值；
根据所述预测让行概率k1，对所述决策层k2的参数值、所述各个预测偏移量的所述第一变道效益k1及所述第二变道效益k1进行加权求和，得到所述各个预测偏移量在所述决策层k1的树形效益值；所述各个预测偏移量在所述决策层k1的树形效益值，为所述决策树的根节点中所述各个预测偏移量的树形效益值。
12.如权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述目标预测偏移量及所述第二交通工具所在的第二车行道，确定预测偏移轨迹；所述预测偏移轨迹在所述车行道中对应的侧向行驶距离为所述目标预测偏移量；
控制所述第一交通工具沿所述预测偏移轨迹行驶。
13.一种基于交通工具的数据处理装置，其特征在于，所述装置包括：
状态获取模块，用于获取第一交通工具的至少两个预测偏移量，获取所述第一交通工具的第一行驶状态，获取第二交通工具的第二行驶状态；所述第二交通工具为所述第一交通工具在交换车行道时的参考交通工具；
效益获取模块，用于根据所述第一行驶状态及所述第二行驶状态，确定在所述第二交通工具处于让行预测状态时，各个预测偏移量的第一变道效益，以及确定在所述第二交通工具处于非让行预测状态时，所述各个预测偏移量的第二变道效益；
偏移选取模块，用于获取所述第二交通工具的预测让行概率，根据所述预测让行概率、所述各个预测偏移量的所述第一变道效益和所述第二变道效益，生成所述各个预测偏移量的目标变道效益，将具有最大的目标变道效益的预测偏移量确定为目标预测偏移量；所述目标预测偏移量用于表示针对所述第一交通工具所预测的侧向变道行驶距离。
14.一种计算机设备，其特征在于，包括处理器、存储器、输入输出接口；
所述处理器分别与所述存储器和所述输入输出接口相连，其中，所述输入输出接口用于接收数据及输出数据，所述存储器用于存储计算机程序，所述处理器用于调用所述计算机程序，以执行如权利要求1-12任一项所述的方法。
15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时，执行如权利要求1-12任一项所述的方法。
CN202010947834.9A 2020-09-10 2020-09-10 基于交通工具的数据处理方法、装置、计算机及存储介质 Active CN112406905B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010947834.9A CN112406905B (zh) 2020-09-10 2020-09-10 基于交通工具的数据处理方法、装置、计算机及存储介质
JP2022565903A JP2023523350A (ja) 2020-09-10 2021-09-02 乗り物に基づくデータ処理方法、データ処理装置、コンピュータ機器、及びコンピュータプログラム
PCT/CN2021/116193 WO2022052856A1 (zh) 2020-09-10 2021-09-02 基于交通工具的数据处理方法、装置、计算机及存储介质
EP21865910.0A EP4119412A4 (en) 2020-09-10 2021-09-02 VEHICLE-BASED DATA PROCESSING METHOD AND APPARATUS, COMPUTER AND RECORDING MEDIUM
US17/971,495 US20230053459A1 (en) 2020-09-10 2022-10-21 Vehicle-based data processing method and apparatus, computer, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010947834.9A CN112406905B (zh) 2020-09-10 2020-09-10 基于交通工具的数据处理方法、装置、计算机及存储介质

Publications (2)

Publication Number Publication Date
CN112406905A true CN112406905A (zh) 2021-02-26
CN112406905B CN112406905B (zh) 2022-01-28

Family

ID=74855176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010947834.9A Active CN112406905B (zh) 2020-09-10 2020-09-10 基于交通工具的数据处理方法、装置、计算机及存储介质

Country Status (5)

Country Link
US (1) US20230053459A1 (zh)
EP (1) EP4119412A4 (zh)
JP (1) JP2023523350A (zh)
CN (1) CN112406905B (zh)
WO (1) WO2022052856A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022052856A1 (zh) * 2020-09-10 2022-03-17 腾讯科技（深圳）有限公司 基于交通工具的数据处理方法、装置、计算机及存储介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20240051581A1 (en) * 2022-08-15 2024-02-15 Motional Ad Llc Determination of an action for an autonomous vehicle in the presence of intelligent agents
CN116729374B (zh) * 2023-08-16 2023-11-10 北京斯年智驾科技有限公司 一种自动驾驶车道保持控制方法、系统、装置和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109739246A (zh) * 2019-02-19 2019-05-10 百度在线网络技术（北京）有限公司 一种变换车道过程中的决策方法、装置、设备及存储介质
CN110136254A (zh) * 2019-06-13 2019-08-16 吉林大学 基于动态概率驾驶地图的驾驶辅助信息显示方法
US20190265709A1 (en) * 2018-02-26 2019-08-29 Honda Motor Co., Ltd. Vehicle control device
CN111169476A (zh) * 2020-01-18 2020-05-19 重庆长安汽车股份有限公司 一种目标车辆相对于主车辆的运动趋势预测方法、装置、控制器及汽车
CN111428943A (zh) * 2020-04-23 2020-07-17 福瑞泰克智能系统有限公司 障碍物车辆轨迹预测的方法、设备和计算机设备

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BR112017002421B1 (pt) * 2014-08-11 2022-01-25 Nissan Motor Co., Ltd Dispositivo de controle de percurso e método de controle de percurso
EP3208786B1 (en) * 2016-02-22 2023-06-07 Volvo Car Corporation Method and system for evaluating inter-vehicle traffic gaps and time instances to perform a lane change manoeuvre
CN108313054B (zh) * 2018-01-05 2019-08-02 北京智行者科技有限公司 自动驾驶自主换道决策方法和装置及自动驾驶车辆
CN108595823B (zh) * 2018-04-20 2021-10-12 大连理工大学 一种联合驾驶风格和博弈理论的自主车换道策略计算方法
JP6710722B2 (ja) * 2018-06-15 2020-06-17 本田技研工業株式会社 車両制御装置、車両制御方法、およびプログラム
CN111383464B (zh) * 2018-12-28 2022-11-18 沈阳美行科技股份有限公司 车辆变道识别方法、装置、电子设备和介质
CN110298131B (zh) * 2019-07-05 2021-07-13 西南交通大学 一种混合驾驶环境下自动驾驶换道决策模型建立方法
CN110908375A (zh) * 2019-11-14 2020-03-24 北京三快在线科技有限公司 获取变道决策信息的方法、装置、存储介质和车辆
CN112406905B (zh) * 2020-09-10 2022-01-28 腾讯科技（深圳）有限公司 基于交通工具的数据处理方法、装置、计算机及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190265709A1 (en) * 2018-02-26 2019-08-29 Honda Motor Co., Ltd. Vehicle control device
CN109739246A (zh) * 2019-02-19 2019-05-10 百度在线网络技术（北京）有限公司 一种变换车道过程中的决策方法、装置、设备及存储介质
CN110136254A (zh) * 2019-06-13 2019-08-16 吉林大学 基于动态概率驾驶地图的驾驶辅助信息显示方法
CN111169476A (zh) * 2020-01-18 2020-05-19 重庆长安汽车股份有限公司 一种目标车辆相对于主车辆的运动趋势预测方法、装置、控制器及汽车
CN111428943A (zh) * 2020-04-23 2020-07-17 福瑞泰克智能系统有限公司 障碍物车辆轨迹预测的方法、设备和计算机设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022052856A1 (zh) * 2020-09-10 2022-03-17 腾讯科技（深圳）有限公司 基于交通工具的数据处理方法、装置、计算机及存储介质

Also Published As

Publication number Publication date
EP4119412A1 (en) 2023-01-18
EP4119412A4 (en) 2023-10-11
US20230053459A1 (en) 2023-02-23
WO2022052856A1 (zh) 2022-03-17
CN112406905B (zh) 2022-01-28
JP2023523350A (ja) 2023-06-02

Similar Documents

Publication Publication Date Title
US11698263B2 (en) Safety and comfort constraints for navigation
CN110861650B (zh) 车辆的路径规划方法、装置，车载设备和存储介质
CN112406905B (zh) 基于交通工具的数据处理方法、装置、计算机及存储介质
CN111123933B (zh) 车辆轨迹规划的方法、装置、智能驾驶域控制器和智能车
CN111506058B (zh) 通过信息融合来计划自动驾驶的短期路径的方法及装置
CN110562258B (zh) 一种车辆自动换道决策的方法、车载设备和存储介质
CN110389584A (zh) 用于评估自动驾驶车辆的轨迹候选项的方法
CN112888612A (zh) 自动驾驶车辆规划
US11555706B1 (en) Processing graph representations of tactical maps using neural networks
CN110389581A (zh) 用于为自动驾驶车辆生成障碍物的预测轨迹的方法
US20200050214A1 (en) Method, Computer Program Product, Computer-Readable Medium, Control Unit, and Vehicle Comprising the Control Unit for Determining a Collective Maneuver of at Least Two Vehicles
US10832439B1 (en) Locating entities in a mapped environment
US11585669B2 (en) Vehicle routing using connected data analytics platform
CN112406904B (zh) 自动驾驶策略的训练方法、自动驾驶方法、设备和车辆
CN112567439B (zh) 一种交通流信息的确定方法、装置、电子设备和存储介质
US20230150549A1 (en) Hybrid log simulated driving
US11312373B2 (en) Vehicle detection and response
US20220340177A1 (en) Systems and methods for cooperative driving of connected autonomous vehicles in smart cities using responsibility-sensitive safety rules
CN113867367B (zh) 测试场景的处理方法、装置及计算机程序产品
US11392128B1 (en) Vehicle control using directed graphs
Guo et al. Self-defensive coordinated maneuvering of an intelligent vehicle platoon in mixed traffic
US20220388540A1 (en) Hybrid decision-making method and device for autonomous driving and computer storage medium
WO2021258847A1 (zh) 一种驾驶决策方法、装置及芯片
US11783178B2 (en) Systems and methods for corridor intent prediction
CN113432618A (zh) 轨迹生成方法、装置、计算设备及计算机可读存储介质

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40038330

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant